CN116734858A - 基于行为概率分析的室内行人导航方法及系统 - Google Patents

Abstract

本申请公开了基于行为概率分析的室内行人导航方法及系统，其中方法步骤包括：基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；利用步态检测方法，提取室内行人的最大概率零速点；利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；利用最大概率零速点和估计结果，对预测结果进行修正，完成室内行人导航。本申请基于最大概率提取零速点，对不同步态适应性强，且降低了不稳定的气压计输出对高度修正的影响。通过实验验证，本申请能够在室内场景下实现较高的定位精度。

Description

基于行为概率分析的室内行人导航方法及系统

技术领域

本申请涉及室内导航领域，具体涉及基于行为概率分析的室内行人导航方法及系统。

背景技术

随着科技发展水平的提高，人们对于位置服务的需求愈发凸显，这对导航定位的范围和服务质量都提出更高的要求。然而，基于卫星的导航定位系统仅能在室外空旷环境实现高精度、长待机的稳定导航服务，面对室内复杂环境时则会有失效的可能。

针对室内环境，目前实现行人导航的方案主要包含无线定位技术和惯性导航技术两种。无线定位技术即在室内场景下部署无线通信技术(WirelessFidelity，Wi-Fi)、蓝牙、超宽带等设施进行环境信息测量，从而实现行人的导航定位。与前者相比，惯性导航技术无需借助其他信息辅助，也不需要提前部署，是一种完全自主式的导航定位解决方案。随着微机电系统(Micro-Electro-Mechanical System，MEMS)的快速发展，行人惯性导航系统主要采用MEMS惯性传感器件，该器件具有体积小、功耗低、价格低廉等优势。

但MEMS器件精度较低，在进行惯性数据采集的同时引入了大量噪声。在惯性导航过程中，系统误差会随着时间不断累积，进而导致定位精度下降。由于行人行进过程中足部呈周期性运动，在每个步态周期内足部完全接触地面时存在零速区间。为了抑制行人导航系统长时间连续积分过程中导航误差的发散，目前通常采用零速修正方法，在零速区间内对导航误差进行修正。行人在室内场景行走时，通常包括走路、跑步、上下楼等不同运动状态。但由于不同运动状态的动态特性不同，固定零速阈值误判率较高。因此，如何针对各类运动状态选取合适的零速阈值，提取准确的零速区间进行误差修正，成为影响导航定位精度的关键。

发明内容

为解决上述背景中存在的技术问题，本申请采用基于广义似然比检验的零速区间检测器对零速区间进行检测，通过区间约束和周期划分得到每一步的步态区间。在各步态区间内提取零速检测值最小的时刻，作为每一步的最大概率零速点并进行导航误差修正。同时，针对上下楼状态下惯导高度误差发散的问题，提出了一种基于惯性/气压传感器的爬楼高度在线估计方法，构建步态周期内的爬楼能量特征函数，继而对爬楼台阶数、台阶高度进行估计。

为实现上述目的，本申请提供了基于行为概率分析的室内行人导航方法，步骤包括：

基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；

利用步态检测方法，提取室内行人的最大概率零速点；

利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；

利用所述最大概率零速点和所述估计结果，对所述预测结果进行修正，完成室内行人导航。

优选的，得到所述预测结果的方法包括：采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_kV_kψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。

