面向GPS拒止行人定位的运动状态感知自适应步长智能手机PDR方法

《Sensors》:Motion-State-Aware Adaptive Step-Length Smartphone PDR for GPS-Denied Pedestrian Localization

【字体: 大 中 小 】 时间:2026年08月05日 来源:Sensors 4.0

编辑推荐:

  基于智能手机的行人航位推算(PDR)为GPS拒止环境中的二维(2D)平面定位提供了一种无需基础设施的解决方案,但其开环特性使其对累积的步长和航向误差非常敏感。当行人动作和手机携带模式发生变化时,这些误差会随之增加,因为传统方法使用带有固定Weinberg系数的

  
基于智能手机的行人航位推算(PDR)为GPS拒止环境中的二维(2D)平面定位提供了一种无需基础设施的解决方案,但其开环特性使其对累积的步长和航向误差非常敏感。当行人动作和手机携带模式发生变化时,这些误差会随之增加,因为传统方法使用带有固定Weinberg系数的步长模型。本文提出了一种运动状态感知的PDR方法,包含两个关键设计。首先,使用随机森林分类器从智能手机传感器数据中识别由动作类型和携带模式定义的联合运动状态。其次,通过两种自适应变体对Weinberg系数进行建模:作为主要轻量级自适应机制的状态线性模型,以及利用历史步态特征序列为每步系数K提供额外时间平滑的Transformer增强扩展。两种变体都将预测系数保留在Weinberg方程内,以保持步长估计的物理结构,并通过离线训练使每个校准段上的距离误差最小化。航向通过融合陀螺仪增量和磁力计观测值进行估计,以改善磁干扰下的连续性。在具有频繁运动状态转换的路线上进行的实验,包括一条具有磁干扰和转弯的典型室内走廊,使用系数建模诊断和轨迹级指标,将固定参数基线和两种已建立的自适应步长基线与所提出的变体进行了比较。更具挑战性的部署场景(例如地下或多楼层环境)则留待未来的工作中进行。
基于智能手机的行人航位推算(PDR)为在GPS拒止环境中进行行人定位提供了一种自包含且无需基础设施的解决方案。然而,由于行人动作类型和手机携带模式的频繁变化会反复打破固定步长模型的假设,传统的带有固定参数的经典Weinberg模型在面临这些状态转换时会产生模型不匹配,导致步长的系统性高估或低估,进而引起开环PDR系统中误差的快速累积和显著漂移。现有的自适应步长方法主要通过模式切换或完全数据驱动的深度网络来解决该问题,但前者无法充分应对模式内变化和频繁的状态转换,后者则牺牲了物理可解释性并严重依赖训练数据的覆盖范围。为了解决这一问题,研究人员开展了一项提出运动状态感知自适应步长建模的研究,以在保持经典公式可解释物理结构的同时,连续地跨运动状态和状态内自适应调整步长参数。该研究表明,通过联合运动状态条件化和时序系数建模,可以显著降低轨迹漂移,这对于在复杂室内环境中实现稳健的行人定位具有重要意义。该论文发表在《Sensors》期刊上。

在关键技术方法方面,研究人员主要利用了以下几种方法:首先,采用基于随机森林(RF)分类器的联合运动状态识别模块,在多维传感器信号的动态滑动窗口上提取时频特征,以识别动作类型与携带模式的组合状态;其次,提出了状态线性模型作为Weinberg系数的轻量级预测器,并开发了一个仅包含解码器的Transformer模型,利用历史步态特征序列在段级距离监督下进行连续系数K的时序预测;最后,采用基于卡尔曼滤波的向量域陀螺仪-磁力计融合方案进行航向估计,避免了角度卷绕带来的数值不连续性。实验数据来源于23名参与者的样本队列,使用了iPhone 14 Pro和iPhone XR等消费级智能手机收集信号。

在研究结果部分:

联合运动状态识别结果
通过在23名受试者组成的独立测试集上进行评估,基于随机森林分类器的识别模块在大多数联合运动状态上取得了较高的准确率和F1分数(F1-score)。研究发现,自然站立状态下的手机微小晃动以及转换边界的动态模式相似性会对识别带来一定挑战,但整体识别性能保持稳定。

步态特征与系数预测诊断
通过对不同运动状态下的步频和步长统计进行分析,证实了动作和携带模式会显著改变惯性信号的统计特性。对比固定参数基线、线性变体和Transformer增强变体的绝对误差分布,结果表明,对Weinberg系数进行状态条件化建模能够有效减少由模型不匹配引起的步长估计误差。

定位性能比较
研究在包含400米室外跑道、闭环路线以及室内走廊的三种测试场景下进行了轨迹级评估。在长直线路段,从固定基线向状态自适应线性模型的转换贡献了主要的误差减少;在连续转弯的闭环路线中,Transformer增强的时序模型表现出最佳的曲率跟踪能力;在伴随磁干扰和直角转弯的室内走廊,自适应模型显著降低了归一化误差,时序平滑处理也发挥了重要作用。

与已发表步长模型的比较
将所提模型与频率-方差自适应基线和模式切换基线进行对比,结果显示状态线性模型在所有三条路线上的归一化误差均最低。这证明了将系数同时条件化于动作类型和携带模式,优于仅依赖单一因素的参数选择。Transformer增强模型进一步降低了误差,在室内走廊环境中改善最为明显。

联合状态与单因素消融实验
消融实验表明,仅依赖动作类型或仅依赖携带模式进行条件化都会留下显著的残余误差。联合状态定义能够有效捕捉两者的交互作用,从而更准确地反映真实的步长尺度。

航向融合消融实验
对比纯陀螺仪积分、纯磁力计观测和向量域融合方法,结果证实融合方案在两条测试路线上均最为准确。将陀螺仪的短期连续性与磁力计的绝对参考相结合,是提升航向准确性和轨迹质量的主导因素。

在讨论与局限部分,研究人员总结道,该框架在平面行人轨迹测试中有效抑制了由模型不匹配导致的尺度误差,但仍存在一定局限性。例如,高动态运动下基于加速度的横滚角和俯仰角估计可能退化,进而影响航向更新;固定测量噪声矩阵在强磁干扰区域可能产生偏差。此外,当前的步态检测器缺乏对漏检和误报的显式校正机制。研究结论表明,本文提出的运动状态感知智能手机PDR方法针对GPS拒止环境中频繁的运动状态转换,通过在PDR流程中引入联合运动状态,使步长估计和航向融合能够响应不同的运动模式。保留Weinberg模型作为物理骨干,结合线性预测器和Transformer时序扩展,在段级距离监督下实现了步长系数的自适应预测,并采用向量域卡尔曼融合避免了角度卷绕的不稳定性。未来的工作将重点关注不确定性感知的运动状态建模、在线自适应策略以及大规模跨设备评估。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号