CN107958221A - 一种基于卷积神经网络的人体运动步态分类方法 - Google Patents

一种基于卷积神经网络的人体运动步态分类方法 Download PDF

Info

Publication number
CN107958221A
CN107958221A CN201711291528.9A CN201711291528A CN107958221A CN 107958221 A CN107958221 A CN 107958221A CN 201711291528 A CN201711291528 A CN 201711291528A CN 107958221 A CN107958221 A CN 107958221A
Authority
CN
China
Prior art keywords
gait
convolutional neural
neural networks
human motion
classification based
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.)
Pending
Application number
CN201711291528.9A
Other languages
English (en)
Inventor
王鹏宇
孙牧
邓志红
严丹
尚克军
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201711291528.9A priority Critical patent/CN107958221A/zh
Publication of CN107958221A publication Critical patent/CN107958221A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种基于卷积神经网络的人体运动步态分类方法，能够对人体复杂运动步态进行高精度的步态划分，从而完成后续的精确导航任务。通过对测量得到的各个参量数据进行步态统计学分析，得到对人体运动步态变化最敏感的参量，以该参量作为卷积神经网络输入，能够获得准确的、与步态分类有关的数据，减少卷积神经网络的输入，降低网络计算的复杂度；通过敏感参量的选取后，剔除了一些与步态划分无关的输入量，使得卷积神经网络的步态识别精度高，实现对人体复杂运动步态的高精度划分。

Description

一种基于卷积神经网络的人体运动步态分类方法
技术领域
本发明属于惯性传感技术和模式识别技术交叉领域，具体涉及一种基于卷积神经网络的人体运动步态分类方法。
背景技术
随着社会不断发展，大型建筑日益增多且结构复杂，人们对室内位置服务需求越来越高。基于惯性传感器的行人航位推算(PDR)作为室内导航的主流技术之一，不需要外部系统支持，自主性强，彰显出极大优势。但惯性导航系统误差随时间累积，因此必须引入相应的误差控制方法。如果能对行人当前的运动步态有一个明确分类，就可以更为准确的估算行人当前的移动距离和运动方向，进而提高PDR的推算精度。因此需要利用模式识别的方法来识别行人运动的步态。
现有研究将微惯性传感装置(MIMU)置于人体足部、腿部、腰部等不同位置，利用模式识别中K近邻、支持向量机等方法对在不同步态下采集到的加速度和角速度信号进行训练和分类，进而实现步态分类。然而，传统的步态分类方法只能识别平地走、跑步、上下楼等简单步态，由于人体运动具有任意性，在人体复杂运动时，传统的人体运动步态分类方法不再适用，因此必须找到新的方法解决人体复杂运动步态划分问题，提高步态识别精度，为室内人员全运动步态导航奠定基础。
发明内容
有鉴于此，本发明提供了一种基于卷积神经网络的人体运动步态分类方法，能够对人体复杂运动步态进行高精度的步态划分，从而完成后续的精确导航任务。
本发明是通过以下技术方案来实现的：
包括如下步骤：
步骤1，采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；
选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；
将人体运动步态作为卷积神经网络输出；
步骤2，建立卷积神经网络，并利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，得到训练好的卷积神经网络；
步骤3，实时采集敏感参量的数据并输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。
其中，所述统计学特征为均值、方差、偏度、峰度或相关系数。
其中，所述人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退。
其中，所述步骤1中，利用微惯性传感器采集人体在不同运动步态下的加速度和角速度信息。
其中，所述步骤2中，卷积神经网络的隐含层激励函数为Sigmoid函数、Relu函数或者tanh函数，卷积神经网络的输出层激励函数为Softmax函数。
其中，所述步骤1中，卷积神经网络的最优化方法为梯度下降法。
其中，卷积神经网络的代价函数的形式为在计算方差中加入L1范数的形式。
其中，所述卷积神经网络包括的隐含层数目选取范围为5-10，每个隐含层包含神经元模块数为10-15。
有益效果：
本发明通过对测量得到的各个参量数据进行步态统计学分析，得到对人体运动步态变化最敏感的参量，以该参量作为卷积神经网络输入，能够获得准确的、与步态分类有关的数据，减少卷积神经网络的输入，降低网络计算的复杂度；
通过敏感参量的选取后，剔除了一些与步态划分无关的输入量，使得卷积神经网络的步态识别精度高，实现对人体复杂运动步态的高精度划分。
附图说明
图1为本发明基于卷积神经网络的人体运动步态分类方法流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于卷积神经网络的人体运动步态分类方法，方法示意图如图1所示。该方法采用如下步骤实现：
步骤1，建立人体坐标系，以人体重心为原点，前后方向为X轴，左右横向为Y轴，上下纵向为Z轴，X轴Y轴与Z轴符合右手定则；
采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；
选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；
所述统计学特征可以为均值、方差、偏度、峰度或相关系数等统计学特征；
计算各个参量的样本数据在各步态下的均值、方差、偏度、峰度和相关系数的统计学特征，各个参量在各步态下的均值、方差、偏度、峰度或相关系数差异中只要有一个统计学特征差异大于设定阈值，则选取该参量为敏感参量；
其中，利用微惯性传感器作为敏感元件采集人体在不同运动步态下的加速度和角速度信息，目前微惯性传感器常用陀螺仪和加速度计。
利用惯性传感器数据与步态特征的统计学关系，得到对人体运动的表征最为明显的参量的数据组。微惯性传感器配置于人体足部时，三轴加速度和Y轴角速度对人体运动的表征最为明显，不同步态下的均值、方差、偏度、峰度或相关系数中差异大于设定阈值的参量为三轴加速度和Y轴角速度，即三轴加速度和Y轴角速度对人体运动的表征最为明显，因此选用这四个参量的数据组作为卷积神经网络输入。
将人体运动步态作为卷积神经网络输出；本实施例中的人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退10种步态；
步骤2，根据利用步骤1得到的作为卷积神经网络输入的敏感参量个数以及作为卷积神经网络输出的步态种数，综合考虑卷积神经网络的分类准确率和计算效率，确定卷积神经网络的卷积神经网络深度以及隐含层的神经元模块数，建立卷积神经网络；
卷积神经网络深度即为卷积神经网络包括的隐含层数目，本发明隐含层选取范围定为5-10个，每个隐含层包含神经元模块定为10-15个。
由步骤1可知，本实施例中，当惯性传感器置于人体足部时，三轴加速度和Y轴角速度对人体运动的表征最为明显，因此选用这四个数据组作为卷积神经网络输入，假设微惯性传感器的微惯性导航系统采样频率为mHz，而一个导航滤波周期为ns，则卷积神经网络输入为4×mn的矩阵。综合考虑卷积神经网络的分类准确率和计算效率，确定卷积神经网络深度为8层，即包含8个隐含层，其中有5层为卷积层，3层为全连层，每个隐含层包含12个神经元模块。即在本实施例中，卷积神经网络的隐含层层数选为8层，输入为三轴加速度和Y轴角速度数据，输出为编好标签的10个神经元，对应平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退10种步态。
其中，卷积神经网络隐含层的激励函数可以选用Sigmoid函数、Relu函数或者tanh函数，本实施例选用Sigmoid函数。Sigmoid函数常被用于卷积神经网络中，具体形式为：其中-z是幂数，z是一个线性组合；
卷积神经网络输出层激励函数选为Softmax函数，具体形式为：
其中，wj(j＝1,2,...,10)为从隐含层到输出层的权重向量。
卷积神经网络的代价函数可以选为常规形式或交叉熵代价函数形式；本实施中卷积神经网络的代价函数选为常规形式，即计算方差，具体形式为：
其中，hθ(x)为预测值，y为实测值，m为mini-batch。
由于不同步态所敏感的输入信息不同，例如正常行走时对Z轴和X轴加速度更为敏感，而上下楼梯则对Y轴加速度更为敏感，因此权重越稀疏，越有利于特征的选择，也就越有利于最后的步态分类。所以在卷积神经网络的代价函数中加入L1范数，在提高分类准确度的同时稀疏权重，具体形式为：
Ω(θ)＝∑i|ωi|
卷积神经网络的最优化方法选用常规的mini-batch梯度下降法，每N个序列集成一个mini-batch，具体形式为：
其中，α为学习速率，本实施例中N取128。由于最优化方法选用梯度下降法，因此采用后向传播算法来求解梯度。
利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，确定卷积神经网络每一层的连接权值，从而得到训练好的卷积神经网络；
步骤3，将实时采集的三轴加速度和Y轴角速度数据输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。
方案验证，利用已知步态的测试集数据作为卷积神经网络输入数据组验证本发明所述方法的有效性，用下式计算分类精度：
经验证，本实施例的步态分类精度为90％，实现了精确、有效的步态分类。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于卷积神经网络的人体运动步态分类方法，其特征在于，包括如下步骤：
步骤1，采集人体在不同运动步态下的三轴加速度和三轴角速度信息，得到六个参量的样本数据，针对各个参量的样本数据，计算其在各步态下的步态统计学特征，并获得各参量的步态统计学特征差异；
选取步态统计学特征差异大于设定阈值的参量为敏感参量，以敏感参量的数据作为卷积神经网络输入；
将人体运动步态作为卷积神经网络输出；
步骤2，建立卷积神经网络，并利用步骤1得到的敏感参量的样本数据以及步态对卷积神经网络进行训练，得到训练好的卷积神经网络；
步骤3，实时采集敏感参量的数据并输入到训练好的卷积神经网络中，得到的输出结果即为当前的人体运动步态，实现人体运动步态分类。
2.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述统计学特征为均值、方差、偏度、峰度或相关系数。
3.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述人体运动步态包括平地走、上楼、下楼、慢跑、快跑、侧走、原地跳、前进跳、匍匐前进和后退。
4.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤1中，利用微惯性传感器采集人体在不同运动步态下的加速度和角速度信息。
5.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤2中，卷积神经网络的隐含层激励函数为Sigmoid函数、Relu函数或者tanh函数，卷积神经网络的输出层激励函数为Softmax函数。
6.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述步骤1中，卷积神经网络的最优化方法为梯度下降法。
7.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，卷积神经网络的代价函数的形式为在计算方差中加入L1范数的形式。
8.如权利要求1所述的一种基于卷积神经网络的人体运动步态分类方法，其特征在于，所述卷积神经网络包括的隐含层数目选取范围为5-10，每个隐含层包含神经元模块数为10-15。
CN201711291528.9A 2017-12-08 2017-12-08 一种基于卷积神经网络的人体运动步态分类方法 Pending CN107958221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711291528.9A CN107958221A (zh) 2017-12-08 2017-12-08 一种基于卷积神经网络的人体运动步态分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711291528.9A CN107958221A (zh) 2017-12-08 2017-12-08 一种基于卷积神经网络的人体运动步态分类方法

Publications (1)

Publication Number Publication Date
CN107958221A true CN107958221A (zh) 2018-04-24

Family

ID=61958366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711291528.9A Pending CN107958221A (zh) 2017-12-08 2017-12-08 一种基于卷积神经网络的人体运动步态分类方法

Country Status (1)

Country Link
CN (1) CN107958221A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447128A (zh) * 2018-09-29 2019-03-08 中国科学院自动化研究所 基于微惯性技术的行走和原地踏步运动分类方法和系统
CN109740651A (zh) * 2018-12-24 2019-05-10 南京师范大学 基于1-范数数据处理变换和卷积神经网络的肢体识别方法
CN109883431A (zh) * 2019-02-21 2019-06-14 北京方位捷讯科技有限公司 一种走姿判断方法及系统
CN109902623A (zh) * 2019-02-27 2019-06-18 浙江大学 一种基于感知压缩的步态识别方法
CN110334573A (zh) * 2019-04-09 2019-10-15 北京航空航天大学 一种基于密集连接卷积神经网络的人体运动状态判别方法
CN110634009A (zh) * 2018-06-25 2019-12-31 北京京东尚科信息技术有限公司 数据分类方法、装置及介质
CN111544005A (zh) * 2020-05-15 2020-08-18 中国科学院自动化研究所 基于支持向量机的帕金森病人运动障碍量化及识别方法
CN111623797A (zh) * 2020-06-10 2020-09-04 电子科技大学 一种基于深度学习的步数测量方法
CN113686335A (zh) * 2021-06-10 2021-11-23 上海奥欧智能科技有限公司 通过一维卷积神经网用imu数据进行精确室内定位的方法
WO2022227426A1 (zh) * 2021-04-30 2022-11-03 深圳市优必选科技股份有限公司 一种步态规划方法、装置、计算机可读存储介质及机器人
WO2022236579A1 (zh) * 2021-05-10 2022-11-17 中国科学院深圳先进技术研究院 一种基于轻量注意力卷积神经网络的步态识别方法和系统
CN117171606A (zh) * 2023-09-04 2023-12-05 北京泛源时空科技有限公司 一种基于自适应模糊推理的行人多步态模式识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102824177A (zh) * 2012-07-25 2012-12-19 王哲龙 一种三维人体步态定量分析系统和方法
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
CN104323780A (zh) * 2014-10-30 2015-02-04 上海交通大学 基于支持向量机的行人步态分类系统及方法
CN104807454A (zh) * 2015-04-29 2015-07-29 东南大学 一种单片集成六自由度微惯性测量单元及其加工方法
CN105447467A (zh) * 2015-12-01 2016-03-30 北京航空航天大学 一种用户行为模式的识别系统和识别方法
CN107153871A (zh) * 2017-05-09 2017-09-12 浙江农林大学 基于卷积神经网络和手机传感器数据的跌倒检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102824177A (zh) * 2012-07-25 2012-12-19 王哲龙 一种三维人体步态定量分析系统和方法
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
CN104323780A (zh) * 2014-10-30 2015-02-04 上海交通大学 基于支持向量机的行人步态分类系统及方法
CN104807454A (zh) * 2015-04-29 2015-07-29 东南大学 一种单片集成六自由度微惯性测量单元及其加工方法
CN105447467A (zh) * 2015-12-01 2016-03-30 北京航空航天大学 一种用户行为模式的识别系统和识别方法
CN107153871A (zh) * 2017-05-09 2017-09-12 浙江农林大学 基于卷积神经网络和手机传感器数据的跌倒检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡洪民等: "基于深度学习的入侵检测技术研究", 《安全模型、算法与编程》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634009A (zh) * 2018-06-25 2019-12-31 北京京东尚科信息技术有限公司 数据分类方法、装置及介质
CN109447128B (zh) * 2018-09-29 2021-10-01 中国科学院自动化研究所 基于微惯性技术的行走和原地踏步运动分类方法和系统
CN109447128A (zh) * 2018-09-29 2019-03-08 中国科学院自动化研究所 基于微惯性技术的行走和原地踏步运动分类方法和系统
CN109740651A (zh) * 2018-12-24 2019-05-10 南京师范大学 基于1-范数数据处理变换和卷积神经网络的肢体识别方法
CN109883431A (zh) * 2019-02-21 2019-06-14 北京方位捷讯科技有限公司 一种走姿判断方法及系统
CN109902623A (zh) * 2019-02-27 2019-06-18 浙江大学 一种基于感知压缩的步态识别方法
CN110334573A (zh) * 2019-04-09 2019-10-15 北京航空航天大学 一种基于密集连接卷积神经网络的人体运动状态判别方法
CN111544005A (zh) * 2020-05-15 2020-08-18 中国科学院自动化研究所 基于支持向量机的帕金森病人运动障碍量化及识别方法
CN111544005B (zh) * 2020-05-15 2022-03-08 中国科学院自动化研究所 基于支持向量机的帕金森病人运动障碍量化及识别方法
CN111623797A (zh) * 2020-06-10 2020-09-04 电子科技大学 一种基于深度学习的步数测量方法
WO2022227426A1 (zh) * 2021-04-30 2022-11-03 深圳市优必选科技股份有限公司 一种步态规划方法、装置、计算机可读存储介质及机器人
US11926056B2 (en) 2021-04-30 2024-03-12 Ubtech Robotics Corp Ltd Gait planning method and robot using the same and computer readable storage medium
WO2022236579A1 (zh) * 2021-05-10 2022-11-17 中国科学院深圳先进技术研究院 一种基于轻量注意力卷积神经网络的步态识别方法和系统
CN113686335A (zh) * 2021-06-10 2021-11-23 上海奥欧智能科技有限公司 通过一维卷积神经网用imu数据进行精确室内定位的方法
CN113686335B (zh) * 2021-06-10 2024-05-24 上海奥欧智能科技有限公司 通过一维卷积神经网用imu数据进行精确室内定位的方法
CN117171606A (zh) * 2023-09-04 2023-12-05 北京泛源时空科技有限公司 一种基于自适应模糊推理的行人多步态模式识别方法
CN117171606B (zh) * 2023-09-04 2024-05-28 北京泛源时空科技有限公司 一种基于自适应模糊推理的行人多步态模式识别方法

Similar Documents

Publication Publication Date Title
CN107958221A (zh) 一种基于卷积神经网络的人体运动步态分类方法
JP6783751B2 (ja) 地図情報支援の質を高められたポータブルナビゲーションを使用する方法および装置
CN110118560B (zh) 一种基于lstm和多传感器融合的室内定位方法
US10267646B2 (en) Method and system for varying step length estimation using nonlinear system identification
CN104748735B (zh) 基于智能终端的室内定位方法和设备
CN109579853A (zh) 基于bp神经网络的惯性导航室内定位方法
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
EP3680618A1 (en) Method and system for tracking a mobile device
CN103533888B (zh) 用于分类哺乳动物的身体方位的装置和方法
US20200173781A1 (en) Method and system for path-based point of sale ordering
CN109466552B (zh) 智能驾驶车道保持方法及系统
CN106643715A (zh) 一种基于bp神经网络改善的室内惯性导航方法
CN109459028A (zh) 一种基于梯度下降的自适应步长估计方法
CN106679672A (zh) 一种基于dbn和卡尔曼滤波算法的agv定位算法
CN107727110A (zh) 一种步数的统计方法及装置
CN110231592A (zh) 室内定位方法、装置、计算机可读存储介质及终端设备
CN108537101A (zh) 一种基于状态识别的行人定位方法
CN113609999B (zh) 基于姿态识别的人体模型建立方法
CN113447021A (zh) 基于lstm神经网络模型的mems惯性导航系统定位增强方法
Hasan et al. Automatic estimation of inertial navigation system errors for global positioning system outage recovery
CN107589668A (zh) 一种垂直起降飞行器质量特性参数测量方法
CN107907127A (zh) 一种基于深度学习的步长估计方法
CN117516517A (zh) 一种室内环境下无源融合定位方法、系统及电子设备
CN112052786A (zh) 一种基于网格划分骨骼的行为预测方法
CN108106630A (zh) 一种行人导航的二维人体里程计及里程计算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180424

RJ01 Rejection of invention patent application after publication