丁承君，李 根，苑光明，申 敏，崔 超

（河北工業(yè)大學 機械工程學院，天津 300130）

同理，行人在t2時刻的位置（E2，N2）可表示為：

面向消防、救援、治安的無盲區(qū)定位系統的研究

丁承君，李 根，苑光明，申 敏，崔 超

（河北工業(yè)大學 機械工程學院，天津 300130）

基于MEMS、GPS、3G、Virtual Reality以及智能控制等技術，基于航跡推算和特征提取等算法，使用動作分類的方法，再結合GPS定位與盲區(qū)推估這樣組合導航形式來實現消防、救援人員在廣域危險室外環(huán)境和復雜非結構化室內環(huán)境的全地域無盲區(qū)定位和狀態(tài)監(jiān)測（正常、跌倒、受困等），從而實現對救援消防作業(yè)人員的遠程監(jiān)控、調度和安全保障.

無盲區(qū)定位；加速度傳感器；GPS；行人導航

隨著社會和科技的進步，各種危險作業(yè)移動機器人的研究日趨深入，但在未來相當長的階段，消防、地震、礦難等突發(fā)事故的處置還將主要依賴作業(yè)人員深入事故現場進行處置和救援，保證作業(yè)人員的生命安全及保持戰(zhàn)斗力是首要任務.因此在作業(yè)人員深入事故現場、全力以赴進行事故處置的過程中，對其所處位置、作業(yè)狀態(tài)進行遠程監(jiān)控和指揮非常必要.目前該領域存在諸多技術問題需要攻克.對于定位系統，世界上發(fā)展最為成熟與精確的是全球衛(wèi)星定位系統（GPS，global positioning system）和我國研發(fā)的北斗導航系統.以上2種系統的原理都是利用多顆衛(wèi)星聯合對持有接收器的節(jié)點協作定位，可以達到較高的精度，但在某些特定的場景下，如在有遮擋的場合（建筑物內，茂密的森林等情況）無法使用，這就需要利用盲區(qū)自定位的方法進行節(jié)點的自定位.本文研究面向消防、救授、治安的無能為力盲區(qū)定位系統.

1 定位系統的設計

由于GPS及其他定位技術各有缺陷，使得在盲區(qū)等特殊場合無法實現對人員的定位[1].因此，本文提出利用已獲得的GPS位置信息作為基準定位信息，基于三維加速度傳感器的定位技術，實現在盲區(qū)，尤其在室內的定位.它是一種自主式導航定位技術.該技術的基本原理是以GPS為初始基準位置，利用多種傳感器獲取人員方向和速度等位置信息，不需要事先布設相關的設備，根據獲得的人員位置信息進行定位航位推算DR，從而獲得當前的定位信息.將加速度傳感器與GPS構成的組合定位系統是將兩者的優(yōu)點結合起來，當GPS系統受到干擾或遮擋無法定位時，自動切換至加速度傳感器定位，構成獨立的DR系統.DR系統自主對目標進行定位，保證了人員定位信息的完整性和可靠性.同時，利用GPS提供的高精度位置和速度信息為人員定位推算提供初始參數，不斷對定位推算系統的誤差進行校正和補償，從而實現無盲區(qū)（全區(qū)域）的定位.方案示意圖如圖1所示.

圖1 系統功能框圖Fig.1 System function diagram

2 核心技術

2.1 硬件設計

核心技術涉及2個方面：定位算法和核心電路控制.核心電路板為整個定位終端的開發(fā)和應用提供了基本的計算平臺和信息平臺.核心電路板的制作要求功能強、功耗低、體積小，其是整個定位終端的核心.

由于定位終端需要與多種傳感器進行連接，并且為了保證位置信息的準確性，所以采集到各種數據都需要在定位終端上進行處理，得出位置信息后再發(fā)送到上位機，而且這個過程還需要很高的實時性，所以對主控芯片有一定要求.另外，為了定位終端可以長時間連續(xù)定位，必須保證有充足的電能，所以要求低功耗.

STM32系列基于專為要求高性能、低成本、低功耗的嵌入式應用專門設計ARM Cortex-M3內核.增強型系列時鐘頻率達到72 MHz，是同類產品中性能最高的產品；基本型時鐘頻率為36 MHz，以16位產品的價格得到比16位產品大幅提升的性能，是16位產品用戶的最佳選擇.2個系列都內置32 kB到128 kB的閃存，不同的是SRAM的最大容量和外設接口的組合.時鐘頻率為72 MHz時，從閃存執(zhí)行代碼，STM32功耗36 mA，是32位市場上功耗最低的產品，相當于0.5 mA/MHz，所以能完全滿足系統要求.

傳感器主要由3軸數字加速度計ADXL345、3軸數字羅盤HMC5883、3軸數字陀螺儀L3G4200D和BMP085氣壓傳感器組成.這4種傳感器組成一個模塊，通過I2C串行總線與STM32主芯片連接，模塊原理圖如圖2所示，圖3為模塊與主芯片的連接圖.

圖2 傳感器模塊原理圖Fig.2 Sensor module principle diagram

圖3 傳感器模塊連接圖Fig.3 Sensor module connection diagram

2.2 定位算法設計

本系統主要是輔助GPS定位，所以在GPS信號有效時，利用GPS模塊直接得到經緯度，當GPS信號無效時，以GPS無效點為原點，進行盲區(qū)相對位置的定位.為了實現這個功能，就需要將GPS定位與盲區(qū)定位分成2部分，本研究為充分利用CPU，減少開發(fā)時間，所以引用了操作系統.

軟件系統采用uc/os-Ⅱ實時操作系統，uc/os-Ⅱ是一個開源的實時嵌入式操作體系，是一個占先式、多使命處置的內核.源代碼為C言語，有很強的移植性.由于簡略，源代碼量少，對CPU及外圍電路的要求不高，能獨自在一個CPU上運行，定位方面主要有2個任務.任務1負責GPS數據的讀取，當數據有效時直接輸出，當數據無效時，任務1掛起，低于它優(yōu)先級的任務2開始執(zhí)行，圖4為任務1的流程圖.

圖4 任務1流程圖Fig.4 Task 1 flow chart

任務2即盲區(qū)推估功能，這是本系統的核心部分，采取行走航跡推算算法PDR，其基本原理如圖5所示，即從一個已知坐標開始，通過傳感器獲取人在該位置的方向，速度等數據來推算行人在下一時刻出現未知的過程[2-6].E、N分別表示東向、北向位置分量，（E0，N0）是行人在t0時刻的初始位置，S0和θ0分別表示行人從t0時刻到t1時刻、從位置（E0，N0）行走到位置（E1，N1）的移動距離和絕對航向，則行人在t1時刻的位置可表示為：

同理，行人在t2時刻的位置（E2，N2）可表示為：

根據上述原理，可獲得行人在tk時刻位置的航位推算公式為：

圖5 航位推算算法原理Fig.5 Dead reckoning diagram algorithm

2.3 人體動作分類的研究

由于步行行為多樣并且多變，使得PDR應用在行人導航體系時，其具體方式有所變化.依據步行特點和導航系統易佩戴、低成本的要求，行人的行走距離很難直接通過傳感器測量，也不容易依據加速度積分的方式進行計算.因此，行人導航系統中主要采用步長獲得相對位移量，那么位移S=n×p，n為步數，p為步長，此為行走航跡推算算法PDR，圖6為行人航跡推算PDR機制，人體動作比較復雜，不同動作的步長也是不同的，根據其每個動作的行走距離不同賦予不同的值，再根據其行走的方向求出位移，其4個關鍵技術問題為動作分類、步長估計、航向確定和位置計算.

圖6 行人航跡推算PDR機制Fig.6 Pedestrian dead reckoning PDR mechanism

消防員動作大體分為走，跑，匍匐，躺倒，臥倒，上樓，下樓等幾種動作如圖7所示.

圖7 消防員動作狀態(tài)Fig.7 Firemen action state

通常，選擇系統的分類識別率取決于特征的描述，用于對象識別的識別模型和學習方面的分類以及特征提取與選擇是解決分類的關鍵技術[7-9].通過信號的特點，利用人體運動模式識別系統的統計分析、近年來，加速度信號的特征提取方法分為3類：時域分析法、頻域分析法、時頻分析法.直接提取時域加速度信號的時域分析方法是相對簡單的，其計算復雜度是最小的.時域常用的有：均值，方差，相關系數，能量，許多時間域的特征具有明確的物理意義，如均值表示加速度信號的直流分量，標準偏差可以描繪加速度信號的穩(wěn)定程度，而相關系數反映了2個坐標軸的信號之間的相關性.

頻域分析法對采集的加速度信號先做快速傅里葉變換（fast fourier transform，FFT），然后從頻域提取特征矢量.頻域特征主要有FFT系數、頻域熵（frequence-domain etropy，FDE）、能譜密度（power spectral density，PSD）.還有一種時頻分析法，主要是基于小波分析方法的.由于傳統的傅里葉分析只能較好地刻畫信號的頻率特征，而幾乎不提供信號的任何時域信息，而小波分析卻能把時域信息和頻域信息兩者結合起來，因而最近許多研究工作使用這種方法提取特征.

本研究主要從時域和頻域方面進行分析，頻域分析主要采用快速傅里葉變換的方法，首先在數據分析前應確定傳感器佩戴位置，因為當位置是不確定的，所獲得的數據是沒有意義的.在行走過程中的人，身體各部分如腳、腿、腰部等部位也會產生相應的運動，引起加速度變化.顯然，腳或腿運動越激烈，改變運動參數更為明顯，提取有用的信息很容易，腰部的運動要輕松許多，但傳感器容易損壞，因此，根據參數變化對較平穩(wěn)的腰部運動進行分析與研究，為了克服重力擾動與不同的傳感器放置帶來的加速度干擾，采用凈加速度分析.

還需要對采集到的數據進行濾波處理，對原始數據的濾波處理的目的有2個：①去除噪聲的干擾；②使得加速度數據更適于被計算機所識別.

這2個目標是使原始數據可以更容易和更準確地被計算機所識別，由于噪聲干擾，使加速度曲線的峰值突發(fā)意外.對原始數據進行預處理，原則是盡量消除各種噪聲，盡量保持原始數據的更多特征點，或放大到一定程度.

平滑濾波是低頻增強的空間域濾波技術[10].它的目的有兩類：一類是模糊；另一類是消除噪音.空間域的平滑濾波一般采用簡單平均法進行，就是求鄰近像元點的平均值.鄰域的大小與平滑的效果直接相關，鄰域越大平滑的效果越好，但鄰域過大，平滑會使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需合理選擇鄰域的大小.在這個項目中，主要目的是消除噪聲，所以采用的方法是簡單的平均法濾波.其公式為：

利用這個公式的好處是：①可以使曲線更加平滑，這也是用這個公式的目的；②由于公式采用的都是之前的節(jié)點值，所以沒有時間上的延遲；③總體上看公式比較簡單，不會太過耗費資源.

經過平滑處理波形不僅保持了原有的基本波形特征，而且原來充滿噪聲的波形在很大程度上變得更加平滑了，很好地起到了去噪和平滑的作用.

圖8所示為直走、下樓、上樓和跑這4種運動的加速度曲線圖，采樣頻率為100 Hz，y軸坐標單位為mg，x軸為采樣點數.由圖8可以明顯看出上樓、直走、下樓、跑在時域上波峰和波谷有很大差別，但是上樓和直走、下樓和跑不能明確地區(qū)分開來，那么對加速度曲線進行頻域分析，采用快速傅里葉變化對加速度曲線進行轉化，如圖9所示.

圖8 加速度曲線圖Fig.8 Acceleration curves

圖9 傅里葉變換Fig.9 Fourier transform

Y軸為振幅，X軸為頻率，由于靜止時加速度值為1 g，所以傅里葉變化后直流分量為1 g，跑步的頻率在3 Hz左右，比其他類型動作要快的多，但是直走和上樓在頻率方面沒顯著特征，難點就在于如何將這2種狀態(tài)區(qū)分開來.

既然這2種狀態(tài)無論從頻域還是時域方面都沒有顯著特征，那么就設置一種中間狀態(tài)，包含所有上樓狀態(tài)和部分直走，當有上樓的明顯特征出現時，判斷為上樓，中間態(tài)的值全歸為上樓，否則等待直走來臨時，則歸為直走.為了檢測這些特征值，引入一個滑動窗口，滑動窗口中保留加速度采集到的最近80次采樣值.動作分類流程圖如圖10所示.

圖10 動作分類流程圖Fig.10 Classification of motion flow chart

下樓和上樓采取時域中標準差的方法進行判定，上樓和直走以波峰和波谷的差值作為閾值，而跑就根據傅里葉變換后的頻率進行區(qū)分了.這樣就將人體的行走模式簡單的分為了4種.至于人體的臥倒等狀態(tài)也是通過加速度傳感器進行檢測的，因為本研究使用的是3軸加速度傳感器，并且佩戴位置是固定的，當人員靜止時，加速度傳感器是1 g，所以不同靜止狀態(tài)只要檢測3個軸的加速度數值就可以確定了.

2.4 電子羅盤的校正

航向由電子羅盤HMC5883L傳感器進行測量，但是傳感器在校準之后，不能有任何傾斜，否則將會造成較大數值偏差，這在行人定位中是不可能實現的，為克服這一缺點，采用卡爾曼濾波的方法進行修正，具體措施如下：

（1）構建方位角的狀態(tài)方程：使用3軸數字陀螺儀L3G4200D，獲得航向角方向的角加速度ax，那么狀態(tài)方程為X（k）=X（k-1）+axkt+W（k）.

式中：X（k）為k時刻的航向角；X（k-1）為k-1時刻的航向角；axk為k時刻的角加速度；t為陀螺儀每次讀取數據的時間；W（k）和下面所說的V（k）分別為過程和測量的噪聲，假定其恒定不變都為4°.

（2）方位角的測量值由電子羅盤進行觀測，Z（k）系統的觀測量，V（k）為測量噪聲.首先預計k時刻的航向角X（k|k-1）=X（k-1|k-1）+axkt，X（k|k-1）是利用上一狀態(tài)預測的結果，X（k-1|k-1）是上一狀態(tài)最優(yōu)的結果，Kg為卡爾曼增益，X（k-1|k-1）的協方差為P（k-1|k-1），X（k|k-1）的協方差為P（k|k-1），P（k|k-1）=（P（k-1|k-1）2+42）1/2，Kg（k）=（P（k| k-1）2/（P（k|k-1）2+42））1/2，X（k|k）=X（k|k-1）+Kg（k）（Z（k）-X（k|k-1）），P（k|k）=（（1-Kg（k））P（k|k-1）2）1/2.這樣就可以修正因傾斜引起的偏差.

經過動作分類得到不同狀態(tài)下的步長，再用經過校正的電子羅盤提供準確的航向，就可以得到較為精確的位置信息.因為GPS提供的定位信息為經緯度坐標，而盲區(qū)推估得到的是相對坐標，為了位置信息的統一，盲區(qū)推估算法得到的位置信息需通過大地主題正算進行坐標轉化，具體流程圖如圖11所示.

圖11 盲區(qū)推估流程圖Fig.11 Blind estimation flow chart

3 結束語

本系統避免對加速度觀測值積分，而是基于行人步行的運動生理學特性，利用行走時加速度波形的周期性特征和統計值與行走速度相關的特點，直接估計行走步長，使其可以使低成本傳感器也獲得高精度的位置信息，并加入了對電子羅盤的修正方法使其輸出方向更為準確.同時，本系統采用GPS和盲區(qū)定位相結合的方式，使其可以長時間準確的輸出定位信息，精度誤差為總路程的7%.因為人體動作較為復雜，雖然本文介紹的分類方法能基本識別這4種動作，但顯然要提高行人導航定位精度，就要對人體的動作進行更細致的劃分，所以動作分類是行人導航PDR算法研究的重點內容，這也是以后需要考慮發(fā)展的方面，而且本系統盲區(qū)推估功能能檢測的狀態(tài)還較少，精度有限，這些方面有待后續(xù)研究.

[1] 劉晶璟.采用加速度傳感器技術實現盲區(qū)定位的研究和開發(fā)[D].上海：上海交通大學，2012.

[2]陳偉.基于GPS和自包含傳感器的行人室內外無縫定位算法研究[D].合肥：中國科學技術大學，2010.

[3] 許睿.行人導航系統算法研究與應用實現[D].南京：南京航空航天大學，2008.

[4]鄭煒，王衛(wèi)星，梁順龍.面向行人導航的RMLTDR算法研究與實現[J].計算機科學，2011，38（5）：240-244.

[5]田小芳，熊超，陸起涌.基于加速度傳感器的GPS盲區(qū)內定位方案研究[J].微電子學與計算機，2006，23（5）：187-192.

[6] 黃岳嶸，趙毅，孟侃良.GPS盲區(qū)三維定位技術的研究[J].計算機應用與軟件，2012，29（5）：289-294.

[7] 薛洋.基于單個加速度傳感器的人體運動模式識別[D].廣州：華南理工大學，2011.

[8] 李月香.基于加速度信號的走路模式多級分類算法[D].太原：山西大學，2009.

[9]宋浩然，廖文帥，趙一鳴.基于加速度傳感器ADXL330的高精度計步器[J].傳感技術學報，2006，19（4）：1005-1008.

[10]李昊.基于三軸加速度傳感器的動作分類和步數檢測[D].天津：天津大學，2010.

Research of no blind area positioning system of fire，rescue and security

DING Cheng-jun，LI Gen，YUAN Guang-ming，SHEN Min，CUI Chao
（School of Mechanical Engineering，Hebei University of Technology，Tianjin 300130，China）

Based on MEMS,GPS,3G,Virtual Reality and intelligent control technology,through the methods such as dead reckoning and feature extraction algorithm based on the use of action classification,combined with GPS positioning and dead reckoning navigation to realize the whole region without blind area location and status monitoring of the fire,rescue workers in the area of dangerous outdoorenvironment and complicated unstructured indoor environment(normal,fall,trapped etc.),in order to realize remote monitoring,scheduling and security forfire rescue personnel.

no blind positioning；acceleration transducer；GPS；pedestrian navigation

TP212.9

A

1671-024X（2014）01-0059-06

2013-07-04

河北省自然科學基金資助項目（F2013202220）

丁承君（1973—），男，教授，博士生導師.E-mail：190532210@qq.com