[发明专利]基于最优区间估计的行人导航零速区间检测方法和装置

说明书

本申请涉及一种基于最优区间估计的行人导航零速区间检测方法和装置。所述方法包括：获取一步周期中的行人导航的加速度信号，构建其相对于初始静止对准时刻的加速度值的相对变化函数，根据相对变化函数值获取候选零速区间，以候选零速区间分布的中心点为零速基准点。根据行人导航加速度信号在一步周期中的分布特征，对包括零速基准点的候选零速区间进行粗搜索和精搜索，得到符合零速区域内加速度值分布特点的区间，得到行人导航的零速区间检测结果。上述方法利用行人导航加速度信号在一步周期内的分布和变化规律，实现了不受行人运动状态差异的零速区间检测，并且不需要事先获取导航对象的先验信息，具有实现简单、计算量小且适用范围广的特点。

技术领域

本申请涉及惯性行人导航技术领域，特别是涉及一种基于最优区间估计的行人导航零速区间检测方法和装置。

背景技术

日常生活中行人导航系统具有极其广泛的应用需求，而随着微机电系统（MEMS，Micro-Electro-MechanicalSystem）技术的迅猛发展，惯性传感器越来越多地应用于行人导航系统，使得基于惯性的导航技术成为了实现行人自主导航的关键。惯性传感器不需要对目标环境进行提前准备，还可以避免卫星导航系统受使用场景限制较大的问题，因此具有适用范围广、抗外界干扰能力强、可提供自主导航能力等特点。然而惯性传感器在测量过程中存在误差，经过积分运算后会导致导航误差发散，因此要需要通过外界观测的约束条件对导航结果进行修正，零速修正算法是解决惯性误差发散的重要方法之一。

基于阈值的零速检测法是经典的零速检测方法，只要阈值选择合适，就能获得较好的导航结果。然而人体运动的多样性使MEMS输出的测量信号较为复杂，固定的阈值无法满足在不同行人在不同运动状态下零速区间检测的需要，因此如何适应不同的运动状态选择恰当的阈值成为了难点。

另一方面，随着人工智能（AI）技术，特别是深度学习的发展，给零速检测算法提供了新的思路，基于AI方法的零速检测器取得了较好的效果，具有较好的实时零速检测能力。但是这种方法需要足够多并且具有代表性的训练数据，其获取代价较大。同时由于机器学习对训练数据的依赖性较强，在训练过程中存在过拟合现象，将基于有限数据集训练出的模型运用到众多未知的目标对象上，模型的适用性是存在疑问的，这也是基于AI方法的零速检测器的缺陷之一。

发明内容

基于此，有必要针对上述技术问题，提供一种数据获取代价低、适用于各种目标对象的基于最优区间估计的行人导航零速区间检测方法和装置。

一种基于最优区间估计的行人导航零速区间检测方法，所述方法包括：

获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。

根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。

分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。

从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。

其中一个实施例中，获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤包括：

获取一步周期内的行人导航的加速度信号。

以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。

使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。