徒步導航系統中的自適應步態優化檢測方法研究*

孫偉，丁偉，李瑞豹

（遼寧工程技術大學測繪與地理科學學院，遼寧阜新123000）

徒步導航系統中的自適應步態優化檢測方法研究*

孫偉*，丁偉，李瑞豹

（遼寧工程技術大學測繪與地理科學學院，遼寧阜新123000）

針對步態檢測的可靠性和準確性成為制約個人徒步導航定位系統高精度定位的主要因素，提出一種基于K均值聚類參數調整的自適應步態檢測算法。首先研究行走過程的足部運動規律，并分析慣性測量單元輸出加速度和角速率的數據特征，提出采用比力幅值滑動方差作為檢測依據的步伐檢測方案；分析滑動方差窗口參數、初始檢測閾值參數和誤檢修正時間參數對于檢測結果的影響并指出三者的關系，確定窗口參數、初始閾值選擇的一般準則以及利用K均值聚類自適應確定時間參數以糾正初始檢測結果中誤檢步態的可行性。利用實驗室現有MEMS傳感器開展了5組不同狀態下的徒步實驗，實驗結果驗證了步態檢測算法的可行性和有效性。

人員定位系統；步態檢測；滑動方差；K均值聚類；自適應

EEACC：7120；7230M；7320Edoi：10.3969/j.issn.1004-1699.2016.09.016

徒步導航系統是一種典型的個人連續定位系統，根據加速度計、陀螺儀輸出信息研究行走過程的運動規律進而推算行人的實時位置［1-3］。MEMS慣性技術的發展推動了徒步導航技術的發展并為其實現工程化提供保障。人員定位系統可根據其特有步態規律實施步態檢測算法區分步態靜止階段和擺動階段，對靜止步態階段應用零速修正算法及時修正器件漂移引起的位置誤差［4-5］。因此步態檢測結果的有效性和準確度將直接影響定位結果的可靠性和精度，國內外學者以提高檢測結果的準確度為目的開展了大量的研究工作并提出了多種檢測方法。利用的檢測量包括比力模值、比力滑動均值、比力滑動方差、角速度模值、角速度滑動均值、角速度能量等一種或多種相結合，檢測涉及的參數包括滑動方差窗口大小、檢測閾值以及同一步態持續時間長短［6-9］。已有檢測算法大都基于特定的步態環境，檢測參數大小固定，對不同個體、不同運動環境適應性較差。本文提出一種以比力滑動方差為檢測量，結合MEMS器件數據特點確定窗口參數和閾值參數，利用聚類方法自適應的確定時間參數并糾正初始分類結果，取得較為理想的測試結果。

1　步態規律分析

1.1傳感器安裝位置的確定

一個完整的步態周期包括腳跟離地HO（Heel Off）、腳尖離地TO（Toe Off）、腳跟著地HS（Heel Strike）、腳尖著地TS（Toe Strike）4個過程（圖1）［10］。其中TS至HO為靜止階段，其余各狀態構成擺動階段。靜止階段腳的速度理論上應當為零，對應于IMU輸出比力應等于當地重力加速度，角速度為零。但實際情況由于器件偏差及測量誤差的存在，IMU輸出與理想值存在偏差，進而導致慣性解算腳的實際速度不為零。步態檢測的目的就是辨識人行走周期中的靜止階段，是零速修正得以實施的前提。

圖1　步態示意圖

徒步導航系統中的慣性測量單元IMU（Inertial Measurement Unit）安裝位置各有不同，如安裝在鞋跟側面、鞋底中央、鞋面［8-9，11］。依據如上分析，將傳感器安裝于鞋面時可以獲得最長的靜止時間，可為零速修正提供充足的執行時間，因此，本文將MEMS安裝于鞋面（圖2），并定義載體坐標系（b系）的xb沿傳感器縱軸指前，yb沿傳感器橫軸指左，zb與xb、yb構成右手空間直角坐標系指天。

圖2　系統結構圖

1.2步態特征提取

為尋求最優判別依據，進一步確定步態變化對于慣性器件輸出數據的影響，截取某次測試后的慣性器件輸出進行比對分析（如圖3）。

圖3　行走過程IMU輸出

可以看出，足部靜止階段三軸加速度計輸出及三軸陀螺儀輸出都保持較長時間的穩定狀態，但是3個正交方向的角速度近似為零，由于IMU安裝角的存在導致重力分量作用于xb軸、yb軸加速度計導致加速度分別穩定于3個固定值；足部擺動階段的數據波動變化較為劇烈，三方向加速度變化規律類似，而三方向角速度中y軸變化幅度顯著大于其余兩軸，這與人行走過程中足部運動規律及IMU傳感器坐標軸指向對應。

步態檢測用于判別行走過程中足部是否完全處于靜止狀態。因此步態檢測算法可轉化為模式識別問題，且檢測結果僅有0、1兩種狀態（0表示靜止，1表示運動）［12-13］。檢測量的選擇是步態檢測的前提，不同檢測量具有不同的數據特征，檢測結果的有效性和準確率也有所區別?？紤]MEMS加速度計性能比MEMS陀螺性能穩定、精度高［14-15］，且由圖3可知行走過程僅一個方向陀螺數據變化明顯，因而選取加速度計輸出構造檢測量。

采用加速度幅值|fb|作為檢測量，通過選擇適當檢測閾值可實現步態的辨識，但是通過對圖4加速度幅值數據分析可發現，足部擺動階段加速度幅值波動大，這將導致檢測結果中擺動階段出現許多錯誤的短時靜止狀態，易導致步態誤判現象的出現。

圖4　加速度幅值與滑動方差

則步態（Gait）檢測結果可表示為：

其中，σGate表示方差閾值。

2　自適應步態優化檢測

步態檢測涉及計算加速度滑動方差的窗口大小、判斷靜止狀態的加速度方差閾值、誤檢糾正的時間參數。根據圖5所示的檢測流程可以看出，初始步態檢測直接由加速度計數據通過選擇適當窗口參數和方差閾值得到初始靜態及動態。根據初始檢測結果對誤檢步態的進一步糾正以提高最終步態的準確性，時間參數的選取應用了K均值聚類方法，具有自適應性。

2.1窗口大小設定

窗口參數是計算加速度滑動方差的關鍵參數，窗口大小決定參與計算滑動方差的數據量，不同窗口大小內的滑動方差不同。為說明窗口參數的特征，分別取w=10、w=20、w=30、w=40計算加速度滑動方差（如圖6），對比發現w過小時導致閾值范圍小，容易出現擺動階段被誤檢為靜止，隨著w的取值增大，滑動方差越平滑，可供選擇的閾值范圍越大。但窗口參數并不是越大越好，因為計算時采用中心點前后各w/2的數據，導航窗口長度產生一半的時間延遲，延遲時間取決于IMU采樣率。此外，當窗口參數過大時將導致部分擺動時刻滑動方差過于平滑，通過縮小閾值的可選擇范圍，避免出現擺動狀態漏檢。

圖5　自適應步態檢測流程圖

圖6　窗口大小對加速度滑動方差的影響

2.2閾值設定

閾值是直接區分行人足部狀態的核心參數，不同個體、不同行走速度的行走數據多對應的閾值參數各不相同，一般需要根據具體數據進行分析確定。通過對加速度滑動方差數據分析后發現：測量誤差導致靜止階段滑動方差不為零，而是存在一些局部小幅度波動，同樣擺動階段也存在較大幅度波動。根據加速度滑動方差數據特點，閾值選擇及對應的檢測結果存在以下幾種可能性：

③若取σ1＜σGait＜σ2，則不會漏檢所有靜態，但將出現部分擺動階段被誤檢為短時靜態。

④若σGait大于擺動低谷最大值小于擺動尖峰最小值，則步態檢測退化為計步器，部分擺動階段被誤檢為靜態。

⑤若σGait大于所有擺動尖峰的最小值而小于擺動尖峰最大值，則將完全漏檢部分擺動階段，而相應時段被認為處于靜態從而導致檢測步數少于實際行走步數。

⑥若σGait大于所有擺動尖峰的最大值，則將漏檢所有步態，檢測步數為零，整個行走過程被視為靜態。

圖7　閾值參數選取

2.3時間參數選取

通過對閾值參數的分析可發現閾值的準確選取較為困難，當出現圖7（b）的情況時，無論怎樣選擇閾值都會產生誤檢并會出現與實際行走不符的短時靜態或短時動態。為進一步提高步態檢測方法的準確度，需對原始檢測結果進行糾正，剔除不正確的步態結果。其中一種有效的方法是比較所有初始檢測的靜態階段持續的時間，然后設置一時間閾值將所有小于閾值的短時靜態階段濾除。雖然該方法具有一定效果但可實現性差，原因在于時間參數選取存在困難，且不恰當的選取可能導致糾正結果呈現更大的偏離誤差。

通過實現時間參數的自適應選擇，可分別計算初始檢測靜態和動態的每一階段持續時間，然后利用K均值聚類方法根據靜態統計結果分為真、假靜態。那么任何界于假靜態持續最長時間和真靜態持續最短時間之間的時間參數都可被準確區，并可實現對初始擺動的統計結果進行處理。具體實現過程如下：

①統計初始檢測步態各次靜態、擺動出現的時刻。對初始步態G作一次前向差分：

設定0表示靜態，1表示擺動，因此式（5）中ΔG=-1即由擺動轉為靜態，ΔG=1為由靜態轉為擺動，ΔG=0則表示狀態保持不變。記靜態開始時刻（也即動態結束時刻）為tstance，動態開始時刻（也即靜態結束時刻）為tswing，則有：

②分別根據tstance和tswing統計各次靜態和動態持續時間內數據長度，記各次靜態持續長度為Lstance，各次擺動持續長度為Lswing，則有：

③K均值聚類，將Lstance聚類成真、假靜態兩類，Lswing聚類成真、假動態兩類。

④根據聚類結果選擇時間閾值，以靜態為例，記真靜態最小長度為Lmin，假靜態最大長度為lmax，則可按下式選擇時間參數（數據長度）閾值：

式中0＜w＜1為根據聚類效果選取的權重，若真靜（動）態聚類效果優于假靜（動）態，則取w＞0.5的值，反之，w＜0.5。

圖8分別給出基于本文設計方案得到的一組正常行走數據初始檢測結果靜態和動態的聚類效果。其中，每一數據點代表一次靜態或動態。

圖8　K均值聚類辨識初始檢測步態

3　實驗結果與分析

為驗證論文所提檢測算法的可行性，開展一組直線行走實驗。綜合考慮數據平滑程度并盡可能降低時間延遲對導航精度影響，設定采樣率fs=100 Hz，選擇窗口參數w=20并計算時間延遲δt=w/2/fs=0.1 s；初始檢測加速度滑動方差閾值設定為σGait=0.01m2/s4。通過對圖9描述的初始檢測步態曲線分析可以看出，由于選擇的方差閾值較小，因測量擾動的存在導致部分處于實際靜止階段的信息被誤檢為短時動態，引起靜止階段呈現短時靜態與短時動態交替出現。依托本文設計方案，通過對初始檢測步態分別統計靜態與動態出現的時刻并對每次持續的時間進行聚類，然后根據自適應時間參數對誤檢步態進行糾正，得到圖9所示的糾正后步態檢測結果。經過修正后的結果具有明顯的步伐特征。

圖9　初始檢測步態與糾正后步態

將檢測步態加經過重力值補償后與慣性器件輸出的加速度幅值進行比對（如圖10）。結果表明，盡管足部靜止階段時器件輸出存在小范圍測量擾動，但是自適應時間參數檢測算法仍能準確有效地糾正由于閾值參數選擇不當引起的誤檢步態。

為驗證算法可靠性，利用MEMS慣性測量單元分別采集慢速、較慢、常速、較快和快速5種不同行走速度環境下的慣性數據，同時記錄真實行走步數。實驗場地為測繪學院一樓直線走廊，行走距離70 m為定值，行走步數隨行走速度變化而不同。依次對5組數據按提出算法進行步態檢測，得到表1所描述的檢測結果與真實步數比對值。結果表明在不同行走速度下檢測準確率可達到99%以上。

圖10　最終步態與加速度幅值

表1　不同行走速度檢測結果

4　結論

通過分析人員徒步行走規律，提出采用窗口參數、方差閾值和時間長度3個參數的步態檢測算法對行走過程的步態變化進行準確辨識。得出窗口參數和方差閾值用于初始檢測步態，時間長度用于糾正初始檢測結果的誤檢步態的結論。其中，窗口大小可由IMU的數據采樣率確定，方差閾值仍需根據行走速度確定大致范圍，而時間參數通過引入K均值聚類法可自適應確定。為驗證算法的可行性，開展多種運動狀態下的測試實驗，結果表明步伐檢測有效率可達到99%，該成果可為人員徒步導航系統的工程化提供技術參考。

［1］張金亮，秦永元，梅春波.基于MEMS慣性技術的鞋式個人導航系統［J］.中國慣性技術學報，2011，19（3）：253-256.Zhang J L，Qin Y Y，Mei C B.Shoe-Mounted Personal Navigation System Based on MEMS Inertial Technology［J］.Journal of Chi?nese Inertial Technology，2011，19（03）：253-256.

［2］孫偉，李婉秋，初婧，等.基于誤差修正技術的井下人員MEMS定位方法［J］.傳感技術學報，2014，27（7）：898-904.Sun W，Li W Q，Chu J，et al.MEMS Position Method for M Based on Error Correction［J］.Chinese Journal of Sensors and Actuators，2014，27（7）：898-904.

［3］崔瀟，秦永元，周琪，等.鞋式個人導航系統算法和試驗研究［J］.測控技術，2013，32（3）：138-142.Cui X，Qin Y Y，Zhou Q，et al.Algorithm and Test Research on Shoe-Mounted Personal Navigation System［J］.Measurement& Control Technology，2013，32（3）：138-142.

［4］錢偉行，朱欣華，蘇巖.基于足部微慣性/地磁測量組件的個人導航方法［J］.中國慣性技術學報，2012，20（5）：567-572.Qian W X，Zhu X H，Su Y.Personal Navigation Method Based on Foot-Mounted MEMS Inertial/Magnetic Measurement Unit［J］.Journal of Chinese Inertial Technology，2012，20（5）：567-572.

［5］李超，蘇中，朱嘉林.可穿戴式自主定位技術的零速觸發算法研究［J］.傳感技術學報，2014，27（5）：627-632.Li C，Su Z，Zhu J L.A Research about Zero Velocity Trigger Algo?rithm Used in the Wearable Autonomous Positioning Technology［J］.Chinese Journal of Sensors and Actuators，2014，27（5）：627-632.

［6］王普，潘凱，任明榮，等.基于偽自適應閾值零速檢測法的室內個人導航系統［J］.北京工業大學學報，2015，41（9）：1308-1313.Wang P，Pan K，Ren M R，et al.Indoor Personal Navigation Sys?tem Based on Zero Velocity Detection of Pseudo Adaptive Thresh?old［J］.Journal of Beijing University of Technology，2015，41（9）：1308-1313.

［7］殷紅，郭杭，鄧曉華.基于Foot-Mounted的IMU室內行人航位推算研究［J］.測繪科學，2014，39（1）：20-23.Yin H，Guo H，Deng X H.A Research on IMU Indoor Pedestrian Dead Reckoning Based on Foot-Mounted［J］.Science of Survey?ing and Mapping，2014，39（1）：20-23.

［8］Wang Z，Zhao H，Qiu S，et al.Stance Phase Detection for ZUPTAided Foot-Mounted Pedestrian Navigation System［J］.Mecha?tronics，IEEE/ASME Transactions on，2015，20（6）：3170-3181.

［9］Skog I，Nilsson J O，Handel P.Evaluation of Zero-Velocity Detec?tors for Foot-Mounted Inertial Navigation Systems［C］//2010 Inter?national Conference on Indoor Positioning and Indoor Navigation.Switzerland.2010.

［10］李辰祥.基于MEMS行人慣性導航的零速度修正技術研究［D］.廈門：廈門大學，2014.Li C X.Research on Zeero-Velocity Update Technology of Pedes?trian Inertial Navigation Based on MEMS［D］.Xiamen：Xiamen University，2014.

［11］Skog I，Handel P，Nilsson J O，et al.Zero-Velocity Detection an Algorithm Evaluation［J］.Biomedical Engineering，2010，57（11）：2657-2666.

［12］萬駿煒，曾慶化，陳磊江，等.行人慣性導航系統平臺設計與實現［J］.計算機應用與軟件，2015，32（2）：45-47.Wan J W，Zeng Q H，Chen L J，at.al.Design and Implementation of Pedestrian Inertial Navigation System［J］.Computer Applica?tions and Software，2015，32（2）：45-47.

［13］Jonas C，David T，Fredrik G.Probabilistic Stand Still Detection Using Foot Mounted IMU［C］//2010 13th Conference on Informa?tion Fusion（FUSION），2010.

［14］Groves P D.Navigation Using Inertial Sensors［Tutorial］［J］.Aero?space and Electronic Systems Magazine，IEEE，2015，30（2）：42-69.

［15］Jimenez A R，Seco F，Prieto J C，et al.Indoor Pedestrian Naviga?tion Using an INS/EKF Framework for Yaw Drift Reduction and a Foot-Mounted IMU［C］//2010 7th Workshop on Positioning Navi?gation and Communication（WPNC），2010.

孫偉（1984-），男，教授，博士生導師，黑龍江蘿北縣人。2007年于哈爾濱工程大學獲得學士學位，2011年于哈爾濱工程大學獲得博士學位。長期從事慣性導航技術研究，sunwei-3775235@163.com；

丁偉（1992-），男，四川省巴中市人?，F為遼寧工程技術大學測繪與地理科學學院碩士研究生。從事慣性導航與組合導航方法研究。

Research on Adaptive Gait Optimization Detection Method in Pedestrian Navigation System*

SUN Wei*，DING Wei，LI Ruibao
（School of Geomatics，Liaoning Technical University，Fuxin Liaoning 123000，China）

According to that the highly positioning precision of pedestrian navigation system depend heavily on the re?liability and accuracy of gait detection，an adaptive gait detection method was proposed，which adjust parameter based on K-means clustering.Foot motion during walking phases was studied firstly，and analyzed the data characteristics of inertial measurement output acceleration and angular velocity，then proposed gait detection scheme which using the amplify of specific force as its detection basis.The three key parameters，the window size of sliding variance，the ini?tial detection threshold and the time parameter in false correction and their relationship were also analyzed respective?ly，and find out the basic selection rules of the widow parameter and the initial threshold，while the time parameter can be adaptively selected using K-means clustering in order to correct the false detected gait in initial detection result.Five groups walking experiments under different conditions was carried out using laboratory existing MEMS sensors，the experimental results verified the feasibility and effectiveness of the proposed gait detection algorithm.

pedestrian navigation system；gait detection；moving variance；K-means clustering；adaptability

U666.12

A

1004-1699（2016）09-1389-06

項目來源：國家自然科學基金項目（41304032）；高等學校博士學科點專項科研基金項目（新教師類）（20132121120005）；第8批中國博士后科學基金特別項目（2015T80265）；第58批中國博士后科學基金面上項目（2015M581360）；遼寧省高等學校杰出青年學者成長計劃項目（LJQ2015044）；遼寧省“百千萬人才工程”培養經費項目（遼百千萬立項［2015］76號）；遼寧省自然科學基金項目（2015020078）；江西省數字國土重點實驗室開放研究基金項目（DLLJ201501）；精密工程與工業測量國家測繪地理信息局重點實驗室開放基金項目（PF2015-13）；地球空間環境與大地測量教育部重點實驗室開放基金項目（14-01-05）；對地觀測技術國家測繪地理信息局重點實驗室開放基金項目（K201401）；海島（礁）測繪技術國家測繪地理信息局重點實驗室項目（2014B05）

2016-02-26修改日期：2016-03-28