CN111831959A - 运动数据处理方法、装置、终端和计算机可读存储介质 - Google Patents

运动数据处理方法、装置、终端和计算机可读存储介质 Download PDF

Info

Publication number
CN111831959A
CN111831959A CN202010148140.9A CN202010148140A CN111831959A CN 111831959 A CN111831959 A CN 111831959A CN 202010148140 A CN202010148140 A CN 202010148140A CN 111831959 A CN111831959 A CN 111831959A
Authority
CN
China
Prior art keywords
data
acceleration data
terminal
linear acceleration
angular velocity
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
CN202010148140.9A
Other languages
English (en)
Inventor
卢金民
陈奥
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010148140.9A priority Critical patent/CN111831959A/zh
Publication of CN111831959A publication Critical patent/CN111831959A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/14—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of gyroscopes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/02—Devices characterised by the use of mechanical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明实施例公开了一种运动数据处理方法、装置、终端和计算机可读存储介质，通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。

Description

运动数据处理方法、装置、终端和计算机可读存储介质
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种运动数据处理方法、装置、终端和计算机可读存储介质。
背景技术
不同终端设备的加速度传感器型号不一，且不同终端设备厂商对加速度数据采用的滤波算法不尽相同，会导致最后呈现在三轴上的加速度方向、大小不同，数据差异大，不利于具有多类终端的应用场景的数据分析。
发明内容
有鉴于此，本发明实施例提供一种运动数据处理方法、装置、终端和计算机可读存储介质，以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
第一方面，本发明实施例提供一种运动数据处理方法，所述方法包括：
获取终端的运动传感器采集的原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
对所述加速度数据进行重力分离确定线性加速度数据；
对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据；
对所述角速度数据进行滤波处理确定处理后角速度数据；
根据所述处理后线性加速度数据和所述处理后角速度数据确定所述终端的运行轨迹。
可选的，所述方法还包括：
根据所述终端的运行轨迹预测所述终端对应的用户的行为信息。
可选的，所述方法还包括：
响应于所述用户的行为信息为违规行为，控制所述终端发出警告信息。
可选的，对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据包括：
对所述线性加速度数据进行坐标旋转处理；
对坐标旋转后的线性加速度数据进行滤波处理确定所述处理后线性加速度数据。
可选的，对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据包括：
对所述线性加速度数据进行滤波处理；
对滤波后的线性加速度数据进行坐标旋转处理，确定所述处理后线性加速度数据。
可选的，对所述加速度数据进行重力分离确定线性加速度数据包括：
采用低通滤波算法对所述加速度数据进行重力分离，以确定所述线性加速度数据，所述低通滤波算法的滤波初始值根据采集的加速度数据的重力分量确定。
可选的，所述方法还包括：
响应于所述终端的姿态变化满足预定条件，重新校准所述低通滤波算法的滤波初始值。
可选的，所述终端的姿态变化满足预定条件为：
当前采集周期的重力分量方差大于或等于第一阈值，所述当前采集周期的重力分量方差为当前采集周期之前第一预定时间段中采集的加速度数据中重力分量的方差；或者
当前采集周期的加速度数据的重力分量偏离预设的分量区间第二阈值；或者
当前采集周期的角速度方差大于或等于第三阈值，所述当前采集周期的角速度方差为当前采集周期之前第二预定时间段中采集的角速度数据的方差；或者
当前采集周期的角速度积分量大于或等于第四阈值，所述当前采集周期的角速度积分量为当前采集周期之前第三预定时间段中采集的角速度积分量。
可选的，重新校准所述低通滤波算法的滤波初始值包括：
确定各采集周期的重力分量方差，所述采集周期的重力分量方差为所述采集周期之前第一预定时间段内采集的加速度数据中重力分量的方差；
在多个采集周期中确定可靠采集周期，所述可靠采集周期的重力分量方差小于第一阈值且所述可靠采集周期最靠近当前采集周期；
将所述可靠采集周期采集的加速度数据中的重力分量作为所述滤波初始值。
可选的，在获取终端的运动传感器采集的原始运动数据之后，所述方法还包括：
滤除重力轴上的加速度数据大于或等于第五阈值和/或角速度数据积分量大于或等于第六阈值的原始运动数据。
第二方面，本发明实施例提供一种运动数据处理装置，所述装置包括：
数据获取单元，被配置为获取终端的运动传感器检测的原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
重力分离单元，被配置为对所述加速度数据进行重力分离确定线性加速度数据；
第一处理单元，被配置为对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据；
第二处理单元，被配置为对所述角速度数据进行滤波处理确定处理后角速度数据；
运行轨迹确定单元，被配置为根据所述处理后线性加速度数据和所述处理后角速度数据确定所述终端的运行轨迹。
第三方面，本发明实施例提供一种终端，包括存储器和处理器，所述终端还包括：
运动传感器，用于采集原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如上所述的方法。
本发明实施例通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的运动数据处理方法的流程图；
图2是本发明实施例的滤波初始值校准方法的流程图；
图3是本发明实施例的一种运动数据处理过程的示意图；
图4是本发明实施例的另一种运动数据处理过程的示意图；
图5是本发明实施例的运动数据处理装置的示意图；
图6是本发明实施例的终端的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
目前，终端(例如手机等)的种类越来越多，不同种类的终端的运动数据处理方式不一，在具有多类终端的应用场景下，例如网约车平台，平台可以通过获取各司机终端的运动数据，以确定司机终端的运行轨迹，进而判断司机在驾驶中的行为信息，再例如外卖平台，平台可以通过获取各外卖配送员终端的运动数据，以确定外卖配送员终端的运行轨迹，进而判断外卖配送员终端的行为信息。但是，由于各类终端本身运动数据处理方式的差异，使得在这些应用场景下对终端运动轨迹的判断也存在偏差，进而导致用户的行为判断也存在偏差。由此，本实施例提供一种运动数据处理方法，以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
图1是本发明实施例的运动数据处理方法的流程图。如图1所示，本发明实施例的运动数据存储方法包括以下步骤：
步骤S110，获取终端的运动传感器检测的原始运动数据。其中，原始运动数据包括加速度数据和角速度数据。其中，原始运动数据为运动传感器采集的运动数据，其未被终端中的滤波器等数据处理装置进行处理。运动传感器包括加速度传感器和角速度传感器(如陀螺仪等)。
步骤S120，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据。在一种可选的实现方式中，由于重力属于低频成分，因此可以采用低通滤波算法对加速度数据进行重力分离，以确定线性加速度数据，其中，低通滤波算法的滤波初始值根据采集的加速度数据的重力分量确定。
可选的，采用一阶低通滤波算法对加速度数据进行重力分离，一阶低通滤波算法的公式如下：
G(n)＝αG(n-1)+(1-α)A(n)
其中，G(n)为第n个运动数据采样周期中的重力分量，G(n-1)为第(n-1)个运动数据采样周期中的重力分量，A(n)是第n个运动数据采样周期中的加速度数据，n大于等于1，α为滤波系数。其中，G(0)为低通滤波算法的初始值，可选的，滤波初始值根据历史采集的加速度数据的重力分量确定。
在一种可选的实现方式中，α由滤波器的时间常量(也即运动传感器的单次采样时间)和运动数据的采样频率确定，可选的，α＝t/(t+dT)，其中，t为滤波器时间常量，dT为运动数据的采样频率。
加速度数据包括三轴上的加速度分量，由此，获取三轴上的线性加速度分量的步骤包括：
步骤A：根据低通滤波器分离出重力：
G0(n)＝αG0(n-1)+(1-α)A0(n)
G1(n)＝αG1(n-1)+(1-α)A1(n)
G2(n)＝αG2(n-1)+(1-α)A2(n)
其中，G0(n)、G1(n)和G2(n)分别为第n个运动数据采样周期中三轴上的重力分量，A0(n)、A1(n)和A2(n)分别为第n个运动数据采样周期中三轴上的加速度分量，n大于等于1，α为滤波系数。
步骤B：消除重力分量的影响，获取三轴上的线性加速度分量：
Line_A0(n)＝A0(n)-G0(n)
Line_A1(n)＝A0(n)-G1(n)
Line_A2(n)＝A0(n)-G2(n)
其中，Line_A0(n)、Line_A1(n)和Line_A2(n)分别为第n个运动数据采样周期中三轴上的线性加速度分量。
在一种可选的实现方式中，本实施例的运动数据处理方法还包括：响应于所述终端的姿态变化满足预定条件，重新校准所述低通滤波算法的滤波初始值。由于用户对终端的不同操作(例如上下摆动、左右摇晃等)、终端所处车辆的速度变化、行驶路段的路况变化等情况，终端的姿态变化较大，其在三轴上的加速度变化也较大，因此若依旧采用上以采集周期的重力分量作为低通滤波器的参量可能会导致分离出的重力分量不准确，得到的线性加速度数据也不准确，由此，在终端姿态变化较大时，需要重新校准低通滤波算法的初始值。
在一种可选的实现方式中，通过当前采集周期的重力分量、历史多个采集周期的重力分量、或多个采集周期的加速度数据来确定终端姿态的变化程度。
在一种可选的实现方式中，响应于当前采集周期的重力分量方差大于或等于第一阈值，重新校准所述低通滤波算法的滤波初始。其中，当前采集周期的重力分量方差为当前采集周期之前第一预定时间段中采集的加速度数据中重力分量的方差。也就是说，在一段时间内获取的重力分量方差大于或等于第一阈值时，表征该终端的姿态产生了较大的变化。
在一种可选的实现方式中，响应于当前采集周期的加速度数据的重力分量偏离预设的分量区间第二阈值，重新校准所述低通滤波算法的滤波初始。也就是说，在当前采集周期获得的重力分量偏离正常值区间第二阈值时，表征该终端的姿态产生了较大的变化。
在一种可选的实现方式中，响应于当前采集周期的角速度方差大于或等于第三阈值，重新校准所述低通滤波算法的滤波初始。其中，当前采集周期的角速度方差为当前采集周期之前第二预定时间段中采集的角速度数据的方差。也就是说，在一段时间内获取的加速度数据的方差大于或等于第三阈值时，表征该终端的姿态产生了较大的变化。
在一种可选的实现方式中，响应于当前采集周期的角速度积分量大于或等于第四阈值，重新校准所述低通滤波算法的滤波初始。当前采集周期的角速度积分量为当前采集周期之前第三预定时间段中采集的角速度积分量。也就是说，在一段时间内获取的角速度积分量大于或等于第四阈值时，表征该终端的姿态产生了较大的变化。
图2是本发明实施例的滤波初始值校准方法的流程图。在一种可选的实现方式中，重新校准所述低通滤波算法的滤波初始值包括：
步骤S210，确定各采集周期的重力分量方差。其中，采集周期的重力分量方差为所述采集周期之前第一预定时间段中采集的加速度数据中的重力分量的方差。
步骤S220，在多个采集周期中确定可靠采集周期，所述可靠采集周期的重力分量方差小于第一阈值且所述可靠采集周期最靠近当前采集周期。
在一种可选的实现方式中，从当前采集周期开始，依次获取前一个采集周期的重力分量方差，直至一采集周期的重力分量方差小于第一阈值，将该采集周期确定为可靠采集周期。
在另一种可选的的实现方式中，获取多个历史采集周期的重力分量方差，确定至少一个重力分量方差小于第一阈值的历史采集周期为候选采集周期，将最靠近当前采集周期的候选采集周期确定为可靠采集周期。
步骤S230，将所述可靠采集周期采集的加速度数据中的重力分量作为滤波初始值。
由此，本实施例通过在终端的姿态变化较大时校准低通滤波器的滤波初始值，可以进一步提高对加速度数据重力分离的准确性，由此，提高了获取的线性加速度数据的可靠性，进而可以提高终端运行轨迹的准确性。
步骤S130，对线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据。
在一种可选的实现方式中，对线性加速度数据进行卡尔曼滤波处理。卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，其中，观测数据也即输入卡尔曼滤波器的数据，在本实施例中，观测数据为线性加速度数据和角速度数据。最优估计是指使得经过卡尔曼滤波的数据无限接近于真实值的估计，也即后验概率估计无线接近于真实值。由于加速度传感器采集的加速度数据和陀螺仪采集的角速度数据均可能存在或多或少的误差，因此，本实施例可以通过卡尔曼滤波使得线性加速度数据和角速度数据尽可能的接近终端的真实运动数据，以进一步提高终端运行轨迹的准确性。应理解，本实施例并不对滤波算法进行限制，其他滤波算法，例如扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、粒子滤波算法等均可以应用于本实施例中。
在一种可选的实现方式中，对线性加速度数据进行坐标旋转处理以水平化线性加速度数据。可选的，本实施例采用罗德里格斯(Rodrigues函数)对线性加速度数据进行坐标旋转处理。
在本实施例中，线性加速度数据包括三轴上的加速度分量，因此，可以通过旋转矩阵的方式来实现线性加速度数据的坐标旋转。
具体地，确定线性加速度数据的旋转向量r′＝[r′x r′y r′z]，其中，r′x、r′y、r′z分别表示线性加速度数据中的三轴上的加速度分量。
假设旋转向量r′的单位向量r为r＝[rx ry rz]T。
通过Rodrigues函数将单位向量r转换为旋转矩阵R：
Figure BDA0002401490280000091
其中，θ为旋转角度，也即旋转向量r′的单位向量r的模，I为单位矩阵，在本实施例中，I为3x3的单位矩阵。
由此，本实施例通过将线性加速度数据进行坐标旋转处理，以使得线性加速度数据在xy轴水平化，以进行振动数据的分离。例如，如果终端位于汽车上，在汽车行驶过程中，z轴上的加速度分量为重力轴方向上的振动数据，本实施例可以通过将线性加速度数据在xy轴水平化以实现振动数据的分离，由此，可以提高终端运行轨迹的准确性。
在一种可选的实现方式中，步骤S130具体可以为：对线性加速度数据进行坐标旋转处理，对坐标旋转后的线性加速度数据进行滤波处理确定处理后线性加速度数据。也就是说，先对线性加速度数据进行坐标旋转处理以分离出重力方向的振动数据，再对坐标旋转后的线性加速度数据进行滤波处理，得到处理后线性加速度数据。
在另一种可选的实现方式中，步骤S130具体可以为：对线性加速度数据进行滤波处理，对滤波后的线性加速度数据进行坐标旋转处理，确定处理后线性加速度数据。也就是说，先对线性加速度数据进行滤波处理，再对滤波后的线性加速度数据进行坐标旋转处理以分离出重力方向的振动数据，得到处理后线性加速度数据。
也就是说，在本实施例中，并不限制对线性加速度数据进行滤波处理和坐标旋转处理的处理顺序。
步骤S140，对原始运动数据中的角速度数据进行滤波处理确定处理后角速度数据。可选的，可以通过卡尔曼滤波算法、扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、或粒子滤波算法等对角速度数据进行滤波处理。
应理解，步骤S130和步骤S140没有先后的执行顺序，角速度数据可以和线性加速度数据(或经过坐标旋转后的线性加速度数据)同时进行滤波处理，也可以先后进行滤波处理，本实施例并不对此进行限制。
步骤S150，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹。也即，通过终端的角速度数据和其在各轴上的线性加速度数据模拟终端的运动轨迹。
在一种可选的实现方式中，在步骤S110之后，本实施例的运动数据处理方法还包括：确定原始运动数据在重力轴上的波动和当前采集周期的角速度积分量，滤除重力轴上的加速度数据大于或等于第五阈值和/或角速度数据积分量大于或等于第六阈值的原始运动数据。也就是说，若终端在重力轴上的加速度数据过大，或终端的旋转角度过大，则终端可能处于被手动摇晃的场景，此类运动数据无法预测具体的终端运动轨迹，因此需要对其进行滤除，以避免干扰其他采集周期的运动数据的准确性，进一步提高获取的终端运行轨迹的准确性。
在一种可选的实现方式中，本实施例的运动数据处理方法还包括：根据终端的运行轨迹预测所述终端对应的用户的行为信息。以驾驶场景为例，通过司机终端的运动轨迹可以预测司机的行为信息，例如行驶过程中是否存在边玩手机边开车行为、紧急刹车行为等。可选的，可以通过采集驾驶场景中的多种终端运动轨迹与司机行为信息的对应数据训练模型，在获取终端的运动轨迹后，将该运行轨迹的数据输入至训练好的模型中，以预测该终端对应的司机行为信息。
在一种可选的实现方式中，本实施例的运动数据处理方法还包括：响应于用户的行为信息为违规行为，控制所述终端发出警告信息。以驾驶场景为例，若检测出用户当前存在边玩手机边开车的行为，则发出警告信息。应理解，警告信息可以通过语音发出，也可通过其他方式(例如短信等)发出，本实施例并不对此进行限制。
在一种可选的实现方式中，本实施例的运动数据处理方法在终端执行，本实施例的运动数据处理方法还包括：向平台服务器发送终端的运行轨迹和/或用户行为信息。在另一种可选的实现方式中，本实施例的运动数据处理方法在平台服务器执行，平台服务器获取用户终端上传的原始运动数据，并执行上述运动数据处理方法。
本实施例通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
图3是本发明实施例的一种运动数据处理过程的示意图。在本实施例中，主要以网约车平台对各司机的统一管理为例进行举例说明，应理解，本发明实施例并不对应用场景进行限制，其他需要多类型终端进行统一管理的应用领域，例如外卖平台、快递平台等均可应用本实施例的运动处理处理方法。
在网约车平台，出租车司机或快车司机需要通过终端进入该网约车平台的APP进行注册，在注册时签订了提供终端运动数据的协议，在司机的行驶过程中，司机终端实时上传原始运动数据和经过终端处理后的运动数据。
如图3所示，司机终端的传感器采集运动数据，可选的，采集频率不低于10Hz。司机终端实时上传向终端APP上传采集的原始运动数据和经过终端处理后的运动数据。
在步骤S310，终端APP根据原始运动数据对司机终端当前的姿态进行识别。在步骤S320，若识别到司机终端的姿态变化较大，也即发生旋转、晃动等姿态变化，则通过图2中的校准方法对低通滤波算法的滤波初始值进行校准，若原始运动数据中的重力轴上的加速度数据大于或等于第五阈值和/或角速度数据积分量大于或等于第六阈值，则过滤该采集周期的原始滤波数据。应理解，在低通滤波算法的滤波初始值校准期间，并不对获取到的原始运动数据做后续处理。
在步骤S330，若识别到司机终端的姿态变化较小，则采用低通滤波算法对该采集周期的原始运动数据中的加速度数据进行重力分离，以获取线性加速度数据。在步骤S340，对线性加速度数据进行坐标旋转处理以水平化线性加速度数据，从而分离出重力方向的振动数据。在步骤S350，对坐标旋转处理后的线性加速度数据和角速度数据进行卡尔曼滤波处理，得到处理后运动数据(包括处理后线性加速度数据和处理后角速度数据)。在步骤S360，根据处理后运动数据确定司机终端的运行轨迹。
在后续处理中，终端APP可以根据司机终端的运行轨迹预测对应司机的行为信息，并在司机行为信息为违规行为(例如行车过程中玩手机等)，控制司机终端发出警告信息。可选的，平台还可以根据司机产生违规行为的次数对司机进行惩罚，例如降低信用值等。
本实施例通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
图4是本发明实施例的另一种运动数据处理过程的示意图。如图4所示，在本实施例的运动数据处理过程中，对原始运动数据中的加速度数据进行重力分离的步骤及之前的步骤(步骤S410-步骤S430)与图3中的实施例(步骤S310-步骤S330)类似，在此不再赘述。在本实施例中，在步骤S440，对重力分离后获取的线性加速度数据和角速度数据进行卡尔曼滤波处理。在步骤S450，对经过滤波处理后的线性加速度进行坐标旋转处理以分离出重力方向的振动数据，由此，得到处理后运动数据(包括处理后线性加速度数据和处理后角速度数据)。在步骤S460，根据处理后运动数据确定司机终端的运行轨迹。
在后续处理中，终端APP可以根据司机终端的运行轨迹预测对应司机的行为信息，并在司机行为信息为违规行为(例如行车过程中玩手机等)，控制司机终端发出警告信息。可选的，平台还可以根据司机产生违规行为的次数对司机进行惩罚，例如降低信用值等。
本实施例通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
图5是本发明实施例的运动数据处理装置的示意图。如图5所示，本发明实施例的运动数据处理装置5包括数据获取单元51、重力分离单元52、第一处理单元53、第二处理单元54和运行轨迹确定单元55。
数据获取单元51被配置为获取终端的运动传感器检测的原始运动数据，所述原始运动数据包括加速度数据和角速度数据。重力分离单元52被配置为对所述加速度数据进行重力分离确定线性加速度数据。在一种可选的实现方式中，采用低通滤波算法对所述加速度数据进行重力分离，以确定所述线性加速度数据，所述低通滤波算法的滤波初始值根据采集的加速度数据的重力分量确定。
第一处理单元53被配置为对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据。第二处理单元54被配置为对所述角速度数据进行滤波处理确定处理后角速度数据。运行轨迹确定单元55被配置为根据所述处理后线性加速度数据和所述处理后角速度数据确定所述终端的运行轨迹。
本发明实施例通过获取终端的运动传感器检测的原始运动数据，对原始运动数据中的加速度数据进行重力分离确定线性加速度数据，对线性加速度数据进行滤波处理和坐标旋转处理，并对原始运动数据中的角速度数据进行滤波处理，根据处理后线性加速度数据和处理后角速度数据确定终端的运行轨迹，由此，本实施例通过获取运动传感器的原始运动数据进行处理，可以消除由于各终端的运动数据处理方法不同造成的差异，提高终端运行轨迹的准确性。
图6是本发明实施例的终端的示意图。如图6所示，本实施例的终端6包括至少一个运动传感器601、至少包括一个处理器602、与至少一个处理器602通信连接的存储器603、以及，与扫描装置通信连接的通信组件604。其中，运动传感器601被配置为采集原始运动数据。可选的，运动传感器601包括加速度传感器和陀螺仪，用于采集原始加速度数据和角速度数据。通信组件604在处理器602的控制下接收和发送数据；其中，存储器603存储有可被至少一个处理器602执行的指令，指令被至少一个处理器602执行以实现上述运动数据处理方法。
如图6所示，图6所示的终端6至少包括运动传感器61、处理器62和存储器63。运动传感器61、处理器62和存储器63通过总线64连接。其中，运动传感器61被配置为采集原始运动数据。可选的，运动传感器61包括加速度传感器和陀螺仪，用于采集原始加速度数据和角速度数据。存储器63适于存储处理器62可执行的指令或程序。处理器62可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器62通过执行存储器63所存储的指令，从而执行如上所述的本发明实施例的运动数据处理方法流程实现对于运动数据的处理和对于其它装置的控制。可选的，终端6还包括显示装置65、显示控制器66、输入/输出(I/O)装置67以及输入/输出(I/O)控制器68。总线64还用于将运动传感器61、处理器62和存储器63连接到显示控制器66、显示装置65以及输入/输出(I/O)装置67。输入/输出(I/O)装置67可以是触控输入装置、体感输入装置、鼠标、键盘、调制解调器、网络接口、打印机以及本领域公知的其他装置。典型地，输入/输出装置67通过输入/输出(I/O)控制器68与系统相连。
本领域的技术人员应明白，本发明实施例可提供为方法、装置(设备)或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本发明实施例是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导移动终端、计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一个实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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 (13)

1.一种运动数据处理方法，其特征在于，所述方法包括：
获取终端的运动传感器采集的原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
对所述加速度数据进行重力分离确定线性加速度数据；
对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据；
对所述角速度数据进行滤波处理确定处理后角速度数据；
根据所述处理后线性加速度数据和所述处理后角速度数据确定所述终端的运行轨迹。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述终端的运行轨迹预测所述终端对应的用户的行为信息。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
响应于所述用户的行为信息为违规行为，控制所述终端发出警告信息。
4.根据权利要求1所述的方法，其特征在于，对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据包括：
对所述线性加速度数据进行坐标旋转处理；
对坐标旋转后的线性加速度数据进行滤波处理确定所述处理后线性加速度数据。
5.根据权利要求1所述的方法，其特征在于，对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据包括：
对所述线性加速度数据进行滤波处理；
对滤波后的线性加速度数据进行坐标旋转处理，确定所述处理后线性加速度数据。
6.根据权利要求1所述的方法，其特征在于，对所述加速度数据进行重力分离确定线性加速度数据包括：
采用低通滤波算法对所述加速度数据进行重力分离，以确定所述线性加速度数据，所述低通滤波算法的滤波初始值根据采集的加速度数据的重力分量确定。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
响应于所述终端的姿态变化满足预定条件，重新校准所述低通滤波算法的滤波初始值。
8.根据权利要求7所述的方法，其特征在于，所述终端的姿态变化满足预定条件为：
当前采集周期的重力分量方差大于或等于第一阈值，所述当前采集周期的重力分量方差为当前采集周期之前第一预定时间段中采集的加速度数据中重力分量的方差；或者
当前采集周期的加速度数据的重力分量偏离预设的分量区间第二阈值；或者
当前采集周期的角速度方差大于或等于第三阈值，所述当前采集周期的角速度方差为当前采集周期之前第二预定时间段中采集的角速度数据的方差；或者
当前采集周期的角速度积分量大于或等于第四阈值，所述当前采集周期的角速度积分量为当前采集周期之前第三预定时间段中采集的角速度积分量。
9.根据权利要求8所述的方法，其特征在于，重新校准所述低通滤波算法的滤波初始值包括：
确定各采集周期的重力分量方差，所述采集周期的重力分量方差为所述采集周期之前第一预定时间段内采集的加速度数据中重力分量的方差；
在多个采集周期中确定可靠采集周期，所述可靠采集周期的重力分量方差小于第一阈值且所述可靠采集周期最靠近当前采集周期；
将所述可靠采集周期采集的加速度数据中的重力分量作为所述滤波初始值。
10.根据权利要求1所述的方法，其特征在于，在获取终端的运动传感器采集的原始运动数据之后，所述方法还包括：
滤除重力轴上的加速度数据大于或等于第五阈值和/或角速度数据积分量大于或等于第六阈值的原始运动数据。
11.一种运动数据处理装置，其特征在于，所述装置包括：
数据获取单元，被配置为获取终端的运动传感器检测的原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
重力分离单元，被配置为对所述加速度数据进行重力分离确定线性加速度数据；
第一处理单元，被配置为对所述线性加速度数据进行滤波处理和坐标旋转处理确定处理后线性加速度数据；
第二处理单元，被配置为对所述角速度数据进行滤波处理确定处理后角速度数据；
运行轨迹确定单元，被配置为根据所述处理后线性加速度数据和所述处理后角速度数据确定所述终端的运行轨迹。
12.一种终端，包括存储器和处理器，其特征在于，所述终端还包括：
运动传感器，用于采集原始运动数据，所述原始运动数据包括加速度数据和角速度数据；
其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-10中任一项所述的方法。
CN202010148140.9A 2020-03-05 2020-03-05 运动数据处理方法、装置、终端和计算机可读存储介质 Pending CN111831959A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010148140.9A CN111831959A (zh) 2020-03-05 2020-03-05 运动数据处理方法、装置、终端和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010148140.9A CN111831959A (zh) 2020-03-05 2020-03-05 运动数据处理方法、装置、终端和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111831959A true CN111831959A (zh) 2020-10-27

Family

ID=72913550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010148140.9A Pending CN111831959A (zh) 2020-03-05 2020-03-05 运动数据处理方法、装置、终端和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111831959A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113577651A (zh) * 2021-08-26 2021-11-02 吉林大学 一种面向智能杠铃的运动状态识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136141A1 (en) * 2012-11-14 2014-05-15 National Central University System and method of motion trajectory reconstruction
WO2018014432A1 (zh) * 2016-07-20 2018-01-25 中兴通讯股份有限公司 语音应用触发控制方法、装置及终端
CN108234760A (zh) * 2017-12-28 2018-06-29 努比亚技术有限公司 运动姿态识别方法、移动终端及计算机可读存储介质
CN108627153A (zh) * 2018-05-11 2018-10-09 南京大学 一种基于惯性传感器的刚体运动追踪系统及其工作方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140136141A1 (en) * 2012-11-14 2014-05-15 National Central University System and method of motion trajectory reconstruction
WO2018014432A1 (zh) * 2016-07-20 2018-01-25 中兴通讯股份有限公司 语音应用触发控制方法、装置及终端
CN108234760A (zh) * 2017-12-28 2018-06-29 努比亚技术有限公司 运动姿态识别方法、移动终端及计算机可读存储介质
CN108627153A (zh) * 2018-05-11 2018-10-09 南京大学 一种基于惯性传感器的刚体运动追踪系统及其工作方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈帅;王国英;莫路锋;: "基于角度补偿的手机多传感器数据融合测距算法", 传感技术学报, no. 02 *
黄晓艳;: "基于非线性观测器的传感器融合与旋转运动重构", 武汉职业技术学院学报, no. 04 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113577651A (zh) * 2021-08-26 2021-11-02 吉林大学 一种面向智能杠铃的运动状态识别方法

Similar Documents

Publication Publication Date Title
CN106030667B (zh) 车辆行驶状态监视装置
CN107807625B (zh) 一种基于端到端的自动驾驶系统舒适度的评估方法及装置
CN104246516B (zh) 一种确定车辆加速度的方法及装置
JP2018055191A (ja) データ収集システム
JP2011070623A5 (zh)
CN109109866A (zh) 车辆行驶状态监测方法、装置、计算机设备及存储介质
JP2020531929A (ja) テレメトリデータおよびウェアラブルセンサデータを用いたレーシングデータ分析のためのシステムおよび方法
JP6252344B2 (ja) データ記録装置およびデータ記録プログラム
US11312430B2 (en) Method and system for lean angle estimation of motorcycles
KR20170015454A (ko) 의도된 타겟을 결정하기 위한 장치 및 방법
CN111831959A (zh) 运动数据处理方法、装置、终端和计算机可读存储介质
CN107135267B (zh) 车辆变速数据的处理方法、系统及终端、存储器
JP5499212B1 (ja) 遠隔操作受付システム、遠隔操作システム及びプログラム
US20210240991A1 (en) Information processing method, information processing device, non-transitory computer-readable recording medium recording information processing program, and information processing system
US10891503B2 (en) Method and device for classifying eye opening data of at least one eye of an occupant of a vehicle, and method and device for detecting drowsiness and/or microsleep of an occupant of a vehicle
CN111512346B (zh) 一种计算单车踏频的方法、穿戴设备及存储介质
WO2020115081A1 (en) System and method for providing an indication of driving performance
CN107038874B (zh) 一种车祸监测方法及装置
CN108225368B (zh) 计步装置和计步方法
CN112172665B (zh) 一种通过imu进行碰撞报警的方法
JP2020504387A (ja) 周囲センサによる移動情報の決定
KR20140028405A (ko) 차량 상태 정보 처리 시스템 및 방법
JP2019040244A (ja) 運転支援装置
JP5583291B1 (ja) 遠隔操作受付システム、遠隔操作システム及びプログラム
CN111982108A (zh) 移动机器人定位方法、装置、设备及存储介质

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