通过非递归贝叶斯滤波实现室内环境下建筑平面图的行人惯性导航

摘要
   在这篇论文中，使用一种新颖的非递归贝叶斯滤波，提出了室内环境的行人惯性导航的方法。改进的方法，将建筑平面图考虑在内，以弥补脚绑微机电系统（MEMS）惯性测量单元（IMU）容易出现的航向误差。添加零速更新（ZUPT）可以直观地估计传感器误差/漂移，然后航迹推算（DR）方程可以根据校正后的速度计算行人位置。尽管在估计行驶距离方面具有高精度，但是存在不正确的航向估计，导航方案也是不可接受的。针对航向估计问题，经典的解决方案是采用粒子滤波的框架。但是受限于IMU板的计算能力不能承受执行粒子滤波，因此提出了一种新颖的可代替递归贝叶斯滤波的方法。所提出的滤波方法采用静态平面分布密度和扩展运动模型来在行人位置估计中消除航向误差。
关键词
MEMS，行人导航，ZUPT，DR，递归贝叶斯滤波，平面图，地图匹配

一、介绍

   行人导航系统（PNS）在很多应用中都有显著的需求。全球定位系统（GPS）是导航的首要选择，它在满足所需条件时可以提供长期和绝对位置信息，然而它会受到街道峡谷效应、多径效应和阻塞的影响。此外，由于室内衰减的存在，GPS会变得完全不可用。在这种情况下，可以通过在环境中安装信标来替代绝对PNS，将接收器和发射器的网络放置在已知位置，这一位置可采用三角测量得到，这些被称为本地定位系统（LPS）。在LPS中，有使用WifI，UWB，RFID，WLAN，超声或者计算机视觉的应用。另外一种流行的方法是指纹识别，尽管有望能够提供高精度的解决方案，但是完成离线流程和基础设施成本需要高劳动力成本的投入，这使得指纹识别不太常用。在室内和室外发生的常见问题是，许多时候，绝对定位系统信号减弱或者是完全阻塞，这样对互补导航系统的需求就会增加。在这种情况下，最优选的技术是惯性传感器。在极端情况下，他们可能不是用于周期性校正的绝对定位系统，并且导航解决方案可能完全依赖于惯性传感器。在这种情况下，导航系统是一个独立的系统。
   惯性传感器的质量是惯性导航系统性能的主要因素，最近技术的进步产生了廉价且小尺寸的MEMS传感器。然而，在MEMS IMU中，加速度计和磁力计的漂移率都比高等级航空IMU高几个数量级。这一问题的解决方案是建模，估算和消除MEMS传感器中的漂移。MEMS加速度计和陀螺仪受到缓慢变化的偏差和随机噪声的影响。许多研究者制定了15阶扩展卡尔曼滤波（EKF）来估计传感器偏差/漂移，方向，速度和位置。选择脚部作为IMU位置来定期校正速度，即所谓的ZUPT。主要的重点是检测IMU的静止时期以准确估计漂移，最终，在每个步骤中，速度被校正，因此避免了行进过程中的累计误差。尽管步长估计成功，ZUPT不能观测到航向误差。为了校正航向，可采用磁力计辅助和启发式漂移减少的方法。此外，启发式漂移减少方法在继续研究漂移减少方法，在穿越街道或者人造建筑时利用地图主导方向（例如地图匹配）。室内应用的拓扑地图匹配方法采用建筑平面的链路节点表示，将导航路径限制到连接边缘的节点通常是不切实际的，特别是在大型开放式大厅中。在这些情况下，概率方法为地图匹配提供了可靠地解决方案。基于PF的地图匹配方法通过考虑建筑物地图来模拟非线性运动下的行人位置和测量模型以及非高斯不确定性，尽管其具有鲁棒性，但是在近似相关的非参数分布中需要许多粒子导致PF计算成本很高，在计算能力有限的时候，该方法的使用受到限制。这项研究以类似于PF方法的随机方式在室内环境下接近PNS。然而为了消除对高计算成本的需求，这一方法明确提出了RBF方案，使得平面图信息以一种新颖的方式被使用。与其他研究相反，没有模拟陀螺仪偏差，因此可观测到来自IMU的高度不可靠的航向测量。

二、方法

A.零速更新

   由于采用内置的AHRS算法来估计航向，因此采用ZUPT的一种直观实现方法。主要的思想是准确的检测行人的步态和静止的时期，然后定期地估计传感器偏差和误差。在这项研究中，加速度计和陀螺仪速率被过滤和阈值化来决定步态和静止持续的时间。然后从补偿速度中减去估计误差。采用这种方式，ZUPT算法可以修复步幅长度中的误差，并且最终IMU精确重建总的行进距离。另一方面，ZUPT无法观测到陀螺仪偏差和运动方向估计，因此，主要挑战还是行人导航中航向角的估计。

B.递归贝叶斯滤波器（RBF）

   行人的位置是隐藏状态$x_k\in R^n$，噪声测量值是$z_k\in R^m$，其中下标k表示时间参数。一阶马尔科夫模型可用于行人位置的估算。所有的历史隐藏状态用$X_k$表示，测量值用$Z_k$表示。一般的估计问题可用以下公式表示

其中，$w\in R^n$表示过程噪声，$v\in R^m$表示测量噪声，两者都统计独立。函数 f 和 h 都是非线性函数，等式(1)描述行人动作并称之为预测步骤（即时间更新），等式(2)为独立观测并称之为校正步骤（即测量更新）。在这个随机模型中，目标是在独立观测$z_k$的辅助下，估计其$x_k$。在应用上述两步骤后获得后验分布如下

其中，分母是归一化常数，p($z_k$|$x_k$)这一项是传感器似然值，p($x_k$|$Z_{k-1}$)这一项是应用等式(1)中给出的运动模型之后得到的先验分布。在函数 f 和 h 是线性的并且噪声 w 和 v 是正态分布的情况下，解析解可以以卡尔曼滤波的形式获得。大多数情况下很难得到后验分布的闭合解，因此次优解都是通过EKF，无迹卡尔曼（UKF）和大多数一般情况PF的形式得出的。随着线性化和高斯化假设被越来越多的违反，计算成本也增加了。在此次研究中，我们寻找一种解决方案，可以解决由于墙壁的存在带来的楼层地图的非线性问题，同时消除了对诸如PF的高成本次优解的需求。

C.提出的方法

   与基于PF的地图匹配导航研究不同，通过构建保持静态的光栅化概率分布函数（PDF）p($x_k$|FP)来利用平面图。密度水平与相应位置行人行走的可能性成比例，如图1所示

传感器可能性表示如下

其中，$z_k^N$和$z_k^E$分别是根据IMU得到的行人坐标的北向和东向，${\hat{X}}_{k-1}$表示之前的估计，$d_k$表示步幅长度，$\delta {\psi }_k$表示航向变化估计，分别地，${\hat{\psi }}_{k-1}$表示上一步航向估计。在这项研究中，一个简单的校准过程是忽略了复杂的陀螺仪误差模型，因此${\hat{\psi }}_k$不如$d_k$可靠。然而，这两项都间接影响在等式(4)中给出的行人位置的可能性。由于这个原因呢，在似然项中存在很大不确定性，可以借助上述静态平面图pdf和扩展运动模型来解决这个问题。当行人在直线上运动时，扩展运动模型p($x_k$|$x_{k-1}$，…，$x_{k-n}$)在直线上预测位置，当行人接近走廊拐角时，扩展运动模型在曲线上预测位置。n表示采用的先前估计的数量，是一个设计参数。传感器似然值和之前pdfs的均值位于一个行人圆环pdf上p($x_k$|$d_k$，$x_{k-1}$)，这一圆环表示根据IMU提供的步幅长度得到的位置密度。注意到如果从行人前进的任意方向画一条线形成圆形分布，则会形成一个一阶高斯分布。事实上，ZUPT更新提供的准确的步长估计被用来形成这一pdf。所有描述的个体分布如图2所示。所有单独项的乘积形成最终的非参数后验分布。

由于非参数后验pdf的闭合解是难以处理的，非递归贝叶斯滤波器的最终滤波方程如下

并且通过模式搜索算法，可以进行所需推断。

三、实验设置和结果

   实验使用的9-dof Razor IMU如图3所示，它由正交的3轴陀螺仪，加速度计和磁力计组成。所有数据均在板载微控制器上以8Mhz时钟速度处理。由于计算能力有限，所以在基于PF的地图匹配方法之外，需要推导更有效的估计算法。无线发射器XBee用于向主计算器发送数据。所有编程接口都是C++，包括微控制器和主机。

   对室内环境进行了两次实验，相应的实验结果分别如图4和图5所示。在这些遍历中，将传感器似然值和之前密度的协方差值设置为高值（如接近均匀分布），将静态地图密度项作为滤波器的主导因子，两个实验都产生了成功的导航解决方案，其公开误差小于1%。先验和似然密度参数的校准是针对于更复杂的地图和迭代结果的一个未来的目标。

四、结论

   本文工作主要是提出了一种基于PF的地图匹配算法的替代算法，该算法在室内PNS下，需要采用分布式或者更强大的计算平台。平面图信息的新颖用法和扩展运动模型的使用，有助于补偿行人错误运动方向，同时，该算法能够以有限的计算能力实现实时性能。未来的目标包括各种地图的遍历以及可重复性。

REFERENCES

[1] J. Hightower and G. Borriello. Location systems for ubiquitous computing. Computer, 34(8):57-66, August 2001.
[2] K. Kaemarungsi and Prashant Krishnamurthy, “Modeling of indoor positioning systems based on location fingerprinting,” In IEEE Infocom, Hong Kong, pages 1012-1022, 2004.
[3] J. Borenstein, L. Ojeda, and S. Kwanmuang. Heuristic reduction of gyro drift for personnel tracking systems. J. of Nav., 62(1):4158, 2009.
[4] E. Foxlin. Pedestrian tracking with shoe-mounted inertial sensors. IEEE Comput. Graph. Appl., 25(6):38-46, November 2005.
[5] A. R. Jimenez, F. Seco, J. C. Prieto, and J. Guevara. Indoor pedestrian navigation using an INS/EKF framework for yaw drift reduction and a foot-mounted IMU. In 2010 7th Workshop on Positioning, Navigation and Communication, pages 135-143, March 2010.
[6] I. Spassov, M. Bierlaire, and B. Merminod. Map matching for pedestrians via Bayesian inference. In European Navigation
Conference - Global Navigation Satellite Systems, May 2006.
[7] B. Krach and P. Robertson. Integration of foot-mounted inertial sensors into a Bayesian location estimation framework. In 2008 5th Workshop on Pos., Nav. and Communication, pages 55-61, March 2008.
[8] A. Perttula et al., “Distributed indoor positioning system with inertial measurements and map matching,” IEEE Transactions on Instrumentation and Measurement, 63(11):2682-2695, Nov 2014.
[9] R. F. Alonso, E. Z. Casanova, and J. G. Garcia-Bermejo. Pedestrian tracking using inertial sensors. J. of Physical Agents, 3(1):35-42, 2009.
[10] Razor IMU (SEN-10736) tutorial by Peter Bartz. https://github.com/Razor-AHRS/ razor-9dof-ahrs/wiki/Tutorial.
[11] M.S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. Trans. Sig. Proc., 50(2):174-188, February 2002.