[发明专利]基于GRU神经网络的行人步行零速检测方法及装置

说明书

本发明提供了一种基于GRU神经网络的行人步行零速检测方法，GRU包括更新门和复位门，包括以下步骤：实时接收并且记录IMU发出的数据x_t；当前状态输入的数据x_t与前一时刻的隐藏层输出的数据h_t‑1经过更新门输出一个0到1之间的数值，计算得到更新门向量u_t；数据x_t和数据h_t‑1进入复位门的sigmoid层输出一个0到1之间的数值，计算得到复位门向量r_t，同时tanh层创建新的候选记忆值向量将更新门向量u_t作为权重向量，候选记忆值向量和前一时刻的隐藏层输出的数据h_t‑1通过加权平均得到GRU单元的输出向量h_t；选取不同的数据x_t作为输入向量重复上述步骤，进行GRU训练和验证，得到最优GRU模型，对采集的数据进行行人步行零速检测判断。

技术领域

本发明涉及行人步行检测技术领域，具体涉及一种基于GRU神经网络的行人步行零速检测方法及装置。

背景技术

鉴于体积、重量、功耗、成本等多方面的要求，行人步行导航系统大都选择使用精度较低的MEMS(Micro-Electro-Mechanical System，微机电系统)惯性传感器完成行人步态和运动加速度的测量工作，在GNSS(Global Navigation Satellite System，全球导航卫星系统)和其他大多数无线电导航系统性能很差的地区、树荫下、甚至室内为行人提供准确的位置导航服务。由于MEMS惯性器件的精度较低，而且在GNSS信号较弱的环境下也很难利用卫星信号对惯性器件进行校正，所以一种有效的解决办法是将MEMS惯性器件安装在鞋上，利用人体行走过程中脚面的零速状态进行零速修正，以达到较长时间的高精度纯惯性自主定位结果。

那么根据上述内容可知，要利用较低性能的MEMS惯性器件完成较高的定位指标，零速检测的准确性将起到至关重要的作用。现有的零速检测器主要是根据给定的统一阈值对行人行走时脚面的零速状态进行判断的，将惯性测量单元(IMU，Inertial MeasurementUnits)读取到的数据代入到运动模型中进行计算，如果计算结果低于该阈值，系统则认为当前行人地脚面处于静止状态。但是人类行走的姿态具有较高的多样性，而且针对一些特殊的路况(如爬楼梯、上坡等)行人地行走姿态又具有较强的复杂性，因此采用固定的统计阈值是很难准确地判断出脚步零速地状态，这将严重制约着步行导航算法达到较高的行人步行导航精度。

虽然固定的阈值可以为均匀运动类型提供近乎最佳的零速度检测，但人类的运动姿态较为多样，且具有一定的复杂性，当用户改变其运动类型或强度时，固定阈值检测就会失败。因为系统给定的阈值不再是最优的，就会出现以下两种零速检测失败的情况：1)阈值设置过高，导致运动模型的输出结果低于阈值，即脚面还在运动时就会被误判为静止状态；2)阈值设置过低，导致运动模型的输出结果高于阈值，即脚面还在静止状态下被误判为运动状态。以上两种错误都会使基于零速的步行导航算法产生较大的积累误差，最终降低定位精度。

发明内容

本发明提出利用循环神经网络(RNN，Recurrent Neural Networks)门控循环单元(GRU，Gated Recurrent Unit)代替现有的基于模型的零速检测器完成行人步态零速检测任务，可以自适应地学习行人行走姿态特征，区分行走时人体不同的运动状态，提高零速状态的检测精度，解决了上述技术问题，最终达到较高的步行导航精度。

本发明采用的技术方案具体如下：

一种基于GRU神经网络的行人步行零速检测方法，所述GRU包括更新门和复位门，所述方法包括以下步骤：

实时接收并且记录IMU发出的数据x_t；