CN108132053A - 一种行人轨迹构建方法、***及惯性测量装置 - Google Patents
一种行人轨迹构建方法、***及惯性测量装置 Download PDFInfo
- Publication number
- CN108132053A CN108132053A CN201711187198.9A CN201711187198A CN108132053A CN 108132053 A CN108132053 A CN 108132053A CN 201711187198 A CN201711187198 A CN 201711187198A CN 108132053 A CN108132053 A CN 108132053A
- Authority
- CN
- China
- Prior art keywords
- data
- measurement data
- sensor
- mini
- mini inertial
- 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.)
- Granted
Links
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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
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
本发明涉及一种行人轨迹构建方法,包括在惯性测量装置中线性排列多个微型惯性传感器,通过多个微型惯性传感器采集用户行走时的测量数据;根据特征设置特征阈值对所述测量数据进行预处理,将所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合;根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;对融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据零速间隔和行走方向确定行人轨迹。本发明不需要其他导航***或者传感器辅助,仅利用多个解算出相对单个同品质传感器高精度的轨迹,在提高产品质量的前提下,大大降低了产品的成本。本发明还提供一种行人轨迹构建***及惯性测量装置。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种行人轨迹构建方法、***及惯性测量装置。
背景技术
现代导航技术为当今社会的人们提供了诸多便捷,而捷联式惯性导航***(INS)作为现代导航***的关键技术,随着可穿戴智能传感器推广及导航技术的成熟,INS开始朝着微小化方向发展,其中惯性传感器单元(IMU)微小化更是成为了全球该领域研究人员的首要目标。然而,IMU微小化技术在发展过程中存在着不足,即随着传感元件尺寸的减小,其感知灵敏度不断降低,同时扰动噪声也逐步增加,造成INS的控制鲁棒性降低。
通常来说,一个IMU包含了三个单轴加速度计和三个单轴陀螺仪,加速度计检测载体坐标系下三轴方向的加速度信号,陀螺仪检测载体相对于导航坐标系的角速度信号,通过所获得的物体角速度及加速度信息,可以解算出物体在三维空间中姿态情况。然而IMU微小化会不可避免地造成陀螺仪出现零速偏移,从而限制了配备微型传感器的惯性测量装置的性能,使得根据IMU构建的轨迹还有很大的漂移误差。
因此IMU常常需要配合其他导航***或者结合其他类型传感器信息才能完成长期噪声的抑制和消除,以此提升轨迹构建精度。但是其他***以及传感器信息的介入,必然致使IMU***构造繁杂冗余,成本造价和数据运算效率会不断提高。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种行人轨迹构建方法、***及惯性测量装置。
本发明解决上述技术问题的技术方案如下:一种行人轨迹构建方法,包括:
在惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;
通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据;
根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;
将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;
根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;
对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
本发明解决上述技术问题的另一技术方案如下:一种行人轨迹构建***,应用于惯性测量装置,惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据,所述***包括:
预处理模块,用于根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;
数据融合模块,用于将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;
姿态角计算模块,用于根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;
轨迹复现模块,用于对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
本发明解决上述技术问题的另一技术方案如下:一种惯性测量装置,包括线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;还包括上述技术方案所述的行人轨迹构建***。
本发明的有益效果是:本发明针对解决传感器微小化过程中面临的测量数据漂移问题,设计出线性配置多个微型惯性传感器,且微型惯性传感器可以采用低精度产品,本发明通过设定特征阈值,利用行人行走动作的特性阈值检测出数据同步点,剔除非同步段冗余数据,进行数据时序序列对齐,保证数据走势曲线反映同一时刻动作,再利用最大反比例数据融合算法进行数据融合,使得多惯性传感器的数据融合后接近真实值。本发明不需要其他导航***或者传感器辅助,仅利用多个IMU解算出相对单个同品质传感器高精度的轨迹,且可以获得与高精度、高成本惯性传感器相似的结果,在提高产品质量的前提下,大大降低了产品的成本。
附图说明
图1为本发明一施例提供的行人轨迹构建方法的示意性流程图;
图2是本发明实施例1中线性配置三个低精度MPU6050及高精度MTi3惯性传感器示意图;
图3是本发明实施例1基于多IMU的行人轨迹构建方法流程图;
图4是本发明实施例1基于最大反比例数据融合算法的多传感器行人轨迹推算示意图;
图5是本发明实施例1中三个微型惯性传感器原始数据未对齐之前的输出情况;
图6是本发明实施例1中三个微型惯性传感器数据预处理完成后时间序列对齐效果图;
图7是本发明实施案例1的各低精度传感器与融合算法x轴角速度的对比图;
图8是本发明实施案例1的各低精度传感器与融合算法y轴角速度的对比图;
图9是本发明实施案例1的各低精度传感器与融合算法z轴角速度的对比图;
图10是本发明实施案例1的各低精度传感器与融合算法x轴加速度的对比图;
图11是本发明实施案例1的各低精度传感器与融合算法y轴加速度的对比图;
图12是本发明实施案例1的各低精度传感器与融合算法z轴加速度的对比图;
图13是本发明实施案例1的各低精度传感器与融合算法解算横滚角的对比图;
图14是本发明实施案例1的各低精度传感器与融合算法解算俯仰角的对比图;
图15是本发明实施案例1的各低精度传感器与融合算法解算航向角的对比图;
图16是本发明实施案例1的低精度传感器1解算轨迹与真实轨迹的对比图;
图17是本发明实施案例1的低精度传感器2解算轨迹与真实轨迹的对比图;
图18是本发明实施案例1的低精度传感器3解算轨迹与真实轨迹的对比图;
图19是本发明实施案例1的融合算法解算轨迹与真实轨迹的对比图;
图20是本发明实施案例1的高精度传感器解算轨迹与真实轨迹的对比图;
图21是本发明实施案例1的各种轨迹的对比图;
图22为本发明一施例提供的行人轨迹构建***的示意性结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1给出了本发明实施例提供的一种行人轨迹构建方法的示意性流程图。如图1所示,该方法包括:
S1,在惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;
S2,通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据;
S3,根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;
S4将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;
S5,根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;
S6,对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
该实施例中,针对IMU***需要结合其他传感器去噪问题,本发明实施例提出只利用多个IMU的数据融合以提高室内轨迹构建精度的方法;针对陀螺仪漂移的问题,本发明提出最大反比例数据融合算法,有效去除陀螺仪零偏稳定性。
该实施例中,线性配置多个微型惯性传感器,且微型惯性传感器可以采用低精度产品,本发明通过设定特征阈值,利用行人行走动作的特性阈值检测出数据同步点,剔除非同步段冗余数据,进行数据时序序列对齐,保证数据走势曲线反映同一时刻动作,再利用最大反比例数据融合算法进行数据融合,使得多惯性传感器的数据融合后接近真实值。通过实验可以看到,利用本发明方法融合三个低精度、低成本的惯性传感器,可以获得与高精度、高成本惯性传感器相似的结果,在提高产品质量的前提下,大大降低了产品的成本。
可选地,作为本发明一实施例,步骤S3具体包括:
3.1,对于每个微型惯性传感器的测量数据按照时序顺序依次判断测量数据是否大于特征阈值T,若所述测量数据小于特征阈值T,则将数据剔除,继续判断;若所述测量数据大于时间阈值T,则终止判断,将该测量数据对应的时间点记为起始点;
3.2将所有微型惯性传感器测量数据的起始点对齐,实现对齐时间轴时序系列。
需要说明的是,由于采样时间起始和终止位置不同,会造成数据量长短不一,如图5所示,在时间序列不一致的情况下若直接将原始数据进行融合再解算姿态角进行对比,数据走势曲线就不能反应同一时刻动作,轨迹重构时更无法将同一时间点位置进行融合,所以需要对测量的原始测量数据进行预处理。
在行走过程摆动相初始阶段,由于行人行进方向俯仰角会产生突变。因此,该实施例基于突变俯仰角设置特征阈值T,通过判断测量数据是否大于特征阈值T,将起始时间段测量数据小于特征阈值T的测量数据剔除,从而来找到起始点,实现对齐时间轴时序系列。
该实施例通过对齐时间轴时序系列,保证数据走势曲线反应同一时刻动作,轨迹重构时将同一时间点的测量数据进行精准融合。
可选地,特征阈值T的取值可以为-100。
除了上述确定起始点的方法,还可以预先粗略判断起始点。具体通过以下方式进行判断。
考虑到行人行走动作动态特征,根据公式(1)对行人行走动作进行摆动相和支撑相的步态周期划分,0为摆动相,1为支撑相。
其中,T(zn)表示窗口zn内的检测统计量,是一个描述步态特征的无量纲特征值,δa,δw分别为加速度计和陀螺仪的噪声方差,分别为加速度和陀螺仪的测量值,分别为窗口内加速度计和陀螺仪的采样数据均值,g为当地的重力加速度,n为该采样点时刻,取W=3,η=0.3×105。
若T(zn)>η,则判定行人处于摆动相,标定0;
若T(zn)<η,则判定行人处于支撑相,标定1。
对所有微型惯性传感器的测量数据进行摆动相和支撑相的步态周期划分,摆动相记为0,支撑相记为1;
分别提取每个微型惯性传感器的测量数据中第一个标定为1的点,记为粗略起始点;根据粗略起始点可以大概预测起始点的位置。
可选地,作为本发明一个实施例,步骤S4具体包括:
S4.1,根据已对齐时间轴时序系列的所有微型惯性传感器的测量数据,分别求取每个微型惯性传感器m个连续采样的平均值
具体地,计算出每个微型惯性传感器进行m个连续采样的平均值
其中,ri,j表示线性配置的第i个传感器中第j个采样数据。
S4.2,根据每个微型惯性传感器m个连续采样的平均值确定每个微型惯性传感器的标准差σi。
具体地,根据如下公式计算标准差:
S4.3,根据所述标准差利用权重的总和有等价统一性原则得出每个微型惯性传感器的权重。
具体地,根据权重的总和具有等价统一性原则,得到第i个传感器的m+1个采样的权重公式:
传感器权重ωi,m+1(i=1,2…n)表示第i个传感器的m+1个采样的权重,这些权重遵循关于m个采样信号标准差的反比例原则:即标准差越大误差越大,此传感器数据所占的权重就越小,说明发生漂移;标准差越小误差越小,此传感器数据所占的权重就越大,说明数据越接近真值。
根据权重的统一性原则计算出第i个传感器的m+1个采样数据的权重ωi,m+1:
其中,n为微型惯性传感器个数,σi为每个微型惯性传感器的标准差,σk为当前k个微型惯性传感器的标准差。
S4.4,将所有微型惯性传感器的测量数据进行加权平均,得到融合数据。具体地,根据m+1个采样的权重ωi,m+1得到公式(6),传感器输出fm+1为:
其中ri,m+1表示第i个传感器的第m+1个采样,综上,输出fm+1整理为:
其中,传感器输出fm+1即为融合数据。
从本发明基于电信领域处理信号的最大定量法提出了最大反比例数据融合算法:根据m个连续采样的标准差,给线性配置的多传感器一个反比例权重,标准差越大则权重越小,使得多惯性传感器的数据融合后接近真实值。统计学的角度来看,每一个传感器对数据的测量都是相互独立且互不干扰的,那么通过最大反比例算法的微积分运算进行数据融合时,同一时刻不同传感器的权重将会根据此时刻数据的标准差而变化,不同时刻同一传感器的权重也不是定值,所以一定存在一个描述传感器最佳取值变量的函数,即数据融合曲线,其函数曲线将无限接近真值曲线。
可选地,作为本发明一个实施例,步骤S5可以采用以下方式实现:
步骤5.1:首先进行姿态角(φ(t0)=φ0,θ(t0)=θ0,ψ(t0)=ψ0)的初始化过程,也是姿态四元数的初始化:
其中表示t0时刻横滚角,θ0表示t0时刻俯仰角,ψ0表示t0时刻航向角,q0(t0),q1(t0),q2(t0),q3(t0)表示t0时刻四元数。
步骤5.2:建立描述相对产品样机用户和大地坐标系角度变化的泊松四元方程:
其中qi(i=0,1,2,3)表示四元数,ωx,ωy,ωz表示三轴陀螺仪测定的姿态***角速度,由IMU中陀螺仪读取;
步骤5.3:使用Wilcox数值积分法,由过去值(tn时刻)得到Q的当前值(rn+1时刻),完成四元数的更新:
其中qi(i=0,1,2,3)表示四元数,Δφx(tn)为tn时刻x轴姿态角增量,Δφy(tn)为tn时刻y轴姿态角增量,Δφz(tn)为tn时刻z轴姿态角增量,Cm和Sm为m阶Wilcox数值积分法得到系数,详见表1;
步骤5.4:建立如下的有效换相方程:
其中ωx,ωy,ωz在一个积分步长(Δt=tn+1-tn)下数值恒定;
步骤5.5:计算横滚角、俯仰角和航向角的增量Δφ(tn):
步骤5.6:由表示三轴陀螺仪测定的姿态***角速度ωx,ωy,ωz建立矩阵:
其中ωx,ωy,ωz表示三轴陀螺仪测定的姿态***角速度,由IMU中陀螺仪读取;
步骤5.7:计算四元数系数Cm和Sm
(1)根据m阶Wilcox数值积分法得到系数Cm和Sm,如表1所示:
表1.m阶数值积分法系数
m | Cm | Sm |
1 | 1 | 1/2 |
2 | 1-φ0 2/8 | 1/2 |
3 | 1-φ0 2/8 | 1/2-φ0 2/48 |
4 | 1-φ0 2/8+φ0 4/384 | 1/2-φ0 2/48 |
5 | 1-φ0 2/8+φ0 4/384 | 1/2-φ0 2/48+φ0 4/3840 |
6 | 1-φ0 2/8+φ0 4/384-φ0 6/46080 | 1/2-φ0 2/48+φ0 4/3840 |
(2)由Δt时间内总的角增量φ0确定系数Cm和Sm:
其中Δφx(tn)为tn时刻x轴姿态角增量,Δφy(tn)为tn时刻y轴姿态角增量,Δφz(tn)为tn时刻z轴姿态角增量;
步骤5.8:计算四元参数的当前姿态值:
步骤5.9:随后,要解决每一个积分步长中的数值截断问题,因为数值截断会使姿态四元数不能正交化,非正交化就不能将相对于大地坐标系的数据计算出正确姿态角,所以要对四元参数当前姿态值进行标准化后正交,也就相当于对所得四元参数当前姿态值的一个再处理:
其中qiortho(i=0,1,2,3)表示tn+1时刻标准正交化的四元数,qi(i=0,1,2,3)表示tn+1时刻的四元数,Q(tn+1)表示tn+1时刻泊松矩阵;
步骤5.10:对当前姿态四元参数进行规范正交:
步骤5.11:基于姿态四元数和大地坐标间的旋转矩阵等价性,我们可以根据每个时刻更新之后的四元数计算出矩阵元素的当前值,相当于最后解算姿态角的一个中间量:
步骤5.12:将步骤5.11的中间量看做姿态角(yaw-ψ,pitch-θ,)的函数:
步骤5.13:利用中间量结合矩阵元素当前值的解析表达式算出横滚角、俯仰角和航向角:
可选地,作为本发明一个实施例,步骤S6可通过以下方式实现:通过零速检测得到行人在行走过程中,脚部与地面接触时静止的短暂瞬间,即零速间隔,推算间隔间距,再由姿态角确定行走方向,从而确定轨迹。
S6.1:读取摆动相与支撑相标定0和1;
S6.2:重复步骤4.1至步骤4.4,计算利用最大反比例数据融合算法修正后的三轴加速度accX accY accZ;
S6.3:计算相邻零速间隔点之间走过的距离:
其中f代表导航系下三个方向的加速度大小(f(x),f(y),f(z)),其中代表姿态转换矩阵,可以将载体系下的数据转换到导航系下,Vk-1代表k-1时刻速度,Vk代表当前k时刻速度,sk-1代表k-1时刻位移,sk代表当前k时刻位移。
S6.4:由陀螺仪解算出姿态角(yaw-ψ,pitch-θ,),通过方向校正用户的行走轨迹。
实施案例1:
下面结合图2至图21对实施案例1进行详细阐述。
如图2所示,本发明该实施例中,针对解决传感器微小化过程中面临的测量数据漂移问题,设计出线性配置三个低精度MPU6050的产品样机,将三个惯性传感器线性排列,要求三个传感器X、Y、Z三轴分别平行对齐,以便速度和方向增量、自由加速度和方向输出使用大地坐标系,即测量时尽量满足东-北-天(ENU)基准坐标系。实际测量时用户将产品样机的瓦楞硬纸板固定在脚下,保持鞋底与纸板平行,用户行走前进方向即传感器Y轴方向,分别正交于X、Z轴。另外,我们还使用了一个高精度MTi3惯性传感器,作为实验对比。通过实验可以看到,利用我们的方法融合三个低精度、低成本的IMU,可以获得与高精度、高成本相似的结果。
用户应用本发明样机在室内从(0,0)位置开始出发,向西行进4米,然后向南转向90°并行进37米,之后再向西转90°后行进四米,到达(-8,-37)点后结束行程。实测数据选用了1134组试验测量数据对本发明进行仿真计算,本次实验中,时间步长为0.1s,选取X轴加速度数据见表2:
表2 案例1测量数据和真实数据
如图3、图4所示,按具体实施方式的步骤1至步骤6依次进行数据预处理、最大反比例算法数据融合、四阶龙格库塔法解算姿态角、零速检测推算行人轨迹。
需要说明的是,由于采样时间起始和终止位置不同,会造成数据量长短不一,如图5所示,在时间序列不一致的情况下若直接将原始数据进行融合再解算姿态角进行对比,数据走势曲线就不能反应同一时刻动作,轨迹重构时更无法将同一时间点位置进行融合,所以需要对测量的原始测量数据进行预处理。完成数据预处理后效果如图6所示。
该实施例实现利用低精度传感器接近高精度传感器的去噪效果,最终数据融合去噪效果见附图7-附图20。
附图7-附图12为融合算法效果图。其中图7、图8、图9分别表示了X、Y、Z三轴角速度融合数据与单传感器数据对比,图10、图11、图12分别表示了X、Y、Z三轴加速度数据与单传感器数据对比,可以看出,数据融合之后大体保留了三个单独MPU6050传感器所原有的趋势,对于偏差较大的漂移值按权重进行了有效处理,在同一时刻对偏差较大的传感器数据采用很小权重,大体保留相近传感器的数据趋势,提高了数据置信度。
附图13、附图14、附图15分别表示了融合算法与MPU6050和MTi-3传感器横向对比的横滚角、俯仰角以及航向角,可以明显看出,融合算法结算出来的姿态角从不同程度上相较于MPU6050更接近MTi-3传感器所结算出的姿态角,尤其是横滚角和航向角的曲线基本达到完全跟随,俯仰角误差也控制在0.3度左右,最大偏差不超过0.5度。
所以,实施案例1可以由融合数据与MPU6050姿态数据的对比证明本发明提出的基于最大反比例法融合算法合理可靠;再由融合算法、MPU6050、MTi-3姿态角对比可以得出,融合算法相较于单一MPU6050,解算出的姿态角精度更高,相较于MTi-3传感器的姿态角曲线,基本可以实现完全跟随,达到提高精度同时去噪声的目的;综上,易证明本发明的基于多惯性传感器融合的行人轨迹姿态角构建方法合理可行。
附图16-附图21为各传感器轨迹复现图。其中,红色星线为各个传感器及融合算法的轨迹重构,黑色实线为行人使用产品样机行走轨迹真实值曲线,从图16、图17中可知,MPU6050-1和MPU6050-2传感器重构出来的轨迹除最初向西行进4米外大体符合实际行进路线,其余均产生很大程度的漂移;从图18中可知,MPU6050-3传感器重构轨迹围绕真实行进路线小幅漂移,但最终向西转90°并行进四米结束行程时漂移严重;从图19中不仅可以看出,融合算法重构出的轨迹相较于每一个MPU6050传感器都更加接近于真实值,但也不可避免的存在极小幅度位置估算偏差;还可以看出融合算法一定程度上基于MPU6050-3的轨迹进行修正,也从侧面说明了融合算法对偏差较小的部分赋予较大的权重,进一步验证本发明融合算法正确性;从图20中可知,MTi-3传感器重构轨迹则基本与真实值相同,其精度足够作为本实验对照组。
从附图21中显而易见,即便MPU6050-3相对于其他单一传感器更接近于真实值,但其在行人使用产品样机结束行走动作后仍产生将近5米的位置漂移,数据融合算法则相较于MPU6050-3能更加有效地重构出真实的轨迹,即数据融合算法具有提高精度的作用;此外,还可以看出采用数据融合算法能极大程度地接近高精度传感器重构轨迹技术水平,从而验证了数据融合算法可以提高精度。
综上,实施案例1不仅从姿态角推算和轨迹复现两个方面证明出基于多惯性传感器融合的行人轨迹姿态角构建方法合理可行,还能得出最大反比例数据融合算法具有提高精度及去噪的作用;实施案例1也显然证明了本发明数据预处理方法的创新性与正确性及不可或缺性。同理,本发明的算法确实具有创新性和实用性,产品样机模型也具有一定的研究意义和工程应用价值。
上文结合图1至图21,详细描述了根据本发明实施例提供行人轨迹构建方法。下面结合图22,详细描述本发明实施例提供行人轨迹构建***。
图22给出了本发明实施例提供的一种行人轨迹构建***的示意性结构框图。如图22所示,该***应用于惯性测量装置,惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据,所述***包括:预处理模块220、数据融合模块221、姿态角计算模块222和轨迹复现模块223.
预处理模块220根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;数据融合模块221将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;姿态角计算模块222根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;轨迹复现模块223对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
该实施例中,线性配置多个微型惯性传感器,且微型惯性传感器可以采用低精度产品,本发明通过设定特征阈值,利用行人行走动作的特性阈值检测出数据同步点,剔除非同步段冗余数据,进行数据时序序列对齐,保证数据走势曲线反映同一时刻动作,再利用最大反比例数据融合算法进行数据融合,使得多惯性传感器的数据融合后接近真实值。通过实验可以看到,利用本发明方法融合三个低精度、低成本的惯性传感器,可以获得与高精度、高成本惯性传感器相似的结果,在提高产品质量的前提下,大大降低了产品的成本。
本发明实施例还提供一种惯性测量装置,包括线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;还包括上述技术方案所述的行人轨迹构建***。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种行人轨迹构建方法,其特征在于,包括:
在惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;
通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据;
根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;
将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;
根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;
对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
2.根据权利要求1所述的方法,其特征在于,所述根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列包括:
对于每个微型惯性传感器的测量数据按照时序顺序依次判断测量数据是否大于特征阈值T,若所述测量数据小于特征阈值T,则将数据剔除,继续判断;若所述测量数据大于时间阈值T,则终止判断,将该测量数据对应的时间点记为起始点;
将所有微型惯性传感器测量数据的起始点对齐,实现对齐时间轴时序系列。
3.根据权利要求2所述的方法,其特征在于,根据行人行走动态特征设置特征阈值T取值为-100。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据包括:
根据已对齐时间轴时序系列的所有微型惯性传感器的测量数据,分别求取每个微型惯性传感器m个连续采样的平均值
根据每个微型惯性传感器m个连续采样的平均值确定每个微型惯性传感器的标准差σi;
根据所述标准差利用权重的总和有等价统一性原则得出每个微型惯性传感器的权重;
将所有微型惯性传感器的测量数据进行加权平均,得到融合数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述标准差利用权重的总和有等价统一性原则得出样本权重包括:
根据权重的总和具有等价统一性原则,得到第i个传感器的m+1个采样的权重公式:
σ1·ω1,m+1=σ2·ω2,m+1=...=σn·ωn,m+1
传感器权重ωi,m+1(i=1,2n)表示第i个传感器的m+1个采样的权重,这些权重遵循关于m个采样信号标准差的反比例原则:即标准差越大误差越大,此传感器数据所占的权重就越小,说明发生漂移;标准差越小误差越小,此传感器数据所占的权重就越大,说明数据越接近真值;
根据权重的总和具有等价统一性原则计算出第i个传感器的m+1个采样数据的权重ωi,m+1:
其中,n为微型惯性传感器的个数;
所述将所有微型惯性传感器的测量数据进行加权平均,得到融合数据包括:
根据m+1个采样数据的权重ωim+1得到传感器输出fm+1为:
其中,ri,m+1表示第i个传感器的第m+1个采样;
传感器输出fm+1整理为:
6.一种行人轨迹构建***,其特征在于,应用于惯性测量装置,惯性测量装置中线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;通过所述多个微型惯性传感器IMU采集佩戴所述惯性测量装置的用户行走时的测量数据,所述***包括:
预处理模块,用于根据行人行走动作的特征设置特征阈值对所述测量数据进行预处理,剔除非同步段冗余数据,对齐时间轴时序系列;
数据融合模块,用于将已对齐时间轴时序系列的所有微型惯性传感器的测量数据按照最大反比例算法进行数据融合,得到融合数据;
姿态角计算模块,用于根据四阶龙格塔法对所述融合数据进行处理,得到姿态角;
轨迹复现模块,用于对所述融合数据进行零速检测获取零速间隔,根据所述姿态角确定行走方向,根据所述零速间隔和行走方向确定行人轨迹。
7.根据权利要求6所述的***,其特征在于,所述预处理模块具体用于对于每个微型惯性传感器的测量数据按照时序顺序依次判断测量数据是否大于特征阈值T,若所述测量数据小于特征阈值T,则将数据剔除,继续判断;若所述测量数据大于时间阈值T,则终止判断,将该测量数据对应的时间点记为起始点;
将所有微型惯性传感器测量数据的起始点对齐,实现对齐时间轴时序系列。
8.根据权利要求7所述的***,其特征在于,根据行人行走动态特征设置特征阈值T取值为-100。
9.根据权利要求6-8任一项所述的***,其特征在于,所述数据融合模块具体用于:
根据已对齐时间轴时序系列的所有微型惯性传感器的测量数据,分别求取每个微型惯性传感器m个连续采样的平均值
根据每个微型惯性传感器m个连续采样的平均值确定每个微型惯性传感器的标准差σim;
根据所述标准差利用权重的总和有等价统一性原则得出每个微型惯性传感器的权重;
将所有微型惯性传感器的测量数据进行加权平均,得到融合数据。
10.一种惯性测量装置,其特征在于,包括线性排列多个微型惯性传感器IMU,所述多个微型惯性传感器IMU的X、Y、Z三轴分别一致;还包括权利要求6-9任一项所述的行人轨迹构建***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187198.9A CN108132053B (zh) | 2017-11-24 | 2017-11-24 | 一种行人轨迹构建方法、***及惯性测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187198.9A CN108132053B (zh) | 2017-11-24 | 2017-11-24 | 一种行人轨迹构建方法、***及惯性测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108132053A true CN108132053A (zh) | 2018-06-08 |
CN108132053B CN108132053B (zh) | 2020-01-07 |
Family
ID=62388841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711187198.9A Active CN108132053B (zh) | 2017-11-24 | 2017-11-24 | 一种行人轨迹构建方法、***及惯性测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108132053B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109282808A (zh) * | 2018-11-23 | 2019-01-29 | 重庆交通大学 | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN111474938A (zh) * | 2020-04-30 | 2020-07-31 | 内蒙古工业大学 | 一种惯性导航自动导引小车及其航迹确定方法 |
CN111537950A (zh) * | 2020-04-14 | 2020-08-14 | 哈尔滨工业大学 | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
CN112051569A (zh) * | 2020-09-10 | 2020-12-08 | 北京润科通用技术有限公司 | 雷达目标跟踪速度修正方法及装置 |
CN112720503A (zh) * | 2021-01-12 | 2021-04-30 | 深圳康诺思腾科技有限公司 | 一种机器人设备及其控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023010A (zh) * | 2010-10-26 | 2011-04-20 | 西安理工大学 | 基于mems的小波域多传感器信息融合***及融合方法 |
CN103776446A (zh) * | 2013-10-29 | 2014-05-07 | 哈尔滨工程大学 | 一种基于双mems-imu的行人自主导航解算算法 |
CN105758401A (zh) * | 2016-05-14 | 2016-07-13 | 中卫物联成都科技有限公司 | 一种基于多源信息融合的组合导航方法和设备 |
WO2017004544A1 (en) * | 2015-07-01 | 2017-01-05 | Solitonreach, Inc. | Systems and methods for three dimensional control of mobile applications |
-
2017
- 2017-11-24 CN CN201711187198.9A patent/CN108132053B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023010A (zh) * | 2010-10-26 | 2011-04-20 | 西安理工大学 | 基于mems的小波域多传感器信息融合***及融合方法 |
CN103776446A (zh) * | 2013-10-29 | 2014-05-07 | 哈尔滨工程大学 | 一种基于双mems-imu的行人自主导航解算算法 |
WO2017004544A1 (en) * | 2015-07-01 | 2017-01-05 | Solitonreach, Inc. | Systems and methods for three dimensional control of mobile applications |
CN105758401A (zh) * | 2016-05-14 | 2016-07-13 | 中卫物联成都科技有限公司 | 一种基于多源信息融合的组合导航方法和设备 |
Non-Patent Citations (3)
Title |
---|
张金艺等: "9轴MEMS_IMU实时姿态估算算法", 《上海大学学报(自然科学版)》 * |
李玉洁等: "余度IMU精度分析与数据融合方法改进", 《***仿真技术》 * |
王玲玲等: "基于低成本IMU的捷联航姿***软件设计与实现", 《中国惯性技术学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109282808A (zh) * | 2018-11-23 | 2019-01-29 | 重庆交通大学 | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 |
CN109282808B (zh) * | 2018-11-23 | 2021-05-04 | 重庆交通大学 | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN110458033B (zh) * | 2019-07-17 | 2023-01-03 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN111537950A (zh) * | 2020-04-14 | 2020-08-14 | 哈尔滨工业大学 | 一种基于位置指纹和二步多项式拟合的卫星位置预测跟踪方法 |
CN111474938A (zh) * | 2020-04-30 | 2020-07-31 | 内蒙古工业大学 | 一种惯性导航自动导引小车及其航迹确定方法 |
CN112051569A (zh) * | 2020-09-10 | 2020-12-08 | 北京润科通用技术有限公司 | 雷达目标跟踪速度修正方法及装置 |
CN112051569B (zh) * | 2020-09-10 | 2024-04-05 | 北京经纬恒润科技股份有限公司 | 雷达目标跟踪速度修正方法及装置 |
CN112720503A (zh) * | 2021-01-12 | 2021-04-30 | 深圳康诺思腾科技有限公司 | 一种机器人设备及其控制方法 |
WO2022151816A1 (zh) * | 2021-01-12 | 2022-07-21 | 深圳康诺思腾科技有限公司 | 一种机器人设备及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108132053B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108132053A (zh) | 一种行人轨迹构建方法、***及惯性测量装置 | |
CN105300379B (zh) | 一种基于加速度的卡尔曼滤波姿态估计方法及*** | |
US10267646B2 (en) | Method and system for varying step length estimation using nonlinear system identification | |
CN110146077A (zh) | 移动机器人姿态角解算方法 | |
CN109991636A (zh) | 基于gps、imu以及双目视觉的地图构建方法及*** | |
CN103363991B (zh) | 一种适应月面崎岖地形的imu与测距敏感器融合方法 | |
CN106153049A (zh) | 一种室内定位方法及装置 | |
CN109099913B (zh) | 一种基于mems惯性器件的穿戴式导航装置和方法 | |
CN106990426A (zh) | 一种导航方法和导航装置 | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN106168485A (zh) | 步行航迹数据推算方法及装置 | |
CN106949889A (zh) | 针对行人导航的低成本mems/gps组合导航***及方法 | |
CN103644910A (zh) | 基于分段rts平滑算法的个人自主导航***定位方法 | |
CN116147642B (zh) | 融合地形与力的四足机器人可达性地图构建方法及*** | |
Tjhai et al. | Step-size estimation using fusion of multiple wearable inertial sensors | |
CN103196445A (zh) | 基于匹配技术的地磁辅助惯性的载体姿态测量方法 | |
US20200141733A1 (en) | System to measure orientation and direction of a vehicle, usually an unmanned aerial system | |
CN110207692A (zh) | 一种地图辅助的惯性预积分行人导航方法 | |
CN105136166A (zh) | 一种指定惯导位置精度的捷联惯导误差模型仿真方法 | |
CN110672095A (zh) | 一种基于微惯导的行人室内自主定位算法 | |
CN112363196B (zh) | 车辆属性确定方法、装置、存储介质和电子设备 | |
Purnawarman et al. | The methodology for obtaining nonlinear and continuous three-dimensional topographic data using inertial and optical measuring instruments of unmanned ground systems | |
Dichev et al. | А Меаsuring Method for Gyro-Free Determination of the Parameters of Moving Objects | |
Pazychev et al. | Simulation of INS Errors of Various Accuracy Classes | |
CN109827572A (zh) | 一种检测车位置预测的方法及装置 |
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 |