CN108592908A - 一种骑行载具姿态安全监测方法及装置 - Google Patents
一种骑行载具姿态安全监测方法及装置 Download PDFInfo
- Publication number
- CN108592908A CN108592908A CN201810401462.2A CN201810401462A CN108592908A CN 108592908 A CN108592908 A CN 108592908A CN 201810401462 A CN201810401462 A CN 201810401462A CN 108592908 A CN108592908 A CN 108592908A
- Authority
- CN
- China
- Prior art keywords
- axis
- angle
- carrier
- posture
- roll
- 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.)
- Granted
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种骑行载具姿态安全监测方法,包括以下步骤:S1、读取六轴加速度/陀螺仪传感器的俯仰角、航向角、横滚角、三轴的角速度数据,使用madgwick算法进行IMU姿态融合解算;S2、获取连续n组姿态融合解算的俯仰角、航向角、横滚角、三轴的角速度与对应期望输出的二进制编码为初始训练集训练RBF神经网络;S3、保存训练完成的神经网络参数,获取连续n组俯仰角、航向角、横滚角、三轴方向角速度,并以三个欧拉角和三个角速度为神经网络的输入样本,求样本对应特征向量对应的神经网络输出分类结果;S4、无线通信模块获取当前骑行载具的定位信息,并将定位信息与姿态分类结果发送至指定终端地址。
Description
技术领域
本发明涉及骑行检测技术领域,尤其是一种骑行载具姿态安全监测方法及装置。
背景技术
如果采用以固定阈值界定摔倒或收到猛烈冲击的方法,那么对于众多的厂家的众多型号的共享单车,要分别针对不同的共享单车建立不同的物理模型计算阈值。而自行车倾倒的物理模型因受力情况的多样化需考虑的情况众多,计算过程极其复杂而且理论的阈值跟实际阈值存在着很大的误差。而且在某些情况下,会出现错误的判断,比如虽然自行车发生事故受到猛烈冲击,但是在发生倾倒时共享自行车用户能够用腿进行一定的有效支撑或用柔软的物体进行缓解倒地时的冲击,那么共享自行车用户将不会受到很大的伤害,更不需要医疗急救。
发明内容
本发明的目的是提供一种骑行载具姿态安全监测方法及装置,方法适用性广泛,无需针对不同骑行载具进行物理模型计算阈值,多次训练后识别准确度极大增加。
为实现上述目的,本发明采用下述技术方案:
一种骑行载具姿态安全监测方法,包括以下步骤:
S1、读取六轴加速度/陀螺仪传感器的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据,使用madgwick算法进行IMU姿态融合解算;
S2、获取连续n组姿态融合解算的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度与对应期望输出的二进制编码为初始训练集训练RBF神经网络;
S3、保存训练完成的神经网络参数,获取连续n组俯仰角pitch、航向角yaw、横滚角roll、三轴方向角速度,并以三个欧拉角和三个角速度为神经网络的输入样本,求样本对应特征向量对应的神经网络输出分类结果;
S4、无线通信模块获取当前骑行载具的定位信息,并将定位信息与姿态分类结果发送至指定终端地址。
进一步地,如权利要求1所述的一种骑行载具姿态安全监测方法,其特征是,所述步骤S1中,读取六轴加速度/陀螺仪传感器的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据与使用madgwick算法进行姿态融合解算一组俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据的指令时间总和小于
进一步地,步骤S2具体步骤如下:
S21、以400HZ的频率采样姿态融合解算后的数据,对己知的姿态i(i=1,2,3...m),将n组解算后三轴的姿态角俯仰角pitch、航向角yaw、横滚角roll和三轴角速度值作为一组初始训练数据;;
S22、从每个数据中提取相同的特征组成特征向量,设姿态i拥有Si个特征向量,则m个姿态共有个特征向量,获取实际训练样本;
S23、用二进制码确定期望输出,根据特征向量生成训练样本集,利用训练样本集进行训练。
进一步地,所述步骤S23中,利用训练样本集进行训练选用的神经网络核函数为:
一种骑行载具姿态安全监测装置,包括可拆卸固定设置在骑行载具车架横梁与竖梁交界处的空隙处的硬件容纳盒,所述硬件容纳盒包括微控制器、六轴加速度/陀螺仪传感器、无线通信模块和电源模块;六轴陀螺仪传感器检测骑行载具的姿态角和角速度,输出端与微控制器的输入端连接,微控制器的输出端与无线通信模块的输入端连接;电源模块为硬件容纳盒内部电路板的模块供电。
进一步地,所述六轴陀螺仪传感器欧拉角坐标系原点取在骑行载具的质心处,Z轴正方向在骑行载具对称平面内并平行于骑行载具的设计轴线指向车头,Y轴正方向在骑行载具对称平面内与Z轴垂直并指向车身下方,X轴正方向垂直于自行车对称平面指向车身右方;俯仰角pitch绕X轴旋转,车头向上为正方向;航向角yaw绕Y轴旋转,车头向右为正方向;横滚角roll绕Z轴旋转,车身右倾为正方向。
进一步地,所述无线通信模块包括GSM/GPRS/GPS无线通信单元、GPS通信天线、GSM/GPRS通信天线,GPS通信天线与GSM/GPRS/GPS无线通信单元连接,GSM/GPRS通信天线与GSM/GPRS/GPS无线通信单元连接,GSM/GPRS/GPS无线通信单元与微控制器通过UART总线通信连接。
本发明的有益效果是,
本发明基于BRF神经网络的模式识别,针对生产厂家生产的不同车型无需重新建立新的模型计算相应模式的固定阈值,只需要对各种车型进行多次训练,模拟真实的事故发生环境即可。而BRF神经网络能非常有效的非常有效的逼近非线性关系,且当数据采集频率提高的情况下能够非常迅速的识别出对应模式,可以说成是瞬间触发模式。另外随着训练集的增加,BRF神经网络抗噪声能力将大大增加,并且神经元具有一定的联想能力,当采集到一些未训练过的姿态数据,神经元能在一定程度上通过自身“经验”对状况进行判断。本发明对车辆较复杂的姿态动作识别精确,共享自行车公司或交通控制部门能够实时监测自行车用户的安全状况,另外医疗救助机构能够在第一时间对发生严重事故骑乘人作出反应并能根据姿态识别的分类预知骑乘人可能受伤程度。
附图说明
图1是本发明骑行载具姿态安全监测方法流程图;
图2是RBF神经网络结构示意图;
图3是本发明骑行载具姿态安全监测电路原理图;
图4是安全监测装置在骑行载具上的安装位置以及欧拉角坐标系示意图。
具体实施方式
如图1所示,读取Genuino 101集成开发板1内部bosch 6轴加速度/陀螺仪传感器的各项数据,包括:加速度计的轴分量、加速度计的Y轴分量、加速度计的Z轴、分量绕X轴旋转的角速度、绕Y轴旋转的角速度、绕Z轴旋转的角速度。使用madgwick算法进行IMU姿态融合解算。选用Genuino 101 Curie PME库的监督学习模式,以一段较短时间内的连续n组姿态融合解算的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度与对应期望输出的二进制编码为初始训练集训练RBF神经网络。
优选地,执行读取bosch6轴加速度/陀螺仪传感器的各项数据与使用madgwick算法进行姿态融合解算一组俯仰角pitch、航向角yaw、横滚角roll指令时间总和小于
优选地,训练数据的采样频率为400HZ,即每两个训练样本的采样时间间隔为
下边以训练6个姿态为例,说明神经网络的训练过程。对己知的姿态i(i=1,2,3,......,6),将n组解算后三轴的姿态角俯仰角pitch、航向角yaw、横滚角roll和三轴角速度值作为一组初始训练数据。
从每个数据中提取相同的特征组成特征向量。设姿态i拥有Si个特征向量,则6个姿态共有个特征向量,从而获得实际训练样本。
用6位二进制码确定期望输出,如表1所示。
表1期望输出与车辆姿态的对应关系
根据特征向量生成训练样本集,利用训练样本集进行训练。具体训练原理如下,
如图2所示,设网络输入n维向量u,输出m维向量y,输入输出样本对长度为L。RBF网络隐层第i个节点的输出为:
qi=R(||u-ci||) (1)
式(1)中ci为第i个隐节点中心,i=1,2,..,s。
网络输出层第k个节点的输出为隐节点输出的线性组合,即:
式(2)中wki是qi与yk之间的连接权值;θk是第k个输出节点的阈值。
设定各个隐节点初始中心为ci(0),计算距离并求出最小距离的节点dmin(t),同时调整中心cr(t)。
dmin(t)=min di(t)=dr(t)
|u(t)-ci(t-1)||,i≤i≤s (3)
cr(t)=cr(t-1)+β[u(t)-cr(t-1)] (4)
计算节点r的距离为:
dr(t)=||u(t)-cr(t)|| (5)
设有p组输入(up)输出(dp)的样本,p=1,2,...,L,目标函数为:
学习的目的是使J≤ε,式中yp是在输入up时的网络输出向量
本算法主要是用来对人体的动态姿态进行识别,分别为正常行驶、两侧平稳倾倒,无翻滚、后部受到猛烈撞击,被追尾、侧面受到猛烈撞击、前后翻滚、高处坠落这6个基本姿态。由于RBF算法有唯一最佳逼近的特性,且没有局部极小,因此针对本装置,选用的核函数为
训练结束后,将Genuino 101集成开发板1中Quark SE的neurons特殊存储单元所有数据以文档的形式保存至flash存储器中,以防神经网络参数断电丢失。随后运用CuriePME库进入识别模式,当训练结束后的任何一次重新启动Genuino 101集成开发板1都将同时启动SIM868 GSM/GPRS/GPS无线通信模块2的GPRS传输模式和GPS定位。Genuino 101集成开发板1将读取存储在flash存储器中保存的文档读出并重新写入Quark SE的neurons特殊存储单元。接着以采样频率为1200HZ采集连续n组俯仰角pitch、航向角yaw、横滚角roll、三轴方向角速度,并以三个欧拉角和三个角速度为神经网络的输入样本,每采一组样本,求样本对应特征向量对应的神经网络输出分类结果,并通过串口通信发送至SIM868 GSM/GPRS/GPS无线通信模块2,SIM868 GSM/GPRS/GPS无线通信模块2将获取当前GPS定位信息,并将GPS定位信息与姿态分类结果通过GPRS发送至指定共享自行车公司信息后台终端的MAC地址,这样公司将能实时对用户的骑行安全状况进行监测。另外通过IP数据报,还能对于特定的交通事故处理部门或急救中心IP地址进行点对点的或一对多的通信。
如图3所示,包括Genuino 101集成开发板1,SIM868 GSM/GPRS/GPS无线通信模块2,GPS通信天线3,GSM通信天线4。其中,核心控制器为Intel Curie内含一个Intel x86Quark SE微控制器以及一个32bit的ARC架构的核心(两个核心共用Flash和RAM)、NodicNRF51822低功耗蓝牙芯片、bosch 6轴加速度/陀螺仪传感器。Quark SE中集成了128个neurons特殊存储单元。
Genuino 101集成开发板1还包括,有5V DC输出和3.3V DC输出和外部电源输入、内部时钟32MHz、有14个数字I/O端口其中4个为PWM输出口、6个模拟输入端口。
SIM868 GSM/GPRS/GPS无线通信模块2与Genuino 101集成开发板1使用UART总线进行通信,SIM868 GSM/GPRS/GPS无线通信模块2的数据发送口UART1_TXD与Genuino 101集成开发板1数据接收口RX相连,SIM868 GSM/GPRS/GPS无线通信模块2的数据接收口UART1_TXD与Genuino 101集成开发板1的数据发送口TX相连,这样就实现了Genuino 101和SIM868之间GSM或GPRS的串口数据发送和接收;SIM868 GSM/GPRS/GPS无线通信模块2的GPS数据发送口GPS_TXD与Genuino 101集成开发板1的数字接口2相连,另外使用Genuino 101官方的SoftwareSerial库将Genuino 101集成开发板1的数字接口2定义为软串口接收口,这样就实现了SIM868向Genuino 101的GPS数据的串口发送。所述GPS通信天线3连接SIM868 GSM/GPRS/GPS无线通信模块2的GPS_ANT口;GSM通信天线4连接SIM868 GSM/GPRS/GPS无线通信模块2的GSM_ANT口。SIM868 GSM/GPRS/GPS无线通信模块2的PWRKEY口接地,这样就实现了接通电源后SIM868的自动启动。SIM868 GSM/GPRS/GPS无线通信模块2外部直流稳压电压输入端口V_IN连接Genuino101集成开发板1的外部直流稳压电压输入端口VIN,SIM868 GSM/GPRS/GPS无线通信模块2外部电源接地口GND连接Genuino 101集成开发板1的外部电源接地口GND,SIM868 GSM/GPRS/GPS无线通信模块2的V_IO口连接Genuino101集成开发板1的5V恒压口。使用7~12V直流电源对Genuino 101集成开发板1的DC5.5=2.1mm电源线接口或Type-B usb电源接口进行供电,电源将同时接通并启动SIM868 GSM/GPRS/GPS无线通信模块2。
如图4所示,Genuino 101集成开发板1、SIM868 GSM/GPRS/GPS无线通信模块2,GPS通信天线3、GSM通信天线4和供电电源都封装在一密封的硬件容纳盒内,供电电源自由选择,可以为太阳能电源,或骑行自发电电源,硬件容纳盒4可拆卸固定于自行车或其他载具车架横梁与竖梁交界的空隙处,由于容纳盒内部结构和与车身紧固连接方法已存在诸多现有技术,对此不再过多赘述。
Genuino 101集成开发板1内部bosch 6轴加速度/陀螺仪传感器欧拉角坐标系如图4所示状态,原点取在自行车的质心处,Z轴正方向在自行车对称平面内并平行于自行车的设计轴线指向车头,Y轴正方向在自行车对称平面内与Z轴垂直并指向车身下方,X轴正方向垂直于自行车对称平面指向车身右方。俯仰角pitch绕X轴旋转,车头向上为正方向;航向角yaw绕Y轴旋转,车头向右为正方向;横滚角roll绕Z轴旋转,车身右倾为正方向。
上述方法和装置不仅可应用于自行车,还可应用于电动车、摩托车等基数较大、监管难且易发生交通事故的骑行载具上。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种骑行载具姿态安全监测方法,其特征是,包括以下步骤:
S1、读取六轴加速度/陀螺仪传感器的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据,使用madgwick算法进行IMU姿态融合解算;
S2、获取连续n组姿态融合解算的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度与对应期望输出的二进制编码为初始训练集训练RBF神经网络;
S3、保存训练完成的神经网络参数,获取连续n组俯仰角pitch、航向角yaw、横滚角roll、三轴方向角速度,并以三个欧拉角和三个角速度为神经网络的输入样本,求样本对应特征向量对应的神经网络输出分类结果;
S4、无线通信模块获取当前骑行载具的定位信息,并将定位信息与姿态分类结果发送至指定终端地址。
2.如权利要求1所述的一种骑行载具姿态安全监测方法,其特征是,如权利要求1所述的一种骑行载具姿态安全监测方法,其特征是,所述步骤S1中,读取六轴加速度/陀螺仪传感器的俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据与使用madgwick算法进行姿态融合解算一组俯仰角pitch、航向角yaw、横滚角roll、三轴的角速度数据的指令时间总和小于
3.如权利要求1所述的一种骑行载具姿态安全监测方法,其特征是,步骤S2具体步骤如下:
S21、以400HZ的频率采样姿态融合解算后的数据,对己知的姿态i(i=1,2,3...m),将n组解算后三轴的姿态角俯仰角pitch、航向角yaw、横滚角roll和三轴角速度值作为一组初始训练数据;;
S22、从每个数据中提取相同的特征组成特征向量,设姿态i拥有Si个特征向量,则m个姿态共有个特征向量,获取实际训练样本;
S23、用二进制码确定期望输出,根据特征向量生成训练样本集,利用训练样本集进行训练。
4.如权利要求3所述的一种骑行载具姿态安全监测方法,其特征是,所述步骤S23中,利用训练样本集进行训练选用的神经网络核函数为:
5.一种骑行载具姿态安全监测装置,其特征是,包括可拆卸固定设置在骑行载具车架横梁与竖梁交界处的空隙处的硬件容纳盒,所述硬件容纳盒包括微控制器、六轴加速度/陀螺仪传感器、无线通信模块和电源模块;六轴陀螺仪传感器检测骑行载具的姿态角和角速度,输出端与微控制器的输入端连接,微控制器的输出端与无线通信模块的输入端连接;电源模块为硬件容纳盒内部电路板的模块供电。
6.如权利要求5所述的一种骑行载具姿态监测报警装置,其特征是,所述六轴陀螺仪传感器欧拉角坐标系原点取在骑行载具的质心处,Z轴正方向在骑行载具对称平面内并平行于骑行载具的设计轴线指向车头,Y轴正方向在骑行载具对称平面内与Z轴垂直并指向车身下方,X轴正方向垂直于自行车对称平面指向车身右方;俯仰角pitch绕X轴旋转,车头向上为正方向;航向角yaw绕Y轴旋转,车头向右为正方向;横滚角roll绕Z轴旋转,车身右倾为正方向。
7.如权利要求5所述的一种骑行载具姿态监测报警装置,其特征是,所述无线通信模块包括GSM/GPRS/GPS无线通信单元、GPS通信天线、GSM/GPRS通信天线,GPS通信天线与GSM/GPRS/GPS无线通信单元连接,GSM/GPRS通信天线与GSM/GPRS/GPS无线通信单元连接,GSM/GPRS/GPS无线通信单元与微控制器通过UART总线通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401462.2A CN108592908B (zh) | 2018-04-28 | 2018-04-28 | 一种骑行载具姿态安全监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810401462.2A CN108592908B (zh) | 2018-04-28 | 2018-04-28 | 一种骑行载具姿态安全监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108592908A true CN108592908A (zh) | 2018-09-28 |
CN108592908B CN108592908B (zh) | 2023-06-02 |
Family
ID=63619766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810401462.2A Active CN108592908B (zh) | 2018-04-28 | 2018-04-28 | 一种骑行载具姿态安全监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108592908B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405827A (zh) * | 2018-11-23 | 2019-03-01 | 安徽华米信息科技有限公司 | 终端定位方法及装置 |
CN110345940A (zh) * | 2019-05-17 | 2019-10-18 | 深圳市中智车联科技有限责任公司 | 用于规范共享单车停放姿态和方向的方法及其车锁 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
US6317658B1 (en) * | 1997-10-15 | 2001-11-13 | The Boeing Company | Neurocomputing control distribution system |
CN106643715A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种基于bp神经网络改善的室内惯性导航方法 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
-
2018
- 2018-04-28 CN CN201810401462.2A patent/CN108592908B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
US6317658B1 (en) * | 1997-10-15 | 2001-11-13 | The Boeing Company | Neurocomputing control distribution system |
CN106643715A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种基于bp神经网络改善的室内惯性导航方法 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
DAHIYA K等: "Automatic detection of bike-riders without helmet using surveillance videos in real-time", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》, pages 3046 - 3051 * |
曹士强等: "基于道路交通环境的非机动车骑行行为特征研究", 《道路交通与安全》, vol. 15, no. 4, pages 44 - 48 * |
田雨等: "基于 NN 的无信号混合交通交叉口自行车冲突避让行为建模仿真", 《 广东工业大学学报》, vol. 32, no. 1, pages 103 - 108 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405827A (zh) * | 2018-11-23 | 2019-03-01 | 安徽华米信息科技有限公司 | 终端定位方法及装置 |
CN110345940A (zh) * | 2019-05-17 | 2019-10-18 | 深圳市中智车联科技有限责任公司 | 用于规范共享单车停放姿态和方向的方法及其车锁 |
CN110345940B (zh) * | 2019-05-17 | 2023-10-24 | 深圳市中智车联科技有限责任公司 | 用于规范共享单车停放姿态和方向的方法及其车锁 |
Also Published As
Publication number | Publication date |
---|---|
CN108592908B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105632101A (zh) | 一种人体防跌倒预警方法及系统 | |
CN108592908A (zh) | 一种骑行载具姿态安全监测方法及装置 | |
CN107016342A (zh) | 一种动作识别方法及系统 | |
CN109325476A (zh) | 一种基于三维视觉的人体异常姿态检测系统及方法 | |
CN107526906A (zh) | 一种基于数据采集的驾驶风格辨识装置及方法 | |
CN106585979A (zh) | 一种基于无人机螺旋桨的桨叶角度调节的方法及无人机 | |
CN106113041A (zh) | 一种基于总线舵机控制的智能机器人控制系统 | |
CN108227905A (zh) | 一种基于表面肌电信号的游戏控制系统 | |
CN109177909A (zh) | 车辆侧翻预判方法、装置及设备 | |
CN205737909U (zh) | 一种基于app控制的电动独轮滑板平衡车 | |
CN108320456A (zh) | 一种融合多传感器的老年人摔倒预测方法和系统 | |
CN208419993U (zh) | 一种骑行载具姿态安全监测装置 | |
CN113627326B (zh) | 一种基于可穿戴设备和人体骨架的行为识别方法 | |
Agarwal et al. | Real time RF based gesture controlled robotic vehicle | |
CN205721148U (zh) | 骑行系统和自行车 | |
CN113377206A (zh) | 词典笔抬起唤醒方法、装置和设备 | |
US10551195B2 (en) | Portable device with improved sensor position change detection | |
CN105094160A (zh) | 直立平衡机器人 | |
CN107176098A (zh) | 一种内轮差盲区自动监测预警装置及控制方法 | |
CN204489201U (zh) | 基于stm32的四旋翼飞行器飞行系统 | |
CN107643908A (zh) | 语音应用触发控制方法、装置及终端 | |
CN110889330A (zh) | 一种基于bp神经网络的老年人摔倒检测方法及系统 | |
CN109993037B (zh) | 动作识别方法、装置、穿戴设备及计算机可读存储介质 | |
CN205788328U (zh) | 一种基于驾驶动作的行车记录仪 | |
CN106251734B (zh) | 一种基于虚拟现实技术的车辆驾驶训练考核系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |