CN111735478B - 基于lstm的行人实时导航零速检测方法 - Google Patents

基于lstm的行人实时导航零速检测方法 Download PDF

Info

Publication number
CN111735478B
CN111735478B CN202010834334.4A CN202010834334A CN111735478B CN 111735478 B CN111735478 B CN 111735478B CN 202010834334 A CN202010834334 A CN 202010834334A CN 111735478 B CN111735478 B CN 111735478B
Authority
CN
China
Prior art keywords
data
pedestrian
initial
peak value
segment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010834334.4A
Other languages
English (en)
Other versions
CN111735478A (zh
Inventor
潘献飞
安郎平
吴文启
穆华
张书芳
王莽
陈泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010834334.4A priority Critical patent/CN111735478B/zh
Publication of CN111735478A publication Critical patent/CN111735478A/zh
Application granted granted Critical
Publication of CN111735478B publication Critical patent/CN111735478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种基于LSTM的行人实时导航零速检测方法。所述方法包括：根据行人移动产生的惯性数据，构建用于模型训练的数据集；根据所述数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络；获取行人移动产生的实时惯性数据中的初始数据，将所述初始数据输入所述训练好的LSTM网络，得到初始数据对应的初始阈值；检测所述实时惯性数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值；根据各个运动状态下的所述初始阈值或所述调整阈值进行行人导航。采用本方法能够提高行人导航对环境的适应性。

Description

基于LSTM的行人实时导航零速检测方法
技术领域
本申请涉及行人导航技术领域，特别是涉及一种基于LSTM的行人实时导航零速检测方法。
背景技术
行人导航技术在军事作战、医疗救援、公共安全、应急响应、娱乐消费等诸多领域发挥着重要的作用。传统基于全球定位系统(Global Positioning System ,GPS)的导航技术,由于信号遮挡、吸收和杂散反射，在室内的定位精度有限，且信号易被干扰。根据微惯性测量单元（MIMU）获得的惯性数据可以估计行人相对于已知原点的运动轨迹，从而实现更可靠的行人导航。然而惯性传感器存在漂移误差,是行人导航位置航向发散的主要误差来源。零速修正(Zero Velocity Update , ZUPT)算法可以抑制误差积累并提高导航精度。零速修正首先要进行零速区间检测，然后在此基础上进行卡尔曼滤波。
传统的零速检测算法，一般先采用加速度和角速度平方和或加速度方差作为检测数据进行零速检测，然后利用固定阈值检测零速区间。这种算法在运动者步态稳定的情况下对零速区间的判断准确性较高，但实际中行人的运动状态复杂多变，在不同运动状态下，适应性较差，难以实现多运动状态下准确的零速区间检测。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决行人导航适应性差问题的基于LSTM的行人实时导航零速检测方法。
一种基于LSTM的行人实时导航零速检测方法，所述方法包括：
根据行人移动产生的惯性数据，构建用于模型训练的数据集；所述惯性数据包括：加速度数据和陀螺仪数据；
根据所述数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络；
获取行人移动产生的实时惯性数据中的初始数据，将所述初始数据预处理后输入所述训练好的LSTM网络，得到初始数据对应的初始阈值；
对实时惯性数据求方差后进行滑动平均处理，获得预处理数据；监测所述预处理数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值；
根据各个运动状态下的所述初始阈值或所述调整阈值进行行人导航。
在其中一个实施例中，还包括：采用滑动窗口将行人移动产生的惯性数据求方差后进行滑动平均，将其划分为预设长度的标准数据；根据所述标准数据，构建用于模型训练的数据集。
在其中一个实施例中，还包括：检测所述预处理数据中当前数据段与前一时刻相邻数据段的正峰值和负峰值；根据当前数据段与前一时刻相邻数据段的正峰值和负峰值，得到峰值变化率；当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值。
在其中一个实施例中，还包括：设置搜索窗口，将所述搜索窗口向前移动，计算所述搜索窗口中的正峰值点，并确定所述正峰值点中的最大值为正峰值；根据两个所述正峰值点间的最小值，计算负峰值点，确定所述负峰值点中的最小值为负峰值。
在其中一个实施例中，所述运动状态包括：慢走、正常行走、快速行走、慢跑、正常跑、快跑、上楼梯、下楼梯以及跳跃。
在其中一个实施例中，还包括：根据预先设置的姿态假设最优估计检测器和所述初始阈值/所述调整阈值，进行行人导航的零速判断；采用预先设置的扩展卡尔曼滤波算法对行人导航的输出结果进行修正。
一种基于LSTM的行人实时导航零速检测装置，所述装置包括：
数据获取模块，用于根据行人移动产生的惯性数据，构建用于模型训练的数据集；所述惯性数据包括：加速度数据和陀螺仪数据；
训练模块，用于根据所述数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络；
预测模块，用于获取行人移动产生的实时惯性数据中的初始数据，将所述初始数据预处理后输入所述训练好的LSTM网络，得到初始数据对应的初始阈值；
自适应调整模块，用于对实时惯性数据求方差后进行滑动平均处理，获得预处理数据；监测所述预处理数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值；
导航模块，用于根据各个运动状态下的所述初始阈值或所述调整阈值进行行人导航。
上述基于LSTM和峰值监测的行人导航方法，通过各个运动状态下采集的惯性数据作为训练数据，对LSTM网络进行训练，然后在实时导航时，通过初始数据，得到各个运动状态下对应的初始阈值，然后，对实时惯性数据进行实时监测，确定实时惯性数据的峰值变化率，从而确定是否需要进行阈值调节，若要进行阈值调节，只需将当前数据段输入训练好的LSTM网络，就可以得到调整后的调整阈值，从而根据调整阈值进行行人导航，解决了行人导航适应性差的问题。
附图说明
图1为一个实施例中基于LSTM的行人实时导航零速检测方法的流程示意图；
图2为一个实施例中LSTM网络的结构示意图；
图3为一个实施例中基于LSTM的行人实时导航零速检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于LSTM的行人实时导航零速检测方法，包括以下步骤：
步骤102，根据行人移动产生的惯性数据，构建用于模型训练的数据集。
惯性数据包括：加速度数据和陀螺仪数据，采集惯性数据可以通过微惯性测量单元（MIMU）实现。
惯性数据为标签数据，即该惯性数据被运动状态标记，通过标记数据，可以形成模型训练的数据集。
步骤104，根据数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络。
LSTM网络指的是长短期记忆网络，通过数据集可以训练LSTM网络。
