《电子技术应用》

基于模糊逻辑的室内导航步长估计方法研究

2016年电子技术应用第11期 作者:贺锋涛,赵胜利,周广平,关云静
2016/12/12 13:14:00

贺锋涛,赵胜利,周广平,关云静

(西安邮电大学 电子工程学院,陕西 西安710121)


    摘  要: 目前,基于微机械系统(MEMS)的行人航迹推算(PDR)室内导航定位系统都会面临步长估计的问题,因此提出了一种基于模糊逻辑的非线性步长估计方法。首先采用非线性步长估计方法模型,然后以步频、身高、体重作为逻辑系统输入变量设计模糊逻辑控制器,得到可变的步长估计系数,从而实现对步长动态估算。通过对30 m以内多次室内行走的实验结果分析表明,基于模糊逻辑的步长估计方法平均步长准确率可达到92%,与传统的步长估计算法相比提高约9%,有效提高了步长估计精度。

    关键词: 行人航迹推算;室内定位;步长估计;模糊逻辑;航向;步长

    中图分类号: TN492

    文献标识码: A

    DOI:10.16157/j.issn.0258-7998.2016.11.015


    中文引用格式: 贺锋涛,赵胜利,周广平,等. 基于模糊逻辑的室内导航步长估计方法研究[J].电子技术应用,2016,42(11):59-61,65.

    英文引用格式: He Fengtao,Zhao Shengli,Zhou Guangping,et al. Research on the method of step length estimation in indoor navigation system based on fuzzy logic[J].Application of Electronic Technique,2016,42(11):59-61,65.

0 引言

    基于位置的服务[1]由于便捷、智能、精确等良好的用户服务体验而受到青睐。目前,针对室内定位技术的研究主要有WiFi[2]、UWB[3-4]、位置指纹[5]、蓝牙[6-7]等。基于MEMS的室内行人航迹推算(Pedestrian Dead Reckoning,PDR)作为一种新兴的室内行人导航定位方法,具有短时间定位精度高、自主性强、不易受外界环境因素影响等特点,因而受到广泛关注。在基于PDR的室内行人定位系统中,步长精度对导航定位结果有着直接影响。目前的步长估计方法有线性估计和非线性估计两种方法。利用步长与步频的线性关系的线性方法估计[8]步长,却没有考虑个体的加速度方差等因素对步长的影响;利用步长和加速度值的相互关系的非线性步长估计[9]方法,没有考虑步频、身高等个体因素对步长的作用。针对上述问题,本文提出一种基于模糊逻辑的步长估计方法,该方法采用非线性步长估计模型,通过模糊逻辑系统实现可变地估算步长,同时对比分析了不同的步长估计方法在PDR系统中的应用,验证了该方法在室内行人定位系统中的有效性。

1 步长估计

    在实际中,步长与步频、加速度方差、身高等因素存在非线性关系,而模糊理论在不确定性和非线性系统中有着广泛的应用。因此,可以通过模糊逻辑推理系统得到估计步长值。

    文献[11]中提出了一种非线性计算步长方法, 如下所示:

    ck2-gs1.gif

    Amax和Amin分别为一步内的加速度最大值和最小值。由于人体加速度和步频、加速度波峰值等的相互关系,使得C值主要取决于个人的步频、身高等。可以通过模糊逻辑推理系统确定C值后,再由式(1)得到估计的步长值。

2 模糊逻辑系统设计

    模糊逻辑推理是一种基于“如果--则”[12]规则的智能控制,对非线性控制有很好的鲁棒性,可以较好地抑制环境变量对权重值的影响。模糊逻辑系统中常用的推理方式有Mamdani型模糊推理和Sugeno[13]型模糊推理。本文使用Mamdani型模糊推理算法。

    图1为Mamdani模糊逻辑推理系统框图。系统主要由输入、模糊化、模糊推理规则工具、解模糊化、输出等组成。输入时将个人的身高、体重、步频作为模糊逻辑的3个输入,先经过去模糊化,然后设置模糊规则,再经过去模糊化后输出期望值C,最后将C值带入式(1)中,得到步长。由于个体差异,需要在首次使用时调整模糊逻辑系统的参数,以适应不同的个体。

ck2-t1.gif

2.1 输入输出隶属度函数

    在模糊逻辑推理系统中,用隶属度来衡量数值高低的归属,相应的模糊规则是定义在模糊集合上的规则。本文将个人的步频、身高、体重作为模糊逻辑的3个输入,每个输入都由高、中、低这3条隶属度函数曲线构成,变量的隶属度函数曲线是由高斯型函数、三角函数、高斯型函数组合等构成。高斯型函数[14]的表达式为:

    ck2-gs2.gif

式中,参数μ表示函数中心点横坐标,σ表示曲线的陡峭程度。根据实际及模糊统计法为每个隶属度函数选取最佳参数。

    行人在正常行走中的步频为1 Hz~3 Hz,可以将正常人的行走速度分为慢速、中速、快速[15]3种。

    图2为步频的隶属度函数。根据实际的步长与步频生成一定的线性关系,步频采用三角隶属度函数,慢速的步频范围为1 Hz~1.6 Hz,中速对应的步频范围为1.2 Hz~2.0 Hz,快速的步频范围为2 Hz~3 Hz。

ck2-t2.gif

    图3为身高的隶属度函数,由于估计步长与实际的身高的非线性关系,所以采用高斯函数隶属度函数。因为实际中体重与步长之间的非线性关系,因此体重的隶属度函数为高斯组合隶属度函数。

ck2-t3.gif

2.2 模糊推理规则

    在输入的规则变量中,输入为步频、身高、体重,输出变量为式(1)中的常数C。由于步频是决定常数输出值的主要控制器,因此将步频分为高、中、低3个模糊集表示。步频值大则输出值较高,反之亦然;当步频值相对中等时,输出结果由另外2个输入参数(身高、体重)来调节;若输入为步频高、身高高、体重低,则输出值高;如果输入为步频低、体重大、身高低,则输出值低。

