基于神經網絡的步行者室內慣導定位技術

覃昊潔， 閻 波， 林水生， 周 亮， 肖卓凌， 余新國

（電子科技大學信息與通信工程學院，成都 611731）

0 引 言

隨著時代的發展和科技的進步，定位導航技術已普及到社會生活和生產的各個領域，并逐漸顯示出良好的技術發展前景和巨大的市場應用空間［1］。與室外環境相比，室內環境要復雜得多，建筑物的布局、內部結構、材料、裝飾裝修情況等都會對室內定位效果產生影響［2］。慣性傳感器定位作為室內定位導航技術的關鍵技術，在室內導航、殘障引導、智慧城市、智能搜救等領域皆有廣泛應用［3］。在實際教學中，步行者室內自主導航定位技術由于實用性強、應用領域廣、實驗效果直觀等特點，能很好激發學生的學習興趣和探索精神。步行者室內自主定位技術需要融合《高等數學》《微處理器系統與嵌入式系統設計》《傳感器原理》《無線傳感器網絡》等基礎課程知識與定位導航知識，非常適合為高校電子類專業開設綜合性和設計性強的研究型實驗。

現階段步行者室內自主定位實驗主要應用ZigBee、RFID、超聲波、WiFi、計算機視覺和慣性傳感器等技術開設，普遍對室內環境要求較高且部署復雜，維護難度高。例如ZigBee要求室內盡量空曠，計算機視覺需要在定位前已知室內結構平面圖，Wi-Fi需提前部署復雜的基礎設施輔助定位等［4-6］。目前，只有基于慣性傳感器的定位技術在保障準確率的前提下無需依靠任何外部信號實現自主定位，適用于復雜的室內環境［7］。慣導系統還具有體積小、價格便宜、無需額外搭建、穩定性強等特點。

傳統步行者室內慣導定位實驗多利用固定閾值法或基于固定閾值的衍生法修正慣性導航長時間誤差累積，提高定位準確率。實驗不僅涉及傳統的硬件設計，還需要進行算法研究、閾值選取、算法實現、實驗測試、數據分析及反向調整，有利于培養學生解決復雜工程問題的能力。在正常速度步行時，學生通過仿真和反向調整選取合適的閾值可得到較好的定位準確率，項目式教學能很好地培養學生的分析、設計、驗證及調試能力，實驗取得了較好的教學效果。實際教學中發現固定閾值應用于不同的行人，不同的運動模式時，算法的修正效果表現不佳［8］。學生根據不同的情況，重新擬定合適閾值并手動切換后，在快走和跑步時定位效果仍不理想。為保證定位準確率手動切換閾值或限制行人的運動模式，在實際工程應用中都是不切實際的。針對這一問題，課程組將人工智能引入傳統算法，自適應地識別零速更新點和非零速更新點，根據教學實際需要搭建兼顧準確率和硬件開銷的輕量級神經網絡。經實驗驗證，該方法能有效提高零速區間的檢測準確率，在多種運動模式下均能保證定位準確率。

1 傳統步行者室內慣導定位實驗

傳統步行者室內慣導定位實驗主要把慣性傳感器直接固定連接在步行者身上（腰、腿、腳），測量步行者的線運動信息和角運動信息，通過對加速度積分得到步行者的速度和位置信息，再結合姿態矩陣運算得到行進方向。慣性傳感器都存在噪聲，多次積分會導致誤差不斷積累，致使步行者的定位軌跡快速發散［9］。業界普遍應用零速檢測算法修正此類誤差［10］。零速檢測算法主要結合卡爾曼濾波算法和人類行走的生物學特征，在零速區間（腳接觸地面并在短時間內保持靜止的時間段）利用卡爾曼濾波算法估算速度和方向的誤差，更新預測速度和方向的值。零速檢測算法在步行者每次進入零速區間時都對誤差進行修正，定位系統利用更新方程避免不斷累積誤差而長期穩定運行。

為獲得與實際長期軌跡更一致的結果，需要準確檢測每個步態周期的零速區間［11］。多數零速檢測算法是基于對傳感器輸出的加速度和角速度的模值、方差以及幅值和已設定的閾值進行比較，提取出步態中的零速點［12］。閾值的設定與行人體態和運動模式都密切相關［13］，基于固定閾值的零速檢測算法在不同的行人和不同的運動模式下常常存在零速區間范圍不精確，甚至漏檢的情況［14］，大大影響定位系統的定位準確率和實用性。例如，圖1顯示通過固定閾值法判斷零速區間的示意圖。

圖1 固定閾值零速區間檢測示意圖

式中：ω為角速度；b為角速度基于載體坐標系。利用角速度的二范數作為閾值判定k時刻采樣點是否零速更新點：

式中：thgyro為預先在系統里設置的固定閾值，圖中用紅線標示；zvk為1時該點判定為零速更新點。可見，正常勻速行走時，固定閾值得到的零速區間陀螺儀輸出值接近0且波動很小，與實際的零速區間一致，但該閾值在行人跑步時基本無法檢測出零速點。

2 基于神經網絡的步行者室內慣導定位

2.1 基于神經網絡的步行者室內慣導定位算法

傳統實驗算法泛化性不佳，關鍵在于無法根據不同情況精確選取合適的零速區間閾值，無法在準確的零速更新點修正誤差。零速更新點的選取，本質上是提取特征進行有效分類，神經網絡在特征提取方面應用廣泛，尤其是卷積神經網絡（Convolutional Neural Networks，CNN）在對提取的特征進行分類時表現出色［15］。CNN可以把初始的“低層”特征表示轉化為“高層”特征表示，用“簡單模型”完成復雜的分類等學習任務［16］。

基于神經網絡的步行者室內慣導定位算法在傳統算法的基礎上引入CNN進行零速更新點的判定，圖2為該算法的流程圖。

圖2 基于神經網絡的步行者室內慣導定位算法流程圖

加速度和角速度數據通過捷聯式慣性傳感器收集后，在數據預處理系統中進行低通濾波和標準化等處理得到當前加速度、速度、角速度信息，把這些信息輸入到訓練好的CNN模型中，模型一旦判斷當前為零速點，立即利用擴展卡爾曼濾波算法估算誤差，對觀測值進行更新

式中：Vk｜k、Pk｜k分別為更新后的速度和位置；Vk｜k－1、Pk｜k－1分別為根據上一個采樣點得到的預測速度和位置；δ（Vk）、δ（Pk）分別為擴展卡爾曼濾波算法得到的速度和位置的估計誤差。如果不是零速更新點，則直接根據上一次計算得到的位置信息進行累積運算：

式中：a為慣性傳感器測量到的三軸加速度；Δ（t）為采樣間隔。

2.2 CNN的搭建

基于零速更新的慣導定位算法只需進行簡單的二分類，且搭建的神經網絡模型要應用于實驗教學，因此網絡要在保證定位準確率的前提下盡量小，減小學生的訓練難度并保障算法可移植到常用實驗設備上。本文在Google開發的比較成熟的TensorFlow系統上進行網絡搭建，經過多次實驗，最終的網絡模型如圖3所示。

圖3 實驗中搭建的CNN模型示意圖

網絡中主要包含2個卷積層、2個池化層和1個全連接層。輸入層每個樣本由54個采樣點組成，每個采樣點分別包含3軸加速度和3軸角速度，其中加速度和角速度分別通過2個通道輸入。網絡中的卷積核大小最終設置為3×3矩陣，卷積層的卷積核個數分別為6和12個，采用補零填充的策略。采樣層中的池化窗口為2×2矩陣，窗口橫向移動步長為1，縱向移動步長為2。采樣策略可根據需要調整，默認為最大采樣。全連接層根據權重優化組合池化層2中12個14×1矩陣，最后全連接層的結果通過Sigmoid函數輸出，并與預先設定好的一個固定常數進行對比，大于該常數則判定為1，否則判定為0。

2.3 CNN的訓練

為保證算法的泛化性，訓練樣本集隨機選取一個實驗教學班內85%的同學（本實驗選取40人）標定為集合A，這些同學以常速行走、快速走及跑步3種模式分別在實驗樓內連續移動，每種模式至少走4個軌跡，最短的軌跡約50 m，最長的約1 km，例如集合A中的元素A1可表示為A1＝{ W1，WF1，R1}；W為常速走軌跡集合；WF為快走軌跡集合；R為跑步軌跡集合。

驗證樣本集由班內剩余15%的同學以同樣方式提供，標定為集合B。如圖4所示，最后收集到480條運動軌跡組成的訓練樣本集A和84條軌跡組成的驗證樣本集B。

圖4 神經網絡訓練與驗證集數據劃分

得到的數據在訓練前需要為每個采樣點預先標定是否零速更新點，粗略估計共有2×107個采樣點需要標記，工作量非常大，為了提高實驗效率設計基于廣義似然比檢驗的標簽標定算法用于標簽標定的輔助手段。

由于數據處理前已知該段數據的運動狀態，因此根據不同的運動狀態的廣義似然比的閾值可以篩選掉大部分非零速更新點。運動中的慣性數據曲線會存在一些類似“毛刺”的波動，易誤判為零速更新點，結合零速區間長度Lk可以進一步剔除誤判點。利用下式計算K時刻角速度和加速度的廣義似然比結果：

3 結果及分析

本實驗采樣頻率400 Hz，采集47人分別以常速走、快走和跑步的狀態連續運動的軌跡共564條，其中40人的軌跡用于CNN的訓練，共16 584 522采樣點，另外7人的軌跡用于神經網絡的驗證，共2 943 452采樣點。實驗經過反復參數調試，設置合適的CNN數據迭代次數、迭代樣本數、學習率和誤差損失函數。表1為驗證集在訓練完成的CNN上的零速更新點分類表現。

表1 神經網絡法零速更新點分類指標參數

當步行者以正常行走、快速行走和跑步連續運動時，對零速更新點的測準率平均可達到98%，召回率平均值接近98%，F1得分也均在98%附近。這說明該模型在驗證集上泛化性能優良，不同運動模式均可準確又全面地識別出零速點。

選取課程組老師和助教作為測試集，從實驗室門口出發，沿實驗中心的走廊分別以常速走、快走和跑步進行運動，最后回到起點，全程約100 m。人工選取合適的固定閾值與本文所用算法進行對比，得到的常速行走實驗軌跡如圖5所示，藍色為軌跡真值，紅色為實測軌跡，可見，兩種算法都能復原測試者的軌跡。在測試快走和跑步時分別重新根據實測的陀螺儀數據選取合適的閾值與本文算法對比，得到的軌跡如圖6、7所示，基于CNN的零速更新點分類算法在快走和跑步時的定位表現明顯優于固定閾值法，基本可以呈現測試者行進路線，而固定閾值法軌跡隨著距離的增加，明顯偏離真值，尤其是終點與實際偏差較大。

圖5 常速行走軌跡對比圖

圖6 快速行走軌跡對比圖

圖7 跑步軌跡對比圖

常速走的軌跡幾乎相同，因此不再進一步分析誤差。根據圖6、7繪制誤差累積分布圖對比快走和跑步時，固定閾值法和本文算法的定位誤差表現。

圖8為誤差累積分布圖，縱軸表示誤差的累積分布函數，橫軸表示誤差距離，虛線表示本文算法，實線表示固定閾值法。

圖8 誤差累積分布圖

快走時，在人工選取合適閾值的情況下，本文算法有一半的距離誤差在0.6 m內，而同樣概率下固定閾值法的距離誤差是1.1 m。跑步時，在人工選取合適閾值的情況下，神經網絡法大部分的距離誤差都小于1 m，而相同概率下固定閾值法大部分的距離誤差在1.8 m。快走和跑步時的固定閾值法誤差大于本文算法，原因在于腳的邁動幅度大，頻率高，雖然已經選取了合適的固定閾值，但固定閾值法靈活性不足，仍然容易把一些“毛刺”誤判為零速更新點。

4 結 語

本文通過研究現階段基于慣性傳感器的步行者室內定位實驗魯棒性不佳的原因，提出了一種兼顧魯棒性和定位準確率的步行者室內自主定位方法，根據教學實際需要，對算法神經網絡模型進行輕量化設計和驗證。該算法在不同運動模式下都可應用CNN自適應地對零速更新點進行準確、全面的分類，提高卡爾曼濾波算法對累積誤差的修正效果，改善實驗在不同運動模式下的定位準確率。與傳統固定閾值法相比，本文提出的算法除了能在常速走模式下準確定位外，在快走和跑步時零速更新點的識別準確率和室內定位準確率都明顯更優，可有效解決傳統步行者慣導定位技術切換運動模式后無法保證定位準確率的問題，為其拓寬應用場景和應用領域，并為高校的相關實驗實踐課程提供兼具綜合性、設計性及難度的研究型課改素材。

·名人名言·

想像力比知識更重要，因為知識是有限的，而想像力概括著世界的一切，推動著進步，并且是知識進化的源泉。

——愛因斯坦