值得说明的是，模型训练可以是离线进行的，即预先训练好模型，实时导航时，直接调用训练好的模型。
步骤106，获取行人移动产生的实时惯性数据中的初始数据，将初始数据预处理后输入训练好的LSTM网络，得到初始数据对应的初始阈值。
初始数据指的是实时惯性数据在时序上的第一段数据，通过第一段数据，可以确定行人导航的初始阈值，从而根据初始阈值进行行人导航。
步骤108，对实时惯性数据求方差后进行滑动平均处理，获得预处理数据；监测所述预处理数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当峰值变化率超过预先设置的阈值自适应调节系数，则将当前数据段输入训练好的LSTM网络得到调整阈值。
在持续的行人导航中，可以面临环境变化和运动状态变化，利用初始阈值进行零速区间判断时，可能不再准确，因此，通过检测实时惯性数据的峰值变化率，然后在峰值变化率超过阈值时，利用当前数据进行自适应的阈值调整，从而提高在环境变化和运动状态变化时，行人导航的准确率。
步骤110，根据各个运动状态下的初始阈值或所述调整阈值进行行人导航。
上述基于LSTM的行人实时导航零速检测方法中，通过各个运动状态下采集的惯性数据作为训练数据，对LSTM网络进行训练，然后在实时导航时，通过初始数据，得到各个运动状态下对应的初始阈值，然后，对实时惯性数据进行实时监测，确定实时惯性数据的峰值变化率，从而确定是否需要进行阈值调节，若要进行阈值调节，只需将当前数据段输入训练好的LSTM网络，就可以得到调整后的调整阈值，从而根据调整阈值进行行人导航，解决了行人导航适应性差的问题。
在其中一个实施例中，采用滑动窗口将行人移动产生的惯性数据经预处理后划分为预设长度的标准数据；根据标准数据，构建用于模型训练的数据集。
本实施例中，一方面，对于需要进行深度学习的训练样本来说，惯性数据的数据量太大无法直接处理，需要对数据进行标准化处理，本实施例选择的标准化方式可以是压缩、分割等方式。具体的，标准数据可以是64个样本点，即设置64个样本点长度的滑动窗口，每次向前移动32个样本点，得到标准数据，从而标准数据中的重复率是50%，从而提高惯性数据的利用率。
另一方面，原始数据包括各方向（东、北、天）各方向的陀螺和加表数据，且包含噪声。因此，采用方差处理和滑动平均处理对原始数据进行整合和去噪声。
具体的，首先，将三轴数据通过求方差整合为一组数据：
Figure 558560DEST_PATH_IMAGE001
式中，k表示第k个数据点，
Figure 944542DEST_PATH_IMAGE002
表示第j个数据点在i方向上的惯性数据；
Figure 317754DEST_PATH_IMAGE003
其次，对数据进行滑动窗口平均处理
Figure 181805DEST_PATH_IMAGE004
式中，W为滑动窗口的大小。
在另一个实施例中，获取惯性数据的初始误差，根据初始误差对惯性数据进行修正。本实施例中，由于惯性传感器随着时间的积累，会存在漂移现象，因此需要确定初始误差，然后对惯性数据进行修正。
具体的，为消除误差漂移，采集数据时将MIMU传感器静止1分钟，获取陀螺仪的数据作为起始误差，处理数据时用惯性数据的原始数据减去起始误差。
在其中一个实施例中，如图2所示，提供一种LSTM模型的示意图，其中，陀螺数据对应陀螺仪数据，加表数据对应惯性数据中的加速度计数据。LSTM模型共包括6层神经网络，每层40个单元。
在LSTM网络传播过程中，第一步是决定从细胞状态中丢弃哪些信息，该过程由遗忘门控制，该门从
Figure 324073DEST_PATH_IMAGE005
与
Figure 412115DEST_PATH_IMAGE006
读取信息后，会通过内置算法输出一个在[0,1]之间的实数，如果这个数是0，则代表将完全丢弃这个状态，如果这个数是1，则表明完全保留这个状态。
Figure 882411DEST_PATH_IMAGE007
表示遗忘门限。具体如下：
Figure 346890DEST_PATH_IMAGE008
Figure 609244DEST_PATH_IMAGE009
表示偏置。
在遗忘层丢弃了部分信息以后，由输入门选择哪些信息将被更新到细胞状态中，该门将决定哪些信息将会被更新到的细胞状态中来。
Figure 805870DEST_PATH_IMAGE010
表示输入门限，
Figure 825779DEST_PATH_IMAGE011
表示前一时刻的细胞状态，
Figure 156266DEST_PATH_IMAGE012
表示现在的细胞状态。具体如下：
Figure 882914DEST_PATH_IMAGE013
Figure 578337DEST_PATH_IMAGE014
Figure 413438DEST_PATH_IMAGE015
当计算出了
Figure 157403DEST_PATH_IMAGE016
，
Figure 128770DEST_PATH_IMAGE017
，
Figure 932778DEST_PATH_IMAGE018
后，利用公式x对细胞状态进行更新，并通过输出门限决定细胞状态的哪些信息将被输出。
Figure 255175DEST_PATH_IMAGE019
表示输出门限，
Figure 802831DEST_PATH_IMAGE020
表示单元的输出。具体如下：
Figure 894284DEST_PATH_IMAGE021
Figure 931510DEST_PATH_IMAGE022
在建立好LSTM网络后，还需要搭建全连接层，具体的，本实施例中采用的全连接层将输出结果的维数降为2维，输出为9个阈值，分别对应以下四类九种运动状态下的最佳阈值：行走（慢走、正常行走、快速行走）、跑步（慢跑、正常跑、快跑）、上下楼梯（上楼梯、下楼梯）、跳跃。
