运动传感器（精选7篇）
运动传感器 篇1
动作感应有助于推动移动通信、浏览和总体数据使用的市场增长。据行业分析公司iSuppli今年初发表的一份报告预计，在手机中采用加速计将使销售额从2009年的2.2亿美元增长到2010年的4.26亿美元。
“到2012年底，用于手机的各类MEMS的全球收入将增至13亿美元，与2007年的2.9亿美元相比将大幅增长”，iSuppli的MEMS董事兼首席分析师Jérémie Bouchaud表示：“这种增长的主要驱动力源于消费者对移动设备的先进的用户界面的需求，如触摸屏和方向检测，因此在便携式电子产品中广泛安装了加速计。”
飞思卡尔半导体在经过验证的微机电系统(MEMS)技术的基础上，日前推出一款先进的低功率传感器，即三轴MMA7660FC加速计，这是专为手持便携式电子设备提供的技术。三轴MMA7660FC加速计让用户通过敲击、震动或翻转的方式下达指令，改进了手机、小家电和游戏的用户界面。该器件还包括智能电源管理功能，有助于延长电池寿命。
飞思卡尔的经济高效的低功耗加速计集成了众多智能的运动功能，如方向、震动和敲击检测，可在紧凑的3 mm×3 mm×0.9 mm封装中进行唤醒/休眠检测。该MMA7660FC可以在6个方向 (左、右、上、下、前、后) 定制垂直/水平座向。除了精确的手动控制之外，MMA7660FC可通过一个I2C接口与主系统处理器直接通信，实现通信的简便性和灵活性。
MMA7660FC加速计旨在达到比目前市场已有的解决方案长5倍的电池寿命，实现连续运转。可配置的节能模式和一个电源选择功能可通过在8种采样率中任意选择，帮助设计人员达到最佳的电流消耗。通过自动配置的自动唤醒/休眠功能，可降低系统级功耗，不受主处理器的干预或轮询干扰。MMA7660FC加速计以用户可配置的输出数据速率提供向数字值的转换，大幅节省电源电流和功率。
“随着消费者喜好的不断变化，在便携式电子设备中采用先进的加速技术已从奢侈演变成为必须”，飞思卡尔副总裁兼传感器与制动器解决方案部总经理Demetre Kondylis说，“通过飞思卡尔的MMA7660FC加速计，便携式电子产品开发者可以将方向、撞击和震动检测集成到一个器件，同时延长电池寿命，被更广泛的消费者使用。”
MMA7660FC加速计的关键应用包括便携式消费设备，如手机、PDA和数码相机。其他应用还包括电脑和外设的冲击检测和运动控制、医疗和体育应用的活动监测、游戏和玩具的方向与自由落体检测。
产品特性:
开发支持、价格和供货情况
MMA7660FC传感器现已上市，10 000件订货的建议零售单价是1.39美元。
为了缩短开发周期，飞思卡尔提供的RD3803MMA7660FC是一个全面的工具包，包括评估板和子板、电脑应用和相应的关联设备。该工具包的建议零售价为119美元。对于原型开发阶段的客户，子板也可单独作为KIT3803MMA7660FC，其建议零售价为35美元。
飞思卡尔是一家领先的高容量传感器供应商, 具有广泛的加速计、压力和接近触摸传感器产品系列。随着近30年基于MEMS传感器的创新, 飞思卡尔将其大量高质量的汽车应用传感器生产经验用于满足日益增长的消费和工业市场需要。欲了解更多信息, 请访问www.freescale.com/sensors。
运动传感器 篇2
1 基于微机电系统的运动传感器
基于微机电系统是使用微米级别的3D式结构完成感应以及执行操作的一项操作技术。在技术与经济不断发展的过程中, 各种先进的基于微机电系统技术的运动传感器相继出现, 其能够简单化人体运动测量, 同时彼此之间可以实现功能的互补。基于微机电系统的运动传感器, 其中包括了各种不同的传感器技术, 而这些传感器中又包含了多种组合。其中适合使用在人体的包括了以下几种。
1.1 加速度传感器
最近十几年才发展成熟起来的运动传感器, 不仅可以对运动过程中的能量消耗以及人们的运动方式进行评测, 还可以对加速度标准得出人体运动强度和运动频率[1]。其可以把人体的各项运动转化成幅度不一的电压信号, 且安装程度更为便捷, 测量方式也不繁琐。一般使用较多的加速度传感器范围, 包括运动角度、运动检测和计步器, 通常情况下加速度传感器是对线性运动与倾斜的角度做检测, 其实现方式在两种基础上, 一种是重力诱发的加速度, 另外一种是运动诱发的加速度[2]。
1.2 陀螺仪
在这几年中, 人们将目光集中在了陀螺仪上, 其和加速度传感器不一样, 陀螺仪不会将作用力发挥在重力上, 而只是单纯的对旋转有反应。因此陀螺仪可以以较好的方式, 辨别重力、线性运动和旋转运动过程中出现的矢量值, 此项设施属于对加速度传感器的良好补充措施, 尤其在稳定性分析的应用过程中, 使用性能突出。这是因为陀螺仪输出的数据是转速, 那么为了得到角度的变化标准, 会在输出结构中完成一次积分动作, 那么测量偏差也会在时间的推移下而增加。要想将这种因为时间与温度而发生的误差弥补, 可以配合陀螺仪和传感器一起使用, 像是可以和加速度传感器一同配合使用等。在相对较短的时间当中, 例如在2 s时间内, 可以通过观察陀螺仪的峰值而得出设备有否在运动, 要是峰间值不超过预定阈值, 就代表这个设备是静止不动的, 但是在这个工程中陀螺仪输出的平均值能够被看成是一项新的偏置设定值。
1.3 惯性测量单元
大部分运动检验的过程中, 都会同时使用加速度传感器、陀螺仪等, 为了更好地整合这些运动传感器的功能, 就出现了惯性测量单元的概念。通常在一个惯性测量单元中, 有至少三个单轴加速度计和三个单轴陀螺。在对物体载体做检验动作的时候, 其能够形成一种导航坐标系角速度信号, 可是陀螺仪的检测载体以导航坐标系来说, 是以角速度信号而存在的[3]。惯性测量单元能够对三维运动线性与角度量进行测量, 而不需要借助任何的外界力量。加速度传感器在使用过程中也会有一定的误差出现。可是因为加速度传感器是以重力测量倾斜角度的, 所以其出现的误差会被直接输出而并不需要积分。但是当对加速度传感器输出结果做二次积分而得到距离以及对输出结果做一次积分而得到速率时, 加速度传感器出现的误差是会变得十分敏感的。总而言之, 只有在传感器输出结果不要积分的情况下, 出现的误差才显得无足轻重。
2 运动传感器在人体运动测量中的应用
2.1 运动和健康监测
计步器的组成是三轴加速度传感器, 其是用来对健康功能进行监测的应用手段。在某种非常规情况下, 计步器传感器可以用精准的方式把步行和跑步过程中系统上的加速度数据获得, 而处理加速度数据的时候, 可以使用计步器当中的传感器得到运动过程中出现的加速度数据, 同时也能够显示用户在计步器上进行的步数和速度, 还会一并显示在运动过程中人体消耗的卡路里量。
2.2 步态分析
对步幅和步行速度进行记录的是压电陀螺仪与数据记录器, 由此对有关的数据信息进行分析, 得到步行障碍患者的诊断数据。之前有研究人士在陀螺仪改变人体位方面做了检测, 从而确定老人是否存在潜在的摔倒趋势。便携式记录器安装在人体的腰部, 以预处理的方式对陀螺仪的读数进行处理, 而得到身体姿势转换的数据资料, 再利用分析邻近信号数值差异的方式, 对高风险与低风险易摔倒人群进行辨别。
2.3 体育训练
在体育训练的过程中, 运动传感器安装在被测者的各个不同身体部位, 这些身体数据会传递到主系统, 主系统便可以获得各项不同的运动参数数据, 比如速度和位移。依托无线装备能够以便捷的方式得到室内外的各项体育运动操作形式。曾经有人将加速度传感器使用在船员的肩上、腰部以及船桨的位置, 以得到用力和运动速度的数据显示, 另外把加速度传感器放在冰球运动员的头盔上, 能够测量与显示在运动过程中出现的碰撞和受伤情况。
3 结语
人们在跑步的过程中, 人体水平与垂直的加速度所表现的特点是短周期和大幅值。船体的振动环境下, 人体作业很容易被环境振动的因素影响, 轻则会使人出现失误的操作行为, 严重的会对船员的生命安全造成威胁。而使用加速度传感器, 能够测量人体的加速度, 以将人体的运动情况加以准确反应。文章研究过程中探究了基于微机点系统的运动传感器使用在人体运动参数过程中的方式, 为后期的人体工程学、医学和体育训练等各项关于人体运动的研究提供了参照。
参考文献
[1]张召迁, 孔祥彪, 姚冰川, 等.无线加速度传感器在人体运动参数测量中的应用研究[J].人类工效学, 2014 (4) :58-61.
[2]陈玮.惯性式人体运动传感器的关键技术研究[D].哈尔滨:哈尔滨工程大学, 2013.
运动传感器 篇3
随着科学技术的发展进步, 智能手机也进入了高度集成和快速研发。时下, 在某种意义上来讲, 智能手机就是一台便于携带使用的电脑, 其在人们日常生活中的重要性正与日俱增[1,2,3]。虽然说智能手机相当于便携式电脑, 但是却有着个人电脑所不具备的优点, 不仅表现在智能手机的便于携带使用, 更突显于其比个人电脑更多地集成了数类新式传感器模块, 这都是个人电脑所没有的。
而相较于其他的可穿戴设备来讲, 智能手机又是使用方便, 对用户友好的普适设备, 毕竟可穿戴设备普遍要求用户学习掌握特定的操作, 而智能手机则不需要用户花费额外的金钱、时间和精力来操控其使用, 只需要安装本研究编写的采集数据的应用, 在用户运动的同时, 借助该应用来采集用户的运动数据。
本文正是基于智能手机相比个人电脑和可穿戴设备的优点, 研究采用智能手机来作为数据采集设备, 并通过智能手机中的传感器模块来记录用户的运动数据, 进而分析用户的运动数据, 以最终识别用户的运动状态。
1 数据的采集与存储
本文所采集的数据是智能手机的传感器数据, 而智能手机是伴身跟随用户的, 所以收集到的手机的运动数据也就相当于用户的运动数据[4]。
Android手机上传感器采集运动数据的程序流程图如图1所示。图1中新建的线程为采集程序的子线程, 可用其将传感器数据写入到文本文件中, 存储在手机的本地。
2 运动状态识别
这个部分需要将上一部分采集到的数据进行分类, 识别用户的运动状态, 研究中使用了SVM多分类方法来进行分类识别[5]。
2.1 数据格式
本文所采集的数据按照“时间戳, x轴加速度, y轴加速度, z轴加速度”格式写入到文本文件中。数据格式如图2所示。
图2中为某一段采集到的数据, 每一个数据点为一行。
2.2 特征提取
本研究提出的特征有:平均值、方差、最大值、最小值、振幅 (极大值和极小值的平均值, 极大值和极小值的方差) 、频率 (极大值和极小值的平均距离) 总共10个特征, 下面将针对各个特征展开具体分析。
平均值:取样本的各轴加速度数据, 分别求平均值作为特征, 描述样本数据的总体趋势。
方差:对样本的各轴数据分别求取方差, 方差能够体现样本的变化波动。
最大最小值:对样本的各轴数据分别求其最大最小值, 能够描述数据的变化范围。
振幅:包含4个特征值—极大值极小值的平均值, 极大值和极小值的方差, 描述了样本的波动的变化范围。
频率:包含2个特征值—极大值和极小值的平均距离, 实际上是用波长来刻画频率, 描述了样本的波动的快慢。
其中, 振幅和频率都用到了极大值和极小值。下面给出本文中求得极大极小值的算法, 算法流程如下:
算法———对给定的数值数组求极大极小值
输入:数值型数组z, 长度为m;
输出:极大值数组, 极小值数组和极大值极小值在原数组中的时间戳。
(1) 首先判断的数组z的第一个值z[1]和第二个值z[2], 如果z[1]≤z[2], 则令flag=0, 表示首先查找极大值, z[1]>z[2], 则令flag=1, 表示首先查找极小值;
(2) for i从1到m遍历数组z;
(3) 如果flag=0, 则转 (4) , flag=1, 则转 (5) ;
(4) 比较z[i]和z[i+1], 如果z[i]≤z[i+1], 则继续比较直到z[i]>z[i+1], 记录z[i]为极大值, 存入极大值数组, 并且记下z[i]的时间戳, 转 (5) ;
(5) 比较z[i]和z[i+1], 如果z[i]≥z[i+1], 则继续比较直到z[i]<z[i+1], 记录z[i]为极小值, 存入极小值数组, 并且记下z[i]的时间戳, 转 (4) ;
(6) 遍历整个数组z, 输出极大值数组, 极小值数组和相应的时间戳。
本算法的优点在于只需要遍历一次就可以找到所有的极大值和极小值, 时间复杂度为O (n) 。
分别求极大值和极小值的平均值, 方差作为振幅。其中, 平均值描述了极大值和极小值的平均水平, 方差体现了极大极小值的波动性。
分别求极大值和极小值的时间戳差值的平均值, 体现了相邻的极值间的时间长度, 也就是波长, 用波长来刻画频率。
而在描述振幅和频率的常规方法中, 可以用离散傅里叶变换来得到采样点中占若干个最大的采样点对应的点, 但是该方法并不适合本研究, 因为采集到的样本数据长度的不一致, 即使得离散傅里叶变换的点也各不相同, 进而导致无法统一刻画离散傅里叶变换得到的结果, 为此研究使用本文已提出的求极值算法、得到极值, 再使用极值来刻画振幅和频率。
3 实验结果与结论分析
本文使用Google Nexus S手机来采集实验数据, 每隔0.05秒采集一次三轴的加速度传感器数据, 并写入到文本文件中, 存储在手机本地。
数据集由4位志愿者通过携带的Android手机进行采集, 共采集样本600个, 其中包含了静止、行走、奔跑、跳跃、上楼梯、下楼梯共6个运动状态。每个运动状态100个样本, 每个样本文件长度在15秒~50秒之间不等。
实验采用交叉验证, 把样本分成5等分, 使用其中的4份作为训练集, 第5份作为测试集, 再使用不同的4份做训练集, 第5份做测试集, 共循环5次, 使每份样本都能够独立作为测试集使用, 而后综合5次的对应结果, 从而得到整个样本的实验结果, 5次实验结果如图3所示。
由图3可以看出5次交叉实验结果的正确率分别为80%, 100%, 93.333 3%, 92.5%, 95.833 3%, 取其平均值可得92.333 3%, 故该样本的识别准确率为92.333 3%。
4 结束语
本文使用SVM多分类方法对智能手机传感器采集的运动状态数据进行运动状态的分类。用到的采集分类的特征值有平均值、方差、最大最小值、振幅 (极大极小值的平均值和方差) 、频率 (极大极小值之间的平均距离) 共10个。其中方差、振幅、频率均能有效地区分各个类别, 而最大最小值则由于数据采集上的误差和干扰而对分类结果的影响较小。另据分析可知, 平均值因为加速和减速的抵销, 在样本量较多时将会趋于0, 从而对分类结果的影响较小。
本文后续的研究方向是使用已经得到的运动状态识别模型, 结合MYO手环的手部识别来识别更多的运动行为, 从而实现对用户行为习惯的高效且良好的监督。
参考文献
[1]ROY N, WANG H, Roy C R.I am a smartphone and i can tell my user's walking direction[C]//Proceedings of the 12thAnnual International Conference on Mobile Systems, Applications, and Services, [S.l.]:ACM, 2014:329-342.
[2]LINK J A B, SMITH P, VIOL N, et al.Footpath:Accurate mapbased indoor navigation using smartphones[C]//Indoor Positioning and Indoor Navigation (IPIN) , 2011 International Conference on, [S.l.]:IEEE, 2011:1-8.
[3]SUSI M, RENAUDIN V, LACHAPELLE G.Motion mode recognition and step detection algorithms for mobile phone users[J].Sensors, 2013, 13 (2) :1539-1562.
[4]MEDNIS A, STRAZDINS G, ZVIEDIRIS R, et al.Real time pothole detection using android smartphones with accelerometers[C]//Distributed Computing in Sensor Systems and Workshops (DCOSS) , 2011 International Conference on, [S.l.]:IEEE, 2011:1-6.
运动传感器 篇4
近年来,移动传感器网络逐渐成为无线传感器网络领域研究的焦点。但由于其网络规模大、能耗敏感且单个节点智能化程度低,在网络节点的运动行为控制算法上制约因素较多[1,2,3],并没有较为成熟的网络节点运动行为控制算法。
针对上述问题,设计了一种复杂程度低、能耗小且鲁棒性强的网络节点运动行为控制算法。该算法首先通过航迹推算与RSSI定位传感器节点,然后在人工鱼群思想的基础上结合拥挤意愿模型的约束机制控制节点的运动行为,对于移动传感器网络的进一步应用具有重要意义。
1 网络节点定位算法
航迹推算无需外部信息完成节点的定位,当距离较近时定位精度很高,但随着节点定位误差的叠加,根据航迹推算获得的节点实时位置误差会发散且无法消除[4,5];而RSSI定位算法能够确定节点的相对初始位置,消除位置累积误差且成本较低[6,7]。所以可将航迹推算算法与RSSI定位算法结合起来,就可以实时获得节点的位置信息。
1.1 航迹推算原理
网络节点的运动可简化为二维平面上的运动,根据节点的初始位置与航向角,然后通过实时测量节点的运动速度与航向角的变化,就能够推算出节点的实时位置,具体原理如图1所示。
航迹推算的公式如下:
1.2 RSSI模型建立
在本文RSSI模型的应用环境中,链路质量指示LQI与节点间的距离d的关系如下:
式中:C1和C2是随环境改变的参数,在本文中取C1=-33.22,C2=197.5。
1.3 航迹推算与RSSI定位结合
取两个节点进行算法研究,节点在实验场地任意放置,其中一个节点为领航者,一个节点为跟随者,领航者位置固定,跟随者根据算法得到其与领航者的相对坐标。算法具体分为三步:
(1)跟随者根据RSSI定位算法获得节点初始位置1到领航者的距离L1;
(2)跟随者以θ角作为航向角,R作为移动距离,运动至位置2。其中,航向角θ可使用平面罗盘得到,移动距离R可根据航迹推算得到;
(3)跟随者根据RSSI定位算法获得位置2至领航者的距离L2。
航迹推算与RSSI定位结合的节点定位算法如图2所示。
设领航者的初始位置坐标为(x1,y1),跟随者处于位置1时的坐标为(x2,y2),处于位置2时的坐标为(x3,y3)。各位置间的数学关系如下:
将式(3)中的x3,y3代入式(3)中的第二个式子,代入后的结果如下:
设A=(L12+R2-L22)2(2⋅R),则由式(3),式(4)可以得到x3,y3的表达式,具体如下:
从式(5)中能够得出跟随者与领航者的相对坐标,这个坐标就是跟随者的相对初始坐标,这样就解决了航迹推算中节点位置坐标误差叠加后无法消除的问题。
2 基于拥挤意愿模型的约束机制
基于拥挤意愿模型的约束机制,其原理为:当节点探测到其四周节点与自己的距离较大时,自身的拥挤意愿会变得较强烈,然后通过加快运动速度或增大步长以便能够与被跟随节点接近;当节点探测到其四周节点与自己的距离较小时,表明自身的拥挤度已经较大,为了避免各节点间的碰撞,节点应相互分散,所以自身的拥挤意愿变得较弱,然后通过降低运动速度或减小步长,以便能够远离被跟随节点。所以各移动节点可以根据环境弹性调节它们之间的距离,从而形成一个能够自行聚集和分离的有机节点群。
2.1 拥挤意愿约束模型的建立
移动节点i对其邻居节点j的拥挤意愿强度如下:
式中:Wij,W1,W2都表示矢量。W1表示节点j对节点i的吸引常数,方向由节点i指向节点j;W2的值为k/d2ij,方向由节点j指向节点i,k表示节点j对节点i的排斥常数,dij表示节点j与节点i的距离。
根据节点i的拥挤意愿模型,下一时刻该节点要前往的位置由式(7)决定,具体如下:
式中:i表示节点群中的第i个节点;k表示节点群所处的时刻;表示节点的运动步长,可根据节点的转角和速度得到。
2.2 总体约束机制
总体约束机制就是根据节点群与目标点的拥挤意愿强度对节点群的整体运动状态进行调整,当节点群与目标点间的距离较大时,节点群的拥挤意愿增强,应加大节点群的运动步长;当节点群与目标点间的距离较小时,节点群的拥挤意愿减弱,应减小节点群的运动步长。
首先,领航节点依据目标点的位置坐标和当前的位置坐标计算出当前节点与目标点间的距离,具体如下:
式中:(xs,ys)表示领航节点当前坐标;(xt,yt)表示目标点的位置坐标。然后依据距离dst计算出总体约束的拥挤强度Wkgroup=a⋅dst,a表示拥挤系数,根据Wkgroup就可以计算出总体步长:
式中:stepmin表示节点的最小运动步长;b表示速率变化因子,其能够对运动步长的变化速度产生影响。
根据运动步长step(dst)和式(7),领航节点就能够计算出其下一时刻将要前往的位置Xik+1=Xik+1+step(dst)。然后节点群中的跟随节点根据其在整个队列中的位置计算出自身下一时刻的位置。
2.3 局部约束机制
局部约束机制就是根据邻居节点对自身的拥挤意愿调节运动步长和速度。当节点与其预定平衡位置偏离时,邻居节点对该节点的拥挤意愿增强,然后调节该节点的运动状态,使其在后续的运动中重新返回到预定平衡位置。只要节点的角度和速度在一定的范围内调节,该节点就不会与节点群的整体运动背离。局部约束的拥挤意愿强度计算如图3所示。
首先计算节点i在k时刻全部邻居节点的拥挤强度,如果大于拥挤强度阈值m,则产生运动修正步长,否则修正步长取零。修正步长可根据拥挤强度大小进行调整,拥挤强度越大则修正步长越长,拥挤强度越小则修正步长越短。经过修正步长调整后,节点下一时刻要前往的位置如下:
式中:第一项表示节点i在k时刻的位置;第二项表示节点i的运动步长;第三项表示节点i的调整步长。
3 基于人工鱼群思想的节点运动研究
移动传感器网络单个节点的通信能力、能量及感知能力都比较低,网络功能的实现主要依靠节点群的协作,所以需要从节点群的运动方面研究整个移动网络的运动。考虑到人工鱼群算法[8]精度高、速度快、计算复杂度低且鲁棒性强,并可以涵盖节点群的趋向目标行为、聚群行为、跟随行为和群体避障行为,所以本文以人工鱼群算法为基础,结合基于拥挤意愿模型的约束机制来研究节点群的运动行为。
3.1 趋向目标行为
趋向目标行为是节点的最基本运动行为,在知晓目标点与移动节点位置坐标的前提下,就能够得到移动节点的移动距离与方向。在全局坐标系中,假设节点Ri的位置Qi={Xi,Yi,Zi},Xi,Yi表示地面坐标系中节点Ri的横纵坐标值;Zi表示节点与正北方向的角度,逆时针为正,范围在{0,2π}之间。目标点的坐标为G{Xg,Yg},则节点移动距离D和方向β如下:
由于节点当前的航向角为Zi,而当前节点与目标点的方向夹角为β,则节点转角α如下:
理论上,节点趋向目标点的行为轨迹应当是直线,但节点自身无法原转向,所以节点要通过调整自身的位置才能趋向目标点。设节点转角α25°时,节点向正前方直行;当节点转角α>25°时,节点转弯调整其运动角度。为了解决节点与目标点的距离太大时,算法鲁棒性差的缺陷,此处使用多目标点策略,增加节点运动调整的灵活性,从而增强算法的鲁棒性,具体如图4所示。
3.2 聚群行为
移动传感器网络由N个跟随节点和一个领航节点组成。为了减少聚群花费的时间,本文采用动态聚群,节点动态汇聚的示意图如图5所示,五角星表示领航节点四周分布的跟随节点的坐标位置。在领航节点运动的过程中,跟随节点朝着领航节点四周分布的坐标点运动,整个过程同时进行。dij表示移动网络中第i个跟随节点与第j个跟随节点之间的距离,为了防止各跟随节点在动态接近其坐标位置的过程中发生相互碰撞,设置一个节点安全距离限值为m,当任意两个节点之间的距离dij<m时,则其中一个节点停止运动或降低速度,当距离大于安全限值m时,再重新移动。
节点动态汇聚的运动学模型如下:
式中:Avoid_collision(∑dij)表示为避免各节点碰撞而进行的步长修正,其余参数含义同前。
3.3 跟随行为
跟随行为能够保证节点群移动过程中,队形保持间距,此处采用基于拥挤意愿模型的约束机制对节点群进行动态调节,具体如图6所示。
节点群中的各跟随节点依据领航节点的命令组成移动队形,在移动过程中,各节点间的相互位置不变。跟随行为的运动学模型如下:
式中:follow(∑dij)表示跟随行为的步长修正项,其余参数同前。
3.4 有队形群体避障行为
有队形群体的避障行为中,所有节点都进行障碍物的探测,根据自身探测到的信息生成各自的避障意愿,然后将各自的避障意愿发送至领航节点,领航节点根据汇总的避障意愿进行分析,寻求节点群的最优避障策略,之后将避障控制指令发送至全部跟随节点,各跟随节点依据接收到的避障指令进行避障运动,具体的执行算法如下:
(1)各节点均设置三个距离传感器,中间传感器的探测方向和车体方向相同,左右两侧传感器的探测方向和中间传感器的探测方向角度为β。当传感器探测到障碍物时,能够返回障碍物与节点的距离,取三个距离传感器中探测距离最小的doi为此时节点与障碍物的距离,使用该距离及式(15)就能够计算出节点i与障碍物的相对位置:
式中:(x0k,y0k)表示k时刻障碍物的位置坐标;(xik,yik)表示k时刻第i个移动节点的位置坐标;φ表示车体与y轴之间的夹角;min(doi)表示三个传感器探测到其与障碍物距离的最小值。
(2)各节点将探测到障碍物的信息发送至领航节点,领航节点依据如下原则判定障碍物类型:如果任意一个节点左右传感器均探测到障碍物,则将障碍物确定为墙障碍,反之确定为点障碍。
(3)探测到障碍物的各节点依据步骤(1)中计算出的障碍物位置坐标,得到各节点与障碍物间的排斥力Wb=k d2oi。然后通过极限环的思想得到节点的逃逸坐标,进而求得节点的逃逸力,其方向由其位置坐标指向逃逸坐标。节点的避障意愿强度就是逃逸力和排斥力的合力。
(4)将邻居节点对该节点的拥挤意愿强度与步骤(3)中得到的节点的避障意愿强度做矢量加法后,得到一个综合避障合矢量,用综合矢量的大小确定节点的运动速度,用其方向与当前节点位置差确定节点的转角。
(5)根据步骤(2)中得到的障碍物类型,如果障碍物为点障碍,则探测到障碍物的节点通过广播将障碍物的坐标告知全部节点,各节点依据接收到的障碍物坐标通过步骤(3)和步骤(4)计算自身的避障合矢量,进行避障;如果障碍物为墙障碍,那么根据探测到障碍物的节点分别计算自身的避障合矢量,然后选择最大的避障合矢量作为整个节点群的避障合矢量,节点群中所有节点都采用该避障合矢量进行避障。
4 仿真实验
在基于趋向目标运动行为的基础上,进行动态聚群行为、跟随行为和有队形避障行为仿真,仿真结果如下:
4.1 动态聚群行为仿真
10个实心圆代表10个移动点,领航节点在向目标点移动的同时,跟随节点依据领航节点为其分配位置坐标进行动态聚群,这里跟随节点的队形为三行三列的方阵,各节点初始位置及最终位置分别如图7,图8所示。
4.2 移动跟随行为仿真
10个实心圆代表10个移动点,六角星表示目标位置,跟随行为仿真的节点初始位置和最终位置分别如图9,图10所示。
4.3 有队形群体避障行为仿真
10个实心圆代表10个移动点,方框代表墙障碍物,群体避障行为仿真的节点初始位置和最终位置如图11,图12所示。
通过上述实验可以看出,基于拥挤意愿模型的约束机制能够完成节点聚集、跟随及避障行为,又能够提高整个系统的运行效率。
5 结论
本文以移动传感器网络为背景,通过航迹推算与RSSI结合实现了移动节点的精确定位且能耗较低;然后将基于拥挤意愿模型的约束机制与人工鱼群思想共同用于节点的运动行为控制,完成了节点的汇聚、跟随及避障等复杂任务。但后续还需进一步降低算法的能耗与计算量,提高其在移动传感器网络中应用的可靠性。
摘要：针对目前移动无线传感器网络节点的运动行为控制算法复杂、能耗大的问题,提出了一种复杂程度低、能耗小、鲁棒性强的控制算法。算法首先通过航迹推算与RSSI定位移动节点,然后在人工鱼群思想的基础上结合拥挤意愿模型的约束机制来控制节点的趋向目标行为、聚群行为、跟踪行为和避障行为。最后在Matlab环境下进行节点的运行行为仿真,实验结果表明所提出的算法能够正确完成移动节点的聚集、跟随及避障行为,证明了算法的正确性。
关键词：移动传感器网络,节点定位,约束机制,节点运动
参考文献
[1]ZHU J,PAPAVASSILIOU S,XU S.Modeling and analyzing the dynamics of mobile wireless sensor networking infrastructures[C]//Proceedings of 2002 IEEE 56th Vehicular Technology Conference.Newark:IEEE,2002:1550-1554.
[2]HAENGGI M.Mobile sensor-actuator networks:opportunities and challenges[C]//Proceedings of 7th IEEE International Workshop.Frankfurt:IEEE,2002:283-290.
[3]孙波,陈卫东,席裕庚.基于粒子群优化算法的移动机器人全局路径规划[J].控制与决策,2005(9):1052-1055.
[4]唐宏,钟璐.基于移动信标节点的无线传感器网络定位算法研究[J].信息通信技术,2012(3):51-56.
[5]LUO Y,ZHANG J T,LI X X.The optimization of PID controller parameters based on artificial fish swarm algorithm[C]//Proceedings of 2007 IEEE International Conference on Automation and Logistics.Jinan,China:IEEE,2007:1058-1062.
[6]周林,张厚望.无线传感器网络中基于RSSI的质心定位算法研究[J].现代电子技术,2015,38(1):30-34.
[7]张铮,饶志训,黄志峰.无线传感器网络中RSSI滤波的若干处理方法[J].现代电子技术,2013,36(20):4-6.
运动传感器 篇5
手势识别算法的研究目前为止已经有很多。手势识别的实现方式主要有两种。一种是基于视觉的手势识别技术,或称为基于图像的手势识别技术
MEMS传感器作为采用微电子和微机械加工技术制造出来的新型传感器,与传统的传感器相比,具有体积小、功耗低、重量轻、易于集成和实现智能化等特点。因此,基于MEMS传感器的手势识别研究近年来逐渐成为热门话题。
和基于视觉的识别技术相比,基于MEMS传感器的手势识别具有不受环境、光线影响的优势
前面的方法通过分析每个手势的加速度曲线特征来找出每个手势的特征值,这需要人为参与,即操作者要按设计者设定的手势进行操作,使得操作者不能自己定义手势。
鉴于此,提出了一种空间定位的方法,即将传感器数据转换成运动物体的空间位置数据。该方法将实时采集到的加速度传感器和陀螺仪传感器的数据信息发送到PC端,在PC端进行数据处理,对加速度传感器数据进行轨迹计算,得到运动物体在三维相对空间的运动轨迹。用陀螺仪传感器识别设备姿态,从而消除加速度传感器对设备姿态的限制,得到运动物体在绝对空间中的运动轨迹。
1 数据采集
随着智能手机等移动电子设备和传感器的不断发展,内嵌有MEMS传感器的智能手机已被广泛应用在生活中
操作者手持手机,手部的运动轨迹和手机的运动轨迹是一样的,所以得到手机的运动轨迹即可。通过一个简单的安卓应用程序获取手机中加速度传感器和陀螺仪传感器的数据并将数据实时发送到PC端。然后在PC端对数据进行处理。
1.1 加速度
加速度由MEMS加速度传感器提供,分为x、y、z三个方向。
加速度传感器的方向定义规则如下:手机平放在桌子上,短边和身体平行。手机右下角指向左下角方向为x轴方向,左上角指向左下角方向为y轴方向,垂直手机平面向下的方向为z轴方向。如图1所示,CD为手机的短边。
该加速度包括重力加速度g,即当手机朝上静止平放时,理论上x、y轴的加速度为0,z轴加速度为重力加速度g。
加速度曲线如图2所示,横轴为时间,单位s,纵轴为加速度,单位m/s2,即MEMS加速度传感器的输出值。
图2 加速度曲线图
假设从t0时刻开始采样,根据积分原理,连续时间域t0-t内位移s(t)和t时刻的瞬时速度v(t)的表示如下:
通过对获取的加速度进行二重积分可求得手部的移动位移。PC端实时获取手部的运动加速度,同时对三个方向上的加速度分别进行积分运算,求得手部的瞬时速度和空间累计运动轨迹。
1.2 角速度
角速度由MEMS陀螺仪传感器提供,分为x、y、z三个轴的角速度。
手部运动过程中手机可能会出现空间翻转,此时加速度传感器的坐标系不再与手部运动的绝对运动空间坐标系重合,即重力加速度会在加速度传感器x、y、z三轴方向引起偏移分量。为解决该问题,加入了MEMS陀螺仪传感器。
陀螺仪传感器的方向定义如下:手机逆时针旋转为正方向,即当手机逆时针旋转时,角速度为正值,顺时针旋转时,角速度为负值
图3 相对坐标系与绝对坐标系关系对应
陀螺仪传感器的测量值是手机任意时刻相对坐标系x、y、z三轴的转动角速度
相对坐标系与绝对坐标系的对应关系如图3所示,其中实线为参考坐标系,即绝对坐标系,虚线为传感器所在坐标系,即相对坐标系。
2 空间定位实现
2.1 加速度积分计算
由于采集的MEMS加速度传感器的数据是离散的,设定传感器的采样时间间隔为Δt,迭代后可得:
式(3)和式(4)中,v[n]为tn时刻的瞬时速度,a[n]为tn时刻的加速度,s[n]为0-tn时间段的累计位移。
MEMS加速度传感器的输出数据为x、y、z三个方向的加速度,根据式(3)、式(4)可分别计算出手部在tn时刻沿加速度传感器x、y、z三轴方向上的瞬时速度:
同理,可求出手部在tn时刻沿加速度传感器x、y、z方向的运动位移分别如式(8)-式(10)所示:
则tn时刻手部的空间位置坐标为:(sx[n],sy[n],sz[n])。因此,通过连线各个时刻的空间位置坐标点就可得出手部在三维空间的运动轨迹。
2.2 重力加速度分量滤除
操作者在操作手势时可能会出现空中翻转,这时重力加速度会在加速度传感器x、y轴上产生分量,z轴上的加速度也不再是重力加速度g。此时用式(5)至式(10)计算得出的结果会出现严重误差。这就需要在积分计算前先滤除重力加速度在加速度传感器x、y、z三轴上的分量。
重力加速度在加速度传感器各轴的分量可通过姿态矩阵算出,姿态矩阵的求解算法一般有三参数法,又称欧拉角法、方向余弦法、四元参数法。董威的六轴MEMS传感器空间定位与实现
综上,这里我们选择四元参数法来计算姿态矩阵。
绝对坐标系与相对坐标系之间的转换关系可以用四元数Q来表示,即:
四元数微分方程为:
式(9)的矩阵形式为:
式(10)即为四元微分方程,式中wx、wy、wz为陀螺仪的输出分量。通过该微分方程可求出参数q0、q1、q2、q3,根据姿态矩阵可将g在相对坐标系中各轴上的分量求出,分量gx、gy、gz为:
所以,在对加速度进行积分运算之前需要用测得的加速度减去重力加速度在该轴上的分量,得到手部在各个方向的实际加速度。通过积分运算求得Δt时间内手部在相对空间中的位移,然后再次用姿态矩阵求出手部在绝对空间中的位移,最终通过迭代得出手部在绝对空间中的运动轨迹。
3 实验与结果
3.1 获取数据
通过简单手机APP获取手机内置加速度传感器和陀螺仪传感器的数据。手机APP中的传感器类型采用的是Sensor Manager.SENSOR_DELAY_GAME,每隔20 ms获取一次传感器数据,并通过无线网络实时将数据发送到PC端,同时PC端实时接收发送过来的数据并进行处理得到运动轨迹。所以手部运动的空间位置坐标是实时计算出来的,即运动轨迹不受时间序列的限制。
如表1所示,为PC端接收到的加速度传感器的部分原始数据,每一行为一组数据,ax、ay、az分别为加速度传感器在x、y、z三轴上的加速度值,单位m/s2。从上向下为加速度传感器数据随着时间的变化过程,时间间隔为20 ms。
表1 加速度传感器部分输出数据
如表2所示,为PC端接收到的陀螺仪传感器的部分原始数据,每一行为一组数据,wx、wy、wz分别为陀螺仪传感器在x、y、z三轴上的角速度值,单位rad/s。同理,从上向下为陀螺仪传感器数据随着时间的变化过程,时间间隔为20 ms。
表2 陀螺仪传感器部分输出数据
3.2 数据处理
(1)根据式(13)求出各时刻对应的q0,q1,q2,q3。
(2)根据式(14)求出重力加速度分别在相对坐标系x、y、z方向的分量gx,gy,gz。
(3)用传感器的加速度ax,ay,az分别减去重力加速度在各自轴上的分量gx,gy,gz,得到相对空间各轴上的实际加速度。
(4)通过式(1)和式(2)对加速度进行积分,得到手部在相对空间中的移动位移。
(5)根据式(14)求出手部在绝对空间的移动位移。
通过迭代运算最后可得手部在绝对空间的运动轨迹,如图5-图10所示为实验中抽取的6个轨迹示意图。x轴为手部沿绝对坐标系x轴方向的位移,单位m。y轴为手部沿绝对坐标系y轴方向的位移,单位m。z轴为手部沿绝对坐标系z轴方向的位移,单位m。
图5 运动轨迹
图6 运动轨迹
图7 运动轨迹
图8 运动轨迹
图9运动轨迹
图1 0 运动轨迹
4 结语
本文提出一种将加速度传感器数据转换成空间数据的方法来代替一般方法中对每个手势加速度特征的分析,然后通过识别手部的运动轨迹来识别手势。利用陀螺仪传感器来消除设备姿态对手势运动轨迹的影响,得到手部在绝对空间的运动轨迹。在后续的研究中可利用深度学习的方法对手势数据进行训练,从而提取每个手势的特征。相比之前的方法,该方法减少了对手势的运动学分析,不用人工为每个手势设定特征值,省去了对每个手势的运动学分析,使得用户可以通过训练自定义手势,方便了用户的操作。
参考文献
[1]肖茜,杨平,徐立波.一种基于MEMS惯性传感器的手势识别方法[J].传感技术学报,2013,26(5):611-615.
[2]Xu R,Zhou S,Li W J.MEMS accelerometer based nonspecific-user hand gesture recognition[J].IEEE Sensors Journal,2012,12(5):1166-1173.
[3]王原,汤勇明,王保平.基于加速度传感器的大手势集手势识别算法改进研究[J].传感技术学报,2013(10):1345-1351.
[4]Campbell.A survey of mobile phone sensing[J].Comm Mag,2010,48(9):140-150.
[5]Wang X,Tarrío P,Metola E,et al.Gesture recognition using mobile phone’s inertial sensors[C].Distributed Computing and Artificial Intelligence,2012.
[6]何永勃,贾辉,姜坤,等.基于Android终端陀螺仪传感器的无人机飞行姿态控制[J].传感技术学报,2015(4):476-478.
[7]董威.六轴MEMS传感器空间定位设计与实现[J].计算机技术与发展,2014,29(7):73-77.
运动传感器 篇6
1 无线传感器网络探测跟踪目标
1.1 目标探测
传感器网络由大量部署在监测区域内的传感器节点组成, 当有目标进入监测区域时, 由于目标的辐射特性, 通常是红外辐射特征、声传播特征和目标运动过程中产生的地面震动特征, 传感器会探测到相应的信号, 因此音频传感器、震动传感器常用于探测跟踪目标。两者中震动传感器提供的探测范围大, 音频传感器的探测范围次之。
1.2 跟踪过程描述
假定一个物体进入事先布置和组织好的无线传感器网络监测区域, 如果感测信息超出了门限, 这时每一个处于侦测状态的节点传感器能探测到物体, 然后把探测信息数据包发送到汇聚节点。汇聚节点从网络内收集到数据后对信息进行融合得出物体是否是威胁的结论, 如果目标是一个威胁, 传感器网络在监测区域内将使用一个跟踪运动目标的算法, 随着目标的运动, 跟踪算法将及时通知合适的节点参与跟踪。
2 基于无线传感器网络的运动跟踪原理分析研究
2.1 跟踪原理分析
基于无线传感器网络运动跟踪是运动目标被无线传感器节点感知的过程。每个WSN节点到运动目标的距离:
其中 (xi, yi) 为节点的位置, (x, y) 为运动节点的位置。根据计算的距离, 判断目标是否在感知范围内。
设传感器节点有N个节点感知运动目标, 可以设计一种估计方法判断运动目标的位置, 最简单的方法是采用计算所有距离的平均值作为运动目标的评估位置, 则:
则评估位置节点到运动目标的距离:
最后运用MATLAB软件编程实现跟踪仿真, 仿真出运动目标与WSN跟踪检测估计的关系图和估计位置误差图。
2.2 仿真部分
假定WSN的一个监测区域, (px (j) , py (k) ) 为传感器节点的位置, (hx, hy) 为运动节点的位置, (gx, gy) 为运动目标的评估位置, 用黑色*表示无线传感器网络节点, 用红色*表示仿真运动节点, 用绿色*表示运动目标评估位置节点, 用蓝色*表示估计位置误差点。
(1) 当运动目标以直线y=2*x进入无线传感器网络时;
(2) 当运动目标以曲线y=x^2进入无线传感器网络时;
小结:基于无线传感器网络运动跟踪是运动目标被无线传感器节点感知的过程。从仿真图上可以看出, 随着传感器网络节点数和仿真运动节点数的增多, 运动跟踪的精度也提高, 但仍需考虑仿真运行的速度, 故本课题选取适量仿真节点。
3 结束语
无线传感器网络由于其灵活性、成本低、易于布置等特性, 在目标探测跟踪领域会有广泛的应用前景.本文介绍了无线传感器网络的体系结构, 探讨了无线传感器网络探测跟踪目标的策略和方法, 论述了无线传感器网络目标跟踪中需要解决的问题, 重点讲述了运用无线传感器网络的大量分布, 研究对运动目标进行分析的方法, 分析误差。
参考文献
[1]李志刚, 屈玉贵, 刘桂英.用无线传感器网络探测跟踪目标[J].通信技术, 2006, 12:72-75
[2]从玉良, 王宏志.数字信号处理原理及其MATLAB实现[M].电子工业出版社.2005
运动传感器 篇7
关键词：多传感器,信息融合,协同信息,轮式机器人,运动控制
单一传感器会得到十分有限的信息, 仅仅只能片面、局部的获得活动环境信息, 并且会受到自身品质的影响, 因此, 具备相对比较差的可靠性。而合理应用多传感器来达到有效增加系统鲁棒性和实时性的作用, 但是最重要的就是怎样处理和综合分析复杂的多信息过程, 机器人运行的时候需要比较复杂的环境基础, 为了能够得到完整数据信息, 应该合理应用多传感器融合的技术来控制和检测轮式机器人运动。
1 多传感器信息融合技术基本原理概述
多传感器信息融合 (Multi-Sensor Information Fusion) 简称MSIF, 主要是在多传感器中利用计算机来得到数据和信息, 在相应规定中综合分析, 从而达到处理信息中需要估计和解决问题的目的。基本应用原理就好似人类大脑处理信息的方式, 多空间、多层次的优化组合、信息互补处理多传感器, 从而获得一致性的观测环境。在上述分析过程中, 合理使用和分配多资源数据, 最终达到在多传感器中融合观测的数据信息, 组合多方面、多级别的信息形成更多有用信息, 不但能够具备协同操作的优势, 也能提高整体处理系统的智能水平。
2 多传感器信息融合模型构建
2.1 场地概况
本文分析过程中选择运动环境的时候, 主要就是测试和分析中国机器人公开赛比赛场地, 是一个正方形240cm×240cm的场地, 场地四周高度是50cm, 场地高度是15cm, 围栏主要就是正方形边长3800cm。从中心到边界的灰度值是邻近线性渐变的, 利用灰度传感器来达到让机器人识别中心距离的目的。
2.2 机器人姿态、位置模型构建
为了有效对台面上机器人的自身姿态和位置进行检测, 轮式机器人具备灰度传感器和红外接近传感器两种类型。灰度传感器主要设置四个模拟检测量值, 都是模拟传感器。设置两个红外接近传感器, 以此来对高低电平进行架设, 是开关量出传感器。基本长宽都是30cm的轮式机器人, 30.kg的车重, 左右应用两组四轮驱动, 四个灰度传感器主要位于前、后、左、右的边缘部位, 在传感器前部两边安置两个红外接近传感器, 并且安装时候需要具备倾角, 从而达到检测方便的目的。分析机器人姿态和位置模型的时候, 确定机器人位置的时候需要依据自身中心和擂台中心距离d, 确定机器人姿态的时候合理应用自身中心线、中心点到擂台中心连线夹角 θ。姿态示意图如图1, 公式如下:
建立机器人姿态模型的时候, 首先需要测量台面灰度, 建立测量数据擂台中心和灰度传感器距离公式。每隔5cm测量台面径向数据, 重复十次, 除去最小和最大值以后去平均值。结合前后左右施工和灰度的距离是d1、d2、d3、d4, 前后左右灰度公式如下:
机器人自身姿态坐标公式如下所示:
可以发现依据多个传感器能够获得机器人姿态信息和位置, 依据上述建立的自身姿态模型和机器人位置, 能够更加方便的控制和分析机器人的实际运动。为了避免机器人掉到台下, 需要有机结合红外接近传感器和灰度传感器来共同处理信息, 相互补充, 提高正确性。
3 控制程序的设计与实验结果分析
3.1 运动控制要求
轮式机器人运行的过程中主要控制目标就是能够在台面上自主运行机器人, 及时检测台面边缘和自身的相对位置, 此外, 也能够及时检测和调整运行方向, 避免机器人掉到擂台下面;基本的运动控制包括:一是, 实时判断机器人是否存在危险, 也就说能够对场地边缘进行检测;二是, 在规定圆周上机器人能够依据圆周实时巡逻运动。
3.2 程序设计
设计系统程序的时候硬件核心平台合理应用STM32, 并且有机集合外部电路, 从而形成控制轮式机器人的系统, 依据C语言对系统进行编程。为了保证具备实时性系统, 不在合计中加入延时程序, 但是可以依据进程程序来保证满足系统延时需要, 不但能够满足程序设计需求, 也能够保障实时性。
3.3 实验结果分析
在调试系统以后, 测试轮式机器人控制系统, 主要测试内容是调整运动方向、自动检测边缘位置, 自动调整不相同圆周运动。依据实际测试结果可以发现, 在40~100cm范围半径中机器人可以灵活调整半径以及自主运行, 此外, 在接近边缘大约5cm的范围中机器人会自动检测, 并且通过自设姿态来及时控制运动, 避免出现掉下擂台的现象。
4 结论
总之, 本文主要研究了多传感器信息融合在轮式机器人运动控制中的应用, 因为具备感知缺陷以及复杂的环境, 促使使用单一传感器不能有效完成任务, 但是, 盲目堆砌传感器, 不但不能增加性能, 还可能提高整体负担, 因此, 融合多传感器信息技术非常重要, 可以保证稳定控制系统。
参考文献
[1]陈辉, 邓记才, 吴晓辉等.多传感器信息融合在轮式机器人运动控制中的应用[J].传感技术学报, 2011, 24 (6) :915-918.
[2]郭劲松, 曹江涛, 李欣等.基于多传感器信息融合的避障循迹机器人设计[J].智能计算机与应用, 2011, 01 (4) :69-72.
[3]罗庆生, 刘袆玮, 牛锴等.新型轮腿式机器人研究[C].//第三届全国大学生创新论坛·2010全国大学生学术年会论文集, 2010:88-92.
[4]陈辉.基于多传感器信息融合的轮式机器人设计[D].郑州大学, 2011.