技術(shù)領(lǐng)域

本發(fā)明涉及人員定位、數(shù)據(jù)處理應(yīng)用領(lǐng)域，特別是涉及一種步長(zhǎng)估計(jì)方法。

背景技術(shù)

基于慣性導(dǎo)航理論可以提供一種“無(wú)信標(biāo)”、“無(wú)衛(wèi)星”的定位和導(dǎo)航系統(tǒng)，即步行者航位推算(Pedestrian Dead Reckoning，PDR)系統(tǒng)。PDR系統(tǒng)是一種不依賴于衛(wèi)星信號(hào)、無(wú)信標(biāo)、完全自主的導(dǎo)航定位系統(tǒng)，該系統(tǒng)通過附加于人員身體的慣性測(cè)量單元(Inertial Measurement Unit，IMU)，根據(jù)測(cè)量人員運(yùn)動(dòng)時(shí)的加速度、角速度以及四元數(shù)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行計(jì)算和融合，得到人員的行進(jìn)距離及方向，最終推算出人員的行進(jìn)路線及位置。運(yùn)用PDR技術(shù)的人員定位方案，其關(guān)鍵技術(shù)在于步行者行進(jìn)步長(zhǎng)及方向的估計(jì)。對(duì)于PDR技術(shù)中的步長(zhǎng)估計(jì)問題，早期的步長(zhǎng)計(jì)算都是將行人的每一個(gè)單步步長(zhǎng)設(shè)置為常數(shù)，由于行人行走的隨機(jī)性和不確定性，這種方法并不適用于普通的步長(zhǎng)計(jì)算。雖然國(guó)內(nèi)外研究機(jī)構(gòu)已經(jīng)完成了一些有關(guān)PDR的研究工作，但對(duì)于PDR系統(tǒng)長(zhǎng)期工作的誤差漂移問題還有待解決，通常需要借助WiFi等定點(diǎn)信標(biāo)對(duì)PDR系統(tǒng)誤差進(jìn)行消除。

研究者根據(jù)步長(zhǎng)與步頻的關(guān)系，又提出了基于步頻的步長(zhǎng)計(jì)算方法，而行人的步頻與身高、體重等情況存在很大的相關(guān)性；根據(jù)牛頓定律，對(duì)行人運(yùn)動(dòng)的加速度進(jìn)行二次積分，可以很方便獲得運(yùn)動(dòng)的距離。而由于IMU本身偏差、電磁干擾等因素，導(dǎo)致誤差成平方增長(zhǎng)，并且不斷累積。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于深度學(xué)習(xí)的步長(zhǎng)估計(jì)方法，在人員定位步長(zhǎng)估計(jì)中應(yīng)用深度學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，獲得智能模型預(yù)測(cè)步長(zhǎng)。

本發(fā)明的一種基于深度學(xué)習(xí)的步長(zhǎng)估計(jì)方法，該方法包括以下步驟：

步驟1、采集行人自由行走時(shí)的三軸加速度以及三軸角速度作為單步傳感數(shù)據(jù)；

步驟2、對(duì)于每一個(gè)單步傳感數(shù)據(jù)基于雙零速率修正點(diǎn)D-ZUPT算法進(jìn)行劃分；具體方法如下：依據(jù)人員運(yùn)動(dòng)過程中的規(guī)律性和周期性，對(duì)人員行走的步態(tài)周期和相應(yīng)的加速度進(jìn)行對(duì)應(yīng)和分解，即設(shè)“腳尖離地”時(shí)刻為第一零速率修正點(diǎn)F-ZUPT，“腳跟著地”時(shí)刻為第二零速率修正點(diǎn)S-ZUPT；如果i時(shí)刻的三軸加速度滿足公式如下時(shí)，即判定為F-ZUPT點(diǎn)：

其中，t表示采樣間隔，和分別表示i時(shí)刻的人員的三軸加速度，M_th和N_th分別表示加速度斜率閾值和加速度閾值；

當(dāng)人員腳跟觸地時(shí)，人員運(yùn)動(dòng)的三軸加速度在這個(gè)瞬間就會(huì)產(chǎn)生一個(gè)拐點(diǎn)，即滿足下式：

其中，表示i時(shí)刻的任一軸的加速度，即和集合。

將滿足該式的時(shí)間點(diǎn)集合定義為觸地瞬間時(shí)間組lgp，在lgp中選取S-ZUPT點(diǎn)，具體處理如下：

計(jì)算lgp中三軸加速度的絕對(duì)值，選取最大加速度的時(shí)刻m；

將時(shí)刻m后的第二個(gè)時(shí)間點(diǎn)當(dāng)作S-ZUPT點(diǎn)；

選擇F-ZUPT點(diǎn)和S-ZUPT點(diǎn)之間的距離得到單步傳感數(shù)據(jù)；

步驟3、采用視頻分析的方法對(duì)實(shí)際步長(zhǎng)進(jìn)行推算，通過計(jì)算單步行走在圖像中跨越的像素點(diǎn)數(shù)目推算實(shí)際步長(zhǎng)；

步驟4、將規(guī)范的單步感數(shù)據(jù)后與基于視頻分析得到的單步步長(zhǎng)相關(guān)聯(lián)，構(gòu)建出用于學(xué)習(xí)的訓(xùn)練數(shù)據(jù)庫(kù)；通過訓(xùn)練獲得的智能預(yù)測(cè)模型對(duì)行人行進(jìn)過程中的單步步長(zhǎng)進(jìn)行估計(jì)，并通過結(jié)果反饋和優(yōu)化預(yù)測(cè)模型。

與現(xiàn)有技術(shù)相比，本發(fā)明將深度學(xué)習(xí)智能模型與步行者航位推算(Pedestrian Dead Reckoning，PDR)系統(tǒng)的雙零速率修正點(diǎn)(Dual Zero Velocity Updates，D-ZUPT)等技術(shù)結(jié)合，提高了步長(zhǎng)估計(jì)的精度。

附圖說(shuō)明

圖1為本發(fā)明一種基于深度學(xué)習(xí)的步長(zhǎng)估計(jì)方法的整體流程圖。

圖2人員行走步態(tài)周期中D-ZUPT方法劃分單步的原理示意圖；

具體實(shí)施方式

深度學(xué)習(xí)作為智能信息處理方法，已經(jīng)被廣泛應(yīng)用于各類信息處理系統(tǒng)中。本發(fā)明通過采集不同步態(tài)條件下的單步傳感數(shù)據(jù)，構(gòu)建不同單步運(yùn)動(dòng)的加速度、角速度以及四元數(shù)數(shù)據(jù)庫(kù)。基于CNN模型設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用TensorFlow框架平臺(tái)設(shè)計(jì)算法，對(duì)人員運(yùn)動(dòng)中的慣性數(shù)據(jù)進(jìn)行學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)模型中的訓(xùn)練參數(shù)，獲得對(duì)步長(zhǎng)的良好預(yù)測(cè)。

下面將結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步的詳細(xì)描述。

如圖1所示，本發(fā)明一種基于深度學(xué)習(xí)的步長(zhǎng)估計(jì)方法的整體流程包括以下步驟：