CN105009027B - 用于估计对象的运动的系统和方法 - Google Patents

用于估计对象的运动的系统和方法 Download PDF

Info

Publication number
CN105009027B
CN105009027B CN201380072165.3A CN201380072165A CN105009027B CN 105009027 B CN105009027 B CN 105009027B CN 201380072165 A CN201380072165 A CN 201380072165A CN 105009027 B CN105009027 B CN 105009027B
Authority
CN
China
Prior art keywords
movement
sensing data
estimation
sensor
data
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
CN201380072165.3A
Other languages
English (en)
Other versions
CN105009027A (zh
Inventor
阿绍德·多尼吉安
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.)
Navisens Inc
Original Assignee
Navisens 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
Priority claimed from AU2012905248A external-priority patent/AU2012905248A0/en
Application filed by Navisens Inc filed Critical Navisens Inc
Publication of CN105009027A publication Critical patent/CN105009027A/zh
Application granted granted Critical
Publication of CN105009027B publication Critical patent/CN105009027B/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
    • 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
    • G01C21/165—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 combined with non-inertial navigation instruments
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Navigation (AREA)

Abstract

一种用于估计对象的运动、方向、位置以及轨迹的方法，该方法包括：获取传感器数据、估计对象的姿态、估计对象的高度、提取特征、对运动进行分类、选择运动模型以及估计运动参数。还公开了用于执行该方法的系统。

Description

用于估计对象的运动的系统和方法
技术领域
在一个广泛的方面，本公开涉及确定对象的运动。
背景技术
不能直接观察环境的移动自含传感器系统不可避免地会遭受传感器漂移，并且因此，在定位中经历积累误差。另外，能够直接观察环境或者根据在环境内分布的传感器进行测量的许多定位系统容易发生误差，这是因为：所采用的传感器的测量特性(例如，射频(RF)测量和建筑物材料)的性质；在操作的环境内的干扰或障碍物(例如，建筑物布局；由于城市环境中的拥挤现象、照明水平的改变、差的全球定位系统(GPS)卫星覆盖而引起的激光和摄像头视场的阻碍)；和/或与操作的环境内观察到的地标或特征相关联的贫乏的信息(例如，关于基于特征的/基于地标的定位与映射的信息)。这些问题由于使用有噪声的并且遭受着固有问题和测量不准确的低成本传感器而变得复杂。
已知可以用于跟踪移动对象(例如移动的有价值的人或物(asset))来获得对移动对象的定位、跟踪和/或轨迹估计的多种系统，例如，GPS、惯性传感器设备和非惯性传感器设备。尽管GPS是用于室外跟踪应用的有用的跟踪系统，但是当将GPS应用在室内和城市导航或跟踪时存在许多限制。例如，在室内环境中并且与建筑物极接近时，GPS卫星的视线可能基本上被遮蔽，并且GPS信号可能被极度衰减。随着信号的减弱，GPS接收器难以接收GPS信号从而难以计算准确的位置信息。
惯性跟踪系统通常从传感器例如陀螺仪和加速度计获得读数来估计对象的相对路径。然而，惯性系统可能会由于以下因素而随着时间推移积累大的误差：例如传感器偏置的漂移、传感器的内部偏移、灵敏度差、非线性和测量限制、以及通过这样的系统实现的位置确定方法(例如算法)的局限。另外，依据跟踪对象的尺寸和成本要求可能需要使用较便宜且耐用的惯性传感器，这潜在地增加了系统中的漂移。
由于需要在各个跟踪位置处安装许多发射器/接收器设备，所以使用来自不同参考点的信号来计算对象的位置的信号分析方法可能会是不可行的，并且由于穿过各种建筑材料传播的信号的多径效应，所以该信号分析方法可能具有大的瞬时误差。
作为另一示例，尽管在不存在磁干扰时使用磁场传感器可以提供对方位角的精确检测，但是由于来自建筑物结构、电线以及其他的本地磁源的干扰，所以在建筑物中从这些设备获取的数据常常会是不精确的。
因此，需要改进的方法、系统、计算机程序产品和/或计算机可读的指令介质，该改进的方法、系统、计算机程序产品和/或计算机可读的指令介质解决或至少改进现有技术中固有的上述问题中的一个或更多个。
在本公开中，对任何现有出版物(或从现有出版物衍生的信息)的参考或者对任何已知事项的参考不被视为并且不应当被视为承认或认可或者以任何形式暗示现有出版物(或从现有出版物衍生的信息)或者已知事项构成本说明书涉及的领域中的公知常识的一部分。
发明内容
在一个广泛的方面，本公开内容涉及确定对象的位置、运动、速度、姿态、轨迹以及路径等。在一个实施例中，提供了一种使用传感器系统来确定对象的位置、轨迹、路径等的方法和/或系统，其中对象可能在这样的环境中移动：对于该环境，对象的绝对位置或适当准确的位置不可能通过传感器系统来直接地或可靠地获得。在另一个实施例中，提供了一种基于将惯性导航、特征提取以及运动分类进行组合来估计对象的位置、运动、速度、姿态和/或轨迹的方法和/或系统。
所提及的“对象”应当被广义地解释并且可以包括例如移动的有价值的人或物、物品、机器人、车辆、人、动物、任何类型的目标、移动或蜂窝电话、被动对象等。
附图说明
示例性实施例应当根据以下描述而变得明显，该描述通过结合附图描述的仅作为至少一个优选的但非限制性的实施例的示例给出。
图1图示了用于运动检测、运动和活动分类以及对运动、速度、位置、方向以及轨迹的估计的示例性方法的流程图。
图2图示了用于使用与次级分类器级联的初级分类器来进行运动检测、运动和活动分类以及对运动、速度、位置、方向以及轨迹的估计的示例性方法的流程图。
图3图示了用于运动分类以及对静止运动和非静止运动的估计的示例性方法的流程图。
图4图示了示例特征提取方法的流程图。
图5图示了用于通过将高度信息与运动测量进行结合来进行高度校正的示例方法的流程图。
图6图示了通过使用运动估计来识别固定的高度参考而进行高度校正的示例方法的流程图。
图7图示了可以用于实施或实现特定实施例的示例性系统。
图8图示了可以用于实施或实现特定实施例的示例性处理系统。
如前所述，应当注意的是，在所有图中，附图未按比例绘制，并且结构或者功能类似的元件通常由类似的附图标来表示，用于例示目的。还应当注意的是，附图仅意在便于描述优选的实施例。附图没有图示所描述的实施例的每个方面并且不限制本公开内容的范围。
具体实施方式
为了克服与低成本和低功率的传感器相关联的问题，以使用这样的传感器来进行可行的位置估计，提出了以下架构：
参考图1，图示了用于估计对象的运动、方向、位置以及轨迹的示例方法10。方法10包括：在步骤12处，从一个或更多个传感器获得传感器数据。在优选的实施例中，使用便于运动测量的一个或更多个传感器，例如惯性传感器等。
在步骤14处，通过在步骤12处获得的传感器数据来确定对象的姿态。在一个实施例中，对象的姿态是通过将相对惯性传感器与全局惯性传感器(例如，陀螺仪、加速度计等)进行结合来确定的。
在步骤16处，优选地通过将相对传感器与全局传感器(例如，加速度计、陀螺仪、气压计)进行结合来估计对象的高度。步骤16还可以接收来自运动分类的信息(即，来自下面讨论的步骤20的反馈)以改进高度估计。
在步骤18处，从在步骤12处获得的传感器数据中提取特征并且该特征准备用于运动分类。用于特征提取的核心输入包括惯性传感器数据(例如，来自加速度计和陀螺仪的惯性传感器数据；另外，可以包括其他的数据，例如步骤14的姿态估计值和步骤16的高度估计值)。
在步骤20处，通过分类算法(例如，神经网络、支持向量机、贝叶斯网络(Bayesiannetwork)、朴素贝叶斯分类器(Naive Bayes classifier)、决策树、k最近邻(KNN，k-nearest neighbour)方法、提升方法(boosting)、动态贝叶斯网络(DBN，Dynamic BayesianNetwork)、隐马尔可夫模型(HMM，Hidden Markov Model)、强化学习、逻辑回归、遗传算法、高斯过程)来处理特征，以对正在被执行的运动和/或活动进行分类。
在步骤22处，基于在步骤20中确定的被分类的运动来选择运动模型。
在步骤24处，根据步骤12的传感器数据和/或姿态(步骤14)和/或高度估计值(步骤16)来估计运动参数，并且将该运动参数应用于运动模型(步骤22)中。例如，传感器数据可以用于基于所选择的运动模型来估计速度和/或距离，并且可以相对于姿态和/或高度来估计速度和/或距离。
在步骤26处，估计运动、位置、速度、姿态/方向以及轨迹。可以使用如下若干个技术中的一个技术来执行此步骤：例如通过简单的航位推算(simple dead reckoning)或者通过使用统计估计器例如扩展卡尔曼滤波器(EKF，Extended Kalman Filter)。
可以以复杂的方式操作的针对对象的导航
在一些实施例中，正在使用的(多个)传感器相对于被跟踪的对象/有价值的人或物可能不会始终对准。例如，考虑正在被跟踪的有价值的人或物上的移动电话/手持设备或者其他便携式设备的使用。在这样的示例中，该设备与被跟踪的有价值的人或物(即，人)之间的对准可能会变化。该设备可能被放置在口袋中、可能在通话时被举至耳朵、可能在使用时被伸到用户前面，等等。此外，这样的移动设备可能需要位置估计“一直开启”，从而连续地估计该设备的位置，使得当用户使用该设备时，位置估计已经可用。
在这样复杂的操作/对准实施例中，图1所描述的处理已被扩展到通过使用两个分类阶段——初级运动分类阶段和次级运动分类阶段——使得位置估计对于移动的对象、设备和手持设备等可行。初级运动分类器和/或次级运动分类器可以用于识别对象(例如，用于移动手持设备的对象)的使用/对准，这可以包括：移动设备是否处于用户的口袋中；移动设备是否放置在桌子上；移动设备是被保持在左耳还是右耳；移动设备是纵向地还是横向地保持在用户的前面，等等。初级分类阶段之后跟着次级分级阶段，该次级分类阶段利用次级分类器(例如，神经网络、支持向量机、贝叶斯网络、朴素贝叶斯分类器、决策树、k最近邻(KNN)方法、提升方法、动态贝叶斯网络(DBN)、隐马尔可夫模型(HMM)、强化学习、逻辑回归、遗传算法、高斯过程)，基于初级分类的结果来选择该次级分类器。例如，初级分类器可以被设计成对如下两个父类运动进行分类：在用户静止时移动设备是否正被操作(例如，用户在坐着或站立时与设备进行交互，而没有在环境内移动)；或者移动设备是否处于运动中(例如，移动设备在环境内进行物理移动)。因此，然后可以基于初级分类器的输出来选择最适当的次级分类器：例如，对于正保持静止的移动设备，选择次级分类器以确定正在如何操作该设备(例如，保持面朝上、面朝下、处于纵向模式或横向模式等)；或者对于处于运动中的移动设备，选择次级分类器以在设备运动(例如，握在手中、放置在口袋中、举至耳朵等)时确定该设备的对准。在这些示例中，每个次级分类器具有对运动的子集进行检测的特定任务，并且基于初级分类器的输出来选择。
参考图2，图示了用于估计对象的位置、运动、姿态、速度和/或轨迹的初级分类阶段的示例方法200。方法30包括：在步骤12处，从一个或更多个传感器获得传感器数据。如以上所讨论的，在一个实施例中，一个或更多个传感器包括便于运动测量的传感器，例如惯性传感器等。
在步骤14处，通过在步骤12中获得的传感器数据、优选地通过将相对惯性传感器与全局惯性传感器(例如，陀螺仪、加速度计等)结合来确定对象的姿态。
在步骤16处，优选地通过将相对传感器与全局传感器(例如，加速度计、陀螺仪、气压计)结合来估计对象的高度。步骤16还可以接收来自运动分类的信息以改进高度估计。
在步骤18处，从传感器数据中提取特征并且该特征准备用于运动分类。用于特征提取的输入可以包括：原始传感器数据(例如，来自(多个)加速度计、(多个)陀螺仪、气压高度计等的惯性传感器数据)；姿态估计值；以及高度估计值。在下面将参考图4对此进行进一步描述。
在步骤30处，通过初级分类算法来处理特征，以对正被执行的运动和/或活动(例如，行走、跑步、站立、坐着、不停地动，等等)进行分类。
在步骤32处，然后，基于初级分类器的结果，选择最适当的次级分类器并且次级分类阶段可以以与图1中显示的方式相同的方式开始。
在一个实施例中，初级分类阶段和次级分类阶段可以同时执行，并且次级分类器可以将信息反馈回初级分类器，以改进初级分类器的性能。
在一个实施例中，可以存在若干个级的分类和多个分类阶段，从而每个分类器可以专注于具体的任务(例如，仅对运动的子集进行分类)。
用于运动分类和估计的方法
特征提取的许多常规方法取决于问题和所采用的传感器(例如，使用脑电图描记器(EEG，electroencephalography)来测量脑波并且对脑波进行分类)。为了运动估计的目的，特征使得处于高速率(例如，针对动态运动)、处于高复杂度以及处于高自由度(例如，沿不同的方向行走、跑步、坐着、躺着等)的运动能够被识别。为了充分地确定扰动面上的运动，在图3中图示了以下特征提取和运动分类。
转至图3，图示了运动分类阶段的示例方法40。按照之前(在步骤20、步骤30和/或步骤32处)讨论的运动/活动分类，运动被优选地分类成如下三个主要类别中的一个：静止(即，其中对象完全静止并且不移动)；(多个)非位移运动(即，导致扰动但无水平位移的那些运动，例如，用户原地不停地动、坐下、站起等；移动设备正被操作等)；以及位移运动(即，导致水平位移的那些运动，例如，行走、跑步、侧步、爬行以及其他一般运动活动)。
在步骤14处，不管运动是否正被执行都执行姿态估计。
在步骤16处，不管运动是否正被执行都执行高度估计。
在具有水平位移的运动发生时并且当考虑复杂的运动时，在步骤54处，可以估计运动位移向量。在一个实施例中，可以基于惯性传感器测量的差异和比率来估计此运动位移向量。运动位移向量被馈送进运动估计参数作为附加输入，并且提供关于如下运动的偏移量的信息：该运动可以不是运动分类的一部分，例如在微斜的路径上行走等。
在步骤58处，将运动估计参数馈送到基于分类的运动来选择的运动模型。此运动模型可以根据正在被估计的运动而变化。例如，运动模型可以包括基于距离的运动模型、基于速度的运动模型以及航位推算运动模型。
在步骤26处，如之前所讨论的那样对位置、运动、速度、姿态/方向以及轨迹进行估计(例如，图1的步骤26)。
用于特征提取的方法
当使用传统的惯性导航算法处理惯性传感器数据时，例如，由于温度漂移、非线性、未对准、不正确的安装和/或姿态估计误差等而引起的在传感器读数中的较小误差可能在位置估计中导致非常大的误差，这致使传统的惯性导航技术无法用于低成本、低功率、小尺寸等的实际应用。
图4的特征提取基于如下原理：所执行的每个运动遵循三维空间中的给定路径，并且惯性传感器的性能的短期精度远优于长期精度。因此，特征提取架构生成如下特征：该特征可以在短的时间段内充分地表示出给定运动的路径。当处理惯性传感器数据的时间序列时，表示这些传感器波形的所提取的特征还将表示该时间窗口内的运动。
参考图4，图示了用于运动分类的特征提取的示例方法60。在步骤62处，从一个或更多个传感器获取测量值。用于特征提取的输入可以包括：原始传感器数据(例如，来自(多个)加速度计、(多个)陀螺仪、(多个)气压高度计等的惯性传感器数据)；姿态估计值；以及高度估计值。这样的传感器数据通常可以从离散的单轴或多轴传感器芯片的组合获得、或者从单芯片惯性测量单元(IMU，Inertial Measurement Unit)获得、或者从单独的IMU感测设备获得。
传感器数据被存储在一个或更多个滑动窗口64至68内，以生成准备用于特征提取的传感器数据的时间序列。因此，每个传感器通过时间序列数据的一个或更多个滑动窗口来表示。
可以针对每个单独的传感器从一个或更多个滑动窗口提取特征。例如，较短的滑动窗口通常提供良好的动态响应并且更适用于统计特征，原因是相应的传感器波形太短而不能充分地表示传感器所经历的运动。较长的滑动窗口适用于波形表示，原因是较长的滑动窗口可以充分表示传感器所经历的运动并且因此可以充分表示被跟踪的对象所经历的运动。
作为优点，特征提取方法可以应用于任何数目的滑动窗口和传感器类型。对滑动窗口的数目和每个窗口的长度的最终选择，在某种程度上视特定应用而定的。例如，当跟踪移动设备时，根据所期望的运动，长度在从0.5s至2.0s的范围内的两个或三个滑动窗口是优选的。波形表示方法可以应用于较长的滑动窗口，以确保该较长的滑动窗口捕获当前运动的充分表示，并且可以从较短的(多个)滑动窗口中提取附加的统计特征以确保系统具有良好的动态响应。
在一个实施例中，为了实现波形方法，使用了多项式波形近似。因此，通过多项式的应用来近似每个单独传感器的针对那个滑动窗口的时间序列，并且将所得的多项式系数用作用于分类的特征。因此，每组系数表示单独传感器的针对特定运动的唯一波形图案。采用高阶多项式可能导致过度拟合(over-fitting)时间序列——这样做之后将影响技术的通用性，同时非常低阶的多项式不能充分地表示运动波形。在优选的实施例中，使用了5阶多项式。还可以使用替选的波形近似技术，例如，使用贝塞尔曲线的拟合。
多项式波形表示被应用于惯性传感器。根据所期望的运动以及在设备(例如，正在被定位或携带的设备，例如移动电话、平板计算机、专用跟踪设备)内可用的传感器，波形表示可以被应用于一个或更多个轴的(多个)加速度计和/或一个或更多个轴的(多个)陀螺仪。在一个实施例中，为了表示复杂的运动，波形表示被应用于三个正交的加速度计和三个正交的陀螺仪。因此，多达6个的惯性数据时间序列通过波形表示块来处理，以输出表示滑动窗口内的波形/运动的一组多项式系数。原则上，三轴加速度计和陀螺仪的组合应当能够使用传统的惯性导航技术来表示在六个自由度(6DOF，six degrees of freedom)中的任何运动。在消费者和移动设备中建立这样的传感器的成本比高端工业应用低得多。因此，波形表示方法捕获运动的短期波形来表示正在被执行的运动，同时不再需要高精度高成本的传感器并且显著地减少或消除了对校准的需要。
为了补充波形表示，可以使用较短的窗口，并且可以提取统计特征，例如：均值；范围；在滑动窗口内的最大测量值与最小测量值之间的时间差；方差；均方根(RMS)值；能量；偏斜(skewness)；以及标准差。这些统计特征自身不能够充分地表示运动；然而，它们提供良好的动态响应，并且与来自波形表示的多项式系数结合，使得分类器可靠且准确地将运动进行分类以执行位置估计。
将高度测量与运动测量结合以抵消漂移的方法
确定高度的常见方法包括：与惯性传感器结合；以及将惯性传感器数据与全球定位系统(GPS)和/或气压感测结合。然而，这两种常见方法可能表现出漂移和故障。例如，就GPS位置估计而言，高度估计通常描绘了最小的精度，而当卫星被阻挡或者使用不同的卫星几何形状时GPS测量可能大幅度地波动。另外，GPS难以在室内起作用。就气压测量而言，气压计和气压高度计对天气变化和环境内的其他变化例如打开门和关闭门是敏感的。为了改进高度估计，无论所使用的传感器的类型如何，更优化的是将这样的测量与运动测量组合。
参考图5，图示了用于高度校正的示例性方法80，所述高度校正通过将传感器信息与来自运动分类器/运动估计器的信息进行结合来将高度信息与运动测量进行结合以约束传感器(例如，惯性传感器、气压传感器、GPS等)中的漂移来进行。
在步骤82处，获取来自不同源的传感器数据，并且使用任何适当的技术——例如，惯性测量、气压测量和/或GPS测量的结合、低通滤波或其他技术——来估计高度。这样的传感器数据通常可以从离散的单轴或多轴传感器芯片的组合或者从单芯片惯性测量单元(IMU)或者从单独的IMU感测设备、GPS接收器、存储校准的测量值的数据或云服务中获取。
在步骤20处，执行运动/活动分类并且将该运动/活动分类成如下三个主要运动类别中的一个：静止运动、非位移运动或位移运动。
在步骤44处，如果被分类为静止运动，则在步骤84处使用具有适合被跟踪对象的动态的宽度的滑动窗口来以米每秒计算垂直位移相对于时间的改变。在步骤86处，如果以m/s的速率(该速率还可以用其他等效单位例如英尺/秒来计算)与预期的垂直位移速率匹配(例如，如果对象为由人携带的移动电话并且垂直位移速率与在电梯/扶梯内行进的垂直位移速率匹配)，则接受高度读数。如果速率与预期的高度改变不匹配，则拒绝高度读数。
在步骤48处，如果被分类为位移运动，则在步骤88处计算相对于垂直位移的速率的水平位移的速率。在步骤90处，如果该速率指示高度的改变与穿过环境的对象对应(例如，如果对象为由人携带的移动电话，则速率可以与走上楼梯或走下楼梯的人对应)，则接受高度改变。如果速率不匹配，则拒绝高度改变。在人走过楼梯的情况下，可以将垂直位移速率与公认的标准例如指示台阶的高度和宽度的建筑标准/规范进行比较。
在步骤46处，如果被分类为非位移运动，则采取与步骤44的动作过程相同的动作过程。另外，在步骤92处计算运动强度/动态的速率，这可以基于处理惯性传感器数据以及计算参数和/或运动/活动分类。在步骤94处，如果速率指示高度的改变与对象正在执行的运动对应，则接受高度改变。如果速率不匹配，则拒绝高度改变。例如，如果对象为人，则这样的运动可以包括用户坐下、站起、躺下、倒下等、或者对象被拾起、放下等。
参考图6，图示了作为附加的高度校正机制的使用运动估计以及识别高度参考来进行的高度校正的示例方法100。
在步骤102处，将系统初始化，并且添加当前高度(该当前高度可以为了稳定而在一段时间内被过滤和/或被平均)作为参考高度。换句话说，以当前高度对系统进行校准。
在步骤104处，计算在固定时间段内的水平位移，该固定时间段被选择成适合对象运动动态。
在步骤106处，检查在所选择的时间段内的水平位移是否高于所需量，还检查在所选择的时间段内的水平位移是否相对于对象动态和环境来选择。例如，对于在建筑物内走过的人，5.0m的值可能是理想的。如果此标准未被满足，则返回至步骤104并且继续计算水平位移，并且继续检查水平位移标准是否被满足。
如果满足水平位移标准，则在步骤108处计算在固定时间段内的垂直位移，该固定时间段被选择成适合对象运动动态，并且在步骤110处检查垂直位移(该垂直位移可以被过滤或被平均等)是否保持稳定。如果垂直位移保持稳定，则可以认为对象/有价值的人或物是在适合于看作新参考高度的水平面上运动。
在步骤112处，从先前的参考高度的数据库中搜索最接近的参考高度。注意，在系统初始化时，初始高度被添加作为参考高度，并且在估计的早期阶段时，初始高度可能是可用的唯一参考高度(并且因此可能是可用的最接近参考高度)。在步骤114处，如果所考虑的高度与最接近的参考高度偏离的量比(为了适合对象运动动态和环境所选择的)所要求的差大时，则在步骤116处存储新的高度参考并且将其添加到高度参考数据库中并且可以将其用于将来的高度校正。如果在步骤114处的标准未被满足，则在步骤118处选择最接近的高度参考，并且在步骤120处应用高度校正。
作为示例，在多层建筑物内，所要求的高度差可以被设置为接近于楼层之间的高度差。考虑在多层建筑物内行走的人的情况。在系统初始化——其中第一参考高度被初始化——之后，用户走过楼梯。一旦用户离开楼梯并且走下走廊或开放空间并且满足步骤106至步骤114，则在步骤116处将当前高度添加作为新的参考高度。如果用户现在走下楼梯返回到系统初始化的原始高度，并且用户走过环境并且满足步骤106至步骤112，但由于漂移而不满足步骤114，则在步骤118处选择最接近的(初始)参考高度并且在步骤120处应用适当的高度校正。
注意，高度校正方法还可以使用先前纪录的和/或经由数据/云服务获得的参考数据库,该参考数据库具有校准的/调查的信息和/或源自多个用户和/或具有建筑平面图等的大量信息(crowd)。
在替选实施例中，可以进行3D环境的可视化，其中高度参考数据库还可以包括用户位置的最大坐标跨度和最小坐标跨度，使得楼层的尺寸可以被估计并且进行可视化绘制。可以使形状匹配，使得最大坐标跨度和最小坐标跨度在该形状内(例如，可以使矩形匹配，使得该矩形模拟正被穿过的建筑物/环境的形状)。
示例应用：对人员进行定位；对对象、手机和电子装备进行定位；工业安全应用；车辆防撞；对在城市环境和室内建筑内的人员例如第一回应者进行定位；室内映射；以及支持室内手机定位。
处理系统或硬件系统
参考图7，可以使用系统130来实现运动估计方法，该系统130包括：各种传感器硬件、处理系统和/或机器人硬件。感测系统或硬件可以被物理地安装到机器人平台和车辆；或者可以由对象或人携带或者被附接至对象或人作为运动估计设备/定位专用设备或者与现有技术例如通信装备集成，该通信装备包括移动电话和无线电、工具和安全装备、可穿戴安全装备以及服装例如背心、靴子、头盔等。此外，可以存在各种其他行业特定实现，例如，集成到通常由矿工和其他工业人员使用的帽灯。另外，感测系统或硬件可以利用来自这样的平台或装备的寄生电力，例如利用设备内部的电池或电源(例如，移动电话、无线电收发机、MP3播放器、车辆等中的电池)或者设备外部的电池或电源(举例来说，例如由采矿人员和其他工业工人携带的、可以被安装在/附接到腰带或被携带在背包中或集成到衣服中的外部电池组)。
传感器、跟踪系统或感测硬件132：
可以利用自含传感器，例如可以从若干个制造商例如 等得到的惯性测量单元(IMU，inertial measurement unit)。可以利用用基于微机电系统(MEMS)传感器的分立部件组装的惯性测量单元或基于惯性的导航传感器，例如由诸如等公司制造的惯性测量单元或基于惯性的导航传感器，并且该惯性测量单元或基于惯性的导航传感器还可以包括磁传感器和气压传感器，例如由和半导体公司制造的磁传感器和气压传感器。这样的传感器通常将三轴加速度传感器、角旋转传感器以及磁场传感器的分立元件进行组合。在使用(多个)加速度计和/或(多个)陀螺仪和/或(多个)磁罗盘进行倾斜/旋转和输入检测或者(例如)在健身/锻炼和步/卡路里计数计步器应用(例如或协处理器)方面，通常为了可用性、博弈以及支持用户界面(UI，user interface)的目的，这样的传感器包括在某些电子设备内，所述某些电子设备例如是移动电话(例如，或)或或mp3播放器(例如，)以及其他计算硬件(例如，平板电脑例如或)，其中磁罗盘针对通常与GPS和辅助GPS(A-GPS)组合的导航应用用于航向确定。这样的电子设备可以允许访问传感器数据(例如，经由无线接口，例如蓝牙或或有线接口例如USB)或者允许经由应用程序编程接口(API)以及在设备的内部处理器内的软件的开发和执行来访问(多个)车载感测设备，使得开发的算法和软件可以利用内置(多个)传感器、(多个)处理器以及(多个)通信系统在设备本身内部执行。
处理系统134。本文描述的方法或处理可以被实现为以各种不同的方式在处理系统134上执行，该处理系统134可以为传感器系统132的一部分或者独立于传感器系统132。处理系统134可以存储来自本地数据库140的信息或数据和/或从本地数据库140获取信息或数据。例如，作为负责获取传感器数据、姿态估计、高度估计、特征提取、运动/活动分类、运动模型选择、运动参数的估计以及运动、位置、速度、姿态以及轨迹的估计的处理。
以类似的方式，本文描述的方法或处理可以被实现为在独立系统例如(多个)服务器136上执行的远程处理，其中所述独立系统使用有线和/或无线通信(LAN(局域网)/WLAN(无线局域网)、蜂窝数据无线电等)例如网络138与主机系统进行通信。传感器信息或所计算的特征可以定期被发送至(多个)服务器。(多个)服务器136可以存储来自一个或更多个数据库142的信息或数据和/或从一个或更多个数据库142获取信息或数据。
可以使用本地或远程地与感测系统集成的处理系统来实现本发明的特定实施例，图8示出了该处理系统的示例。具体地，处理系统150一般包括：经由一条总线或一组总线160耦接在一起的至少一个处理器152或处理单元或者多个处理器、存储器154、至少一个输入设备156以及至少一个输出设备158。在某些实施例中，输入设备156和输出设备158可以为相同的设备。还可以设置接口162，用于将处理系统150与一个或更多个外围设备耦接，例如，接口162可以为PCI卡或PC卡。还可以设置至少一个存储设备164，所述至少一个存储设备164容置至少一个数据库166。存储器154可以为任何形式的存储器设备，例如，易失性或非易失性存储器、固态存储设备、磁设备等。处理器152可以包括多于一个的不同处理设备，例如以处理处理系统150内的不同功能。
输入设备156接收输入数据168并且可以包括例如数据接收器或天线或者无线数据适配器等。输入数据168可以来自不同的源，例如，与经由网络接收到的数据结合的感测数据。输出设备158产生或生成输出数据170并且可以包括：例如，显示设备、端口例如USB端口、外围部件适配器、数据发送器或天线例如无线网络适配器等。输出数据170可以是不同的并且从不同的输出设备得到。用户可以在例如监视器上或使用打印机来查看数据输出或者对输出的数据的解释。存储设备164可以为任何形式的数据或信息存储装置，例如易失性或非易失性存储器、固态存储设备、磁设备等。
在网络化的信息或数据通信系统中，用户可以访问能够从感测系统请求和/或接收信息或数据的一个或更多个终端。在这样的通信系统中，终端可以为一种类型的处理系统、计算机或计算化的设备、移动或蜂窝电话、移动数据终端、便携式计算机、个人数字助理(PDA)等。信息源可以被设置成与传感器系统通信，并且信息源可以包括可以与如下所述的一个或更多个存储设备相关联的服务器或任何类型的终端，所述一个或更多个存储设备能够将信息或数据存储在例如驻留于存储设备上的一个或更多个数据库中。
在使用中，处理系统150适于允许数据或信息经由有线或无线通信装置被存储在存储器或者至少一个数据库166中和/或从存储器或者至少一个数据库166中获取数据或信息。接口162可以允许处理单元152与可以用作专用目的的外围部件之间的有线和/或无线通信。处理器152经由输入设备156接收作为输入数据168的指令，并且可以通过利用输出设备158向用户显示处理的结果或其他输出。可以提供多于一个的输入设备156和/或输出设备158。应当理解的是，处理系统150可以为任何形式的终端、专用硬件等。处理系统150可以为网络化通信系统的一部分。处理系统150可以连接至网络，例如，因特网或LAN、WLAN或蜂窝数据无线电。输入数据168和输出数据170可以经由网络被传送至其他设备。
本发明的可选实施例也可以说是广泛地单独或一起地包括本文中提及或指示的部件、元件和特征、包括两个或更多个部件、元件或特征中的任何一个或所有组合中，并且其中本文中提及了特定整体，该特定整体在本领域中具有与本发明有关的已知等同物，这样的已知等同物如单独阐述的一样被视为并入本文中。
尽管已经详细描述了优选的实施例，但是应当理解的是，在不脱离本发明的范围的情况下，许多修改、改变、替换或更改对本领域的技术人员将是明显的。本发明可以采取完全是硬件的实施例、完全是软件的实施例、固件、或将软件与硬件方面组合的实施例的形式。
可以通过由以下几点来进一步描述特定实施例：
1)一种基于将惯性导航、特征提取以及运动分类进行组合以克服低成本和低功率传感器的缺陷的方法来估计对象的位置、运动、速度、姿态和/或轨迹的方法，所述方法结合了以下阶段：
a.获取传感器数据
b.姿态估计
c.高度估计
d.特征提取
e.运动分类
f.运动模式选择
g.运动参数估计
2)一种实现设备的导航的方法，所述导航可能需要多级的运动分类和估计以及不同估计模型的应用，所述方法包括以下步骤：
a.执行初级运动/活动分类
b.基于第一运动/活动分类的结果使用次级分类器和/或估计参数来执行次级分类。
3)一种运动和位置估计的方法，其中运动被细分成三个主要类别：
a.静止(例如，放置在桌子上的设备、一直坐着或站立的人)。
b.(多个)非位移运动(例如，正在被操纵的对象、原地不停地动的人)。
c.(多个)位移运动(例如，移动设备、行走、跑步、侧步、爬行以及其他一般运动活动等)。
4)一种使用分类算法和特征提取技术来进行运动和位置估计的方法，所述特征提取技术的目标在于表示运动的波形，使得重建的波形可以用原始运动来识别：
a.使用旨在重建传感器在给定时间段内在空间中进行的运动路径的多项式或类似表示。
b.使用处理传感器数据的一个或更多个滑动窗口。
c.根据运动动态的性质和对象类型使用附加的支持统计特征。
5)一种通过将高度信息与运动测量结合来进行高度校正的方法：
a.确定正在被监视的对象是否正在执行以下三个主要运动类别中的一个：静止运动、非位移运动或者位移运动。
b.在静止和非位移运动期间：
i.计算相对于时间的垂直位移速率；
ii.将相对于时间的垂直位移速率与可接受的垂直位移速率的附档(profile)进行比较；
iii.拒绝不满足可接受的垂直位移附档的高度改变；
c.在位移运动期间：
i.计算相对于水平位移的垂直位移速率；
ii.将相对于水平位移的垂直位移速率与可接受的垂直位移速率的附档进行比较；
iii.拒绝不满足可接受的垂直位移速率的高度改变；
d.在非位移运动期间：
i.确定运动动态以确定用户是否正在执行需要垂直位移的运动。
ii.接受高度的改变。
iii.在一段时间之后，如果高度不返回至先前的高度，则针对漂移来校正高度。
6)一种通过识别固定的高度参考来进行高度校正的方法：
a.在启动时通过设置可以被滤波和/或预处理的当前高度来将系统初始化。
b.在水平运动所经距离被走过之后，检查高度是否一直保持稳定。
c.如果高度一直保持稳定，则将该高度与数据库中的最接近的参考高度进行比较。
d.如果该高度与最接近的参考高度偏离了所要求的量，则存储该高度作为可以被用于将来的校正的新高度参考。
e.如果该高度与最接近的参考高度偏离了比所要求的量小的量，则从数据库中选择现有最接近的参考高度，并且对该高度应用校正。
f.如果需要，则还可以校正先前的高度估计值。
g.如果需要，则高度参考数据库还可以被更新成包括用户水平位置的最大坐标跨度和最小坐标跨度。
7)一种将三维环境可视化的方法：
a.针对每个可用参考高度，设置绘制高度(z坐标)。
b.在所测量的最大的x坐标和y坐标和最小的x坐标和y坐标处使用顶点集合来绘制形状。
8)一种将运动/活动和轨迹可视化的方法：
a.以二维或三维来绘制轨迹。
b.轨迹颜色/图案随着运动/活动测量和传感器测量而变化。
c.轨迹颜色/图案随着外部测量例如心率等而变化。
9)一种用于估计对象的运动的方法，包括：
a.从获取的传感器数据中提取对象的特征；
b.基于所提取的特征对对象的运动进行分类；
c.基于所分类的运动来选择运动模型；以及
d.基于所述获取的传感器数据来估计运动参数。
10)根据上述(9)所述的方法，其中，所述提取对象的特征包括：
a.从布置在所述对象上的一个或更多个传感器中获取所述获取的传感器数据；
b.基于所述获取的传感器数据来估计对象的姿态；
c.使用所述获取的传感器数据来估计对象的高度；
d.从所述获取的传感器数据、所估计的姿态以及所估计的高度中的至少一个中提取对象的特征。
11)根据上述(10)所述的方法，
a.其中，所述对对象的运动进行分类确定对象的运动和对象正在执行的活动中的至少一个，该运动可选地为静止运动、非位移运动以及位移运动中的一个，以及
b.其中，所述估计运动参数是基于所述获取的传感器数据、所估计的姿态以及所估计的高度中的至少一个。
12)根据上述任一项所述的方法，其中，所述获取传感器数据包括：从惯性传感器获取传感器数据、从陀螺仪获取传感器数据、从加速度计获取传感器数据、从惯性测量单元获取传感器数据和/或从气压高度计获取传感器数据。
13)根据上述任一项所述的方法，其中，所述估计对象的姿态包括：将从所述一个或更多个传感器选择的相对传感器数据与全局传感器数据进行结合，以及
a.其中，所述估计对象的高度可选地包括：
b.将从所述一个或更多个传感器中获取的相对传感器数据与全局传感器数据进行结合；或者
c.对所述获取的传感器数据进行低通滤波；或者
d.接收来自所述运动分类的信息，以进行反馈，用于所述估计对象的高度。
14)根据上述任一项所述的方法，其中，所述对对象的运动进行分类使用从以下组中选择的分类技术，该组包括：神经网络、支持向量机、贝叶斯网络、朴素贝叶斯分类器、决策树、k最近邻(KNN)方法、提升方法、动态贝叶斯网络(DBN)、隐马尔可夫模型(HMM)、强化学习、逻辑回归、遗传算法以及高斯过程。
15)根据上述任一项所述的方法，还包括：基于所分类的运动来选择运动模型。
16)根据上述任一项所述的方法，其中，所述估计对象的运动参数包括：基于所选择的运动模型来估计对象的速度和/或对象行进的距离。
17)根据上述任一项所述的方法，其中，所述选择运动模型包括：选择基于距离的运动模型、选择基于速度的运动模型和/或选择航位推算运动模型。
18)根据上述任一项所述的方法，其中，所述对对象的运动进行分类包括初级运动分类阶段和次级运动分类阶段中的至少一个，该初级运动分类阶段用于确定初级分类器，该次级运动分类阶段用于基于该初级分类器来确定次级分类器。
19)根据上述任一项所述的方法，其中，所述初级分类器和所述次级分类器中的至少一个选自下述组，该组包括：行走、奔跑、坐着、站立、原地不停地动、正如何操作置于所述对象上的设备、以及所述设备相对于所述对象的对准。
20)根据上述任一项所述的方法，还包括：
a.在对象的具有水平位移的运动发生时估计运动位移向量，所述估计基于所述获取的传感器数据的差异和比率并且使用所述运动位移向量来考虑(account for)在所述分类期间没有考虑的运动的偏移量。
21)根据上述任一项所述的方法，还包括将所获取的传感器数据存储在一个或更多个滑动窗口中，以生成准备用于所述提取特征的传感器数据的时间序列。
22)根据上述任一项所述的方法，还包括：
a.根据对象的当前高度读数来校准一个或更多个传感器。
23)根据上述任一项所述的方法，还包括：
a.检查当前高度是否在预定的高度参考内；
b.如果所述当前高度在预定的高度参考内，则校正当前高度；以及
c.添加所述当前高度作为高度参考。
所描述的实施例可以易于具有各种修改和替选形式，并且已经在附图中通过示例的方式示出了并且在本文中详细描述了实施例的具体示例。然而，应当理解的是，所描述的实施例并不限于所公开的特定形式或方法，而相反地，本公开将会涵盖所有修改、等价物以及替选方案。

Claims (13)

1.一种用于估计对象的运动的方法，包括：
获取作为一个或更多个滑动窗口的传感器数据，以用于生成传感器数据的时间序列；
从获取的传感器数据中提取所述对象的特征，所提取的特征包括与所述传感器数据的时间序列匹配的波形近似的一个或更多个系数以提供所述传感器数据的时间序列的近似；
基于所述提取的特征来对所述对象的所述运动进行分类；
基于所述分类的运动来选择运动模型；以及
基于所述获取的传感器数据来估计运动参数。
2.根据权利要求1所述的方法，其中，所述提取所述对象的所述特征包括：
从布置在所述对象上的一个或更多个传感器中获取所述获取的传感器数据；
基于所述获取的传感器数据来估计所述对象的姿态；
使用所述获取的传感器数据来估计所述对象的高度；
从所述获取的传感器数据、所述估计的姿态以及所述估计的高度中的至少一个提取所述对象的所述特征。
3.根据权利要求2所述的方法，
其中，所述对所述对象的所述运动进行分类确定所述对象的所述运动和所述对象正在执行的活动中的至少一个，所述运动可选地为静止运动、非位移运动以及位移运动中的一个，以及
其中，所述估计所述运动参数是基于所述获取的传感器数据、所述估计的姿态以及所述估计的高度中的至少一个。
4.根据权利要求2或3中任一项所述的方法，其中，所述获取所述传感器数据包括：从惯性传感器获取所述传感器数据、从陀螺仪获取所述传感器数据、从加速度计获取所述传感器数据、从惯性测量单元获取所述传感器数据和/或从气压高度计获取所述传感器数据。
5.根据权利要求2或3中任一项所述的方法，其中，所述估计所述对象的姿态包括：将从所述一个或更多个传感器选择的相对传感器数据与全局传感器数据进行结合，以及
其中，所述估计所述对象的所述高度可选地包括：
将从所述一个或更多个传感器中获取的所述相对传感器数据与全局传感器数据进行结合；或者
对所述获取的传感器数据进行低通滤波；或者
接收来自所述运动分类的信息，以进行反馈，用于所述估计所述对象的所述高度。
6.根据权利要求1至3中任一项所述的方法，其中，所述对所述对象的所述运动进行分类使用从以下组中选择的分类算法，所述组包括：神经网络、支持向量机、贝叶斯网络、朴素贝叶斯分类器、决策树、k最近邻KNN方法、提升方法、动态贝叶斯网络DBN、隐马尔可夫模型HMM、强化学习、逻辑回归、遗传算法以及高斯过程。
7.根据权利要求1所述的方法，其中，所述估计所述对象的所述运动参数包括：基于所述选择的运动模型来估计所述对象的速度和/或所述对象行进的距离。
8.根据权利要求1所述的方法，其中，所述选择运动模型包括：选择基于距离的运动模型、选择基于速度的运动模型和/或选择航位推算运动模型。
9.根据权利要求1至3中任一项所述的方法，其中，所述对所述对象的所述运动进行分类包括初级运动分类阶段和次级运动分类阶段中的至少一个，所述初级运动分类阶段用于确定初级分类器，所述次级运动分类阶段用于基于所述初级分类器来确定次级分类器。
10.根据权利要求9所述的方法，其中，所述初级分类器和所述次级分类器中的至少一个选自下述组，所述组包括：行走、奔跑、坐着、站立、原地不停地动、正如何操作置于所述对象上的设备、以及所述设备相对于所述对象的对准。
11.根据权利要求1至3中任一项所述的方法，还包括：
在所述对象的具有水平位移的运动发生时估计运动位移向量，所述估计基于所述获取的传感器数据的差异和比率并且使用所述运动位移向量来考虑在所述分类期间没有考虑的运动的偏移量。
12.根据权利要求1至3中任一项所述的方法，还包括：
根据所述对象的当前高度读数来校准所述一个或更多个传感器。
13.根据权利要求12所述的方法，还包括：
检查所述当前高度是否在预定的高度参考内；
如果所述当前高度在所述预定的高度参考内，则校正所述当前高度；以及
添加所述当前高度作为高度参考。
CN201380072165.3A 2012-12-03 2013-12-03 用于估计对象的运动的系统和方法 Expired - Fee Related CN105009027B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2012905248 2012-12-03
AU2012905248A AU2012905248A0 (en) 2012-12-03 Estimating the position, motion, velocity, attitude, and/or trajectory of an object
PCT/US2013/072926 WO2014089119A1 (en) 2012-12-03 2013-12-03 Systems and methods for estimating the motion of an object

Publications (2)

Publication Number Publication Date
CN105009027A CN105009027A (zh) 2015-10-28
CN105009027B true CN105009027B (zh) 2018-09-04

Family

ID=50883942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380072165.3A Expired - Fee Related CN105009027B (zh) 2012-12-03 2013-12-03 用于估计对象的运动的系统和方法

Country Status (5)

Country Link
US (1) US11041725B2 (zh)
EP (1) EP2926218A4 (zh)
KR (1) KR101851836B1 (zh)
CN (1) CN105009027B (zh)
WO (1) WO2014089119A1 (zh)

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10379551B2 (en) 2013-07-10 2019-08-13 Crowdcomfort, Inc. Systems and methods for providing augmented reality-like interface for the management and maintenance of building systems
US11394462B2 (en) 2013-07-10 2022-07-19 Crowdcomfort, Inc. Systems and methods for collecting, managing, and leveraging crowdsourced data
WO2015006622A1 (en) 2013-07-10 2015-01-15 Crowdcomfort, Inc. System and method for crowd-sourced environmental system control and maintenance
US10541751B2 (en) 2015-11-18 2020-01-21 Crowdcomfort, Inc. Systems and methods for providing geolocation services in a mobile-based crowdsourcing platform
US10796085B2 (en) 2013-07-10 2020-10-06 Crowdcomfort, Inc. Systems and methods for providing cross-device native functionality in a mobile-based crowdsourcing platform
US10070280B2 (en) 2016-02-12 2018-09-04 Crowdcomfort, Inc. Systems and methods for leveraging text messages in a mobile-based crowdsourcing platform
JP5805356B1 (ja) * 2014-02-13 2015-11-04 三菱電機株式会社 通信装置、運転支援装置、および、運転支援システム
US10094905B2 (en) * 2014-02-28 2018-10-09 Qualcomm Incorporated Opportunistic calibration of a barometer in a mobile device
US9528837B2 (en) * 2014-06-04 2016-12-27 Qualcomm Incorporated Mobile device position uncertainty based on a measure of potential hindrance of an estimated trajectory
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
US10110486B1 (en) 2014-10-30 2018-10-23 Pearson Education, Inc. Automatic determination of initial content difficulty
US10218630B2 (en) 2014-10-30 2019-02-26 Pearson Education, Inc. System and method for increasing data transmission rates through a content distribution network
US10713225B2 (en) 2014-10-30 2020-07-14 Pearson Education, Inc. Content database generation
US10333857B1 (en) 2014-10-30 2019-06-25 Pearson Education, Inc. Systems and methods for data packet metadata stabilization
US10116563B1 (en) 2014-10-30 2018-10-30 Pearson Education, Inc. System and method for automatically updating data packet metadata
US10318499B2 (en) 2014-10-30 2019-06-11 Pearson Education, Inc. Content database generation
US9667321B2 (en) 2014-10-31 2017-05-30 Pearson Education, Inc. Predictive recommendation engine
US10735402B1 (en) 2014-10-30 2020-08-04 Pearson Education, Inc. Systems and method for automated data packet selection and delivery
CN104296749A (zh) * 2014-11-03 2015-01-21 中国科学院深圳先进技术研究院 基于运动状态感知的低功耗定位方法及系统
CN104677351A (zh) * 2015-01-26 2015-06-03 泰科智慧科技（北京）有限公司 一种基于多种信号融合的人员定位系统及方法
US10830606B2 (en) * 2015-02-09 2020-11-10 Invensense, Inc. System and method for detecting non-meaningful motion
JP6082415B2 (ja) * 2015-03-03 2017-02-15 富士重工業株式会社 車両の走行制御装置
US10149114B2 (en) * 2015-07-07 2018-12-04 Crowdcomfort, Inc. Systems and methods for providing geolocation services in a mobile-based crowdsourcing platform
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
US10614368B2 (en) 2015-08-28 2020-04-07 Pearson Education, Inc. System and method for content provisioning with dual recommendation engines
US10126202B2 (en) 2015-09-11 2018-11-13 Linestream Technologies Method for automatically estimating inertia, coulomb friction, and viscous friction in a mechanical system
JP6724349B2 (ja) * 2015-11-30 2020-07-15 カシオ計算機株式会社 自律移動装置、自律移動方法及びプログラム
CN105723372A (zh) * 2016-01-12 2016-06-29 张阳 运动参数的分析方法及系统
WO2017120788A1 (zh) * 2016-01-13 2017-07-20 张阳 运动方式的推荐方法及系统
CN105797348B (zh) * 2016-03-09 2019-04-05 成都艾德沃传感技术有限公司 一种检测物体运动类型的方法及穿戴式电子设备
US10789316B2 (en) 2016-04-08 2020-09-29 Pearson Education, Inc. Personalized automatic content aggregation generation
US10325215B2 (en) 2016-04-08 2019-06-18 Pearson Education, Inc. System and method for automatic content aggregation generation
US11188841B2 (en) 2016-04-08 2021-11-30 Pearson Education, Inc. Personalized content distribution
US10642848B2 (en) 2016-04-08 2020-05-05 Pearson Education, Inc. Personalized automatic content aggregation generation
KR101925907B1 (ko) * 2016-06-03 2019-02-26 (주)싸이언테크 신경망 생성 모델을 이용한 객체 움직임 패턴 학습장치 및 그 방법
CN106289311A (zh) * 2016-08-04 2017-01-04 北京妙医佳信息技术有限公司 一种运动时长和距离的检测方法
CN106123911A (zh) * 2016-08-06 2016-11-16 深圳市爱康伟达智能医疗科技有限公司 一种基于加速传感器和角速度传感器的记步方法
WO2018027687A1 (zh) * 2016-08-10 2018-02-15 张阳 比赛时间的统计方法及系统
CN107785076A (zh) * 2016-08-30 2018-03-09 李祥臣 一种连续动态运动和生理数据处理分析系统及方法
CN108256386A (zh) * 2016-12-28 2018-07-06 南宁市浩发科技有限公司 自适应特征选择的夜间车辆检测方法
DE102017100622A1 (de) * 2017-01-13 2018-07-19 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtungen und Verfahren zum Korrigieren von Ausrichtungsinformationen von einem oder mehreren Trägheitssensoren
CN108537398A (zh) * 2017-03-02 2018-09-14 北京嘀嘀无限科技发展有限公司 人力资源对象分类方法及装置
WO2019084918A1 (en) 2017-11-03 2019-05-09 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for determining a trajectory
KR102509678B1 (ko) * 2017-12-29 2023-03-14 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. 대상물 모션 예측 방법, 모션 모델 보정 방법, 기정 양 도출 방법 및 가상 현실 뷰 생성 방법
GB201804079D0 (en) * 2018-01-10 2018-04-25 Univ Oxford Innovation Ltd Determining the location of a mobile device
EP3527942A1 (en) * 2018-02-15 2019-08-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Apparatus and method for estimating a physical state of a movable object
US11755686B2 (en) 2018-02-19 2023-09-12 Braun Gmbh System for classifying the usage of a handheld consumer device
US10303147B1 (en) 2018-03-29 2019-05-28 Saudi Arabian Oil Company Distributed industrial facility safety system modular remote sensing devices
US10613505B2 (en) 2018-03-29 2020-04-07 Saudi Arabian Oil Company Intelligent distributed industrial facility safety system
US10311705B1 (en) 2018-03-29 2019-06-04 Saudi Arabian Oil Company Distributed industrial facility safety system
GB2573304A (en) * 2018-05-01 2019-11-06 Caterpillar Inc A method of operating a machine comprising am implement
KR101949345B1 (ko) * 2018-08-21 2019-02-18 송찬호 고도 및 방향을 이용한 계단걷기 측정 서비스 제공 방법
US11827241B2 (en) 2018-10-29 2023-11-28 Motional Ad Llc Adjusting lateral clearance for a vehicle using a multi-dimensional envelope
US11099208B2 (en) 2018-10-30 2021-08-24 Stmicroelectronics S.R.L. System and method for determining whether an electronic device is located on a stationary or stable surface
KR102213061B1 (ko) * 2018-12-03 2021-02-09 한국생산기술연구원 로봇용 학습 프레임워크 설정방법 및 이를 수행하는 디지털 제어 장치
CN109724597B (zh) * 2018-12-19 2021-04-02 上海交通大学 一种基于函数迭代积分的惯性导航解算方法及系统
CN110008520B (zh) * 2019-03-11 2022-05-17 暨南大学 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法
DE102019211694B4 (de) * 2019-08-05 2021-03-18 Robert Bosch Gmbh Verfahren und Vorrichtung zum Kalibrieren eines diamantbasierten Magnetfeldsensors mittels eines Resonanzmodells als ein Gaußprozessmodell
US11577756B2 (en) * 2019-09-13 2023-02-14 Ghost Autonomy Inc. Detecting out-of-model scenarios for an autonomous vehicle
CN111307145B (zh) * 2019-12-06 2022-05-17 苏州精源创智能科技有限公司 一种应用于扫地机器人的惯性导航系统
CN111343340A (zh) * 2020-03-11 2020-06-26 杭州十域科技有限公司 一种基于大数据的低端硬件设备的姿态判别方法
US11774553B2 (en) * 2020-06-18 2023-10-03 Infineon Technologies Ag Parametric CNN for radar processing
CN111739066B (zh) * 2020-07-27 2020-12-22 深圳大学 一种基于高斯过程的视觉定位方法、系统及存储介质
CN112057066A (zh) * 2020-09-03 2020-12-11 青岛歌尔智能传感器有限公司 心率的检测方法、可穿戴设备及计算机存储介质
US11302170B1 (en) * 2020-11-19 2022-04-12 General Electric Company Systems and methods for mapping hazards using wearable sensors

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6522266B1 (en) * 2000-05-17 2003-02-18 Honeywell, Inc. Navigation system, method and software for foot travel

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8630795B2 (en) 1999-03-11 2014-01-14 American Vehicular Sciences Llc Vehicle speed control method and arrangement
EP1136788A1 (fr) * 2000-03-22 2001-09-26 Asulab S.A. Récepteur GPS portable utilisant un altimètre barométrique
JP4504071B2 (ja) 2003-04-10 2010-07-14 パナソニック株式会社 身体運動解析装置
US7486291B2 (en) * 2003-07-08 2009-02-03 Berson Barry L Systems and methods using enhanced vision to provide out-the-window displays for a device
US20050033200A1 (en) 2003-08-05 2005-02-10 Soehren Wayne A. Human motion identification and measurement system and method
KR100580647B1 (ko) * 2004-04-01 2006-05-16 삼성전자주식회사 입력모드 분류가능한 동작기반 입력장치 및 방법
US7706977B2 (en) 2004-10-26 2010-04-27 Honeywell International Inc. Personal navigation device for use with portable device
US7827000B2 (en) * 2006-03-03 2010-11-02 Garmin Switzerland Gmbh Method and apparatus for estimating a motion parameter
US7561960B2 (en) * 2006-04-20 2009-07-14 Honeywell International Inc. Motion classification methods for personal navigation
WO2008108788A2 (en) * 2006-05-31 2008-09-12 Trx Systems, Inc. Method and system for locating and monitoring first responders
US20070282565A1 (en) 2006-06-06 2007-12-06 Honeywell International Inc. Object locating in restricted environments using personal navigation
JP5149033B2 (ja) * 2008-02-26 2013-02-20 岐阜車体工業株式会社 動作解析方法及び動作解析装置並びにその動作解析装置を利用した動作評価装置
JP5329856B2 (ja) * 2008-06-27 2013-10-30 本田技研工業株式会社 行動推定システム
US8812226B2 (en) * 2009-01-26 2014-08-19 GM Global Technology Operations LLC Multiobject fusion module for collision preparation system
KR20090061019A (ko) 2009-03-27 2009-06-15 김종철 보행자용 지리정보시스템을 위한 보행항법과 장치
JP2010246741A (ja) 2009-04-16 2010-11-04 Seiko Epson Corp 生体姿勢監視システム及び生体姿勢監視システムの制御方法
JP5382436B2 (ja) * 2009-08-03 2014-01-08 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
US8374775B2 (en) * 2009-11-05 2013-02-12 Apple Inc. Adaptive sensor-based activity classification
US20110190972A1 (en) 2010-02-02 2011-08-04 Gm Global Technology Operations, Inc. Grid unlock
KR101689887B1 (ko) 2010-07-09 2016-12-26 삼성전자주식회사 보행자의 보폭 추정 방법 및 이를 위한 휴대 단말
JP2012161402A (ja) 2011-02-04 2012-08-30 Osaka Prefecture Univ 運動特性評価システムおよび運動特性評価方法
US10145707B2 (en) * 2011-05-25 2018-12-04 CSR Technology Holdings Inc. Hierarchical context detection method to determine location of a mobile device on a person's body
US20130169679A1 (en) * 2011-12-30 2013-07-04 Automotive Research & Test Center Vehicle image display system and correction method thereof
US9152526B2 (en) * 2012-11-16 2015-10-06 GM Global Technology Operations LLC Method and apparatus for state of health estimation of object sensing fusion system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6522266B1 (en) * 2000-05-17 2003-02-18 Honeywell, Inc. Navigation system, method and software for foot travel

Also Published As

Publication number Publication date
US11041725B2 (en) 2021-06-22
US20150316383A1 (en) 2015-11-05
KR20150089061A (ko) 2015-08-04
WO2014089119A1 (en) 2014-06-12
KR101851836B1 (ko) 2018-04-24
EP2926218A4 (en) 2016-08-03
EP2926218A1 (en) 2015-10-07
CN105009027A (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
CN105009027B (zh) 用于估计对象的运动的系统和方法
CN106017454B (zh) 一种基于多传感器融合技术的行人导航装置和方法
US8473241B2 (en) Navigation trajectory matching
Renaudin et al. Evaluating indoor positioning systems in a shopping mall: The lessons learned from the IPIN 2018 competition
Shin et al. Motion recognition-based 3D pedestrian navigation system using smartphone
Kuang et al. Indoor positioning based on pedestrian dead reckoning and magnetic field matching for smartphones
Renaudin et al. Indoor navigation of emergency agents
Kourogi et al. A method of pedestrian dead reckoning using action recognition
Lee et al. An experimental heuristic approach to multi-pose pedestrian dead reckoning without using magnetometers for indoor localization
Edel et al. An advanced method for pedestrian dead reckoning using BLSTM-RNNs
Altun et al. Pedestrian dead reckoning employing simultaneous activity recognition cues
CN107179079A (zh) 基于pdr与地磁融合的室内定位方法
CN105043380A (zh) 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法
Kasebzadeh et al. IMU dataset for motion and device mode classification
GB2465043A (en) Systems and methods for tracking a moving person including determining a body offset angle based on spectral analysis of acceleration data
CN107110654A (zh) 定位设备和用于定位的方法
US9733088B2 (en) Signal space based navigation
US20130166247A1 (en) Information processing apparatus and information processing method
Windau et al. Walking compass with head-mounted IMU sensor
Wang et al. An adaptive indoor positioning method using multisource information fusion combing Wi-Fi/MM/PDR
Marron et al. Multi sensor system for pedestrian tracking and activity recognition in indoor environments
CN109819406A (zh) 一种基于众包的室内定位方法
Soni et al. A survey of step length estimation models based on inertial sensors for indoor navigation systems
Rantakokko et al. Scenario-based evaluations of high-accuracy personal positioning systems
Saadatzadeh et al. An improvement in smartphone-based 3D indoor positioning using an effective map matching method

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

Granted publication date: 20180904

Termination date: 20211203

CF01 Termination of patent right due to non-payment of annual fee