
 
 
 
 
 著者: (1) Liqiang Zhang, School of Microelectronics, Tianjin University Tianjin, China (2) Kai Guo, School of Microelectronics, Tianjin University Tianjin, China (3) Yu Liu, School of Microelectronics, Tianjin University Tianjin, China Authors: (1) Liqiang Zhang, School of Microelectronics, Tianjin University Tianjin, China (2) Kai Guo, School of Microelectronics, Tianjin University Tianjin, China (3) Yu Liu, School of Microelectronics, Tianjin University Tianjin, China 左のテーブル Abstract and I. Introduction (抽象とI.紹介) 2.方法論 3.実験結果 IV.結論と将来の作品、および参照 —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 抽象 I.導入 グローバルナビゲーション衛星システム(GNSS)は、歩行者のナビゲーションのための不可欠な位置付け方法として広く使用されていますが、都市の峡谷や屋内環境などの分野では、GNSSは、シグナル減少、干渉および陰影のために信頼性が低くなります。継続的かつ信頼性の高い位置付け結果を得るために、ローカルポジションシステム(LPS)は、イネーシル測定ユニット(IMU)ベース、ワイヤレスベースまたはビジョンベースのテクノロジー(1)など、さまざまなタイプの方法を使用して調査されています。その中でも、IMUベースのPDR方法は、低コスト、高い信頼性、外部インフラを必要としません。 ハンドル(2)、ベルト(3)、または足(4)、等を含むさまざまな設置ポジションを調査したが、残念なことに、低コストのIMUは短期的な安定性を提供し、その統合性によりシステムのパフォーマンスを向上させるため、システムのパフォーマンスを改善するために、広く使用されたKalmanベースのPDRフレームワークIEZ(4)はZUPTアルゴリズムを使用して、ステーション段階の間の速度エラーを推定しました。 PDRシステムのパフォーマンスのために、ヘッダーはその正確性に影響を与える最も重要な要因の一つです。しかし、ヘッダーのエラーはIEZにとって目に見えません。磁気ヘッダーを使用することはヘッダーのドライブエラーを結びつける効果的な方法です。しかし、柔らかいと硬い混乱を含む磁気混乱(9、10)は、内部でストーカスティックで変化し、予測することは不可能です。したがって、近静的な磁場検出(QMD)アルゴリズムは、磁気混乱環境で純粋な磁場を選択し、ギロスコープと磁気メーター(11)からのデータを合成するために提案されました。この方法は、わずかに変化し、良好なパフォーマンスを有する磁場を検出 この論文では、QMDアルゴリズムは、ハード磁気干渉が古典的なQMDアルゴリズムで検出されにくいという問題を解決するために再設計されました。QMDによって干渉が検出されたとき、Gyroscopeからのデータだけに依存するHDRアルゴリズムは、ヘッドドライブエラーを減らすために選択されます。逆に、電子コンパス(EC)アルゴリズムは、ヘッドエラーを変更するためのより良いオプションです。フォックスリンの仕事に従って、新しいPDRシステムを生成するために、QMD、HDRおよびECアルゴリズムはIEZに統合され、AIEZ(Advanced IEZ)という新しいフレームワークを形成します。 II.メトロジー このセクションでは、PDR フレームワーク AIEZ のメカニズムを説明します。処理ステップは次のとおり示されています。AIEZ のブロック図は Fig.1 に示されています。 
 
 
 
 
 
 
 
 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.Shoe-mounted Inertial Navigation System シューズマウント 歩行者の姿勢、スピード、位置を計算するために標準のストレップダウン・インレティアル・ナビゲーション・システム(INS)を使用します。Xsens Companyの148×104×31.9mmのサイズを持つMTw Awindaと呼ばれるIMUは、フィギュア3に示すように足元に設置されている100Hzでデータを送信するように構成されています。 ステージ検出アルゴリズム Stance Phase Detection Algorithm Stance phase detection is a key process in the PDR framework AIEZ. Better recognition of stance phase contribute to trigger the EKF in time to modify the INS errors for better performance. ほとんどの algoritms for stance phase detection rely on the data from the accelerometer [12] or gyroscope [13] as well as both accelerometer and gyroscope [6, 14]. いくつかの学者は、超音波、RFID、または磁石 [15] を使用して検出を実装しました. etc. We use the stance hypothesis optimal detection detector (SHOE) proposed in [14] to detect the stance phase. C. Quasi-static Magnetic Field Detection Algorithm (クアシスタティック磁場検出アルゴリズム) 仮定磁場検出の問題を二元仮説テストの問題として公式化し、検出器が次のように定義される2つの仮説の間で選択することができる。 [14]を参照すると、センサー出力モデルは以下のように設定されます。 D.補完修正アルゴリズム 加速計とジロスコープの偏差の影響により、オイラー角度のエラーは時間とともに蓄積されます。加速計とジロスコープのデータを使用して、足が静止しているときに絶対的なローリングとピッチの角度を計算することができます。純粋な磁場は真のヘッダーに貢献します。我々はスタンス段階の間のデータを使用してINSによって計算された態度を変更します。 (2)電子コンパス 3.Heuristic Heading Drift Reduction E. Kalman フィルターの拡張 
 
 この論文は、ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL ライセンスの下でアーカイブで利用できます。 この紙は ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0インターナショナルライセンス ARCHIV で利用可能 ARCHIV で利用可能

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

このオーディオは、ストーリーの元の言語で制作されています。

なぜあなたのGPSが屋内で失敗し、AIEZ Kalmanフィルタリングがそれを修正する方法

About Author

コメント

ラベル

この記事は

Related Stories

暗号通貨の成長: 効果的なユーザーペルソナの作成

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

暗号通貨の成長: 効果的なユーザーペルソナの作成

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Telegram: クリプト島と本土を結ぶ橋

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps