英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
教程:利用惯性传感器实现行人跟踪器
摘要
鞋装惯性传感器提供了一种方便的方式，在其他定位系统失败的情况下来跟踪行人。本教程概述了一种实现相当准确的跟踪器的简单而有效的方法。
1绪论
使用脚上惯性测量单元(IMUs)的行人航迹推算(PDR)是许多室内定位技术的基础，包括地图匹配、各种类型的同步定位和映射(SLAM)，并与GPS集成。尽管PDR方法在过去十年中越来越流行，然惯性行人船位推算而即使对于非常基本的系统，也很少有关于它们的实现和遇到的挑战的信息。
一些作者专注于PDR的算法细节，并使用抽象的形式主义，这对于只需要简单实现的读者来说是令人畏惧的。另一些人假设读者熟悉PDR，并将注意力集中在将其定位系统与其他系统区别开来的额外传感器上。在这里，我们的目标是让读者更容易地将PDR作为组件使用。一个更大的系统，通过描述一个标准的惯性PDR方法，很容易实现。您可以应用我们的方法与最小的自定义配置，但该方法代表了最先进的行人惯性跟踪系统的基础。我们还参考了关键作品，这可以提供对基本原理的更正式的理解，并指向行人惯性跟踪的特定方面的专门研究(参见侧栏)。此外，我们诚实地描述了在实现、使用和评估PDR系统时遇到的困难。
2正文
2.1惯性行人船位推算
航迹推算是通过跟踪物体相对于已知起始点的运动来估计其位置的过程。一个典型的例子是一艘以恒定速度驶入的船一个固定的方向。船舶当前位置在已知起始点的直线上在运动的方向上，从起点到终点的距离是由速度给出的航行方向乘以自船到达已知点以来的时间。如果船舶改变航线，或如果速度改变，导航员必须注意当前位置使用这个新的位置估计值作为起点，重新估计并开始这个过程
未来的估计。随着时间的推移，这些估计变得不那么准确，因为它们依赖于以前的估计，而以前的估计由于速度和航向测量上的错误而不完善。在其他文字，标题和速度上的小错误积累起来，在位置估计中形成越来越大的错误。
第一个行人航迹推算方法采用完全相同的原理来估计步进的位置，使用(数字)罗盘来测量航向，使用(电子)计步器来计算步数。该方法原则上可行，但假设行人的步数是恒定的。廉价的小型微电子机械加速度计和陀螺仪提供了替代方法。通常，这些被组合成一个IMU，由三个加速度计和三个陀螺仪组成，沿三个正交轴对齐。加速度被综合起来估计速度和位置。大多数这种方法的复杂性——以及任何错误——来自于这样一个事实:加速度是在IMU(传感器框架)上的坐标空间中测量的，而不是在一个容易与正在进行实验的房间(导航框架)联系起来的坐标空间中测量的。这被称为捷联惯性导航系统，因为加速度计随着被跟踪物体的旋转而转动。
2.2延伸阅读
在详细了解本文所描述的惯性行人跟踪系统的工作原理之前，了解卡尔曼滤波和(非行人)惯性导航的基础知识是有帮助的
2.2.1惯性导航和卡尔曼滤波
Dan Simon的一篇文章以一个简单的车辆跟踪系统为例，为理解卡尔曼滤波器提供了一个很好的起点。Greg Welch和Gary Bishop的一份技术报告只是稍微正式一些，它给出了基本的Kalman更新和预测方程。它使用一个简单的例子来说明调整不同过滤器的效果参数。大卫·h·蒂特顿和约翰·l·韦斯顿的一本教科书奠定了现代惯性导航的基础。3严格定义不同的参考系，并展示了如何使用欧拉角，旋转矩阵，特别是四元数来表示惯性传感器的姿态(或方向)。这本书解释一个错误状态卡尔曼滤波器，类似于我们利用，可以融合惯性导航估计与估计其他导航系统。另一本以集成导航系统为主题的书，由Paul D. Groves撰写，共分四章惯性导航和卡尔曼滤波，并包括额外的主题，如滤波器的行为和参数调整。它描述了集成惯性跟踪的不同方法在本教程中，使用磁力仪、高度计、或GPS。这些书提供了两个互补的观点一个复杂的主题。
2.2.2利用鞋装惯性传感器进行行人航迹推算
许多研究论文都对行人惯性导航进行了研究。我们选择了一些在设计本文建议的实现时有用的方法。Lauro Ojeda和Johann Borenstein描述了一个类似于我们的“幼稚实现”的系统。他们在设计时考虑到了应急响应，并对其进行了各种行走模式的测试，包括在楼梯上和崎岖的地形上。由于使用了比MEMS传感器更大、更重、更昂贵的高质量IMU，他们的简单算法表现良好。
Raul Feliz和他的同事描述了一个类似的系统，但是更强调姿态相位检测和速度误差校正。他们的系统修正位置和速度在零速度更新(ZUPTs)期间，使用一种功能较弱但更直观的方法来替代我们在主文本中描述的卡尔曼滤波器。埃里克bull;福克斯林(Eric Foxlin) 2005年的那篇文章可能是其中最重要的一篇引用了这方面的工作。他清楚地解释了使用卡尔曼滤波器应用ZUPTs的好处。Foxlin的文章包含了实现的细节，但是Antonio Jimenez和他的同事最近的一篇文章对实现过程给出了更完整的描述。他们的文章还提供了一些在行人惯性导航的特定环境下调优卡尔曼滤波器的技巧。
2.3姿态和航向参考系统
许多现成的imu包括一个姿态和航向参考系统(AHRS)，用于估计从传感器帧到导航帧的转换。换句话说，AHRS在三维空间中计算传感器的方向。它输出传感器的定位三个欧拉角(横滚、俯仰和偏航),或一个3times;3旋转矩阵,或四元数。这些都是表示方向的等价方法。我们用旋转矩阵表示法，这是最直观的。
AHRS通常结合陀螺仪读数和加速度计读数，但有时它也结合陀螺仪读数和加速度计和磁力仪读数。综合陀螺仪的转速(或旋转速度)给出了方向。加速度计校正传感器的倾斜(滚转和俯仰)，磁力仪校正传感器的航向(偏航)。这些修正是必要的，因为方向估计的积分转化率累积误差陀螺噪声。加速度计和磁力仪另一方面，方向估计不积累误差，但分别受到传感器的运动和磁干扰的影响。结合这三个传感器类型，一个AHRS可以提供一个良好的估计传感器的方向在任何时候。我们已经发现磁力仪对不可预测的干扰非常敏感，所以我们故意这样做
在本教程中省略它们
惯性跟踪最直接的实现是使用AHRS计算的方向。然而，许多AHRSs使用专有的算法，并被设计为可以很好地用于各种应用程序。很少有是专门为脚上的行人惯性跟踪而设计的，在这种情况下，转弯和加速的速度比在其他领域中要高得多。我们发现，通过计算惯性跟踪算法本身的传感器方向，我们可以更准确地跟踪行人，并且在调整算法参数时具有更大的灵活性。
2.4近似和假设
在行人跟踪中，我们使用简化的惯性导航方程有两个原因。首先，距离和速度远小于飞机、轮船或陆地车辆。其次，MEMS惯性传感器与通常用于车辆的导航级传感器相比，误差特性相对较差。然而，一些恒定的偏差和偏差可以在校准阶段得到补偿，通常由制造商执行。
完整的导航方程补偿了各种物理效应，忽略这些效应对跟踪误差的影响很小。对于典型的步行速度，如果实验是在赤道进行的，忽略由于地球自转而产生的离心力会导致所走总距离的0.5%的位置误差，而其他地方的误差更小。忽略这一效应会导致估计的位置向赤道漂移一小部分。
科里奥利力——地球自转使运动物体发生偏转的力——与目标相对于地球的速度和地球的速度成正比旋转。对于行人来说，这种影响比离心力造成的影响小几个数量级。此外，当行人改变方向时，部分科里奥利误差会被抵消，所以位置误差并不总是累积。地球的旋转是由陀螺仪测量的,但地球的自转速度(每秒0.004度)是远远低于偏差漂移(缓慢但不可预知错误)当前MEMS陀螺仪(通常为0.1°/ s),也可以被忽略。
如果被跟踪的行人距离他或她的出发点只有几公里，我们可以假设地球在这个区域的曲率可以忽略不计。这使得我们可以在传统的笛卡尔坐标系下工作，因此我们不需要将行人的行驶情况映射到近似地球的椭球面上。
补偿所有这些误差需要准确估计行人相对于地球的位置和方向。仅仅使用惯性传感器是不可能的;这将需要额外的技术，如GPS。
2.5零速检测
零速度检测是惯性跟踪系统的重要组成部分。如果没有这些信息，速度误差将随时间线性增加，而位置估计误差将至少二次增加。ZV提供了重置速度错误所需的信息。
当惯性传感器是静止的时候进行检测是很有挑战性的。正常行走时，ZV发生在站立阶段，也就是一只脚承担全身重量的时候。这使得安装在脚上的imu成为行人跟踪的热门选择。跟踪算法可以使用安装在身体其他部位的传感器通过计算步骤和估计它们的长度来执行PDR，但这不是就像每隔几秒使用带有ZV的底座传感器一样精确。John Elwell似乎是第一个注意到每个姿态阶段都提供了使用ZV,1的机会的已发表的研究人员，但是一个早期未发表的由DARPA的Larry Sher参与的项目似乎在1996年也使用了类似的技术有几种检测ZV的方法。一种选择是使用人类行走模式的知识来检测姿态阶段。通常，这些方法将步行建模为脚跟撞击、站立、推离和摆动的重复序列，我们期望这些方法在其他运动模式(如跑步、爬行或向后行走)中失败。
第二，更一般的选择是仅使用惯性传感器的数据来确定传感器何时是静止的。这个选项假设当传感器静止时，测量到的加速度是恒定的，等于重力，陀螺仪测量到的转速为零。如果传感器以恒定的速度运动，这种方法可能会错误地检测到ZV，如果传感器噪声很大，这种方法可能无法检测到姿态相位。ZV检测的偶然故障会增加位置估计的累积误差，但不会影响惯性跟踪系统的正常工作。
研究人员已经比较了不同的ZV或阶段检测方法，经常检查总距离估计值上的误差或最终位置估计值上的误差。对于典型的行走，其意义似乎是使用陀螺仪转速是检测ZV最可靠的方法。然而，Jonas Callmer和他的同事认为，在行人跑步时，在检测中加入加速度可以提供更好的性能。在最近的研究中，Ozkan Bebek和他的同事们在鞋底下使用了高分辨率的压力传感器探测脚什么时候是静止的。与使用陀螺仪相比，它们的跟踪精度略高，因为它们可以更准确地检测ZV。但是，总的来说，不同阶段检测方法往往具有大致相当的性能。
2.6位置估计
我们最初的实现使用IMU的方向估计和简单的速度重置。我们改进了我们的结果，使用卡尔曼滤波器来校正位置和速度估计。最后，我们将卡尔曼滤波器扩展到直接从陀螺仪和加速度计的测量值来计算方向，从而使我们能够更好地控制跟踪系统，获得更好的结果。
2.7实现
最简单的实现分为五个步骤。首先，利用AHRS估计的方向将加速度从传感器帧转换为导航帧。第二，从纵轴上减去重力。第三，对加速度积分得到速度。第四，如果检测到传感器是静止的，则将速度重置为零。最后对速度积分得到位置。
2.8卡尔曼过滤器实现
我们改进了简单的实现，注意到速度误差和位置误差是相关的。如果估计的速度不正确，它将影响估计的位置在一个可预测的的方式。特别是当我们检测到传感器在ZV阶段停止移动，但是估计的速度不是零时，我们知道位置估计可能是不正确的。这这意味着无论什么时候传感器被检测到是静止的，我们都不应该将估计的速度重置为零但也应该adju圣估计定位少量。
我们将基本惯性导航系统(INS)从ZV更新(ZUPTs)中分离出来。INS将加速度转换为导航框架，从垂直轴减去重力，并进行两次积分(积分加速度给出速度;积分速度给我们位置)得到速度和位置估计。由于加速度计测量的噪声，INS的这些基本估计值在几秒钟后就会相差几米。但是，与前面的方法一样，我们可以使用ZUPTs将这个错误降低到可接受的水平。
文献中实现这种校正最常用的方法是卡尔曼滤波。卡尔曼滤波器根据系统状态进行估计关于噪声测量和系统模型。在我们的跟踪问题中“系统”是INS(脚、传感器、简单集成算法);“状态”是错误所在速度和位置估计;和“度量”是ZUPTs，它是虚拟的ZV测量值。除了速度和位置误差，卡尔曼滤波器估计其误差协方差和交叉协方差。cross-covariances让过滤器纠正位置(而不是只有速度)在一个ZUPT期间。在每次ZUPT结束，估计速度和位置误差从INS估计中减去。
该方法是一种误差状态或互补卡尔曼滤波器，是多模态导航系统中的常用工具。这些原则与标准中使用的原则相同卡尔曼滤波器，但实现看起来略有不同，对于我们的应用程序，更简单。
2.9估计IMU的方向
正如前面提到的，商业imu在估计它们的方向方面做得很好，但是它们的AHRS算法很复杂，而且通常由于智能的原因用户无法访问产权问题。我们面临的一个问题是AHRS嵌入其中我们的IMU根据传感器的类型进行一些在线校准运动。我们注意到质量方向估计(因此跟踪的准确性)经常在几分钟后提高。这表明一些内部参数ahr需要时间才能达到最优值。通过估计IMU定位自己，我们可以优化行人运动参数不再依赖于专有的算法。这让我们使用otherimu，但它们可能不会计算取向。
我们通过对陀螺仪测得的转速积分来估计方位。估计的方向不可避免地会产生漂移，但算法会在漂移过程中进行修正ZUPTs。就像位置估计和速度相关一样，方向也是。因此它可以被我们的卡尔曼滤波器校正，即使它没有被测量直接。
直觉上，如果方向不正确，重力分量不会完全从加速度中移除。剩下的重力分量将被整合，导致一个速度误差，与方向误差相关。因此，倾斜误差(滚转和俯仰)和速度误差之间有很强的相关性，因为重力和脚碰撞发生在垂直轴。偏航(或航向)误差与速度之间的相关性较小，因此它们的偏航修正也较少。为了最小化偏航漂移，我们通过在每次运行前的一个平稳周期内对测量值进行平均来尽可能地补偿恒定陀螺仪偏差。
这种方法与之前的卡尔曼滤波方法的主要区别在于，必须使用陀螺仪读数来估计方向。
同时，在状态矢量中还会出现方向误差、速度误差和位置误差。
参考文献
1. J. Elwell, “Inertial Navigation for the Urban Warrio
全文共7948字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2674]
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。
