
 
 
 
 
 Os autores: (1) Liqiang Zhang, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China; (2) Kai Guo, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China; (3) Yu Liu, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China. Authors: (1) Liqiang Zhang, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China; (2) Kai Guo, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China; (3) Yu Liu, Escola de Microelectrónica, Universidade de Tianjin Tianjin, China. Mesa da esquerda Abstracto e I. Introdución II. Metodoloxía III. Resultados experimentais Conclusións e traballos futuros e 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 Abstraccións I. Introdución O Sistema Global de Navegación por Satélite (GNSS) é amplamente utilizado como un método de posicionamento esencial para a navegación peonil. Pero no campo, como o canón urbano ou o ambiente interior, o GNSS se torna pouco fiable debido á atenuación do sinal, a interferencia e a sombra. Para obter resultados de posicionamento continuos e fiables, o Sistema de Posicionamento Local (LPS) está a ser investigado usando varios tipos de métodos, como a tecnoloxía baseada na unidade de medida inercial (IMU), a tecnoloxía sen fíos ou baseada na visión [1], etc. Entre eles, os métodos PDR baseados na IMU son preferidos debido ao menor custo, maior fiabilidade, así como a falta de infraestrutura externa necesaria. Investigáronse diferentes posicións de montaxe, incluíndo portátil [2], montado con cinto [3] ou montado a pé [4-8], etc. Desafortunadamente, a IMU de baixo custo proporciona estabilidade a curto prazo e os erros sistemáticos aumentan debido á súa natureza de integración. Para mellorar o rendemento do sistema, un marco de PDR IEZ [4] de Kalman amplamente utilizado utilizou o algoritmo ZUPT para estimar os erros de velocidade durante a fase de postura. Tamén suxerimos un novo algoritmo de detección de fase de postura que se chama Dual ZUPT (D-ZUPT) para mellorar o rendemento do sistema PDR [8]. Para o rendemento do sistema PDR, o encabezamento é un dos factores máis esenciais que teñen un impacto na súa precisión. Con todo, o erro de encabezamento é inobservable para o IEZ. Utilizar o encabezamento magnético é unha forma eficaz de vincular o erro de deriva de encabezamento. Pero as perturbacións magnéticas, incluíndo a perturbación suave e dura [9, 10] son estocásticas e cambiantes no interior, que son imposibles de prever. Polo tanto, o algoritmo de Detección de Campo Magnético Quasi-estático (QMD) propúxose para seleccionar o campo magnético puro no ambiente de perturbación magnética e, a continuación, fusionar os datos do xiroscopio e do magnetómetro [11]. O método está dispoñible para detectar o campo magné Neste artigo, o algoritmo QMD foi redeseñado para resolver o problema de que a perturbación magnética dura é difícil de detectar para o algoritmo QMD clásico en [11]. Cando as perturbacións son detectadas por QMD, o algoritmo HDR que só depende dos datos do xiroscopio é seleccionado para reducir o erro de derivación da cabeza. Pola contra, o algoritmo Electronic Compass (EC) é unha mellor opción para modificar o erro da cabeza. Referíndose a [4], seguindo o traballo de Foxlin, para derivar un novo sistema PDR, o algoritmo QMD, HDR e EC son integrados no IEZ para formar un novo marco chamado AIEZ (Advanced IEZ). II. Metodoloxía Esta sección describe o mecanismo do marco PDR AIEZ. As etapas de procesamento aparecen a continuación.O diagrama de bloques de AIEZ é mostrado na FIG.1 así como o gráfico de fluxo na FIG.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. A. Sistema de navegación inercial montado en zapatos Usamos o Sistema de Navegación Inercial (INS) estándar para calcular a actitude, velocidade e posición do peón.O IMU chamado MTw Awinda co tamaño de 148×104×31,9 mm de Xsens Company está configurado para enviar datos a 100 Hz, que está montado no talón como se mostra na Figura 3. B. Algoritmo de detección de fase de posición Detección de fase de postura é un proceso clave no marco PDR AIEZ. Mellor recoñecemento de fase de postura contribúen a desencadear o EKF a tempo para modificar os erros INS para un mellor rendemento. A maioría dos algoritmos para a detección de fase de postura dependen dos datos do acelerómetro [12] ou xiroscópio [13] así como tanto acelerómetro e xiroscópio [6, 14]. Algúns académicos implementaron a detección usando ultrasóns, RFID ou imán [15], etc. Utilizamos o detector de detección óptima de hipótese de postura (SHOE) proposto en [14] para detectar a fase de postura. C. Algoritmo de detección de campo magnético cuasi-estático Formalizamos o problema de detección de campo magnético cuasi-estático como un problema de proba de hipóteses binarias, onde o detector pode escoller entre as dúas hipóteses que se definen do seguinte xeito: Referíndose a [14], o modelo de saída do sensor establécese como: Algoritmo de corrección complementaria Debido á influencia dos prexuízos do acelerómetro e do xiroscopio, os erros do ángulo de Euler acumúlanse ao longo do tempo. Usando os datos do acelerómetro e do xiroscopio pode calcular o ángulo absoluto de rolamento e pico cando o pé está estacionado. O campo magnético puro contribúe a unha verdadeira cabeza. Usamos os datos durante a fase de postura para modificar a actitude calculada polo INS. 2) Compás electrónico 3) Heurística redución de derivación de cabeza E. Ampliación do filtro Kalman 
 
 Este artigo está dispoñible en arquivo baixo a licenza ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Este documento é Licenza ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNACIONAL. Dispoñible en arquivo Dispoñible en arquivo

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 está producido na lingua orixinal da historia!

Por que o teu GPS falla en interiores e como o filtro AIEZ Kalman o fixa

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Companies Community!

HackerNoon Decoded 2024: Celebrating Our Society Community!

HackerNoon Decoded 2024: Celebrating Our Product Management Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Companies Community!

HackerNoon Decoded 2024: Celebrating Our Society Community!

HackerNoon Decoded 2024: Celebrating Our Product Management Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps