CN108830934B - 一种用于骑行训练系统的实景运动控制方法 - Google Patents

Abstract

一种用于骑行训练系统的实景运动控制方法，包括以下步骤：步骤1：动态拟合坡度数据；步骤2：分段多项式拟合功率：分档位测出对应挡位的功率‑速度采样点，然后进行分段多项式曲线拟合，得到一组最终的功率；步骤3：功率倒推视频播放速度：根据实时骑行速度v下对应的功率数据P，加入对应情况下滚阻F_滚阻、空气阻力F_空气阻力、重力F_重力的受力情况F，最后通过P＝F*V倒推出一个新的数度V作为画面推进的速度。本发明让训练数据更加准确、训练体验更加真实流畅，这样整个骑行系统的科学性和有效性会大大提升。

Description

一种用于骑行训练系统的实景运动控制方法

技术领域

本发明涉及自动化领域以及视频控制领域，具体涉及一种用于骑行训练系统的实景运动控制方法。

背景技术

随着社会物质水平的提高、生活品质的改善，人们逐渐把运动与健身作为一项生活追求，自行车再不仅仅是一种交通工具，也成为一种健身器材。在低碳可持续发展的背景下，绿色出行的理念深入人心，骑行这项“绿色运动”风靡全球。近年来，我国越来越多的人喜欢骑行运动。随着中国自行车选手在里约奥运会上夺金，这项运动更加受到人们的青睐。因为骑行运动不仅是一项比较好的强身健体的方式，而且它可以带着我们离开满是高楼的城市，在感受自然美景的过程中工作压力得以释放。所以骑行已经成为了一种有趣而生动的城市休闲生活的方式。

但是由于环境污染，雾霾天气和寒冷空气对骑友们身体的伤害，糟糕的视线和道路条件带来的一些安全隐患等成了阻碍骑行的重要因素。而不受环境、天气、时间等骑行条件影响的智能骑行训练系统就成了广大骑友们的理想选择。

现在一般的固定式骑行训练台已经很常见，但他们大都是机械式的，功能比较单一。随着互联网技术的高速发展和高性能科技芯片的推出，智能穿戴设备大量涌入中国市场，智能骑行这一理念逐渐被大家所接受。将智能设备与普通骑行相结合，在重现真实路感同时，实时监测心率、运动数据并显示，从而更科学、更有效的进行骑行训练。在互联网背景下实施全民骑行服务系统，骑友们随时可以组建车队在线上进行室内骑行比赛，也可以在线上参加各大实时自行车比赛，让我们在进行室内健身的同时也不失体育竞技性。现在人机交互技术在生活中已经得到了广泛的应用，其中处于研究前沿的视频融合技术正在向生活中的各个领域渗透与应用。在骑行训练系统中采用视频融合技术，将骑行用户虚拟形象与实景视频相融合，让骑行者身临实景风光之中，使骑行训练更具真实感和趣味性。

发明内容

为了克服现有的骑行训练系统的真实感和趣味性较差的不足，本发明提供一种用于骑行训练系统的实景运动控制方法，该方法主要是一种对实景骑行训练系统前期数据处理、骑行算法的关键步骤进行创新的方法。这种方法可以让训练数据更加准确、训练体验更加真实流畅，这样整个骑行系统的科学性和有效性会大大提升。

本发明解决其技术问题所采用的技术方案是：

一种用于骑行训练系统的实景运动控制方法，包括以下步骤：

步骤1：动态拟合坡度数据：先对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样。随着骑行的进行，向后移动N个后再取M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，然后将前n*N个数据与之前采样数据中对应的n*N个数据相加取平均，将这组数据作为实时的坡度数据。如此循环得到实时的坡度数据；

步骤2：分段多项式拟合功率：分档位测出对应挡位的功率-速度采样点，然后进行分段多项式曲线拟合，得到一组最终的功率；

步骤3：功率倒推视频播放速度：根据实时骑行速度v下对应的功率数据P，加入对应情况下滚阻F_滚阻、空气阻力F_空气阻力、重力F_重力的受力情况F，最后通过P＝F*V倒推出一个新的数度V作为画面推进的速度。

进一步，所述步骤1中，动态拟合坡度数据的步骤如下：

步骤1.1：对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，取前n*N位作为实时的坡度数据；

步骤1.2：向后移动N位，再取前M个数据进行曲线拟合，再对拟合曲线进行1/n级的密集采样；

步骤1.3：将此次采样的前n*N位和上次采样的(n*N+1)到2n*N这n*N位进行求和取平均，作为实时的坡度数据；

步骤1.4：循环执行步骤1.2、1.3，直到训练结束。

再进一步，所述步骤1.1中的曲线拟合采用最小二乘法：

其中：k_i(x)是事先选定的一组函数；a_i是待定系数，(i＝0,1,2...m,m＜n)，寻求a₀，a₁，a₂，…，a_m，使得

最小。

更进一步，所述步骤2中，分段多项式拟合功率算法的步骤如下：

步骤2.1：分档位测出对应挡位D的功率-速度采样点(p_i,v_i)。

步骤2.2：对各档位D下的功率-速度采样点(p_i,v_i)进行多项式拟合，得到对应档位的功率函数P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m。

步骤2.3：将步骤2.2得到的功率函数整合到一起得到最后按档位分段的功率算法P＝f_i(v)(i＝D)。

所述步骤2.2中采用多项式拟合的方法来拟合各档位下的功率函数，也就是求多项式：P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m∈Π_m(m+1＜n)，

使得

设

则

将方程整理，得到：

然后把这些等式转化成矩阵的形式，得到下面的矩阵：

然后将这个范德蒙行列式简化后得到：

记作VA＝P，求解系数矩阵A，也就得到拟合的功率算法P(v)。

所述步骤3中，功率倒推算法的步骤如下：

步骤3.1：计算F_滚阻，此阻力主要来自地面和轮胎的摩擦，还有一部分来自车轴承的摩擦；滚阻的大小由人重、自行车车重、道路坡度的大小而决定，道路的坡度越大就会有更多的摩擦，同样人和自行车越重遇到的摩擦也会越大。其中参数Crr(coefficient ofrolling resistance)用来适应道路的坡度和轮胎的摩擦系数，在实际的计算中通常令Crr为0.005，坡度G的单位为％，人重和自行车车重W的单位为kg，滚阻计算公式：

F_滚阻＝9.8067(m/s²)*cos(arctan(G/100))*W(kg)*Crr

步骤3.2：计算F_空气阻力，在骑行时，身体和自行车会像铲雪车一样把周围的空气都推开，所以骑行时空气会施加压力；空气阻力的大小由骑行速度v，人和自行车与空气接触的面积，空气密度以及系数Cd决定；在实际计算中接触面积A设为0.509m²，空气密度Rho设为1.226kg/m³，系数Cd为0.509。空气阻力计算公式：

F_空气阻力＝0.5*Cd*A*Rho*(v(m/s))²

步骤3.3：计算F_重力，上坡时将克服重力做功，下坡时重力将会做正功。重力的大小由人和自行车车重W单位为kg和坡度G单位为％决定，重力计算公式：

上坡时的重力：F_重力＝9.8067(m/s²)*W(kg)*sin(arctan(G/100))

下坡时的重力：F_重力＝-9.8067(m/s²)*W(kg)*sin(arctan(G/100))

步骤3.4:受力情况的分析:

上坡时：F_阻力＝F_滚阻+F_重力+F_空气阻力

下坡时:F_阻力＝F_滚阻+F_空气阻力

下坡时，重力F_重力是做正功所以算为推动力；

步骤3.5：根据受力情况倒推新的速度：

上坡的速度：V＝P(v)/(F_滚阻+F_重力+F_空气阻力)

下坡的速度：V＝(P(v)+P_重力)/(F_滚阻+F_空气阻力)。

本发明的技术构思为：

实景骑行系统通过无线通讯设备将骑行控制器、客户端软件以及移动端APP相连接，搭建了一个智能骑行平台。上位机将实景赛道的坡度数据实时的发送给下位机；下位机根据接收到的数据改变骑行阻力，同时将骑行数据发送给上位机；下位机根据接收到的数度数据驱动实景画面的推进。从而模拟出真实的户外骑行效果。

本发明采用如下技术手段：

实景运动控制方法分为以下三步：动态拟合坡度数据、分段多项式拟合功率算法、功率倒推视频播放速度。

由于设备采集到的实景赛道坡度数据不是线性的、而是一组离散的点。各坡度数据之间会有突变，而且个别数据会有偏差。如果直接应用于实景骑行系统会影响骑行的流畅性，而且无法让坡度和实景画面相对应。针对这些问题和骑行数据的实时性，设计出了动态拟合坡度数据的方法。让坡度数据变得平滑稳定、而且不会受到一些局部噪声的干扰。

骑行控制器接收到实景赛道的坡度数据，匹配对应的挡位来调整阻力。所以骑行功率受到骑行速度和对应挡位两个因素的影响，而且三者之间不是简单的线性关系。由于曲面拟合受误差干扰的影响较大，而且基于此功率数据与挡位相对应的这一特性，采用分段多项式拟合的方法来得到功率算法。分档位测出对应的功率-速度曲线，然后进行多项式曲线拟合，得到最终的功率算法。

由于在户外骑行时不仅受到坡度阻力的影响，平路上空气阻力占主导地位，在上下坡时人和车的重力分量分别作为动力和阻力，同时还会收到滚阻的影响。将这些阻力加入，再通过骑行速度对应的功率倒推出新的速度来驱动实景画面的前进，从而模拟出真实的户外骑行效果。

本发明的有益效果在于：

1.针对实景骑行系统的实时性，提出动态拟合坡度数据的方法，不会受到一些局部噪声的干扰，使坡度数据变得平滑、稳定。从而让骑行体验变得更加流畅。

2.针对实景骑行系统的准确性，提出多项式拟合功率算法。通过分档位拟合对应的功率算法曲线，得到一组准确的功率算法。使骑行训练变得更科学、有效。

3.提供一种功率倒推视频播放速度的方法，通过添加滚阻、空气阻力、重力这些户外骑行中的阻力，再倒推出在骑行台上的输出功率对应在户外场景能骑多快，可以在骑行系统中实现真实的画面推进效果。让骑行者身临实景风光之中，使骑行训练更具真实感和趣味性。

附图说明

图1为本发明实景运动控制方法应用于实景骑行系统的流程图。

具体实施方式

下面结合附图来说明本发明的具体实施过程。

参照图1，一种用于骑行训练系统的实景运动控制方法，包括以下步骤：

步骤1：动态拟合坡度数据：先对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样。随着骑行的进行，向后移动N个后再取M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，然后将前n*N个数据与之前采样数据中对应的n*N个数据相加取平均，将这组数据作为实时的坡度数据。如此循环得到实时的坡度数据；

步骤2：分段多项式拟合功率：分档位测出对应挡位的功率-速度采样点，然后进行分段多项式曲线拟合，得到一组最终的功率；

步骤3：功率倒推视频播放速度：根据实时骑行速度v下对应的功率数据P，加入对应情况下滚阻F_滚阻、空气阻力F_空气阻力、重力F_重力的受力情况F，最后通过P＝F*V倒推出一个新的数度V作为画面推进的速度。

图1为本发明实景运动控制方法应用于实景骑行系统的流程图。如图所示，开始训练时上位机读取实景赛道的文件，将实时的坡度数据发送给下位机。为了保证坡度数据的平滑和稳定，需要动态拟合坡度数据。

动态拟合坡度数据的步骤如下：

步骤1.1：对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，取前n*N位作为实时的坡度数据。

步骤1.2：向后移动N位，再取前M个数据进行曲线拟合，再对拟合曲线进行1/n级的密集采样。

步骤1.3：将此次采样的前n*N位和上次采样的(n*N+1)到2n*N这n*N位进行求和取平均，作为实时的坡度数据。

步骤1.4：循环执行步骤1.2、1.3，直到训练结束。

其中步骤1.1中的曲线拟合采用最常用的最小二乘法，其基本思路是最小二乘法：

其中：k_i(x)是事先选定的一组函数；a_i是待定系数，(i＝0,1,2...m,m＜n)。寻求a₀，a₁，a₂，…，a_m，使得

最小。

下位机接收到坡度数据，然后通过匹配对应的挡位来调整阻力。此时上位机可以使用分段多项式拟合功率算法计算出实时的功率数据。

分段多项式拟合功率算法的步骤如下：

步骤2.1：分档位测出对应挡位D的功率-速度采样点(p_i,v_i)。

步骤2.2：对各档位D下的功率-速度采样点(p_i,v_i)进行多项式拟合，得到对应档位的功率函数P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m。

步骤2.3：将步骤2.2得到的功率函数整合到一起得到最后按档位分段的功率算法P＝f_i(v)(i＝D)。

其中步骤2.2中采用多项式拟合的方法来拟合各档位下的功率函数，也就是求多项式：P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m∈Π_m(m+1＜n)，

使得

设

则

将方程整理，得到：

然后把这些等式转化成矩阵的形式，得到下面的矩阵：

然后将这个范德蒙行列式简化后得到：

记作VA＝P，便可求解系数矩阵A，也就得到拟合的功率算法P(v)。

由于实景户外骑行中不仅有坡阻，阻力F_阻力由F_滚阻、F_空气阻力、F_重力构成，将这些阻力加入，根据功率倒推算法推导出新的速度来驱动实景画面的推进。

功率倒推算法的步骤如下：

步骤3.1：计算F_滚阻，此阻力主要来自地面和轮胎的摩擦，还有一部分来自车轴承的摩擦。滚阻的大小由人重、自行车车重、道路坡度的大小而决定，道路的坡度越大就会有更多的摩擦，同样人和自行车越重遇到的摩擦也会越大。其中参数Crr(coefficient ofrolling resistance)用来适应道路的坡度和轮胎的摩擦系数，在实际的计算中通常令Crr为0.005。坡度G的单位为％，人重和自行车车重W的单位为kg。滚阻计算公式：

F_滚阻＝9.8067(m/s²)*cos(arctan(G/100))*W(kg)*Crr

步骤3.2：计算F_空气阻力。在骑行时，身体和自行车会像铲雪车一样把周围的空气都推开，所以骑行时空气会施加压力。空气阻力的大小由骑行速度v，人和自行车与空气接触的面积，空气密度以及系数Cd决定。在实际计算中接触面积A设为0.509m²，空气密度Rho设为1.226kg/m³，系数Cd为0.509。空气阻力计算公式：

F_空气阻力＝0.5*Cd*A*Rho*(v(m/s))²

步骤3.3：计算F_重力。上坡时将克服重力做功，下坡时重力将会做正功。重力的大小由人和自行车车重W单位为kg和坡度G单位为％决定，重力计算公式：

上坡时的重力：F_重力＝9.8067(m/s²)*W(kg)*sin(arctan(G/100))

下坡时的重力：F_重力＝-9.8067(m/s²)*W(kg)*sin(arctan(G/100))步骤3.4:受力情况的分析:

上坡时：F_阻力＝F_滚阻+F_重力+F_空气阻力

下坡时:F_阻力＝F_滚阻+F_空气阻力

下坡时，重力F_重力是做正功所以算为推动力。

步骤3.5：根据受力情况倒推新的速度：

上坡的速度：V＝P(v)/(F_滚阻+F_重力+F_空气阻力)

下坡的速度：V＝(P(v)+P_重力)/(F_滚阻+F_空气阻力)。

Claims (5)

1.一种用于骑行训练系统的实景运动控制方法，其特征在于，所述方法包括以下步骤：

步骤1：动态拟合坡度数据：先对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，随着骑行的进行，向后移动N个后再取M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，然后将前n*N个数据与之前采样数据中对应的n*N个数据相加取平均，将这组数据作为实时的坡度数据，得到实时的坡度数据；

步骤2：分段多项式拟合功率：分档位测出对应挡位的功率-速度采样点，然后进行分段多项式曲线拟合，得到一组最终的功率；

步骤3：功率倒推视频播放速度：根据实时骑行速度v下对应的功率数据P，加入对应情况下滚阻F_滚阻、空气阻力F_空气阻力、重力F_重力的受力情况F，最后通过P＝F*V倒推出一个新的速度V作为画面推进的速度；

所述步骤3中，功率倒推算法的步骤如下:

步骤3.1：计算F_滚阻，参数用来适应道路的坡度和轮胎的摩擦系数，令Crr为0.005，坡度G的单位为％，人重和自行车车重W的单位为kg，滚阻计算公式：

F_滚阻＝9.8067(m/s²)*cos(arctan(G/100))*W(kg)*Crr

步骤3.2：计算F_空气阻力，空气阻力的大小由骑行速度v，人和自行车与空气接触的面积，空气密度以及系数Cd决定；在实际计算中接触面积A设为0.509m²，空气密度Rho设为1.226kg/m³，系数Cd为0.509，空气阻力计算公式：

F_空气阻力＝0.5*Cd*A*Rho*(v(m/s))²

步骤3.3：计算F_重力，重力的大小由人和自行车车重W单位为kg和坡度G单位为％决定，重力计算公式：

上坡时的重力：F_重力＝9.8067(m/s²)*W(kg)*sin(arctan(G/100))

下坡时的重力：F_重力＝-9.8067(m/s²)*W(kg)*sin(arctan(G/100))

步骤3.4:受力情况的分析:

上坡时：F_阻力＝F_滚阻+F_重力+F_空气阻力

下坡时:F_阻力＝F_滚阻+F_空气阻力

下坡时，重力F_重力是做正功，所以算为推动力；

步骤3.5：根据受力情况倒推新的速度：

上坡的速度：V＝P(v)/(F_滚阻+F_重力+F_空气阻力)

下坡的速度：V＝(P(v)+P_重力)/(F_滚阻+F_空气阻力)。

2.如权利要求1所述用于骑行训练系统的实景运动控制方法，其特征在于，所述步骤1中，动态拟合坡度数据的步骤如下：

步骤1.1：对实景坡度数据的前M个数据进行曲线拟合，然后再对此拟合曲线进行1/n级的密集采样，取前n*N位作为实时的坡度数据；

步骤1.2：向后移动N位，再取前M个数据进行曲线拟合，再对拟合曲线进行1/n级的密集采样；

步骤1.3：将此次采样的前n*N位和上次采样的(n*N+1)到2n*N这n*N位进行求和取平均，作为实时的坡度数据；

步骤1.4：循环执行步骤1.2、1.3，直到训练结束。

3.如权利要求2所述用于骑行训练系统的实景运动控制方法，其特征在于，所述步骤1.1中的曲线拟合采用最小二乘法：

其中：k_i(x)是事先选定的一组函数；a_i是待定系数，(i＝0,1,2...m,m＜n)，寻求a₀，a₁，a₂，…，a_m，使得

最小。

4.如权利要求1～3之一所述用于骑行训练系统的实景运动控制方法，其特征在于，所述步骤2中，分段多项式拟合功率算法的步骤如下：

步骤2.1：分档位测出对应挡位D的功率-速度采样点(p_i,v_i)；

步骤2.2：对各档位D下的功率-速度采样点(p_i,v_i)进行多项式拟合，得到对应档位的功率函数P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m；

步骤2.3：将步骤2.2得到的功率函数整合到一起得到最后按档位分段的功率算法P(v)＝f_i(v)(i＝D)。

5.如权利要求4所述用于骑行训练系统的实景运动控制方法，其特征在于，所述步骤2.2中采用多项式拟合的方法来拟合各档位下的功率函数，也就是求多项式：P_D＝a₀+a₁*v+a₂*v²+...a_m*v^m∈Π_m(m+1＜n)，

使得

设

则

将方程整理，得到：

然后把这些等式转化成矩阵的形式，得到下面的矩阵：

然后将这个范德蒙行列式简化后得到：

记作VA＝P，求解系数矩阵A，也就得到拟合的功率算法P(v)。

Images