覃昊潔， 閻 波， 林水生， 周 亮， 肖卓凌， 余新國(guó)

（電子科技大學(xué)信息與通信工程學(xué)院，成都 611731）

0 引 言

隨著時(shí)代的發(fā)展和科技的進(jìn)步，定位導(dǎo)航技術(shù)已普及到社會(huì)生活和生產(chǎn)的各個(gè)領(lǐng)域，并逐漸顯示出良好的技術(shù)發(fā)展前景和巨大的市場(chǎng)應(yīng)用空間［1］。與室外環(huán)境相比，室內(nèi)環(huán)境要復(fù)雜得多，建筑物的布局、內(nèi)部結(jié)構(gòu)、材料、裝飾裝修情況等都會(huì)對(duì)室內(nèi)定位效果產(chǎn)生影響［2］。慣性傳感器定位作為室內(nèi)定位導(dǎo)航技術(shù)的關(guān)鍵技術(shù)，在室內(nèi)導(dǎo)航、殘障引導(dǎo)、智慧城市、智能搜救等領(lǐng)域皆有廣泛應(yīng)用［3］。在實(shí)際教學(xué)中，步行者室內(nèi)自主導(dǎo)航定位技術(shù)由于實(shí)用性強(qiáng)、應(yīng)用領(lǐng)域廣、實(shí)驗(yàn)效果直觀等特點(diǎn)，能很好激發(fā)學(xué)生的學(xué)習(xí)興趣和探索精神。步行者室內(nèi)自主定位技術(shù)需要融合《高等數(shù)學(xué)》《微處理器系統(tǒng)與嵌入式系統(tǒng)設(shè)計(jì)》《傳感器原理》《無(wú)線傳感器網(wǎng)絡(luò)》等基礎(chǔ)課程知識(shí)與定位導(dǎo)航知識(shí)，非常適合為高校電子類(lèi)專業(yè)開(kāi)設(shè)綜合性和設(shè)計(jì)性強(qiáng)的研究型實(shí)驗(yàn)。

現(xiàn)階段步行者室內(nèi)自主定位實(shí)驗(yàn)主要應(yīng)用ZigBee、RFID、超聲波、WiFi、計(jì)算機(jī)視覺(jué)和慣性傳感器等技術(shù)開(kāi)設(shè)，普遍對(duì)室內(nèi)環(huán)境要求較高且部署復(fù)雜，維護(hù)難度高。例如ZigBee要求室內(nèi)盡量空曠，計(jì)算機(jī)視覺(jué)需要在定位前已知室內(nèi)結(jié)構(gòu)平面圖，Wi-Fi需提前部署復(fù)雜的基礎(chǔ)設(shè)施輔助定位等［4-6］。目前，只有基于慣性傳感器的定位技術(shù)在保障準(zhǔn)確率的前提下無(wú)需依靠任何外部信號(hào)實(shí)現(xiàn)自主定位，適用于復(fù)雜的室內(nèi)環(huán)境［7］。慣導(dǎo)系統(tǒng)還具有體積小、價(jià)格便宜、無(wú)需額外搭建、穩(wěn)定性強(qiáng)等特點(diǎn)。

傳統(tǒng)步行者室內(nèi)慣導(dǎo)定位實(shí)驗(yàn)多利用固定閾值法或基于固定閾值的衍生法修正慣性導(dǎo)航長(zhǎng)時(shí)間誤差累積，提高定位準(zhǔn)確率。實(shí)驗(yàn)不僅涉及傳統(tǒng)的硬件設(shè)計(jì)，還需要進(jìn)行算法研究、閾值選取、算法實(shí)現(xiàn)、實(shí)驗(yàn)測(cè)試、數(shù)據(jù)分析及反向調(diào)整，有利于培養(yǎng)學(xué)生解決復(fù)雜工程問(wèn)題的能力。在正常速度步行時(shí)，學(xué)生通過(guò)仿真和反向調(diào)整選取合適的閾值可得到較好的定位準(zhǔn)確率，項(xiàng)目式教學(xué)能很好地培養(yǎng)學(xué)生的分析、設(shè)計(jì)、驗(yàn)證及調(diào)試能力，實(shí)驗(yàn)取得了較好的教學(xué)效果。實(shí)際教學(xué)中發(fā)現(xiàn)固定閾值應(yīng)用于不同的行人，不同的運(yùn)動(dòng)模式時(shí)，算法的修正效果表現(xiàn)不佳［8］。學(xué)生根據(jù)不同的情況，重新擬定合適閾值并手動(dòng)切換后，在快走和跑步時(shí)定位效果仍不理想。為保證定位準(zhǔn)確率手動(dòng)切換閾值或限制行人的運(yùn)動(dòng)模式，在實(shí)際工程應(yīng)用中都是不切實(shí)際的。針對(duì)這一問(wèn)題，課程組將人工智能引入傳統(tǒng)算法，自適應(yīng)地識(shí)別零速更新點(diǎn)和非零速更新點(diǎn)，根據(jù)教學(xué)實(shí)際需要搭建兼顧準(zhǔn)確率和硬件開(kāi)銷(xiāo)的輕量級(jí)神經(jīng)網(wǎng)絡(luò)。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法能有效提高零速區(qū)間的檢測(cè)準(zhǔn)確率，在多種運(yùn)動(dòng)模式下均能保證定位準(zhǔn)確率。

1 傳統(tǒng)步行者室內(nèi)慣導(dǎo)定位實(shí)驗(yàn)

傳統(tǒng)步行者室內(nèi)慣導(dǎo)定位實(shí)驗(yàn)主要把慣性傳感器直接固定連接在步行者身上（腰、腿、腳），測(cè)量步行者的線運(yùn)動(dòng)信息和角運(yùn)動(dòng)信息，通過(guò)對(duì)加速度積分得到步行者的速度和位置信息，再結(jié)合姿態(tài)矩陣運(yùn)算得到行進(jìn)方向。慣性傳感器都存在噪聲，多次積分會(huì)導(dǎo)致誤差不斷積累，致使步行者的定位軌跡快速發(fā)散［9］。業(yè)界普遍應(yīng)用零速檢測(cè)算法修正此類(lèi)誤差［10］。零速檢測(cè)算法主要結(jié)合卡爾曼濾波算法和人類(lèi)行走的生物學(xué)特征，在零速區(qū)間（腳接觸地面并在短時(shí)間內(nèi)保持靜止的時(shí)間段）利用卡爾曼濾波算法估算速度和方向的誤差，更新預(yù)測(cè)速度和方向的值。零速檢測(cè)算法在步行者每次進(jìn)入零速區(qū)間時(shí)都對(duì)誤差進(jìn)行修正，定位系統(tǒng)利用更新方程避免不斷累積誤差而長(zhǎng)期穩(wěn)定運(yùn)行。

為獲得與實(shí)際長(zhǎng)期軌跡更一致的結(jié)果，需要準(zhǔn)確檢測(cè)每個(gè)步態(tài)周期的零速區(qū)間［11］。多數(shù)零速檢測(cè)算法是基于對(duì)傳感器輸出的加速度和角速度的模值、方差以及幅值和已設(shè)定的閾值進(jìn)行比較，提取出步態(tài)中的零速點(diǎn)［12］。閾值的設(shè)定與行人體態(tài)和運(yùn)動(dòng)模式都密切相關(guān)［13］，基于固定閾值的零速檢測(cè)算法在不同的行人和不同的運(yùn)動(dòng)模式下常常存在零速區(qū)間范圍不精確，甚至漏檢的情況［14］，大大影響定位系統(tǒng)的定位準(zhǔn)確率和實(shí)用性。例如，圖1顯示通過(guò)固定閾值法判斷零速區(qū)間的示意圖。

圖1 固定閾值零速區(qū)間檢測(cè)示意圖

式中：ω為角速度；b為角速度基于載體坐標(biāo)系。利用角速度的二范數(shù)作為閾值判定k時(shí)刻采樣點(diǎn)是否零速更新點(diǎn)：

式中：thgyro為預(yù)先在系統(tǒng)里設(shè)置的固定閾值，圖中用紅線標(biāo)示；zvk為1時(shí)該點(diǎn)判定為零速更新點(diǎn)?？梢?jiàn)，正常勻速行走時(shí)，固定閾值得到的零速區(qū)間陀螺儀輸出值接近0且波動(dòng)很小，與實(shí)際的零速區(qū)間一致，但該閾值在行人跑步時(shí)基本無(wú)法檢測(cè)出零速點(diǎn)。

2 基于神經(jīng)網(wǎng)絡(luò)的步行者室內(nèi)慣導(dǎo)定位

2.1 基于神經(jīng)網(wǎng)絡(luò)的步行者室內(nèi)慣導(dǎo)定位算法

傳統(tǒng)實(shí)驗(yàn)算法泛化性不佳，關(guān)鍵在于無(wú)法根據(jù)不同情況精確選取合適的零速區(qū)間閾值，無(wú)法在準(zhǔn)確的零速更新點(diǎn)修正誤差。零速更新點(diǎn)的選取，本質(zhì)上是提取特征進(jìn)行有效分類(lèi)，神經(jīng)網(wǎng)絡(luò)在特征提取方面應(yīng)用廣泛，尤其是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）在對(duì)提取的特征進(jìn)行分類(lèi)時(shí)表現(xiàn)出色［15］。CNN可以把初始的“低層”特征表示轉(zhuǎn)化為“高層”特征表示，用“簡(jiǎn)單模型”完成復(fù)雜的分類(lèi)等學(xué)習(xí)任務(wù)［16］。

基于神經(jīng)網(wǎng)絡(luò)的步行者室內(nèi)慣導(dǎo)定位算法在傳統(tǒng)算法的基礎(chǔ)上引入CNN進(jìn)行零速更新點(diǎn)的判定，圖2為該算法的流程圖。

圖2 基于神經(jīng)網(wǎng)絡(luò)的步行者室內(nèi)慣導(dǎo)定位算法流程圖

加速度和角速度數(shù)據(jù)通過(guò)捷聯(lián)式慣性傳感器收集后，在數(shù)據(jù)預(yù)處理系統(tǒng)中進(jìn)行低通濾波和標(biāo)準(zhǔn)化等處理得到當(dāng)前加速度、速度、角速度信息，把這些信息輸入到訓(xùn)練好的CNN模型中，模型一旦判斷當(dāng)前為零速點(diǎn)，立即利用擴(kuò)展卡爾曼濾波算法估算誤差，對(duì)觀測(cè)值進(jìn)行更新

式中：Vk｜k、Pk｜k分別為更新后的速度和位置；Vk｜k－1、Pk｜k－1分別為根據(jù)上一個(gè)采樣點(diǎn)得到的預(yù)測(cè)速度和位置；δ（Vk）、δ（Pk）分別為擴(kuò)展卡爾曼濾波算法得到的速度和位置的估計(jì)誤差。如果不是零速更新點(diǎn)，則直接根據(jù)上一次計(jì)算得到的位置信息進(jìn)行累積運(yùn)算：

式中：a為慣性傳感器測(cè)量到的三軸加速度；Δ（t）為采樣間隔。

2.2 CNN的搭建

基于零速更新的慣導(dǎo)定位算法只需進(jìn)行簡(jiǎn)單的二分類(lèi)，且搭建的神經(jīng)網(wǎng)絡(luò)模型要應(yīng)用于實(shí)驗(yàn)教學(xué)，因此網(wǎng)絡(luò)要在保證定位準(zhǔn)確率的前提下盡量小，減小學(xué)生的訓(xùn)練難度并保障算法可移植到常用實(shí)驗(yàn)設(shè)備上。本文在Google開(kāi)發(fā)的比較成熟的TensorFlow系統(tǒng)上進(jìn)行網(wǎng)絡(luò)搭建，經(jīng)過(guò)多次實(shí)驗(yàn)，最終的網(wǎng)絡(luò)模型如圖3所示。

圖3 實(shí)驗(yàn)中搭建的CNN模型示意圖

網(wǎng)絡(luò)中主要包含2個(gè)卷積層、2個(gè)池化層和1個(gè)全連接層。輸入層每個(gè)樣本由54個(gè)采樣點(diǎn)組成，每個(gè)采樣點(diǎn)分別包含3軸加速度和3軸角速度，其中加速度和角速度分別通過(guò)2個(gè)通道輸入。網(wǎng)絡(luò)中的卷積核大小最終設(shè)置為3×3矩陣，卷積層的卷積核個(gè)數(shù)分別為6和12個(gè)，采用補(bǔ)零填充的策略。采樣層中的池化窗口為2×2矩陣，窗口橫向移動(dòng)步長(zhǎng)為1，縱向移動(dòng)步長(zhǎng)為2。采樣策略可根據(jù)需要調(diào)整，默認(rèn)為最大采樣。全連接層根據(jù)權(quán)重優(yōu)化組合池化層2中12個(gè)14×1矩陣，最后全連接層的結(jié)果通過(guò)Sigmoid函數(shù)輸出，并與預(yù)先設(shè)定好的一個(gè)固定常數(shù)進(jìn)行對(duì)比，大于該常數(shù)則判定為1，否則判定為0。

2.3 CNN的訓(xùn)練

為保證算法的泛化性，訓(xùn)練樣本集隨機(jī)選取一個(gè)實(shí)驗(yàn)教學(xué)班內(nèi)85%的同學(xué)（本實(shí)驗(yàn)選取40人）標(biāo)定為集合A，這些同學(xué)以常速行走、快速走及跑步3種模式分別在實(shí)驗(yàn)樓內(nèi)連續(xù)移動(dòng)，每種模式至少走4個(gè)軌跡，最短的軌跡約50 m，最長(zhǎng)的約1 km，例如集合A中的元素A1可表示為A1＝{ W1，WF1，R1}；W為常速走軌跡集合；WF為快走軌跡集合；R為跑步軌跡集合。

驗(yàn)證樣本集由班內(nèi)剩余15%的同學(xué)以同樣方式提供，標(biāo)定為集合B。如圖4所示，最后收集到480條運(yùn)動(dòng)軌跡組成的訓(xùn)練樣本集A和84條軌跡組成的驗(yàn)證樣本集B。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證集數(shù)據(jù)劃分

得到的數(shù)據(jù)在訓(xùn)練前需要為每個(gè)采樣點(diǎn)預(yù)先標(biāo)定是否零速更新點(diǎn)，粗略估計(jì)共有2×107個(gè)采樣點(diǎn)需要標(biāo)記，工作量非常大，為了提高實(shí)驗(yàn)效率設(shè)計(jì)基于廣義似然比檢驗(yàn)的標(biāo)簽標(biāo)定算法用于標(biāo)簽標(biāo)定的輔助手段。

由于數(shù)據(jù)處理前已知該段數(shù)據(jù)的運(yùn)動(dòng)狀態(tài)，因此根據(jù)不同的運(yùn)動(dòng)狀態(tài)的廣義似然比的閾值可以篩選掉大部分非零速更新點(diǎn)。運(yùn)動(dòng)中的慣性數(shù)據(jù)曲線會(huì)存在一些類(lèi)似“毛刺”的波動(dòng)，易誤判為零速更新點(diǎn)，結(jié)合零速區(qū)間長(zhǎng)度Lk可以進(jìn)一步剔除誤判點(diǎn)。利用下式計(jì)算K時(shí)刻角速度和加速度的廣義似然比結(jié)果：

3 結(jié)果及分析

本實(shí)驗(yàn)采樣頻率400 Hz，采集47人分別以常速走、快走和跑步的狀態(tài)連續(xù)運(yùn)動(dòng)的軌跡共564條，其中40人的軌跡用于CNN的訓(xùn)練，共16 584 522采樣點(diǎn)，另外7人的軌跡用于神經(jīng)網(wǎng)絡(luò)的驗(yàn)證，共2 943 452采樣點(diǎn)。實(shí)驗(yàn)經(jīng)過(guò)反復(fù)參數(shù)調(diào)試，設(shè)置合適的CNN數(shù)據(jù)迭代次數(shù)、迭代樣本數(shù)、學(xué)習(xí)率和誤差損失函數(shù)。表1為驗(yàn)證集在訓(xùn)練完成的CNN上的零速更新點(diǎn)分類(lèi)表現(xiàn)。

表1 神經(jīng)網(wǎng)絡(luò)法零速更新點(diǎn)分類(lèi)指標(biāo)參數(shù)

當(dāng)步行者以正常行走、快速行走和跑步連續(xù)運(yùn)動(dòng)時(shí)，對(duì)零速更新點(diǎn)的測(cè)準(zhǔn)率平均可達(dá)到98%，召回率平均值接近98%，F(xiàn)1得分也均在98%附近。這說(shuō)明該模型在驗(yàn)證集上泛化性能優(yōu)良，不同運(yùn)動(dòng)模式均可準(zhǔn)確又全面地識(shí)別出零速點(diǎn)。

選取課程組老師和助教作為測(cè)試集，從實(shí)驗(yàn)室門(mén)口出發(fā)，沿實(shí)驗(yàn)中心的走廊分別以常速走、快走和跑步進(jìn)行運(yùn)動(dòng)，最后回到起點(diǎn)，全程約100 m。人工選取合適的固定閾值與本文所用算法進(jìn)行對(duì)比，得到的常速行走實(shí)驗(yàn)軌跡如圖5所示，藍(lán)色為軌跡真值，紅色為實(shí)測(cè)軌跡，可見(jiàn)，兩種算法都能復(fù)原測(cè)試者的軌跡。在測(cè)試快走和跑步時(shí)分別重新根據(jù)實(shí)測(cè)的陀螺儀數(shù)據(jù)選取合適的閾值與本文算法對(duì)比，得到的軌跡如圖6、7所示，基于CNN的零速更新點(diǎn)分類(lèi)算法在快走和跑步時(shí)的定位表現(xiàn)明顯優(yōu)于固定閾值法，基本可以呈現(xiàn)測(cè)試者行進(jìn)路線，而固定閾值法軌跡隨著距離的增加，明顯偏離真值，尤其是終點(diǎn)與實(shí)際偏差較大。

圖5 常速行走軌跡對(duì)比圖

圖6 快速行走軌跡對(duì)比圖

圖7 跑步軌跡對(duì)比圖

常速走的軌跡幾乎相同，因此不再進(jìn)一步分析誤差。根據(jù)圖6、7繪制誤差累積分布圖對(duì)比快走和跑步時(shí)，固定閾值法和本文算法的定位誤差表現(xiàn)。

圖8為誤差累積分布圖，縱軸表示誤差的累積分布函數(shù)，橫軸表示誤差距離，虛線表示本文算法，實(shí)線表示固定閾值法。

圖8 誤差累積分布圖

快走時(shí)，在人工選取合適閾值的情況下，本文算法有一半的距離誤差在0.6 m內(nèi)，而同樣概率下固定閾值法的距離誤差是1.1 m。跑步時(shí)，在人工選取合適閾值的情況下，神經(jīng)網(wǎng)絡(luò)法大部分的距離誤差都小于1 m，而相同概率下固定閾值法大部分的距離誤差在1.8 m?？熳吆团懿綍r(shí)的固定閾值法誤差大于本文算法，原因在于腳的邁動(dòng)幅度大，頻率高，雖然已經(jīng)選取了合適的固定閾值，但固定閾值法靈活性不足，仍然容易把一些“毛刺”誤判為零速更新點(diǎn)。

4 結(jié) 語(yǔ)

本文通過(guò)研究現(xiàn)階段基于慣性傳感器的步行者室內(nèi)定位實(shí)驗(yàn)魯棒性不佳的原因，提出了一種兼顧魯棒性和定位準(zhǔn)確率的步行者室內(nèi)自主定位方法，根據(jù)教學(xué)實(shí)際需要，對(duì)算法神經(jīng)網(wǎng)絡(luò)模型進(jìn)行輕量化設(shè)計(jì)和驗(yàn)證。該算法在不同運(yùn)動(dòng)模式下都可應(yīng)用CNN自適應(yīng)地對(duì)零速更新點(diǎn)進(jìn)行準(zhǔn)確、全面的分類(lèi)，提高卡爾曼濾波算法對(duì)累積誤差的修正效果，改善實(shí)驗(yàn)在不同運(yùn)動(dòng)模式下的定位準(zhǔn)確率。與傳統(tǒng)固定閾值法相比，本文提出的算法除了能在常速走模式下準(zhǔn)確定位外，在快走和跑步時(shí)零速更新點(diǎn)的識(shí)別準(zhǔn)確率和室內(nèi)定位準(zhǔn)確率都明顯更優(yōu)，可有效解決傳統(tǒng)步行者慣導(dǎo)定位技術(shù)切換運(yùn)動(dòng)模式后無(wú)法保證定位準(zhǔn)確率的問(wèn)題，為其拓寬應(yīng)用場(chǎng)景和應(yīng)用領(lǐng)域，并為高校的相關(guān)實(shí)驗(yàn)實(shí)踐課程提供兼具綜合性、設(shè)計(jì)性及難度的研究型課改素材。

·名人名言·

想像力比知識(shí)更重要，因?yàn)橹R(shí)是有限的，而想像力概括著世界的一切，推動(dòng)著進(jìn)步，并且是知識(shí)進(jìn)化的源泉。

——愛(ài)因斯坦