
 
 
 
 
 Gli autori : (1) Liqiang Zhang, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina; (2) Kai Guo, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina; (3) Yu Liu, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina. Authors: (1) Liqiang Zhang, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina; (2) Kai Guo, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina; (3) Yu Liu, Scuola di Microelettronica, Università di Tianjin Tianjin, Cina. tavolo di sinistra Abstract e I. Introduzione II. Metodologia III. Risultati sperimentali IV. Conclusioni e lavori futuri, e riferimenti —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 astratto I. Introduzione Il Global Navigation Satellite System (GNSS) è ampiamente utilizzato come un metodo di posizionamento essenziale per la navigazione pedonale. Ma nel campo, come il canyon urbano o l'ambiente interno, il GNSS diventa inaffidabile a causa dell'attenuazione del segnale, dell'interferenza e dell'ombra. Al fine di ottenere risultati di posizionamento continui e affidabili, il Local Positioning System (LPS) viene indagato utilizzando vari tipi di metodi, come la tecnologia basata sull'unità di misura inerziale (IMU), la tecnologia wireless o basata sulla visione [1], ecc. Tra questi, i metodi PDR basati su IMU sono preferiti a causa del minor costo, della maggiore affidabilità e della mancanza di infrastruttura esterna necessaria. Diverse posizioni di montaggio sono state studiate tra cui manuale [2], montato a cintura [3] o montato a piedi [4-8], ecc. Purtroppo, IMU a basso costo fornisce stabilità a breve termine e gli errori sistematici aumentano a causa della sua natura di integrazione. Al fine di migliorare le prestazioni del sistema, un framework PDR ampiamente utilizzato da Kalman IEZ [4] ha utilizzato l'algoritmo ZUPT per stimare gli errori di velocità durante la fase di postura. Abbiamo anche suggerito un nuovo algoritmo di rilevamento della fase di postura che è chiamato Dual ZUPT (D-ZUPT) al fine di migliorare le prestazioni del sistema PDR [8]. Per le prestazioni del sistema PDR, l'intestazione è uno dei fattori più essenziali che hanno un impatto sulla sua accuratezza. Tuttavia, l'errore di intestazione è inosservabile per l'IEZ. Utilizzando l'intestazione magnetica è un modo efficace per legare l'errore di deflusso dell'intestazione. Ma le perturbazioni magnetiche tra cui disturbi morbidi e duri [9, 10] sono stochastiche e cambianti all'interno, che sono impossibili da prevedere. Pertanto, l'algoritmo Quasi-static Magnetic Field Detection (QMD) è stato proposto per selezionare il campo magnetico puro nell'ambiente di disturbo magnetico e poi fondere i dati dal giroscopio e dal magnetometro [11]. Il In questo articolo, l'algoritmo QMD è stato ridisegnato al fine di risolvere il problema che la perturbazione magnetica dura è difficile da rilevare per l'algoritmo classico QMD in [11]. Quando le perturbazioni sono rilevate da QMD, l'algoritmo HDR che si basa solo sui dati dal giroscopio è selezionato per ridurre l'errore di drift del capo. Al contrario, l'algoritmo Electronic Compass (EC) è un'opzione migliore per modificare l'errore del capo. Riferendo a [4], seguendo il lavoro di Foxlin, per derivare un nuovo sistema PDR, l'algoritmo QMD, HDR e EC sono integrati in IEZ per formare un nuovo framework chiamato AIEZ (Advanced IEZ). II. Metodologia Questa sezione descrive il meccanismo del framework PDR AIEZ. I passaggi di elaborazione sono mostrati come segue. Il diagramma di blocco di AIEZ è mostrato in Fig.1 così come il diagramma di flusso in 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 di navigazione inertiale montato su scarpe Utilizziamo il sistema di navigazione inerziale standard (INS) per calcolare l'atteggiamento, la velocità e la posizione del pedone. L'UMI denominato MTw Awinda con le dimensioni di 148×104×31,9 mm di Xsens Company è configurato per inviare dati a 100 Hz, che è montato sul tallone come mostrato nella Figura 3. B. Algoritmo di rilevamento di fase di posizione La rilevazione della fase di stanza è un processo chiave nel quadro PDR AIEZ. Un migliore riconoscimento della fase di stanza contribuisce a innescare l'EKF in tempo utile per modificare gli errori INS per una migliore prestazione. La maggior parte degli algoritmi per la rilevazione della fase di stanza si basano sui dati dell'accelerometro [12] o del giroscopio [13] nonché dell'accelerometro e del giroscopio [6, 14]. Alcuni studiosi hanno implementato la rilevazione utilizzando ultrasuoni, RFID o magneti [15], ecc. Utilizziamo il rilevatore ottimale di ipotesi di stanza (SHOE) proposto in [14] per rilevare la fase di stanza. C. Algoritmo di rilevamento del campo magnetico quasi statico Formalizziamo il problema di rilevamento del campo magnetico quasi statico come un problema di test di ipotesi binaria, in cui il rilevatore può scegliere tra le due ipotesi che sono definite come segue: Per quanto riguarda [14], il modello di uscita del sensore è stabilito come: Algoritmo di correzione complementare A causa dell'influenza dei pregiudizi dell'accelerometro e del giroscopio, gli errori dell'angolo di Euler si accumulano nel tempo. Utilizzando i dati dell'accelerometro e del giroscopio è possibile calcolare l'angolo assoluto del rotolo e del pitch quando il piede è stazionario. Il campo magnetico puro contribuisce a una vera direzione. Utilizziamo i dati durante la fase di postura per modificare l'atteggiamento calcolato da INS. 2) Compass elettronico 3) Heuristica Reduzione del Drift E. Estendere il filtro Kalman 
 
 Questo documento è disponibile in archivio sotto la licenza ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Questo documento è Con la licenza ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Disponibile in archivio Disponibile in archivio

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.

Perché il tuo GPS fallisce all'interno e come il filtro AIEZ Kalman lo risolve

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Netflix Brings Out the Big Guns

I Built an AI Copilot That Thinks in Exploits, Not Prompts

The Fall of OM by Mantra DAO: Accident or Pattern?

The Ultimate FAQ Guide to HackerNoon's Business Blogging

Netflix Brings Out the Big Guns

I Built an AI Copilot That Thinks in Exploits, Not Prompts

The Fall of OM by Mantra DAO: Accident or Pattern?

The Ultimate FAQ Guide to HackerNoon's Business Blogging

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps