文献综述（或调研报告）：
通过对几篇文献的学习我做出了以下总结：
在步态检测中除了使用惯性传感器之外，还有许多学者尝试着使用了压力传感器、雷达传感器超声传感器等不同类型的传感器。但由于基于压力传感器的步态分析技术主要依靠足部压力传感器的数据传输，而单一的压力信号不足以完全表示出行人行进过程中所有的步态信息。而雷达、超声传感器又因为自身原因容易受环境影响，在一些特殊场合容易失去自主性以及隐蔽性。这时，归功于MEMS技术的发展，惯性传感器在行人导航领域的优势就很好的表现了出来。在本课题的研究领域内，每种的惯性行人导航的算法的主要区别在于根据步态检测过程使用的参数以及测量方案的不同。随后在零速修正阶段选择不一样的零速修正方案。
步态检测方法主要分为两大类。
第一类算法是提前设定好阈值，然后直接用根据传感器输出数据和我们之前设定好的阈值进行对比，做出判断。在此期间，我们会使用的数据类型有加速度数据、角速度数据和同时测量加速度数据和角速度数据等，而这些数据又包括了幅值、移动均值、均方根、移动方差等。这类方法算法较为简单，但是因为阈值是前期设定完成的，只能对特定行走步态的零速区间能做出较为准确的判断。而不同行人会有多种运动状态，因此对不同行人、不同运动状态的自适应比较不理想。比如在文献[7]中，就采用了只用加速度幅值测量的数据进行处理，虽然算法简单，但是由于阈值单一且固定，没有足够的适应性，故只适用于行人以正常步速行进的环境中，实验中虽然有拐弯、上楼梯等情况下的设定，但是步速均为正常步速，一旦行人进入快走、跑步等运动状态，该算法的准确率将大幅度降低。
学者们在基于这类算法的基础上做了许多努力以克服这类算法自适应性差的特点。比如在文献[1]中，作者首先对加速度移动方差检测、加速度幅值检测、角速率能量检测三种不同的方法进行简单介绍，行人以正常步速直线行走时，加速度移动方差检测效果较好。行人大步、快走时，加速度幅值检测效果较好。在行走时有足部晃动以及转弯时，角速率能量检测效果较好。这些现象说明了单一阈值难以适应行人加速、转弯等多种运动状态。故采用加速度幅值检测和角速度能量检测相融合进行算法优化，可以在一定程度上的解决该问题。不同于文献[1]，在文献[3]中，采用加速度滑动方差为检测量，通过一般的阈值法得到初始分类结果后，统计各次静态、动态持续长度，然后利用 K 均值聚类将初始分类静、动态分别聚为两类，根据聚类性能自适应纠正初始检测结果得最终检测零速区间，从文献中看，这种算法也可以满足小范围内的行人导航需要，误差可以控制在2％内。在文献[6]中，虽然前期测量融合了智能手机中自带的罗盘输出的数据，仍然是依靠加速度幅值测量、加速度方差测量和角速度方差测量三步来进行步态检测。这类算法实现步态检测方的式多样，有很大的研究和创造空间。
第二类算法是根据机器学习的相关理论对原始数据进行分析判断，常见的有朴素贝叶斯分类、支持向量机(SVM)分类、隐马尔科夫模型(HMM) 等。
在文献[2]中，作者提出了一种新型隐马尔可夫模型，该方法的特点在只使用了一个陀螺仪值，因为有的研究者在使用马尔科夫模型时会使用足部传感器，相较而言，这使得零检测问题变得简便。另一个区别是使用了陀螺仪数据的分段输出而不是直接使用陀螺仪输出数据，在一定程度上使得零速度检测更加可靠。从实验结果我们可以看出，无论是零速度区间检测数量的错误率，还是错误零速度检测数量相较参考文献中的其他方法的实验数据，都非常小。在行人行进过程中的自适应性非常好，无论是跑步、快走、正常行走中的导航结果都比较准确。
这类根据机器学习原理推导出的算法虽然在各种运动状态下具有很好的适应性，但前期需要进行大量实验并需要利用含有各种运动状态的数据训练模型，这样一来就导致了这种算法在结构上比较复杂并且一旦运动状态的数据不够全面以及出现一些少见的特殊情况会出错，因为模型的好坏决定了导航结果的准确性。
在参考文献中，对于零速修正模块的算法，大多数研究者都采用了卡尔曼滤波的方法进行修正。现有的零速修正方法比较容易被理解以及大范围使用的主要有四种。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
