CN105865448A - 一种基于imu的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于IMU的室内定位方法，其技术特点是：步骤S1、根据采集的人体运动加速度数据，使用有限状态机对有效步态进行分割并完成计步和步长估计；步骤S2、根据有效步态的角速度(陀螺仪)、加速度(加速度传感器)以及磁场强度(磁场传感器)数据，使用互补滤波模型计算当前步态的运动方向；步骤S3、根据步长、运动方向估计结果以及地图信息进行粒子滤波，并根据有效存活粒子的属性调整步长模型和互补滤波模型的参数。本发明使用有限状态机可以有效去除无效步态信息，减少数据的计算量；使用互补滤波模型有效融合多种传感器信息，提供更为准确的方向测量结果；使用粒子滤波方法动态调整步态模型和互补滤波模型的参数，从而降低步长估计误差和方向测量误差；综合考虑来讲，本发明能够有效抑制航位推算过程中误差累计现象，提高室内定位的精度。

Description

一种基于IMU的室内定位方法

技术领域

本发明涉及室内定位领域，具体涉及一种基于IMU的室内航位推算定位方法。

背景技术

基于位置信息的服务已经变得越来越重要，且目前大部分应用都是采用基于卫星的全球定位系统。然而,在室内环境下,卫星信号会受到建筑物的遮挡导致大量位置盲区的出现，且目前卫星定位方法的精度暂时无法满足室内定位的要求。因此,构建一个稳定的、高精度室内定位系统成为了近些年的研究热点。

目前室内定位技术可主要分为两类：基于位置指纹方法和航位推算方法。基于位置指纹的室内定位技术中，需要对室内环境进行大量的硬件改造，以布置WiFi节点，因此其硬件成本较高。另一方面，由于无线信号易受传输环境的影响，产生如多径效应、非视线传播、信号衰落以及噪声干扰等情况，因此其定位精度受到很大程度的干扰，为此需要不定期更新位置指纹数据库，甚至修正信号传播模型，为室内定位系统的后期维护带来较高的技术成本。而基于航位推算的室内定位技术与外界环境无关，而只与运动目标自身的运动过程有关，因此在室内定位系统中具有重要的价值和地位。而MEMS(Micro-electroMechanical Systems,MEMS)技术的迅速发展进一步推动了这一方法在室内定位领域的应用。

在针对行人的室内定位应用中，基于IMU的航位推算方法得到了广泛的研究和应用。该方法主要通过各种传感器采集行人运动过程中的运动信息，如加速度、角速度以及环境磁场等，进而可以获得行人运动的步数、步长、方向等信息。在已知初始位置的情况下，可以递推地估计行人的位置。但该方法目前普遍存在以下几个问题：第一、运动步态的多样性导致计步和步长估计不准确的问题；第二、各种传感器噪声带来的数据误差，特别是在运动方向估计方面；第三、航位推算自身带有的误差累计问题。

发明内容

本发明的主要目的在于，针对航位推算过程中步长估计与方向测量不精确的问题，利用粒子滤波方法，主动对步长模型和方向偏差进行修正，以减轻航位推算过程中误差累积的问题，提高室内定位的整体精度。

本发明解决现有的技术问题是采用以下技术方案来实现的：

一种基于IMU的室内定位方法依托于一个基于Android平台的智能手机，所述智能手机内置三维加速度计、三维陀螺仪、三维磁场传感器；智能手机通过所述内置传感器检测个人运动过程中的加速度、角速度以及运动方向，然后在航位推算过程中使用粒子滤波方法进行位置估计；在定位过程中，通过对有效粒子的步长属性和方向属性进行统计和分析，能够对航位推算过程中的步长模型的方向偏差进行修正。

上述技术方案中，所述的基于IMU的室内定位方法包括如下步骤：

步骤S1、步态分割与步长估计：根据采集的人体运动加速度数据，使用有限状态机对有效步态进行分割并完成计步和步长估计；

步骤S2、根据有效步态的角速度(陀螺仪)、加速度(加速度传感器)以及磁场强度(磁场传感器)数据，使用互补滤波模型计算当前步态的运动方向；

步骤S3、根据步长、运动方向估计结果以及地图信息进行粒子滤波，并根据有效存活粒子的属性调整步长模型和互补滤波模型的参数。

而且，所述步骤S1包括以下步骤：

步骤S1.1、对加速度进行数据预处理；

步骤S1.2、使用有限状态机对运动状态进行判断，并在运动状态下对有效步态进行时间分割；

步骤S1.3、根据有效步态的加速度信息和步长模型进行步长估计。

而且，所述步骤S1.1的具体实现方法为：首先根据公式(1)对三轴的加速度数据计算合成加速度，并使用滑窗均值法进行滤波，以平滑抖动噪声。采用合成加速度的原因主要是：加速度传感器三轴上的测量值是行人运动时的前向加速度、侧向加速度以及垂直加速度在各轴方向上分量的和，使用平方和数值可以使计步算法能够适用于不同位置上的手机摆放。

$a=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

而且，所述步骤S1.2的具体实现方法为：根据有限状态机中的设置的阈值对当前运动状态进行判定，并在目标处于运动状态时对有效传感器数据进行分割。在有限状态机中，各状态的含义分别为：

S0：表示静止状态；

S1：表示预备运动状态，即目标可能处于运动状态；

S2、S3：进入峰值状态和离开峰值状态；

S4、S6：进入谷值状态和离开谷值状态；

S7：步态结束状态；

S5：用于噪声容忍。

只有当加速度数据输入使得状态机到达状态S7时，才认为发生了有效的步态行为，并将状态S1～S7之间的传感器数据作为当前步态的有效记录数据。

此外，在状态转换图中，Thr为运动检测阈值；Thr_pp为峰值阈值；Thr_np为谷值阈值；Thr_neg为步态结束阈值。Thr和Thr_neg一般固定在9.8附近，用于判断步态的开始和结束；Thr_pp和Thr_np一般需要根据步态特征来设定，并且是影响计步精度的关键因素。使用有限状态机方法的有点在于其结合了峰值检测算法和过零检测算法的优点，对运动过程中的各种振动噪声具有较高的容忍度，且能够识别出人体在起立、抬手等动作过程中出现的“伪步态”现象。

而且，所述步骤S1.3的具体实现方法为：针对有效步态，在状态机S2～S3之间记录加速度的最大值a_max；在在状态机S4～S6之间记录加速度的最小值a_min，然后根据公式(2)所给的计步模型估计当前步态的步长L。

$L=K*\left(\right(a_{max}-a_{\min })+\sqrt[4]{a_{max}-a_{\min }})---\left(2\right)$

一般来讲，模型参数K是难以准确计算的。为此，本发明在步骤S3中的粒子滤波过程中，使K服从一个正态分布，然后通过存活粒子的属性对K的值进行进一步估计。

而且，所述步骤S2包括以下步骤：

步骤S2.1、通过陀螺仪积分获得运动方向θ_g；

步骤S2.2、通过磁场传感器和加速度传感器获得运动方向θ_m。

步骤S2.3、通过互补模型融合θ_g和θ_m信息，获得修正的运动方向θ_c。

而且，所述步骤S2.1的具体实现方法为：根据公式(3)，对所述步骤S1.2分割的有效步态内的三轴陀螺仪数据进行积分，并将结果累加至上一个步态的运动方向上，得到目标运动的绝对方向θ_g。

θ_g(t)＝θ_g(t-1)+Δθ_t (4)

而且，所述步骤S2.3的具体实现方法为：利用公式(5)所述的互补滤波模型，对所述步骤S2.1和步骤S2.2的结果作进一步处理，得到目标运动的绝对运动方向θ_c。

θ_c＝α*θ_g+(1-α)*θ_m (4)

互补滤波模型的主要思想是：陀螺仪动态响应特性优良，解算姿态角时，由于陀螺仪低频漂移的影响，积分后低频扰动会产生较大误差；加速度计解算的姿态角会受到运动过程中高频振动的影响，输出角度中携带较大分量的高频干扰。二者在频域上具有互补特性，采用互补滤波器对这两种传感器数据融合，可提高姿态角度测量的精度和动态响应的性能。

而且，所述步骤S3包括以下步骤：

步骤S3.1、根据步长和方向估计结果以及噪声模型生成各粒子属性；

步骤S3.2、对所有粒子进行航位推算；

步骤S3.3、根据地图信息删除无效粒子：对于进入不可到达区域(如墙体，浮空区域等)的粒子，使其权重为零并失效，而其他粒子为有效粒子；

步骤S3.4、判断是否需要进行重采样：当有效粒子数少于初始粒子数目的2/3时，说明需要进行重采样，执行所述步骤S3.5，否则直接根据有效粒子估计目标的位置；

步骤S3.5、在根据所述步骤S3.4判断需要进行重采样时，采用序贯重要性重采样(SIR)方法对粒子进行重采样；

步骤S3.6、在根据所述步骤S3.4进行重采样后，对粒子的步长属性和方向属性进行统计和分析，以修正步长误差和方向偏差。

而且，所述步骤S3.1的具体实现方法为：根据步长和方向估计结果以及噪声模型(公式5、6)生成各粒子属性。

$\begin{array}{c}{L}_t^i=L_t+n_L^i,n_L^i~N_{0,{\mathrm{\σ}}_L}\\ {\mathrm{\θ}}_t^i={\mathrm{\θ}}_t+{\mathrm{\θ}}_{drift}+n_{\mathrm{\θ}}^i,n_{\mathrm{\θ}}^i~N_{0,{\mathrm{\σ}}_{\mathrm{\θ}}}\end{array}---\left(5\right)$

其中，为第i个粒子在t时刻的步长，其中包括：L_t为t时刻根据步长模型估计的步长结果；为一个服从正太分布的步长噪声，且σ_L为固定步长的比例；为第i个粒子在t时刻的方向，其中包括：估计的运动方向值θ_t，方向偏差θ_drift以及一个服从正态分布的方向噪声，且σ_θ设为相邻步态方向变化的固定比例。

$\begin{array}{c}{K}_t^i=K_t+n_K^i,n_{\mathrm{\θ}}^i~N_{0,{\mathrm{\σ}}_K}\\ {\mathrm{\α}}_t^i={\mathrm{\α}}_t+n_{\mathrm{\α}}^i~N_{0,{\mathrm{\σ}}_{\mathrm{\α}}}\end{array}---\left(6\right)$

其中，为第i个粒子在t时刻的步长模型参数，其中包括：估计值部分K_t和随机值部分为第i个粒子在t时刻的互补模型参数，其中包括：估计值部分α_t和随机值部分

而且，所述步骤S3.6的具体实现方法为：在所述步骤S3.3过程中，一部分粒子因为违反事实而被删除，而另一部分存活的粒子则被随机复制，以保持粒子数目不变。在该过程中，粒子各属性值的离散分布情况发生变化，其统计值能够更好地设置模型参数。

$\begin{array}{c}{\mathrm{\θ}}_{drift}=\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\Σ}}{n}_{\mathrm{\θ}}^i\\ K_t=K_{t-1}+\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\Σ}}{n}_K^i\\ {\mathrm{\α}}_t={\mathrm{\α}}_{t-1}+\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\Σ}}{n}_{\mathrm{\α}}^i\end{array}---\left(7\right)$

相比于现有技术的缺点和不足，本发明具有以下有益效果：针对传统IMU室内定位方法中步长模型的参数设置不准确以及方向测量带来的误差累计问题，本发明通过粒子滤波动态调整步长模型参数和互补滤波器参数，实现了自适应步长和更精准的方向测量结果，整合了各种传感器信息，能够有效提高室内定位精度。此外，在计步过程中通过有限状态机对传感器数据进行分割，能够识别无效步态的传感器数据，减少了不必要的数据计算和分析。

附图说明

图1本发明的基于IMU的室内定位方法流程图。

图2用于运动状态判断与步态分割的有限状态机状态转换图。

图3用于方向估计的互补滤波模型算法流程图

图1中S1.1、有限状态机；S1.2、计步与步长估计；S2、方向测量；S3、粒子滤波与参数反馈。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本方面的基本结构，因此其仅显示与本发明有关的构成。

本发明的使用的智能手机是Samsung Galaxy S6(G9200)，内置的传感器型号为InvenSense公司的MPU6500六轴传感器(加速度传感器+陀螺仪)和AKM公司的AK09911，搭载的操作系统为Android OS 5.0。

数据采集来源：

在Android系统中，为了方便开发者使用各种传感器数据，已经提供了大量传感数据的API。在本发明中使用的主要数据有：加速度，由TYPE_ACCELEROMETER提供；角速度，由TYPE_GYROSCOPE提供；旋转向量，由TYPE_ROTATION_VECTOR提供。其中旋转向量是一种虚拟传感器，指手机坐标系相对于世界坐标系的旋转向量，其值由加速度传感器和磁场传感器提供的数据计算获得。

室内定位流程：

首先通过人工标定的方法在地图上标记出行人的初始位置。为了简化定位过程中的坐标旋转问题，实施过程中由行人以阅读手机屏幕的状态手持手机进行步态运动，此时手机坐标系x轴的指向即行人运动方向。在其他状态下，可以通过计算运动向量在手机坐标系中的值进行坐标旋转。

在初始化目标位置以后，由所述有限状态机进行计步与步态分割。在有限状态机中，各阈值的设定说明如下：由于智能手机收到重力加速度的影响，在处于静止状态下，合成加速度的值为9.8(1个G)，因此Thr和Thr_neg一般固定在9.8附近，用于判断步态的开始和结束，在实施过程中，分别将Thr和Thr_neg设置为10.0和9.7；Thr_pp和Thr_np分别表示峰值阈值与谷值阈值，一般来讲是需要根据步态的运动幅度来设置，或者通过学习的方式进行动态设定，在本发明的实施过程中，将其分别设置为11.0和9.0。

在检测到有效步态以后，首先使用步长模型估计当前步态的步长；同时，使用互补滤波模型对运动方向进行估计。在实施过程中，步长模型和互补滤波模型的参数都作为粒子的属性值存在，需要进行随机化处理。其中，步长模型参数K初始时设为1，且正态分布参数σ_K设为0.1；互补模型参数α设为0.98，正态分布参数σ_α设为0.01，且需满足。需要指出的是，所有参数在初始时都是根据经验值设置的，在随后的粒子滤波过程中，部分粒子因为死亡而消失，参数值的分布情况会发生变化，此时对各参数值进行修正可以时定位系统能够适应不同步态特征和环境，取得更好地定位效果。

最后，通过粒子滤波方法进行行人位置估计和参数反馈。在实施过程中，粒子数目N需要根据计算能力进行设置。由于本发明的粒子滤波实施过程是在服务器上进行，因此将N设置为较大的2000。如果需要将该过程放在智能手机上完成，需要考虑手机处理器的计算能力，设置一个较小的N值。

上述过程主要对本发明的实施过程中的参数设置问题进行说明，具体流程可以结合发明内容中给出的算法步骤。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。

Claims (4)

1.一种基于IMU的室内航位推算方法，其特征在于，该方法包括以下步骤：

步骤S1、步态分割与步长估计：根据采集的人体运动加速度数据，使用有限状态机对有效步态进行分割并完成计步和步长估计；

步骤S2、根据有效步态的角速度(陀螺仪)、加速度(加速度传感器)以及磁场强度(磁场传感器)数据，使用互补滤波模型计算当前步态的运动方向；

步骤S3、根据步长、运动方向估计结果以及地图信息进行粒子滤波，并根据有效存活粒子的属性调整步长模型和互补滤波模型的参数。

2.如权利要求1所述的一种基于IMU的室内航位推算方法，其特征在于，在步骤S1中，所述步态分割与步长估计方法包括以下步骤：

步骤S1.1、数据预处理：根据公式(1)和三轴加速度数据计算总加速度幅值，并使用滑窗均值法进行滤波；

$a=\sqrt{a_x^2+a_y^2+a_z^2}---\left(1\right)$

步骤S1.2、运动状态判断：根据有限状态机中的设置的阈值对当前运动状态进行判定，并在目标处于运动状态时对有效传感器数据进行分割。在有限状态机中，各状态的含义分别为：

S0：表示静止状态；

S1：表示预备运动状态，即目标可能处于运动状态；

S2、S3：进入峰值状态和离开峰值状态；

S4、S6：进入谷值状态和离开谷值状态；

S7：步态结束状态；

S5：用于噪声容忍。

只有当加速度数据输入使得状态机到达状态S7时，才认为发生了有效的步态行为，并将状态S1～S7之间的传感器数据作为当前步态的有效记录数据。

步骤S1.3、根据公式(2)所描述的步长模型对当前有效步态进行步长估计：

$L=K*\left(\right(a_{max}-a_{min})+\sqrt[4]{a_{max}-a_{min}})---\left(2\right)$

其中，L为估计的步长结果；K为模型参数；a_max、a_min分别为当前有效步态内的加速度最大值和最小值。

3.如权利要求1所述的一种基于IMU的室内航位推算方法，其特征在于，在步骤S2中，运动方向估计方法包括以下步骤：

步骤S2.1、根据公式(3)，对所述步骤S1.2分割的有效步态内的三轴陀螺仪数据进行积分，并将结果累加至上一个步态的运动方向上，得到目标运动的绝对方向θ_g(t)＝θ_g(t-1)+Δθ_t。

步骤S2.2、根据加速度数据获得智能手机设备的倾角结果，然后结合磁场传感器数据获得目标运动的绝对方向θ_m。

步骤S2.3、利用公式(4)所述的互补滤波模型，对所述步骤S2.1和步骤S2.2的结果作进一步处理，得到目标运动的绝对运动方向θ_c。

θ_c＝α*θ_g+(1-α)*θ_m (4)

4.如权利要求1所述的一种基于IMU的室内航位推算方法，其特征在于，在步骤S3中，粒子滤波航位推算方法包括以下步骤：

步骤S3.1、根据步长和方向估计结果以及噪声模型(公式5)生成各粒子属性。

$\begin{array}{c}{L}_t^i=L_t+n_L^i,n_L^i~N_{0,{\mathrm{\σ}}_L}\\ {\mathrm{\θ}}_t^i={\mathrm{\θ}}_t+{\mathrm{\θ}}_{drift}+n_{\mathrm{\θ}}^i,n_{\mathrm{\θ}}^i~N_{0,{\mathrm{\σ}}_{\mathrm{\θ}}}\end{array}---\left(5\right)$

其中，为第i个粒子在t时刻的步长，其中包括：L_t为t时刻根据步长模型估计的步长结果；为一个服从正太分布的步长噪声，且σ_L为固定步长的比例；为第i个粒子在t时刻的方向，其中包括：估计的运动方向值θ_t，方向偏差θ_drift以及一个服从正态分布的方向噪声，且σ_θ设为相邻步态方向变化的固定比例。

步骤S3.2、根据公式(6)和对所有粒子进行航位推算：

$\begin{array}{c}{x}_t^i=x_{t-1}^i+L_t^i{\mathrm{cos\θ}}_t^i\\ y_t^i=y_{t-1}^i+L_t^i{\mathrm{sin\θ}}_t^i\end{array}---\left(6\right)$

步骤S3.3、根据地图信息删除无效粒子。

根据提供的室内建筑物地图信息，对于进入不可到达区域(如墙体，浮空区域等)的粒子，使其权重为零并失效，而其他粒子为有效粒子。

步骤S3.4、判断是否需要进行重采样。

当有效粒子数少于初始粒子数目的2/3时，说明需要进行重采样，执行所述步骤S3.5，否则直接根据公式(7)估计目标的位置：

${\hat{S}}_t=\underset{i=1}{\overset{N}{\Σ}}{s}_t^i---\left(7\right)$

步骤S3.5、在根据所述步骤S3.4判断需要进行重采样时，采用序贯重要性重采样(SIR)方法对粒子进行重采样。

步骤S3.6、在根据所述步骤S3.4进行重采样后，对粒子的步长属性和方向属性进行统计和分析，以修正步长误差和方向偏差。

在所述步骤S3.3过程中，一部分粒子因为违反事实而被删除，而另一部分存活的粒子则被随机复制，以保持粒子数目不变。在该过程中，粒子各属性值的离散分布情况发生变化，其统计值能够更好地设置模型参数。

$\begin{array}{c}{\mathrm{\θ}}_{drift}=\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}{n}_{\mathrm{\θ}}^i\\ K_t=K_{t-1}+\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}{n}_K^i\\ {\mathrm{\α}}_t={\mathrm{\α}}_{t-1}+\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}{n}_{\mathrm{\α}}^i\end{array}---\left(8\right)$