CN114459469B - 多运动状态导航方法、装置及智能可穿戴设备 - Google Patents

多运动状态导航方法、装置及智能可穿戴设备 Download PDF

Info

Publication number
CN114459469B
CN114459469B CN202210043938.6A CN202210043938A CN114459469B CN 114459469 B CN114459469 B CN 114459469B CN 202210043938 A CN202210043938 A CN 202210043938A CN 114459469 B CN114459469 B CN 114459469B
Authority
CN
China
Prior art keywords
target
motion state
state
navigation
data
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
CN202210043938.6A
Other languages
English (en)
Other versions
CN114459469A (zh
Inventor
苏中
李磊
刘宁
李擎
袁超杰
李嘉智
赵辉
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202210043938.6A priority Critical patent/CN114459469B/zh
Publication of CN114459469A publication Critical patent/CN114459469A/zh
Application granted granted Critical
Publication of CN114459469B publication Critical patent/CN114459469B/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
    • 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
    • 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
    • G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
    • G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

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

本发明公开了一种多运动状态导航方法、装置及智能可穿戴设备。其中，该方法包括：通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。本发明解决了相关技术中人员定位定向误差较大的技术问题。

Description

多运动状态导航方法、装置及智能可穿戴设备
技术领域
本发明涉及智能AI领域，具体而言，涉及一种多运动状态导航方法、装置及智能可穿戴设备。
背景技术
人员导航是指对人员进行定位定向的技术，相对于开阔的室外环境，狭小遮蔽空间无卫星信号，无导航信标，此环境下的人员定位定向任务要求在无基础设施的前提下，仅依靠自身穿戴传感器进行自主定位定向，这对位置服务的实现产生了极大的困难。
目前常见的人员自主定位定向方法是基于惯性系统的，主要有行人航位推算算法和零速修正算法两种。行人航位推算算法利用惯性器件的数据来获取人员的运动特征，从而推算出人员的航向与位置。零速修正算法利用人员脚部与地面相对静止时速度为零的特点对捷联解算的状态向量进行修正。
但是目前的人员导航方法仍然存在以下问题：
在人员单一运动形式或日常正常运动形式的基础上进行导航方法研究，与狭小地下及遮蔽空间环境下的人员作业情况存在较大差距。人员在此环境下作业时除了常规的行走、跑步等动作外，还可能会出现匍匐、跳跃等运动形式，目前对人员在此类运动形式下进行惯性导航的方法并没有详细公开。
对多运动形式不同导航状态约束模型之间的切换方法未进行公开。由于人员在狭小空间下身体可能出现剧烈的晃动、扭动等状态，导致导航状态约束模型在此类环境下应用的有效性较差甚至失效。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种多运动状态导航方法、装置及智能可穿戴设备，以至少解决相关技术中人员定位定向误差较大的技术问题。
根据本发明实施例的一个方面，提供了一种多运动状态导航方法，包括：通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。
根据本发明实施例的另一方面，还提供了一种多运动状态导航装置，包括获取模块，被配置为通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；分类器，被配置为基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；导航状态约束模型，被配置为基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；推算模块，被配置为基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。
根据本发明实施例的另一方面，还提供了一种智能可穿戴设备，包括如上所述的多运动状态导航装置。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，其上存储有程序，在所述程序运行时，使得计算机执行如上所述的方法。
在本发明实施例中，通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。通过上述方法，解决了相关技术中人员定位定向误差较大的技术问题，具有减小人员定位定向误差较小的有益效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明第一实施例的一种多运动状态导航方法的流程图；
图2是根据本发明第二实施例的一种多运动状态导航方法的流程图；
图3是根据本发明第三实施例的一种多运动状态导航方法的流程图；
图4是根据本发明第四实施例的一种多运动状态导航方法的流程图；
图5是根据本发明实施例的一种人体坐标系的示意图；
图6是根据本发明实施例的一种多运动状态导航装置的结构示意图；
图7是根据本发明实施例的一种智能可穿戴设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种多运动状态导航方法，如图1所示，该方法包括：
步骤S102，通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据。
步骤S104，基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态。
