《基于脚部惯性传感器的室内定位方法.pdf》由会员分享，可在线阅读，更多相关《基于脚部惯性传感器的室内定位方法.pdf（21页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104197938A43申请公布日20141210CN104197938A21申请号201410445404122申请日20140903G01C21/18200601G01C25/00200601G06F19/0020110171申请人厦门大学地址361006福建省厦门市思明区思明南路422号72发明人郑灵翔郑贤超黄民政黄苏扬林詹健唐玮玮蔡燕福伍俊华74专利代理机构厦门市新华专利商标代理有限公司35203代理人朱凌54发明名称基于脚部惯性传感器的室内定位方法57摘要本发明一种基于脚部惯性传感器的室内定位方法，使用了一个基于扩展卡尔曼滤波的估计结合仿生的网格细胞路径整合方法的架。
2、构，其中定位的位置和方向信息由惯性传感器的数据计算得到，而零速修正使用了多条件判断准则，用于判断脚是否着地，当满足条件时将当时的速度置零并触发卡尔曼滤波估计，修正计算出来的速度、位置信息的非线性误差增长，之后将速度信息作为输入利用网格细胞路径整合方法进一步消除位置信息的漂移误差。51INTCL权利要求书4页说明书11页附图5页19中华人民共和国国家知识产权局12发明专利申请权利要求书4页说明书11页附图5页10申请公布号CN104197938ACN104197938A1/4页21一种基于脚部惯性传感器的室内定位方法，其特征在于包括如下步骤步骤1、实时采集加速度计和陀螺仪的数据获得行人步行方向信。
3、息并进行计步1步行开始时初始对准，确定定位起点，并通过陀螺仪的初始数据确定初始偏航角；2对加速度计和陀螺仪输出的加速度和角速度进行坐标转换后，分别经过积分得到作为时间K的原始定位信息的状态变量包括位置信息XKYKZK、速度信息VXKVYKVZK和姿态矩阵ROLLKPITHKHEADINGK；3利用加速度计和陀螺仪的输出数据，计算出在时间K的合加速度AKTOTAL及其方差在时间K的合角加速度WKTOTAL及其方差根据以下公式1至4组成的四个零速修正判断条件来判定脚是否着地，以完成一次计步其中，AKTOTAL表示在时间K的合加速度,则是加速度的方差,WKTOTAL表示在时间K的合角加速度,是在运动。
4、方向上角加速度的方差，当且仅当上述四个判断条件都符合，即C1C2C3C41时，判定脚着地，完成一次计步并继续步骤2，否则判定脚在空中，一步未完成，返回步骤2；步骤2、若判定脚着地则触发零速修正条件下的卡尔曼滤波，对步骤2中计算出来的时间K的状态变量进行相应修正与补偿，得到更新后的状态变量卡尔曼滤波中所用的状态变量包括位置信息XKYKZK、速度信息VXKVYKVZK和姿态矩阵ROLLKPITHKHEADINGK，由步骤2计算得到同时，计算预测状态变量状态变量的误差协方差矩阵PK|K1和状态转移矩阵FK权利要求书CN104197938A2/4页3其中，QK为高斯过程白噪声WK的协方差矩阵；状态转移。
5、矩阵FK和测量矩阵HK分别是状态转移方程FK和测量方程HK的导数，由公式9和10计算可得，状态转移方程FK是状态变量的一个非线性方程，测量方程HK则表征了位置和速度信息的函数关系；HK0I33010其中，I33是一个单位矩阵，ST是一个对称矩阵，在四元素法中用于表征身体坐标系的角速度，定义如下其中矩阵F是加速度的坐标转移矩阵其中，就是身体坐标系和地球坐标系之间的转换方程，ACC表示加速度；再计算三个中间量测量余量测量余量协方差SK和最优卡尔曼增益KKZKHKXKVK14其中，ZK为状态变量的测量值,RK为零均值正态分布观测噪声VK的协方差矩阵；根据以上计算，结合最优卡尔曼增益KK和测量余量对其。
6、进行更新得到当前的状态PK|KIKKHKPK|K116步骤3、从修正后的状态变量中提取第4、5、6列数据，得到经过修正后的速度信息权利要求书CN104197938A3/4页4VTVXT,VYT,VZTT作为网格细胞路径整合方法的输入，计算后得到新的位置信息，即地理空间方位改变量和方向角IA、设多层神经网络总层数为M，尺度参数为LM，同一网络层的网格细胞空间发放分布可以用BURGESS模型计算，对各层网络细胞进行以下计算设第I个细胞在T1时刻的活跃度为VIT1，则其中，N为细胞总数，IJT为相互间联系权值，为各层网络中所有细胞活跃度的均值，参数用于决定细胞间联系的强弱，为防止权值出现负值，设定V。
7、IT10时，VIT10；B、为了便于计算，此处增设一个均值细胞，用于获得细胞活跃度均值，均值细胞与其他细胞间连接权值均为1，为了模拟位置细胞的活动，采用高斯函数形式的权值，使得相邻细胞的活动得到增强，远距离细胞的活动受到抑制，该高斯函数IJT满足其中，为第I个细胞在网格中位置，设NX，NY分别为X，Y方向的细胞个数，并且满足随着空间位置的变化，网格细胞神经发放图也将随之在各层网格细胞神经网络中发生相应变化，以更新后状态变量中的速度信息VTVXT,VYT,VZTT为输入量，网格细胞神经发放图MAPM与VT的对应关系为其中，RMT为第M层网格与空间位置的转换比例，L0为网格尺度LM对应的空间距离，。
8、各网格细胞层L0相同，由于RMTLM/L0，则RMT与LM成正比关系；0,3为网络旋转偏移量；权利要求书CN104197938A4/4页5C、构建完成所有网络后，开始对网络细胞路径的整合，假设初始位置为坐标X0，Y0所代表的空间位置，其对应的网格细胞神经发放图中心的初始位置为以该细胞为中心，利用高斯函数设置各细胞的初始权值，确定其余细胞的发放；D、假设网格细胞与空间位置的转换比例为RMT，在M确定时，可通过初始尺度L1及尺度间隔L，利用LMQM1L计算各层的尺度，式中Q为常数因子，进而在设定地理空间距离L0基础上，计算各层与空间位置的转换比例；接着利用上述公式在各网络层依次计算不同时刻的神经细。
9、胞连接权值和细胞的活跃度，假设最大活跃细胞在TI时刻的网络位置变化量为其网络位置与前一时刻位置的相对方向为I，由于神经网络中的方位与地理空间方位存在对应的映射关系，因而基于网格细胞路径整合实质是通过计算网格细胞发放位置变化量及方位角变化量I计算TI时刻网格细胞发放位置与在各层神经网络的相对位置，最终可以利用转换比例RMT推算TI时刻的地理空间方位改变量和方向角I步骤4、根据步骤3计算得到的地理空间方位改变量和方向角I，结合初始位置为坐标X0，Y0，绘制行人位置轨迹图，其具体实现如下利用地理空间方位改变量计算改变距离SI每个距离变化都对应一个方向角I，因此其第I次轨迹绘制方式如下权利要求书CN1。
10、04197938A1/11页6基于脚部惯性传感器的室内定位方法技术领域0001本发明涉及一种基于脚部惯性传感器的室内定位方法。背景技术0002基于位置的服务LBS对于人们的生活非常重要。LBS的核心技术是定位，目前室外定位技术有比较成熟的GPS定位和移动通信系统的定位等，但在室内常常面临无线信号衰减、定位信号下降等问题。为了满足人们对室内定位的需求，出现了众多室内定位的技术。0003室内定位系统用于提供个人和设备的位置信息。惯性传感器定位使用航迹推算方法可以实现连续无缝的定位，航迹推算方法涉及到三个因素步数、航向和步长，步数与航向可以通过惯性传感器获得。基于惯性传感器的室内定位系统中，方向的漂。
11、移与误差累积是这类定位系统最大的问题。大多数研究机构使用了磁强计等其他传感器、先验的地图信息或者计算量较大的粒子滤波算法用于修正方向的漂移并消除误差累积。但是这些方法都有一些不足首先，加入磁强计等传感器后，由于磁场易受干扰，这会直接导致定位方向的漂移甚至出错；其次，WIFI、地图定位方法需要预先采集数据，其工作量较大，且定位精度不高；另外，粒子滤波算法的计算量很大，很难满足实时定位的要求；最后，现有类似的直接使用KALMAN方法虽然能消除累积误差，但漂移问题无法解决。发明内容0004本发明涉及一种基于脚部惯性传感器的室内定位方法，在使用扩展卡尔曼滤波器去除误差累积后，再利用网格细胞路径整合方法。
12、处理定位中漂移。0005一种基于脚部惯性传感器的室内定位方法，包括如下步骤0006步骤1、实时采集加速度计和陀螺仪的数据获得行人步行方向信息并进行计步00071步行开始时初始对准，确定定位起点，并通过陀螺仪的初始数据确定初始偏航角；00082对加速度计和陀螺仪输出的加速度和角速度进行坐标转换后，分别经过积分得到作为时间K的原始定位信息的状态变量包括位置信息XKYKZK、速度信息VXKVYKVZK和姿态矩阵ROLLKPITHKHEADINGK；00093利用加速度计和陀螺仪的输出数据，计算出在时间K的合加速度AKTOTAL及其方差在时间K的合角加速度WKTOTAL及其方差根据以下公式1至4组成的。
13、四个零速修正判断条件来判定脚是否着地，以完成一次计步0010说明书CN104197938A2/11页70011001200130014其中，AKTOTAL表示在时间K的合加速度,则是加速度的方差,WKTOTAL表示在时间K的合角加速度,是在运动方向上角加速度的方差，当且仅当上述四个判断条件都符合，即C1C2C3C41时，判定脚着地，完成一次计步并继续步骤2，否则判定脚在空中，一步未完成，返回步骤2；0015步骤2、若判定脚着地则触发零速修正条件下的卡尔曼滤波，对步骤2中计算出来的时间K的状态变量进行相应修正与补偿，得到更新后的状态变量0016卡尔曼滤波中所用的状态变量包括位置信息XKYKZK、。
14、速度信息VXKVYKVZK和姿态矩阵ROLLKPITHKHEADINGK，由步骤2计算得到00170018同时，计算预测状态变量状态变量的误差协方差矩阵PK|K1和状态转移矩阵FK0019002000210022其中，QK为高斯过程白噪声WK的协方差矩阵；状态转移矩阵FK和测量矩阵HK分别是状态转移方程FK和测量方程HK的导数，由公式9和10计算可得，状态转移方程FK是状态变量的一个非线性方程，测量方程HK则表征了位置和速度信息的函数关系；00230024HK0I330100025其中，I33是一个单位矩阵，ST是一个对称矩阵，在四元素法中用于表征身体坐标系的角速度，定义如下说明书CN1041。
15、97938A3/11页800260027其中矩阵F是加速度的坐标转移矩阵00280029其中，就是身体坐标系和地球坐标系之间的转换方程，ACC表示加速度；0030再计算三个中间量测量余量测量余量协方差SK和最优卡尔曼增益KK00310032ZKHKXKVK140033其中，ZK为状态变量的测量值,RK为零均值正态分布观测噪声VK的协方差矩阵；0034根据以上计算，结合最优卡尔曼增益KK和测量余量对其进行更新得到当前的状态00350036PK|KIKKHKPK|K1160037步骤3、从修正后的状态变量中提取第4、5、6列数据，得到经过修正后的速度信息VTVXT,VYT,VZTT作为网格细胞路径。
16、整合方法的输入，计算后得到新的位置信息，即地理空间方位改变量和方向角I0038A、设多层神经网络总层数为M，尺度参数为LM，同一网络层的网格细胞空间发放分布可以用BURGESS模型计算，对各层网络细胞进行以下计算0039设第I个细胞在T1时刻的活跃度为VIT1，则说明书CN104197938A4/11页900400041其中，N为细胞总数，IJT为相互间联系权值，为各层网络中所有细胞活跃度的均值，参数用于决定细胞间联系的强弱，为防止权值出现负值，设定VIT10时，VIT10；0042B、为了便于计算，此处增设一个均值细胞，用于获得细胞活跃度均值，均值细胞与其他细胞间连接权值均为1，为了模拟位置。
17、细胞的活动，采用高斯函数形式的权值，使得相邻细胞的活动得到增强，远距离细胞的活动受到抑制，该高斯函数IJT满足00430044其中，为第I个细胞在网格中位置，设NX，NY分别为X，Y方向的细胞个数，并且满足004500460047随着空间位置的变化，网格细胞神经发放图也将随之在各层网格细胞神经网络中发生相应变化，以更新后状态变量中的速度信息VTVXT,VYT,VZTT为输入量，网格细胞神经发放图MAPM与VT的对应关系为00480049其中，RMT为第M层网格与空间位置的转换比例，L0为网格尺度LM对应的空间距离，各网格细胞层L0相同，由于RMTLM/L0，则RMT与LM成正比关系；0,3为网。
18、络旋转偏移量；0050C、构建完成所有网络后，开始对网络细胞路径的整合，假设初始位置为坐标X0，Y0所代表的空间位置，其对应的网格细胞神经发放图中心的初始位置为以该细胞为中心，利用高斯函数设置各细胞的初始权值，确定其余细胞的发放；0051D、假设网格细胞与空间位置的转换比例为RMT，在M确定时，可通过初始尺度L1及尺度间隔L，利用LMQM1L计算各层的尺度，式中Q为常数因子，进而在设定地说明书CN104197938A5/11页10理空间距离L0基础上，计算各层与空间位置的转换比例；接着利用上述公式在各网络层依次计算不同时刻的神经细胞连接权值和细胞的活跃度，假设最大活跃细胞在TI时刻的网络位置变。
19、化量为其网络位置与前一时刻位置的相对方向为I，由于神经网络中的方位与地理空间方位存在对应的映射关系，因而基于网格细胞路径整合实质是通过计算网格细胞发放位置变化量及方位角变化量I计算TI时刻网格细胞发放位置与在各层神经网络的相对位置，最终可以利用转换比例RMT推算TI时刻的地理空间方位改变量和方向角I00520053步骤4、根据步骤3计算得到的地理空间方位改变量和方向角I，结合初始位置为坐标X0，Y0，绘制行人位置轨迹图，其具体实现如下0054利用地理空间方位改变量计算改变距离SI00550056每个距离变化都对应一个方向角I，因此其第I次轨迹绘制方式如下00570058本发明一种基于脚部惯性传。
20、感器的室内定位方法，使用了一个基于扩展卡尔曼滤波的估计架构，其中定位的位置和方向信息由惯性传感器的数据计算得到，而零速修正ZUPT使用了多条件判断准则，用于判断脚是否着地，当满足条件时将当时的速度置零并触发卡尔曼滤波估计，修正计算出来的速度、位置信息的非线性误差增长，之后将速度信息作为输入利用网格细胞路径整合方法进一步消除位置信息的漂移误差。附图说明0059图1为本发明的系统结构框架图；0060图2为本发明中零速修正判定流程图；0061图3为本发明中卡尔曼滤波动态系统模型图；0062图4为本发明中卡尔曼滤波方程计算流程图；0063图5为本发明中网格细胞神经网络各层构建流程图；0064图6为本发。
21、明中路径整合流程图；0065图7为本发明中行人轨迹绘制示意图。说明书CN104197938A106/11页110066以下结合附图和具体实施例对本发明作进一步详述。具体实施方式0067如图1、2所示，本发明一种基于脚部惯性传感器的室内定位方法，具体包括如下步骤0068步骤1、实时采集加速度计加速度传感器或方向传感器和陀螺仪的数据获得行人步行方向信息并进行计步00691步行开始时初始对准，确定定位起点，并通过陀螺仪的初始数据确定初始偏航角；00702对加速度计和陀螺仪输出的加速度和角速度进行坐标转换后，分别经过积分得到作为时间K的原始定位信息的状态变量包括位置信息XKYKZK、速度信息VXKVY。
22、KVZK和姿态矩阵ROLLKPITHKHEADINGK；00713利用加速度计和陀螺仪的输出数据，计算出在时间K的合加速度AKTOTAL及其方差在时间K的合角加速度WKTOTAL及其方差根据以下公式1至4组成的四个零速修正ZUPT判断条件来判定脚是否着地，以完成一次计步00720073007400750076其中，AKTOTAL表示在时间K的合加速度,则是加速度的方差,WKTOTAL表示在时间K的合角加速度,是在运动方向上角加速度的方差，当且仅当上述四个判断条件都符合，即C1C2C3C41时，判定脚着地，完成一次计步并继续步骤2，否则判定脚在空中，一步未完成，返回步骤2；0077步骤2、若判定。
23、脚着地则触发零速修正ZUPT条件下的卡尔曼滤波，对步骤2中计算出来的时间K的状态变量进行相应修正与补偿，得到更新后的状态变量0078卡尔曼滤波的任务是估计和修正状态变量的误差，其触发时间为脚着地的瞬间，也就是说当满足零速修正ZUPT条件时会触发卡尔曼滤波，其估计状态变量的误差说明书CN104197938A117/11页12过程分为两个阶段预测和状态更新，其动态系统模型如图3所示。0079卡尔曼滤波中所用的状态变量包括位置信息XKYKZK、速度信息VXKVYKVZK和姿态矩阵ROLLKPITHKHEADINGK，由步骤2计算得到00800081同时，计算预测状态变量状态变量的误差协方差矩阵PK|。
24、K1和状态转移矩阵FK0082008300840085其中，QK为高斯过程白噪声WK的协方差矩阵；状态转移矩阵FK和测量矩阵HK分别是状态转移方程FK和测量方程HK的导数，由公式9和10计算可得，状态转移方程FK是状态变量的一个非线性方程，测量方程HK则表征了位置和速度信息的函数关系；00860087HK0I330340088其中，I33是一个单位矩阵，ST是一个对称矩阵，在四元素法中用于表征身体坐标系的角速度，定义如下00890090其中矩阵F是加速度的坐标转移矩阵00910092其中，就是身体坐标系和地球坐标系之间的转换方程，ACC表示加速度；说明书CN104197938A128/11页1。
25、30093再计算三个中间量测量余量测量余量协方差SK和最优卡尔曼增益KK00940095ZKHKXKVK380096其中，ZK为状态变量的测量值,RK为零均值正态分布观测噪声VK的协方差矩阵；0097根据以上计算，结合最优卡尔曼增益KK和测量余量对其进行更新得到当前的状态00980099PK|KIKKHKPK|K1400100这就是卡尔曼滤波对误差做了估计和修正之后的结果，其卡尔曼滤波方程计算流程如图4所示。0101步骤3、从修正后的状态变量其形式定义如公式5中提取第4、5、6列数据，得到经过修正后的速度信息VTVXT,VYT,VZTT作为网格细胞路径整合方法的输入，得到新的位置信息，即地理空。
26、间方位改变量和方向角I0102卡尔曼滤波虽然修正了速度、位置信息的非线性误差增长，但并不能很好的修正陀螺仪方向漂移误差，若直接将该位置信息作为输出，则轨迹绘制中将包含漂移误差，因此，本发明以修正后的速度信息作为网格细胞路径整合方法的输入，重新计算位置信息以去除其漂移误差。0103网格细胞是动物大脑中的一种细胞，存在于内嗅皮层，具有显著的空间放电特征，并呈现出网格图样的放电结构。它的主要作用是帮助动物和人类认路。网格细胞在特定空间位置发生重复性的放电，多个放电空间相互交叠形成网格节点，连接网格节点便形成以等边三角形为基本结构的网格。模拟网格细胞形成的放电野可以与外部空间旋转同步，且角度相同；空间。
27、范围越大，网格节点数量越多。放电野具有4个基本参数1间距，即各节点间的距离；2方向，即网格相对于参考坐标系的旋转角度；3位相，即网格相对于参考点的位移；4放电野大小，即空间放电范围。0104根据网格细胞路径整合的机制本发明采用一组尺度不断变化的多层神经网络来模拟，各层神经网络使用BURGESS构造的振荡干涉神经网络模型实现。其实现由模拟网格细胞神经网络各层构建如图5和路径整合如图6两部分构成。0105A、设多层神经网络总层数为M，尺度参数为LM，同一网络层的网格细胞空间发放分布可以用BURGESS模型计算，对各层网络细胞进行以下计算0106设第I个细胞在T1时刻的活跃度为VIT1，则说明书CN。
28、104197938A139/11页1401070108其中，N为细胞总数，IJT为相互间联系权值，为各层网络中所有细胞活跃度的均值，参数用于决定细胞间联系的强弱，为防止权值出现负值，设定VIT10时，VIT10；0109B、为了便于计算，此处增设一个均值细胞，用于获得细胞活跃度均值，均值细胞与其他细胞间连接权值均为1，为了模拟位置细胞的活动，采用高斯函数形式的权值，使得相邻细胞的活动得到增强，远距离细胞的活动受到抑制，该高斯函数IJT满足01100111其中，为第I个细胞在网格中位置，设NX，NY分别为X，Y方向的细胞个数，并且满足011201130114随着空间位置的变化，网格细胞神经发放图。
29、也将随之在各层网格细胞神经网络中发生相应变化，以更新后状态变量中的速度信息VTVXT,VYT,VZTT为输入量，网格细胞神经发放图MAPM与VT的对应关系为01150116其中，RMT为第M层网格与空间位置的转换比例，L0为网格尺度LM对应的空间距离，各网格细胞层L0相同，由于RMTLM/L0，则RMT与LM成正比关系；0,3为网络旋转偏移量；0117C、构建完成所有网络后，就开始对网络细胞路径的整合，假设初始位置为坐标X0，Y0所代表的空间位置，其对应的网格细胞神经发放图中心的初始位置为以该细胞为中心，利用高斯函数设置各细胞的初始权值，确定其余细胞的发放；0118D、假设网格细胞与空间位置的。
30、转换比例为RMT，在M确定时，可通过初始尺度L1说明书CN104197938A1410/11页15及尺度间隔L，利用LMQM1L计算各层的尺度，式中Q为常数因子，进而在设定地理空间距离L0基础上，计算各层与空间位置的转换比例；接着就可以利用上述公式在各网络层依次计算不同时刻的神经细胞连接权值和细胞的活跃度，假设最大活跃细胞在TI时刻的网络位置变化量为其网络位置与前一时刻位置的相对方向为I，由于神经网络中的方位与地理空间方位存在对应的映射关系，因而基于网格细胞路径整合实质是通过计算网格细胞发放位置变化量及方位角变化量I计算TI时刻网格细胞发放位置与在各层神经网络的相对位置，最终可以利用转换比例R。
31、MT推算TI时刻的地理空间方位改变量和方向角I01190120网格细胞发放位置变化量及方位角变化量I还可通过统计网格细胞发放变化得到，若TI时刻较TI1时刻网络变化量为则01210122每隔时间T0，利用低层尺度路径整合的结果调整高层尺度路径整合，提高空间位置的整合精度。0123步骤4、如图7所示，根据步骤3计算得到的地理空间方位改变量和方向角I，结合初始位置为坐标X0，Y0，绘制行人位置轨迹图，其具体实现如下0124利用地理空间方位改变量计算改变距离SI说明书CN104197938A1511/11页1601250126每个距离变化都对应一个方向角I，因此其第I次轨迹绘制方式如下01270128以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。说明书CN104197938A161/5页17图1图2说明书附图CN104197938A172/5页18图3图4说明书附图CN104197938A183/5页19图5说明书附图CN104197938A194/5页20图6说明书附图CN104197938A205/5页21图7说明书附图CN104197938A21。