基于惯性导航的步行者零速检测算法

零速修正辅助的微惯性行人导航定位方法摘要：基于惯性测量组件足部安装方式的行人导航系统，以捷联惯性导航为主提供导航信息，通过行人足部运动信息进行零速检测触发基于卡尔曼滤波的零速修正，补偿导航系统误差，并结合磁传感器提供行人初始姿态信息，通过四元数算法提供行人行进过程中的姿态信息。

上述方案可以解决在GPS信号受屏蔽或严重受损无法进行行人定位的问题。

关键词：零速修正；卡尔滤波器；微惯性行人导航一、微惯性行人导航算法研究惯性导航系统由三部分组成：1、惯性测量装置，包括陀螺仪、加速度计（简称加表）、磁传感器。

2、人工的物理平台和计算机模拟数字平台为两种惯导平台，加速度计上的信息由惯导平台的陀螺仪模拟和跟踪导航坐标系，传输到坐标系上，载体即时的姿态与位置信息即可计算或模拟出。

3、导航计算机，平台跟踪回路的指令角速度可由导航解算计算。

捷联惯性导航解算主要包括为两个部分：对于姿态矩阵的解算和导航解算，也就是对数字平台的解算和对位置速度的解算。

以东北天指向的地理坐标系作为导航坐标系。

系统启动后在静态条件下，利用加速度信息，通过水平自对准得到足部惯性传感组件的初始横滚角与俯仰角，并通过磁强计的信号输出至导航计算机，结合初始横滚角与俯仰角得到足部惯性/地磁传感组件的初始航向角，进而获得初始姿态角；基于足部惯性/地磁传感组件中的三轴陀螺仪数据，采用四元数法进行姿态解算；把基于足部的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的位置信息。

1.零速检测算法常见的行人步态检测方法包括零速检测，峰值检测和交叉检测。

传统的零速检测方法是设置一个滑动窗口，以读取随时间变化的加速度数据，计算滑动窗口中加速度的方差，并将其与预设阈值进行比较。

如果该值大于阈值，则确定其处于运动状态，否则处于静止状态。

然而这种方法有一定缺陷。

基于改进K-means聚类的惯性行人导航零速检测算法戴洪德;张笑宇;刘伟;郭家豪;郑百东;吕游【期刊名称】《传感技术学报》【年(卷),期】2022(35)1【摘要】行人导航中不同运动状态下零速区间的运动数据也有所不同,这就要求零速检测算法具有良好的适应性。

针对利用阈值实现零速检测的算法在多种运动状态下适应性差的问题,该文提出了一种基于改进K-means聚类的零速检测算法(zero-velocity interval detection algorithm based on improved K-means clustering, IKC)。

首先,在运动的开始阶段,通过K-means聚类对角速度数据进行聚类,从而得到零速区间与非零速区间的中心点;然后根据设定的数据点到中心点的距离条件对零速区间与非零速区间进行划分,相比于其他算法,优化了数据处理过程,有效缩短了计算时间,并且不依赖阈值条件,有效提高了该算法的适应性;同时,根据零速区间与非零速区间的持续时间判断运动状态是否改变,若发生改变则重新进行K-means聚类获取新运动状态的中心点。

最后,在实际行人导航系统中对新提出的算法进行了实验验证,从计算量及行人导航精度等方面与步态特征提取的K均值聚类自适应判别算法(K-means clustering adaptive detection, KCA)、基于贝叶斯的自适应阈值零速检测算法(bayesian adaptive threshold detection, BAT)进行了对比分析。

结果表明,本文提出的基于改进K-means聚类的零速检测算法不仅有效的减小了计算时间,而且具有较高的导航精度和导航稳定性。

【总页数】8页(P114-121)【作者】戴洪德;张笑宇;刘伟;郭家豪;郑百东;吕游【作者单位】海军航空大学航空基础学院;海军航空大学岸防兵学院;海军航空大学教练机模拟训练中心【正文语种】中文【中图分类】U666.12【相关文献】1.行人惯性导航零速检测算法2.基于惯性导航的步行者零速检测算法3.一种用于足绑式行人惯性导航的区间搜索零速检测器4.基于SVM自适应零速检测的行人自主导航算法5.基于自适应阈值的行人惯性导航零速检测算法因版权原因，仅展示原文概要，查看原文内容请购买。

零速修正算法零速修正算法（Zero Velocity Update，ZUPT）是惯性导航技术中的一种重要技术，它可以在无GPS或弱GPS信号情况下，通过惯性测量单元（IMU）提供的姿态、加速度、角速度等信息来修正位置、姿态、速度等参数，从而实现高精度、高可靠的导航和定位。

ZUPT算法的核心思想是，当一个行人静止时，其加速度与角速度应该都等于零，也就是说，在静止状态下，其速度应该保持不变。

因此，通过测量静止时的加速度和角速度，可以对行人进行位置、姿态、速度的修正。

具体来说，ZUPT算法主要包括两个步骤：1. 检测零速状态在行人运动过程中，随着其不断的行走、转弯等动作，会产生各种加速度和角速度变化。

为了检测零速状态，需要对IMU采集的数据进行分析处理。

一般采用高通滤波器、积分器、幅度阈值、时间窗等方法，将加速度和角速度信号进行处理，得到一个零速状态的判断结果。

2. 修正状态估计在检测到零速状态时，需要利用ZUPT算法对行人的位置、姿态、速度等状态进行修正。

根据零速状态的设定，可以将位置和速度变量设定为常量，同时进行姿态的修正，确保行人朝向的正确。

ZUPT算法优点与其他导航技术相比，ZUPT算法具有以下优点：1. 高精度ZUPT算法可以利用行人静止时无任何姿态和运动的特点，对状态进行修正，从而避免了其他情况下可能存在的误差，提高了导航定位的精度。

2. 高可靠性ZUPT算法可以在GPS信号较弱或无法使用时进行导航，从而提高了导航的可靠性。

3. 算法简单ZUPT算法基于姿态、加速度、角速度等基本的IMU信号进行计算，简单易实现。

ZUPT算法在惯性导航、机器人定位、人体运动识别等领域都有广泛的应用，其精简、高效、可靠的特点受到了越来越多的关注。

不同惯导系统零速检测算法的性能分析石波;李耀宗;程敏;杨伟彬【摘要】分别使用四种零速检测算法,检验了不同精度两种惯性导航系统的检测性能,通过绘制载体速度时间图像、检测的零速折线图以及检测统计量变化曲线图,分析了车载实验下不同惯导系统相同零速检测算法之间、不同零速检测算法相同惯导系统之间各曲线变化.结果表明,相同的零速检测算法对性能较好的惯导系统检测的零速时段精度更高;而对于相同的惯导系统使用不同的零速检测算法,通过对比广义似然比检测结果和角速度量测能量检测结果发现,零速检测过程中提供最可靠信息的是陀螺信号.【期刊名称】《山东科技大学学报（自然科学版）》【年(卷),期】2016(035)002【总页数】7页(P57-63)【关键词】惯性导航系统;阈值;Neyman-Pearson准则;零速检测;零速折线图【作者】石波;李耀宗;程敏;杨伟彬【作者单位】山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590【正文语种】中文【中图分类】V249.322惯性导航是根据惯性传感器(陀螺仪、加速度计)提供的载体相对于惯性空间的线速度和角速度信息，来确定运载体位置的过程[1]。

不同于其他类型的导航系统，惯性导航系统是一个完全自主的，不依赖于任何外部信息的系统，具有隐蔽性好、精度高、全天候作业、不易被电子干扰的优点，但同时也具有一些弊端，最明显的就是导航误差随时间积累问题，因而长时间工作后会产生不同程度的积累误差，此误差可以通过与一个或多个辅助传感器组合来使它达到有界，提高系统性能。

相对来讲，零速修正技术(zero velocity update，ZUPT)是进行误差控制的一种简单而且有效的手段[2]，是利用载体停止时惯性导航系统的速度输出作为系统速度误差的观测量，进而对其他各项误差进行修正。

基于MEMS惯性传感器零速检测算法的研究贾亮;陈海明【摘要】针对MEMS(微机电系统)惯性传感器精度低、漂移大、存在误差积累的问题,分析行人行走时在脚掌落地瞬间存在速度为零的步态特点,设计了一种基于MEMS惯性传感器零速检测算法的行人导航系统,在速度为零的时刻以卡尔曼滤波对误差进行估计,提高系统精度.对比分析了加速度幅值检测法、加速度方差检测法、角速度能量检测法和加速度角速度组合姿态最优检测法,实验结果表明,在正常步态下,加速度角速度组合姿态最优检测法具有最高的检测精度,定位误差为0.33％,满足行人导航定位要求.【期刊名称】《电脑与信息技术》【年(卷),期】2019(027)003【总页数】4页(P26-29)【关键词】零速检测算法;行人导航;卡尔曼滤波【作者】贾亮;陈海明【作者单位】沈阳航空航天大学电子与通信工程学院,辽宁沈阳 110136;沈阳航空航天大学电子与通信工程学院,辽宁沈阳 110136【正文语种】中文【中图分类】TN966惯性导航系统[1]是一项具有挑战性的应用之一。

广泛应用在消防救援，军事单兵作战，复杂建筑室内行人导航，老人或残疾人居家协助等领域[2]。

惯性导航系统不依赖外部环境、功耗低、隐蔽性好，能够在复杂环境中不间断的提供连续的位置、速度、姿态信息。

而且当前几乎所有的消费电子产品都配置有MEMS 惯性传感器，使得惯性导航系统越来越受欢迎。

但惯性导航系统的关键是误差校正。

由于导航信息是由积分产生的，随着时间的增大误差也会变大，必须采用辅助修正算法修正误差，提高导航精度。

本文介绍了基于MEMS 惯性传感器零速检测算法，利用4 种零速检测算法实现零速检测，并在卡尔曼滤波构架的基础上设计了零速修正[3]算法，实现对系统误差的估计。

1 行人导航系统构成1.1 系统构架行人导航系统的定位算法主要包括零速检测、零速更新算法、扩展卡尔曼滤波算法和惯性导航姿态解算算法。

如图1 所示，加速度计与陀螺仪输出数据到惯性导航系统的零速检测器中判断零速状态进行零速更新，同时惯性导航数据解算到行人位置、速度、姿态。

orb算法原理
ORB（Oriented FAST and Rotated BRIEF）算法是一种特征检测算法，是FAST和BRIEF特征检测算法的结合。

它是由Ethan Rublee，Vincent Rabaud，Kurt Konolige和Gary Bradski于2011年提出的，是为了改善SIFT算法的优点而提出的一种新的特征检测算法。

ORB算法的基本原理是：先使用FAST特征点检测算法从图像中检测出角点，然后采用Harris角点检测算法对角点进行非极大值抑制，从而获得关键点，最后使用BRIEF算法来计算每个关键点的描述符，以提取出图像的关键点特征。

FAST算法是一种快速的角点检测算法，可以有效地检测图像中的角点。

它的基本原理是：以一个像素点为中心，根据其周围16个像素点的亮度值，判断该像素点是否为角点。

如果该像素点的亮度值比它周围16个像素点的亮度值有较大的差异，则该像素点就是角点，否则不是。

Harris角点检测算法是一种非极大值抑制算法，其基本原理是：先构建像素点的局部灰度梯度，然后构建一个矩阵用来表示当前点的局部灰度梯度，最后根据局部灰度梯度矩阵的值来判断当前点是否是角点。

BRIEF算法是一种基于比较技术的特征描述算法，它的基本原理是：
计算图像的局部灰度梯度，然后根据梯度值的大小来选取一组像素点，比较这些像素点的灰度值，最后根据比较结果来计算每个关键点的描述符。

ORB算法是一种由FAST、Harris和BRIEF三个算法结合起来的特征检测算法，它可以快速有效地检测出图像中的角点，并且可以计算出每个关键点的描述符，从而提取出图像的关键点特征，为计算机视觉提供了重要的技术支持。

基于运动状态检测的高精度惯性导航定位算法的制作流程1.传感器数据采集：首先需要选择合适的传感器来采集运动状态数据，包括加速度计、陀螺仪、磁力计等。

这些传感器会不断输出与设备运动相关的原始数据，例如线性加速度、角速度和磁场强度等。

2.数据预处理：原始数据通常需要进行预处理以获得更准确的数据，如去噪、滤波和补偿等。

去噪可以通过滑动窗口平均、中值滤波等方法实现，滤波可以采用低通滤波器来降低高频噪声的影响，补偿可以对磁力计数据进行校正，消除磁场的干扰。

3.运动状态检测：在数据预处理后，需要通过分析传感器数据来识别设备的运动状态，如静止、行走、跑步、转身等。

常用的运动状态检测算法包括峰值检测、阈值检测、机器学习等。

这些算法能够根据不同的特征判断设备当前的运动状态。

4.定位算法设计：基于运动状态的定位算法主要通过集成传感器数据和运动状态来实现高精度的定位。

根据运动状态的变化，可以估计设备的位置和姿态。

这些算法可以基于滤波、卡尔曼滤波、粒子滤波等方法进行设计。

同时，引入地图数据和其他传感器（如GPS）的信息，可以进一步提高定位精度。

5.定位结果评估：最后，需要对定位结果进行评估。

可以通过与地面真值进行比较，计算误差指标（如均方根误差）来评估定位算法的精度。

同时，考虑到运动状态的变化和大环境中的干扰因素，需要对算法进行实时性和鲁棒性的分析。

总结：基于运动状态检测的高精度惯性导航定位算法的制作流程包括传感器数据采集、数据预处理、运动状态检测、定位算法设计和定位结果评估。

这个流程能够通过集成传感器数据和运动状态，实现设备位置和姿态的高精度定位，并通过与地面真值的比较评估算法的精度。