賀志勇，鐘誠，楊永紅，凌艷城

(華南理工大學(xué) 土木與交通學(xué)院， 廣東 廣州 510640)

0 前言

隨著我國基礎(chǔ)建設(shè)的發(fā)展，隧道數(shù)量不斷增長，隧道成為道路建設(shè)中的重要組成部分。隧道病害的檢測和定位是隧道養(yǎng)護(hù)中的重要部分，傳統(tǒng)病害的檢測和定位一般采用特征描述、紙質(zhì)記錄等方式，在實際定位病害的過程中存在效率低、易出錯等特點。因此，利用合適的方法提高病害檢測和定位效率具有重要的工程價值。基于全球衛(wèi)星系統(tǒng)(GPS)實現(xiàn)定位的技術(shù)已經(jīng)取得了成熟的研究和運用[1-2]，然而由于衛(wèi)星信號容易被建筑物所遮擋，基于GPS的室內(nèi)技術(shù)遠(yuǎn)不能達(dá)到工程要求。隨著學(xué)者對于室內(nèi)定位技術(shù)的深入研究[3-10]，基于室內(nèi)導(dǎo)航技術(shù)的運用領(lǐng)域也在不斷擴(kuò)展。朱新宇等[11]提出將室內(nèi)定位技術(shù)運用于消防救援；楊順等[12]將WIFI室內(nèi)定位技術(shù)運用于健身場所等；這些室內(nèi)定位的運用對于提高病害檢測和定位效率具有重要的參考意義。

為了提高檢測人員在隧道中定位病害的效率，節(jié)約檢測的時間成本，本文主要將基于慣性傳感器的室內(nèi)定位技術(shù)引入到隧道病害定位中。首先，在原有的算法基礎(chǔ)上充分考慮檢測人員在隧道中檢測時的步行規(guī)律，對算法進(jìn)一步優(yōu)化，提高了步態(tài)檢測的準(zhǔn)確性；其次，依照傳統(tǒng)的隧道檢測描述方式，總結(jié)了一種適合于電子地圖的病害表示方法；最后，通過無線藍(lán)牙技術(shù)將MPU6050模塊采集的數(shù)據(jù)實時發(fā)送到智能手機(jī)中，同時將手機(jī)GPS獲得的位置作為慣性導(dǎo)航初始的參考位置，依照實際的位置特征進(jìn)一步調(diào)整，確定精確的初始位置，在行走過程中，利用優(yōu)化后的算法對MPU6050模塊采集的數(shù)據(jù)進(jìn)行判斷，實現(xiàn)電子地圖中實時更新行人在隧道中的位置信息，并將電子地圖中標(biāo)識的病害位置，作為導(dǎo)航的目的地，最終實現(xiàn)了在隧道中快速尋找到病害位置的功能。

1 智能手機(jī)定位誤差

影響智能手機(jī)定位精度的因素很多,主要包括定位系統(tǒng)自身的性能、自然環(huán)境的影響、設(shè)備內(nèi)部因素等。目前，智能手機(jī)的定位基本融合基站、GPS、北斗等進(jìn)行混合定位。隨著雙頻GPS等技術(shù)在智能手機(jī)中的普及，定位精度將進(jìn)一步提高。為了實測普通手機(jī)在干道和隧道中的定位精度，本文以廣州市某主干道為試驗地點，利用一加手機(jī)分別獲得在主干道和主干道(含下穿隧道)的實際軌跡和定位軌跡，其中定位軌跡點以1Hz的頻率采集。

圖1中的數(shù)據(jù)主要是在主干道中測試獲得，將主干道獲得的數(shù)據(jù)從右往左分為4個階段：第1階段，定位坐標(biāo)和實際坐標(biāo)出現(xiàn)巨大誤差，定位坐標(biāo)出現(xiàn)“漂移”現(xiàn)象；第2階段，定位坐標(biāo)和實際坐標(biāo)基本吻合；第3階段，定位坐標(biāo)失去連續(xù)性，并出現(xiàn)輕微“漂移”；第4階段，定位坐標(biāo)逐漸靠近實際坐標(biāo)并趨于平穩(wěn)。其中第1階段為手機(jī)剛打開定位，第3階段為手機(jī)關(guān)閉定位后打開。結(jié)合分析采集坐標(biāo)的時間可知，在主干道中，智能手機(jī)在定位的30 s后，能保持?jǐn)?shù)據(jù)穩(wěn)定，并且控制誤差在較小的范圍內(nèi)。

圖1 廣州市某主干道1至2段GPS定位坐標(biāo)Fig.1 GPS location coordinates of section 1 to 2 of a main road in Guangzhou

圖2中的數(shù)據(jù)主要是在主干道(含下穿隧道)中測試獲得，同樣比較圖2的實際坐標(biāo)和定位坐標(biāo)，我們可以將獲得的數(shù)據(jù)從右至左分為3個階段：第1階段定位坐標(biāo)和實際坐標(biāo)基本吻合；第2階段定位坐標(biāo)出現(xiàn)“漂移”甚至消失；第3階段，定位坐標(biāo)和實際坐標(biāo)重新吻合。其中，通過分析采集坐標(biāo)點的時間，可知第2階段剛好對應(yīng)隧道內(nèi)部。因此，從圖可知在下穿隧道中，智能手機(jī)定位功能出現(xiàn)位置嚴(yán)重“漂移”，基本不能滿足定位要求。

圖2 廣州市某主干道3至4段GPS定位坐標(biāo)Fig.2 GPS location coordinates of section 3 to 4 of a main road in Guangzhou

2 慣性導(dǎo)航系統(tǒng)在隧道中定位研究

由于衛(wèi)星信號在隧道中不能保持正常強(qiáng)度，因此，智能手機(jī)在隧道中的定位遠(yuǎn)不能達(dá)到洞外的精度，甚至出現(xiàn)“漂移”現(xiàn)象。為了滿足洞內(nèi)定位的需求，本文將慣性導(dǎo)航系統(tǒng)運用到隧道定位中。慣性導(dǎo)航系統(tǒng)是由慣性傳感器、航位推算算法(pedestrian dead reckoning)組成，由于在初始位置和方向已知的情況下，它能獨立地推測物體的位置和姿態(tài)，因此被廣泛地運用于導(dǎo)航定位中。目前，主流的智能手機(jī)都含有慣性傳感器，如加速度計、陀螺儀、磁力計等，它們均可作為獨立的系統(tǒng)?？紤]在實際的檢測中，用戶需要將手機(jī)平放在手中查看病害和定位，為了使定位更加準(zhǔn)確，本文將MPU6050模塊和智能手機(jī)相結(jié)合，利用藍(lán)牙將MPU6050模塊采集的數(shù)據(jù)傳到手機(jī)中，通過慣性導(dǎo)航算法解算出行人的姿態(tài)，并將位置信息實時顯示到手機(jī)中。

慣性導(dǎo)航算法[13]的主要原理是通過獲得行人的路程和方向信息，在短時間內(nèi)不斷地計算行人的相對位置信息。傳統(tǒng)的慣性導(dǎo)航算法在計算位移時，一般按行人移動方向的加速度的二次積分獲得。這種方法在短時間內(nèi)可以獲得行人的位移信息，但是存在誤差隨時間累積的缺點，其經(jīng)緯度誤差均以指數(shù)方式增長，其精度遠(yuǎn)遠(yuǎn)不能達(dá)到病害定位的要求。傳統(tǒng)的慣性導(dǎo)航算法存在誤差累積的主要原因是速度誤差，行人停止運動時，由于前期的速度誤差累積使得其速度還維持在一個比較高的水平。為了改善這一問題，本文引入行人航位推算算法。

航位推算算法[14-15]主要原理是通過步數(shù)和步長計算行人的位移,其關(guān)鍵步驟包括步態(tài)檢測、步長估算和航向估計。

2.1 步態(tài)估算

步態(tài)檢測主要是依據(jù)人在行走時，腿部有明顯的上升和下降的過程，并且在穩(wěn)定的狀態(tài)下，每個人的行走都可看作是一個周期性的動作，因此，綁在腿上的模塊獲得的加速度也具有一定的規(guī)律。從模塊獲得的加速度數(shù)據(jù)如圖3所示。

圖3 行走過程中MPU6050模塊的三向加速度及合加速度變化圖Fig.3 Three-direction acceleration and combined acceleration variation diagram of MPU6050 module during walking

以ax、ay、az、at分別表示MPU6050模塊的x、y、z方向的加速度和它們的合加速，則有：

(1)

從圖3中，我們可以看出，az，at具有較明顯的峰值和周期性變化。傳統(tǒng)的峰值檢測法一般依據(jù)設(shè)定的閾值和峰值的時間間隔來排除偽峰值。即：

amaxt={at|at>at-1&&at>=at+1},

(2)

amaxt>φ1,

(3)

φ2

(4)

式中:amaxt為t時刻的加速度最大值，單位為m/s2;φ1為設(shè)定的加速度峰值閾值，單位為m/s2；φ2、φ3為設(shè)定的時間閾值，單位為s；Tmaxi、Tmaxi-1為當(dāng)前時刻和上一時刻最大加速度對應(yīng)的時間，單位為s。

式中當(dāng)且僅當(dāng)峰值大于設(shè)定的閾值、當(dāng)前時刻的峰值和上一峰值之間的時間之差滿足在設(shè)定閾值范圍內(nèi)時，檢測的峰值為有效峰值，否則為偽峰值。

研究表明人行走的步頻大約為1.3～2.8 Hz，因此當(dāng)時間間隔閾值分別取0.3 s和1 s時，能夠很好地排除非正常行走的情況。傳統(tǒng)的峰值檢測法由于加速度閾值是按固定值設(shè)計，因此，當(dāng)峰值閾值太大時，容易丟失峰值，而當(dāng)峰值閾值太小時，不易排除偽峰值。在隧道中檢測時獲得的合加速度經(jīng)移動平均濾波后如圖4所示。

圖4 移動平均濾波后的合加速度Fig.4 Combined acceleration after moving average filtering

相比于建筑復(fù)雜的內(nèi)部結(jié)構(gòu)，隧道一般是朝著某個單一的方向，并且隧道一般保持較小的縱向坡度，檢測人員在實際的檢測過程中，一般沿著隧道的非機(jī)動車道或者人行道行走，行走路徑基本為直線，因此，其行走過程中加速度峰值一般能保持區(qū)間內(nèi)的連續(xù)性，相比于室內(nèi)定位，不需要考慮“爬樓梯”、“復(fù)雜的轉(zhuǎn)向”等運動狀態(tài)。但是，檢測過程中，檢測人員需要在行走過程中不斷地觀察病害、記錄數(shù)據(jù)，可知在實際檢測時，除了正常的行走外，還存在原地檢測病害、記錄病害時的“踱步”、“假走”等狀態(tài)。如上圖4所示，部分“假走”狀態(tài)下，合加速度仍然存在明顯的峰值，當(dāng)閾值取較大時，如取閾值0.6 m/s2，此時基本能排除“假走”狀態(tài)下的峰值，但是部分正常行走狀態(tài)下的峰值也會被排除；當(dāng)閾值取較小時，如取閾值0.2 m/s2，此時能保證所有正常行走的峰值不被排除，但是部分“假走”狀態(tài)下的峰值仍被保留，因此，為了保證不誤排除真峰值，同時有效去除偽峰值，相比于傳統(tǒng)的算法，我們將峰值閾值數(shù)值適當(dāng)取小，并引入連續(xù)性和相似性檢驗，進(jìn)一步去除非正常行走狀態(tài)下的峰值。即：

|amaxi-amaxi-2|<φ4,

(5)

sum(var(acc(i-N+1:i+1))<φ5)>M,

(6)

式中：amaxi和amaxi-2分別表示當(dāng)前的加速度峰值和前間隔加速度峰值，單位為m/s2；φ4為相似性判斷閾值，單位為m/s2；φ5為連續(xù)性判斷閾值，單位為m/s2；M為連續(xù)性判斷參數(shù)。

式(5)表示相似性檢驗，即在正常行走時，一般會保持相同的運動狀態(tài)，連續(xù)的左腿和右腿峰值一般具有同步性，但在檢測或停頓等“假走”狀態(tài)時，不具有這種狀態(tài)，因此檢驗它們的相對差是否小于相似性判斷閾值φ4能夠排除部分“假走”的狀態(tài)。式(6)表示連續(xù)性檢驗，在正常的行走過程中，我們一般會保持步態(tài)的連續(xù)，當(dāng)我們在檢測或者是停頓時，步態(tài)一般是無規(guī)則變化的，因此，連續(xù)取N+1個窗口的加速度值，當(dāng)滿足大于M個窗口的加速度方差均小于φ5時，我們判定行人處于行走狀態(tài)。

當(dāng)檢測的數(shù)據(jù)從靜止?fàn)顟B(tài)轉(zhuǎn)變?yōu)檫\動狀態(tài)時，有時檢測人員并沒有開始行走，只是由于“轉(zhuǎn)向”等動作導(dǎo)致了數(shù)據(jù)的變化。由于此時的數(shù)據(jù)相對獨立，實際的峰值判斷中一般采用動態(tài)閾值的方法，因此，此時的數(shù)據(jù)可能能滿足連續(xù)性和相似性檢測。為了提高檢測的準(zhǔn)確性，本文進(jìn)一步引入起步“5步檢測”加“3 s檢測”方法。當(dāng)手機(jī)從靜止?fàn)顟B(tài)開始計步時，只有當(dāng)手機(jī)檢測到行走連續(xù)超過5步，并且相鄰步點的時間不超過3 s時，才開始計數(shù)，否則清空前面的計數(shù)。由于檢測人員在實際檢測中，經(jīng)常在原地轉(zhuǎn)動、觀察和記錄病害，產(chǎn)生的數(shù)據(jù)容易導(dǎo)致系統(tǒng)“誤算”，因此加入起步“5步檢測”加“3 s檢測”方法，有利于減少計步誤差。表1為傳統(tǒng)步態(tài)檢測方法、加入連續(xù)性和相似性檢測步態(tài)檢測方法以及加入起步“5步檢測”加“3 s檢測”檢測方法的正確率對比。從表中可知，優(yōu)化后的檢測方法進(jìn)一步提高了步態(tài)檢測算法在實際檢測中的魯棒性。

表1 三種檢測方法對比Tab.1 Comparison of three detection methods

2.2 步長檢測

步長估算模型包括常量模型、線性模型、非線性模型和機(jī)器學(xué)習(xí)模型。傳統(tǒng)的常量模型和線性模型由于個體差異性，不能穩(wěn)定地預(yù)測行人的步長?；跈C(jī)器學(xué)習(xí)模型預(yù)測步長是近幾年的熱點方向，該方法具有較高的精度、良好的預(yù)測效果。但是該方法需要足夠的數(shù)據(jù)來訓(xùn)練模型，因此復(fù)雜度較高。綜合考慮，本文主要采用非線性模型Weinberg方法[16]，即：

(7)

式中：Lk為步長，K為常數(shù)，可根據(jù)實際步長進(jìn)行修正；amax和amin分別表示單步中的最大加速度和最小加速度值，單位為m/s2。

非線性模型認(rèn)為步長的差異性和腿長、加速度有關(guān)，因此每一步都是隨加速度變化的值。如圖5為通過Weinberg方法預(yù)測的行人步長變化曲線，可知預(yù)測模型具有良好的效果。

圖5 Weinberg方法預(yù)測步長變化圖Fig.5 Weinberg method predicts step size variation diagrams

2.3 航向估計

傳統(tǒng)的航向推算通過加速度傳感器和磁力計共同獲得，該方法在正常情況下具有較高的精度，但是易受磁場的干擾，在磁場影響下容易發(fā)生劇烈偏移，當(dāng)遠(yuǎn)離磁場后又可以恢復(fù)正常。利用陀螺儀返回的角速度積分，并通過四元數(shù)法進(jìn)行坐標(biāo)的轉(zhuǎn)換也可以在短時間內(nèi)獲得較精確的航向，但是存在誤差隨時間累積的問題，因此不適合長時間導(dǎo)航。本文使用的MPU6050模塊在進(jìn)行航向估算時，采用了卡爾曼濾波器將傳感器的數(shù)據(jù)進(jìn)行融合，通過狀態(tài)估計、動力學(xué)解算、數(shù)字濾波、卡爾曼濾波等方式對數(shù)據(jù)進(jìn)行融合處理，最終獲得穩(wěn)定、精確的航向角。

2.4 優(yōu)化后算法與傳統(tǒng)算法對比分析

相比于傳統(tǒng)的行人航位推算算法，改進(jìn)后的算法根據(jù)實際的檢測環(huán)境對算法進(jìn)行優(yōu)化，提高了步態(tài)檢測的準(zhǔn)確性；同時相比線性模型，采用Weinberg方法估算步長能夠依據(jù)個體和行走的差異獲得不同的步長，增強(qiáng)算法的魯棒性；采用的MPU6050模塊，利用卡爾曼濾波器將傳感器的數(shù)據(jù)進(jìn)行融合，通過狀態(tài)估計、動力學(xué)解算、數(shù)字濾波、卡爾曼濾波等方式對數(shù)據(jù)進(jìn)行融合處理，能夠快速地解算出精確的航向角。以廣州市某下穿隧道中間某段為試驗路段，如圖6為優(yōu)化后算法與傳統(tǒng)算法定位坐標(biāo)與實際坐標(biāo)對比圖，分析可知，在相同的起點，對比于傳統(tǒng)的算法，優(yōu)化后的算法具有較高的定位精度，能夠正確地排除非正常行走的狀態(tài)，保持定位的穩(wěn)定。

圖6 優(yōu)化后算法與傳統(tǒng)算法定位坐標(biāo)與實際坐標(biāo)對比Fig.6 Positioning coordinates of the optimized algorithm and the traditional algorithm compare with actual coordinates

3 隧道病害在智能手機(jī)中的顯示設(shè)計

根據(jù)《公路隧道養(yǎng)護(hù)技術(shù)規(guī)范》(JTJ H12—2015)，隧道檢測對象主要包括土建結(jié)構(gòu)、機(jī)電設(shè)施和其他工程設(shè)施。其中土建結(jié)構(gòu)由于病害數(shù)量較多、病害位置的分布較廣，成為病害檢測中的重要部分。

3.1 傳統(tǒng)病害信息描述

傳統(tǒng)的病害描述方式可按檢測前進(jìn)方向、里程、左右側(cè)、項目名稱、病害類型、損害面積記錄，如“RK11+057左側(cè)拱墻車道一條縱裂，長5.00 m，寬1.5 cm”。如圖7所示為隧道病害展開示意圖，不同的形狀分別表示不同的病害類型和新舊病害。

圖7 隧道病害示意圖Fig.7 Schematic diagram of tunnel diseases

3.2 基于手機(jī)定位病害信息描述設(shè)計

電子地圖能夠直觀地表示物體的二維位置信息，因此可以利用定位信息替代傳統(tǒng)病害信息描述中的道數(shù)或里程。但是隧道是一個三維模型，隧道檢測包括洞口、洞門、路面、襯砌等，因此利用合理的辦法區(qū)分病害的豎向位置信息也至關(guān)重要。為了提高病害描述信息的精確度，方便后期維修人員的工作，同時兼顧傳統(tǒng)病害信息描述方法，本文總結(jié)了一套適合基于手機(jī)定位的土建結(jié)構(gòu)病害表示方法，見表2。

表2 基于手機(jī)定位的隧道常見病害類型和表示符號Tab.2 Common disease types and symbols of tunnel based on cellphone location

表2主要總結(jié)了隧道檢測中常見的病害類型和表示符號，分別利用符號、形狀、顏色區(qū)分病害的類型，新舊和類型。如圖8為基于此方法的真實效果。試驗表明基于此方法的手機(jī)病害定位表示具有良好的區(qū)分效果，有利于提高后期檢測人員和維修人員的檢查效率。

圖8 電子地圖中表示病害信息效果圖Fig.8 Disease information renderings on electronic maps

4 基于智能手機(jī)/MEMS慣性傳感器的隧道病害定位試驗研究

為了驗證改進(jìn)后的算法在隧道中定位的實際效果，本文選取廣州某下穿隧道為試驗路段，分別以隧道的兩側(cè)出口，中間拐彎位置為特征點模擬設(shè)置病害位置，如圖9所示。試驗者從病害1位置出發(fā)按指定的路徑途徑病害2位置，最后到達(dá)病害3位置。在實驗者行走過程中不斷采集自身的位置坐標(biāo)，最后將采集的位置坐標(biāo)和實際位置坐標(biāo)對比，如圖10所示。由圖可知，通過優(yōu)化后的航位推算算法所計算的坐標(biāo)軌跡基本和實際的坐標(biāo)位置相“吻合”。取地球半徑為6 371 229 m，分析圖10可知，在起點病害1位置相同的情況下，計算病害位置2的實際坐標(biāo)和慣性導(dǎo)航坐標(biāo)的誤差為1.42 m，病害位置3的實際坐標(biāo)和慣性導(dǎo)航坐標(biāo)的誤差為1.97 m,實際坐標(biāo)和慣性導(dǎo)航坐標(biāo)相差最大誤差為2.58 m。依據(jù)經(jīng)驗可知，在一個車道寬(取3.5 m)視野內(nèi)的病害均能較好識別，因此可知，通過慣性導(dǎo)航算法所獲得的定位誤差滿足病害定位的要求。

圖9 模擬設(shè)置病害分布圖Fig.9 Distribution graph of simulated diseases

圖10 慣性導(dǎo)航軌跡坐標(biāo)和實際位置坐標(biāo)對比圖Fig.10 Comparison diagram of inertial navigation track coordinates and actual position coordinates

5 結(jié)論

本文在室內(nèi)定位算法的基礎(chǔ)上進(jìn)一步對傳統(tǒng)步態(tài)檢測算法進(jìn)行優(yōu)化，考慮在隧道中檢測時存在“假走”等狀態(tài)，引入連續(xù)性、相似性檢測，并對起步狀態(tài)加入“5步檢測”和“3S檢測”，進(jìn)一步提高了算法的魯棒性。同時，在原有的檢測報告基礎(chǔ)上，總結(jié)了一套適合在電子地圖中表示病害位置的描述方法。最后，將安卓手機(jī)和MPU6050模塊通過無線藍(lán)牙技術(shù)相結(jié)合，在電子地圖上實現(xiàn)了隧道內(nèi)部病害的精確定位。試驗表明，引入的慣性導(dǎo)航算法能夠滿足病害定位的要求，通過手機(jī)在隧道內(nèi)的定位，檢測人員能夠快速地尋找到病害的位置，提高了檢測的效率，具有重要的工程價值。本文依據(jù)行人在實際檢測過程中的實際情況對航位推算算法進(jìn)行優(yōu)化，使得其定位精度滿足在大長隧道中的病害識別要求，但是定位精度仍具有很大的提升空間，未來的研究方向，可以在步長檢測中引入機(jī)器學(xué)習(xí)模型，增加步長預(yù)測的準(zhǔn)確性。