基于MEMS慣性測量單元的多源信息自適應步數檢測方法

朱莊生，張雨龍，李 馳

（北京航空航天大學 儀器科學與光電工程學院，北京 100191）

基于MEMS慣性測量單元的多源信息自適應步數檢測方法

朱莊生，張雨龍，李 馳

（北京航空航天大學 儀器科學與光電工程學院，北京 100191）

針對基于MEMS慣性測量單元的行人航跡推算中步數檢測方法僅利用單一的加速度信號檢測精度較低的問題，提出一種多源信息自適應步數檢測方法。該方法通過綜合考慮人體運動過程中的加速度信號和角速度信號，根據不同的步態特征通過設定不同的自適應閾值條件實現步數的檢測。雖然常規的峰值檢測算法和固定閾值檢測算法在單一步態下步數檢測精度相對較高，但是對復雜運動狀態下的步數檢測精度很差，無法適用于真實的行人運動過程中步數的檢測。然而多源信息自適應步數檢測方法卻能夠在行人不同運動狀態下精確檢測步數，該方法明顯優于常規的峰值檢測方法和閾值檢測方法。試驗結果表明，本文提出的多源信息自適應閾值檢測方法在行人不同運動狀態下的步數檢測精度可達98%以上。

MEMS；行人航跡推算；多源信息自適應；步數檢測

當前室內定位技術大致可以分為兩大類：非自主導航技術和自主導航技術。第一類技術包括WiFi、ZigBee、Bluetooth、Ad hoc 和Ultra Wide-Band（UWB）等，這類導航定位技術必須依靠信號的基站以及基站與目標對象間的通信鏈路，在緊急救援（如消防救援）等應急任務條件下，這類導航定位技術無法實現實時精確定位，而對于復雜環境下（如礦井下），要實現該類技術需要投入大量的基礎設施建設，建設成本又太高。第二類技術主要指慣性導航技術，它不依賴于任何外部信息，完全實現自主導航定位，可為特定環境內移動的“人”提供精確的位置信息，滿足當前對于應急環境下對導航定位的需求。

為實現行人的自主導航，近年來將陀螺儀和加速度計安裝在人體上（以人為運載體），研究基于MEMS慣性傳感器的行人航跡推算（PDR）技術成了國內外高校和研究機構的研究熱點[1-6]。但由于人體運動和火箭、導彈、車輛等運載體的運動特性大不相同，也給PDR技術帶來新的難題。基于行人這個運載體運動特征的特殊性，將傳統的慣性導航技術直接應用在行人身上無法滿足精確獲取行人導航定位信息的需求。因此，如何根據人體的運動特征，通過分析慣性傳感器的輸出信號間接地獲取行人人行走的距離與航向角信息是研究的關鍵。所以，PDR技術的難點在于精確獲取行人的步數、步長和航向。

針對以上問題，本文提出了一種多源信息自適應步數檢測方法?；谌嗽谛凶哌^程中每一步產生的加速度和角速度與運動狀態的相關性，通過設置自適應的加速度和角速度閾值就可以判斷行人運動狀態。針對不同個體、不同運動狀態采用不同的自適應閾值參數就可以進行步數的判別。通過聯合使用加速度和角速度信號代替單純依靠加速度信號進行步數檢測不但消除了誤檢測對計步結果的影響，而且提高了計步準確率。在北京航空航天大學體育場進行現場試驗的試驗結果表明本文提出的步數檢測對于不同個體的多種運動方式都可以實現準確檢測，計步準確率高達98%。

1 基于航跡推算的行人導航原理

航跡推算的現代定義由cotter提出，其定義為：從一個已知的坐標位置開始，根據運載體在該點的航向、行駛距離，推算下一時刻的坐標位置的導航過程稱為航位推算。航跡推算原理如圖1所示，其中位置與航向角的推算如下式：

式中：dRn-1和dθn分別為從n-1時刻位置(Xn-1,Yn-1)到n時刻位置(Xn,Yn)的位移矢量變化和航向變化。

行人航跡推算的關鍵是得到行人行走距離和行走航向，但由于傳感器存在累計誤差，行走距離通過兩次積分加速度得到并不可靠，因此根據人體生理特性，在行走運動中將行人行走的距離等價于求行走步數以及每一步的步長。行走距離可根據以下公式得到：

式中：n表示tk-1時刻到tk時刻行走步數；stepi表示行走第i步的步長；Sk表示行走距離。

圖1 航跡推算原理圖Fig.1 Principle of the dead reckoning

對于行人航向角的估計，如果只依靠低精度的陀螺儀積分獲取，由于器件的誤差特性將導致得到的航向角不可信。但如果綜合利用磁傳感器誤差不積累與陀螺儀短時精度高的優點，將二者的輸出信息經擴展卡爾曼濾波器（EKF）進行融合就可以得到一個滿意的結果。本文獲取航向角采用的就是這種方法，具體的原理如圖2所示。

圖2 航向角估計原理圖Fig.2 Principle for estimating the heading

2 MEMS慣性導航模塊在PDR中的應用

要實現室內導航定位功能，首要的工作就是獲取移動目標在平面和高程的位置信息以及移動目標的航向信息。移動目標平面內的位置信息和航向信息可以通過行人航跡推算（PDR）技術來獲取，高程方向的位置信息可通過氣壓計來獲取。然而行人航跡推算需要實時獲取行走距離和航向信息，平面內的行走距離測量需要加速度傳感器，高程位置測量需要氣壓計，航向信息測量需要陀螺儀和磁傳感器。通過調研選用了帶有藍牙功能的JY901B模塊，該模塊集成了陀螺儀、加速度計、地磁場傳感器和氣壓計，可以提供角速度、加速度、角度、磁場、氣壓、高度、溫度等信息；該模塊的輸出頻率在0.1～200 Hz，加速度計和陀螺儀不僅具有16位的分辨率，還具有大量程的特點。JY901模塊的特性參數和靜態輸出分別如表1和圖3所示。

表1 JY901B模塊特性Tab.1 Characteristics of JY901B module

圖3 靜態條件下JY901B模塊輸出信號Fig.3 Output of JY901B module under static condition

3 基于MEMS慣性導航模塊的行人步數檢測

行走是人體日常生活中重復最多的一種整體性運動。根據步態特征的不同可將人體的運動狀態劃分為正常運動狀態（常規的行走）和非正常運動狀態（包括慢走、快走、慢跑、快跑等）。由于人類個體之間的內在差異，每個人的步態模式都是獨特的[7-8]，因此深入研究步數檢測方法具有重要意義。行人步數檢測作為PDR中最基本的一步，計步結果準確與否直接影響PDR定位的精度。當前已有多種基于MEMS慣性器件的行人步數檢測方法[9-13]，典型的步數檢測方法主要有：1）自適應波峰檢測算法[8]，它利用整體加速度的自適應波峰檢測行人步數，實現了正常行走狀態下和非正常狀態下的計步，但是由于偽波峰的存在，這種檢測方法的精度并不高；2）固定閾值檢測法[9]，通過對加速度信號設定閾值，當加速度信號超過一定的閾值時就認為是有效步數，實現步數檢測，這種方法在單一的步態特征下可以達到很高的檢測精度，但是對于人體在正常和非正常交替運動的情況下，由于不同運動方式下對應的閾值不同，這種檢測方法的精度并不高；3）動態時間規整法[11]，基于不同步態下所歷經的時間不同的特性，通過劃分時間段來實現步數的檢測，這種方法對于正常步態方式檢測精度很高，但是無法應用于非正常步態方式檢測；4）短期傅里葉變換法[12]，通過將加速度信號變換到頻域進行分析，基于人在運動極限頻率在2～5 Hz這一事實，通過劃分不同運動方式下的頻率來實現步態的識別與檢測，但由于噪聲的影響這種檢測方法的精度并不高。

綜上所述可知，已有的步數檢測方法都有局限性，當前并沒有一種通用的精確檢測步數的方法。針對步數檢測不精確這一問題，本文提出一種多源信息自適應步數檢測方法，該方法的原理是利用人體運動過程中反映在足部的加速度信號和角速度信號的變化規律，并綜合考慮行人在行走過程中的時間信息，通過對加速度和角速度信號設定自適應的閾值來實現步數檢測。

3.1 行走過程中足部陀螺儀輸出信號分析

通過對人體的步態特征分析發現，正常步行過程中角速度的變化具有很強的類周期性。本文通過真實的實驗對行走過程中陀螺儀輸出信號的類周期性進行了驗證，實驗結果如圖4所示。

實驗結果表明，置于足部的陀螺儀在人體行走過程中輸出的信號具有類周期性，可以用于輔助步態分析。

圖4 正常行走過程中陀螺儀輸出信號Fig.4 Output of gyro during normal walking

3.2 多源信息自適應步數檢測方法

多源信息自適應步數檢測方法是基于人體在行走過程中加速度信號和角速度信號的變化規律提出的。該方法綜合考慮了人在行走過程中運動方式的多樣性以及輸出信號的規律性，通過動態地調整加速度閾值、角速度閾值、時間閾值來實時跟蹤步態。具體原理如圖5所示。

圖5 基于JY901B模塊的自適應步數檢測原理圖Fig.5 Principle of adaptive step detection method based on JY901B module

自適應加速度閾值和自適應角速度閾值的獲取方法如下：

1）自適應加速度上閾值是通過求取固定時間段內的正向加速度信號的均值來實現的，為自適應加速度上閾值，n為這段時間內的正向加速度采樣個數，Ai為這段時間內正向加速度的值。自適應加速度上閾值計算公式為

2）自適應加速度下閾值是通過求取固定時間段內的負向加速度信號的均值來實現的，為自適應加速度下閾值，n為這段時間內的負向加速度采樣個數，Ak為這段時間內負向加速度的值。自適應加速度下閾值計算公式為

3）自適應角速度上閾值是通過求取固定時間段內的正向角速度信號的均值來實現的，為自適應角速度上閾值，n為這段時間內的正向角速度采樣個數，ωi為這段時間內正向角速度的值。自適應角速度上閾值計算公式為

4）自適應角速度下閾值是通過求取固定時間段內的負向角速度信號的均值來實現的，為自適應角速度下閾值，n為這段時間內的負向角速度采樣個數，ωk為這段時間內負向角速度的值。自適應角速度下閾值計算公式為

步數檢測的條件設定為

根據公式(3)～(6)計算得到的自適應閾值設定步數檢測條件，只有當公式(7)中的4個條件都滿足時，說明檢測到的步數有效，計步值加1。

基于JY901B慣性導航模塊的多源信息自適應步數檢測流程如圖6所示。

圖6 步數檢測流程圖Fig.6 Flow chart of number-of-steps detection

4 實驗驗證與結論

針對本文提出的多源信息自適應步數檢測方法，作者對多種步態（包括慢走、常規行走、快走、慢跑、快跑等）在北京航空航天大學體育場進行了多組測試。其中將常規行走作為一種正常的運動方式，其它步態特征作為非正常運動方式。實驗過程中將JY901B模塊安裝于腳尖部位，具體安裝位置如圖7所示。JY901B模塊通過一個串口轉USB模塊實現與筆記本電腦上運行的上位機通訊，并且完成整個行走過程中數據的采集。

圖7 硬件模塊安裝示意圖Fig.7 Schematic of hardware module installation

采用多源信息自適應步數檢測方法對非正常步態下的步數檢測實驗結果如圖8與圖9所示。實驗后還將這種檢測方法的結果與傳統的峰值檢測方法、固定閾值檢測方法做了對比，結果如表2所示。

圖8 自適應加速度閾值檢測Fig.8 Adaptive detection for acceleration threshold

圖9 自適應角速度閾值檢測Fig.9 Adaptive detection for angular velocity threshold

表2 各種檢測方法結果對比Tab.2 Experimental results of various detection methods

實驗結果表明，本文提出的多源信息自適應步數檢測方法可以在非正常步態方式下實現精確檢測，準確率可達98%左右。然而常規的峰值檢測法、固定閾值檢測法在非正常步態方式時根本無法精確檢測。但是在單一的步態方式下，閾值檢測法和峰值檢測法也可以達到很高的精度。綜上所述可知，本文提出的步數檢測方法在現實生活中更加適用于真實的人體運動特征的檢測，通過進一步的深入研究最終可以應用到實際的基于行人航跡推算的系統中，為提高行人航跡推算的精度奠定了基礎。

（References）：

[1] Saarinen J, Suomela, Heikkila S, et al. Personal navigation system[C]//Proceedings of 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems.IEEE, 2004, Vol.1: 212-217.

[2] Wang S, Liu K, Liu Y, et al. Analysis for low cost inertial sensors based pedestrian dead reckoning[C]//The Proceedings of the Second International Conference on Communications, Signal Processing, and Systems. Springer International Publishing, 2014: 1029-1037.

[3] 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.

[4] 張曉東. 基于MEMS慣性器件的個人導航系統研究[D]. 北京: 北京工業大學, 2015.Zhang Xiao-dong. Personal navigation system based on MEMS inertial devices[D]. Beijing: Beijing University of Technology, 2015.

[5] 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):85-87.Li Jin-feng, Wang Qing-hui, Liu Xiao-mei, et al. Pedestrian dead reckoning system based on MEMS inertial sensor[J]. Transducer and Micro-system Technologies,2014, 33(12): 85-87.

[6] 許睿. 行人導航系統算法研究與應用實現[D]. 南京:南京航空航天大學, 2008.Xu Rui. Research and application of pedestrian navigation system[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2008.

[7] 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.

[8] Qian J, Ma J, Ying R, et al. Improved indoor localization method using smart phone inertial sensors[C]//2013 International Conference on Indoor Positioning and Indoor Navigation. IEEE, 2013: 1-7.

[9] Li F, Zhao C S, Ding G Z, et al. A reliable and accurate indoor localization method using phone inertial sensors[C]//Proceedings of the 2012 ACM Conference on Ubiquitous Computing. Association for Computing Machinery,2012: 421-430.

[10] Brajdic A, Harle R. Walk detection and step counting on unconstrained smart phones[C]//Proceedings of the 2013 ACM International Joint Conference on Pervasive and ubiquitous computing. Association for Computing Machinery, 2013: 225-234.

[11] 田曉春, 陳家斌, 韓勇強, 等. 多條件約束的行人導航零速區間檢測算法[J]. 中國慣性技術學報, 2016, 24(1): 1-5.Tian Xiao-chun, Chen Jia-bin, Han Yong-qiang, et al.Zero-velocity interval detection algorithm with multicondition constraint for pedestrian navigation[J]. Journal of Chinese Inertial Technology, 2016, 24(1): 1-5.

[12] Wang Z L, Zhao H Y, Qiu S, et al. Stance phase detection for ZUPT-aided foot-mounted pedestrian navigation system[J]. IEEE/ASME Transactions on Mechatronics, 2015,20(6): 1-1.

[13] Jiménez A R, Fernando S, Francisco Z, et al. PDR with a foot-mounted IMU and ramp detection[J]. Sensors, 2011,11(10): 9393-410.

Multi-source information adaptive step detection method based on MEMS inertial measurement unit

ZHU Zhuang-sheng, ZHANG Yu-long, LI Chi
(School of Instrumentation Science and Opto-electronics Engineering, Beihang University, Beijing 100191, China)

In pedestrian dead reckoning (PDR) based on MEMS IMU, the detection for number of steps has a lower accuracy due to basing only on the accelerometer signals. To improve the detection accuracy, an adaptive detection method with multi-source information is proposed for the step detection. In this method,the adaptive detection is realized by comprehensively considering the angular velocity signals and the acceleration signals in the process of human movement and setting different adaptive threshold conditions based on different gait features. Unlike the conventional peak detection algorithm and the fixed-threshold detection algorithm, which have rather poor detection accuracy under abnormal human movements, the proposed method can accurately detect the number of steps under complex pedestrian motion behaviors.Experiment results show that the detection precisions by the proposed method can reach more than 98%under different pedestrian motion states.

MEMS; pedestrian dead reckoning; multi-source information adaption; step detection

TH7

：A

1005-6734(2017)03-0299-05

10.13695/j.cnki.12-1222/o3.2017.03.004

2017-02-12；

：2017-05-27

國家重大科學儀器設備開發專項基金項目（2012YQ160185）；國家高技術研究發展計劃（2015AA124002）；國家自然科學基金（60421063）

朱莊生（1972—），男，副教授，碩士生導師，從事慣性導航、行人導航技術研究。E-mail: zszhu@buaa.edu.cn