
 
 
 
 
 Autorzy : (1) Liqiang Zhang, Szkoła Mikroelektroniki, Tianjin University Tianjin, Chiny; (2) Kai Guo, Szkoła Mikroelektroniki, Uniwersytet Tianjin Tianjin, Chiny; (3) Yu Liu, Szkoła Mikroelektroniki, Uniwersytet Tianjin Tianjin, Chiny. Authors: (1) Liqiang Zhang, Szkoła Mikroelektroniki, Tianjin University Tianjin, Chiny; (2) Kai Guo, Szkoła Mikroelektroniki, Uniwersytet Tianjin Tianjin, Chiny; (3) Yu Liu, Szkoła Mikroelektroniki, Uniwersytet Tianjin Tianjin, Chiny. Stół po lewej Abstrakcja i I. Wprowadzenie II. Metodologia III. Wyniki eksperymentalne IV. Konkluzje i przyszłe prace oraz referencje —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 abstrakcyjna I. Wprowadzenie Globalny system nawigacji satelitarnej (GNSS) jest szeroko stosowany jako niezbędna metoda pozycjonowania dla nawigacji pieszych. Ale w terenie, takich jak kanion miejski lub środowisko wewnętrzne, GNSS staje się niezawodny z powodu zmniejszenia sygnału, zakłóceń i cienia. Aby uzyskać ciągłe i niezawodne wyniki pozycjonowania, lokalny system pozycjonowania (LPS) jest badany przy użyciu różnych rodzajów metod, takich jak inercyjna jednostka pomiarowa (IMU), technologia oparta na bezprzewodowym lub oparta na widzeniu [1], itp. Wśród nich metody PDR oparte na IMU są preferowane ze względu na niższe koszty, wyższą niezawodność, a także brak potrzebnej zewnętrznej infrastruktury. Badano różne pozycje montażu, w tym ręczne [2], montowane na pasie [3] lub montowane na nogach [4-8], itp. Niestety, niskie koszty IMU zapewniają krótkotrwałą stabilność, a systematyczne błędy zwiększają się ze względu na charakter integracji. Aby poprawić wydajność systemu, powszechnie stosowana ramka PDR IEZ [4] oparta na Kalmanie użyła algorytmu ZUPT do oszacowania błędów prędkości podczas fazy pozycji. Dla wydajności systemu PDR, nagłówek jest jednym z najbardziej istotnych czynników, które mają wpływ na jego dokładność. Jednak błąd nagłówka jest niezauważalny dla IEZ. Korzystanie z nagłówka magnetycznego jest skutecznym sposobem na wiązanie błędu dryfowania nagłówka. Ale zakłócenia magnetyczne, w tym miękkie i twarde zakłócenia [9, 10] są stochastyczne i zmieniające się wewnątrz, co jest niemożliwe do przewidzenia. Dlatego algorytm Quasi-static Magnetic Field Detection (QMD) został zaproponowany, aby wybrać czyste pole magnetyczne w środowisku zakłócenia magnetycznego, a następnie połączyć dane z żyroskopu i magnetometru [11]. Metoda jest dostępna do wykrywania pola magnetycznego, które zmienia się W tym artykule algorytm QMD został przebudowany, aby rozwiązać problem, że twardy zakłócenie magnetyczne jest trudne do wykrycia dla klasycznego algorytmu QMD w [11]. Kiedy zakłócenia są wykrywane przez QMD, algorytm HDR, który opiera się tylko na danych z gyroskopu jest wybrany, aby zmniejszyć błąd dryfowania głowy. Wręcz przeciwnie, algorytm elektronicznego kompasu (EC) jest lepszym rozwiązaniem do modyfikacji błędu głowy. Odwołując się do [4], w następstwie pracy Foxlina, aby wyprowadzić nowy system PDR, algorytmy QMD, HDR i EC są zintegrowane w IEZ, aby utworzyć nową ramę o nazwie AIEZ (Advanced IEZ). II. Metodologia Ta sekcja opisuje mechanizm ramki PDR AIEZ. Kroki przetwarzania są przedstawione w następujący sposób. 
 
 
 
 
 
 
 
 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. System nawigacji inercyjnej montowany na buty W celu obliczenia postawy, prędkości i pozycji pieszych używamy standardowego systemu nawigacji inercyjnej (INS). IMU o nazwie MTw Awinda o rozmiarze 148×104×31,9 mm od firmy Xsens jest skonfigurowany do wysyłania danych przy 100 Hz, który jest zamontowany na pięści, jak pokazano na rysunku 3. B. Algorytm wykrywania fazy pozycji Wykrywanie fazy postawy jest kluczowym procesem w ramach PDR AIEZ. Lepsze rozpoznawanie fazy postawy przyczynia się do wywołania EKF w odpowiednim czasie, aby zmodyfikować błędy INS dla lepszej wydajności. Większość algorytmów wykrywania fazy postawy opiera się na danych z akcelerometru [12] lub żyroskopu [13] a także zarówno akcelerometru i żyroskopu [6, 14]. Niektórzy uczeni wdrożyli wykrywanie za pomocą ultradźwięków, RFID lub magnesu [15], itp. Wykorzystujemy detektor optymalnego wykrywania hipotezy postawy (SHOE) zaproponowany w [14] do wykrywania fazy postawy. C. Algorytm wykrywania pola magnetycznego Formalizujemy kwasystatyczny problem wykrywania pola magnetycznego jako problem testowania hipotezy binarnej, w którym detektor może wybrać między dwoma hipotezami, które są zdefiniowane w następujący sposób: W odniesieniu do [14], model wyjścia czujnika ustala się jako: Algorytm korekty uzupełniającej Ze względu na wpływ uprzedzeń akcelerometru i żyroskopu, błędy kąta Eulera gromadzą się w miarę upływu czasu. Korzystając z danych z akcelerometru i żyroskopu, można obliczyć bezwzględny kąt obracania i podnoszenia, gdy stopa jest stacjonarna. Czyste pole magnetyczne przyczynia się do prawdziwego kierowania. Używamy danych podczas fazy pozycji do modyfikacji postawy obliczonej przez INS. 2) Elektroniczny kompas 3) Heurystyczna redukcja biegu głowy E. Rozszerzenie filtra Kalman 
 
 Niniejszy dokument jest dostępny w archiwum pod licencją ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Ten dokument jest Licencja ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL available on arxiv Dostępne w Archiwum

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

Ten dźwięk jest produkowany w oryginalnym języku historii!

Dlaczego Twój GPS nie działa w pomieszczeniach i jak filtr AIEZ Kalman go naprawia

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Meet the Writer: HackerNoon's Contributor Emmanuel Nwaka, Content Marketing Professional

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Meet Sora: HackerNoon Company of the Week

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Meet the Writer: HackerNoon's Contributor Emmanuel Nwaka, Content Marketing Professional

The Noonies 2022 Award Goes to Madalin Muraretiu - Contributor of The Year - Cryptocurrency Edition

Meet Sora: HackerNoon Company of the Week

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps