孙延鑫， 毛善君， 苏颖， 杨梦

(1.北京大学 地球与空间科学学院，北京 100871；2.中国矿业大学(北京)机电与信息工程学院，北京 100083)

0 引言

近年来，煤矿井下人员定位技术取得了长足进步。井下环境复杂，除了采用传统的UWB,WiFi等借助外部信号实现定位的技术之外，在没有外部信号的环境下需要通过基于步长估计的PDR(Pedestrian Dead Reckoning，行人航位推算)算法[1]进行辅助定位。PDR算法通过对行人进行步频检测、步长估计和航向估计来推断行人的位置信息。基于PDR算法的人员定位技术不受井下通信多径效应影响，不依赖外界信息，仅通过载体运动状态即可计算出行人位置信息，非常适合在井下巷道环境中应用[2]。然而采用PDR算法进行定位的过程中，步频检测、步长估计和航向估计3个阶段的姿态误差随时间的累计导致位置误差逐渐增大[3]。目前大多采用零速校正[4]、航向漂移消除[5]、步态信号优化等方法来修正误差[6]，但行人运动姿态的差异性及PDR算法中3个阶段的固有缺陷，导致定位精度仍有待提高。借助外部信号(如WiFi[7]、蓝牙信标[8]、人体肌电信号[9]、可见光[10]等)来提高PDR算法的定位精度也是常用的误差修正方式，但上述方法主要通过已有指纹库或在特定坐标位置修正定位误差，并未改变PDR算法的底层实现方式。

本文通过改进PDR算法的步频检测方式，得到适应步长估计阶段的输入特征，并引入深度RNN(Recurrent Neural Network，循环神经网络)模型进行步长估计，解决了传统PDR算法累计误差偏大的问题，提高了井下人员定位精度。……