CN109631888B - 动作轨迹识别方法、装置、可穿戴设备及存储介质 - Google Patents

动作轨迹识别方法、装置、可穿戴设备及存储介质 Download PDF

Info

Publication number
CN109631888B
CN109631888B CN201910008080.8A CN201910008080A CN109631888B CN 109631888 B CN109631888 B CN 109631888B CN 201910008080 A CN201910008080 A CN 201910008080A CN 109631888 B CN109631888 B CN 109631888B
Authority
CN
China
Prior art keywords
estimation value
attitude estimation
attitude
axis
motion 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.)
Active
Application number
CN201910008080.8A
Other languages
English (en)
Other versions
CN109631888A (zh
Inventor
陈博
郭波
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 Calorie Information Technology Co ltd
Original Assignee
Beijing Calorie Information Technology Co ltd
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 Calorie Information Technology Co ltd filed Critical Beijing Calorie Information Technology Co ltd
Priority to CN201910008080.8A priority Critical patent/CN109631888B/zh
Publication of CN109631888A publication Critical patent/CN109631888A/zh
Application granted granted Critical
Publication of CN109631888B publication Critical patent/CN109631888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种动作轨迹识别方法、装置、可穿戴设备及存储介质。该方法包括：基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；对所述姿态估计值进行动态加权，得到融合估计值；将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。通过上述技术方案，实现了提高动作轨迹识别的精度。

Description

动作轨迹识别方法、装置、可穿戴设备及存储介质
技术领域
本发明实施例涉及姿态估计技术领域，尤其涉及一种动作轨迹识别方法、装置、可穿戴设备及存储介质。
背景技术
基于惯性测量单元(Inertial measurement unit，IMU)或航姿参考系(Attitudeand heading reference system，AHRS)的运动轨迹追踪系统，通过感知角速度矢量、重力加速度矢量或地磁场矢量，能够确定其载体的运动姿态及变化。由于不需要任何外部源信息、具有价格和尺寸方面的优势、能够提供细致的运动数据，在可穿戴设备(如手环、手表等)方面得到广泛的应用。例如，在健身训练时，用户通过佩戴手环等可穿戴设备，可利用IMU或AHRS识别用户的动作轨迹，从而分析其动作的标准程度，使用户进行正确的训练。
对于简单的动作识别，例如走路、跑步以及简单的手势(如上下左右移动)等，这些动作大部分都是根据可穿戴设备中传感器的原始输出数据的特征进行识别和分类，不同动作，传感器会输出不同的特征。但对于更多、更复杂的动作，仅依靠传感器的原始输出数据的特征很难实现，通常需要通过滤波技术(如粒子滤波、卡尔曼滤波算法等)或最小二乘技术等进行融合，但这些融合方法较为片面，没有考虑重力和收敛速度的影响，并且在生成动作轨迹时需要进行双重积分，使得随时间的累计误差较大，造成动作轨迹识别精度较低。
发明内容
本发明提供了一种动作轨迹方法、装置、可穿戴设备及存储介质，以提高动作轨迹的识别精度。
第一方面，本发明实施例提供了一种动作轨迹识别方法，包括：
基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；
对所述姿态估计值进行动态加权，得到融合估计值；
将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。
进一步的，所述基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：
对所述两个或两个以上传感器中的三轴陀螺仪测得的运动数据进行采样，所述运动数据包括姿态四元数和角速度；
根据采样间隔、前一时刻的姿态四元数和角速度以及当前时刻的角速度进行姿态估计，得到当前时刻的姿态四元数，作为所述运动数据的姿态估计值。
进一步的，所述基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：
根据姿态四元数的矢量旋转性质，建立所述两个或两个以上传感器中的三轴加速度计测得的运动数据的归一化数据与理论输出四元数的关系方程；
采用梯度下降法求出使所述关系方程的误差平方和最小的最近估计值，作为所述运动数据的姿态估计值。
进一步的，所述对所述姿态估计值进行动态加权，得到融合估计值，包括：
设置所述姿态估计值的初始权重；
若所述姿态估计值所对应用户运动数据的测得时间在预设节点内，则根据所述初始权重进行加权，得到融合姿态估计值；
若所述姿态估计值所对应用户运动数据的测得时间在预设节点之后，则以设定步长实时调整所述初始权重值，获得当前权重值，根据所述当前权重值值对所述姿态估计值进行动态加权，得到融合姿态估计值。
进一步的，所述两个或两个以上传感器包括三轴陀螺仪，还包括三轴加速度计和三轴地磁传感器中的至少之一；
相应的，所述设置所述姿态估计值的初始权重，包括：
设置基于三轴陀螺仪和三轴加速度计的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴加速度计的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴地磁传感器的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪、三轴加速度计和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴加速度计的姿态估计值的初始权重等于基于三轴地磁传感器的姿态估计值的初始权重。
进一步的，在所述将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹之前，还包括：
根据预设半径建立球面；
在所述球面中设置动作轨迹的预设初始点。
进一步的，所述方法还包括：
将所述可穿戴设备静止放置在水平标定台上，采集所述可穿戴设备在预设时间内测得的数据；
对所述在预设时间内测得的数据进行修正；
根据修正后的数据拟合出可穿戴设备的误差曲线。
进一步的，所述对所述在预设时间内测得的数据进行修正，包括：
将基于所述可穿戴设备在第一轴测得的数据减去重力加速度，将差值作为静止状态下的零点偏移值，所述第一轴为垂直于水平标定台朝下的轴。
第二方面，本发明实施例提供了一种动作轨迹识别装置，包括：
姿态估计模块，用于基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；
融合模块，用于对所述姿态估计值进行动态加权，得到融合估计值；
投影模块，用于将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。
第三方面，本发明实施例提供了一种可穿戴设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的动作轨迹识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的动作轨迹识别方法。
本发明实施例提供了一种动作轨迹识别方法、装置、可穿戴设备及存储介质。该方法包括：基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；对所述姿态估计值进行动态加权，得到融合估计值；将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。通过上述技术方案，实现了提高动作轨迹识别的精度。
附图说明
图1为本发明实施例一提供的一种动作轨迹识别方法的流程图；
图2为本发明实施例二提供的一种动作轨迹识别方法的流程图；
图3为本发明实施例二中采用动态权值和固定权值进行加权融合的实现示意图；
图4为本发明实施例二中动作轨迹的效果展示图；
图5为本发明实施例三提供的一种动作轨迹识别方法的流程图；
图6为本发明实施例四提供的一种动作轨迹识别装置的结构示意图；
图7为本发明实施例五提供的一种可穿戴设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种动作轨迹识别方法的流程图，本实施例可适用于利用可穿戴设备中的传感器进行姿态估计，从而识别用户的动作轨迹的情况。具体的，该动作轨迹识别方法可以由动作轨迹识别装置执行，该动作轨迹识别装置可以通过软件和/或硬件的方式实现，并集成在设备中。进一步的，设备包括但不限定于：智能手环、手表等可穿戴设备。
参考图1，该方法具体包括如下步骤：
S110、基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器。
具体的，可穿戴设备是指如智能手环、手表等可穿戴在用户的关节部位，用以在体感游戏、智能健身等场景进行动作识别的电子设备，也可以依附于无人机、手机、运动器械等，对其依附载体的运动轨迹进行识别。可穿戴设备中包括两个或两个以上传感器，例如惯性测量单元(IMU)通常包括三轴加速度计和三轴陀螺仪，用于测量物体三轴姿态角(或角速度)以及加速度，三轴加速度计用于检测物体在载体坐标系统中独立的三轴的加速度信号，而三轴陀螺仪检测载体相对于导航坐标系的角速度信号。将两个或两个以上传感器安装在可穿戴设备的重心，通过测量可穿戴设备在三维空间中的角速度和加速度，据此解算出可穿戴设备的姿态，确定可穿戴设备的姿态估计值。需要说明的是，根据可穿戴设备中各传感器测得的运动数据，可分别确定姿态估计值，然后经过融合得到最终的融合估计值。
进一步的，可穿戴设备还可包括三轴地磁传感器(可构成AHRS)，可以将各种磁场及其变化的量转变成电信号输出，通过感应磁场强度来测量电流、位置、方向等物理参数。可穿戴设备在运动过程会产生干扰，引起地磁场的变化，据此可以进行测速、定位、姿态估计等。三轴陀螺仪可以和三轴加速度计、三轴地磁传感器中的任意一个组合使用，也可以三种传感器都用，同时测量角速度、加速度和磁场强度，分别基于不同传感器测得的运动数据确定姿态估计值，再基于各传感器的姿态估计值进行加权融合。
进一步的，姿态估计值通过姿态四元数表示，形式如下：
Figure BDA0001936220320000071
其中，
Figure BDA0001936220320000072
表示旋转轴，θ表示绕旋转轴逆时针旋转的角度，[w x y z]即为绕各旋转轴的角速度。分别基于不同传感器测得的运动数据确定姿态四元数，再对姿态四元数进行加权融合。
S120、对所述姿态估计值进行动态加权，得到融合估计值。
具体的，基于可穿戴设备中的两个或两个以上的传感器测得的运动数据分别确定姿态估计值，再通过动态的权重进行加权融合，得到融合估计值，作为姿态估计的结果。以三轴陀螺仪和三轴加速度计组合使用为例，在姿态估计的初始阶段，考虑到用户由静止状态到运动状态的转变过程会有强烈的加速度变化，因此对加速度计的运动数据的姿态估计值具有较大的权重，利于姿态估计值快速收敛到运动状态；而用户进入运动状态之后，对三轴陀螺仪的运动数据的姿态估计值的权重逐渐增大，更多地考虑角速度的变化在姿态估计中占的比重，从而提高姿态估计的精度。例如，设置三轴陀螺仪和三轴加速度计对应的初始权重为0.05、0.95，再设定一定的步长或因子，使三轴陀螺仪对应的权重按照指数形式等逐渐增大。对四元数进行加权，将加权后的四元数作为融合后的姿态估计值。
需要说明的是，可穿戴设备测得的运动数据为一组随时间变化的角速度值(或加速度值、磁场强度值)，并且经过采样(如在1分钟内以100Hz的频率进行采样，共得到6000个时间点对应的运动数据)，即得到可穿戴设备在一段时间的运动过程中的各量的变化关系。对应的，加权融合的过程中按照采样时间，将各个时刻的姿态估计值分别融合，最终得到的是融合估计值随时间的变化关系，以根据时间的变化生成动作轨迹。
S130、将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。
具体的，所述融合估计值反映了运动过程中的角速度值、加速度值或磁场强度值的变化关系，将这种变化关系投影到球面上。具体的，根据预设半径(例如：r＝1)建立一个球面，在所述球面中设置动作轨迹的预设初始点，作为运动轨迹的起点，按照融合估计值随时间的变化关系，形成一系列相对于球面中的预设初始点的坐标点，以生成运动轨迹。
本发明实施例一提供的一种动作轨迹识别方法，包括基于可穿戴设备测得的用户运动数据，确定姿态估计值；对所述姿态估计值进行动态加权，得到融合估计值；将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。通过上述技术方案，采用动态加权的融合方式，考虑了不同传感器数据的融合关系，避免了双重积分，提高了动作轨迹识别的精度。
实施例二
图2为本发明实施例二提供的一种动作轨迹识别方法的流程图。本实施例是在上述实施例的基础上，进行具体优化，对确定姿态估计值、对姿态估计值进行动态加权以及变换关系在球面中的投影进行具体说明。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，参考图2，该方法具体包括如下步骤：
S210、基于可穿戴设备测得的用户运动数据，确定姿态估计值。
具体的，基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：
对所述两个或两个以上传感器中的三轴陀螺仪测得的运动数据进行采样，所述运动数据包括姿态四元数和角速度；根据采样间隔、前一时刻的姿态四元数和角速度以及当前时刻的角速度进行姿态估计，得到当前时刻的姿态四元数，作为所述运动数据的姿态估计值。
具体的，基于三轴陀螺仪测得的运动数据确定姿态估计值
Figure BDA0001936220320000091
三轴陀螺仪测得的运动数据是自身分别绕x轴、y轴、z轴的角速度，这三个角速度分别用wx、wy、wz来表示。则三轴陀螺仪测得的运动数据可以看成实部为零的四元数，用Sw来表示，即Sw＝[0 wx wy wz]。姿态四元数变化的速度
Figure BDA0001936220320000092
与当前的姿态
Figure BDA0001936220320000093
和角速度Sw有关，计算公式为：
Figure BDA0001936220320000094
因此，在设置了预设初始点和初始姿态估计值之后，随时刻进行迭代求取当前时刻的姿态四元数，即根据t-1时刻的四元数
Figure BDA0001936220320000095
和角速度Swt-1，以及t时刻的角速度Swt，可以求t时刻的四元数
Figure BDA0001936220320000096
系统采样间隔为Δt。类似于常微分方程，套用改进的欧拉公式，具体为：
Figure BDA0001936220320000097
其中，
Figure BDA0001936220320000098
Figure BDA0001936220320000099
进一步的，基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：根据姿态四元数的矢量旋转性质，建立所述两个或两个以上传感器中的三轴加速度计测得的运动数据的归一化数据与理论输出四元数的关系方程；采用梯度下降法求出使所述关系方程的误差平方和最小的最近估计值，作为所述运动数据的姿态估计值。
具体的，基于三轴加速度计测得的运动数据确定姿态估计值
Figure BDA0001936220320000101
当可穿戴设备正面朝上水平静止放置时，三轴加速度计的理论输出
Figure BDA0001936220320000102
为
Figure BDA0001936220320000103
可以看成是实部为0的四元数。在可穿戴设备开始运动之后，三轴加速度计的输出发生变化，在t时刻，三轴加速度计测得的运动数据归一化后表示为
Figure BDA0001936220320000104
则
Figure BDA0001936220320000105
可以看成是实部为0的四元数。设t时刻的姿态估计值为
Figure BDA0001936220320000106
则按照姿态四元数的矢量旋转性质可建立
Figure BDA0001936220320000107
和
Figure BDA0001936220320000108
的关系，得到如下关系方程：
Figure BDA0001936220320000109
根据此关系方程即可解出
Figure BDA00019362203200001010
即求出一个
Figure BDA00019362203200001011
Figure BDA00019362203200001012
使得误差平方和
Figure BDA00019362203200001013
最小，即
Figure BDA00019362203200001014
本实施例示例性地采用梯度下降法，经过迭代，即可得到基于三轴加速度计的最近的姿态估计值。
S220、设置所述姿态估计值的初始权重。
具体的，基于不同传感器测得的运动数据分别确定姿态估计值后，通过动态的权重进行加权融合，得到融合估计值，作为姿态估计的结果。首先设置初始权重，以对初始姿态值进行加权。
进一步的，所述两个或两个以上传感器包括三轴陀螺仪，还包括三轴加速度计和三轴地磁传感器中的至少之一；
相应的，所述设置所述姿态估计值的初始权重，包括：设置基于三轴陀螺仪和三轴加速度计的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴加速度计的姿态估计值的初始权重；或者，设置基于三轴陀螺仪和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴地磁传感器的姿态估计值的初始权重；或者，设置基于三轴陀螺仪、三轴加速度计和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴加速度计的姿态估计值的初始权重等于基于三轴地磁传感器的姿态估计值的初始权重。
具体的，三轴陀螺仪可以和三轴加速度计、三轴地磁传感器中的任意一个组合使用，也可以三种传感器都用，同时测量角速度、加速度和磁场强度，分别基于不同传感器测得的运动数据确定姿态估计值，再基于各传感器的姿态估计值进行加权融合。对应的，设置初始权重的方法有以下三种：
第一，三轴陀螺仪和三轴加速度计组合使用时，在姿态估计的初始阶段，对加速度计的运动数据的姿态估计值具有较大的权重，利于姿态估计值快速收敛到运动状态；而用户进入运动状态之后，对三轴陀螺仪的运动数据的姿态估计值的权重逐渐增大，从而提高姿态估计的精度。示例性的，设置三轴陀螺仪和三轴加速度计对应的初始权重为0.05、0.95。
第二，三轴陀螺仪和三轴地磁传感器组合使用时，在姿态估计的初始阶段，对三轴地磁传感器的运动数据的姿态估计值具有较大的权重，利于姿态估计值快速收敛到运动状态；而用户进入运动状态之后，对三轴陀螺仪的运动数据的姿态估计值的权重逐渐增大，从而提高姿态估计的精度。示例性的，设置三轴陀螺仪和三轴地磁传感器对应的初始权重为0.05、0.95。
第三，三轴陀螺仪、三轴加速度计和三轴地磁传感器同时使用时，在姿态估计的初始阶段，对三轴加速度计和三轴地磁传感器的运动数据的姿态估计值具有较大的权重，利于姿态估计值快速收敛到运动状态；用户进入运动状态之后，对三轴陀螺仪的运动数据的姿态估计值的权重逐渐增大，从而提高姿态估计的精度。示例性的，设置三轴陀螺仪、三轴加速度计和三轴地磁传感器对应的初始权重为0.1、0.45、0.45。
S230、判断所述姿态估计值所对应用户运动数据的测得时间在预设节点内，若是，则执行步骤S240，若否，则执行步骤S250。
具体的，在对每一时刻的姿态估计值进行融合时，判断其运动数据的测得时间在预设节点之内，即判断是姿态估计的初始阶段，还是姿态估计值收敛到运动状态之后。所述预设节点可以为时间、采样数量等形式。例如，对于传感器测得的3分钟的用户运动数据，前0.5S的运动数据按照初始权重进行加权，之后的运动数据实时调整权重进行动态加权；或者对于3分钟6000*3＝18000个采样数据，对于前500个采样的运动数据采用初始权重进行加权，之后的运动数据实时调整权重进行动态加权。
S240、根据所述初始权重进行加权，得到融合姿态估计值。
需要说明的是，加权融合的本质是整合基于三轴陀螺仪的姿态估计值
Figure BDA0001936220320000121
和三轴加速度的姿态估计值
Figure BDA0001936220320000122
(以及基于三轴地磁传感器的姿态估计值)，从而得到最终的姿态
Figure BDA0001936220320000123
以三轴陀螺仪与三轴加速度计组合使用为例，融合公式为：
Figure BDA0001936220320000124
其中，α1和α2满足：α1+α2＝1,0≤α1≤1,0≤α2≤1。设μ＝α1/α2，则μ越大，基于三轴陀螺仪的姿态估计值占的权重越大，μ越小，三轴加速度计的姿态估计值占的权重越大。基于三轴陀螺仪进行姿态估计的精度相对较高，但是只是旋转关系，没有绝对的空间方向；基于三轴加速度计进行姿态估计的误差较大，但由于重力一直存在，可以把基于传感器的姿态估计值在重力方向对齐。
S250、以设定步长实时调整所述初始权重值，获得当前权重值，根据所述当前权重值对所述姿态估计值进行动态加权，得到融合姿态估计值。
具体的，在预设之间节点之后，基于不同传感器的姿态估计值的权重是动态的，通过设定一定的步长或因子，使三轴陀螺仪对应的权重按照指数形式等逐渐增大。从而在动作轨迹生成的初始阶段，合加速度约等于重力加速度g的时刻，使融合估计值在重力方向迅速收敛对齐；收敛之后即在预设节点之后，μ值较小，使得生成的动作轨迹更加精确。
图3为本发明实施例二中采用动态权值和固定权值进行加权融合的实现示意图。如图3所示，对同一动作(训练蛙泳划臂动作)，分别采用动态权值和固定权值进行加权融合，将得到的融合估计值(姿态四元数)的其中一个轴上的动作轨迹进行对比，可见，采用动态权值可在生成动作轨迹的初期快速收敛，最终达到较高的精度。
步骤S260、根据预设半径建立球面。
具体的，预设半径可根据实际情况设定，根据预设半径建立一个球面，用户的动作轨迹(例如蛙泳、打羽毛球等以肩部为中心划动手臂的健身动作)可投影在所述球面上。步骤S270、在所述球面中设置动作轨迹的预设初始点。
具体的，在球面中设置预设初始点，可以理解为，球心的坐标为(0，0，0)，则球面上的预设初始点的坐标为(1,0,0)，对应的初始姿态估计值，即可穿戴设备正面朝上水平静止放置时，三轴加速度计的理论输出值[0001]。
步骤S280、将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。