步骤S106，基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束。
例如，在所述当前运动状态指示所述目标处于静止状态的情况下，将所述目标的速度和位置变化约束为零；在所述当前运动状态指示所述目标在平面内进行正常行走时出现了不规则的运动突变或者所述目标处于跑步状态，则使用非完整约束对所述目标的速度进行约束；在所述当前运动状态指示所述目标处于匍匐运动的情况下，将所述目标在匍匐前进时侧身方向与地面方向的速度限制为零；或在所述当前运动状态指示所述目标处于跳跃状态的情况下，基于所述目标的腾空过程中三轴加速度矢量和以及腾空过程时间，来计算跳跃状态的步长，并对所计算的步长进行约束。在一个示例性实施例中，使用非完整约束对所述目标的速度进行约束之前，所述方法还包括：基于所述目标的生物特征和单步内加速度计的信号，生成不同的权重因子，并基于不同的权重因子，估计所述目标的当前步长；基于所估计的所述目标的当前步长计算非完整约束下的所述目标的速度，并计算捷联解算的所述目标的速度和非完整约束下的所述目标的速度之间的误差；基于所计算出的误差，对所述捷联惯导系统解算出的所述目标的速度进行修正。
在一个示例性实施例中，基于所述目标的生物特征和单步内加速度计的信号，生成不同的权重因子，并基于不同的权重因子，估计所述目标的当前步长包括：基于所述目标的身高和步行频率，构建第一权重因子；对所述加速度计的信号进行低通滤波处理，基于低通滤波处理后的所述加速度计的当前采样点的三轴加速度矢量和、三轴加速度矢量和的最大值和最小值，来构建第二权重因子；对所述第一权重因子和所述第二权重因子进行拟合，来构建步长回归模型；基于所构建的步长回归模型来估计所述目标的当前步长。
在一个示例性实施例中，基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束的同时，所述方法还包括：比较所述当前运动状态和上一运动状态，确定所述目标的运动状态是否发生改变；在所述目标的运动状态发生改变的情况下，激活其他多个导航状态约束模型；将所述目标的当前状态向量分别输入到其他多个导航状态约束模型中作为初始值，进行运动状态约束；在所述目标的运动形式识别确定后，将所确定的运动形式对应的导航状态约束模型作为所述相应的导航状态约束模型，并关闭其他导航状态约束模型。
步骤S108，基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。
例如，将所述目标的合成加速度减去整个运动过程的平均合成加速度得到新的步数检测信号，对所述新的步数检测信号进行噪声消除，并获取噪声消除后的信号特征的峰值特性，采用峰值检测法进行单步划分，以确定步数；将捷联惯导系统解算出的航向与预定主航向进行对比，利用捷联惯导系统解算出的航向与预定主航向之间的差值，对所述目标的航向角进行修正，确定所述目标的方向；基于修正后的航向角、所确定的步数和所述导航状态约束模型输出的步长，确定所述目标的位置。
实施例2
根据本发明实施例，提供了一种多运动状态导航方法。本实施例对地下及狭小遮蔽空间下的人员作业过程中不同运动形式的导航误差传播机理进行分析，建立了相应运动形式(也称运动状态)的导航状态约束模型，提出不同模型之间的切换方法，实现多运动形式下的人员定位定向功能。
如图2所示，本实施例的多运动状态导航方法包括：
步骤S202，通过传感器采集人员运动的相关数据。
通过MIMU的三轴陀螺仪、三轴加速度计和压强计采集人员的运动信息。
步骤S204，进行平滑、滤波、特征选择处理。
对三轴陀螺仪和加速度计的输出值进行滤波、平滑处理后进行特征提取。
步骤S206，多运动形式识别。
结合压强计输出的高度信息，对人员的静止、行走、跑步、匍匐、跳跃、上下楼梯6种运动形式进行识别。本实施例中，采用使用神经网络构建的人员运动形式分类器来对运动形式(也称运动状态)进行识别。
步骤S208，运动状态约束。
分别运行相应的具有运动状态约束的导航状态约束模型，对运动状态进行约束。在进行约束之前，需要预先针对不同的状态建立人员不同运动形式下的状态约束和参数，以构建导航状态约束模型(也称为约束模型或导航模型)。
首先，根据狭小地下及遮蔽空间下的人员运动特性对导航误差进行分析，主要的误差源有元件误差、安装误差、初始条件误差、运动误差等。误差分析的目的是定量地估算惯导系统测算结束时的准确程度。一般情况下，所有误差源均可看成是对理想特性的小扰动，因而各个误差量都是对系统的一阶小偏差输入量。因此，在研究各误差量之间的关系时，完全可以取一阶近似而忽略二阶以上的小量。误差分析要求首先建立误差方程，即反映各误差量之间有机联系的方程。这种方程是依据系统的机械编排方程通过微分处理来求取。
1.静止状态
人员在静止状态下，由于呼吸、身体微弱的晃动是不可避免的，MIMU测量时必然存在相应的输出，如果对这些输出进行连续的时间积分，会得到发散的轨迹，不符合人体的真实运动情况。本发明中对人体静止站立状态下和静止蹲坐状态下的MIMU数据进行测试，并对这些数据进行特征分析后对人体静止站立状态和静止蹲坐状态进行识别。为了保持静止状态下的人体位姿几乎不发生变化，设计相应的滤波器，在判定人员为静止站立状态和静止蹲坐状态时对MIMU数据的解算结果进行约束，将人体的速度和位置变化约束为零。即：
vp＝0
△rp＝0
其中，vp为人体的速度，△rp为人体的位置变化。
2.行走状态
对人员正常行走状态下的MIMU输出数据进行特征分析，如果识别出人员在平面内进行正常行走时出现了不规则的运动突变，则使用一种非完整约束对人员的速度进行约束。此时，人员将受到一个非完整性约束条件的限制：此时行走方向的速度应在一定范围内，即：
Figure GDA0004187301520000071
其中，
Figure GDA0004187301520000072
为人员行走状态下行走方向最小速度，为
Figure GDA0004187301520000073
为人员行走状态下行走方向最大速度。将加速度计估计的某一步的步长除以系统记录的该步幅所用时间，可以估算到行人在该步的前向平均行走速度
Figure GDA0004187301520000074
即：
Figure GDA0004187301520000075
tstep＝tS-tE
D为该步步长估计值，tstep为行走该步所用时间，tS为该步采样的起始时间，tE为该步采样的结束时间。计算得到行人在正常行走过程中沿着行人坐标系(p系)的速度向量vp后，可以计算非完整约束下的人员速度与捷联解算的人员速度之间的误差
Figure GDA0004187301520000081
Figure GDA0004187301520000082
其中，vx为惯性捷联解算的行人速度向量。
另外，由于每个人员的身高及步行习惯的不同，每个人员的步频和抬脚速度都会有差异。一般的线性化模型和非线性化模型只用单一的步频和加速度来构建步长估计模型，估计步长的准确性较差。本发明分别对人体身高、步频信息和单步内加速度计的信息进行特征提取形成不同的权重因子，以构建一个新的步长回归模型。胸戴式相比于其它穿戴方式的加速度信号特征更弱，加上行走过程中传感器的采样噪声影响，导致某一时刻的加速度信号突变。所以通过先对加速度信号进行低通滤波处理，再引入误差修正方法改进步长估计精度低的问题。
