"İyi Tasarım Kağıdı" Yaya yolu tahminine dayalı iç mekan konumlandırma algoritması araştırması
Özet: İç mekan konumlandırmanın gerçek uygulama gereksinimlerini hedefleyen, cep telefonlarından veri toplamak için uygun olan Yaya İzleme Algoritmasına (PDR) dayalı bir iç mekan konumlandırma yöntemi önerilmiştir. Geleneksel veri toplama yönteminden farklı olarak, bu konumlandırma yöntemi ivme, jiroskop ve jeomanyetizmanın orijinal verilerini elde etmek için cep telefonunu kullanır ve hızlanma sinyalini analiz ederek adım frekansı algılama ve adım uzunluğu tahminini gerçekleştirir. Genişletilmiş Kalman filtresi (EKF), yön açısı hesaplamasının doğruluğunu artırmak için her bir eylemsizlik sensörünün verilerini birleştirmek için kullanılır. Son olarak, veri toplama işlemini gerçekleştirmek için cep telefonunun yerleşik sensör ekipmanını kullanabilen Android platformuna dayalı bir veri toplama yazılımı tasarlandı. Deneysel verilerin analizi sayesinde, bu algoritmanın konumlandırma doğruluğu 2 m'den daha iyidir ve pratik olarak daha yüksek konumlandırma doğruluğuna ve daha düşük uygulama karmaşıklığına sahiptir.
Çince alıntı biçimi: Wang Yana, Cai Chenglin, Li Simin ve diğerleri.Yaya yolu tahminine dayalı iç mekan konumlandırma algoritması üzerine araştırma.Elektronik Teknoloji Uygulaması, 2017, 43 (4): 86-89, 93.
İngilizce alıntı biçimi: Wang Yana, Cai Chenglin, Li Simin ve diğerleri Yaya ölü hesaplamasına dayalı iç mekan konumlandırma algoritması üzerine araştırma. Uygulama Electronic Technique lisansı, 2017, 43 (4): 86-89, 93.
0 Önsöz
Şu anda, kızılötesi teknolojisi IR, kablosuz yerel alan ağı WLAN, Bluetooth teknolojisi Blue Tooth, bilgisayar görüşü vb. Dahil olmak üzere iç mekan konumlandırma teknolojisi üzerine birçok araştırma yapılmıştır. Bağımsız sensörlere dayalı konumlandırma teknolojisi, son yıllarda popüler bir iç mekan konumlandırma yöntemidir ve olağanüstü avantajı, parazit önleyici gerçek zamanlı, sürekli ve doğru konum bilgisi sağlayabilmesidir.
Şu anda, kendi kendine yeten sensörlere dayalı konumlandırma teknolojisi ile ilgili yurtiçi ve yurtdışında birçok araştırma bulunmaktadır. FOXLIN E ve arkadaşları, Atalet Ölçüm Birimine (IMU) dayalı geleneksel bir navigasyon mekanizması önermiştir.Yürüme mesafesini elde etmek için ivmeyi iki kez entegre ederek, jiroskop, rota değişim değerini elde etmek için entegre edilir ve son olarak daha doğru bir konumlandırma sonucu elde edilir. Yüksek hassasiyetli performansın temeli, yaya konumlandırmada popüler hale getirilemeyen pahalı IMU'dur; LEVI RW ve JUDD T, hızlanma sinyalleri döngüsünü kullanan yaya konumlandırma elde etmek için Yaya Ölü Hesaplama (PDR) algoritmasını önerdi. Kullanıcının adım frekansını belirlemek için adım uzunluğunu tahmin etmek için ilgili modeli kullanın ve yayanın hızını, konumunu ve mesafesini hesaplamak için jiroskoptan elde edilen yön bilgisini kullanın. Algoritma basittir ve konumlandırma doğruluğu geleneksel eylemsiz navigasyon mekanizmasından daha yüksektir. Bununla birlikte, bariz yaya kadans özelliklerini elde etmek için, gerçek hayatta pratik olmayan ham verileri toplarken sensörlerin bacaklara sabitlenmesi gerekir.
Yukarıdaki nedenlere dayanarak, bu makale yeni bir bakış açısıyla PDR tabanlı bir iç mekan konumlandırma yöntemi önermekte ve ilgili veri toplama yazılımını Android platformuna göre tasarlamaktadır.Yürürken, bir cep telefonunu normal şekilde tutarak veri toplayabilirsiniz. Veri toplama yöntemi, doğruluğu etkilemeden PDR algoritmasının uygulanabilirliğini artırabilir.
1 PDR konumlandırma prensibi
PDR algoritmasının temel prensibi, kullanıcı yürürken adım frekansını belirlemek için ivme sinyalinin periyodikliğini kullanmak ve ilgili bir model kullanarak adım uzunluğunu tahmin etmektir. Birleştirmek Açı sensörü ile elde edilen yön bilgilerinden yayanın konumu, mesafesi, hızı ve yönü hesaplanır. Algoritma 4 temel problem içerir: adım frekansı algılama, adım uzunluğu tahmini, yön belirleme ve konum hesaplama.
2 Adımlı frekans algılama algoritması
Normal insanların yürümesinin ivmesi periyodiktir Bu makale, yaya ritmini belirlemek için tepe algılama ve sıfır geçiş yöntemini kullanır. Sistem hatalarından kaçınmak için, ivmeölçerin belirli yöneliminin etkisini göz ardı ederek, hesaplamada üç eksenli toplam ivme kullanılır, böylece üç eksenli hızlanma değerinin dalga biçimi sabit bir sayısal aralık içinde değişmeye devam eder.
Kadans algılama algoritmasının adımları aşağıdaki gibidir:
(1) İvme verilerini başlatın ve elde edin;
(2) Kayan pencereyi başlatın, yerçekimi ivme değerini kaldırın ve düzeltin;
(3) Sıfır noktası tespiti;
(4) Pik tespiti;
(5) Algılanan tepe, önceden ayarlanmış tepe eşiğinden daha büyükse ve iki bitişik tepe arasındaki zaman farkı, belirtilen zaman eşiğinden büyükse, tepe, etkin tepe olarak kaydedilir;
(6) Adımın bitiş noktasını tespit edin ve adım frekansını sayın.
3 Adım boyutu tahmin algoritması
Bunlar arasında ölçek faktörüdür ve konumlandırmadan önce elde edilen eğitim verileri en küçük kareye oturtma ile elde edilir.
4 Yön tahmin algoritması
4.1 Yön açısını tahmin etmek için jiroskop
Duruşu karakterize etmenin birçok yolu vardır Bu makalede, yaya yön açısını belirlemek için bir kuaterniyon seçilmiştir. Katı cismin kuaterniyona dayalı kinematik denklemi formül (3) 'te gösterilmiştir:
Bir örnekleme periyodu içinde açısal hızın sabit olduğu varsayıldığında, ayrık alanın kuaterniyon formülü, denklem (5) 'de gösterildiği gibi denklem (4) farkı hesaplanarak elde edilebilir:
4.2 Genişletilmiş Kalman filtresinin uygulanması
Bu yazıda EKF, yön açısı hesaplamasının doğruluğunu artırmak için her sensörün verilerini birleştirmek için kullanılmıştır. EKF modeli formül (6) 'da gösterilmiştir:
Gözlem denklemi, durum vektörü ile ölçüm vektörü arasındaki ilişkinin doğrusal olmadığını ve ilişki matrisinin denklem (8) doğrusallaştırılmasıyla elde edilebileceğini göstermektedir.
5 Konum tahmini
İki boyutlu bir düzlemde, yayanın yörüngesi, adım uzunluğu ve yön açısı ile hesaplanabilir. Bu makale, konumlandırma problemini basitleştirir ve yaya hareket modelini yaya hareket yönü tahminine ve adım uzunluğu tahminine basitleştirir. Başlangıç zamanının konum koordinatları (E (t0), N (t0)) olarak biliniyorsa, ti zamanındaki konum koordinatları:
6 Simülasyon sonucu
Algoritmanın performansını doğrulamak için Android işletim sistemine dayalı bir veri toplama yazılımı geliştirilmiş ve yukarıdaki algoritmayı simüle etmek için MATLAB yazılımı kullanılmıştır. Veri toplama cihazı olarak Huawei cep telefonunu seçin ve veri toplama frekansı 50 Hz'dir. Deney alanı, üniversite kütüphanesinin dördüncü katındaki koridoru seçer Plan yapısı Şekil 1'de gösterilmiştir. Üçgen başlangıç noktasıdır ve koridorun etrafındaki noktalı çizgi önceden belirlenmiş referans yörüngesidir. Test edin ve son olarak elde edilen veri bilgilerini MATLAB yazılımında işlemek için yukarıdaki algoritmayı kullanın.
6.1 Kadans algılama
İlk olarak kadans algılama algoritmasının performansı tespit edilir.Bu makale kadansı belirlemek için sıfır geçiş tespiti ve tepe tespitini kullanır.Sonunda tespit edilen tepe sayısı yaya kadansıdır. İvme verilerinin işlenmesinden sonraki simülasyon sonucu Şekil 2'de gösterilmektedir, Şekil 2 (a) işlenmiş ivme dalga biçimi diyagramıdır ve Şekil 2 (b), Şekil 2 (a) 'nın kısmen büyütülmüş bir görünümüdür. İvme dalga formundaki küçük daire, tespit edilen tepe değerini temsil eder. Kadans, daire sayısı sayılarak elde edilebilir. Sonuç, adım frekansı algılamanın doğruluğunun% 100'e yakın olduğunu göstermektedir.
6.2 Adım uzunluğu tahmini
Bu deneyde, adım uzunluğu tahmin algoritmasının performansını test etmek için 8 kişiden 8 set veri kullanıldı.Her test kullanıcısının yürüyüşünün toplam uzunluğu 20 m idi. Tablo 1, 8 veri setine karşılık gelen hesaplanan mesafeleri ve hataları göstermektedir. Tablo 1'deki veriler adım uzunluğu tahmin algoritmasının doğruluğunun 1 m'ye ulaşabileceğini göstermektedir.
6.3 Ders tahmini
Şekil 3, EKF algoritması ile elde edilen yaya yön açısıdır.Şekildeki noktalı çizgi, deneyden önce belirlenen referans yönü, düz çizgi ise MATLAB yazılım simülasyonu ile elde edilen sonucu temsil etmektedir. Şekil 3, EKF hesaplaması ile elde edilen yön açısının temelde referans yön ile tutarlı olduğunu göstermektedir, bu da EKF algoritmasının yön açısını daha yüksek doğrulukla hesaplayabildiğini göstermektedir.
6.4 Konumlandırma sonuçları
Testten önce koridorda manyetometre kalibrasyonu ve adım uzunluğu tahmin modeli eğitimi gerçekleştirin ve tamamlandıktan sonra önceden belirlenmiş referans yörünge boyunca bir daire yürüyün ve son olarak başlangıç noktasına geri dönün. Ölçülen veriler MATLAB simülasyon yazılımında işlenir ve PDR algoritması ile elde edilen yürüme yörüngesi Şekil 4'te gösterilmektedir.
Şekil 4'teki düz çizgi, referans yörüngesini temsil eder ve kesikli çizgi, MATLAB simülasyonunda PDR algoritması ile elde edilen gerçek yörüngeyi temsil eder. Sensörlerin ve algoritmaların doğasında olan hatalar nedeniyle, hesaplanan yörünge (noktalı çizgi) referans yörüngeden (düz çizgi) biraz sapmıştır. Bununla birlikte, izin verilen doğruluk aralığında bulunan yörünge temelde referans yörünge ile tutarlıdır ve konumlandırma doğruluğu 2 m'den daha iyidir, bu da algoritmanın iç mekanlarda yüksek hassasiyetli konumlandırmayı başarıyla gerçekleştirebildiğini doğrular.
7. Karar
Bu makale, PDR algoritmasının adım algılama yöntemi, adım uzunluğu tahmini, yön açısı ve konum tahminini ayrıntılı olarak tartışmakta ve son olarak Android platformuna dayalı bir veri toplama yazılımı geliştirmiştir. Bu temelde, okul kütüphanesinin koridorları kullanılarak cep telefonu sensörlerine dayalı bir iç mekan konumlandırma deneyi gerçekleştirildi. Deneysel sonuçlar, bu konumlandırma yönteminin uygulanabilir olduğunu ve konumlandırma doğruluğunun 2 m'den daha iyi olduğunu ve bu da büyük bir pratik değere sahip olduğunu göstermektedir.
Referanslar
Wang Xiaohui, Wang Yunjia, Zhang Wei.RFID'e dayalı iç mekan konumlandırma teknolojisinin gözden geçirilmesi Sensors and Microsystems, 2009, 28 (2): 1-3.
Zhang Minghua. WLAN'a dayalı iç mekan konumlandırma teknolojisi üzerine araştırma. Şangay: Shanghai Jiaotong Üniversitesi, 2009.
Chen Guoping, Ma Yaohui, Zhang Baike.Parmak izi teknolojisine dayalı Bluetooth kapalı konumlandırma sistemi.Elektronik teknoloji uygulaması, 2013 , 39 (3): 104-107.
Yu Xiufen, Duan Haibin, Gong Huajun.Mobil robot görsel konumlandırma yönteminin araştırılması ve uygulanması. Veri toplama ve işleme, 2004, 19 (4): 433-437.
FOXLIN E. Shoe-Mounted Atalet sensörleri ile yaya takibi IIEEE Bilgisayar Grafikleri ve Uygulama lisanslar, 2005, 25 (6): 38-46.
LEVI R W, JUDD T. Ayak darbelerini ölçmek için ivmeölçer kullanan ölü hesaplamalı seyir sistemi
.US: US5583776, 1996.
Chen Wei GPS ve bağımsız sensörlere dayalı kesintisiz iç ve dış yaya konumlandırma algoritması üzerine araştırma. Hefei: Çin Bilim ve Teknoloji Üniversitesi, 2010.
KANG W, HAN Y. SmartPDR: Kapalı alan lokalizasyonu için akıllı telefon tabanlı yaya ölü hesabı IEEE Sensors Journal, 2014, 15 (5): 1.
TIAN Z, ZHANG Y, ZHOU M, et al. Akıllı telefon kullanarak MARG navigasyonu için yaya ölü hesabı. Eurasip Journal on Advances in Signal Processing, 2014 (1): 1-9.
KAKIUCHI N, SUNAGAWA K, KAMIJO S. Manyetik sapma haritası kullanarak cep telefonları için yaya ölü hesabı Elektronik Haberleşme ve Bilgisayar Bilimleri Temelleri Üzerine Ieice İşlemleri, 2015, E98-A (1): 313-322.
Zhou Liang, Fu Yongtao, Li Guangjun. Kablosuz Konumlandırma ve Ataletsel Navigasyon Birleştirmek İç mekan konumlandırma sistemi tasarımı.Elektronik teknoloji uygulaması, 2014, 40 (4): 73-76.
Zheng Xueli, Fu Jingqi. PDR ve RSSI'ye dayalı iç mekan konumlandırma algoritması araştırması. Chinese Journal of Scientific Instrument, 2015, 36 (5): 1177-1185.
TIAN Q, SALCIC Z, WANG I K, ve diğerleri Akıllı telefonlar kullanarak yaya takibi için çok modlu bir ölü hesaplama sistemi. IEEE Sensors Journal, 2016, 16 (7): 2079-2093.
yazar bilgileri
Wang Yana, Cai Chenglin, Li Simin, Yu Honggang
(Bilgi ve İletişim Okulu, Guilin Elektronik Teknolojisi Üniversitesi, Guilin 541004, Guangxi)
