CN110553643B - 一种基于神经网络的行人自适应零速更新点选取方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的行人自适应零速更新点选取方法，将卷积神经网络应用于零速更新点的选取方法中，能够自适应地选取不同行人不同运动状态的零速更新点，在选取精度上相对于现有零速更新点检测方法具有明显的进步。结合从神经网络挑选出的零速更新点与扩展卡尔曼滤波器，将零速更新与航迹推算运动模型相融合，可以显著抑制累积误差增长，同时使得行人惯性导航***的泛化性能大大提高，具备了商业使用的条件。

Description

一种基于神经网络的行人自适应零速更新点选取方法

技术领域

本发明属于行人惯性导航技术领域，具体涉及一种基于神经网络的行人自适应零速更新点选取方法的设计。

背景技术

目前，平台式惯性导航***由于其结构复杂、体积大、制作成本高、精度高的特点，多用于航空、大型轮船等领域。捷联式惯性导航***由于其结构简单、体积小、重量轻、易于携带的特点，多用于行人惯性导航***中。行人惯性导航***中，多采用惯性测量单元(Inertial Measurement Unit，IMU)。惯性测量单元由三轴加速度计和三轴陀螺仪组成，可以测量行人的步长和航向。然而，惯性测量单元中的加速度值和角速度值存在随机噪声和漂移问题，所以在将其用于惯性导航***时，会因为多次积分导致非常严重的累积误差。为了抑制增长，零速更新作为一种有效的方法被广泛采用。

零速更新的思想是，假设在行人行走过程中，任一侧脚掌接触地面到该侧脚掌再次接触地面的过程被称为一个步态周期。每个步态周期中，脚掌接触地面并作短暂停留的那一个小时间段，可以认为此时段脚的速度为零，结合扩展卡尔曼滤波可以得到速度误差状态向量，位置误差状态向量和姿态误差状态向量，并将得到的状态误差向量送入惯性导航***中去更新速度，位置及姿态角。随着行人的不断向前行走，而不断的循环解算更新下去。

为了能准确得到行人运动过程中的各种轨迹，零速更新阶段必须被准确的检测出来。在传统的固定阈值法中，固定阈值通常取加速度或者角速度的模值，或者取二者的加权模值和。当加速度或者角速度相对应的模值小于固定阈值，即认为所持续的那段时刻为零速更新时刻。然而，由于固定阈值的选取与不同行人的运动特征及行人的运动状态(正常速度行走，快速行走，跑步)密切相关，因此最佳的固定阈值是动态变化的，需要多次人为手动挑选，费时费力，严重限制了行人惯性导航***的商业推广。为了克服固定阈值带来的问题，有研究人员提出了一种动态阈值法，根据行人的不同速度来选择阈值。但动态阈值法通常给出的也是一个阈值范围，计算量大且并不准确，且不能解决实际问题。

发明内容

本发明的目的是为了解决采用现有的固定阈值法或动态阈值法对零速更新阶段的检测并不准确，存在较大的累积误差，且泛化性能较差的问题，提出了一种基于神经网络的行人自适应零速更新点选取方法。

本发明的技术方案为：一种基于神经网络的行人自适应零速更新点选取方法，其特征在于，包括以下步骤：

S1、采集不同行人在不同运动模式下的惯性导航数据。

S2、对采集到的惯性导航数据进行预处理，同时为预处理后的数据打上对应的标签，并根据预处理后的数据及其对应的标签得到训练数据集、验证数据集和测试数据集。

S3、将训练数据集输入到卷积神经网络中进行训练，得到基于卷积神经网络的行人自适应零速更新点选取模型，并采用验证数据集对行人自适应零速更新点选取模型进行验证。

S4、将测试数据集输入基于卷积神经网络的行人自适应零速更新点选取模型，得到行人零速更新点的选取结果。

进一步地，步骤S1中的运动模式包括正常速度行走、快速行走和跑步，惯性导航数据包括每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据。

进一步地，步骤S2包括以下分步骤：

S21、对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，得到标准化数据集。

S22、对每个采样时刻点三轴陀螺仪采集的角速度数据进行预处理，计算得到每个采样时刻点三轴陀螺仪数据的模值。

S23、根据每个采样时刻点三轴陀螺仪数据的模值，采用挑选算法为每个采样时刻点打上对应的标签。

S24、将标准化数据集中70％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为训练数据集，将标准化数据集中20％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为验证数据集，将标准化数据集中10％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据作为测试数据集。

进一步地，步骤S21具体为：

对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，标注化处理公式为：

其中x表示待标准化的角速度数据或加速度数据，z表示标准化后的角速度数据或加速度数据，mean(·)表示均值函数，std(·)表示标准差函数；

将标准化后每个采样时刻点的角速度数据和加速度数据共同构成标准化数据集。

进一步地，步骤S22中每个采样时刻点三轴陀螺仪数据的模值的计算公式为：

其中

表示三轴陀螺仪数据在第k个采样时刻点的模值，上标b表示向量在运载体坐标系中的测量值，

分别表示三轴陀螺仪在运载体b中对应x轴、y轴和z轴在第k个采样时刻点的角速度值。

进一步地，步骤S23包括以下分步骤：

S231、设置三轴陀螺仪最优固定阈值th_gyro。

S232、将三轴陀螺仪数据的模值小于最优固定阈值th_gyro的采样时刻点作为潜在零速更新点，并将潜在零速更新点用红色矩形框进行标记。

S233、根据三轴陀螺仪的数据模值图，记录行人放置IMU采集模块的脚落地时刻包含的零速更新点数量长度值L，并通过行人放置IMU采集模块的脚落地时刻包含的零速更新L的值，计算得到所有红色矩形框的平均长度L1。

S234、设置常数L2<L1，依次判断每个零速更新点的长度值L是否小于常数L2，若是则去除对应点红色矩形框标记，并将这些点判断为非零速更新点，将其标签设置为0，否则进入步骤S235。

S235、设置常数L3<L1且L3>L2，依次判断每个零速更新点的长度值L是否小于常数L3，若是则进入步骤S236，否则将对应红色矩形框中的潜在零速更新点设置为零速更新点，并将其对应的采样时刻点的标签设置为1。

S236、将对应红色矩形框中的潜在零速更新点设置为预警零速更新点，并用绿色矩形框进行标记。

S237、通过人工检查判断绿色矩形框中的预警零速更新点是否为零速更新点，若是则将其对应的采样时刻点的标签设置为1，否则将其对应的采样时刻点的标签设置为0。

进一步地，步骤S3包括以下分步骤：

S31、将训练数据集中的加速度数据和角速度数据分别进行低通滤波处理，去除随机噪声。

S32、将训练数据集中的加速度数据和角速度数据分别通过两个通道送入卷积神经网络的输入层。

S33、通过卷积神经网络的第一卷积层中的卷积核提取输入层中数据的特征。

S34、通过卷积神经网络的第一池化层对第一卷积层提取的特征数据进行降维。

S35、通过卷积神经网络的第二卷积层中的卷积核提取第一池化层降维后数据的特征。

S36、通过卷积神经网络的第二池化层对第二卷积层提取的特征数据进行降维。

S37、将第二池化层降维后的特征数据输入卷积神经网络的全连接层进行优化组合。

S38、将优化组合后的数据通过sigmoid激活函数得到卷积神经网络的输出，并将输出数据和对应的标签进行计算得到误差损失函数，利用误差损失函数进行反向传播来更新卷积神经网络的参数，直到训练数据集的准确率和验证数据集的准确率都满足要求，得到基于卷积神经网络的行人自适应零速更新点选取模型；

S39、将验证数据集的数据输入行人自适应零速更新点选取模型中，预测得到零速更新点1或者非零速更新点0，对行人自适应零速更新点选取模型进行验证。

本发明的有益效果是：本发明将卷积神经网络应用于零速更新点的选取方法中，能够自适应地选取不同行人不同运动状态的零速更新点，在选取精度上相对于现有零速更新点检测方法具有明显的进步。结合从神经网络挑选出的零速更新点与扩展卡尔曼滤波器，将零速更新与航迹推算运动模型相融合，可以显著抑制累积误差增长，同时使得行人惯性导航***的泛化性能大大提高，具备了商业使用的条件。

附图说明

图1所示为本发明实施例提供的一种基于神经网络的行人自适应零速更新点选取方法流程图。

图2所示为本发明实施例提供的对错误零速更新点的处理以及对数据标签的处理分析示意图。

图3所示为本发明实施例提供的卷积神经网络模型及其相关参数示意图。

图4为正常速度行走时固定阈值法和卷积神经网络法的实际测试累计误差分布曲线对比图。

图5为快速行走时固定阈值法和卷积神经网络法的实际测试累计误差分布曲线对比图。

图6为跑步时固定阈值法和卷积神经网络法的实际测试累计误差分布曲线对比图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于神经网络的行人自适应零速更新点选取方法，如图1所示，包括以下步骤S1～S4：

S1、采集不同行人在不同运动模式下的惯性导航数据。

本发明实施例中，采用的器件为新一代惯性测量单元NGIMU，其主要包括三轴陀螺仪和三轴加速度计，NGIMU被附着在行人的任何一只脚上，通过其中的三轴陀螺仪采集每个采样时刻点的角速度数据，通过其中的三轴加速度计采集每个采样时刻点的加速度数据。

本发明实施例中，行人的运动模式包括正常速度行走(0.4m/s～1.3m/s)、快速行走(1.3m/s～2.2m/s)和跑步(2.2m/s～3.2m/s)。

S2、对采集到的惯性导航数据进行预处理，同时为预处理后的数据打上对应的标签，并根据预处理后的数据及其对应的标签得到训练数据集、验证数据集和测试数据集。

步骤S2包括以下分步骤S21～S24：

S21、对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，得到标准化数据集。

本发明实施例中，考虑到加速度数据和角速度数据的量纲并不相同，为了更好的从原始数据中提取相应的特征，首先需要利用matlab中的z-score函数对加速度数据和角速度数据进行数据标准化处理，具体公式为：

其中x表示待标准化的角速度数据或加速度数据，z表示标准化后的角速度数据或加速度数据，mean(·)表示均值函数，std(·)表示标准差函数。

将标准化后每个采样时刻点的角速度数据和加速度数据共同构成标准化数据集。

S22、对每个采样时刻点三轴陀螺仪采集的角速度数据进行预处理，计算得到每个采样时刻点三轴陀螺仪数据的模值，计算公式为：

其中

表示三轴陀螺仪数据在第k个采样时刻点的模值，上标b表示向量在运载体坐标系中的测量值，

分别表示三轴陀螺仪在运载体b中对应x轴、y轴和z轴在第k个采样时刻点的角速度值。

S23、根据每个采样时刻点三轴陀螺仪数据的模值，采用挑选算法为每个采样时刻点打上对应的标签。

步骤S23包括以下分步骤S231～S237：

S231、设置三轴陀螺仪最优固定阈值th_gyro。

本发明实施例中，三轴陀螺仪最优固定阈值th_gyro是依据不同行人、不同运动姿态、不同运动状态需要，通过多次试验测试得到的。

S232、将三轴陀螺仪数据的模值小于最优固定阈值th_gyro的采样时刻点作为潜在零速更新点，并将潜在零速更新点用红色矩形框进行标记，如图2所示。

S233、根据三轴陀螺仪的数据模值图(图2)，记录行人放置IMU采集模块的脚落地时刻包含的零速更新点数量长度值L，并通过行人放置IMU采集模块的脚落地时刻包含的零速更新L的值，计算得到所有红色矩形框的平均长度L1。

S234、设置常数L2<L1(本发明实施例中L2为预设的一个非常小的常数)，依次判断每个零速更新点的长度值L是否小于常数L2，若是则去除对应点红色矩形框标记，并将这些点判断为非零速更新点，将其标签设置为0，否则进入步骤S235。

S235、设置常数L3<L1且L3>L2，依次判断每个零速更新点的长度值L是否小于常数L3，若是则进入步骤S236，否则将对应红色矩形框中的潜在零速更新点设置为零速更新点，并将其对应的采样时刻点的标签设置为1。

本发明实施例中，常数L2及L3的取值需要依据不同的实际行走轨迹绘制效果，多次测试进行选取。

S236、将对应红色矩形框中的潜在零速更新点设置为预警零速更新点，并用绿色矩形框进行标记，例如图2中30600附近的采样点。

S237、通过人工检查判断绿色矩形框中的预警零速更新点是否为零速更新点，若是则将其对应的采样时刻点的标签设置为1，否则将其对应的采样时刻点的标签设置为0。

S24、将标准化数据集中70％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为训练数据集，将标准化数据集中20％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为验证数据集，将标准化数据集中10％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据作为测试数据集。

本发明实施例中，训练数据集、验证数据集和测试数据集的数据必须是独立分布的，并且考虑到本发明的特殊性，训练数据集、验证数据集和测试数据集中必须均包含正常速度行走、快速行走和跑步三种数据，并尽量做到训练数据集、验证数据集和测试数据集中三种不同运动状态所包含的数据量相等。

S3、将训练数据集输入到卷积神经网络中进行训练，得到基于卷积神经网络的行人自适应零速更新点选取模型，并采用验证数据集对行人自适应零速更新点选取模型进行验证。

步骤S3包括以下分步骤S31～S38：

S31、将训练数据集中的加速度数据和角速度数据分别进行低通滤波处理，去除随机噪声。

S32、将训练数据集中的加速度数据和角速度数据分别通过两个通道送入卷积神经网络的输入层。

本发明实施例中，卷积神经网络的模型如图3所示，其中输入层的参数224表示224个采样时刻点，3表示x、y、z三个维度的加速度数据和角速度数据，2表示两个通道。

S33、通过卷积神经网络的第一卷积层中的卷积核提取输入层中数据的特征。

S34、通过卷积神经网络的第一池化层对第一卷积层提取的特征数据进行降维。

S35、通过卷积神经网络的第二卷积层中的卷积核提取第一池化层降维后数据的特征。

S36、通过卷积神经网络的第二池化层对第二卷积层提取的特征数据进行降维。

S37、将第二池化层降维后的特征数据输入卷积神经网络的全连接层进行优化组合。

S38、将优化组合后的数据通过sigmoid激活函数得到卷积神经网络的输出，并将输出数据和对应的标签进行计算得到误差损失函数，利用误差损失函数进行反向传播来更新卷积神经网络的参数，直到训练数据集的准确率和验证数据集的准确率都满足要求，得到基于卷积神经网络的行人自适应零速更新点选取模型；

S39、将验证数据集的数据输入行人自适应零速更新点选取模型中，预测得到零速更新点1或者非零速更新点0，对行人自适应零速更新点选取模型进行验证。

S4、将测试数据集输入基于卷积神经网络的行人自适应零速更新点选取模型，得到行人零速更新点的选取结果。

本发明实施例中，一共提前规划了15条行走路线。35名数据采集志愿者在大学的实验大楼、科研大楼、第一教学楼、第二教学楼、田径跑道和环校园跑道，分别以正常速度行走、快速行走和跑步三种运动模式分别进行行走测试。

针对上述三种不同运动模式的试验数据，采用本发明提供的基于神经网络的行人自适应零速更新点选取方法进行零速更新点的选取，最终选取得到的零速更新点和非零速更新点精度相关的参数(精度、召回率和F1-score值)如表1所示。

表1

图4～图6分别为正常速度行走、快速行走及跑步模式下，本发明提供的基于神经网络的行人自适应零速更新点选取方法与传统固定阈值法误差累计分布曲线对比图。

结合表1以及图4～图6进行分析可知，本发明提出的基于神经网络的行人自适应零速更新点选取方法相对于现有的固定阈值法，在零速更新点的挑选精度上具有较大的提升效果，尤其是在快速行走和跑步运动状态下的挑选精度提升效果尤其明显。

从图4正常行走累计误差分布曲线来看，本发明训练得到的行人自适应零速更新点选取模型对固定阈值法的改善不是很大，其原因是正常行走过程中，行人的步伐通常比较平稳，没有大脚步，脚也没有剧烈抖动，故行人以正常速度行走时，传统的固定阈值方法不会引入很多的虚警点(非零速更新点)，所以用传统的固定阈值挑选零速更新点，并不会导致很多由虚警点引起的错误，故本发明训练得到的行人自适应零速更新点选取模型固然避免了由虚警点引起的错误，但改善较固定阈值法，没有在快速行走和跑步运动状态下的效果那么明显。因此，从总的结果来说，不管是正常速度行走、快速行走还是跑步状态，本发明训练得到的行人自适应零速更新点选取模型都取得了非常显著的效果，使定位效果有明显改善，泛化性能大大提升，使惯性导航的的商业化使用迈上了一个新的台阶。

结合从卷积神经网络选取得到的零速更新点与扩展卡尔曼滤波器，产生相应的误差状态向量，再将误差状态向量送入航迹推算运动模型INS，对其中行人的位置数据、速度数据和姿态数据进行反馈调节，实现零速更新与航迹推算运动模型相融合，可以显著抑制航迹推算运动模型中累积误差的增长。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于神经网络的行人自适应零速更新点选取方法，其特征在于，包括以下步骤：

S1、采集不同行人在不同运动模式下的惯性导航数据；

S2、对采集到的惯性导航数据进行预处理，同时为预处理后的数据打上对应的标签，并根据预处理后的数据及其对应的标签得到训练数据集、验证数据集和测试数据集；

S3、将训练数据集输入到卷积神经网络中进行训练，得到基于卷积神经网络的行人自适应零速更新点选取模型，并采用验证数据集对行人自适应零速更新点选取模型进行验证；

S4、将测试数据集输入基于卷积神经网络的行人自适应零速更新点选取模型，得到行人零速更新点的选取结果；

所述步骤S1中的运动模式包括正常速度行走、快速行走和跑步，所述惯性导航数据包括每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据；

所述步骤S2包括以下分步骤：

S21、对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，得到标准化数据集；

S22、对每个采样时刻点三轴陀螺仪采集的角速度数据进行预处理，计算得到每个采样时刻点三轴陀螺仪数据的模值；

S23、根据每个采样时刻点三轴陀螺仪数据的模值，采用挑选算法为每个采样时刻点打上对应的标签；

S24、将标准化数据集中70％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为训练数据集，将标准化数据集中20％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据及相应采样时刻点对应的标签作为验证数据集，将标准化数据集中10％的采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据作为测试数据集；

所述步骤S23包括以下分步骤：

S231、设置三轴陀螺仪最优固定阈值th_gyro；

S232、将三轴陀螺仪数据的模值小于最优固定阈值th_gyro的采样时刻点作为潜在零速更新点，并将潜在零速更新点用红色矩形框进行标记；

S233、根据三轴陀螺仪的数据模值图，记录行人放置IMU采集模块的脚落地时刻包含的零速更新点数量长度值L，并通过行人放置IMU采集模块的脚落地时刻包含的零速更新L的值，计算得到所有红色矩形框的平均长度L1；

S234、设置常数L2<L1，依次判断每个零速更新点的长度值L是否小于常数L2，若是则去除对应点红色矩形框标记，并将这些点判断为非零速更新点，将其标签设置为0，否则进入步骤S235；

S235、设置常数L3<L1且L3>L2，依次判断每个零速更新点的长度值L是否小于常数L3，若是则进入步骤S236，否则将对应红色矩形框中的潜在零速更新点设置为零速更新点，并将其对应的采样时刻点的标签设置为1；

S236、将对应红色矩形框中的潜在零速更新点设置为预警零速更新点，并用绿色矩形框进行标记；

S237、通过人工检查判断绿色矩形框中的预警零速更新点是否为零速更新点，若是则将其对应的采样时刻点的标签设置为1，否则将其对应的采样时刻点的标签设置为0；

所述步骤S3包括以下分步骤：

S31、将训练数据集中的加速度数据和角速度数据分别进行低通滤波处理，去除随机噪声；

S32、将训练数据集中的加速度数据和角速度数据分别通过两个通道送入卷积神经网络的输入层；

S33、通过卷积神经网络的第一卷积层中的卷积核提取输入层中数据的特征；

S34、通过卷积神经网络的第一池化层对第一卷积层提取的特征数据进行降维；

S35、通过卷积神经网络的第二卷积层中的卷积核提取第一池化层降维后数据的特征；

S36、通过卷积神经网络的第二池化层对第二卷积层提取的特征数据进行降维；

S37、将第二池化层降维后的特征数据输入卷积神经网络的全连接层进行优化组合；

S38、将优化组合后的数据通过sigmoid激活函数得到卷积神经网络的输出，并将输出数据和对应的标签进行计算得到误差损失函数，利用误差损失函数进行反向传播来更新卷积神经网络的参数，直到训练数据集的准确率和验证数据集的准确率都满足要求，得到基于卷积神经网络的行人自适应零速更新点选取模型；

S39、将验证数据集的数据输入行人自适应零速更新点选取模型中，预测得到零速更新点1或者非零速更新点0，对行人自适应零速更新点选取模型进行验证。

2.根据权利要求1所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S21具体为：

对每个采样时刻点三轴陀螺仪采集的角速度数据和三轴加速度计采集的加速度数据进行标准化处理，标注化处理公式为：

其中x表示待标准化的角速度数据或加速度数据，z表示标准化后的角速度数据或加速度数据，mean(·)表示均值函数，std(·)表示标准差函数；

将标准化后每个采样时刻点的角速度数据和加速度数据共同构成标准化数据集。

3.根据权利要求1所述的行人自适应零速更新点选取方法，其特征在于，所述步骤S22中每个采样时刻点三轴陀螺仪数据的模值的计算公式为：

其中

表示三轴陀螺仪数据在第k个采样时刻点的模值，上标b表示向量在运载体坐标系中的测量值，

分别表示三轴陀螺仪在运载体b中对应x轴、y轴和z轴在第k个采样时刻点的角速度值。

Images