首先依据不同人员的生物特征构建权重因子L1：
Figure GDA0004187301520000083
式中，h为人员身高，fw为步行频率，T为单位时间1s，h为目标的高度，例如人员的身高，tstep为人员行走一步的时间。
由于穿戴式惯性传感器在运动过程中存在较大的误差噪声，而传感器的噪声频率要大于人员步行的频率，因此对加速度信号采用低通滤波处理，截止频率例如设为5Hz，然后再对加速度计信号构建权重因子L2：
Figure GDA0004187301520000084
式中，△t为传感器采样时间，Ak为第k个采样点的三轴加速度矢量和，Amax、Amin分别为单步中三轴加速度矢量和的最大值和最小值，TS为该步开始时的采样点时间戳，TE为该步结束时的采样点时间戳。
通过对两个权重因子的拟合，得到构建的步长回归模型为：
Figure GDA0004187301520000091
式中K1、K2为权重参数，
Figure GDA00041873015200000910
为估计的步长。
为了解决传感器信号误差较大和信号特征性弱的问题，分析相邻两个单步估计步长的差异，通过两步之间的差值比来修正当前步的估计值。两步之间的步长差为：
△Li＝|Li-Li-1
△Li-1＝|Li-1-Li-2|
式中△Li为当前步与前一步之间的差值，△Li-1为前一步与它的前一步之间的差值，Li为第i步步长。
通过△Li与△Li-1的比值得到修正参数，进而实现对步长的修正，公式表示为：
Figure GDA0004187301520000092
Figure GDA0004187301520000093
式中
Figure GDA0004187301520000094
为修正参数，
Figure GDA0004187301520000095
为修正后的步长，
Figure GDA0004187301520000096
为修正前的步长。
3.跑步状态
人员的跑步状态与行走状态相似，但是跑步状态下的MIMU输出数据相对于步行状态下的输出数据要更加复杂，这是由于跑步时人体的晃动更加剧烈，躯体的扭动更加明显，测量误差增大。根据实验分析，在人员跑步方向上可以进行非完整性约束条件的限制：跑步方向的速度应在一定范围内，即：
Figure GDA0004187301520000097
其中，
Figure GDA0004187301520000098
为人员跑步状态下跑步方向最小速度，为
Figure GDA0004187301520000099
为人员跑步状态下跑步方向最大速度。
另外，由于每个人的跑步习惯有所不同，也应该按照行走状态根据人体生物特征为人员跑步状态下的步长估计模型构建权重因子，且设置的低通滤波器频率应高于行走状态下的低通滤波器频率。
4.匍匐状态：
人员在匍匐状态下的躯体晃动较为剧烈，匍匐前进一般可以分为低姿匍匐前进、高姿匍匐前进和侧身匍匐前进，无论是哪种匍匐前进姿势，都与人体的臂长、腿长、身高等生物特性有关。在做匍匐运动的分类时将匍匐运动再细分为以上3种运动姿势，根据3种姿势不同的运动频率和前进距离建立步长模型。同时，由于人员在匍匐前进时侧身方向(Y轴)与地面方向(X轴)的速度应限制为零，即：
Figure GDA0004187301520000101
公式中，
Figure GDA0004187301520000102
为人员在人体坐标系下Y轴方向速度，
Figure GDA0004187301520000103
为人员在人体坐标系下X轴方向速度。
5.跳跃状态
人员在进行跳跃动作时，躯体由屈缩、蹬腿、腾空、落地、屈缩、还原等几个动作过程组成。在对人员跳跃动作进行识别时，主要利用人体腾空过程的加速度计数据和陀螺仪数据进行识别，这样可以与人员的跑步状态进行区分。人员在跳跃的腾空过程中，躯体加速度由重力加速度和蹬腿发力方向加速度组成，跳跃距离可以根据腾空过程中三轴加速度矢量合和腾空过程时间来计算，跳跃状态下步长估计模型为：
Figure GDA0004187301520000104
Figure GDA0004187301520000105
其中，αj为待定加速度系数，βj为待定时间系数，γj为待定常数，αj、βj和γj可以通过人员的跳跃实验提前获得。a(k)为k时刻三轴加速度的模值，ax(k)、ay(k)、az(k)分别为k时刻的三轴加速度信号。
6.上下楼梯状态：
对于上下楼梯的运动形式，考虑到人员作战时会出现一步跨越多阶台阶的情况出现，所以人体的步长估计以一阶楼梯宽度的倍数为准，且该倍数通常为1～3，即：
Li＝d×stepi
式中，d为一阶楼梯宽度，stepi为第i步跨越台阶个数，此参数通过MIMU输出数据的频率及捷联解算结果进行计算。
步骤S210，捷联惯导系统进行解算。
步骤S212，人员多状态约束航位推算。
基于运动状态约束后的数据和捷联惯导系统解算出的数据，利用航位推算算法得到人员的位置、姿态。
在本实施例中，对不同运动形式下人员采用了不同的导航状态约束条件，在人员多运动形式下进行不同导航模式间的切换，并在人员复杂多运动形式下进行了精确地航位推算。
本实施例提供的方法，适应于地下及狭小遮蔽空间的人员定位定向任务，能够提高此环境下人员导航系统的有效性，减小人员定位定向误差。
实施例3
根据本发明实施例，提供了一种多运动状态导航方法。本实施例中的导航方法与实施例1和2中的方法基本类似，不同之处在于航位推算步骤以及步长估计步骤，因此，与实施例1和2中类似的步骤将不再赘述。
如图3所示，本实施例提供的多运动状态导航方法包括以下步骤：
步骤S302，采集人员的运动数据。
步骤S304，合成步数检测信号。
在本实施例中设计了基于时间约束和峰值检测的步幅检测方法，使用截止频率为3Hz的低通滤波器对加速度计数据进行滤波。滤波后的加速度数据类似于正弦波信号。相邻的两个峰值代表重心从最低点到最高点再回到最低点的过程，对应于行人行走的一个步幅。
由于惯性测量单元在人体绑定方式的不同会导致姿态偏差，将IMU绑在胸前的固定平台相对比较平整，且在运动过程中胸部的运动幅度较小，这会导致加速度计的特征值较小。
为了消除人体运动过程中摆动及重力加速度带来的影响，提高计步检测的精度，将合成加速度减去整个运动过程的平均合成加速度得到新的步数检测信号
Figure GDA0004187301520000111
Figure GDA0004187301520000112
式中，n为步行过程中产生采样点的个数，a(k)为原始的k时刻三轴加速度的模值，a(g)为原始的g时刻三轴加速度的模值，g为加速度计采样点索引。
步骤S306，对步数检测信号进行处理并约束。
采用巴特沃斯带通滤波器对步数检测信号进行噪声的消除，滤波处理后的信号特征与正弦信号一致，具有明显的峰值特性，所以采用峰值检测法进行单步划分。为提高检测的准确率，加入以下两个约束条件：
1)加速度峰值必须大于设定阀值μacc，避免行进过程中因设备抖动带来的伪检测；
2)对每步的行进时间增加约束，即两连续峰值之间的时间需处于设定时间阀值μt中，用于去除滤波不完全产生的一步多峰值情况。
步骤S308，估计步长。
本实施例设计了基于步频和加速度计拟合的步长估计方法，使用了线性步长估计方法进行研究。线性步长估计模型表达公式如下：
Li＝αlfi+βlVi+γl
fi＝1/(ti-ti-1)
Figure GDA0004187301520000121
其中，fi是第i步的频率，Vi是第i步的加速度方差，ti为行走第i步所用时间，
Figure GDA0004187301520000122
是第i步的加速度平均值，Ns表示当前步数中的采样点数，αl、βl和γl是可以通过实验提前获得的待定系数，at为时间t内的加速度数据。
步骤S310，航位估计。
航位估计使用了四元数法来解算，初始时刻使用加速度计和陀螺仪数据进行初始对准，并计算三种姿态角，然后利用初始姿态角计算初始四元数。当陀螺仪数据更新后，利用一阶毕卡算法求解四元数微分方程，进行四元数矩阵更新。四元数更新的微分方程如下所示：
Figure GDA0004187301520000123
其中，q0，q1，q2，q3为四元数系数；ωx、ωy、ωz为陀螺仪输出的三轴角速率值。四元数更新完毕后可以计算姿态矩阵
Figure GDA0004187301520000124
然后计算偏航角ψ。公式如下：
Figure GDA0004187301520000131
Figure GDA0004187301520000135
式中ψ为解算出的偏航角，Zij表示为姿态矩阵中的相对应的元素。
通过以上步骤的解算，便可以通过惯性组件的数据得到实时的偏航角信息，但是在四元数矩阵更新中陀螺仪会产生随机漂移，从而产生累计误差影响偏航角的解算精度，因此要引入航向误差抑制措施提高偏航角的解算精度。采用启发式随机漂移消除法来进行偏航角的修正，将行人的行进方向划分为8个主要的航向，将惯性解算所得的实时航向角与设定主航向进行对比，将其之间差值反馈到导航系统对航向角进行修正，其修正公式如下：
Figure GDA0004187301520000132
式中Ic为角度修正量，SIGN(Ei)为角度修正函数，若角度正向偏离则为正修正，角度负向偏离则为负修正。然后结合步数信息和步长信息利用以下公式进行位置推算：
Figure GDA0004187301520000133
式中Xt、Yt为更新之前的位置，Xt+△t、Yt+△t为更新后位置，
Figure GDA0004187301520000134
为修正后的航向角。
采用本实施例中的航位推算方法，能够更精确地推算出人员的定位和定向。
实施例4
根据本发明实施例，提供了一种多运动状态导航方法。本实施例中的导航方法与实施例1至3中的方法基本类似，不同之处在本实施例还提供了模型切换，因此，与实施例1至3中类似的步骤将不再赘述。
如图4所示，本实施例中的多运动状态导航方法包括以下步骤：
步骤S402，采集运动数据。
步骤S404，对采集的运动数据进行相应的处理。
步骤S406，切换导航状态约束模型。
人员的运动形式发生变化时，传感器输出数据发生变化，但由于运动形式过程中，运动特征不明显，对新的运动形式的识别可能出现滞后，这导致对于导航状态约束模型的切换不及时，可能带来较大的导航误差。为了减小这种滞后性带来的影响，在本实施中提出一种人员多运动形式模型切换方法，解决人员多运动形式模型间的切换。
具体实施步骤为：针对上文提到的人员的6种运动形式分别设置导航状态约束模型M1～M6，每个模型具有相应的状态约束，并为每个模型设置相应的状态转移矩阵F和量测噪声参数σR。
当检测到人员当前运动形式发生改变时，同时激活其他的模型，将当前的状态向量输入其他模型中作为初始值，多个模型同时进行人员的航位推算。在运动形式识别确定后，将相应的模型作为当前导航状态约束模型，同时关闭其他导航状态约束模型。
步骤S408，航位推算。
为了减小由于对新的运动形式的识别可能出现的滞后性的影响，在本实施中提出一种人员多运动形式模型切换方法，解决了人员多运动形式模型间的切换不及时的问题，具有避免对新的运动形式的识别可能出现的滞后性问题，具有及时识别新的运动形式的有益效果。
实施例5
根据本发明实施例，提供了一种多运动状态导航方法。本实施例中的导航方法与实施例1至4中的方法基本类似，不同之处在于坐标系的建立，因此，与实施例1和2中类似的步骤将不再赘述。
地心惯性坐标系(i系)：通常将相对恒星所确定的参考系称为惯性空间，惯性坐标系相对于惯性空间静止或只做匀速直线运动。地心惯性坐标系记为Oxiyizi，其原点取为地球中心，Ozi轴方向与地球极轴方向一致，Oxi轴和Oyi轴在地球赤道平面内，与Ozi轴形成右手坐标系。
地球坐标系(e系)：地球坐标系原点位于地球中心，坐标轴与地球固连，记为Oxeyeze。其中，Oze轴方向与地球极轴方向一致，Oxe轴沿地球赤道平面和格林尼治子午面的交线，Oye轴沿东经90°方向。载体在该坐标系下的定位多采用经度λ、纬度φ和距离地面高程h来表示。经纬高坐标(λ φ h)与空间直角坐标(xe ye ze)有如下转换关系：
Figure GDA0004187301520000151
其中，Rn为卯酉面内曲率半径，e为扁率。
地理坐标系(g系)：载体相对地球运动将会引起地理坐标系相对地球坐标系转动，因此，地理坐标系相对于惯性坐标系包含了地球的转动和载体的运动，记为Ogxgygzg。地理坐标系的原点取为载体与地球中心连线与地球表面的交点Og，Ogxg在当地水平面内指向北方，Ogyg在当地水平面内指向东方，Ogzg沿当地地垂线方向指向地面，与Ogxg和Ogyg组成右手坐标系，也就是常说的“北-东-地”坐标系。除此之外，“东-北-天”也是常用的地理坐标系，本实施例研究选取“北-东-地”坐标系作为地理坐标系。
导航坐标系(n系)：导航坐标系是在导航时根据导航系统工作需要而选取的作为导航基准的坐标系，记为Onxnynzn。一般情况下把导航坐标系选取的与地理坐标系重合，也可以选取为水平面上与地理坐标系水平面重合，在方位上存在一个夹角。
载体坐标系(b系)：载体坐标系是固连在载体上的坐标系，记为Obxbybzb。在传感器和IMU框架之间不存在明显安装角误差的情况下，可认为b系原点Ob与传感器测量中心重合，轴线与IMU三轴方向重合，Obxb指向载体正面前方，Obyb指向载体侧面右方，Obzb指向载体正下方。
人员坐标系(p系)：由于MIMU是集成于人员穿戴装备上的，所以MIMU与人员躯体并不固连，需要建立人员坐标系，用来反应人员身体运动情况，记为Opxpypzp。在人员定位定向过程中，认为p系原点与传感器测量中心重合，Opxp指向人员身体面向方向，Opyp指向人员身体正右方，Opzp指向人员身体正上方，与Opxp和Opyp形成右手坐标系，如5所示。
本实施例中，提供了不同的坐标系的定义，能够更精确地推算出目标例如人员的定向和定位。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例6
根据本发明实施例，还提供了一种用于实施上述实施例1至5中的方法的多运动状态导航装置，如图6所示，该装置包括：
获取模块62，被配置为通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；
分类器64，被配置为基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；
导航状态约束模型66，被配置为基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；
推算模块68，被配置为基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航。
本实施例提供的多运动状态导航装置能够实施上述实施例1至5中的方法，因此，此处不再赘述。
实施例7
根据本发明实施例，还提供了一种智能可穿戴设备。上述实施例1至5提出的多运动形式下的人员导航方法是将MIMU集成在人员穿戴的智能可穿戴设备例如背心装备上，主要间接利用MIMU的加速度数据和角速度数据来获取人员的运动特征，利用多运动识别分类器对人员运动情况进行识别，然后根据当前运动状态进行相应的状态约束，执行不同运动形式下的人员导航模型，利用导航误差对MIMU捷联解算结果进行修正。
如图7所示，该装置包括传感器件1，运动形式分类器2和导航状态约束模型3。传感器件1主要包括MIMU和压强计，用于采集人员的运动数据。运动形式分类器2主要集成了采用神经网络构建的分类器，用于识别人员的各种运动形式。导航状态约束模型3主要用于对不同的运动形式进行约束。
地面上的主机可以基于可穿戴智能设备上传的数据进行航位推算，以确定穿戴该智能设备的人员的具体定向和定位。
在本实施例中，智能可穿戴设备上设置了分类器2和导航状态约束模型3，在其他的实施例中，智能可穿戴设备上可以仅设置传感器件，而地面上的主机上设置有分类器、导航状态约束模型、推算模块等。换句话说，地面上的主机相当于上述实施例的多运动状态导航装置，从设置在可穿戴智能设备上的从传感器件上接收采集的数据，并进行分类、约束和推算。
本实施例的传感器件、分类器、导航状态约束模型能够实现上述实施例1至5中的分类功能、导航状态约束功能，因此，此处不再赘述。
实施例8
根据本发明实施例，提供了一种多运动状态导航方法，该方法包括：
步骤S802，基于感知系统联合标定，进行环境感知，从不同数据源采集数据；
步骤S804，基于所采集的数据，进行场景获取，获取地图数据和位姿信息；
步骤S806，基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配。
在一个示例性实施例中，基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理包括以下至少之一：对所获取的地图数据和位姿信息，进行信息尺度的归一化数据预处理；对所获取的地图数据和位姿信息，进行时间序列归一化数据预处理；对所获取的地图数据和位姿信息，进行全局归一化数据预处理。
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行信息尺度的归一化数据预处理包括：对所获取的地图数据和位姿信息进行标准化处理，其中，所述标准化处理包括以下至少之一：将来自不同数据源的数据的数据编码方式统一为相同的方式；将来自不同数据源的数据的数据格式统一为相同的格式；对标准化处理后的地图数据和位姿信息进行匹配处理，其中，所述匹配处理包括以下至少之一：将不同数据源的标识同一事物的不同属性匹配到一起；将不同数据源的相同数据标识成重复；对匹配处理后的地图数据和位姿信息进行数据筛选，以选定一致性维度数据。
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行时间序列归一化数据预处理包括：基于相邻时间序列之间的模式相关性和在时间维度上数据不断产生的特性，利于后续算法，对来自不同数据源的所获取的地图数据和位姿信息进行时间配准。
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行全局归一化数据预处理包括：将时间序列加窗分段后，获取多段固定窗口长度的时间子序列；基于相邻时间序列的关系因子，利用当前窗口内时间子序列的极大值、极小值对所述当前窗口内的时间子序列进行归一化数据预处理。
在一个示例性实施例中，在通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配之前，所述方法还包括：将所述感知系统的误差状态向量定义为列向量；基于所述列向量确定所述感知系统的惯性器件的角速度和加速度与测量值的关系；基于所确定的惯性器件的角速度和加速度与测量值的关系确定所述惯性器件的更新方程；利用所确定的更新方程来确定所述惯性器件的姿态误差。
例如，利用所确定的更新方程来确定所述惯性器件的姿态误差包括：根据地图特征点提取和匹配关系，得到所述地图数据的各帧之间的转移矩阵；利用所述转移矩阵解算出相应的姿态角信息，使用所述惯性器件的角增量变化值作为权重调整因子并基于所述姿态角信息解算出姿态误差。
步骤S808，基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标。
本实施例将多时空下的数据统一基准，提高了数据的多源信息处理能力；利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别，适用于多类目标，自适应能力强，识别准确率高。
步骤S810，识别所述动态目标的运动状态并进行状态约束。
步骤S812，进行航位推算。
其中步骤S810和812中的状态约束和航位推算和上述实施例中的一样，此处不再赘述。
本实施例中的感知系统能够在复杂环境下快速、准确地计算出动态目标的状态及类别参数，显著提升了动态目标识别正确率和快速性。
本实施例提供的动态目标快速感知方法可以在各个领域广泛应用，为实现普适性、主动性、精度高、性价比高的动态识别快速感知技术提供了新的技术路线。特别的本实施例提出的基于深度学习的动态目标快速感知策略可应用于其它领域基于深度学习的目标识别监测中，所以本实施例提出的方法的普适性更强。
实施例9
根据本发明实施例，提供了一种多运动状态导航方法。该方法实现的前提是感知系统、场景获取、归一化表达、特征提取的完成。整个过程首先是感知系统，使用三维地图库、5G+GNSS和惯性器件进行多源数据的采集，完成信息尺度、时间和空间关系场景信息的获取，然后进行多元特征的归一化表达，构建三维场景；基于非线性最小二乘法、松弛法及Bayes估计理论等方法，进行超像素分割和语义分析来进行特征匹配，将特征匹配得到的信息利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
本申请中多元特征归一化是指多源现场信息尺度、时间、关系等多元特征归一化表达。目标识别是指从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。
该方法包括：
步骤S902，感知系统感知环境数据。
地下作业场所的感知系统主要包括5G、GNSS、惯性器件和高精度三维地图库。
步骤S904，位姿获取。
根据感知系统获得信息得到人员的位姿信息。
步骤S906，归一化表达及特征匹配。
针对现场作业环境，基于惯性、5G、GNSS及三维地图数据库的多源数据，完成信息尺度、时间和空间关系的多元特征归一化表达，构建三维场景，并基于非线性最小二乘法、松弛法及Bayes估计理论等方法进行超像素分割和语义分析，以进行特征匹配。此外，地图数据经过过滤和分割，提取特征数据。
在本实施例中，归一化表达主要包括信息尺度的归一化表达、时间序列的归一化表达、全局归一化表达。
1.信息尺度的归一化方法
1)标准化，标准化的目的是使不同数据源的数据编码方式，数据格式等相同，为下一步数据匹配打下基础(数据标准化中的代码标准化过程)。
2)匹配，数据匹配的工作有两方面，一是将不同数据源的标识同一事物的不同属性匹配到一起，使数据更完善；另一是将不同数据源的相同数据标识成重复，为下一步的筛选打下基础。例如：来源于不同数据源中重复的客户姓名。
3)筛选，数据筛选的主要目的是选定一致性维度作为主数据，也就是最终交付的一致性维度数据。
2.时间序列归一化方法
在时间序列归一化主要完成多源数据的时间配准，由于时间序列的特殊性，例如，相邻序列之间的模式相关性，在时间维度上数据是不断产生的特性，在归一化方法的选用上，也应该尽可能的利于后续算法/模型工作。
3.全局的归一化方法
在全局归一化的基础上，结合小波/傅里叶变换中加窗的思想，产生了加窗归一化。
利用窗口内序列的极大值、极小值对该窗口内的时间序列进行归一化，这种方法一定程度上解决了时间跨度多大时不同测量条件下序列幅值差异的问题。给定的时间序列S，对S加窗分段后S共有n段窗口长度为L的序列构成：S＝{s1,s2,…,sn}。对S进行自适应归一化，归一化后序列为：R＝{r1,r2,…,rn}，其中
Figure GDA0004187301520000221
Figure GDA0004187301520000222
Figure GDA0004187301520000223
其中，α和β是相邻时间序列的关系因子，i＝{1,2......n}，di是迭代过程变量，di-1是迭代过程变量，ri是归一化后的序列，fi是迭代过程变量，fi-1是迭代过程变量。
步骤S908，识别动态目标。
目标识别过程是从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。机器学习是解决这类问题的有利工具。在机器学习过程中，采用适宜的算法与分类器并选取合适的先验特征，以识别动态目标。
步骤S910，识别所述动态目标的运动状态并进行状态约束。
步骤S912，进行航位推算。
其中步骤S910和912中的状态约束和航位推算和上述实施例中的一样，此处不再赘述。
实施例10
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法。该方法和实施例8至9中的方法类似，不同之处在于对动态目标进行识别。
动态目标识别的方法包括以下步骤：
步骤S1002，获取信息数据。
感知系统进行环境感知，获取环境数据。
步骤S1004，展开列向量。
将惯性、5G、GNSS系统误差状态向量定义为15×1的列向量：
Figure GDA0004187301520000231
其中，
Figure GDA0004187301520000232
为k时刻下的IMU、5G及GNSS测量的姿态角误差的差值，定义为包含滚转角、俯仰角和偏航角的三维列向量；
Figure GDA0004187301520000233
为陀螺仪输出的零偏值；δrk为导航系下的三轴位置误差；δvk为导航系下的三轴速度误差；
Figure GDA0004187301520000234
为加速度计输出的零偏值。
角速度ω和加速度a与测量值的关系可以表示为：
Figure GDA0004187301520000235
其中，ωm为测量角速度，ng为导航系下的角速度补偿量，am为测量加速度，na为导航系下的加速度补偿量。
动态系统状态空间卷积模型描述的更新方程可以表示为：
Figure GDA0004187301520000236
其中，k为离散时间，
Figure GDA00041873015200002311
为系统噪声；Gk为噪声矩阵系数；Vk为观测噪声矩阵；Hk为观测矩阵；Zk为观测量，Xk+1为系统在时刻(k+1)的状态，Xk+1∈Rn，Zk+1∈Rm为对应信号的观测矩阵，f(Xk)为系统在k时刻的状态函数，
Figure GDA0004187301520000237
为IMU向导航坐标系的转移矩阵，ωb为IMU下的角速度,ab为IMU下的加速度。f(Xk)定义如下：
Figure GDA0004187301520000238
其中，
Figure GDA0004187301520000239
为陀螺仪输出的姿态角误差的差值，
Figure GDA00041873015200002310
为加速度计输出的零偏值，
Figure GDA0004187301520000241
为陀螺仪输出的零偏值，△tI为IMU采样时间隔为，△tC为相机采样时间隔为，
Figure GDA0004187301520000242
为地图位姿到IMU的姿态转移矩阵(由IMU的安装结构可知
Figure GDA0004187301520000243
为定值)，
Figure GDA0004187301520000244
为k时刻姿态角误差。
根据地图特征点提取和匹配关系可以得到各帧之间的转移矩阵R，则在导航坐标系下姿态矩阵可以表示为：
Figure GDA0004187301520000245
其中，C11至C33表示所获取的姿态数据信息，由此解算得到相应的姿态角信息：
Figure GDA0004187301520000246
其中，
Figure GDA0004187301520000247
为k时刻下的姿态角，ψkC为k时刻下偏航角，θkC为k时刻下俯仰角，γkC为k时刻滚转角。 (7)
其中，姿态误差作为观测量可以表示为：
Figure GDA0004187301520000248
其中，
Figure GDA0004187301520000249
为自适应动态匹配的组合位姿态角的差值，
Figure GDA00041873015200002410
为IMU、5G下测量的姿态角，
Figure GDA00041873015200002411
为GNSS测量的姿态角。
自适应动态匹配的组合位姿解算姿态误差可以表示为：
Figure GDA00041873015200002412
其中，
Figure GDA00041873015200002413
为权重调整因子，
Figure GDA00041873015200002414
为单位时间内的平均角增量，
Figure GDA00041873015200002415
为姿态误差。这里使用I MU的角增量变化值作为权重调整因子γ的计算量，从而避免了由于定位误差过大或失败无法求解的问题。
步骤S1006，三维重构。
在完成信息尺度、时间和空间关系场景信息的获取之后，进行多元特征的归一化表达，构建三维场景。
步骤S1008，输入输出关系。
在深度学习训练时，优化器会对模型参数进行优化，以寻找一组最优解。卷积神经网络中的每一层的输入输出参数关系可以用神经元链接的权重W和输入输出的通道数等密切相关。
步骤S1010，通过深度学习数据特征分析结果。
利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
步骤S1012，识别所述动态目标的运动状态并进行状态约束。
步骤S1014，进行航位推算。
其中步骤S1012和1014中的状态约束和航位推算和上述实施例中的一样，此处不再赘述。
本实施例中，融合IMU的瞬时姿态高精度解算和5G、GNSS姿态计算不存在时间上漂移等优势，解决惯性姿态解算随机发散问题，发挥IMU姿态测量的优势，进一步提高了姿态解算的准确性，实现动态运动下完整性地图融合识别。
实施例11
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以实现上述实施例1至5中的方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种多运动状态导航方法，其特征在于，包括：
通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；
基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；
基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；
基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航；
其中，基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束，包括以下至少之一：
在所述当前运动状态指示所述目标处于静止状态的情况下，将所述目标的速度和位置变化约束为零；
在所述当前运动状态指示所述目标在平面内进行正常行走时出现了不规则的运动突变或者所述目标处于跑步状态，则使用非完整约束对所述目标的速度进行约束；
在所述当前运动状态指示所述目标处于匍匐运动的情况下，将所述目标在匍匐前进时侧身方向与地面方向的速度限制为零；
在所述当前运动状态指示所述目标处于跳跃状态的情况下，基于所述目标的腾空过程中三轴加速度矢量和以及腾空过程时间，来计算跳跃状态的步长，并对所计算的步长进行约束；
其中，基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算包括：
将所述目标的合成加速度减去整个运动过程的平均合成加速度得到新的步数检测信号，对所述新的步数检测信号进行噪声消除，并获取噪声消除后的信号特征的峰值特性，采用峰值检测法进行单步划分，以确定步数；
将捷联惯导系统解算出的航向与预定主航向进行对比，利用捷联惯导系统解算出的航向与预定主航向之间的差值，对所述目标的航向角进行修正，确定所述目标的方向；
基于修正后的航向角、所确定的步数和所述导航状态约束模型输出的步长，确定所述目标的位置。
2.根据权利要求1所述的方法，其特征在于，使用非完整约束对所述目标的速度进行约束之前，所述方法还包括：
基于所述目标的生物特征和单步内加速度计的信号，生成不同的权重因子，并基于不同的权重因子，估计所述目标的当前步长；
基于所估计的所述目标的当前步长计算非完整约束下的所述目标的速度，并计算捷联解算的所述目标的速度和非完整约束下的所述目标的速度之间的误差；
基于所计算出的误差，对所述捷联惯导系统解算出的所述目标的速度进行修正。
3.根据权利要求2所述的方法，其特征在于，基于所述目标的生物特征和单步内加速度计的信号，生成不同的权重因子，并基于不同的权重因子，估计所述目标的当前步长包括：
基于所述目标的身高和步行频率，构建第一权重因子；
对所述加速度计的信号进行低通滤波处理，基于低通滤波处理后的所述加速度计的当前采样点的三轴加速度矢量和、三轴加速度矢量和的最大值和最小值，来构建第二权重因子；
对所述第一权重因子和所述第二权重因子进行拟合，来构建步长回归模型；
基于所构建的步长回归模型来估计所述目标的当前步长。
4.根据权利要求3所述的方法，其特征在于，在基于所构建的步长回归模型来估计所述目标的当前步长之后，所述方法还包括：
确定所述当前步长与前一步的步长间的第一差值，以及所述前一步与其前一步之间的第二差值；
基于所述第一差值和所述第二差值之间的比值，生成修正参数；
利用所述修正参数对所述当前步长进行修正。
5.根据权利要求1所述的方法，其特征在于，基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束的同时，所述方法还包括：
比较所述当前运动状态和上一运动状态，确定所述目标的运动状态是否发生改变；
在所述目标的运动状态发生改变的情况下，激活其他多个导航状态约束模型；
将所述目标的当前状态向量分别输入到其他多个导航状态约束模型中作为初始值，进行运动状态约束；
在所述目标的运动形式识别确定后，将所确定的运动形式对应的导航状态约束模型作为所述相应的导航状态约束模型，并关闭其他导航状态约束模型。
6.一种多运动状态导航装置，其特征在于，包括：
获取模块，被配置为通过惯性器件获取目标的惯性数据，对所述惯性数据进行平滑、滤波处理后进行特征提取，并通过气压计获取所述目标的高度数据；
分类器，被配置为基于所提取的特征和所述高度数据，识别出所述目标的当前运动状态；
导航状态约束模型，被配置为基于所述当前运动状态，利用相应的导航状态约束模型进行相应的运动状态约束；
推算模块，被配置为基于运动状态约束后得到的数据以及捷联惯导系统解算出的数据，进行所述目标的状态约束航位推算，以实现多运动状态导航；
其中，所述导航状态约束模型还被配置为以下至少之一：在所述当前运动状态指示所述目标处于静止状态的情况下，将所述目标的速度和位置变化约束为零；在所述当前运动状态指示所述目标在平面内进行正常行走时出现了不规则的运动突变或者所述目标处于跑步状态，则使用非完整约束对所述目标的速度进行约束；在所述当前运动状态指示所述目标处于匍匐运动的情况下，将所述目标在匍匐前进时侧身方向与地面方向的速度限制为零；在所述当前运动状态指示所述目标处于跳跃状态的情况下，基于所述目标的腾空过程中三轴加速度矢量和以及腾空过程时间，来计算跳跃状态的步长，并对所计算的步长进行约束；
其中，所述推算模块还被配置为：将所述目标的合成加速度减去整个运动过程的平均合成加速度得到新的步数检测信号，对所述新的步数检测信号进行噪声消除，并获取噪声消除后的信号特征的峰值特性，采用峰值检测法进行单步划分，以确定步数；将捷联惯导系统解算出的航向与预定主航向进行对比，利用捷联惯导系统解算出的航向与预定主航向之间的差值，对所述目标的航向角进行修正，确定所述目标的方向；基于修正后的航向角、所确定的步数和所述导航状态约束模型输出的步长，确定所述目标的位置。
7.一种智能可穿戴设备，其特征在于，包括如权利要求6所述的多运动状态导航装置。
8.一种计算机可读存储介质，其上存储有程序，其特征在于，在所述程序运行时，使得计算机执行如权利要求1至5中任一项方法。
CN202210043938.6A 2022-01-14 2022-01-14 多运动状态导航方法、装置及智能可穿戴设备 Active CN114459469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210043938.6A CN114459469B (zh) 2022-01-14 2022-01-14 多运动状态导航方法、装置及智能可穿戴设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210043938.6A CN114459469B (zh) 2022-01-14 2022-01-14 多运动状态导航方法、装置及智能可穿戴设备

Publications (2)

Publication Number Publication Date
CN114459469A CN114459469A (zh) 2022-05-10
CN114459469B true CN114459469B (zh) 2023-05-23

Family

ID=81409797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210043938.6A Active CN114459469B (zh) 2022-01-14 2022-01-14 多运动状态导航方法、装置及智能可穿戴设备

Country Status (1)

Country Link
CN (1) CN114459469B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637036B (zh) * 2022-05-18 2022-08-19 深圳华大北斗科技股份有限公司 非完整性约束自适应量测噪声方法
CN115804591A (zh) * 2022-12-13 2023-03-17 重庆长安汽车股份有限公司 平均步伐长度检测方法、装置、电子设备及存储介质
CN117168447B (zh) * 2023-09-04 2024-05-14 北京泛源时空科技有限公司 一种通过高程约束增强的足绑式惯性行人无缝定位方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08189968A (ja) * 1995-01-10 1996-07-23 Hitachi Ltd 移動状態認識方法
CN101476894A (zh) * 2009-02-01 2009-07-08 哈尔滨工业大学 车载sins/gps组合导航系统性能增强方法
US7610166B1 (en) * 2006-07-21 2009-10-27 James Solinsky Geolocation system and method for determining mammal locomotion movement
CN103900581A (zh) * 2014-04-04 2014-07-02 哈尔滨工程大学 基于增广拉格朗日条件的mimu与gps组合行人导航法
CN103968827A (zh) * 2014-04-09 2014-08-06 北京信息科技大学 一种可穿戴式人体步态检测的自主定位方法
CN107218938A (zh) * 2017-05-22 2017-09-29 南京航空航天大学 基于人体运动模型辅助的穿戴式行人导航定位方法和设备
CN108645406A (zh) * 2018-04-19 2018-10-12 北京理工大学 一种基于分数域行人运动感知的室内自主定位方法
CN109612463A (zh) * 2018-10-31 2019-04-12 南京航空航天大学 一种基于侧向速度约束优化的行人导航定位方法
CN110132276A (zh) * 2019-04-30 2019-08-16 杭州电子科技大学 一种基于行人运动状态的自适应步长估计方法
CN112066980A (zh) * 2020-08-31 2020-12-11 南京航空航天大学 一种基于人体四节点运动约束的行人导航定位方法
CN112729281A (zh) * 2020-12-18 2021-04-30 无锡卡尔曼导航技术有限公司 一种约束惯性/卫星组合导航静止时航向漂移的方法
CN113239803A (zh) * 2021-05-13 2021-08-10 西南交通大学 一种基于行人运动状态识别的航迹推算定位方法
CN113465599A (zh) * 2021-06-04 2021-10-01 北京信息科技大学 定位定向方法、装置及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8903521B2 (en) * 2010-08-26 2014-12-02 Blast Motion Inc. Motion capture element

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08189968A (ja) * 1995-01-10 1996-07-23 Hitachi Ltd 移動状態認識方法
US7610166B1 (en) * 2006-07-21 2009-10-27 James Solinsky Geolocation system and method for determining mammal locomotion movement
CN101476894A (zh) * 2009-02-01 2009-07-08 哈尔滨工业大学 车载sins/gps组合导航系统性能增强方法
CN103900581A (zh) * 2014-04-04 2014-07-02 哈尔滨工程大学 基于增广拉格朗日条件的mimu与gps组合行人导航法
CN103968827A (zh) * 2014-04-09 2014-08-06 北京信息科技大学 一种可穿戴式人体步态检测的自主定位方法
CN107218938A (zh) * 2017-05-22 2017-09-29 南京航空航天大学 基于人体运动模型辅助的穿戴式行人导航定位方法和设备
CN108645406A (zh) * 2018-04-19 2018-10-12 北京理工大学 一种基于分数域行人运动感知的室内自主定位方法
CN109612463A (zh) * 2018-10-31 2019-04-12 南京航空航天大学 一种基于侧向速度约束优化的行人导航定位方法
CN110132276A (zh) * 2019-04-30 2019-08-16 杭州电子科技大学 一种基于行人运动状态的自适应步长估计方法
CN112066980A (zh) * 2020-08-31 2020-12-11 南京航空航天大学 一种基于人体四节点运动约束的行人导航定位方法
CN112729281A (zh) * 2020-12-18 2021-04-30 无锡卡尔曼导航技术有限公司 一种约束惯性/卫星组合导航静止时航向漂移的方法
CN113239803A (zh) * 2021-05-13 2021-08-10 西南交通大学 一种基于行人运动状态识别的航迹推算定位方法
CN113465599A (zh) * 2021-06-04 2021-10-01 北京信息科技大学 定位定向方法、装置及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于人体运动状态识别的行人航迹推算方法;邓平等;《中国惯性技术学报》;第29卷(第1期);第16-22页 *
修正建筑物内三维定位误差的运动感知方法研究;赵辉;李擎;李超;;计算机应用研究(09);全文 *
基于实时步长匹配的行人室内定位方法;钟立扬等;《计算机系统应用》;第26卷(第4期);第236-240页 *
基于微惯性传感器的人员运动行为约束自主定位研究;肖明朗;《中国优秀硕士学位论文全文数据库 信息科技辑》;I136-827 *

Also Published As

Publication number Publication date
CN114459469A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114459469B (zh) 多运动状态导航方法、装置及智能可穿戴设备
CN109827577B (zh) 基于运动状态检测的高精度惯性导航定位算法
CN106679648B (zh) 一种基于遗传算法的视觉惯性组合的slam方法
EP2850392B1 (en) Method for step detection and gait direction estimation
KR102226846B1 (ko) Ｉｍｕ 센서와 카메라를 이용한 하이브리드 실내 측위 시스템
CN107402012A (zh) 一种车辆的组合导航方法
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
JP4171459B2 (ja) 移動体の回転移動量利用方法とその装置、及びコンピュータプログラムを保存するコンピュータ読取り可能な記録媒体
CN108132053B (zh) 一种行人轨迹构建方法、系统及惯性测量装置
EP4001948A1 (en) Deep smartphone sensors fusion for indoor positioning and tracking
CN111145251A (zh) 一种机器人及其同步定位与建图方法和计算机存储设备
CN107270937B (zh) 一种离线小波降噪快速初始对准方法
JP6804908B2 (ja) 推定装置、推定方法及びコンピュータプログラム
CN114463932A (zh) 非接触式施工安全距离主动动态识别预警系统及方法
US20230304802A1 (en) Passive combined indoor positioning system and method based on intelligent terminal sensor
CN110515381A (zh) 用于定位机器人的多传感器融合算法
CN112729307A (zh) 一种用于路径规划机器人的多传感信息融合系统及其控制方法
Nouriani et al. Deep-learning-based human activity recognition using wearable sensors
CN115655265A (zh) 一种基于惯性传感的行人导航室内定位方法
CN111435083A (zh) 行人航迹推算方法、导航方法及装置、手持终端及介质
CN112985392A (zh) 基于图优化框架的行人惯性导航方法和装置
CN116465412A (zh) 一种基于lstm和注意力机制的改进pdr室内定位方法
CN112923934A (zh) 一种适用于非结构化场景中结合惯导的激光slam技术
Hnatiuc et al. Path recognition using mobile phone
CN109186594A (zh) 利用惯性传感器和深度摄像头传感器获取运动数据的方法

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