CN113984046B - 一种基于体域惯性传感器网多特征融合的高精度室内定位方法 - Google Patents
一种基于体域惯性传感器网多特征融合的高精度室内定位方法 Download PDFInfo
- Publication number
- CN113984046B CN113984046B CN202111243967.9A CN202111243967A CN113984046B CN 113984046 B CN113984046 B CN 113984046B CN 202111243967 A CN202111243967 A CN 202111243967A CN 113984046 B CN113984046 B CN 113984046B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- foot
- point
- sensor network
- fusion
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims description 62
- 210000002683 foot Anatomy 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 244000309466 calf Species 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000005021 gait Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 210000001624 hip Anatomy 0.000 claims 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 210000001699 lower leg Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000007500 overflow downdraw method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G01C21/10—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
- G01C21/166—Mechanical, construction or arrangement details of inertial navigation systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本文提出基于体域惯性传感网多特征融合的高精度室内定位方法，属于微型惯性传感器定位领域，包括：步骤一：确定惯性传感网最小系统；步骤二：提出了一种基于球铰链模型融合的精确步长估计方法；步骤三：提出了一种基于多节点加权融合的航向角融合方法。本发明同时考虑了步长和偏航角对航位推算的影响，并分别提出了有针对性的优化方案。在长时间、远距离定位中取得了良好的效果。
Description
技术领域
本发明属于微型惯性传感器定位领域，特别是无第三方辅助情况下的长时间高精度定位，具体为一种基于体域惯性传感器网络多特征融合的高精度定位方法。
背景技术
定位系统是物联网应用中一个令人注目的研究领域，例如机器人、车辆和人员的定位，需求涉及保障施工人员安全；协助养老院、疫情隔离场所搭建保障平台；提高应急救援的位置搜救效率；等等。同时，进入物联网大数据时代的室内定位导航，还希望基于精准的人员位置信息，获得商场等大型建筑的人流热力图分析，以及各品牌、商家甚至是商品的精准位置数据，从而建立智能的万物互联和获取极具价值的大数据统计。
目前常见定位技术有UWB测距技术、RFID、雷达、基于WIFI或蓝牙的RSSI测距定位，这些技术容易受到多径传播等环境因素的干扰。基于指纹库的wifi或蓝牙定位也是基于物联网的定位方法，且是目前应用比较广泛的定位系统。除此之外，还有一些其他的定位技术，例如利用磁场指纹定位，其比较容易受到室内磁场环境的干扰。这些无线定位方式，均有其存在的优势和缺点，一般来说，无线定位方式容易受到周围复杂环境干扰，且需要提前布设相关的接入点或基准信标。这时，基于惯性传感器的定位方法称为复杂环境中简单有效的定位方法。
惯性导航定位技术无需提前布设信标等基础设施，仅基于人员自身携带的惯性测量单元(IMU)进行航迹推算，即可获取实时位置信息，具有自主性强、复杂环境适应性好和不易受干扰等优点。针对应急救援等突发灾害性场合，基站和无线通讯都处于瘫痪状态，惯性导航定位技术无需任何额外的基础设施或网络布设，可以实现在复杂环境中人员的实时定位。但是可供人员随身穿戴式携带的商用级惯性系统，随着导航定位时间的推移，其定位精度会因惯性器件固有的漂移等累计误差的影响而大幅降低，且惯性传感器本身的精度和噪声也会对航迹推算产生影响。
基于IMU的航迹推算方法可以分类两大类：捷联惯导(SINS)和Pedestrian DeadReckoning(PDR)。SINS是直接利用IMU所有时刻数据的一种递推式方法，它首先通过陀螺仪数据计算旋转矩阵(DCM)，然后利用DCM将加速度转换到导航坐标系，再对加速度进行积分得到每一时刻的位置。PDR是间接利用IMU数据的一种递推式方法，它仅利用一步内某一时刻的航向和一步的步长进行递推推算轨迹，因此相对SINS对mems级别的IMU噪声容忍度更大。这两类航迹推算的定位精度均依赖于航向角和位移两大因素。其中，航向角可以通过磁力计或陀螺仪估计得到，但室内中磁场环境复杂，磁力计往往受到严重干扰而变得不可靠，在缺乏外部参考设备的情况下，基于陀螺仪估计的航向角漂移往往难以被有效的抑制。虽然ZUPT技术可以对SINS的轨迹的位移长度进行较为有效的误差修正，但由于航向角的漂移，导致水平加速度在导航坐标系x轴和y轴的分量存在误差，由此得到的位置坐标远远偏离真实坐标；PDR中的步长估计一般通过步长公式计算，然而步长的估计往往容易出错，且大多依赖于针对个体的前期调参，这给应用带来不便，同时，PDR也面临航向角漂移导致的坐标计算不准确的问题。
发明内容
本发明的目的是提出一种基于体域惯性传感网多特征融合的高精度室内定位方法，通过融合脚部IMU、小腿部IMU、腰部IMU和基于IMU识别的室内特征地标信息，实现高精度的室内定位。研究融合了惯性传感器网络多节点信息以及不同航迹推算方法各自优点的方法，基于球铰链模型融合脚部和小腿部的惯性传感网信息，实现自适应变速运动的准确步长计算；基于多部位惯性传感网节点信息加权融合的方法，实现航向角的准确获取和误差有效抑制；基于地标的全局多特征融合的位置求精，实现位置的阶段性历史误差清除。最终实现高精度的室内定位效果。
本发明的目的是提出一种基于体域惯性传感网多特征融合的高精度室内定位方法，具体包括以下步骤：
步骤一：惯性传感网络部署，阐述了惯性网最小系统的确定过程；
体域惯性传感网部节点由脚部、小腿部和腰部惯性传感器(IMU)构成。其中，IMU安装部位是基于大量运动实验分析得到的可用于安装传感器的身体各部位的运动特点以及各部位提供的可用于航迹推算的信息，而确定出的传感器网络布设位置最小系统。
脚部陀螺仪x轴可以反映完整的步态周期信息；小腿部陀螺仪x轴可反映相对完整的步态周期信息，同时可有效的区分上下楼梯与走跑状态；腰部加速度计z轴反映了清晰的重心变化特点。
步骤二：基于小腿和脚部球铰链模型融合的精确步长估计方法；
1)基于球铰链模型约束的步长计算
利用球铰链模型的加速度约束关系将融合脚部与小腿的信息，
记小腿部IMU安装于D点，其局部载体坐标系记为d系，脚部IMU安装于F点，其局部载体坐标系记为f系，踝关节为O点。根据刚体的运动加速度关系可以得到
其中，
和/>
分别为关节中心加速度在d系和f系下的表示，/>
和/>
分别为D点F点的运动加速度，/>
为D点相对O点的加速度，/>
为F点相对O点的加速度，刚体上的点相对旋转中心的加速度又满足
其中，由于D、F点相对关节中心的运动线速度为0，因此他们相对O点的相对运动加速度
以及科氏加速度/>
均为0。带入转动向心加速度和切向加速度最终得到
其中，
和/>
分别为小腿部和脚部陀螺仪输出角速度在d系和f系下的表示，
和/>
分别为两个IMU相对于踝关节中心的位置向量，由于IMU被固定于脚部确定位置，因此这两个向量可以通过测量获得，角加速度按照下式进行计算
其中
为角加速度，ω(t)为t时刻角速度。
又根据加速度计原理，易得
其中，
和/>
分别为小腿部和脚部加速度计输出比力在d系和f系下的表示，gd和gf分别为重力加速度在d系下和f系下的表示。
通过小腿局部方向余弦矩阵(DCM)转换到导航坐标系下，得到脚踝关节的运动加速度
由
脚部局部DCM/>
式(5)、式(2)、式(8)，得估算脚部DCM的扩展卡尔曼滤波器的量测方程：
2)设置扩展卡尔曼滤波器
通过扩展卡尔曼滤波器估算脚部DCM。状态取为脚部的四元数λ P1 P2 P2、脚部IMU陀螺仪零偏εx εy εz、脚部IMU加速度计零偏
构成10维状态量/>
以n系下的重力加速度为测量值，利用式(10)，构建状态空间表达式和量测方程。
其中，
为陀螺仪三轴输出，Γk-1为系统噪声传递阵，Wk-1为系统噪声，由陀螺仪噪声引起，/>
为加速度计三轴输出，/>
为加速度计三轴零偏，gn＝[0 0 -g]T，/>
为由载体坐标系(b系)到导航坐标系(n系)的旋转矩阵(DCM)，其可由四元数计算得到，如式(13)所示。
量测更新需要在零速率状态时进行，以避免比力中会包含运动加速度干扰。
由式(14)将加速度投影至导航坐标系，并在每一步的摆动期内进行积分
其中，k指第k个单步，积分区间为第k个单步内的零速率区间之外的采样时刻，步伐的划分也可以通过零速修正得到。
步骤三：基于多节点加权融合的精确航向角获取；
分别记脚部、小腿和腰部三个部位的航向角为Ψfoo-和Ψshank、Ψwais-、。然后由式(15)，对三部位航向角数据进行加权融合，其中βfoo-、βshank和βwais-为融合权重。
Ψfuse,k＝βfoo-Ψfoo-,k+βshankΨshank,k+βwaistΨwaist,k (15)
其中，Ψfuse,k为融合后的航向角。系数βfoot、βshank和βwaist的解算方法如下：
基于行人航迹推算(PDR)框架有式(16)
其中，posk+1为第k步的终点坐标，第k步的终点坐标为第k+1步的起点坐标。
假设行人到达位置M1，则可得到以位置M0为起点进行迭代计算的坐标表达式，如式(17)所示
其中N为地标M0到地标M1的之间的步数。
利用牛顿迭代法求解三个参数βfoot、βshank和βwaist。
令
其中
为以位置M0为起点进行PDR推算时到达位置Mj时的估计坐标,/>
为位置Mj的坐标值。β＝[βfoot,βshank,βwaist]T，为F(β)＝0的解。求解得到的β值，是使得PDR推算的位置估计值与真实值最接近的航向角融合系数，经此融合系数融合的航向角也是行进中经各个位置验证的最优航向角。/>
附图说明
图1为本发明提出的一种基于体域惯性传感器网络多特征融合的高精度定位方法流程图；
图2为体域惯性传感网络部署示意图；
图3为PDR推算示意图；
图4为使用三个地标计算融合系数得到的效果图；
图5为三个单部件定位方法与本发明提出的融合方法定位效果图；
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
本发明提出的一种基于体域惯性传感器网络多特征融合的高精度定位方法，如图1所示，具体包括以下步骤：
步骤一：惯性传感网络部署，阐述了惯性网最小系统的确定过程；
体域惯性传感网部节点由脚部、小腿部和腰部惯性传感器(IMU)构成。其中，IMU安装部位是基于大量运动实验分析得到的可用于安装传感器的身体各部位的运动特点以及各部位提供的可用于航迹推算的信息，而确定出的传感器网络布设位置最小系统，如图2所示。
脚部陀螺仪x轴可以反映完整的步态周期信息；小腿部陀螺仪x轴可反映相对完整的步态周期信息，同时可有效的区分上下楼梯与走跑状态；腰部加速度计z轴反映了清晰的重心变化特点。
步骤二：基于小腿和脚部球铰链模型融合的精确步长估计方法；
1)基于球铰链模型约束的步长计算
利用球铰链模型的加速度约束关系将融合脚部与小腿的信息，
记小腿部IMU安装于D点，其局部载体坐标系记为d系，脚部IMU安装于F点，其局部载体坐标系记为f系，踝关节为O点。根据刚体的运动加速度关系可以得到
其中，
和/>
分别为关节中心加速度在d系和f系下的表示，/>
和/>
分别为D点F点的运动加速度，/>
为D点相对O点的加速度，/>
为F点相对O点的加速度，刚体上的点相对旋转中心的加速度又满足
其中，由于D、F点相对关节中心的运动线速度为0，因此他们相对O点的相对运动加速度
以及科氏加速度/>
均为0。带入转动向心加速度和切向加速度最终得到
其中，
和/>
分别为小腿部和脚部陀螺仪输出角速度在d系和f系下的表示，/>
和/>
分别为两个IMU相对于踝关节中心的位置向量，由于IMU被固定于脚部确定位置，因此这两个向量可以通过测量获得，角加速度按照下式进行计算
其中
为角加速度，ω(t)为t时刻角速度。
又根据加速度计原理，易得
其中，
和/>
分别为小腿部和脚部加速度计输出比力在d系和f系下的表示，gd和gf分别为重力加速度在d系下和f系下的表示。
通过小腿局部方向余弦矩阵(DCM)即方向余弦矩阵转换到导航坐标系下，得到脚踝关节的运动加速度
由
脚部局部DCM/>
式(5)、式(2)、式(8)，得估算脚部DCM的扩展卡尔曼滤波器的量测方程：
2)设置扩展卡尔曼滤波器
通过扩展卡尔曼滤波器估算脚部DCM。状态取为脚部的四元数λ P1 P2 P2、脚部IMU陀螺仪零偏εx εy εz、脚部IMU加速度计零偏
构成10维状态量/>
以n系下的重力加速度为测量值，利用式(10)，构建状态空间表达式和量测方程。
其中，
为陀螺仪三轴输出，Γk-1为系统噪声传递阵，Wk-1为系统噪声，由陀螺仪噪声引起，/>
为加速度计三轴输出，/>
为加速度计三轴零偏，gn＝[0 0 -g]T，/>
为由载体坐标系(b系)到导航坐标系(n系)的旋转矩阵(DCM)，其可由四元数计算得到，如式(13)所示。
量测更新需要在零速率状态时进行，以避免比力中会包含运动加速度干扰。
由式(14)将加速度投影至导航坐标系，并在每一步的摆动期内进行积分
其中，k指第k个单步，积分区间为第k个单步内的零速率区间之外的采样时刻，步伐的划分也可以通过零速修正得到。
步骤三：基于多节点加权融合的精确航向角获取；
分别记脚部、小腿和腰部三个部位的航向角为Ψfoot和Ψshank、Ψwaist、。然后由式(15)，对三部位航向角数据进行加权融合，其中βfoot、βshank和βwaist为融合权重。
Ψfuse,k＝βfootΨfoot,k+βshankΨshank,k+βwaistΨwaist,k (15)
其中，Ψfuse,k为融合后的航向角。系数βfoot、βshank和βwaist的解算方法如下：
基于行人航迹推算(PDR)框架有式(16)
其中，posk+1为第k步的终点坐标，第k步的终点坐标为第k+1步的起点坐标。
假设行人到达位置M1，则可得到以位置M0为起点进行迭代计算的坐标表达式，如式(17)所示
其中N为地标M0到地标M1的之间的步数。
利用牛顿迭代法求解三个参数βfoot、βshank和βwais-。
令
其中
为以位置M0为起点进行PDR推算时到达位置Mj时的估计坐标,/>
为位置Mj的坐标值。β＝[βfoot,βshank,βwaist]T，为F(β)＝0的解。求解得到的β值，是使得PDR推算的位置估计值与真实值(如图4中/>
与
)最接近的航向角融合系数，经此融合系数融合的航向角也是行进中经各个位置验证的最优航向角。
通过上述分析，本发明针对现有室内定位方法过分依赖外部环境部署，以及迭代算位法不能单独进行长时间定位的问题，提出了一种基于惯性传感器网络的高精度室内定位方法。该方法结合安装在脚、小腿、腰部的IMU以及走廊、楼梯角等地标的数据，可以在不依赖外部设备的情况下实现长时间可靠定位。
所提出的融合方法包括两个内容:
1)基于球铰模型，融合脚和小腿信息，在不考虑个体相关参数的情况下获得适应变速运动的步长；
2)基于偏航角加权融合方法，基于地标观测数据融合足、小腿和腰部数据，获得更准确的偏航角；
在实际实施中，需要实验参与人员按照图2所示，将多个惯性传感器固定在脚部，小腿部，腰部进行进行试验，其中传感器的y轴冲向身体前进方向，z轴竖直向上。实验者在试验区域内进行走动，各个传感器记录加速度、角速度等数据。待测试者完成行走之后，将数据导出到电脑，使用软件进行计算。通过步骤二的方法更精确地得到步长，根据步骤三的方法更精确地得到偏航角等信息。
如图5所示，本发明提出的结果即深蓝色的曲线最接近实际轨迹。最终测试结果表明，所提出的方法能够很好地适应变速运动，偏航角的总体漂移率小于0.005°/s，定位精度的相对误差小于1％。而单部件偏航角的整体漂移率约为0.01°/s，定位精度的相对误差超过1％。该方法同时考虑了步长和偏航角对航位推算的影响，并分别提出了有针对性的优化方案。在长时间、远距离定位中取得了良好的效果。
Claims (5)
1.一种基于体域惯性传感网多特征融合的高精度室内定位方法，其特征在于：具体包括以下步骤：
步骤一：
体域惯性传感网部节点由脚部、小腿部和腰部惯性传感器IMU构成；
步骤二：
基于小腿和脚部球铰链模型融合的精确步长估计方法；
1)基于球铰链模型约束的步长计算
利用球铰链模型的加速度约束关系将融合脚部与小腿的信息：
记小腿部IMU安装于D点，其局部载体坐标系记为d系，脚部IMU安装于F点，其局部载体坐标系记为f系，踝关节为O点，根据刚体的运动加速度关系可以得到：
其中，
和/>
分别为关节中心加速度在d系和f系下的表示，/>
和/>
分别为D点F点的运动加速度，/>
为D点相对O点的加速度，/>
为F点相对O点的加速度，刚体上的点相对旋转中心的加速度又满足：
其中，由于D、F点相对关节中心的运动线速度为0，因此他们相对O点的相对运动加速度
以及科氏加速度/>
均为0，带入转动向心加速度和切向加速度最终得到：
其中，
和/>
分别为小腿部和脚部陀螺仪输出角速度在d系和f系下的表示，/>
和
分别为两个IMU相对于踝关节中心的位置向量，由于IMU被固定于脚部确定位置，因此这两个向量可以通过测量获得，角加速度按照下式进行计算：
其中
为角加速度，ω(t)为t时刻角速度；
又根据加速度计原理，易得：
其中，
和/>
分别为小腿部和脚部加速度计输出比力在d系和f系下的表示，gd和gf分别为重力加速度在d系下和f系下的表示；/>
通过小腿局部方向余弦矩阵DCM转换到导航坐标系下，得到脚踝关节的运动加速度
由
脚部局部DCM/>
式(5)、式(2)、式(8)，得估算脚部DCM的扩展卡尔曼滤波器的量测方程：
2)设置扩展卡尔曼滤波器
通过扩展卡尔曼滤波器估算脚部DCM，状态取为脚部的四元数λP1P2P2、脚部IMU陀螺仪零偏εxεyε5、脚部IMU加速度计零偏
构成10维状态量/>
以n系下的重力加速度为测量值，利用式(10)，构建状态空间表达式和量测方程：
其中，
为陀螺仪三轴输出，Γk-1为系统噪声传递阵，Wk-1为系统噪声，由陀螺仪噪声引起，/>
为加速度计三轴输出，/>
为加速度计三轴零偏，gn＝[00 -g]T，/>
为由载体坐标系(b系)到导航坐标系(n系)的旋转矩阵(DCM)，其可由四元数计算得到，如式(13)所示：
量测更新需要在零速率状态时进行，以避免比力中会包含运动加速度干扰；
由式(14)将加速度投影至导航坐标系，并在每一步的摆动期内进行积分：
其中，k指第k个单步，积分区间为第k个单步内的零速率区间之外的采样时刻，步伐的划分也可以通过零速修正得到；
步骤三：
基于多节点加权融合的精确航向角获取；
分别记脚部、小腿和腰部三个部位的航向角为Ψf88t和Ψ9hank、Ψwa＝9t，然后由式(15)，对三部位航向角数据进行加权融合，其中βfoot、β9hank和βwa＝9t为融合权重：
Ψfu9e,k＝βfootΨfoot,k+β9hankΨ9hank,k+βwai9tΨwaist,k (15)
其中，Ψfu9e,k为融合后的航向角，系数βf8ot、βshank和βwa＝st的解算方法如下：
基于行人航迹推算PDR框架有式(16)
其中，posk+1为第k步的终点坐标，第k步的终点坐标为第k+1步的起点坐标；
假设行人到达位置M1，则可得到以位置M0为起点进行迭代计算的坐标表达式，如式(17)所示：
其中N为地标M0到地标M1的之间的步数；
利用牛顿迭代法求解三个参数βf88t、βshank和βwa＝st；
令
其中
为以位置M0为起点进行PDR推算时到达位置Mj时的估计坐标,/>
为位置Mj的坐标值，β＝[βf88t,βshank,βwaist]T，为F(β)＝0的解，求解得到的β值，是使得PDR推算的位置估计值与真实值最接近的航向角融合系数，经此融合系数融合的航向角也是行进中经各个位置验证的最优航向角。
2.根据权利要求1所述的一种基于体域惯性传感网多特征融合的高精度室内定位方法，其特征在于：所述步骤一中的传感器网络节点分别在脚部、小腿部、腰部可以全面反应步态信息、运动状态和重心变化。
3.根据权利要求1所述的一种基于体域惯性传感网多特征融合的高精度室内定位方法，其特征在于：步骤二1)中球铰链模型两端存在加速度约束，即踝关节和关节两侧的骨骼上的加速度存在耦合。
4.根据权利要求1所述的一种基于体域惯性传感网多特征融合的高精度室内定位方法，其特征在于：步骤三1)、2)中的人体处于同一时间的MS位时，传感器网络三个部位几乎处于同一垂直线且与前进方向重合度最高，且最适合用于获取多部位加权融合的航向角。
5.根据权利要求1所述的一种基于体域惯性传感网多特征融合的高精度室内定位方法，其特征在于：步骤三2)中当经过至少三个地标点时，即可求解得到权重系数βf88t、βshank和βwaist，并由此获得融合后的精确航向角Ψfuse,k；且轨迹每经过一个(或多个)新的地标点，对历史的权重系数βfoot、βshank和βwaist值进行更新，保证当前最佳的轨迹推算精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243967.9A CN113984046B (zh) | 2021-10-25 | 2021-10-25 | 一种基于体域惯性传感器网多特征融合的高精度室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243967.9A CN113984046B (zh) | 2021-10-25 | 2021-10-25 | 一种基于体域惯性传感器网多特征融合的高精度室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113984046A CN113984046A (zh) | 2022-01-28 |
| CN113984046B true CN113984046B (zh) | 2023-05-30 |
Family
ID=79741224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111243967.9A Active CN113984046B (zh) | 2021-10-25 | 2021-10-25 | 一种基于体域惯性传感器网多特征融合的高精度室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113984046B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015146047A1 (ja) * | 2014-03-25 | 2015-10-01 | セイコーエプソン株式会社 | 参照値生成方法、運動解析方法、参照値生成装置及びプログラム |
| CN107255474A (zh) * | 2017-05-11 | 2017-10-17 | 杭州电子科技大学 | 一种融合电子罗盘和陀螺仪的pdr航向角确定方法 |
| CN108106613A (zh) * | 2017-11-06 | 2018-06-01 | 上海交通大学 | 基于视觉辅助的定位方法与系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11733023B2 (en) * | 2018-03-20 | 2023-08-22 | Muvr Labs, Inc. | System and method for angle calculations for a plurality of inertial measurement units |
-
2021
- 2021-10-25 CN CN202111243967.9A patent/CN113984046B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015146047A1 (ja) * | 2014-03-25 | 2015-10-01 | セイコーエプソン株式会社 | 参照値生成方法、運動解析方法、参照値生成装置及びプログラム |
| CN107255474A (zh) * | 2017-05-11 | 2017-10-17 | 杭州电子科技大学 | 一种融合电子罗盘和陀螺仪的pdr航向角确定方法 |
| CN108106613A (zh) * | 2017-11-06 | 2018-06-01 | 上海交通大学 | 基于视觉辅助的定位方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 多传感器行人航位推算方法和UKF融合算法;漆钰晖;郭杭;邓林坤;;测绘通报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113984046A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | A high-precision and low-cost IMU-based indoor pedestrian positioning technique | |
| US10352959B2 (en) | Method and system for estimating a path of a mobile element or body | |
| EP3819592B1 (en) | Positioning device, positioning method, and program | |
| Shi et al. | A robust pedestrian dead reckoning system using low-cost magnetic and inertial sensors | |
| JP7023234B2 (ja) | 歩行者の動きを推定する方法 | |
| CN109827577A (zh) | 基于运动状态检测的高精度惯性导航定位算法 | |
| CN102445200A (zh) | 微小型个人组合导航系统及其导航定位方法 | |
| EP2386828B1 (en) | Method and system for detection of a zero velocity state of an object | |
| CN108957510B (zh) | 基于惯性/零速/gps的行人无缝组合导航定位方法 | |
| Woyano et al. | Evaluation and comparison of performance analysis of indoor inertial navigation system based on foot mounted IMU | |
| KR101642286B1 (ko) | 보행특성을 이용한 실내에서의 보행자 이동방향 추정 방법 | |
| CN105806343A (zh) | 基于惯性传感器的室内3d定位系统及方法 | |
| Wu et al. | Indoor positioning system based on inertial MEMS sensors: Design and realization | |
| CN112066980B (zh) | 一种基于人体四节点运动约束的行人导航定位方法 | |
| CN111024126A (zh) | 一种行人导航定位中的自适应零速修正方法 | |
| Zhao et al. | Adaptive 3D position estimation of pedestrians by wearing one ankle sensor | |
| CN110260860A (zh) | 基于足部惯性传感器的室内移动测量定位定姿方法及系统 | |
| Xia et al. | Autonomous pedestrian altitude estimation inside a multi-story building assisted by motion recognition | |
| CN113984046B (zh) | 一种基于体域惯性传感器网多特征融合的高精度室内定位方法 | |
| Li et al. | A pedestrian 3-D position estimation method based on equality constraint and moving platforms correction model | |
| Asano et al. | A robust pedestrian dead-reckoning positioning based on pedestrian behavior and sensor validity | |
| Liang et al. | Accurate estimation of gait altitude using one wearable IMU sensor | |
| Gui et al. | Heading constraint algorithm for foot-mounted PNS using low-cost IMU | |
| CN114562995A (zh) | 一种基于Mems惯性传感器的行人轨迹推算方法 | |
| Ray | Pedestrian navigation using particle filtering and a priori building maps |
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 |