錢偉行，周紫君，謝 非，陳 欣，王 融，劉文慧

（1.南京師范大學(xué) 電氣與自動(dòng)化工程學(xué)院，南京 210046； 2.南京航空航天大學(xué) 自動(dòng)化學(xué)院，南京 210016）

行人導(dǎo)航技術(shù)在軍事作戰(zhàn)、醫(yī)療救援、公共安全、應(yīng)急響應(yīng)、娛樂消費(fèi)等諸多社會(huì)領(lǐng)域發(fā)揮著越來(lái)越重要的作用[1]。由于衛(wèi)星信號(hào)無(wú)法穿透建筑物，使得行人室內(nèi)導(dǎo)航系統(tǒng)需要ZigBee、Wi-Fi、Beacon、慣性傳感器等室內(nèi)導(dǎo)航技術(shù)的輔助[2]。近年來(lái)，國(guó)內(nèi)外學(xué)者圍繞單足、雙足安裝微慣性測(cè)量組件（Micro Inertial Measurement Unit,MIMU）以及其他分布式結(jié)構(gòu)的行人導(dǎo)航方法進(jìn)行了全面而深入的研究，在步態(tài)檢測(cè)、人體運(yùn)動(dòng)分析、慣性器件誤差修正等方面均取得了較為明顯的成果[3-5]。同時(shí)，在上述研究中也發(fā)現(xiàn)，人體的運(yùn)動(dòng)除了常規(guī)的行走以外，還存在較多高過載的運(yùn)動(dòng)方式，如奔跑、跳躍以及軍事作戰(zhàn)中的各類運(yùn)動(dòng)，在上述情況下工作時(shí)基于足部慣性技術(shù)的行人導(dǎo)航系統(tǒng)尚存在如下問題：足部是人體運(yùn)動(dòng)信息采集的關(guān)鍵位置，當(dāng)人體在包含較高過載的行進(jìn)中時(shí)，足部MIMU可能會(huì)出現(xiàn)持續(xù)性超量程或故障等情況，此時(shí)行人導(dǎo)航系統(tǒng)只能依賴安裝或攜帶于人體其他位置的備份慣導(dǎo)完成導(dǎo)航推算，其性能將受到不同程度的影響，甚至直接導(dǎo)致導(dǎo)航定位功能失效。

為解決上述問題，本文提出了一種基于機(jī)器學(xué)習(xí)構(gòu)建虛擬慣性組件（Virtual Inertial Measurement Unit,VIMU），并通過步態(tài)特征輔助修正足部虛擬慣導(dǎo)系統(tǒng)（Virtual Inertial Navigation System,VINS）的行人導(dǎo)航方法。該方法通過視覺幾何組-長(zhǎng)短期記憶混合（VGG-LSTM）神經(jīng)網(wǎng)絡(luò)模型擬合人體不同部位IMU信息之間的映射關(guān)系，構(gòu)建足部VIMU來(lái)完成導(dǎo)航任務(wù)，解決了慣性器件足部安裝方式下的超量程與故障問題，并在零速修正的基礎(chǔ)上通過對(duì)VINS 的姿態(tài)信息進(jìn)行實(shí)時(shí)修正，進(jìn)一步減緩系統(tǒng)定位誤差隨行進(jìn)距離的積累。同時(shí)，利用VINS 與足部MIMU 中的磁傳感器得到人體運(yùn)動(dòng)的航向信息，從而實(shí)現(xiàn)較長(zhǎng)時(shí)間的行人導(dǎo)航。

1 行人導(dǎo)航定位方案及系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本文提出的行人導(dǎo)航方案如圖1所示。為了構(gòu)建VGG-LSTM 神經(jīng)網(wǎng)絡(luò)模型，需要分別在人體足部與其他部位安裝MIMU。本文以同側(cè)的腿部和足部安裝MIMU 為例，以相同頻率采集人體腿部和足部MIMU的數(shù)據(jù)，并以該數(shù)據(jù)作為VGG-LSTM 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。當(dāng)該神經(jīng)網(wǎng)絡(luò)模型構(gòu)建完成之后，便可通過該模型建立人體足部與腿部MIMU 信息之間的非線性映射關(guān)系，構(gòu)建出足部VIMU，并同時(shí)識(shí)別出步態(tài)特征相位。進(jìn)一步地，在足部MIMU 出現(xiàn)超量程或故障時(shí)，基于VINS 的輸出進(jìn)行多約束條件的零速檢測(cè)，并以速度和姿態(tài)信息為系統(tǒng)觀測(cè)值構(gòu)建Kalman濾波器，實(shí)現(xiàn)具有強(qiáng)容錯(cuò)能力的行人導(dǎo)航定位功能。下文將圍繞該方法中的各項(xiàng)關(guān)鍵技術(shù)詳細(xì)展開論述。

圖1 行人導(dǎo)航系統(tǒng)的工作原理及流程圖 Fig.1 Principle and process flowchart of the pedestrian navigation system

2 基于卷積-長(zhǎng)短期記憶混合網(wǎng)絡(luò)的IMU 信息映射模型

當(dāng)人體進(jìn)行奔跑、跳躍等高過載的運(yùn)動(dòng)時(shí)，足部MIMU 將會(huì)出現(xiàn)周期性的超量程情況。此時(shí)，找到其他安裝位置的MIMU 信息與足部MIMU 信息之間的關(guān)系便成為完成行人導(dǎo)航最為關(guān)鍵的步驟。本文為了構(gòu)建人體運(yùn)動(dòng)中同側(cè)腿部與足部MIMU 信息之間的映射模型，研究并應(yīng)用了一種改進(jìn)的一維串聯(lián)卷積網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)復(fù)合的深層混合網(wǎng)絡(luò)模型（VGG-LSTM 神經(jīng)網(wǎng)絡(luò)模型）。該模型結(jié)構(gòu)如圖2所示，VGG-LSTM 神經(jīng)網(wǎng)絡(luò)模型的輸入為腿部MINU信息，輸出為足部MIMU 信息以及人體行進(jìn)中足部的特征相位。通過充分的訓(xùn)練，可以由腿部MIMU 信息實(shí)時(shí)構(gòu)建足部VIMU 信息。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積部分和雙層長(zhǎng)短期記憶網(wǎng)絡(luò)部分組成。通過卷積模型串聯(lián)多個(gè)卷積層以取代較大的卷積核，在提供復(fù)雜非線性變換的同時(shí)增加模型深度，從而可以提取到輸入數(shù)據(jù)的高維特征，并利用最大池化層完成特征降維，同時(shí)實(shí)現(xiàn)保持平移不變性與控制過擬合風(fēng)險(xiǎn)。在此基礎(chǔ)上，LSTM 網(wǎng)絡(luò)部分一方面接收卷積網(wǎng)絡(luò)的特征片段，另一方面結(jié)合長(zhǎng)短期記憶進(jìn)一步挖掘腿部慣性數(shù)據(jù)的時(shí)序特征，充分實(shí)現(xiàn)在短期記憶的基礎(chǔ)上保持長(zhǎng)期記憶的效果[6-7]。

如圖2所示的卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層x0、 卷積層c和池化層p。卷積模型的工作原理如下：

一般把輸入層設(shè)為第0 層：

式中，M表示數(shù)據(jù)預(yù)處理后時(shí)間窗口的大小。卷積層的輸出為

式中，R表示池化窗口的尺寸。卷積網(wǎng)絡(luò)中卷積核學(xué)習(xí)到的特征圖p即池化層的輸出；多核卷積是指卷積過程中，每個(gè)卷積核e均會(huì)對(duì)應(yīng)生成特征圖pe。

圖2 VGG-LSTM模型架構(gòu) Fig.2 VGG-LSTM model framework

圖2所示的LSTM 網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個(gè)改進(jìn)結(jié)構(gòu)，該結(jié)構(gòu)可通過增加輸入門、輸出門和遺忘門有效地實(shí)現(xiàn)在增加模型深度的基礎(chǔ)上充分挖掘數(shù)據(jù)的結(jié)構(gòu)信息。將卷積神經(jīng)網(wǎng)絡(luò)部分輸出的一維特征圖依次首尾拼接，形成一維特征向量：

式中，n表示卷積核數(shù)。一維特征向量s進(jìn)入全連接層處理，全連接層的輸出為

式中，W為全連接層的權(quán)值矩陣；ε為全連接層偏置項(xiàng)向量。

由以上分析可知，VGG-LSTM 混合模型能夠利用傳感器數(shù)據(jù)時(shí)序、分層的結(jié)構(gòu)特點(diǎn)，自動(dòng)提取具有時(shí)序性、層次性的實(shí)時(shí)輸入信息的高維特征。通過研究得知在采用2 個(gè)卷積層串聯(lián)的卷積塊的前提下，堆疊4 個(gè)卷積塊并采用3 層LSTM 網(wǎng)絡(luò)結(jié)構(gòu)，可使足部與腿部MIMU 信息之間的映射準(zhǔn)確率與系統(tǒng)資源占用率的比值達(dá)到最大值。

3 基于機(jī)器學(xué)習(xí)與步態(tài)特征輔助的行人導(dǎo)航算法

3.1 基于慣性信息特性與機(jī)器學(xué)習(xí)相位識(shí)別的零速檢測(cè)算法

實(shí)時(shí)、準(zhǔn)確的零速檢測(cè)為足部VINS 的誤差修正提供了重要保障?；谝褬?gòu)建的足部VIMU，可通過虛擬加速度計(jì)和陀螺儀輸出的周期性特性，以及神經(jīng)網(wǎng)絡(luò)模型輸出中的足部特征相位，進(jìn)行多條件約束的零速檢測(cè)。檢測(cè)算法的框架由兩個(gè)約束條件構(gòu)成，分別記為ξ1和ξ2。約束條件實(shí)現(xiàn)如下：

1）根據(jù)足部VIMU 的加速度計(jì)和陀螺儀輸出對(duì)零速狀態(tài)進(jìn)行聯(lián)合判定，零速檢測(cè)方法如式(6)和式(7)所示：

式(6)和(7)給出了同時(shí)適用于加速度計(jì)和陀螺儀輸出的零速狀態(tài)判定方法，其中：axk、ayk、azk分別代表第k時(shí)刻足部VIMU 加速度計(jì)或陀螺儀采集得到的3 軸加速度或角速度信息；n為方差計(jì)算區(qū)間大??；、εa2分別為依據(jù)虛擬慣性器件精度設(shè)定的閾值；λ1、λ2、λ3、λ4分別表示四種不同零速狀態(tài)判別方法的測(cè)定結(jié)果。

在固定參數(shù)閾值條件下，針對(duì)不同行人、不同步速，僅用單一的方法進(jìn)行零速判別，其結(jié)果的穩(wěn)定性較差，且誤判與漏判率較高。本文研究并采用了根據(jù)加速度計(jì)與陀螺儀的方差判別零速狀態(tài)的條件判別出零速的起始時(shí)刻，根據(jù)加速度計(jì)與陀螺儀的幅值判別零速狀態(tài)的條件判別出零速的結(jié)束時(shí)刻，以此提高固定參數(shù)閾值在零速檢測(cè)中的準(zhǔn)確性[8]。根據(jù)加速度計(jì)和陀螺儀輸出的加速度和角速度信息對(duì)零速狀態(tài)進(jìn)行聯(lián)合判定程序如下：

式中，ξ1表示k時(shí)刻的零速判別結(jié)果。

2）根據(jù)足部特征相位中零速相位的識(shí)別對(duì)零速狀態(tài)進(jìn)行判定，零速檢測(cè)方法如下：

步行是兩腳重復(fù)運(yùn)動(dòng)的過程，在行走時(shí)一側(cè)足跟著地到該側(cè)足跟再次著地的過程被稱為一個(gè)步態(tài)周期（Gait Cycle,GC）。行人步態(tài)周期如圖3所示。

行走中每個(gè)步態(tài)周期都包含著一系列典型位姿的轉(zhuǎn)移，將這種典型位姿變化劃分出一系列時(shí)段，稱之為步態(tài)時(shí)間相位，簡(jiǎn)稱步態(tài)相位。一個(gè)步行周期可分為支撐相位和擺動(dòng)相位，詳細(xì)分類又可以分成8 個(gè)相位，一般用該相位所占步態(tài)周期的百分?jǐn)?shù)（GC%）來(lái)表達(dá)[9]：

1）首次觸地期：運(yùn)動(dòng)側(cè)足跟接觸地面的瞬間，占GC 的2%左右；

2）承重反應(yīng)期：從運(yùn)動(dòng)側(cè)足跟觸地到對(duì)側(cè)足趾離地的階段，整個(gè)過程中運(yùn)動(dòng)側(cè)足掌完全著地，占GC的10%左右；

3）支撐相中期：起始于對(duì)側(cè)足趾離地，至軀干位于支撐腿正上方時(shí)結(jié)束，大約占GC 的19%；

4）支撐相末期：從支撐側(cè)足跟離地到對(duì)側(cè)足跟著地的階段，約占GC 的19%；

5）擺動(dòng)前期：從對(duì)側(cè)足跟著地到支撐側(cè)足趾離地之前的一段時(shí)間，占GC 的12%左右；

6）擺動(dòng)相早期：從足脫離地面的時(shí)刻開始到膝關(guān)節(jié)達(dá)到最大彎曲狀態(tài)的時(shí)刻結(jié)束，占GC 的13%左右；

7）擺動(dòng)相中期：從膝關(guān)節(jié)到達(dá)彎曲狀態(tài)的時(shí)刻開始到小腿擺動(dòng)到與地面垂直的時(shí)刻結(jié)束，占GC 的12%左右；

8）擺動(dòng)相末期：從小腿垂直于地面的時(shí)刻開始到足跟再次接觸地面的時(shí)刻結(jié)束，占GC 的13%左右。

圖3 行人常規(guī)步態(tài)周期 Fig.3 Normal gait cycle of pedestrian

本文所研究的步態(tài)相位識(shí)別方法如下：根據(jù)對(duì)行人步態(tài)特性的分析，將每一個(gè)步態(tài)周期的3 軸虛擬加速度信息和3 軸虛擬陀螺儀信息按照不同步態(tài)相位所占步態(tài)周期的百分?jǐn)?shù)劃分為8 個(gè)數(shù)據(jù)樣本。將數(shù)據(jù)樣本與對(duì)應(yīng)的步態(tài)相位導(dǎo)入上述VGG-LSTM 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使該模型可準(zhǔn)確識(shí)別8 個(gè)步態(tài)相位，從而為實(shí)時(shí)確定每個(gè)步態(tài)相位結(jié)束時(shí)刻的足部姿態(tài)信息奠定基礎(chǔ)，具體確定方法下文將進(jìn)一步說明。當(dāng)神經(jīng)網(wǎng)絡(luò)識(shí)別出圖3所示的零速相位（zero-velocity phase）后，便可對(duì)零速狀態(tài)進(jìn)行如下判定：

式中，ξ2表示k時(shí)刻的零速判別結(jié)果。

由于上述的2 種零速檢測(cè)方法都會(huì)產(chǎn)生不同程度的誤檢率，因此，為避免單種檢測(cè)算法不能準(zhǔn)確判斷行人復(fù)雜步態(tài)的問題，將2 個(gè)條件結(jié)果進(jìn)行邏輯“與”運(yùn)算，用ξ表示零速檢測(cè)結(jié)果。

3.2 基于足部步態(tài)特征相位識(shí)別的姿態(tài)匹配

為了在零速修正的基礎(chǔ)上進(jìn)一步減緩慣性導(dǎo)航系統(tǒng)的定位誤差隨行進(jìn)距離的積累，本文基于人體各步態(tài)相位中足部姿態(tài)具有高度重復(fù)性的特征，研究了一種對(duì)慣導(dǎo)系統(tǒng)進(jìn)行姿態(tài)修正的方法。

由于足部慣性導(dǎo)航系統(tǒng)的定位誤差主要隨行進(jìn)距離積累，因此在慣導(dǎo)系統(tǒng)進(jìn)入導(dǎo)航模式的第一個(gè)步態(tài)周期時(shí)其姿態(tài)誤差最小，將該步態(tài)周期的MIMU 信息輸入已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，并將神經(jīng)網(wǎng)絡(luò)輸出的8個(gè)步態(tài)相位結(jié)束時(shí)刻的高精度姿態(tài)信息保存下來(lái)。由于人體行走過程中足部姿態(tài)具有高度重復(fù)性，將隨后每個(gè)步態(tài)周期的腿部MIMU 信息都輸入已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，并將神經(jīng)網(wǎng)絡(luò)輸出的8 個(gè)步態(tài)相位結(jié)束時(shí)刻的VINS 姿態(tài)信息與之前保存的對(duì)應(yīng)特征相位結(jié)束時(shí)刻的高精度姿態(tài)信息進(jìn)行比對(duì)，將兩者之差作為誤差觀測(cè)量，利用Kalman 濾波器對(duì)導(dǎo)航系統(tǒng)姿態(tài)誤差進(jìn)行估計(jì)與修正，從而在零速修正的基礎(chǔ)上進(jìn)一步減緩慣性導(dǎo)航系統(tǒng)的定位誤差隨行進(jìn)距離的積累。

3.3 Kalman 濾波器設(shè)計(jì)

利用零速修正輔助捷聯(lián)慣導(dǎo)解算的過程可分為兩種狀態(tài)：1）非零速狀態(tài)：系統(tǒng)無(wú)法獲得速度誤差觀測(cè)量，Kalman 濾波器僅進(jìn)行時(shí)間更新；2）零速狀態(tài)：獲取得到速度誤差觀測(cè)量，Kalman 濾波器進(jìn)行完整更新，并將系統(tǒng)誤差估計(jì)值進(jìn)行反饋補(bǔ)償。

利用步態(tài)特征輔助捷聯(lián)慣導(dǎo)解算的過程同樣也可分為兩種狀態(tài)：1）非步態(tài)特征相位狀態(tài)：系統(tǒng)無(wú)法獲得準(zhǔn)確的姿態(tài)誤差觀測(cè)量，Kalman 濾波器僅進(jìn)行時(shí)間更新；2）步態(tài)特征相位狀態(tài)：根據(jù)3.2 節(jié)所述的步態(tài)特征相位識(shí)別方法得到準(zhǔn)確的姿態(tài)信息以獲取姿態(tài)誤差觀測(cè)量，Kalman 濾波器進(jìn)行完整更新，并將系統(tǒng)誤差估計(jì)值進(jìn)行反饋補(bǔ)償。

結(jié)合上述兩種誤差估計(jì)與修正方式，基于虛擬足部慣導(dǎo)系統(tǒng)的Kalman 濾波器設(shè)計(jì)如下：

1）慣導(dǎo)誤差模型/系統(tǒng)狀態(tài)方程

慣性系統(tǒng)誤差模型由平臺(tái)誤差角模型、速度誤差 模型、定位誤差以及慣性傳感器誤差模型組成。

其中平臺(tái)誤差角方程為

速度誤差模型如式(12)所示：

定位誤差模型為

慣性器件隨機(jī)常值模型如下：

式(4)～(8)中各物理量以及線性卡爾曼濾波器的狀態(tài)方程的建立過程詳見參考文獻(xiàn)[10]。

2）系統(tǒng)觀測(cè)方程

式中：Zk為系統(tǒng)觀測(cè)向量，Hk為觀測(cè)矩陣，V k為觀測(cè)白噪聲矢量。

行人導(dǎo)航系統(tǒng)的速度、姿態(tài)組合模式可根據(jù)觀測(cè)量情況來(lái)實(shí)施調(diào)整觀測(cè)方程：

① 非零速狀態(tài)/非步態(tài)特征相位點(diǎn)：無(wú)誤差觀測(cè)量，Kalman 濾波器僅進(jìn)行時(shí)間更新。

② 非零速狀態(tài)/步態(tài)特征相位：只進(jìn)行姿態(tài)組合，誤差觀測(cè)量為

式中：δγ、δθ、δψ分別為橫滾角誤差、俯仰角誤差、航向角誤差；γ1、θ1、ψ1分別為第一個(gè)步態(tài)周期每個(gè)步態(tài)相位結(jié)束時(shí)刻的橫滾角、俯仰角與航向角；γi、θi、ψi分別為當(dāng)前步態(tài)周期每個(gè)步態(tài)相位結(jié)束時(shí)刻的橫滾角、俯仰角與航向角。

③ 零速狀態(tài)：既進(jìn)行速度組合，又進(jìn)行姿態(tài)組合，速度組合的誤差觀測(cè)量為

式中： ΔVk為零速狀態(tài)時(shí)的速度誤差，則零速狀態(tài)總的誤差觀測(cè)量為

4 行人導(dǎo)航系統(tǒng)原理樣機(jī)構(gòu)建與性能驗(yàn)證

為了驗(yàn)證本文所提出的行人導(dǎo)航系統(tǒng)及其導(dǎo)航方法的可行性與性能指標(biāo)，將微慣性測(cè)量組件安裝于人體左腿外側(cè)。采用便攜式計(jì)算機(jī)進(jìn)行數(shù)據(jù)實(shí)時(shí)采集與導(dǎo)航定位解算，從而構(gòu)成行人導(dǎo)航系統(tǒng)原理樣機(jī)。實(shí)驗(yàn)過程中的系統(tǒng)航向信息分別采用實(shí)際INS、VINS與足部MIMU 中的磁傳感器解算得到[11]。

為分析行人導(dǎo)航系統(tǒng)的定位性能與誤差特性，分別在室內(nèi)和室外選擇測(cè)試路徑，并且在每一條測(cè)試路徑上進(jìn)行兩組不同行進(jìn)速度的人體行進(jìn)實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境不存在明顯電磁干擾。室內(nèi)行進(jìn)總路程約240 m，室外行進(jìn)總路程為360 m。其中第一組實(shí)驗(yàn)采用平均速度約1.0 m/s 的人體常規(guī)步態(tài)，室內(nèi)行進(jìn)總時(shí)間約240 s，室外行進(jìn)總時(shí)間約360 s；第二組實(shí)驗(yàn)采用平均速度約2.5 m/s 的快速步態(tài)，室內(nèi)行進(jìn)總時(shí)間約100 s，室外行進(jìn)總時(shí)間約140 s。

圖4(a)(b)分別為1.0 m/s 的人體常規(guī)步態(tài)下虛擬與實(shí)際IMU 陀螺X 軸輸出與加表Y 軸輸出；圖4(c)(d)分別為2.5 m/s 的快速步態(tài)下虛擬與實(shí)際IMU 陀螺X軸輸出與加表Y 軸輸出。

圖4 1 m/s 與2.5 m/s 步速下虛擬與實(shí)際IMU 數(shù)據(jù) Fig.4 Virtual and actual IMU data under the walking speed of 1 m/s and 2.5 m/s

圖5為室內(nèi)和室外四組行人導(dǎo)航系統(tǒng)原理樣機(jī)性能實(shí)驗(yàn)的性能對(duì)比結(jié)果。圖5(a)與(c)分別為室內(nèi)和室外行人導(dǎo)航系統(tǒng)原理樣機(jī)進(jìn)行性能測(cè)試時(shí)行進(jìn)路線的衛(wèi)星地圖。圖5(b)與5(d)分別為室內(nèi)和室外行人導(dǎo)航結(jié)果的性能對(duì)比曲線。在圖5(b)與圖5(d)中：曲線(a)為常規(guī)步速行進(jìn)中采用足部實(shí)際MIMU 與零速修正完成行人導(dǎo)航時(shí)的定位信息，該方案的室內(nèi)定位誤差為1.4 m，約占軌跡全長(zhǎng)的0.5%，室外定位誤差為2.5 m，約占軌跡全長(zhǎng)的0.7%；曲線(b)為快速行進(jìn)中采用足部 實(shí)際MIMU 和零速修正完成行人導(dǎo)航時(shí)的定位信息，行進(jìn)后期人體足部角速度極值≥800 (°)/s，加速度極值≥8g，在慣性器件過載情況下只用常規(guī)的零速修正方法在室內(nèi)和室外測(cè)試路徑中均無(wú)法得到較穩(wěn)定的導(dǎo)航定位曲線；曲線(c)為快速行進(jìn)中采用基于神經(jīng)網(wǎng)絡(luò)模型構(gòu)建足部VIMU 和零速修正完成行人導(dǎo)航時(shí)的定位信息，由該曲線可知，該方法在人體快速行進(jìn)中可實(shí)現(xiàn)穩(wěn)定的導(dǎo)航定位功能，不再受到慣性器件超量程的明顯影響，但由于神經(jīng)網(wǎng)絡(luò)模型存在訓(xùn)練誤差，室內(nèi)定位誤差約7.1 m，約占總行進(jìn)路程的3%，室外定位誤差為13.8 m，約占軌跡全長(zhǎng)的4%；曲線(d)為快速行進(jìn)中采用基于神經(jīng)網(wǎng)絡(luò)模型構(gòu)建足部VIMU，并同時(shí)采用零速修正與姿態(tài)修正進(jìn)行行人導(dǎo)航時(shí)的定位信息。由該曲線可知，該方法同樣可在人體快速行進(jìn)中實(shí)現(xiàn)穩(wěn)定的導(dǎo)航定位功能，且性能優(yōu)于單獨(dú)采用零速修正的方法，其中室內(nèi)定位誤差約4.8 m，約占總行進(jìn)路程的2%，室外定位誤差為8 m，約占軌跡全長(zhǎng)的2.5%。

上述實(shí)驗(yàn)結(jié)果的對(duì)比分析可總結(jié)如表1所示。

由上述實(shí)驗(yàn)結(jié)果對(duì)比分析可知：常規(guī)步速下采用足部實(shí)際MIMU 結(jié)合零速修正可實(shí)現(xiàn)較高精度的行人導(dǎo)航定位功能；在快速步態(tài)下，由于人體下肢的運(yùn)動(dòng)幅度較大，足部運(yùn)動(dòng)信息會(huì)出現(xiàn)超出慣性傳感器量程的情況，采用足部實(shí)際MIMU 和零速修正的導(dǎo)航定位方法將無(wú)法有效實(shí)現(xiàn)零速修正與導(dǎo)航定位；在快速步態(tài)下采用足部VIMU 和零速修正的導(dǎo)航定位方法，可實(shí)現(xiàn)穩(wěn)定且準(zhǔn)確的行人導(dǎo)航定位；進(jìn)一步地，在快速步態(tài)下采用足部VIMU，并同時(shí)采用零速修正與姿態(tài)修正的導(dǎo)航定位方法，可進(jìn)一步提高行人導(dǎo)航定位的精度。

圖5 行人導(dǎo)航系統(tǒng)原理樣機(jī)性能實(shí)驗(yàn) Fig.5 Performance experiment of pedestrian navigation system principle prototype

表1 行人導(dǎo)航實(shí)驗(yàn)結(jié)果對(duì)比分析 Tab.1 Comparative analysis of pedestrian navigation experiment results

5 總 結(jié)

本文提出了一種基于機(jī)器學(xué)習(xí)與步態(tài)特征輔助的行人導(dǎo)航方法。首先，基于一維串聯(lián)卷積網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)復(fù)合的深層混合網(wǎng)絡(luò)，實(shí)現(xiàn)了VIMU 的構(gòu)建；然后，通過足部VIMU 中加速度計(jì)和陀螺儀輸出的周期性特性，以及神經(jīng)網(wǎng)絡(luò)模型輸出中的足部特征相位，進(jìn)行多條件約束的零速檢測(cè)；再有，利用人體各步態(tài)相位中足部姿態(tài)具有高度重復(fù)性的特征，對(duì)虛擬足部慣導(dǎo)系統(tǒng)姿態(tài)信息進(jìn)行姿態(tài)修正，結(jié)合零速修正方法，進(jìn)一步減緩慣性導(dǎo)航系統(tǒng)的定位誤差隨行進(jìn)距離的積累。

實(shí)驗(yàn)結(jié)果表明，本文所提出的方法在快速行走、奔跑等高過載運(yùn)動(dòng)中可完成人體精確定位，定位誤差不超過總行進(jìn)距離的2.5%。相比基于常規(guī)零速修正的行人導(dǎo)航方法，該方法可在士兵作戰(zhàn)、消防搶險(xiǎn)、特警執(zhí)勤等應(yīng)用背景中提供更可靠、精度更高的導(dǎo)航信息，為特種行業(yè)穿戴式設(shè)備的研制提供技術(shù)支持。