CN110068322B - 一种基于终端的行人定位方法及行人定位装置 - Google Patents
一种基于终端的行人定位方法及行人定位装置 Download PDFInfo
- Publication number
- CN110068322B CN110068322B CN201910314173.3A CN201910314173A CN110068322B CN 110068322 B CN110068322 B CN 110068322B CN 201910314173 A CN201910314173 A CN 201910314173A CN 110068322 B CN110068322 B CN 110068322B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- gesture
- acceleration
- terminal
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001133 acceleration Effects 0.000 claims abstract description 148
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 11
- 230000003111 delayed effect Effects 0.000 claims description 5
- 230000036544 posture Effects 0.000 description 61
- 230000008569 process Effects 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 7
- 239000000696 magnetic material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
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
- G01C21/005—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
-
- 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于终端的行人定位方法及行人定位装置，所述方法包括：获取行人的初始位置和初始航向角；识别行人携带终端的实时姿态；基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度；对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数；确定行人的步长和航向偏移量；根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置，由此，可以提高步数统计的精确性，从而可以提高行人的定位精度，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
Description
技术领域
本发明涉及定位技术领域，尤其涉及一种基于终端的行人定位方法及行人定位装置。
背景技术
全球卫星定位系统(如GPS等)已广泛应用于智能手机、汽车、飞机等设备和交通工具上，在陆上、航空、航海等领域定位导航发挥着巨大的作用。但是，卫星定位系统在室内、高楼密集的环境中会受到削弱甚至屏蔽，从而失去定位导航功能。随着室内定位需求的不断增加，室内定位导航技术的研究潜藏着巨大的社会和经济效益。
发明内容
本发明的主要目的在于提出一种基于终端的行人定位方法及行人定位装置，以至少解决相关技术中室内定位性能差的问题。
为实现上述目的，本发明实施例提供一种基于终端的行人定位方法，包括：
获取行人的初始位置和初始航向角；
识别行人携带终端的实时姿态；
基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度；
对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数；
确定行人的步长和航向偏移量；
根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
为实现上述目的，本发明实施例还提供一种行人定位装置，包括：传感器组件、存储器、处理器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现如上的行人定位方法的步骤。
采用本发明实施例，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择不同载体坐标系下的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中基于终端的行人定位方法的流程图；
图2是本发明实施例中基于终端的行人定位方法的部分流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
随着定位技术的发展，针对室内行人定位导航系统的研究已取得了极大的进展，其中，基于智能手机内置多种惯性传感器的室内行人航位推算算法(Pedestrian DeadReckoning，PDR)以其可靠性好、精度高、无依赖性等优点，表现出良好的应用前景。
相关技术中，行人航位推算算法通常是采用通用算法，而没有针对不同的持握姿态提出差异化的行人航位推算算法，不适用于现实生活中行人移动过程中持握智能手机姿态的不确定性和可变化性。
为了解决相关技术中没有针对不同的持握姿态提出差异化的行人航位推算算法、造成定位精度低的问题，一方面，如图1所示，本发明实施例提供一种基于终端的行人定位方法，包括：
S101，获取行人的初始位置和初始航向角。例如，可以通过GPS获取行人的初始位置和初始航向角。
S102，识别行人携带终端的实时姿态。行人携带终端的姿态可以有多种，例如胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态或其他姿态等。行人携带终端的实时姿态可以通过终端中的元器件(如传感器组件或摄像头等)进行识别。
S103，基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度。可以理解的是，行人携带终端的姿态与参考加速度的确定公式之间具有确定的对应关系，例如，行人携带终端的姿态与参考加速度的确定公式一一对应，根据实时识别的行人携带终端的实时姿态确定其对应的参考加速度的确定公式，参考加速度可以为载体坐标系下的轴向加速度或载体坐标系下加速度的模值，参考加速度也可以为地球坐标系下的轴向加速度或地球坐标系下加速度的模值。
这里，需要说明的是，“加速度模值”可以为载体坐标系下三轴加速度的和的模值或地球坐标系下三轴加速度的和的模值。另外，地球坐标系可以为东北天坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面且指向上方。载体坐标系原点位于载体(如终端)质心，x轴沿载体横轴向右(如终端的宽度方向且指向终端的右方)，y轴沿载体纵轴向后(如终端的长度方向且指向终端的后方)，z轴沿载体竖轴向下(如终端的厚度方向且指向终端的下方)。
S104，对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。需要说明的是，这里所提到的预处理可以为对参考加速度进行滤波处理。利用波峰检测算法对预处理后的参考加速度进行筛选，筛选出的波峰用于统计行人的步数，筛选出的波峰的数量即为行人的步数。
S105，确定行人的步长和航向偏移量。
S106，根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
本发明实施例的基于终端的行人定位方法，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择载体坐标系或地球坐标系下不同的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
在本发明的一些实施例中，行人携带终端的姿态可以包括胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态和其他姿态。当实时姿态为胸前握持终端姿态，确定终端在地球坐标系下的z轴加速度为参考加速度；当实时姿态为终端随手摆动姿态，确定终端在载体坐标系下的x轴加速度为参考加速度；当实时姿态为终端在裤子口袋姿态，确定终端在载体坐标系下的z轴加速度为参考加速度；当实时姿态为其他姿态，确定终端在载体坐标系下三轴加速度的模值为参考加速度。
在本发明的一些实施例中，为了简化对行人携带终端的实时姿态的识别、提高行人移动过程中对行人携带终端的实时姿态的识别率，步骤S102可以包括：
S201，采集传感器组件的检测数据，构建采样点的特征向量。
其中，在一些实施例中，传感器组件可以包括加速度传感器和陀螺仪传感器，采集传感器组件的检测数据可以包括采集加速度传感器的第一三轴数据[ax，ay，az]、采集陀螺仪传感器的第二三轴数据[ωx，ωy，ωz]，并根据公式1构建所述采样点的特征向量f：
f＝[ax ay az amag ωx ωy ωz ωmag] 公式1；
在公式1中，amag为第一三轴数据的模值，ωmag为第二三轴数据的模值。
S202，构建包含有多个采样点的样本，确定样本内所有采样点的特征向量的属性集，其中，属性集包括静态属性、频域属性和时域属性中的至少一个。静态属性可以包括一个或多个，例如，静态属性可以包括样本中所有采样点的特征向量的均值、方差中的至少一个；频域属性可以包括一个或多个，例如频域属性可以包括样本中所有采样点的特征向量的极大值频率，时域属性可以包括一个或多个，例如时域属性可以包括样本中所有采样点的特征向量的波峰数量。在一些示例中，属性集可以包括静态属性、频域属性和时域属性中的至少一个所包含的一个或多个属性。
需要说明的是，每个样本中均包含多个采样点，任意相邻的两个样本之间可以有相同的采样点。例如，相邻的两个样本中采样点的重叠率可以为百分之五十，以提高采样的连续性，从而可以提高姿态识别的连续性。确定每个样本的属性集，属性集可以包括静态属性、频域属性和时域属性中的至少一个，例如，属性集可以包括静态属性、频域属性和时域属性。这里，静态属性可以为样本中所有采样点的特征向量的均值或方差等，频域属性可以为样本中所有采样点的特征向量的极大值频率，时域属性可以为样本中所有采样点的特征向量的波峰数量。
S203，基于属性集，通过分类器所训练得到的姿态分类模型识别行人携带终端的实时姿态。
这里需要解释说明的是，分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即分类器(Classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，确定必要的评估指标，评估分类模型的性能。
实验证明，通过分类器这种机器学习的方法对行人移动过程中行人携带终端的实时姿态的识别，可达到95％以上的姿态识别率。
为了实现对行人在姿态转换过程中轨迹的持续描绘，进一步提高定位精度，如图2所示，在本发明的一些实施例中，识别行人携带终端的实时姿态还可以包括：
当前样本的实时姿态与前一个样本的实时姿态不相同时，以当前样本的起始时间点延迟第一时间段后的时间点作为后一个样本的起始时间点，确定第一时间段内的实时姿态与前一个样本的实时姿态相同。由此，可以实现行人移动过程中任意姿态的切换，达成了系统整体的完备性。
在本发明的一些实施例中，步骤S103中对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数可以包括：
S301，对参考加速度进行滑动平均滤波和时域低通滤波，获得滤波加速度；
S302，根据公式2、公式3、公式4、公式5及公式6对滤波加速度进行过滤，获得波峰对应的采样点编号istep：
istep＝ipeak∩idelay∩iinterval∩ithreshold 公式6；
其中，k为姿态编号，k＝1为胸前握持终端姿态，k＝2为随手摆动姿态，k＝3为终端在裤子口袋姿态，k＝4为其他姿态，为k姿态下编号为i的采样点的滤波加速度，istep-1为前一波峰对应的采样点编号，N为采样频率，M为常数，fmin为行人的最小步频，fmax为行人的最大步频，/>为前一波谷.αk为编号为k的姿态所对应的动态阈值比例系数，/>为前一波峰。
S303，根据波峰的个数确定行人的步数。
在本发明的一些实施例中，可以根据公式7确定行人的步长
其中，h为行人的身高，α、β、γ均为常数，为行人的实时步频；
在本发明的一些实施例中，可以根据公式8确定航向偏移量ψi：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i的采样点的横滚角，为编号为i的采样点的所述传感器组件中陀螺仪传感器的第二三轴数据。这里需要解释的是，俯仰角为载体(如终端)绕x轴逆时针转动时，载体(如终端)的y轴与水平面之间的夹角。横滚角为载体(如终端)绕y轴逆时针转动时，载体(如终端)的x轴与水平面之间的夹角。
相关技术中，通过磁传感器可以得到行人移动方向与地磁北的绝对方向角，但会受到室内环境中硬磁材料和软磁材料的干扰导致航向估计产生极大的偏差。本发明实施例中通过采用具有良好抗电磁干扰能力的陀螺仪传感器的测量数据确定航向偏移量，可以避免相关技术中磁材料的干扰，从而可以提高行人航向检测的精确度，进而可以提高行人定位的精确度。
进一步地，当行人的姿态转换时，由前姿态所计步子的最后一步的方向角及后姿态的第一步所得的方向角求差值获得姿态补偿角，并根据姿态补偿角重新确定航向偏移量。由此，可以提高测量航向偏移量的准确性。
在本发明的一些实施例中，根据公式9确定采样点istep所对应的行人的位置
其中，为采样点编号istep的航向角。这里需要说明的是航向角为载体(如终端)绕z轴逆时针转动时，载体(如终端)的y轴在水平面的投影与z轴的夹角。
下面以一个具体的实施例描述本发明实施例的基于终端的行人定位方法。
具体而言，基于终端的行人定位方法包括：
步骤一、识别行人携带终端的实时姿态，行人携带终端的姿态包括：
姿态1：胸前握持终端姿态；
姿态2：终端随左手摆动姿态；
姿态3：终端随右手摆动姿态；
姿态4：终端在裤子口袋姿态；
姿态5：其他姿态。
具体的实施流程包括：
S11，对加速度传感器、陀螺仪传感器、重力加速度传感器(可由加速度传感器获得)的数据进行采集并标记采样的时间点，采样频率为NHz，N可取为50。
S12，设定样本的时长为T秒，即每个样本包括N乘T个采样点，任意两个相邻样本的采样点的重叠率为50％。
S13，根据公式1构建每个采样点的特征向量f：
f＝[ax ay az amag ωx ωy ωz ωmag] 公式1；
其中，ax，ay，az分别为加速度传感器的第一三轴数据，ωx，ωy，ωz分别为陀螺仪传感器的第二三轴数据，第一三轴数据的模值为：第二三轴数据的模值为：/>
S14，对每一个样本内的所有采样点的特征向量求静态属性，如均值、方差等；频域属性，如极大值频率等；时域属性，如波峰数量，构成样本的属性集，根据属性集，通过分类器所训练得到的模型进行实时姿态的识别判定。
另外，需要说明的是，行人在实际的移动过程中会发生姿态的转换，在转换中可能发生姿态识别的误判断，导致行人航位推算错误。
为解决上述问题，在姿态识别过程中，标记当前样本的实时姿态为modej，前一个样本的实时姿态为modej-1，其中j表示当前样本的下标值。当modej-1＝modej时，认为行人携带终端的姿态为稳定状态，没有发生转换；当modej-1≠modej时，认为行人在移动过程中行人携带终端的姿态发生了变化，此时以当前样本的起始时间点开始，向后延时t秒，再以延时后的时间点作为后一个样本的起始时间点进行采样点的提取和姿态识别，此时认为行人完成了姿态的转换。在姿态转换过程中认为行人保持与modej-1相同的姿态，即当前样本的实时姿态与前一个样本的实时姿态相同，第一时间段内的实时姿态与前一个样本的实时姿态相同。取modej-1姿态下最后一步的步长、步频及航向角作为姿态转换阶段行人移动的轨迹来进行补偿。
步骤二、确定行人的移动距离，具体的实施流程包括：
第一部分，统计行人的步数。具体包括以下实施步骤：
S21，针对不同的姿态，选取其对应的加速度数据作为参考加速度。
不同的行人具有不同的胸前持握习惯，具有不同的俯仰角和横滚角。针对姿态1，确定地球坐标系(E系)下z轴的加速度为参考加速度。
这里，需要解释说明的是：
地球坐标系(E系，Earth Coordinate System，ECS)：选取东北天坐标系为地球坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面，指向上方。
载体坐标系(C系，Carrier Coordinate System，CCS)：原点位于载体质心，x沿载体横轴向右，y轴沿载体纵轴向后，z轴沿着载体竖轴向下。
俯仰角(θ)：载体绕x轴逆时针转动时，载体的y轴与水平面之间的夹角。
横滚角(φ)：载体绕y轴逆时针转动时，载体的x轴与水平面之间的夹角。
航向角(ψ)：载体绕z轴逆时针转动时，载体的y轴在水平面的投影与z轴的夹角。
实现载体坐标系到地球坐标系的坐标系变换矩阵Rt参见公式10：
对编号为i的采样点的坐标系变换矩阵Rt，令航向角ψi＝0，得到公式11：
其中，gx，i，gy，i，gz，i分别为编号为i的采样点对应的重力加速度传感器的第三三轴数据，由此获得编号为i的采样点的俯仰角θi和横滚角φi，参见公式12：
由俯仰角和航向角以及坐标系变换矩阵，获得地球坐标系下z轴的加速度，参见公式13：
其中，为编号为i的采样点地球坐标系中z轴加速度，/> 为编号为i的采样点在载体坐标系中加速度传感器的第一三轴数据；
滤除重力加速度的影响，获得姿态1所对应的参考加速度为：
类似地，针对姿态2，确定载体坐标系下的x轴加速度为其对应的参考加速度为：
类似地，针对姿态3，确定载体坐标系下x轴加速度为其对应的参考加速度为：
类似地，针对姿态4，确定载体坐标系下z轴的加速度为其对应的参考加速度为：
类似地，针对姿态3，确定载体坐标系下三轴加速度的模值为其对应的参考加速度为：
S22，对不同姿态的参考加速度做预处理，获得滤波加速度。
首先进行滑动平均滤波，滑动平均滤波的公式见公式14：
其中，k∈{1，2，3，4，5}，为姿态编号，m为滤波器的阶数，可取为5，i为传感器数据采样点的编号；
为了改善传感器组件所采集的数据的高频噪声，对进行时域低通滤波以抑制高频干扰。时域低通滤波的公式见公式15：
其中，β可取范围为[0，1]；
S23，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。
当预处理后的参考加速度(即滤波加速度)所对应的采样点满足局部极大值条件、延时峰值检测条件、时间间隔条件及动态阈值条件时，该滤波加速度为波峰。
具体而言，根据公式2，对滤波加速度进行筛选，筛选出的滤波加速度满足局部极大值条件。
根据公式3，对滤波加速度进行筛选，筛选出的滤波加速度满足延时峰值检测条件。
其中，M为常数，满足：
可以理解的是，延时峰值检测条件即当前波峰之后的M个采样点，如果出现了波峰，则判断当前波峰与新出现波峰峰值的大小，如果当前波峰的峰值较大，则记录当前波峰作为新步子，如果新峰值的波峰高于当前波峰，则当前波峰判定为伪波峰，选取新波峰作为新步子。
根据公式4，对滤波加速度进行筛选，筛选出的滤波加速度满足时间间隔条件。
其中，行人步行的频率区间为[fmin，fmax]，其中，fmin为行人移动的最小频率，fmax为行人移动的最大频率，istep-1为前一波峰对应的采样点编号，N为终端传感器数据的采样频率。
根据公式5，对滤波加速度进行筛选，筛选出的滤波加速度满足动态阈值条件。
其中，为前一波谷加速度，αk为编号为k的姿态对应的动态阈值比例系数，/>为前一有效计步点的加速度。
根据公式6获得波峰对应的采样点：
istep＝ipeak∩idelay∩iinterval∩ithreshold 公式6；
S24，根据公式16确定行人的实时步频：
其中，f0为常数，istep为当前步子的采样点编号，istep-1为前一步子的采样点编号，N为终端的采样频率。行人处于静止状态时当行人由静止进入运动状态时，第一步的长度根据行人的身高、性别取适宜的常数f0，当istep-istep-1＞2s，认为行人运动低于步行的最小频率0.5Hz，此时判定行人由运动状态变为静止状态，/>重置为0。
第二部分、确定行人的步长。行人移动过程中持握姿态会发生变化，但步行的频率不随姿态的变化而改变，根据公式7确定步长：
其中，h为行人的身高，α，β，γ为常数，可预先通过多元非线性最小二乘法拟合得到，fstep为行人的步频。
步骤三、确定行人航向。行人在移动开始阶段，通过磁传感器或其他方法首先得到行人的初始航向角ψ0，在行人移动过程中通过陀螺仪求得行人航向角偏移量ψi，最终得到行人在采样点编号为i所对应的绝对方向角ψi+ψ0。
具体而言，根据公式8航向偏移量：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i时刻的采样点的横滚角，为编号为i的采样点的所述传感器组件中陀螺仪传感器的第二三轴数据。
需要说明的是，行人在移动过程中，会产生姿态的随机转换。由姿态转换引起的航向的偏移通过补偿来解决。在行人移动方向不变的情况下由姿态k1转为姿态k2引起的航向变化为由于行人行为的不确定性，故需先对/>的值进行训练。例如，当行人在首次由姿态k1到姿态k2的变换中处于直行状态，由姿态识别算法检测到姿态由k1到k2的转变，则姿态变换的补偿角/>由姿态k1阶段所计步子的最后一步的航向角及姿态k2阶段的第一步所得的航向角求差值获得。并记录作为该用户的姿态补偿角，在接下来的移动过程中通过该角度的补偿可实现任意移动轨迹下的多姿态航向估计。
步骤四、获得行人位置坐标。
根据公式9确定采样点编号istep所对应的所述行人的位置
其中，ψistep+ψ0为采样点编号istep所对应的航向角。
另一方面，本发明实施例提供一种行人定位装置，设置于移动终端，包括：传感器组件、存储器、处理器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现如下方法步骤：
S101，获取行人的初始位置和初始航向角。例如，可以通过GPS获取行人的初始位置和初始航向角。
S102，识别行人携带终端的实时姿态。行人携带终端的姿态可以有多种，例如胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态或其他姿态等。行人携带终端的实时姿态可以通过终端中的元器件(如传感器组件或摄像头等)进行识别。
S103，基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度。可以理解的是，行人携带终端的姿态与参考加速度的确定公式之间具有确定的对应关系，例如，行人携带终端的姿态与参考加速度的确定公式一一对应，根据实时识别的行人携带终端的实时姿态确定其对应的参考加速度的确定公式，参考加速度可以为载体坐标系下的轴向加速度或载体坐标系下加速度的模值，参考加速度也可以为地球坐标系下的轴向加速度或地球坐标系下加速度的模值。
这里，需要说明的是，“加速度模值”可以为载体坐标系下三轴加速度的和的模值或地球坐标系下三轴加速度的和的模值。另外，地球坐标系可以为东北天坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面且指向上方。载体坐标系原点位于载体(如终端)质心，x轴沿载体横轴向右(如终端的宽度方向且指向终端的右方)，y轴沿载体纵轴向后(如终端的长度方向且指向终端的后方)，z轴沿载体竖轴向下(如终端的厚度方向且指向终端的下方)。
S104，对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。需要说明的是，这里所提到的预处理可以为对参考加速度进行滤波处理。利用波峰检测算法对预处理后的参考加速度进行筛选，筛选出的波峰用于统计行人的步数，筛选出的波峰的数量即为行人的步数。
S105，确定行人的步长和航向偏移量。
S106，根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
本发明实施例的基于终端的行人定位方法，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择载体坐标系或地球坐标系下不同的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
在本发明的一些实施例中，行人携带终端的姿态可以包括胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态和其他姿态。当实时姿态为胸前握持终端姿态，确定终端在地球坐标系下的z轴加速度为参考加速度；当实时姿态为终端随手摆动姿态，确定终端在载体坐标系下的x轴加速度为参考加速度；当实时姿态为终端在裤子口袋姿态，确定终端在载体坐标系下的z轴加速度为参考加速度；当实时姿态为其他姿态，确定终端在载体坐标系下三轴加速度的模值为参考加速度。
在本发明的一些实施例中，为了简化对行人携带终端的实时姿态的识别、提高行人移动过程中对行人携带终端的实时姿态的识别率，步骤S102可以包括：
S201，采集传感器组件的检测数据，构建采样点的特征向量。
其中，在一些实施例中，传感器组件可以包括加速度传感器和陀螺仪传感器，采集传感器组件的检测数据可以包括采集加速度传感器的第一三轴数据[ax，av，az]、采集陀螺仪传感器的第二三轴数据[ωx，ωv，ωz]，并根据公式1构建所述采样点的特征向量f：
f＝[ax ay az amag ωx ωy ωz ωmag] 公式1；
在公式1中，amag为第一三轴数据的模值，ωmag为第二三轴数据的模值。
S202，构建包含有多个采样点的样本，确定样本内所有采样点的特征向量的属性集，其中，属性集包括静态属性、频域属性和时域属性中的至少一个。静态属性可以包括一个或多个，例如，静态属性可以包括样本中所有采样点的特征向量的均值、方差中的至少一个；频域属性可以包括一个或多个，例如频域属性可以包括样本中所有采样点的特征向量的极大值频率，时域属性可以包括一个或多个，例如时域属性可以包括样本中所有采样点的特征向量的波峰数量。在一些示例中，属性集可以包括静态属性、频域属性和时域属性中的至少一个所包含的一个或多个属性。
需要说明的是，每个样本中均包含多个采样点，任意相邻的两个样本之间可以有相同的采样点。例如，相邻的两个样本中采样点的重叠率可以为百分之五十，以提高采样的连续性，从而可以提高姿态识别的连续性。确定每个样本的属性集，属性集可以包括静态属性、频域属性和时域属性中的至少一个，例如，属性集可以包括静态属性、频域属性和时域属性。这里，静态属性可以为样本中所有采样点的特征向量的均值或方差等，频域属性可以为样本中所有采样点的特征向量的极大值频率，时域属性可以为样本中所有采样点的特征向量的波峰数量。
S203，基于属性集，通过分类器所训练得到的姿态分类模型识别行人携带终端的实时姿态。
这里需要解释说明的是，分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即分类器(Classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，确定必要的评估指标，评估分类模型的性能。
实验证明，通过分类器这种机器学习的方法对行人移动过程中行人携带终端的实时姿态的识别，可达到95％以上的姿态识别率。
为了实现对行人在姿态转换过程中轨迹的持续描绘，进一步提高定位精度，如图2所示，在本发明的一些实施例中，识别行人携带终端的实时姿态还可以包括：
当前样本的实时姿态与前一个样本的实时姿态不相同时，以当前样本的起始时间点延迟第一时间段后的时间点作为后一个样本的起始时间点，确定第一时间段内的实时姿态与前一个样本的实时姿态相同。由此，可以实现行人移动过程中任意姿态的切换，达成了系统整体的完备性。
在本发明的一些实施例中，步骤S103中对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数可以包括：
S301，对参考加速度进行滑动平均滤波和时域低通滤波，获得滤波加速度；
S302，根据公式2、公式3、公式4、公式5及公式6对滤波加速度进行过滤，获得波峰对应的采样点编号istep：
istep＝ipeak∩idelay∩iinterval∩ithreshold 公式6；
其中，k为姿态编号，k＝1为胸前握持终端姿态，k＝2为随手摆动姿态，k＝3为终端在裤子口袋姿态，k＝4为其他姿态，为k姿态下编号为i的采样点的滤波加速度，istep-1为前一波峰对应的采样点编号，N为采样频率，M为常数，fmin为行人的最小步频，fmax为行人的最大步频，/>为前一波谷，αk为编号为k的姿态所对应的动态阈值比例系数，/>为前一波峰。
S303，根据波峰的个数确定行人的步数。
在本发明的一些实施例中，可以根据公式7确定行人的步长
其中，h为行人的身高，α、β、γ均为常数，为行人的实时步频；
在本发明的一些实施例中，可以根据公式8确定航向偏移量ψi：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i的采样点的横滚角，为编号为i的采样点的所述传感器组件中陀螺仪传感器的第二三轴数据。这里需要解释的是，俯仰角为载体(如终端)绕x轴逆时针转动时，载体(如终端)的y轴与水平面之间的夹角。横滚角为载体(如终端)绕y轴逆时针转动时，载体(如终端)的x轴与水平面之间的夹角。
相关技术中，通过磁传感器可以得到行人移动方向与地磁北的绝对方向角，但会受到室内环境中硬磁材料和软磁材料的干扰导致航向估计产生极大的偏差。本发明实施例中通过采用具有良好抗电磁干扰能力的陀螺仪传感器的测量数据确定航向偏移量，可以避免相关技术中磁材料的干扰，从而可以提高行人航向检测的精确度，进而可以提高行人定位的精确度。
