[发明专利]基于传感器融合的可移动设备在人身上的定位方法

权利要求书

1.一种基于传感器融合的可移动设备在人身上的定位方法，其步骤如下：

步骤1.通过RGB-D体感传感器，获取M帧人体深度图像；同时，获取同时间内可移动设备内嵌惯性传感器数据序列；

步骤2.提取人体骨骼点坐标，获取人体关节点位置；通过可移动设备内嵌惯性传感器融合，计算可移动设备的移动加速度，通过坐标系转换，计算可移动设备在RGB-D体感坐标系内的移动加速度；

步骤3.基于高斯过程的传感器融合，融合人体关节点位置数据和可移动设备的加速度数据，找到位置数据和加速度数据的联合分布函数；

所述基于高斯过程的传感器融合，融合人体关节点位置数据和可移动设备的加速度数据，是运用高斯过程回归模型来表示位置序列y(t)和它们的二阶导数a(t)之间的关系：

观测到位置数据y(t)，它是时间t的函数，

y＝f(t)+ε_y,

其中ε_y是零均值的高斯噪声，其中表示噪声方差，ε_a表示加速度的零均值的高斯噪声；给定N个训练数据{x_i，y_i，i＝1，…，N}，Y＝[y₁，…，y_N]^T是输出数据；

首先，在高斯过程模型下计算测量值Y的对数似然值：

在高斯过程模型下，f|X～N(0,C(X,X))，似然函数其中，X表示训练输入，f表示式(1)中函数值，表示式(1)中零均值的高斯噪声的方差，I表示N×N的单位矩阵，C(X,X)表示训练输入点处计算的N×N的协方差矩阵；边缘似然函数是似然函数乘以先验函数：

p(Y|X)＝∫p(Y|f,X)p(f|X)df,

其中Y是受噪声影响的非独立变量，X是独立变量；

在高斯过程模型下，C表示N×N的协方差矩阵，I表示N×N的单位矩阵，可计算测量值Y的对数似然值：

其中C表示协方差矩阵，是超参数；

运用打上时间戳的人体活动数据和选择的协方差函数，采用共轭梯度方法来最大化超参数的对数似然值，从而获得超参数值，同时通过分析传感器特性来得到噪声方差

其次，测量值Y为位置和速度的联合数据时，找到位置数据和加速度数据的联合分布函数；

当观测到加速度值时，假定观测值m是隐变量y的一种变形形式；

m(t)＝∫K(t,x)y(x)dx

离散情况下，

用来表示离散的传感器测量值和真实的系统状态值之间的关系；当观测到M＝KY且K已知时，M是n维正态分布的采样：

M～N(0,KΣK^T+Σ_M),

其中，∑表示观测值协方差矩阵，∑_M是观测值方差的对角矩阵；

当加速度观测值采样率是位置观测值采样率的N倍时，

位置数据和加速度数据的联合序列

最后，得出位置序列M_p和加速度序列M_a联合数据M_all的联合概率分布函数：

步骤4.计算人体关节点位置与可移动设备加速度联合数据的对数似然值；

步骤5.计算并比较人体不同关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为计算的可移动设备位置，完成定位。

2.根据权利要求1所述的基于传感器融合的可移动设备在人身上的定位方法，其特征是：所述步骤4，计算人体不同关节点位置与可移动设备加速度联合数据的对数似然值：

首先构建位置数据和加速度数据的联合序列M_all，

给定位置坐标序列M_p和加速度序列M_a的联合序列M_all，计算对数似然值：

其中，∑表示观测值协方差矩阵，∑_p是位置观测值方差的对角矩阵，∑_a是加速度观测值方差的对角矩阵。

3.根据权利要求1所述的基于传感器融合的可移动设备在人身上的定位方法，其特征是：所述步骤5，通过比较不同的人体关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为可移动设备的位置；依据RGB-D传感器测量到的J个人体骨骼关节点，依次构建每个关节点位置M_p,i(i＝1,…)与加速度M_a的联合序列M_all,i，

则

其中，i＝1，……，J；

比较J个对数似然值logL_i，即比较J个关节点位置与可移动设备加速度的匹配度，找出最大值，确定最大对数似然值对应的关节点位置，即为计算的可移动设备位置。