利用机器学习辅助的步态识别实现GNSS拒止环境下的行人导航：改进与二维扩展

《IEEE Sensors Letters》：GNSS-Denied Pedestrian Navigation Using Machine Learning-Aided Gait Recognition: Enhancements and 2-D Extension

　　MARIO系统通过卷积神经网络从背包装置的IMU数据中估计步态速度，结合扩展卡尔曼滤波实现高精度惯性导航定位，误差率低于0.6%。

　　

摘要：

本文介绍了一种名为“机器学习辅助步态识别用于惯性导航与定位”（Mario）的行人导航系统，该系统能够在全球导航卫星系统（GNSS）不可用的情况下进行导航。Mario系统采用卷积神经网络，从用户佩戴的惯性测量单元（IMU）中估计用户的正向和侧向运动速度数据。扩展卡尔曼滤波器结合这些速度数据以及背部安装的IMU的数据来计算位置。实验表明，Mario系统的导航精度在行驶距离上的误差小于0.6%。

引言

在许多环境中，尤其是那些需要精确知道行人位置的关键场景中，全球导航卫星系统（GNSS）信号不稳定是普遍存在的现象。例如，在多层建筑、洞穴或野外进行搜救时。对于GNSS不可用的情况，通常使用惯性测量单元（IMU）进行惯性导航来估计位置。微机电系统（MEMS）IMU因其体积小、重量轻而被广泛采用，但它们的精度往往低于体积更大、价格更高的IMU。如果仅使用MEMS IMU而无需速度辅助数据，10秒内的位置误差可能超过1米[1]。因此，人们开发了新的技术，例如零速度更新算法，该算法利用脚部安装的IMU来估计位置。当脚部接触地面时，它成为一个已知的零速度参考点，从而可以实现快速的位置校正[1]、[2]。这种技术的导航精度在行驶距离上的误差小于1%，但通常需要安装在脚部的战术级IMU，并且由于跑步时脚部可能经历超过10g的加速度和每秒超过2000度的角速度，因此需要较宽的测量范围[3]。具有较宽测量范围的IMU通常噪声较大，这会增加位置估计的误差。此外，还利用机器学习技术结合脚部安装的IMU来更准确地判断何时发生零速度更新[2]、[4]。我们的方法采用了不同的机器学习应用方式。