进一步地，当行人的姿态转换时，由前姿态所计步子的最后一步的方向角及后姿态的第一步所得的方向角求差值获得姿态补偿角，并根据姿态补偿角重新确定航向偏移量。由此，可以提高测量航向偏移量的准确性。
在本发明的一些实施例中，根据公式9确定采样点istep所对应的行人的位置
其中，为采样点编号istep的航向角。这里需要说明的是航向角为载体(如终端)绕z轴逆时针转动时，载体(如终端)的y轴在水平面的投影与z轴的夹角。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.一种基于终端的行人定位方法，其特征在于，包括：
获取所述行人的初始位置和初始航向角；
识别所述行人携带所述终端的实时姿态；
基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与所述实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度；
对所述参考加速度进行预处理，利用波峰检测算法对预处理后的所述参考加速度进行筛选，并根据筛选出的波峰统计所述行人的步数；
确定所述行人的步长和航向偏移量；
根据所述步数、所述步长及所述航向偏移量、所述初始位置以及所述初始航向角，确定所述行人的目标位置；
所述识别所述行人携带所述终端的实时姿态包括：
采集传感器组件的检测数据，构建采样点的特征向量；
构建包含有多个采样点的样本，确定所述样本内所有采样点的特征向量的属性集，其中，所述属性集包括静态属性、频域属性和时域属性中的至少一个；
基于所述属性集，通过分类器所训练得到的姿态分类模型识别所述行人携带所述终端的实时姿态；
所述预先设置的对应关系包括：
当所述实时姿态为胸前握持终端姿态，确定所述终端在地球坐标系下的z轴加速度为所述参考加速度；
当所述实时姿态为终端随手摆动姿态，确定所述终端在载体坐标系下的x轴加速度为所述参考加速度；
当所述实时姿态为终端在裤子口袋姿态，确定所述终端在载体坐标系下的z轴加速度为所述参考加速度；
当所述实时姿态为其他姿态，确定所述终端在载体坐标系下三轴加速度的模值为所述参考加速度；
所述对所述参考加速度进行预处理，利用波峰检测算法对预处理后的所述参考加速度进行筛选，并根据筛选出的波峰统计所述行人的步数包括：
对所述参考加速度进行滑动平均滤波和时域低通滤波，获得滤波加速度；
根据公式2、公式3、公式4、公式5及公式6对所述滤波加速度进行过滤，获得所述波峰对应的采样点编号istep：
istep＝ipeak∩idelay∩iinterval∩ithreshold 公式6；
其中，k为姿态编号，k＝1为胸前握持终端姿态，k＝2为随手摆动姿态，k＝3为终端在裤子口袋姿态，k＝4为其他姿态，为k姿态下编号为i的采样点的滤波加速度，istep-1为前一波峰对应的采样点编号，N为采样频率，M为常数，fmin为行人的最小步频，fmax为行人的最大步频，/>为前一波谷，αk为编号为k的姿态所对应的动态阈值比例系数，/>为前一波峰；
根据所述波峰的个数确定所述行人的步数。
2.如权利要求1所述的方法，其特征在于，所述采集传感器组件的检测数据，构建采样点的特征向量包括：
采集所述传感器组件中加速度传感器的第一三轴数据[ax，ay，az]；
采集所述传感器组件中陀螺仪传感器的第二三轴数据[ωx，ωy，ωz]；
根据公式1构建所述采样点的特征向量f：
f＝[ax ay az amag ωx ωy ωz ωmag] 公式1；
其中amag为所述第一三轴数据的模值，ωmag为所述第二三轴数据的模值。
3.如权利要求1所述的方法，其特征在于，所述识别所述行人携带所述终端的实时姿态还包括：
当前样本的实时姿态与前一个样本的实时姿态不相同时，以当前样本的起始时间点延迟第一时间段后的时间点作为后一个样本的起始时间点，确定所述第一时间段内的实时姿态与所述前一个样本的实时姿态相同。
4.如权利要求1所述的方法，其特征在于，所述确定所述行人的步长和航向偏移量包括：
根据公式7确定所述行人的步长
其中，h为行人的身高，α、β、γ均为常数，为行人的实时步频；
根据公式8确定所述航向偏移量ψi：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i时刻的采样点的横滚角，为编号为i的采样点的所述传感器组件中陀螺仪传感器的第二三轴数据。
5.如权利要求4所述的方法，其特征在于，所述确定所述行人的步长和航向偏移量还包括：
当所述行人的姿态转换时，由前姿态所计步子的最后一步的方向角及后姿态的第一步所得的方向角求差值获得姿态补偿角；
根据所述姿态补偿角重新确定所述航向偏移量。
6.如权利要求5所述的方法，其特征在于，所述根据所述步数、所述步长及所述航向偏移量、所述初始位置、所述初始航向角，确定所述行人的目标位置包括：
根据公式9确定采样点编号istep所对应的所述行人的位置
其中，为采样点编号istep所对应的航向角。
7.一种行人定位装置，设置于移动终端，其特征在于，包括：传感器组件、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至6中任一项所述的行人定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314173.3A CN110068322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于终端的行人定位方法及行人定位装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314173.3A CN110068322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于终端的行人定位方法及行人定位装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110068322A CN110068322A (zh) | 2019-07-30 |
| CN110068322B true CN110068322B (zh) | 2024-03-01 |
Family
ID=67368115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910314173.3A Active CN110068322B (zh) | 2019-04-18 | 2019-04-18 | 一种基于终端的行人定位方法及行人定位装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110068322B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111751573B (zh) * | 2019-09-10 | 2022-05-27 | 广东小天才科技有限公司 | 一种移动终端的移动方向确定方法及移动终端 |
| CN110929766B (zh) * | 2019-11-11 | 2023-02-03 | 南京航空航天大学 | 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法 |
| CN110830910B (zh) * | 2019-11-14 | 2021-02-09 | 上海银基信息安全技术股份有限公司 | 终端的定位状态识别方法及装置、电子设备和存储介质 |
| CN110972112B (zh) * | 2019-12-10 | 2022-04-05 | Oppo广东移动通信有限公司 | 地铁运行方向的确定方法、装置、终端及存储介质 |
| CN111829473B (zh) * | 2020-07-29 | 2022-04-26 | 威步智能科技(苏州)有限公司 | 一种行进间的运动底盘测距方法及系统 |
| CN113008242A (zh) * | 2021-03-19 | 2021-06-22 | 深圳市慧鲤科技有限公司 | 一种用户行为数据处理方法、装置、设备及存储介质 |
| CN114526727B (zh) * | 2022-01-11 | 2023-11-21 | 重庆邮电大学 | 一种基于决策树的步数判别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007148702A (ja) * | 2005-11-25 | 2007-06-14 | Matsushita Electric Works Ltd | 歩数計 |
| CN102419180A (zh) * | 2011-09-02 | 2012-04-18 | 无锡智感星际科技有限公司 | 一种基于惯性导航系统和wifi的室内定位方法 |
| CN103616034A (zh) * | 2013-12-10 | 2014-03-05 | 山东省计算中心 | 一种基于蓝牙的网络计步器及计步方法 |
| CN104075730A (zh) * | 2014-07-02 | 2014-10-01 | 电子科技大学 | 一种步态计步方法及计步器 |
| CN105224104A (zh) * | 2015-09-01 | 2016-01-06 | 电子科技大学 | 基于智能手机持握方式的行人运动状态识别方法 |
| CN105674984A (zh) * | 2016-01-18 | 2016-06-15 | 上海交通大学 | 一种无约束使用移动终端获取行人前进方向的方法 |
| CN106572814A (zh) * | 2014-05-30 | 2017-04-19 | 日东电工株式会社 | 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法 |
| CN107289966A (zh) * | 2016-03-30 | 2017-10-24 | 日本电气株式会社 | 用于统计步数的方法和设备 |
| CN108955719A (zh) * | 2018-06-21 | 2018-12-07 | 四川斐讯信息技术有限公司 | 一种基于手腕式装置的计步检测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6358889B2 (ja) * | 2013-09-26 | 2018-07-18 | 株式会社メガチップス | 歩行者観測システム、プログラムおよび進行方向推定方法 |
-
2019
- 2019-04-18 CN CN201910314173.3A patent/CN110068322B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007148702A (ja) * | 2005-11-25 | 2007-06-14 | Matsushita Electric Works Ltd | 歩数計 |
| CN102419180A (zh) * | 2011-09-02 | 2012-04-18 | 无锡智感星际科技有限公司 | 一种基于惯性导航系统和wifi的室内定位方法 |
| CN103616034A (zh) * | 2013-12-10 | 2014-03-05 | 山东省计算中心 | 一种基于蓝牙的网络计步器及计步方法 |
| CN106572814A (zh) * | 2014-05-30 | 2017-04-19 | 日东电工株式会社 | 用于对用户活动进行分类和/或对用户步数进行计数的设备和方法 |
| CN104075730A (zh) * | 2014-07-02 | 2014-10-01 | 电子科技大学 | 一种步态计步方法及计步器 |
| CN105224104A (zh) * | 2015-09-01 | 2016-01-06 | 电子科技大学 | 基于智能手机持握方式的行人运动状态识别方法 |
| CN105674984A (zh) * | 2016-01-18 | 2016-06-15 | 上海交通大学 | 一种无约束使用移动终端获取行人前进方向的方法 |
| CN107289966A (zh) * | 2016-03-30 | 2017-10-24 | 日本电气株式会社 | 用于统计步数的方法和设备 |
| CN108955719A (zh) * | 2018-06-21 | 2018-12-07 | 四川斐讯信息技术有限公司 | 一种基于手腕式装置的计步检测方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| A Multi-Mode Dead Reckoning System for Pedestrian Tracking Using Smartphones;Tian Qinglin;《IEEE SENSORS JOURNAL》;第16卷(第7期);第2079-2093页 * |
| Posture Recognition and Adaptive Step Detection Based on Hand-held Terminal;Wang, Boyuan等;《PROCEEDINGS OF 5TH IEEE CONFERENCE ON UBIQUITOUS POSITIONING, INDOOR NAVIGATION AND LOCATION-BASED SERVICES (UPINLBS)》;第646-650 * |
| Tian Qinglin.A Multi-Mode Dead Reckoning System for Pedestrian Tracking Using Smartphones.《IEEE SENSORS JOURNAL》.2016,第16卷(第7期),第2079-2093页. * |
| 可穿戴式运动负荷监测技术的研究;郭晓光;《中国优秀硕士学位论文全文数据库 信息科技辑》(第08期);I140-608 * |
| 基于多源数据融合的室内无线定位与跟踪方案;毛珏超;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);第I138-1746页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110068322A (zh) | 2019-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110068322B (zh) | 一种基于终端的行人定位方法及行人定位装置 | |
| Poulose et al. | An indoor position-estimation algorithm using smartphone IMU sensor data | |
| CN110118560B (zh) | 一种基于lstm和多传感器融合的室内定位方法 | |
| CN106017454B (zh) | 一种基于多传感器融合技术的行人导航装置和方法 | |
| 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 | |
| Zhang et al. | A handheld inertial pedestrian navigation system with accurate step modes and device poses recognition | |
| US10215587B2 (en) | Method for step detection and gait direction estimation | |
| Randell et al. | Personal Position Measurement Using Dead Reckoning. | |
| CN106168485B (zh) | 步行航迹数据推算方法及装置 | |
| CN109631888B (zh) | 动作轨迹识别方法、装置、可穿戴设备及存储介质 | |
| CN112639502A (zh) | 机器人位姿估计 | |
| CN107255474B (zh) | 一种融合电子罗盘和陀螺仪的pdr航向角确定方法 | |
| KR102226846B1 (ko) | Ｉｍｕ 센서와 카메라를 이용한 하이브리드 실내 측위 시스템 | |
| WO2014074837A1 (en) | Unsupervised indoor localization and heading directions estimation | |
| CN103471589A (zh) | 一种室内行人行走模式识别和轨迹追踪的方法 | |
| CN105865450A (zh) | 一种基于步态的零速更新方法及系统 | |
| CN111595344B (zh) | 一种基于地图信息辅助的多姿态下行人行位推算方法 | |
| WO2016016731A2 (en) | Method and apparatus for categorizing device use case | |
| CN106643711A (zh) | 一种基于手持设备的室内定位方法及系统 | |
| CN111435083A (zh) | 行人航迹推算方法、导航方法及装置、手持终端及介质 | |
| CN110929766B (zh) | 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法 | |
| CN106525052A (zh) | 一种图模型约束的室内定位方法 | |
| CN106767770A (zh) | 一种基于便携智能设备的用户行走方向检测与追踪方法 | |
| Zhou et al. | Indoor route and location inference using smartphone IMU sensors | |
| Liang et al. | A particle filter localisation system for indoor track cycling using an intrinsic coordinate model |
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 |