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。     

一种波峰波谷检测的智能手机计步算法

提出了一种面向智能手机的波峰波谷检测计步算法,以合加速度模值的周期性变化为依据,采用移动平均法对合加速度模值进行滤波处理,基于前后两个相邻时刻滤波后合加速度模值识别波峰和波谷,利用识别的首个波峰和波谷以及滑动窗口法完成后续波峰和波谷检测,并借助最小值函数实现步数统计。2名实验人员平端智能手机在211 m走廊内开展计步实验,所提出算法的计步准确率为100%,与常用算法相比,精度提高了1.01%以上;在多种活动下开展计步实验,提出算法的计步准确率为98.75%,与常用算法相比,精度提高了8.75%以上。实验结果表明,提出的算法对于不同行人、不同步速和多种活动可以实现准确计步,优于常用算法,且能够在大众智能手机上流畅运行。     

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。     

基于D-最优的惯性平台自标定方案设计

惯性平台自标定的标定方案设计目前多是依靠经验人为设计,而没有比较系统的标定方案设计方法,为解决此问题,提出了一种基于D-最优理论的惯性平台自标定方案设计方法。首先分析给出了包含36个待估计参数的平台系统误差模型;然后以陀螺仪和加速度计的输出模型为回归模型,将惯性平台自标定看作一个广义的多元回归问题,以D-最优理论为优化准则,提出了并行设计和串行设计两种标定方案设计思路。将得到的优化方案与传统的十六位置标定方案进行了仿真对比分析,仿真结果表明:优化方案的陀螺仪误差系数、加速度计误差系数和加速度计安装误差系数标定相对误差都在1%以下,与传统十六位置标定方案的标定精度相当;但优化方案的陀螺仪安装误差标定相对误差在5%左右,远远优于传统十六位置标定方案25%的相对误差;而且优化方案的标定位置更少,能够减少标定时间,验证了标定方案设计思路的正确性。     

一种基于半参数回归的加速度计误差模型辨识方法

为了解决加速度计离心机试验中系统误差和未建模误差对加速度计模型辨识的影响,将统计学中的半参数回归方法引入到加速度计的模型辨识中,建立了加速度计的半参数回归模型,提出了一种基于最小二乘-半参数回归模型(LS-SPRM)的估计方法,该估计方法利用最小二乘法估计加速度计的误差模型系数,利用半参数回归方法估计加速度计测试中的系统误差,并通过检验残差是否为白噪声作为判断是否有系统误差的条件。在半参数模型的估计中,采用二阶段估计方法,利用三次样条函数进行非参数部分的估计,并讨论了光滑参数的选取方法。仿真试验结果表明,采用该方法能够较好地补偿由于系统误差和未建模误差带来的影响,使加速度计模型辨识的标准差较普通最小二乘法减小45%左右,估计的残差也减小了近一倍。     

基于MEMS惯性传感器的高精度步长估计算法（英文）

针对传统计步算法精度低适用性不高的问题,提出了一种基于MEMS足部定位模块的高精度自适应步长估计算法。首先通过分析行人步态的周期特征,精确地判断每个步态周期中单脚离地和落地的时间差值,采用零速更新法结合时间阈值、加速度阈值和加速度方差阈值进行步态检测;然后对转换后地理坐标系下传感器信号进行双重积分,计算出行人每一步的空间轨迹,无需进行前期步长数据采集或者生物模型参数提取,即可实现对行人步长的精确估计。在AHRS_box惯性传感器模块上进行了实验,结果表明该算法估计得出的步长和行走距离误差均小于2.5%,证实了该算法的有效性。     

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。     

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。     

单目视觉里程计/惯性组合导航算法

提出一种单目视觉里程计/捷联惯性组合导航定位算法.与视觉里程计估计相机姿态不同,惯导系统连续提供相机拍摄时刻对应的三维姿态,克服了单纯由视觉估计相机姿态精度低造成的长距离导航误差大的问题.通过配准和时间同步,用惯导系统解算的速度和视觉里程计计算的速度之差作为组合导航的观测量,采用Kalman滤波修正组合导航系统的误差,同时估计视觉里程计标度因数误差.分别在室内外不同环境下进行了22 m的推车实验和1412m的跑车实验,定位误差分别为3.2%和4.0%.与Clark采用姿态传感器定期更新相机姿态估计结果的方法相比,单目视觉里程计/惯性组合导航定位精度更高,定位误差随距离增长率低,适合步行机器人或轮式移动机器人在复杂地形环境下车轮严重打滑时的自主定位导航.