雷 明，李 擎，朱希安，付國(guó)棟

(1.北京信息科技大學(xué)自動(dòng)化學(xué)院，北京 100192；2.高動(dòng)態(tài)導(dǎo)航技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100192；3.北京德維創(chuàng)盈科技有限公司，北京 100192)

目前的行人導(dǎo)航方法主要有基于步長(zhǎng)推算(Pedestrian Dead Reckoning，PDR)和 慣 性 導(dǎo) 航(Strapdown Inertial Navigation System，SINS)兩種。PDR通過(guò)對(duì)步行者行走的步數(shù)、步長(zhǎng)、方向、步進(jìn)矢量進(jìn)行測(cè)量和統(tǒng)計(jì)，可以推算出步行者行走軌跡和位置等信息，但只適用于有節(jié)律的行走和跑步狀態(tài)，而SINS技術(shù)適用于各種步態(tài)下的行人導(dǎo)航。為減少慣性器件隨時(shí)間積累的誤差，目前，零速修正方法是SINS技術(shù)提高導(dǎo)航定位精度的主要技術(shù)之一。

傳統(tǒng)零速檢測(cè)方法一般的零速判別依據(jù)為三維加速度和角速度的模值或三維加速度窗口方差。文獻(xiàn)[1]用了多條件約束的方法判定零速區(qū)間。固定閾值法在不改變運(yùn)動(dòng)步態(tài)條件下雖然能準(zhǔn)確地判別零速區(qū)間，但實(shí)際情況中行人運(yùn)動(dòng)狀態(tài)的多樣性會(huì)影響零速判別的準(zhǔn)確度。

檢測(cè)的零速區(qū)間精確程度直接影響到系統(tǒng)誤差修正的效果。因此，苑寶貞[2]等提出在每一個(gè)步態(tài)區(qū)間根據(jù)慣性測(cè)量器件足部數(shù)據(jù)和運(yùn)動(dòng)學(xué)的貝葉斯網(wǎng)絡(luò)來(lái)估計(jì)零速區(qū)間，這種方法雖然能提高零速修正的魯棒性，但是在行人快速行進(jìn)時(shí)，貝葉斯網(wǎng)絡(luò)估計(jì)精度下降。賈錚洋[3]等提出一種混合運(yùn)動(dòng)模式下的雙重閾值檢測(cè)方法，利用角速度變化曲線特點(diǎn)來(lái)匹配三種運(yùn)動(dòng)狀態(tài)下對(duì)應(yīng)的數(shù)據(jù)和窗口閾值，來(lái)判斷零速區(qū)間。這種方法雖然在識(shí)別零速區(qū)間上有效，但在未知的運(yùn)動(dòng)狀態(tài)下，無(wú)法識(shí)別出對(duì)應(yīng)的閾值。王曉雷[4]等利用支持向量機(jī)分類決策的方法分析和訓(xùn)練足部的數(shù)據(jù)，建立超平面把步態(tài)分為靜止區(qū)間和擺動(dòng)區(qū)間。這種只區(qū)分?jǐn)[動(dòng)和靜止區(qū)間的方法雖然在行走步態(tài)的軌跡數(shù)據(jù)中可以有效的抑制誤差，但跑步、行走等多種步態(tài)同時(shí)切換下不同運(yùn)動(dòng)零速時(shí)所對(duì)應(yīng)特征不同，所以分類效果較差。吳哲軍[5]等也提出了基于支持向量機(jī)對(duì)行人行走和跑步狀態(tài)實(shí)時(shí)步態(tài)分類的方法。此類方法的無(wú)法滿足人在一般情況下多步態(tài)同時(shí)切換的問(wèn)題，只針對(duì)于行走和跑步兩種。Clara Piris[6]等人實(shí)現(xiàn)了SVM和k鄰近分類器對(duì)行人跑步和行走運(yùn)動(dòng)的步態(tài)分類方法并對(duì)兩種方法進(jìn)行對(duì)比。目前現(xiàn)有的SVM決策方法只在行人行走、跑步運(yùn)動(dòng)模式識(shí)別的精度較高，但針對(duì)上下樓運(yùn)動(dòng)的分類精度還有待提升。

綜上所述，本文提出一種多步態(tài)SVM分類且自適應(yīng)閾值行人導(dǎo)航方法，利用多分類支持向量機(jī)方法把慣性器件輸出的數(shù)據(jù)輸入到本文已訓(xùn)練好的模型中進(jìn)行訓(xùn)練以及分類，在已知行人上下樓運(yùn)動(dòng)狀態(tài)后，通過(guò)氣壓計(jì)高度信息判斷上下樓運(yùn)動(dòng)模式，根據(jù)行人運(yùn)動(dòng)分類結(jié)果將對(duì)應(yīng)步態(tài)下的閾值進(jìn)行自適應(yīng)調(diào)節(jié)，確定不同步態(tài)下的零速區(qū)間。經(jīng)實(shí)驗(yàn)證明，該方法改善了傳統(tǒng)方法的不足，能夠有效提高零速修正算法的精度。

1 零速區(qū)間檢測(cè)

1.1 零速步態(tài)的判別

在行人步行運(yùn)動(dòng)過(guò)程中，行人行走的運(yùn)動(dòng)步態(tài)可分為擺動(dòng)階段和靜止階段。零速檢測(cè)方法是利用傳感器三維加速度和角速度的模值、方差和設(shè)定閾值進(jìn)行比較，從而得到運(yùn)動(dòng)過(guò)程中靜止區(qū)間。這時(shí)在理論上加速度和角速度的值處于平穩(wěn)幾乎為零，但是由于慣性傳感器的漂移和噪聲造成加速度和加速度信息非零，此時(shí)需要觸發(fā)零速修正進(jìn)行誤差修正。本文采用加速度和角速度信息聯(lián)合判定的方法來(lái)判定零速步態(tài)的區(qū)間[7]。k時(shí)刻的零速判定公式為:

式中:T(k)為k時(shí)刻加速度和角速度的函數(shù)；γ為零速判定閾值；w為時(shí)間窗的寬度；σω為角速度測(cè)量誤差標(biāo)準(zhǔn)差；σa為加速度測(cè)量標(biāo)準(zhǔn)誤差標(biāo)準(zhǔn)差；g為重力加速度；w(l)和a(l)分別為時(shí)間窗內(nèi)l時(shí)刻的角速度和加速度值；為2范數(shù)；ma為時(shí)間窗內(nèi)所有樣本的加速度平均值。

1.2 最優(yōu)閾值的選取

在傳統(tǒng)的零速修正算法中，就是綜合分析運(yùn)動(dòng)軌跡選用一個(gè)固定的閾值來(lái)判別零速區(qū)間，進(jìn)而觸發(fā)零速修正。圖1(a)~1(e)是在不同運(yùn)動(dòng)步態(tài)下T(k)的變化。

圖1 不同運(yùn)動(dòng)狀態(tài)下T(k)變化曲線

圖2是多運(yùn)動(dòng)模式下固定閾值判定零速區(qū)間的結(jié)果。閾值選取的是否準(zhǔn)確是零速區(qū)間判定的關(guān)鍵。

圖2 固定閾值零速區(qū)間檢測(cè)

由圖2可見(jiàn)(高狀態(tài)為零速時(shí)刻，低狀態(tài)為非零速時(shí)刻)，過(guò)高閾值導(dǎo)致把行走的擺動(dòng)區(qū)間判定為零速區(qū)間，零速區(qū)間的誤判影響零速修正的效果。針對(duì)上述情況，在本文中需要分別分析5種步態(tài)T(k)的變化特點(diǎn)，利用遍歷的方法進(jìn)行最優(yōu)閾值的選取[8]。首先，根據(jù)T(k)確定最低點(diǎn)和次最低點(diǎn)對(duì)應(yīng)縱坐標(biāo)值y1和y2；然后，將零速判定閾值γ從y1到y(tǒng)2以Δy為間隔依次遍歷，并依次輸入相應(yīng)的定位結(jié)果。按照遍歷的方法先對(duì)不同的運(yùn)動(dòng)方式進(jìn)行最優(yōu)閾值的選取，為后續(xù)自適應(yīng)零速檢測(cè)算法做鋪墊。如表1是對(duì)實(shí)驗(yàn)者5種運(yùn)動(dòng)類別進(jìn)行最優(yōu)閾值選取的結(jié)果，從中可見(jiàn)行走和跑步運(yùn)動(dòng)模態(tài)閾值明顯比上下樓運(yùn)動(dòng)閾值得數(shù)量級(jí)大得多。根據(jù)數(shù)據(jù)分析可得，傳統(tǒng)固定閾值的零速檢測(cè)方法對(duì)于不同運(yùn)動(dòng)模態(tài)并不適用。

表1 不同步態(tài)閾值的選取例

2 多分類支持向量機(jī)算法

2.1 軟間隔支持向量機(jī)

支持向量機(jī)[9]由于具有泛化性好、適用于小樣本和高維特征等優(yōu)點(diǎn)，所以被廣泛應(yīng)用于各種實(shí)際的步態(tài)分類問(wèn)題和回歸問(wèn)題。一般慣性器件輸出的加速度和角速度信息都不是線性的，所以本文選用的是能夠處理線性不可分問(wèn)題的軟間隔支持向量機(jī)。支持向量機(jī)的原問(wèn)題是在樣本映射的高維空間內(nèi)找到一個(gè)能把每一個(gè)樣本正確分類的超平面，并且要使這類樣本中離超平面距離最近的樣本盡可能遠(yuǎn)離超平面。假設(shè)訓(xùn)練樣本為Tr(xi，yi)，xi為n維的特征向量，yi為取值為＋1或-1的特征標(biāo)簽。為了尋找一個(gè)方程為wTx＋b＝0的最優(yōu)分類超平面，必須滿足以下條件:

①對(duì)于正樣本有wTx＋b≥0，對(duì)于負(fù)樣本有wTx＋b<0。

②超平面離兩類樣本盡可能遠(yuǎn)。每個(gè)樣本到分類超平面的距離為。

上邊兩個(gè)條件可以轉(zhuǎn)換成一個(gè)帶約束的最小值問(wèn)題:

因?yàn)槟繕?biāo)函數(shù)的Hessian矩陣是嚴(yán)格正定的矩陣，它的可行域是一個(gè)凸集。因此這個(gè)優(yōu)化問(wèn)題是一個(gè)凸二次規(guī)劃問(wèn)題。為了滿足能夠解決線性不可分的問(wèn)題，所以加入松弛變量ξi和懲罰因子C對(duì)違反不等式約束的樣本進(jìn)行懲罰。

ξi≥0，i＝1，2，…，l

不等式滿足強(qiáng)對(duì)偶條件，考慮到對(duì)偶問(wèn)題。然后構(gòu)造拉格朗日函數(shù):

固定乘子變量，分別對(duì)w、b、ξ分別求偏導(dǎo)并令它們等于零，再代入拉格朗日函數(shù)中得到關(guān)于α，β的函數(shù)。再根據(jù)條件等價(jià)最優(yōu)化問(wèn)題并求解。將求解的w的值代入超平面函數(shù)從而得到分類決策函數(shù)為:

考慮到原問(wèn)題中兩個(gè)不等式的約束和KKT條件，在最優(yōu)點(diǎn)所有樣本必須滿足下面條件:

對(duì)于處理非線性問(wèn)題，主要利用核映射的方法把特征向量變換到更高維度的空間，并在特征空間中找到最優(yōu)的分類曲面。本文選用的是核函數(shù)為高斯核函數(shù):

核函數(shù)必須滿足KKT條件和Mercers條件，才能保留特征空間的幾何解釋，以便目標(biāo)函數(shù)的解在特征空間中提供超平面。為向量加上核映射后，求解后得到的分類函數(shù)為:

2.2 多分類支持向量機(jī)

經(jīng)典的支持向量機(jī)只能解決二分類問(wèn)題。對(duì)于處理多分類問(wèn)題而不是二分類問(wèn)題，支持向量機(jī)還是存在問(wèn)題。對(duì)于多分類的問(wèn)題現(xiàn)有的方法分兩類:組合構(gòu)造多個(gè)二分類器和直接優(yōu)化多類分類的目標(biāo)函數(shù)。構(gòu)造多個(gè)而分類器的方法目前有:一對(duì)剩余方案、一對(duì)一和導(dǎo)向無(wú)環(huán)圖方案等。根據(jù)所要對(duì)五種運(yùn)動(dòng)步態(tài)識(shí)別，本文采用一對(duì)一(OAO)的方案來(lái)實(shí)現(xiàn)[10]。假設(shè)對(duì)于有k類的分類問(wèn)題，對(duì)每?jī)深悩颖緝蓛山M合進(jìn)行訓(xùn)練，構(gòu)造k(k-1)/2個(gè)二分類器。訓(xùn)練時(shí)把每個(gè)組合中第i類作為正樣本，其他各類依次作為負(fù)樣本，總共訓(xùn)練個(gè)分類器。分類時(shí)采用投票的方法作為判定分類的結(jié)果。即用每一個(gè)二分類器對(duì)樣本進(jìn)行預(yù)測(cè)，如果判定為第n類，則第n類票數(shù)加1，得票最多的那一類作為預(yù)測(cè)的分類結(jié)果。算法流程如下:

Step 1 構(gòu)造k(k-1)/2個(gè)SVM二分類器

Step 2 兩兩組合訓(xùn)練k(k-1)/2個(gè)SVM分類器如(1，2)(1，3)…(1，k)(2，3)(2，4)…(k-1，k)。

Step 3 選擇一個(gè)最高票數(shù)的結(jié)果。

3 零速修正算法

本文選擇傳統(tǒng)的零速修正算法(ZUPT)對(duì)本文零速檢測(cè)和傳統(tǒng)閾值零速檢測(cè)所定位結(jié)果進(jìn)行對(duì)比。傳統(tǒng)零速修正是以三維速度作為系統(tǒng)的觀測(cè)量，用擴(kuò)展卡爾曼濾波進(jìn)行估計(jì)9維狀態(tài)誤差[11]。

本文選取9維狀態(tài)量，如公式所示，

式中:δP、δv、δφ為慣導(dǎo)位置誤差、速度誤差、姿態(tài)誤差在導(dǎo)航坐標(biāo)系E-N-U坐標(biāo)系上的三維分量。(其中，姿態(tài)δφ包括δα航向角、δβ姿態(tài)角、δγ橫滾角)；狀態(tài)轉(zhuǎn)移矩陣Φk，k-1為9×9維，式中，I為3×3的單位矩陣；0是零矩陣。

噪聲驅(qū)動(dòng)矩陣的離散形式為:

對(duì)于速度誤差補(bǔ)償，當(dāng)檢測(cè)到行人處于零速狀態(tài)時(shí)，理論上此刻腳的速度為零，但由于存在測(cè)量等誤差，此刻慣性傳感器的測(cè)量值并不為零。將慣性傳感器測(cè)量的實(shí)際速度與理論速度做差，得到的差值作為此刻的速度觀測(cè)量，

觀測(cè)矩陣為，

4 零速檢測(cè)算法的自適應(yīng)閾值調(diào)節(jié)

4.1 原始數(shù)據(jù)的濾波和特征提取

原始數(shù)據(jù)預(yù)處理和提取特征向量的過(guò)程是SVM模型訓(xùn)練以及分類的關(guān)鍵的一部分。利用MENS-IMU集成的三軸加速度、三軸角速度安裝在行人腳部獲取行人的運(yùn)動(dòng)數(shù)據(jù)信息。由于設(shè)備開(kāi)關(guān)時(shí)或行人運(yùn)動(dòng)時(shí)抖動(dòng)會(huì)導(dǎo)致設(shè)備采集的數(shù)據(jù)中產(chǎn)生脈沖干擾和隨機(jī)噪聲，影響數(shù)據(jù)的準(zhǔn)確度，利用加窗和平滑濾波方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

對(duì)原始數(shù)據(jù)濾波后，為了實(shí)現(xiàn)對(duì)5種運(yùn)動(dòng)步態(tài)模式的識(shí)別，需要對(duì)窗口內(nèi)上述預(yù)處理的數(shù)據(jù)進(jìn)行特征向量的提取。因?yàn)槭褂迷S多非相關(guān)性變量會(huì)導(dǎo)致過(guò)度擬合和過(guò)大的計(jì)算量。存在許多特征選擇技術(shù):相關(guān)系數(shù)，RF，主成分分析(PCA)，邏輯回歸，RFE(無(wú)交叉驗(yàn)證的遞歸特征提取)或RFECV(有交叉驗(yàn)證的遞歸特征提取)和獨(dú)立性測(cè)試(卡方)參考文獻(xiàn)[12]詳細(xì)介紹了特征生成和選擇的理論。

本文數(shù)據(jù)特征值的提取[13]主要包含以下幾種:范數(shù)、均方根誤差、平均絕對(duì)誤差、方差、皮爾遜相關(guān)系數(shù)。①加速度和角速度范數(shù)；②、和；③和；④ρa(bǔ)y，az和ρa(bǔ)x，az；⑤和。

均方根誤差:

平均絕對(duì)誤差:

方差:

皮爾遜相關(guān)系數(shù):

ρa(bǔ)y，az為加速度樣本x軸和y軸數(shù)據(jù)之間的相關(guān)系數(shù)。

ρa(bǔ)x，az為加速度樣本z軸和y軸數(shù)據(jù)之間的相關(guān)系數(shù)。

四分位距IQR:即把所有數(shù)值由小到大排列并分成四等份，處于三個(gè)分割點(diǎn)位置的數(shù)值就是四分?jǐn)?shù)。第三四分位數(shù)(Q3)，又稱“較大四分位數(shù)”，等于該樣本中所有數(shù)值由小到大排列后第75%的數(shù)字。

4.2 多分類支持向量機(jī)的閾值自適應(yīng)調(diào)節(jié)

把提取的特征值和于其對(duì)應(yīng)的運(yùn)動(dòng)步態(tài)標(biāo)簽輸入到多分類支持向量機(jī)中對(duì)其模型進(jìn)行訓(xùn)練，訓(xùn)練完成得到分類的決策函數(shù)。針對(duì)在行人多運(yùn)動(dòng)步態(tài)下傳統(tǒng)方法中閾值不能調(diào)節(jié)導(dǎo)致定位精度差的問(wèn)題，用多分類支持向量機(jī)模型對(duì)腳步的慣性器數(shù)據(jù)信息進(jìn)行投票分類，再結(jié)合高度信息分類上下樓運(yùn)動(dòng)狀態(tài)，根據(jù)識(shí)別出行人運(yùn)動(dòng)狀態(tài)調(diào)節(jié)在其狀態(tài)下對(duì)應(yīng)的零速判別閾值，實(shí)現(xiàn)閾值的自適應(yīng)調(diào)節(jié)。

4.2.1 多分類支持向量機(jī)模型訓(xùn)練:

構(gòu)造個(gè)數(shù)為n＝10的二分類器，采集在五種行人腳部慣性器件的原始數(shù)據(jù)，分別為行走、跑步、靜止、上樓、下樓，對(duì)采集的五種模式下的原始數(shù)據(jù)進(jìn)行加窗預(yù)處理和特征提取，得到5種運(yùn)動(dòng)步態(tài)的特征向量。將5種步態(tài)的特征向量和對(duì)應(yīng)的特征標(biāo)簽兩兩組合分別輸入到10個(gè)二分類器中進(jìn)行訓(xùn)練。

針對(duì)高斯核函數(shù)參數(shù)g和懲罰因子c難以確定，進(jìn)而對(duì)模型性能影響大的問(wèn)題，本文采用PSO優(yōu)化算法對(duì)SVM模型參數(shù)進(jìn)行優(yōu)化。參數(shù)優(yōu)化結(jié)果如圖3所示。

圖3 PSO-SVM參數(shù)優(yōu)化結(jié)果

經(jīng)過(guò)PSO算法優(yōu)化后，得到最優(yōu)的高斯核函數(shù)參數(shù)g＝32.362 6，懲罰因子c＝996.602 6。支持向量機(jī)的準(zhǔn)確率為87.647%。

本文應(yīng)用的訓(xùn)練樣本總數(shù)量為2 500個(gè)，行走500個(gè)，跑步500個(gè)，靜止500個(gè)，上樓500個(gè)，下樓500個(gè)。5種運(yùn)動(dòng)模式的分類標(biāo)簽分別為:行走<1>，跑步<2>，靜止<3>，上樓<4>，下樓<5>。得到訓(xùn)練好的模型后，為了驗(yàn)證其分類效果，利用10 000個(gè)測(cè)試樣本檢驗(yàn)其分類器的準(zhǔn)確率，表2為測(cè)試分類結(jié)果。其中上下樓運(yùn)動(dòng)模式測(cè)試樣本得準(zhǔn)確率均較低，但是其總體平均準(zhǔn)確率可達(dá)到89.94%。

表2 多分類支持向量機(jī)模型測(cè)試結(jié)果

4.2.2 多分類支持向量機(jī)的閾值自適應(yīng)調(diào)節(jié)

SVM對(duì)上下樓運(yùn)動(dòng)狀態(tài)的分類效果并不好。為了更準(zhǔn)確地確定上下樓運(yùn)動(dòng)狀態(tài)模式，在得到分類器對(duì)5種運(yùn)動(dòng)模式分類結(jié)果后，上下樓分類結(jié)果需要根據(jù)窗口內(nèi)氣壓計(jì)的高度信息來(lái)確定上下樓運(yùn)動(dòng)。在獲取5種模式對(duì)應(yīng)的閾值的基礎(chǔ)上，實(shí)現(xiàn)對(duì)多運(yùn)動(dòng)模式的室內(nèi)行人運(yùn)動(dòng)軌跡零速閾值自適應(yīng)調(diào)節(jié)，需要將相應(yīng)的零速修正的閾值賦予對(duì)應(yīng)軌跡進(jìn)行零速檢測(cè)，進(jìn)而觸發(fā)零速修正算法。其過(guò)程如下:

Step 1 輸入一段行人運(yùn)動(dòng)軌跡的原始加速度和角速度數(shù)據(jù)，并進(jìn)行濾波平滑處理。

Step 2 對(duì)數(shù)據(jù)進(jìn)行加窗處理，每個(gè)窗口數(shù)據(jù)算一組數(shù)據(jù)，分為n組。

Step 3 每一組數(shù)據(jù)做步態(tài)特征提取，并將步態(tài)特征向量輸入訓(xùn)練好的多分類支持向量機(jī)模型中，對(duì)行人的步態(tài)模式進(jìn)行投票預(yù)測(cè)。

Step 4 判斷分類結(jié)果中是否為上下樓運(yùn)動(dòng)，再根據(jù)氣壓計(jì)窗口內(nèi)得到高度信息判斷上下樓運(yùn)動(dòng)的狀態(tài)。

Step 5 將分類結(jié)果和上節(jié)對(duì)應(yīng)運(yùn)動(dòng)模式已選取的最優(yōu)閾值結(jié)合。根據(jù)對(duì)應(yīng)閾值判別對(duì)應(yīng)的零速區(qū)間，觸發(fā)零速修正算法，利用擴(kuò)展卡爾曼濾波對(duì)速度，位置進(jìn)行校正。

Step 6 輸出校正后的行人運(yùn)動(dòng)軌跡。

為了驗(yàn)證多分類支持向量機(jī)的閾值自適應(yīng)調(diào)節(jié)方法的可行性，針對(duì)一段行人混合運(yùn)動(dòng)模式的軌跡，進(jìn)行下述實(shí)驗(yàn)。首先，讓行人在水平地面上持續(xù)跑步30 s，然后停止運(yùn)動(dòng)并保持靜止15 s，最后讓行人保持行走狀態(tài)30 s。對(duì)上述實(shí)驗(yàn)得到的運(yùn)動(dòng)軌跡進(jìn)行閾值的自適應(yīng)調(diào)節(jié)，結(jié)果如圖4所示。

圖4 人在跑步和行走時(shí)自適應(yīng)閾值判定零速區(qū)間結(jié)果

5 實(shí)驗(yàn)結(jié)果與分析

5.1 總體的技術(shù)流程

本文總體技術(shù)流程如圖5所示:①首先將輸入的行人足部數(shù)據(jù)進(jìn)行加窗和特征提取。②將提取的特征向量輸入到上節(jié)訓(xùn)練好的多分類支持向量機(jī)中進(jìn)行分類，并將根據(jù)氣壓計(jì)信息判定分類結(jié)果自適應(yīng)調(diào)節(jié)零速檢測(cè)的閾值。③觸發(fā)零速修正算法。

圖5 總體技術(shù)流程圖

5.2 定位結(jié)果分析:

5.2.1 自適應(yīng)閾值結(jié)果分析:

為了驗(yàn)證本文中方法的可行性，利用實(shí)驗(yàn)室自研的MENS-IMU慣性器件在實(shí)驗(yàn)室進(jìn)行試驗(yàn)。實(shí)驗(yàn)時(shí)，采用足綁式IMU的方式進(jìn)行室內(nèi)行人混合運(yùn)動(dòng)實(shí)驗(yàn)。如圖6所示:

圖6 MENS-IMU器件以及安裝方式

實(shí)驗(yàn)場(chǎng)地選在學(xué)校的實(shí)驗(yàn)室，運(yùn)動(dòng)起點(diǎn)選在實(shí)驗(yàn)室的4樓樓梯口處，首先進(jìn)行從4樓下樓，到達(dá)一樓時(shí)停止15 s，接著沿著室內(nèi)持續(xù)跑步兩圈同樣的軌跡，然后從原下樓的樓梯上到4樓，到達(dá)4樓停止5 s后繼續(xù)沿室內(nèi)行走一圈然后回到出發(fā)點(diǎn)。經(jīng)過(guò)自適應(yīng)零速閾值調(diào)節(jié)后，零速區(qū)間檢測(cè)下圖7所示:

圖7 五種運(yùn)動(dòng)切換時(shí)自適應(yīng)閾值檢測(cè)

一個(gè)步態(tài)周期中T(k)存在一個(gè)次最低點(diǎn)和一個(gè)最低點(diǎn)。而零速區(qū)間是在最低開(kāi)始到最低點(diǎn)結(jié)束。如上圖實(shí)驗(yàn)中零速檢測(cè)結(jié)果，對(duì)于常規(guī)三條件法(圖8和圖9)與自適應(yīng)多步態(tài)零速檢測(cè)法進(jìn)行對(duì)比得知，傳統(tǒng)零速檢測(cè)法在上樓、下樓時(shí)刻出現(xiàn)大量錯(cuò)誤檢測(cè)，整個(gè)上樓期間大部分的擺動(dòng)區(qū)間被誤檢測(cè)為零速區(qū)間；是因?yàn)榕懿綍r(shí)過(guò)高的閾值大于上下樓次最低點(diǎn)T(k)的值，導(dǎo)致擺動(dòng)區(qū)間也被檢測(cè)為零速區(qū)間。而自適應(yīng)閾值多步態(tài)零速檢測(cè)條件下，在零速時(shí)刻達(dá)到高精度的零速檢測(cè)效果，并且零速區(qū)間準(zhǔn)確率幾乎達(dá)到100%。

圖8 上樓時(shí)傳統(tǒng)固定閾值零速閾值檢測(cè)

圖9 下樓時(shí)傳統(tǒng)固定閾值零速閾值檢測(cè)

5.2.2 定位結(jié)果分析:

圖10包含多分類SVM算法的5種運(yùn)動(dòng)狀態(tài)軌跡運(yùn)動(dòng)分類結(jié)果以及自適應(yīng)閾值定位的結(jié)果。

圖10 五種運(yùn)動(dòng)切換時(shí)自適應(yīng)閾值軌跡和分類結(jié)果

圖11為其定位結(jié)果對(duì)應(yīng)的解算速度與時(shí)間的關(guān)系。傳統(tǒng)零速修正算法和SVM自適應(yīng)閾值方法對(duì)比定位結(jié)果如圖12所示。

圖11 解算速度和時(shí)間的關(guān)系

圖12 混合運(yùn)動(dòng)下兩種方法定位結(jié)果

實(shí)驗(yàn)結(jié)果表明，引入本文提出的SVM自適應(yīng)閾值方法定位結(jié)果在水平二維空間定位誤差為0.2 m，0.2%，豎直方向上的定位誤差為0.44 m。定位精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)固定閾值的方法的定位結(jié)果。圖12結(jié)果中，由于固定閾值為行走時(shí)閾值，則在上樓和下樓時(shí)零速區(qū)間出現(xiàn)很多誤判，跑步時(shí)零速區(qū)間出現(xiàn)偶爾漏檢的情況，導(dǎo)致定位精度下降。而多分類SVM方法可以將5種運(yùn)動(dòng)模式分類，再根據(jù)結(jié)果進(jìn)行閾值的調(diào)節(jié)，進(jìn)而提高定位的精度。

6 結(jié)論

本文針對(duì)行人在混合運(yùn)動(dòng)模式下傳統(tǒng)零速修正算法定位精度差的問(wèn)題，提出一種多步態(tài)SVM分類且自適應(yīng)閾值的行人導(dǎo)航方法。由多分類SVM對(duì)預(yù)處理和特征提取的行人足部原始數(shù)據(jù)進(jìn)行分類，再結(jié)合氣壓計(jì)信息區(qū)分上下樓運(yùn)動(dòng)，然后針對(duì)不同的分類模式進(jìn)行最優(yōu)閾值的調(diào)節(jié)，進(jìn)而檢測(cè)出更準(zhǔn)確的零速區(qū)間觸發(fā)零速修正，最后輸出定位結(jié)果。實(shí)驗(yàn)結(jié)果表明，本方法對(duì)行走、跑步、靜止、上樓、下樓五種模式的總體平均識(shí)別率已達(dá)到了89.94%，行人在多運(yùn)動(dòng)模式下的二維空間定位精度達(dá)到了0.2 m，豎直方向達(dá)到了0.44 m。