[发明专利]基于BP神经网络的惯性导航室内定位方法

说明书

本发明公开了基于BP神经网络的惯性导航室内定位方法，包括运动数据采集与预处理阶段、离线训练阶段和实时定位阶段。数据采集是通过左、右脚腕可穿戴设备采集人员两脚腕处运动数据、人员身高和步长；数据预处理是利用多传感器信息融合处理得到7个神经网络输入数据‑左、右腿部姿态角变化量θ1和θ2、脚腕处加速度均值average、方差variance、左、右脚步伐持续时间time1和time2以及身高stature；离线训练阶段包括：建立神经网络步长估计模型；将7个输入数据和步长数据输入神经网络进行训练；实时定位阶段包括：右脚腕可穿戴设备内部进行步伐识别、实时预测步长以及利用步长和方向角通过航位推算实现实时定位。本发明提高了室内定位的精度、实时性，增强了可靠性。

技术领域

本发明涉及室内定位领域，尤其涉及到一种基于BP神经网络的惯性导航室内定位方法。

背景技术

现有的室内定位技术解决方案主要为Wi-Fi定位技术、红外线定位技术、超声波定位技术、可见光定位技术、UWB技术、ZigBee技术、射频标签识别技术，以及计算机视觉定位技术等。由于这些技术需要搭建设备进行辅助定位，定位精确度越高对辅助设备的数量要求越多，因此这些技术不具备普遍适用性和快速性。Wi-Fi定位技术需要通过在室内架设Wi-Fi网络，实现接收器位置的估算。可见光定位技术需要提前明确可见光源的位置，若室内光线昏暗或者没有光线的区域则无法实现接收器的定位。在实际定位环境中，这些方案在投入大量辅助设备资源的情况下能够实现精度较高的室内定位，但是在未知环境内则失效，因此这些方案很难实现对未知环境内定位人员的高精度、实时性以及普遍适用的定位。

随着MEMS的快速发展，惯性导航系统成为室内定位领域的研究热点。惯性导航是一种相对定位技术。惯性导航系统(INS)由多个惯性测量单元(IMU)组成，一个IMU由三个相互正交的加速度计和三个正交的角速度计组成。利用加速度计和角速度计测量定位人员的加速度和角速度数据，并计算获得定位人员的位置和运动方向。在惯性导航室内定位领域，根据定位人员的航位推算系统(PDR)对定位人员进行室内定位，该系统根据上一运动位移结束时刻的位置推算当前位移结束时刻的位置。PDR系统无需外接设备辅助设备，在短时间内可以获得高精度高、可靠性的室内定位，该系统定位的准确度依赖于步伐长度检测的准确度，在定位时，仅需对定位人员的初始位置进行设定。目前采用的捷联惯导系统采用加速度数据积分得到步伐长度，由于MEMS测量到的加速度精度不高，因此惯导定位误差会迅速累积。

神经网络(NN)是一种分布式并行信息处理的数学模型，对于非线性输入输出映射很有效，具有强大的学习能力和计算能力，在不同层次上可模仿人脑系统进行信息处理。

发明内容

针对上述技术问题，本发明的目的在于提供一种在未知环境中实现高精度、低成本、普遍适用性强的基于BP神经网络的惯性导航室内定位方法。

一种基于BP神经网络的惯性导航室内定位方法，包括运动数据采集与预处理阶段、离线训练阶段和实时定位阶段，所述数据采集与预处理阶段采用多传感器信息融合采集定位人员的左右脚腕处运动数据，结合四元素与卡尔曼滤波算法处理所述运动数据，获取定位人员的左、右腿部姿态角变化量θ1和θ2、脚腕处加速度均值average、方差variance、左、右脚步伐持续时间time1和time2以及测量得到定位人员的身高stature作为7个神经网络输入数据，并降低惯性测量单元的测量噪声；所述离线训练阶段通过构建一个BP神经网络模型，采用所述7个神经网络输入数据和步长数据进行训练，获得步伐长度预测模型；所述实时定位阶段根据两腿数据协同进行步伐识别，将识别到的步伐周期内的数据进行预处理并传输至上位机进行实时步长预测，然后根据预测的步长和预处理得到的方位角进行航位推断实现定位。

优选地，所述数据采集与处理阶段包括以下步骤：