第4章行人步频探测和步长估计 第4章行人步频探测和步长估计 在行人航迹推算PDR算法中，步行速度和距离的确定，不再使用惯性导航 对加速度积分的方法，而是利用步态信号的周期性和信号统计特征与行走速度相 关的规律，采用步频探测和步长估计的方法。本章将回顾目前存在的步行速度和 距离估计算法，介绍基于多传感器平台MSP加速度计的步频探测算法和步长模 型，详细说明引入肌电信号EMG进行步频探测和步长估计的方法，并通过大量 的实验论证各种算法和模型的有效性。 4．1 传统步频探测算法和步长估计模型 如第二章介绍，在个人导航中，当GPS接收机无法正常工作时，使用自包 含传感器来辅助导航定位任务。传统惯性积分机制因为低成本加速度计的误差太 大而不可用，必须考虑其它替代方法。于是有学者根据行人步态的运动生理学特 性，提出了通过步频探测和步长估计间接地确定步行速度和距离的方法，从而避 免了积分机制对初始对准过程的苛刻要求和误差随时间累积的弊端。 然而，尽管加速度信号波形随着个人行走呈现出周期性的特征，加速度计放 置在人身上不同部位其波形和周期明显不同，如上半身的加速度波形没有stance 阶段，下半身的加速度信号具有双峰等。首先明确复步和单步的定义。复步 (Stride)，又叫跨步，其步长指从一只脚脚后跟着地到相同脚再次着地的距离。 单步(Step)，其步长指一只脚着地到另一只脚着地之间的距离。1个复步等同于 1个完整步态(Gait Cycle)，等于2个单步(Chai，2004)。当加速度计放置在人 上半身时，其测量的信号表现出与单步对应的波形，而放置在下半身时，其测量 的信号波形随该条腿对应复步变化，可参考图2．7。 由于加速度计测量的信号包含地球重力分量，受到仪器测量噪声和行走时身 体抖动的影响，开始步频探测前，一个必要步骤为信号预处理，剔除重力分量， 消除噪声，使加速度波形特征变得更清晰，如一个跨步对应信号经过降噪后从多 峰变为单峰。常用的预处理方法有：多点平滑(Fang et al，2005)，低通滤波(Jee et al，1999：Mezentsev，2005b)，差分处理(Weimann et al，2007)，小波去噪 (Ladetto，2000)等。 针对人身体不同部位加速度波形不同的特点，目前存在大量步频探测方法， 但是部分步频探测算法应用于具体某一类波形。目前常用的步频探测算法有： 峰值探测法(Peak Detection)：针对人体行走时上半身加速度信号每步呈现 39

第4章行人步频探测和步长估计 图4．4步频探测算法流程图 45

关于高速传感器/GPS导航的经典书籍。里面内容详细，举例充分，易于读者理解。

第4章行人步频探测和步长估计 高斯噪声，A、B和C为该模型的回归参数，通过有GPS信号情况下的训练过 程求解确定。 其它的线性模型方程与(4．2)类似，其差异仅在加速度统计特征变量的具体选 择上Ⅸappi et al，2001；Lepp蕴koski et al，2002；Shin et al，2005)。 非线性步长模型：因为没有充分理论证明步长与这些统计特征值之间的线性 关系，一些研究者采用了各种非线性模型，如1个参数非线性模型(Fang et al， 2005；Weinberg，2002)： 瓯=K·√k—A嘶。 (4．3) 其中4嗽和以。。分别表示一步内加速度的最大值和最小值，K是模型系数。该模 型因为只有1个参数，统计特征值也不需要通过复杂处理获得，因此很容易在实 时估计算法中实现。 另外一个模型将人行走模式近似为一个倒立的单摆，通过三角关系计算步长 为： 最=￡·√2·[I-COS(ak)] (4．4) 其中ak通过对第k步内小腿旋转角速度积分获得，L是该用户的腿长。其它类似 的非线性公式都通过经验获得，可以参考Kim et al，2004；孙作雷等，2008。 人工智能步长模型：人工智能模型的最大优点是不用关心步长和加速度统计 特征变量之间的具体映射关系。除此之外，这些模型在应用到不同运动模式和地 面情况的场景中更加灵活和适应性强，不像以上介绍的三种模型对地形、运动模 式等的适应性不足。Cho and Park，2006使用一个人工神经网络ANN(Artificial Neural Network)估计步长，其输入包括：步频、每步加速度方差和地形的斜率。 在Beauregard and Haas，2006中，4个参数应用到ANN模型中，每步最大值、 最小值、方差和该步加速度的积分。 Grejner-Brzezinska教授的研究团队在人工智能的步长模型方面做了大量的 研究(G-rejner-Brzezinska et al，2006，2007和2008)。她们开发了一个6个输入 的ANN模型来估计步长，包括步频、该步加速度绝对值、加速度绝对值的方差、 该步高度变化、路面坡度和行人的身高，该模型能使步长的估计误差减小到1 cm 以内。此外，为了解决单个步长模型在运动模式和自然环境变化的情况下可能失 效的问题，她们引入了复杂逻辑理论用于识别行人的运动模式，动态选择不同场 景下最适合的步长估计模型(Moafipoor et al，2008；Moafipoor，2009)。 一旦探测到每个跨步的发生，确定该步的持续时间甄(即步频的倒数 瓯=1／sr。)和估计其步长&，就可以通过以下公式获得当前步行人的速度和距 离： 42

MATLAB模拟变气隙自感传感器辅助实验应用.pdf

第2章基于GPS和自包含传感器的定位技术 B=旯’够 (2．8) 其中屏为第i颗卫星到接收机之间的伪距，见为光波波长，够为信号发射和接 收时的频率差。由于卫星速度可以从自身星历中获知，故观测到四颗及以上卫星 的多普勒频移时，即可解算得到用户的运动速度。 由于定位是通过测量卫星视线范围LOS(Line of Sight)内接收机的信号到 达时间TOA(Time OfArrival)实现的，定位精度受到众多因素的影响，如卫星 轨道误差、电离层延迟、对流层延迟、多路径效应和钟差等。虽然卫星和接收机 钟差可以通过差分GPS(DGPS)等消除(Zogg，2002)，电离层和平流层延迟等 误差可以建模补偿，但是GPS信号在城市峡谷和室内环境中受到反射、吸收、 干扰等影响导致定位精度变化很大，而且无法预测环境影响，只能借助其它方式 辅助导航定位。 2．2基于自包含传感器的相对定位技术 基于自包含传感器的定位技术，其突出优势在于导航定位的自主性和连续 性。自包含传感器包括惯性传感器(加速度计和陀螺仪)、磁罗盘、气压计、倾 斜仪、视觉传感器等。目前在个人导航中常用的是加速度计、陀螺仪、磁罗盘和 气压计，通过航迹推算的方式计算出行人的位置，所以也叫做航迹推算DR(Dead Reckoning)传感器。航迹推算是利用已知的初始位置和姿态，根据航向角和速 度的变化，实时确定运动体位置的定位算法。它是一种相对定位的方法，必须通 过事先输入的绝对位置和姿态才能推算出行人的定位信息。由于本文实现的定位 算法是针对行人水平面二维定位的情况，这里主要讨论二维航迹推算算法，而不 考虑高度的计算。 行人导航存在两种基于自包含传感器的定位技术：基于传统惯性导航机制的 定位技术和基于行人航迹推算PDR(Pedestrian Dead Reckoning)的定位技术。 惯性导航方法普遍用于惯性导航系统INS(Inertial Navigation System)中，这种 方法对于定位对象没有限制，可以是车辆、舰船、飞行器和行人。而后一种算法 利用行人跨步时的运动生理学特性，探测行走时的跨步和估计步长，只能用于行 人导航情况。它们本质上都是航迹推算，区别在于航迹推算所需参数求解方法的 不同。 2。2．1 航迹推算基本原理 19

基于传感器辅助的行人室内定位PDR算法研究