优选的，进行所述步态检测的方法包括：

采用基于广义似然比检测的方法对室内行人进行零速检测，得到检测结果；

基于区间分析方法对所述检测进行划分，得到室内行人的每一步的步态区间；

在所述每一步的步态区间内搜索所述最大概率零速点。

优选的，得到所述估计结果的方法包括：

在室内行人每个上下楼步态的最大概率零速点时刻，截取该步态区间内的惯性解算高度数据和气压高度计数据；

基于所述高度数据和所述气压高度计数据，设置窗口大小和步长，采用滑动窗口遍历步态数据，得到所述估计结果。

优选的，利用所述最大概率零速点对所述预测结果进行修正的方法包括：

在室内行人每个步态的所述最大概率零速点处进行误差修正；此时，时刻速度理论值为零，Z_v表示IMU传感器的三轴速度理论值与实际值的差值，包括：

Z_v＝[-V_x -V_y -V_z]^T

式中，V_x、V_y、V_z分别表示速度的三轴分量；[·]^T表示转置矩阵；。

优选的，利用所述估计结果对所述预测结果进行修正的方法包括：基于室内行人步态类型约束的高度修正方案，对当前步态运动类型进行判断，高度修正值Z_p满足：

式中，h_i，k表示k时刻最大概率零速点系统解算高度；h_p，k表示k时刻最大概率零速点气压高度计高度；h_s表示台阶平均高度；n_k表示当前上下楼步态跨越的台阶个数；s_k表示当前步态上下楼标志：

本申请还提供了基于行为概率分析的室内行人导航系统，包括：预测模块、提取模块、估计模块和修正模块；

所述预测模块用于基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；

所述提取模块用于利用步态检测方法，提取室内行人的最大概率零速点；

所述估计模块用于利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；

所述修正模块利用所述最大概率零速点和所述估计结果，对所述预测结果进行修正，完成室内行人导航。

优选的，所述预测模块的工作流程包括：采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_k V_k ψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。

与现有技术相比，本申请的有益效果如下：

本申请基于最大概率提取零速点，对不同步态适应性强，且降低了不稳定的气压计输出对高度修正的影响。通过实验验证，本申请能够在室内场景下实现较高的定位精度。

附图说明

为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的方法流程示意图；

图2为本申请实施例的楼梯检测算法流程示意图；

图3为本申请实施例的系统结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

实施例一

如图1所示，为本实施例的方法流程示意图，步骤包括：

S1.基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果。

本实施例采用ForSenseIMU614九轴MEMS-IMU传感器，并将该传感器固定于实验人员右足鞋垫内足跟位置，得到测量结果。并基于预测结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果。具体步骤包括：

采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_k V_k ψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。

S2.利用步态检测方法，提取室内行人的最大概率零速点。

零速修正作为惯性行人导航的主要误差修正方法，通常是对窗口内加速度、角速度的幅值、方差进行检测，并将之与设定的阈值进行比较。为了提高零速修正算法的鲁棒性，本实施例提出了一种基于步态检测的最大概率零速点提取方法，步骤包括：采用基于广义似然比检测的方法进行零速检测，得到检测结果；基于区间分析方法对检测进行划分，得到每一步的步态区间；在每一步的步态区间内搜索最大概率零速点。

上述广义似然比检测的步骤包括：

综合考虑加速度和角速度信息，根据公式计算k时刻窗口内的检测值。比较检测值与阈值大小，判断当前样本是否处于零速区间。

式中，T_k表示k时刻零速检测值；W表示窗口大小；分别表示陀螺仪和加速度计的噪声方差；ω_k、f_k分别表示k时刻的陀螺仪和加速度计输出值；g表示当地重力加速度；/>表示该窗口内三轴加速度均值。当检测值小于零速检测器阈值时，可以认为时刻的样本数据处于零速区间，此时零速判断值为真，如式所示。当行人运动包含多种运动状态时，设置合适的检测器阈值，以检测出各状态下零速点可能存在的区间。为了在每个运动状态均能提取到零速点存在的区间，考虑到跑步动态较大，此处的零速检测器阈值T应该设置得较大一些。

式中，z表示零速检测的判断值。

为了减小因量测信息不准引入的误差量，本实施例在每个步态周期内仅在最大概率零速点处进行一次系统误差的修正。基于广义似然比检测划分零速区间，采用基于区间分析的方法对零速区间进行约束，完成步态周期的划分，进而实现在每一个步态周期内提取最大概率零速点。具体步骤包括：

综合考虑走路、跑步、上下楼几种运动情况对样本进行分析，首先进行步态区间长度的约束。根据基于区间分析的步态划分方法，可以认为每个步态中的非零速区间长度不小于0.12秒，且一个步态的区间长度不小于0.6秒。计算非零速区间长度，若长度小于0.12秒则认为出现了零速点误判，此时实际上的零速点被误判为非零速，将后一段区间划分为零速区间。

再根据行人运动时足部运动的周期性规律，零速区间与非零速区间交替出现，可以对完整的步态区间进行划分。以每一段零速区间的开始时刻为起点，以下一段非零速区间结束时刻为终点，将其视为一段完整的步态区间。

最后，基于广义似然比检验实现了零速区间的识别。在一个步态周期中，足部速度为零的最大概率点即在零速检测器检测值最小值点附近。因此，在每个步态的零速区间内可以进一步提取最大概率零速点，可以认为该时刻足跟完全接触地面，并在下一时刻开始离开地面进入摆动期。基于上步骤可知，检测值T_k越小则表示k时刻为零速的概率越大，因此只要在已获得的零速区间内寻找最小检测值即可提取最大概率零速点。

S3.利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果。

目前，针对行人室内导航环境的高度修正方法主要是采用气压高度计作为高度参考信息。但气压高度计容易受到温度、湿度等环境因素影响，同时随着行人运动幅度的变化，气压高度计会受到不同程度的震动，行人运动时气压高度计输出值存在较大波动。

针对该问题，本实施例在行人同楼层运动状态下不参考气压高度计信息，将前一步的高度作为参考进行高度修正。而由于建筑物内台阶高度通常是一致的，因此实施例在进行行人上下楼高度估计时假设建筑物内台阶高度不变。为了实现行人上下楼步态跨越台阶阶数的判断，本实施例结合了惯性解算高度信息和气压高度计的信息进行分析，算法流程图如图2所示。在每个上下楼步态的最大概率零速点时刻，截取该步态区间内的惯性解算高度数据和气压高度计数据。设置合适的窗口大小和步长，采用滑动窗口遍历步态数据。

在每个滑动窗口内分别对惯性解算高度和气压高度数据提取差分特征值，继而计算惯性解算高度差分的能量函数和气压高度差分的能量函数。能量函数计算方法包括：

式中，z_k表示第k个步态的最大概率零速点；D_i表示差分值。上述两个能量函数分别反映了当前数据窗口中惯性解算高度和气压高度变化的程度。

其次，根据预先设定的阈值对能量函数进行判断。如果惯性解算高度差分和气压高度差分的能量函数均低于设定的阈值，则判断当前窗口步态片段未跨越台阶。反之，如果其中任何一个能量值超过了设定的阈值，则当前窗口步态片段跨越了一个台阶。

最后对当前步态的所有窗口的台阶跨越情况进行统计，得到行人上下楼步态中跨越台阶阶数。

为了减小气压高度计输出不准确对高度带来的影响，结合运动状态识别结果，本实施例仅在第一段上下楼运动时参考气压高度计高度信息并计算台阶平均高度。基于台阶高度不变假设，在后续上下楼运动时参考台阶平均高度信息进行高度修正：

式中，h_s表示台阶平均高度；Δh_p1表示第一段上下楼运动的气压高度计高度差；n_i表示第i步跨越的台阶个数；p、q分别表示第一段上下楼的起始和结束步态。

后续上下楼步态的高度变化量包括：

Δh_k＝h_s·n_k

综上，本实施例提出了基于能量函数的步态预测方法，实现对上下楼步态跨越的台阶阶数识别，得到估计结果。

S4.利用最大概率零速点和估计结果，对预测结果进行修正，完成室内行人导航。

首先使用最大概率零速点进行速度修正，在本实施例中，在每个步态的所述最大概率零速点处进行误差修正；此时，时刻速度理论值为零，Z_v表示IMU传感器的三轴速度理论值与实际值的差值，包括：

