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

压缩包中包含采集的数据与代码，直接运行pdr_main.m文件即可查看实现效果。 实现原理参考链接：https://blog.csdn.net/wxc_1998/article/details/127265887?spm=1001.2014.3001.5502

导航PDR代码MATLAB程序

this code for us to learn

定位是感知应用的一个重要属性。在室内环境中，如果位置信息可用并非常可靠，有更多的应用场景可以实现的。行人航位推算(PDR) 就是这样一种技术，在室内环境中可提供行人航位信息并提高定位可靠性。惯性传感器、磁力计和压力传感器是航位推算应用中必不可少的传感器组件，用之可大幅提升导航性能，这些器件的功耗必须极低，这样才能始终保持开启模式并提供数据用于航位推算应用。实现随时随地定位的目标离不开高品质的MEMS传感器和高性能的行人航位推算算法。本文主要讨论各种行人航位推算算法上需要用到的传感器组件的数学表述，以及可用性和可靠性更高的PDR行人航位推算算法的测试结果。     定位技术概述     导航

在室内定位过程中，针对行人航迹推算（PDR,pedestrian dead reckoning）算法中惯性传感器的累积误差随时间增大的问题，提出一种基于智能手机的声波测距与PDR融合的室内定位方法。首先，利用PDR进行位置推算，然后，利用声波测量手机与墙之间的距离，结合已知的室内地图信息，对 PDR 中的累积误差进行纠正。在不需要布置任何节点的条件下，实现长时间稳定的室内定位。为解决长距离条件下墙体反射的回波信号难以检测的问题，利用智能手机内置双麦克风的特点，采用波束成形的方法，对目标墙体反射的回波进行信号增强，增大了声波测距的有效测量距离，从而扩大了所提定位方法的应用范围。实验结果表明，所提融合定位方法的平均定位误差为0.427 m，与单独使用PDR的定位结果相比，平均定位误差降低了2.748 m。

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

用户手册 应用背景 随着互联网的快速发展和智能设备的大量普及，人们对于基于位置服务的需求日益增长，尤其是在室内的复杂环境中。GPS是目前应用最广泛的定位技术，但是在室内，受到建筑物的影响，信号强度大大衰减、多径效应使得GPS无法在室内实现较为精确的定位。 目前WLAN技术普遍应用在了家庭、旅馆、机场等各类大型及小型建筑物内，相关的研究如雨后春笋，开发了许多能实现较高精度定位的算法，使得WI-FI室内定位成为了定位领域中最引人注目的定位技术之一。 而随着传感器技术的进步和发展，PDR航位推算（Pedestrian Dead Reckoning）的精确性不断提高，使得它也成为了室内定位的可用选项之一。 本项目尝试使用WI-FI位置指纹法、PDR航位推算法进行室内定位，并对位置定位的算法进行改进以获得更好的室内定位效果，主要包括以下几点： 利用Android手机采集实际环境中的WIFI接收信号强

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

基于python的行人航位推算，用于室内行人定位。用JUPYTER打开。