CN113390381A - 一种基于个人运动参考模板的传感器安装角估计方法 - Google Patents

Abstract

本发明提供了一种基于个人运动参考模板的传感器安装角估计方法，包括以下步骤：首先，根据用户行走方向与航向角获得传感器安装角，同时使用传感器水平角将加速度计观测值投影到当地水平面，存储传感器安装角和水平面的加速度序列特征，完成参考的个人运动模板训练；然后，使用姿态滤波方法估计的水平角将观测的加速度投影到当地水平面，并遍历360度旋转生成所有可能的加速度序列特征；最后，根据所有的加速度序列特征与参考的加速度序列特征的相似度确定安装角偏差，传感器安装角即为安装角偏差和参考模板所对应的安装角之和。本发明极大提高了传感器安装角估计的准确性，对于不同行人通用性强，并可以实时估计。

Description

一种基于个人运动参考模板的传感器安装角估计方法

技术领域

本发明涉及属于行人定位技术领域，尤其涉及一种基于个人运动参考模板的传感器安装角估计方法。

背景技术

消费类室内定位是提供高质量位置服务的核心技术之一。其中，行人航迹推算(Pedestrian DeadReckoning，PDR)因只依赖于惯性传感器信息，故具有低成本且不受外部环境影响的优点，是消费类室内定位方案中不可缺少的一项核心技术。然而，用户使用手机的方式差异巨大(例如横向持握手机、打电话、手机放入口袋以及持握手机随手臂摆动等情况)，手机朝向与用户运动方向的角度差异(即安装角)严重破坏了PDR的可用性。通过提升传感器器件精度虽能直接提升传感器航向角的估计精度，但不能够直接提升安装角的估计性能。针对安装角估计问题，现有解决方法包括主成分分析法、经验模型法、频域分析法，具体如下：

(1)主成分分析法

该方法假设水平加速度在行人运动方向的波动最大，与运动方向垂直的方向波动最小。具体思路为：将观测到的加速度投影到水平面，然后提取方差最大的方向与方差最小的方向，从而计算得到安装角。然而，该方法存在180°模糊度问题，即方差最大的方向可能与行人运动方向正好相反；同时，该方法严格要求加速度波动最大的方向与行人运动方向一致，在行人斜向摆臂时，这种方法失效。

(2)经验模型法

该类方法使用用户的传感器数据训练经验模型(比如前向侧向加速度模型、高斯混合模型)。该类方法针对不同的使用场景和使用人员，需要分别进行训练，以达到理想的预期结果。缺点是模型训练工作量大，且训练的经验模型通用性较差，用户差异性较大。

(3)频域分析法

相较于前述时域处理方法，频域分析法将数据进行傅里叶变化转换到频域，并假设用户行走频域为2～4Hz，通过旋转水平加速度使对应频率点的值最大，从而确定安装角。缺点是计算量大，且需要利用较长时间的历史信息进行频域分析，难以实现实时的导航应用。

综上，为有效地提升PDR的可用性和精度，如何高效、准确地估计安装角仍然是一个亟需解决的问题。

发明内容

本发明提出一种基于个人运动参考模板的传感器安装角估计方法，用于解决或者至少部分解决现有技术中无法准确地估计传感器安装角的技术问题。

为了解决上述技术问题，本发明提供了一种基于个人运动参考模板的传感器安装角估计方法，包括：

S1：获得用户的行走方向，利用预设姿态滤波算法估计出传感器的水平角和航向角，将估计出的传感器航向角减去用户行走方向获得参考传感器安装角，使用传感器水平角将加速度计观测值投影到当地水平面获得参考水平加速度序列，存储参考传感器安装角和水平加速度序列特征，构成个人运动参考模板，其中，参考水平加速度序列特征由多个加速度计观测值对应的水平加速度构成；

S2：在待估计安装角的环境下，利用预设姿态滤波算法估计出当前传感器的水平角，并基于当前传感器的水平角将当前加速度观测值投影到当地水平面获得水平加速度序列，遍历360度旋转生成所有可能的加速度序列特征，由所有可能的加速度序列特征和对应的旋转角度构成候选个人运动模板；

S3：分别计算每个候选个人运动模板中包含的加速度序列特征与个人运动参考模板中存储的加速度序列特征的相似度，将与个人运动参考模板相似度最大的候选个人运动模板所对应的角度作为安装角偏差，根据安装角偏差和个人运动参考模板中的参考传感器安装角，估计出目标传感器安装角。

在一种实施方式中，传感器包括陀螺仪、加速度计、磁力计和气压计。

在一种实施方式中，用户行走方向的获取方法包括但不限于：沿固定方向行走、运动方向数据库匹配、位置反算，速度反算方法。

在一种实施方式中，预设姿态滤波算法包括但不限于：卡尔曼滤波、无迹卡尔曼、粒子滤波算法及其改进算法、梯度下降、互补滤波算法。

在一种实施方式中，步骤S1包括：

S1.1：在室外环境下，使用相邻两次的GNSS位置计算用户的运动方向，同时，使用预设姿态滤波算法获取传感器的水平角和航向角ψ_filter，其中，水平角包括第一横滚角

和第一俯仰角θ_filter，用户的运动方向的计算方法为：

式中，ψ_walking为用户的运动方向，N_gnss和E_gnss分别为GNSS北向位置和东向位置，k为数据历元编号；

S1.2：将估计出的传感器航向角减去用户行走方向获得参考传感器安装角：

ψ_misalign＝ψ_filter-ψ_walking

式中，ψ_misalign为传感器安装角；

S1.3：根据传感器姿态角获取姿态旋转矩阵，将加速度计观测值通过姿态旋转矩阵投影到当地水平面，得到水平加速度，计算方法为：

式中，

为水平加速度，

为加速度计观测值，

为传感器坐标系到当地水平坐标系的方向余弦矩阵，即姿态旋转矩阵，计算方法为：

S1.4：取2个脚步周期内的水平加速度序列和对应的参考传感器安装角构成个人运动参考模板，具体为：

式中，ψ_misalign为参考模板对应的传感器安装角，m为2个脚步周期内加速度计观测值数量。

在一种实施方式中，步骤S2包括：

S2.1：在待估安装角环境下，利用预设姿态滤波算法估计出当前传感器的水平角，包括第二横滚角

第二俯仰角θ_filter,meas，并基于当前传感器的水平角将当前加速度观测值投影到当地水平面坐标系获得水平加速度：

S2.2：获得旋转角度为0所对应的候选个人运动模板Acc_{Candidate_Template,0}，在0～360度范围内，按照1度为步长，旋转Acc_{Candidate_Template,0}生成所有候选个人运动模板，其中，旋转角度为0所对应的候选个人运动模板为：

旋转某一角度的候选个人运动模板Acc_{Candidate_Template,i}为：

式中，Δψ_i为遍历的某一角度，

的计算方法为：

为遍历的某一角度的姿态旋转矩阵，具体计算方法为：

在一种实施方式中，个人运动参考模板和候选个人运动模板中的水平加速度序列特征的形式包括但不限于：水平加速度序列原始数据、混合高斯模型、三角函数模型。

在一种实施方式中，S3中相似度的计算方法包括但不限于：欧氏距离、曼哈顿距离、模式距离、形状距离、余弦相似度、皮尔逊相关系数、动态时间规整算法以及机器学习方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明提出了一种基于个人运动参考模板的传感器安装角估计方法，在获得用户运动方向的基础上，通过预设姿态滤波算法估计出传感器的水平角和航向角，获得参考传感器安装角以及对应的水平加速度序列，从而生成个人运动参考模板。在其他复杂环境下(比如GNSS信号被遮挡或者室内环境)，基于姿态滤波方法估计的水平角将观测的加速度投影到当地水平面，并遍历360度旋转生成所有可能的加速度序列特征，由旋转角度和可能的加速度序列构成所有可能的候选个人运动模板，然后采用模板匹配的方法获得安装角偏差，进一步根据安装角偏差以及个人运动参考模板中的参考传感器安装角，获得目标传感器安装角，提高了传感器安装角估计的准确性和实时性。

(1)本发明可以解决传感器航向角与用户运动方向不一致的问题，从而有效地提升行人定位系统的稳健性和精度。

(2)本发明充分利用短期内个体用户运动习惯和传感器不变的特性，在室外GNSS信号良好条件下，训练得到个人运动参考模板；完成之后在任何场景，使用实时观测的运动模板(候选个人运动模板)与个人运动参考模板进行匹配，从而准确获得传感器安装角，并较大程度地改善行人航迹推算的定位性能。

(3)该方法不存在180°模糊度的问题，无需大范围训练模型，且计算量小完全适应于实时定位需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中行人运动方向、手机航向角和手机安装角三者关系的示意图。

