Пешеходная навигация: чем инерциальные модули могут помочь смартфонам?

Работа посвящена построению референсных траекторий ходьбы человека с целью дальнейшей разработки на их основе алгоритмов пешеходной навигации для смартфонов, в том числе с помощью методов машинного обучения. Рассматривается задача восстановления замкнутых траекторий по данным, полученным с помощью инерциальных измерительных блоков (ИИБ), зафиксированных на ногах в области подъема стопы. Особенностями подхода являются использование недорогих датчиков и простота представленного метода. Предлагаются алгоритмы, позволяющие построить сглаженную двумерную траекторию движения пешехода как по измерениям одного ИИБ, так и по совместным измерениям двух блоков. Алгоритмы основаны на использовании модификации фильтра Калмана и предположения о нулевой скорости ИИБ в момент соприкосновения стопы пешехода с поверхностью. В случае двух измерительных блоков дополнительно предполагается, что положения датчиков левой и правой ног не могут значительно отличаться друг от друга. Работа алгоритмов была проверена на траекториях длительностью от 1 до 10 минут, полученных при движении пешеходов внутри помещений по ровным горизонтальным поверхностям. Для оценки полученных результатов восстановленные указанными способами траектории сравниваются с высокоточными решениями, построенными с помощью данных от GNSS-приемников, работающих в RTK-режиме. Также рассматривается вопрос синхронизированного сбора данных от всех источников и приводится подробное описание проведенных экспериментов и используемого оборудования. Набор данных, на котором происходила верификация алгоритмов, свободно доступен по адресу: http://gartseev.ru/projects/rtj2021.

1. Woodman O.J. An introduction to inertial navigation. Technical Report UCAM-CL-TR-696. 2007. 37 p. URL: https://www.cl.cam.ac.uk/techreports/UCAM-CLTR-696.pdf

2. Chen C., Zhao P., Lu C.X., Wang W., Markham A., Trigoni N. Deep-Learning-Based Pedestrian Inertial Navigation: Methods, Data Set, and On-Device Inference. IEEE Internet of Things Journal. 2020;7(5):4431−4441.

3. Herath S., Yan H., Furukawa Y. RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, & New Methods. In: 2020 IEEE International Conference on Robotics and Automation (ICRA).2020, p. 3146−3152.

4. Wang Q., Luo H., Ye L., Men A., Zha, F., Huang, Y., Ou C. Pedestrian heading estimation based on spatial transformer networks and hierarchical LSTM. IEEE Access. 2019;7:162309−162322. https://doi.org/10.1109/ACCESS.2019.2950728

5. Bayev A., Chistyakov I., Derevyankin A., Gartseev I., Nikulin A., Pikhletsky M. RuDaCoP: The dataset for smartphone-based intellectual pedestrian navigation. In: 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Pisa, Italy, 2019, p. 1−8. https://doi.org/10.1109/IPIN.2019.8911823

6. Colomar D.S., Nilsson J.-O., Händel P. Smoothing for ZUPT-aided INSs. In: 2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Sydney, NSW, Australia, 2012, p. 1−5. https://doi.org/10.1109/IPIN.2012.6418869

7. Nilsson J.-O., Skog I., Händel P., Hari K.V.S. Footmounted INS for everybody - an open-source embedded implementation. In: Proceedings of the 2012 IEEE/ION Position, Location and Navigation Symposium (PLANS). Myrtle Beach, SC, USA, 2012, p. 140−145. https://doi.org/10.1109/PLANS.2012.6236875

8. Nilsson J.-O., Gupta A.K., Händel P. Foot-mounted inertial navigation made easy. In: 2014 International Conference on Indoor Positioning and Indoor Navigation (IPIN). 2014, p. 24−29.

9. Skog I., Handel P., Nilsson J.-O., Rantakokko J. Zero-velocity detection: An algorithm evaluation. IEEE Transactions on Biomedical Engineering. 2010;57(11):2657−2666. https://doi.org/10.1109/TBME.2010.2060723

10. Chistiakov I.A., Nikulin A.A., Gartseev I.B. Pedestrian dead-reckoning algorithms for dual foot-mounted inertial sensors. In: 2019 26th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS). St. Petersburg, Russia, 2019, p. 1−8. https://doi.org/10.23919/ICINS.2019.8769341

11. Eiter T., Mannila H. Computing discrete Fréchet distance. Technical Report CD-TR 94/64. Christian Doppler Laboratory for Expert Systems. 1994:636−637.

12. Müller M. Dynamic Time Warping. In: Information Retrieval for Music and Motion. Berlin, Heidelberg: Springer; 2007. P. 69-84. https://doi.org/10.1007/978-3-540-74048-3_4

13. Vaughana N., Gabrysa B. Comparing and combining time series trajectories using Dynamic Time Warping. Procedia Computer Science. 2016;96:465−474. https://doi.org/10.1016/j.procs.2016.08.106

14. Niu X., Li Y., Kuang J., Zhang P. Data fusion of dual foot-mounted IMU for pedestrian navigation. IEEE Sensors Journal. 2019;19(12):4577−4584. https://doi.org/10.1109/JSEN.2019.2902422

15. Lemmon M.D., Ganguly J., Xia L. Model-based clock synchronization in networks with drifting clocks. In: Proceedings of Pacific Rim International Symposium on Dependable Computing. Los Angeles, CA, USA, 2000, p. 177−184. https://doi.org/10.1109/PRDC.2000.897300

16. Cormen T.H., Leiserson C.E., Rivest R.L., Stein C. Introduction to Algorithms: 3rd Edition. The MIT Press; 2009. P. 864−878.