基于惯性传感器的轨迹记录系统

概述

惯性导航代表了一种独特的导航方法，其中不依赖于外部信息源。与其他位置固定导航技术相反，惯性导航相对于移动平台的初始导航状态在相对意义上执行导航。因此，惯性导航系统不容易出现干扰或欺骗。惯性导航系统已经发展迅速，从20世纪40年代开始发展至今。随着时间的推移，惯性传感器的精度有所提高，使得惯性传感器在尺寸、重量、成本和精度方面足以满足导航和制导应用的需求。在过去几年中，惯性传感器已经从纯粹的机械传感器发展到融合各种技术并利用众多物理现象，从中可以精确地计算出施加在运动物体上的动态力。此外，惯性导航方案的演进涉及从机械复杂的稳定平台惯性导航系统向计算要求苛刻的系带惯性导航系统的演进。光学传感技术以更小的尺寸提供了高精度的惯性传感器。此外，振动惯性导航技术使微型电动惯性传感器的生产成为可能，这些传感器成本极低，尺寸、重量和功耗极低，适用于各种日常导航应用。在露天环境中，GPS接收机能够以非常高的精度确定其位置。在GPS信号不好或不可用的建筑物内，GPS接收器的位置估计非常错误，没有实际用途。本论文的主要目的是检验在安卓智能手机中使用内置传感器进行室内定位所能达到的精度水平。该项目使用的设备是华为手机。它的大量内置传感器是选择该项目的主要原因。其贡献是实现了一种传感器融合算法，该算法使用来自设备加速计、磁强计和陀螺仪的加速度和方向测量来检测用户的移动、速度和航向。为了利用一个传感器的优点来弥补另一个传感器的缺点，该算法包括一个加权系统，其中提升了目前最可靠和稳定的信息源。

Summary

Inertial navigation represents a unique navigation method, which does not depend on external information sources. In contrast to other position fixed navigation technologies, inertial navigation performs navigation in a relative sense relative to the initial navigation state of the mobile platform. Therefore, the inertial navigation system is not prone to interference or deception. Inertial navigation system has developed rapidly since 1940s. With the passage of time, the accuracy of inertial sensors has been improved, so that inertial sensors can meet the needs of navigation and guidance applications in terms of size, weight, cost and accuracy. In the past few years, inertial sensors have developed from pure mechanical sensors to integrating various technologies and using many physical phenomena, from which the dynamic force exerted on moving objects can be accurately calculated. In addition, the evolution of inertial navigation scheme involves the evolution from mechanically complex stable platform inertial navigation system to computationally demanding tethered inertial navigation system. Optical sensing technology provides high-precision inertial sensor with smaller size. In addition, vibration inertial navigation technology makes the production of micro electric inertial sensors possible. These sensors have extremely low cost, size, weight and power consumption, and are suitable for various daily navigation applications. In the open air environment, the GPS receiver can determine its position with very high accuracy. In buildings with poor or unavailable GPS signal, the position estimation of GPS receiver is very wrong and has no practical use. The main purpose of this paper is to test the accuracy level of indoor positioning using built-in sensors in Android smartphones. The equipment used in the project is Huawei mobile phone. Its large number of built-in sensors is the main reason for choosing this project. Its contribution is to realize a sensor fusion algorithm, which uses acceleration and direction measurements from device accelerometers, magnetometers and gyroscopes to detect the user’s movement, speed and heading. In order to make use of the advantages of one sensor to make up for the disadvantages of another sensor, the algorithm includes a weighting system, which improves the most reliable and stable information source at present.

一、绪论

在智能手机的早期，智能手机不需要用户安装额外的程序或应用程序。虽然之前的智能手机几乎不支持接入互联网，但今天的智能手机如果没有互联网和下载应用程序，就不能做那么多事情。高度定制和适应用户的需求和愿望，以及大量内置传感器有助于推动其发展。许多智能手机最受欢迎的功能之一是可以访问地图和位置信息。如今的智能手机通常配备全球定位系统（GPS）接收器，用于确定用户的位置。然后，导航应用程序使用该信息为用户提供到所需目的地的方向。在未知环境中，来自GPS的信息可以帮助用户在相对较短的时间内以最少的环境支持到达目的地。由于此功能取决于GPS信号，因此在没有GPS信号的情况下，它没有实际用途。

在这篇论文中，我们总结了使用最新的运动感知技术，如华为P50设备的运动跟踪和可视化功能。Android可穿戴和手持设备价格低廉，为开发提供了良好的功能。我们分析了Android手机的传感器能力、处理能力和网络能力。此外，我们还设计了基于传感器网络的云解决方案原型，以更高的采样率和精度实时采集加速度计传感器数据，并将巨大的数据集存储在云上以供进一步处理。我们已经为华为P50设备设计了一个独立的运动捕捉原型，用于以更高的采样率捕捉和分析加速度计、线加速度传感器数据，并存储到文件中以供进一步处理。我们监控了原始噪声传感器数据错误，并开发了低复杂度算法来支持实时数据分析。探索了不同的数据处理方法，以从噪声极大的原始数据中获得更高质量的运动结果，例如，通过使用低通和高通滤波器，以及卡尔曼滤波器。我们相信，这项工作在医疗保健领域对确定下背痛的原因和相应的治疗过程有很大帮助。特别是，在本论文第四章中，我们设计并开发了基于传感器网络的云解决方案和原型设计，以实时收集传感器数据。然而，线性加速度传感器是合成传感器，不为索华为P50设备外壳提取传感器数据。此外，我们还为进一步处理原始数据提供了基于云的大数据存储解决方案。使用这个原型，我们分析了android watch更高的采样数据率，约为4毫秒。较高的采样率非常有助于从加速度数据中找到准确的速度和位置。我们监控了加速计原始传感器数据中存在的传感器错误，如噪声、漂移、偏移、重力等。总体而言，我们提供了一个基于云的解决方案，以避免数据丢失问题，成功收集传感器数据，并存储到云中进行进一步处理。我们还设计了一个独立的运动捕捉原型，用于从华为P50收集传感器数据。

要克服的困难：

在开发基于Android的传感器系统应用程序时，认识和理解这些问题非常重要。1.人为错误和系统错误：人为错误是指人类在从设备读取或提取传感器数据时所犯的错误。例如原始传感器数据读取中的恒定偏移，如果处理不当，可能会影响测量的准确性。2.随机噪声：另一方面，随机噪声或误差的产生是因为原始传感器数据测量中存在随机噪声，必须以不同的方式处理，例如通过统计方法。噪声是原始传感器信号中存在的一种非期望但不可避免的信号。如果没有适当的噪声过滤，传感器原始数据可能会显得毫无意义。在过去的一个世纪里，人们发展了各种滤波技术来处理不同性质的噪声，如白噪声、布朗噪声等。漂移：漂移是指原始传感器数据中的一些不需要的数据，使传感器原始数据偏离正确值。由于传感器读数随时间下降，可能会发生漂移。如果我们对传感器值进行积分，那么积分结果中会出现漂移。积分步骤的每次迭代都会增加一个常数值，这会使产生的传感器数据读数偏离实际值。偏移：当设备处于静止状态时，运动传感器读数应为零。否则，可能存在偏移。例如，如果设备没有移动，那么加速度计传感器读数实际上应该是（0,0，$-9.8m/s^2$）。但是，由于偏置或偏移[4]，x、y轴的测量传感器数据不完全为零，Z轴的测量传感器数据不完全为$-9.81m$