朱超群，賴際舟，呂 品，葉素芬，袁 誠

(1.南京航空航天大學(xué)自動化學(xué)院, 南京 211106；2.物聯(lián)網(wǎng)與控制技術(shù)江蘇省高校重點實驗室, 南京 211106)

0 引言

行人導(dǎo)航系統(tǒng)是導(dǎo)航定位領(lǐng)域的一個重要分支，近年來得到了越來越多研究人員的關(guān)注，被廣泛應(yīng)用于救援搶險、軍事作戰(zhàn)等領(lǐng)域。傳統(tǒng)行人導(dǎo)航主要采用全球定位系統(tǒng)(Global Positioning System，GPS)定位技術(shù)，但GPS信號在室內(nèi)以及城市環(huán)境下存在信號丟失現(xiàn)象，且民用精度較差，無法滿足人們室內(nèi)的導(dǎo)航需求[1-3]。隨著微機電系統(tǒng)(Micro-Electro-Mechanical System, MEMS)技術(shù)的發(fā)展，MEMS慣性測量單元(Inertial Measure-ment Unit，IMU)的體積小、功耗低、質(zhì)量小、便于攜帶等優(yōu)點逐漸凸顯[4]，以MEMS-IMU為基礎(chǔ)的室內(nèi)行人導(dǎo)航系統(tǒng)的研究也成為了熱點。然而慣性傳感器存在著漂移誤差，是行人導(dǎo)航位置航向發(fā)散的主要誤差來源。通過零速修正(Zero Velocity Update, ZUPT)算法，可以抑制速度誤差發(fā)散并提高導(dǎo)航精度[5-8]。由于航向角誤差的可觀測性差[9]，ZUPT算法無法對航向角誤差進行修正，行人航向及位置會隨著時間的累積而發(fā)散，最終使得定位結(jié)果偏離真實軌跡。

為了降低航向及位置漂移對行人導(dǎo)航的影響，國內(nèi)外學(xué)者對室內(nèi)行人導(dǎo)航系統(tǒng)進行了廣泛的研究。文獻[10]提出了利用建筑物走向來約束航向角偏移的算法。文獻[11]提出了一種偏航角誤差自觀測的算法，當(dāng)行人沿直線行走時，該算法可以用于約束航向角漂移。文獻[12]利用WIFI輔助行人導(dǎo)航，并使用無跡卡爾曼濾波對航向角進行了修正。以上方案都存在一定的局限性，即行人需沿直線行走或需額外添置傳感器，在較為復(fù)雜的室內(nèi)環(huán)境下無法對位置航向誤差進行有效約束。文獻[13]提出了一種基于斜坡檢測的行人導(dǎo)航算法，通過檢測行人行走過程中的斜坡場景并與合作環(huán)境進行地圖匹配來對行人導(dǎo)航定位結(jié)果進行校正。文獻[14]提出了一種多運動模式下的自適應(yīng)閾值ZUPT算法，即通過訓(xùn)練機器學(xué)習(xí)模型，并將該模型用于判別行人當(dāng)前運動模式，通過判別結(jié)果動態(tài)調(diào)整ZUPT閾值以提高零速判別精度。

考慮到在室內(nèi)環(huán)境下，主要合作場景有上樓梯及下樓梯。因此，本文提出了一種基于室內(nèi)合作場景智能識別的行人導(dǎo)航算法，通過隨機森林算法對行人在室內(nèi)行走的步態(tài)進行學(xué)習(xí)與分類，從而完成對平地步行及上下樓梯場景的識別。在此基礎(chǔ)上，將場景識別結(jié)果與室內(nèi)的先驗地圖信息進行關(guān)聯(lián)，并利用該關(guān)聯(lián)位置信息對行人軌跡進行校正優(yōu)化。通過該算法可以有效抑制行人導(dǎo)航誤差累積，提升定位精度。

1 基于隨機森林的行走場景識別算法設(shè)計

當(dāng)行人于室內(nèi)步行時，主要行走場景有平地步行、上樓梯和下樓梯。為了實現(xiàn)對行走場景的高精度辨識，本文提出了一種基于隨機森林的行走場景識別算法。該算法主要分為模型訓(xùn)練與場景關(guān)聯(lián)2個步驟。

1.1 模型訓(xùn)練

1.1.1 數(shù)據(jù)分割

對采集到的數(shù)據(jù)進行精確地分割及截取，可以有效地提高場景識別的精度。在行人步行過程中，足部的運動具有周期性。并且對于單個步態(tài)周期而言，通過零速檢測可將其分為運動及靜止2個狀態(tài)。因此，通過足部的周期性特征，可以完成對數(shù)據(jù)的分割，取單個步態(tài)周期內(nèi)足部的運動狀態(tài)作為該步態(tài)的特征取值范圍。在利用MEMS-IMU獲取得到原始數(shù)據(jù)(ax,ay,az,a,ωx,ωy,ωz,ω)后，通過捷聯(lián)慣導(dǎo)解算及ZUPT算法，還可獲取得到(px,py,pz,vx,vy,vz,γk,θk,φk)狀態(tài)量。通過提取以上數(shù)據(jù)基于時域的特征及基于空間特性的特征，可以獲取需要的機器學(xué)習(xí)特征向量。其中，利用MEMS-IMU進行數(shù)據(jù)采集的坐標系定義如圖1所示。

圖1 坐標系定義Fig.1 Definition of coordinate system

1.1.2 步態(tài)特征提取

由于行人在穿越樓梯場景時，足部的運動步態(tài)特性相較于平地步行明顯不同，且在實際測試中發(fā)現(xiàn)，MEMS-IMU的各軸輸出都會產(chǎn)生不同程度的變化，其中陀螺儀z軸的輸出變化最為顯著。因此，本文基于時域的具體特征選取如表1所示。

表1 基于時域的特征選取

在不同場景中步行時，由于行人足部高度及水平速度會產(chǎn)生明顯變化，因此選擇高度和速度等反映空間特性的變化量作為特征量?；诳臻g特性的特征選取如表2所示。

表2 基于空間特性的特征選取

其中，h(k+1)表示第k+1個步態(tài)的初始足部高度，h(k)表示第k個步態(tài)的初始足部高度；|v(k)max|表示在第k個步態(tài)內(nèi)的水平速度最大值。

1.1.3 基于隨機森林的樓梯場景識別算法

本文通過行人步態(tài)特征來完成對場景的識別，由于不同行人的行走步態(tài)特征不同，因此若只采用單一閾值無法對場景進行高精度識別。為了提高場景識別精度，本文提出了一種基于隨機森林的場景識別算法。隨機森林是一種以多棵決策樹為基礎(chǔ)，并通過集成學(xué)習(xí)后得到的一個強分類器，其最終結(jié)果是通過森林中的每棵決策樹投票決定的。隨機森林算法具有簡單、易于實現(xiàn)、計算開銷小等優(yōu)點[15]。其原理示意圖如圖2所示。

根據(jù)圖2可知，該場景識別算法的構(gòu)建主要分為3個步驟：

1)利用Bootstrap采樣為每棵決策樹生成訓(xùn)練集

通過數(shù)據(jù)采集、數(shù)據(jù)分割及特征提取，獲取得到訓(xùn)練集D。其中，D=(X,Y)={(xi,yi),i=1,2,…,m}，此處X為獲取的步態(tài)特征矩陣，Y為對應(yīng)的期望輸出，m為輸入的樣本個數(shù)。xi=[xi1,xi2,…,xid]T，表示X中的第i個樣本,d為輸入樣本的維數(shù)。Bootstrap采樣方法即從原始數(shù)據(jù)集D中隨機有放回地抽取與D同樣大小的訓(xùn)練樣本(D1,D2,…,Dn)，利用每個訓(xùn)練樣本Di來構(gòu)建一棵決策樹。

2)構(gòu)建決策樹

圖2 隨機森林算法結(jié)構(gòu)示意圖Fig.2 Schematic diagram of random forest algorithm

節(jié)點分裂是決策樹生成過程中的核心步驟。在本文的決策樹構(gòu)建中，使用的為分類和回歸樹(Classification And Regression Trees， CART)算法。CART算法在進行節(jié)點分裂時，采用的分裂規(guī)則是Gini值最小原則，其計算公式為

(1)

式中，pi為樣本點屬于第i類的概率。于是，通過在候選屬性集合Ak中，選擇使得劃分后Gini指數(shù)最小的屬性作為最優(yōu)劃分屬性，完成了節(jié)點的分裂。通過對該步驟進行循環(huán)迭代，便完成了一棵決策樹的訓(xùn)練。

3)隨機森林的形成及算法執(zhí)行

通過訓(xùn)練多棵決策樹構(gòu)成隨機森林算法。在本文中，將平地步行場景標記為0，上樓梯場景標記為1，下樓梯場景標記為2。在算法執(zhí)行過程中，輸入當(dāng)前行人的步態(tài)特征，利用訓(xùn)練完成的決策樹對步態(tài)進行投票判別，最終，將得票最多的結(jié)果記為當(dāng)前場景識別結(jié)果。

1.2 場景關(guān)聯(lián)

若當(dāng)前的場景被識別為上下樓梯場景時，則需將行人位置與對應(yīng)的樓梯位置進行關(guān)聯(lián)，因此需要事先建立樓梯位置數(shù)據(jù)庫。在該算法內(nèi)，將樓梯位置定義為進入樓梯時第一個臺階中心的位置。獲取室內(nèi)各個樓梯所對應(yīng)的樓梯位置信息database={(xp,yp),p=1,2,…,s},其中s為室內(nèi)樓梯的數(shù)量，將該數(shù)據(jù)以矩陣形式記錄，并記其為樓梯位置數(shù)據(jù)庫。對于同一個樓梯場景而言，上下樓梯位置點較為接近。為了減小誤關(guān)聯(lián)現(xiàn)象，將數(shù)據(jù)庫分為2個，1個為上樓梯的數(shù)據(jù)庫databaseu，1個為下樓梯的數(shù)據(jù)庫databased。

行人在室內(nèi)步行過程中，利用訓(xùn)練獲取的分類器對行人所在場景進行識別，當(dāng)行人在步行中且場景識別到行人進入上下樓梯場景時，即

(2)

其中SR(k-1)代表上一個步態(tài)的場景識別結(jié)果，SR(k)代表當(dāng)前步態(tài)的場景識別結(jié)果。式(2)表示行人由平地步行進入上下樓梯場景時，需識別行人所在的特定樓梯。獲取數(shù)據(jù)庫中與行人當(dāng)前位置最近的位置坐標，選取該點作為關(guān)聯(lián)的樓梯位置點。

2 基于行走場景校正的行人導(dǎo)航算法設(shè)計

2.1 零速檢測算法

由人體運動學(xué)可知，行人在步行過程中，雙足的運動可近似為周期性運動。在一個步態(tài)周期內(nèi)，主要可以分為5個階段：腳跟觸地，腳掌觸地，站立，腳跟離地和腳掌離地[16]。在站立時間段內(nèi)，行人足部的速度趨近于0，因此，將站立時間段定義為行人步態(tài)中零速區(qū)間。靜止階段的持續(xù)時間約為0.15～0.35s[17]，在此期間內(nèi)，加速度計的理論輸出在g值附近，陀螺儀的理論輸出趨近于0。

為了能夠精準判斷零速時刻，提高檢測精度，本文采用三條件判別法，即通過三軸總加速度檢測、三軸總加速度方差檢測和三軸總角速度檢測聯(lián)合實現(xiàn)零速時刻判別。以“1”表示檢測結(jié)果中的零速度狀態(tài)，“0”為非零速狀態(tài)。k時刻零速判定公式為

(3)

(4)

(5)

(6)

(7)

(8)

其中，thamin、thamax、thωmax和thσmax為判別閾值，N為滑動窗口寬度。以上三種判別條件中，采用單一判別均會出現(xiàn)不同條件的誤判別，無法得到精確的零速區(qū)間。因此，通過對其結(jié)果取與運算，即ZUPT(k)=C1(k)&C2(k)&C3(k),可以提高零速檢測的準確率。

2.2 融合濾波器設(shè)計

本文的融合濾波器結(jié)構(gòu)圖如圖3所示。首先，系統(tǒng)采集行人足部的MEMS-IMU輸出，根據(jù)MEMS-IMU的輸出判別零速時刻并運用卡爾曼濾波對行人的速度進行修正；其次，當(dāng)行人在室內(nèi)行走時，利用訓(xùn)練完成的模型對場景進行識別，若檢測到當(dāng)前的場景為上下樓梯，即可進行場景關(guān)聯(lián)；最后利用行人當(dāng)前位置與最近的樓梯位置的偏差作為觀測量，通過卡爾曼濾波進行誤差估計，提升定位精度。

圖3 融合濾波器架構(gòu)Fig.3 Fusion filter architecture

本文建立的狀態(tài)方程及量測方程如下

Xk=φk,k-1Xk-1+Γk-1Wk-1

(9)

Zk=HkXk+Vk

(10)

式中：Xk=[δpkδvkδΨk],δΨk為3個姿態(tài)角誤差，δvk=[δvxδvyδvz]為三軸速度誤差，δpk=[δpxδpyδpz]為三軸位置誤差；φk,k-1為系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣；Γk-1為系統(tǒng)噪聲矩陣；Wk-1為k-1時刻的系統(tǒng)噪聲，Zk為觀測量；Hk為k時刻的量測矩陣；Vk為k時刻的量測噪聲矩陣。并有

(11)

(12)

在本文中，將傳統(tǒng)的ZUPT算法與基于場景識別的定點校正算法相結(jié)合，通過零速檢測及場景識別引入了速度誤差與水平位置誤差2個觀測值。當(dāng)行人在行走過程中處于站立狀態(tài)時，速度誤差可以直接被觀測到，如式(10)所示

(13)

其量測方程如下所示

Zv_k=HvXk+Vv

(14)

(15)

(16)

當(dāng)成功檢測到行人進入樓梯時，則利用行人當(dāng)前位置與數(shù)據(jù)庫內(nèi)取得位置點的偏差來估計水平位置誤差，如下

δPxy=Pxy(k)-Pdatabase(k)

(17)

其中，Pxy(k)為當(dāng)前的位置，Pdatabase(k)為從數(shù)據(jù)庫取得的位置點。為了避免由于誤檢測而造成定位與樓梯的誤關(guān)聯(lián)，此處加入了一個防止誤檢測的步驟，即若檢測到進入上下樓梯場景時行人位置與數(shù)據(jù)庫中最近點的距離大于閾值thst，則不進行校正。此處，設(shè)置閾值thst為

thst=0.03SPD

(18)

其中，SPD為上一個位置修正點到行人當(dāng)前位置的步行距離。若選取的位置點滿足要求，則將δPxy作為系統(tǒng)的觀測值，并利用卡爾曼濾波修正位置誤差。

其量測方程如下所示

Zp_k=HpXk+Vp

(19)

(20)

(21)

3 實驗驗證

3.1 實驗條件

本實驗采用的傳感器為荷蘭Xsens公司生產(chǎn)的型號為MTW awinda的慣性器件，其主要性能指標如表3所示。

表3 MTW awinda參數(shù)

在實驗時將該慣性器件安裝在腳背處，該MEMS器件及其安裝方式如圖4所示。

圖4 MEMS器件及其安裝方式 Fig.4 Installation of MEMS devices

在實驗過程中，通過繞行實驗樓一、二層樓走廊及樓梯進行數(shù)據(jù)采集，其中每層樓共有4個樓梯口。實驗場景如圖5所示。

圖5 實驗場景Fig.5 Experimental scene

3.2 實驗結(jié)果分析

3.2.1 行人行走場景識別試驗

為了利用RF算法訓(xùn)練模型并測試其分類效果，在實驗場地進行了多組數(shù)據(jù)采集。本實驗中共有10名測試人員，其中有6名男性，4名女性。每位測試人員分別在實驗樓里步行、上樓梯和下樓梯。在數(shù)據(jù)采集過程中，不對測試人員進行步態(tài)約束，測試人員均按個人習(xí)慣步行。采用10-折交叉法對算法性能進行評估，即取9位測試人員的數(shù)據(jù)集作為訓(xùn)練集，另外1位測試人員的數(shù)據(jù)集作為測試集，識別精度如表4所示。

表4 場景識別精度

根據(jù)表4中10-折交叉測試結(jié)果，其總識別率為99.8%，該識別成功率說明了本算法能夠?qū)鼍斑M行有效識別，進而根據(jù)其識別結(jié)果對行人導(dǎo)航進行位置修正。

3.2.2 行人定位精度試驗

在本組實驗中，由1名實驗人員在實驗場地內(nèi)繞著走廊行走，并伴隨有平地步行、上樓梯和下樓梯，最終走回預(yù)設(shè)的起點處。分別在走廊不同位置設(shè)置標志點，行人在行進過程中需穿越標志點并記錄對應(yīng)位置，用于與標志點真實位置進行對比評估導(dǎo)航精度。本次實驗共穿越了16次標志點，總行走里程為1100m。在相同的環(huán)境下，分別采用傳統(tǒng)算法和本文提出的算法分別進行解算，得到的結(jié)果分別如圖6及圖7所示。其中，上圖為解算結(jié)果平面示意圖，下圖為三維示意圖，實驗整體定位精度如表5所示?？梢钥闯?，因為傳統(tǒng)ZUPT算法無法對航向誤差進行補償修正，因此在行人行進過程中位置及航向漂移較大，使得整體導(dǎo)航軌跡圖誤差較大，偏離了真實軌跡。在加入了本文提出的基于室內(nèi)合作場景智能識別的行人導(dǎo)航算法以后，定位精度顯著提高。該方法與傳統(tǒng)ZUPT算法相比，有效地解決了行人在室內(nèi)長距離行走狀況下由于位置及航向發(fā)散導(dǎo)致定位不準的問題，顯著提升了導(dǎo)航系統(tǒng)的定位精度。

圖6 傳統(tǒng)算法解算結(jié)果Fig.6 The computed result of traditional algorithm

圖7 本文提出算法解算結(jié)果Fig.7 The computed result of improved algorithm in this paper

表5 定位精度對比

4 結(jié)論

針對傳統(tǒng)的基于足綁式MEMS-IMU的行人導(dǎo)航存在漂移誤差，導(dǎo)致行人定位誤差較大的問題，本文提出了一種基于室內(nèi)合作場景智能識別的行人導(dǎo)航算法。在傳統(tǒng) ZUPT算法的基礎(chǔ)上，通過訓(xùn)練機器學(xué)習(xí)模型，并利用該模型對室內(nèi)合作場景進行智能識別，根據(jù)樓梯位置對行人位置進行修正。在實驗中，利用該算法可以有效地將導(dǎo)航位置誤差由11.45m降為1.85m，驗證了算法的可行性，取得了較好的定位精度。