2.3 位置计算

    从一已知点开始,行人的当前位置可表示[16]为:

    ck2-gs3-7.gif

式中,SLerr是行走步长估计误差,SLact为实际行走平均步长,SLes为行走估计步长。

3 实验结果讨论

3.1 实验平台搭建

    系统的核心部分是32 bit的微处理器芯片STM32F103,主要负责采集及处理惯性传感器数据。惯性传感器电路主要有MPU9150和外围电路供电电路,上位机软件负责接收处理后的数据,然后在MATLAB中仿真验证。测试时MPU9150的采样频率为50 Hz。为了证明本文方法的有效性,进行室内行走试验,行走路线主要为直线和矩形。

3.2 实验结果分析

    表1中,1为矩形行走试验,步数为16步,总距离为10.4 m,误差为0.8 m;2为直线行走试验,步数为40步,误差为1.9 m。经过30 m以内多次行走试验,测得行走距离误差在3 m以内。

ck2-b1.gif

    图4为具体的步长曲线。从图中可以看出本文算法在0.4~0.8之间步幅变化较为合理,与实际的步长吻合比较好;非线性方法1步长变化较大,步长超出1.2 m,与实际不符;线性步长方法则明显偏小。

ck2-t4.gif

    根据式(5)、式(6)、式(7)可得到表2。表2中对比分析了3种不同算法在实际中的动态具体估计步长数据。由表2可以得到,本文算法的精度高,比传统的线性步长估计方法提高约9%,比非线性方法1提高5%。同时,步长的大小及变化幅度比较合理,与实际的步长吻合比较好;非线性方法1及线性步长估计得到的步长幅度范围变化比较大,与实际不符,且精度比本文方法低,从而降低了实际的距离精度。

ck2-b2.gif

4 结束语

    本文采用非线性估计模型,通过模糊逻辑系统得到步长,并比较分析PDR算法中不同的步长估计算法的精度对行走距离的影响。经过实验验证,基于模糊逻辑的步长估计方法的精度比传统的步长估计方法提高9%,可以应用于室内定位导航系统中。

参考文献

[1] ZHOU L,WANG H.Toward blind scheduling in mobile media cloud:fairness,simplicity,and asymptotic optimality[J].IEEE Transactions on Multimedia,2013,15(4):735-746.

[2] BAN R,KAJI K,HIROI K,et al.Indoor positioning method integrating pedestrian dead reckoning with magnetic field and WiFi fingerprints[C].Mobile Computing and Ubiquitous Networking(ICMU),2015 Eighth International Conference on.IEEE,2015:167-172.

[3] GARCIA E,POUDEREUX P,HERNANDEZ A,et al.A robust UWB indoor positioning system for highly complex environments[C].IEEE International Conference on Industrial Technology.IEEE,2015.

[4] JERABEK J,ZAPLATILEK L,POLA M.A proposal of radio ultrawideband systems for precision indoor localization[C].Radioelektronika.IEEE,2015.

[5] Muòoz-Organero M,KLOOS C D,Muòoz-Merino P J.Using bluetooth to implement a pervasive indoor positioning system with minimal requirements at the application level[J].Mobile Information Systems,2012,43(8):73-82.

[6] BAHILLO A,ANGULO I,ONIEVA E,et al.Low-cost Bluetooth foot-mounted IMU for pedestrian tracking in industrial environments[C].Industrial Technology(ICIT),2015 IEEE International Conference on.IEEE,2015.

[7] Muòoz-Organero M,KLOOS C D,Muòoz-Merino P J.Using bluetooth to implement a pervasive indoor positioning system with minimal requirements at the application level[J].Mobile Information Systems,2012,43(8):73-82.

[8] 孙作雷,茅旭初,田蔚风,等.基于动作识别和步幅估计的步行者航位推算[J].上海交通大学学报,2008,42(12):2002-2005.

[9] SCARLETT J.Enhancing the performance of pedometers using a single accelerometer[Z].Application Note,Analog Devices,2007.

[10] LI F.A reliable and accurate indoor localization method using phone inertial sensors[C].UbiComp′12.ACM.New York,2012.

[11] WEINBERG H.Using the ADXL202 in pedometer and personal navigation applications[Z].Analog Devices AN-602 Application Note,2002.

[12] 张国良,曾静.模糊控制及其MATLAB应用[M].西安:交通大学出版社,2002.

[13] 王万良,石浩,李燕君.基于Mamdani型模糊推理的加权质心定位算法[J].计算机科学,2015,42(10):101-105.

[14] 王璐,张文涛.人体手掌静脉图像采集系统研究[J].激光与红外,2013,43(4):404-408.

[15] 李若涵,张金艺,徐德政,等.运动分类步频调节的微机电惯性测量单元室内行人航迹推算[J].上海大学学报:自然科学版,2014(5):612-623.

[16] Liu Zexi,Aduba Chukwuemeka,Won Chang-Hee.In-plane dead reckoning with knee and waist attched gyroscopes[J].Measurement,2011,44:1860-1868.

继续阅读>>