Z_v＝[-V_x -V_y -V_z]^T

式中，V_x、V_y、V_z分别表示速度的三轴分量；[·]^T表示转置矩阵。

最后，采用估计结果对高度进行修正，在本实施例中基于步态类型约束的高度修正方案，对当前步态运动类型进行判断，高度修正值Z_p满足：

式中，h_i，k表示k时刻最大概率零速点系统解算高度；h_p，k表示k时刻最大概率零速点气压高度计高度；h_s表示台阶平均高度；n_k表示当前上下楼步态跨越的台阶个数；s_k表示当前步态上下楼标志：

至此，通过上述步骤完成室内行人导航。

实施例二

如图3所示，为本实施例的系统结构示意图，包括：预测模块、提取模块、估计模块和修正模块。其中，预测模块用于基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；提取模块用于利用步态检测方法，提取室内行人的最大概率零速点；估计模块用于利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；修正模块利用最大概率零速点和估计结果，对预测结果进行修正，完成室内行人导航。

下面将结合本实施例，详细说明本申请如何解决实际生活中的技术问题。

首先利用预测模块，基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果。

本实施例采用ForSenseIMU614九轴MEMS-IMU传感器，并将该传感器固定于实验人员右足鞋垫内足跟位置，得到测量结果。并基于预测结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果。具体流程包括：

采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_k V_k ψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。

之后，提取模块利用步态检测方法，提取室内行人的最大概率零速点。

零速修正作为惯性行人导航的主要误差修正方法，通常是对窗口内加速度、角速度的幅值、方差进行检测，并将之与设定的阈值进行比较。为了提高零速修正算法的鲁棒性，本实施例提出了一种基于步态检测的最大概率零速点提取方法，流程包括：采用基于广义似然比检测的方法进行零速检测，得到检测结果；基于区间分析方法对检测进行划分，得到每一步的步态区间；在每一步的步态区间内搜索最大概率零速点。

上述广义似然比检测的流程包括：

综合考虑加速度和角速度信息，根据公式计算k时刻窗口内的检测值。比较检测值与阈值大小，判断当前样本是否处于零速区间。

式中，T_k表示k时刻零速检测值；W表示窗口大小；分别表示陀螺仪和加速度计的噪声方差；ω_k、f_k分别表示k时刻的陀螺仪和加速度计输出值；g表示当地重力加速度；/>表示该窗口内三轴加速度均值。当检测值小于零速检测器阈值时，可以认为时刻的样本数据处于零速区间，此时零速判断值为真，如式所示。当行人运动包含多种运动状态时，设置合适的检测器阈值，以检测出各状态下零速点可能存在的区间。为了在每个运动状态均能提取到零速点存在的区间，考虑到跑步动态较大，此处的零速检测器阈值T应该设置得较大一些。

式中，z表示零速检测的判断值。

为了减小因量测信息不准引入的误差量，本实施例在每个步态周期内仅在最大概率零速点处进行一次系统误差的修正。基于广义似然比检测划分零速区间，采用基于区间分析的方法对零速区间进行约束，完成步态周期的划分，进而实现在每一个步态周期内提取最大概率零速点。具体流程包括：

综合考虑走路、跑步、上下楼几种运动情况对样本进行分析，首先进行步态区间长度的约束。根据基于区间分析的步态划分方法，可以认为每个步态中的非零速区间长度不小于0.12秒，且一个步态的区间长度不小于0.6秒。计算非零速区间长度，若长度小于0.12秒则认为出现了零速点误判，此时实际上的零速点被误判为非零速，将后一段区间划分为零速区间。

再根据行人运动时足部运动的周期性规律，零速区间与非零速区间交替出现，可以对完整的步态区间进行划分。以每一段零速区间的开始时刻为起点，以下一段非零速区间结束时刻为终点，将其视为一段完整的步态区间。

最后，基于广义似然比检验实现了零速区间的识别。在一个步态周期中，足部速度为零的最大概率点即在零速检测器检测值最小值点附近。因此，在每个步态的零速区间内可以进一步提取最大概率零速点，可以认为该时刻足跟完全接触地面，并在下一时刻开始离开地面进入摆动期。基于上流程可知，检测值T_k越小则表示k时刻为零速的概率越大，因此只要在已获得的零速区间内寻找最小检测值即可提取最大概率零速点。

估计模块利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果。

目前，针对行人室内导航环境的高度修正方法主要是采用气压高度计作为高度参考信息。但气压高度计容易受到温度、湿度等环境因素影响，同时随着行人运动幅度的变化，气压高度计会受到不同程度的震动，行人运动时气压高度计输出值存在较大波动。

针对该问题，本实施例在行人同楼层运动状态下不参考气压高度计信息，将前一步的高度作为参考进行高度修正。而由于建筑物内台阶高度通常是一致的，因此实施例在进行行人上下楼高度估计时假设建筑物内台阶高度不变。为了实现行人上下楼步态跨越台阶阶数的判断，本实施例结合了惯性解算高度信息和气压高度计的信息进行分析，算法流程图如图2所示。在每个上下楼步态的最大概率零速点时刻，截取该步态区间内的惯性解算高度数据和气压高度计数据。设置合适的窗口大小和步长，采用滑动窗口遍历步态数据。

在每个滑动窗口内分别对惯性解算高度和气压高度数据提取差分特征值，继而计算惯性解算高度差分的能量函数和气压高度差分的能量函数。能量函数计算方法包括：

式中，z_k表示第k个步态的最大概率零速点；D_i表示差分值。上述两个能量函数分别反映了当前数据窗口中惯性解算高度和气压高度变化的程度。

其次，根据预先设定的阈值对能量函数进行判断。如果惯性解算高度差分和气压高度差分的能量函数均低于设定的阈值，则判断当前窗口步态片段未跨越台阶。反之，如果其中任何一个能量值超过了设定的阈值，则当前窗口步态片段跨越了一个台阶。

最后对当前步态的所有窗口的台阶跨越情况进行统计，得到行人上下楼步态中跨越台阶阶数。

为了减小气压高度计输出不准确对高度带来的影响，结合运动状态识别结果，本实施例仅在第一段上下楼运动时参考气压高度计高度信息并计算台阶平均高度。基于台阶高度不变假设，在后续上下楼运动时参考台阶平均高度信息进行高度修正：

式中，h_s表示台阶平均高度；Δh_p1表示第一段上下楼运动的气压高度计高度差；n_i表示第i步跨越的台阶个数；p、q分别表示第一段上下楼的起始和结束步态。

后续上下楼步态的高度变化量包括：

Δh_k＝h_s·n_k

综上，本实施例提出了基于能量函数的步态预测方法，实现对上下楼步态跨越的台阶阶数识别，得到估计结果。

最后，修正模块利用最大概率零速点和估计结果，对预测结果进行修正，完成室内行人导航。

首先使用最大概率零速点进行速度修正，在本实施例中，在每个步态的所述最大概率零速点处进行误差修正；此时，时刻速度理论值为零，Z_v表示IMU传感器的三轴速度理论值与实际值的差值，包括：

Z_v＝[-V_x -V_y -V_z]^T

式中，V_x、V_y、V_z分别表示速度的三轴分量；[·]^T表示转置矩阵。

最后，采用估计结果对高度进行修正，在本实施例中基于步态类型约束的高度修正方案，对当前步态运动类型进行判断，高度修正值Z_p满足：

式中，h_i，k表示k时刻最大概率零速点系统解算高度；h_p，k表示k时刻最大概率零速点气压高度计高度；h_s表示台阶平均高度；n_k表示当前上下楼步态跨越的台阶个数；s_k表示当前步态上下楼标志：

至此，通过上述流程完成室内行人导航。

以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (8)

1.基于行为概率分析的室内行人导航方法，其特征在于，步骤包括：

基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；

利用步态检测方法，提取室内行人的最大概率零速点；

利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；

利用所述最大概率零速点和所述估计结果，对所述预测结果进行修正，完成室内行人导航。

2.根据权利要求1所述的基于行为概率分析的室内行人导航方法，其特征在于，得到所述预测结果的方法包括：采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_k V_k ψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。

3.根据权利要求2所述的基于行为概率分析的室内行人导航方法，其特征在于，进行所述步态检测的方法包括：

采用基于广义似然比检测的方法对室内行人进行零速检测，得到检测结果；

基于区间分析方法对所述检测进行划分，得到室内行人的每一步的步态区间；

在所述每一步的步态区间内搜索所述最大概率零速点。

4.根据权利要求2所述的基于行为概率分析的室内行人导航方法，其特征在于，得到所述估计结果的方法包括：

在室内行人每个上下楼步态的最大概率零速点时刻，截取该步态区间内的惯性解算高度数据和气压高度计数据；

基于所述高度数据和所述气压高度计数据，设置窗口大小和步长，采用滑动窗口遍历步态数据，得到所述估计结果。

5.根据权利要求3所述的基于行为概率分析的室内行人导航方法，其特征在于，利用所述最大概率零速点对所述预测结果进行修正的方法包括：

在室内行人每个步态的所述最大概率零速点处进行误差修正；此时，时刻速度理论值为零，Z_v表示IMU传感器的三轴速度理论值与实际值的差值，包括：

Z_v＝[-V_x -V_y -V_z]^T

式中，V_x、V_y、V_z分别表示速度的三轴分量；[·]^T表示转置矩阵。

6.根据权利要求4所述的基于行为概率分析的室内行人导航方法，其特征在于，利用所述估计结果对所述预测结果进行修正的方法包括：基于室内行人步态类型约束的高度修正方案，对当前步态运动类型进行判断，高度修正值Z_p满足：

式中，h_i，k表示k时刻最大概率零速点系统解算高度；h_p，k表示k时刻最大概率零速点气压高度计高度；h_s表示台阶平均高度；n_k表示当前上下楼步态跨越的台阶个数；s_k表示当前步态上下楼标志：

7.基于行为概率分析的室内行人导航系统，其特征在于，包括：预测模块、提取模块、估计模块和修正模块；

所述预测模块用于基于IMU传感器的测量结果，采用卡尔曼滤波对室内行人的当前状态进行预测，得到预测结果；

所述提取模块用于利用步态检测方法，提取室内行人的最大概率零速点；

所述估计模块用于利用楼梯阶数概率检测方法，进行行人爬楼高度估计，得到估计结果；

所述修正模块利用所述最大概率零速点和所述估计结果，对所述预测结果进行修正，完成室内行人导航。

8.根据权利要求7所述的基于行为概率分析的室内行人导航系统，其特征在于，所述预测模块的工作流程包括：采用卡尔曼滤波算法所述测量结果的9维状态误差进行估计，其中状态量包括：

X_k＝[P_k V_k ψ_k]^T

式中，X_k表示k时刻的IMU传感器状态量；P_k、V_k和ψ_k分别表示IMU传感器的三轴位置、速度和姿态角；[·]^T表示转置矩阵；

取系统量测量以观测速度和高度：

Z＝[Z_v Z_p]^T

式中，Z_v表示IMU传感器的三轴速度理论值与实际值的差值；Z_p表示高度理论值与实际值的差值；

根据卡尔曼滤波的状态空间模型，状态量X和量测量Z满足如下关系：

式中，W表示系统噪声矩阵；R表示量测噪声矩阵；

F为系统矩阵：

式中，S_t表示载体系加速度计在导航系投影的斜对称矩阵；O_i×j表示i×j的零矩阵；I_i×j表示i×j的单位矩阵；

H为量测矩阵：

式中，h₂₁＝[0 0 1]。