需要说明的是，用户使用可穿戴设备(手环、手表等)产生的动作轨迹，绝大部分都是围绕肩关节的圆周运动，本实施例将融合估计值相对于预设初始点的变换关系投影到球面上，可以避免双重积分带来的累计误差，精确地表征用户的动作轨迹。并且，可穿戴设备本身(如用户的手腕部位)的旋转一般不作为动作轨迹，例如用户的手腕旋转或者手环等佩戴宽松带来的转动会干扰动作轨迹的生成效果，因此在投影时以手臂为轴，生成动作轨迹时不考虑可穿戴设备绕这个轴的旋转，即进行投影时，沿手臂小臂的方向投影到球面，以去除这个方向的扰动。所述球面为以坐标系原点(0，0，0)为球心，半径为一个任意的固定值r,例如r＝1或r＝2。
图4为本发明实施例二中动作轨迹的效果展示图，如图4所示，具体展示了用户做蛙泳划臂动作时在球坐标系下对应的动作轨迹，可以看出，其动作轨迹能够展示出用户当前的动作为蛙泳划臂。
需要说明的是，本实施例可适用于健身训练动作的动作轨迹识别，所述可穿戴设备具有计次功能，也可与用户或其他软硬件进行交互(例如语音提示、功能关联等)，并且根据与预设标准轨迹的相似度可对用户的动作轨迹进行评分等，即便没有专业教练，也可辅助用户独立进行比较专业的训练，有效的提升用户的健身满意度，也可应用于体感游戏等。本实施例的动作轨迹识别收敛快、精度高，可以避免基于姿态和加速度计的双重积分求绝对位置带来的累计误差，而且可以消除本身的转动带来的影响。
本发明实施例二提供的一种动作轨迹识别方法，在上述实施例的基础上进行优化，通过基于不同的传感器进行姿态估计值并对姿态估计值进行动态加权，考虑了重力的影响，兼顾了收敛速度和估计精度；通过设置预设初始点并将变换关系投影到球面，消除了可穿戴设备本身转动造成的影响，准确地表征了动作轨迹。
实施例三
图5为本发明实施例三提供的一种动作轨迹识别方法的流程图，本实施例是在上述实施例的基础上，进行具体优化，在确定姿态估计值之前对可穿戴设备静止状态下测得的数据进行修正，并生成误差曲线。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，参考图5，该方法具体包括如下步骤：
S310、将所述可穿戴设备静止放置在水平标定台上，采集所述可穿戴设备在预设时间内测得的数据。
具体的，在可穿戴设备出厂或使用可穿戴设备进行动作轨迹识别之前，将其静止放置在水平标定台上，采集其在预设时间(例如3分钟)内测得的数据。
S320、对所述在预设时间内测得的数据进行修正。
具体的，对可穿戴设备各传感器在不同轴测得的数据进行修正，以避免由于安装问题或传感器本身测量精度等问题导致的误差，并解决随时间累积产生的零点漂移问题。可穿戴设备在静止状态下，除垂直于水平标定台向下的轴的方向上的加速度应为重力加速度g以外，其他轴上的输出应为0。
进一步的，对所述在预设时间内测得的数据进行修正，包括：将基于所述可穿戴设备在第一轴测得的数据减去重力加速度，将差值作为静止状态下的零点偏移值，所述第一轴为垂直于水平标定台朝下的轴。
具体的，将预设时间内可穿戴设备(中的三轴加速度)计测得的垂直于可穿戴设备(或水平标定台)向下的轴的方向上的输出减去重力加速度g，作为三轴加速度计在该方向的零点偏移值，这样在使用可穿戴设备的过程中，可以消除静止状态下的固有误差和零点漂移，从而提高姿态估计和动作轨迹的精度。
S330、根据修正后的数据拟合出可穿戴设备的误差曲线。
具体的，将预设时间内传感器的输出拟合成误差值相对于时间的曲线e＝f(t)，在使用可穿戴设备的过程中，开始记录动作轨迹后，将可穿戴设备各传感器的输出减去拟合的误差e，得到的即为运动过程中产生的加速度、角速度等真实数据。
S340、基于可穿戴设备测得的用户运动数据，确定姿态估计值。
S350、对所述姿态估计值进行动态加权，得到融合估计值。
S360、将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹。
本发明实施例三提供的一种动作轨迹识别方法，在上述实施例的基础上进行优化，在确定姿态估计值之前对可穿戴设备静止状态下测得的数据进行修正，以在使用可穿戴设备的过程中，消除固有误差、零点漂移等，得到运动过程中产生的加速度、角速度等真实数据，进一步提高多做轨迹识别的精度。
实施例四
图6为本发明实施例四提供的一种动作轨迹识别装置的结构图。本实施例提供的动作轨迹识别装置包括：
姿态估计模块410，用于基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；
融合模块420，用于对所述姿态估计值进行动态加权，得到融合估计值；
投影模块430，用于将所述融合估计值相对于预设初始点的变换关系投影到球坐标系中，得到动作轨迹。
本发明实施例三提供的一种动作轨迹识别装置，通过姿态估计模块基于可穿戴设备测得的用户运动数据，确定姿态估计值；通过融合模块对所述姿态估计值进行动态加权，得到融合估计值；通过投影模块将所述融合估计值相对于预设初始点的变换关系投影到球坐标系中，得到动作轨迹，实现了提高动作轨迹识别的精度。
在上述实施例的基础上，所述姿态估计模块410，包括：
采样单元，用于对所述两个或两个以上传感器中的三轴陀螺仪测得的运动数据进行采样，所述运动数据包括姿态四元数和角速度；
第一姿态估计单元，用于根据采样间隔、前一时刻的姿态四元数和角速度以及当前时刻的角速度进行姿态估计，得到当前时刻的姿态四元数，作为所述运动数据的姿态估计值。
进一步的，所述姿态估计模块410，还包括：
关系方程建立单元，用于根据姿态四元数的矢量旋转性质，建立所述两个或两个以上传感器中的三轴加速度计测得的运动数据的归一化数据与理论输出四元数的关系方程；
第二姿态估计单元，用于采用梯度下降法求出使所述关系方程的误差平方和最小的最近估计值，作为所述运动数据的姿态估计值。
可选的，所述姿态估计模块410，还包括：
第三姿态估计单元，用于基于三轴地磁传感器测得的运动数据确定姿态估计值。
进一步的，所述融合模块420，包括：
初始权重设置单元，用于设置所述姿态估计值的初始权重；
第一加权单元，用于若所述姿态估计值所对应用户运动数据的测得时间在预设节点内，则根据所述初始权重进行加权，得到融合姿态估计值；
第二加权单元，用于若所述姿态估计值所对应用户运动数据的测得时间在预设节点之后，则以设定步长实时调整所述初始权重值，获得当前权重值，根据所述当前权重值对所述姿态估计值进行动态加权，得到融合姿态估计值。
进一步的，所述两个或两个以上传感器包括三轴陀螺仪，还包括三轴加速度计和三轴地磁传感器中的至少之一；
相应的，所述初始权重设置单元具体用于：
设置基于三轴陀螺仪和三轴加速度计的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴加速度计的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴地磁传感器的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪、三轴加速度计和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴加速度计的姿态估计值的初始权重等于基于三轴地磁传感器的姿态估计值的初始权重。
进一步的，所述装置还包括：
坐标系建立单元，用于建立球坐标系
预设初始点设置单元，用于在所述球坐标系中设置动作轨迹的预设初始点。
进一步的，所述装置还包括，包括：
静止数据采集模块，用于将所述可穿戴设备静止放置在水平标定台上，采集所述可穿戴设备在预设时间内测得的数据；
修正模块，用于对所述在预设时间内测得的数据进行修正；
拟合模块，用于根据修正后的数据拟合出可穿戴设备的误差曲线。
进一步的，所述修正模块，包括：
第一轴修正单元，用于将基于所述可穿戴设备在第一轴测得的数据减去重力加速度，将差值作为静止状态下的零点偏移值，所述第一轴为垂直于水平标定台朝下的轴。
本发明实施例四提供的动作轨迹识别装置可以用于执行上述任意实施例提供的动作轨迹识别方法，具备相应的功能和有益效果。
实施例五
图7为本发明实施例五提供的一种可穿戴设备的硬件结构示意图。如图7所示，本实施例提供的一种可穿戴设备，包括：处理器510和存储装置520。该可穿戴设备中的处理器可以是一个或多个，图7中以一个处理器510为例，所述可穿戴设备中的处理器510和存储装置520可以通过总线或其他方式连接，图7中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器510执行，使得所述一个或多个处理器实现上述实施例中任意所述的动作轨迹识别方法。
该可穿戴设备中的存储装置520作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中动作轨迹识别方法对应的程序指令/模块(例如，附图6所示的动作轨迹识别装置中的模块，包括：姿态估计模块410、融合模块420以及CT图像投影模块430)。处理器510通过运行存储在存储装置520中的软件程序、指令以及模块，从而执行可穿戴设备的各种功能应用以及数据处理，即实现上述方法实施例中的动作轨迹识别方法。
存储装置520主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据可穿戴设备的使用所创建的数据等(如上述实施例中的运动数据、融合估计值等)。此外，存储装置520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至可穿戴设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述可穿戴设备中所包括一个或者多个程序被所述一个或者多个处理器510执行时，程序进行如下操作：
基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；对所述姿态估计值进行动态加权，得到融合估计值；将所述融合估计值相对于预设初始点的变换关系投影到球坐标系中，得到动作轨迹。
本实施例提出的可穿戴设备与上述实施例提出的动作轨迹识别方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行动作轨迹识别方法相同的有益效果。
在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被动作轨迹识别装置执行时实现本发明上述任意实施例中的动作轨迹识别方法，该方法包括：
基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器；对所述姿态估计值进行动态加权，得到融合估计值；将所述融合估计值相对于预设初始点的变换关系投影到球坐标系中，得到动作轨迹。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的动作轨迹识别方法操作,还可以执行本发明任意实施例所提供的动作轨迹识别方法中的相关操作，且具备相应的功能和有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的动作轨迹识别方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种动作轨迹识别方法，其特征在于，包括：
基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器，所述两个或两个以上传感器包括三轴陀螺仪，还包括三轴加速度计和三轴地磁传感器中的至少之一；
对所述姿态估计值进行动态加权，得到融合估计值，其中，所述三轴陀螺仪在预设节点内测得的运动数据的姿态估计值对应于初始权重，所述三轴陀螺仪在预设节点之后测得的运动数据的姿态估计值对应的权重，以设定的步长或因子逐渐增大；
将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹；
所述基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：
对所述两个或两个以上传感器中的三轴陀螺仪测得的运动数据进行采样，所述运动数据包括姿态四元数和角速度；
根据采样间隔、前一时刻的姿态四元数和角速度以及当前时刻的角速度进行姿态估计，得到当前时刻的姿态四元数，作为所述运动数据的姿态估计值。
2.根据权利要求1所述的方法，其特征在于，所述基于可穿戴设备测得的用户运动数据，确定姿态估计值，包括：
根据姿态四元数的矢量旋转性质，建立所述两个或两个以上传感器中的三轴加速度计测得的运动数据的归一化数据与理论输出四元数的关系方程；
采用梯度下降法求出使所述关系方程的误差平方和最小的最近估计值，作为所述运动数据的姿态估计值。
3.根据权利要求1所述的方法，其特征在于，所述对所述姿态估计值进行动态加权，得到融合估计值，包括：
设置所述姿态估计值的初始权重；
若所述姿态估计值所对应用户运动数据的测得时间在预设节点内，则根据所述初始权重进行加权，得到融合姿态估计值；
若所述姿态估计值所对应用户运动数据的测得时间在预设节点之后，则以设定步长实时调整所述初始权重值，获得当前权重值，根据所述当前权重值对所述姿态估计值进行动态加权，得到融合姿态估计值。
4.根据权利要求3所述的方法，其特征在于，所述设置所述姿态估计值的初始权重，包括：
设置基于三轴陀螺仪和三轴加速度计的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴加速度计的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴陀螺仪的姿态估计值的初始权重小于基于三轴地磁传感器的姿态估计值的初始权重；
或者，设置基于三轴陀螺仪、三轴加速度计和三轴地磁传感器的姿态估计值的初始权重，其中，基于三轴加速度计的姿态估计值的初始权重等于基于三轴地磁传感器的姿态估计值的初始权重。
5.根据权利要求1所述的方法，其特征在于，在所述将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹之前，还包括：
根据预设半径建立球面；
在所述球面中设置动作轨迹的预设初始点。
6.根据权利要求1所述的方法，其特征在于，还包括：
将所述可穿戴设备静止放置在水平标定台上，采集所述可穿戴设备在预设时间内测得的数据；
对所述在预设时间内测得的数据进行修正；
根据修正后的数据拟合出可穿戴设备的误差曲线。
7.根据权利要求6所述的方法，其特征在于，所述对所述在预设时间内测得的数据进行修正，包括：
将基于所述可穿戴设备在第一轴测得的数据减去重力加速度，将差值作为静止状态下的零点偏移值，所述第一轴为垂直于水平标定台朝下的轴。
8.一种动作轨迹识别装置，其特征在于，包括：
姿态估计模块，用于基于可穿戴设备测得的用户运动数据，确定姿态估计值，所述可穿戴设备包括两个或两个以上传感器，所述两个或两个以上传感器包括三轴陀螺仪，还包括三轴加速度计和三轴地磁传感器中的至少之一；
融合模块，用于对所述姿态估计值进行动态加权，得到融合估计值，其中，所述三轴陀螺仪在预设节点内测得的运动数据的姿态估计值对应于初始权重，所述三轴陀螺仪在预设节点之后测得的运动数据的姿态估计值对应的权重，以设定的步长或因子逐渐增大；
投影模块，用于将所述融合估计值相对于预设初始点的变换关系投影到预设半径的球面上，得到动作轨迹；
所述姿态估计模块，包括：
采样单元，用于对所述两个或两个以上传感器中的三轴陀螺仪测得的运动数据进行采样，所述运动数据包括姿态四元数和角速度；
第一姿态估计单元，用于根据采样间隔、前一时刻的姿态四元数和角速度以及当前时刻的角速度进行姿态估计，得到当前时刻的姿态四元数，作为所述运动数据的姿态估计值。
9.一种可穿戴设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的动作轨迹识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的动作轨迹识别方法。
CN201910008080.8A 2019-01-04 2019-01-04 动作轨迹识别方法、装置、可穿戴设备及存储介质 Active CN109631888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910008080.8A CN109631888B (zh) 2019-01-04 2019-01-04 动作轨迹识别方法、装置、可穿戴设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910008080.8A CN109631888B (zh) 2019-01-04 2019-01-04 动作轨迹识别方法、装置、可穿戴设备及存储介质

Publications (2)

Publication Number Publication Date
CN109631888A CN109631888A (zh) 2019-04-16
CN109631888B true CN109631888B (zh) 2021-11-05

Family

ID=66057910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910008080.8A Active CN109631888B (zh) 2019-01-04 2019-01-04 动作轨迹识别方法、装置、可穿戴设备及存储介质

Country Status (1)

Country Link
CN (1) CN109631888B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767932B (zh) * 2019-04-02 2024-02-06 北京深蓝长盛科技有限公司 动作判定方法及装置、计算机设备及计算机可读存储介质
CN110236560A (zh) * 2019-06-06 2019-09-17 深圳市联邦佳维工业装备有限公司 智能穿戴设备的六轴姿态检测方法、系统
CN110490059A (zh) * 2019-07-10 2019-11-22 广州幻境科技有限公司 一种可穿戴智能戒指的手势识别方法、系统及装置
CN111000568B (zh) * 2020-03-06 2021-07-30 深圳市丞辉威世智能科技有限公司 步态检测方法、装置、设备及存储介质
CN111540039A (zh) * 2020-04-20 2020-08-14 江苏医药职业学院 三维轨迹模拟方法及电子设备
CN111783679A (zh) * 2020-07-04 2020-10-16 北京中科深智科技有限公司 一种基于摄像头和imu数据混合的实时全身动捕系统、方法
CN112255621B (zh) * 2020-10-09 2022-08-30 中国第一汽车股份有限公司 一种车辆传感器的标定方法、装置、电子设备及存储介质
CN112631430B (zh) * 2020-12-30 2022-08-16 安徽鸿程光电有限公司 手势运动轨迹处理方法、装置、设备及介质
CN113674412B (zh) * 2021-08-12 2023-08-29 浙江工商大学 基于位姿融合优化的室内地图构建方法、系统及存储介质
CN114487477A (zh) * 2022-01-17 2022-05-13 北京卡路里信息技术有限公司 基于手环的骑行判断方法和装置、存储介质和处理器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103940442B (zh) * 2014-04-03 2018-02-27 深圳市宇恒互动科技开发有限公司 一种采用加速收敛算法的定位方法及装置
EP3491634A1 (en) * 2016-08-31 2019-06-05 Apple Inc. Systems and methods of swimming analysis
CN106885566B (zh) * 2017-01-03 2019-12-17 浙江大学 一种可穿戴式运动传感器及其抗磁场干扰的方法
CN107084722B (zh) * 2017-04-24 2020-02-14 常州大学 一种用于提高惯性-地磁组合静动态综合性能的方法
CN108957512A (zh) * 2017-05-26 2018-12-07 苏州宝时得电动工具有限公司 定位装置及方法以及自动行走设备

Also Published As

Publication number Publication date
CN109631888A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109631888B (zh) 动作轨迹识别方法、装置、可穿戴设备及存储介质
CN107976193B (zh) 一种行人航迹推断方法、装置、航迹推断设备及存储介质
KR102252269B1 (ko) 수영 분석 시스템 및 방법
CN107635204B (zh) 一种运动行为辅助的室内融合定位方法及装置、存储介质
TWI457539B (zh) 多姿態步距校正定位系統與方法
CN106705968B (zh) 基于姿态识别和步长模型的室内惯性导航算法
CN108844533B (zh) 一种基于多传感器融合和姿态解算的自由姿态pdr定位方法
CN104121905B (zh) 一种基于惯性传感器的航向角获取方法
US20120123735A1 (en) Walking situation detection device, walking situation detection method, and walking situation detection program
US20210141443A1 (en) Program, information processor, and information processing method
CN106814753B (zh) 一种目标位置矫正方法、装置及系统
US20130046505A1 (en) Methods and apparatuses for use in classifying a motion state of a mobile device
US11573086B2 (en) Electronic apparatus of estimation of movement direction and method thereof
US10652696B2 (en) Method and apparatus for categorizing device use case for on foot motion using motion sensor data
KR20150108402A (ko) 디바이스와 보행자 사이의 오정렬 결정을 위한 방법 및 장치
CN112334965B (zh) 具有动作检测器的体育训练辅助器
CN107255474B (zh) 一种融合电子罗盘和陀螺仪的pdr航向角确定方法
US10533874B2 (en) Inertial positioning and navigation device featuring a novel walk detection method
CN108957505A (zh) 一种定位方法、定位系统和手携式智能穿戴设备
US11875697B2 (en) Real time sports motion training aid
Vertzberger et al. Attitude adaptive estimation with smartphone classification for pedestrian navigation
CN109708631A (zh) 一种基于手机模态识别的行人导航航向修正方法
CN109099922A (zh) 一种基于物理场的室内定位方法
CN106886288A (zh) 一种姿态动态捕捉方法及装置
US10551195B2 (en) Portable device with improved sensor position change detection

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