[发明专利]一种基于深度学习的步长估计方法

说明书

技术领域

本发明涉及人员定位、数据处理应用领域，特别是涉及一种步长估计方法。

背景技术

基于惯性导航理论可以提供一种“无信标”、“无卫星”的定位和导航系统，即步行者航位推算(Pedestrian Dead Reckoning，PDR)系统。PDR系统是一种不依赖于卫星信号、无信标、完全自主的导航定位系统，该系统通过附加于人员身体的惯性测量单元(Inertial Measurement Unit，IMU)，根据测量人员运动时的加速度、角速度以及四元数数据，对数据进行计算和融合，得到人员的行进距离及方向，最终推算出人员的行进路线及位置。运用PDR技术的人员定位方案，其关键技术在于步行者行进步长及方向的估计。对于PDR技术中的步长估计问题，早期的步长计算都是将行人的每一个单步步长设置为常数，由于行人行走的随机性和不确定性，这种方法并不适用于普通的步长计算。虽然国内外研究机构已经完成了一些有关PDR的研究工作，但对于PDR系统长期工作的误差漂移问题还有待解决，通常需要借助WiFi等定点信标对PDR系统误差进行消除。

研究者根据步长与步频的关系，又提出了基于步频的步长计算方法，而行人的步频与身高、体重等情况存在很大的相关性；根据牛顿定律，对行人运动的加速度进行二次积分，可以很方便获得运动的距离。而由于IMU本身偏差、电磁干扰等因素，导致误差成平方增长，并且不断累积。

发明内容

为了克服现有技术的不足，本发明提出了一种基于深度学习的步长估计方法，在人员定位步长估计中应用深度学习对数据进行学习，获得智能模型预测步长。

本发明的一种基于深度学习的步长估计方法，该方法包括以下步骤：

步骤1、采集行人自由行走时的三轴加速度以及三轴角速度作为单步传感数据；

步骤2、对于每一个单步传感数据基于双零速率修正点D-ZUPT算法进行划分；具体方法如下：依据人员运动过程中的规律性和周期性，对人员行走的步态周期和相应的加速度进行对应和分解，即设“脚尖离地”时刻为第一零速率修正点F-ZUPT，“脚跟着地”时刻为第二零速率修正点S-ZUPT；如果i时刻的三轴加速度满足公式如下时，即判定为F-ZUPT点：

其中，t表示采样间隔，和分别表示i时刻的人员的三轴加速度，M_th和N_th分别表示加速度斜率阈值和加速度阈值；

当人员脚跟触地时，人员运动的三轴加速度在这个瞬间就会产生一个拐点，即满足下式：

其中，表示i时刻的任一轴的加速度，即和集合。

将满足该式的时间点集合定义为触地瞬间时间组lgp，在lgp中选取S-ZUPT点，具体处理如下：

计算lgp中三轴加速度的绝对值，选取最大加速度的时刻m；

将时刻m后的第二个时间点当作S-ZUPT点；

选择F-ZUPT点和S-ZUPT点之间的距离得到单步传感数据；

步骤3、采用视频分析的方法对实际步长进行推算，通过计算单步行走在图像中跨越的像素点数目推算实际步长；

步骤4、将规范的单步感数据后与基于视频分析得到的单步步长相关联，构建出用于学习的训练数据库；通过训练获得的智能预测模型对行人行进过程中的单步步长进行估计，并通过结果反馈和优化预测模型。

与现有技术相比，本发明将深度学习智能模型与步行者航位推算(Pedestrian Dead Reckoning，PDR)系统的双零速率修正点(Dual Zero Velocity Updates，D-ZUPT)等技术结合，提高了步长估计的精度。

附图说明

图1为本发明一种基于深度学习的步长估计方法的整体流程图。

图2人员行走步态周期中D-ZUPT方法划分单步的原理示意图；

具体实施方式

深度学习作为智能信息处理方法，已经被广泛应用于各类信息处理系统中。本发明通过采集不同步态条件下的单步传感数据，构建不同单步运动的加速度、角速度以及四元数数据库。基于CNN模型设计卷积神经网络结构，采用TensorFlow框架平台设计算法，对人员运动中的惯性数据进行学习，调整网络模型中的训练参数，获得对步长的良好预测。

下面将结合附图对本发明的实施方式作进一步的详细描述。

如图1所示，本发明一种基于深度学习的步长估计方法的整体流程包括以下步骤：