CN111854740A - 能够在交通工具中进行航位推算的惯性导航系统 - Google Patents

Abstract

本公开的实施例涉及能够在交通工具中进行航位推算的惯性导航系统。在全球定位系统(GPS)信号或全球导航卫星系统(GNSS)信号丢失的情况下，包括微机电系统(MEMS)传感器的设备在航位推算中使用。该设备能够在GPS/GNSS信号丢失后，通过使用诸如加速度计和陀螺仪的MEMS传感器，来追踪设备的位置。通过使用从MEMS传感器接收到的数据来计算设备的传感器标架的前向轴与交通工具标架的前向轴之间的未对准角度，设备甚至可以在没有GPS/GNSS信号的情况下，准确地计算设备的用户或交通工具的位置。因此，可以提供一种能够在缺少GPS/GNSS信号的环境中，追踪搭乘在交通工具中的用户的位置的设备。

Description

能够在交通工具中进行航位推算的惯性导航系统

技术领域

本公开涉及在独立电子设备中使用微机电系统(MEMS)传感器进行的交通工具航位推算。

背景技术

随着电子设备变得更普及，用户的期望不断扩展。许多用户经常使用基于位置的应用，诸如，在当前设备(例如，被安装在交通工具中的手机、平板电脑、导航设备和信息娱乐系统)上可用的地图应用。这些基于位置的服务由驾驶员和搭乘者在驾乘共享(rideshare)应用中使用。驾驶员使用在其移动设备上的基于位置的服务，有时也与驾驶员交通工具相关联的基于位置的应用集成。搭乘者使用在其移动设备上的基于位置的服务，搭乘者从该服务请求搭乘。

移动设备和交通工具尤其包括以下各种组件来帮助进行驾驶员和搭乘者的位置标识：MEMS传感器、全球定位系统(GPS)传感器、全球导航卫星系统(GNSS)传感器等。例如，MEMS传感器尤其包括加速度计和陀螺仪。加速度计用于测量加速度力或速度的改变率。陀螺仪用于测量角速度。移动设备和交通工具，单独或以它们的组合，在基于显示屏的位置上显示用户的空间位置。借助这些驾乘共享应用，驾驶员的位置可以与搭乘者共享，并且搭乘者的位置可以与驾驶员共享。

但是，当这些用户中的任一用户进入GPS/GNSS信号较弱、受到干扰或不可用的地方时，利用该设备所检测的用户位置将变得不准确或不可用，并且可能无法正确显示在另一用户的设备上。这样，设备不再对用户位置进行准确地定位。此外，常规航位推算方法，其通过使用先前确定的位置(例如，通过使用GPS/GNSS传感器)来计算当前位置并基于估计速度来推进该位置，是不够准确的。

发明内容

由于基于位置的应用和航位推算方法中的这些缺点，提供了一种改进的设备和方法，其可以准确地分析用户的位置，并且当GPS/GNSS信号不够强或不可用时是特别有益的。

本公开提供了一种方法和系统，其用于适应当用户期望准确位置信息、但是不具有用以接收卫星信号(例如，GNSS和GPS信号)的清晰路径时的环境。GPS或GNSS信号的这些死区有时被称为城市峡谷(urban canyon)，其中高楼大厦和其他障碍物阻止了一致或强烈的信号。

该设备包括传感器、无线发射器/接收器以及处理器以用于对关于设备以及设备所位于的环境的数据进行采集、处理和传输。该设备通常比移动电话更简单，使得其具有成本效益，并且可以在停车场、城市峡谷或隧道中时增强移动电话或交通工具的功能。

本公开的一个应用可以对于搭乘呼叫服务是有益的，搭乘呼叫服务是使用在线平台来在乘客(搭乘者)和使用其私人交通工具的本地驾驶员之间进行连接的服务。搭乘呼叫服务的示例包括Uber和Lyft。但是，当GPS/GNSS信号恶化或丢失时，试图使用这些搭乘呼叫服务的搭乘者会失去驾驶员的交通工具的位置，从而使接载更具挑战性。通过使用该设备，即使在GPS/GNSS信号丢失或微弱的环境中，交通工具的驾驶员和搭乘者也将对交通工具的位置进行更有效地定位。

本公开的另一应用可以对于分析交通工具之间的碰撞是有益的。该应用既可以应用于自动驾驶交通工具，也可以应用于手动驾驶交通工具。可移除、但被固定到交通工具的该设备可以基于所描述的传感器对准方法来帮助确定交通工具的轨迹。在分析撞击时，设备与交通工具之间传感器的正确对准将给予有用的信息(例如，撞击的冲击力、冲击力的方向等)。该设备利用传感器对准方法可以在即使GPS/GNSS信号恶化或丢失的情况下，提供相关交通工具的方向。一旦碰撞已经发生，经对准的传感器的数据可以用于分析碰撞，包括刚好在碰撞之前的时间和冲击力相关数据(碰撞后数据)。

特别地，本公开提供用于确定交通工具参考标架(reference frame)与设备参考标架之间的未对准角度(misalignment angle)的方法，该设备可移除地附接到交通工具。电子设备中的传感器根据交通工具的移动使用诸如加速度计和陀螺仪的传感器，来提供能够确定未对准角度的数据。

附图说明

为了更好地理解实施例，现在仅以示例的方式参考附图。在附图中，相同的附图标记表示相同的元素或动作。附图中元素的大小和相对位置不必按比例绘制。例如，各种元素的形状和角度不一定按比例绘制，并且这些元素中的一些元素可以被放大和定位来改进附图的可读性。此外，所绘制的元素的特定形状不一定旨在传达有关特定元素的实际形状的任何信息，并且可能仅是为了便于在附图中识别而选择。

图1A是根据本公开的一个示例性实施例的道路的俯视图，其包括在交通工具与被定位于交通工具中的随机、暂时固定位置中的设备之间的未对准角度θ_m；

图1B是交通工具进入隧道的视图，在隧道中，利用图1A的设备能够接收的GPS/GNSS信号很小或不存在。

图2是根据本公开的一个示例性实施例的使用设备来确定未对准角度θ_m的系统流程图。

图3是根据本公开的一个示例性实施例的在奇异值分解(SVD)估计方法下确定未对准角度θ_m的流程图；

图4是根据本公开的一个示例性实施例的在正交变换估计(OTE)方法下确定未对准角度θ_m的流程图；

图5是根据本公开的一个示例性实施例的在GNSS方向余弦矩阵(DCM)方法下确定未对准角度θ_m的流程图；

图6是根据本公开的一个示例性实施例的所输出的未对准角度的融合块的流程图；

图7是根据本公开的另一实施例的在SVD估计方法下确定未对准角度θ_m的流程图；

图8是根据本公开的一个实施例的示例性卡尔曼滤波器的流程图；

图9是根据本公开的一个实施例的图8所示的示例性卡尔曼滤波器的详细流程图；以及

图10是根据本公开的另一实施例的最终化估计块的流程图。

图11A和图11B是本公开的位置标识设备的前透视图和背透视图。

具体实施方式

在下面的描述中，阐述了某些具体细节来提供对各种公开的实施例的透彻理解。然而，相关领域的技术人员将认识到，实施例可以在没有这些具体细节中的一个或多个的情况下，或者在利用其他方法、组件、材料等的情况下被实践。在其他情况下，与航位推算相关联的众所周知的算法或方法未详细示出或描述，以避免不必要地混淆实施例的描述。

除非上下文另有指示，否则在贯穿说明书和所附权利要求书，词语“包括”及其变型(例如，“包含”和“具有”)应以开放的、包含性的含义来解释，即，被解释为“包括但不仅限于”。此外，除非上下文另外明确指出，否则术语“第一”、“第二”和该序列的类似指示符应解释为可互换的。

贯穿说明书的对“一个实施例”或“实施例”的参考意指结合实施例描述的特定特征、结构或特性被包括在至少一个实施例中。因此，贯穿说明书在各处出现的短语“在一个实施例中”或“在实施例中”不一定指代相同的实施例。此外，在一个或多个实施例中，可以以任何合适的方式对特定的特征、结构或特性进行组合。

除非内容中另有明确规定，否则如本说明书和所附权利要求书中所使用的的单数形式“一”、“一个”和“所述”包括复数个所指对象。还应注意的是，除非内容清楚地另外指出，否则术语“或”通常以其最广泛的含义使用，即，意指“和/或”。

图1A是道路上的交通工具110的俯视图100。设备120被定位在交通工具110内。设备可以搁置(rest)在交通工具中的一位置中(例如，交通工具110的座椅上、仪表板上或中央控制台中)。当设备120没有相对于汽车的某个位置固定时，它可以被定位在交通工具110中的、或交通工具110上的任何位置。在这方面，设备120相对于交通工具的固定三维笛卡尔坐标系(XYZ轴或交通工具参考标架)的定向的关系可以是不固定的，直到设备被固定在交通工具中的某个位置上。在一些实施例中，设备120类似于常规的嵌入式交通工具导航系统，使得该设备以永久或暂时固定的方式被提供。

设备120(例如，图11A和图11B中的设备120)可以是搁置在交通工具的仪表板或其他暂时固定位置上的独立设备。驾乘共享服务的驾驶员可以使用该设备来提高其将要与搭乘者和服务共享的位置信息的准确性。该设备120包括基座150，基座150可以是柔性的，以顺应并抓紧仪表板的表面。在其他实施例中，该基座可以包括夹持件或其他附件，以在行驶时将设备保持在一位置。

设备包括可以在其上显示徽标的前面板152。该设备包括照射设备(例如，发光二极管)来对面板进行照射。备选地，该面板152可以是数字屏幕，使得所显示的图像可以改变。例如，在激增定价(surge pricing)期间，所显示的图像可以是不同的颜色或形状，以通知搭乘者激增时段。服务可以利用相同的激增时段符号来激活一区域内各种交通工具中的所有设备120。

设备包括多个传感器154、处理器156、发射器/接收器设备158以及将多个传感器耦合到处理器和发射器/接收器158的总线或数据线。多个传感器可以包括GPS/GNSS传感器、加速度计和陀螺仪。陀螺仪的动态范围可以比被包括在移动设备(例如，电话)中的陀螺仪小。这些传感器相对于设备120的主体固定。一旦定位在汽车中，传感器就相对于交通工具参考标架固定。处理器可以是包括存储器和逻辑的专用集成电路或标准数据处理芯片。发射器/接收器可以包括各种发射和接收装置(例如，WIFI、蓝牙、卫星以及其他电子、无线通信技术)。

在一些实施例中，设备120包括显示器162，显示器162可以是触摸屏显示器，使得设备120是可以在具有和不具有到驾驶员的个人移动设备的连接的情况下，向驾驶员提供驾乘共享应用接口的电子计算设备。

该设备包括在设备120的一侧上的图11A中的功率连接153。这可以是用于对电池充电的任何类型的合适的连接器(未示出)。

该设备具有相对于设备120固定的传感器参考标架，但是该传感器参考标架可以随着该设备移动到交通工具中的不同位置、或移动到另一交通工具，而相对于交通工具参考标架改变。这样，基于设备相对于交通工具的最近期的位置，交通工具110与被定位在交通工具110中随机位置中的设备120之间的未对准角度θm被实时地计算。例如，设备120可以耦合至交通工具110中的保持器(例如，耦合至仪表板的可调节臂)，未对准角度可以基于相对于交通工具的该位置来计算。本公开中描述的系统将定期确定自上次检查以来，设备的位置是否已改变。取决于位置是否已改变，将采取不同的动作。

在本公开中描述的设备和方法提供了更准确的位置信息，以在基于位置的应用中标识设备相对于地图的位置。例如，因为设备120可以从设备中的传感器计算位置信息，所以在事故现场等待正在行进通过低GPS信号环境的救护车的警官将能够准确地追踪包括设备120的该救护车的定位。位置信息可以通过急救部门的应用、云或其他无线服务(例如，从救护车到警察的蜂窝网络)而被共享。警察的位置也可以共享给救护车，以向各方给予准确的位置信息。

在该示例布置中，交通工具110在第一方向上移动。从导航的角度看，交通工具的航向(heading)是交通工具指向并移动朝向的方向，即，向该图的左侧。例如，如果交通工具前向移动，则第一方向可以是交通工具110的航向方向。在另一示例中，如果交通工具背向移动，则第一方向可以是交通工具110的尾向方向(tail direction)。交通工具110的第一方向表示为X_V。X_V是反映交通工具110的速度和方向的矢量。在一个或多个实施例中，X_V分量不仅反映速度和方向，而且还反映交通工具110的角速度和角加速度。

垂直于第一方向的第二方向可以被称为横向Y_V矢量。当交通工具110转方向(例如，转向右或转向左)而不是沿直线方向行驶(例如，前向或背向行驶)时，交通工具110可以具有横向分量Y_V。例如，如果交通工具110遇到弯路，则交通工具110将具有前向方向X_V分量以及横向方向Y_V分量二者。

在下文中，术语“交通工具标架”或“交通工具参考标架”用于相对于交通工具110的各种矢量来设置交通工具的方向。然而，为了计算未对准角度θ_m，可以考虑交通工具标架的两个矢量分量。例如，交通工具标架的前向方向可以指代交通工具的X_V矢量，并且交通工具标架的横向方向可以指代交通工具的Y_V矢量，交通工具的Y_V矢量垂直于交通工具的X_V矢量。术语“传感器标架”将以类似的含义使用，以指示设备120中的传感器的各种矢量。

在一个或多个实施例中，X_V分量使用惯性测量单元(IMU)来测量，惯性测量单元可以包括设备120的多个传感器。IMU包括诸如3轴加速度计和3轴陀螺仪的传感器。3轴加速度计传感器提供了在三个正交方向上的比力(specific force)感测。三轴陀螺仪传感器提供了在三个正交方向上的角速率感测。这些有时被称为六自由度(DOF)IMU传感器。经校准的六自由度IMU传感器具有较小的传感器噪声和误差，并且因此在短持续时间内产生具有增加的准确度的可靠结果。通过使用这些传感器，各种运动有关的数据可以由设备120获得。例如，当交通工具110加速或减速时，设备120的IMU将检测交通工具110的加速度和角加速度，并计算力(F＝ma；m为质量，a为加速度)的方向，其将指示交通工具110的方向。

IMU可以使用加速度计和陀螺仪的组合来测量和报告设备的比力、速度、移动方向、设备的倾斜方向、角速度、角加速度等。IMU允许当GPS/GNSS接收器不工作或具有受限的信号强度时(例如，在隧道中、在停车场中、在建筑物、城市峡谷内部或存在电子干扰时)，分析设备的位置。

在一些实施例中，X_V分量可以使用设备120的GPS/GNSS传感器来测量。GPS/GNSS传感器可以提供交通工具110的X_V的速度和方向，直到GPS/GNSS信号丢失。设备120可以利用所接收的GPS/GNSS信息来分析和计算X_V分量。在信号丢失或信号强度变低于一阈值而不能够对设备120进行定位之后，设备120可以通过使用IMU中的传感器来计算X_V。直到GPS/GNSS信号丢失为止所接收的GPS/GNSS数据可以在未对准角度θ_m的计算中使用。

在其他实施例中，X_V分量可以使用交通工具110的里程表来测量。在该实施例中，交通工具110可以与设备120连接，以通信或共享与移动有关的信息(例如，速度、方向、加速率、角速度、角加速度等)。代替使用设备120中的GPS/GNSS传感器、加速度计或陀螺仪，设备120可以直接从交通工具110接收移动信息。设备120与交通工具110之间的连接可以通过蓝牙、Wi-Fi、Zigbee、NFC(近场通信)或任何适当的无线连接来建立。该连接还可以通过以能够发送和接收数据的线的方式将设备120直接连接至交通工具110来建立。在一些实施例中，与交通工具110连接的、针对设备120的电池充电电缆可以被利用以从交通工具110接收运动数据。X_V分量也可以从所描述的这些方法的组合来确定。

该设备可以耦合到移动设备(例如，蜂窝电话、平板电脑)或主持驾驶员的应用的其他移动设备。该设备可以配对，或者通过线缆或无线方式耦合，以在设备和驾驶员的移动设备之间共享数据。这可以通过蓝牙、Wi-Fi、Zigbee、NFC(近场通信)或任何合适的无线连接来建立。

由设备120收集的信息或数据可以例如通过驾乘共享应用，在设备中、在云中或在驾驶员的移动设备上进行处理。由该设备和传感器采集的基于位置的信息一旦被处理，就可以由应用利用，以显示该设备相对于驾驶员、搭乘者和服务的地图的准确位置。

如所提及的，在一个或多个实施例中，X_V和Y_V是交通工具110指示交通工具110的速度和方向的矢量。在其他实施例中，交通工具110的X_V和Y_V矢量也可以指示或反映适用于计算未对准角度θ_m的任何移动相关因素(例如，交通工具110和设备120的加速率、角速度或角加速度等)。X_V和Y_V矢量对应于交通工具参考标架。贯穿说明书，将详细解释用于计算交通工具110的X_V矢量与设备120的传感器的X_S矢量之间的未对准角度θ_m的方法。

包括加速度计和陀螺仪的IMU在特定位置或以特定方向而被固定在设备120内，使得IMU帮助用户指示设备120的前向、背向、左和右方向或北、南、东和西方向，即，传感器参考标架。与交通工具情况类似，设备120的航向可以以类似方式确定。设备120的航向(或者确切地说，IMU的航向(以下被简称“传感器标架”或“传感器参考标架”)是传感器标架指向的罗盘方向。在一些实施例中，交通工具标架的航向方向和设备120的航向被对准为在相同的方向上。如果交通工具的航向和传感器标架的航向没有对准在相同的方向上，则传感器测量针对改进定位的准确度是不可用的。

在一些实施例中，传感器标架将能够使用来自使用传感器融合的加速度计和陀螺仪的测量，来找到其自身在使用X、Y、Z坐标系(笛卡尔坐标)或r、θ、

球坐标系(r为径向距离，θ为方位角，

为极角)的空间内的倾斜方向。

设备120的俯仰、偏航和横滚的计算有助于使从传感器标架的传感器数据X_S、Y_S到本地/交通工具/导航标架。为了计算未对准角度θ_m，Z轴测量的计算是可选的。在一些实施例中，可以省略与Z轴传感器组件有关的计算来简化计算过程。当设备120被定位在交通工具110中时，设备120的位置不一定与水平线或XY平面对准。通常，虽然交通工具110的前向方向X_V和横向方向Y_V与水平线对准或平行，但是在大多数情况下，设备120将相对于XY平面倾斜。这增加了计算交通工具110与设备120的传感器标架之间的未对准角度θ_m的复杂性。在一个实施例中，为了计算未对准角度θ_m，倾斜方向也可以被考虑，该倾斜方向基于俯仰、偏航和横滚来计算。除了传感器标架的倾斜之外，设备120的方向、角速度、角加速度和任何其他合适的参数使用加速度计和陀螺仪来计算，以提取水平加速度分量。X_S指示被包括在设备120中的传感器标架的前向方向(或航向方向)的水平分量。Y_S指示被包括在设备120中的传感器标架的横向方向(或侧方向)的水平分量，Y_S垂直于X_S。在一个或多个实施例中，X_S和Y_S是设备120的传感器标架的矢量。

图1B是进入隧道130的交通工具110的视图105，隧道130通常具有被设备120或用户的移动电话接收到的低的GPS/GNSS信号或没有GPS/GNSS信号，使得搭乘者可能具有关于驾驶员位置的不准确的信息。注意的是，本公开可以应用于急救车辆及其指挥部、或在低GPS/GNSS环境或没有GPS/GNSS的环境中需要准确的交通工具位置的其他应用。进入到建筑物找那个或驾驶进入隧道中使得设备120失去对GPS/GNSS信号的接收或接收到低于能够进行位置检测的阈值的微弱信号，并且交通工具110内部的用户的位置可能很快丢失。

通过计算未对准角度θ_m，即使GPS/GNSS信号丢失或微弱，设备120的惯性导航系统也可以通过使用被包括在设备中的传感器，准确地利用传感器数据来准确计算设备120和交通工具110的位置。在该实施例中，设备120与水平面或XY平面对准。如果设备120被调水平，则其将交通工具的X_V和设备120的传感器标架的X_S放置在相同的XY平面中，从而使得X_V与X_S之间的未对准角度θ_m的计算更容易。然而，如所解释的，在大多数情况下，设备120可能具有倾斜。

在一个实施例中，为了确定设备120的倾斜度，使用设备120的陀螺仪和加速度计来确定设备120在X、Y、Z分量方面的位置关系。在确定设备120的倾斜度之后，仅X、Y的水平分量被提取以计算未对准角度θ_m。然而，如所提及的，在一些实施例中，在计算未对准角度θ_m中可以考虑Z轴分量。在其他实施例中，GPS传感器可以可选地用于接收X_S、X_V分量以及其他X、Y、Z分量。在其他实施例中，交通工具的X_V分量可以直接从交通工具110的里程表、或交通工具110的任何其他移动相关传感器中接收。通过借助无线或非无线部件从交通工具110接收速度、方向、角速度、角加速度信息，这将减少由设备120执行的计算。用于基于从IMU接收的数据来计算未对准角度θ_m的算法将在后面的附图中详细描述。

在本文中使用的设备120适合于包括各种传感器。这些传感器的一个示例可以包括加速度计或陀螺仪或里程表，或者用于检测设备120和交通工具110的运动相关数据的任何其他传感器。运动相关数据的示例可以包括但不限于方向、加速度、角速度、角加速度等。设备120可以是诸如智能电话、平板PC、GPS导航设备等的移动设备。在其他实施例中，设备120也可以是单独的独立设备(例如，图11A和图11B中所示的设备)，其被制造以用于在GPS/GNSS信号丢失时的航位推算中使用。在其他实施例中，设备120可以从一开始就安装在交通工具中。在这种情况下，设备120将被内置在交通工具中、并且将由汽车制造商安装在已知位置中。设备120可以在交通工具的整个寿命中保留在交通工具中。对于这些情况，出厂校准是适用的，并且这因为将知道设备120在交通工具110内的位置，而减少了与用于计算未对准角度的算法有关的许多复杂计算。

如图1A和图1B所示的交通工具110表示汽车，但是根据本公开的算法的应用不限于交通工具，它也可以适用于皮卡车或任何其他运输交通工具。在其他实施例中，基于算法的应用，交通工具110可以指代无人机、无人飞行器(UAV)、直升机、船、轮船或飞机。

图2是示出根据本公开的一个示例性实施例的使用设备120确定未对准角度θ_m的系统流程图200。在一个实施例中，未对准估计块205使用奇异值分解(SVD)估计方法，来确定传感器标架与交通工具标架之间的未对准角度θ_m。在该估计方法下，该角度是通过使用设备120中的独立惯性传感器，在运动方向的估计上应用正交变换来确定的。在一个或多个实施例中，在该估计下的交通工具动力学通过交通工具的非完整约束(non-holonomicconstraint)进行建模。这些非完整约束涉及交通工具动力学通常被限制在前向方向的事实。例如，由于在导航期间，交通工具通常沿直线加速或减速，因此将交通工具运动的动力学可以限制在前向方向(纵向)。当交通工具沿直线或道路移动时，总加速度的大的分量将包括加速和减速时的纵向方向加速度。因为交通工具的大部分移动集中在前向移动，所以垂直于纵向方向的横向分量很可能是小的。考虑这些约束可以减少或简化未对准角度计算过程中所涉及的变量、公式和算法。

在另一实施例中，未对准估计块205使用正交变换估计(OTE)方法来确定传感器标架与交通工具标架之间的未对准角度。在该估计方法下，该角度是通过使用设备120中的独立惯性传感器以及从GPS/GNSS传感器导出的加速度信息，在运动方向的估计上应用正交变换而确定的。在该估计下的交通工具动力学也通过交通工具的非完整约束进行建模。

在又一实施例中，未对准估计块205使用GNSS方向余弦矩阵(GNSS DCM)方法来确定传感器标架与交通工具标架之间的未对准角度。在该估计方法下，该角度通过使用来自设备120中的惯性传感器的输入和交通工具旋转矩阵(DCM)来确定。该方法进一步将由惯性传感器观察到的加速度与从GPS/GNSS传感器导出的加速度之间的误差最小化。

在另外的实施例中，未对准估计块205使用SVD、OTE和GNSS DCM估计方法的融合，来确定传感器标架与交通工具标架之间的未对准角度。在该估计方法下，来自三种估计方法的输出使用加权技术进行加权，以获得具有增加的可靠性的、改进且准确的角度估计。通过利用所有三种估计方法的融合方法，可靠的角度结果能够在即使GPS/GNSS信号被拒绝的环境下产生。

参考图2，在框210处，三轴陀螺仪传感器提供在三个正交方向上的角速率感测。在框220处，三轴加速度计传感器在三个正交方向上提供比力感测。在框230处，GPS/GNSS传感器提供位置、速度和精确时间(PVT)数据。加速度和速度可以通过从GPS/GNSS传感器所接收的速度分量导出。在其他实施例中，在GPS/GNSS信号微弱或丢失的情况下，取决于环境，GPS/GNSS数据输入可以是可选的。在框240处，交通工具110的运动状态信息也被输入到SVD块250、OTE块260、GNSS DCM块270和融合块280。例如，交通工具的运动状态信息可以被分类为“停止”、“前向直行”、“转弯”、“反向”、“反向直行”等。该运动状态240可以通过使用相关领域技术人员已知的技术对加速度计数据进行处理来获得。

在一个实施例中，陀螺仪数据210、加速度计数据220和运动状态240输入到SVD块250中。将在图3中解释SVD块250中的处理的细节。在基于SVD块250中的处理产生SVD角度估计之后，该角度被输入到融合块280。在其他实施例中，在没有必须通过融合块280进行处理的情况下，基于SVD块250中的处理产生的SVD角度估计可以作为最终结果290而输出。

在一个实施例中，陀螺仪数据210、加速度计数据220、GPS/GNSS数据230和运动状态240输入到OTE块260中。将在图4中解释OTE块260中的处理的细节。在基于OTE块260中的处理产生OTE角度估计之后，该角度被输入到融合块280。在其他实施例中，在没有必须通过融合块280进行处理的情况下，基于OTE块260中的处理产生的OTE角度估计可以作为最终结果290而输出。

在一个实施例中，陀螺仪数据210、加速度计数据220、GPS/GNSS数据230和运动状态240被输入到GNSS DCM块270中。将在图5中解释GNSS DCM块270中的处理的细节。在基于GNSS DCM块270中的处理产生GNSS DCM角度估计之后，该角度被输入到融合块280。在其他实施例中，在没有必须通过融合块280进行处理的情况下，基于GNSS DCM块270中的处理产生的GNSS DCM角度估计可以作为最终结果290而输出。

在一个或多个实施例中，融合块280将从SVD块250、OTE块260、GNSS DCM块270分别接收SVD角度估计、OTE角度估计、GNSS DCM角度估计。基于在加权处理之后这些角度的组合，该加权处理基于交通工具的运动状态和每个传感器的信号强度，融合块280输出具有增加的可靠性的优化未对准角度。

本领域普通技术人员将容易理解，未对准估计块205内的块、单元或模块可以被实现为软件程序或算法，其能够通过设备120中的处理器或设备120中的任何其他电路系统、编程模块或可编程逻辑设备(PLD)执行。处理器可以包括任何合适的处理单元，其能够执行每个块或模块的嵌入式软件或算法，尤其是该设备的各种功能。例如，它可以包括但不限于移动应用处理器、利用电子电路系统实现的微处理器、PLD、可编程控制器、可编程逻辑控制器、具有所需算法被编程来执行功能的的通用处理器、集成电路(IC)等。

图3是示出根据本公开的一个示例性实施例的在奇异值分解(SVD)估计方法下确定未对准角度θ_m的流程图300。被包括在设备120的处理器中的SVD估计块250接收交通工具240的运动状态、陀螺仪数据210和加速度计数据220。设备120的处理器还可以使用GPS/GNSS数据来确定交通工具的运动状态，但这可以是可选的。

当交通工具笔直移动时，并且在未对准角度θ_m为0度的完美对准的情况下，由加速度计测得的信号应仅集中在指向前的轴(前向轴)，其中横向轴仅感测纯噪声。另一方面，在未对准角度θ_m不为0度的不完美对准的情况下，前向加速度的量将通过横向轴感测到。因此，交通工具的前向加速度提供足够的信息来估计交通工具标架与传感器标架之间的角度偏移。下面将进一步解释用于计算未对准角度θ_m的详细说明。

在SVD估计块250处，加速度计数据220被接收。加速度计数据220包括X方向上的加速度计数据(X Acc)、Y方向上的加速度计数据(Y Acc)和Z方向上的加速度计数据(Z Acc)。在一个或多个实施例中，设备120中的加速度计能够接收交通工具110的X Acc、Y Acc和ZAcc数据。例如，如果交通工具110以笔直、前向的方向上移动，则与Y Acc、Z Acc分量相比，X方向的加速度分量(假设交通工具朝向假设的X方向行驶)将是显著的。如果交通工具110正在转弯(例如，向左、向右或U形转弯)，则与X Acc、Z Acc分量相比，+Y或-Y方向的加速度分量(假设交通工具朝向Y方向转弯)将是显著的。如果交通工具110正在上坡或下坡，则与XAcc、Y Acc分量相比，+Z或-Z方向的加速度分量(假设交通工具朝向Z方向移动)将是显著的。

在SVD估计块250处，陀螺仪数据210也被接收。陀螺仪数据210包括X方向上的来自陀螺仪数据(X Gyro)、Y方向上的来自陀螺仪数据(Y Gyro)以及Z方向上的来自陀螺仪数据(Z Gyro)。在一个或多个实施例中，设备120中的陀螺仪能够接收设备120的X Gyro、Y Gyro和Z Gyro数据。在一些实施例中，设备120的传感器标架可以使用陀螺仪信号X Gyro、YGyro、Z Gyro来检测，以计算设备120相对于交通工具110的倾斜。在块320处，基于陀螺仪信号，加速度计信号X Acc、Y Acc、Z Acc可以进行倾斜补偿。在块325处，这些经倾斜补偿的信号然后最终进行滤波来选择加速度计信号X Acc、Y Acc的笔直水平部分(straighthorizontal part)。在其他实施例中，如果GPS/GNSS信号可用，则GPS/GNSS传感器可以单独使用，也可以与加速度计或其他传感器结合使用。

返回参考图3，在直线检测/显著运动(significant motion)检测块310处，设备120的处理器基于陀螺仪数据210和加速度计数据220来确定交通工具的运动状态240。在一些实施例中，设备120的处理器可以使用陀螺仪数据210来确定交通工具110是沿直线移动还是沿非直线显著移动。与其他实施例一样，GPS/GNSS数据的使用可以是可选的。

在检测块310处，由处理器来确定交通工具是沿直线移动还是显著运动(转弯)。为了确定交通工具的移动，处理器从设备120的陀螺仪接收传感器输入。如果在沿直线导航的同时交通工具110加速或减速，则陀螺仪将不会测量到显著的角速度。此外，陀螺仪的值可以指示应用到交通工具110中的设备120的旋转量。基于来自陀螺仪的所感测的数据并考虑角速度，处理器可以确定交通工具110是处于直线移动还是交通工具110正在转弯。如果交通工具110沿着不笔直的路径行进(例如，采取左转弯或右转弯或U形转弯)，则陀螺仪将能够感测通过转弯的角度或角速度的改变。在这种情况下，处理器可以确定交通工具110处于显著运动(转弯)而不是直线移动。如果陀螺仪感测到低于阈值的显著运动的角速度值，则设备的处理器可以得出如下结论：在任何方向上都没有转弯移动。由陀螺仪所感测的角加速度必须高于阈值(例如，阈值指示如果值低于该阈值，则可能没有移动或存在不显著的移动，如果值高于该阈值，则可能存在移动)，使得处理器确定交通工具不是静止的(或还以恒定速度移动)并且正在加速/减速。

在其他实施例中，加速度计数据220可以被使用。处理器可以将陀螺仪数据210与加速度计数据220组合使用。如果设备120感测到加速度值低于阈值，该阈值指示存在在任何方向上的加速移动，则处理器可以确定交通工具110处于静止或以恒定的速度移动。实际上，除非交通工具110完全停止，否则在任何方向上的加速度的噪声值可能存在。因此，高于阈值的加速度值将指示加速或减速。在一些实施例中，处理器可以基于加速度计数据220和陀螺仪数据210，来确定交通工具的直线移动或显著移动。

在倾斜补偿块320中，加速度计被用来确定设备120的倾斜方向。在一个实施例中，设备120的横滚角和俯仰角被计算来确定倾斜方向。设备120的、或更确切地设备120的传感器标架的横滚角和俯仰角使用加速度计数据来检测。基于加速度计数据220，加速度计信号X Acc、Y Acc、Z Acc进行倾斜补偿，以用于提取加速度计信号的水平分量的目的。在其他实施例中，在块320处，陀螺仪信号X Gyro、Y Gyro、Z Gyro与加速度计信号X Acc、Y Acc、ZAcc结合使用来计算倾斜方向和倾斜补偿。

在水平加速度块325中，这些经倾斜补偿的信号被接收，并且它们进行滤波以便选择信号的笔直水平部分。基于加速度计信号X Acc、Y Acc、Z Acc，水平加速度分量HX Acc、HY Acc、HZ Acc在考虑设备120的倾斜(或更准确地说，传感器标架的倾斜)之后被提取。在一些实施例中，陀螺仪信号X Gyro、Y Gyro、Z Gyro可以用于倾斜补偿。在块325处，这些陀螺仪信号被输入来计算倾斜，并且将、所计算的倾斜方向用于提取加速度计信号X Acc、YAcc、Z Acc的笔直水平部分。

在数据滤波块315中，从运动检测块310处理过的运动状态信息和来自陀螺仪数据210的输入与加速度计数据220和通过水平加速度块325处理过的信息进行组合。在数据滤波块315中，与未对准角度的分析不相关的任何噪声或数据被滤除掉。在一些实施例中，滤波器可以具有某个滤波范围，以用于使落入该范围内的信号通过、并滤除信号的剩余部分。例如，任何随机噪声信号可能不被考虑，其不是准确反映交通工具运动的指示。该被滤除掉的数据将不会被传递到缓冲器330以用于存储，因为它可能包含噪声。在其他实施例中，当不存在显著运动时，数据滤波块315可以去除加速度。即，如果加速度值接近于零(这意味着不存在任何显著运动)，它将去除加速度值。当检测到显著运动的加速度时，数据滤波块315仅提取加速度计数据，以确保不相关的数据或噪声数据不被输入到缓冲器块330。

当数据滤波在数据滤波块315处执行之后，块315将经滤波的数据输出给缓冲器330。在缓冲器330中，如果数据足以用于分析未对准角度，则缓冲器330中的数据将被传递到自相关(auto-correlation)矩阵块345以进行计算。处理器可以确定缓冲器330中的数据是否超过最小阈值量，该最小阈值量用于计算未对准角度的以产生可靠的结果。例如，缓冲器330中的数据可以被累积到这样的程度，即它将产生在IMU轴与交通工具纵向之间的、具有优于2度的准确度的未对准角度。在其他实施例中，当准确度要优于1度时，缓冲器可以被更新。

另一方面，如果累积在缓冲器330中的数据量不足，则过程进行到块335来更新缓冲器。缓冲器通过接收下一时期340的经更新的传感器数据、或基于所选择的时间间隔来更新。在基于在下一时期中接收到的数据被更新之后的缓冲器可以将关于交通工具运动的信息(例如，加速度、倾斜方向等)从IMU提供给缓冲器330。处理器可以确定缓冲器330是否具有足够的数据以用于计算未对准角度来产生可靠的结果。如果处理器确定缓冲器330尚未满足阈值，该阈值指示用于未对准计算的最小足够数据，则处理器将不会基于所累积的数据继续进行未对准角度估计，并且将在块335处再次更新缓冲器。

在自相关矩阵块345处，处理器使用自相关矩阵来计算所接收的输入数据。在一个实施例中，将水平面中的两个加速度X Acc、Y Acc被输入到自相关矩阵块345。在使用自相关矩阵进行计算期间或之后，SVD方法在SVD块350处使用，以将加速度计信号的两个X、Y分量(例如，加速度矢量)之间的相关性最小化。在此，到SVD块350的输入是X轴加速度和Y轴加速度之间的互相关(cross correlation)矩阵(2×2)。即，自相关矩阵块345和SVD块350基于以下过程进行。

在角度估计基于SVD方法而产生之后，未对准角度关于结果的可靠性而被检查。在角度估计和质量检查块355处，角度的可靠性被测试来将误差最小化并增加未对准角度的质量水平。在一个实施例中，在质量检查块355处，处理器计算输出的质量并滤除任何不佳估计。通过滤除掉不佳估计，可以改进最终输出的可靠性和质量。当处理器在质量检查块355处确定质量不佳时，它可以从下一时期340接收输入并且再次更新缓冲器335来接收足够的数据用于计算。如先前提到的，关于质量是良好还是不佳的确定可以取决于IMU轴与交通工具纵向之间所产生的未对准角度具有优于2度的准确度。这意味着在没有GPS/GNSS信号的环境中，仅基于IMU进行的计算与实际交通工具路线的偏差不多于2度。

在一个或多个实施例中，质量检查块355中的过程包括：使用SVD来检查旋转的X轴(前向轴)和Y轴(横向轴)的方差比。例如，由于前向轴上的加速度高，故与横向轴相比其方差应较大。如果前向轴和横向轴上的方差比高，这表明SVD的质量良好。在其他实施例中，质量检查块355中的过程包括：检查前向轴上的最小方差。在其他实施例中，质量检查块355中的过程包括：检查样本N的最小数目(例如，2×N数据中的N)。

在一些实施例中，质量检查被执行以确保所产生的未对准角度的准确性和质量。该检查在质量检查块355处执行。在其他实施例中，质量检查可以在任何合适的阶段期间执行，以便维持数据的完整性和准确性。数据检查过程不限于仅在算法的某些阶段执行。一旦质量被确认，则SVD角度在框360处输出。基于SVD方法的未对准角度，连同水平加速度的X和Y分量可以以累计形式而被存储，以将存储最小化。例如，数据可以以平均、方差、互相关性等形式存储。

图4是根据本公开的一个示例性实施例的在正交变换估计(OTE)方法下确定未对准角度θ_m的流程图400。在一个实施例中，被包括在设备120的处理器中的OTE块260接收交通工具240的运动状态、陀螺仪数据210和加速度计数据220。与其他实施例一样，设备120的处理器可以使用GPS/GNSS数据230作为选项。为了简单起见，将省略与SVD估计块250相比执行类似功能的块。与图3相同或相似的块或模块通常将以相同或相似的方式运行。为了不重复，此处将不解释相同或相似的功能性。

在直线检测/显著运动检测块410处，设备120的处理器基于陀螺仪数据210来确定交通工具的运动状态240。在一个实施例中，陀螺仪数据210连同交通工具240的运动状态被用来检测笔直路段。

在倾斜补偿块420中，加速度计被用来确定设备120的倾斜方向。一旦在块420中计算了倾斜补偿，则加速度计信号X Acc、Y Acc和Z Acc的结果被输出到水平加速度块425。

在水平加速度块425中，水平加速度分量HX Acc、HY Acc、HZ Acc基于经倾斜补偿的信号来提取。在一些实施例中，陀螺仪信号X Gyro、Y Gyro、Z Gyro可以用于倾斜补偿。这些陀螺仪信号被输入以计算倾斜，并且所计算的倾斜方向被用来提取加速度计信号的直行水平部分。

在数据滤波块415中，从运动检测块410处理过的运动状态信息和来自陀螺仪数据210的输入与加速度计数据220和通过水平加速度块425处理过的信息进行组合。在数据滤波块415中，GPS/GNSS数据230也被考虑。在一个或多个实施例中，当存在GPS/GNSS信号存在时，GPS/GNSS数据230可以与运动检测块410、或块420或块425结合使用来改进计算。

当数据滤波在数据滤波块415处执行之后，数据滤波块415将经滤波的数据输出给缓冲器430。在缓冲器430中，如果数据足以用于分析未对准角度，则缓冲器中的数据430将被传递到互相关矩阵块445以进行计算。处理器可以确定缓冲器430中的数据是否超过最小阈值量，最小阈值量用于计算未对准角度来产生可靠的结果。例如，缓冲器430中的数据可以累积到这样的程度，即，将产生在IMU轴与交通工具纵向之间的、具有优于2度的准确度的未对准角度。即，传感器标架(X_S)与交通工具标架(X_V)之间的未对准角度具有优于2度的准确度。在其他实施例中，当准确度要优于1度时，缓冲器可以被更新。

另一方面，如果累积在缓冲器430中的数据量不足，则步骤进行到块435来更新缓冲器。缓冲器将通过接收下一时期440的经更新的传感器数据来进行更新。处理器可以确定缓冲器430是否具有足够的数据用于计算未对准角度来产生可靠的结果。如果处理器确定缓冲器430尚未满足阈值，该阈值指示用于未对准计算的最小足够数据，则处理器将不基于所累积的数据进行未对准角度估计，并且将在块435处再次更新缓冲器。

在互相关矩阵块445处，处理器使用互相关矩阵来计算所接收的数据。互相关变换矩阵与来自GPS/GNSS数据230的输入之间的互相关性被计算。在块450中，正交变换估计在水平X Acc、Y Acc和GPS/GNSS数据230之间应用。在正交变换估计块450处，找到将水平X、Y加速度分量(例如，设备120的传感器标架的X_S和Y_S、交通工具110的交通工具标架的X_V和Y_V)与GPS/GNSS之间的相关性最小化的正交变换。当找到将水平X、Y加速度分量与GPS/GNSS之间的相关性最小化的正交变换时，正交变换矩阵被应用来产生未对准角度。

在其他实施例中，在使用OTE方法处理过之后的加速度计信号的两个X、Y分量可以指代交通工具标架的水平值(X_V和Y_V)和传感器标架的水平值(X_S和Y_S)。

在一个或多个实施例中，通过使用正交变换矩阵，交通工具标架的加速度分量与传感器标架的加速度分量之间的关系可以如下建立：

Acc_交通工具＝R*Acc_传感器(R表示正交变换矩阵)

正交变换的旋转度表示未对准角度θ_m。

交通工具的水平分量X_V和Y_V可以使用以下矩阵表示：

附加地，传感器标架的水平分量X_S和Y_S可以使用以下矩阵来表示：

通过根据上述Acc_交通工具＝R*Acc_传感器公式应用正交变换矩阵，

其中Angle＝未对准角度θ_m。

可以建立以下等式：

以上等式的计算产生了交通工具标架与传感器标架之间的未对准角度θ_m。

在角度估计基于OTE方法产生之后，未对准角度关于结果的可靠性而进行检查。在角度估计和质量检查块455处，角度的可靠性被测试以减少误差并增加未对准角度的质量水平。在一个实施例中，在块455处，处理器计算输出的质量并且滤除不佳的估计。通过滤除掉不佳估计，可以改进最终输出的质量和可靠性。当处理器在块455处确定质量不佳时，它可以从下一时期440接收输入，并且再次更新缓冲器435来接收足够的数据以用于计算。如前所述，确定质量是良好还是不佳可以取决于上述角度的准确度水平(例如，2度)。

一旦质量被确认，则OTE角度在块460处输出。如同其他实施例，基于OTE方法的未对准角度以及水平加速度的X和Y分量可以以累计形式存储，以将存储最小化。

图5是根据本公开的一个示例性实施例的在GNSS方向余弦矩阵(DCM)方法下确定未对准角度θ_m的流程图500。在一个实施例中，被包括在设备120的处理器中的GNSS DCM估计块270接收交通工具240的运动状态、陀螺仪数据210、加速度计数据220和GPS/GNSS数据230。

在传感器校准模型块510处，加速度计数据220被接收。在此，加速度计的测量进行倾斜补偿(例如，俯仰和横滚)来产生IMU水平加速度。在一个实施例中，传感器校准模型块510可以通过使用加速度计数据220来计算水平加速度分量HX Acc、HY Acc。在其他实施例中，传感器校准模型块510可以通过使用来自陀螺仪数据210的陀螺仪信号X Gyro、Y Gyro、Z Gyro，通过倾斜补偿来计算水平加速度分量。传感器校准模型块510可以基于经倾斜补偿的信号来提取水平加速度分量。这些陀螺仪信号可以被输入到传感器校准模型块510来计算倾斜，并且所计算的倾斜方向被用于提取加速度计信号X Acc、Y Acc的笔直水平部分。

基于上述计算方法，传感器校准模型块510输出针对X加速度分量和Y加速度分量的经校准的加速度数据。与从交通工具到传感器标架DCM旋转块530输出的X轴和Y轴上的所预测的加速度数据相比，X轴和Y轴上的该经校准的加速度数据是实际上所感测的数据，所预测的加速度数据是基于来自角度估计最小化加速度误差块520的计算产生。

在角度估计最小化加速度误差块520处，设备120的处理器接收交通工具的运动状态240和陀螺仪数据210。基于这些输入，角度估计最小化加速度误差块520输出在时间t的时域中的角度，即，角度(t)。在一个实施例中，角度估计最小化加速度误差块520使用卡尔曼滤波器来实现。在块520中，卡尔曼滤波器预测角度，以便将由传感器标架中的IMU传感器测量的加速度与被旋转到传感器标架的GNSS加速度之间的误差最小化或实质上减小。卡尔曼滤波器估计一角度，在该角度处，从IMU传感器和GPS/GNSS传感器二者所测量的加速度相似。产生与从IMU传感器和GPS/GNSS传感器所测量的加速度相似的角度指示该角度具有最少或最小的误差。在块520处的处理之后，时域中的角度，角度(t)，被输入到逆Z变换块540中。逆Z变换(Z-1)输出角度(t-1)，在时间t-1的角度。

在交通工具到传感器标架DCM旋转块530中，GPS/GNSS数据230被接收。GPS/GNSS数据230包括使用GPS/GNSS传感器所确定的交通工具速度，GNSS速度。GPS/GNSS数据230还包括前向加速度和其他加速度信息。在一个实施例中，在交通工具到传感器标架DCM旋转块530处，处理器将旋转矩阵应用于输入。例如，块530将由GPS/GNSS传感器测量的前向加速和横向加速度，旋转到传感器标架中由角度估计产生的X和Y加速度。在一个实施例中，该旋转表示如下：

在交通工具到传感器标架DCM旋转块530的计算之后，处理器基于从Z-1变换输出的角度(t-1)、以及GPS/GNSS数据来输出所预测的X加速度分量和Y加速度分量。在一个实施例中，当从交通工具标架转移时，所预测或考虑的加速度可以与IMU的传感器标架的相同参考标架相匹配。来自GPS/GNSS导航传感器的加速度使用设备120的未对准角度和倾斜方向，使用旋转矩阵而被转移到设备120的传感器标架。传感器标架与交通工具标架之间的任何差异与未对准角度成比例。如所解释的，在交通工具到传感器标架DCM旋转块530中，基于GPS/GNSS传感器所检测的加速度通过未对准角度进行旋转，以将它们转移到从传感器校准模型块510输出的传感器标架数据，并且实际所感测的X、Y加速度分量和所预测的X、Y加速度分量进行比较。

在角度估计最小化加速度误差块520中，处理器基于实际所感测的X、Y加速度分量和所预测的X、Y加速度分量之间的差异，接收加速度误差。在角度估计最小化加速度误差块520处，处理器估计优化角度，从而减小GPS/GNSS加速度(预测)与IMU加速度(实际测量)之间的均方根误差。

GNSS DCM估计块270基于将由两个源，设备120中的IMU传感器和可能位于交通工具110中的GPS/GNSS传感器，所独立测量的水平加速度进行比较来进行计算。在一些实施例中，GPS/GNSS传感器可以位于设备120内。在使用包括卡尔曼滤波器(KF)、无限脉冲响应(IIR)滤波器和LS滤波器的各种滤波器，将所预测的加速度值与所感测的加速度值之间的误差最小化之后，具有减小的误差的未对准角度在块550处输出。可用于将角度估计误差减小或最小化的滤波器不限于KF、IIR、LS滤波器，并且本领域普通技术人员将容易理解，可以应用其他合适的滤波器来获得基本相同或相似的结果。如所解释的，块520的实现是通过使用卡尔曼滤波器来执行的，但是可以应用其他滤波器来实现相同或相似的结果。

图6是根据本公开的一个示例性实施例的所输出的未对准角度的融合块280的流程图600。设备120的处理器接收从SVD估计块250计算的SVD角度、从OTE块260计算的OTE角度、从GNSS DCM估计块270计算的GNSS DCM角度。来自三种估计方法的输出被合并，来获得具有增加的可靠性的独特且改进的角度估计。在一个或多个实施例中，该融合由卡尔曼滤波器操作，并且可以在所有可能的场景(包括GPS/GNSS信号被拒绝的环境)中工作。

在块620处应用角度权重之前，在块610处，可接受的SVD角度条件被考虑。接受SVD角度条件块610确定所接收的SVD角度是否在将产生可靠的未对准角度的可接受范围内。在块610处，针对每个输入特定的接受条件被应用。在SVD角度权重计算块620处，处理器基于多个因素来确定多少权重将被应用。例如，这些因素可以包括但不限于某些传感器的存在或不存在、基于传感器所接收的信号强度、交通工具的运动特性、交通工具正在行驶的路径条件等。在其他实施例中，SVD角度权重计算块620输出置信度和权重，其反映输出是如何准确或错误。在可以使用卡尔曼滤波器实现的块中，通过应用卡尔曼滤波器进行的SVD角度测量与和权重成比例的不确定性相关联。例如，如果不确定性大，则所产生的角度(SVD角度)值可以被给予较小的权重。另一方面，如果不确定性小，则所产生的SVD角度的值可以被给予比OTE角度或GNSS DCM角度大的权重。一旦确定了权重，SVD角度被给予权重因子W_SVD。

在块640处应用角度权重之前，在块630处，可接受的OTE角度条件被考虑。接受OTE角度条件块630确定所接收的OTE角度是否在将产生可靠的未对准角度的可接受范围内。在块630处，针对每个输入特定的接受条件被应用。在OTE角度权重计算块640处，处理器基于多个因素来确定多少权重将被应用。在其他实施例中，OTE角度权重计算块640输出置信度和权重，其反映输出是如何准确或错误。可以使用卡尔曼滤波器来实现的块，通过应用卡尔曼滤波器对OTE角度进行的测量与和权重成比例的不确定性相关联。例如，如果不确定性大，则所产生的角度(OTE角度)值可以被给予较小的权重。另一方面，如果不确定性小，则所产生的OTE角度值可以被给予较大的权重。一旦确定了权重，OTE角度被给予权重因子W_OTE。如结合块620所解释的，卡尔曼滤波器可以基于上述公式和变量之间的关系来实现。

在660处应用角度权重之前，在块650处，可接受的GNSS DCM角度条件被考虑。GNSSDCM角度条件接受块650确定所接收的GNSS DCM角度是否在将产生可靠的未对准角度的可接受的范围内。在框650处，针对每个输入特定的接受条件被应用。在GNSS DCM角度权重计算块660处，处理器基于多个因素来确定多少权重将被应用。在其他实施例中，GNSS DCM角度权重计算块660输出置信度和权重，其反映输出是如何准确或错误。如所解释的，这些块可以使用卡尔曼滤波器来实现，并且通过应用卡尔曼滤波器来对GNSS DCM角度进行的测量与和权重成比例的不确定性相关联。例如，如果不确定性大，则所产生的角度(GNSS DCM角度)值可以被给予较小的权重。另一方面，如果不确定性小，则所产生的GNSS DCM角度值可以被给予较大的权重。一旦确定了权重，GNSS DCM角度被给予权重因子W_{GNSS DCM}。如结合块620和640所解释的，卡尔曼滤波器可以基于上述公式和变量之间的关系来实现。

在基于权重的合并块670处，处理器接收运动状态240以及SVD角度、OTE角度、GNSSDCM角度以及相应的权重W_SVD、W_OTE、W_{GNSS_DCM}。在基于权重的合并块670处应用的融合方法将未对准角度的输出组合。该组合可以依靠不同的技术(例如，使用KF滤波器、自适应IIR滤波器)。但是，融合方法不限于这些滤波器。在一个实施例中，KF途径可以被使用以通过将测量数据与所预测的数据之间的均方根误差最小化，来估计最终的未对准角度。在其他实施例中，融合方法基于所选择的度量最小化的集合，来提供对未对准角度的最终永久估计。然而，本领域普通技术人员将理解，可以使用其他方法来实现类似的结果。

在对未对准角度进行加权之后，经合并的角度估计被输入到最终化(finalize)估计块680。在一个实施例中，在最终化估计块680处，算法保持监控置信度，以接受或拒绝新的经合并的未对准角度估计。由于未对准角度可以在短持续时间内保持恒定，因此处理器可以拒绝任何不佳的未对准角度估计。在一些实施例中，处理器可以基于置信度通过采取更新的角度和更新的权重，来细化未对准角度的当前估计。在其他实施例中，在最终化估计块680处，置信度和稳定性随时间进行监控，以产生可靠的角度最终估计。

图7是根据本公开的另一实施例的在SVD估计方法下确定未对准角度θ_m的流程图700。在一个实施例中，被包括在设备120的处理器中的SVD估计块250接收陀螺仪数据210和加速度计数据220。在一些实施例中，设备120的处理器还可以使用GPS/GNSS数据230来确定交通工具110的运动状态。将解释交通工具的三个运动状态，即，直线检测710、静态检测715和显著运动检测720。

设备120的处理器可以在静态检测块715处检测交通工具是静止的还是移动的。在静态检测块715处，为了确定交通工具是静止的还是移动的，处理器从设备120的加速度计和陀螺仪接收传感器输入。静态检测对于将重力矢量和陀螺仪偏差计算初始化是重要的。如果设备120中的加速度计感测到加速度值低于阈值，该阈值指示在任何方向上的加速度移动，则处理器可以确定交通工具110是静止的或者以恒定速度移动。实际上，除非交通工具处于完全停止，否则在任何方向上的加速度的噪声值可能存在。在一些实施例中，处理器可以基于所接收的加速度计数据220的值与阈值的比较，确定交通工具110是静止的还是移动的。如果加速度计感测到角加速度在阈值之上，则处理器可以确定交通工具110没有在直线上移动。此外，为了确认交通工具110的运动状态，处理器可以结合使用陀螺仪数据210和加速度计数据220。在一些实施例中，处理器可以同时考虑陀螺仪数据210和加速度计数据220两者，或以任何顺序一次分析一者来对数据进行分析。

直线检测被执行主要以提取交通工具的沿直线移动、并且未观察到显著横向加速度的测量数据段。直线检测通过对在固定窗口长度上可忽略的(在阈值之上)偏航率条件进行测试来驱动。在直线检测块710处，处理器可以通过进一步利用陀螺仪数据210以及加速度计数据220来确认交通工具110正以直线移动。例如，当交通工具加速或减速时，陀螺仪数据210可以示出关于交通工具110的运动状态的信息。因为当交通工具110加速时，即使设备120可以固定在交通工具110中的某个位置中，设备120由于加速也可能一起倾斜，所以设备120的陀螺仪可以获取加速度信息。陀螺仪偏置还可以结合对交通工具110的运动状态的分析来考虑。在一些实施例中，在静态检测块715处初始确定交通工具的运动状态之后，处理器可以进行到直线检测块710以用于交通工具移动的进一步确定。

在显著运动检测块720处，处理器基于加速度计数据220和GPS/GNSS数据230来确定运动是显著运动。显著运动检测块720用于提取当加速度(在阈值之上)在在纵向上存在时，在运动期间的传感器数据。当交通工具以恒定速率运动移动时，没有足够的可用信息来帮助确定未对准角度。在加速或减速期间，针对该运动的传感器数据包含关于运动方向的足够信息。在一个实施例中，如果GPS可用，则显著运动使用GPS速率来检测。在一个实施例中，该模块检查从最后2秒开始的速度改变、或1秒内的总水平加速度。在此，如果交通工具110是静止的，则重力矢量可以利用较高的权重来更新，并且可以计算陀螺仪偏置。如果交通工具110未以直线运动或未检测到显著运动，则处理器可以等待下一测量时期。

返回参考显著运动检测块720，处理器使用加速度计数据220来确定运动是否对于将其用于未对准角度的计算和置信度估计是是显著的。在其他实施例中，处理器可以使用GPS/GNSS数据230(如果可用)来确定运动动力学，并且使用该数据用于计算未对准角度和置信度估计。在一个实施例中，显著运动动力学可以指代如下事件：交通工具110在以非静态方式移动的同时改变交通工具110的方向。例如，如果交通工具110不断地从左向右转弯，则这些运动可以被认为是显著的，并且将通过加速度计被感测到。在其他示例中，当交通工具110的角速度在特定时段内频繁改变时，交通工具的运动可以是显著的。交通工具110的角加速度的值也可以在确定显著的交通工具运动中使用。

在横滚和俯仰估计块705中，加速度计用于确定设备120的横滚角度和俯仰角度。设备120的横滚角度和俯仰角度，或更确切地，设备120的传感器标架的横滚角度和俯仰角度使用陀螺仪信号X Gyro、Y Gyro进行检测。基于陀螺仪信号，加速度计信号X Acc、Y Acc进行倾斜补偿。在一些实施例中，Z轴分量可以在倾斜补偿中考虑。这些经倾斜补偿的信号然后最终进行滤波，以便选择笔直水平部分。

在有用数据确定块725处，处理器将来自直线检测块710、静态检测块715和显著运动检测块720的运动状态信息汇集。处理器将确定交通工具110在该阶段的主导运动状态，并确定将使用哪些经分析的数据将被用于计算。在一个实施例中，在有用数据确定块725处，处理器将计算所检测的数据的噪声量，并且如果它下降到小于最小阈值，则它可以基于确定显著量的噪声被包括在数据中而丢弃数据。在另一实施例中，在有用数据确定块725处，处理器将基于每个数据片段的信噪比给出权重，并滤除掉不相关数据，不相关数据将不被用于计算未对准角度。此外，在块725处，可以提取占主导的移动以用于计算未对准角度，并且由于道路条件而引起的任何颠簸也将作为噪声被滤除掉(例如，即使交通工具以直线移动，颠簸或坡道也可能使得加速度计的Z轴感测到值；然而，这些噪声值可以基于交通工具在某个时段或时期期间的主导运动而被滤除掉)。当数据在块725处处理过时，数据被输入到水平加速度块730和GPS导出的前向和侧向加速度块735中。

在一个实施例中，在水平加速度块730处，处理器从横滚和俯仰估计块705、有用数据确定块725和GPS/GNSS数据230接收输入。在另一实施例中，在水平加速度块730处，处理器接收来自陀螺仪数据210、加速度计数据220、GPS/GNSS数据230的所有输入，以及通过直线检测块710、静态检测块715、显著运动检测块720、横滚和俯仰估计块705和有用数据确定块725处理过的输入。在一些实施例中，在水平加速度块730处，处理器可以仅具有所感测的数据中的一些数据。在一些示例中，如果仅存在交通工具的直线移动，则可以省略或不使用通过显著运动检测块720处理过的数据。在该块730中，处理器基于所接收的数据，提取水平加速度分量。在一些实施例中，水平加速度块730将该数据保持在设备120的缓冲器中。如果数据量达到阈值，该阈值指示用于未对准计算的最小足够数据，则处理器将基于所累积的数据进行未对准角度估计。

在GPS导出的前向和横向加速度块735处，处理器基于来自GPS/GNSS数据230和有用数据确定块725的输入，计算交通工具110的前向加速度和横向加速度。

在正交变换估计块740处，处理器可以基于从水平加速度块730接收到的数据来计算输入。在一个实施例中，可以使用自相关变换矩阵。在使用自相关变换矩阵进行计算之后，SVD方法被用来将加速度计信号的两个X、Y分量(例如，加速度矢量)之间的相关性最小化。以下块中解释了示例性过程：

在一个实施例中，在使用SVD方法处理过之后的加速度计信号的两个X、Y分量可以指代交通工具标架的水平值(X_V和Y_V)和传感器标架的水平值(X_S和Y_S)。

在一个或多个实施例中，通过使用上述计算方法，交通工具的加速度分量与传感器标架的加速度分量之间的关系可以如下建立：

Acc_交通工具＝R*Acc_传感器(R表示旋转矩阵)

正交变换的旋转表示未对准角度θ_m。

从水平加速度块730提取的交通工具的水平分量X_V和Y_V可以使用以下矩阵来表示：

附加地，从水平加速度块730提取的传感器标架的水平分量X_S和Y_S可以使用以下矩阵来表示：

通过根据上述Acc_交通工具＝R*Acc_传感器公式应用旋转矩阵，

其中Angle＝未对准角度θ_m。

可以建立以下等式：

以上等式的计算产生交通工具与传感器标架之间的未对准角度θ_m。

在一些实施例中，通过应用正交变换来标识轴定向，可以将传感器标架中的两个加速度矢量之间的相关性最小化。在其他实施例中，应用正交变换，使得可以将A_ccVEHICLE的相关性最小化。在正交变换估计块740产生未对准角度之后，将未对准角度输出到卡尔曼滤波器块760。

在缓冲器块745处，GPS和加速度计信息被存储在设备120的存储器中。在计算块755处，将GPS数据与加速度计数据之间的均方根偏差(RMSD)最小化的旋转矩阵被确定。该输出被提供给卡尔曼滤波器(KF)块760。在一个实施例中，有效测量被输入并且在KF块760中融合来估计优化结果。在一个实施例中，有用数据确定块725滤除掉如下任何测量，该测量具有提供给后续块的显著噪声分量的有效测量。例如，有效测量可以指代这样的测量，其进行了噪声滤波、并且数据的完整性在阈值之上，该阈值确保输出未对准角度具有小于2度的误差。

在KF块760处，来自各个块的输入被分析，并且产生未对准角度输出。稍后将详细解释KF块760的细节。

在差异性检查块765处，处理器可以确定所产生的未对准角度输出是否足够一致，以向前移动到未对准角度的计算。如果处理器没有确定数据是充足的，则该过程将在下一时期接收另外的数据累积。在一个或多个实施例中，差异性还使用特征值比率来检查。

在未对准角度和置信度估计块770处，处理器计算输出的置信度，其允许滤除不佳估计。通过滤除掉不佳估计，可以改进最终输出的质量和可靠性。在一些实施例中，为了将误差最小化，可以应用任何合适的误差最小化算法，并且不限于某些算法。在其他实施例中，经更新的数据可以从陀螺仪数据210或加速度计数据220接收，并且经过前述块来减小未对准角度中的误差。在产生可靠的未对准角度之后，前述算法进行到框780并且退出该过程。

图8是根据本公开的一个实施例的示例性卡尔曼滤波器的流程图800。卡尔曼滤波是使用随时间观察的一系列测量的算法，一系列测量包含统计噪声和其他不准确度。该滤波器通过估计针对每个时间框架的变量之上的联合概率分布，产生未知变量的估计，该未知变量的估计趋向于比仅基于单个测量的估计更准确。在一个实施例中，该算法以两步过程工作。在预测步骤中，卡尔曼滤波器产生当前状态变量及其不确定性(例如，噪声、不准确度等)的估计。一旦观察到下一测量的结果(必然因一定量的误差而破坏，包括随机噪声)，这些估计使用加权平均来更新，其中较大的权重被给予到具有较高的确定性的估计。该算法可以是递归的。在一个示例中，该算法可以实时运行，其仅使用当前输入测量值和先前所计算的状态及其不确定性矩阵，而无需附加的过去信息。图8示出了根据本公开的使用卡尔曼滤波器的一个方式。在一个或多个实施例中，可以在多个块或模块中使用类似设计的卡尔曼滤波器来进行未对准计算。此外，如图8所描绘的卡尔曼滤波器可以用于实现图7中的卡尔曼滤波器块760。

在一个实施例中，在卡尔曼滤波器的倾斜补偿块830处，处理器接收加速度计数据220。在一些实施例中，加速偏置810也可以在倾斜补偿块830处计算倾斜方向中被考虑。基于倾斜补偿，处理器输出具有水平X、Y加速度分量的加速度矢量。在一些实施例中，还可以计算垂直Z加速度分量。

在一个实施例中，在校正块840处，处理器从OTE块740、运动状态240和陀螺仪数据210接收未对准角度和置信度信息，以及从块830接收经倾斜补偿的加速度分量并且从块820接收前向加速度、横跨轨迹(cross-track)加速度。在其他实施例中，未对准角度或置信度值不一定必须从OTE块接收，并且可以基于诸如使用SVD方法、或GNSS DCM方法、或其他合适的未对准角度计算方法的该角度的其他计算。尽管加速度偏置块810和前向/横跨轨迹加速度块820被划分为单独的块，但是这些加速度信息可以从加速度计并且因此从加速度计数据220取回。在一个实施例中，校正块840从陀螺仪数据210接收偏航率。基于上述输入，处理器计算在时间t的未对准角度x(x_t)，以及在时间t的误差协方差P(P_t)。在时间t的未对准角度x(x_t)和在时间t的误差协方差P(P_t)被输出到预测块850。预测块850产生在时间t-1的未对准角度x_t|t-1，以及在时间t-1的误差协方差P_t|t-1。在接收在时间t-1的未对准角度x_t|t-1、以及在时间t-1的误差协方差P_t|t-1之后，处理器计算最终未对准角度和最终误差协方差值，并且在块860处输出。将结合图9详细解释每个块内的具体过程。

图9是根据本公开的一个实施例的图8所示的示例性卡尔曼滤波器的详细流程图900。本领域普通技术人员将容易理解，在校正块840和预测块850中阐述的使用各种滤波器的过程仅仅是实现校正块840和预测块850的一个方式。其他合适的滤波器和过程可以基于本公开的教导来添加、改变或替换。在一个实施例中，校正块840以及R、K和H滤波器被包括以用于计算X、Y加速度分量。此外，在预测块850中，Q、A、Z滤波器被包括以用于计算预测的X、Y加速度分量。在一个实施例中，不确定性由卡尔曼滤波器中的符号“R”表示。

一旦将针对x_k-1和P_k-1的初始估计输入到预测块，预测块850中的Q、A、Z滤波器将对输入进行处理。在一个实施例中，该输入基于以下关系将状态朝前投影：

预测块850还基于以下关系来将误差协方差P^- _k朝前投影：

一旦在预测块850中进行了预测，输入被提供给包括R、K和H滤波器的校正块840。

在一个实施例中，可以基于以下公式来计算卡尔曼增益K_k。

利用测量z_k的x_k的更新估计可以由以下公式表示：

误差协方差Pk可以基于以下关系来表示：

在产生基于卡尔曼滤波器和误差协方差的角度之后，预测块的更新和来自校正块的测量的更新可以递归地发生，来产生具有最小量的误差和误差协方差的、去往输出块860的未对准角度。

因此，校正块840可以通过在R滤波器块842处接收来自OTE块740的置信度、运动状态240、来自陀螺仪数据210的偏航率、加速度二维范数误差来更新其计算过程。在R滤波器块842中的处理之后，该输出被输入到K滤波器块844。K滤波器块844产生输出，使得X、Y加速度分量可以输入到Z滤波器块856。在Z滤波器块856处，协方差误差P和未对准角度x被输入。可以基于先前解释的公式和变量关系来执行这些系列的过程。

所测量的输入然后被提供给预测块850的Z逆变换块856，并且Z^-1输出角度(t-1)、在时间t-1的角度(角度x_t-1)和在时间t-1的误差协方差P_t-1。该输出、连同来自Q滤波器块852的输出在A滤波器块854处被接收。在时间t-1的未对准角度x_t|t-1和在时间t-1的误差协方差P_t|t-1被馈送校正块840。特别地，未对准角度x_t|t-1被馈送到H滤波器块846中，并且基于H滤波器块846，所预测的X、Y加速度分量产生。类似地，也可以基于先前解释的公式和变量关系来执行这一系列过程。

这些输入被反馈到校正框840中，并且以递归的方式经历先前说明的过程，以在块860处减小并产生最终经优化的未对准角度和误差协方差值。

图10是根据本公开的另一实施例的最终化估计块680的流程图。

在一个实施例中，最终化估计块680负责何时覆写现有未对准角度。如结合图6所解释的，在基于权重的合并块670产生经合并的未对准角度估计之后，该角度被进一步检查来确定是否产生该角度作为最终估计。在其他实施例中，最终化估计块680可以更新现有未对准角度。

在块680处，在先前阶段中由卡尔曼滤波器估计的未对准角度、以及来自滤波器的误差协方差值P被提供。该角度和P值被输入到计算有效性度量块1010。计算有效性度量块1010在块1020处检查误差协方差值P是否小于先前的最后P值。在一些实施例中，在块1020处，当误差协方差值P具有最小值时，该误差协方差值P被保存。关于角度，该角度馈送到先进先出(FIFO)块1015中，并且角度样本被输出到标准偏差计算块1025。在块1025处，计算针对角度样本的标准偏差并且产生去往块1050的角度。

当有效性过程在块1035处开始时，处理器在块1040处初始地检查是否有足够的数据或样本被累积以用于有效性检查。如果不存在足够的数据，则处理器在下一时期1055从传感器获取更多数据。如果存在足够的数据，则处理器进行到块1045来检查当前误差协方差是否小于最后的P值。在此，块1045基于来自计算有效性度量块1010的输入来接收P值，并且其进一步检查当前误差协方差是否小于所保存的最后误差协方差P值。如果误差协方差值不是最低的P值，则处理器在下一时期1055处从传感器获取更多数据。如果误差协方差是最低的P值，则处理器进行到块1050，以在块1050处检测角度是否具有最低标准偏差。如果卡尔曼滤波器未对准角度的标准偏差小于给定阈值，则过程进行到计算最终结果块1060。然而，如果未对准角度不具有最低标准偏差，则处理器在下一时期1055从传感器获取更多数据。

如果当前卡尔曼滤波器的输出、角度和误差协方差均在先前步骤中合格，则角度值被存储在计算最终结果块1060的单独缓冲器1065中。角度和误差协方差值仅在该角度和误差协方差值满足有效性检查块1030中的准则的情况下，被存储在缓冲器中。不满足有效性检查块1030中的准则的任何角度或误差协方差将被丢弃。如果在缓冲器中累积的角度和误差协方差值的总样本大于给定阈值N，并且在块1065处缓冲器被确定为充满，则平均值和标准偏差在块1080处计算。在一个或多个实施例中，阈值N可以基于精度水平来确定。例如，如前所述，如果期望未对准角度的最终输出具有与实际角度偏差小于2度的准确度，则阈值可以基于N数目个样本来计算，但是如果准确度要小于1度，则阈值的样本数可以是大于N数目个样本的数目。如果缓冲器未充满，则缓冲器在块1070处进行更新。未对准角度和误差协方差可以从下一时期1075接收来更新数据。在一些实施例中，从经更新的缓冲器中选择的角度样本可以被输入到平均值和标准偏差计算块1080。平均值和标准偏差计算块1080计算缓冲器中存储的未对准角度值的标准偏差。基于平均值和标准偏差的计算，如果所产生的角度稳定，则块进行至块1090来推断出对准已完成。在此，如果角度稳定，则标准偏差值应当是小的。当计算最终结果块1060推断对准已完成时，它在块1095处输出结果。在一个实施例中，在结果块1095处的输出包括当前时间、缓冲器中存储的未对准角度的平均和未对准角度的标准偏差。

虽然可以基于本公开做出各种应用，但是根据一个或多个实施例的本公开的一个示例性应用是设备120将航位推算的结果传达到另一电子设备。设备120可以包括调制解调器芯片、网络和通信芯片或者能够发射和接收数据的任何合适的半导体芯片。设备120还可基于各种通信协议(包括Wi-Fi、蓝牙、Zigbee、NFC、蜂窝(例如，4G、5G、LTE)等)进行通信。在一个应用中，设备120可以向第一设备(例如，交通工具驾驶员的电子设备)中继基于未对准角度计算的交通工具路径信息。一旦交通工具驾驶员的电子设备接收到信息，相同的交通工具路径信息就可以被中继到试图对交通工具或交通工具驾驶员进行定位的另一用户。

在类似的应用中，设备120可以将基于未对准角度计算的交通工具路径信息中继到第二设备(例如，想要更新交通工具位置的用户的电子设备)。设备120可以将交通工具路径信息直接发送给用户，使得用户可以获得交通工具的定位信息。

在其他应用中，设备120可以被并入交通工具内的任何设备。例如，设备120不一定必须是单独的设备，并且可以被并入交通工具内的任何电子设备(例如，导航设备、交通工具黑匣子或其他设备)。

在另外的应用中，设备120可以被并入交通工具驾驶员的电子设备中。在又一应用中，设备120可以是并入有芯片组模块、接收器模块等的独立设备。在该应用中，独立设备120可以以任何定向安装。基于本公开的算法提供了对设备的传感器相对于交通工具的参考标架的未对准的自动校正。因为设备120不一定要固定在特定的定向或特定的位置处，这提供了极大的灵活性。即，用以补偿或减轻交通工具标架与传感器标架之间的未对准角度的出厂校准不是必须的。

在一个或多个实施例中，根据本公开的算法将在缺少GPS/GNSS信号的环境下可靠地操作。例如，体现根据本公开的算法的设备120将能够在GPS/GNSS信号变弱或丢失之后，在少于10秒中操作和追踪设备120的路径和位置。

在一个或多个实施例中，根据本公开的算法将产生准确的未对准角度，其具有与实际未对准角度偏离小于2度的误差。

在其他实施例中，独立设备和相关的传感器数据可以用于评估交通工具之间的碰撞。独立设备可以被包括在自动驾驶交通工具和人工操作的交通工具中(例如，在仪表板上、或者由驾驶员或另一方选择的其他位置)。该设备在正常操作期间相对于汽车是固定的，并且将在碰撞前、碰撞中和碰撞后收集数据。传感器相对于交通工具参考标架的准确对准有助于有效地分析碰撞。例如，一旦交通工具之间发生碰撞，经对准的传感器数据就可以用于分析碰撞、以及用于了解碰撞周围的环境。经对准的传感器数据存储在设备的存储器中或远程服务器中。在取回该记录的数据后，可以分析撞击或碰撞。设备传感器与交通工具参考标架之间的未对准角度、以及在碰撞期间收集的其他数据即使在GPS/GNSS信号恶化或丢失的环境下也是可用的。

上述各种实施例可以进行组合来提供其他实施例。本说明书中提及和/或在申请数据表中列出的所有美国专利、美国专利申请公开、美国专利申请、外国专利、外国专利申请和非专利公开均通过引用整体并入本文。如果需要采用各种专利、申请和公开的概念，则可以修改实施例的各方面来提供其他实施例。

可以根据上述详细描述对实施例进行这些和其他改变。通常，在以下权利要求书中，所使用的术语不应解释为将权利要求书限制为说明书和权利要求书中公开的特定实施例，而是应解释为包括所要求保护的所有可能的实施例以及等同物的全部范围。因此，权利要求不受公开内容的限制。

Claims (15)

1.一种方法，包括：

使用交通工具中的设备中的多个传感器来接收传感器数据，所述设备相对于所述交通工具被固定；

通过分析所述传感器数据，确定所述设备的加速度，所述加速度具有在第一方向上的第一加速度分量以及在第二方向上的第二加速度分量，所述第二方向垂直于所述第一方向；

通过分析所述传感器数据来确定所述交通工具的加速度，所述交通工具的所述加速度具有第一水平加速度方向和第二水平加速度方向，所述第二水平加速度方向垂直于所述第一水平加速度方向；

从所述第一加速度分量和所述第二加速度分量中提取所述设备的所述加速度的水平分量；以及

通过分析所述设备的所述水平分量与所述交通工具的所述第一水平加速度方向之间的旋转量，计算所述第一加速度分量的水平分量与所述第一水平加速度方向之间的未对准角度。

2.根据权利要求1所述的方法，其中所述多个传感器包括三轴陀螺仪和三轴加速度计。

3.根据权利要求2所述的方法，其中所述多个传感器还包括全球定位系统传感器。

4.根据权利要求1所述的方法，其中在所述设备的所述第一方向上的所述第一加速度分量指示所述多个传感器的前向轴，在所述设备的所述第二方向上的所述第二加速度分量指示所述多个传感器的横向轴。

5.根据权利要求1所述的方法，其中提取所述设备的所述加速度的水平分量包括：

从所述多个传感器接收相对于水平面的倾斜方向；

将所述倾斜方向补偿到所述第一加速度分量和所述第二加速度分量，以提取所述第一加速度相对于所述水平面的水平分量、以及所述第二加速度相对于所述水平面的水平分量；以及

确定所述设备的所述第一加速度分量的所述水平分量、以及所述第二加速度分量的所述水平分量。

6.根据权利要求5所述的方法，还包括：

将奇异值分解应用于所述设备的所述第一加速度分量的所述水平分量和所述第二加速度分量的所述水平分量；以及

将所述奇异值分解应用于所述交通工具的所述第一水平加速度方向和所述第二水平加速度方向。

7.根据权利要求6所述的方法，其中确定所述角度包括：

将正交变换应用于所述设备的所述第一加速度分量的所述水平分量和所述交通工具的所述第一水平加速度方向；以及

基于使用所述正交变换进行的计算来确定所述角度。

8.一种方法，包括：

使用设备中的多个传感器来接收传感器数据，所述设备相对于交通工具被暂时固定，所述多个传感器包括加速度计和陀螺仪；

通过分析所述传感器数据来确定所述设备的加速度，所述设备的所述加速度具有在第一方向上的第一加速度分量以及在第二方向上的第二加速度分量，所述第二方向垂直于所述第一方向；

通过分析所述传感器数据来确定所述交通工具的加速度，所述交通工具的所述加速度具有第一水平加速度方向和第二水平加速度方向，所述第二水平加速度方向垂直于所述第一水平加速度方向；

从所述多个传感器接收相对于水平面的倾斜方向；

通过将所述倾斜方向补偿到所述第一加速度分量和所述第二加速度分量来提取所述第一加速度相对于所述水平面的水平分量、以及所述第二加速度相对于所述水平面的水平分量；

确定所述设备的所述第一加速度分量的所述水平分量、以及所述第二加速度分量的所述水平分量；以及

将所述水平分量输出给基于位置的应用，所述应用向所述应用的用户进行显示。

9.根据权利要求8所述的方法，还包括：

将互相关性应用于所述设备的水平加速度分量和所述交通工具的水平加速度分量、以及使用全球定位系统(GPS)传感器计算出的所述设备的水平分量和所述交通工具的水平分量；

确定将所述互相关性最小化的正交变换；以及

基于所述正交变换，计算所述第一加速度分量的所述水平分量与所述第一水平加速度方向之间的角度。

10.根据权利要求9所述的方法，还包括：

基于来自所述全球定位系统(GPS)传感器的数据，使用预测滤波器来计算所述交通工具的预测水平加速度分量；

将方向余弦矩阵应用于所述交通工具的所述预测水平加速度分量以及所述设备的所述第一加速度分量和所述第二加速度分量；

确定所述交通工具的所述预测水平加速度分量与所述设备的所述第一加速度分量和所述第二加速度分量之间的误差；以及

输出在所述交通工具的所述预测水平加速度分量与所述设备的所述第一加速度分量和所述第二加速度分量之间的、具有经最小化的误差的角度。

11.根据权利要求10所述的方法，其中所述预测滤波器是卡尔曼滤波器。

12.一种设备，包括：

多个传感器；

处理器，所述处理器从所述多个传感器接收传感器数据；并且所述处理器在操作中能够：

使用所述多个传感器来接收所述传感器数据；

分析所述传感器数据来确定所述设备的加速度，所述设备的所述加速度具有在第一方向上的第一加速度分量和在第二方向上的第二加速度分量，所述第二方向垂直于所述第一方向；

分析所述传感器数据来确定与交通工具的加速度，所述交通工具与所述设备相关联，所述交通工具的所述加速度具有第一水平加速度方向和第二水平加速度方向，所述第二水平加速度方向垂直于所述第一水平加速度方向；

提取所述设备的所述加速度的水平分量；以及

确定在所述第一加速度分量的水平分量与所述第一水平加速度方向之间形成的角度，以基于所述设备的所述水平分量与所述交通工具的所述第一水平加速度方向之间的旋转量来计算所述角度。

13.根据权利要求12所述的设备，其中所述传感器数据与所述设备的运动以及所述交通工具的运动相关联，所述设备位于所述交通工具的附近。

14.一种芯片组，包括：

处理器，所述处理器在操作中能够：

使用所述芯片组中的多个传感器来接收传感器数据；

分析所述传感器数据来确定所述芯片组的加速度，所述芯片组的所述加速度具有在第一方向上的第一加速度分量、以及在第二方向上的第二加速度分量，所述第二方向垂直于所述第一方向；

分析所述传感器数据来确定交通工具的加速度，所述交通工具与所述芯片组相关联，所述交通工具的所述加速度具有第一水平加速度方向和第二水平加速度方向，所述第二水平加速度方向垂直于所述第一水平加速度方向；

提取所述芯片组的所述加速度的水平分量；以及

确定所述第一加速度分量的水平分量与所述第一水平加速度方向之间形成的角度，以基于所述芯片组的所述水平分量与所述交通工具的所述第一水平加速度方向之间的旋转量来计算所述角度。

15.根据权利要求14所述的芯片组，其中所述芯片组被包括在电子设备中。

Images