英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
足绑式站立相检测行人导航系统
摘要---零速校正（ZUPT）是一种在脚上安装惯性行人导航系统有效方式。ZUPT技术正常工作，需要正确的选择每个步态周期的步态相位。基于惯性传感器提出的一种站立相检测方法,这种检测方法通过走路和站立时的相位差异正确检测出摆动，并应用一系列算法将潜在的干扰信息分离成真的摆动和误差摆动，因此需要一短时间来消除相位误差。检测参数的作用及参数间的关系经过分析，被用来作为协调参数一致的依据。检测成果的准确性通过多种物体在各种速度下的的实验数据进行评估。评估结果表明，合适的检测方法在测量摆动时更加精确，这种测量摆动的方法能让检测步态相位更稳定，也能让检测参数的选择更灵活。
关键词：惯性测量单元，惯性导航系统，行人导航系统，步态相位检测，零速校正
1.引言
在GPS或无线信号不能使用或信号极弱的环境中，追踪和定位一个物品便成了一个巨大的挑战。包含一个微小的惯性测量单元的独立行人导航系统就是为这种情况而生的。这种系统能在任意的陌生且没有信号的室内和室外环境中工作，它已经吸引到了医学领域，商业领域和专业安全领域越来越多的兴趣。
然而，因为惯性导航系统的综合性，任何细小的错误都会酿成大错。采用非惯性导航的位置检测是导致三次误差在短时间内迅速增长的最明显的原因，特别是在使用低成本IMU的时候增长更快。幸运的是，足绑式惯性导航系统通过零速校正技术的辅助，使得它能够克服导航发生的错误。ZUPT的优越性体现在足部在人类各种运动中，比如走路，跑步，降落在楼梯中都会改变步态相位。在理想条件下，在站立阶段期间脚静止。 然而，由于IMU不可避免地遭受漂移，因此速度估计不会精确地显示零。 在实际应用中，如果任何种类的速度不为零，则将其视为在步态周期期间产生的速度误差。 该信息可以通过ZUPT技术有效地利用。
ZUPT的实际使用已经进行了广泛的研究。 在[7]和[8]的站立阶段期间，INS导出的速度被直接重置为零。 在[9]和[10]中将速度误差作为假测量引入卡尔曼型滤波器。 滤波ZUPT可以实现减少与速度误差相关的其他导航误差（例如位置误差，姿态误差和传感器偏差误差）的附加益处。 代替仅在站立阶段期间重置导航错误，Feliz et al。 通过应用速度偏差误差来重新计算在摆动和站立阶段期间的速度来实现ZUPT [11]。 类似的ZUPT由Yun et al实现。 施加加速度偏差误差以校正在摆动阶段期间的加速度[12]。
站立阶段是ZUPT可以应用于系统的时间段。 除了IMU之外，还使用了额外的传感器来辅助站立相检测，例如射频传感器，照相机和压力传感器[8]，[13]，[14]。 虽然额外的传感器可能有助于提高检测精度，但它们增加了系统成本和复杂性，并使系统更灵敏和更普遍。 此外，其他作者的研究和我们正在进行的研究证实，一些外部测量不一定会提高系统性能[15]。 本文所描述的工作仅仅基于IMU。
通常，可以通过使用陀螺仪或加速度计的单独测量或两者的组合来检测站立期。 角速度单独以幅度[10]，均方根[16]和移动平均[17]的形式使用; 加速度单独以幅度[18]，移动平均[19]和移动方差[20]的形式使用; 在[9]和[21]中都使用了这两种测量方法。 使用两种测量可以实现良好的检测结果; 然而，使用测量之一的检测方法也表现良好。 在[22]中已经比较了不同的检测方法，并且结果表明角速度比典型步行的加速度更可靠，这由[11]，[12]和我们的研究支持。 在本文中，仅使用角速度来检测站姿相位。
要正确使用ZUPT技术，应正确检测站姿相位。 然而，现有的检测方法根本不检查假的或中断的站立相位，或者不加区别地直接滤出所有的短距离相位，这使得检测结果对测量波动和检测参数敏感。 据我们所知，没有检测到中断站立阶段的测量波动，没有讨论检测参数之间的关系，并且没有报告对自适应调整任何检测参数的处理。
本文的主要研究是开发一种自适应均衡相位检测方法，它可以消除由摆动和站立阶段的测量波动引起的假步态。 在宽的参数空间上研究测量波动对站立相位检测的影响，以及消除这种影响以增强系统性能的重要性。
2.ZUPT辅助IPNS实施
在本节中，我们简要描述系统硬件，坐标系和算法结构。
- 系统硬件
系统的硬件设置如图1所示。 在这个系统中使用的惯性传感器是Memsense Nano IMU（简称nIMU），一种低成本，小尺寸和低重量的MEMS单元[23]。 为了在不同的用户上进行测试，传感器从外部附接到用户的靴子的鞋跟。 nIMU对偏置和比例因子的温度敏感性进行补偿，其关键制造商规范列于表I中。通过Memsense IMU数据控制台采集和存储数据，该控制台允许使用RS422协议进行基本数据显示和采集。 采样率为150 Hz，为传感器带宽的三倍。
- 系统坐标
为了行人导航的目的，引入了两个坐标系，如下所示。
- 身体坐标系（简称b框）平行于图1(a)所示的传感器轴。
- 导航坐标系（简称n框）是图1(b)所示的局部东 - 北向上参考系。
如图1所示，b帧具有关于n框的X轴的大约90°的初始滚转角。 所有IMU数据在b框中测量，而所有INS状态在n帧中计算。
- 系统软件
本文提出的软件具有六个模块：传感器模块，INS模块，站立相位检测器，卡尔曼滤波器，ZUPT模块和INS误差校正器，如图1所示。 这些模块的功能如下：
- 传感器模块
传感器模型通过补偿偏差和尺度误差来校正原始IMU测量，其中k是采样指数， 是原始角速度，是原始加速度， 是陀螺仪偏差， b是加速度计偏差， 是陀螺仪比例因子，是加速度计比例因子，是补偿的角速度，是补偿的加速度。
- INS模块
INS算法通过求解离散时间导航方程来对补偿的IMU测量进行积分以估计始INS状态，其中Delta;t是采样周期，Cbnk是姿态矩阵，Omega;k是omega;k b的斜对称矩阵，用于更新 姿态矩阵，gn是重力加速度，vk n是速度，pn k是位置。
- 站立相位检测器
站立相位检测器使用补偿的IMU测量来产生用于当脚处于其站立阶段时激活ZUPT的逻辑信号在下一部分中详述。
- 卡尔曼滤波器
卡尔曼滤波器用作间接滤波器以估计原始INS状态的误差。 基于简化的INS误差模型设计卡尔曼滤波器的过程模型，其中delta;phi;是姿态误差，delta;vn是速度误差，delta;pn是位置误差，delta;omega;b是陀螺仪测量误差，delta;ab是加速度计测量误差。
如（2）和（3）中给出的，由于低成本IMU的差的误差特性和行人运动的有限速度和距离，全导航方程和全导航误差模型已经通过忽略一些物理效应 ，例如地球的旋转和曲率，科里奥利力和离心力。
然后，连续时间误差模型可以离散化为
其中delta;xk= [delta;phi;k，delta;vkn，delta;pnk]是误差状态向量，Fk是状态转移矩阵，wk-1是过程噪声。
虽然卡尔曼滤波器（扩展的，无调的或自适应卡尔曼滤波器）的一些变体通常用于实现用于脚式安装的IPNS的ZUPT [9]，[24]，在本研究中使用标准卡尔曼滤波器， 由（3）给出的动力学可以由线性模型很好地表示。 为了减少建模误差，在卡尔曼滤波器中没有建模传感器测量误差，因为在正常步行期间脚的完全静止状态很少发生，并且基于姿态的伪测量的质量通常太差以至于不能估计这样的误差，即使 传感器偏差通常建模[8]，[9]，[24]。
- ZUPT模块
当被激活时，ZUPT方法将原始速度作为速度误差的假测量来处理，并且经由测量模型将其馈送到卡尔曼滤波器
其中H是测量矩阵，zk是从vk n导出的辅助测量，eta;k是测量噪声。
在每个INS估计步骤处执行卡尔曼滤波器预测，而仅当辅助测量可用时才执行卡尔曼滤波器更新。
- INS误差校正器
误差校正器利用误差估计来细化原始INS状态，其中C nbk是校正后的姿态矩阵，Theta;k是用于细化姿态矩阵的delta;phi;k的对称性矩阵，v k n是校正后的速度，p n k是校正后的位置。 如（2）和（6）中给出的，使用一阶Pade近似来“
更新和校正姿态矩阵。
卡尔曼滤波器以闭环方式应用，这意味着误差估计被用于在每个滤波步骤之后校正INS状态。 误差估计不随时间传播，而是在每次进行校正时重置为零。
3.平衡相检查方法
在本节中，首先分析步态周期的常见方法，然后讨论现有的步态相位检测方法，最后提出一种自适应步态相位检测方法。
- 步态周期分区
在一个规范的步态周期中有四个典型的事件：足跟触地（HS），脚部平坦（FF），脚跟离地（HO）和脚趾离地（TO）。通常，HS事件被指定为步态周期的开始，并且完整的步态周期被定义为同一足的连续HS事件之间的时间间隔。分割步态周期的常见方式如图1所示。第一种方式将步态周期分为四个阶段，站立阶段从FF持续到对应于步态周期的约30％的HO [25]。第二种方式将步态周期划分为三个阶段，站姿阶段由HS和HO界定，约占步态周期的40％[26]。第三种方式将步态周期划分为站立和摆动阶段，站立阶段从HS到TO，包括步态周期的约60％[11]。在本研究中，步态周期也分为两个阶段。站立阶段与第一段中的站立阶段相同，脚部完全在地面上，而当脚的任何部分在空中时，摆动阶段从HO持续到FF，因此更好地称之为非站立阶段。
由于每个个体具有独特的步态模式，在每个阶段中花费的步态周期的百分比在文献来源之间略有不同。 对于以100-120步/分钟的正常步态行走的成年人，站立阶段持续约0.3秒，这被认为足以用于ZUPT技术来校正导航错误。
由于IMU附接到用户的脚，所以加速度和角速度呈现周期性模式。 原始IMU测量的片段如图1所示。 4，连同相应的步态阶段及其百分比。 可以观察到，在步态事件指示方面，角速度具有比加速度更突出的特征。 加速度在HS和TO事件发生时具有突然的尖峰，这可能引起瞬时测量波动并导致步态阶段的错误检测。 相比之下，角速度相对更平滑。
- 检测方法分析
基于上述讨论，站立相位检测似乎是模式识别过程，其中被查看的模式满足以下两个条件：
- 加速条件
- 角速度条件
其中是向量的二范数，g是重力加速度的大小。
该检测方法允许在站立和摆动阶段之间的状态转换。 最常见的站立相检测方法可以分为两类。 第一种是单个检测阈值方法，首先计算给定窗口大小的IMU测量的短期统计，然后将其与预定义的检测阈值进行比较以区分站立和摆动阶段[10]，[24 ]。可以声明姿态阶段如果，其中是检测统计量，W是窗口大小，Td是检测阈值。
第二种是固定时间启发式方法，其将持续时间阈值添加到第一种方法中，并且过滤出具有比时间阈值短的持续时间的原始立场阶段[12]，[20]。 可以声明步态阶段如果，其中L是持续时间，Delta;t是时间阈值。
实际上，在摆动阶段期间不仅有检测统计低于检测阈值的测量下降，而且在检测统计高于检测阈值的站立阶段期间测量升高，这两者都可能导致步态的错误检测相。第一种方法很简单，但不考虑测量波动。第二种方法也有其自身的缺点：首先，时间阈值被手调谐，其可为，它是衍生自测量工作得很好，但并不适用于每个人的个人数据;第二，该方法直接过滤所有的短期站立阶段，而不根据它们的原因不同地处理它们。在测量上升将站立阶段分解成短子阶段的情况下，第二种方法不仅不能发挥其应有的作用，而且甚至比第一种方法更差。因此，单个检测阈值或与固定时间阈值组合不足以正确检测站立阶段。在本文中，提出了一种自适应检测方法。为了方便起见，检测方法缩写如下。
- STM: 单检测阈值法
- FHM: 固定时间启发式方法
- ADM: 自适应检测方法
所提出的方法具有两个交互式分支：摇摆分支和站立分支，如图1所示。摆动分支首先将原始摆动阶段分成真和假组。然后，确认的错误摆动恢复到其站立状态，以确保站立阶段的完整性，并且这通过将错误摆动阶段和原始站立阶段合并成新的站立阶段组来实现。站立分支最终将潜在的站立阶段分成真和假组。通过这种方式，恢复中断的站立阶段，并滤除假站立阶段。使用聚类技术，可以找到自适应时间阈值来区分真实和假的步态阶段。图2中的虚线矩形。 5表示STM和FHM方法仅实现ADM方法的一部分功能。 ADM方法可以更鲁棒地检测站立相，并且进一步便于选择其他检测参数，如以下部分所讨论的。
4． 相位检测参数
在本文中，角速度能量用于导出检测统计量，定义为，其中sigma;2omega;是陀螺仪噪声方差，其对检测性能没有影响，但用作缩放因子。
总共，在站立相位检测中涉及三个相关的参数：窗口大小W，检测阈值Td和时间阈值Delta;t，如本部分中详述的。 注意，定义的检测统计量Somega;是无量纲测量，检测阈值Td也是如此。
- 窗口大小参数
如（9）中给出的，检测统计量Somega;可以被认为是窗口大小W的函数。 为了比较的目的，对于变化的W计算Somega;，并且其中六个在图6中示出。 如图6所示。 如图6所示，统计估计器可以用作滤波器以平滑测量波动并突出步态周期。 窗口大小越大，检测统计量越平滑。 然而，由于W / 2的算法延迟，Somega;对测量变化具有缓慢的响应。 此外，对于某个检测阈值，测量的平滑可以缩短所检测的站立相的持续时间，这将进一步影响ZUPT精度。
- 检测阈值参数
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[137995]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
