多传感器组合的行人航位推算方法研究

邓林坤++郭杭+罗孝文++田宝连+何海平

摘 要： 基于iPad的三轴加速度计、三轴陀螺仪和三轴磁力计设计一种低成本多传感器的室内行人航位推算（PDR）系统。对于低成本传感器，设计了基于扩展卡尔曼滤波（EKF）的初始对准；在行走过程中，针对位置误差发散的问题，采用基于EKF的零速度更新（ZUPT）和磁力计组合的方法，ZUPT修正速度误差，加速度计和磁力计对陀螺仪进行误差修正，同时对航向角误差修正，从而实现了降低位置误差的目的。实验结果表明，对于低成本多传感器，该系统可以较好地满足室内行人定位要求，定位误差占总路程的2%左右；与已有的行人航位推算系统比较，该系统使用低成本的传感器，获得了很高的定位精度。

关键词： 扩展卡尔曼滤波； ZUPT； 磁力计； 行人航位推算

中图分类号： TN961?34； P212.6 文献标识码： A 文章编号： 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

随着移动互联技术的快速发展，基于位置的服务也越来越受到人们的关注，俨然成为了目前最热门的话题之一。传统的基于位置的服务是依靠电信移动运营商的无线电通信网络或外部定位方式，来获取移动终端用户的位置信息。但是当用户端在室内环境中，由于墙体的阻隔，造成无线电信号变弱，无法准确定位。目前普遍的室内定位技术大多数都是基于无线网络来定位，如WiFi[1]，ZigBee[2]，RFID[3]等，基本都是依靠信号强度值的大小来确定位置。

惯性导航利用加速度计和陀螺仪分别测量运动载体的加速度和角运动信息，利用已知的初始位置、初始速度和初始姿态，通过计算机解算可得到运动载体任意时刻的位置、速度、姿态等信息。PDR算法根据初始行人的位置，利用加速度计和陀螺仪推算下一时刻行人的位置，无需任何外来信息，也不向外辐射任何信息，拥有良好的自主性、隐蔽性和数据更新速度快等特点。本文提出了一种低成本多传感器移动端的PDR算法，利用iPad的惯性测量单元（IMU）采集行人线运动信息和角运动信息，三轴磁力计获取相应的感应电势。基于EKF对各传感器误差补偿和修正，而后计算出行人准确的位置信息。

1 初始对准

惯性导航系统在进行导航解算前必须进行初始对准，以便获取初始位置等；初始对准使惯性导航系统所描述的坐标系与导航坐标系相重合，同时让计算机在正式工作时有正确的初始值，如给定的初始速度、初始位置和初始姿态等。在初始对准时，已知初始位置，初始速度为零，而初始姿态是在初始对准时可用IMU和磁力计来获取。

1.1 粗对准[4]

2 航位推算算法

对于室内航位推算，在已知该时刻的位置、速度和姿态的基础上，利用加速度计、陀螺仪和磁力计的输出值，基于EKF的位移检测和改进型捷联惯导算法，推算出下一时刻的位置、速度和姿态。航位推算原理图如图2所示。

2.1 位移检测

人们在行走过程中，每个跨步中脚的水平速度都要经历平稳、 加速、 减速、 再次平稳的周期性变化过程[6]。目前，大部分检测算法都是基于加速度计[7?8]、陀螺仪[9]来完成的。本实验手持iPad行走采集数据，采用加速度计来检测移动状态[10]：

3 实验结果与分析

本实验使用的设备为苹果公司于2014年10月推出的iPad air 2产品。实验在室内的长方形会议厅内完成的，测试路线长度为50.4 m，设置采样频率为100 Hz，通过手持iPad方式行走采集数据，原始实验数据可以通过Sensor Log软件获得。

实验绕着闭合路线行走，其中包含3个90°的直角转弯，图3为某一次实验路线与真实路线的对比，由图可见，在一开始直线行走过程中，实验算法路线与真实路线基本吻合，但当经过第二个90°转弯，ZUPT算法的方向发生了很大的偏移，慢慢地由于误差积累，最终造成后期实验位置与真实位置存在较大的偏差。

本实验路线利用实验终点和真实终点的距离误差与总路程的比值来表示定位误差。经过多次实验定位误差如表1所示，时间包含初始对准4 min。从表中结果对比可知，基于EKF，ZUPT+磁力计，通过惯性测量单元与磁力计融合，利用加速度计和磁力计对陀螺仪进行误差修正，并且对航向角误差修正，最终减小了航向角误差和速度误差积累，从而提高了位置精度。

目前，室内行人航位推算研究中，殷红等人使用XSENS公司的MTI产品为中成本惯性测量单元[12]。表2为他们使用中成本惯性测量单元采用ZUPT+ZARU算法的定位误差分布。李金凤等人使用低成本MEMS惯性传感器[13]，利用互补滤波融合多传感器，定位误差占总路程的4%左右。由于iPad自身硬件等问题，惯性测量单元中的陀螺仪精度较低。故本实验使用低成本多传感器，采用ZUPT+磁力计的方法同样达到了较好的精度。

上述试验结果表明，基于EKF、ZUPT+磁力计的方法，使用低成本多传感器进行室内行人定位，同样可以获得较高的定位精度，验证了该方法的实用性和通用性。

4 结 语

本文提出一种低成本多传感器融合的室内行人航位推算系统。该系统不仅可以实现在室内连续自主的导航，而且通过加入磁力计可以有效地实时修正行人航向角的误差。与已有的行人航位推算系统比较，该系统使用低成本的传感器，获得了相当的定位精度。在一定时间内，该系统可以满足室内行人的定位需求，但是，由于实验设备传感器性能比较差，造成采集到的数据包含了许多其他误差与噪声，从而导致了时间越长，位置误差越来越大的结果。下一步需与WiFi或者ZigBee结合的方式，实现在室内高精度、长时间、长距离和实时定位的PDR系统。

参考文献

[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] 朱明辉，张会清.基于RSSI的室内无线网络定位技术研究[J].现代电子技术，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] 殷红.基于foot_mounted的IMU室内行人航迹推算研究[D].南昌：南昌大学，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] 殷红，郭杭，邓晓华.基于foot?mounted的IMU室内行人航位推算研究[J].测绘科学，2014，39（1）：20?23.

[13] 李金凤，王庆辉，刘晓梅，等.基于MEMS惯性传感器的行人航位推算系统[J].传感器与微系统，2014，33（12）：85?97.