行人导航状态识别与传感器优化选择

　　摘要：为避免过多传感器的配置在行人导航状态分类时引入冗余信息，提出了一种传感器配置优化方法。根据采集的惯性传感器三轴加速度和角速度信息，基于K均值聚类算法(K-means)、自组织映射算法(SOM)和混合高斯聚类算法(EM-GMM)对行人运动状态进行识别;选取轮廓系数、戴维森堡丁指数、卡林斯基-哈拉巴斯指数3个内部评价指标及执行时间对聚类效果进行综合对比，得出在行人状态识别中K-means聚类方法较优;基于K-means聚类最优模型，对二维、三维、六维不同传感器配置下的轮廓系数进行综合对比，得出二维和三维行人惯性导航系统即可有效实现行人运动状态识别，有效解决了六维特征空间中因多变量复杂相关导致的难以准确建模的难题，为多传感器的行人导航状态识别提供了新途径。

　　关键词：行人导航;步态识别;运动状态识别;惯性传感器优化;聚类分析

　　0引言

　　惯性传感器是实现高精度行人导航的重要技术[1]。随着科学技术的发展，我国行人导航的研究取得了飞速的发展，基于微机电系统(MEMS,micro-electro-mechanicalsystem)惯性传感器的行人定位由于其极强的环境适应性和抗干扰性而得到了广泛的研究[2-3]。惯性导航系统可由MEMS陀螺仪、加速度计和磁强计等多种惯性传感器组合构建。

　　惯性导航系统具备了体积小、质量轻、成本低、部署方便、可靠性高和易于集成的特点，使得惯性系统可以独立实现人体的定位导航，可用于复杂的室内外环境使用，能为人们提供更多工作生活的便利。因此，针对MEMS惯性传感器的导航技术研究对我国行人导航的发展具有重要的意义。应用在行人导航的MEMS惯性传感器可分为单轴惯性传感器、双轴惯性传感器和三轴惯性传感器三种组装系统。

　　目前，研究行人运动状态研究领域中所采取的惯性导航系统不尽相同，Rebeiz和Judy在研究人体运动状态采取了用三维加速度传感器作为采集人体运动信息的有效设备器件[4-5]。Padgaonkar在研究人体运动状态时分别采用了包括一维加速度计、二维加速度计和三维加速度计组合的传感器系统[6]。Giansanti针对六维或九维加速度计的行人导航组合测试系统进行了深入探究[7]。

　　Prasa在研究人体运动状态尝试采取十二维加速度计进行分析[8]。Rehbinder和Hu在研究人体运动状态时采取了基于MEMS加速度计和MEMS陀螺仪组装的二维传感器，但最终实验结果存在角度漂移问题[9]。随着惯性人体运动研究得到广泛的关注，结合科技技术的日益发展，Morris等研究者提出了在三维空间中研究人体运动状态[10]。Bachmann在研究人体运动状态采取了九维惯性导航系统[11]。

　　通过查阅国内外相关文献可发现，有大量研究者均基于高维组合传感器研究行人惯性导航系统，但传感器数量的组合安装大多依赖研究者的主观经验，当采用传感器的数目大于实际最优检测效果数目时，优化传感的方法选择的传感器会表现出明显的优异性，以此可避免过多传感器配置将引入的冗余信息。本文将集成了三轴陀螺仪、三轴加速度计的MEMS惯性传感器作为导航元件，基于Foxlin[12]系统阐述的脚绑惯性传感器的行人步态区间测试思想，研究X、Y、Z各轴向加速度及角速度组合的行人步态状态识别，最终根据行人运动状态的识别效果实现惯性传感器配置优化，给出最优组合的惯性传感器配置。

　　1惯性行人导航实验系统设计

　　1.1实验系统结构

　　惯性行人导航系统由电源、惯性传感器、导航计算机和显控设备构成[13]。电源用于向整个系统供电，惯性传感器用于获取并输入行人运动的运动数据，导航计算机是对传感器输入的数据进行解算并将导航结果输出到显控设备，显控设备用于输出导航结果以及输入指令控制导航计算机。

　　基于系统的硬件结构图，利用计算机代替导航计算机和显控设备，并利用计算机的电源为惯性传感器供电，实现了一个将MEMS传感器安装于脚跟部位的惯性行人导航系统。

　　1.2MEMS惯性传感器

　　本文利用荷兰Xsens公司生产的Mti-G-710系列MEMS惯性传感器作为导航元件。在行人导航状态检测实验时，惯性传感器可分为三个轴方向，其中行人前进方向为X轴，左侧方向为Y轴，朝上方向为Z轴。

　　2行人导航脚部运动状态实验分析

　　2.1行人行走状态脚部运动分析

　　根据人体运动学可将行人行走过程中足部的变化用步态来进行描述[15]，根据行人步行过程存在周期性的步态更迭特点，因此可将每个运动周期分为两个区间，一个是全脚掌着地时的零速区间，另外一个是包括抬脚跟、空中摆动和脚跟着地三个部分的非零速区间。因为足部运动具有静止-运动静止交替变化特点，所以安装在脚跟部位的惯性传感器MIMU输出的行人脚部运动数据会呈现出与行走频率一致的周期性变化规律，可大体将行人的一个步行周期分为抬脚跟、空中摆动、脚跟着地和全脚掌着地4个过程。

　　2.2基于惯性传感器输出的行人步态分析

　　根据惯性行人导航实验系统获取行人行走过程中惯性传感器输出的脚步惯性步态数据，可寻找行人步态与惯性传感器输出值的对应关系。分别探究行人纵向、前向、垂向的加速度和角速度速度变化，可检测出行人步态的零速区间，实验设计行人在水平路面上沿直线行走过程中。

　　2.3多种聚类模型的行人运动状态识别分析

　　聚类分析指将无标签的数据集划分为不同簇的过程，是一种无监督的分类方法[17]。聚类算法在统计学、数据挖掘、模式类别等研究领域广泛使用，是一种非常重要的数据分类研究工具[18]。聚类的标准是使簇内样本相似度尽可能大、簇间样本相似度尽可能小。因此，对高维惯性行人导航的空间数据对象划分可通过聚类目标函数的优化问题来解决。

　　许多研究人员运用各种聚类对导航系统的优化做出了贡献，陈淼证明了在一个复杂的室内环境，自组织映射算法可以将高维变量映射到一个一维或二维的平面上，从而提高系统的实时定位性[19]。传统的室内定位方法采用标准高斯模型对参考点上接收的信号强度进行建模[20]。胡叶证明了K均值聚类可以有效识别运动状态[21]。本文拟采取K均值聚类(K-means)、自组织映射(SOM)、混合高斯聚类算法(EM-GMM)三种较为经典聚类算法识别行人的运动状态。综合对比各聚类算法分类效果，最终实现最优行人运动状态检测。

　　3基于K-means模型的传感器优化分析

　　3.1二维、三维传感器运动状态识别

　　本章将分析基于K-means聚类优化方法进行精简传感器，进一步讨论对传感器精简优化后模型的有效性，实现传感器的优化配置的设置参数，为有效获得行人导航状态识别研究提供参考。基于K-means聚类算法对二维、三维的行人导航惯性传感器配置输出的数据集进行自动分类，探讨分类识别行人步行过程中的五种运动状态，即慢速、常速、快速、慢跑、跑步。

　　4实验结论与分析

　　实验结果显示，在K-means聚类、EM-GMM聚类和SOM聚类算法中，K-means的执行时间最快，SI值最大，DBI值最小，CHI值也远大于其他两种聚类，因此基于K-means聚类算法对行人运动状态识别过程进行传感器优化。。基于K-means聚类模型探究了不同组合传感器配置测试效果。实验结果显示，二维Y、Z轴向角速度和三维X、Y、Z轴向角速度的空间组合在识别行人不同运动状态聚类效果时，其SI值分别达到0.59和0.51;而六维空间中三轴加速度和角速度组合的SI值未达到0.5。可见，优化后的二维和三维行人惯性导航系统即有效实现行人运动状态识别。

　　5结束语

　　为实现较少传感器即可完成行人导航状态识别的目标，设计惯性行人导航实验系统，针对二维、三维、六维行人导航惯性传感器数据进行传感器优化研究，提出了传感器优化选择方案。结论表明，基于二维、三维惯性行人导航传感器信息即可实现行人状态识别，充分体现了传感器优化选择方案的经济性、便捷性、高效性。

　　参考文献

　　[1]颜里.基于惯性导航的行人自主定位技术研究[D].成都：电子科技大学,2020：47-65.

　　[2]TITTERTOND,WESTONJL.Strapdowninertialnavigationtechnology[J].Reston:TheAmericanInstituteofAeronauticsandAstronautics,2004.2-5.

　　[3]王思远,韩松来,任星宇,等.MEMS惯性导航技术及其应用与展望[J].控制与信息技术,2018(6):21-26,49.

　　[4]REBEIZGM.RFMEMS:theory，design,andtechnology[J].Microwaves&Rf，2004(6):87-120.

　　作者：杨秀莲1,李娟1*,王梦杰1,吕杨1,孙秀慧1,戴洪德2