本發(fā)明涉及一種室內(nèi)慣性導(dǎo)航方法，尤其涉及一種室內(nèi)慣性導(dǎo)航方法。

背景技術(shù)：

隨著現(xiàn)代定位導(dǎo)航技術(shù)的發(fā)展，基于位置的服務(wù)(LBS)逐漸成為智能生活中不可獲取的一部分，全球?qū)Ш较到y(tǒng)提供了全球化的定位服務(wù)，由于建筑物對信號的遮擋，在室內(nèi)無法使用GPS服務(wù)，由此應(yīng)運而生的室內(nèi)定位技術(shù)得到的迅速的發(fā)展，人們也逐漸開始適應(yīng)各種室內(nèi)定位服務(wù)。

慣性導(dǎo)航系統(tǒng)(inertial navigation system，INS)采用加速度計和陀螺儀測量定位目標(biāo)的加速度和角速度，利用這些數(shù)據(jù)計算出定位目標(biāo)的位置、姿態(tài)、速度，在航天、航海、制導(dǎo)武器、車輛等領(lǐng)域廣泛應(yīng)用。

隨著MEMS的發(fā)展和大量使用，小型INS開始出現(xiàn)，并成為室內(nèi)定位領(lǐng)域的熱點。在室內(nèi)定位領(lǐng)域使用航位推算(Dead-reckoning，DR)為行走的用戶定位的系統(tǒng)常常被稱為步行者航位推算(PDR)系統(tǒng)，PDR系統(tǒng)中除了使用INS外，比較常見的是步伐航向系統(tǒng)(Step-and-Heading System，SHS)，PDR系統(tǒng)都是利用一段一段的位移從前一刻的位置推算下一刻的位置。INS是在全三維的空間中利用每個時刻的傳感器數(shù)據(jù)計算和跟蹤目標(biāo)的軌跡，而SHS專門用于行人的位置估計，通過一個位移向量[distance,heading](代表每一步的步長和方向)推算行人的當(dāng)前位置。

PDR系統(tǒng)成本低，使用方便，并且不依賴外部信息，也不對環(huán)境產(chǎn)生影響，但是PDR系統(tǒng)是相對定位，需要有一個外部的位置初始化，或者只能從預(yù)設(shè)原點開始定位，且僅在短期內(nèi)擁有較高的精度和可靠性，隨著時間和距離的增加，PDR系統(tǒng)的累計誤差會越來越嚴(yán)重。

步伐檢測和步伐識別的準(zhǔn)確度對PDR系統(tǒng)的定位精度起決定性的作用，目前，利用加速度計檢測人行走的步伐已經(jīng)可以達(dá)到很高的準(zhǔn)確率，但是步伐長度的估計誤差較大。傳統(tǒng)的捷聯(lián)式慣導(dǎo)采取對加速度數(shù)據(jù)進(jìn)行二次積分的方法來估計步長，但是和高精度的專業(yè)慣導(dǎo)設(shè)備比，MEMS測量到的加速度原始數(shù)據(jù)誤差較大，因此慣導(dǎo)定位得到的誤差會迅速增大。有一些方法將傳感器固定在鞋底、腿部、腰部等位置，通過零速修正來對每一小段位移分別進(jìn)行積分運算，能達(dá)到相對較高的精度，但是將傳感器固定在特定的位置和姿態(tài)在很多情況下是不適用的。

神經(jīng)網(wǎng)絡(luò)(NN)是非線性輸入輸出映射最有效的方法之一，可以逼近任意復(fù)雜的非線性關(guān)系，并具有強大的學(xué)習(xí)能力、記憶能力和計算能力。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元以及神經(jīng)元之間的連接組成，在不同程度和層次上模仿人腦實際系統(tǒng)的信息處理。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種可以改善定位精度的室內(nèi)慣性導(dǎo)航方法，技術(shù)方案如下：

一種基于bp神經(jīng)網(wǎng)絡(luò)改善的室內(nèi)慣性導(dǎo)航方法，包括離線訓(xùn)練階段與在線定位階段：

1)離線訓(xùn)練階段，包括以下步驟

a.建立一個bp神經(jīng)網(wǎng)絡(luò)的步長估計模型；設(shè)置神經(jīng)網(wǎng)絡(luò)層數(shù)與神經(jīng)元數(shù)目，構(gòu)建一個具有2k₀個輸入和單個輸出的神經(jīng)網(wǎng)絡(luò)模型，輸入為當(dāng)前時刻k之前k₀個時刻的加速度與角速度數(shù)據(jù)，輸出為步伐的長度；

b.獲取原始數(shù)據(jù)并進(jìn)行預(yù)處理：用戶攜帶移動設(shè)備在室內(nèi)移動，由移動設(shè)備中的三軸加速度傳感器與三軸角速度傳感器實時獲取，分別包含三個維度上的標(biāo)量大小，記錄為時序信號序列，并進(jìn)行低通濾波預(yù)處理；

c.步伐識別模型的訓(xùn)練：分別收集大量各種狀態(tài)下經(jīng)步驟b預(yù)處理后的加速度與角速度數(shù)據(jù)，將每一段完整的步伐所對應(yīng)的各數(shù)據(jù)作為一組訓(xùn)練數(shù)據(jù)，對基于bp神經(jīng)網(wǎng)絡(luò)的步長估計模型進(jìn)行訓(xùn)練，確定模型各參數(shù)的初始值，得到初始的步伐識別模型；

2)在線定位階段，包括以下步驟

a.獲取原始數(shù)據(jù)并進(jìn)行預(yù)處理：由用戶攜帶的移動設(shè)備中的三軸加速度傳感器與三軸角速度傳感器實時獲取，分別包含三個維度上的標(biāo)量大小，記錄為時序信號序列，并進(jìn)行低通濾波預(yù)處理；

b.步伐檢測；設(shè)置時間窗口，更新當(dāng)前時間窗口的加速度和角速度；通過加速度數(shù)值與上下閾值的比較來檢測是否產(chǎn)生新的步伐；如果步伐檢測成功，則進(jìn)入步驟c，否則繼續(xù)檢測；

c.步伐長度估計；將當(dāng)前時間窗口中的加速度與角速度數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，輸出當(dāng)前的步伐長度；

d.方向估計；利用設(shè)備內(nèi)的磁力計測量地磁強度，估計運動方向，計算運動方向與北的夾角；

e.定位；由當(dāng)前時刻k的位移計算坐標(biāo)偏移，最后根據(jù)上一刻的位置，在定位過程中使用擴展卡爾曼濾波算法計算當(dāng)前位置。

本發(fā)明將步伐長度的估計問題處理成加速度、角速度數(shù)據(jù)與步伐長度的映射，采集大量數(shù)據(jù)來訓(xùn)練相應(yīng)的基于bp神經(jīng)網(wǎng)絡(luò)步伐長度估計模型，從而獲得高精度的步長估計，在此基礎(chǔ)上進(jìn)行室內(nèi)慣性導(dǎo)航，改善其定位精度。

附圖說明

圖1是示出了本發(fā)明整體方法的關(guān)系框圖。

圖2是示出了使用bp神經(jīng)網(wǎng)絡(luò)改善的室內(nèi)慣性導(dǎo)航方法的流程框圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的基于bp神經(jīng)網(wǎng)絡(luò)改善的室內(nèi)慣性導(dǎo)航方法做進(jìn)一步的描述。

以智能手機為具體實例進(jìn)行說明，利用加速度計、角速度計、磁力計記錄用戶行走的數(shù)據(jù)并進(jìn)行室內(nèi)導(dǎo)航。本發(fā)明的基于bp神經(jīng)網(wǎng)絡(luò)改善的室內(nèi)慣性導(dǎo)航方法，包括離線訓(xùn)練階段與在線定位階段：

1)離線訓(xùn)練階段，包括以下步驟

a.建立一個bp神經(jīng)網(wǎng)絡(luò)的步長估計模型。設(shè)置神經(jīng)網(wǎng)絡(luò)層數(shù)與神經(jīng)元數(shù)目，構(gòu)建一個具有2k₀個輸入和單個輸出的神經(jīng)網(wǎng)絡(luò)模型f(·)，可表示為

y(k)＝f(A(k-k₀),…,A(k),Ω(k-k₀),…,Ω(k))

其中輸入為當(dāng)前k₀時刻的加速度數(shù)據(jù)A(k)與角速度數(shù)據(jù)Ω(k)，輸出步伐的長度。選擇激勵函數(shù)為雙曲正切函數(shù)，

tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

本實例中，神經(jīng)網(wǎng)絡(luò)包含一個輸入層，一個輸出層和一個隱藏層，隱藏層的結(jié)點數(shù)目為10。

b.獲取原始數(shù)據(jù)并進(jìn)行預(yù)處理。由用戶攜帶的移動設(shè)備中的三軸加速度傳感器與三軸角速度傳感器實時獲取，分別包含三個維度上的標(biāo)量大小，記錄為時序信號序列a_x(t)、a_y(t)、a_z(t)、ω_x(t)、ω_y(t)、ω_z(t)，分別進(jìn)行實時的低通濾波，本實施例中使用一階低通濾波，如x(t)＝0.7x(t)+0.3x(t-1)，分別濾波之后得到的數(shù)據(jù)為a′_x(t)、a′_y(t)、a′_z(t)、ω′_x(t)、ω′_y(t)、ω′_z(t)，

A(k)＝{a′_x(k),a′_y(k),a′_z(k)}，

Ω(k)＝{ω′_x(k),ω′_y(k),ω′_z(k)}。

c.步長估計模型的訓(xùn)練。分別收集大量各種狀態(tài)下經(jīng)步驟二預(yù)處理后的的加速度與角速度數(shù)據(jù)，將每一段完整的步伐所對應(yīng)的各數(shù)據(jù)的時間序列及其步伐狀態(tài)作為一組訓(xùn)練數(shù)據(jù)，對基于bp神經(jīng)網(wǎng)絡(luò)的步長估計模型進(jìn)行訓(xùn)練。

具體的，每次從訓(xùn)練數(shù)據(jù)中隨機選出一組數(shù)據(jù)來訓(xùn)練模型，初始化神經(jīng)網(wǎng)絡(luò)各權(quán)值參數(shù)，通過前向傳播計算出神經(jīng)網(wǎng)絡(luò)模型對該數(shù)據(jù)的預(yù)測結(jié)果，與真實結(jié)果進(jìn)行比較，然后后向反饋回各神經(jīng)元結(jié)點，更新個結(jié)點間的權(quán)值參數(shù)，不斷重復(fù)這一過程，使結(jié)果趨于收斂。最后，通過交叉驗證確定模型各參數(shù)的初始值，得到初始的步伐識別模型f(·)。

2)在線定位階段，包括以下步驟

a.獲取原始數(shù)據(jù)并進(jìn)行預(yù)處理。由行人攜帶的移動設(shè)備中的三軸加速度傳感器與三軸角速度傳感器實時獲取，分別包含三個維度上的標(biāo)量大小，記錄為時序信號序列a_x(t)、a_y(t)、a_z(t)、ω_x(t)、ω_y(t)、ω_z(t)，分別進(jìn)行實時的低通濾波，得到濾波后的數(shù)據(jù)為a′_x(t)、a′_y(t)、a′_z(t)、ω′_x(t)、ω′_y(t)、ω′_z(t)，

b.步伐檢測。更新當(dāng)前時間窗口的加速度和角速度分別為

W_a(k)＝{A_g(k-k₀),A_g(k-k₀+1),…,A_g(k)}

W_ω(k)＝{ω(k-k₀),ω(k-k₀+1),…,ω(k)}

k₀為預(yù)設(shè)的時間窗口常數(shù)。通過加速度數(shù)值與上下閾值的比較來檢測是否產(chǎn)生新的步伐。如果步伐檢測成功，則進(jìn)入步驟c，否則繼續(xù)檢測。

c.步伐長度估計。將當(dāng)前時間窗口中的加速度與角速度數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型f(·)，

y(k)＝f(A(k-k₀),…,A(k),Ω(k-k₀),…,Ω(k))

即可輸出當(dāng)前的步伐長度。

d.方向估計。利用設(shè)備內(nèi)的磁力計測量地磁強度，估計運動方向，計算運動方向與北的夾角α。

e.定位。計算相對位移，

Δ_x(k)＝l(k)cos(α)

Δ_y(k)＝l(k)sin(α)

最后，根據(jù)上一刻的位置，在定位過程中使用擴展卡爾曼濾波計算當(dāng)前位置。具體的，設(shè)上一時刻的位置為(x(t-1),y(t-1))，則當(dāng)前時刻的位置為：

x(k)＝(1-K_g)[x(k-1)+Δ_x(k)]+K_gZ_y(k|k-1)

y(k)＝(1-K_g)[y(k-1)+Δ_y(k)]+K_gZ_y(k|k-1)

其中，K_g為計算出的卡爾曼增益，Z_x和Z_y為根據(jù)上一時刻位置與速度估計出的本時刻的位置。

表1是示出了一組直線行走時測試的誤差。

表1