CN105190238A - 用于改进骑行导航的方法和装置 - Google Patents

Abstract

描述了用于提供用于骑行应用的增强的导航解决方案的方法和装置。该导航解决方案与平台内的设备有关，该平台是骑行平台，诸如例如自行车、三轮车、或单轮车，以及其他。该设备可以处于相对于该平台的任何定向(诸如例如在骑行者的身体的任何位置或定向上)。该设备包括传感器组装件。该设备中的传感器可以是例如加速度计、陀螺仪、磁力计、气压计，以及其他。本方法和装置可以工作而不管是存在还是缺少导航信息更新(诸如例如全球导航卫星系统(GNSS)或WiFi定位)。

Description

用于改进骑行导航的方法和装置

相关申请

本申请要求2013年1月23日提交的美国临时专利申请No.61/755,857的权益，它通过援引纳入于此。

技术领域

本公开涉及导航系统和方法，且更具体地涉及骑行平台的导航解决方案的导航系统和方法。

背景技术

平台的惯性导航通过包含惯性传感器(例如，加速度计、陀螺仪)的设备基于这些传感器测量的特定力和角速度的集成。一般而言，该设备被定位在平台内并通常拴系到该平台。来自该设备的这样的测量可以用来确定该设备和/或该平台的位置、速度、以及属性。

该平台可以是可能临时静止的能够运动的平台。平台的示例中的一些可以是人、车辆、或任何类型的舰船。在本公开中，如下文所定义的，该平台是骑行平台。

当今，基于微机电系统(MEMS)的惯性传感器具有低成本、低功耗、低重量、以及小尺寸的优点。基于这些特性，MEMS惯性传感器可与其他运动传感器(如气压计、磁力计)一起集成在诸如表、护目镜、鞋、腰带、智能电话、或定制设备等小型设备中。惯性传感器是不依赖于来自外部源的信号传输或接收的自包含系统，从而最小化像由各种环境造成的信号阻塞、干扰、以及多路径等问题。当被用在导航中时，惯性传感器提供高数据率加速度和角速度测量。除了导航之外，低成本MEMS传感器也可被用在体育中以帮助体育训练。通过小尺寸、低功耗以及可负担的价格的优点，MEMS惯性传感器使得根据监视优化在体育练习期间的表现来获得生物机械、物理或认知信息成为可能。然而，在所有上述应用中，基于MEMS的惯性传感器的主要缺陷是依赖于这些传感器的传统导航解决方案的性能可随时间恶化。因此，采用独立测量作为经更新的测量来用于降低累积误差是重要的，因为这些基于MEMS的传感器由于传感器的很大误差而对于导航目的而言具有非常低质量的性能。因此，MEMS惯性传感器不能单独工作来用于长期导航用途，并且需要来自其他传感器的辅助(诸如例如，磁力计和气压计)以及来自可提供绝对导航信息的其他基于参考的系统的辅助。

一个这样的绝对导航信息的源是全球导航卫星系统(GNSS)，它是通过三角测量技术来计算用户的位置和速度的定位系统。换言之，GNSS通过知晓卫星的当前位置和距对象的对应距离来估计用户位置。在处于开放天空中时，GNSS可以提供位置和速度的相对准确的性能。然而，它具有限制其在不具有清晰视线的环境中的实现并可遭受信号降级或完全阻塞的若干缺点。

为了解决上述问题，GNSS已集成了惯性导航系统(INS)。GNSS/INS导航系统已被广泛用于各种应用中。然而，在GNSS被降级或阻塞时，基于MEMS的传感器必须单独工作并且传统定位解决方案将在短时间内降级。基于MEMS的加速度计和陀螺仪中的系统误差随着数学积分运算快速增长，并且导致误差的累积。

除了所有商用INS/GNSS应用常见的且需要针对每一类型的应用的特定过程的上述问题之外，存在可影响即将到来的应用的附加问题。一般而言，平台内的惯性传感器的对齐(并且与该平台的前向、横向以及垂直轴)对惯性导航而言是重要的。如果惯性传感器(如加速度计和陀螺仪)没有与该平台完全对齐，则使用惯性传感器的读数计算得到的位置和姿态将不代表该平台。修复平台内的惯性传感器因而是提供高准确度导航解决方案的导航系统的传统要求。

对于有绳系统，用于确保最优导航解决方案的一个已知手段是将惯性传感器仔细地手动安装在平台内。然而，便携式导航设备(或具有导航能力的设备)能够移动，不论是被约束在还是没有约束在该平台内(诸如例如在骑行的人的身体上)，所以仔细安装在平台上是非常困难的。

如此，存在对以下用于骑行应用的方法和装置的需求：所述方法和装置提供能准确地利用来自设备的测量以确定该设备/平台的导航状态，同时降低上述问题的影响的增强的导航解决方案，而没有对其中发生骑行的环境(即，室外、室内、城市峡谷、或隧道，以及其他环境)的任何约束并且还没有暗示对设备的苛刻约束。该平台的位置和姿态的估计必须独立于该设备的位置(诸如例如，该设备可以在骑行人的背、胸、小腿、臂、大腿、腰带、或口袋中)。

除了包括包含位置、速度、以及姿态或者位置以及姿态的全导航解决方案的应用之外，存在可包括只估计姿态的解决方案、姿态以及速度解决方案、或行进距离解决方案(独立地或与任何其他所估计的量相组合)的其他应用。在所有这些应用中，存在对以下方法和装置的需求：该方法和装置增强这样的量的确定以增强骑行应用的用户体验、可使用性、训练、以及性能分析。

概述

本公开涉及用于提供骑行应用的增强的导航解决方案的方法和装置。该导航解决方案用于骑行平台内的设备，诸如例如自行车或三轮车。该设备可以处于相对于该平台的任何定向(诸如例如在骑行者的身体的任何位置或定向上)。该设备包括传感器组装件。该设备中的传感器可以是例如加速度计、陀螺仪、磁力计、气压计，以及其他。传感器具有用于传感器的各轴的对应坐标系。本方法和装置可被使用而不管是存在还是缺少导航信息更新(诸如例如GNSS或WiFi定位)。

在一些实施例中，本方法和装置可包括一个设备且可以使用这一设备来提供导航解决方案的改进。在其他实施例中，本方法和装置可包括骑行者身体上的不同位置处的一个以上设备以进一步改进导航解决方案，此外，检测更多人类运动可帮助进一步改进系统性能。在具有一个以上设备的情况下，该信息可以在各设备之间传送(无线地或以有线的方式)、同步、并彼此共享。

在一个实施例中，为了改进骑行导航性能，本方法和装置使用对踏板轮转的检测并使用这一信息来导出速率和/或每轮转的行进距离和/或该平台的行进距离。

在另一实施例中，为了改进骑行导航性能，所导出的速率和/或该平台的每轮转的行进距离可被用来获得骑行定位推算(CDR)解决方案。这一解决方案可被用作或被用来进一步增强另一导航解决方案的导航性能。

在另一实施例中，为了改进骑行导航性能，本方法和装置使用例程来确定设备与平台之间的航向失准角。

在另一实施例中，为了改进骑行导航性能，本方法和装置将所确定的设备与平台之间的航向失准角连同该设备的航向一起用来计算平台的航向并将其用于CDR。

在另一实施例中，为了改进骑行导航性能，本方法和装置使用所确定的设备与平台之间的航向失准角来通过对导航解决方案施加运动约束来增强该解决方案。

在另一实施例中，为了改进骑行导航性能，本方法和装置使用例程来确定设备坐标系(设备的传感器的坐标系)与平台坐标系之间的横摇和纵摇失准角。

在另一实施例中，为了改进骑行导航性能，本方法和装置使用所确定的设备与平台之间的横摇和纵摇失准角来通过对导航解决方案施加运动约束来增强该解决方案。

在一些实施例中，本方法和装置可以由单传动自行车一起使用。在一些其他实施例中，本方法和装置可以由多传动自行车一起使用。在又一些其他实施例中，本方法和装置可以与其他骑行平台一起工作。

本方法和装置可以与相对于骑行者的不同设备使用和定向一起工作。在所有设备使用和定向中，本方法和装置可以与该设备的任何横摇、纵摇以及方位(航向)角一起工作。它还可以与任何类型的自行车一起工作，而不管各种轮尺寸、各种传动并且不管骑行者如何。

以上实施例中的任一者或任何组合可被使用在实时解决方案中或任务后离线解决方案中。

提供了一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台的任何位置处或所述骑行平台的骑行者的身体上，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括使用所述传感器读数来检测所述踏板轮转。

提供了一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括：a)使用所述传感器读数来检测所述踏板轮转，并获得所述平台的速率的模型、所述平台的行进距离的模型、或所述平台的速率和所述平台的行进距离两者的模型；以及b)使用所述传感器读数来检测所述踏板轮转，并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

提供了一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括：a)使用所述传感器读数来检测所述踏板轮转；b)确定所述至少一个设备与所述骑行平台之间的航向失准。

提供了一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括传感器，所述方法包括：a)使用所述传感器读数来检测所述踏板轮转；b)确定所述至少一个设备与所述平台之间的航向失准；c)获得所述平台的速率的模型、所述平台的行进距离的模型、或所述平台的速率和所述平台的行进距离两者的模型；d)将所述航向失准连同所述至少一个设备航向一起用来计算平台航向；以及e)将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

所述方法可包括使用所述航向失准通过对所述导航解决方案施加运动约束来增强所述解决方案。所述方法可包括确定所述至少一个设备与所述平台之间的纵摇失准。所述方法可包括确定所述至少一个设备与所述平台之间的横摇失准。所述方法可包括使用所述航向失准、所述纵摇失准、以及所述横摇失准通过对所述导航解决方案施加运动约束来增强所述解决方案。

所述方法可包括：确定所述至少一个设备与所述平台之间的航向失准，确定所述至少一个设备与所述平台之间的纵摇失准，确定所述至少一个设备与所述平台之间的横摇失准，以及使用所述航向失准、所述纵摇失准、以及所述横摇失准通过应用来自从骑行定位推算获得的速率的速度更新来增强所述导航解决方案。

所述方法可包括使用来自骑行定位推算的位置通过应用来自骑行定位推算的所述位置作为位置更新来增强所述导航解决方案。

所述方法可包括使用来自骑行定位推算的位置作为所述导航解决方案的位置输出。

所述骑行定位推算可与具有多个传动踏板系统、单个传动踏板系统、或不带传动的踏板系统的平台一起工作。

提供了一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：能够通过传感器读数的传感器组装件；接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于检测所述踏板轮转。

提供了一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：能够通过传感器读数的传感器组装件；接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：检测所述踏板轮转并获得所述平台的速率的模型和/或所述平台每轮转的行进距离的模型；以及检测所述踏板轮转并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

提供了一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：能够通过传感器读数的传感器组装件；接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：检测所述踏板轮转；以及检测所述踏板轮转并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

提供了一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：能够通过传感器读数的传感器组装件；接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：检测所述踏板轮转；确定所述至少一个设备与所述平台之间的航向失准；获得所述平台的速率的模型和/或所述平台每轮转的行进距离的模型；将所述航向失准连同所述至少一个设备航向一起用来计算平台航向；以及将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

附图说明

图1示出每一坐标系和变换矩阵的示例定义。

图2示出一些可能的设备位置的示例。

图3示出(a)使用小腿上的设备的滑行检测的结果，(b)在一个踏板部分上以及之前和之后的惯性部分上放大。

图4示出不同设备位置处的姿态信号。

图5示出踏板轮转频率、向前速率、以及行进距离之间的关系(场景I，小腿)。

图6示出踏板轮转频率、向前速率、以及行进距离之间的关系(场景I，大腿)。

图7示出踏板轮转频率、向前速率、以及行进距离之间的关系(场景II，小腿)。

图8示出踏板轮转频率、向前速率、以及行进距离之间的关系(场景II，大腿)。

图9示出具有对应的踏板轮转频率的速率模型。

图10示出仅由CDR估计的定位解决方案。

图11示出具有低速率的真实迹线中的解决方案。

图12示出具有30秒模拟GPS中断的迹线。

图13示出具有NHC的实现的迹线。

图14示出具有CDR模块的迹线，其中外部航向解决方案来自GPS速度。

图15示出本方法和装置的一个实施例的流程图。

图16示出本方法和装置的MG-CDR实施例的流程图。

图17示出传动比如何确定行进距离。

图18示出在前方具有3个传动装置并在后方具有7个传动装置的理论速率模型。

图19示出具有21个传动比的实验行进距离，(a)男性(b)女性。

图20示出理论速率模型对实验速率模型。

图21中断1：(a)具有1分钟模拟(骑行者1，自行车A)的性能(b)放大中断1的一部分。

图22中断2：具有1分钟模拟(骑行者2，自行车B)的性能。

图23中断3：(a)具有1分钟模拟(骑行者3，自行车C)的性能(b)放大中断3的一部分。

图24中断4：(a)具有1分钟模拟(骑行者4，自行车D)的性能(b)放大中断4的一部分。

图25示出横摇失准、纵摇失准、以及航向失准的定义。

图26示出原始加速度测量和姿态信号(小腿)。

图27示出由小腿上的设备所生成的经分解的加速度云。

图28示出估计小腿上的航向失准时的性能。

图29示出原始加速度测量和姿态信号(大腿)。

图30示出由大腿上的设备所生成的经分解的加速度云。

图31示出估计大腿上的航向失准时的性能。

图32示出航向失准的示例。(a)背包。(b)右口袋。(c)小腿。

图33示出纵摇失准的示例。(a)小腿(45)。(b)小腿(-45)。(c)小腿(0)。

图34示出横摇失准的示例。(a)小腿。(b)右口袋。(c)在自行车上。

图35示出具有60秒GPS中断和传统解决方案的迹线。

图36示出具有60秒GPS中断和NHC的迹线。

图37示出具有60秒GPS中断和带有所估计的3D失准的NHC的迹线。

图38示出具有60秒GPS中断和带有所估计的3D失准的CDR的迹线。

具体实施方式

本公开涉及用于提供骑行应用的增强的导航解决方案的方法和装置。导航解决方案与平台内的设备有关，该平台是骑行平台。在这一实施例中，术语“骑行平台”意味着可通过踏板动作来操作的轮式可移动或静止车辆，例如自行车、三轮车、或单轮车，以及其他。该设备可以处于相对于该平台的任何定向(诸如例如在骑行者的身体的任何位置或定向上)。该设备包括传感器组装件。该设备中的传感器可以是例如加速度计、陀螺仪、磁力计、气压计，以及其他。传感器具有用于传感器的各轴的对应坐标系。本方法和装置可以工作而不管是否存在或缺少绝对导航信息(诸如例如全球导航卫星系统(GNSS)或WiFi定位)。

绝对导航信息是与导航和/或定位有关的信息，并且由依赖于外部信息源(诸如例如GNSS)的“基于参考”的系统来提供。另一方面，自包含的导航信息是与导航和/或定位有关的信息并由设备/平台内的自包含和/或“非基于参考”的系统来提供，并且因而不依赖于可能变得中断或阻塞的外部信息源。自包含信息的示例是来自运动传感器(如加速度计和陀螺仪)的读数。

在一些实施例中，本方法和装置可包括一个设备且可以使用这一设备来提供导航解决方案的改进。在其他实施例中，本方法和装置可包括骑行者身体上的不同位置上的一个以上设备以进一步改进导航解决方案，因为检测更多人类运动可帮助进一步改进系统性能。在具有一个以上设备的情况下，该信息可以在各设备之间传送(无线地或以有线的方式)、同步、并彼此共享。

在一些实施例中，本方法和装置使用对踏板来自的检测来导出速率和/或每轮转的行进距离和/或该平台的行进距离。在一个实施例中，踏板轮转是从陀螺仪信号或经过滤的陀螺仪信号检测到的。在另一实施例中，踏板轮转是从横摇和/或纵摇信号中检测到的。在后一情况下，纵摇和横摇值可通过不同的技术来计算得到，诸如例如：(i)通过不同技术中的任一技术的陀螺仪，诸如例如四元法，(ii)使用任何类型的集成或状态估计技术的集成导航解决方案，并将不同的传感器和/或系统集成在一起，诸如例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(诸如例如GNSS、WiFi、或任何其他无线技术)。在另一实施例中，踏板轮转是从以下两者检测到的：(i)陀螺仪信号或经过滤的陀螺仪信号，以及(ii)横摇和/或纵摇信号。在使用以上实施例中的任一者来检测踏板轮转时并且在绝对导航信息的源(诸如例如GNSS)可用时，计算将轮转频率与速率进行相关的模型的参数以及将检测到的轮转与每轮转行进距离进行相关的模型的参数。这些模型可稍后被用来根据检测到的周期性轮转来获得速率和行进距离，并计算轮转频率，和/或因此获得总行进距离，而不论绝对导航信息是可用的、不可用的(例如，被阻塞或中断)、或降级。

本方法和装置可以使用对踏板轮转的检测和绝对导航信息(在可用时)来构建单传动自行车的速率和行进距离模型。本方法和装置可以使用对踏板轮转的检测和绝对导航信息(在可用时)来构建多传动自行车的速率和行进距离模型。在这种情况下，在绝对导航信息可用期间，不同的模型针对所使用的不同传动比来构建。内插或外插技术可被用于获得在绝对导航信息可用期间没有使用的传动比的模型。本方法和装置还可以使用对踏板轮转的检测和绝对导航信息(在可用时)来构建不同类型的骑行平台(无论它们是否具有传动装置)的速率和行进距离模型。

在一些实施例中，从(在上述实施例中获得的)上述模型导出的速率和/或每轮转行进距离连同平台的航向一起可被用来获得CDR解决方案。这一解决方案可被用作或用来进一步增强另一导航解决方案(诸如例如，INS解决方案或INS/GNSS解决方案)的导航性能。CDR使用可以是无论绝对导航信息可用、不可用(例如被阻塞或中断)或降级。

在一些实施例中，高度信息和/或其相对变化可与以下各项一起使用：(i)确定该平台的速率或每轮转行进距离的技术和模型，或(ii)CDR解决方案中使用的或与其一起使用的技术。高度信息可以从不同的源获得，诸如例如：(i)气压计；(ii)使用任何类型的集成或状态估计技术与来自绝对导航信息(诸如例如GNSS)的高度集成在一起的气压计；(iii)使用任何类型的集成或状态估计技术与加速度计集成在一起的气压计；(iv)来自使用任何类型的集成或状态估计技术的集成导航解决方案的高度，以及集成不同的传感器和/或系统诸如例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(诸如例如GNSS、WiFi、或任何其他无线技术)。

在一些实施例中，平台(诸如例如自行车)的纵摇角可以与以下各项一起使用：(i)确定该平台的速率或每轮转行进距离的技术和模型，或(ii)CDR解决方案中使用的或与其一起使用的技术。平台的纵摇角可以根据设备的纵摇角和设备与平台之间的纵摇失准来计算得到(如下所述)。或者，平台的纵摇角可以根据绝对导航信息来计算得到。另一替换方案是平台的纵摇角可以根据以下两者计算得到：(i)设备的纵摇角和设备与平台之间的纵摇失准，(ii)绝对导航信息。在这种情况下，任何归并或集成技术可被用于纵摇角的这两个计算。

在一些实施例中，以下两者：(a)平台的纵摇角以及(b)高度信息和/或其相对变化可以与以下各项一起使用：(i)确定该平台的速率或每轮转行进距离的技术和模型，或(ii)CDR解决方案中使用的或与其一起使用的技术。

通过估计运动检测(即，人的航向)和来自步检测和步幅长度确定(称为徒步定位推算(PDR))的行进距离，一些定位推算(DR)概念已被应用于徒步导航。CDR在以下方面不同：(i)平台是在PDR中是行人，而在CDR中则是骑行者，(ii)代替步行和PDR的步检测，CDR依赖于踏板轮转检测，(iii)用于PDR中的步幅长度估计的物理学和模型与用于CDR中的每踏板轮转行进距离的物理学和模型不同。

本方法和装置还具有以下优点：设备可以按各种定向处于骑行者身体上，且不需要在轮上或踏板上或有线连接到轮或踏板上的其他设备就能收集任何类型的数据，包括里程数据。这将本方法和装置与车载定位推算和安装在自行车上的系统(包括基于MEMS的传感器、轮编码器、和/或GNSS)区分开。本方法和装置不需要来自安装至平台本身上的系统的不同信息且不需要任何线路。

本方法和装置可以与相对于骑行者的不同设备使用和定向一起工作。出于本文的目的，设备的不同使用和定向被定义为“设备使用情况”。使用情况可包括例如：(i)设备在小腿上，具有任何定向，(ii)设备在大腿上，具有任何定向，(iii)设备在腰带上，处于任何定向，(iv)设备在口袋中，处于任何定向，(vi)设备在背上，具有任何定向，(vii)设备在胸部，具有任何定向，(viii)设备在臂上，具有任何定向。在所有设备使用情况和定向中，本方法可以与该设备的任何横摇、纵摇以及方位(航向)角一起工作。

设备的轴坐标系可被定义为设备中的传感器(诸如例如加速度计)的轴坐标系。为了解说，设备坐标系的可能的轴定义在图1中示出，其中设备的前向轴被定义为x轴，垂直轴或z轴从设备指向下侧，且横向轴或y轴按完成右手坐标系的发生来定义。还为了解说，可能的平台坐标系(诸如例如可能的自行车坐标系)也在图1中示出，其中各轴沿平台的运动的前向方向、与前向方向垂直的向下方向、以及按完成右手坐标系的发生定义的横向方向。

在一些实施例中，本方法和装置使用例程来确定设备与平台之间的航向(方位)失准角，它是两个角度(设备的航向和平台的航向)之差。这些实施例可以工作而不管是否存在或缺少导航信息更新(诸如例如全球导航卫星系统(GNSS)或WiFi定位)。用于失准确定的技术能够基于设备的离散使用情况分类计算覆盖整个失准空间的连续失准角，而非只是这样的角的离散或预定值。这一技术使用来自设备的加速度计读数来估计失准角。本方法能够以等于或小于加速度计读数的速率的速率来给出输出。在一个实施例中，本方法和装置可以将以下各项的预定历时上的缓冲区作为输入：加速度计读数、横摇角值、以及纵摇角值。在另一实施例中，本方法和装置可以取得加速度计读数、横摇角、以及纵摇角的即时样本值，并且只缓冲该方法的对应步骤中的所需量。无论是在对应缓冲区中还是即时接收到的加速度计读数的每一样本被使用该设备的横摇和纵摇值来分解。纵摇和横摇值可以通过不同技术(诸如例如早先描述的那些)来计算到的。用于分解的横摇和纵摇值可以是即时样本值或可以是时间平均值(固定时间平均值或移动平均值)，无论是被缓冲的还是逐代提供的(每一代对应于一加速度计读数样本)。在加速度计的读数被分解后，重力加速度值被从经分解的垂直加速度数据移除以给出垂直加速度分量。重力加速度可以按包括不同重力模型或数据库的若干不同方式之一来获得。如果输入数据是即时的，即没有作为缓冲数据到来并且垂直加速度在缓冲区中不可用，则缓冲垂直加速度分量。在分解之后，水平加速度分量缓冲区(无论是根据输入缓冲区计算得到的还是来自即时输入，并且随后缓冲这些所需的水平加速度分量)或缓冲区的一部分(基于踏板轮转及其各阶段)是用于获得具有与加速度信号的较大变分的方向的技术的输入参数。在一个实施例中，这一技术可以是生成两个水平分量缓冲区的主分量的主分量分析(PCA)技术。沿轨角是基于所返回的值来计算得到的。然而，这一沿轨角具有180度不确定性，即，该角可以从失准角的前向或后向方向。为了获得运动方向，即解决180度不确定性的问题并决定运动方向是前向还是后向，基于沿轨角(无论它是正确的角还是180度相反的角)的变换被应用于经分解的水平加速度分量。这一操作变换经分解的水平加速度分量以给出沿轨加速度分量和侧轨(或横向方向)加速度分量。如果该方法的输入尚未处于缓冲格式，则沿轨加速度分量和垂直加速度分量被缓冲达相同的预定历时。其他加速度分量(如侧轨加速度分量)、水平加速度的量级、3D加速度的量级也可被缓冲。为了解决沿轨角中的180度不确定性并计算正确的失准角，这两个数据缓冲区可被使用；沿轨加速度分量缓冲区和垂直加速度分量缓冲区。其他缓冲区也可被使用。可任选步骤使所缓冲的信号平滑；LPF可被应用于所使用的缓冲区。缓冲区中加速度信号中的模式可基于设备使用情况而具有不同的性质。确定或分类使用情况的例程在所使用的缓冲区上运行。基于这一使用情况确定例程的结果，不同的技术被用来解决180度不确定性并校正沿轨角来给出正确的失准角。如果180度不确定性的解决失败，则这一过程在当前迭代的输出(即，加速度计读数的当前样本)可以是“无决定”，这意味着不能给出正确的失准角。

在使用上述航向失准确定技术的实施例中，可以使用一些可任选的例程。这些可任选的例程中的任一者或任何组合可被使用。可以使用的第一可任选例程是在上述主技术给出“无决定”输出的情况下给出失准角输出的例程；这样的例程基于以下各项中的任一者或任何组合的历史：。(i)沿轨角的缓冲的历史，(ii)经校正的失准角的缓冲的历史，(iii)180不确定性解决结果的输出的缓冲的历史，(iv)横摇和纵摇角的缓冲的历史，以及(v)方位(航向)角的缓冲的历史。

另一可任选例程增强失准角计算；这样的例程基于以下各项中的任一者或任何组合的历史：(i)沿轨角的缓冲的历史，(ii)经校正的失准角的缓冲的历史，(iii)180不确定性解决结果的输出的缓冲的历史，(iv)横摇和纵摇角的缓冲的历史，以及(v)方位(航向)角的缓冲的历史。这一例程可依赖于缓冲的量的以上列表中的任一者或任何组合的平滑、平均、或任何类型的过滤。

又一可任选例程计算计算得到的失准角的标准差。在一个实施例中，这一例程可依赖于以下各项中的任一者或任何组合的一致性：(i)沿轨角的缓冲的历史，(ii)经校正的失准角的缓冲的历史(一个可能性是在它示出意味着180不确定性解中的频繁错误的连续反转，所以标准差是翻转率的函数)，以及(iii)180不确定性解决结果的输出的缓冲的历史(0和180度所需校正之间的频繁变化指示出错的行为，所以标准差是翻转率的函数)。

又一可任选例程在绝对导航信息(诸如例如GNNS或WiFi，以及其他)可用且能够计算平台航向时增强本方法的失准角计算。这意味着具有信息冗余，诸如：(i)来自其自包含传感器、设备的自包含传感器的融合版本中的一者或多者的设备航向、或来自集成导航解决方案的的设备航向；(ii)来自本方法的失准；以及(iii)来自绝对导航信息的平台航向。在一个实施例中，来自以上(i)和(iii)的信息可被用来计算设备和平台之间的失准的另一版本，它可增强、被集成到或融合到、被取平均或过滤来自(ii)的失准。在另一实施例中，从(i)和(iii)计算得到的设备和平台之间的失准的其他版本可以与机器学习或训练技术连同来自(ii)的失准一起使用(尤其是在来自(ii)的失准具有差性能，可能由其标准差的可任选计算来指示)以在这样的使用情况下获得更好的失准，甚至稍后在绝对导航信息被阻塞、中断或降级时。在又一实施例中，最后两个概念都可被应用于第三实施例中。

在一些实施例中，为了改进骑行导航性能，本方法和装置使用所确定的设备与平台之间的航向失准角来通过对导航解决方案施加运动约束来增强该解决方案。在一个实施例中，所确定的失准可被用于CDR。为了应用CDR，需要平台航向(方位)连同每轮转行进距离和/或平台的速率。设备中的传感器(诸如例如加速度计、陀螺仪、以及磁力计)可以只给出设备航向(方位)而非平台航向。这两者是不同的且在它们之间具有失准，如早先依赖于设备的使用情况所解释的。所以，如果不存在绝对导航信息(诸如例如GNNS或WiFi)，或者如果任何可用绝对导航信息的质量或性质不足以或不能够计算平台航向，则在给定从设备的自包含传感器获得了设备航向的情况下，需要设备航向与平台航向之间的失准以计算平台航向。计算得到的平台航向被用于CDR。甚至在绝对导航信息可用的情况下，设备航向和失准可被用来计算要被用于CDR的平台航向，则这一解可与绝对导航信息集成以给出减轻定位推算和绝对导航信息的缺陷的更好的解。任何状态估计或过滤技术可被用于这样的集成。

在一些实施例中，为了改进骑行导航性能，本方法和装置使用例程来确定设备坐标系(设备的传感器的坐标系)与平台坐标系之间的横摇和纵摇失准角。

在一些实施例中，为了改进骑行导航性能，本方法和装置使用所确定的设备与平台之间的横摇和纵摇失准角来通过对导航解决方案施加运动约束来增强该解决方案。

在一些实施例中，航向失准角可以与任何2D导航应用一起使用，其中需要这一失准角的运动约束被施加以增强定位或导航解决方案(而无需对设备的使用的任何物理约束)。

在一些实施例中，航向失准角、横摇失准角、以及纵摇失准角可以与任何2D导航应用一起使用，其中需要这一失准角的运动约束被施加以增强定位或导航解决方案(而无需对设备的使用的任何物理约束)。

对2D或3D导航解决方案的这样的运动约束的一些示例是：

a.非完整约束(NHC)：HHC在移动平台坐标系(诸如例如自行车坐标系)中才能应用NHC，需要设备坐标系与平台坐标系之间的变换，它依赖于：(i)航向失准角(在2D解决方案的情况下)，或(ii)航向失准角、横摇失准角、以及纵摇失准角(在3D解决方案的情况下)。

b.CDR作为约束施加到另一集成导航解决方案(2D或3D导航解决方案)，从而使用低成本传感器提供与一般惯性导航相比改进的定位性能。早先解释了CDR对航向失准角的依赖性。如果要在2D中施加CDR，则只需要航向失准，如果要在3D中施加CDR，则需要以下情况之一：(i)计算航向失准和纵摇失准，或(ii)航向失准和平台的纵摇角。必须注意，设备的纵摇角通常如上所述地获得，所以它通常是可用的；并且纵摇失准是平台和设备的两个纵摇角之差。一般而言，CDR结果可按以下方式中的任一者来使用：

i.提供导航解决方案的测量更新(作为这些更新的标准差的可能计算的补充)，

ii.在最小均方的意义上与导航解决方案集成在一起，或

iii.用作唯一独立定位和导航解决方案(这一部分在上述讨论中已描述)。

c.地图约束：如果(任何类型的)环境地图可用，则地图约束可被用来增强导航解决方案。为了使用平台航向所需的这样的约束，它可根据设备航向和早先计算得到的失准来计算得到，如果没有绝对导航信息(诸如例如GNNS或WiFi)或者如果任何可用绝对导航信息的质量或性质不足以或不能够计算平台航向，则给定从其自包含传感器获得的设备航向，需要设备航向与平台航向之间的失准以计算平台航向。计算得到的平台航向将被用于导航解决方案的地图约束。甚至在绝对导航信息可用的情况下，设备航向和失准可被用来计算平台航向以进一步与绝对导航信息集成来给出更好的解决方案。如果CDR被用来进一步增强解决方案，或者如果CDR不被用来增强主导航解决方案，则用于增强导航解决方案的地图约束可被使用。

在本文公开的方法和装置按任何方式与导航解决方案(2D或3D)相组合时，这一导航解决方案可以使用任何类型的状态估计或过滤技术。状态估计技术可以是线性的、非线性的、或其组合。导航解决方案中使用的不同示例可以依赖于Kalman滤波器，扩展Kalman滤波器，诸如粒子滤波器等非线性滤波器，或诸如神经网络或模糊系统等人工智能技术。导航解决方案中使用的状态估计技术可以使用任何类型的系统和/或测量模型。导航解决方案可以遵循用于集成不同传感器和系统的任何模式，诸如例如松耦合集成模式或紧耦合集成模式，以及其他。导航解决方案可以利用建模(使用线性或非线性、短存储器长度或长存储器长度)和/或针对所使用的惯性传感器和/或其他传感器的误差的自动校准。

在一些实施例中，本方法和装置被用在实时解决方案中以用于不同的目的和应用。

在一些其他实施例中，本方法和装置被用在任务后或离线解决方案中以用于不同的目的和应用。在这些实施例中，向后平滑可被用来进一步增强该解决方案。向后平滑可被应用于CDR解决方案；它还可以被应用于集成导航解决方案(诸如INS/GNNS解决方案)，或这两者。任务后解决方案的一些示例使用可以针对性能评估，因为它可能不需要实时解决方案。

以上实施例中的任一者或任何组合可被使用在实时解决方案中或后任务离线解决方案中。

构想的实施例

本公开描述了身体坐标系是x前向、y朝身体的右侧为正、且z轴向下为正。构想了任何身体坐标系定义可被用于本文描述的方法的应用中。

构想了平台坐标系的其他定义可被用于本文描述的应用中。构想了以上呈现的方法和装置可以与导航解决方案一起使用，该导航解决方案可任选地利用自动零速度时段或静止时段决策连同其可能的更新以及惯性传感器偏置重新计算、非完整更新模块、惯性传感器误差的高级建模和/或校准、从GNSS中(在适当时)导出它们的可能测量更新、GNSS解决方案质量的自动评估以及检测降级的性能、每一可见GNSS卫星的评估(在处于紧耦合模式时)、并最终可能可与具有任何类型的向后平滑技术的向后平滑模块一起使用，并且任一这样的技术在任务后或在同一任务内的缓冲数据上在后台运行。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案被进一步编程以在后台运行例程来模拟绝对导航信息的人工中断，并估计用于本导航模块中的解决方案的状态估计技术的另一实例的参数以优化该解决方案的准确性和一致性。准确性和一致性通过将模拟中断期间的临时后台解决方案与参考解决方案进行比较来评估。参考解决方案可以是以下示例之一：绝对导航信息(例如，GNSS)、集成可用传感器与绝对导航信息(例如，GNNS)并且可能具有可任选的速率或速度读数的设备中的向前集成导航解决方案、集成可用传感器与绝对导航信息(例如，GNNS)并且可能具有可任选的速率或速度读数的向后平滑集成导航解决方案。后台处理可以在与向前解决方案处理系统的处理器上运行或在可与第一处理器通信并可从共享位置读取保存数据的另一处理器上运行。后台处理解决方案的输出可以使实时导航解决方案在将来运行中获益(即，在后台例程已完成运行之后的实时运行)，例如通过具有用于本模块中断导航的向前状态估计技术的参数的经改进的值。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案进一步与地图(诸如街道地图、室内地图或模型、或任何其他环境地图或模型，在具有这样的地图或模型可用的应用的情况下)以及地图匹配或模型匹配例程集成。地图匹配或模型匹配可在绝对导航信息(诸如GNNS)降级或中断期间进一步增强导航解决方案。在模型匹配的情况下，获取与环境有关的信息的传感器或传感器群可被使用，诸如例如激光测距器、相机以及视觉系统、或声纳系统。这些新系统可被用作外部帮助来在绝对导航信息问题(降级或缺失)期间增强导航解决方案的准确性，或者在一些应用中，它们可以完全替代绝对导航信息。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案在按紧耦合模式或混合松/紧耦合选项工作时，不必被限于利用伪距测量(它们是根据代码而非载波相位来计算的，因而它们被称为基于代码的伪距)和多普勒测量(用来获得伪距速率)。GNSS接收机的载波相位测量也可被使用，例如：(i)作为替换方式来计算距离代替基于代码的伪距，或(ii)通过合并来自基于代码的伪距和载波相位的测量来增强距离计算，这样的增强是载波平滑的伪距。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案依赖于GNSS接收机与其他传感器的读数之间的超紧密集成模式。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案使用也可被用于定位和导航的各种无线通信系统来作为附加辅助(在GNSS不可用时将更有益处)或作为GNSS信息的替换(例如，对于GNSS不适用的应用)。用于定位的这些无线通信系统的示例是诸如由蜂窝电话塔和信号、无线电信号、数字电视机信号、WiFi、或Wimax提供的那些系统。例如，对于基于蜂窝电话的应用，来自蜂窝电话塔的绝对坐标和室内用户与塔之间的距离可被用于定位，藉此可通过不同的方法来估计距离，在这些方法中计算到达时间或最接近蜂窝电话定位坐标的到达时间差。称为增强观察时间戳(E-OTD)的方法可被用来获得已知的坐标和距离。距离测量的标准差可依赖于蜂窝电话中使用的振荡器的类型以及蜂窝塔定时装备和传输损失。WiFi定位可以按各种方式来完成，包括但不限于到达时间、到达时间差、到达角、收到信号强度、以及指纹技术，以及其他；所有这些方法提供不同的准确度水平。用于定位的无线通信系统可以使用不同技术来对测距、角度、或信号强度中的误差进行建模，并且可以使用不同的短路径减轻技术。所有上述概念以及其他也可按类似的方式来应用于基于无线通信系统的其他无线定位技术。

还构想了以上呈现的方法和装置也可与以下导航解决方案一起使用：该导航解决方案利用来自各自具有(诸)设备的其他移动平台的辅助信息。这一辅助信息可被用作附加辅助(在GNSS不可用时将更有益处)或作为GNSS信息的替换(例如，对于基于GNSS的定位不适用的应用)。来自具有各设备的其他平台的辅助信息的一个示例可能够依赖于不同设备之间的无线通信系统。底层概念是具有更好定位或导航解决方案的平台/设备(例如，具有带良好可用性和准确度的GNSS)可帮助具有降级的或不可用的GNSS的平台/设备获得经改进的定位或导航解决方案。这一帮助依赖于辅助平台/设备的公知位置以及用于定位具有降级的或不可用GNSS的平台/设备的无线通信系统。这一所构想的变型涉及以下情况之一或两者：(i)具有降级的或不可用GNSS的平台/设备利用本文描述的方法并获得来自其他平台/设备和通信系统的辅助，(ii)具有可用GNSS并且因而具有良好导航解决方案的辅助平台/设备利用本文描述的方法。用于定位的无线通信系统可依赖于不同通信协议，并且它可依赖于不同方法，诸如例如到达时间、到达时间差、到达角、以及收到信号强度，以及其他。用于定位的无线通信系统可以使用不同技术来对来自无线信号的测距和/或角度中的误差进行建模，并且可以使用不同的短路径减轻技术。

构想了以上呈现的方法和装置也可与本文作为示例描述的基于MEMS的传感器之外的各种类型的惯性传感器一起使用。

不对上述描述作出任何限制，以上呈现的实施例通过以下示例进一步解说。

示例

为了在这一示例种解说，图1呈现了此后将使用的三个坐标系的定义和三个变换矩阵。如早先描述的，符号“b-坐标系”指的是传感器轴本身。符号“v-坐标系”呈现平台坐标系(诸如例如，自行车坐标系)，它具有在该平台的前向运动方向上的X轴，指向该平台的横向侧的Y轴，以及指向下方的Z轴。符号“n-坐标系”指的是本地水平坐标系(也称为导航坐标系)，它具有朝北方的X轴，朝东方的Y轴，以及朝垂直下方的Z轴。符号“C_bv”表示从b坐标系到v坐标系的变换矩阵。符号“C_bn”表示从b坐标系到n坐标系的变换矩阵。符号“C_vn”表示从v坐标系到n坐标系的变换矩阵。

在这一示例中，处于解说的目的，平台被假定为是自行车。一般而言，平台可以是通过踏板移动的任何骑行平台，诸如例如自行车、三轮车、或单轮车。

如上所述，本方法可包括一个设备且可以使用这一设备来提供导航解决方案的改进。在其他实施例中，本方法可包括骑行者身体上的不同位置上的一个以上设备以进一步改进导航解决方案，此外，检测更多人类运动可帮助进一步改进系统性能。在具有一个以上设备的情况下，该信息可以在各设备之间传送(无线地或以有线的方式)、同步、并彼此共享。佩戴若干设备的一些示例可能的位置在图2中示出。

踏板对非踏板

通过周期性地推动踏板，前传动将该移动转换到链条，随后这一运动被转移到后传动并因此到达后轮。在不存在踏板时，三个可能的动作发生：滑行、刹车、或静止。滑行或刹车涉及其中骑行者在踏板并随后停止踏板的场景。或者，在通过踏板加速时，诸如地面摩擦、风阻、轮胎摩擦等摩擦将缓慢地降低自行车的速率。大多数自行车具有允许后轮在前曲臂静止时保持旋转的飞轮。因此，CDR不能在滑行或刹车情况下以及静止情况下工作，且将改为使用INS机械化连同可能的其他更新，诸如NHC以及在静止期间可能的ZUPT。踏板频率可由加速度计或陀螺仪来监视。然而，踏板运动所生成的惯性测量在传感器坐标系中给出，它在每一行程中具有三维世界中的不同定向和平移。另外，相关于设备的定向和相关于人类身体的位置(如后背、在大腿上、或在小腿上)，记录的运动是不同的。因此，用来检测非踏板运动的信息排除原始加速度和角速度。滑行检测技术使用来自集成导航解决方案的姿态作为输入。在姿态具有翻转问题(诸如在横摇角上179到-179)的情况下，保护技术被用来使所有值到达正范围。输出标志是表示非踏板的“0”和表示踏板运动的“1”。该技术使用两个2秒窗口来决定当前运动是非踏板还是踏板。它通过交叉相关或快速傅立叶变换(FFT)检测是否存在一个或多个一个以上轮转；任一者与峰值检测一起使用。峰值检测旨在确认姿态信号中的时段的完整性。如果检测到的轮转和频率在合理范围内，则条件被满足，踏板标志被设置为“1”。

滑行检测的一个示例在图3中示出。它示出了非踏板和踏板检测结果的示例，曲轴各设备被放置在右小腿上。黑线指示滑行检测的即时决定，其中值“1”已被放大到“100”以使其易于观察。较深灰线是设备的横摇角且较浅灰线是设备的纵摇角。图3(a)示出踏板和非踏板的时段以及它们的检测。图3(b)示出之前和之后各有滑行部分的一个踏板部分上的放大；它还示出了开始踏板之前的不规则运动并且它被正确地检测为非踏板。

本方法和装置可以使用这一例程来确定何时触发CDR和失准计算。在检测到无踏板时(诸如滑行或刹车)，可以不使用CDR或可以训练/使用不同的模式。

CDR模块

CDR的基本概念是使用周期性人类运动来改进导航解决方案。直观上，踏板频率是确定平台(在该示例中是自行车)向前速率和行进距离的关键因素。此处的讨论是本方法的一个实施例的示例。这一讨论考虑单传动自行车；与多传动自行车有关的细节伴随在后。在这一示例中，完整GNSS/INS集成解决方案被首先实现以估计导航坐标系中的横摇、纵摇和航向角。踏板移动生成横摇或纵摇信号上的正弦波，它依赖于设备的设立定向。因此，在这一示例中，初始定向是重要的(例如，在开始时静止时，它们可以从加速度计来获得)。该技术通过检测正弦波上的峰值来检测每一踏板轮转并导出每一完整轮转的频率。值得一提的是，它不需要精确的参数，如计算自行车的线性加速度、传动旋转、轮缘尺寸、轮胎尺寸、踏板臂长度、施加到踏板的垂直力，等等。对应的向前速率和一个完整轮转之后的行进距离是从GPS解决方案中导出的。换言之，速率和行进距离模块是在设备接收良好GPS测量时实时训练的。

所使用的设备需要起始点的坐标的先验知识，它通常由GPS给出。因为GPS所估计的位置和速度解决方案是在n坐标系下给出的，所以水平距离和速率通过下式容易地导出：

其中dv_E和dv_N是从GPS速度测量估计的；dN和dE是由不同的GPS位置解决方案来估计的。

图4示出通过小腿或大腿来估计的正弦波具有相对较大的振幅。因而，通过大腿或小腿来检测踏板轮转的准确率将更好与位于人类上肢上的设备所生成的结果相比。然而，所有这些在姿态信号中都具有正弦波。因此，踏板轮转可以用单个设备来检测，而不论它位于何处。使用多个设备，踏板频率基于来自在姿态信号中具有较高振幅的设备的估计结果，这意味着设备随踏板显著地移动，如大腿或小腿上的设备。通过将来自多个设备的所估计的解决方案相组合，不仅导航解决方案被改进，而且附加人类运动也可被执行(如膝盖角运动)。

该技术记录每一完整踏板轮转(由陀螺仪和/或纵摇和/或横摇检测)内的即时向前速率(从GPS信号导出)。使用扩展Kalman滤波器(EKF)来融合来自MEMS惯性传感器、气压计、磁力计、和GPS的原始测量。所估计的状态向量是在n坐标系中给出的。踏板移动是规则且周期性的行为，这可在姿态信号中被容易地找出。具有较大方差的姿态信号被选择作为与踏板一起移动的角。以下峰值检测技术被使用：

1.检测三个相邻斜率变化点并针对每一者存储称为‘峰值’的向量。

2.如果第一峰值与第三峰值之间的振幅差大于10度，则删除第一峰值并保持搜索下一斜率变化点。

3.如果相邻峰值之间的振幅差大于10度并且相邻峰值之间的代差小于5代(在这种情况下，数据率20Hz、小于0.25秒的时间间隔将被删除)，则检测到完整轮转且存储其相关参数。

4.如果检测到完整轮转，其中踏板标志被设置成“1”，则搜索对应的GPS导出速率并将这一速率存储以供将来使用来构建速率和行进距离模型。

5.误差检测：i)如果完整轮转具有对应的零向前速率，则它被检测为误差；ii)如果完整轮转具有大于45度的航向变化率，则它被检测为误差；iii)与三个先前轮转相比，如果完整轮转具有显著降低的速率或降低的踏板频率，则它被检测为误差。

这一方法具有窗口大小被自动调整的优点。通过在姿态信号上找出两个高峰值或两个低峰值，一个完整踏板轮转将被检测到。在一个完整轮转已被检测到时，对应的向前速率将从GPS速度或不同的定位技术中导出。它将使用GPS文件中提供的标准差来作出选择来采取速度导出速率还是不同位置导出速率。如果GPS导出向前速率在一个轮转内具有一个以上测量，则平均速率将被用来构建该模块。踏板轮转时间(Ts)是通过第一峰值与第二峰值之间的时间差来计算得到的。随后，对应踏板频率由f＝1/Ts给出。

图5和6示出踏板频率、向前速率、以及每轮转行进距离的关系。这些测量是从真实场景中生成的。每轮转行进距离被示出在中间图表中，而每轮转向前速率被示出在底部图表中。在每一踏板轮转中，该轮转行进了相似距离。无论设备在小腿还是大腿上都示出了相同的结果。

图7和8示出另一实验中踏板频率和向前速率的关系。每轮转行进距离被示出在中间图表中，而每轮转向前速率被示出在底部图表中。这些附图示出了踏板频率具有与向前速率的强关系。无论设备在小腿还是大腿上，它都示出了相同的结果。

踏板频率与向前速率的初步关系使用一阶多项式来构建最佳拟合线。对应的参数(a:范围，b:偏移)在表1中给出，其中针对大腿和小腿的模块已被构建。在该表中，通过GPS速度和不同位置所估计的向前速率全都具有参数。描述向前速率和踏板频率之间的线性关系的示例在图9中示出。这一附图描绘了电话在小腿上和电话在大腿上两者的相似性。

表1

针对受控实验的最佳拟合线参数

一旦构建了一个完整轮转内的行进距离，绝对航向线性就可通过基于陀螺仪的航向或基于磁力计的航向来估计。位置解决方案随后通过下式来估计：

${\mathrm{\ΔP}}_f=C_p\×{\hat{s}}_j$

dE_k+1＝△P_fsin(A_z)+dE_k(3)

dN_k+1＝△P_fcos(A_z)+dN_k(4)

其中C_p是检测到的轮转的数量；A_z是平台(即，自行车)的方位(航向)，它是从根据下述技术获得的便携式设备航向和b坐标系与v坐标系之间的航向失准角导出的。因为更新频率依赖于踏板的频率，所以测得的一个完整轮转内的航向信息可具有若干值(随时间变化)。在式(3)和(4)中使用的所估计的航向是一个完整轮转内的所有航向解决方案的平均值。可以使用的航向源的一些示例是：(i)来自集成解决方案的设备航向，(ii)磁力计(它可以基于其测量的质量来被使用)，(iii)基于陀螺仪的航向，以及(iv)来自GPS速度的航向。前三者是设备航向，所以它们需要航向失准确定(如上所述)来获得平台航向。来自GPS的航向测量在下式中示出：

$A={\tan }^{-1}\frac{v_{GPS,E}}{v_{GPS,N}}---\left(5\right)$

图10示出由单个设备(位于小腿上)提供的距离模块所估计的迹线。出于解说的目的并为了示出CDR性能，航向解决方案来自GPS速度导出的航向，这可以在式(5)中找到。对于实验中使用的自行车，从背部(5.3843米)、大腿(5.2844米)以及小腿(5.5222米)估计的平均行进距离在一个轮转中非常一致。在图10中，示出了具有不同速率的循环的定位结果，低速在1和3米每秒之间，中速在3和5米每秒之间，且高速在4和7米每秒之间。迹线是根据式(3)和(4)来计算得到的并且没有使用集成解决方案(即，没有测量更新)，但所使用的航向是从GPS导出的，如上所述。

CDR性能的另一描绘在以下结果中示出。具有低速的没有GPS中断的迹线在图11中示出。EKF结果和向后平滑结果被用作参考。为了给出清晰性能比较，在低速循环中模拟了30秒GPS中断，如图12所示。在GPS中断期间累积的位置误差被标记在非常粗的灰线中。仅NHC被应用来描绘其性能对CDR。在应用了仅NHC之后，结果在图13中示出，其中位置误差显著降低。图14示出了在应用CDR的速率和距离模型之后的结果。根据各实验，没有30秒GPS位置和速度更新(即，30秒GPS中断)的位置误差性能、累积的最大位置误差在表2中概括示出。

表2

方法	最大北方误差(m)	最大东方误差(m)
			原始	7.82	80.64
NHC	27.73	8.31
			CDR	7.97	2.34

CDR和传统解决方案的最大位置误差

存在不同类型的骑行平台；一些具有与轮移动严格相关联的踏板轮转，而一些则不具有。对于后一群，速率和距离的模型将受以下各项影响：(i)道路或地形倾斜，如在平台以明显的倾斜下坡时，(ii)骑行者达到高速并停止踏板同时轮仍然旋转且平台移动的情况。这后一类型的平台的一个高级实施例的示例在图15中描述，其中该实施例在构建速率和距离模型时并且在将它们用于CDR时将道路或地形的垂直倾斜(平坦、向上、向下)纳入考虑。在这一实施例中，在GPS可用期间且在踏板轮转检测期间获得两组模型：(i)一组用于平坦和上倾，或者(ii)一组用于下倾。在其他实施例中，一组模型可被获得，在训练时考虑下倾因素以统一各模型。在道路倾斜(通过自行车运动)被检测为平坦或上倾并且在GPS可用期间检测到踏板时，将应用上述CDR训练阶段。如果倾斜是下倾并且在GPS可用期间检测到踏板，则可以使用两个可能性之一：(i)训练用于向下运动的CDR模型，(ii)训练正常CDR模型，但考虑下倾因素，这是道路倾斜的函数且由重力分量的效果造成的。在将各模型用于CDR时(利用阶段)，发生若干检查。首先，如果存在踏板轮转，则所获得的模型被用于CDR。如果没有检测到踏板轮转，并且如果该系统是静止的(静止检测是用于检测静止的单独例程；可能来自加速度计和陀螺仪)，则使用零速度更新(ZUPT)。如果没有踏板轮转检测且该系统不是静止的，这是在骑行(如滑行/刹车)期间可能发生的现象，基于倾斜是平坦、上倾还是下倾，将应用不同的模型。如果倾斜是下倾，则近乎恒定的速率模型可被应用，因为重力分量和摩擦(诸如地面摩擦、风阻、轮胎摩擦等造成的摩擦)将具有相反的效果。如果倾斜是平坦或近乎平坦，则衰退速率模型可被应用，因为摩擦将缓慢地降低自行车的速率。在倾斜是上倾的情况下，高度衰退速率模型可被应用，因为重力和摩擦两者将降低自行车的速率。这些后者模型只是给出CDR的试验性预测的近似，但它们在CDR被单独实现以给出解决方案或者CDR正更新或约束另一惯性或集成导航解决方案的情况下是有益的，因为这一CDR更新将仍然帮助该解决方案在GPS中断期间免于严重的误差增长。

多传动CDR

根据本发明的系统和方法提供用于多传动骑行平台的实施例，其中该系统自动检测传动比的变化并通过搜索现有模型或试验内插/外插以及至少两个现有模型来切换到正确的CDR模型。这一高级实施例被定义为MG-CDR。图16是MG-CDR的示例流程图。正常CDR与MG-CDR之间的差异在于后者可接纳针对不同传动比的多个模型。在这种情况下，在绝对导航信息可用期间，不同的模型针对所使用的不同传动比来构建。内插或外插技术可被用于获得在绝对导航信息可用期间没有使用的传动比的模型。以上针对单传动CDR解释的其他例程在MG-CDR中是类似的。与向下速率模型、近乎恒定速率模型、衰退速率模型以及高度衰退速率模型有关的先前解释仍然适用。

多传动的使用使得能改变轮传动比，并且因此每踏板轮转行进距离改变以及与踏板频率的速率关系改变。传动比被定义为前传动尺寸处于后传动尺寸。图17示出传动比与行进距离之间的关系。如图所示，在前传动小且后传动更大时，行进距离更短。在骑行者改变传动比时，行进距离将根据传动比而改变并且因此通过比较行进距离的缓冲历史，该技术检测这一显著变化并随后使用新训练模型来构建另一CDR模型。

图18示出在前方具有3个传动装置并在后方具有7个传动装置的理论速率模型。理论参数是基于轮缘尺寸24英寸(0.61m)、轮胎尺寸1.5英寸(0.04m)来计算得到的。存在21个传动比组合，并且因此存在21个速率模型。如图所示，对于特定传动，踏板频率与向前速度之间的关系是线性的。因此，选择线性方程y＝ax+b。

图19概括示出分别来自男性和女性用户的具有不同传动比的实验行进距离。这些财经纪律是通过具有21个传动比的山地自行车和具有24个传动比的山地自行车来收集的。尽管所呈现的方法和装置需要具有独立的向前速率和行进距离，但它使用行进距离的缓冲历史来决定哪一些CDR模型将被用来导出这些测量。为了确认所训练的MG-CDR模型与理论模型之间的差异，骑行者利用所有可能的传动组合直线骑行若干次。所指定的道路在开放空间以维持良好质量GNSS信号。图20描述了实验速率模型的性能，其中实线表示所训练的模型且虚线表示理论模型。起始点表示测量对(f_k,V_k)。图例标题“L”意味着左手侧上的传动中枢号，而图例标题“R”意味着右手侧上的传动中枢号。如图20所示，对于更高的传动比，向前速率增加得更快。这通过图17中提到的概念来验证。理论模型与实验模型之间的最大差异是“L2R1”，这由较不高效的踏板造成。这一现象发生在摩擦非常低(测试场地是平坦的)且传动比(1.14)过小的情况下，这造成快速踏板运动是冗余的。换言之，大多数人类力量将没有转移成有效力。向前速率主要是牛顿第一运动定律的结果。

因为行进距离与传动比成比例，理论上，如果该系统具有两个正确的CDR模型，则第三个CDR模型可通过内插来获得，因为如图19所示，MG-CDR模型的参数的变化与传动比呈线性。这还示出了MG-CDR技术在通过匹配行进距离参数调整CDR模型时是可行的，并且因此骑行者不必逐个训练每一传动。根据实验，由于以下原因，少量不一致的行进距离可能存在：1)GNSS速度测量的准确性；2)一个轮转内的不连续波(骑行者没有平滑地踏板)；或者3)平台具有绕相对于地面的倾斜轮的较大横摇角。这通常发生在转向期间。在以下两种情况下，这些不一致的对将被删除：1)踏板频率相对于前几个踏板频率显著变化；或2)速度突然降低或升高。这些被设计成避免刹车和滑行。表3呈现了针对一个自行车的所有传动比的经训练的行进距离的示例。

表3

针对一个自行车的所有传动比的经训练的行进距离的示例

对于多传动，特定传动比处的若干速率模型和行进距离模型由上述方法训练。在MG-CDR训练阶段期间经训练的模型的数量大多数时间将不再覆盖所有传动比，因为这依赖于骑行者在GNSS可用期间使用哪一些传动。在利用阶段开始期间，即在GNSS中断期间，(对于中断之前GNSS速度可用性的最后良好时段)行进距离的历史缓冲的平均值s被用来选择CDR模型。这一模型可以直接是在GNSS可用期间经训练的模型之一，或者可以是内插/外插模型，如下所述。当时，实际当前传动比是未知的。给定这一新s，所提出的系统自动尝试匹配最接近的如果匹配足够接近，则检索到对应的速率模型和行进距离梦想。如果类似值不存在，则内插或外插将被用来计算速率模型的参数a和b，且将被用于行进距离。例如，给定s最接近(它不具有相邻现有CDR模型)并且存在分别具有行进距离和的两个经训练的CDR模型，则新速率模型通过内插方程来计算：

$a_3=\frac{a_2-a_1}{{\hat{s}}_2-{\hat{s}}_1}\×({\hat{s}}_3-{\hat{s}}_1)+a_1---\left(6\right)$

$b_3=\frac{b_2-b_1}{{\hat{s}}_2-{\hat{s}}_1}\×({\hat{s}}_3-{\hat{s}}_1)+b_1---\left(7\right)$

道路测试迹线是在加拿大艾伯塔省卡尔加里。迹线中的一些被执行达10循环以上。为了评估低成本GNSS/MEMS惯性集成的性能，模拟的GNSS中断被应用来测试所提出的系统的准确度。迹线中的每一者具有在后处理中有意引入的GNSS信号阻塞。图21示出了由使用自行车A的骑行者收集的具有1分钟模拟GNSS中断的解决方案。具有圆形标记的线示出不带NHC和CDR的导航解决方案。具有尖角向上三角形标记的线示出了带有NHC而不带CDR的导航解决方案。具有正方形标记的线示出了带有CDR的导航解决方案。具有星形标记的线示出了通过有意地出错的MG-CDR模型来辅助的解决方案。辅助有意地出错的MG-CDR模型的原因是为了解说错误模型好于不使用带有或不带有NHC的模型。黑线是参考，它是不带有模拟的GNSS中断的向后平滑导航解决方案。如在该附图中所示，MG-CDR可有效地降低位置误差。为了验证，所提出的模式可以在具有不同传动比和不同骑行者的不同自行车上工作，图22-24示出了来自分别使用三个自行车(B-D)的其他三个骑行者(2-4)的结果。表4概括了这些场地测试达到的最大位置误差，其中NAV意味着实时集成导航解决方案。总体上，NHC可有效地降低横向方向上的位置误差，但不能在前向方向上达到更好的位置估计。因为没有有效地速度信息被馈送到NHC，不确定的速率可以在图21-24中找到。控制NHC性能的因素并可在GNSS丢失时的速率、b坐标系与v坐标系之间的变换的准确度、以及迹线的形状。如在图21-24以及表4中所示，MG-CDR的性能远好于传统解决方案。

表4

MG-CDR和传统解决方案的最大位置误差

航向失准角估计

为用户方便起见，设备是可被安装在任何位置或定向(如大腿、系统、腰带、或臂)的便携式导航设备。由于设备的不同位置，设备航向大多数时间与自行车的航向不同。因此，持续地跟踪b坐标系与v坐标系之间的失准是重要的。骑行时的人类运动涉及下肢周期性地移动。正在踏板的下肢的一个特征是以下事实：运动平面的加速度或减速度与轮平行。基于这一特征，在这一示例中，失准角估计是使用PCA技术实现的。

PCA技术是涉及数据矩阵的特征分析的协调技术。数据矩阵包括与观察相对应的x行，各列与变量相对应。它将加速度测量变换成称为主分量的一组不相关的变量。因此，运动检测获得高分数，并且变成第一主分量。换言之，第一主分量指示自行车的纵向方向(沿轨方向)。

图25定义三个不同的失准角(即，横摇、纵摇以及航向)。如图所示，航向失准角被估计作为平台航向与设备航向之差，如式(6)所示：

θ_h，mis＝ψ_v-ψ_b(6)

加速度首先使用横摇和纵摇值被分解到水平面。在这一示例中，它们是从全GPS/INS集成系统估计的，但如上所述，这是各种其他可能性中的一个可能性。加速度计不仅感测重力，还感测自行车所生成的向前加速度以及沿踏板的切线力。为了消除切线加速度在重力方向上引起的影响，PCA被使用一个完整轮转内的经分解的加速度测量来实现。在PCA计算之后，第一主分量所估计的角是沿轨角且可指示前向或后向方向(即，它具有180度不确定性)。初步角(沿轨角)通过下式估计：

${\mathrm{\θ}}_{h,mis}={\tan }^{-1}\left(\frac{-{\mathrm{EV}}_y}{{\mathrm{EV}}_x}\right)---\left(7\right)$

其中EV_x表示主分量中的第一值，EV_y表示主分量中的第二值，θ_h，mis是航向失准。

下一步骤是将设备的x轴旋转到纵向轴并且组成运动向量来检查该方向是前向方向还是后向方向。因为平面已被拉平到水平，所以运动向量通过下式来组成：

为了解决180度不确定性，在该示例中，该技术(为解说起见)将设备位置分类成三种类别：(1)人类躯干。(2)大腿。(3)小腿。一旦分类完成，它触发对应技术解决180度不确定性。

在设备随小腿移动的情况下，原始加速度和姿态信号在图26中示出。左部分描述设备如何随轮转移动，同时设备定向根据膝盖的角度而变化。右侧部分示出了对应原始加速度和姿态变化。在这种情况下，设备轴被重新定义，使得z轴是垂直向下、y轴指向前向方向、且x轴指向横向方向。它示出了在踏板靠近180度相位(下肢伸展)时x轴上的加速度增加。基于这一现象，如果运动向量与前向方向一致，则运动信号中的斜率与垂直信号轴的斜率相反。如果斜率是相同符号，则初步失准需要加180度。图27示出了在小腿上生成的水平加速度云的一部分以及第一主分量向量的对应平均方向。图28示出估计小腿上的航向失准时的性能。在向前速率低于3米每秒时，在错误方向上的机会增加。

在设备随大腿移动的情况下，原始加速度和姿态信号在图29中示出。在设备被检测到安装在大腿上时，代替进行圆周运动，它实际上上下工作。这在图29中在底部描述。因此，如果该技术检测到加速度具有上下运动代替圆周运动，则它基于加速度的一部分使用PCA来检测失准。图30示出了在大腿上生成的水平加速度云的一部分以及第一主分量向量的对应平均方向。图31示出估计小腿上的航向失准时的性能。在这种情况下，该设备被放置成z轴垂直向下，x轴在后向方向上，且y轴在横向方向上。因此，预期方向应当接近180度。在踏板从270度相位移动到90度相位时，估计在大腿上的失准的方法使用分解的加速度。这基于以下事实：在这一角度阶段期间，大腿给予设备更大前向加速度来转动踏板。因此，第一主分量与运动方向简明地一致。在一些情况下，在通过加速度导出的前向运动信号不稳定时，基于经分解的陀螺仪读数的PCA的可任选技术被使用。最接近横向方向的轴由于大腿的上下运动而具有较大变分。因此，前向/后向方向通过在PCA结果上加90度来估计。下一步骤是基于垂直加速度与前向角速度(按PCA主角度根据陀螺仪读数的x轴和y轴上经分解的角速率旋转)之间的关系来计算不确定性。如果垂直加速度具有到前向角度的100度以上偏移(等于平台的纵摇)，则这是后向方向。图32示出来自航向失准群的三个结果。图32(a)示出在设备位于背包中时的结果，其中x轴近乎指向下方且z轴。近乎指向前向方向。预期值是约180度。这一测试的均值是约170度；差值反映设备在背包内的微小移动。图32(b)示出在设备位于右口袋时的结果，其中x轴朝向前向方向且z轴指向大腿。预期值是约0度。这一测试的均值是约-10度；它接近预期值且比大致预期值更正确。最后，图32(c)描述以下情况：设备位于左小腿，其中x轴指向上方且y轴指向前方。预期值是约90度。这一测试的均值是约80度；它非常接近预期值。

纵摇失准角估计

如上所述，骑行者在爬坡或下坡时可能改变他们的躯干的角度。因此，在自行车的导航解决方案上实现NHC之前正确地估计纵摇失准是重要的。一种估计纵摇失准的可能方法是基于在上爬或下滑时在运动方向上呈现的加速度和减速度。估计身体坐标系与自行车坐标系主角度纵摇失准的这一方法基于第二PCA实现。假定航向失准是准确的，并且随后原始测量被旋转到同一径向平面(它与地面垂直且经过自行车的中心线)。第二PCA实现随后被应用于径向平面上分布的加速度。另一方法基于根据速度(无论是来自集成解决方案还是来自GPS(在可用时))计算纵摇角。它是根据来自GPS或集成解决方案的速度的垂直分量和由GPS或集成解决方案的速度的前向水平分量的反正切来计算得到的。如果以上方法不能工作，则纵摇失准的替换方法将被使用。如图25所示，如果高度差(dv)和水平差(dh)可被导出，则β_v(t)可由反正切函数来计算得到。这可以通过使用气压计来得到dv并使用GNSS得到dh来达成。导出的值表示自行车的纵摇角，并且因此纵摇失准通过下式导出：

θ_p,mis＝β_b(t)-β_v(t)(9)

图33示出来自纵摇失准群的三个结果。图33(a)示出在设备位于右小腿时的结果，其中x轴指向稍微45度前方且z轴指向小腿。预期值是约45度。这一测试的均值是约45度；它恰是预期值。图33(b)示出在设备位于右小腿时的结果，其中x轴指向-45度前方且z轴指向小腿。预期值是约-45度。这一测试的均值是约-35度；它接近预期值。最终示例在图33(c)中示出，其中设备被大致水平地放置在小腿上，其中x轴指向后方。纵摇失准的平均值是15度，这接近真实场景。

横摇失准角估计

在这一示例中描述一种获得横摇失准的可能技术。通常，轮垂直于地面，除非速率达到最小平衡阈值以执行沿转向半径向内的倾角。因此，v坐标系中的初始横摇角总是接近零。B坐标系中的横摇角通过如上所述的若干可能的技术来在设备上计算。这些角在图34中示出。如上所述，横摇失准值近乎恒定(即，它将不随倾斜而改变)，因为骑行者将总是尝试将身体保持在与自行车几乎相同的倾斜水平。所以，在检测到自行车的直线运动时(其中自行车的横摇角近乎零)，此时，设备的横摇几乎是横摇失准的均值。如上所述，这一失准值在骑行期间将变化不大，并且将几乎总是围绕依赖于设备位置的相同值。图34示出来自横摇失准群的三个结果。图34(a)示出在设备位于左小腿时的结果，其中x轴指向上方且y轴指向前方。预期值是大致约90度。这一测试的均值是约80度；它非常接近预期值且比大致预期值更正确。图34(b)示出在设备位于右口袋时的结果，其中x轴指向身体左侧且z轴面向小腿。预期值是大致约负90度。这一测试的均值是约负100度；它非常接近预期值且比大致预期值更正确。最终示例在图34(c)中示出，其中该设备被固定在自行车上，其中x轴指向前向方向且z轴从地面指向上方。

C_bv矩阵利用

在将加速度和角速度集成以估计位置和速度之前，GPS/INS机械化涉及C_bn变换矩阵来将地球旋转分量与重力从原始测量中解耦。这一矩阵可以用欧拉角的形式来表达，它包括横摇(α)、纵摇(β)、以及航向(ψ)。矩阵C_bn通常来自对齐过程且通过陀螺仪读数来持续适配。

在改进导航参数准确度时，尤其是在发生GPS中断时，NHC是非常实际的理论。这一理论假定平台不能侧向移动或垂直移动，这意味着y轴(平台的侧向)和z轴(平台的运动平面上的垂直垂线)上的速度分量是零。然而，在应用NHC(其被约束在平台坐标系上)之前，来自该解决方案的速度必须被转换到平台坐标系(在这种情况下是自行车坐标系)。

因为该设备被设计成由用户携带，C_bv可通过设备的不同运动来改变。变换矩阵C_bv涉及用于确定b坐标系与v坐标系之间的关系的估计过程。它们中的每一者定义从b坐标系到v坐标系的角度差。C_bv矩阵包括横摇失准(θ_r,mis＝α_v-α_b)、纵摇失准(θ_p,mis＝β_v-β_b)以及航向失准(θ_h,mis＝ψ_v-ψ_b)。

图25描述了这三种不同种类的失准。对于急转，骑行者向曲线的内侧倾斜。速率越大，倾斜应当越大。因此，在这种情况下，自行车的横摇变得显著。然而，横摇失准值应当仍然接近恒定(即，它将不随倾斜而改变)，因为骑行者将总是尝试将身体保持在与自行车几乎相同的倾斜水平。在沿道路向上或向下骑行时，骑行者向前或向后倾斜以降低风摩擦或其他因素，因此，纵摇失准变得显著。与向前失准相比，航向失准是最关键的角度，因为它发生得最频繁。持续修改传感器的坐标系与平台的坐标系之间的失准的另一重要原因是因为它是在将NHC应用于自行车的导航解决方案之前的必要信息。

图35到38描绘所提出的方法能估计b坐标系与v坐标系之间的3D失准。这进一步描绘该设备可以按相对于自行车的任何定向来使用。另外，该方法可以通过合并NHC和/或CDR来改进导航解决方案，这显著地降低了位置误差，尤其是在GNSS拒绝的环境中。为了评估位置域中3D失准的有效性，进行了具有模拟GNSS中断的若干实验。结果对于所有中断而言是一致的。一个模拟中断在此作为示例来讨论。如图35所示，如果主体使用智能电话作为导航仪并且体验到60秒GNSS中断，则在不使用NHC的情况下，水平位置误差可达到198.55米。图36示出如果使用NHC但不带有来更新EKF中的速度的情况下，水平位置误差可仍然达到127.02米。图37示出在应用带有所估计的(-77度横摇、11度纵摇以及90度航向)的NHC的结果，水平位置误差可降至72.53米。最后，图38示出使用CDR技术和所估计的的结果，误差有效地降至6.38米。这示出了为便携式设备估计有多重要。最终位置误差在表5中概括。

表5

CDR、具有3D失准的NHC、以及传统解决方案的最大位置误差

上述实施例和技术可被实现为联合工作的一个或多个系统，或用软件来实现为各互连功能块或离散软件模块。然而，这不是必须的，并且可以存在以下情况：这些功能块或模块等同地聚集在成具有不清晰边界的单个逻辑器件、程序或操作。在任何情况下，实现上述各实施例或接口的各特征的功能块和软件模块可由它们本身来实现，或结合其他硬件或软件操作来实现，被完全实现在设备内或结合该设备以及与该设备通信的其他启用处理器的设备(如服务器或其他设备)来实现。

虽然已经示出并描述了几个实施例，但本领域技术人员将明白，可对这些实施例作出各种改变和修改而不改变或背离它们的范围、意图或功能。在上述说明书中使用的术语和表达在本文中用作描述而非限制的术语，并且使用这些术语和表达不旨在排除所示出并描述的特征或其各部分的等效方案，要认识到，本发明只有所附权利要求书来定义和限定。

Claims (20)

1.一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括使用所述传感器读数来检测所述踏板轮转。

2.一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括：

a)使用所述传感器读数来检测所述踏板轮转，并获得所述平台的速率的模型、所述平台的行进距离的模型、或所述平台的速率和所述平台的行进距离两者的模型；以及

b)使用所述传感器读数来检测所述踏板轮转，并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

3.一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括能提供传感器读数的传感器，所述方法包括：

a)使用所述传感器读数来检测所述踏板轮转；

b)确定所述至少一个设备与所述骑行平台之间的航向失准。

4.一种用于提供与至少一个设备和通过踏板轮转移动的骑行平台相关的增强的导航解决方案的方法，其中所述至少一个设备能定位在相对于所述平台的任何定向上，以及所述设备能位于所述骑行平台或所述骑行平台的骑行者的身体上的任何位置处，并且其中所述至少一个设备包括传感器，所述方法包括：

a)使用所述传感器读数来检测所述踏板轮转；

b)确定所述至少一个设备与所述平台之间的航向失准；

c)获得所述平台的速率的模型、所述平台的行进距离的模型、或所述平台的速率和所述平台的行进距离两者的模型；

d)将所述航向失准连同所述至少一个设备航向一起用来计算平台航向；以及

e)将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

5.如权利要求3或4的中任一项所述的方法，其特征在于，所述方法还包括：使用所述航向失准通过对所述导航解决方案施加运动约束来增强所述解决方案。

6.如权利要求1、2、3、4或5的中任一项所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的纵摇失准。

7.如权利要求1、2、3、4、5或6的中任一项所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的横摇失准。

8.如权利要求3或4所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的纵摇失准，确定所述至少一个设备与所述平台之间的横摇失准，以及使用所述航向失准、所述纵摇失准、以及所述横摇失准通过对所述导航解决方案施加运动约束来增强所述解决方案。

9.如权利要求2所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的航向失准，确定所述至少一个设备与所述平台之间的纵摇失准，确定所述至少一个设备与所述平台之间的横摇失准，以及使用所述航向失准、所述纵摇失准、以及所述横摇失准通过对所述导航解决方案施加运动约束来增强所述解决方案。

10.如权利要求2所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的航向失准，确定所述至少一个设备与所述平台之间的纵摇失准，确定所述至少一个设备与所述平台之间的横摇失准，以及使用所述航向失准、所述纵摇失准、以及所述横摇失准通过应用来自从骑行定位推算获得的速率的速度更新来增强所述导航解决方案。

11.如权利要求4所述的方法，其特征在于，所述方法还包括：确定所述至少一个设备与所述平台之间的纵摇失准，确定所述至少一个设备与所述平台之间的横摇失准，以及使用所述航向失准、所述纵摇失准、以及所述横摇失准通过应用导出自从骑行定位推算获得的速率的速度更新来增强所述导航解决方案。

12.如权利要求2、4、10或11的中任一项所述的方法，其特征在于，所述方法还包括：使用来自骑行定位推算的位置通过应用来自骑行定位推算的所述位置作为位置更新来增强所述导航解决方案。

13.如权利要求2、4、10或11的中任一项所述的方法，其特征在于，所述方法还包括：使用来自骑行定位推算的位置作为所述导航解决方案的位置输出。

14.如权利要求2、4、10、11、12或13的中任一项所述的方法，其特征在于，所述骑行定位推算与具有多个传动踏板的平台一起工作。

15.如权利要求2、4、10、11、12或13的中任一项所述的方法，其特征在于，所述骑行定位推算与具有单个传动踏板的平台一起工作。

16.如权利要求2、4、10、11、12或13的中任一项所述的方法，其特征在于，所述骑行定位推算与具有不带传动的踏板系统的平台一起工作。

17.一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：

a.能够通过传感器读数的传感器组装件；

b.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

c.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于检测所述踏板轮转。

18.一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：

a.能够通过传感器读数的传感器组装件；

b.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

c.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：

i.检测所述踏板轮转并获得所述平台的速率的模型和/或所述平台每轮转的行进距离的模型；以及

ii.检测所述踏板轮转并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

19.一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：

a.能够通过传感器读数的传感器组装件；

b.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

c.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：

i.检测所述踏板轮转；以及

ii.检测所述踏板轮转并将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。

20.一种用于或提供用于骑行平台的增强的导航解决方案的系统，所述骑行平台内包括至少一个设备，所述骑行平台能通过踏板轮转来移动，其中所述设备能定位在相对于所述平台的任何定向上，其中所述设备能位于所述骑行平台的骑行者的身体上的任何位置处，所述设备包括：

a.能够通过传感器读数的传感器组装件；

b.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

c.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：

i.检测所述踏板轮转；

ii.确定所述至少一个设备与所述平台之间的航向失准；

iii.获得所述平台的速率的模型和/或所述平台每轮转的行进距离的模型；

iv.将所述航向失准连同所述至少一个设备航向一起用来计算平台航向；以及

v.将所获得的模型与所述平台航向一起应用来获得包括所述平台的位置、所述平台的速度、或所述平台的位置和速度两者的骑行定位推算解决方案。