基于PRCNN-Attention鲁棒零速检测的行人惯性导航方法

针对零速修正的行人惯性导航方法中MEMS IMU误差大且复杂多变、复杂运动类型下传统阈值零速检测鲁棒性差的问题,提出一种基于PRCNN-Attention鲁棒零速检测的导航方法。首先,引入注意力机制,突出不同运动类型下的关键信息,设计了基于并联式循环卷积网络的深度神经网络(PRCNN-Attention)框架,实现对零速状态的鲁棒识别;然后,将零速信息作为量测信息,基于不变扩展卡尔曼滤波器实现信息融合。最后,在公开数据集以及实际场景中对所提方法进行了验证。实验结果表明,相较于固定阈值零速检测方法和自适应阈值零速检测方法,所提方法在公开数据集上的零速检测精确率分别由0.752和0.920提升到0.978,导航误差分别降低了54.1%和31.8%,在实际场景中导航误差分别降低了28.1%和13.5%,验证了所提方法的鲁棒性和有效性。

基于伪自适应阈值零速检测法的室内个人导航系统

为了限制惯导误差的增长,根据人行走的规律提出了一种基于个人的多种步态模式下的伪自适应阈值零速检测法.通过加速度方差和陀螺模值的平方和作为检测依据,设置一个滑动的时间窗口来判断行人的运动模式,以此来自调节阈值的大小,对跑、走、台阶等运动模式都具有稳定可靠的检测效果.由于航向角不可观测,无法使用卡尔曼零速修正算法对航向角进行修正.采用融合室内地图的粒子滤波算法使穿越墙壁的粒子权重为零,对于大误差数据,通过自适应重采样的方法来有效避免粒子的严重退化现象.实验结果表明:速度在3 m/s内零速检测的准确率达到97%以上.采用融合室内地图的粒子滤波算法后,正常行走约210 m的距离室内定位误差从原来的2.3 m降低到0.2m.

基于GLRT零速检测算法的行人室内定位系统

针对微机电系统中惯性传感器漂移大、精度低导致室内行人定位精度不高的问题,本系统在惯性导航解算算法的基础上,提出基于广义似然比检验的零速检测算法。该方法是利用广义似然比检验对行人处于站立相或摆动相的概率进行估计以及进行零速更新,提高行人定位精度。基于本文提出的行人室内定位模型,搭建以惯性测量单元为核心的实验平台,评估本文算法的可行性。实验结果表明行人定位的动态误差为-1.814 1 m^1.451 6 m,置信度为97.61%。表明本文的行人室内定位系统满足实际定位的要求。

不同惯导系统零速检测算法的性能分析

分别使用四种零速检测算法,检验了不同精度两种惯性导航系统的检测性能,通过绘制载体速度时间图像、检测的零速折线图以及检测统计量变化曲线图,分析了车载实验下不同惯导系统相同零速检测算法之间、不同零速检测算法相同惯导系统之间各曲线变化。结果表明,相同的零速检测算法对性能较好的惯导系统检测的零速时段精度更高;而对于相同的惯导系统使用不同的零速检测算法,通过对比广义似然比检测结果和角速度量测能量检测结果发现,零速检测过程中提供最可靠信息的是陀螺信号。

结合零速检测的微惯性系统混合滤波

分析了Unscented卡尔曼滤波(UKF)和Unscented粒子滤波(UPK)算法的特点,提出了一种混合粒子滤波算法(HUPF),以改善车载系统在运行时间长、运动状态变化频繁时导航系统不稳定的非线性特点,并使导航系统能在GPS信号缺失的情况下继续稳定工作。首先,通过零速检测(ZUPT)方法确定车载系统不同的动态特性。然后,针对检测结果选用混合滤波算法,即根据检测结果确定在不同的动态特性下采用UKF或者UPF算法对车载系统特性变化进行不同处理。最后,根据实验结果对不同方法进行了比较。结果表明,采用本文提出的滤波方法,车载导航系统在不同的动态特性下,特别是在GPS缺失的情况下能有效地降低载体在不同动态特性下误差的影响,提高车载系统动态定位精度,将由非线性误差导致车载系统误差积累造成的影响减少了55%,处理速度提高大约2倍。

基于MEMS惯性传感器零速检测算法的研究

针对MEMS(微机电系统)惯性传感器精度低、漂移大、存在误差积累的问题,分析行人行走时在脚掌落地瞬间存在速度为零的步态特点,设计了一种基于MEMS惯性传感器零速检测算法的行人导航系统,在速度为零的时刻以卡尔曼滤波对误差进行估计,提高系统精度。对比分析了加速度幅值检测法、加速度方差检测法、角速度能量检测法和加速度角速度组合姿态最优检测法,实验结果表明,在正常步态下,加速度角速度组合姿态最优检测法具有最高的检测精度,定位误差为0.33%,满足行人导航定位要求。

行人惯性导航零速检测算法

在行人惯性导航中,零速检测是实现速度误差清零和导航误差估计的前提,有着重要的作用。针对行人运动过程中零速区间时间间隔短难以检测的问题,提出了一种基于人体脚部运动特征的零速检测算法,将步行运动抽象成了一个包含4个隐含状态与15个观测量的隐马尔可夫模型,并阐述了模型构建机理。利用Baum—Welch算法训练和优化模型参数,提高了检测准确率。实验结果表明:所提出的方法零速检测效果较好,且采用该方法的行人惯性导航系统,其定位误差约为行进距离的0.73%,定位精度较高。

一种用于足绑式行人惯性导航的区间搜索零速检测器

针对在足绑式惯性行人导航系统中,传统阈值法零速检测器自适应差的问题,设计了一种区间搜索零速检测器,基于足部运动中的惯性数据特征自适应地搜索到最优的零速区间。以足部运动的一个步态周期作为零速区间搜索的基本单元,然后在基本单元中对加速度信息进行处理,将原始数据通过非线性函数映射到搜索空间中对数据差异化放大,最后利用在搜索空间数据收敛性确定最优零速区间。实验表明,在正常行走情况下,区间搜索零速检测器不需要参数调节,检测结果与具有最优阈值的SHOE方法匹配度约97.54%,定位精度在3 m/18 min以内。与改进的自适应零速检测器Adaptive-SHOE相比,性能相当,零速检测结果匹配度约98.51%。但是在多种运动混合情况下,Adaptive-SHOE失效,区间搜索零速检测正常工作。区间搜索法的结果与具有最优阈值的SHOE方法匹配度约89.12%,但是精度优于SHOE。区间搜索零速检测器具有较好的工程应用价值。

基于模拟多位置数据增强驱动零速检测的惯性行人导航方法

通过零速校正可以对惯性行人导航递推中的惯性累加误差进行抑制,现有方法常使用基于固定阈值物理模型的零速检测器,但此类方法在步态变化下需要调整参数。基于数据驱动的方法可以避免对模型的调整参数,但传统网络泛化能力较差。针对此问题,提出了一种基于模拟多位置数据增强驱动长短期记忆网络(A-LSTM)零速检测器。通过将惯性量测信息基于物理模拟变化投影至不同的位置,模拟在不同位置情况下的输出,增强泛化能力。并提出基于端到端的LSTM网络对零速区间进行检测,使用扩展卡尔曼滤波器进行导航融合,实现对于不同步态、不同穿戴位置下准确的惯性行人导航。最后在包含行走、跑步混合步态的实验中验证了所提算法的导航性能。相较于固定阈值零速检测方法与未增强数据的深度学习零速检测算法,所提算法零速检测成功率提升15%与12%,相较未增强数据的深度学习零速检测算法,首尾定位误差降低了70%。

基于贝叶斯网络的强鲁棒性零速检测方法

在行人惯性导航系统中,零速检测是实现速度误差清零和导航误差估计的前提,有着重要的作用;针对现有的零速检测方法检测精度低、鲁棒性差的问题,采用有效的步态周期分割方法并且引入基于惯性传感器测量值和运动学知识的贝叶斯网络模型来推断零速区间;该方法可以有效减少零速(ZV)边界的模糊性,提高零速检测的精度,增强零速检测的鲁棒性;实验表明行人以较高的速度行走时,基于贝叶斯网络的零速检测方法零速错误检测去除率提高,零速检测效果好。

基于惯性导航的步行者零速检测算法

为解决惯性导航长时间误差漂移、步行者轨迹推算精度低的缺点,提出了一种基于人体脚部运动特征的零速检测算法。通过步态分析和极大似然估计将行人运动分为静止和运动两个阶段,只在运动阶段进行惯性导航确定步长,为减小误差随时间的漂移,静止阶段进行传感器误差修正,将步长信息连续推算,即可实现惯性导航定位。基于提出的零速检测算法模型,搭建以惯性测量单元为核心的实验平台,进行了3组实验。实验结果表明:基于惯性导航的零速检测算法检测零速区间的误差为0,单步步长误差为2. 7%,结合零速修正连续推算误差为1. 6%,验证了该方法的有效性。

基于SVM自适应零速检测的行人自主导航算法

针对传统的固定阈值零速检测算法在复杂步态下易出现错判,导致行人自主导航系统精度变差的问题,提出了一种基于支持向量机(SVM)自适应零速检测的行人自主导航算法。首先采用中值滤波对原始惯性数据进行降噪处理,由滤波窗口内三轴加速度矢量和的峰值(|f|_(p))表征当前步态,以|f|_(p)与三轴角速率、加速度的矢量和、标准差等变量构成样本集,采用SVM算法对不同步态下零速点和非零速点进行分类,进而提高零速检测对复杂步态的适应性,再通过零速修正(ZUPT)算法实现行人自主导航。试验表明,相较于自适应阈值法和固定阈值法,基于SVM自适应零速检测的行人自主导航算法将跑步状态下零速检测准确率分别由91.5%和51.4%提升至97.2%,进而使系统导航精度分别提升了至少15.2%和67.4%。

基于自适应阈值的行人惯性导航零速检测算法

在基于微机电系统(MEMS)的行人惯性导航中零速区间检测算法是制约导航位置解算误差增长的重要因素。针对利用固定阈值实现零速检测算法在不同运动状态下存在检测适应性差的问题,根据行人步态特征以及周期性零速规律,以合加速度和合角速度为检测数据,提出了一种基于自适应阈值的零速检测算法。利用检测数据在运动状态下的动态特点及统计特征,根据获得的运动状态信息更新零速区间检测阈值,以适应在不同运动状态下实现准确的零速区间检测。实验表明,自适应阈值算法对零速区间可以进行精确检测,零速检测准确率达到98%。检测结果用于导航定位解算的误差率小于1.5%。

基于改进K-means聚类的惯性行人导航零速检测算法

行人导航中不同运动状态下零速区间的运动数据也有所不同,这就要求零速检测算法具有良好的适应性。针对利用阈值实现零速检测的算法在多种运动状态下适应性差的问题,该文提出了一种基于改进K-means聚类的零速检测算法(zero-velocity interval detection algorithm based on improved K-means clustering, IKC)。首先,在运动的开始阶段,通过K-means聚类对角速度数据进行聚类,从而得到零速区间与非零速区间的中心点;然后根据设定的数据点到中心点的距离条件对零速区间与非零速区间进行划分,相比于其他算法,优化了数据处理过程,有效缩短了计算时间,并且不依赖阈值条件,有效提高了该算法的适应性;同时,根据零速区间与非零速区间的持续时间判断运动状态是否改变,若发生改变则重新进行K-means聚类获取新运动状态的中心点。最后,在实际行人导航系统中对新提出的算法进行了实验验证,从计算量及行人导航精度等方面与步态特征提取的K均值聚类自适应判别算法(K-means clustering adaptive detection, KCA)、基于贝叶斯的自适应阈值零速检测算法(bayesian adaptive threshold detection, BAT)进行了对比分析。结果表明,本文提出的基于改进K-means聚类的零速检测算法不仅有效的减小了计算时间,而且具有较高的导航精度和导航稳定性。

GRU-DNN改进的行人导航零速检测方法

针对行人导航中基于固定阈值的传统零速检测器,无法在不同运动模式下准确地检测出脚部零速区间的问题,提出了将门控循环单元和全连接网络相结合(GRU-DNN)的改进零速检测模型。首先,分析了步态周期中的脚部运动特征,并搭建改进零速检测模型结构;其次,在微惯性测量单元惯导系统误差方程的基础上,结合零速修正构建了对应的卡尔曼滤波模型,在不同运动类型下使用最佳传统检测器的输出标签训练模型;最后,使用多个实验对象的运动数据验证模型的性能。实验结果表明,该模型能够在不同运动模式下准确识别出零速区间,相较于基于固定阈值的传统检测器,改进检测模型的平均定位误差降低了32.1%,在一些事先未定义运动类型中也具有较好的适应能力。

惯性行人导航零速区间检测的非线性空间K-means聚类算法

惯性行人导航系统中,零速区间检测的准确性直接关系着基于零速修正(ZUPT)的行人导航精度。为此,设计了一种基于非线性空间映射与K-means聚类算法结合的零速区间检测算法。通过经典零速区间检测算法广义似然比检测(GLRT)确定初始零速区间;选取零速区间与非零速区间交界处的加速度数据,将合加速度幅值作为变量,映射到设计的非线性空间中,放大数据差异;利用K-means聚类算法对映射后的数据进行聚类,经过去噪声处理后确定出更精准的零速区间;通过惯性行人导航系统实验验证非线性空间K-means聚类零速区间检测算法的有效性。实验表明,所提出的惯性行人导航零速区间检测的非线性空间K-means聚类算法相比于GLRT算法和基于K-means聚类的零速区间检测算法,定位精度显著提高,并在匀速行走、变速行走和长距离长航时行走3种运动模式下进行了实验验证;相比基于K-means聚类的零速区间检测算法,减小了计算量。所提算法能够自适应不同的运动状态,无需随时调整阈值,且理论上可以优化任意传统零速区间检测算法,具有良好的工程应用价值。

基于加速度量测幅值零速检测的计步算法研究

准确的步数统计是进行人员航位推算的关键,通过分析行人运动模型及步行姿态,设计了一种基于零速检测的加速度量测幅值计步算法,实现了载体坐标系和行人地理坐标系的转换,剔除了伪零速现象,在室内模拟环境下采用低成本的微机电机械系统(micro electro mechanical system,MEMS)惯性测量元件对人员行走进行检测,实现了行人运动姿态的有效识别和步数的精确统计。实验结果表明,该计步方法准确性高,对不同的运动环境(走廊、拐角和楼梯)具有良好的适应性,计步正确率均达到98%以上,并且所用的测量元件功耗低,便于携带,适合室内复杂环境。

基于惯性测量单元/轮速融合的车辆零速检测方法

仅依赖惯性测量单元(IMU)的零速检测器存在动态中零速误判的情况,从而导致误修正等问题。为在车载组合导航中解决上述问题,提出了基于广义似然比检验的IMU/轮速融合零速检测方法,并进行了试验验证。试验结果表明,相比于仅依赖IMU的零速检测器或仅依赖轮速的零速检测器,基于IMU/轮速融合的零速检测器减少了动态中的误判情况,提升了零速检测的准确性。

一种优化的零速检测行人导航算法

针对军事上对单兵定位和民用领域为行人提供位置服务的需求,提出了足部固定MIMU的行人导航算法。利用人体行走过程中脚部与地面相接触的静止时间段,采用零速更新(Zero Velocity Update,ZVU)对INS继续对准或标定,而零速检测又是实现零速修正的基础。研究对比了在足部固定MIMU进行零速检测的常用方法,针对常用算法阈值自适应性差,无法检测步速变化转弯等一些异常情况对行人零速检测产生误判等问题,提出优化的零速判断算法,使得加速度计信号和陀螺仪信号综合应用到零速检测。最后,利用改进算法设计行人室内平地正常行走(大约5km/h)包含步速变化和转弯过程的实验。实验结果表明,优化的零速检测算法相比之前的常用算法,能更准确地检测零速并进行修正,对导航轨迹和导航误差有更好的修正效果。

航向误差非线性预测的惯性行人导航零速修正算法

针对基于零速修正(zero velocity update,ZUPT)的行人导航算法无法对航向角进行观测导致航向角发散的问题,设计了一种基于ZUPT、零角速率修正和航向角误差非线性预测校正的惯性行人导航算法。首先通过广义似然比检测(generalized likelihood ratio test,GLRT)算法确定出零速区间;在检测到的零速区间内利用ZUPT算法构造速度误差观测量、利用零角速率修正(zero angular rate update,ZARU)算法构造角速率误差观测量,通过零速区间航向角误差观测模块构造航向角误差观测量,在非零速区间对航向角误差进行非线性预测;再利用卡尔曼滤波对零速区间内的速度、角速率、位置和航向角误差进行估计,利用估计误差对惯性行人导航系统进行误差修正;通过实际行人导航系统验证,在复杂运动状态下导航轨迹误差平均值仅为0.43 m,只占总路程的0.35%。在长航时行走的情况下导航误差仅为1.25%里程。所提算法无需增设其他传感器,无需限制行人的运动轨迹,具有良好的工程应用价值。