最后，在进行模型训练时，将带有标注的训练数据集依次输入到多层LSTM和全连接层，计算模型输出结果和输入数据标签之间的误差，并通过误差反向传播函数进行模型参数的调整优化。
在其中一个实施例中，检测实时惯性数据中的当前数据段与前一时刻相邻数据段的正峰值和负峰值，根据当前数据段与前一时刻相邻数据段的正峰值和负峰值，得到峰值变化率，当峰值变化率超过预先设置的阈值自适应调节系数，则将当前数据段输入训练好的LSTM网络得到调整阈值。
在另一个实施例中，设置搜索窗口，将搜索窗口向前移动，计算搜索窗口中的正峰值点，并确定正峰值点中的最大值为正峰值；根据两个正峰值点间的最小值，计算负峰值点，确定负峰值点中的最小值为负峰值。
具体的，首先将正峰值搜索窗口的大小
Figure 85411DEST_PATH_IMAGE023
设置为64个样本点。将第I段连续的陀螺加速度信号
Figure 233495DEST_PATH_IMAGE024
输入到正峰值搜索窗口。其次，检查该搜索窗口中的信号是否形成上三角。当形成上三角时，其顶点对应数据为
Figure 179455DEST_PATH_IMAGE025
（k=1,2,3…）。如果不满足此条件，则向该窗口输入新的陀螺加速度信号。最后，当整段数据被检测完时，求出该段数据中峰值数据的最大值
Figure 325265DEST_PATH_IMAGE026
，并将正峰值搜索窗口向前移动64个样本点，对下一段数据进行监测。具体为：
Figure 28779DEST_PATH_IMAGE027
在第I段数据的每两个相邻的正峰值之间，求得陀螺加速度的最小值
Figure 42871DEST_PATH_IMAGE028
：
Figure 984282DEST_PATH_IMAGE029
第I段数据负峰值中得最小值为：
Figure 425628DEST_PATH_IMAGE030
然后，过每段数据的正峰值与负峰值之差的变化情况来对峰值进行监测，峰值变化率为
Figure 85280DEST_PATH_IMAGE031
：
Figure 637484DEST_PATH_IMAGE032
当
Figure 964560DEST_PATH_IMAGE033
大于等于阈值自适应调节系数
Figure 717752DEST_PATH_IMAGE034
时，将该段数据喂入LSTM网络进行训练，获得最佳的修正阈值
Figure 458175DEST_PATH_IMAGE035
，否则，保持阈值不变。
在进行阈值调整时，将当前数据段输入训练好的LSTM网络，识别当前数据段的运动状态，从而进行阈值的自适应调整，具体如下：
Figure 751753DEST_PATH_IMAGE036
Figure 402177DEST_PATH_IMAGE037
表示前一数据段的调整阈值或者初始阈值，
Figure 919746DEST_PATH_IMAGE038
表示将当前数据段输入LSTM网络的调整阈值。
在其中一个实施例中，还需要根据预先设置的姿态假设最优估计检测器和初始阈值/调整阈值，进行行人导航的零速判断；采用预先设置的扩展卡尔曼滤波算法对行人导航的输出结果进行修正。
具体的，零速判断的过程如下：
采用姿态假设最优估计（SHOE）检测器，结合自适应阈值进行零速判断，具体如下：
Figure 85148DEST_PATH_IMAGE039
其中，
Figure 120100DEST_PATH_IMAGE040
属于
Figure 749665DEST_PATH_IMAGE041
，
Figure 579081DEST_PATH_IMAGE042
别是来自N个样本的窗口
Figure 559675DEST_PATH_IMAGE043
的线性加速度和角速度样本。
Figure 195056DEST_PATH_IMAGE044
和
Figure 554493DEST_PATH_IMAGE045
是加权值。
扩展卡尔曼滤波的步骤如下：
采用扩展卡尔曼滤波算法（Extended Kalman filter，EKF）跟踪“足绑式IMU”的状态，并对输出结果进行修正。
过滤器的状态(
Figure 945023DEST_PATH_IMAGE046
)由IMU的位置(
Figure 757121DEST_PATH_IMAGE047
)，速度(
Figure 196193DEST_PATH_IMAGE048
)和四元数形式的方向(
Figure 534770DEST_PATH_IMAGE049
)组成：
Figure 768305DEST_PATH_IMAGE050
为了传播标称状态，EKF采用非线性运动模型
Figure 333279DEST_PATH_IMAGE051
，模型输入为IMU数据
Figure 372779DEST_PATH_IMAGE052
；
Figure 503546DEST_PATH_IMAGE053
其中，k是时间索引；
Figure 845666DEST_PATH_IMAGE054
是采样周期；
Figure 22569DEST_PATH_IMAGE055
是将四元数映射到旋转矩阵的函数；g是重力矢量；而
Figure 537864DEST_PATH_IMAGE056
是4*4矩阵，基于增量旋转来更新四元数状态的系数。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于LSTM和峰值监测的行人导航装置，包括：数据获取模块302、训练模块304、预测模块306、自适应调整模块308和导航模块310，其中：
