CN102798877B - 确定移动设备在人身上的位置的分层状况检测方法 - Google Patents

确定移动设备在人身上的位置的分层状况检测方法 Download PDF

Info

Publication number
CN102798877B
CN102798877B CN201210167341.9A CN201210167341A CN102798877B CN 102798877 B CN102798877 B CN 102798877B CN 201210167341 A CN201210167341 A CN 201210167341A CN 102798877 B CN102798877 B CN 102798877B
Authority
CN
China
Prior art keywords
data
equipment
motor pattern
user
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201210167341.9A
Other languages
English (en)
Other versions
CN102798877A (zh
Inventor
M·乔德哈利
M·沙尔马
A·库马尔
A·古普塔
P·阿格拉瓦尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSR Technology Holdings Inc
Original Assignee
Sirf Technology Holding Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sirf Technology Holding Inc filed Critical Sirf Technology Holding Inc
Publication of CN102798877A publication Critical patent/CN102798877A/zh
Application granted granted Critical
Publication of CN102798877B publication Critical patent/CN102798877B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1112—Global tracking of patients, e.g. by using GPS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7242—Details of waveform analysis using integration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Abstract

本发明涉及确定移动设备在人身上的位置的分层状况检测方法。本发明涉及利用对与导航设备连接的传感器的数据的分析检测导航设备的位置。使用一种分层算法作出一系列有关导航设备的位置的判断，每个判断相应于多个与设备的可能运动模式和/或确切位置（包括设备相对人身体的位置）有关的类中的一个类。通过准确地识别设备位置，这种分层算法便于提供适当的状况信息，从而增进对形势的了解。

Description

确定移动设备在人身上的位置的分层状况检测方法
技术领域
本发明涉及位置检测系统，具体些说，涉及在移动设备内分层检测和使用运动信息的方法和装置。
背景技术
随着无线电和空间技术的发展，业已建立了一些基于卫星的导航系统（即，卫星定位系统或"SPS"），在不久的将来将有更多的要投入使用。SPS接收机，诸如使用全球定位系统（"GPS"，亦称为NAVSTAR）的接收机，业已非常普遍。SPS系统的其他例子包括（但不局限于）：美国的海军导航卫星系统（"NNSS"）（亦称为TRANSIT）、LORAN、Shoran、Decca、TACAN、NAVSTAR；俄国的与NAVSTAR对应的被称为全球导航卫星系统（GLONASS）的同类产品；以及诸如所提出的"Galileo"规划的任何将来的西欧SPS。作为一个例子，美国NAVSTAR GPS系统可参见在这里列为参考全面引用的"GPS原理和实践"（"GPS Theory and Practice"，Fifthed.，revised edition by Hofmann-Wellenhof，Lichtenegger and Collins，Springer-Verlag Wien New York，2001）。
美国GPS系统是由美国国防部构建和运行的。该系统使用24个或更多个卫星，在高度大约为11,000英里的轨道上绕地球环行，周期大约为12小时。这些卫星处于6个不同的轨道上，使得在任何时候在地球表面上除近极区域之外的任何位置有最少6个卫星是可见的。每个卫星发送以一个原子钟为基准的时间和位置信号。典型的GPS接收机自动跟踪这个信号，提取其中所含的数据。使用从足够多的卫星得到的信号，GPS接收机就可以计算出它的位置、速度、高度和时间（即导航解）。
GPS和其他基于卫星的导航系统有着一些缺点，诸如取决于是否可得到足够多的卫星信号和/或取决于可得到的信号的强度。在深谷形地理环境中，例如在有大量阻挡直接卫星信号的高层建筑物的区域、稠密的森林区域等区域内，卫星信号有时是不可得到的。除此之外，在建筑物内部或者在地下一些位置，诸如美国大都市区域的地铁车站、住宅/商业建筑的地下室之类，卫星信号可以被完全阻塞或大大衰减。而且，微弱的卫星信号可以受到其他较强的信号的自然或有意污染。
为了减小这些误差，可以将装有一些传感器的惯性测量单元（IMU）与导航设备集成在一起，以提供用来改善设备在信号恶化的环境中的位置可预测性和可靠性的数据。例如，在不可得到卫星信号的室内环境中或者在常有多路径误差的稠密城市环境中，传感器数据可以有助于导航解的计算。典型的IMU包括测量方向改变的陀螺仪、估计加速度的加速度计、可以检测设备取向改变的磁传感器和许多其他类似的仪器。具体些说，在导航设备的位置被最初确定后，IMU就可以将导航设备的位置确定为导航设备的运动，即使是在卫星信号被阻塞的情况下。
可以使用根据运动数据（例如，IMU所提供的数据）传送先前已知位置来定位的是惯性导航，诸如推算定位（dead-reckoning，DR）方法。DR方法通常不考虑有关导航设备怎样运动的状况信息（contextual information）。作为美国公开No.2011/0029277发布的共同未决、共同拥有的美国申请No.12/510,965"个人导航系统运动模式检测的方法和应用"（"Methods and Applications for Motion Mode Detection for Personal NavigationSystems"）由于揭示了在个人导航设备中检测和使用运动模式的方法和装置提高了该领域的技术水平。
然而，在用导航设备的运动数据通过更精确地确定导航设备的位置和根据设备的所检测到的位置将状况/形势信息与用户关联来增进用户阅历上，尚有改善余地。例如，当前的一些方法并没有优化到准确预测导航设备在人身上的位置。而且，位置检测算法也没有优化到利用在所收集的从传感器获得的定位数据中的固有层次结构。
发明内容
本发明涉及通过分析传感器数据，例如一个或多个与导航设备连接的运动传感器的数据，检测导航设备的位置。分层算法（hierarchical algorithm）使用传感器数据作出一系列有关导航设备的位置的判断，每个判断相应于多个与设备的可能运动模式和/或精确位置（包括设备相对人身体的位置）有关的类中的一个类。通过精确地识别设备位置，这种分层算法有利于提供适当的状况信息，从而增进用户对形势的了解。
在本公开中，所谓"个人导航设备"（PND）用作便携式导航设备的一个非限制的例示性例子。导航设备可以是独立的导航设备，也可以是与其他便携式设备，诸如移动电话机、膝上型/笔记本/平板计算机、个人数字助理（PDA）、便携式娱乐操作台（诸如移动TV、iphone、ipad等）、便携式电子读出器、手表、便携式数字游戏机、便携式图像拍摄/编辑设备（例如，摄像机）、美容饰品（例如，项饰）之类，连接的导航模块。概括地说，PND通过自主或半自主地确定精确的定位信息和与所检测的位置和运动关联的其他状况信息增进用户阅历。
即使在GPS信号不存在或者变弱或损害的环境内（诸如在深邃的室内环境、市区的峡谷、地铁车站等处），也可以根据智能算法提供具有预定可接受精度的定位信息。此外，这种算法基本上不须依赖在GPS信号不存在或非最佳的情况下通常由现有的基础设施诸如GPS辅助基础设施提供的传统的定位辅助服务。
按照本发明的一个方面，揭示了一种确定与设备有关的位置信息的方法，这种方法包括：执行第一层次的分类，通过提取从一个或多个与设备连接的传感器收集的数据，检测设备的运动模式；以及，执行第二层次的分类，通过进一步提取从所述一个或多个传感器收集的数据，检测设备在用户身上的位置。
按照本发明的另一个方面，揭示了一种设备的定位装置，这种装置包括：输入电路，所述输入电路被连接成接收来自设备的惯性运动单元（IMU）的数据；处理器，所述处理器根据用所接收的数据进行的第一层次的分类确定移动设备的当前运动模式是多个运动模式中的一个特定运动模式，以及进一步根据用所接收的数据进行的第二层次的分类确定设备当前相对用户身体的位置。
所属领域的技术人员从以下附图和详细说明可以清楚地看到本发明的这些和其他一些方面的情况，包括与以上方法相应的系统和计算机程序产品。
附图说明
本领域内的普通技术人员从以下结合附图对本发明的一些具体实施例所作的说明中可以清楚地看到本发明的一些方面和特征，在这些附图中：
图1为实现本发明的原理的实例的示意图；
图2为例示按照本发明的一个实施例的对于步行模式的加速度模的过零情况的测量数据；
图3为按照本发明的一个实施例的加速度计模、滤波后纵倾角和纵倾角数据幅度的图形表示；
图4为按照本发明的一个实施例的分层状况检测原理的方框图；
图5为示出按照本发明的一个实施例的确定导航模块位置的示范性方法的流程图；以及
图6A-C示出了按照本发明的一个实施例的模块位置确定算法的结果。
具体实施方式
下面将参照作为本发明的例示性实例所给出的附图对本发明进行详细说明，以使该领域内的技术人员能实际应用本发明。值得注意的是，以下这些附图和例子并不意味着就将本发明的范围限制为单个实施例，而通过互换所说明或例示的一些或所有的组成部分实现的其他实施方式也是可行的。此外，在本发明的某些组成部分可以部分或全部用已知的组件实现的情况下，将只对这样的已知组件中的为理解本发明所必需的那些部分进行说明，而略去了对这样的已知组件的其他部分的详细说明，以免使本发明反而模糊不清。描述为以软件实现的实施例不应被限制为就以软件来实现，而是可以包括以硬件或软件和硬件的组合来实现的实施例，反之亦然，如该领域内的技术人员所知，除非在这里另有说明。在本说明书中，示出单个组件的实施例不应被认为是限制，确切些说，本发明应涵盖其他包括多个同样组件的其他实施方式，反之亦然，除非在这里另有明确说明。此外，申请人并不打算使本说明书或权利要求书中任何术语具有罕有或特殊的意义，除非明确提出具有这样的意义。此外，本发明涵盖现在和将来所知的与在这里所例示的已知组件等效的等效组件。
图1例示了实现基于卫星的通信系统的一个例子。如图1所示，GPS卫星（即SV）114、116、118和120分别广播信号106、108、110和112，这些信号由位于比较接近地球表面104的用户位置处的GPS设备102接收。
GPS设备102可以是手持/便携式个人导航设备（PND，例如可以从Garmin、TomTom等得到的PND）或带有内置GPS功能的蜂窝电话机、iPhone、PDA、手持或膝上型计算机或其他类型的设备，或者嵌入跟踪应用（例如，Trimble的自动跟踪、FedEx的机组或机群管理跟踪、儿童定位器跟踪应用等）的任何GPS设备。这样的GPS功能可以用诸如SiRFStarV之类的芯片组和CSR/SiRF Technology公司的其他芯片组实现，这些芯片组包括核心处理器和所嵌入的存储器以及处理所接收的GPS/SPS信号和/或根据所接收和处理的信号确定导航解的软件。
如从以下说明可以更为清楚地看到的那样，按照本发明的一些方面，GPS设备102包括一些传感器，诸如加速度计、压力传感器、陀螺仪之类（总称为惯性测量单元或IMU）。GPS设备102还可以包括DR功能，如修改成带有本发明的功能的那样。可以适合在本发明中使用的典型传感器和功能在由本受让人共同拥有的共同未决申请No.11/823,964（现在作为美国公开No.2009/0254279发布）和12/471,147中有更为详细的说明，这些申请的内容全部通过引用包括在这里。该领域内的技术人员将能理解怎样修改在那些申请中所示出的装置和功能以供本发明的技术使用，为使本发明清晰起见，在这里将略去对它们更为详细的说明。
信号106、108、110和112是众所周知的GPS信号，其中三个二进制码对卫星所发送的L1和/或L2频率载波相位进行相移。如已知的那样，设备102为了可以提供3维的导航解通常需要来自至少4个SV的信号（对于2维的导航解例如通过使用已知的高度而只需要3个卫星）。
如前面所说明的，本发明用分层算法概括地检测导航设备的运动模式（例如，携带设备的个人正在步行、乘坐交通工具、正在慢走，还是静止不动等）和附加的有关导航设备的物理位置的较精细层次的信息（例如导航设备是在人身上、在一件衣服内/拴在衣服上，还是在诸如行李袋之类的载体内/拴在载体上，等等）。与PND关联的定位数据的性质本来就是分层的，因此所收集的传感器数据，例如从一个或多个与PND连接在一起的IMU收集的数据也是分层的。利用在所收集的传感器数据内存在的层次，就可以有效地搜集定位信息。也就是说，在这里所说明的有些实施例中的分层算法建立起可以馈入（自动或半自动地）和分析所收集的传感器数据的预定状况分类构架，使得算法的输出以一定可信度指示导航设备的位置。优选的是，这种算法是灵活得足以选择包括时域和/或频域分类符这些分类符。同时，由于分层性质，这种算法比可供选择的不利用所收集的传感器数据自然被分成一些簇（即自然分层）的优点的非分层的一般鉴定/检测算法快。本发明的特征之一是能够识别所收集的传感器数据的自然分段情况，并为每个数据段关联一个适当的分类符，如将用一些例示性的例子进一步详细说明的那样。
如前面所述，本发明的一个方面是要精确地确定设备位置。也可以将设备定位与运动模式的检测和/或有关设备相对个人身体的更精细层次的位置信息关联。运动模式指示PND是否运动和/或怎样运动。由于PND通常由人类用户携带，因此运动模式的例子包括：静止不动，步行，快走，慢走，上/下楼梯，在自动扶梯上上/下，在电梯厢内上/下，骑车，驾车，乘坐诸如小轿车、公共汽车、船、飞机之类的交通工具，等等。
所确定的运动模式/设备位置可以用于各种应用，包括改善用户对处境的了解，即使是在GPS导航信号不存在或极小的环境内。可以用运动模式/设备位置来选择供DR用的适当定位算法，从而提高DR算法所计算的位置的精度。例如，在携有PND的用户驾车进入室内停车场和开始步行进入室内环境时，卫星信号将会成为得不到的，因此就必须依靠DR算法继续产生位置估计。由于可得到运动模式，就可以选择适当的DR算法（例如，被称为行人推算定位或PDR的考虑步行行人的算法）来产生较好的位置估计。运动模式类别在用下面所讨论的方法检测到用户将车停下开始步行时可以从"驾车"改变为"步行"。此外，可以不断地将步行期间的一些旅途点存储起来，以便在用户希望回到停车的位置时可以用这些旅途点来引导用户退回。
在另一个实施例中，可以用运动模式检测来改善PDR算法。步行算法可以具有4个典型的组件：（1）步伐检测，（2）步长估计，（3）朝向确定，以及（4）传感器标定。传感器在检测到PND静止时进行标定。例如，加速度计、陀螺仪、磁传感器和压力传感器在偏置和灵敏度上都会随时间、温度或其他环境因素而呈现漂移。可以在检测到静止状况时将这些传感器的偏置置零。也就是说，本发明的应用之一包括掌握和尽可能补偿所建立的漂移误差。
在另一个实施例中，用静止状态的检测来限制定位不确定性的增大。室内位置计算例行程序有赖于步行DR、WiFi三角测量和接收机信号强度指示符（RSSI）的方法，这些方法都具有随从最近的良好定位以来所经过的时间期间而改变的不确定性。检测到静止状态，从最近的良好定位以来所经过的时间期间就不需要增加，导致使可得到具有所希望的精度级别的定位解的时间延长到一段较长的时间期间。结果，限制了在位置计算中的不确定性增大。
在另一个实施例中，用静止状态的检测来确定什么时候断开PND的电源，从而显著地节约了功率。
又一个例子可以是与接通/断开"航空模式"关联的。一旦"航空模式"接通，PND就不再试图确定实时位置。作为替代，如果飞机目的地的有关信息由用户提供或者在出发点由设备自动检测，一旦航空模式断开，在目的地PND就可以立即显示定位信息。
从厂家和用户/购买方来看，以上这些典型应用都具有显著的商业优点。例如，在用户处在地铁车站内时，他仍可以得到有关列车服务和/或其他商业服务（例如饭店的位置、自动柜员机的位置等）的形势信息。在另一个例子中，如果用户在GPS信号小/被阻塞的百货公司内漫步，分层算法可以仍能将用户引领至他正在寻找的特定货物。从商店业主来看，检测用户的位置可以有助于：1）根据用户接近某个产品情况向用户的PND发送一般产品信息（和/或优待券）；2）根据如从用户个人简档和/或在相同/不同商店的历史采购记录所确定的用户购买某个产品的可能性向用户的PND发送个性化的产品信息（或者优待券）；以及3）将用户引导到他正在寻找的产品，等等。
在以上所例举的这些情况中有许多通常是使用有助于定位服务的现有基础设施，诸如辅助GPS基础设施。然而，在这里所公开的分层算法就具有智能性地选择可以不依赖于现有定位辅助基础设施得出定位信息的分类系统的潜力。也就是说，这种分层方法基本不用知晓和操作不依赖它邻近的基础设施。
在这里所讨论的所有位置检测方法中，第一运动数据从PND设备的IMU收集。这个运动数据可以是例如来自加速度计的加速度数据。此外或者也可以是，运动数据可以是来自陀螺仪的角速度、来自压力传感器的高度变化数据或者来自磁传感器与加速度计组合的朝向、纵倾和横滚角。
该技术领域内的专业人员将认识到，IMU可以装有各种传感器，包括具有小型化活动部件的基于微机电系统（MEM）的传感器。典型的MEM传感器的类型可以包括磁场传感器、压力传感器、加速度计、陀螺仪等。传感器不局限于只是基于活动部件的MEM技术。例如，可以设计出基于霍尔效应的特征并没有任何微型活动部件的磁场传感器。
通常可以将多个传感器连接到PND上。在这种情况下，适合分层算法构架的多传感器数据融合/数据分离变得相关。也就是说，传感器特性和/或定量标定是与在这里所讨论的分层决策和状况检测概念密切有关的。
如在前面所提及的，本发明利用基于分层算法的分类，这分类可以在频域和/或时域内进行，或者利用频域和时域分析的组合进行。共同未决共同拥有的美国申请No.12/510,965（现在发布为美国公开No.2011/0029277）"个人导航系统的运动模式检测的方法和应用"（"Methods and Applications for Motion Mode Detection for PersonalNavigation Systems"）揭示了一些频域运动模式检测方法。本发明的一些实施例包括这些方法，并且还将这些方法扩展到时域分析。
在运动模式检测的频域方法中，首先从PND设备的IMU收集运动数据。然后，为所收集的运动数据产生线性预测系数（LPC）。频域分类可以基于诸如步长或步速之类的运动改变。在此背后的一个动机是可以将加速度计/陀螺仪（或者其他传感器）数据的一些短序列假设为平稳的，因此能将这数据模型化为由零均值白噪声策动的有限冲激响应（FIR）滤波器的输出。这样一个滤波器的传递函数实质上是一个自回归（AR）模型。
一个周期信号，诸如由IMU单元收集的表示诸如步行、快走、慢走之类的接近周期信号的运动数据，可以用信号过去的p个采样值的线性组合来近似。
其中系数a1，a2，...，ap为线性预测系数（LPC）。具有预测系数bk的线性预测器为其输出X(n)为数据x(n)的估计的预测系统。X(n)根据x的一些先前值（例如，x(n–1)，x(n-2)，等等）估计。线性预测器可以是一个自回归（AR）模型。
预测误差e(n)为在时间n处的近似误差，是x(n)与X(n)之差：
e(n)=x(n)-X(n)
通过将预测误差的平方和最小化，就可以得到唯一的一组线性线性预测系数（LPC）。例如，使用这种技术，可以得到产生/重建诸如人类步行、跑步之类的运动所需要的运动参数的校正值。此外，一旦确定了AR模型的阶，AR系数a1，a2，...，ap就可以用被称为Yule-Walker方程的自相关方法来估计：
其中
在频域内，AR模型的传递函数为：
根据这个传递函数，可以如下将LPC变换为谱线频率（LSF）。首先，可以将H(z)表示为偶对称和奇对称的滤波器P(z)和Q(z)之和，因此：
其中
P(z)=1-(a1+aN)z-1-...-(a1+aN)z-N+z-(N+1)
Q(z)=1-(a1-aN)z-1-...-(a1-aN)z-N+z-(N+1)
P(z)和Q(z)具有分别处于z=1和z=-1的根，因此可以将P(z)和Q(z)改写为：
其中
p0=1,q0=1
pk=-(ak+aN+k-1)-pk-1对于k=1,2,...,N
qk=(-ak+aN+k-1)+qk-1对于k=1,2,...,N
以上两个方程的根为谱线频率（LSF）。
一旦得到LSF，就将LSF与先前训练各种运动模式的运动数据所得到的LSF相比较，再根据所收集的运动数据和每个各种运动模式的训练LSF计算LSF的谱失真（Dsp）。谱失真（Dsp）值根据下式计算：
其中，S(w)为所收集的运动数据的谱表示，而St(w)为特定运动模式的训练运动数据的谱表示。
一旦得到每个运动模式的谱失真值，就可以从这些运动模式中选择一个与所收集的运动数据所指示的运动最佳匹配的运动模式。
对于时域分类来说，与频域类似，首先从传感器收集运动数据。然后，在分层算法中可以使用各种基于时间的分类。例如，可以使用加速度和/或角速度数据的标准离差。来自3轴加速度计的加速度信号的欧几里得模由下式表示：
其中，Accx、Accy和Accz为用3轴加速度计沿3个正交轴测得的加速度。在绝对差方法中使用加速度信号的欧几里得模的优点是即使设备处于任意取向时也可以进行用户模式检测测试。这对于诸如用户可以以任意取向携带的手持移动电话之类的设备来说是特别有益的。
还可以使用加速度信号的方差来提高上面所说明的绝对差方法的性能。将绝对差与一组预定门限值相比较的测试可以与将在检测窗内加速度信号的方差与这方差的预定门限值相比较组合在一起。信号的方差与信号的噪声功率相应。
该技术领域内的专业人员显然可以看到，加速度信号的欧几里得模和加速度信号的方差还可以用来处理在前面所说明的频域方法中的数据。
对于一个具有300个样值的非限制例示性例子，平均和标准离差计算为：
加速度数据的标准离差可以用来对模块在用户身上的位置进行分类，因为这参数表示了在每个相应位置（诸如接近人的头部（例如，在他在用嵌有导航模块的电话机通话时）、接近人的腰部（例如，处在附着在人的腰带上的手机套内）、处在裤子口袋内、处在衬衣口袋内、处在背包或侧袋或公文包内之类）的所计算的值中的不同界限。
另一个示范性时域分类符可以是加速度的模的平均值。这个参数类似于上面所说明的标准离差参数：
原始加速度数据（在除去表示重力加速度的"g″后）的模的过零数也可以用作检测模块的位置的分类符。
此外，在这个例子中，这个参数是通过一个有300个样点的滑窗计算的，然而本发明的范围并不局限于所使用的这个样点数。如图2所示，过零参数表明了一些可标识身上不同位置的明确模式。在图2中，x轴表示样点子窗，而y轴表示在每个子窗内出现过零的百分比。
如图2所示，在设备放在腰部的手机套内或稳定地保持在耳朵附近时，横向（或侧向）加速度最小。因此，这两个位置与身上其他位置相比，过零数较小。如从图2还可以看到的那样，在设备处在裤子口袋内时，它经受到由于腿的摆动而引起的前向加速度改变、由于设备在裤子口袋内的侧向运动而引起的横向加速度和与普通步行关联的周期性垂直加速度的组合作用。因此，这个位置的过零数就要比其他位置的大。
另一个可能的时域分类符可以是原始加速度数据（在除去重力加速度参数"g"后）中的模的正负峰值数。
又一个时域分类符可以是纵倾角变化的幅度。这个分类符基于身体/衣服的一些部分，如手和裤子口袋，在步行、快走或慢走时显现出重复的摆动，而这摆动的幅度对于手来说比裤子口袋还要大一些。手和裤子口袋的摆动大于人身上任何其他位置诸如头部、胸部（衬衣口袋很可能就在那里）等的摆动。因此，纵倾角变化幅度的分类符通过将纵倾角值滤波后再取正、负峰值之差计算得出。在一些实施例中，这个差是摆动的角度，再进一步经一个有300个（或者其他数目的）样点的滑窗平均得出，以建立用以对模块位置分类的各个门限。图3例示了以相同的时标，与加速度计模数据306和滤波后纵倾角数据304一起标绘的纵倾角变化幅度曲线302（粗线）。图3的Y轴为所检测的位置的以度计的相对角度。
该技术领域内的专业人员从当前的讨论可以看到，还可以将一些时域分类符的组合用于分层状况检测算法。
图4和5示出了一个示范性的确定模块在人身上的位置的分层状况检测算法。在图4和5中，首先对用户的运动模式进行分类（状况检测），然后，对于每个模式，进一步对模块的位置或者在人身上的位置进行分类。应注意的是，选择分类层次的次序确定了算法的性质。同样，虽然在图4和5中只讨论了两个层次的分类（运动模式检测和人身上的位置检测），但分类也可以具有多于两个的层次。例如，一个附加层次的分类可以是确定PND是在野外、在室内还是在地下等。
这种算法可以利用LPC-LSF（如在频域分类的语境中所说明的）方法，再利用一个或多个以上所讨论的时域分类符。图4示出了这种算法的示范性实施例的方框图。算法可以在两个主模块中执行：控制模块402和与控制模块402连接的定位模块404。控制模块402接收用于运动模式分类的跟踪LPC数据，而且可以再辅以时域分类符，诸如加速度模数据。控制模块的输出是状况信息，诸如携带PND的用户静止不动、在步行、快走还是慢走。一旦检测到非静止模式，定位模块404就分析来自诸如罗盘（方位数据的磁传感器）、加速度计、陀螺仪和横滚、纵倾和朝向指示传感器之类的各个传感器的数据。定位模块404的输出是PND的确切位置，即它是靠近头部、在衬衣口袋内、接近腰部（可能在手机套内）、在裤子口袋内、在摆动的手中（即用户在运动）、在背包内，还是其他位置。
图5示出了一个检测PND在用户身上的位置的示范性实施例的算法流程图。用户模式（步行、快走、慢走或静止不动）是这种分层设备状况确定逻辑中的第一个判断（方框502）。如果用户模式是步行或快走（FW），就将设备的取向用于接下来的分类（方框504）。在设备取向成使得与设备的平面垂直的方向平行于步行运动方向时，就将这个取向分类为取向0。这个取向最常见的就是在所携带的设备在衬衣口袋内、处于腰部、或裤子口袋内、或在手中、或在提包内时（方框506）。取向1是设备的平面垂直于步行运动方向的情况（最常见的是在设备处在头部附近时，而其他可能性包括设备在手中、或在裤子口袋内、或在手中、或在提包内，如方框510所示）。用诸如纵倾角变化的幅度、加速度模的过零数、加速度数据中的峰值数和偏航角变化的幅度之类的各个时域分类符确定模块在身上的位置。然而，这些分类符都是非限制性的例子，因此可以用其他类型的分类符代替，因为这种算法的基本性质不取决于分类符。类似，不只是两个取向可以适用在这种算法。
在图5所示的这个例子中，如果在方框502检测到是静止运动模式，就将PND位置确定为"NIL"（方框524）。如果在方框502确定是慢跑模式，就可以进一步执行过零、峰值判断步骤（方框508），确定PND的位置是处在裤子内（方框536），靠近头部（即，安装在头部的组件设备，方框538），还是"NIL"（方框540）。
从方框506，可以进至方框514进一步执行纵倾角幅度分析，以确定PND是在裤子口袋内（方框518），在手中（方框520），还是位置仍不确定。在位置不确定的情况下，就在方框522执行随后的步骤，分析朝向幅度、过零和/或纵倾角。从方框522，可以确定PND是处在腰部、衬衣口袋内（方框532），还是处在衬衣口袋内/提包内（方框534）。
从方框510，可以进至方框512，进一步执行纵倾角幅度分析，以确定PND是在裤子口袋内（方框524），在手中（方框526），还是位置仍不确定。在位置不确定的情况下，在方框516执行随后的步骤，分析朝向角幅度。从方框516，可以确定PND是处在裤子内（方框528）还是处在头部附近/在提包内（方框530）。
注意，图4和5没有涵盖尽有的可能情况，在这里只是作为说明的例子给出的。可以通过按状况深入钻研传感器数据，将位置检测精调到高精度层次的分层算法的中心思想并不受这些具体例子和操作顺序的限制。
为了证明本发明的分层算法的一个示范性实施例的效果，收集了多个具有不同身高和体重的用户的测试数据。图6A-C示出了在这种分层算法中所使用的模块位置确定逻辑的结果。在这些附图中，加速度（沿加速度计的某个轴，例如z轴）的欧几里得模标绘在同一个时间轴上，以与测试的用户模式相比较。例如，在图6A中，加速度计模数据示为成分604，而模块位置确定逻辑的输出示为实曲线602。这个逻辑具有与人身上不同的物理位置关联的任意标高，例如，标高1表示PND处在裤子口袋内，标高2表示PND处在腰部（手机套内），标高3表示PND处在衬衣口袋内，而标高4表示PND处在人头部附近，即这个人大概在用含有导航模块的设备进行交谈。标高0通常表示没有检测到信号。注意，如果将人身上附加的一些可能位置标识为承载PND的位置，就可以创建任何任意多个标高。以50Hz的非限制性任意采样率对数据点进行采样，这种算法可以以一定精度预测PND的实际位置处在人头部附近。
可以按类似方式，在图6B和6C中，逻辑结果分别为实曲线606和610。相应的加速度计模数据分别为曲线608和612。在图6B中，PND的位置被确定为处在裤子口袋内，而在图6C中，PND的位置被确定为处在腰部的手机套内。
表1-3示出了以"模糊矩阵（confusion matrix）"格式所列出的分层算法的一个示范性实施例的结果，定量地表示检测PND的位置的可信度。通常将可信度接近或超过80%的认为是好的。在表1-2中，取向1和取向0是预先规定的。其他取向也是可能的。在一个位置没有被确定为具有可接受的可信度时，可能需要对分层算法进一步精化。
表1：取向1的在头部附近与裤子口袋位置之间模糊矩阵
取向=1 头部附近 裤子口袋
头部附近 99.95 0.05
裤子口袋 0.03 99.97
表2：取向0的在衬衣口袋、腰部与裤子口袋位置之间模糊矩阵
取向=0 衬衣口袋 腰部 裤子口袋
衬衣口袋 31.11 59.78 9.11
腰部 5.21 79.58 15.41
裤子口袋 8.23 0 91.77
表3；所有情况的条件模糊矩阵
所有情况 头部附近 衬衣口袋 腰部 裤子口袋
头部附近 99.95 0 0 0.05
衬衣口袋 0 31.11 59.78 9.11
腰部 0 5.21 79.58 15.41
裤子口袋 0.015 4.12 0 95.87
根据本发明的一个方面，虽然在以上讨论中时域和频域分类是分别进行说明的，但可以以互补方式将频域方法和时域方法用于检测运动模式。例如，可以用时域方法来产生第一估计，因为时域方法产生一个估计只需要较少数据（例如，二分之一秒的运动数据）。频域方法一般需要较大的数据量（例如2到3秒的运动数据），但在较长的时间跨度上得到的通常是较为精确的。在一个实施例中，用通过频域方法产生的结果来监视通过时域方法产生的结果。也就是说，可以用频域方法来检验用时域方法得到的运动模式类别。
如前面所说明的，在这里所揭示的这些途径可以用于任何类型的PND，包括也用于在交通工具的那些，以及具有GPS功能的蜂窝电话机、iPhone、PDA、手表等，具有内置GPS功能的手持或膝上型计算机和其他类型的设备。因此，对于不同的实现，功能配置和装备可以有所不同，这取决于许多因素，诸如价格限制、性能要求、技术进步或其他情况。
虽然本发明是参照它的一些优选实施例进行具体说明的，但一般熟悉该技术的人员显然可以看到，在不背离本发明的精神和范围的情况下无论在形式上还是在细节上都可以加以改变和修改。因此，所附权利要求书应包括这样的改变和修改。

Claims (16)

1.一种确定设备的位置信息的方法，所述方法包括：
执行第一层次的分类，以通过提取从与设备连接的一个或多个传感器收集的数据，来检测设备的运动模式；
执行第二层次的分类，以通过进一步提取从所述一个或多个传感器收集的数据，来检测设备在用户身上的位置；及
基于所检测的运动模式、所检测的位置或这两者中的至少一个来执行动作，其中该动作包括以下项中的至少一个：
选择适当的推算定位DR的定位算法，改善DR的定位算法，限制在室内位置计算中的不确定性的增大，或者确定何时要对设备进行断电；
其中，执行第一层次的分类以检测设备的运动模式包括：
从所收集的传感器数据获得频域频谱信息；
将从所述一个或多个传感器收集的数据与两组或更多组训练数据相比较，两组或更多组训练数据中的每组训练数据与多个运动模式中的一个运动模式相应；以及
根据比较结果确定所述多个运动模式中的设备的当前运动模式；并且
其中，执行第二层次的分类以检测设备在用户身上的位置包括：
响应于所检测的运动模式包括非静止运动模式而确定设备的取向；以及
使用从所述一个或多个传感器收集的数据的分类符来执行时域分类，其中所述分类符包括加速度模的过零数、纵倾角变化幅度或朝向角变化幅度中的一个或多个。
2.权利要求1的方法，其中，所述第一层次和第二层次的分类基于对从所述一个或多个传感器收集的数据的时域分析或/和频域分析。
3.权利要求1的方法，其中，用于所述第一层次的分类的时域分类使用从所述一个或多个传感器收集的数据的分类符。
4.权利要求3的方法，其中，所述分类符包括加速度的标准离差、加速度模的均值、加速度模的过零数、加速度模的峰值数、纵倾角变化幅度、朝向角变化幅度和横滚变化幅度中的一个或多个。
5.权利要求1的方法，其中，将所收集的数据与两组或更多组训练数据相比较的步骤包括计算所收集的运动数据的一组线性预测系数LPC。
6.权利要求5的方法，其中，将所收集的传感器数据与两组或更多组训练数据相比较的步骤还包括：
将LPC变换为所收集的传感器数据的线性频谱频率LSF；以及
计算在所收集的传感器数据的LSF与所述两组或更多组训练数据中的每组训练数据的LSF之间的频谱偏差。
7.权利要求6的方法，其中，根据比较结果确定所述多个运动模式中的设备的当前运动模式的步骤包括：
将所述当前运动模式确定为其相应训练数据组具有与所收集的传感器数据的LSF的最小量频谱偏差的LSF的运动模式。
8.权利要求1的方法，其中，所述多个运动模式包括静止、步行、快走、慢走、上/下楼梯、在自动扶梯上上/下、在吊梯上上/下、骑车、驾车和乘坐交通工具中的两个或更多个运动模式。
9.权利要求1的方法，其中，非静止运动模式是步行或快走。
10.权利要求1的方法，其中，执行第二层次的分类以检测设备在用户身上的位置包括：
如果确定是第一取向，就决定确定设备是处在用户的头部附近、用户的手中还是在用户所携带的提包内。
11.权利要求10的方法，其中，执行第二层次的分类以检测设备在用户身上的位置包括：
如果确定是第二取向，就决定确定设备是处在用户裤子内、用户腰部附近、用户手中、用户衬衣内还是在用户所携带的提包内。
12.权利要求1的方法，其中，所述执行第二层次的分类以检测设备在用户身上的位置包括：
响应于所检测的运动模式包括非静止运动模式而决定确定设备处在头部或裤子位置。
13.权利要求10的方法，其中，非静止运动模式是慢走或跑步。
14.权利要求1的方法，其中，所述传感器包括惯性测量单元IMU。
15.一种确定关于个人导航设备的位置信息的装置，所述装置包括：
控制模块，被配置成执行第一层次的分类以通过以下操作来检测个人导航设备的运动模式：
提取从与个人导航设备连接的一个或多个传感器收集的数据；
从所收集的传感器数据获得频域频谱信息；
将从所述一个或多个传感器收集的数据与两组或更多组训练数据相比较，两组或更多组训练数据中的每组训练数据与多个运动模式中的一个运动模式相应；及
根据比较结果确定所述多个运动模式中的个人导航设备的当前运动模式；和
定位模块，被配置成：
通过以下操作来执行第二层次的分类以通过进一步提取从所述一个或多个传感器收集的数据来检测个人导航设备在用户身上的位置：
响应于所检测的运动模式包括非静止运动模式而确定设备的取向；以及
使用从所述一个或多个传感器收集的数据的分类符来执行时域分类，其中所述分类符包括加速度模的过零数、纵倾角变化幅度或朝向角变化幅度中的一个或多个；
其中控制模块和定位模块中的至少一个被配置成基于所检测的运动模式、所检测的位置或这两者中的至少一个来执行动作，其中该动作至少包括：
选择适当的推算定位DR的定位算法，改善DR的定位算法，限制在室内位置计算中的不确定性的增大，或者确定何时要对设备进行断电。
16.一种设备定位装置，包括：
输入电路，所述输入电路连接成接收来自设备的惯性运动单元IMU的数据；和
处理器，所述处理器被配置成：
通过提取所接收的数据来执行第一层次的分类以检测设备的运动模式；
通过进一步提取所接收的数据来执行第二层次的分类以检测设备在用户身上的位置；及
基于所检测的运动模式、所检测的位置或这两者中的至少一个来执行动作，其中该动作包括以下项中的至少一个：
选择适当的推算定位DR的定位算法，改善DR的定位算法，限制在室内位置计算中的不确定性的增大，或者确定何时要对设备进行断电；
其中，处理器被配置成执行第一层次的分类以便通过以下操作来检测设备的运动模式：
从所接收的数据获得频域频谱信息；
将所接收的数据与两组或更多组训练数据相比较，两组或更多组训练数据中的每组训练数据与多个运动模式中的一个运动模式相应；以及
根据比较结果确定所述多个运动模式中的设备的当前运动模式；并且
其中，处理器被配置成通过以下操作来执行第二层次的分类以检测设备在用户身上的位置：
响应于所检测的运动模式包括非静止运动模式而确定设备的取向；以及
使用从所述一个或多个传感器收集的数据的分类符来执行时域分类，其中所述分类符包括加速度模的过零数、纵倾角变化幅度或朝向角变化幅度中的一个或多个。
CN201210167341.9A 2011-05-25 2012-05-25 确定移动设备在人身上的位置的分层状况检测方法 Expired - Fee Related CN102798877B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/115,940 2011-05-25
US13/115,940 US10145707B2 (en) 2011-05-25 2011-05-25 Hierarchical context detection method to determine location of a mobile device on a person's body

Publications (2)

Publication Number Publication Date
CN102798877A CN102798877A (zh) 2012-11-28
CN102798877B true CN102798877B (zh) 2018-03-02

Family

ID=46261916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210167341.9A Expired - Fee Related CN102798877B (zh) 2011-05-25 2012-05-25 确定移动设备在人身上的位置的分层状况检测方法

Country Status (3)

Country Link
US (1) US10145707B2 (zh)
EP (2) EP2527791A1 (zh)
CN (1) CN102798877B (zh)

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8694241B1 (en) 2010-10-05 2014-04-08 Google Inc. Visualization of traffic patterns using GPS data
US8694240B1 (en) 2010-10-05 2014-04-08 Google Inc. Visualization of paths using GPS data
US8825403B1 (en) 2010-10-06 2014-09-02 Google Inc. User queries to model road network usage
US8886457B2 (en) * 2011-03-31 2014-11-11 Google Inc. Mobile state determination of location aware devices
US8477067B2 (en) * 2011-06-24 2013-07-02 Thales Canada Inc. Vehicle localization system
US9600169B2 (en) 2012-02-27 2017-03-21 Yahoo! Inc. Customizable gestures for mobile devices
JP6011127B2 (ja) * 2012-08-06 2016-10-19 富士ゼロックス株式会社 行為検出プログラム及び行為検出装置
US9740773B2 (en) 2012-11-02 2017-08-22 Qualcomm Incorporated Context labels for data clusters
US9100778B2 (en) * 2012-11-13 2015-08-04 Google Inc. Determining a WiFi scan location
US10302434B2 (en) 2012-11-20 2019-05-28 CSR Technology, Inc. Method and apparatus for determining walking direction for a pedestrian dead reckoning process
US9336295B2 (en) 2012-12-03 2016-05-10 Qualcomm Incorporated Fusing contextual inferences semantically
WO2014089119A1 (en) * 2012-12-03 2014-06-12 Navisens, Inc. Systems and methods for estimating the motion of an object
US8825359B1 (en) 2013-02-27 2014-09-02 Google Inc. Systems, methods, and computer-readable media for verifying traffic designations of roads
US9223004B2 (en) * 2013-03-22 2015-12-29 Qualcomm Incorporated Controlling position uncertainty in a mobile device
US9788164B2 (en) * 2013-07-14 2017-10-10 David Martin Method and apparatus for determination of kinematic parameters of mobile device user
US20150039224A1 (en) * 2013-07-30 2015-02-05 Here Global B.V. Method and apparatus for detecting and sharing vehicle location
US9786178B1 (en) 2013-08-02 2017-10-10 Honda Motor Co., Ltd. Vehicle pedestrian safety system and methods of use and manufacture thereof
JP6429368B2 (ja) 2013-08-02 2018-11-28 本田技研工業株式会社 歩車間通信システムおよび方法
US10051110B2 (en) 2013-08-29 2018-08-14 Apple Inc. Management of movement states of an electronic device
CN103826202B (zh) * 2014-02-25 2017-04-05 中国矿业大学 基于手机传感器信息改进WiFi定位结果跳动的方法
CN104063604B (zh) * 2014-07-01 2017-04-05 百度在线网络技术（北京）有限公司 一种运动状态检测方法和装置
US10652696B2 (en) * 2014-07-30 2020-05-12 Trusted Positioning, Inc. Method and apparatus for categorizing device use case for on foot motion using motion sensor data
CN104202726B (zh) * 2014-09-01 2017-08-01 中国人民解放军国防科学技术大学 一种实体定位方法与系统
GB201500411D0 (en) * 2014-09-15 2015-02-25 Isis Innovation Determining the position of a mobile device in a geographical area
CN104197932B (zh) * 2014-09-26 2017-02-15 哈尔滨工业大学 基于人类行为学的位置跟踪方法
US11504029B1 (en) 2014-10-26 2022-11-22 David Martin Mobile control using gait cadence
US20160166180A1 (en) * 2014-12-11 2016-06-16 David Martin Enhanced Real Time Frailty Assessment for Mobile
WO2016077286A1 (en) * 2014-11-10 2016-05-19 Invensense, Inc. System and method for device position classification
US10656285B2 (en) * 2014-12-08 2020-05-19 Trusted Positioning, Inc. Method for positioning a mobile terminal at the moment when a trigger event occurs
CN104545936A (zh) * 2014-12-31 2015-04-29 戴晓伟 腰部姿态检测方法及检测结果的触觉反馈方法
CN105825701A (zh) * 2015-01-06 2016-08-03 中兴通讯股份有限公司 车辆停放地点的提示方法及装置
US10830606B2 (en) * 2015-02-09 2020-11-10 Invensense, Inc. System and method for detecting non-meaningful motion
CN106162906B (zh) * 2015-03-31 2019-01-15 中兴通讯股份有限公司 调度信息发送、接收方法及装置
CN104819716A (zh) * 2015-04-21 2015-08-05 北京工业大学 一种基于mems的ins/gps组合的室内外个人导航算法
US9594377B1 (en) * 2015-05-12 2017-03-14 Google Inc. Auto-height swing adjustment
US10116794B2 (en) * 2015-05-13 2018-10-30 Interactive Intelligence Group, Inc. Determining an active station based on movement data
US20160357240A1 (en) * 2015-06-04 2016-12-08 Under Armour, Inc. System and Method for Controlling Operation of Processor During Shipment
CN104864873B (zh) * 2015-06-09 2017-09-01 中国科学院上海高等研究院 一种利用人体运动特征辅助地图定位的方法
KR102521900B1 (ko) 2015-06-26 2023-04-13 인텔 코포레이션 보행자 추측 항법 기술
CN105142107B (zh) * 2015-08-14 2017-06-23 中国人民解放军国防科学技术大学 一种室内定位方法
CN105447504B (zh) * 2015-11-06 2019-04-02 中国科学院计算技术研究所 一种交通模式行为识别方法及相应的识别模型构建方法
US10566835B2 (en) * 2016-07-22 2020-02-18 International Business Machines Corporation Detecting power outages using smartphone sensors
CN106289248B (zh) * 2016-07-28 2020-04-24 南京航空航天大学 一种基于手机的固定安装及非固定安装模式辨识方法
US10323942B2 (en) 2016-09-23 2019-06-18 Qualcomm Incorporated User-specific learning for improved pedestrian motion modeling in a mobile device
CN106441350A (zh) * 2016-10-09 2017-02-22 深圳市金立通信设备有限公司 一种计步方法及终端
US10339740B2 (en) * 2017-03-01 2019-07-02 GM Global Technology Operations LLC Acceleration and gravity data based system and method for classifying placement of a mobile network device on a person
WO2018205159A1 (zh) * 2017-05-10 2018-11-15 深圳市大疆创新科技有限公司 运动识别方法、便携式设备、机器可读存储介质
CN107632291A (zh) * 2017-08-18 2018-01-26 上海无线电设备研究所 一种基于极化雷达抗角反射器干扰的方法
CN107714000B (zh) * 2017-11-09 2023-07-25 河南科技大学 一种奶牛健康状况检测方法及装置
CN110794435A (zh) * 2019-10-25 2020-02-14 广州极飞科技有限公司 确定基站运动的方法、装置、基站、rtk系统及存储介质
JP7452324B2 (ja) * 2020-08-18 2024-03-19 トヨタ自動車株式会社 動作状態監視システム、訓練支援システム、動作状態監視システムの制御方法、及び、制御プログラム
WO2022172275A1 (en) * 2021-02-15 2022-08-18 Mobile Physics Ltd. Determining indoor-outdoor contextual location of a smartphone

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6253172B1 (en) * 1997-10-16 2001-06-26 Texas Instruments Incorporated Spectral transformation of acoustic signals
JP3532748B2 (ja) * 1997-12-30 2004-05-31 ジヤトコ株式会社 携帯用位置検出装置および位置管理システム
US6522266B1 (en) * 2000-05-17 2003-02-18 Honeywell, Inc. Navigation system, method and software for foot travel
US6590536B1 (en) * 2000-08-18 2003-07-08 Charles A. Walton Body motion detecting system with correction for tilt of accelerometers and remote measurement of body position
AU2002255568B8 (en) * 2001-02-20 2014-01-09 Adidas Ag Modular personal network systems and methods
US7103471B2 (en) * 2002-09-20 2006-09-05 Honeywell International Inc. Multi-mode navigation device and method
US7747409B2 (en) * 2004-03-12 2010-06-29 Vectronix Ag Pedestrian navigation apparatus and method
CN101427570B (zh) 2004-04-30 2012-01-18 希尔克瑞斯特实验室公司 3d定位装置和方法
KR100786703B1 (ko) * 2004-07-24 2007-12-21 삼성전자주식회사 가속도 센서를 이용한 운동량 측정장치 및 방법
US7236091B2 (en) * 2005-02-10 2007-06-26 Pinc Solutions Position-tracking system
JP5028751B2 (ja) 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
JP2007093433A (ja) * 2005-09-29 2007-04-12 Hitachi Ltd 歩行者の動態検知装置
US7827000B2 (en) 2006-03-03 2010-11-02 Garmin Switzerland Gmbh Method and apparatus for estimating a motion parameter
KR100728056B1 (ko) * 2006-04-04 2007-06-13 삼성전자주식회사 다중 경로 트랠리스 부호화 양자화 방법 및 이를 이용한다중 경로 트랠리스 부호화 양자화 장치
US7610166B1 (en) * 2006-07-21 2009-10-27 James Solinsky Geolocation system and method for determining mammal locomotion movement
GB2447940B (en) * 2007-03-28 2012-04-04 Thales Holdings Uk Plc A motion classification device
US8086405B2 (en) 2007-06-28 2011-12-27 Sirf Technology Holdings, Inc. Compensation for mounting misalignment of a navigation device
WO2009003293A1 (en) * 2007-07-05 2009-01-08 University Technologies International Portable navigation system
DE102007062843A1 (de) * 2007-12-21 2009-06-25 Amedo Smart Tracking Solutions Gmbh Verfahren zur Bewegungserfassung
JP5674766B2 (ja) 2009-05-20 2015-02-25 コーニンクレッカ フィリップス エヌ ヴェ 着用位置を検出するためのセンシングデバイス
US9163946B2 (en) 2009-07-28 2015-10-20 CSR Technology Holdings Inc. Methods and applications for motion mode detection for personal navigation systems
US8566032B2 (en) 2009-10-30 2013-10-22 CSR Technology Holdings Inc. Methods and applications for altitude measurement and fusion of user context detection with elevation motion for personal navigation systems
US8825426B2 (en) 2010-04-09 2014-09-02 CSR Technology Holdings Inc. Method and apparatus for calibrating a magnetic sensor
KR20120001925A (ko) * 2010-06-30 2012-01-05 삼성전자주식회사 휴대용 단말기를 이용한 보폭 추정을 위한 보행 상태 추정 장치 및 방법
DE102010031350A1 (de) * 2010-07-14 2012-01-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Ermitteln einer Position einer Person
US8756173B2 (en) * 2011-01-19 2014-06-17 Qualcomm Incorporated Machine learning of known or unknown motion states with sensor fusion
KR101614148B1 (ko) * 2011-09-16 2016-04-20 퀄컴 인코포레이티드 이동 디바이스가 차량에 탑승하고 있는 것의 검출
US8775128B2 (en) * 2012-11-07 2014-07-08 Sensor Platforms, Inc. Selecting feature types to extract based on pre-classification of sensor measurements
US20150153380A1 (en) * 2013-10-30 2015-06-04 Invensense, Inc. Method and system for estimating multiple modes of motion
WO2015066718A2 (en) * 2013-11-04 2015-05-07 Basis Science, Inc. Detection of biking, walking, and running
JP2018000543A (ja) * 2016-07-01 2018-01-11 セイコーエプソン株式会社 ウェアラブル機器、制御方法、およびプログラム

Also Published As

Publication number Publication date
US20120303271A1 (en) 2012-11-29
CN102798877A (zh) 2012-11-28
EP2527791A1 (en) 2012-11-28
EP3816578A2 (en) 2021-05-05
EP3816578A3 (en) 2021-08-25
US10145707B2 (en) 2018-12-04

Similar Documents

Publication Publication Date Title
CN102798877B (zh) 确定移动设备在人身上的位置的分层状况检测方法
US10126134B2 (en) Method and system for estimating uncertainty for offline map information aided enhanced portable navigation
Gong et al. Deriving personal trip data from GPS data: A literature review on the existing methodologies
US20150153380A1 (en) Method and system for estimating multiple modes of motion
US10341982B2 (en) Technique and system of positioning a mobile terminal indoors
US10547976B2 (en) Method and system for assigning point of sale information
WO2017066345A1 (en) Accurately determining real time parameters describing vehicle motion based on multiple data sources
CN110100155A (zh) 用于全局形状匹配轨迹的方法和系统
US20110029277A1 (en) Methods and applications for motion mode detection for personal navigation systems
CN106017454A (zh) 一种基于新型多传感器融合技术的行人导航装置和方法
US20140114561A1 (en) Map-assisted sensor-based positioning of mobile devices
WO2013031355A1 (ja) 情報処理装置、情報処理方法、プログラム、及び記録媒体
US9109905B2 (en) Device location determination
Ren et al. Movement pattern recognition assisted map matching for pedestrian/wheelchair navigation
Wang et al. Recent advances in pedestrian inertial navigation based on smartphone: A review
Ayub et al. Indoor pedestrian displacement estimation using Smart phone inertial sensors
Qian et al. RPNOS: Reliable pedestrian navigation on a smartphone
CN113574521A (zh) 转移检测
Kantola et al. Context awareness for GPS-enabled phones
Wang et al. A real-time pedestrian dead reckoning system with FM-aided motion mode recognition
JP4229146B2 (ja) ナビゲート装置及びプログラム
Lee et al. Evaluation of a pedestrian walking status awareness algorithm for a pedestrian dead reckoning
Qian et al. Investigating the use of MEMS based wrist-worn IMU for pedestrian navigation application
Martin et al. Simplified pedestrian tracking filters with positioning and foot-mounted inertial sensors
CN109997014A (zh) 用于确定轨迹的系统和方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180302

Termination date: 20210525