改進(jìn)的雙足IMU行人定位算法研究
發(fā)布時(shí)間:2020-12-17 07:07
位置服務(wù)的普及給人們生活帶來(lái)了極大的方便,在室外環(huán)境中依靠完備的GNSS可以獲取實(shí)時(shí)的高精度位置服務(wù)。而在建筑物內(nèi)部、森林、隧道或者樓宇之間等無(wú)法應(yīng)用GNSS定位的環(huán)境中,一般采用室內(nèi)定位技術(shù)。而采用有源信號(hào)進(jìn)行室內(nèi)定位的系統(tǒng),需要事先安裝基礎(chǔ)設(shè)施,在有信號(hào)干擾和一些應(yīng)急場(chǎng)景中無(wú)法使用。針對(duì)這一情況,本文選擇以鞋綁式行人航位推算為基礎(chǔ),從提升數(shù)據(jù)質(zhì)量、提高步態(tài)檢測(cè)精度和導(dǎo)航信息融合等方面展開(kāi)研究,改進(jìn)鞋綁式行人航位推算的定位精度和系統(tǒng)穩(wěn)定性。研究成果如下:(1)提出IMU的多位置旋轉(zhuǎn)誤差標(biāo)定算法。針對(duì)低成本IMU數(shù)據(jù)質(zhì)量差的問(wèn)題,首先利用Allan方差分析IMU的隨機(jī)噪聲,然后通過(guò)比力加速度與重力建立加速度計(jì)的誤差模型,基于動(dòng)態(tài)旋轉(zhuǎn)以及標(biāo)定后的加速度建立導(dǎo)航方程實(shí)現(xiàn)陀螺儀誤差建模,使用LM算法實(shí)現(xiàn)低成本IMU系統(tǒng)誤差參數(shù)的快速標(biāo)定。該方法無(wú)需任何外界設(shè)備輔助,可以精確地標(biāo)定出加速度計(jì)與陀螺儀的常值零偏、三軸安裝誤差以及縮放因子。標(biāo)定后能有效的改善加速度計(jì)與陀螺儀數(shù)據(jù)質(zhì)量,導(dǎo)航精度提升一個(gè)數(shù)量級(jí)。(2)提出多運(yùn)動(dòng)狀態(tài)下自適應(yīng)步態(tài)檢測(cè)算法。為解決由支撐區(qū)間中的上行波動(dòng)和擺動(dòng)區(qū)間中的下行波動(dòng)...
【文章來(lái)源】:中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:108 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
剛體等效旋轉(zhuǎn)示意圖
圖 3-2 加速度計(jì)/陀螺儀軸與理想軸之間的偏差ccelerometer/ Gyroscope sensors axes deviation between id差參數(shù)確定時(shí)包含的誤差一般有安裝誤差、縮放因子、零偏隨機(jī)噪聲進(jìn)行了分析,本節(jié)根據(jù)坐標(biāo)軸與理想軸采用先平移在旋轉(zhuǎn)的方法對(duì)加速計(jì)的誤差進(jìn)行建本文忽略橫軸靈敏度的影響,首先將三軸平移至,最后將放大后的坐標(biāo)軸旋轉(zhuǎn)至理想軸的位置,( )o a a s a aa T K a b ν 111yz zyxz zxxy yx ,0 00 00 0axa ayazsss K ,axa ayazbbb b 分別表示理想的加速度值和實(shí)際的加速度測(cè)量值,
4 多運(yùn)動(dòng)狀態(tài)下自適應(yīng)步態(tài)檢測(cè)(3)分類識(shí)別本文選取隨機(jī)森林算法(Random Forest,RF)進(jìn)行運(yùn)動(dòng)狀態(tài)分類,作為一種新興的、高度靈活的一種機(jī)器學(xué)習(xí)算法在諸多領(lǐng)域都有應(yīng)用,如銀行、股票市場(chǎng)、醫(yī)藥和電子商務(wù),現(xiàn)被廣泛應(yīng)用于模式識(shí)別[99]。RF 算法是以 Bagging 和Random Subspace 算法為基礎(chǔ)發(fā)展而來(lái),其通過(guò)構(gòu)造多棵具有隨機(jī)性的決策樹(shù)1 2( ), ( ), , ( )nTreeh x h x hx ,并將它們組合在一起以獲得更穩(wěn)定和準(zhǔn)確的分類,其結(jié)構(gòu)示意圖如 4-11 所示。隨機(jī)森林算法既可以用于分類,也可以通過(guò)輸出決策樹(shù)結(jié)果的平均值來(lái)解決回歸問(wèn)題。構(gòu)造待分類的數(shù)據(jù) 1 21, , , ,Ni i iM iix x x y T 含有N 個(gè)待分類樣本,1 2, , ,i i iMx x x 為該數(shù)據(jù)的 M 個(gè)特征量, NiiY y為待分類數(shù)據(jù)T 的 個(gè)類別標(biāo)簽,其中iy 的值為 c , c 2為分類數(shù)。
本文編號(hào):2921617
【文章來(lái)源】:中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:108 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
剛體等效旋轉(zhuǎn)示意圖
圖 3-2 加速度計(jì)/陀螺儀軸與理想軸之間的偏差ccelerometer/ Gyroscope sensors axes deviation between id差參數(shù)確定時(shí)包含的誤差一般有安裝誤差、縮放因子、零偏隨機(jī)噪聲進(jìn)行了分析,本節(jié)根據(jù)坐標(biāo)軸與理想軸采用先平移在旋轉(zhuǎn)的方法對(duì)加速計(jì)的誤差進(jìn)行建本文忽略橫軸靈敏度的影響,首先將三軸平移至,最后將放大后的坐標(biāo)軸旋轉(zhuǎn)至理想軸的位置,( )o a a s a aa T K a b ν 111yz zyxz zxxy yx ,0 00 00 0axa ayazsss K ,axa ayazbbb b 分別表示理想的加速度值和實(shí)際的加速度測(cè)量值,
4 多運(yùn)動(dòng)狀態(tài)下自適應(yīng)步態(tài)檢測(cè)(3)分類識(shí)別本文選取隨機(jī)森林算法(Random Forest,RF)進(jìn)行運(yùn)動(dòng)狀態(tài)分類,作為一種新興的、高度靈活的一種機(jī)器學(xué)習(xí)算法在諸多領(lǐng)域都有應(yīng)用,如銀行、股票市場(chǎng)、醫(yī)藥和電子商務(wù),現(xiàn)被廣泛應(yīng)用于模式識(shí)別[99]。RF 算法是以 Bagging 和Random Subspace 算法為基礎(chǔ)發(fā)展而來(lái),其通過(guò)構(gòu)造多棵具有隨機(jī)性的決策樹(shù)1 2( ), ( ), , ( )nTreeh x h x hx ,并將它們組合在一起以獲得更穩(wěn)定和準(zhǔn)確的分類,其結(jié)構(gòu)示意圖如 4-11 所示。隨機(jī)森林算法既可以用于分類,也可以通過(guò)輸出決策樹(shù)結(jié)果的平均值來(lái)解決回歸問(wèn)題。構(gòu)造待分類的數(shù)據(jù) 1 21, , , ,Ni i iM iix x x y T 含有N 個(gè)待分類樣本,1 2, , ,i i iMx x x 為該數(shù)據(jù)的 M 個(gè)特征量, NiiY y為待分類數(shù)據(jù)T 的 個(gè)類別標(biāo)簽,其中iy 的值為 c , c 2為分類數(shù)。
本文編號(hào):2921617
本文鏈接:http://sikaile.net/kejilunwen/dizhicehuilunwen/2921617.html
最近更新
教材專著