图2为本发明具体实施例中传感器安装角估计方法的流程框图。

具体实施方式

本发明基于个人运动模板在不同场景下基本一致的假设，包括但不限于此应用场景，无需依赖额外设备和工具，提出一种实时、准确地传感器安装角估计方法。

本发明提供了一种实时、准确地传感器安装角估计方法。在姿态滤波准确估计传感器航向的基础上，本发明的目的在于提供一种准确估计手机朝向与用户运动方向差异的方法，从而提高PDR的可用性。本发明的特点在于：1)轻量级实时训练，用户完全无感；2)只依赖于手机内置传感器，不需要额外设备和工具；3)不同用户持握手机状态(例如手持、打电话、随手摆动、裤兜)均可工作；4)计算量小，实时性好。

本发明的主要构思如下：首先，在获得用户行走方向的情况下，利用姿态滤波方法估计出传感器的水平角(即俯仰角、横滚角)和航向角，并使用传感器航向角减去用户行走方向获得传感器安装角；同时根据传感器姿态角获取姿态旋转矩阵，将加速度计观测值通过姿态旋转矩阵投影到当地水平面，并存储传感器安装角和水平加速度序列特征，完成参考的个人运动参考模板训练；然后，使用姿态滤波方法估计的水平角将观测的加速度(当前加速度观测值)投影到当地水平面，并遍历360度旋转生成所有可能的加速度序列特征；最后，分别计算所有可能的加速度序列特征与参考的加速度序列特征的相似度，相似度最大的序列特征所对应的角度为安装角偏差，传感器安装角即为安装角偏差和参考模板所对应的安装角之和。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于个人运动参考模板的传感器安装角估计方法，包括：

S1：获得用户的行走方向，利用预设姿态滤波算法估计出传感器的水平角和航向角，将估计出的传感器航向角减去用户行走方向获得参考传感器安装角，基于参考传感器水平角将加速度计观测值投影到当地水平面获得水平加速度，对参考传感器安装角和水平加速度序列特征进行存储，构成个人运动参考模板，其中，水平加速度序列特征由多个加速度计观测值对应的水平加速度构成；

S2：在待估计安装角下，利用预设姿态滤波算法估计出当前传感器的水平角，并基于当前传感器的水平角将当前加速度观测值投影到当地水平面获得水平加速度，遍历360度旋转生成所有可能的加速度序列特征，由所有可能的加速度序列特征和对应的旋转角度成候选个人运动模板；

S3：分别计算每个候选个人运动模板中包含的加速度序列特征与个人运动参考模板中存储的加速度序列特征的相似度，将与个人运动参考模板相似度最大的候选个人运动模板所对应的角度作为安装角偏差，根据安装角偏差和个人运动参考模板中的参考传感器安装角，估计出目标传感器安装角。

具体来说，步骤S1中获取的传感器安装角、加速度计观测值等是用于个人运动参考模板训练的数据，步骤S2中获取的传感器姿态角、加速度计观测值是实时获取的数据。

在具体实施过程中，传感器包括陀螺仪、加速度计、磁力计和气压计。

其中，用户行走方向的获取方法包括但不限于：沿固定方向行走、运动方向数据库匹配、位置反算，速度反算方法。

预设姿态滤波算法包括但不限于：卡尔曼滤波算法及其改进算法、数据融合算法。卡尔曼滤波算法，可以是扩展卡尔曼滤波(Extended Kalman Filter，EKF)、无迹卡尔曼滤波(Unscented Kalman Filter，UKF)、粒子滤波(Particle Filter，PF)。数据融合算法，例如贝叶斯估计；序贯最小二乘；人工神经网络等。

在具体实施过程中，个人运动参考模板和候选个人运动模板中的水平加速度序列特征的形式包括但不限于：水平加速度序列原始数据、混合高斯、三角函数形式。

在一种实施方式中，步骤S1包括：

S1.1：在室外环境下，使用相邻两次的GNSS位置计算用户的运动方向，同时，使用预设姿态滤波算法获取传感器的水平角和航向角ψ_filter，其中，水平角包括第一横滚角

和第一俯仰角θ_filter，用户的运动方向的计算方法为：

式中，ψ_walking为用户的运动方向，N_gnss和E_gnss分别为GNSS北向位置和东向位置，k为数据历元编号；

S1.2：将估计出的传感器航向角减去用户行走方向获得参考传感器安装角：

ψ_misalign＝ψ_filter-ψ_walking

式中，ψ_misalign为传感器安装角；

S1.3：根据传感器姿态角获取姿态旋转矩阵，将加速度计观测值通过姿态旋转矩阵投影到当地水平面，得到水平加速度，计算方法为：

式中，

为水平加速度，

为加速度计观测值，

为传感器坐标系到当地水平坐标系的方向余弦矩阵，即姿态旋转矩阵，计算方法为：

S1.4：取2个脚步周期内的水平加速度和对应的参考传感器安装角构成个人运动参考模板，具体为：

式中，ψ_misalign为参考模板对应的传感器安装角，m为2个脚步周期内加速度计观测值数量。

具体来说，由于传感器的姿态不同，加速度计输出值完全不同，因此需要将加速度计观测值投影到当地水平坐标系。

在一种实施方式中，步骤S2包括：

S2.1：在待估计安装角环境下，利用预设姿态滤波算法估计出当前传感器的姿态角，并基于当前传感器的姿态角将当前加速度观测值投影到当地水平面获得水平加速度，当前传感器的姿态角包括第二横滚角

第二俯仰角θ_filter,meas，并将加速度计的观测值投影到当地水平坐标系，得到对应的水平加速度；

S2.2：获得旋转角度为0所对应的候选个人运动模板Acc_{Candidate_Template,0}，在0～360度范围内，按照1度为步长，旋转Acc_{Candidate_Template,0}生成所有候选个人运动模板，其中，旋转角度为0所对应的候选个人运动模板为：

候选个人运动模板Acc_{Candidate_Template,i}为：

式中，Δψ_i为遍历的某一角度，

的计算方法为：

为遍历的某一角度的姿态旋转矩阵，具体计算方法为：

具体来说，待估计安装角环境可以是室内或者室外环境。本步骤中采用与步骤S1类地的方法获取传感器的水平角和航向角，并基于传感器的水平角将加速度计当前的观测值投影到当地水平坐标系。本发明通过在室外场景GNSS信号优良的条件下，使用GNSS位置反算的用户运动方向和姿态滤波估计的传感器方向获得传感器安装角以及对应水平加速度序列，生成个人运动模板。在其他复杂环境下(比如GNSS信号被遮挡或者室内环境)，使用模板匹配的方法获得传感器安装角，从而提升PDR的推算性能。

作为可选，S3中相似度的计算方法包括但不限于：欧氏距离、曼哈顿距离、模式距离、形状距离、余弦相似度、皮尔逊相关系数、动态时间规整算法以及机器学习方法。机器学习方法，例如卷积神经网络、人工神经网络等。

请参见图1，为本发明中行人运动方向、手机航向角和手机安装角三者关系的示意图，其中手机航向角即为传感器航向角，手机安装角即为传感器安装角。图2为本发明实施的传感器安装角估计算法框图。步骤101和102属于步骤S1，步骤103属于步骤S2，步骤104、105属于步骤S3。

在一种实施方式中，使用动态时间规整算法(Dynamic Time Warping，DTW)计算参考模板与所有的候选个人运动模板的相似度，DTW的主要计算过程如下：

(1)根据步骤S2中旋转某一角度得到的加速度序列特征Acc_{Candidate_Template,i}与参考的加速度序列特征Acc_{Ref_Template}计算距离矩阵D，距离矩阵D的计算过程如下：

D(k,j)＝||Acc_{Candidate_Template,i(k)}-Acc_{Ref_Template(j)}||k＝1,2...n,j＝1,2...m

式中Acc_{Candidate_Template,i(k)}表示旋转某一角度得到的加速度序列特征中第k个元素的值，共计n个元素，Acc_{Ref_Template(j)}表示参考的加速度序列特征第j个元素的值，共计m个元素。

(2)从距离矩阵中搜索最短路径。采用的搜索方法为：第一个点D(1,1)从出发，从点D(k+1,j)，D(k,j+1)，D(k+1,j+1)中选择距离值最小的的点作为进格点，直到到达最后一个格点D(n,m)。相似度的大小即为从D(1,1)点出发到D(n,m)点经历的所有格点的距离值的总和。该和越小，则两条序列相似度越大。

因此，相似度最大的候选个人运动模板所对应的角度即为传感器安装角变化量。传感器安装角的计算方法如下：

ψ_{misalign,estimate}＝ψ_misalign+Δψ_{sim_max}

式中，ψ_{misalign,estimate}为估计的目标传感器安装角，ψ_misalign为参考模板所对应的传感器安装角，Δψ_{sim_max}为与参考模板相似度最高的候选个人运动模板所对应的安装角偏差。

本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于个人运动参考模板的传感器安装角估计方法，其特征在于，包括：

S1：获得用户的行走方向，利用预设姿态滤波算法估计出传感器的水平角和航向角，将估计出的传感器航向角减去用户行走方向获得参考传感器安装角，使用传感器水平角将加速度计观测值投影到当地水平面获得参考水平加速度序列，存储参考传感器安装角和水平加速度序列特征，构成个人运动参考模板，其中，参考水平加速度序列特征由多个加速度计观测值对应的水平加速度构成；

S2：在待估计安装角的环境下，利用预设姿态滤波算法估计出当前传感器的水平角，并基于当前传感器的水平角将当前加速度观测值投影到当地水平面获得水平加速度序列，遍历360度旋转生成所有可能的加速度序列特征，由所有可能的加速度序列特征和对应的旋转角度构成候选个人运动模板；

S3：分别计算每个候选个人运动模板中包含的加速度序列特征与个人运动参考模板中存储的加速度序列特征的相似度，将与个人运动参考模板相似度最大的候选个人运动模板所对应的角度作为安装角偏差，根据安装角偏差和个人运动参考模板中的参考传感器安装角，估计出目标传感器安装角。

2.如权利要1所述的传感器安装角估计方法，其特征在于，传感器包括陀螺仪、加速度计、磁力计和气压计。

3.如权利要求1所述的传感器安装角估计方法，其特征在于，用户行走方向的获取方法包括但不限于：沿固定方向行走、运动方向数据库匹配、位置反算，速度反算方法。

4.如权利要求1所述的传感器安装角估计方法，其特征在于，预设姿态滤波算法包括但不限于：卡尔曼滤波、无迹卡尔曼、粒子滤波算法及其改进算法、梯度下降、互补滤波算法。

5.如权利要求1所述的传感器安装角估计方法，其特征在于，步骤S1包括：

S1.1：在室外环境下，使用相邻两次的GNSS位置计算用户的运动方向，同时，使用预设姿态滤波算法获取传感器的水平角和航向角ψ_filter，其中，水平角包括第一横滚角

和第一俯仰角θ_filter，用户的运动方向的计算方法为：

式中，ψ_walking为用户的运动方向，N_gnss和E_gnss分别为GNSS北向位置和东向位置，k为数据历元编号；

S1.2：将估计出的传感器航向角减去用户行走方向获得参考传感器安装角：

ψ_misalign＝ψ_filter-ψ_walking

式中，ψ_misalign为传感器安装角；

S1.3：根据传感器姿态角获取姿态旋转矩阵，将加速度计观测值通过姿态旋转矩阵投影到当地水平面，得到水平加速度，计算方法为：

式中，

为水平加速度，

为加速度计观测值，

为传感器坐标系到当地水平坐标系的方向余弦矩阵，即姿态旋转矩阵，计算方法为：

S1.4：取2个脚步周期内的水平加速度序列和对应的参考传感器安装角构成个人运动参考模板，具体为：

式中，ψ_misalign为参考模板对应的传感器安装角，m为2个脚步周期内加速度计观测值数量。

6.如权利要求1所述的传感器安装角估计方法，其特征在于，步骤S2包括：

S2.1：在待估安装角环境下，利用预设姿态滤波算法估计出当前传感器的水平角，包括第二横滚角

第二俯仰角θ_filter,meas，并基于当前传感器的水平角将当前加速度观测值投影到当地水平面坐标系获得水平加速度：

S2.2：获得旋转角度为0所对应的候选个人运动模板Acc_{Candidate_Template,0}，在0～360度范围内，按照1度为步长，旋转Acc_{Candidate_Template,0}生成所有候选个人运动模板，其中，旋转角度为0所对应的候选个人运动模板为：

旋转某一角度的候选个人运动模板Acc_{Candidate_Template,i}为：

式中，Δψ_i为遍历的某一角度，

的计算方法为：

为遍历的某一角度的姿态旋转矩阵，具体计算方法为：

7.如权利要1所述的传感器安装角估计方法，其特征在于，个人运动参考模板和候选个人运动模板中的水平加速度序列特征的形式包括但不限于：水平加速度序列原始数据、混合高斯模型、三角函数模型。

8.如权利要1所述的传感器安装角估计方法，其特征在于，S3中相似度的计算方法包括但不限于：欧氏距离、曼哈顿距离、模式距离、形状距离、余弦相似度、皮尔逊相关系数、动态时间规整算法以及机器学习方法。

Images