基于LSTM個(gè)性化步長(zhǎng)估計(jì)的井下人員精準(zhǔn)定位PDR算法

郭倩倩, 崔麗珍, 楊勇， 赫佳星， 史明泉

(內(nèi)蒙古科技大學(xué) 信息工程學(xué)院， 內(nèi)蒙古 包頭 014010)

0 引言

目前，煤礦井下人員定位技術(shù)主要有WiFi技術(shù)、超寬帶(Ultra Wide Band,UWB)技術(shù)[1]、藍(lán)牙技術(shù)等[2]。WiFi技術(shù)定位范圍廣、定位速度快，UWB技術(shù)傳輸速率高、定位精度高，藍(lán)牙技術(shù)功耗低、定位成本低，這些技術(shù)在一定程度上滿足了井下人員定位要求，但存在需要提前鋪設(shè)設(shè)備且井下無(wú)線信號(hào)覆蓋稀疏、定位精度較差等缺點(diǎn)。而基于智能手機(jī)內(nèi)置慣性傳感器的行人航位推算(Pedestrian Dead Reckoning，PDR)算法不需要其他額外的設(shè)施即可實(shí)現(xiàn)定位，不受井下多徑效應(yīng)[3]及礦井復(fù)雜環(huán)境的影響，適用于在井下復(fù)雜環(huán)境中對(duì)工作人員進(jìn)行實(shí)時(shí)精準(zhǔn)定位[4]。

PDR算法中步長(zhǎng)估計(jì)和航向估計(jì)對(duì)其定位精度有著重要影響[5]，步長(zhǎng)估計(jì)模型可以總結(jié)為經(jīng)驗(yàn)?zāi)Ｐ汀⒕€性模型、非線性模型、回歸模型及神經(jīng)網(wǎng)絡(luò)模型等。H.Weinberg[6]提出了一種線性模型，該模型利用每一步Z軸上的最大和最小加速度值來(lái)估計(jì)步行距離。J.W.Kim等[7]研究的線性模型利用行走過(guò)程中每一步加速度幅值的平均值來(lái)計(jì)算步長(zhǎng)。J.Scarlett[8]研究的非線性模型利用步長(zhǎng)和加速度值之間的非線性關(guān)系計(jì)算步長(zhǎng)。上述模型僅基于加速度幅值的最大值和最小值估計(jì)步長(zhǎng)，模型簡(jiǎn)單,便于步長(zhǎng)估計(jì)，但均無(wú)法有效解決井下人員行走時(shí)因姿態(tài)不同導(dǎo)致的計(jì)算誤差。G.Han等[9]提出了基于上下文信息的步長(zhǎng)回歸模型，該模型精度較高，但無(wú)法反映復(fù)雜環(huán)境因素造成的誤差。J.Hannink等[10]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行步長(zhǎng)估計(jì)的方法，并取得了較高的精度，然而該方法依賴于特定的鞋載慣導(dǎo)，不適用于智能手機(jī)。針對(duì)以上問(wèn)題，本文通過(guò)引入深度長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)模型對(duì)井下人員步長(zhǎng)進(jìn)行個(gè)性化估計(jì)，利用智能手機(jī)內(nèi)置的慣性傳感器估計(jì)行人的運(yùn)動(dòng)步長(zhǎng)，有效減小了井下人員行走姿態(tài)及井下復(fù)雜環(huán)境造成的步長(zhǎng)估計(jì)誤差。

精準(zhǔn)的航向估計(jì)對(duì)PDR算法來(lái)講至關(guān)重要，張榮輝等[11]提出采用四元數(shù)解算航向角。肖宇[12]通過(guò)互補(bǔ)濾波來(lái)融合陀螺儀與加速度數(shù)據(jù)進(jìn)行姿態(tài)解算。N.Yadav等[13]提出了一種互補(bǔ)濾波算法，利用加速度計(jì)和磁力計(jì)校正陀螺儀進(jìn)行航向解算。上述航向解算算法逐步提高了航向估計(jì)的精度，但均存在累積誤差。本文利用降噪自編碼器 (Denoising Auto-Encoder,DAE)[14]對(duì)井下慣性傳感器數(shù)據(jù)進(jìn)行降噪處理，提出了基于智能手機(jī)陀螺儀、重力計(jì)和磁力計(jì)的航向估計(jì)方法，提高了手機(jī)慣性傳感器在井下航向估計(jì)應(yīng)用中的穩(wěn)定性和普適性。

綜上，本文提出了一種基于LSTM個(gè)性化步長(zhǎng)估計(jì)的井下人員精準(zhǔn)定位PDR算法，引入深度LSTM模型對(duì)井下人員步長(zhǎng)進(jìn)行個(gè)性化估計(jì)，利用智能手機(jī)內(nèi)置的慣性傳感器估計(jì)行人的運(yùn)動(dòng)步長(zhǎng)；利用DAE對(duì)井下慣性傳感器數(shù)據(jù)進(jìn)行降噪處理，得到更加魯棒的數(shù)據(jù)輸入特征；利用卡爾曼濾波(Kalman Filtering,KF)融合航向估計(jì)算法解算井下人員運(yùn)動(dòng)航向角，解決了傳統(tǒng)PDR算法步長(zhǎng)估計(jì)誤差及航向累積誤差較大的問(wèn)題，提高了井下人員定位精度。

1 算法原理

1.1 井下人員航位推算原理

PDR算法用于對(duì)井下人員行走的步數(shù)、步長(zhǎng)、方向進(jìn)行檢測(cè)與估計(jì)，推算出行走軌跡和位置等信息,PDR算法原理如圖1所示。

假設(shè)井下人員初始位置S0坐標(biāo)為(E0,N0)，第n步步長(zhǎng)為dn(n=1,2,…,k,k為步數(shù))、航向角為θn，已知初始位置，可以得出任意時(shí)刻的位置SK(K為任意時(shí)刻)的坐標(biāo)為

圖1 PDR算法原理Fig.1 PDR algorithm principle

(1)

1.2 步伐檢測(cè)

人行走時(shí)的加速度具有周期性，因此，采用峰值檢測(cè)確定井下人員步頻[15]，步驟如下：

(1) 初始化，獲取加速度數(shù)據(jù)。

(2) 初始化滑動(dòng)窗口，剔除重力加速度值并濾波平滑。

(3) 如果檢測(cè)到的加速度峰值大于預(yù)設(shè)的峰值閾值，且相鄰2個(gè)峰值之間的時(shí)間差大于規(guī)定的時(shí)間閾值，該峰值記為有效峰值。

(4) 檢測(cè)跨步結(jié)束后，統(tǒng)計(jì)步頻。

1.3 基于LSTM的井下人員個(gè)性化步長(zhǎng)估計(jì)

為了提高步長(zhǎng)估計(jì)的準(zhǔn)確性，本文提出了一種基于LSTM的步長(zhǎng)估計(jì)方法，用于解決環(huán)境復(fù)雜的煤礦井下人員運(yùn)動(dòng)距離估計(jì)引起的PDR算法誤差。

在離線階段,訓(xùn)練預(yù)測(cè)模型，將礦用本安型智能手機(jī)的慣性傳感器測(cè)量值作為訓(xùn)練數(shù)據(jù)，鞋載慣導(dǎo)模塊中三軸加速度計(jì)和三軸陀螺儀實(shí)時(shí)解算出的單步運(yùn)動(dòng)距離作為步長(zhǎng)標(biāo)簽。在在線預(yù)測(cè)階段，利用礦用本安型智能手機(jī)實(shí)時(shí)采集的傳感器數(shù)據(jù)和前期訓(xùn)練好的模型估計(jì)井下人員的運(yùn)動(dòng)步長(zhǎng)。井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型框架如圖2所示。

基于井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型提取鞋載慣導(dǎo)內(nèi)置加速度計(jì)、陀螺儀在單步上的測(cè)量值作為時(shí)間特征表示。

D={([Ai,Gi],yi),i=1,2,…,N}

(2)

Ai=[a1a2…am]

(3)

Gi=[g1g2…gm]

(4)

(5)

(6)

式中：D為L(zhǎng)STM模型的輸入；Ai、Gi分別為第i步時(shí)加速度計(jì)和陀螺儀在單步時(shí)間上的測(cè)量值，i=1,2,…，N，N為步伐數(shù))；yi為第i步步長(zhǎng)；aj、gj分別為加速度計(jì)和陀螺儀在第j個(gè)固定時(shí)間長(zhǎng)度的測(cè)量值,j=1,2,…,m,m為固定時(shí)間長(zhǎng)度個(gè)數(shù)；axj、ayj和azj分別為三軸方向上的加速度計(jì)在第j個(gè)固定時(shí)間長(zhǎng)度的測(cè)量值；gxj、gyj和gzj分別為三軸方向上的陀螺儀在第j個(gè)固定時(shí)間長(zhǎng)度的測(cè)量值。

圖2 井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型框架Fig.2 LSTM model framework of underground personnel personalized step size estimation

圖3 LSTM模型原理Fig.3 LSTM model principle

LSTM將慣性傳感器加速度、陀螺儀測(cè)量值作為輸入序列，并按順序反饋給LSTM每一單元。

(1) 更新遺忘門輸出，計(jì)算信息的遺忘程度。

ft=σ(WF·[ht-1,xt]+bF

(7)

式中bF為遺忘門的偏置項(xiàng)。

It=σ(WI·(ht-1,xt]+bI)

(8)

(9)

式中：bI為輸入門的偏置項(xiàng)；bC為單元狀態(tài)的偏置項(xiàng)。

(3) 更新單元狀態(tài)Ct，即當(dāng)前時(shí)刻的單元狀態(tài)包括遺忘門和上一時(shí)刻狀態(tài)的積加上輸入門2個(gè)部分的積。

(10)

(4) 更新輸出門輸出，用于計(jì)算當(dāng)前時(shí)刻信息被輸出的程度。輸出門輸出Ot不考慮先前時(shí)刻學(xué)到信息的輸出，tanhCt是對(duì)先前學(xué)到信息的壓縮，兩者相乘從而得出LSTM模型的最終輸出ht。

Ot=σ(W0[ht-1,xt]+b0)

(11)

ht=Ot*tanhCt

(12)

式中b0為輸出門的偏置項(xiàng)。

(5) 輸出H(x)(H(x)為輸入序列在時(shí)間特征空間的嵌入)，將LSTM模型輸出ht映射到時(shí)間特征空間。

H(x)=ht=OT*tanhCT

(13)

式中OT,CT為Ot,Ct在時(shí)間特征空間的映射，T為t在時(shí)間特征空間對(duì)應(yīng)的時(shí)間。

LSTM模型采用加速度計(jì)和陀螺儀測(cè)量值作為輸入，LSTM層將輸入序列映射到時(shí)間特征空間，然后添加4個(gè)級(jí)聯(lián)的全連接層，在特征空間和目標(biāo)值(即步長(zhǎng))之間建立映射關(guān)系。

1.4 基于KF-DAE的航向估計(jì)

針對(duì)現(xiàn)有航向解算算法存在累積誤差以及不適用于井下特殊環(huán)境等問(wèn)題，本文利用KF-DAE算法解算井下人員運(yùn)動(dòng)航向角。KF-DAE算法包括利用KF算法融合陀螺儀積分、九軸傳感器航向解算及旨在消除原始慣性傳感器數(shù)據(jù)噪聲的DAE。首先利用DAE對(duì)井下慣性傳感器數(shù)據(jù)進(jìn)行降噪處理，訓(xùn)練DAE中的編碼器和解碼器來(lái)最小化重構(gòu)誤差，學(xué)習(xí)重構(gòu)分布來(lái)獲得更加魯棒的數(shù)據(jù)特征；然后基于智能手機(jī)陀螺儀、重力計(jì)和磁力計(jì)的航向估計(jì)方法，依據(jù)陀螺儀不受磁擾影響和磁力計(jì)不受長(zhǎng)期漂移影響的互補(bǔ)特性，采用加速度和磁力計(jì)數(shù)據(jù)對(duì)陀螺儀進(jìn)行補(bǔ)償，利用四元數(shù)互補(bǔ)濾波更新解算航向角;最后利用KF算法融合陀螺儀直接積分獲取的航向角來(lái)提高算法在煤礦井下的適應(yīng)能力，提高手機(jī)慣性傳感器在井下航向估計(jì)應(yīng)用中的穩(wěn)定性和普適性?；贙F-DAE的航向估計(jì)算法如圖4所示。

圖4 基于KF-DAE的航向估計(jì)算法Fig.4 Heading estimation algorithm based on KF-DAE

2 試驗(yàn)與結(jié)果分析

2.1 井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型驗(yàn)證

2.1.1 LSTM模型參數(shù)設(shè)置及訓(xùn)練

為驗(yàn)證本文PDR算法的可行性與實(shí)用性，在內(nèi)蒙古鄂爾多斯市高頭窯煤礦進(jìn)行了試驗(yàn)。由于無(wú)法攜帶鞋載慣導(dǎo)在礦井下采集原始數(shù)據(jù)，所以試驗(yàn)者(井下工作人員，年齡為26～45歲，身高為1.60～1.85 m，體重為58～80 kg)右腳綁定鞋載慣導(dǎo)模擬井下行走姿態(tài)，采樣頻率為100 Hz，采集原始慣性傳感器數(shù)據(jù)作為基準(zhǔn)數(shù)據(jù)集，采用零速修正和姿態(tài)識(shí)別方法將試驗(yàn)者運(yùn)動(dòng)軌跡以單步長(zhǎng)劃分，解算單步步長(zhǎng)。本文使用六通道加速度、陀螺儀原始慣性信息構(gòu)建步長(zhǎng)數(shù)據(jù)，訓(xùn)練標(biāo)簽為鞋載慣導(dǎo)模塊中每一步的運(yùn)動(dòng)距離，井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型的輸入如圖5所示。

圖5 井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型的輸入Fig.5 Input of LSTM model of underground personnel personalized step size estimation

井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型以單步加速度、陀螺儀原始慣性訓(xùn)練樣本為輸入，以對(duì)應(yīng)的實(shí)際步長(zhǎng)作為網(wǎng)絡(luò)的標(biāo)簽，將固定長(zhǎng)度的步長(zhǎng)數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練，隱含層選擇ReLU激活函數(shù)，預(yù)測(cè)層由于是一個(gè)回歸任務(wù)而沒有激活函數(shù)，訓(xùn)練完成的井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型將用于預(yù)測(cè)井下人員運(yùn)動(dòng)的步長(zhǎng)。井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型的結(jié)構(gòu)參數(shù)如圖6所示。

圖6 井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型的結(jié)構(gòu)參數(shù)Fig.6 Structural parameters of LSTM model of underground personnel personalized step size estimation

井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型是在Windows平臺(tái)下基于Keras環(huán)境實(shí)現(xiàn)，使用Adam算法進(jìn)行優(yōu)化，模型的超參數(shù)見表1。MSE(Mean Square Error,均方誤差)損失函數(shù)用來(lái)衡量模型預(yù)測(cè)與實(shí)際之間的差距。

表1 井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型的超參數(shù)Table 1 Super parameter of LSTM model of underground personnel personalized step size estimation

為了防止過(guò)擬合，對(duì)模型訓(xùn)練采用了早停法。當(dāng)?shù)螖?shù)達(dá)到50而損失函數(shù)沒有下降時(shí)，系統(tǒng)自動(dòng)停止迭代，訓(xùn)練和驗(yàn)證過(guò)程損失函數(shù)曲線如圖7所示，可以看出訓(xùn)練數(shù)據(jù)及驗(yàn)證數(shù)據(jù)的損失函數(shù)均隨著迭代次數(shù)的增加而減小，當(dāng)?shù)?20次時(shí)損失函數(shù)不再下降，模型停止迭代,此時(shí)模型達(dá)到最優(yōu)。

圖7 訓(xùn)練和驗(yàn)證過(guò)程損失函數(shù)曲線Fig.7 Loss function curves of training and verification process

2.1.2 步伐檢測(cè)

為驗(yàn)證本文步伐檢測(cè)算法的實(shí)用性，隨機(jī)選取3名試驗(yàn)者進(jìn)行試驗(yàn)，模擬井下行走姿態(tài)。智能手機(jī)采樣頻率為100 Hz，行走50步，重復(fù)5次，步伐檢測(cè)算法結(jié)果見表2。從表2可看出，本文步伐檢測(cè)算法的精度為96.5%，滿足井下人員PDR定位中步伐檢測(cè)需求。

表2 步伐檢測(cè)算法結(jié)果Table 2 Results of step detection algorithm

2.1.3 步長(zhǎng)估計(jì)

為驗(yàn)證本文個(gè)性化步長(zhǎng)估計(jì)LSTM模型的可行性，進(jìn)行行走對(duì)比試驗(yàn)，行走路線為直線,行走總距離為61.45 m，步數(shù)為100步。

3種不同算法在行走過(guò)程中的實(shí)際步長(zhǎng)估計(jì)數(shù)據(jù)見表3。由表3可看出:本文算法的步長(zhǎng)估計(jì)精度較高，比Kim算法[7]提高9%,比Weinberg算法[6]提高5%；同時(shí)，本文算法得到的步長(zhǎng)大小及變化幅度較合理，與實(shí)際的步長(zhǎng)吻合較好。

表3 不同算法步長(zhǎng)估計(jì)結(jié)果對(duì)比Table 3 Comparison of step size estimation results of different algorithms

為了清楚地表示步長(zhǎng)估計(jì)誤差的分布，使用CDF(誤差累積分布函數(shù))來(lái)比較本文步長(zhǎng)估計(jì)算法與其他常用步長(zhǎng)估計(jì)算法(Weinberg算法[6]，Kim算法[7])單個(gè)步長(zhǎng)估計(jì)的誤差(自然行走100步)，如圖8所示。從圖8可看出，本文步長(zhǎng)估計(jì)算法的相對(duì)誤差小于Weinberg算法和Kim算法，誤差為0.125 m時(shí)CDF達(dá)到100%。

2.2 井下試驗(yàn)

基于地面訓(xùn)練好的井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型，在高頭窯煤礦真實(shí)井下環(huán)境進(jìn)行井下人員精準(zhǔn)定位PDR算法試驗(yàn)，井下測(cè)試場(chǎng)景如圖9所示。試驗(yàn)對(duì)傳統(tǒng)PDR算法[6，11]與本文基于LSTM個(gè)性化步長(zhǎng)估計(jì)的井下人員精準(zhǔn)定位PDR算法進(jìn)行對(duì)比，驗(yàn)證本文PDR算法在煤礦井下的可行性與實(shí)用性。

圖8 不同步長(zhǎng)估計(jì)算法誤差分布對(duì)比Fig.8 Comparison of error distribution of different step size estimation algorithms

圖9 井下測(cè)試場(chǎng)景Fig.9 Underground test scenario

在高頭窯煤礦2-3煤3號(hào)大巷聯(lián)絡(luò)巷進(jìn)行試驗(yàn)，路線從起點(diǎn)開始向北行走經(jīng)過(guò)1次直角轉(zhuǎn)彎到達(dá)電纜通道，后沿電纜通道向西行走到下一直角拐彎進(jìn)入北向聯(lián)絡(luò)巷，井下人員行進(jìn)路線及起始點(diǎn)如圖10所示，參考路徑全長(zhǎng)75 m。

圖10 試驗(yàn)行進(jìn)路線Fig.10 Test route

傳統(tǒng)PDR算法[6,11]與本文基于LSTM個(gè)性化步長(zhǎng)估計(jì)的PDR算法在煤礦井下行走路徑對(duì)比如圖11所示，傳統(tǒng)PDR算法距離誤差為17.17 m，即定位誤差為22.89%，不能滿足井下人員定位需求；而本文PDR算法距離誤差為1.75 m，定位誤差為2.33%，遠(yuǎn)低于傳統(tǒng)PDR算法定位誤差，滿足井下人員定位需求。

圖11 傳統(tǒng)PDR算法與基于LSTM個(gè)性化步長(zhǎng)估計(jì)的 PDR算法在煤礦井下行走路徑對(duì)比Fig.11 Comparison of walk routes of traditional PDR algorithm and PDR algorithm based on LSTM personalized step size estimation in coal mine

3 結(jié)語(yǔ)

針對(duì)傳統(tǒng)PDR算法受井下復(fù)雜環(huán)境的干擾，導(dǎo)致定位精度低，不能滿足井下人員定位需求的問(wèn)題，提出了基于LSTM的井下人員個(gè)性化步長(zhǎng)估計(jì)及基于KF-DAE的航向估計(jì)的PDR算法。該算法首先離線訓(xùn)練井下人員個(gè)性化步長(zhǎng)估計(jì)LSTM模型；然后通過(guò)步伐檢測(cè)算法、個(gè)性化步長(zhǎng)估計(jì)LSTM模型及KF-DAE航向估計(jì)算法獲得井下人員運(yùn)動(dòng)的步伐、每一步的步長(zhǎng)及運(yùn)動(dòng)航向角，最后根據(jù)步長(zhǎng)及運(yùn)動(dòng)航向角預(yù)測(cè)井下人員當(dāng)前位置。試驗(yàn)結(jié)果表明：基于LSTM個(gè)性化步長(zhǎng)估計(jì)的井下人員精準(zhǔn)定位PDR算法對(duì)井下人員運(yùn)動(dòng)中的步伐檢測(cè)精度為96.5%，步長(zhǎng)估計(jì)精度為90%，均滿足井下人員定位的精度要求；在井下真實(shí)環(huán)境中的相對(duì)定位誤差為2.33%，有效提高了井下人員定位精度，滿足井下定位導(dǎo)航的需求。