基于GLRT零速檢測算法的行人室內(nèi)定位系統(tǒng)*

樊啟高,孫 艷,孫璧文,莊祥鵬

(江南大學物聯(lián)網(wǎng)工程學院,江蘇 無錫 214122)

基于GLRT零速檢測算法的行人室內(nèi)定位系統(tǒng)*

樊啟高*,孫 艷,孫璧文,莊祥鵬

(江南大學物聯(lián)網(wǎng)工程學院,江蘇 無錫 214122)

針對微機電系統(tǒng)中慣性傳感器漂移大、精度低導致室內(nèi)行人定位精度不高的問題,本系統(tǒng)在慣性導航解算算法的基礎上,提出基于廣義似然比檢驗的零速檢測算法。該方法是利用廣義似然比檢驗對行人處于站立相或擺動相的概率進行估計以及進行零速更新,提高行人定位精度?；诒疚奶岢龅男腥耸覂?nèi)定位模型,搭建以慣性測量單元為核心的實驗平臺,評估本文算法的可行性。實驗結(jié)果表明行人定位的動態(tài)誤差為-1.814 1 m～1.451 6 m,置信度為97.61%。表明本文的行人室內(nèi)定位系統(tǒng)滿足實際定位的要求。

行人室內(nèi)定位;慣性導航解算算法;廣義似然比檢驗;零速檢測算法;慣性測量單元;

現(xiàn)在的定位與導航技術(shù)已經(jīng)比較成熟,在人們?nèi)粘５纳钪?各種設備中的系統(tǒng)都在為人們提供地理信息服務,如手機導航[1],車載導航系統(tǒng)[2],等,這些定位與導航技術(shù)基本是基于全球定位系統(tǒng)GPS(Global Position System)[3]。由于現(xiàn)在城市化進程的加快,大而密封的室內(nèi)環(huán)境日益增多,各種高樓和地下場所也層出不窮。因此基于無線傳感器網(wǎng)絡[4]、RFID[5]、ZigBee[6]、藍牙[7]等室內(nèi)定位技術(shù)也日漸興起。同時這些技術(shù)易受室內(nèi)環(huán)境的干擾,因此可克服室內(nèi)復雜環(huán)境的基于微機電慣性測量單元 MEMS IMU(Micro-Electro-Mechanical System-Inertial Measurement Unit)[8]的行人室內(nèi)定位技術(shù)被提出。MEMS IMU不易受外界環(huán)境因素的干擾并具有自主性,可滿足在封閉的無射頻信號的室內(nèi)環(huán)境下定位技術(shù)的要求。

目前行人室內(nèi)定位算法是分為兩種,一種是行人航跡推算PDR(Pedestrian Dead Reckoning)算法[9],其主要包括航向估計、布頻估計、步長估計以及濾波。PDR算法雖降低對傳感器精度的要求,但精度不能滿足復雜的室內(nèi)環(huán)境的要求;另一種為基于零速更新ZUPT(Zero Velocity Update)[10]的慣性導航系統(tǒng)INS(Inertial Navgation System)算法[11],其具有精度高,穩(wěn)定好等特性,可滿足室內(nèi)行人定位要求。

目前,一些學者利用加速度計、陀螺儀輸出值,得到其峰值、幅值或方差,與設定的閾值進行比較,提取出行人步態(tài)中的零速區(qū)間,進行零速更新[12-13]。但易受慣性元器件輸出累積誤差的影響,存在零速點不能完全被提取以及零速點誤判等問題。因此本文提出的基于廣義似然比檢驗法GLRT(Generalized Likelihood Rate Test)[14]的零速更新算法是對行人處在站立相和擺動相的概率進行估計,結(jié)合GLRT對速度實時檢測并修正,提高捷聯(lián)慣性導航系統(tǒng)的解算精度。

為驗證本文算法的合理性和精確性,分別做3組不同速度下的加速度峰值檢測+角速度閾值法,加速度峰值檢測+角速度閾值+時間閾值法以及基于GLRT的行人步態(tài)零速區(qū)間檢測法提取零速點的精確度的實驗,以及室內(nèi)行人定位軌跡對比實驗。實驗結(jié)果表明本文的行人定位系統(tǒng)滿足實際要求。

1 室內(nèi)行人定位算法

本文提出的行人定位算法包括慣性導航解算算法、步態(tài)區(qū)間檢測算法以及濾波算法。如圖1所示,通過加速度計以及陀螺儀的輸出值進行慣性導航系統(tǒng)解算得到速度、姿態(tài)以及位置,同時步態(tài)區(qū)間檢測算法判斷行人處于何種步態(tài),進行零速更新,結(jié)合擴展卡爾曼濾波EKF(Extended Kalman Filter)對速度、姿態(tài)、位置進行修正,提高行人定位系統(tǒng)的精度。

圖1 室內(nèi)行人定位算法結(jié)構(gòu)圖

1.1 慣性導航解算算法

圖2 MEMS IMU的三軸方向示意圖

IMU的輸出誤差是隨著時間的增加而增加,因此對加速度和角速率減去由EKF估計出的誤差值,得到補償后的角速率值、加速度值:

(1)

(2)

從載體坐標系轉(zhuǎn)換到導航坐標系,需要通過姿態(tài)矩陣的過渡,因此:

(3)

(4)

隨后更新在k時刻未經(jīng)EKF修正的速度、位置值:

(5)

(6)

rn,k|k-1=rn,k-1|k-1+vn,k|k-1×Δt

(7)

經(jīng)過EKF修正后的速度、位置值為:

(8)

(9)

隨后更新在k時刻的姿態(tài)矩陣:

(10)

式中:?θk表示小角度的反對稱矩陣:

(11)

式中:?φk表示在k時刻轉(zhuǎn)動的小角度。

1.2 步態(tài)區(qū)間檢測算法

行人的行走的步態(tài)可以分為兩種情況:擺動相和站立相;擺動相表示此刻行人的腳在運動階段,站立相表示此刻的行人的腳與地面完全接觸階段。理論上行人處于站立相的時刻,角速度值和水平加速度值應為零以及豎直方向的加速度值應等于重力常量。多數(shù)的靜態(tài)區(qū)間檢測算法是基于對IMU輸出參量的模值、方差以及幅值和已設定的閾值進行比較,提取出步態(tài)中的零速點。這類算法一方面易受到IMU的誤差積累的影響;另一方面行人在行走過程中,足部與地面的接觸時間特別短,這類算法易誤判零速區(qū)間導致丟失零速點,導致行人的速度、位置誤差增加。本文提出的靜態(tài)區(qū)間檢測算法是通過對行人處于站立相、擺動相進行概率分配,再根據(jù)GLRT算法,確定出行人的站立相。

設行人處于擺動相的狀態(tài)值為:H0,處于站立相的狀態(tài)值為:H1。假設H1為真值時,此時行人處于擺動狀態(tài)的概率表達式為:PFA=Pr{H1|H0},以及假設H0為真值時,行人處于擺動狀態(tài)的概率表達式為PD=Pr{H1|H1}。根據(jù)Neyman-Pearson定理,最大化PD,使PFA=a(a表示顯著水平,根據(jù)實際情況給定)[15]。若:

(12)

表示此刻行人是處于H1。式中:γ表示檢測的閾值,L(#)表示對于每一個Zn的值的似然比(即對于H0、H1假設的可能性)。

閾值γ的確定取決于:

(13)

若假設行人處于H0狀態(tài),對比力和角速度進行建模、分析是有難度的。因此通常是假設行人處在H1狀態(tài),則以下兩種情況是成立:①加速度計測量的比力值,只是由于地面對萬有引力的對峙加速度,其大小是已知的。②IMU的姿態(tài)是不變的,即它的角速度為零。

即:

(14)

(15)

在系統(tǒng)中,θ是不可以忽略的,本文采用了極大似然估計法對θ進行估計,并結(jié)合式(12)得到:

(16)

(17)

(18)

(19)

(20)

可得:

(21)

(22)

式中:un∈Ωu。

(23)

(24)

所以,式(20)變?yōu)?

(25)

簡化式(25),基于GLRT的行人零速區(qū)間檢測算法公式如下:

(26)

(27)

式中:γ′=-2ln(γ)/N。γ′根據(jù)實際情況而定。

2 擴展卡爾曼濾波

擴展卡爾曼濾波可以運用非線性化的系統(tǒng)[16],因此在慣性導航系統(tǒng)中有著廣泛的應用。

在本文中,EKF的狀態(tài)估計值為:

(28)

狀態(tài)一步預測方程:

(29)

狀態(tài)矩陣:

(30)

(31)

(32)

量測方程:

(33)

式中:Zk表示在k時刻的量測值,H表示量測矩陣,nk表示的量測噪聲矩陣。

3 實驗驗證與結(jié)果分析

3.1 實驗配置

實驗采用荷蘭Xsens公司的Mti系列MEMS IMU。它主要由3個相互正交的加速度計、3個陀螺儀及1個三軸磁傳感器組成,MEMS IMU中的傳感器性能表如表1所示。

表1 MEMS IMU的性能參數(shù)

3.2 實驗結(jié)果與分析

為驗證本文的行人航跡推算算法的正確性,進行3組對比實驗進行驗證。

3.2.1 靜態(tài)檢測對比實驗

實驗過程中,將MEMS IMU安裝在右腳上進行以下幾組實驗。

通過MEMS IMU數(shù)據(jù)的收集,利用加速度峰值檢測加角速度閾值的靜態(tài)檢測算法、加速度峰值檢測加角速度閾值加時間閾值的靜態(tài)檢測算法以及基于GLRT的零速更新算法分別計算行人在不同速度下的行走的步數(shù)。

實驗結(jié)果如表2所示,通過數(shù)據(jù)對比說明基于GLRT的零速更新算法更能快速有效的檢測出行人行走的步數(shù),其正確性以及精確性得到驗證。

表2 不同方法對不同運動模式的步數(shù)檢測

3.2.2 零速更新算法驗證實驗

為了驗證基于GLRT的零速更新算法的有效性,進行基于GLRT的零速更新算法的值與加速度、角速度的幅值的對比實驗。

在圖3和圖4中,通過對基于GLRT的零速更新算法的值與加速度、角速度的幅值進行對比,表明基于GLRT的零速更新算法可準確且快速地檢測行人的站立相,因此證明該算法可實時進行零速修正。圖6表示基于GLRT的零速更新算法對速度進行修正,結(jié)果表明速度可得到及時有效的更新,行人定位的精確性得到提高。

圖3 |ω|與GLRT的對比

圖4 |a|與GLRT的對比

圖5 GLRT對|v|的修正

3.2.3 行人定位軌跡對比實驗

為了驗證本文中的行人定位算法的有效性,在室內(nèi)的空地處進行行人軌跡對比實驗。

圖6表示的是各個行人軌跡圖,實驗結(jié)果如表3所示,實驗數(shù)據(jù)表明:提出的基于GLRT零速檢測算法的行人定位算法的定位效果穩(wěn)定且不存在發(fā)散問題,同時定位效果優(yōu)于另兩種算法。

圖6 行人定位軌跡圖

參數(shù)a+ωa+ω+tGLRT誤差范圍/m-3.2729～0.6537-1.5151～1.7769-1.8141～1.4516平均誤差/m0.90130.63120.3023殘差率0.11700.06350.0239置信度0.88300.93650.9761

4 結(jié)束語

本文的基于GLRT的行人步態(tài)零速區(qū)間檢測算法對行人的站立相進行實時的檢測,使行人的零速更新的效果更穩(wěn)定、更精確。因此,基于該零速檢測算法的行人定位算法相比較于其他行人定位算法,定位效果最佳。實驗結(jié)果表明提出的定位算法置信度為0.976 1,定位效果穩(wěn)定,滿足實際生活中定位的要求。

[1] 唐榮年,曾雄梅. 基于北斗衛(wèi)星和藍牙技術(shù)的Android手機導航系統(tǒng)設計[J]. 武漢理工大學學報,2015,37(6):104-108.

[2] Large D R,Burnett G,Benford S,et al. Crowdsourcing Good Landmarks for in-Vehicle Navigation Systems[J]. Behaviour and Information Technology,2016:1-10.

[3] 吳甜甜,張云,劉永明,等. 北斗/GPS組合定位方法[J]. 遙感學報,2014,18(5):1087-1097.

[4] 朱素文,曾憲華,胡夢. 改進的局部保持典型相關(guān)分析的無線傳感器網(wǎng)絡節(jié)點定位方法簡[J]. 傳感技術(shù)學報,2016,29(10):1579-1588.

[5] Ruiz A R J,Granja F S,Honorato J C P,et al. Accurate Pedestrian Indoor Navigation by Tightly Coupling Foot-Mounted IMU and RFID Measurements[J]. IEEE Transactions on Instrumentation and Measurement,2012,61(1):178-189.

[6] Cheon J,Hwang H,Kim D,et al. IEEE 802.15. 4 ZigBee-Based Time-of-Arrival Estimation for Wireless Sensor Networks[J]. Sensors,2016,16(2):203.

[8] 李超,蘇中,朱嘉林. 可穿戴式自主定位技術(shù)的零速觸發(fā)算法研究[J]. 傳感技術(shù)學報,2014,27(5):627-632.

[9] 王亞娜,蔡成林,李思民,等. 基于行人航跡推算的室內(nèi)定位算法研究[J]. 電子技術(shù)應用,2017,43(4):86-89.

[10] Lan K C,Shih W Y. On Calibrating the Sensor Errors of a PDR-Based Indoor Localization System[J]. Sensors,2013,13(4):4781-4810.

[11] 馮培德. 論混合式慣性導航系統(tǒng)[J]. 中國慣性技術(shù)學報,2016(3):281-284.

[12] 王普,潘凱,任明榮,等. 基于偽自適應閾值零速檢測法的室內(nèi)個人導航系統(tǒng)[J]. 北京工業(yè)大學學報,2015,41(9):1308-1313.

[13] 李超,蘇中,朱嘉林. 可穿戴式自主定位技術(shù)的零速觸發(fā)算法研究[J]. 傳感技術(shù)學報,2014,27(5):627-632.

[14] Sang S,Zhai R,Zhang W,et al. A Self-Developed Indoor Three-Dimensional Pedestrian Localization Platform Based on MEMS Sensors[J]. Sensor Review,2015,35(2):157-167.

[15] Sengijpta S K. Fundamentals of Statistical Signal Processing:Estimation Theory[J]. Technometrics,1995,37(4):465-466.

[16] 安雷,張國良,張維平,等. 移動機器人擴展卡爾曼濾波定位與傳感器誤差建模[J]. 信息與控制,2012,41(4):406-412.

樊啟高(1986-),男,漢族,江西南昌人,江南大學物聯(lián)網(wǎng)工程學院副教授,主要研究方向為智能傳感與控制;

孫艷(1993-),女,漢族,江蘇鹽城人,無錫江南大學物聯(lián)網(wǎng)學院在讀研究生,主要研究方向為封閉環(huán)境內(nèi)導航定位;

莊祥鵬(1993-),男,漢族,福建泉州人,江南大學物聯(lián)網(wǎng)工程學院研究生,主要研究方向為智能傳感與控制。

PedestrianIndoorPositioningSystemBasedonGLRTZeroSpeedDetection*

FANQigao*,SUNYan,SUNBiwen,ZHUANGXiangpeng

(Jiang Nan University,School of IOT Engineering,Wuxi Jiangsu 214122,China)

Due to the inertial sensors’s large drift and low accuracy in micro electro mechanical system,the accuracy of pedestrian indoor location is low. Based on the inertial navigation,this paper presents the zero speed detection algorithm of the generalized likelihood ratio test. This algorithm uses the generalized likelihood ratio test to estimate the probability of pedestrians standing or swinging,and updates the speed of the standing,in order to improve the accuracy pedestrian location. Based on the proposed indoor pedestrian location model,build an experimental platform with the inertial measurement unit,and evaluate the feasibility of the model. The experimental results show that the dynamic error is -1.814 1 m～1.451 6 m,and the confidence level is 97.61%,and indicate this pedestrian indoor positioning system meets the requirements of practical location.

pedestrian indoor location;inertial navigation;generalized likelihood ratio test;nertial measurement unit

TP212

A

1004-1699(2017)11-1706-06

項目來源:國家自然科學基金項目(51405198);中央高校專項自主科研項目(JUSRP11464);江蘇省2016年度普通高校研究生實踐創(chuàng)新計劃項目(SJZZ16_0219)

2017-03-23修改日期2017-07-07

10.3969/j.issn.1004-1699.2017.11.016