数据获取模块302，用于根据行人移动产生的惯性数据，构建用于模型训练的数据集；所述惯性数据包括：加速度数据和陀螺仪数据；
训练模块304，用于根据所述数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络；
预测模块306，用于获取行人移动产生的实时惯性数据中的初始数据，将所述初始数据预处理后输入所述训练好的LSTM网络，得到初始数据对应的初始阈值；
自适应调整模块308，用于对实时惯性数据求方差后进行滑动平均处理，获得预处理数据；监测所述预处理数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值；
导航模块310，用于根据各个运动状态下的所述初始阈值或所述调整阈值进行行人导航。
在其中一个实施例中，数据获取模块302还用于采用滑动窗口将行人移动产生的惯性数据划分为预设长度的标准数据；根据所述标准数据，构建用于模型训练的数据集。
在其中一个实施例中，数据获取模块302还用于获取所述惯性数据的初始误差，根据所述初始误差对所述惯性数据进行修正。
在其中一个实施例中，自适应调整模块308还用于检测所述预处理后的实时惯性数据中当前数据段与前一时刻相邻数据段的正峰值和负峰值；根据当前数据段与前一时刻相邻数据段的正峰值和负峰值，得到峰值变化率；当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值。
在其中一个实施例中，自适应调整模块308还用于设置搜索窗口，将所述搜索窗口向前移动，计算所述搜索窗口中的正峰值点，并确定所述正峰值点中的最大值为正峰值；根据两个所述正峰值点间的最小值，计算负峰值点，确定所述负峰值点中的最小值为负峰值。
在其中一个实施例中，所述运动状态包括：慢走、正常行走、快速行走、慢跑、正常跑、快跑、上楼梯、下楼梯以及跳跃。
在其中一个实施例中，导航模块310还用于根据预先设置的姿态假设最优估计检测器和所述初始阈值/所述调整阈值，进行行人导航的零速判断；采用预先设置的扩展卡尔曼滤波算法对行人导航的输出结果进行修正。
关于基于LSTM的行人实时导航零速检测装置的具体限定可以参见上文中对于基于LSTM的行人实时导航零速检测方法的限定，在此不再赘述。上述基于LSTM的行人实时导航零速检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于LSTM的行人实时导航零速检测方法，其特征在于，所述方法包括：
根据行人移动产生的惯性数据，构建用于模型训练的数据集；所述惯性数据包括：加速度数据和陀螺仪数据；
根据所述数据集，对预先设置的LSTM网络进行训练，得到训练好的LSTM网络；
获取行人移动产生的实时惯性数据中的初始数据，将所述初始数据预处理后输入所述训练好的LSTM网络，得到初始数据对应的初始阈值；
对实时惯性数据求方差后进行滑动平均处理，获得预处理数据；监测所述预处理数据中的当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值；
根据各个运动状态下的所述初始阈值或所述调整阈值进行行人导航；
监测所述预处理数据中当前数据段与前一时刻相邻数据段的峰值变化率，当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值，包括：
检测所述预处理数据中当前数据段与前一时刻相邻数据段的正峰值和负峰值；
根据当前数据段与前一时刻相邻数据段的正峰值和负峰值，得到峰值变化率；
当所述峰值变化率超过预先设置的阈值自适应调节系数，则将所述当前数据段输入所述训练好的LSTM网络得到调整阈值。
2.根据权利要求1所述的方法，其特征在于，所述根据行人移动产生的惯性数据，构建用于模型训练的数据集，包括：
采用滑动窗口将行人移动产生的惯性数据求方差后进行滑动平均，将其划分为预设长度的标准数据；
根据所述标准数据，构建用于模型训练的数据集。
3.根据权利要求1所述的方法，其特征在于，检测所述预处理数据中当前数据段与前一时刻相邻数据段的正峰值和负峰值，包括：
设置搜索窗口，将所述搜索窗口向前移动，计算所述搜索窗口中的正峰值点，并确定所述正峰值点中的最大值为正峰值；
根据两个所述正峰值点间的最小值，计算负峰值点，确定所述负峰值点中的最小值为负峰值。
4.根据权利要求1或2所述的方法，其特征在于，所述运动状态包括：慢走、正常行走、快速行走、慢跑、正常跑、快跑、上楼梯、下楼梯以及跳跃。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据预先设置的姿态假设最优估计检测器和所述初始阈值/所述调整阈值，进行行人导航的零速判断；
采用预先设置的扩展卡尔曼滤波算法对行人导航的输出结果进行修正。
CN202010834334.4A 2020-08-19 2020-08-19 基于lstm的行人实时导航零速检测方法 Active CN111735478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010834334.4A CN111735478B (zh) 2020-08-19 2020-08-19 基于lstm的行人实时导航零速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010834334.4A CN111735478B (zh) 2020-08-19 2020-08-19 基于lstm的行人实时导航零速检测方法

