本发明涉及信号处理、室内定位领域，尤其涉及一种基于差分统计的零速校正定位方法。
背景技术：
：室内定位作为基于位置服务(lbs)的最具挑战性的技术之一，在过去十年中引起了极大的关注。室内定位应用程序几乎分布在我们日常生活的各个方面，如：导航、医疗保健、紧急救助、监测、就近购物等。然而，与以全球导航卫星系统(gnss)为主导技术的室外定位相比，由于室内环境更加错综复杂，所以室内定位遭遇一系列挑战，如严重的多径效应，非视距传输，信号的严重衰减和噪声干扰。因此，目前仍没有一种得到广泛应用的具有高精度且可靠的室内定位解决方案，需要进一步的深入研究。实际工程应用中常见的室内定位技术主要有以下几种：1、基于特定设备的定位技术该类技术主要通过超声波，红外线，超宽带，rfid等设备，利用id标识信息进行定位[1]。这种基于专用设备的定位方法可以达到非常好的定位精度(大多数可以达到cm级别)，但部署特定的硬件设备所需费用过高，不适合大规模应用，仅适合军事，矿井开采人员定位等特定领域。2、基于指纹的定位技术[2]基于wifi,fm等指纹信号的方法需提前建立指纹(如信号强度，信噪比等)与实际位置相对应的指纹数据库，然后利用近似最近邻，证据理论等算法获得用户的位置。但由于外界干扰，多径效应和环境动态性等问题的存在，使得该方法的定位精度波动较大。3、基于测距的定位技术利用wifi、蓝牙、gsm等信号，结合接收信号强度(rss)、到达角(aoa)、到达时间(toa)以及到达时间差(tdoa)等算法对用户进行定位[3]。纯粹的基于rss的定位精度通常只能达到几米，aoa算法在非视距情况下产生不可预测的误差，toa和tdoa算法对硬件维护所需的费用较高。4、其他定位技术近年来人们对包括加速度计在内的惯性导航系统(ins)[4]越来越感兴趣，其优点为可连续工作，并以低噪声提供高带宽输出，不需要额外的部署硬件设施即可进行自主定位。其缺点是由于惯性传感器的误差累计会随着时间迅速增加，所以低成本的加速度计仅能提供短时间内的精确定位。目前比较成熟的基于ins的室内定位方法为利用零速校正(zupt)完成行人航位推测(pdr)[5]。该方案的主要思想是利用人脚在行进过程中的站立阶段在短时间内保持稳定的特性来重置惯性误差。通过对行人步态的划分，结合步长估计最终实现对行人的精准定位。具体步骤如下：1)步检测：(a)计算加速度的欧几里得范数：其中，an(t)为加速度范数，ax(t)、ay(t)和az(t)分别为加速度的x轴、y轴和z轴分量。(b)提取步态：通过观察重力交叉点即零速度修正点(如图1所示)，即加速度范数与由重力引起的加速度交叉的情况，来检测步开始时刻ts(k)。也可以要求重力穿越之后的上升速率和峰值高度超过预设的限制，并且当前时刻和前一重力交叉点之间的时间足够长。下一个步开始时刻认定为上一步的结束时刻te(k)。2)步长估计：(a)计算周期信号主频率：p(k)＝1/(te(k)-ts(k))(2)(b)计算步长：其中，δsk是第k步的运行距离,q为指数，b为常数偏量。但在实际应用中，许多基于位置服务的机器人，如扫地机器人，送餐小车等，是没有步态特征的，无法通过传统的pdr算法完成步检测从而进行定位。参考文献[1]席瑞,李玉军,侯孟书.室内定位方法综述[j].计算机科学,2016,43(4):1-6.[2]c.-c.huangandh.-n.manh,“rss-basedindoorpositioningbasedonmulti-dimensionalkernelmodelingandweightedaveragetracking,”ieeesensorsj.,vol.16,no.9,pp.3231–3245,may2016.[3]maddumabandara,a.,leung,h.,andliu,m.:‘experimentalevaluationofindoorlocalizationusingwirelesssensornetworks’,ieeesensorsj.,2015,15,(9),pp.5228-5237[4]alam,n.,kealy,a.,anddempster,a.g.:‘cooperativeinertialnavigationforgnss-challengedvehicularenvironments’,ieeetrans.intell.transp.syst.,2013,14,(3),pp.1370–1379[5]foxlin,eric.pedestriantrackingwithshoe-mountedinertialsensors[j].ieeecomputergraphicsandapplications,2005,25(6):38-46.技术实现要素：本发明提供了一种基于差分统计的零速校正定位方法，本发明不依赖于运动模式，通过对运动状态和静止状态的加速度特征进行差分统计分析，即可较准确地找到零速校正点，从而实现对惯性误差的有效控制，可以广泛用于各种基于位置的服务中，详见下文描述：一种基于差分统计的零速校正定位方法，所述零速校正定位方法包括以下步骤：对原始加速度测量信号进行消除基线偏移、以及滤波降噪处理，获取处理后的加速度测量信号；对处理后的加速度测量信号中处于静止状态的加速度值、以及处于运动状态的加速度值分别进行差分计算，并对差分结果进行统计分析，从而获得可区分运动状态和静止状态的差分阈值；将加速度测量的差分结果与差分阈值作比较，若差分结果小于差分阈值则将该加速度采样点看做零速度校正点，进行零速度校正；将零速度校正后的加速度进行梯形二次积分，得到最后的定位结果。进一步地，所述获取处理后的加速度测量信号具体为：对原始加速度信号进行基线校正：对静止期间的加速度信号去均值后，令所有加速度测量值减去均值得到基线校正后的信号；对基线校正后的加速度信号利用小波变换去噪声，得到去噪后的加速度信号。进一步地，所述对差分结果进行统计分析，从而获得可区分运动状态和静止状态的差分阈值具体为：对静止加速度差分值进行观察，设定差分阈值thr，该阈值thr覆盖大部分静止状态下加速度差分值、而覆盖运动状态下加速度差分值比例越小越好，可通过差分阈值区分开运动状态和静止状态；当判定为静止状态时即为零速度校正点，当判定为运动状态时保持其速度值不变，零速度校正公式如下：其中，vn为索引为n时的速度值，δt为时间间隔，daccn为索引为n的加速度差分值。其中，所述梯形二次积分具体为：矩形积分算法、梯形积分算法、辛普森积分算法、牛顿积分算法中的任一一种。本发明提供的技术方案的有益效果是：1、本发明通过对运动状态和静止状态的加速度特征进行差分统计分析，即可较准确地找到零速校正点，从而实现对惯性误差的有效控制；2、本发明的定位效果较好，能够有效提高基于加速度计的室内定位精度；3、基于本发明的定位结果可以很好的控制误差累计，定位误差并未随着时间的增加而迅速增加；4、本发明不依赖于运动载体的运动模式，不需像传统的zupt算法进行步态检测，对于无步态特征的基于位置服务的机器人，如扫地机器人，送餐小车等同样适用，所以其应用范围更广，发展前景更好。附图说明图1为基于加速度范数的步检测的示意图；图2为一种基于差分统计的零速校正定位方法的流程图；图3为基线校正后的加速度值的示意图；图4为加速度差分结果的示意图；图5为定位结果的示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。实施例1目前广泛应用于pdr的传统zupt方法是利用加速度范数与重力交叉点从而完成步检测，而这种方法严重依赖于运动模式，应用范围有限。因此，本发明实施例通过对加速度测量在运动状态及静止状态的特性进行差分统计分析，提出了一种不依赖于运动模式，对于无步态特征的基于位置服务的机器人，如扫地机器人，送餐小车等同样适用的zupt定位方法。一种基于差分统计的零速校正定位方法，参见图2-图3，该零速校正定位方法包括以下步骤：101：对原始加速度测量信号进行消除基线偏移、以及滤波降噪处理，获取处理后的加速度测量信号；由于原始的加速度测量值包含复杂的噪声，会导致加速度测量出现基线漂移，虽然其本身峰值较小，但通过二次积分求得位移时会对定位结果产生很大的影响，所以首先应对加速度进行基线校正，然后利用小波变换对加速度进行去噪声。102：对处理后的加速度测量信号中处于静止状态的加速度值和处于运动状态的加速度值分别进行差分计算，并对差分结果进行统计分析，从而获得可区分运动状态和静止状态的差分阈值；103：将加速度测量的差分结果与差分阈值作比较，若差分结果小于差分阈值则将该加速度采样点看做零速度校正点，进行零速度校正；104：将零速度校正后的加速度进行梯形二次积分，得到最后的定位结果。综上所述，本发明实施例不依赖于运动模式，通过对运动状态和静止状态的加速度特征进行差分统计分析，即可较准确地找到零速校正点，从而实现对惯性误差的有效控制，可以广泛用于各种基于位置的服务中。实施例2下面结合具体的实例、计算公式、图4-图5对实施例1中的方案进行进一步地介绍，详见下文描述：一、基于差分统计的零速校正定位算法步骤如下：对原始加速度信号进行基线校正：对静止期间的加速度信号去均值后，令所有加速度测量值减去均值得到基线校正后的信号。处理过程如下所示：其中，为静止状态下的加速度均值，acck为索引为k的加速度值，k为静止加速度信号总数，为基线校正的第n个加速度信号，accn为索引为n的加速度值，为静止状态下的加速度均值，n为加速度信号总数，图3为基线校正后的效果。二、对基线校正后的加速度信号利用小波变换去噪声，得到去噪后的加速度信号三、分别对静止状态下和运动状态下的加速度测量进行差分计算：其中，和分别是处于静止状态和运动状态的差分结果，l为运动状态下的加速度信号总数，为静止状态下第k+1个去噪后的加速度值，为静止状态下第k个去噪后的加速度值，为运动状态下第l+1个去噪后的加速度值，为运动状态下第l个去噪后的加速度值。差分结果如图4所示。四、对加速度差分结果进行统计分析。由图4可以看出，加速度计处于静止时(参见图4(a))的差分值分布范围较小，而处于运动状态(参见图4(b))的差分值波动很大。通过对静止加速度差分值观察设定差分阈值thr，该阈值thr应尽可能覆盖大部分静止状态下加速度差分值、而覆盖运动状态下加速度差分值比例越小越好，这样即可以通过差分阈值区分开运动状态和静止状态，当判定为静止状态时即为零速度校正点，当判定为运动状态时保持其速度值不变，零速度校正公式如下：其中，vn为索引为n时的速度值，δt为时间间隔，daccn为索引为n的加速度差分值。五、利用积分获得位移，主要的路径积分方法有如下四种：矩形积分算法：δsn＝δt·vn(9)梯形积分算法：辛普森积分算法：牛顿积分算法：其中，δsn为n到n+1期间的位移大小。总位移：s＝δs1+δs2+…+δsn-1(13)综上所述，本发明实施例通过对运动状态和静止状态的加速度特征进行差分统计分析，即可较准确地找到零速校正点，从而实现对惯性误差的有效控制。实施例3下面结合表1-表2，图4-图5，对实施例1和2中的方案进行可行性验证，详见下文描述：为了验证本方法的效果，应用如上实施例1和2中的步骤分别对位移长度为12.25m、4m、4m，时长分别为64秒、54秒、以及65秒的三组实验进行定位分析。在定位过程中，本发明实施例采用的积分算法为梯形积分算法。定性角度，图4显示了处于静止状态(参见图4(a))和运动状态(参见图4(b))的加速度差分值分布范围明显不同，静止状态的加速度差分值较小且波动幅度较小，而处于运动状态的加速度差分值较大且波动范围也较大。这说明通过对静止状态和运动状态的差分值的分布概率进行统计分析，选取合适的差分阈值即可较好的找到零速度校正点，从而控制随时间激增的误差累计。此外，图5展示了基于本发明实施例的定位效果(参见图5(a))和普通定位算法(参见图5(b))的定位效果，可以看出传统的惯性定位算法仅能在短时间内提供良好的定位精度，但随着时间的增加定位误差会越来越大。而基于本发明实施例的定位结果可以很好的控制误差累计，定位误差并未随着时间的增加而迅速增加。从定量角度，表1为对三组实验的静止状态和运动状态的加速度差分值进行的具体统计分析。选取差分阈值为0.05m/s2，可见处于静止状态的加速度差分值分布在[0，0.05]的概率明显大于处于运动状态的加速度差分值分布在该区间的概率。表1运动和静止状态加速度差分幅值在[0,0.05]分布概率概率第一组第二组第三组运动状态0.160.200.29静止状态1.000.990.95表2为在该阈值选取下的平均定位误差和均方根误差两个定位精度评价指标的测量结果。实验结果表明，本发明实施例的定位效果较好，能够有效提高基于加速度计的室内定位精度。表2定位精度实验编号第一组第二组第三组平均误差/m1.020.420.46均方根误差/m1.360.490.52三组实验的加速度测量值获取于型号为mpu-6050的传感器模块，为了得到最佳的定位精度，对本发明实施例中的差分阈值设置为0.05。但在实际应用中，由于不同型号、种类的加速度计噪声大小，稳定性等特性差异较大，所以差分值的阈值大小设定需依照具体所用的加速度计差分值在静止状态及运动状态的分布情况而定。关于对积分算法的选取，综合误差大小和计算复杂度，辛普森积分算法为最优选择。实验结果表明，本方法在定性分析和客观定量指标等方面均有较好的效果。除此之外，本方法不依赖于运动载体的运动模式，无需像传统的zupt算法进行步态检测，对于无步态特征的基于位置服务的机器人，如扫地机器人，送餐小车等同样适用，所以其应用范围更广，发展前景更好。本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12