基于机器学习与步态特征辅助的行人导航方法.pdf

"基于机器学习与步态特征辅助的行人导航方法" 本文档提出了一种基于机器学习与步态特征辅助的行人导航方法，以解决微惯性测量组件（MIMU）足部安装的穿戴式导航系统中包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题。 机器学习是本文档的核心技术之一，它被应用于建立虚拟惯性测量组件（VIMU）与步态特征辅助修正惯导系统。通过收集人体腿部与足部的MIMU数据作为训练样本，使用视觉几何组-长短期记忆混合（VGG-LSTM）神经网络模型拟合两个部位MIMU信息之间的非线性映射关系，构建足部VIMU与虚拟惯性导航系统（VINS）。 步态特征辅助是本文档中另一个关键技术，它被应用于对足部VINS姿态信息进行误差修正。由于人体各步态相位中足部姿态具有高度重复性的特征，因此可以对足部VINS姿态信息进行误差修正，并结合足部磁传感器信息确定人体运动的航向信息。 实验结果表明，结合零速修正（ZUPT）方法，所提出的VINS构建与误差修正方法可有效提高足部MIMU超量程时行人导航系统性能的可靠性，其高过载运动中的定位误差约为总行进距离的2.5%。 此外，本文档还对行人导航系统的性能进行了评估，结果表明，所提出的方法可以提高行人导航系统的可靠性和准确性。 本文档提出了一种基于机器学习与步态特征辅助的行人导航方法，旨在解决微惯性测量组件（MIMU）足部安装的穿戴式导航系统中包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题。该方法可以提高行人导航系统性能的可靠性和准确性，为行人导航系统的发展提供了新思路。 本文档的技术贡献在于： 1. 提出了基于机器学习与步态特征辅助的行人导航方法，解决了微惯性测量组件（MIMU）足部安装的穿戴式导航系统中包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题。 2. 使用视觉几何组-长短期记忆混合（VGG-LSTM）神经网络模型拟合两个部位MIMU信息之间的非线性映射关系，构建足部VIMU与虚拟惯性导航系统（VINS）。 3. 应用步态特征辅助对足部VINS姿态信息进行误差修正，并结合足部磁传感器信息确定人体运动的航向信息。 本文档的学术贡献在于： 1. 深入探讨了机器学习在行人导航系统中的应用，证明了机器学习技术可以提高行人导航系统性能的可靠性和准确性。 2. 提出了基于步态特征辅助的行人导航方法，解决了行人导航系统中包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题。 本文档提出了一种基于机器学习与步态特征辅助的行人导航方法，旨在解决微惯性测量组件（MIMU）足部安装的穿戴式导航系统中包含惯性传感器信息超量程的行进中无法有效进行定位与导航的问题。该方法可以提高行人导航系统性能的可靠性和准确性，为行人导航系统的发展提供了新思路。