0 引言

    基于位置的服務(wù)^[1]由于便捷、智能、精確等良好的用戶服務(wù)體驗而受到青睞。目前，針對室內(nèi)定位技術(shù)的研究主要有WiFi^[2]、UWB^[3-4]、位置指紋^[5]、藍牙^[6-7]等。基于MEMS的室內(nèi)行人航跡推算(Pedestrian Dead Reckoning，PDR)作為一種新興的室內(nèi)行人導(dǎo)航定位方法，具有短時間定位精度高、自主性強、不易受外界環(huán)境因素影響等特點，因而受到廣泛關(guān)注。在基于PDR的室內(nèi)行人定位系統(tǒng)中，步長精度對導(dǎo)航定位結(jié)果有著直接影響。目前的步長估計方法有線性估計和非線性估計兩種方法。利用步長與步頻的線性關(guān)系的線性方法估計^[8]步長，卻沒有考慮個體的加速度方差等因素對步長的影響；利用步長和加速度值的相互關(guān)系的非線性步長估計^[9]方法，沒有考慮步頻、身高等個體因素對步長的作用。針對上述問題，本文提出一種基于模糊邏輯的步長估計方法，該方法采用非線性步長估計模型，通過模糊邏輯系統(tǒng)實現(xiàn)可變地估算步長，同時對比分析了不同的步長估計方法在PDR系統(tǒng)中的應(yīng)用，驗證了該方法在室內(nèi)行人定位系統(tǒng)中的有效性。

1 步長估計

    在實際中，步長與步頻、加速度方差、身高等因素存在非線性關(guān)系，而模糊理論在不確定性和非線性系統(tǒng)中有著廣泛的應(yīng)用。因此，可以通過模糊邏輯推理系統(tǒng)得到估計步長值。

    文獻[11]中提出了一種非線性計算步長方法, 如下所示：

    A_max和A_min分別為一步內(nèi)的加速度最大值和最小值。由于人體加速度和步頻、加速度波峰值等的相互關(guān)系，使得C值主要取決于個人的步頻、身高等。可以通過模糊邏輯推理系統(tǒng)確定C值后，再由式(1)得到估計的步長值。

2 模糊邏輯系統(tǒng)設(shè)計

    模糊邏輯推理是一種基于“如果--則”^[12]規(guī)則的智能控制，對非線性控制有很好的魯棒性，可以較好地抑制環(huán)境變量對權(quán)重值的影響。模糊邏輯系統(tǒng)中常用的推理方式有Mamdani型模糊推理和Sugeno^[13]型模糊推理。本文使用Mamdani型模糊推理算法。

    圖1為Mamdani模糊邏輯推理系統(tǒng)框圖。系統(tǒng)主要由輸入、模糊化、模糊推理規(guī)則工具、解模糊化、輸出等組成。輸入時將個人的身高、體重、步頻作為模糊邏輯的3個輸入，先經(jīng)過去模糊化，然后設(shè)置模糊規(guī)則，再經(jīng)過去模糊化后輸出期望值C，最后將C值帶入式(1)中，得到步長。由于個體差異，需要在首次使用時調(diào)整模糊邏輯系統(tǒng)的參數(shù)，以適應(yīng)不同的個體。

2.1 輸入輸出隸屬度函數(shù)

    在模糊邏輯推理系統(tǒng)中，用隸屬度來衡量數(shù)值高低的歸屬，相應(yīng)的模糊規(guī)則是定義在模糊集合上的規(guī)則。本文將個人的步頻、身高、體重作為模糊邏輯的3個輸入，每個輸入都由高、中、低這3條隸屬度函數(shù)曲線構(gòu)成，變量的隸屬度函數(shù)曲線是由高斯型函數(shù)、三角函數(shù)、高斯型函數(shù)組合等構(gòu)成。高斯型函數(shù)^[14]的表達式為：

式中，參數(shù)μ表示函數(shù)中心點橫坐標(biāo)，σ表示曲線的陡峭程度。根據(jù)實際及模糊統(tǒng)計法為每個隸屬度函數(shù)選取最佳參數(shù)。

    行人在正常行走中的步頻為1 Hz~3 Hz，可以將正常人的行走速度分為慢速、中速、快速^[15]3種。

    圖2為步頻的隸屬度函數(shù)。根據(jù)實際的步長與步頻生成一定的線性關(guān)系，步頻采用三角隸屬度函數(shù)，慢速的步頻范圍為1 Hz~1.6 Hz，中速對應(yīng)的步頻范圍為1.2 Hz~2.0 Hz，快速的步頻范圍為2 Hz~3 Hz。

    圖3為身高的隸屬度函數(shù)，由于估計步長與實際的身高的非線性關(guān)系，所以采用高斯函數(shù)隸屬度函數(shù)。因為實際中體重與步長之間的非線性關(guān)系，因此體重的隸屬度函數(shù)為高斯組合隸屬度函數(shù)。

2.2 模糊推理規(guī)則

    在輸入的規(guī)則變量中，輸入為步頻、身高、體重，輸出變量為式(1)中的常數(shù)C。由于步頻是決定常數(shù)輸出值的主要控制器，因此將步頻分為高、中、低3個模糊集表示。步頻值大則輸出值較高，反之亦然；當(dāng)步頻值相對中等時，輸出結(jié)果由另外2個輸入?yún)?shù)(身高、體重)來調(diào)節(jié)；若輸入為步頻高、身高高、體重低，則輸出值高；如果輸入為步頻低、體重大、身高低，則輸出值低。

2.3 位置計算

    從一已知點開始，行人的當(dāng)前位置可表示^[16]為：

式中，SL_err是行走步長估計誤差，SL_act為實際行走平均步長，SL_es為行走估計步長。

3 實驗結(jié)果討論

3.1 實驗平臺搭建

    系統(tǒng)的核心部分是32 bit的微處理器芯片STM32F103，主要負責(zé)采集及處理慣性傳感器數(shù)據(jù)。慣性傳感器電路主要有MPU9150和外圍電路供電電路，上位機軟件負責(zé)接收處理后的數(shù)據(jù)，然后在MATLAB中仿真驗證。測試時MPU9150的采樣頻率為50 Hz。為了證明本文方法的有效性，進行室內(nèi)行走試驗，行走路線主要為直線和矩形。

3.2 實驗結(jié)果分析

    表1中，1為矩形行走試驗，步數(shù)為16步，總距離為10.4 m，誤差為0.8 m；2為直線行走試驗,步數(shù)為40步，誤差為1.9 m。經(jīng)過30 m以內(nèi)多次行走試驗，測得行走距離誤差在3 m以內(nèi)。

    圖4為具體的步長曲線。從圖中可以看出本文算法在0.4~0.8之間步幅變化較為合理，與實際的步長吻合比較好；非線性方法1步長變化較大，步長超出1.2 m，與實際不符；線性步長方法則明顯偏小。

    根據(jù)式(5)、式(6)、式(7)可得到表2。表2中對比分析了3種不同算法在實際中的動態(tài)具體估計步長數(shù)據(jù)。由表2可以得到，本文算法的精度高，比傳統(tǒng)的線性步長估計方法提高約9%，比非線性方法1提高5%。同時，步長的大小及變化幅度比較合理，與實際的步長吻合比較好；非線性方法1及線性步長估計得到的步長幅度范圍變化比較大，與實際不符，且精度比本文方法低，從而降低了實際的距離精度。

4 結(jié)束語

    本文采用非線性估計模型，通過模糊邏輯系統(tǒng)得到步長，并比較分析PDR算法中不同的步長估計算法的精度對行走距離的影響。經(jīng)過實驗驗證，基于模糊邏輯的步長估計方法的精度比傳統(tǒng)的步長估計方法提高9%，可以應(yīng)用于室內(nèi)定位導(dǎo)航系統(tǒng)中。

參考文獻

[1] ZHOU L，WANG H.Toward blind scheduling in mobile media cloud：fairness，simplicity，and asymptotic optimality[J].IEEE Transactions on Multimedia，2013，15(4)：735-746.

[2] BAN R，KAJI K，HIROI K，et al.Indoor positioning method integrating pedestrian dead reckoning with magnetic field and WiFi fingerprints[C].Mobile Computing and Ubiquitous Networking(ICMU)，2015 Eighth International Conference on.IEEE，2015：167-172.

[3] GARCIA E，POUDEREUX P，HERNANDEZ A，et al.A robust UWB indoor positioning system for highly complex environments[C].IEEE International Conference on Industrial Technology.IEEE，2015.

[4] JERABEK J，ZAPLATILEK L，POLA M.A proposal of radio ultrawideband systems for precision indoor localization[C].Radioelektronika.IEEE，2015.

[5] Muòoz-Organero M，KLOOS C D，Muòoz-Merino P J.Using bluetooth to implement a pervasive indoor positioning system with minimal requirements at the application level[J].Mobile Information Systems，2012，43(8)：73-82.

[6] BAHILLO A，ANGULO I，ONIEVA E，et al.Low-cost Bluetooth foot-mounted IMU for pedestrian tracking in industrial environments[C].Industrial Technology(ICIT)，2015 IEEE International Conference on.IEEE，2015.

[7] Muòoz-Organero M，KLOOS C D，Muòoz-Merino P J.Using bluetooth to implement a pervasive indoor positioning system with minimal requirements at the application level[J].Mobile Information Systems，2012，43(8)：73-82.

[8] 孫作雷，茅旭初，田蔚風(fēng)，等.基于動作識別和步幅估計的步行者航位推算[J].上海交通大學(xué)學(xué)報，2008，42(12)：2002-2005.

[9] SCARLETT J.Enhancing the performance of pedometers using a single accelerometer[Z].Application Note，Analog Devices，2007.

[10] LI F.A reliable and accurate indoor localization method using phone inertial sensors[C].UbiComp′12.ACM.New York，2012.

[11] WEINBERG H.Using the ADXL202 in pedometer and personal navigation applications[Z].Analog Devices AN-602 Application Note，2002.

[12] 張國良，曾靜.模糊控制及其MATLAB應(yīng)用[M].西安：交通大學(xué)出版社，2002.

[13] 王萬良，石浩，李燕君.基于Mamdani型模糊推理的加權(quán)質(zhì)心定位算法[J].計算機科學(xué)，2015，42(10)：101-105.

[14] 王璐，張文濤.人體手掌靜脈圖像采集系統(tǒng)研究[J].激光與紅外，2013，43(4)：404-408.

[15] 李若涵，張金藝，徐德政，等.運動分類步頻調(diào)節(jié)的微機電慣性測量單元室內(nèi)行人航跡推算[J].上海大學(xué)學(xué)報：自然科學(xué)版，2014(5)：612-623.

[16] Liu Zexi，Aduba Chukwuemeka，Won Chang-Hee.In-plane dead reckoning with knee and waist attched gyroscopes[J].Measurement，2011，44：1860-1868.