一种基于微机械电子系统惯性传感器室内行人航位推算算法

在室内行人定位中,行人航位推算(pedestrian dead reckoning,PDR)由于不需要外部辅助信息,而被广泛应用。针对传统室内PDR存在步长局限性等问题,提出了一种基于微机械电子系统(micro electro mechanical system,MEMS)传感器的行人航位自适应拟合推算算法。该算法选用六位置法和卡尔曼滤波器(Kalman filter,KF)作为对加速度计和陀螺仪原始数据误差处理方案。通过过零检测和步态短时不变性计算脚的运动状态;并结合加速度自适应拟合行进距离,最后利用位置推算解算行人的运动轨迹。仿真结果表明,该算法在95 m运动距离内,最大误差不超1.5 m,具有良好精确性和灵活性,适用于实际的室内行人定位。     

一种基于MEMS惯性传感器室内行人航位推算算法

在室内行人定位中,行人航位推算 (Pedestrian Dead Reckoning, PDR)由于不需要外部辅助信息,而被广泛应用。针对传统室内PDR存在步长局限性等问题,提出了一种基于微机械电子系统(Micro Electro Mechanical System, MEMS)传感器的行人航位自适应拟合推算算法。该算法选用六位置法和卡尔曼滤波器(Kalman Filter, KF)作为对加速度计和陀螺仪原始数据误差处理方案。通过过零检测和步态短时不变性计算脚的运动状态,并结合加速度自适应拟合行进距离,最后利用位置推算解算行人的运动轨迹。仿真结果表明,该算法在95 m运动距离内,最大误差不超1.5 m,具有良好精确性和灵活性,适用于实际的室内行人定位。     

基于智能手机传感器的林区行人定位算法

针对林区卫星信号缺失、跟踪定位困难的问题,提出了基于智能手机传感器的林区行人定位算法(forest-pedestrian location,FPL)。算法在行人航位推算算法(pedestrian dead reckoning,PDR)基础上进行改进：采用扩展卡尔曼滤波(extended Kalman filter, EKF)与卡尔曼滤波(Kalman filter, KF)融合算法对磁力计、加速度计及陀螺仪输出进行多次融合,以提高方位角测量精度;随后,使用Savitzky-Golay(S-G)滤波处理方位角测量值,以提高PDR算法中方位角的估计精度;引入K邻近(K-nearest neighbor, KNN)算法估计步长,将拟合显式步长函数问题转化为“懒惰学习”问题;使用差分气压测高法求解行人高程信息,从而获取行人在林区内的3维定位信息。实验结果表明,该算法可以提高方位角及步长的估计精度,同时可以增加精准的高程定位信息,整体误差控制在5%以内,可以满足林区无信号条件下的定位需求。     

室内行人航迹推算/超声波组合定位融合算法

为提高室内定位系统精度和跟踪性能以及适应复杂环境,将行人航迹推算与超声波定位组合,提出基于平方根无迹卡曼滤波的噪声权因子辅助协方差加权融合算法,并将全局最优融合状态作为反馈量引入算法。针对超声波对行人航向角测量困难,采用一种简单有效的几何方法。仿真结果表明:在模拟的室内动态环境中,包括在多路径效应和惯性累积误差的影响下,融合算法始终比单模型定位精度高,并有很好的收敛性、稳定性与适应性,对室内定位技术研究与应用具有重要意义。     

基于智能手机MARG传感器的行人导航算法

对于手持式移动设备的定位导航需求,特别是在室内无法接收到GPS信号的恶劣环境,提出了一种基于智能手机上的磁力计,陀螺仪和加速度计（magnetic,angular rate and gravity, MARG）传感器的行人导航算法,该算法在行人航迹推算的基础上,利用数字低通滤波器滤波后的加速度计三轴模值数据,对行人步态进行检测,采用经验模型对行人步长进行估计,并结合扩展卡尔曼滤波器,采用自适应的方式实时调整测量噪声协方差矩阵,将MARG传感器融合数据用于最佳航向角估算。在智能手机平台上进行测试验证,实验结果表明,在无磁或有磁干扰环境下,所提出的行人导航算法均可保证准确、可靠、持续的位置信息。     

多传感器融合的手机室内三维定位试验

以智能手机为用户端平台,利用行人航迹推算(pedestrian dead reckoning,PDR)改进算法和气压测高原理设计了三维多传感器融合定位的扩展卡尔曼滤波器,基于Android操作系统开发了手机传感器融合的室内三维定位程序。最后,利用中国矿业大学室内外无缝定位试验场进行了定位算法性能评估。结果表明,三维融合定位方法能有效抑制漂移误差,定位精度和可靠性能够满足室内应用环境的要求,且定位精度优于WiFi方法和常规PDR方法。     

差动驱动机器人的一种航迹推算定位方法

文章针对当前差动驱动轮式服务机器人的航迹推算定位精度不足问题,提出一种新的推算方法。该方法通过测量同轴上的2个驱动轮的角速度,利用差动驱动系统的运动规律推算出2个驱动轮的下一个采样时刻的位置。在机器人起始位置已知情况下,该算法可以跟踪和定位机器人一段距离,能有效地辅助和矫正定位有盲区或定位精度不稳定的其它室内定位方法。仿真实验结果表明,该方法定位的误差比当前基于微分方程模型推算定位的误差小。     

面向移动智能终端的踩踏预防系统

针对目前踩踏事故频繁发生的问题,提出面向移动智能终端的踩踏预防系统.该系统首先利用移动智能终端自身的传感器采集行人在突发事件下的行走数据,然后对行人加速度等信号进行处理,检测和计算行人步频、步长和行走方向.接着调取室内地图并显示在智能终端,直观地显示出用户的位置,最终引导用户疏散.在移动智能终端上进行实验,结果表明,该系统能实时地对突发事件中的行人进行较为准确的定位和疏散引导,从而避免踩踏事故的发生.     

基于深度学习的激光同步定位与地图构建移动机器人可定位性研究

高精度定位是移动机器人执行上层任务的基础,也是直接影响其他任务执行效果的首要问题。可定位性是对定位精度好坏的度量,对可定位性的预估可以使机器人提早避开难以准确定位的区域提高其他任务的成功率。以常用的地图匹配和航迹推算融合实现定位的方法为研究对象,分析了其工作机理,针对定位算法中航迹推算与地图匹配分别设计不同的神经网络模块,形成一种由卷积神经网络（CNN）、长短期记忆神经网络（LSTM）和多层全连接神经网络（MLFC）组成的多模块深度神经网络模型（MMN）。该方法以定位熵表征可定位性,以CNN网络预估地图匹配定位熵,以LSTM网络估计航迹推算定位熵,以MLFC估计前两者融合后的定位熵,从而实现对移动机器人可定位性的估计。仿真和实验结果表明,该模型能够准确估计给定地图上机器人的可定位性,预测熵与实测熵相比误差小于5%。     

三维惯性传感参数表征下的行人混合步态分类

在行人步态分类研究领域中,传统的基于微机电系统(micro-electro-mechanical system,MEMS)惯性传感器技术的步态分类方法侧重于对行人单一步态模式进行区分,忽略了两个单一步态模式之间的过渡步态模式,从而降低了行人行走过程中走、跑、停等混合步态的分类精度,还会在时间上造成缺失,进而造成行人航迹推算产生不可估量的定位误差.从人体运动学角度出发分析了行人步态特点,同时利用9轴MEMS惯性传感器采集了行人步态原始数据并对其进行剖析,设定了人体三维惯性传感参数,以供后续分类算法使用.为了进一步提高整体混合步态的分类精度,针对朴素贝叶斯算法对相反过渡步态模式区分精度不高的问题,在其基础上通过加窗判断前后两个步态的连续性,完成了行人混合步态的最终分类.验证结果表明,和传统的样本熵与小波能量相结合方法相比,提出的三维惯性传感参数表征下的行人混合步态分类方法,不仅能区分出行人混合步态中的多种单一步态模式和多种过渡步态模式,同时整体分类精度提高了14.46%,从而有效证明了该方法在行人步态分类领域具有良好的理论价值和应用价值.     

iBeacon技术下PDR增强的室内定位方法设计

提出一种利用iBeacon技术辅助PDR的室内定位方法.采用粒子滤波器将PDR和iBeacon技术定位信息融合,从而确定出用户的位置,以此减少PDR随距离增加而产生的累积误差.此外,基于iBeacon在线步长调整模型在一定程度上减少了步长不正确带来的误差.实验结果显示,提出的方法能够有效克服PDR产生的累积误差,有效提升了定位的鲁棒性和精度.     

9轴MEMS-IMU实时姿态估算算法

随着对微机电系统-惯性测量单元(micro-electro-mechanical system-inertial measurement unit, MEMS-IMU)在室内定位、动态追踪等应用领域中的需求日益迫切, 使得具有高精度、低成本和实时性的MEMS-IMU模块设计成为研究热点. 针对MEMS-IMU的核心技术--姿态估算进行研究, 设计了一种基于四元数的9轴MEMS-IMU实时姿态估算算法. 该算法运用分解四元数算法处理加速度和磁感应强度数据, 计算出静态四元数; 通过角速度与四元数的微分关系估算动态四元数; 运用卡尔曼滤波融合动、静态四元数, 进而实现实时姿态估算. 针对分解四元数算法中存在的奇异值问题, 提出了转轴补偿方法对其修正, 以实现全姿态估算; 考虑动态情况下的非线性加速度分量对姿态估算精度的影响, 设计了R自适应卡尔曼滤波器, 以进一步提高姿态估算算法的精度. 验证结果表明, R自适应卡尔曼滤波器能够有效抑制加速度噪声, 提高姿态估算精度; 同时, 转轴补偿-分解四元数算法能够准确估算奇异值点的姿态信息, 并且计算时间仅为原“借角”补偿方法的50%左右, 有效提高了整体算法的实时性.     

超宽带矢量测距与惯性传感组合的精准步长计算算法

为适应复杂环境下变步长精准测量要求,提出一种基于超宽带（ultra wide band,UWB）矢量测距和惯性传感组合的精准步长计算算法;针对基于惯性传感组合的步长测算精度受佩戴方式和系统运行时间影响以致无法实现行人步长精准测量和长航时精度保持的问题,提出一种结合足间模型与零速检测联合步长算法。根据行人行走时足部轨迹模型构造足间步长模型,得到准确的步长计算公式;根据足部惯性传感器运动特征进行零速检测并触发UWB测距,结合陀螺解算角度和足间模型公式计算得到步长。实验表明,提出的步长估计算法精度可达98.20%,与传统步长算法相比,误差显著降低。     

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(light detection and ranging, LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning, PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter, EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明：当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m, LiDAR定位误差为0.6 m, EKF融合后定位误差下降到0.32 m。     

辅助室内定位的关键人体姿态识别

基于步行者航位推算的室内定位方法中位移的计算一定程度上依赖于人体姿态的正确识别。原地踏步和走路是其中主要的关键姿态,两者的加速度信号相似,传统方法很难进行高精度的区分,导致航位推算的步长计算错误。基于惯性传感器进行室内场景中八种人体姿态识别研究,根据运动强度的不同采用分层分类法。首先将原地踏步和走路归为一类,通过时域特征结合支持向量机(SVM)进行姿态分类;然后利用加速度的时域和小波特征以及磁场特征,结合Ada Boost方法进行二分类。关键姿态的识别准确率超过96%,对包含复杂运动姿态的步行者室内定位起到更佳的辅助作用。     

基于非线性最小二乘算法的超宽带TOA估计

研究室内密集多径信道环境下的超宽带到达时间(TOA)估计技术.提出一种改进的门限比较TOA估计算法,利用非线性最小二乘算法同时估计多径延时和幅度,采用迭代算法提高参数估计精度,根据判决门限比较结果终止多径搜索过程并估计出TOA.分析该算法在室内多径信道模型中的性能,给出门限的设置方案.仿真结果表明,在不同的信噪比下设置合理的判决门限后,该算法具有较高的估计精度,能够满足精确定位需求.     

利用加速传感器估算竞走运动员的步长与步频

运动捕捉技术是体育训练和教学的有力助手,可以通过捕捉运动参数来辅助教练员对训练效果做出评价和调整.基于三轴加速度传感器提出一种计算竞走步长及步频的算法,实时捕捉运动员的三轴运动信息,并采用低通滤波法剔除采样数据中的噪声干扰.基于步态周期内加速度曲线求解步频值,并建立了竞走单步步长的计算模型.测试数据表明:计算的步长和步频值准确度高、误差较小;获取训练中竞走运动员每一步态的步长和步频值,可以检测运动员技术结构的稳定性进.     

一种基于中值滤波的运动补偿去隔行算法

提出了一种有效的基于中值滤波的运动补偿去隔行算法，该算法首先使用新三步搜索(NTSS)的方法对图像序列中的运动部分进行估计，然后通过一种中值滤波的方法改善去隔行处理的效果，这不仅提高了图像的画质，而且能有效地防止因运动估计失效在运动补偿时的影响。实验结果表明，该算法无论是从画面的视觉感受还是利用峰值信噪比进行客观衡量都具有良好的处理效果。     

基于扩展集员估计的气体源定位方法

提出一种基于扩展集员滤波框架的室内气体源分布式定位方法。相对于基于随机模型的统计估计方法(扩展卡尔曼滤波和无迹卡尔曼滤波),此方法只需要知道未知噪声的边界,不考虑噪声的随机性。利用静态湍流模型迭代计算定位误差边界,将位置状态真实值有效地包含在估计范围内,从而能达到的定位可信度。同时引入最小二乘法进行初步定位,以克服扩展集员滤波的初始点选取问题。最后通过基于无线电子鼻的室内定位仿真实验,证明算法的可行性和有效性。