Publications (2)

Publication Number Publication Date
CN111735478A CN111735478A (zh) 2020-10-02
CN111735478B true CN111735478B (zh) 2020-11-13

Family

ID=72658631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010834334.4A Active CN111735478B (zh) 2020-08-19 2020-08-19 基于lstm的行人实时导航零速检测方法

Country Status (1)

Country Link
CN (1) CN111735478B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112985392B (zh) * 2021-04-19 2021-07-30 中国人民解放军国防科技大学 基于图优化框架的行人惯性导航方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103630147A (zh) * 2013-11-26 2014-03-12 哈尔滨工程大学 一种基于hmm的个人自主导航系统零速检测方法
CN108362282A (zh) * 2018-01-29 2018-08-03 哈尔滨工程大学 一种基于自适应零速区间调整的惯性行人定位方法
CN109781094A (zh) * 2018-12-24 2019-05-21 上海交通大学 基于循环神经网络的地磁定位系统
CN111174791A (zh) * 2020-01-09 2020-05-19 电子科技大学 一种基于双向长短期记忆网络的定位修正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103630147A (zh) * 2013-11-26 2014-03-12 哈尔滨工程大学 一种基于hmm的个人自主导航系统零速检测方法
CN108362282A (zh) * 2018-01-29 2018-08-03 哈尔滨工程大学 一种基于自适应零速区间调整的惯性行人定位方法
CN109781094A (zh) * 2018-12-24 2019-05-21 上海交通大学 基于循环神经网络的地磁定位系统
CN111174791A (zh) * 2020-01-09 2020-05-19 电子科技大学 一种基于双向长短期记忆网络的定位修正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Brandon et al..Robust Data-Driven Zero-Velocity Detection for Foot-Mounted Inertial Navigation.《IEEE SENSORS JOURNAL》.2020,第20卷(第2期),第957-967页. *
LSTM-Based Zero-Velocity Detection for Robust Inertial Navigation;Brandon et al.;《2018 International Conference on Indoor Positioning and Indoor Navigation (IPIN)》;20181115;第1-8页 *
Robust Data-Driven Zero-Velocity Detection for Foot-Mounted Inertial Navigation;Brandon et al.;《IEEE SENSORS JOURNAL》;20200115;第20卷(第2期);第957-967页 *

Also Published As

Publication number Publication date
CN111735478A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
EP2850392B1 (en) Method for step detection and gait direction estimation
Sun et al. IDOL: Inertial deep orientation-estimation and localization
US9127947B2 (en) State estimator for rejecting noise and tracking and updating bias in inertial sensors and associated methods
CN106682572B (zh) 目标跟踪方法、系统和第一电子设备
CN104061934B (zh) 基于惯性传感器的行人室内位置跟踪方法
CN113091738B (zh) 基于视觉惯导融合的移动机器人地图构建方法及相关设备
CN111721288B (zh) 一种mems器件零偏修正方法、装置及存储介质
Wu et al. A pedestrian dead-reckoning system for walking and marking time mixed movement using an SHSs scheme and a foot-mounted IMU
CN112004183B (zh) 一种基于卷积神经网络融合IMU和WiFi信息的机器人自主定位方法
CN104613965A (zh) 一种基于双向滤波平滑技术的步进式行人导航方法
Yang et al. Symmetrical-Net: Adaptive zero velocity detection for ZUPT-aided pedestrian navigation system
CN105547291B (zh) 室内人员自主定位系统的自适应静止检测方法
CN108592907A (zh) 一种基于双向滤波平滑技术的准实时步进式行人导航方法
Wang et al. High-performance inertial measurements using a redundant array of inexpensive gyroscopes (RAIG)
EP3227634B1 (en) Method and system for estimating relative angle between headings
CN114593735B (zh) 一种位姿预测方法及装置
CN111735478B (zh) 基于lstm的行人实时导航零速检测方法
Hnatiuc et al. Path recognition using mobile phone
Zeinali et al. IMUNet: Efficient Regression Architecture for Inertial IMU Navigation and Positioning
CN106441282B (zh) 一种星敏感器星跟踪方法
WO2023057780A1 (en) Imu-based dead reckoning with learned motion model
CN113566828A (zh) 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统
Lin et al. A Cnn-Speed-Based Gnss/Pdr Integrated System For Smartwatch
Zhou et al. Pedestrian navigation with foot-mounted inertial sensors in wearable body area networks
Abdelbar et al. Pedestrian graphslam using smartphone-based pdr in indoor environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant