
 
 
 
 
 Οι συγγραφείς: (1) Liqiang Zhang, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. (2) Kai Guo, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. (3) Yu Liu, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. Authors: (1) Liqiang Zhang, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. (2) Kai Guo, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. (3) Yu Liu, Σχολή Μικροηλεκτρονικής, Πανεπιστήμιο Tianjin Tianjin, Κίνα. Το τραπέζι της Αριστεράς ΑΡΘΡΑ ΚΑΙ Ι. ΕΙΣΑΓΩΓΗ Β. Η μεθοδολογία Β. Πειραματικά αποτελέσματα IV. Συμπεράσματα και μελλοντικά έργα και αναφορές —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 ΑΠΑΣΧΟΛΗΣΗ I. Εισαγωγή Το Παγκόσμιο Δορυφορικό Σύστημα Πλοήγησης (GNSS) χρησιμοποιείται ευρέως ως βασική μέθοδος εντοπισμού θέσης για την πλοήγηση πεζών. Αλλά στο πεδίο, όπως το αστικό φαράγγι ή το εσωτερικό περιβάλλον, το GNSS γίνεται αναξιόπιστο λόγω της εξασθένησης του σήματος, της παρεμβολής και της σκιάς. Προκειμένου να ληφθούν συνεχώς και αξιόπιστα αποτελέσματα εντοπισμού θέσης, το Local Positioning System (LPS) διερευνάται χρησιμοποιώντας διάφορους τύπους μεθόδων, όπως η τεχνολογία με βάση την αδρανειακή μονάδα μέτρησης (IMU), η ασύρματη τεχνολογία ή η τεχνολογία με βάση την όραση [1], κ.λπ. Μεταξύ αυτών, οι μέθοδοι Διάφορες θέσεις συναρμολόγησης ερευνήθηκαν, συμπεριλαμβανομένων των χειροκίνητων [2], των συναρμολογημένων με ζώνη [3] ή των συναρμολογημένων με πόδια [4-8], κ.λπ. Δυστυχώς, το IMU χαμηλού κόστους παρέχει βραχυπρόθεσμη σταθερότητα και τα συστηματικά σφάλματα αυξάνονται λόγω της φύσης της ενσωμάτωσής του. Για να βελτιωθεί η απόδοση του συστήματος, ένα ευρέως χρησιμοποιούμενο πλαίσιο PDR με βάση το Kalman IEZ [4] χρησιμοποίησε τον αλγόριθμο ZUPT για να εκτιμήσει τα σφάλματα ταχύτητας κατά τη διάρκεια της φάσης στάσης. Για την απόδοση του συστήματος PDR, η κεφαλίδα είναι ένας από τους πιο ουσιώδεις παράγοντες που επηρεάζουν την ακρίβειά της. Ωστόσο, το σφάλμα κεφαλίδας είναι απαρατήρητο για την IEZ. Η χρήση μαγνητικού κεφαλιού είναι ένας αποτελεσματικός τρόπος για να δεσμευτεί το σφάλμα κεφαλής. Αλλά οι μαγνητικές διαταραχές, συμπεριλαμβανομένης της μαλακής και της σκληρής διαταραχής [9, 10] είναι στοχαστικές και μεταβαλλόμενες στο εσωτερικό, οι οποίες είναι αδύνατο να προβλεφθούν. Ως εκ τούτου, ο αλγόριθμος Quasi-static Magnetic Field Detection (QMD) προτάθηκε για να επιλέξει το καθαρό μαγνητικό πεδίο στο Σε αυτό το έγγραφο, ο αλγόριθμος QMD ανασχεδιάστηκε για να λύσει το πρόβλημα ότι η σκληρή μαγνητική διαταραχή είναι δύσκολο να ανιχνευθεί για τον κλασικό αλγόριθμο QMD σε [11]. Όταν οι διαταραχές ανιχνεύονται από το QMD, ο αλγόριθμος HDR που βασίζεται μόνο στα δεδομένα από το κιροσκόπιο επιλέγεται για να μειώσει το σφάλμα απόδοσης κεφαλής. Αντίθετα, ο αλγόριθμος Electronic Compass (EC) είναι μια καλύτερη επιλογή για να τροποποιήσει το σφάλμα κεφαλής. Αναφερόμενος σε [4], ακολουθώντας το έργο του Foxlin, για να παραχθεί ένα νέο σύστημα PDR, ο αλγόριθμος QMD, HDR και EC ενσωμα II. Η μεθοδολογία Αυτή η ενότητα περιγράφει τον μηχανισμό του πλαισίου PDR AIEZ. Τα βήματα επεξεργασίας απεικονίζονται ως εξής.Το διάγραμμα μπλοκ του AIEZ απεικονίζεται στο σχήμα 1 καθώς και το διάγραμμα ροής στο σχήμα 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. Α. Παπούτσια με σύστημα αδρανειακής πλοήγησης Χρησιμοποιούμε το πρότυπο σύστημα αδρανειακής πλοήγησης (INS) για τον υπολογισμό της στάσης, της ταχύτητας και της θέσης του πεζικού.Το IMU με το όνομα MTw Awinda με το μέγεθος 148×104×31,9 mm από την εταιρεία Xsens είναι διαμορφωμένο για να στέλνει δεδομένα σε 100 Hz, το οποίο είναι τοποθετημένο στο τακούνι, όπως φαίνεται στο σχήμα 3. Αλγόριθμος ανίχνευσης φάσης στάσης Η ανίχνευση φάσης στάσης είναι μια βασική διαδικασία στο πλαίσιο PDR AIEZ. Η καλύτερη αναγνώριση φάσης στάσης συμβάλλει στην έγκαιρη ενεργοποίηση του EKF για να τροποποιηθούν τα σφάλματα INS για καλύτερη απόδοση. Οι περισσότεροι αλγόριθμοι για ανίχνευση φάσης στάσης βασίζονται στα δεδομένα από το επιταχυνόμετρο [12] ή το κιροσκόπιο [13] καθώς και τόσο το επιταχυνόμετρο όσο και το κιροσκόπιο [6, 14]. Μερικοί μελετητές εφάρμοσαν την ανίχνευση χρησιμοποιώντας υπερηχογράφημα, RFID ή μαγνήτη [15], κλπ. Χρησιμοποιούμε τον ανιχνευτή βέλτιστης ανίχνευσης υποθέσεων στάσης (SHOE Μαγνητικός Αλγόριθμος Ανίχνευσης Πεδίου (Quasi-Static Magnetic Field Detection Algorithm) Ομαλοποιούμε το πρόβλημα ανίχνευσης μαγνητικού πεδίου ως πρόβλημα δοκιμής δυαδικής υπόθεσης, όπου ο ανιχνευτής μπορεί να επιλέξει μεταξύ των δύο υποθέσεων που ορίζονται ως εξής: Αναφερόμενος στο [14], το μοντέλο εξόδου αισθητήρα καθορίζεται ως εξής: Συμπληρωματικός αλγόριθμος διόρθωσης Λόγω της επιρροής των προκαταλήψεων του επιταχυνόμετρου και του κιθροσκοπίου, τα σφάλματα της γωνίας του Euler συσσωρεύονται με την πάροδο του χρόνου. Χρησιμοποιώντας τα δεδομένα του επιταχυνόμετρου και του κιθροσκοπίου μπορούμε να υπολογίσουμε την απόλυτη γωνία κύλισης και κλίσης όταν το πόδι είναι σταθερό. Το καθαρό μαγνητικό πεδίο συμβάλλει σε μια πραγματική κεφαλή. Χρησιμοποιούμε τα δεδομένα κατά τη φάση στάσης για να τροποποιήσουμε τη στάση που υπολογίζεται από το INS. 2) Ηλεκτρονικό Compass 3) Heuristic Heading Drift Μείωση Ε. Επέκταση φίλτρου Kalman 
 
 Αυτό το έγγραφο είναι διαθέσιμο στο αρχείο με άδεια ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Αυτό το έγγραφο είναι διαθέσιμο στο αρχείο με άδεια ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Διαθέσιμο στα Αρχεία

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

Αυτός ο ήχος παράγεται στην αρχική γλώσσα της ιστορίας!

Πολύ μακρύ; Να διαβασω

Get Free Unlimited IP Geo Data With IPinfo Lite

Γιατί το GPS σας αποτυγχάνει στο εσωτερικό και πώς το φιλτράρισμα AIEZ Kalman το διορθώνει

About Author

ΣΧΟΛΙΑ

ΚΡΕΜΑΣΤΕ ΕΤΙΚΕΤΕΣ

ΑΥΤΟ ΤΟ ΑΡΘΡΟ ΠΑΡΟΥΣΙΑΣΤΗΚΕ ΣΤΟ

Related Stories

Crypto Networks Can Overcome Obstacles Open-Source Projects Face, Drips Founder Says

Musk Calls OpenAI’s Shift to For-Profit a ‘Long Con’ for Personal Gain

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

Elon Musk Accuses OpenAI Leaders of Conspiring to Violate RICO Laws

Crypto Networks Can Overcome Obstacles Open-Source Projects Face, Drips Founder Says

Musk Calls OpenAI’s Shift to For-Profit a ‘Long Con’ for Personal Gain

Elon Musk's Lawsuit Unveils OpenAI’s Complex Corporate Network

Elon Musk Accuses OpenAI Leaders of Conspiring to Violate RICO Laws

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps