多條件約束的行人導航零速區間檢測算法

田曉春，陳家斌，韓勇強，楊黎明，尹靜源

（1.北京理工大學 自動化學院，北京 100081；2.華北光學儀器有限公司，北京 100053；3.北京機電工程總體設計部，北京 100039）

多條件約束的行人導航零速區間檢測算法

田曉春1，陳家斌1，韓勇強1，楊黎明2，尹靜源3

（1.北京理工大學 自動化學院，北京 100081；2.華北光學儀器有限公司，北京 100053；3.北京機電工程總體設計部，北京 100039）

針對MEMS慣性傳感器存在漂移大、器件精度低的問題，結合行人導航系統應用需求，在分析行人運動步態的基礎上，設計了一種多條件約束的行人步態零速區間檢測算法。該方法綜合利用足部傳感器輸出參量的模值、方差、幅值、峰值并通過設定閾值來提取步態中的零速點，多條件約束有效地降低了誤判的可能性。最后，采用該方法對不同步速下行走過程中的零速區間進行檢測，結果表明利用多條件約束法計算得到的零速區間數與實際運動步態中的零速區間數完全一致。此外，零速區間的準確提取也為后續開展行人導航速度解算誤差修正算法的研究提供了依據。

行人導航；步態分析；零速區間；微慣性測量單元

近年來，行人導航已成為導航定位領域一個活躍的分支。行人導航系統可實時監測人員的位置信息，對單兵進行跟蹤與定位。在城市、室內、地下等衛星信號受限的環境中，行人導航系統可以很好地解決“我在哪里”、“我應該在哪里”、“如何到達目的地”[1]等問題。因此，行人導航系統的研究對復雜環境中的消防搶險、突發事件中的緊急救援及未知環境中的自我定位及目標找尋等都具有重要的意義。

MEMS慣性傳感器技術的快速發展為行人導航的實現創造了條件[2]?；贛EMS技術設計的微慣性測量單元在成本、尺寸、重量、功耗等方面能夠很好地滿足行人導航系統的應用需求[3-4]，故可將 MEMS慣性測量單元安裝于人體的胸、腰、足等部位進行導航系統的設計。根據安裝方式的不同，基于 MEMS慣性測量單元的行人導航系統主要有兩種位置解算方案[5]，一種是PDR（Pedestrian Dead-Reckoning）算法，另一種是基于ZUPT（Zero Velocity Update）的SINS算法。PDR算法需要對人體進行運動學建模，根據步頻、腿長等參數來計算步長，并結合計步信息及航向信息得到行人位置參數。該方法計算過程中不存在累積誤差，但不同個體模型參數差異較大，有一定的局限性。SINS算法根據傳感器采集的參數直接計算每一次腳步變化的三維導航參數，但由于MEMS慣性傳感器存在漂移大、器件精度低的問題，采用 SINS算法計算位置參數時，通常采用ZUPT輔助的手段來抑制誤差累積，通過周期性的誤差清零，能夠有效提高系統的解算精度。因此，足部安裝慣性傳感器，并通過ZUPT輔助的方法是當前行人導航系統的主要研究方向。John Elwell[6]首先提出了行人運動步態中有零速區間的特性；隨后，E. Foxlin[7]首次系統、全面地介紹了足部安裝慣性導航系統在行人導航中的應用，并采用ZUPT進行誤差修正，取得了理想的實驗結果；在此基礎上，Ojeda[8]、Krach[9]、Jimenez[10]、Castaneda[11]等人對行人導航系統進行了不斷的改進與完善，但他們共同的特點都是都采用了零速修正方案。由于行人行走過程中，腳掌與地面接觸并保持相對靜止的時間是十分短暫的，因此，零速區間檢測是行人導航的核心，準確、有效地檢測步態中的零速區間能提高系統的精度?；诖耍疚脑诮梃b前人研究工作的基礎上，設計了一種多條件約束的行人導航零速區間檢測方法。經實驗驗證，該方法能準確、有效地檢測出常規運動步態中的零速區間，實驗結果為后續速度誤差修正算法設計提供了保障。

1 行人步態描述及特性分析

通常將行走過程中行人從一側腳腳跟著地開始，經兩只腳步態交替變換，到該側腳跟再次著地時所經歷的過程定義為一個完整的步態周期。其中，當一條腿承重時，其腳底與地面完全接觸，此時，將腳與地面完全接觸的時間段稱為零速區間。行人運動過程中，腳部往往伴隨著觸地、完全著地、抬腳、擺動等周期性步態。這些步態可分為兩個階段，一個是腳與地面保持接觸階段，另一個是腳在空中擺動階段。行人步態周期如圖1所示[12]。

文獻[13]將行走過程中一個完整的步行周期分解為8個變化的步態過程，具體描述如下：

1） 初始觸地階段：該過程指運動腳與地面剛接觸的階段，通常是腳跟部位先觸地；

2） 承重階段：該階段起始于運動腳腳跟觸地時刻，持續到對側腳腳趾離地結束，整個過程中運動腳腳掌完全著地；

3） 站立中期：該階段始于對側腳趾離地，至軀干位于支撐腿正上方時結束；

4） 站立末期：指從支撐腿腳跟離地到對側下肢腳跟著地的階段；

5） 邁步前期：指從對側下肢腳跟著地到支撐腿腳趾離地之前的一段時間；

6） 邁步初期：從支撐腿離地到該側膝關節達到最大屈曲時；

7） 邁步中期：從膝關節屈曲擺動到小腿與地面垂直的階段；

8） 邁步末期：指與地面垂直的小腿向前擺動至該側腳跟再次著地之前的階段。

通過對行人步態特性的分析，便于對步態中零速區間的檢測。結合圖 1中步態周期的圖示及文獻[13]對步態周期的描述，本文將步態周期靜態相位中行人運動腳腳掌著地時刻1t到該腳腳跟抬起時刻2t間的時間段 tΔ定義為行人步態中的零速區間。

圖1 常規步態周期Fig.1 Normal gait cycle

2 零速檢測算法設計

行人運動過程中，安裝于腳部的MEMS慣性測量單元能夠敏感腳部的加速度及角速度變化，可將其作為信息源用于行人步態的分析與識別。但行走過程中，足部與地面接觸的時間特別短，一般情況下約為0.1~0.3 s[14]，在跑步時觸地時間更短，因此，基于行人導航系統精度的要求，需非常準確地判斷零速區間?；诓叫羞^程中行人足部與地面接觸保持靜止時，足部的角速度及水平加速度值近似為零，豎直方向的加速度值近似為重力常量的情況，結合文獻[10][15]的研究工作，設計以下算法進行零速檢測：

① 加速度矢量和閾值法。計算三個正交軸向上加速度計輸出的矢量和，根據零速區間內加速度矢量的變化范圍設定閾值區間，通過判斷k時刻加速度模值與閾值的關系，得到該時刻的邏輯值。

式(1)中：Anorm(k)表示k時刻加速度矢量和；表示k時刻i軸向上加速度計輸出， ,,i x y z= ；式(2)中：_minAT 、_maxAT 分別是閾值區間的左邊界和右邊界，當加速度模值在閾值區間內時，認為運動腳靜止，閾值大小可以根據實驗采集的數據進行設定。

② 滑動窗口方差法。方差可以衡量變量與其均值的偏離程度，通過設置窗口求方差可以在固定范圍內對數據點的離散度進行判斷，滑動窗口又可以將所有的數據點進行遍歷，提高計算精度。

③ 加速度峰值檢測+時間閾值法。行人運動時，腳跟觸地瞬間豎直方向會出現加速度變化最大值，之后前腳掌著地，足部保持靜止。通過檢測加速度峰值得到觸地時間點k，認定其后某一時間區間 tΔ為零速區間。

④ 角速度閾值法。橫向陀螺可以準確測量步態中抬腳、擺腿等運動的角速率變化，通過對橫向陀螺輸出取絕對值，可以將負值取反，簡化判斷條件，減小區間閾值帶來的誤判。

以上條件中，方法①~④的結果中會出現不同程度的野值，導致零速區間誤判。因此，單一的判斷條件無法得出精確的零速區間。根據“與”邏輯運算特性，將式(2)(4)(6)(7)中k時刻的判斷結果進行“與”運算，即可得到準確的零速區間。此外，求取邏輯值時，采用設置左右邊界閾值的方法通常會引入一定數量的野值，將運動點誤判為零速點，故可對數據進行取模、求反等運算，然后通過單邊界約束來降低誤判。

3 實驗驗證

3.1 系統介紹

實驗采用荷蘭 Xsens公司的 Mti系列 MEMS IMU。如圖2所示，系統內部集成了3個正交的加速度計、3個陀螺儀及1個三軸磁傳感器，加速度計量程為±15g，陀螺儀量程為±1000 (°)/s，IMU尺寸為56.5 mm×40.9 mm×21.3 mm。

圖2 Xsens IMU 及其安裝方式Fig.2 Xsens IMU and installation

3.2 步態實驗

實驗過程中，將MEMS IMU安裝在右腳的腳跟部位，如圖2所示。對行人行走過程中的步態信息進行采集，傳感器輸出原始數據如圖 3所示，其中，X軸向傳感器測量豎直方向慣性參量，Y軸測量橫向參量，Z軸測量縱向參量，系統采樣頻率為100 Hz。

圖3中的曲線為常規步速行進過程中部分傳感器輸出曲線，上方的曲線為豎直方向加速度計的輸出，下方的曲線為橫向陀螺儀的輸出。分析數據可以看出：行人行走過程中足部周期性觸地，并且每個周期內有一小段時間足部保持靜止，傳感器輸出數據近似為常值，這一時間段即為“零速區間”，行人行走過程中詳細的步態如圖4所示。

圖3 行走過程中傳感器輸出原始數據曲線Fig.3 Raw readings of sensor in walking

圖4 步態特性曲線Fig.4 Curves of gait characteristics

3.3 零速區間檢測實驗

利用前文提出的零速檢測算法對采集的數據進行處理，與圖3中數據相對應的計算結果如圖5所示。圖5中：紅色實線為加速度矢量和閾值法判斷的結果，可以看出由于左右閾值的設定，結果中引入了較多的野值；藍色點劃線為滑動窗口方差法判斷的結果，通過選取合適的閾值，零速區間判斷較為準確；紫色點線為峰值-時間閾值法判斷的結果，該方法的核心在于峰值的檢測，從結果中可知設計的算法準確、有效地檢測到了腳跟觸地瞬間的加表輸出峰值；綠色虛線為角速度閾值法判斷的結果，取絕對值后，會有一部分幅值較小的負角速率落在閾值范圍內，從而引入野值。通過對4種判斷方法得到的結果進行“與”邏輯運算，得到邏輯步態曲線，如圖5中黑色*型點劃線所示，1表示靜止狀態，0表示其它運動狀態。

圖5 零速區間檢測結果Fig.5 Zero velocity interval detection results

圖4 為兩個完整步態周期，圖中紅色實線代表加速度值，藍色虛線代表陀螺儀輸出值。分析②與③之間的步態數據可知：腳跟著地瞬間加速度計輸出值最大，緊接著前腳掌著地，加速度計輸出一個幅值較小的脈沖；經過短暫的信號震蕩，傳感器有一段輸出近似為常值的“零速區間”段（陀螺輸出近似為零，豎直方向加速度計輸出近似為重力加速度），此時腳掌與地面完全接觸；零速區間之后，行人開始抬腳，此時 Y軸陀螺輸出曲線清晰地表示了腳跟的旋轉過程；抬腳結束后，運動腳離地開始擺腿實現身體前移，步態變化特性如圖4中擺腿階段陀螺輸出曲線所示；擺腿結束后運動腳腳跟觸地，進入到下一個步態周期。

由圖5中的ZUPT曲線可以看出，對應于圖3的步態數據中共檢測到12個零速區間，與步態曲線中的零速區間數一致，可初步判定文中提出的零速區間檢測算法有效。為了進一步檢驗算法的性能，設計了多步態步行實驗。具體方案為：在100 m直線路程中，進行多次不同步速的行走實驗，對步態中的零速區間進行檢測，結果如表1所示。

由于MEMS IMU安裝在人體的右腳，故行人每行走兩步會檢測到一個零速區間。由表1中的實驗結果可知，多次試驗中本文設計的零速區間檢測算法可以準確地檢測出行走過程中的零速區間，誤差率為0。多步態零速區間邏輯圖如圖6所示。

對比圖6中不同步速的零速區間邏輯曲線可知，行人慢速行走過程中步態周期最長，零速區間持續時間較長，隨著步速增加，步態周期逐漸變短，零速區間時間變短，檢測難度也逐步增大。

表1 零速區間檢測結果Tab.1 Detection results of zero-velocity intervals

圖6 不同步速下零速區間檢測結果Fig.6 Zero-velocity interval detection results in different walking speeds

4 結 論

本文在分析運動過程中行人步態特性及運動規律的基礎上，結合人體及環境約束，設計了一種多條件約束的足部零速區間檢測算法。該方法能利用安裝于足部的微慣性測量單元輸出的感知信息準確判斷出不同行走速度條件下步態中的零速區間。同時，在檢測零速區間的基礎上，可以進一步開展基于 Kalman濾波框架下的行人導航零速修正算法研究，對導航結果的誤差參量進行實時修正，提高導航精度。此外，本文研究的步態零速區間檢測方法主要用于行人常規運動模式且默認為平整路面的情況，實際中行人運動模式多樣且環境復雜，后續研究工作可針對非理想環境中復雜步態的零速區間檢測展開。

（Reference）

[1] Rantakokko J, H?ndel P. User requirements for localization and tracking technology: a survey of mission-specific needs and constraints[C]//Indoor Positioning and Indoor Navigation. 2010: 1-9.

[2] 錢偉行, 朱欣華, 蘇巖. 基于足部微慣性/地磁測量組件的個人導航方法[J]. 中國慣性技術學報, 2012, 20(5): 567-572.

Qian Wei-xing, Zhu Xin-hua, Su Yan. Personal navigation method based on foot-mounted MEMS inertial/ magnetic measurement unit[J]. Journal of Chinese Inertial Technology, 2012, 20(5): 567-572.

[3] Bird J, Arden D. Indoor navigation with foot-mounted strapdown inertial navigation and magnetic sensors[J]. Wireless Communications, 2011, 18(2): 28-35.

[4] 張金亮, 秦永元, 梅春波. 基于MEMS慣性技術的鞋式個人導航系統[J]. 中國慣性技術學報, 2011, 19(3): 253-256.

Zhang Jin-liang, Qin Yong-yuan, Mei Chun-bo. Shoemounted personal navigation system based on MEMS inertial technology[J]. Journal of Chinese Inertial Technology, 2011, 19(3): 253-256.

[5] Cho S Y, Park C G. MEMS based pedestrian navigation system[J]. The Journal of Navigation, 2006, 59: 135-153.

[6] Elwell J. Inertial navigation for the urban warrior[C]// Digitization of the Battlespace IV, SPIE. 1999, 3709: 196-204.

[7] Foxlin E. Pedestrian tracking with shoe-mounted inertial sensors[J]. Computer Graphics and Applications, IEEE, 2005, 25(6): 38-46.

[8] Ojeda L, Borenstein J. Non-GPS navigation with the personal dead-reckoning system[C]//Proc. SPIE. 2007, 6561(1): 65610C-1-65610C-11.

[9] Krach B, Roberston P. Cascaded estimation architecture for integration of foot-mounted inertial sensors[C]//2008 IEEE/ION Position Location and Navigation Symposium. 2008: 112-119.

[10] Jimenez A, Seco F, Prieto J C, et al. Indoor pedestrian navigation using an INS/EKF framework for yaw drift reduction and a foot-mounted IMU[C]//7th Workshop on Positioning Navigation and Communication. 2010: 135-143.

[11] Castaneda N, Lamy-Perbal S. An improved shoe-mounted inertial navigation system[C]//IEEE 2010 International Conference on Indoor Positioning and Indoor Navigation. 2010: 1-6.

[12] Rose J, Gamble J. Human walking[M]. 3rd Ed. Baltimore: Williams & Wilkins, 2006.

[13] Perry J. Gait analysis: normal and pathological function [M]. SLACK Incoporated, 1992.

[14] Park S K, Sun Y S. A zero velocity detection algorithm using inertial sensors for pedestrian navigation system[J]. Sensors, 2010, 10(10): 9163-9178.

[15] 陳國良, 李飛, 張言哲. 一種基于自適應波峰檢測的MEMS計步算法[J]. 中國慣性技術學報, 2015, 23(3): 315-321.

Chen Guo-liang, Li Fei, Zhang Yan-zhe. Pedometer method based on adaptive peak detection algorithm[J]. Journal of Chinese Inertial Technology, 2015, 23(3): 315-321.

Zero-velocity interval detection algorithm with multi-condition constraint for pedestrian navigation

TIAN Xiao-chun1, CHEN Jia-bin1, HAN Yong-qiang1, YANG Li-ming2, YIN Jing-yuan3
(1. School of Automation, Beijing Institute of Technology, Beijing 100081, China; 2. Huabei Optical Instrument Co. LTD, Beijing 100053, China; 3. Beijing Electro-mechanical Engineering System Design Institute, Beijing 100039, China)

To deal with the large drift and low performance of MEMS inertial sensors, a zero-velocity interval detection algorithm with multi-condition constraint is designed based on the analysis of pedestrian gait characteristics by taking into account of pedestrian navigation system application requirements. This algorithm comprehensively utilizes the foot sensor’s output parameters, such as amplitude, peak value and variance, and extracts the gait of the zero-speed points by setting the threshold. The multi-condition constraint effectively reduces the possibility of miscalculation. The detection tests of zero-velocity intervals with different walking speeds show that the zero velocity interval numbers detected by the proposed method are the same as those in the actual walking. The accurate extraction of zero-velocity intervals lays the basis for the speed error correction algorithm in future pedestrian navigation research.

pedestrian navigation; gait analysis; zero-velocity interval; MEMS IMU

U666.1

A

1005-6734(2016)01-0001-05

10.13695/j.cnki.12-1222/o3.2016.01.001

2015-10-30；

2016-01-27

國防預研基金項目資助（9140A09050313BQ01127）；國家自然科學基金項目資助（91120010）

田曉春（1986—），男，博士研究生，從事行人導航技術研究。E-mail: tianxiaochunno1@126.com

聯 系 人：陳家斌（1965—），男，教授，博士生導師。E-mail: chenjiabin@bit.edu.cn