
 
 
 
 
 Els autors: (1) Liqiang Zhang, Escola de Microelectrònica, Universitat de Tianjin, Xina; (2) Kai Guo, Escola de Microelectrònica, Universitat de Tianjin Tianjin, Xina; (3) Yu Liu, Escola de Microelectrònica, Universitat de Tianjin Tianjin, Xina. Authors: (1) Liqiang Zhang, Escola de Microelectrònica, Universitat de Tianjin, Xina; (2) Kai Guo, Escola de Microelectrònica, Universitat de Tianjin Tianjin, Xina; (3) Yu Liu, Escola de Microelectrònica, Universitat de Tianjin Tianjin, Xina. Taula de l'esquerra Abstract i I. Introducció II. Metodologia III. Resultats experimentals IV. Conclusió i futures obres, i referències —Kalman filter-based Inertial Navigation System (INS) is a reliable and efficient method to estimate the position of a pedestrian indoors. Classical INS-based methodology which is called IEZ (INS-EKF-ZUPT) makes use of an Extended Kalman Filter (EKF), a Zero velocity UPdaTing (ZUPT) to calculate the position and attitude of a person. However, heading error which is a key factor of the whole Pedestrian Dead Reckoning (PDR) system is unobservable for IEZ-based PDR system. To minimize the error, Electronic Compass (EC) algorithm becomes a valid method. But magnetic disturbance may have a big negative effect on it. In this paper, the Quasi-static Magnetic field Detection (QMD) method is proposed to detect the pure magnetic field and then selects EC algorithm or Heuristic heading Drift Reduction algorithm (HDR) according to the detection result, which implements the complementation of the two methods. Meanwhile, the QMD, EC, and HDR algorithms are integrated into IEZ framework to form a new PDR solution which is named as Advanced IEZ (AIEZ). Abstract Abstracció I. Introducció El sistema global de navegació per satèl·lit (GNSS) s'utilitza àmpliament com a mètode de posicionament essencial per a la navegació de vianants. Però en el camp, com ara el canyó urbà o l'entorn interior, el GNSS esdevé poc fiable a causa de la disminució del senyal, la interferència i l'ombra. Per tal d'obtenir resultats de posicionament continuats i fiables, el sistema de posicionament local (LPS) s'està investigant utilitzant diversos tipus de mètodes, com ara la unitat de mesura inèrtica (IMU), la tecnologia sense fil o la tecnologia basada en la visió [1], etc. Entre ells, els mètodes PDR basats en IMU són preferits a causa del menor cost, la major fiabilitat i la manca d'in S'han investigat diferents posicions de muntatge, incloent-hi les de mà [2], de cinturó [3] o de peus [4-8], etc. Malauradament, la IMU de baix cost proporciona estabilitat a curt termini i els errors sistemàtics augmenten a causa de la seva naturalesa d'integració. Per millorar el rendiment del sistema, un marc PDR IEZ de Kalman àmpliament utilitzat [4] va utilitzar l'algorisme ZUPT per estimar els errors de velocitat durant la fase de postura. Per al rendiment del sistema PDR, l'encapçalament és un dels factors més essencials que té un impacte en la seva exactitud. No obstant això, l'error de encapçalament és inobservable per a IEZ. L'ús de l'encapçalament magnètic és una manera eficaç de vincular l'error de desviació de l'encapçalament. Però les pertorbacions magnètiques, incloent la pertorbació suau i dura [9, 10] són estocàstiques i canvien a l'interior, que són impossibles de predir. Per tant, l'algorisme de detecció de camp magnètic quasi estàtic (QMD) es va proposar per seleccionar el camp magnètic pur en un entorn de pertorbació magnè En aquest article, l'algorisme QMD va ser redissenyat per resoldre el problema que la pertorbació magnètica dura és difícil de detectar per a l'algorisme QMD clàssic en [11]. Quan les pertorbacions són detectades per QMD, l'algorisme HDR que només es basa en les dades del giroscopi és seleccionat per reduir l'error de derivació del capçal. Al contrari, l'algorisme Electronic Compass (EC) és una millor opció per modificar l'error del capçal. Referint-se a [4], seguint el treball de Foxlin, per derivar un nou sistema PDR, l'algorisme QMD, HDR i EC s'integren a l'IEZ per formar un nou marc anomenat AIEZ (Advanced IEZ). II. Metodologia Aquesta secció descriu el mecanisme del marc de PDR AIEZ. Els passos de processament es mostren de la següent manera. El diagrama de blocs d'AIEZ es mostra a la Figura 1 així com el diagrama de flux a la Figura 2. 
 
 
 
 
 
 
 
 The data collected from accelerometer and gyroscope are utilized to detect the stance phase. 
 
 The roll and pitch angle are estimated using the data from accelerometer during the stance phase. 
 
 Meanwhile, when the pure magnetic field is detected by QMD, EC is selected to calculate the optimal heading. On the contrary, HDR is the better option to correct the heading drift error. 
 
 The Extended Kalman Filter (EKF) is updated with velocity and attitude measurement by ZUPT and Attitude Correction (AC) during stance phase, respectively. 
 
 Eventually, we obtain the optimal attitude, velocity and position using inertial navigation mechanism. Sistema de navegació inercial Utilitzem el Sistema de Navegació Inercial (INS) estàndard per calcular l'actitud, la velocitat i la posició del vianant.La unitat IMU anomenada MTw Awinda amb la mida de 148×104×31,9 mm de la Companyia Xsens està configurada per enviar dades a 100 Hz, que està muntada en el taló com es mostra a la Figura 3. B. Algoritme de detecció de fase de posició Detecció de fase de postura és un procés clau en el marc de PDR AIEZ. Millor reconeixement de fase de postura contribueixen a desencadenar l'EKF a temps per modificar els errors INS per a un millor rendiment. La majoria dels algoritmes per a la detecció de fase de postura depenen de les dades de l'acceleròmetre [12] o giroscopi [13] així com de l'acceleròmetre i el giroscopi [6, 14]. Alguns estudiosos van implementar la detecció utilitzant ultrasons, RFID o imant [15], etc. Utilitzem el detector de detecció òptim d'hipòtesi de postura (SHOE) proposat en [14] per detectar la fase de postura. C. Algoritme de detecció de camp magnètic quasistàtic Formalitzem el problema de detecció de camp magnètic quasi-estàtic com un problema de prova d'hipòtesi binària, on el detector pot triar entre les dues hipòtesis que es defineixen de la següent manera: Referint-se a [14], el model de sortida del sensor s'estableix com: Algoritme de correcció complementària A causa de la influència dels biases de l'acceleròmetre i el giroscopi, els errors de l'angle d'Euler s'acumulen amb el temps. Utilitzant les dades de l'acceleròmetre i el giroscopi es pot calcular l'angle absolut de rodament i punt quan el peu és estacionari. El camp magnètic pur contribueix a un veritable cap. Utilitzem les dades durant la fase de postura per modificar l'actitud calculada per INS. 2) Compàs electrònic 3) Reducció de la conducció heurística E. Ampliació del filtre Kalman 
 
 Aquest document està disponible en arxiu sota llicència ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Aquest paper és Llicència ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. available on arxiv Disponible a l'Arxiu

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

No technological innovation comes without sacrifice. The pendulum will swing back to the people! Wanna' be 501c3.

Reckoning's Blog

Aquest àudio és produït a l'idioma original de la història!

Per què el teu GPS falla a l'interior i com el filtre AIEZ Kalman el repara

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the Healthcare Industry

Startups of The Year: Meet the Emerging Tech Industry

Startups of The Year: Meet the Business Industry

On Taxes

Startups of The Year: Meet the Healthcare Industry

Startups of The Year: Meet the Emerging Tech Industry

Startups of The Year: Meet the Business Industry

On Taxes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps