Emerging Trends in Pedestrian Inertial Positioning: Neural Network-based Methods, Performance and Prospects
-
摘要: 行人惯性定位(Inertial positioning, IP)通过惯性测量单元(Inertial measurement unit, IMU)的测量序列来估计行人的位置, 近年来已成为解决室内或卫星信号遮挡环境下行人自主定位的重要手段. 然而, 传统惯性定位方法在双重积分时易受误差源影响导致漂移问题, 一定程度上限制了行人惯性定位在长时间长距离实际运动中的应用. 幸运的是, 基于神经网络(Neural network, NN)的方法能够仅从IMU历史数据中学习行人的运动模式并修正惯性测量值在积分时引起的漂移. 为此, 本文对近期基于深度神经网络(Deep neural network, DNN)的行人惯性定位进行全面综述. 首先对传统的惯性定位方法进行了简要介绍; 其次, 按照是否融入领域知识分别介绍了端到端(End-to-end, ETE)的神经惯性定位方法和融合领域知识的神经惯性定位方法的研究动态; 然后, 概述了行人惯性定位的基准数据集和评价指标, 并分析比较了其中一些代表性方法的优势和不足; 最后, 对该领域需要解决的关键难点问题进行了总结, 并探讨基于DNN的行人惯性定位未来所面临的关键挑战与发展趋势, 以期为后续的研究提供有益参考.Abstract: Pedestrian inertial positioning (IP), which estimates a pedestrian＇s position through measurement sequences from an inertial measurement unit (IMU), has become an important solution for pedestrian autonomous positioning in indoor environments or areas with satellite signal blockages in recent years. However, traditional inertial positioning methods are prone to drift issues during double integration due to the influence of error sources, which to some extent limits the application of pedestrian inertial positioning in long-term, long-distance real-world motion. Fortunately, neural network (NN)-based methods can learn pedestrian motion patterns from historical IMU data and correct the drift caused by inertial measurement values during integration. Therefore, this paper presents a comprehensive review of recent developments in pedestrian inertial positioning based on deep neural network (DNN). First, a brief introduction to traditional inertial positioning methods is provided; Next, the latest research on end-to-end (ETE) neural inertial positioning methods and neural inertial positioning methods incorporating domain knowledge is reviewed; Following that, the benchmark datasets and evaluation metrics for pedestrian inertial positioning are summarized, and the advantages and disadvantages of some representative methods are analyzed and compared; Finally, the key challenges and difficulties that need to be addressed in this field are summarized, and the critical challenges and development trends of pedestrian inertial positioning based on DNN are discussed, aiming to provide useful references for subsequent research.
-
十四五期间以绿色低碳为目标, 力争在2030年前碳排放达峰, 2060年实现碳中和. “碳中和” 即碳排放量等于碳汇量与碳信用量的总和. 为实现该目标, 电力的低碳化是先决条件. 我国火电煤炭消费占一次能源总量的一半以上, 2021年为56%. 随着可再生能源技术越来越成熟, 风力、光伏、光热等分布式、环境友好的可再生能源在整体电源中所占的比例势必会增加. 完成新的能源结构的调整对传统电源 —— 火电提出新的挑战. 火电机组作为一个执行机构, 根据电网调度方的需要可作为基荷电源(电网调度手动模式)、峰荷电源和腰荷电源(电网调度自动模式)如图1所示. 可见, 火电机组向电网提供电量的同时还提供供需平衡调节服务, 以保证供电量和供电品质. 由于分布式电源具有随机性和间歇性, 如果充分吸纳这些可再生能源, 电网不但要为其提供电量容量, 还要调节其带来的扰动. 由于我国富煤、贫油、少气的一次能源禀赋和火电机组为发电主体的现实(2021年火力发电占比71%)电网平衡调节能力有限, 造成可再生能源在电力能源结构中的比例不能大幅提高(2021年风光发电量占比11.7%), 迫使大规模弃风、弃光. 2017年全国的弃风量高达41.9 TWh, 局部区域弃风率达33%和29%[1]. 不像美国有丰富的页岩气, 在提高风光可再生能源占比的同时, 增加燃气发电规模(燃气轮机负荷变动速率快, 可以短时间启停), 以提高电网的负荷平衡能力. 而我国负荷调节性能优良的水电机组容量占比有限, 且与风光能源存在时空不匹配的矛盾(风光资源丰富的地区为西部和北部, 而水电资源丰富的地区为南部夏秋季节). 建设大规模抽蓄储能电站只能因地制宜, 其他形式的大规模储能技术尚不成熟, 需要大规模投资. 立足于我国当前电力能源结构和一次能源的现实, 充分利用好煤炭消费转型升级的机遇(我国煤炭的储采比为30 ~40年), 发挥其电力保供兜底作用, 先立后破, 实现有序替代, 推进我国构建以新能源为主体的新型电力系统稳步发展是基本方略. 这就决定了火电机组由基荷电源向调节性电源角色的转变. 为此, 我国目前有序开放辅助电力服务市场[38], 将负荷调节能力作为市场化的资源, 由市场引导供电企业竞购. 这意味着传统火电机组收益模式由纯电量收益, 转变为电量加辅助服务收益. 对火电机组来说这实质上是综合性能的竞争. 度电煤耗越低, 电量电价就越有市场竞争力. 负荷变动速率越快, 变化范围越宽, 辅助服务市场竞得的电量越多, 得到的回报也就越高. 这对火电机组的能耗、排放、控制性能提出了新的更高的要求.
本文围绕火电机组配合消纳可再生能源问题, 通过对其控制结构进行综合与分析, 剖析影响其灵活性及调峰深度的原因. 为寻求加速系统灵活性和深化调峰深度的控制方案以及优化系统节能降耗指标提供参考. 指出了当前控制方案下配合消纳可再生能源所面临的问题. 分析了火电在电力系统中供需平衡的调节作用. 指出我国火电机组控制性能的提升是配合可再生能源消纳减少储能和电力调节基础设施投资有效手段.
本文从内容上围绕题目按照火电控制系统是什么(第1节)、为什么是这样(第2节)、这种控制方案在当代电力系统发展中的问题是什么(第3和4节)展开, 最后总结提出愿景和展望(第5节).
1. 火电机组控制结构
控制结构综合与分析是通过控制信息的构建对复杂过程控制系统的实现进行设计、分析、评价、优化的过程, 它是过程生产工艺的抽象.
1.1 递阶结构综合描述
火电机组的控制实现是平衡协调策略下局部反馈基础上的递阶结构[2-3], 如图2所示. 递阶控制就是系统中各个子系统的控制作用按照一定的优先级和从属关系安排的决策单元实现[4]. 火电机组控制包括协调级、局部决策级和过程回路控制. 协调级包括锅炉主控与汽机主控两个子系统. 锅炉主控又分为燃料主控、风量控制和给水控制三个子系统. 这些子系统下又由并行运行的多台设备构成更低阶的子系统. 例如燃料主控的下一级是多台并行的磨煤机组成的制粉系统. 这种递阶形式是解决复杂关联大系统的信息结构. 从下向上看, 多台给水泵的给水流量形成总的给水量, 多台风机送风流量形成总的送风量, 多个磨煤机的容量风量形成制粉系统总的燃料量. 总给水量、风量和燃料量形成锅炉主控的操作变量用于调节压力. 同样, 汽机侧多个调阀的进汽量形成电液调节系统调(Digital electro-hydraulic control system, DEH)的综合参考流量, 作为汽机主控的操作变量用于调节功率. 锅炉主控的被控变量 —— 压力和汽机主控的被控变量 —— 功率, 作为协调级的操作变量调节机组功率输出并维持合格的汽水参数. 这样通过对控制信息进行抽象, 递阶传递实现了信息的集中, 具有经典信息模式下集中控制的特点. 从上往下看, 这种结构通过任务的分解实现了大规模复杂任务的分布式解决方案, 又具有分散控制解决规模化任务的特点. 递阶结构将决策信息纵向分解, 通过变换决策变量和它的维度实现决策信息的分解传递, 直到可实现的物理过程; 将整体任务按照关联关系分为几个子系统, 实现横向分解. 通过以上对决策信息的纵向分解和横向分解形成多层次多梯队的任务组织形式(Multilayer-multiechelon)[5-8]. 它的每一个子任务都是由前馈、反馈、串级、单回路、动静态补偿等基本结构组成. 通过合理处理多个子任务之间的关联变量, 使得多个子任务构成一个更高阶的任务, 任务逐层堆叠形成一个整体结构. 按照这种结构形式, 火电机组被抽象成电网调度的一个执行机构.
1.2 协调级实现
具体的来说, 我国的大部分机组都是以炉跟随为基础的递阶结构, 如图2所示. 来自调度自动分配系统(Automatic dispatch system, ADS)的负荷需求信号的范围和变化率, 由于受到当前机组设备运行状态的约束, 经过荷限制回路形成机组的负荷需求. 该需求信号经滑压曲线$F_1(x) $形成炉主控的压力设定值, 并以动态前馈的形式补偿到锅炉主控的输出, 如图2所示. 同时, 压力设定通过热负荷估计, 见图2和图3形成动静态补偿直接作为锅炉主控前馈, 这两种补偿形式增加了锅炉的响应速度. 炉跟随结构下, 锅炉通过燃烧控制压力, 由图2可知压力偏差经过额定功率/额定压力修正, 形成热负荷偏差, 构造了控制器的输入偏差. 锅炉主控在调节压力偏差的情况下, 其积分项还配合燃煤热值校正, 减少了燃煤特性变化对锅炉主控的影响. 构造的热负荷偏差是机炉协调程度的重要标志, 其偏差越大说明机炉能量供需失衡程度越大, 汽水参数偏离设计值就越严重. 偏差经带有死区的非线性环节, 修正单元负荷需求形成汽机负荷需求. 这是间接能量平衡协调策略[3] (Indirect energy balance, IEB)的体现, 具体见图2和图3. 虽然汽机主控调节的是机组实际的电功率, 但这里采用压力设定与主汽压力的比值, 乘以实际电功率作为反馈变量是很有意义的. 此反馈变量实际上是对调门开度的预估计. 给出了调门开度的提前量, 防止其误动作, 使得功率调节更准确, 机炉协调性能更好. 当主汽压力与压力设定分别稳定且相同时, 说明机炉能量供需平衡, 汽机主控的反馈恰好等于电功率, 即汽机负荷需求和单元负荷需求. 同样, 对于锅炉控制压力, 控制器偏差构造时的放大系数为额定功率/额定压力转化为能量的偏差. 以上这些体现了直接能量平衡协调策略[3] (Direct energy balance, DEB). 锅炉侧的燃料输送、煤粉燃烧和传热都是大惯性环节. 为了保证汽机侧同步响应负荷指令, 采用三个惯性环节对锅炉侧大惯性环节进行重构. 从以上分析看, 机炉主控不但分别起到功率调节与压力调节的作用, 还对其动作的一致性起到协调的作用.
1.3 局部决策级实现
将锅炉主控的输出指令转化为给水、给煤和送风子系统的主指令; 将汽机主控的输出通过配汽函数分配给各个进汽调门, 进而形成各调门的阀位指令是系统第二层次的实现.
由于给煤、送风和燃烧传热过程是大延迟、大惯性环节. 所以风、粉的动态协调意义并不大. 但是在负荷变动过程中, 为了保证足够的过量空气系数, 使燃烧稳定、连续. 在逻辑上通过风、粉交叉限制回路, 实现了升负荷时先增加风量, 后增加煤粉; 降负荷时先减少煤粉, 后减少风量. 处理煤水关系时, 锅炉主控输出经过煤水比曲线形成静态前馈, 作为给水量的基本指令. 通过调节中间点焓值, 修正给水量, 作为汽泵回路的设定值. 直流炉给水指令的构造, 还有其他多种形式, 这也一直是研究的热点[9-15]. 送入炉膛的燃料量是由燃料主控调节的, 见图2. 炉主控的输出与给煤率(给煤量经热值修正)的差值形成燃料调节器的偏差. 燃料主控通过操作一次风压和容量风量来改变喷入炉膛的燃料量. 在燃料调节过程中, 容量风的风量, 对磨煤机的煤位形成了扰动. 给煤调节器操作给煤速度, 维持磨煤机煤位. 来自汽机主控的输出指令通过电调的阀门管理功能实现各个进汽调门进汽量的分配. 调门进汽的分配策略是根据汽机的运行状态, 对调门的组合方式和节流特性优化得到的.
2. 控制方案分析
图2结构是整个机组运行在自动状态下去掉冗杂的逻辑控制, 保留调节回路的情况下, 抽象成电网调度的一个执行机构而得到的控制信息简图, 其经简化可表示成图5所示, 其与图6结构相同. 所以单元机组是局部反馈递阶结构. 这种结构是大系统理论中的一种基本结构[4]. 其控制方案的核心思想“分解−协调”方法, 是在解决大规模生产控制问题时产生的. 递阶结构按照反馈形式和协调方法的不同分为全局反馈关联预测结构、全局反馈关联平衡结构、局部反馈关联预测结构、局部反馈关联平衡结构[2]. 其结构分别如图6和图7所示.
在系统设计时通过自由度分析确定被控变量, 当被控变量的个数比方程的个数多时, 系统的稳态方程为超定方程, 稳态工作点无法确定, 通过增加关联约束变量使得方程的个数与被控变量的个数相同. 那么可以唯一确定稳态工作点. 单元机组系统的稳态模型可简化为:
$$ \begin{equation} {{\boldsymbol{f}}}_1\left( {\Delta {{\boldsymbol{H}}},{{\boldsymbol{F}}}_l} \right) = {{\boldsymbol{W}}} \end{equation} $$ (1) 其中, $ \Delta $$ {{\boldsymbol{H}}} $为理想焓降; $ {{\boldsymbol{F}}}_l $为主蒸汽流量; $ {{\boldsymbol{W}}} $为电功率. 对于一给定负荷$ {{\boldsymbol{W}}} $与两个变量关联, 其解不定. 通过汽水热力学性质引入关联变量$ {{\boldsymbol{P}}} $.
$$ \begin{equation} {{\boldsymbol{f}}}_2\left( {{{\boldsymbol{P}}},\Delta {{\boldsymbol{H}}}} \right) = {{\boldsymbol{T}}} \end{equation} $$ (2) 其中, $ {{\boldsymbol{P}}} $为主蒸汽的静压力; $ {{\boldsymbol{T}}} $为对应主蒸汽压力下的饱和蒸汽温度. 锅炉设计时已保证了热负荷在各受热面的分布, 因此温度主要考虑材料的约束, 在这里可视为已知量. 联立式(1)和(2)得到方程:
$$ \begin{equation} {{\boldsymbol{f}}}_3\left( {{{\boldsymbol{P}}},{{\boldsymbol{F}}}_l} \right) = {{\boldsymbol{W}}} \end{equation} $$ (3) 仍然具有不定解, 因此引入关联约束方程:
$$ \begin{equation} {{\boldsymbol{f}}}_4\left( {{\boldsymbol{P}}} \right) = {{\boldsymbol{W}}} \end{equation} $$ (4) 方程(4)又称滑压曲线, 为负荷的函数, 具体表达形式可通过机组热耗率优化实验获得. 这样通过规划负荷与压力的关系获得汽水参数的稳态工作点. 在当前方案下, 机组根据具体条件的不同, 运行方式可分为多种模式, 包括基本(图8)、炉跟随(图9)、机跟随(图10)、协调模式(图11和图12). 其中基本模式需要汽机和锅炉操作员紧密协作. 满足负荷要求的同时保证安全的汽水参数. 一般在机组启动, 汽机主控锅炉主控都不能正常运行时采用; 炉跟随实际就是以锅炉控制压力为副调节器, 汽机控制负荷为主调节器的一个串级结构, 手动操作DEH的综合阀位指令. 这种方式机组负荷变化快, 压力参数波动大. 常在协调投入前或协调投入下, 机侧辅机设备因故障退出自动时采用; 机跟随本质上就是以汽机控制压力为幅调节器, 锅炉控制负荷为主调节器的串级结构, 只不过主控制器没有投自动. 这种方式机组响应负荷速度较慢, 但主汽压力稳定, 能够很好的跟踪滑压曲线. 常在协调投入前或协调投入下炉侧辅机设备因故障退出自动时采用. 协调模式分为两种, 以炉跟随(如图11所示)为基础的协调模式和以机跟随(如图12所示)为基础的协调模式, 工作在协调模式的控制系统又叫做Coordinated control system (CCS). 自动化水平最高, 属于全自动模式. 他们分别具有相应跟随模式的特点, 我国的大部分机组采用的是以炉跟随为基础的协调模式[9]. 任意一种协调模式都是负荷设定值, 通过滑压曲线产生压力设定值. 由于汽机的响应速度快(液压伺服阀调整蒸汽流量), 锅炉的响应速度慢(燃烧传热过程延迟大, 惯性大). 机、炉响应特性差别较大, 在变负荷过程中从一个稳态到另一个稳态的过渡时间不同. 一个处于稳态另一个处于动态, 这样会导致关联变量 —— 主汽压力, 偏离工作点(稳态优化值). 例如在炉跟随为基础的协调系统中, 锅炉控制压力, 汽机跟踪负荷. 升负荷过程中由于汽机响应速度快, 负荷很快由于蒸汽流量的增加达到设定值; 锅炉响应速度慢, 燃料的化学能, 来不及转化为蒸汽的内能, 负荷的增加靠的是机组的蓄热, 这将导致蒸汽参数快速下降, 如果蒸汽的过热度不够, 将导致汽轮机水冲击. 降负荷过程中由于汽机调门关小, 蒸汽流量减少, 而锅炉燃料虽然也减少, 但由于传热过程惯性系数大, 蒸汽参数不能及时减小, 反而导致其急剧上升, 以至于达到安全阀的整定值. 所以, 协调好机炉关系, 是整个机组响应调度的基础.
机炉的协调功能由图2、图3和图4可知, 它是在功率和压力回路的基础上, 增加动静态补偿实现的. 这实际是一个两输入两输出系统如图11和图12所示. 通过补偿网络解耦, 在非协调模式下压力回路和负荷回路相对独立; 协调模式下, 两者在维持安全汽水参数的同时, 满足了一定范围内负荷变动率的要求. 目前结合具体的物理参数, 产生了间接能量平衡(Indirect energy balance, IEB)和直接能量平衡(Direct energy balance, DEB)的补偿方式实现上述功能[3]. 最直观的方式就是间接能量平衡, 根据主汽压力偏差, 利用非线性环节从设定值上进行补偿. 当压力回路产生较大偏差时, 通过带死区的非线性环节补偿汽机回路设定值, 减小设定值的变化幅度从而减缓汽机侧的响应速度以匹配锅炉控制回路, 即让汽机 “等一等” 锅炉. 在以汽机跟随为基础的协调模式中亦是如此. 当因辅机设备故障退出协调模式时, 滑压设定值由负荷经滑压曲线产生切换到由发电机出口电功率经滑压曲线产生, 压力设定值跟踪实际电负荷. 操作模式也自动切换为对应的跟随模式.
3. 当前控制方案下可再生能源消纳面临的问题
3.1 基于补偿网络的协调方法限制了机组的灵活性
1)响应调度的快速性
机组在协调工作模式下, 调度侧投入自动, 如图1中机组投入自动发电控制(Automatic generation control, AGC)模式. 如果是区域功率偏差控制(Area control error, ACE)模式, 负荷指令每4至8秒更新一次. 否则调度每15分钟规划一次未来时刻的发电计划, 发电计划每15分钟刷新一次. 也就是说, 最早可以提前15分钟知道调度指令. 与当前时刻越近调度指令的预测性越准确. 这种负荷响应的过程为“电网供需失衡−检测计算−调度”. 在局部区域内, 由于光伏或风电负荷的波动导致供需失衡, 调度通过调节火电机组的出力, 对其作出补偿. 火电机组的灵活性(负荷变动率)决定了其能制衡分布式能源波动的能力. 目前, 我国火电机组负荷变动的速率约为2%额定负荷/分钟. 影响其响应速度的主要原因为锅炉的燃烧和传热具有较大的惯性, 当前的协调级, 通过动态补偿的方式[16-17]减缓汽机调门的动作来保障安全的汽水参数. 火电机组可看作以汽机调门开度和锅炉燃烧率为输入, 以电负荷和主汽压力为输出的双入双出系统. 对于直流炉由于给水是通过煤水比值进行控制, 因此分析时也简化为双入双出系统, 如图13所示. 由上文对控制和运行方案分析可知, 当前的处理方法是将多输入多输出通过补偿网络进行一定程度的解耦, 近似转变为单输入单输出系统进行处理的. 理论上如果知道系统的数学模型例如系统:
$$ \begin{equation} \begin{bmatrix} {{\boldsymbol{W}}}\\ {{\boldsymbol{P}}} \end{bmatrix} = \begin{bmatrix} {{\boldsymbol{G}}}_{11} &{{\boldsymbol{G}}}_{12}\\ {{\boldsymbol{G}}}_{21} &{{\boldsymbol{G}}}_{22} \end{bmatrix}\begin{bmatrix} {{\boldsymbol{U}}}\\ {{\boldsymbol{B}}} \end{bmatrix} \end{equation} $$ (5) 可通过串联前、反馈前、串联后补偿实现完全解耦[3], 如图14、图15、图16所示. 对该两入两出系统, 转化为两个单回路, 进行控制实现. 但是系统的模型并不能精确的获得. 因此, 无法按照上述解耦方法计算出解耦网络, 实现完全补偿. 为了解决两个回路的耦合, 根据物理过程, 寻找解决方案. 例如在负荷变动过程中, 引入响应趋势相似的物理量进行双向补偿, 典型的例子有日本Chita电站的协调系统、Bailey-820系统、HITACS-1000协调系统等[3]. 或采用主汽压力偏差(炉跟随)和负荷偏差(机跟随)作为机炉协调程度的特征参数, 进行补偿. 例如引入的关联变量, 在机组动态补偿解耦控制中是一个表征汽机和锅炉协调工作的特征参数[3], 这种协调机制又被称为间接能量平衡(IEB)机制. 从回路设定值上, 对机炉的响应速度进行匹配. 更有甚者从能量需求平衡的角度, 寻求动态补偿的方法. 以上方法就像在控制理论中对一个高阶系统进行实现, 实现的方式可以有多种, 例如可控标准型和可观标准型等. 但寻找恰当的状态变量使其具有与生产参数有关的物理意义. 甚至能够有直接、间接测量的物理量可用于反馈是很具有现实意义的. 因此, 结合具体物理过程, 合理处理关联变量, 在复杂控制系统实现中是一项创造性的工作. 这是在不能准确获得数学模型的情况下, 退而求其次的办法. 由于无法精确获得数学模型, 只是为了满足当下在较小频率下动态协调的需要而进行网络补偿. 单纯靠这种方法或补偿强度的增加无法实现完全解耦, 从而在更高频率范围内保持理想的协调效果. 因此, 在协调级实现上, 需要寻找合理的控制方法满足更高水平的机炉动态, 以增加其配合可再生能源的消纳能力.
2)突发式负荷响应的鲁棒性
对于电网秒时间尺度的负荷变化, 由于时间短, 电网检测系统来不及反应, 无法通过调度“电网供需失衡−检测计算−调度”过程实现供需平衡, 而是依靠一次调频的作用(机组转动惯量)缓解扰动. 机组协调性能越好, 电网局部扰动在整个电网传播的速度越快. 由整个电网机组分摊负荷扰动的速度就越快, 电网响应负荷变化越及时. 其过程为: 用电负荷短时间, 大幅度变化, 导致局部机组转速变化, 依靠转动惯量来缓解外部扰动, 汽机侧调门会根据转速差调整开度, 机组出力发生变化, 依靠机组蓄热对扰动进一步缓解. 此时, 打破机组能量供需平衡, 最终协调系统的功率恢复到一次调频动作之前. 即一次调频的出力被协调功率闭环抵消, 扰动没有被消除, 只是被缓解. 当电网功率供需不平衡时间足够长(能量差额随时间越来越大)以至于靠整个电网内所有同步机组的转动惯量来缓解时. 电网的频率就会发生变化. 电网再通过AGC调整各机组的出力, 扰动被抵消. 图17是炉跟随为基础的协调系统, 汽机主控参与一次调频的结构. 一次调频负荷设定值, 直接叠加到汽机主控闭环的设定值上. 和单元负荷需求一起, 构成汽机负荷需求的设定值. 这样调频负荷部分, 不会由于汽机功率闭环抵消, 这关系到长时段或最终一次调频的幅度, 即稳定后一次调频负荷最终由频差确定. 只要转速偏差超过一次调频死区设定值, 调频负荷就一直存在. 然而, 为了增加一次调频的响应速度, 在电调(DEH)中, 转速差通过转速不等率曲线与调频系数相乘, 形成前馈累加到汽机主控的输出中, 直接影响调门的开度. 此时, 锅炉跟踪压力, 压力设定值, 由单元机组负荷需求经滑压曲线产生, 没有因为一次调频动作而改变. 可见, 一次调频响应的快速性主要是靠机组的蓄热. 汽机侧依靠蓄热及时响应了外部负荷的需求. 然而, 锅炉侧则因热负荷补充不及时, 导致汽水参数偏离正常值. 这相当于在汽机侧增加了一个扰动, 如图18所示. 在相同频差下, 机组一次调频响应的能力(当前电网要求参与一次调频机组的出力不小于6%额定出力)是由补偿网络抵抗该种扰动的能力所决定的. 因为, 一次调频发生是随机的, 它可能发生在机组的任何负荷处. 所以, 相同的一次调频负荷量引起机组参数偏离程度不同. 发生在低负荷时机组参数的偏离, 较发生在高负荷时大. 致使补偿网络或者控制器的鲁棒性, 决定了机组参与一次调频的幅度. 鲁棒性越强, 在一次调频动作时汽水参数偏离正常值越小, 参与一次调频的能力就强; 相反, 抗扰动能力越弱, 参与一次调频的能力就越小. 具有随机性和间歇性的分布式能源使电网的不稳定性增加, 这也增加了一次调频, 这种突发式负荷响应的概率. 因此, 处于协调级的机炉控制无论是对于ADS的响应速度还是对一次调频的响应幅度都启到至关重要的作用. 还有一些补偿方案, 通过调节供热蝶阀实现弹性抽汽回热或对凝结水流量进行节流来影响汽机侧抽汽量[18-19]. 这相当于在汽机侧施加前馈补偿, 增加了控制器的鲁棒性, 加快了负荷响应速度, 使汽水参数在外部扰动下不易偏离, 如图19所示. 但这不是根本的解决办法. 未来需要从控制的角度研究机炉高性能的动态控制方法, 提高负荷变动速率.
3.2 锅炉局部反馈策略影响调峰深度和变负荷时的燃烧性能
1)等效热效应反馈原理
图2递阶结构中, 在稳态下以炉主控的输出 —— 燃烧率为参考规划了配风和给水. 包括总风量、容量风量、二次风量、燃尽风量、给水量, 这样就将上层控制器的输出指令, 分解为下层回路的设定值, 实现了决策变量的分解转换. 然而, 燃烧率是以设计煤种为参考, 将其与负荷的对应关系归一化得到. 在校核煤种下经试验, 偏差在可接受范围内. 实际燃煤并不一定与设计煤种完全一致. 为了消除燃煤变化造成风量, 给水量与给煤量的失配, 从煤燃烧的热效应上, 将当前燃煤转化为设计煤种 —— 热值校正. 其校正方案具体如图20所示. 炉主控输出的燃烧率与当前实际的锅炉热负荷进行比较形成偏差. 偏差一方面通过积分修正后形成相对热值系数, 用于将当前的给煤量转化为设计煤种的当量. 另一方面转化为锅炉的主控偏差的修正值(在直接能量平衡策略下, 炉主控的输入将压力偏差转化为热负荷偏差见图3, 这里热负荷偏差的构造消除了对燃料控制器的扰动), 修正炉主控的输出使其转为燃烧率. 随着偏差的累积, 风量和给水量也向设计煤种下规划方向修正, 使其失配程度减小. 为了减小修正过程中对燃料控制器偏差的影响造成给煤量的变化, 热值校正中积分时间常数与炉主控中积分时间常数相同. 由以上的分析可知, 当前锅炉燃烧控制, 并未实现真正的闭环控制[20-27], 它只是在热效应上, 通过热值校正进行等效处理来实现燃烧率的反馈. 随着负荷的降低, 炉膛温度也降低, 煤粉着火环境变得恶劣, 燃烧变得不稳定甚至灭火或爆燃. 由于锅炉这样的燃烧特性, 导致稳燃负荷存在下限. 由协调级形成的决策信息指令无法被局部决策级执行, 从而无法完成反馈. 这也导致锅炉最低负荷运行能力, 是影响调峰深度的重要因素. 锅炉最低负荷运行能力与其燃烧方式和煤种相关, 一般对冲燃烧锅炉的最低负荷范围为20% ~ 30%; 切圆燃烧最低为30%; W火焰燃烧方式最低只能达到30% ~ 50%. 锅炉低负下的稳燃能力是影响调峰深度的重要原因. 机组运行负荷越低, 新能源上网的空间就大, 弃风弃光量就会减少.
不仅如此, 热值校正还关系到锅炉配风. 从控制结构图2来看, 燃烧率/总风量、煤流率/一次风母管压力、二次风量/炉膛风箱差压、煤流率/容量风量、燃烧率/燃尽风门开度都是规划的静态工作点, 通过这种简单的方式, 建立燃烧率(炉主控的输出)与底层物理回路设定之间的模型, 实现决策信息的转换, 控制指令的分解, 只是在设计煤种情况下最佳, 在校核煤种情况下经试验, 偏差在合理范围内的经验模型. 配风关系在设计煤种以外并非最佳. 而且, 由图20可知, 热值校正是有条件的 —— 单元负荷需求变化速度足够小, 以致于机组参数接近稳定. 可见, 燃煤的热值在快速负荷变动过程中是不能被更新的. 热值的偏差导致风煤关系失配. 例如在ACE模式下, 机组参数可能时刻变化. 为了应对此缺陷, 只能对燃煤掺烧, 以确保燃煤特性的稳定.
综上可知, 从锅炉燃烧控制的反馈策略上来看, 它只是通过热值校正, 对燃烧产生的热效应进行了等效反馈, 实际上煤粉的燃烧包含着复杂的物理和化学过程. 对于其它燃烧参数, 例如燃烧效率、氮氧化物含量、排烟温度、炉膛火焰充满程度、各个受热面热负荷分布等信息没有反馈校正, 从而无法实现控制的最优化. 因此, 寻找新的方案解决锅炉燃烧闭环控制问题, 是当前研究的热点.
2)锅炉燃烧闭环控制的发展现状
在清洁低碳、安全高效的基础上, 合理的组织燃烧, 使热负荷在各个受热面的分布, 满足汽水参数的要求, 是锅炉燃烧闭环控制的最终目标. 然而, 影响锅炉燃烧的因素众多包括配风方式(均匀、缩腰、正三角、倒三角)、燃烧器负荷分配方式、一次风速、一次风温、炉膛风箱差压、燃烧器摆角、煤粉细度、煤粉温度等. 煤粉燃烧过程复杂, 影响因素众多, 机理不清, 难以建立数学模型. 再者, 滑压运行机组工况变化过程中, 汽水回路在各个受热面的热负荷变化较大, 需操作员手动调节火焰中心的高度与其进行匹配. 例如, 随着压力的增加, 过热段吸热量占比增加. 因此, 升负荷过程中需要适当调高火焰中心, 增加过热受热面的热负荷比例. 降负荷过程中需严密监视过热蒸汽温度防止超温, 同时降低火焰中心以减少减温水用量保证机组效率. 因此, 无论是燃烧控制还是热负荷调节, 都是根据设计人员提前规划的配风和操作人员的经验进行的. 为了充分挖掘影响燃烧性能的决策信息以及合理的调整这些变量, 以达到最佳燃烧状态. 当前的研究方向包括[20-28]: 燃烧调整试验, 通过实验修正图2中给煤、送风有关的曲线; 基于燃烧机理的建模, 用于燃烧模拟解决燃烧器的设计优化; 基于检测和人工智能技术的燃烧优化. 国外结合先进的控制技术, 实现了对锅炉的优化控制. 这些控制方法大都是基于人工智能技术与控制技术的结合. 将操作员的经验转化为知识信息. 通过信息挖掘的方法获得最优操作参数, 我国也在追赶. 国外形成的商用优化软件包括: 艾默生的Smart Process、美国Ultramax、Pegasus公司的Power Perfecter、Neuco公司的Combustionopt燃烧优化技术、英国Powergen公司的GNOCIS PLUS等. 国内东南大学的BCOS-2000/2.0系统和清华大学OCP3系统、北京埃普瑞电力科技有限公司引进美国技术开发的“SOAP”系统. 反应燃烧效率的特征参数 —— 辐射能信息, 可通过图像处理技术获取是基于检测技术的燃烧优化取得的一项关键突破. 锅炉负荷一定时辐射能最大的操作参数即最优. 依靠燃烧机理确定特征参数, 通过检测技术获得特征参数, 以及利用智能控制算法最大化特征参数是这一突破的主要研究思路.
3)锅炉缺少全负荷段自动给水方案
超临界直流锅炉在40% ~ 45%范围内要进行运行模式的转换, 目前还没有全负荷范围内的给水自动控制方案. 分离器干态运行时给水流量跟踪中间点焓值(此时汽水分离器已没有水位或汽水分界面不明显)如图2所示. 分离器湿态运行时, 给水流量跟踪分离器水位(由于蒸汽静压力波动, 中间点蒸汽的湿度不容易判断, 所以焓值不能确定). 造成跟踪模式切换的最根本的原因是, 从亚临界到超临界蒸汽的湿度不容易确定. 升降负荷时, 靠运行人员手动进行运行模式的切换. 该过程蒸汽参数变化剧烈, 蒸汽过热度不够或锅炉局部受热面干烧(小于锅炉最小给水流量)的风险变大. 现有经过改造升级的自动转换方案, 也是人为判断, 启动转态, 通过顺控替代手动切换过程. 转态过程需要一段时间(十几分钟或几十分钟), 负荷不能连续变化. 机组投自动参与调峰, 一天之内需要多次、长时段运行在低负荷阶段, 经历多次转态. 如果调度负荷指令在干湿态负荷转换中间, 汽水状态不易判断, 机组运行状态无法监控, 安全运行风险增加.
如果单纯从控制方案入手, 保留原有运行模式则需要严格控制煤水比例. 这需要准确的测量或评估出燃煤的热值(燃煤热值偏差在20%以内). 当前的热值校正方案反应较慢(热值校正中积分时间常数过长, 积分周期为8000秒), 需要在稳态下经过数小时, 这显然不行. 纵然是实时评估, 燃料输送、燃烧、传热等惯性延时也在分钟级. 如果非要根据前几分钟的燃烧来作为当前燃煤热值预报的话. 当前热值方案需将稳态下热负荷与炉主控输出偏差, 更改为一个评估周期内热量(热负荷积分)与炉主控能量输出(炉主控输出积分)的偏差(无论处于稳态与否). 这样通过准确控制燃烧热负荷与给水流量实现转态过程中变煤水比控制.
如果在超临界状态, 锅炉给水跟踪中间点焓值, 负荷降到45%后仍不转入亚临界状态则会因为给水流量过低导致小于最小锅炉给水流量, 容易造成锅炉局部干烧. 从热力学系统工艺出发可通过蒸汽注入式换热技术减少省煤器出口给水欠焓, 提高平均吸热温度, 增加水冷壁内汽水循环倍率, 使得机组在低负荷下仍然运行在超临界状态. 方案如图21所示. 省煤器出口处增加射流换热器将主蒸汽注入给水中进行回热, 提高锅炉入口给水焓值. 在负荷降至50%左右启动增压泵和换热器再循环泵, 射流器出口焓值控制器投自动. 射流器出口焓值在此参数附近变化剧烈. 控制器投运后保证给水焓值在临界焓值以上. 水冷壁下集箱处为密度均匀的超临界流体, 水冷壁各管的流量分配均匀, 保证了水循环的安全.
3.3 非额定工况下稳态工作点的偏离增加了可再生能源消纳的能耗和排放成本
随着越来越多高参数、大容量机组成为电网的骨干电源和分布式可再生能源的增加, 电网负荷的峰谷差会越来越大. 新能源的消纳致使机组承担部分负荷和调峰运行的时间增多. 对其运行的经济性和负荷适应性提出了更高的要求. 电网普遍要求燃煤机组负荷调整范围不低于50%额定出力, 这就大大偏离了其额定工况(火电机组最佳经济运行工况一般在85% ~ 95% 负荷区间). 工作点的重置或一次调频动作造成的扰动, 都是在工作点附近的波动或多个工作点之间的切换. 因此, 非额定且大尺度工况变化情况下, 需要对整个系统的稳态工作点进行合理的规划以满足更好的经济性. 系统控制结构图2中的函数$F (x) $都是需要在稳态下进行标定或优化的曲线. 包括: 燃烧率/总风量、燃烧率/给水量、煤流率/一次风母管压力、二次风量/炉膛风箱差压、煤流率/容量风风量、燃烧率/燃尽风门开度、发电机功率/中间点焓值、负荷/压力、配汽函数. 除了上文提到的燃烧配风外, 最主要的就是这里的负荷/压力曲线. 它是对机组汽水参数的规划, 影响热工转换效率.
额定压力下, 机组带部分负荷是通过调节阀, 节流实现进汽面积的改变. 这里阀芯的节流, 可看做等焓节流过程. 蒸汽温度、压力下降, 熵增加, 高压缸相对内效率降低. 这里由于节流造成温度的降低无冷源损失, 熵增加, 导致再热过程中吸热量增加, 这也就是为什么参数越高工质平均吸热温度越高, 机组热力循环效率越高的原因. 但是汽机的绝对热效率是相对热效率与热力循环效率的乘积. 相对内效率降低、热力循环效率升高, 所以要获得最高的汽机效率需要一个合适的压力参数. 使得热力循环效率的增加, 对绝对效率的影响, 恰好等于内效率降低对其的影响, 在两者之间获得一个平衡. 这里内效率的降低是由于调阀的节流造成的. 即使相同的负荷/压力曲线, 配汽方式不同, 调阀节流损失也不同. 所以滑压优化, 并不单纯是规划压力与负荷的关系, 还和阀门管理有关. 按照进汽面积改变方式的不同, 汽轮机配汽方式, 可分为节流调节和喷嘴调节. 多个调阀动作一致, 始终处于相同的阀位开度处, 称为单阀模式, 处于节流调节方式. 汽机全周进汽, 本体受力平衡, 叶片受热均匀, 转子热应力小, 负荷变动灵活, 但节流损失大. 汽机部分调阀处于全开, 部分调阀处于全关位置, 变负荷过程中, 全靠定温下锅炉蒸发量的改变影响汽压, 从而改变负荷, 称为纯滑压方式. 在低负荷或高负荷处机组的经济性不好. 多个调阀按照一定的重叠度, 形成具有线性阀位升程 —— 流量特性的联合阀门开度称为顺阀模式, 汽机不能全周进汽. 是喷嘴调节与节流调节的复合调节模式. 通过规划阀序和重叠度可在大范围内兼顾经济性和灵活性. 然而滑压参数的确定不能只考虑汽轮机的效率和热力循环效率, 还要综合考虑给水泵的功耗、背压、炉水动力的安全性、机组参与一次调频和AGC的能力(通过调阀的节流特性保证汽水蓄热能量以提高机组响应负荷的快速性). 目前滑压优化采用热耗分析法, 只把能耗作为单一优化目标, 然后通过实验兼顾其他性能指标. 实际上这是一个相互冲突的目标优化问题. 负荷的响应速度和机组的能耗指标是相互冲突的. 从机理上建立整个系统的优化模型不容易. 然而实际运行中可以获得大量稳态数据. 基于数据挖掘的方法是可能的探索路径. 这种脱离机理模型, 基于数据挖掘的优化方法在其他行业早有应用案例, 如选矿[29-30]. 在新能源消纳需求下, 合理规划机组非额定运行状态下汽水稳态工作点, 降低消纳的能耗成本是有必要的.
新能源的消纳, 导致机组出力大幅度变动, 排烟温度低于对应额定负荷时的温度, 氨易与烟气中的硫反应生成氨的硫化物 —— 硫酸铵或硫酸氢氨. 这些氨的硫化物容易附着在催化剂表面, 甚至堵塞催化剂活性物的微孔, 使催化剂失活, 导致烟气中的氮氧化物排放高[31-37]. 为了加强脱硝效果, 常增加喷氨量以提升氨气在烟气中的比例来强化其与氮氧化物发生反应. 这一方面增加了脱硝的成本同时生成的硫化物附着在空预器的表面, 加速设备的腐蚀. 另一方面中低负荷时由图2中的容量风/煤流率曲线可知一次风煤比, 比额定负荷时高, 甚至高出30%. 这将导致煤粉氧量充足, 燃烧反应剧烈, 增加了热力型氮氧化为的产生. 低负荷时, 一次风量增加意味着托底风和燃尽风量减少, 这将大大减弱空气分级程度, 破坏了低氮燃烧的条件, 增加了氮氧化物的生成. 在低负荷下燃烧增加了氮氧化物生成的同时, 也减少了氮氧化物的还原, 导致其排放增加. 当前的解决方案都是从工艺设备的角度出发, 例如对省煤器进行分级布置、增加省煤器旁路、增加烟气旁路等. 若从控制方案出发可在低负荷下将脱硝入口烟气温度作为一个控制变量, 在尽量减小与受热面汽温控制耦合的情况下, 将火焰中心高度作为操作变量始终保持排烟温度在催化剂适宜的范围内. 那么图2控制结构中锅炉的燃烧控制需要重新设计.
综上可知, 火电机组对风电和光伏电源进行补偿时, 出力会大幅度波动. 导致机组长时间工作在偏离额定参数的工况下. 那么对于图2控制方案中的稳态工作点需要重新规划以满足更好的经济和排放指标.
4. 火电在电力系统中供需平衡调节作用
电能是一种不可大规模存储的二次能源. 在电力系统中, 供电与用电是同时进行的而且供需是平衡的. 其中, 频率是有功功率(出力)平衡的表征参数. 可通过自动发电控制AGC维持恒定, 我国交流电频率为50 Hz. 电压是无功功率输出平衡的表征参数. 可通过自动电压控制(Automatic voltage control, AVC)调节励磁来维持.
如图22是电网负荷供需平衡调节类比图. 对于基荷电源调度的时间尺度为小时级或几十分钟. 投入AGC模式的电源, 调度的尺度为分钟级. ACE模式的电源为秒级. 一次调频对负荷的响应为亚秒级. 负荷响应过程为: 电网中的大负荷设备启停或风光电源大幅度(小的负荷变化对于电网来说不足以引起频率变化即频率仪表测不到)快速变化, 打破电网供需平衡, 引起局部频率偏离. 机组检测到就地频率偏差超过一次调频动作死区, 一次调频动作. 按照频差的大小, 机侧和炉侧分别增减燃料和阀门开度. 但是此时机组功率与调度指令出现偏差, 最终一次调频负荷会由CCS协调的功率闭环调节抵消. 因此, 一次调频是有差调节, 他不能补偿电网供需不平衡. 它只能缓解扰动(把功率的瞬时变化转变为机组转速缓慢的变化, 而且一直变化下去). 随着时间的积累这种功率不平衡, 转化为网内所有旋转机组转动动能的变化. 由于电网内所有机组是同步的, 电网检测到频率的变化就会通过二次调频AGC (自动发电控制)进行功率反馈调节. 此时才发挥了火电机组功率调节作用.
由此可见, 一次调频只是缓解电网瞬时功率的不平衡, 即将电功率的冲击式扰动转化为电网参数舒缓的变化. 这正是电网中转动惯量存在的意义. AGC即二次调频发挥闭环调节作用.
电网的这种自动调节机制一方面要补偿用户电功率的变化, 例如设备的启停. 还要克服由风光等不稳定的一次能源带来的扰动. 随着越来越多的风光电源上网, 电网的调节资源越来越不足, 以至于这种调节资源成了商品. 近年来我国加快飞轮、压缩空气、电化学储能、抽水蓄能电站、蒸汽燃气联合循环机组等基础设施的投资以增加电网的灵活性调节资源. 并有序开放电力辅助服务市场, 引导社会资本为风光等可再生能源保驾护航. 截至到目前我国已有33个省区、6大区形成了统一的辅助服务规则体系. 电力企业和电量用户通过协商、集中竞价、挂牌方式, 在实时交易前确定交易量和价格作为调度的基准计划. 实时交易时, 根据交易量和辅助服务费确定各自的电量和电价. 面对这种局面, 我国火电机组的性能包括最小出力、负荷变动速率(爬坡率)、冷热态启动时间相对于欧洲大比例吸收可再生能源的火电机组综合性能尚有提高空间. 如表1所示.
表 1 性能参数对比Table 1 Comparision of performance parameters参数 我国 欧洲 单位 负荷变动速率 2/1.5 6/4 %/min 硬煤/褐煤 最小出力 35/50 20/40 % 硬煤/褐煤 冷态启动时间 8/12 4/6 h 硬煤/褐煤 热态启动时间 4 2 h 5. 总结与展望
本文根据火电机组控制方案, 分析了辅助消纳可再生能源面临的问题. 一方面为机炉的高水平动态协调, 即机组的灵活性. 从被控对象来看, 燃烧、传热是具有大惯性的慢过程, 而当前控制方案在不考虑机炉响应动态响应差别较大的情况下将整个被控系统解耦成两个响应速度差别较大的单回路系统, 满足了有限频率范围内的动态需求(当前火电机组的负荷变动速率不大于2%额定负荷/分钟). 从协调方案来看, 它是靠减缓汽机的响应来与慢过程相匹配, 而不是通过提高锅炉的响应速度, 增加其动态性能从而实现机炉协调, 维持稳定的汽水参数, 这种协调方案减缓了整个机组的负荷响应速度.
再者, 基于此协调方案的控制系统没有充分利用调度的负荷预测信息. 调度每15分钟规划一次未来时刻的发电计划, 发电计划每15分钟刷新一次. 即控制系统最早可以提前15分钟确定负荷指令.
另一方面, 局部反馈结构在锅炉控制中采用的是等效热效应的反馈, 并未实现闭环控制更谈不上优化控制. 能够在低负荷下, 满足燃烧稳定、效率高、排放指标低的闭环控制方案以及锅炉控制全程给水控制方案. 是局部反馈结构下, 深度调峰的基础. 由于调峰机组大部分时间运行在非额定工况下, 对系统稳态工作点的优化, 包括汽水参数和燃烧参数是降低新能源消纳的能耗和排放成本的需要.
随着电力辅助服务市场的逐渐放开. 我国煤电机组正面临着技术提升的压力, 充分利用火电保驾护航的关键时期. 稳步推进电力系统中可再生能源的占比, 向碳中和目标靠近. 降低单位GDP的碳消费量, 使我国制造强国的地位早日被认可.
-
图 6 基于神经网络的行人惯性定位范式
Fig. 6 Paradigm of pedestrian inertial positioning based on neural network
表 1 基于神经网络的行人惯性定位方法概览
Table 1 Overview of neural network-based pedestrian inertial positioning methods
方法 年份 模型 学习方式 方法特征 IONet[43] 2018 LSTM 监督 将惯性定位问题转换为序列学习问题, 基于LSTM来学习位移并构造惯性里程计 L-IONet[8] 2020 WaveNet 监督 利用自回归模型替换LSTM来处理长序列惯性信号并预测极坐标系下的位移 Motiontransformer[48] 2019 LSTM 监督 通过生成对抗网络和域适应来学习一个领域不变的语义表示 TLIO[51] 2020 CNN 监督 基于CNN回归相对位移和不确定性并将二者合并到卡尔曼滤波器进行状态估计 RoNIN[27] 2020 CNN/LSTM 监督 基于CNN/LSTM从惯性数据中预测行人的2D速度向量 Wang等[53] 2021 CNN 监督 通过ResNet来回归速度大小和移动角度 IMUNet[54] 2024 CNN 监督 使用深度和点卷积替换传统卷积操作提高模型推理速度 RIO[55] 2022 CNN 自监督 引入旋转等方差作为强大的自监督信号来训练惯性定位模型 HNNTA[57] 2022 CNN/LSTM 监督 利用时间注意力机制对LSTM产生的隐藏状态进行加权 RBCN[58] 2023 CNN/LSTM 监督 利用多种混合注意力机制增强网络对通道和空间特征的学习能力 Res2Net[59] 2022 CNN 监督 融入Res2Net模块来提取更加细粒度的特征表示 CTIN[26] 2022 Transformer 监督 首个基于Transformer来融合空间表示与时间知识的模型 RIOT[62] 2023 Transformer 监督 通过结合真实位置先验递归的学习运动特征和系统误差偏差 NILoc[63] 2022 Transformer 监督 将独一无二的人体运动模式映射成行人位置 IDOL[64] 2021 LSTM 监督 将行人惯性定位分为方向估计和位置估计两个阶段 Shao等[66] 2018 CNN 监督 基于深度卷积神经网络的步长检测方案, 以提高计步器的鲁棒性 Ren等[67] 2021 LSTM 监督 设计一种基于LSTM的步态计数器 WAIT[68] 2023 CNN 监督 利用自动编码器将IMU测量值转化为无误差的波形并提取各种与移动性相关的信息 Gu等[69] 2018 Autoencoder 监督 基于堆叠的自动编码器的步长估计模型 StepNet[71] 2020 CNN 监督 基于CNN动态的回归步长或距离的变化 Wang等[72] 2019 LSTM 监督 在步长估计模型中加入变分自编码自动消除特征向量中的固有噪声 Manos等[78] 2022 CNN 监督 利用时间卷积和多尺度注意层提取运动矢量进行航向估计 PDRNet[79] 2022 CNN 监督 基于ResNet设计一个位置识别和一个获取距离和航向变化的回归网络 Wagstaff等[80] 2018 LSTM 监督 用LSTM代替标准零速度检测器来辅助惯性导航系统 Yu等[81] 2019 CNN 监督 一种基于卷积神经网络的零速度点探测器 Bo等[73] 2022 ResNet/GRU 无监督 利用对抗训练和子类分类器来构建一个多源无监督域适应网络 注: 上述方法根据是否融入领域知识分为两类. 
下载: 导出CSV
表 2 行人惯性定位数据集
Table 2 Pedestrian inertial positioning datasets
数据集 年份 采样频率 IMU载体 真值 数据集大小(轨迹数) 设备携带方式 RIDI[82] 2017 200 Hz Lenovo Phab2 Pro Tango手机 74 裤袋、包、手持、胸前 TUM VI[83] 2018 200 Hz — 动作捕捉系统 28 手持 OXIOD[84] 2018 100 Hz iPhone 5/6/7 Plus, Nexus 5 动作捕捉系统 158 手持、口袋、手袋、推车 RoNIN[27] 2019 200 Hz Galaxy S9, Pixel 2 XL AR设备 276 自然携带 IDOL[64] 2020 100 Hz iPhone 8 Kaarta Stencil 84 自然携带 CTIN[26] 2021 200 Hz Samsung Note, Galaxy Google ARCore 100 自然携带 SIMD[85] 2023 50 Hz 多种型号智能手机 GPS/IMU 4562 自然携带
下载: 导出CSV
表 3 在RIDI测试数据集上的行人惯性定位方法对比 (m)
Table 3 Comparison of pedestrian inertial positioning methods on the RIDI test dataset (m)
下载: 导出CSV
表 4 在OXIOD测试数据集上的行人惯性定位方法对比 (m)
Table 4 Comparison of pedestrian inertial positioning methods on the OXIOD test dataset (m)
下载: 导出CSV
表 5 在RoNIN测试数据集上的行人惯性定位方法对比 (m)
Table 5 Comparison of pedestrian inertial positioning methods on the RoNIN test dataset (m)
模型 seen-ATE seen-RTE unseen-ATE unseen-RTE SINS[25] 675.21 169.48 458.06 117.06 PDR[29] 29.54 21.36 27.67 23.17 RIDI[82] 17.06 17.50 15.66 18.91 R-LSTM[27] 4.18 2.63 5.32 3.58 R-ResNet[27] 3.54 2.67 5.14 4.37 R-TCN[27] 4.38 2.90 5.70 4.07 注: 其中, “seen”表示测试集和训练集的被试相同; “unseen”表示测试集中的被试在训练集中未出现过; “ATE”表示绝对轨迹误差; “RTE”表示相对轨迹误差.
下载: 导出CSV
-
[1] Gao R P, Xiao X, Zhu S L, Xing W W, Li C, Liu L, et al. Glow in the dark: Smartphone inertial odometry for vehicle tracking in GPS blocked environments. IEEE Internet of Things Journal, 2021, 8(16): 12955−12967 doi: 10.1109/JIOT.2021.3064342 [2] Herrera E, Kaufmann H, Secue J, Quirós R, Fabregat G. Improving data fusion in personal positioning systems for outdoor environments. Information Fusion, 2013, 14(1): 45−56 doi: 10.1016/j.inffus.2012.01.009 [3] Roy P, Chowdhury C. A survey on ubiquitous WiFi-based indoor localization system for smartphone users from implementation perspectives. CCF Transactions on Pervasive Computing and Interaction, 2022, 4(3): 298−318 doi: 10.1007/s42486-022-00089-3 [4] Wang R R, Li Z H, Luo H Y, Zhao F, Shao W H, Wang Q. A robust Wi-Fi fingerprint positioning algorithm using stacked denoising autoencoder and multi-layer perceptron. Remote Sensing, 2019, 11(11): Article No. 1293 doi: 10.3390/rs11111293 [5] Mur-Artal R, Montiel J, Tardós J. ORB-SLAM: A versatile and accurate monocular SLAM system. IEEE Transactions on Robotics, 2015, 31(5): 1147−1163 doi: 10.1109/TRO.2015.2463671 [6] Szyc K, Nikodem M, Zdunek M. Bluetooth low energy indoor localization for large industrial areas and limited infrastructure. Ad Hoc Networks, 2023, 139: Article No. 103024 doi: 10.1016/j.adhoc.2022.103024 [7] Yu N, Zhan X H, Zhao S N, Wu Y F, Feng R J. A precise dead reckoning algorithm based on Bluetooth and multiple sensors. IEEE Internet of Things Journal, 2018, 5(1): 336−351 doi: 10.1109/JIOT.2017.2784386 [8] Chen C H, Zhao P J, Lu C X, Wang W, Markham A, Trigoni N. Deep-learning-based pedestrian inertial navigation: Methods, data set, and on-device inference. IEEE Internet of Things Journal, 2020, 7(5): 4431−4441 doi: 10.1109/JIOT.2020.2966773 [9] Gowda M, Dhekne A, Shen S, Choudhury R, Yang X, Yang L, et al. Bringing IoT to sports analytics. In: Proceedings of the 14th USENIX Conference on Networked Systems Design and Implementation. Boston, USA: USENIX, 2017. 499−513 [10] 潘献飞, 穆华, 胡小平. 单兵自主导航技术发展综述. 导航定位与授时, 2018, 5(1): 1−11Pan Xian-Fei, Mu Hua, Hu Xiao-Ping. A survey of autonomous navigation technology for individual soldier. Navigation Positioning and Timing, 2018, 5(1): 1−11 [11] 郭孝宽, 岳丕玉, 安维廉. 运载火箭的距离惯性制导. 自动化学报, 1984, 10(4): 361−364Guo Xiao-Kuan, Yue Pi-Yu, An Wei-Lian. Distance-inertial guidance of the launch vehicle. Acta Automatica Sinica, 1984, 10(4): 361−364 [12] Zhou B D, Wu P, Zhang X, Zhang D J, Li Q Q. Activity semantics-based indoor localization using smartphones. IEEE Sensors Journal, 2024, 24(7): 11069−11079 doi: 10.1109/JSEN.2024.3357718 [13] Barshan B, Durrant-Whyte H F. Inertial navigation systems for mobile robots. IEEE Transactions on Robotics and Automation, 1995, 11 (3): 328−342 [14] 王巍. 惯性技术研究现状及发展趋势. 自动化学报, 2013, 39(6): 723−729Wang Wei. Status and development trend of inertial technology. Acta Automatica Sinica, 2013, 39(6): 723−729 [15] 董铭涛, 程建华, 赵琳, 刘萍. 惯性组合导航系统性能评估方法研究进展. 自动化学报, 2022, 48(10): 2361−2373Dong Ming-Tao, Cheng Jian-Hua, Zhao Lin, Liu Ping. Perspectives on performance evaluation method for inertial integrated navigation system. Acta Automatica Sinica, 2022, 48(10): 2361−2373 [16] 许睿. 行人导航系统算法研究与应用实现 [硕士学位论文], 南京航空航天大学, 中国, 2008.Xu R. Research and Application on Navigation Algorithm of Pedestrian Navigation System [Master thesis], Nanjing University of Aeronautics and Astronautics, China, 2008. [17] Puyol M, Bobkov D, Robertson P, Jost T. Pedestrian simultaneous localization and mapping in multistory buildings using inertial sensors. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(4): 1714−1727 doi: 10.1109/TITS.2014.2303115 [18] El-Sheimy N, Hou H Y, Niu X J. Analysis and modeling of inertial sensors using Allan variance. IEEE Transactions on Instrumentation and Measurement, 2008, 57(1): 140−149 doi: 10.1109/TIM.2007.908635 [19] Zhuo W P, Li S J, He T L, Liu M Y, Chan S, Ha S, et al. Online path description learning based on IMU signals from IoT devices. IEEE Transactions on Mobile Computing, DOI: 10.1109/TMC.2024.3406436 [20] Otter D, Medina J, Kalita J. A survey of the usages of deep learning for natural language processing. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(2): 604−624 doi: 10.1109/TNNLS.2020.2979670 [21] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature, 2015, 521(7553): 436−444 doi: 10.1038/nature14539 [22] Ru X, Gu N, Shang H, Zhang H. MEMS inertial sensor calibration technology: Current status and future trends. Micromachines, 2022, 13(6): Article No. 879 doi: 10.3390/mi13060879 [23] 杨辉. 基于MEMS传感器的高精度行人导航算法研究 [硕士学位论文], 厦门大学, 中国, 2014.Yang H. Research of High-accuracy Pedestrian Navigation Algorithm Based on MEMS Sensors [Master thesis], Xiamen University, China, 2014. [24] Savage P. Strapdown inertial navigation integration algorithm design part 1: Attitude algorithms. Journal of Guidance, Control, and Dynamics, 1998, 21(1): 19−28 doi: 10.2514/2.4228 [25] Savage P. Strapdown inertial navigation integration algorithm design part 2: Velocity and position algorithms. Journal of Guidance, Control, and dynamics, 1998, 21(2): 208−221 doi: 10.2514/2.4242 [26] Rao B, Kazemi E, Ding Y, Shila D, Tucker F, Wang L. CTIN: Robust contextual transformer network for inertial navigation. In: Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto, CA: AAAI, 2022. 5413−5421 [27] Herath S, Yan H, Furukawa Y. RoNIN: Robust neural inertial navigation in the wild: Benchmark, evaluations, & new methods. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). Paris, France: IEEE, 2020. 3146−3152 [28] Wang B, Liu X, Yu B, Jia R, Gan X. Pedestrian dead reckoning based on motion mode recognition using a smartphone. Sensors, 2018, 18(6): Article No. 1811 doi: 10.3390/s18061811 [29] Li W, Wang Y, Shao Y, Hu G, Li D. TrackPuzzle: Efficient registration of unlabeled PDR trajectories for learning indoor route graph. Future Generation Computer Systems, 2023, 149 : 171−183 [30] Skog I, Handel P, Nilsson J, Rantakokko J. Zero-velocity detection——An algorithm evaluation. IEEE Transactions on Biomedical Engineering, 2010, 57(11): 2657−2666 doi: 10.1109/TBME.2010.2060723 [31] 张伦东, 卢晓慧, 李军正, 何劢航. 基于零速修正的行人导航关键技术及研究进展. 导航定位与授时, 2020, 7(3): 141−149Zhang Lun-Dong, Lu Xiao-Hui, Li Jun-Zheng, He Mai-Hang. The key technologies and development of pedestrian navigation based on ZUPT. Navigation Positioning and Timing, 2020, 7(3): 141−149 [32] Harle R. A survey of indoor inertial positioning systems for pedestrians. IEEE Communications Surveys & Tutorials, 2013, 15(3): 1281−1293 [33] Qian J C, Ma J B, Ying R D, Liu P L, Pei L. An improved indoor localization method using smartphone inertial sensors. In: Proceedings of the International Conference on Indoor Positioning and Indoor Navigation. Montbeliard, France: IEEE, 2013. 1−7 [34] Ao B K, Wang Y C, Liu H N, Li D Y, Song L, Li J Q. Context impacts in accelerometer-based walk detection and step counting. Sensors, 2018, 18(11): Article No. 3604 doi: 10.3390/s18113604 [35] Kang X M, Huang B Q, Qi G D. A novel walking detection and step counting algorithm using unconstrained smartphones. Sensors, 2018, 18(1): Article No. 297 doi: 10.3390/s18010297 [36] Weinberg H. Using the ADXL202 in pedometer and personal navigation applications. Analog Devices AN-602 Application Note, 2002, 2 (2): 1−6 [37] Nilsson J, Skog I, Händel P, Hari K. Foot-mounted INS for everybody-an open-source embedded implementation. In: Proceedings of the IEEE/ION Position, Location and Navigation Symposium. Myrtle Beach, USA: IEEE, 2012. 140−145 [38] Fang L, Antsaklis P J, Montestruque L A, McMickell M B, Lemmon M, Sun Y S, et al. Design of a wireless assisted pedestrian dead reckoning system——The NavMote experience. IEEE Transactions on Instrumentation and Measurement, 2005, 54(6): 2342−2358 doi: 10.1109/TIM.2005.858557 [39] Goyal P, Ribeiro V J, Saran H, Kumar A. Strap-down pedestrian dead-reckoning system. In: Proceedings of the International Conference on Indoor Positioning and Indoor Navigation. Guimaraes, Portugal: IEEE, 2011. 1−7 [40] Huang B Q, Qi G D, Yang X K, Zhao L, Zou H. Exploiting cyclic features of walking for pedestrian dead reckoning with unconstrained smartphones. In: Proceedings of the ACM International Joint Conference on Pervasive and Ubiquitous Computing. Heidelberg, Germany: ACM, 2016. 374−385 [41] Wahlström J, Skog I. Fifteen years of progress at zero velocity: A review. IEEE Sensors Journal, 2021, 21(2): 1139−1151 doi: 10.1109/JSEN.2020.3018880 [42] Chen C H, Pan X F. Deep learning for inertial positioning: A survey. IEEE Transactions on Intelligent Transportation Systems, 2024, 25(9): 10506−10523 doi: 10.1109/TITS.2024.3381161 [43] Chen C H, Lu X X, Markham A, Trigoni N. IONet: Learning to cure the curse of drift in inertial odometry. In: Proceedings of the 32nd AAAI Conference on Artificial Intelligence. New Orleans, USA: AAAI, 2018. 6468−6476 [44] Yu Y, Si X S, Hu C H, Zhang J X. A review of recurrent neural networks: LSTM cells and network architectures. Neural Computation, 2019, 31(7): 1235−1270 doi: 10.1162/neco_a_01199 [45] Yao S C, Zhao Y R, Shao H J, Liu S Z, Liu D X, Su L, et al. FastDeepioT: Towards understanding and optimizing neural network execution time on mobile and embedded devices. In: Proceedings of the 16th ACM Conference on Embedded Networked Sensor Systems. Shenzhen, China: ACM, 2018. 278−291 [46] Oord A, Dieleman S, Zen H, Simonyan K, Vinyals O, Graves A, et al. Wavenet: A generative model for raw audio. arXiv preprint arXiv: 1609.03499, 2016. [47] Jayanth R K, Xu Y S, Wang Z Y, Chatzipantazis E, Gehrig D, Daniilidis K. EqNIO: Subequivariant neural inertial odometry. arXiv preprint arXiv: 2408.06321, 2024. [48] Chen C H, Miao Y S, Lu C X, Xie L H, Blunsom P, Markham A, et al. MotionTransformer: Transferring neural inertial tracking between domains. In: Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Honolulu, USA: AAAI, 2019. 8009−8016 [49] Yu L T, Zhang W N, Wang J, Yu Y. SeqGAN: Sequence generative adversarial nets with policy gradient. In: Proceedings of the 31st AAAI Conference on Artificial Intelligence. San Francisco, USA: AAAI, 2017. 2852−2858 [50] Tzeng E, Hoffman J, Saenko K, Darrell T. Adversarial discriminative domain adaptation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA: IEEE, 2017. 7167−7176 [51] Liu W X, Caruso D, Ilg E, Dong J, Mourikis A I, Daniilidis K, et al. TLIO: Tight learned inertial odometry. IEEE Robotics and Automation Letters, 2020, 5(4): 5653−5660 doi: 10.1109/LRA.2020.3007421 [52] Li M Y, Mourikis A I. High-precision, consistent EKF-based visual-inertial odometry. The International Journal of Robotics Research, 2013, 32(6): 690−711 doi: 10.1177/0278364913481251 [53] Wang Y, Cheng H, Wang C, Meng M. Pose-invariant inertial odometry for pedestrian localization. IEEE Transactions on Instrumentation and Measurement, 2021, 70: Article No. 8503512 [54] Zeinali B, Zanddizari H, Chang M J. IMUNet: Efficient regression architecture for inertial IMU navigation and positioning. IEEE Transactions on Instrumentation and Measurement, 2024, 73: Article No. 2516213 [55] Cao X Y, Zhou C F, Zeng D D, Wang Y L. RIO: Rotation-equivariance supervised learning of robust inertial odometry. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, USA: IEEE, 2022. 6614−6623 [56] Lai R C, Tian Y, Tian J D, Wang J, Li N, Jiang Y. ResMixer: A lightweight residual mixer deep inertial odometry for indoor positioning. IEEE Sensors Journal, DOI: 10.1109/JSEN.2024.3443311 [57] Wang Y, Cheng H, Meng M. Inertial odometry using hybrid neural network with temporal attention for pedestrian localization. IEEE Transactions on Instrumentation and Measurement, 2022, 71: Article No. 7503610 [58] Zhu Y Q, Zhang J L, Zhu Y P, Zhang B, Ma W Z. RBCN-Net: A data-driven inertial navigation algorithm for pedestrians. Applied Sciences, 2023, 13(5): Article No. 2969 doi: 10.3390/app13052969 [59] Chen B X, Zhang R F, Wang S C, Zhang L Q, Liu Y. Deep-learning-based inertial odometry for pedestrian tracking using attention mechanism and Res2Net module. IEEE Sensors Letters, 2022, 6(11): Article No. 6003804 [60] Gao S H, Cheng M M, Zhao K, Zhang X Y, Yang M H, Torr P. Res2Net: A new multi-scale backbone architecture. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(2): 652−662 doi: 10.1109/TPAMI.2019.2938758 [61] Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez A, et al. Attention is all you need. In: Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach, USA: Curran Associates Inc., 2017. 5998−6008 [62] Brotchie J, Li W C, Greentree A D, Kealy A. RIOT: Recursive inertial odometry transformer for localisation from low-cost IMU measurements. Sensors, 2023, 23(6): Article No. 3217 doi: 10.3390/s23063217 [63] Herath S, Caruso D, Liu C, Chen Y F, Furukawa Y. Neural inertial localization. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, USA: IEEE, 2022. 6604−6613 [64] Sun S, Melamed D, Kitani K. IDOL: Inertial deep orientation-estimation and localization. In: Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto, CA: AAAI, 2021. 6128−6137 [65] Wang Y, Cheng H, Meng M. Pedestrian motion tracking by using inertial sensors on the smartphone. In: Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Las Vegas, USA: IEEE, 2020. 4426−4431 [66] Shao W H, Luo H Y, Zhao F, Wang C, Crivello A, Tunio M. DePedo: Anti periodic negative-step movement pedometer with deep convolutional neural networks. In: Proceedings of the IEEE International Conference on Communications (ICC). Kansas City, USA: IEEE, 2018. 1−6 [67] Ren P, Elyasi F, Manduchi R. Smartphone-based inertial odometry for blind walkers. Sensors, 2021, 21(12): Article No. 4033 doi: 10.3390/s21124033 [68] Han K, Yu S M, Ko S W, Kim S L. Waveform-guide transformation of IMU measurements for smartphone-based localization. IEEE Sensors Journal, 2023, 23(17): 20379−20389 doi: 10.1109/JSEN.2023.3298713 [69] Gu F Q, Khoshelham K, Yu C Y, Shang J G. Accurate step length estimation for pedestrian dead reckoning localization using stacked autoencoders. IEEE Transactions on Instrumentation and Measurement, 2019, 68(8): 2705−2713 doi: 10.1109/TIM.2018.2871808 [70] Gehring J, Miao Y J, Metze F, Waibel A. Extracting deep bottleneck features using stacked auto-encoders. In: Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing. Vancouver, Canada: IEEE, 2013. 3377−3381 [71] Klein I, Asraf O. StepNet——Deep learning approaches for step length estimation. IEEE Access, 2020, 8: 85706−85713 doi: 10.1109/ACCESS.2020.2993534 [72] Wang Q, Ye L L, Luo H Y, Men A D, Zhao F, Huang Y. Pedestrian stride-length estimation based on LSTM and denoising autoencoders. Sensors, 2019, 19(4): Article No. 840 doi: 10.3390/s19040840 [73] Bo F, Li J, Wang W B. Mode-independent stride length estimation with IMUs in smartphones. IEEE Sensors Journal, 2022, 22(6): 5824−5833 doi: 10.1109/JSEN.2022.3148313 [74] Im C, Eom C, Lee H, Jang S, Lee C. Deep LSTM-based multimode pedestrian dead reckoning system for indoor localization. In: Proceedings of the International Conference on Electronics, Information, and Communication (ICEIC). Jeju, South Korea: IEEE, 2022. 1−2 [75] Huang Y, Zeng Q H, Lei Q Y, Chen Z J, Sun K C. Smartphone heading correction method based on LSTM neural network. In: Proceedings of China Satellite Navigation Conference. Beijing, China: Springer, 2022. 415−425 [76] Wang Q, Luo H Y, Ye L L, Men A D, Zhao F, Huang Y, et al. Pedestrian heading estimation based on spatial transformer networks and hierarchical LSTM. IEEE Access, 2019, 7: 162309−162322 doi: 10.1109/ACCESS.2019.2950728 [77] Jaderberg M, Simonyan K, Zisserman A, Kavukcuoglu K. Spatial transformer networks. In: Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal, Canada: MIT Press, 2015. 2017−2025 [78] Manos A, Hazan T, Klein I. Walking direction estimation using smartphone sensors: A deep network-based framework. IEEE Transactions on Instrumentation and Measurement, 2022, 71: Article No. 2501112 [79] Asraf O, Shama F, Klein I. PDRNet: A deep-learning pedestrian dead reckoning framework. IEEE Sensors Journal, 2022, 22(6): 4932−4939 doi: 10.1109/JSEN.2021.3066840 [80] Wagstaff B, Kelly J. LSTM-based zero-velocity detection for robust inertial navigation. In: Proceedings of the International Conference on Indoor Positioning and Indoor Navigation (IPIN). Nantes, France: IEEE, 2018. 1−8 [81] Yu X G, Liu B, Lan X Y, Xiao Z L, Lin S S, Yan B, et al. AZUPT: Adaptive zero velocity update based on neural networks for pedestrian tracking. In: Proceedings of the IEEE Global Communications Conference (GLOBECOM). Waikoloa, USA: IEEE, 2019. 1−6 [82] Yan H, Shan Q, Furukawa Y. RIDI: Robust IMU double integration. In: Proceedings of the 15th European Conference on Computer Vision (ECCV). Munich, Germany: Springer, 2018. 621−636 [83] Schubert D, Goll T, Demmel N, Usenko V, Stückler J, Cremers D. The TUM VI benchmark for evaluating visual-inertial odometry. In: Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Madrid, Spain: IEEE, 2018. 1680−1687 [84] Chen C H, Zhao P J, Lu C X, Wang W, Markham A, Trigoni N. OxIOD: The dataset for deep inertial odometry. arXiv preprint arXiv: 1809.07491, 2018. [85] Liu F, Ge H Y, Tao D, Gao R P, Zhang Z. Smartphone-based pedestrian inertial tracking: Dataset, model, and deployment. IEEE Transactions on Instrumentation and Measurement, 2024, 73: Article No. 2504713 [86] Shorten C, Khoshgoftaar T M. A survey on image data augmentation for deep learning. Journal of Big Data, 2019, 6(1): Article No. 60 doi: 10.1186/s40537-019-0197-0 [87] Shorten C, Khoshgoftaar T M, Furht B. Text data augmentation for deep learning. Journal of Big Data, 2021, 8(1): Article No. 101 doi: 10.1186/s40537-021-00492-0 [88] Wu Y, Chen Y P, Wang L J, Ye Y C, Liu Z C, Guo Y D, et al. Large scale incremental learning. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, USA: IEEE, 2019. 374−382 [89] Zou H, Lu X X, Jiang H, Xie L H. A fast and precise indoor localization algorithm based on an online sequential extreme learning machine. Sensors, 2015, 15(1): 1804−1824 doi: 10.3390/s150101804 [90] Iman M, Arabnia H R, Rasheed K. A review of deep transfer learning and recent advancements. Technologies, 2023, 11(2): Article No. 40 doi: 10.3390/technologies11020040 [91] 陈康鑫, 赵杰煜, 陈豪. 一种基于自监督学习的矢量球面卷积网络. 自动化学报, 2023, 49(6): 1354−1368Chen Kang-Xin, Zhao Jie-Yu, Chen Hao. A vector spherical convolutional network based on self-supervised learning. Acta Automatica Sinica, 2023, 49(6): 1354−1368 [92] Gou J P, Yu B S, Maybank S J, Tao D C. Knowledge distillation: A survey. International Journal of Computer Vision, 2021, 129(6): 1789−1819 doi: 10.1007/s11263-021-01453-z [93] Blalock D W, Gonzalez J J, Frankle J, Guttag J. What is the state of neural network pruning? In: Proceedings of the 3rd Machine Learning and Systems. Austin, USA: mlsys.org, 2020. 129−146 [94] Zhao W Y, Zhou D, Cao B Q, Zhang K, Chen J J. Adversarial modality alignment network for cross-modal molecule retrieval. IEEE Transactions on Artificial Intelligence, 2024, 5(1): 278−289 doi: 10.1109/TAI.2023.3254518 [95] Freydin M, Segol N, Sfaradi N, Eweida A, Or B. Deep learning for inertial sensor alignment. IEEE Sensors Journal, 2024, 24(10): 17282−17290 doi: 10.1109/JSEN.2024.3384302 [96] Aslan M F, Durdu A, Sabanci K. Visual-Inertial Image-Odometry Network (VIIONet): A Gaussian process regression-based deep architecture proposal for UAV pose estimation. Measurement, 2022, 194: Article No. 111030 doi: 10.1016/j.measurement.2022.111030 [97] Nilsson J O, Händel P. Time synchronization and temporal ordering of asynchronous sensor measurements of a multi-sensor navigation system. In: Proceedings of the IEEE/ION Position, Location and Navigation Symposium. Indian Wells, USA: IEEE, 2010. 897−902 [98] Chen C H, Rosa S, Miao Y S, Lu C X, Wu W, Markham A, et al. Selective sensor fusion for neural visual-inertial odometry. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, USA: IEEE, 2019. 10542−10551 [99] 李帅鑫, 李广云, 王力, 杨啸天. LiDAR/IMU紧耦合的实时定位方法. 自动化学报, 2021, 47(6): 1377−1389Li Shuai-Xin, Li Guang-Yun, Wang Li, Yang Xiao-Tian. LiDAR/IMU tightly coupled real-time localization method. Acta Automatica Sinica, 2021, 47(6): 1377−1389 [100] Almalioglu Y, Turan M, Saputra M, Gusmão P, Markham A, Trigoni N. SelfVIO: Self-supervised deep monocular visual-inertial odometry and depth estimation. Neural Networks, 2022, 150: 119−136 doi: 10.1016/j.neunet.2022.03.005 [101] Zhou P, Wang H, Gravina R, Sun F M. WIO-EKF: Extended Kalman filtering-based Wi-Fi and inertial odometry fusion method for indoor localization. IEEE Internet of Things Journal, 2024, 11(13): 23592−23603 doi: 10.1109/JIOT.2024.3386889 [102] Li J Y, Pan X K, Huang G, Zhang Z Y, Wang N, Bao H J, et al. RD-VIO: Robust visual-inertial odometry for mobile augmented reality in dynamic environments. IEEE Transactions on Visualization and Computer Graphics, 2024, 30(10): 6941−6955 doi: 10.1109/TVCG.2024.3353263 -
下载:
计量
- 文章访问数: 624
- HTML全文浏览量: 250
- PDF下载量: 117
- 被引次数: 0
