基于广义似然比检验的零速区间检测方法及系统技术方案

本发明专利技术提供了一种基于广义似然比检验的零速区间检测方法及系统，包括信号采集步骤：基于传感设备采集加速度信号、角速度信号以及压力信号；特征词典构建步骤：利用领域知识构建特征词典；特征生成步骤：基于网络的特征提取器提取信号信息，并与特征词典结合，生成加速度特征、角速度特征以及压力特征作为输入信号；输入信号偏差判断步骤：判断输入信号与训练集信号是否有偏差，若判断结果为是，则通过固定阈值法检测零速区间；若判断结果为否，则采用神经网络模型检测零速区间。采用神经网络模型检测零速区间。采用神经网络模型检测零速区间。

【技术实现步骤摘要】
基于广义似然比检验的零速区间检测方法及系统


[0001]本专利技术涉及定位导航
，具体地，涉及一种基于广义似然比检验的零速区间检测方法及系统。

技术介绍

[0002]以GPS为代表的全球卫星导航系统（GNSS）广泛运用于户外定位并提供地图导航等服务。随着城市化发展，越来越多的摩天大楼、综合商超、交通枢纽和体育场馆已成为城市日常生活不可或缺的一部分。这些现代化的大型建筑，都拥有错综复杂的多层大面积室内空间。但在建筑物周边和室内环境中，由于存在卫星信号盲区或严重信号衰减和多径效应，GNSS并不适用于因室内定位。在火灾救援等极端状况下，室内空间可能供电中断并充满浓烟。依赖于室内署大量的beacon设备的无线信号定位（Wi
‑
Fi、蓝牙、RFID）、依赖于计算机视觉（摄像头）和可见光技术（LED）并不能提供稳定有效的定位方案。与其他常用的传感器模式不同，惯性测量是不依赖于预先部署的基础设施、视线和能见度等因素。因此，基于惯性传感器（IMU）的测量方法需要将惯性测量与初始测量多重积分换算到方向，速度和位置信息。然而，低成本惯性传感器受制于高传感器噪声，随着误差累积系统误差迅速增长。为了解决误差漂移问题并提升惯导系统的准确性，基于人体运动特征的纠偏方法被引入行人航位推算（PDR）系统。一般而言，行人导航系统依赖于安装于足部的IMU，但IMU安装位置也可包括臀部、膝盖、胸部等。常用的解决方案是基于足部IMU的零速更新（ZUPT），在零速区间停止惯性导航，并修正传感器误差，减少了惯性导航的累积误差，具有稳定性强，精度高的优点。
[0003]在行人运动过程中，足部的运动遵循某些周期性的规律。在两个相邻运动状态之间脚部与地面接触时都会有一个相对静止的区间，也称作是零速区间，准确检测零速区间并在零速区间进行误差修正可以有效的抑制误差的积累。目前常用的几种零速区间检测方法为：加速度或角速率滑动方差检测(Acceleration or Angular Rate Moving Variance)，参考文献1：J. Le Scornec, M. Ortiz, and V. Renaudin,
ꢀ“
Foot
‑
mounted pedestrian navigation reference with tightly coupled GNSS carrier phases, inertial and magnetic data,
”ꢀ
in Proc. Int. Conf. Indoor Positioning Indoor Navigat. (IPIN). Sapporo, Japan: IEEE, Sep. 2017, pp. 1
–
8.加速度或角速率滑动均值检测(Acceleration or Angular Rate Moving Average)，参考文献2：K. Abdulrahim, C. Hide, T. Moore, and C. Hill,
ꢀ“
Integrating low cost IMU with building heading in indoor pedestrian navigation,
”ꢀ
J. GlobalPositioning Syst., vol. 10, no. 1, pp. 30
–
38, Jun. 2011；加速度幅值检（Acceleration Magnitude），参考文献3：X. Meng, S. Sun, L. Ji, J. Wu, and W.
‑
C. Wong,
ꢀ“
Estimation of centerof mass displacement based on gait analysis,
”ꢀ
in Proc. Int. Conf. BodySensor Netw., May 2011, pp. 150
–
155.角速率能量检测（Angular Rate Energy Detector），参考文献4：R. Feliz Alonso, E. Zalama Casanova, and J. G
ó
mez Garc
í
a
‑
Bermejo,“Pedestrian tracking using inertial sensors,
”ꢀ
J. Phys. Agents, vol. 3, no. 1,pp. 35
–
43, Jan. 2009.姿态假设最优检测（Stance Hypothesis Optimal Detector），参考文献5：I. Skong, P. Handel, J.O. Nilsson, and J. Rantakokko,
ꢀ“
Zero
‑
velocity detection
ꢀ–ꢀ
an algorithm evaluation”, IEEE Transactions On Biomedical Engineering, vol. 57, no. 11, pp. 2657
‑
2666, 2010.这些静止检测算法与零速修正算法结合，在人员走路步态下取得了较好的修正效果。然而，针对不同运动场景，比如，步行，跑动，爬楼梯等，以上传统零速检测法依赖的最优固定阈值有显著差异。这限制了传统零速区间检测法在复杂运动场景下的应用。对于传统方法，几乎不可能找到最优的固定阈值来应用于不同运动场景和不同人。
[0004]专利文献6M. Ma, Q. Song, Y. Gu, Y. Li, and Z. Zhou,
ꢀ“
An adaptive zero velocity detection algorithm based on multi
‑
sensor fusion for a pedestriannavigation system,
”ꢀ
Sensors, vol. 18, no. 10, p. 3261, Sep. 2018.中虽然同样额外增加压力传感器丰富采集到的传感器数据，但是该方法还是基于传统姿态假设最优检测的改进。由于深度神经网络模型相较于传统浅层神经网络能实现非常复杂的非线性多分类映射关系，已经被广泛运用于图像处理、自然语言处理等领域。在零速区间检测领域，深度神经网络比如(卷积网络和循环神经网络)被用于姿态分类和零速区间分类，参见Y. Kone, N. Zhu, V. Renaudin,
ꢀ“
Machine Learning
‑
Based Zero
‑
VelocityDetection for Inertial Pedestrian Navigation”, Sensors. Vol 20, no. 20, p. 123本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于广义似然比检验的零速区间检测方法，其特征在于，包括如下步骤：信号采集步骤：基于传感设备采集加速度信号、角速度信号以及压力信号；特征词典构建步骤：利用领域知识构建特征词典；特征生成步骤：基于网络的特征提取器提取信号信息，并与特征词典结合，生成加速度特征、角速度特征以及压力特征作为输入信号；输入信号偏差判断步骤：判断输入信号与训练集信号是否有偏差，若判断结果为是，则通过固定阈值法检测零速区间；若判断结果为否，则采用神经网络模型检测零速区间；所述固定阈值法采用：其中：表示测量信号 的广义似然比检测， 为长度为 的IMU测量信号， 为加速度模值， 为滑动窗口内加速度的均值， 为重力加速度常量；用高斯分布来描述测量噪声， 为加速度测量的方差， 为角速度测量的方差， 为压力测量的方差， 为角速度， 为压力信号标量， 为前三个零速区间的压力信号平均值。2.根据权利要求1所述的基于广义似然比检验的零速区间检测方法，其特征在于，所述特征词典包括如下任一项或者任多项特征：加速度模值、角速度模值、压力模值、方差、75%分位数、滑动窗口绝对值误差。3.根据权利要求1所述的基于广义似然比检验的零速区间检测方法，其特征在于，基于网络的特征提取器包括自编码器的编码器部分或者变分编码器的编码器部分。4.根据...

【专利技术属性】
技术研发人员：杨勇，曹熠峰，严磊，
申请(专利权)人：江苏德一佳安防科技有限公司，
类型：发明
国别省市：