
 
 
 
 
 Los autores: (1) Liqiang Zhang, Escuela de Microelectrónica, Universidad de Tianjin Tianjin, China; (2) Kai Guo, Escuela de Microelectrónica, Universidad de Tianjin Tianjin, China; (3) Yu Liu, Escuela de Microelectrónica, Universidad Tianjin Tianjin, China. Authors: (1) Liqiang Zhang, Escuela de Microelectrónica, Universidad de Tianjin Tianjin, China; (2) Kai Guo, Escuela de Microelectrónica, Universidad de Tianjin Tianjin, China; (3) Yu Liu, Escuela de Microelectrónica, Universidad Tianjin Tianjin, China. Mesa de la izquierda Abstracto y I. Introducción II. Metodología III. Resultados experimentales IV. Conclusión y futuras obras, y referencias —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 Abstracción I. Introducción El Sistema Global de Navegación por Satélite (GNSS) se utiliza ampliamente como un método de posicionamiento esencial para la navegación peatonal. Pero en el campo, como en el canyon urbano o en el entorno interior, el GNSS se vuelve poco fiable debido a la atenuación de la señal, la interferencia y la sombra. Para obtener resultados de posicionamiento continuos y confiables, el Sistema Local de Posicionamiento (LPS) se está investigando utilizando varios tipos de métodos, como la unidad de medición inercial (IMU) basada, la tecnología inalámbrica o basada en la visión [1], etc. Entre ellos, los métodos PDR basados en IMU son preferidos debido al menor coste, la mayor fiabilidad, así como la falta de infraestructura externa necesaria. Se investigaron diferentes posiciones de montaje, incluidas las de mano [2], de cinturón [3] o de pie [4-8], etc. Desafortunadamente, la IMU de bajo costo proporciona estabilidad a corto plazo y los errores sistemáticos aumentan debido a su naturaleza de integración. Para mejorar el rendimiento del sistema, un marco de PDR IEZ [4] ampliamente utilizado en Kalman utilizó el algoritmo ZUPT para estimar los errores de velocidad durante la fase de postura. También sugerimos un nuevo algoritmo de detección de fase de postura que se denomina Dual ZUPT (D-ZUPT) para mejorar el rendimiento del sistema PDR [8]. Para el rendimiento del sistema PDR, el encabezado es uno de los factores más esenciales que tiene un impacto en su precisión. Sin embargo, el error de encabezado es inobservable para IEZ. Utilizar el encabezado magnético es una manera eficaz de vincular el error de deslizamiento del encabezado. Pero las perturbaciones magnéticas, incluyendo la perturbación suave y dura [9, 10] son estochásticas y cambiantes en el interior, que son imposibles de predecir. Por lo tanto, se propuso el algoritmo de detección de campo magnético cuasi-estático (QMD) para seleccionar el campo magnético puro en el entorno de perturbación magnética y luego fusionar los datos del giroscopio y el magnetómetro [11]. El método está disponible para detectar el campo magnético que está En este artículo, el algoritmo QMD fue rediseñado para resolver el problema de que la perturbación magnética dura es difícil de detectar para el algoritmo QMD clásico en [11]. Cuando las perturbaciones son detectadas por QMD, el algoritmo HDR que solo depende de los datos del giroscopio se selecciona para reducir el error de derivación de la cabeza. Por el contrario, el algoritmo Electronic Compass (EC) es una mejor opción para modificar el error de la cabeza. Referido a [4], siguiendo el trabajo de Foxlin, para derivar un nuevo sistema PDR, el algoritmo QMD, HDR y EC se integran en el IEZ para formar un nuevo marco llamado AIEZ (Advanced IEZ). II. Metodología Esta sección describe el mecanismo del marco PDR AIEZ. Los pasos de procesamiento se muestran de la siguiente manera.El diagrama de bloques de AIEZ se muestra en la Figura.1 así como el diagrama de flujo en 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 navegación inercial montado en zapatos Utilizamos el sistema de navegación inercial (INS) estándar para calcular la actitud, la velocidad y la posición del peatón.El IMU llamado MTw Awinda con el tamaño de 148×104×31,9 mm de Xsens Company está configurado para enviar datos a 100 Hz, que se monta en el talón como se muestra en la Figura 3. B. Algoritmo de detección de fase de posición Detección de fase de postura es un proceso clave en el marco de PDR AIEZ. Un mejor reconocimiento de fase de postura contribuye a desencadenar el EKF a tiempo para modificar los errores de INS para un mejor rendimiento. La mayoría de los algoritmos para la detección de fase de postura se basan en los datos del acelerómetro [12] o giroscopio [13] así como tanto el acelerómetro como el giroscopio [6, 14]. Algunos estudiosos implementaron la detección utilizando ultrasonido, RFID o imán [15], etc. Utilizamos el detector de detección óptimo de hipótesis de postura (SHOE) propuesto en [14] para detectar la fase de postura. C. Algoritmo de detección de campo magnético cuasi-estático Formalizamos el problema de detección de campo magnético cuasi-estático como un problema de prueba de hipótesis binaria, donde el detector puede elegir entre las dos hipótesis que se definen de la siguiente manera: En referencia a [14], el modelo de salida del sensor se establece como: Algoritmo de corrección complementaria Debido a la influencia de los vicios del acelerómetro y el giroscopio, los errores del ángulo de Euler se acumulan con el tiempo. Usando los datos del acelerómetro y el giroscopio se puede calcular el ángulo absoluto de rollo y pitch cuando el pie es estacionario. El campo magnético puro contribuye a una verdadera cabeza. Utilizamos los datos durante la fase de postura para modificar la actitud calculada por INS. 2) Compás electrónico 3) Reducción de la cabeza heurística E. Extender el filtro Kalman 
 
 Este artículo está disponible en archivo bajo la licencia ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Este artículo está disponible en archivo bajo la licencia ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Disponible en Archivo

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

Este audio es producido en el idioma original de la historia!

Por qué su GPS falla en el interior y cómo la filtración Kalman de AIEZ la repara

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Telegram: el puente de Crypto Island hacia el continente

Una breve introducción a la teoría del cerebro de Boltzmann

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Telegram: el puente de Crypto Island hacia el continente

Una breve introducción a la teoría del cerebro de Boltzmann

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps