基于LT-StrideNet的准确步伐长度估计,用于使用树上装的传感器计算行人死亡
Yong Li1, Guopei Zeng2, Luping Wang2
1School of Biomedical Engineering, Sun Yat-sen University, Shenzhen 518107, China.
Micromachines
|June 28, 2023
概括
本研究介绍了LT-StrideNet,这是一种用于准确估计行人步伐长度的深度学习模型. 这提高了行人死亡计算 (PDR) 系统,即使在不同的步行速度.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 传感器融合和导航
背景情况:
- 步行者死亡计算 (PDR) 是一个关键的独立定位技术.
- 准确的行人步伐长度估计对于PDR系统的性能至关重要.
- 现有的方法难以应对不同步行者的步行速度,从而增加PDR错误.
研究的目的:
- 提出一种新的深度学习模型,LT-StrideNet,用于增强行人步伐长度估计.
- 开发一个采用LT-StrideNet模型的式PDR框架.
- 提高PDR系统在不同步行速度的适应性和准确性.
主要方法:
- 开发了LT-StrideNet,这是一个混合深度学习模型,结合了长短期内存 (LSTM) 和变压器架构.
- 实施了一个采用 LT-StrideNet 进行脚步长度估计的式 PDR 框架.
- 利用峰值检测与动态值用于行人步伐检测.
- 使用扩展卡尔曼波器 (EKF) 进行传感器融合 (陀螺仪,加速度计,磁力计).
主要成果:
- 拟议的LT-StrideNet模型有效地估计了行人步伐的长度.
- 步伐长度估计方法证明了适应行人步行速度变化的能力.
- 安装在树上的PDR框架表现出卓越的定位性能.
结论:
- LT-StrideNet在行人步伐长度估计方面取得了重大进展.
- 开发的PDR框架提供了强大而准确的定位能力.
- 这种方法有效地减轻了因步行速度变化引起的错误.
