摘要：為避免過多傳感器的配置在行人導航狀態分類時引入冗余信息，提出了一種傳感器配置優化方法。根據采集的慣性傳感器三軸加速度和角速度信息，基于K均值聚類算法(K-means)、自組織映射算法(SOM)和混合高斯聚類算法(EM-GMM)對行人運動狀態進行識別;選取輪廓系數、戴維森堡丁指數、卡林斯基-哈拉巴斯指數3個內部評價指標及執行時間對聚類效果進行綜合對比，得出在行人狀態識別中K-means聚類方法較優;基于K-means聚類最優模型，對二維、三維、六維不同傳感器配置下的輪廓系數進行綜合對比，得出二維和三維行人慣性導航系統即可有效實現行人運動狀態識別，有效解決了六維特征空間中因多變量復雜相關導致的難以準確建模的難題，為多傳感器的行人導航狀態識別提供了新途徑。

　　關鍵詞：行人導航;步態識別;運動狀態識別;慣性傳感器優化;聚類分析

　　0引言

　　慣性傳感器是實現高精度行人導航的重要技術[1]。隨著科學技術的發展，我國行人導航的研究取得了飛速的發展，基于微機電系統(MEMS,micro-electro-mechanicalsystem)慣性傳感器的行人定位由于其極強的環境適應性和抗干擾性而得到了廣泛的研究[2-3]。慣性導航系統可由MEMS陀螺儀、加速度計和磁強計等多種慣性傳感器組合構建。

　　慣性導航系統具備了體積小、質量輕、成本低、部署方便、可靠性高和易于集成的特點，使得慣性系統可以獨立實現人體的定位導航，可用于復雜的室內外環境使用，能為人們提供更多工作生活的便利。因此，針對MEMS慣性傳感器的導航技術研究對我國行人導航的發展具有重要的意義。應用在行人導航的MEMS慣性傳感器可分為單軸慣性傳感器、雙軸慣性傳感器和三軸慣性傳感器三種組裝系統。

　　目前，研究行人運動狀態研究領域中所采取的慣性導航系統不盡相同，Rebeiz和Judy在研究人體運動狀態采取了用三維加速度傳感器作為采集人體運動信息的有效設備器件[4-5]。Padgaonkar在研究人體運動狀態時分別采用了包括一維加速度計、二維加速度計和三維加速度計組合的傳感器系統[6]。Giansanti針對六維或九維加速度計的行人導航組合測試系統進行了深入探究[7]。

　　Prasa在研究人體運動狀態嘗試采取十二維加速度計進行分析[8]。Rehbinder和Hu在研究人體運動狀態時采取了基于MEMS加速度計和MEMS陀螺儀組裝的二維傳感器，但最終實驗結果存在角度漂移問題[9]。隨著慣性人體運動研究得到廣泛的關注，結合科技技術的日益發展，Morris等研究者提出了在三維空間中研究人體運動狀態[10]。Bachmann在研究人體運動狀態采取了九維慣性導航系統[11]。

　　通過查閱國內外相關文獻可發現，有大量研究者均基于高維組合傳感器研究行人慣性導航系統，但傳感器數量的組合安裝大多依賴研究者的主觀經驗，當采用傳感器的數目大于實際最優檢測效果數目時，優化傳感的方法選擇的傳感器會表現出明顯的優異性，以此可避免過多傳感器配置將引入的冗余信息。本文將集成了三軸陀螺儀、三軸加速度計的MEMS慣性傳感器作為導航元件，基于Foxlin[12]系統闡述的腳綁慣性傳感器的行人步態區間測試思想，研究X、Y、Z各軸向加速度及角速度組合的行人步態狀態識別，最終根據行人運動狀態的識別效果實現慣性傳感器配置優化，給出最優組合的慣性傳感器配置。

　　1慣性行人導航實驗系統設計

　　1.1實驗系統結構

　　慣性行人導航系統由電源、慣性傳感器、導航計算機和顯控設備構成[13]。電源用于向整個系統供電，慣性傳感器用于獲取并輸入行人運動的運動數據，導航計算機是對傳感器輸入的數據進行解算并將導航結果輸出到顯控設備，顯控設備用于輸出導航結果以及輸入指令控制導航計算機。

　　基于系統的硬件結構圖，利用計算機代替導航計算機和顯控設備，并利用計算機的電源為慣性傳感器供電，實現了一個將MEMS傳感器安裝于腳跟部位的慣性行人導航系統。

　　1.2MEMS慣性傳感器

　　本文利用荷蘭Xsens公司生產的Mti-G-710系列MEMS慣性傳感器作為導航元件。在行人導航狀態檢測實驗時，慣性傳感器可分為三個軸方向，其中行人前進方向為X軸，左側方向為Y軸，朝上方向為Z軸。

　　2行人導航腳部運動狀態實驗分析

　　2.1行人行走狀態腳部運動分析

　　根據人體運動學可將行人行走過程中足部的變化用步態來進行描述[15]，根據行人步行過程存在周期性的步態更迭特點，因此可將每個運動周期分為兩個區間，一個是全腳掌著地時的零速區間，另外一個是包括抬腳跟、空中擺動和腳跟著地三個部分的非零速區間。因為足部運動具有靜止-運動靜止交替變化特點，所以安裝在腳跟部位的慣性傳感器MIMU輸出的行人腳部運動數據會呈現出與行走頻率一致的周期性變化規律，可大體將行人的一個步行周期分為抬腳跟、空中擺動、腳跟著地和全腳掌著地4個過程。

　　2.2基于慣性傳感器輸出的行人步態分析

　　根據慣性行人導航實驗系統獲取行人行走過程中慣性傳感器輸出的腳步慣性步態數據，可尋找行人步態與慣性傳感器輸出值的對應關系。分別探究行人縱向、前向、垂向的加速度和角速度速度變化，可檢測出行人步態的零速區間，實驗設計行人在水平路面上沿直線行走過程中。

　　2.3多種聚類模型的行人運動狀態識別分析

　　聚類分析指將無標簽的數據集劃分為不同簇的過程，是一種無監督的分類方法[17]。聚類算法在統計學、數據挖掘、模式類別等研究領域廣泛使用，是一種非常重要的數據分類研究工具[18]。聚類的標準是使簇內樣本相似度盡可能大、簇間樣本相似度盡可能小。因此，對高維慣性行人導航的空間數據對象劃分可通過聚類目標函數的優化問題來解決。

　　許多研究人員運用各種聚類對導航系統的優化做出了貢獻，陳淼證明了在一個復雜的室內環境，自組織映射算法可以將高維變量映射到一個一維或二維的平面上，從而提高系統的實時定位性[19]。傳統的室內定位方法采用標準高斯模型對參考點上接收的信號強度進行建模[20]。胡葉證明了K均值聚類可以有效識別運動狀態[21]。本文擬采取K均值聚類(K-means)、自組織映射(SOM)、混合高斯聚類算法(EM-GMM)三種較為經典聚類算法識別行人的運動狀態。綜合對比各聚類算法分類效果，最終實現最優行人運動狀態檢測。

　　3基于K-means模型的傳感器優化分析

　　3.1二維、三維傳感器運動狀態識別

　　本章將分析基于K-means聚類優化方法進行精簡傳感器，進一步討論對傳感器精簡優化后模型的有效性，實現傳感器的優化配置的設置參數，為有效獲得行人導航狀態識別研究提供參考。基于K-means聚類算法對二維、三維的行人導航慣性傳感器配置輸出的數據集進行自動分類，探討分類識別行人步行過程中的五種運動狀態，即慢速、常速、快速、慢跑、跑步。

　　4實驗結論與分析

　　實驗結果顯示，在K-means聚類、EM-GMM聚類和SOM聚類算法中，K-means的執行時間最快，SI值最大，DBI值最小，CHI值也遠大于其他兩種聚類，因此基于K-means聚類算法對行人運動狀態識別過程進行傳感器優化。。基于K-means聚類模型探究了不同組合傳感器配置測試效果。實驗結果顯示，二維Y、Z軸向角速度和三維X、Y、Z軸向角速度的空間組合在識別行人不同運動狀態聚類效果時，其SI值分別達到0.59和0.51;而六維空間中三軸加速度和角速度組合的SI值未達到0.5。可見，優化后的二維和三維行人慣性導航系統即有效實現行人運動狀態識別。

　　5結束語

　　為實現較少傳感器即可完成行人導航狀態識別的目標，設計慣性行人導航實驗系統，針對二維、三維、六維行人導航慣性傳感器數據進行傳感器優化研究，提出了傳感器優化選擇方案。結論表明，基于二維、三維慣性行人導航傳感器信息即可實現行人狀態識別，充分體現了傳感器優化選擇方案的經濟性、便捷性、高效性。

　　參考文獻

　　[1]顏里.基于慣性導航的行人自主定位技術研究[D].成都：電子科技大學,2020：47-65.

　　[2]TITTERTOND,WESTONJL.Strapdowninertialnavigationtechnology[J].Reston:TheAmericanInstituteofAeronauticsandAstronautics,2004.2-5.

　　[3]王思遠,韓松來,任星宇,等.MEMS慣性導航技術及其應用與展望[J].控制與信息技術,2018(6):21-26,49.

　　[4]REBEIZGM.RFMEMS:theory，design,andtechnology[J].Microwaves&Rf，2004(6):87-120.

　　作者：楊秀蓮1,李娟1*,王夢杰1,呂楊1,孫秀慧1,戴洪德2