CN111664834A - 室内移动体的高程位置估算方法/***、存储介质及设备 - Google Patents

室内移动体的高程位置估算方法/***、存储介质及设备 Download PDF

Info

Publication number
CN111664834A
CN111664834A CN201910172168.3A CN201910172168A CN111664834A CN 111664834 A CN111664834 A CN 111664834A CN 201910172168 A CN201910172168 A CN 201910172168A CN 111664834 A CN111664834 A CN 111664834A
Authority
CN
China
Prior art keywords
current
data
moving body
motion state
noise covariance
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.)
Pending
Application number
CN201910172168.3A
Other languages
English (en)
Inventor
张榜
徐正蓺
魏建明
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.)
Shanghai Advanced Research Institute of CAS
University of Chinese Academy of Sciences
Original Assignee
Shanghai Advanced Research Institute of CAS
University of Chinese Academy of Sciences
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 Shanghai Advanced Research Institute of CAS, University of Chinese Academy of Sciences filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN201910172168.3A priority Critical patent/CN111664834A/zh
Publication of CN111664834A publication Critical patent/CN111664834A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G01C5/06—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels by using barometric means
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明公开了室内移动体的高程估算方法/***、存储介质及设备，利用采集的状态数据对被测移动体的状态进行判断识别，根据判断识别结果估算被测移动体的高程位置，有利于提高估算精度；且当被测移动体被识别判断为非平面运动时，将状态数据中的各种数据结合扩展卡尔曼算法融合估算被测移动体的高程位置进行估算，能够进一步提高室内被测移动体的高程位置估算精度。

Description

室内移动体的高程位置估算方法/***、存储介质及设备
技术领域
本发明涉及一种高程位置估算方法，尤其涉及一种室内移动单元的高程位置估算方法。
背景技术
在室内定位领域，竖直方向上的高度位置信息是实现三维空间定位的重要手段。目前，室内高度的估算方法主要由气压测高法和惯性积分法，均是通过采集室内移动单元(如人员)的传感器中的数据进行估算。其中，气压测高法是利用气压变化与高度的关系估计被测移动单元在运动中的高度位移，该方法虽然技术简单、可操作性高，但是由于气压和高度的关系十分复杂，在转化过程中会引起较大误差，且气压还会受到环境因素的影响，估算出的高程位置误差较大；而惯性积分法通过利用加速度在竖直方向上的分量计算竖直方向上的高度变化，该方法虽然在估算精度虽然有所提高，但长期使用后累计误差较大，会导致估算的高程位置精度随着运行时间的增加明显降低。
发明内容
鉴于上述现有技术的缺点，本发明的主要目的在于提供一种室内人员高程位置的估算方法，以提高对室内移动体的高程位置的估算精度。
为实现上述目的及其他相关目的，本发明技术方案如下：
一种室内移动体的高程位置计算方法，包括：
以一指定频率实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和竖直方向上的加速度数据；
将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按时序平均分割形成若干指定时长的第一子数据集；
将所述被测移动体在当前所述指定时长内的所述第一子数据集输入预先生成的运动状态识别分类器，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态，
若所述被测移动体处于所述平地运动状态，则当前所述指定时长对应的当前输出高度等于前一所述指定时长对应的前一输出高度，
若所述被测移动体处于所述非平地运动状态，则通过扩展卡尔曼滤波法融合所有所述第一子数据估算所述当前输出高度。
可选的，所述运动状态识别分类器识别所述被测移动体运动状态的方法包括：
提取所述第一子数据集的分类特征，
根据每类所述分类特征识别所述被测移动体的运动状态。
可选的，所述运动状态识别分类器的训练方法包括：
以所述指定频率采集被测移动体在所述平地运动状态和所述非平地运动状态的所述状态数据作为训练数据，
将训练数据中的所述加速度数据在竖直分量的加速度分量数据和所述训练数据中的其余数据按时序平均分割形成若干所述指定时长的第二子数据集；
提取各所述第二子数据集的所述分类特征，形成训练样本；
将所述训练样本输入一支持向量机模型中进行训练，优化所述支持向量机模型的参数，使经参数优化的所述支持向量机模型形成所述运动状态识别分类器。
可选的，所述分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
可选的，所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。
可选的，通过扩展卡尔曼滤波法融合所述第一子数据集估算所述当前输出高度值的方法包括：
通过所述竖直方向的加速度分量数据构建一***状态方程，计算当前先验高度；
根据所述竖直方向的加速度分量数据和前一后验噪声协方差矩阵构建先验噪声协方差矩阵计算公式，计算当前先验噪声协方差矩阵；
通过所述气压数据构建一***测量方程，计算当前测量高度；
根据所述先验噪声协方差矩阵构建卡尔曼增益计算式，计算当前卡尔曼增益；
根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益构建当前输出高度融合计算方程，计算所述当前输出高度；
根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
可选的，所述***状态方程为：
Figure BDA0001988427790000021
其中，i是指当前所述指定时长，i-1是指前一所述指定时长，
Figure BDA0001988427790000022
是当前先验高度，
Figure BDA0001988427790000023
是前一所述指定时长对应的所述前一输出高度，
Figure BDA0001988427790000031
是相对高度计算函数，所述高度计算函数中的变量sai＝[a1,a2,…,an]T，a1,a2,…,an是指当前所述指定时长内所述第一子数据集中按时序排列的所述竖直方向上的加速度数据，表n示当前所述指定时长内采集所述竖直方向上的加速度数据的总次数，a1表示当前所述指定时长内的第一个所述竖直方向上的加速度数据；an表示当前所述指定时长内的最后一个所述竖直方向上的加速度数据；
所述先验噪声协方差矩阵计算公式为：
Figure BDA0001988427790000032
其中，
Figure BDA0001988427790000033
是当前所述指定时长对应的当前先验噪声协方差矩阵，
Figure BDA0001988427790000034
是前一所述指定时长对应的后验噪声协方差矩阵，
Figure BDA0001988427790000035
是***状态方程中所述相对高度计算函数
Figure BDA0001988427790000036
的雅可比矩阵，
Figure BDA0001988427790000037
Figure BDA0001988427790000038
是
Figure BDA0001988427790000039
的转置矩阵，Q是过程噪声协方差；
所述***测量方程为：
Figure BDA00019884277900000310
其中，
Figure BDA00019884277900000311
表示当前测量高度，Pi表示当前气压值，P1表示初始气压值，P0表示标准大气压；
当前卡尔曼增益计算式为：
Figure BDA00019884277900000312
其中，Ki表示当前卡尔曼增益，RQ表示测量方差，
Figure BDA00019884277900000313
Figure BDA00019884277900000314
和
Figure BDA00019884277900000315
分别为加速度和气压计的噪声方差；
当前输出高度融合计算方程为：
Figure BDA00019884277900000316
根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵的公式为：
Figure BDA00019884277900000317
一种室内移动体的高程位置估算***，包括：
状态数据采集模块，其用于实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和竖直方向上的加速度数据；
数据预处理模块，用于将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按时序平均分割形成若干指定时长的第一子数据集；
运动状态识别分类器，用于读取所述被测移动体在当前所述指定时长内的所述第一子数据集，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态；
输出高度计算模块，其用于根据运动状态识别分类器的识别结果计算当前所述指定时长对应的当前输出高度，
若所述被测移动体处于所述平地运动状态，则所述输出高度计算模块输出前一所述指定时长对应的前一输出高度作为当前输出高度；
若所述被测移动体处于所述非平地运动状态，则所述输出高度计算模块通过扩展卡尔曼滤波法融合所有所述第一子数据估算所述当前输出高度。
可选的，所述运动状态识别分类器包括：
特征处理单元，所述特征处理单元用于提取所述第一子数据集的分类特征；
状态判定单元，所述判定单元用于根据每类所述分类特征识别所述被测移动体的运动状态。
可选的，所述分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
可选的，所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。
可选的，所述输出高度计算模块包括：
当前先验高度计算单元，其用于根据所述竖直方向的加速度分量数据计算当前先验高度；
当前先验噪声协方差矩阵计算单元，其用于根据所述竖直方向的加速度分量数据及前一后验噪声协方差矩阵计算当前先验噪声协方差矩阵；
当前测量高度计算单元，其用于根据气压数据计算当前测量高度；
当前卡尔曼增益计算单元，其用于根据所述当前噪声协方差计算当前卡尔曼增益；
当前输出高度融合计算单元，其用于根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益融合计算所述当前输出高度；
后验噪声协方差更新单元，其用于根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
可选的，所述状态数据采集模块包括加速度计和气压计。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一种所述的室内移动体的高程位置估算方法。
一种设备，包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行上述任一种所述的室内移动体的高程位置估算方法。
本发明的室内移动体的高程估算方法/***、存储介质及设备，利用采集的状态数据对被测移动体的状态进行判断识别，根据判断识别结果估算被测移动体的高程位置，有利于提高估算精度；且当被测移动体被识别判断为非平面运动时，将状态数据中的各种数据结合扩展卡尔曼算法融合估算被测移动体的高程位置进行估算，能够进一步提高室内被测移动体的高程位置估算精度。
附图说明
图1显示为本发明的室内移动体的高程位置估算方法的流程图；
图2显示为本发明中通过扩展卡尔曼算法融合估算所述当前输出高度值的流程图；
图3显示为本发明的室内移动体的高程位置估算***的网络结构图；
图4显示为本发明中输出高度计算模块的网络结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
参见图1，本发明提供的一种室内移动体的高程位置计算方法，包括：
步骤120，以一指定频率实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和竖直方向上的加速度数据；
步骤140，数据预处理：将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按时序平均分割形成若干指定时长的第一子数据集；
步骤160，将所述被测移动体在当前所述指定时长内的所述第一子数据集输入预先生成的运动状态识别分类器，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态，
步骤180B，若所述被测移动体处于所述平地运动状态，则当前所述指定时长对应的当前输出高度等于前一所述指定时长对应的前一输出高度，
步骤180A，若所述被测移动体处于所述非平地运动状态，则通过扩展卡尔曼滤波法融合所有所述第一子数据估算所述当前输出高度。
在实际实施过程中，该被测移动体可以是人、动物，甚至可以是机器人，本实施例中，该被测移动体是室内人员，当该被测移动体为人或动物时，所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。在执行上述或下述估算方法时，被测移动体需配备用于采集上述状态数据的数据采集模块，例如：该数据采集模块可以包括采集气压的气压计和采集竖直方向的加速度的加速度计，该竖直方向的加速度分量数据也可以通过分解该总加速度获取，在采用传感器采集状态数据时，可以将该传感器可以嵌入在可穿戴设备内，可以嵌入室内人员携带的移动终端内，其采集的位置可以是被测移动体上的任意部位，例如当被测移动体是室内人员时，可将一嵌有该传感器的可穿戴设备佩戴在脚腕、手腕、腰间、大腿、手臂或室内人员身上其他任何的部位。
本实施例中，该指定时长可选取为任意长度，该指定频率可选取为任意频率，但该指定时长越短越有利于提高高程位置的估算精度，但该指定时长越短，则数据处理量越大，同理该指定频率越高，越有利于提高高程位置的估算精度，但该指定平率越高，同样也会导致数据处理量增大。例如，该指定时长可以选取为3秒，指定频率可以选取为100Hz，则在当前3秒内，采集该状态数据的次数为300次，也就是有300气压数据和300个加速度数据。
本实施例中，为便于理解，将该指定时长定义为t，将该采集次数定义为n，将i定义为当前时刻，此时，一个第一子数据集包括指定时长内在竖直方向上的加速度数据序列和该指定时长内的气压数据序列，则第一子数据集中，该竖直方向上的加速度数据序列可以表示为(a1,a2,…,an)，该气压数据序列可以表示为(p1,p2,…,pn)，其中，a1表示所述指定时间内按时序采集的第一个竖直方向的加速度分量数据，an表示所述指定时间内按时序采集的最后一个竖直方向的加速度分量数据，p1表示所述指定时间内按时序采集的第一个气压数据，pn表示所述指定时间内按时序采集的最后一个气压数据。
本发明的室内移动体的高程估算方法，利用采集的状态数据对被测移动体的状态进行判断识别，根据判断识别结果估算被测移动体的高程位置，有利于提高估算精度；当被测移动体被识别判断为非平面运动时，将状态数据中的各种数据结合扩展卡尔曼算法融合估算被测移动体的高程位置进行估算，能够进一步提高室内被测移动体的高程位置估算精度。
在一些实施例中，所述运动状态识别分类器识别所述被测移动体运动状态的方法包括：
提取所述第一子数据集的分类特征，
根据每类所述分类特征识别所述被测移动体的运动状态。
在一些实施例中，该分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
该竖直方向加速度均值的计算公式为：
Figure BDA0001988427790000071
其中，
Figure BDA0001988427790000072
为被测移动体在指定时间段t内的竖直方向加速度均值；
该竖直方向加速度方差的计算公式为：
Figure BDA0001988427790000073
其中，
Figure BDA0001988427790000074
为被测移动体的在指定时间段t内的竖直方向加速度方差；
该气压差的计算公式为：
Δp＝p1-p2
其中，Δp表示被测移动体的在指定时间段t内的气压差；
该气压方差的计算公式为：
Figure BDA0001988427790000075
其中，
Figure BDA0001988427790000076
表示被测移动体的在指定时间段t内的气压方差，
Figure BDA0001988427790000077
表示被测移动体的在指定时间段t内的平均气压，
Figure BDA0001988427790000078
在一些实施例中，所述运动状态识别分类器的训练方法包括：
以所述指定频率采集被测移动体在所述平地运动状态和所述非平地运动状态的所述状态数据作为训练数据，
将训练数据中的所述加速度数据在竖直分量的加速度分量数据和所述训练数据中的其余数据时序平均分割形成若干所述指定时长的第二子数据集；
提取各所述第二子数据集的所述分类特征，形成训练样本；
将所述训练样本输入一支持向量机模型中进行训练，优化所述支持向量机模型的参数，使经参数优化的所述支持向量机模型形成所述运动状态识别分类器。
在一些实施例中，该训练样本为由所述分类特征排列形成的特征矩阵X，定义每个分类特征对应的类标签矢量Y，则在优化所述支持向量机模型时，将特征矩阵X和类标签矢量Y输入支持向量机模型，求解最优参数，最优参数的求解方程如下：
Figure BDA0001988427790000081
Figure BDA0001988427790000082
其中，m表示训练样本的样本数量，xv和xw分别表示第v个样本和第w个样本，yv,yw分别表示样本xv和xw对应的标签，βv和βw为待估计参数向量。
参见图2，在一些实施例中，通过扩展卡尔曼滤波法融合所述第一子数据集估算所述当前输出高度值的方法包括：
步骤181，通过所述竖直方向的加速度分量数据构建一***状态方程，计算当前先验高度；
步骤182，根据所述竖直方向的加速度分量数据和前一后验噪声协方差矩阵构建先验噪声协方差矩阵计算公式，计算当前先验噪声协方差矩阵；
步骤183，通过所述气压数据构建一***测量方程，计算当前测量高度；
步骤184，根据所述先验噪声协方差矩阵构建卡尔曼增益计算式，计算当前卡尔曼增益；
步骤185，根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益构建当前输出高度融合计算方程，计算所述当前输出高度；
步骤186，根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
在一些实施例中，所述***状态方程为：
Figure BDA0001988427790000083
其中，i是指当前所述指定时长，i-1是指前一所述指定时长，
Figure BDA0001988427790000084
是当前先验高度，
Figure BDA0001988427790000085
是前一所述指定时长对应的所述前一输出高度，
Figure BDA0001988427790000091
是相对高度计算函数，所述高度计算函数中的变量sai＝[a1,a2,…,an]T，a1,a2,…,an是指当前所述指定时长内所述第一子数据集中按时序排列的所述竖直方向上的加速度数据，表n示当前所述指定时长内采集所述竖直方向上的加速度数据的总次数，a1表示当前所述指定时长内的第一个所述竖直方向上的加速度数据；an表示当前所述指定时长内的最后一个所述竖直方向上的加速度数据；
所述先验噪声协方差矩阵计算公式为：
Figure BDA0001988427790000092
其中，
Figure BDA0001988427790000093
是当前所述指定时长对应的当前先验噪声协方差矩阵，
Figure BDA0001988427790000094
是前一所述指定时长对应的后验噪声协方差矩阵，
Figure BDA0001988427790000095
是***状态方程中所述相对高度计算函数
Figure BDA0001988427790000096
的雅可比矩阵，
Figure BDA0001988427790000097
Figure BDA0001988427790000098
是
Figure BDA0001988427790000099
的转置矩阵，Q是过程噪声协方差，Q可以通过观测获得；
所述***测量方程为：
Figure BDA00019884277900000910
其中，
Figure BDA00019884277900000911
表示当前测量高度，Pi表示当前气压值，Pi等于当前第一子数据集中的pn，P1表示初始气压值，P0表示标准大气压；
当前卡尔曼增益计算式为：
Figure BDA00019884277900000912
其中，Ki表示当前卡尔曼增益，RQ表示测量方差，
Figure BDA00019884277900000913
Figure BDA00019884277900000914
和
Figure BDA00019884277900000915
分别为加速度和气压计的噪声方差；
当前输出高度融合计算方程为：
Figure BDA00019884277900000916
根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵的公式为：
Figure BDA00019884277900000917
利用上述方法可以将气压数据和加速度数据结合扩展卡尔曼增益算法估算融合高度，精度高。
本实施例还公开了一种存储介质，其上存储有上述和下述方法对应的计算机程序，该程序被处理器执行时实现上述任一种室内移动体的高程位置估算方法。
本实施例中的存储介质，本领域普通技术人员可以理解：实现本说明书各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括本说明书中各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
参见图3，对应上述室内移动体的高程位置估计算法，本实施例还提供一种室内移动体的高程位置估算***，该***包括：
状态数据采集模块2，其用于实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和竖直方向上的加速度数据；
数据预处理模块4，用于将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按时序平均分割形成若干指定时长的第一子数据集；
运动状态识别分类器6，用于读取所述被测移动体在当前所述指定时长内的所述第一子数据集，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态；
输出高度计算模块8，其用于根据运动状态识别分类器的识别结果计算当前所述指定时长对应的当前输出高度，
若所述被测移动体处于所述平地运动状态，则所述输出高度计算模块输出前一所述指定时长对应的前一输出高度作为当前输出高度；
若所述被测移动体处于所述非平地运动状态，则所述输出高度计算模块通过扩展卡尔曼滤波法融合所有所述第一子数据估算所述当前输出高度。
在一些实施例中，所述运动状态识别分类器可以包括：
特征处理单元，所述特征处理单元用于提取所述第一子数据集的分类特征；
状态判定单元，所述判定单元用于根据每类所述分类特征识别所述被测移动体的运动状态。
在另一些实施例中，该特征处理单元也可以布置在数据预处理模块，使得形成的第一子数据集总包含分类特征。
在一些实施例中，所述分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
在一些实施例中，所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。
参见图4，在一些实施例中，所述输出高度计算模块包括：
当前先验高度计算单元81，其用于根据所述竖直方向的加速度分量数据计算当前先验高度；
当前先验噪声协方差矩阵计算单元82，其用于根据所述竖直方向的加速度分量数据及前一后验噪声协方差矩阵计算当前先验噪声协方差矩阵；
当前测量高度计算单元83，其用于根据气压数据计算当前测量高度；
当前卡尔曼增益计算单元84，其用于根据所述当前噪声协方差计算当前卡尔曼增益；
当前输出高度融合计算单元85，其用于根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益融合计算所述当前输出高度；
后验噪声协方差更新单元86，其用于根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
在一些实施例中，所述状态数据采集模块包括加速度计和气压计。
本发明还提供一种设备，包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行上述任一种所述的室内移动体的高程位置估算方法。
本实施例提供的设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使设备执行如上的室内移动体的高程位置估算方法中的各步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (15)

1.一种室内移动体的高程位置估算方法，其特征在于，包括：
以一指定频率实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和加速度数据；
将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按按时序平均分割形成若干指定时长的第一子数据集；
将所述被测移动体在当前所述指定时长内的所述第一子数据集输入预先生成的运动状态识别分类器，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态，
若所述被测移动体处于所述平地运动状态，则当前所述指定时长对应的当前输出高度等于前一所述指定时长对应的前一输出高度，
若所述被测移动体处于所述非平地运动状态，则通过扩展卡尔曼滤波法融合所有所述第一子数据集估算所述当前输出高度。
2.根据权利要求1所述的室内移动体的高程位置估算方法，其特征在于，所述运动状态识别分类器所述被测移动体运动状态的方法包括：
提取所述第一子数据集的分类特征，
根据所述分类特征识别所述被测移动体的运动状态。
3.根据权利要求2所述的室内移动体的高程位置估算方法，其特征在于：所述运动状态识别分类器的训练方法包括：
以所述指定频率采集被测移动体在所述平地运动状态和所述非平地运动状态的所述状态数据作为训练数据，
将训练数据中的所述加速度数据在竖直分量的加速度分量数据和所述训练数据中的其余数据按时序平均分割形成若干所述指定时长的第二子数据集；
提取各所述第二子数据集的所述分类特征，形成训练样本；
将所述训练样本输入一支持向量机模型中进行训练，优化所述支持向量机模型的参数，使经参数优化的所述支持向量机模型形成所述运动状态识别分类器。
4.根据权利要求3所述的室内移动体的高程位置估算方法，其特征在于：所述分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
5.根据权利要求1所述的室内移动体的高程位置估算方法，其特征在于：所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。
6.根据权利要求1所述的室内移动体的高程位置估算方法，其特征在于：通过扩展卡尔曼滤波法融合所述第一子数据集估算所述当前输出高度值的方法包括：
通过所述竖直方向的加速度分量数据构建一***状态方程，计算当前先验高度；
根据所述竖直方向的加速度分量数据和前一后验噪声协方差矩阵构建先验噪声协方差矩阵计算公式，计算当前先验噪声协方差矩阵；
通过所述气压数据构建一***测量方程，计算当前测量高度；
根据所述先验噪声协方差矩阵构建卡尔曼增益计算式，计算当前卡尔曼增益；
根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益构建当前输出高度融合计算方程，计算所述当前输出高度；
根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
7.根据权利要求6所述的室内移动体的高程位置估算方法，其特征在于：
所述***状态方程为：
Figure FDA0001988427780000021
其中，i是指当前所述指定时长，i-1是指前一所述指定时长，
Figure FDA0001988427780000022
是当前先验高度，
Figure FDA0001988427780000023
是前一所述指定时长对应的所述前一输出高度，
Figure FDA0001988427780000024
是相对高度计算函数，所述高度计算函数中的变量sai＝[a1,a2,…,an]T，a1,a2,…,an是指当前所述指定时长内所述第一子数据集中按时序排列的所述竖直方向上的加速度数据，表n示当前所述指定时长内采集所述竖直方向上的加速度数据的总次数，a1表示当前所述指定时长内的第一个所述竖直方向上的加速度数据；an表示当前所述指定时长内的最后一个所述竖直方向上的加速度数据；
所述先验噪声协方差矩阵计算公式为：
Figure FDA0001988427780000025
其中，
Figure FDA0001988427780000026
是当前所述指定时长对应的当前先验噪声协方差矩阵，
Figure FDA0001988427780000027
是前一所述指定时长对应的后验噪声协方差矩阵，
Figure FDA0001988427780000031
是***状态方程中所述相对高度计算函数
Figure FDA0001988427780000032
的雅可比矩阵，
Figure FDA0001988427780000033
Figure FDA0001988427780000034
是
Figure FDA0001988427780000035
的转置矩阵，Q是过程噪声协方差；
所述***测量方程为：
Figure FDA0001988427780000036
其中，
Figure FDA0001988427780000037
表示当前测量高度，Pi表示当前气压值，P1表示初始气压值，P0表示标准大气压；当前卡尔曼增益计算式为：
Figure FDA0001988427780000038
其中，Ki表示当前卡尔曼增益，RQ表示测量方差，
Figure FDA0001988427780000039
Figure FDA00019884277800000310
和
Figure FDA00019884277800000311
分别为加速度和气压计的噪声方差；
当前输出高度融合计算方程为：
Figure FDA00019884277800000312
根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵的公式为：
Figure FDA00019884277800000313
8.一种室内移动体的高程位置估算***，其特征在于，包括：
状态数据采集模块，其用于实时采集被测移动体的状态数据，所述状态数据至少包括气压数据和加速度数据；
数据预处理模块，用于将所述加速度数据在竖直方向上的加速度分量数据和所述状态数据中的其余数据按时序平均分割形成若干指定时长的第一子数据集；
运动状态识别分类器，用于读取所述被测移动体在当前所述指定时长内的所述第一子数据集，并根据所述第一子数据集判定识别所述被测移动体的运动状态处于平地运动状态和非平地运动状态中的哪一种状态；
输出高度计算模块，其用于根据运动状态识别分类器的识别结果计算当前所述指定时长对应的当前输出高度，
若所述被测移动体处于所述平地运动状态，则所述输出高度计算模块输出前一所述指定时长对应的前一输出高度作为当前输出高度；
若所述被测移动体处于所述非平地运动状态，则所述输出高度计算模块通过扩展卡尔曼滤波法融合所有所述第一子数据估算所述当前输出高度。
9.根据权利要求8所述的室内移动体的高程位置估算***，其特征在于，所述运动状态识别分类器包括：
特征处理单元，所述特征处理单元用于提取所述第一子数据集的分类特征；
状态判定单元，所述判定单元用于根据每类所述分类特征识别所述被测移动体的运动状态。
10.根据权利要求9所述的室内移动体的高程位置估算***，其特征在于：所述分类特征包括竖直方向加速度均值、竖直方向加速度方差、气压差及气压方差。
11.根据权利要求8所述的室内移动体的高程位置估算***，其特征在于：所述平地运动的状态包括静止、走和慢跑，所述非平地运动状态包括上楼和下楼。
12.根据权利要求8所述的室内移动体的高程位置估算***，其特征在于，所述输出高度计算模块包括：
当前先验高度计算单元，其用于根据所述竖直方向的加速度分量数据计算当前先验高度；
当前先验噪声协方差矩阵计算单元，其用于根据所述竖直方向的加速度分量数据及前一后验噪声协方差矩阵计算当前先验噪声协方差矩阵；
当前测量高度计算单元，其用于根据气压数据计算当前测量高度；
当前卡尔曼增益计算单元，其用于根据所述当前噪声协方差计算当前卡尔曼增益；
当前输出高度融合计算单元，其用于根据所述当前先验高度、所述当前测量高度和所述当前卡尔曼增益融合计算所述当前输出高度；
后验噪声协方差更新单元，其用于根据所述当前卡尔曼增益更新所述当前先验噪声协方差矩阵获得当前后验噪声协方差矩阵。
13.根据权利要求8所述的室内移动体的高程位置估算***，其特征在于：所述状态数据采集模块包括加速度计和气压计。
14.一种存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1～7中任一项所述的室内移动体的高程位置估算方法。
15.一种设备，其特征在于：包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1～7中任一项所述的室内移动体的高程位置估算方法。
CN201910172168.3A 2019-03-07 2019-03-07 室内移动体的高程位置估算方法/***、存储介质及设备 Pending CN111664834A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910172168.3A CN111664834A (zh) 2019-03-07 2019-03-07 室内移动体的高程位置估算方法/***、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910172168.3A CN111664834A (zh) 2019-03-07 2019-03-07 室内移动体的高程位置估算方法/***、存储介质及设备

Publications (1)

Publication Number Publication Date
CN111664834A true CN111664834A (zh) 2020-09-15

Family

ID=72382065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910172168.3A Pending CN111664834A (zh) 2019-03-07 2019-03-07 室内移动体的高程位置估算方法/***、存储介质及设备

Country Status (1)

Country Link
CN (1) CN111664834A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264315A (zh) * 2021-11-24 2022-04-01 青岛迈金智能科技股份有限公司 一种基于气压计码表的停车判定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101379367A (zh) * 2006-03-20 2009-03-04 高通股份有限公司 用于确定移动装置的海拔高度的方法和设备
US20090143983A1 (en) * 2007-12-04 2009-06-04 Nemerix Sa Navigation system with dynamically calibrated pressure sensor
US20130325217A1 (en) * 2012-03-30 2013-12-05 Parrot Altitude estimator for a rotary-wing drone with multiple rotors
CN105258675A (zh) * 2015-11-30 2016-01-20 北京机械设备研究所 一种用于室内行人导航装置的高程定位方法
US20160091309A1 (en) * 2013-05-31 2016-03-31 Asahi Kasei Kabushiki Kaisha Device for identifying change in vertical direction by using air pressure measurement value
CN105865446A (zh) * 2016-05-25 2016-08-17 南京航空航天大学 基于大气辅助的惯性高度通道阻尼卡尔曼滤波方法
CN106662443A (zh) * 2014-10-01 2017-05-10 英特尔公司 用于垂直轨迹确定的方法和***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101379367A (zh) * 2006-03-20 2009-03-04 高通股份有限公司 用于确定移动装置的海拔高度的方法和设备
US20090143983A1 (en) * 2007-12-04 2009-06-04 Nemerix Sa Navigation system with dynamically calibrated pressure sensor
US20130325217A1 (en) * 2012-03-30 2013-12-05 Parrot Altitude estimator for a rotary-wing drone with multiple rotors
US20160091309A1 (en) * 2013-05-31 2016-03-31 Asahi Kasei Kabushiki Kaisha Device for identifying change in vertical direction by using air pressure measurement value
CN106662443A (zh) * 2014-10-01 2017-05-10 英特尔公司 用于垂直轨迹确定的方法和***
CN105258675A (zh) * 2015-11-30 2016-01-20 北京机械设备研究所 一种用于室内行人导航装置的高程定位方法
CN105865446A (zh) * 2016-05-25 2016-08-17 南京航空航天大学 基于大气辅助的惯性高度通道阻尼卡尔曼滤波方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264315A (zh) * 2021-11-24 2022-04-01 青岛迈金智能科技股份有限公司 一种基于气压计码表的停车判定方法
CN114264315B (zh) * 2021-11-24 2024-05-24 青岛迈金智能科技股份有限公司 一种基于气压计码表的停车判定方法

Similar Documents

Publication Publication Date Title
CN110602647B (zh) 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法
CN107084714B (zh) 一种基于RoboCup3D的多机器人协作目标定位方法
CN111136660B (zh) 机器人位姿定位方法及***
CN110263870B (zh) 运动状态识别方法、装置、智能终端和存储介质
CN106599368B (zh) 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法
CN105263113A (zh) 一种基于众包的WiFi位置指纹地图构建方法及其***
EP3161419B1 (en) Method for the localization of an individual
Edel et al. An advanced method for pedestrian dead reckoning using BLSTM-RNNs
CN108245172B (zh) 一种不受位置约束的人体姿态识别方法
KR20120027229A (ko) 사람의 자세를 결정하기 위한 시스템 및 방법
CN110236550B (zh) 一种基于多模态深度学习的人体步态预测装置
CN105678222A (zh) 一种基于移动设备的人体行为识别方法
CN106840163A (zh) 一种室内定位方法及***
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN105444763A (zh) 一种imu室内定位方法
CN116226727A (zh) 一种基于ai的运动识别***
CN112135246B (zh) 一种基于ssd目标检测的rssi更新的室内定位方法
CN112131928B (zh) 一种rgb-d图像特征融合的人体姿态实时估计方法
CN104036283A (zh) 用于确定移动元素的活动的***和方法
Wei et al. Calibrating recurrent neural networks on smartphone inertial sensors for location tracking
CN111664834A (zh) 室内移动体的高程位置估算方法/***、存储介质及设备
CN106028450B (zh) 室内定位方法及设备
CN113449254B (zh) 任意网型变形监测稳定性分析方法及监控点位置确定方法
CN112985392B (zh) 基于图优化框架的行人惯性导航方法和装置
CN108051001A (zh) 一种机器人移动控制方法、***及惯性传感控制装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200915