基于混合神经网络的路面检测（PDR）技术，该技术结合了多层航向校正功能，适用于智能手机在多种行驶模式下的应用 叶军华（Junhua Ye）， 叶安哲（Anzhe Ye）， 艾哈迈德·曼苏尔（Ahmed Mansour）， 邱书舒（Shusu Qiu）， 李振兴（Zhenzhen Li）， 曲轩宇（Xuanyu Qu）

《Sensors》：Hybrid Neural Network-Based PDR with Multi-Layer Heading Correction Across Smartphone Carrying Modes Junhua Ye, Anzhe Ye, Ahmed Mansour, Shusu Qiu, Zhenzhen Li and Xuanyu Qu

　　

摘要

传统的行人惯性导航（PDR）算法通常假设智能手机的携带方式是固定的且保持水平状态，同时忽略了携带方式动态变化对航向估计的影响，而航向估计是PDR算法的核心要素。在实际应用场景中，行人会根据需要改变携带智能终端的方式（例如通话方式），这会导致航向估计方法的改变；特别是在模式切换时，会引起航向的突然变化，如果不能及时纠正，将导致定位误差大幅增加。现有的基于传统机器学习或设定阈值的智能终端携带方式识别方法存在鲁棒性差、缺乏普遍性、对突变情况诊断能力弱以及无法有效减少航向误差等问题。针对这些问题，本文创新性地提出了一个PDR框架，旨在克服这些限制。基于研究目的，首先本文根据实际应用情况对四种常见的携带方式进行了分类，并设计了一个CNN-LSTM混合模型，能够以高达99.68%的识别精度实时区分这四种携带方式。其次，基于模式识别结果，引入了一种多层航向校正策略：（1）采用基于四元数的通用滤波器（VQF）算法实现初始航向的准确估计；（2）设计算法准确检测模式切换点，并开发自适应偏移校正算法以在模式切换过程中动态补偿航向变化；（3）考虑行人在直线段行走时的运动特性，此时横向位移趋于零。本研究还设计了一种带有横向位移约束的航向优化方法，进一步抑制智能终端轻微晃动引起的航向漂移。实验在室内走廊和树荫两种不同环境中进行，结果表明，采用提出的多层航向优化策略后，系统的平均航向误差低于1.5°，累计定位误差低于行走距离的1%，检查点的均方根误差低于2米，有效降低了复杂环境下的定位误差，证明了该框架的有效性。