位置服務的普及給人們生活帶來了極大的方便,在室外環(huán)境中依靠完備的GNSS可以獲取實時的高精度位置服務。而在建筑物內部、森林、隧道或者樓宇之間等無法應用GNSS定位的環(huán)境中,一般采用室內定位技術。而采用有源信號進行室內定位的系統(tǒng),需要事先安裝基礎設施,在有信號干擾和一些應急場景中無法使用。針對這一情況,本文選擇以鞋綁式行人航位推算為基礎,從提升數據質量、提高步態(tài)檢測精度和導航信息融合等方面展開研究,改進鞋綁式行人航位推算的定位精度和系統(tǒng)穩(wěn)定性。研究成果如下:(1)提出IMU的多位置旋轉誤差標定算法。針對低成本IMU數據質量差的問題,首先利用Allan方差分析IMU的隨機噪聲,然后通過比力加速度與重力建立加速度計的誤差模型,基于動態(tài)旋轉以及標定后的加速度建立導航方程實現(xiàn)陀螺儀誤差建模,使用LM算法實現(xiàn)低成本IMU系統(tǒng)誤差參數的快速標定。該方法無需任何外界設備輔助,可以精確地標定出加速度計與陀螺儀的常值零偏、三軸安裝誤差以及縮放因子。標定后能有效的改善加速度計與陀螺儀數據質量,導航精度提升一個數量級。(2)提出多運動狀態(tài)下自適應步態(tài)檢測算法。為解決由支撐區(qū)間中的上行波動和擺動區(qū)間中的下行波動... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數】：108 頁

【學位級別】：碩士

【部分圖文】：

剛體等效旋轉示意圖

圖 3-2 加速度計/陀螺儀軸與理想軸之間的偏差ccelerometer/ Gyroscope sensors axes deviation between id差參數確定時包含的誤差一般有安裝誤差、縮放因子、零偏隨機噪聲進行了分析，本節(jié)根據坐標軸與理想軸采用先平移在旋轉的方法對加速計的誤差進行建本文忽略橫軸靈敏度的影響，首先將三軸平移至，最后將放大后的坐標軸旋轉至理想軸的位置，( )o a a s a aa T K a b ν 111yz zyxz zxxy yx ,0 00 00 0axa ayazsss K ，axa ayazbbb b 分別表示理想的加速度值和實際的加速度測量值，

4 多運動狀態(tài)下自適應步態(tài)檢測（3）分類識別本文選取隨機森林算法（Random Forest，RF）進行運動狀態(tài)分類，作為一種新興的、高度靈活的一種機器學習算法在諸多領域都有應用，如銀行、股票市場、醫(yī)藥和電子商務，現(xiàn)被廣泛應用于模式識別[99]。RF 算法是以 Bagging 和Random Subspace 算法為基礎發(fā)展而來，其通過構造多棵具有隨機性的決策樹1 2( ), ( ), , ( )nTreeh x h x hx ，并將它們組合在一起以獲得更穩(wěn)定和準確的分類，其結構示意圖如 4-11 所示。隨機森林算法既可以用于分類，也可以通過輸出決策樹結果的平均值來解決回歸問題。構造待分類的數據 1 21, , , ,Ni i iM iix x x y T 含有N 個待分類樣本，1 2, , ,i i iMx x x 為該數據的 M 個特征量， NiiY y為待分類數據T 的 個類別標簽，其中iy 的值為 c ， c 2為分類數。


本文編號：2921617