基于表面肌电信号改进步长估计模型的个人定位方法

针对个人室内定位中步长估计方法存在估计精度不高、适用范围有限的问题,提出一种采用表面肌电信号和加速度信息的改进步长估计模型.通过采集行人在行走过程中的表面肌电信号和加速度信息,利用平滑滤波算法对该信号进行预处理,并通过峰值检测算法进行步数检测,在此基础上提出一种改进的步长估计模型,利用该模型进行了个人室内定位测试.实验...     

基于自适应步长约束的行人导航系统误差修正算法

基于惯性传感器的行人导航系统定位精度随时间累积下降，根据捷联惯导理论和人体运动学特征，提出基于自适应步长约束的行人导航误差修正算法。所提算法首先利用零速检测划分行人运动区间，其次根据加速度信息利用自适应步长估计模型计算各区间内步长，最后通过零速修正与步长约束模型修正导航误差。实验将WT901BC姿态仪固定于行人脚跟，并围绕闭环路径行走进行算法验证。实验结果表明，相比于零速修正，经过自适应步长约束算法修正后，行进240 m后起点、终点间距离误差平均值由2.50 m下降至0.18 m，导航闭环误差平均值由1.04%D下降至0.07%D，有效提高行人导航系统的定位精度。     

基于手机多携带位置下的路程估计方法

提高步频检测的识别率和步长估计的精度是行走轨迹推算定位技术的两个关键。基于手机加速计和行人位置推算原理,利用巴特沃斯滤波器提取手机加速度信号中与行人步态事件相关的信息;借助于峰值探测法识别步频,进而利用步频探测获得的步频点分割加速度信号;通过分析行人行走时的特征,建立了基于加速度波形面积的步长估计模型,以此估计行人的行走路程。实验表明:手机在不同携带位置下,利用频域滤波器提取的信息探测步频的平均识别率达99%以上;在不同步速下,基于面积估计模型的路程估计的平均可靠度在98%以上。     

基于MEMS惯性测量单元的多源信息自适应步数检测方法

针对基于MEMS惯性测量单元的行人航迹推算中步数检测方法仅利用单一的加速度信号检测精度较低的问题,提出一种多源信息自适应步数检测方法。该方法通过综合考虑人体运动过程中的加速度信号和角速度信号,根据不同的步态特征通过设定不同的自适应阈值条件实现步数的检测。虽然常规的峰值检测算法和固定阈值检测算法在单一步态下步数检测精度相对较高,但是对复杂运动状态下的步数检测精度很差,无法适用于真实的行人运动过程中步数的检测。然而多源信息自适应步数检测方法却能够在行人不同运动状态下精确检测步数,该方法明显优于常规的峰值检测方法和阈值检测方法。试验结果表明,本文提出的多源信息自适应阈值检测方法在行人不同运动状态下的步数检测精度可达98%以上。     

基于手机加速度计的行人步态分析

随着导航定位技术的快速发展及应用,复杂室内环境下的定位与应用已成为当今热点。以普通智能手机内三轴加速度信号为研究对象,将加速度数据利用低通滤波、卡尔曼滤波去除噪声,再利用巴特沃斯滤波方法进行细化去噪;分析处理后的数据,利用峰值检测法得到行人行进时每一步的开始和结束点,通过准确的步态点计算行进的实时步频,并依据实时步频建立步长估计模型,将实时步频利用阈值分割法处理,将行人静止、慢走、正常走、快走这四个基本状态进行区分。由实验数据得出,步数检测以及实时步长的估算精度都可以满足普通室内定位的需要,并且可以有效区分行人的基本运动状态。     

基于MEMS加速度传感器的步态识别

针对最小采集约束条件和经历长时间跨度下识别率低的问题,提出一种基于MEMS加速度传感器的步态识别算法。该算法以右髋部位置采集加速度信号构造多个高斯差分尺度空间,利用局部关键点生成稀疏表示的步态特征位置模板,并采用模板融合来有效转换稀疏性步态周期特征,最后利用最近邻算法和投票机制对步态特征进行识别。在公开的含175名测试者的步态加速度数据集上进行测试,实验结果显示识别率为98.67%和认证率为99.89%,并进一步研究了测试集和训练集样本数目对识别效果的影响,验证了特征提取的有效性和稳定性。     

基于人体多方位运动的三维自主导航定位算法

基于MEMS传感器的行人导航通常利用行人航迹推算算法解算出人体位置的坐标对行人定位。传统行人航迹推算算法只能用于单一前进行走运动模式,不适用于人体实际的多方位运动模式。因此,提出了一种多方位运动三维自主导航定位算法,利用三轴加速度计数据对行人进行步态检测和步长估计,在分析了加速度计单轴数据的基础上,讨论了4类运动模式的识别方法,推导出适用于人体多方位运动模式的航迹推算公式。在智能手机平台上进行测试验证,实验结果表明,所提出的多方位运动模式自主导航定位算法在人体实际运动中,定位误差小于3.2%,很大程度上提高了导航精度。     

多条件约束的行人导航零速区间检测算法

针对MEMS惯性传感器存在漂移大、器件精度低的问题,结合行人导航系统应用需求,在分析行人运动步态的基础上,设计了一种多条件约束的行人步态零速区间检测算法。该方法综合利用足部传感器输出参量的模值、方差、幅值、峰值并通过设定阈值来提取步态中的零速点,多条件约束有效地降低了误判的可能性。最后,采用该方法对不同步速下行走过程中的零速区间进行检测,结果表明利用多条件约束法计算得到的零速区间数与实际运动步态中的零速区间数完全一致。此外,零速区间的准确提取也为后续开展行人导航速度解算误差修正算法的研究提供了依据。     

一种基于自适应波峰检测的MEMS计步算法

针对微机电测量系统(MEMS)波峰检测计步算法和自相关分析计步算法仅利用单轴加速度和固定阈值对传感器姿态和运动状态变化适应性较差的问题,提出了一种自适应波峰检测算法。该算法将行人运动状态分为正常状态与非正常状态,根据行人每一步的最大整体加速度与运动状态的内在相关性,获取不同运动状态的波峰检测经验阈值,实现不同运动状态下的自适应计步。通过实验对比分析,自适应波峰检测算法在传感器不同姿态和行人不同运动状态下的计步正确率均可达到99%以上,而常规波峰检测算法和自相关分析算法对正常态的计步精度虽然达到97%和99%以上,但对非正常状态下的计步精度仅有70%和50%,无法适应行人运动状态的变化。结果表明:自适应波峰检测算法对MEMS传感器姿态和运动状态的变化适应性较强,能够实现传感器不同姿态和不同运动状态下的可靠性计步。另外,自适应波峰检测、常规波峰检测、自相关分析算法的时间运算效率分别为0.036 s、0.046 s、0.131 s,自适应波峰检测算法时间效率明显优于其他两种算法。     

混合运动模式下的双重阈值零速区间检测算法

针对固定阈值零速检测算法在混合运动模式下容易解算出错等问题,在分析了正常行走、上楼和下楼等三种室内常见运动模式的基础上,提出了一种混合运动模式下的双重阈值零速检测算法。该算法首先采用角速度变化特征点识别出正常行走、上楼和下楼等三种运动模式,然后根据不同的运动模式匹配相应的加速度和角速度阈值以及时间窗口的大小,利用双重阈值配合时间窗口的方法检测得到零速区间。最后,采用该算法对不同的行人的步态在混合运动模式下进行了检测,结果表明该方法可有效识别每步的运动模式,并且能够完全检测出每步的零速区间。在定位结果上相比于固定阈值零速检测法,该算法的定位精度平均提升了70%以上。     

自适应步长约束的双脚MIMU行人导航系统误差修正方法

针对GPS信号遮挡严重的室内环境下基于微惯性测量单元(MIMU)的行人导航系统导航定位误差随时间不断累积的问题,研究利用行人运动学特性建立双脚间步长约束的导航误差修正算法。将两个MIMU分别固定在行人双脚上,通过步态特性分析和零速区间检测,构建了结合单脚零速修正与双脚间步长约束的误差修正模型;通过加速度计输出数据推算步长实现约束的自适应调节,提高行人步态发生变化时的误差修正效果。实际行走实验结果表明,步长变化情况下,利用所提出方法推算步长的误差率在5.8%以下,修正后双脚位置误差相比固定步长约束减小约46.43%,轨迹更加符合实际。     

多运动状态下自适应阈值步态检测算法

多种运动状态情况下,由于对步行者航位推算系统中步态检测不准确,导致推算定位误差增大。针对上述弊端,提出了多运动状态下自适应阈值步态检测算法。首先,通过改进的多阈值的步态检测算法,改善支撑区间检测的准确性。然后利用随机森林算法识别站立、走路、跑步、上楼和下楼等五种常见的室内运动状态,自适应匹配相应的步态检测的阈值,以实现多运动状态下的精准步态检测,提高行人航位推算系统精度。实测结果证明,相对于传统固定阈值检测算法,该算法平面定位精度提升33.1%,步态检测精度提升89.4%。     

基于WiFi/PDR的室内行人组合定位算法

对当前室内行人定位算法进行了研究。针对WiFi定位稳定性差的问题,提出了一种改进的K最近邻(Improved K-Nearest Neighbor,IKNN)算法。针对行人航位推算(Pedestrian Dead Reckoning,PDR)算法中步长模型及航向估计不准确的问题,提出了一种实时更新的步长模型及基于室内环境特征的航向估计算法。在改进的WiFi定位算法与PDR算法的基础上,提出了一种基于自适应粒子滤波的室内行人WiFi与PDR组合定位算法,通过自适应因子自动调节观测量对粒子分布的影响。通过智能手机在实际室内环境中对定位方法进行了测试,实验结果表明:组合定位系统定位精度为0.66 m,高于普通的粒子滤波算法,是一种准确高效的室内行人定位算法。     

一种基于手机传感器自相关分析的计步器实现方法

针对计步器采用的波峰检测算法要求行人必须将设备佩戴在身体特定部位的问题,提出了一种利用手机加速度传感器信息实现计步器的解决方案。同时,为了降低手机位置不同以及行人的不同运动状态对手机计步器计步结果的影响,设计了一种自相关分析的计步算法。该算法将运动状态分为空闲和行走两种基本类型,根据经验阈值判断运动人员的运动状态进而进行计步计算。试验结果验证了算法的有效性:相对于波峰检测算法,运动状态为行走时计步结果的正确率从92.5%提高到98.6%,运动状态为空闲时计步结果的正确率从96.0%提高到98.8%。表明新设计的自相关分析算法有效地提高了行人计步结果的正确率,为室内人员定位技术的发展提供了新的途径。     

结构动力响应分析的三阶显隐式时程积分方法

基于泰勒级数展开式提出了一种用于结构动力响应分析的高精度时程积分方法,该方法假设t时刻的速度和加速度由t-Δt时刻、t时刻、t+Δt时刻的速度和加速度加权表示,并可根据求解需要调节权值,将积分算法构造成隐式格式或显式格式。通过理论分析和数值算例,计算讨论了该算法的稳定性和精度,确定了最佳的权值和允许的时间步长。结果表明:本文算法最高具有三阶精度,且具有振幅衰减率低、周期延长率极小等优点。最后结合一个铁道工程实例,表明本文算法适用于大型非线性动态响应的精确快速求解。     

等步长高次多项式插值加速度法的局限性

动力时程分析中,在几个相邻的等长时间步之间对加速度的变化规律用多项式插值来描叙,经过推导可求解得到整个时间域上的动力方程的解答.根据泰勒展开原理分析表明,随着所取多项式次数的增加,收敛精度增高,计算步长适当放大,截断误差仍能在容许的范围之内.但是随着所取多项式次数增大,其算法的稳定域减少, 计算步长受到了此小稳定域的限制,收敛精度不再是所取计算步长宽度的决定因素,稳定域大小成了所取计算步长宽度的决定因素.因为一旦步长超出了此小稳定域范围,虽然在每个时间步内的截断误差不大,其传递的误差却会被放大到很多倍,最后导致计算结果严重失真.分析结果显示,多项式插值次数采用到步长的三次时,与一次多项式插值(对应线性加速度法)和二次多项式插值(对应二次加速度法)的分析方法相比,算法的稳定域急剧变窄,为h/T≤0.0099(h为计算步长,T为结构的固有周期),此小稳定域限制了计算步长的选择范围,其收敛精度很高因此可放大计算步长的优势无法施展.本文推导了三次加速度法的求解过程,进行了一个理想单自由度系统的动力时程分析计算,验证了结论的正确性.表明同时考虑收敛精度和稳定域来确定计算步长的宽度时,二次加速度法为优.     

基于压力传感器辅助的行人室内定位零速修正方法

针对现有行人室内定位导航系统定位精度差的问题,设计了一种压力传感器辅助微惯性测量单元的多条件约束零速修正方法。将微惯性测量单元和压力传感器固连在鞋上,用来测量人体脚部运动信息。在经典捷联解算基础上通过对行走时微惯性测量单元和压力传感器的统计特性进行分析,对加速度模值、滑动方差、角速度模值、足底压力设定阈值,用以检测行走过程中的零速区间,通过基于零速修正的卡尔曼滤波估计姿态误差、速度误差和位置误差,反馈校正后对微惯性测量单元的累积误差进行修正。最后通过对比试验证明了压力传感器辅助下的零速修正方法提高了系统导航定位精度,步行和跑动时的水平定位精度优于1%D。     

近似平衡多项式加速度动力显式算法

利用已知初始时刻的信息，建立一种可以取到任意阶高精度的多项式加速度单步隐式算法。在该隐式方法中，待采解方程纽系数矩阵中质量阵的系数远远大于阻尼阵和剐度阵的系数，略去非对角阻尼阵和非对角刚度阵对方程组的影响，得到一种近似平衡多项式加速度动力显式计算方法。此方法的精度主要由加速度多项式插值的项数、步长、质量阵的每件数、质量刚度比（质量阵和刚度阵的范数之比）决定。在此基础上给出了这种算法的通式，进行了精度分析，结果表明：如果时间步长h足够短，n次加速度近似平衡动力显式算法的精度可以达到O（hn＋1）。算例采用5次加速度近似平衡显式算法，计算结果的精确性证明了本算法的可行性。     

基于不等式约束卡尔曼滤波的双MIMU导航位置校正方法

为了实现GPS信号缺失下的单兵自主导航,提出一种基于微惯性测量技术(MIMU)的单兵导航方案。由于惯性导航时误差随着时间而积累,提出了基于双MIMU的单兵导航位置校正方法,通过将两个MIMU分别固联在单兵的双脚上,根据行走时候的步态特性,利用基于假设检验和极大似然估计的零速检测器,进行零速检测修正。结合单兵行走时最大步长约束,设计一种最大步长分解约束下的卡尔曼滤波椭球约束算法,进一步校正单兵导航位置估计。研究结果表明,采用最大步长分解约束不等式卡尔曼滤波的双MIMU单兵导航方案,与未加约束时相比双脚位置均方根误差下降了41.46%。     

基于手机陀螺仪航向修正算法

将低价位手机(魅蓝NOTE3)中的陀螺仪作为研究对象,为了减少由于陀螺仪漂移带来的航向误差,鉴于改进的启发式消除算法(iHDE)在航向修正的优越性,对基于行人导航算法框架IEZ的iHDE算法做出改进。由于人们携带手机的方式不同于脚踏式惯性单元IMU,IEZ算法框架已不再适用,故将iHDE应用在基于步态分析和航向估计的行人航迹推算定位算法框架(SHS-PDR)中,并把航向与主方向的偏差作为唯一的状态量输入到卡尔曼滤波器中,得到航向的最优估计,即简化了原始iHDE算法。最后,设计了两类不同难度的行走实验,即常规路线实验与挑战性路线实验,且实验中定位误差分别为总行进距离的0.2%与0.9%,定位精度与未经航向修正的算法相比分别提升了88.9%与43.8%。实验证明,应用在基于手机传感器的SHS-PDR算法框架下的iHDE算法依然保持其良好的航向修正能力。