CN113390418A - 一种基于bp神经网络的行人航迹推算定位方法 - Google Patents
一种基于bp神经网络的行人航迹推算定位方法 Download PDFInfo
- Publication number
- CN113390418A CN113390418A CN202110751943.8A CN202110751943A CN113390418A CN 113390418 A CN113390418 A CN 113390418A CN 202110751943 A CN202110751943 A CN 202110751943A CN 113390418 A CN113390418 A CN 113390418A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- pedestrian
- accelerometer
- positioning
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- 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
-
- 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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于BP神经网络的行人航迹推算定位方法,包括如下步骤:采集加速度计、陀螺仪和磁力计的三轴数据并且进行预处理;根据陀螺仪和磁力计的三轴数据进行航向估计,获得发生转向前行人的航向角;根据加速度计的三轴数据,对加速度计进行波形、均值、方差统计特征提取计算;根据获得的发生转向前行人航向角数据,利用BP神经网络,判断行人的状态是属于偏头直走还是转弯;若判定为转弯,则继续使用实时数据估计出的航向进行定位;若判定为偏头直走,则使用记录下的转向前的航向角代替实时计算的航向角,对定位轨迹路线进行纠正。本发明在不需要穿戴额外设备的情况下,能够纠正偏头造成的定位错误,抗干扰能力强,提高了定位准确度。
Description
技术领域
本发明属于传感器应用领与信息技术领域,涉及室内定位技术,具体涉及一种基于BP神经网络的行人航迹推算定位方法。
背景技术
在室内定位领域中,基于传感器的定位不存在环境约束,没有对环境提出任何要求,自包含传感器获取外界环境观测数据,通过一些间接手段来估算自己的位置,具有独特的优势和广阔的前景。行人航位推算(PDR)是一种不依赖外部设备的,只需利用自身提供的传感器来定位的一种方法。由于其定位的高精度特性,行人航位推算逐渐成为了室内定位研究领域中重要的方法之一。
行人航位推算系统(Pedestrian dead reckoning System,PDRS)是利用加速度计、陀螺仪和磁力计等传感器实现的一种定位算法。由于自身较高的精确性和鲁棒性以及不需要外部设施的辅助的特性,PDR已经成为室内定位研究领域最受欢迎的一种方法。目前市场上的移动终端如智能手机、平板电脑等大都集成了这些传感器。因此,越来越多的研究方法都是基于智能终端设备的。
但是因为PDR定位连续性的特点使得PDR定位在实际应用中存在一些问题:
(1)传感器布置位置单一,通常是人员手持内置传感器的终端或绑于脚踝部位,但是在工程实现中对操作人员有很大限制。
(2)基于传感器集成模块置于操作人员头顶的场景,存在偏头直走与转弯难以区分给PDR定位算法带来定位错误的阻碍,限制了PDR定位算法应用。
发明内容
发明目的:为了克服现有技术中存在的头戴式传感器集成模块场景下偏头造成的转弯混淆问题,提供一种基于BP神经网络的行人航迹推算定位方法,其在不需要穿戴额外设备的情况下,能够纠正偏头造成的定位错误,抗干扰能力强,提高了定位准确度。
技术方案:为实现上述目的,本发明提供一种基于BP神经网络的行人航迹推算定位方法,包括如下步骤:
S1:采集传感器设备的加速度计、陀螺仪和磁力计的三轴数据;
S2:对采集到的三轴数据进行预处理;
S3:根据陀螺仪和磁力计的三轴数据进行航向估计,获得发生转向前行人的航向角;根据加速度计的三轴数据,对加速度计进行波形、均值、方差统计特征提取计算;
S4:根据获得的发生转向前行人航向角数据,利用构建和训练好的BP神经网络,判断行人的状态是属于偏头直走还是转弯;
S5:若判定为转弯,则继续使用PDR定位实时数据估计出的航向进行定位;若判定为偏头直走,则使用记录下的转向前的航向角代替实时计算的航向角,对定位轨迹路线进行纠正;
S6:根据步骤S3提取到的加速度计数据和步骤S5的航向角数据,获取到行人坐标数据。
进一步地,所述步骤S2中预处理的方法为:对采集的数据进行平滑滤波和特征提取。
进一步地,所述步骤S3中加速度计的统计特征提取计算具体为:
数据统计特征均值与方差均截取当前时刻前100时刻的均值、方差,所述计算公式为:
Ey=sum(ay(i-100:i))/i;(ay(i)表示i时刻加速计y轴加速度大小,Ey表示均值大小);
Dy=E(ay^2)-Ey^2(前一项表示加速度y轴数据平方的均值,后一项表示加速度y轴数据均值的平方)。
进一步地,所述步骤S4中BP神经网络的构建方法为:
构建5层bp神经网络,以1秒10组x,y轴加速度均值和方差数据共计40个为输入,隐藏层3层,输出为0、1,其中,0代表转弯,1代表偏头。
进一步地,所述步骤S4中BP神经网络的训练方法为:
A1:采集并且标记各种不同状态的加速度数据,加速度数据包括加速度计、陀螺仪和磁力计的三轴数据,标记偏头直走状态为1,正常转弯为0;
A2:对采集的加速度数据进行平滑滤波,通过平滑滤波操作对加速度数据首次去噪;
A3:对平滑后的加速度数据进行特征提取,提取的特征包括:x,y轴数据均值、方差,以单位时间的若干组数据为一次输入;
A4:根据特征建立分类模型,使用构建的bp神经网络对上述输入进行分类训练,输出分类模型。
进一步地,所述步骤S1中传感器设备为头戴式传感器集成设备。
本发明针对在头戴式传感器集成模块场景下偏头造成的转弯混淆问题,对加速度计,陀螺仪和磁力计的三轴数据进行分析,提取出区分偏头直走和转向的数据特征,实现判别算法,改进了现有的PDR算法。
有益效果:本发明与现有技术相比,具备如下优点:
1、本发明提供的PDR定位算法解决了偏头直走导致的PDR定位错误问题,使得传感器能够布置于操作人员头部,有效解放了操作人员双手,极大的方便了操作人员现场操作。
2、通过构建和训练的bp神经网络能够对偏头直走和正常转弯两种情况进行有效区分,解决了偏头直走带来的定位阻碍,纠正了PDR定位错误路径,从而提高了定位精度,保证了PDR定位效果,使得PDR定位应用场景更加广泛。
附图说明
图1为本发明方法的定位流程示意图;
图2为左,右偏头和转向的加速度计x轴均值变化图;
图3为左,右偏头和转向的加速度计x轴方差变化图;
图4为左,右偏头和转向的加速度计y轴均值变化图;
图5为左,右偏头和转向的加速度计y轴方差变化图;
图6为改进前后PDR算法定位路径轨迹对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于BP神经网络的行人航迹推算定位方法,主要包括两个部分,分为训练阶段和定位阶段,训练阶段采用bp神经网络学习算法,训练出一个分类模型,在定位阶段将特征输入该模型,输出分类结果,定位阶段则通过训练出的分类模型判断当前时间序列是否处于偏头状态,如果处于偏头状态则航向角使用前一状态方向。
一、对于训练阶段,首先采集集成在智能安全帽中的加速度计、陀螺仪和磁力计的三轴加速度传感器数据,并对信号平滑滤波处理,得到比较平滑的波形,然后从波形中分析特征,并使用bp神经网络学习算法对特征进行分类训练,最终分成2类,输出为1则判定为偏头直走,其他判定为转弯。
基于上述方案,本实施例中首先构建BP神经网络,构建方法为:
构建5层bp神经网络,以1秒10组x,y轴加速度均值和方差数据共计40个为输入,隐藏层3层,输出为0、1,其中,0代表转弯,1代表偏头。
BP神经网络的训练方法为:
A1:采集并且标记各种不同状态的加速度数据,加速度数据包括加速度计、陀螺仪和磁力计的三轴数据,标记偏头直走状态为1,正常转弯为0;
A2:对采集的加速度数据进行平滑滤波,通过平滑滤波操作对加速度数据首次去噪;
A3:对平滑后的加速度数据进行特征分析和提取,提取的特征包括:x,y轴数据均值、方差,本实施例中获取的数据分别如图2~图5所示,以1秒10组数据为一次输入;
A4:根据特征建立分类模型,使用构建的bp神经网络对上述输入进行分类训练,输出分类模型。
二、对于定位阶段
如图1所示,定位阶段具体包括如下步骤:
S1:采集传感器设备的加速度计、陀螺仪和磁力计的三轴数据;
S2:对采集到的三轴数据进行平滑滤波和特征提取,进行初步去噪;
S3:根据陀螺仪和磁力计的三轴数据进行航向估计,获得发生转向前行人的航向角:
本实施例中在陀螺仪数据发生偏转的时刻,实时记录下此刻的航向角,并记录和计算从偏转时刻开始的加速度计x,y轴均值方差,共记录20组数据;
根据加速度计的三轴数据,对加速度计进行波形、均值、方差统计特征提取计算:
本实施例中数据统计特征均值与方差均截取当前时刻前100时刻的均值、方差,计算公式为:
Ey=sum(ay(i-100:i))/i;(ay(i)表示i时刻加速计y轴加速度大小,Ey表示均值大小);
Dy=E(ay^2)-Ey^2(前一项表示加速度y轴数据平方的均值,后一项表示加速度y轴数据均值的平方)。
S4:根据获得的发生转向前行人航向角数据,利用构建和训练好的BP神经网络,判断行人的状态是属于偏头直走还是转弯:
本实施例中将记录的20组数据输入训练好的BP神经网络进行类型判断,以后10组为准,判定时刻只有2秒,在不影响定位的情况下实现最快判定。
S5:若判定为转弯,则继续使用PDR定位实时数据估计出的航向进行定位;若判定为偏头直走,则使用记录下的转向前的航向角代替实时计算的航向角,对定位轨迹路线进行纠正;
S6:根据步骤S3提取到的加速度计数据和步骤S5的航向角数据,获取到行人坐标数据。
为了验证本发明方案的效果,本实施例中将上述改进后的PDR算法定位和现有的PDR算法定位进行对比,如图6所示为改进前后PDR算法定位路径轨迹对比,可见,本发明提供的改进后的PDR算法获取的定位路径轨迹要明显更加贴近于真实路径,从而验证了本发明方法具备更好的定位精度。
Claims (6)
1.一种基于BP神经网络的行人航迹推算定位方法,其特征在于,包括如下步骤:
S1:采集传感器设备的加速度计、陀螺仪和磁力计的三轴数据;
S2:对采集到的三轴数据进行预处理;
S3:根据陀螺仪和磁力计的三轴数据进行航向估计,获得发生转向前行人的航向角;根据加速度计的三轴数据,对加速度计进行波形、均值、方差统计特征提取计算;
S4:根据获得的发生转向前行人航向角数据,利用构建和训练好的BP神经网络,判断行人的状态是属于偏头直走还是转弯;
S5:若判定为转弯,则继续使用实时数据估计出的航向进行定位;若判定为偏头直走,则使用记录下的转向前的航向角代替实时计算的航向角,对定位轨迹路线进行纠正;
S6:根据步骤S3提取到的加速度计数据和步骤S5的航向角数据,获取到行人坐标数据。
2.根据权利要求1所述的一种基于BP神经网络的行人航迹推算定位方法,其特征在于,所述步骤S2中预处理的方法为:对采集的数据进行平滑滤波和特征提取。
3.根据权利要求1所述的一种基于BP神经网络的行人航迹推算定位方法,其特征在于,所述步骤S3中加速度计的统计特征提取计算具体为:
数据统计特征均值与方差均截取当前时刻前100时刻的均值、方差,所述计算公式为:
Ey=sum(ay(i-100:i))/i;(ay(i)表示i时刻加速计y轴加速度大小,Ey表示均值大小);
Dy=E(ay^2)-Ey^2(前一项表示加速度y轴数据平方的均值,后一项表示加速度y轴数据均值的平方)。
4.根据权利要求1所述的一种基于BP神经网络的行人航迹推算定位方法,其特征在于,所述步骤S4中BP神经网络的构建方法为:
构建5层bp神经网络,以1秒10组x,y轴加速度均值和方差数据共计40个为输入,隐藏层3层,输出为0、1,其中,0代表转弯,1代表偏头。
5.根据权利要求1所述的一种基于BP神经网络的行人航迹推算定位方法,其特征在于,所述步骤S4中BP神经网络的训练方法为:
A1:采集并且标记各种不同状态的加速度数据,加速度数据包括加速度计、陀螺仪和磁力计的三轴数据,标记偏头直走状态为1,正常转弯为0;
A2:对采集的加速度数据进行平滑滤波,通过平滑滤波操作对加速度数据首次去噪;
A3:对平滑后的加速度数据进行特征提取,提取的特征包括:x,y轴数据均值、方差,以单位时间的若干组数据为一次输入;
A4:根据特征建立分类模型,使用构建的bp神经网络对上述输入进行分类训练,输出分类模型。
6.根据权利要求1所述的一种基于BP神经网络的行人航迹推算定位方法,其特征在于,所述步骤S1中传感器设备为头戴式传感器集成设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751943.8A CN113390418A (zh) | 2021-07-02 | 2021-07-02 | 一种基于bp神经网络的行人航迹推算定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751943.8A CN113390418A (zh) | 2021-07-02 | 2021-07-02 | 一种基于bp神经网络的行人航迹推算定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113390418A true CN113390418A (zh) | 2021-09-14 |
Family
ID=77624951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751943.8A Withdrawn CN113390418A (zh) | 2021-07-02 | 2021-07-02 | 一种基于bp神经网络的行人航迹推算定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113390418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018267A (zh) * | 2021-11-04 | 2022-02-08 | 国网新源控股有限公司 | 基于可穿戴式室内巡检定位装置的融合定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362289A (zh) * | 2018-02-08 | 2018-08-03 | 浙江大学城市学院 | 一种基于多传感器融合的移动智能终端pdr定位方法 |
CN112749508A (zh) * | 2020-12-29 | 2021-05-04 | 浙江天行健智能科技有限公司 | 一种基于gmm和bp神经网络的路感模拟方法 |
-
2021
- 2021-07-02 CN CN202110751943.8A patent/CN113390418A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362289A (zh) * | 2018-02-08 | 2018-08-03 | 浙江大学城市学院 | 一种基于多传感器融合的移动智能终端pdr定位方法 |
CN112749508A (zh) * | 2020-12-29 | 2021-05-04 | 浙江天行健智能科技有限公司 | 一种基于gmm和bp神经网络的路感模拟方法 |
Non-Patent Citations (1)
Title |
---|
CHAO LIU: "Reserch on PDR Algorithm based on BP Neural Network", 《ICFEICT 2021》, pages 1 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018267A (zh) * | 2021-11-04 | 2022-02-08 | 国网新源控股有限公司 | 基于可穿戴式室内巡检定位装置的融合定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
CN105243664B (zh) | 一种基于视觉的轮式移动机器人快速目标跟踪方法 | |
CN104616438A (zh) | 一种用于疲劳驾驶检测的打哈欠动作检测方法 | |
CN110008913A (zh) | 基于姿态估计与视点机制融合的行人再识别方法 | |
CN106184220B (zh) | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 | |
CN110738154A (zh) | 一种基于人体姿态估计的行人摔倒检测方法 | |
CN110579207B (zh) | 基于地磁信号结合电脑视觉的室内定位系统及方法 | |
CN111376273B (zh) | 一种类脑启发的机器人认知地图构建方法 | |
CN110543917B (zh) | 一种利用行人惯导轨迹与视频信息的室内地图匹配方法 | |
Sun et al. | Combining machine learning and dynamic time wrapping for vehicle driving event detection using smartphones | |
CN109540143B (zh) | 多传感源动态峰值融合的行人非常规动作方向识别方法 | |
CN102945554A (zh) | 基于学习和加速鲁棒surf特征的目标跟踪方法 | |
CN113220119A (zh) | 一种惯性传感器运动捕捉装置 | |
CN111744156B (zh) | 基于可穿戴设备与机器学习的足球动作识别评估系统及方法 | |
CN103994765A (zh) | 一种惯性传感器的定位方法 | |
CN113243907A (zh) | 一种用于跌倒检测的智能检测方法 | |
CN110533661A (zh) | 基于图像特征级联的自适应实时闭环检测方法 | |
CN113390418A (zh) | 一种基于bp神经网络的行人航迹推算定位方法 | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN114323008A (zh) | 基于机器学习分类的融合航向角估计方法及系统 | |
CN111626135A (zh) | 基于深度图的三维手势识别系统 | |
CN113350771B (zh) | 一种运动员动态姿态识别方法、装置、系统及存储介质 | |
CN114782985A (zh) | 基于单目相机的行人跟踪与重识别方法 | |
CN105105757B (zh) | 一种可穿戴人体运动姿态轨迹记录与测评装置 | |
CN115392407B (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210914 |