
 
 
 
 
 Tác giả : (1) Liqiang Zhang, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc; (2) Kai Guo, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc; (3) Yu Liu, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc. Authors: (1) Liqiang Zhang, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc; (2) Kai Guo, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc; (3) Yu Liu, Trường Microelectronics, Đại học Thiên Tân, Trung Quốc. Bàn trái Abstract và I. Introduction II. Phương pháp III. Kết quả thí nghiệm IV. Kết luận và công trình tương lai, và tham chiếu —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 Abstracts I. Giới thiệu Hệ thống vệ tinh điều hướng toàn cầu (GNSS) được sử dụng rộng rãi như một phương pháp định vị thiết yếu cho điều hướng người đi bộ. Nhưng trong lĩnh vực này, chẳng hạn như hẻm núi đô thị hoặc môi trường trong nhà, GNSS trở nên không đáng tin cậy do sự suy giảm tín hiệu, can thiệp và bóng tối. Để có được kết quả định vị liên tục và đáng tin cậy, Hệ thống định vị địa phương (LPS) đang được điều tra bằng cách sử dụng các loại phương pháp khác nhau, chẳng hạn như đơn vị đo lường trơn tru (IMU) dựa, công nghệ không dây hoặc dựa trên tầm nhìn [1], v.v. Trong số đó, các phương pháp PDR dựa trên IMU được ưa thích do chi phí thấp hơn, độ tin cậy cao hơn, cũng như không cần cơ sở hạ tầng bên ngoài. Các vị trí lắp đặt khác nhau đã được nghiên cứu bao gồm cầm tay [2], đai gắn [3] hoặc chân gắn [4-8], v.v. Thật không may, IMU chi phí thấp cung cấp sự ổn định ngắn hạn và các lỗi có hệ thống tăng do tính chất tích hợp của nó. Để cải thiện hiệu suất của hệ thống, một khung PDR dựa trên Kalman được sử dụng rộng rãi IEZ [4] sử dụng thuật toán ZUPT để ước tính lỗi tốc độ trong giai đoạn đứng. Đối với hiệu suất của hệ thống PDR, tiêu đề là một trong những yếu tố quan trọng nhất có ảnh hưởng đến độ chính xác của nó. Tuy nhiên, lỗi tiêu đề là không thể quan sát được đối với IEZ. Sử dụng tiêu đề từ tính là một cách hiệu quả để ràng buộc lỗi tiêu đề. Nhưng các rối loạn từ tính bao gồm rối loạn mềm và cứng [9, 10] là stochastic và thay đổi trong nhà, điều này là không thể dự đoán được. Do đó, thuật toán phát hiện trường từ tính gần như tĩnh (QMD) đã được đề xuất để chọn trường từ tính tinh khiết trong môi trường rối loạn từ tính và sau đó sáp nhập dữ liệu từ gyroscope và magnetometer [11]. Phương pháp này có sẵn để phát hiện trường từ tính đang thay đổi một chút và có hiệu suất tốt. Tuy nhiên, rất khó để nhận ra sự rối loạn từ tính cứng. Không có gì Trong bài báo này, thuật toán QMD đã được thiết kế lại để giải quyết vấn đề rằng sự xáo trộn từ cứng là khó phát hiện đối với thuật toán QMD cổ điển trong [11]. Khi sự xáo trộn được phát hiện bởi QMD, thuật toán HDR mà chỉ dựa vào dữ liệu từ gyroscope được chọn để giảm lỗi trượt tiêu đề. Ngược lại, thuật toán Electronic Compass (EC) là một lựa chọn tốt hơn để sửa đổi lỗi tiêu đề. đề cập đến [4], theo công việc của Foxlin, để dẫn ra một hệ thống PDR mới, thuật toán QMD, HDR và EC được tích hợp vào IEZ để hình thành một khuôn khổ mới được gọi là AIEZ (Advanced IEZ). II. Phương pháp Phần này mô tả cơ chế của khung PDR AIEZ. Các bước xử lý được hiển thị như sau. Biểu đồ khối của AIEZ được hiển thị trong Hình 1 cũng như biểu đồ dòng chảy trong Hình 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. Hệ thống điều hướng trơn tru gắn giày Chúng tôi sử dụng hệ thống dẫn đường trơn tru tiêu chuẩn (INS) để tính toán thái độ, tốc độ và vị trí của người đi bộ. IMU có tên MTw Awinda với kích thước 148×104×31,9 mm từ Công ty Xsens được cấu hình để gửi dữ liệu ở 100 Hz, được gắn trên gót chân như được hiển thị trong Hình 3. B. Algorithm phát hiện giai đoạn Phát hiện giai đoạn đứng là một quá trình quan trọng trong khuôn khổ PDR AIEZ. Nhận dạng tốt hơn của giai đoạn đứng góp phần kích hoạt EKF kịp thời để sửa đổi các lỗi INS cho hiệu suất tốt hơn. Hầu hết các thuật toán cho phát hiện giai đoạn đứng dựa trên dữ liệu từ accelerometer [12] hoặc gyroscope [13] cũng như cả accelerometer và gyroscope [6, 14]. Một số học giả thực hiện phát hiện bằng cách sử dụng siêu âm, RFID hoặc nam châm [15], vv Chúng tôi sử dụng máy phát hiện tối ưu giả thuyết đứng (SHOE) được đề xuất trong [14] để phát hiện giai đoạn đứng. C. Quasi-static Magnetic Field Detection Algorithm Chúng tôi chính thức hóa vấn đề phát hiện trường từ tĩnh như một vấn đề thử nghiệm giả thuyết nhị phân, trong đó máy dò có thể chọn giữa hai giả thuyết được xác định như sau: Đối với [14], mô hình đầu ra cảm biến được thiết lập như sau: D. Algorithm điều chỉnh bổ sung Do ảnh hưởng của các thiên vị của accelerometer và gyroscope, các lỗi của góc Euler tích lũy theo thời gian. Sử dụng dữ liệu từ accelerometer và gyroscope có thể tính toán góc cuộn và pitch tuyệt đối khi chân đứng. trường từ tính thuần túy góp phần vào một tiêu đề thực sự. Chúng tôi sử dụng dữ liệu trong giai đoạn đứng để sửa đổi thái độ được tính toán bởi INS. 2) Điện tử Compass 3) Heuristic heading Drift Reduction E. Mở rộng Kalman Filter 
 
 Tài liệu này được lưu trữ dưới giấy phép ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL. Bài báo này là Giấy phép ATTRIBUTION-NONCOMMERCIAL-NODERIVS 4.0 INTERNATIONAL Có sẵn trong Archive Có sẵn trong Archive

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

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

Tại sao GPS của bạn thất bại trong nhà và cách lọc AIEZ Kalman sửa chữa nó

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

72 Stories To Learn About Adam Smith

72 Stories To Learn About The Essays Of Adam Smith

94 Stories To Learn About John Locke

85 Stories To Learn About Productivity Hacks

72 Stories To Learn About Adam Smith

72 Stories To Learn About The Essays Of Adam Smith

94 Stories To Learn About John Locke

85 Stories To Learn About Productivity Hacks

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps