多傳感器組合的行人航位推算方法研究

鄧林坤++郭杭+羅孝文++田寶連+何海平

摘 要： 基于iPad的三軸加速度計、三軸陀螺儀和三軸磁力計設計一種低成本多傳感器的室內行人航位推算（PDR）系統。對于低成本傳感器，設計了基于擴展卡爾曼濾波（EKF）的初始對準；在行走過程中，針對位置誤差發散的問題，采用基于EKF的零速度更新（ZUPT）和磁力計組合的方法，ZUPT修正速度誤差，加速度計和磁力計對陀螺儀進行誤差修正，同時對航向角誤差修正，從而實現了降低位置誤差的目的。實驗結果表明，對于低成本多傳感器，該系統可以較好地滿足室內行人定位要求，定位誤差占總路程的2%左右；與已有的行人航位推算系統比較，該系統使用低成本的傳感器，獲得了很高的定位精度。

關鍵詞： 擴展卡爾曼濾波； ZUPT； 磁力計； 行人航位推算

中圖分類號： TN961?34； P212.6 文獻標識碼： A 文章編號： 1004?373X（2017）12?0011?04

Abstract： An indoor pedestrian dead reckoning （PDR） system with low?cost multiple sensors is proposed， which contains three?axis accelerometer， three?axis gyroscope and three?axis magnetometer based on iPad. Initial alignment based on extended Kalman filter （EKF） is designed for low?cost sensors. The zero velocity update （ZUPT） method combined with magnetometer based on EKF is adopted to solve the problem of position error divergency in the walking process， and correct speed error， gyro error and course angle error by means of accelerometer and magnetometer， so as to achieve the purpose of reducing position error. The experiment results show that the system can better satisfy the requirements of indoor pedestrian positioning， and as for the low?cost multi?sensor， the positioning error is about 2% of the total travelled distance. Compared with the existing PDR systems， the system with low?cost sensors acquires higher positional accuracy.

Keywords： extended Kalman filter； ZUPT； magnetometer； pedestrian dead reckoning

0 引 言

隨著移動互聯技術的快速發展，基于位置的服務也越來越受到人們的關注，儼然成為了目前最熱門的話題之一。傳統的基于位置的服務是依靠電信移動運營商的無線電通信網絡或外部定位方式，來獲取移動終端用戶的位置信息。但是當用戶端在室內環境中，由于墻體的阻隔，造成無線電信號變弱，無法準確定位。目前普遍的室內定位技術大多數都是基于無線網絡來定位，如WiFi[1]，ZigBee[2]，RFID[3]等，基本都是依靠信號強度值的大小來確定位置。

慣性導航利用加速度計和陀螺儀分別測量運動載體的加速度和角運動信息，利用已知的初始位置、初始速度和初始姿態，通過計算機解算可得到運動載體任意時刻的位置、速度、姿態等信息。PDR算法根據初始行人的位置，利用加速度計和陀螺儀推算下一時刻行人的位置，無需任何外來信息，也不向外輻射任何信息，擁有良好的自主性、隱蔽性和數據更新速度快等特點。本文提出了一種低成本多傳感器移動端的PDR算法，利用iPad的慣性測量單元（IMU）采集行人線運動信息和角運動信息，三軸磁力計獲取相應的感應電勢。基于EKF對各傳感器誤差補償和修正，而后計算出行人準確的位置信息。

1 初始對準

慣性導航系統在進行導航解算前必須進行初始對準，以便獲取初始位置等；初始對準使慣性導航系統所描述的坐標系與導航坐標系相重合，同時讓計算機在正式工作時有正確的初始值，如給定的初始速度、初始位置和初始姿態等。在初始對準時，已知初始位置，初始速度為零，而初始姿態是在初始對準時可用IMU和磁力計來獲取。

1.1 粗對準[4]

2 航位推算算法

對于室內航位推算，在已知該時刻的位置、速度和姿態的基礎上，利用加速度計、陀螺儀和磁力計的輸出值，基于EKF的位移檢測和改進型捷聯慣導算法，推算出下一時刻的位置、速度和姿態。航位推算原理圖如圖2所示。

2.1 位移檢測

人們在行走過程中，每個跨步中腳的水平速度都要經歷平穩、 加速、 減速、 再次平穩的周期性變化過程[6]。目前，大部分檢測算法都是基于加速度計[7?8]、陀螺儀[9]來完成的。本實驗手持iPad行走采集數據，采用加速度計來檢測移動狀態[10]：

3 實驗結果與分析

本實驗使用的設備為蘋果公司于2014年10月推出的iPad air 2產品。實驗在室內的長方形會議廳內完成的，測試路線長度為50.4 m，設置采樣頻率為100 Hz，通過手持iPad方式行走采集數據，原始實驗數據可以通過Sensor Log軟件獲得。

實驗繞著閉合路線行走，其中包含3個90°的直角轉彎，圖3為某一次實驗路線與真實路線的對比，由圖可見，在一開始直線行走過程中，實驗算法路線與真實路線基本吻合，但當經過第二個90°轉彎，ZUPT算法的方向發生了很大的偏移，慢慢地由于誤差積累，最終造成后期實驗位置與真實位置存在較大的偏差。

本實驗路線利用實驗終點和真實終點的距離誤差與總路程的比值來表示定位誤差。經過多次實驗定位誤差如表1所示，時間包含初始對準4 min。從表中結果對比可知，基于EKF，ZUPT+磁力計，通過慣性測量單元與磁力計融合，利用加速度計和磁力計對陀螺儀進行誤差修正，并且對航向角誤差修正，最終減小了航向角誤差和速度誤差積累，從而提高了位置精度。

目前，室內行人航位推算研究中，殷紅等人使用XSENS公司的MTI產品為中成本慣性測量單元[12]。表2為他們使用中成本慣性測量單元采用ZUPT+ZARU算法的定位誤差分布。李金鳳等人使用低成本MEMS慣性傳感器[13]，利用互補濾波融合多傳感器，定位誤差占總路程的4%左右。由于iPad自身硬件等問題，慣性測量單元中的陀螺儀精度較低。故本實驗使用低成本多傳感器，采用ZUPT+磁力計的方法同樣達到了較好的精度。

上述試驗結果表明，基于EKF、ZUPT+磁力計的方法，使用低成本多傳感器進行室內行人定位，同樣可以獲得較高的定位精度，驗證了該方法的實用性和通用性。

4 結 語

本文提出一種低成本多傳感器融合的室內行人航位推算系統。該系統不僅可以實現在室內連續自主的導航，而且通過加入磁力計可以有效地實時修正行人航向角的誤差。與已有的行人航位推算系統比較，該系統使用低成本的傳感器，獲得了相當的定位精度。在一定時間內，該系統可以滿足室內行人的定位需求，但是，由于實驗設備傳感器性能比較差，造成采集到的數據包含了許多其他誤差與噪聲，從而導致了時間越長，位置誤差越來越大的結果。下一步需與WiFi或者ZigBee結合的方式，實現在室內高精度、長時間、長距離和實時定位的PDR系統。

參考文獻

[1] BISWAS J， VELOSO M. WiFi localization and navigation for autonomous [C]// Proceedings of IEEE International Conference on Robotics and Automation， Anchorage： [s.n.]， 2010： 4379?4384.

[2] 朱明輝，張會清.基于RSSI的室內無線網絡定位技術研究[J].現代電子技術，2010，33（17）：45?48.

[3] NAKAMORI E， TSUKUDA D， FUJIMOTO M， et al. A new indoor position estimation method of RFID tags for continuous moving navigation systems [J]. Indoor positioning and indoor navigation， 2012： 34（1）： 1?8.

[4] BEKIR E. Introduction to modern navigation systems [M]. [S.l.]： World Scientific Publishing Co.， Ltd.， 2007： 136?150.

[5] 殷紅.基于foot_mounted的IMU室內行人航跡推算研究[D].南昌：南昌大學，2013.

[6] HUANG Chengliang， LIAO Zaiyi， ZHAO Lian. Synergism of INS and PDR in self?contained pedestrian tracking with a miniature sensor module [J]. IEEE sensors journal， 2010， 10（8）： 1349?1359.

[7] SUN Zuolei， MAO Xuchu， TIAN Weifeng， et al. Activity classification and dead reckoning for pedestrian navigation with wearable sensors [J]. Measurement science and techology， 2008， 20（1）： 187?198.

[8] STIRLING R G. Development of a pedestrian navigation system using shoe mounted sensors [D]. Alberta： University of Alberta， 2003.

[9] FELIZ R， ZALAMA E G. Pedestrian tracking using inertial sensors [J]. Journal of physical agents， 2009， 3（1）： 35?42.

[10] JIME?NEZ A R， SECO F， PRIETO C， et al. A comparison of pedestrian dead?reckoning algorithms using a low?cost MEMS IMU [C]// Proceedings of 6th IEEE International Symposium on Intelligent Signal Processing. Budapest： IEEE， 2009： 37?42.

[11] JIME?NEZ A R， 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]// Proceedings of 7th Workshop on Positioning， Navigation and Communication. Dresden： [s.n.]， 2010： 1?9.

[12] 殷紅，郭杭，鄧曉華.基于foot?mounted的IMU室內行人航位推算研究[J].測繪科學，2014，39（1）：20?23.

[13] 李金鳳，王慶輝，劉曉梅，等.基于MEMS慣性傳感器的行人航位推算系統[J].傳感器與微系統，2014，33（12）：85?97.