CN111854752A

CN111854752A - 确定移动方向与传感器行进方向间的失准角进行航位推算

Info

Publication number: CN111854752A
Application number: CN202010359329.2A
Authority: CN
Inventors: M·简恩; M·乔达里
Original assignee: STMicroelectronics lnc USA
Current assignee: STMicroelectronics lnc USA
Priority date: 2019-04-30
Filing date: 2020-04-29
Publication date: 2020-10-30
Also published as: EP3734223A1; US11199410B2; EP3734223B1; US20220082387A1; US20200348136A1; CN117268370A

Abstract

本公开的各实施例涉及确定移动方向与传感器行进方向间的失准角进行航位推算。本公开的各实施例涉及包括微机电系统(MEMS)传感器的设备用于在丢失全球定位系统(GPS)信号或全球导航卫星系统(GNSS)信号的情况下进行航位推算。通过使用诸如加速度计和陀螺仪的MEMS传感器，该设备能够在丢失GPS/GNSS信号之后跟踪设备的位置。通过使用MEMS传感器计算在设备的传感器参考系与交通工具的移动方向或行人的步行方向之间的失准角，即使在没有GPS/GNSS信号的情况下，设备也可以准确地计算设备的用户的位置。因此，可以提供一种设备，该设备能够在不利用GPS/GNSS信号的情况下跟踪行人和在交通工具中驾驶的用户的位置。

Description

确定移动方向与传感器行进方向间的失准角进行航位推算

技术领域

本公开涉及使用微机电系统(MEMS)传感器的交通工具和行人航位推算。

背景技术

随着移动设备变得越来越普及，用户的期望不断扩展。许多用户经常使用诸如目前设备上可用的地图应用程序之类的基于位置的应用程序，目前设备诸如蜂窝电话、平板电脑和交通工具中安装的信息娱乐系统。用户在驾驶或步行时访问位置以帮助他们导航他们所在的地方和他们要去的地方。通常的移动设备包括MEMS传感器和全球导航卫星系统(GNSS)等以检测用户的位置。例如，MEMS传感器包括加速度计和陀螺仪。加速度计用于测量加速度(或速度变化率)。陀螺仪用于测量角速度。移动设备在显示屏上的地图上显示用户在空间中的位置。

然而，当用户进入GPS/GNSS信号弱、信号受干扰或不可用的地方时，利用移动设备检测到的用户位置变得不准确或不可用。正因如此，移动设备不再准确地显示用户的位置。附加地，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该位置的估计速度前进的常规航位推算方法不够准确。

发明内容

由于常规导航系统和常规航位推算方法中的这些缺点，提供了准确分析用户的位置的改进的设备和方法，该设备和方法在GPS/GNSS信号不够强或不可用时尤其有益。

本公开提供了一种方法和系统，以适应当用户期望准确的位置信息但没有清晰的路径来接收诸如GNSS和GPS信号之类的卫星信号时的情况。针对GPS或GNSS信号的这些盲区有时被称为城市峡谷，该处的高建筑物和其他障碍物阻止了一致或强烈的信号。在我们当前的共享乘车世界中，共享乘车应用程序将驾驶员的位置共享给乘车人，然而，当驾驶员进入车库、隧道或城市峡谷时，驾驶员的实际位置可能会被中断，并且然后与乘车人共享的数据不准确并且可能是令人困惑的。

行人也定期使用地图应用程序。当某人不熟悉特定的城市或社区时，许多人会访问他们的地图应用程序以帮助获取方向，并且然后在跟随这些方向时主动与地图进行交互。这是用户在步行、在交通工具中驾驶或乘车时访问的东西。用户对他们的地图应用程序要求较高准确度。本公开提供了用于关于用户的更准确的位置信息的解决方案。

特别地，本公开识别了在交通工具模式与行人模式之间的差异。例如，移动设备中的传感器提供经处理以确定用户是在汽车中还是在步行的数据。一旦确定了模式，本公开提供了一种方法，该方法用于确定针对交通工具模式的在交通工具参考系与设备参考系之间的失准角或针对行人模式的设备参考系与用户的移动方向之间的失准角。

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随附的附图。在附图中，相同的附图标记标识相似的元件或动作。附图中元件的尺寸和相对位置不一定按比例绘制。例如，不一定按比例绘制各种元件的形状和角度，并且可以放大和定位这些元件中的某些元件以提高图形的可读性。此外，所绘出的元件的特定形状不一定旨在传达有关特定元件的实际形状的任何信息，并且可以仅为了便于在附图中识别而被选择。

图1A是根据本公开的示例性实施例的包括在交通工具与位于交通工具中的设备之间的失准角θ_m的道路的俯视图；

图1B是根据本公开的示例性实施例的进入隧道的交通工具的视图，在该隧道中，存在较弱的GPS/GNSS信号或没有GPS/GNSS信号能够被设备接收。

图2A是根据本公开的示例性实施例的行人带有设备以一定方向进入室内的视图，该室内存在退化的GPS/GNSS信号环境；

图2B是图2A的设备的增强的视图，图2B示出了根据本公开的示例性实施例的在步行方向与设备的水平分量X_S之间的失准角θ_m；

图3是示出了根据本公开的示例性实施例利用用于计算失准角θ_m的设备确定交通工具模式和行人模式的系统流程图；

图4是示出了根据本公开的示例性实施例的在交通工具模式下确定失准角θ_m的流程图；

图5是根据本公开的实施例的由加速度计测量的水平加速度的示例性图形；

图6是示出了根据本公开的示例性实施例的在行人模式下确定失准角θ_m的系统流程图。

图7是示出了根据本公开的示例性实施例的向前/向后检测模块的详细流程图；

图8A是示出了使用交通工具内的设备的加速度计检测到的水平加速度测量值的图形；

图8B示出了当行人手持设备时前向轴和横向轴与竖直轴的互相关的图形结果；并且

图8C示出了在行人的手臂摆动期间前向轴和横向轴与竖直轴的互相关的图形结果。

具体实施方式

在以下描述中，阐述了某些具体细节，以便提供对所公开的各种实施例的透彻理解。然而，相关领域的技术人员将认识到，可以在没有这些具体细节中的一个或多个具体细节的情况下，或者在利用其他方法、组件、材料等的情况下实践实施例。在其他情况下，与航位推算相关联的公知的算法或方法尚未被详细示出或描述，以便避免不必要地混淆实施例的描述。

除非上下文另外指示，否则在以下的整个说明书和权利要求书中，词语“包括”及其变型(诸如“包括”和“包括有”)应以开放的、包容性的方式解释为“包括但不限于”。此外，除非上下文另外明确指示，否则术语“第一”、“第二”和相似的序列指示符应解释为可互换的。

在整个说明书中，对“一个实施例”或“一种实施例”的引用意味着结合该实施例描述的特定特征、结构或特性包括在至少一个实施例中。因此，在整个说明书中各处出现的短语“在一个实施例中”或“在一种实施例中”不一定都指代相同的实施例。此外，在一个或多个实施例中，可以以任何合适的方式组合特定的特征、结构或特性。

在本说明书和所附权利要求书中使用的单数形式“一个”，“一种”和“该”包括复数对象，除非内容另外明确规定。还应该注意的是，除非内容另外明确规定，否则术语“或”通常以其最广泛的含义采用，即意为“和/或”。

图1A是道路上的交通工具110的俯视图100。设备120位于交通工具110内。该设备放置在交通工具中的某个位置，诸如在座椅上、仪表板上或在交通工具的中央控制台中。由于设备不是相对于汽车固定的，即，用户可以轻松地移动它以满足用户的需求，因此设备的定向相对于固定的三维笛卡尔坐标系(XYZ轴或交通工具参考系)的关系是流动的并且会改变。在诸如交通工具导航系统的常规系统中，在交通工具的XYZ轴与用于速度和方向的传感器之间的关系是永久固定的。因此，诸如在工厂校准阶段计算一次交通工具参考系与传感器参考系之间的失准角。

对于移动设备，传感器参考系相对于设备是固定的，但是可以相对于交通工具参考系定期改变。正因如此，取决于设备相对于交通工具的最近的运动，实时地计算在交通工具110与设备120之间的失准角θ_m。如果设备耦合至交通工具中的诸如耦合至仪表板的可调节臂之类的支架，则可以降低计算失准角的频率。本公开中所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经改变。取决于位置是否已经改变，将采取不同的动作。

设备120包括诸如GPS/GNSS传感器、加速度计和陀螺仪之类的传感器，它们位于设备120内的某些位置和方向中

在该示例布置中，交通工具110在第一方向上移动。从导航的角度来看，交通工具的行进是交通工具指向并向其移动的方向，即，在图中向左。例如，如果交通工具向前移动，则第一方向可以是交通工具110的行进方向。在另一示例中，如果交通工具向后移动，则第一方向可以是交通工具110的尾部方向。交通工具110的第一方向指示为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转变方向(例如，转右或转左)而不是以直线方向行驶(例如，向前或向后行驶)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将既具有前向方向X_V分量又具有横向方向Y_V分量。在一个或多个实施例中，使用设备120的惯性测量单元(IMU)来测量X_V分量。IMU包括诸如3轴加速度计和3轴陀螺仪之类的传感器。3轴加速度传感器提供在三个正交方向上的比力感测。3轴陀螺仪传感器提供在三个正交方向上的角速率感测。这些有时称为6自由度(DOF)IMU传感器。经校准的6自由度IMU传感器具有较小的传感器噪声和误差，因此可在短时间内产生具有良好准确性的可靠结果。通过使用这些传感器，设备120可以获得各种与运动有关的数据。例如，当交通工具110加速或减速时，设备120的加速度计将检测交通工具110的加速度和角加速度并计算力的方向(F＝ma；m：质量，a：加速度)，该方向将指示交通工具110的方向。

IMU可以结合使用加速度计和陀螺仪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。当GPS/GNSS接收器不工作或具有受限的信号强度时，诸如在隧道中、建筑物内部、城市峡谷中或存在电子干扰时，IMU允许对设备的位置的分析。

在某些实施例中，可以使用设备120的GPS/GNSS传感器来测量XV分量。GPS/GNSS传感器可以提供交通工具110的XV的速度和方向，直到GPS/GNSS信号丢失为止。设备120可以利用接收到的GPS/GNSS信息来分析和计算X_V分量。在信号丢失或信号强度低于无法定位设备120的阈值之后，设备120可以通过使用IMU中的传感器来计算X_V。

在其他实施例中，可以使用交通工具110的里程表来测量X_V分量。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运动有关的信息，诸如速度、方向、加速速率、角速度、角加速度等。设备120可以直接从交通工具110接收运动信息，而不是使用设备120中的GPS/GNSS传感器、加速度计、陀螺仪。可以通过蓝牙、Wi-Fi或任何合适的无线连接建立设备120与交通工具110之间的连接。还可以通过以能够发送和接收数据的导线的方式将设备120直接连接至交通工具110来建立连接。在某些实施例中，用于移动设备的电池充电线可以用于从交通工具110接收运动数据。X_V分量也可以根据这些描述的方法的组合确定。

正如所提到的，在一个或多个实施例中，X_V和Y_V是指示交通工具110的速度和方向的交通工具110的矢量。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失准角θ_m的与运动有关的任何因子，诸如交通工具110和设备120的加速度、角速度、角加速度等。X_V和Y_V矢量与交通工具参考系相对应。

IMU包括加速度计和陀螺仪，该加速度计和陀螺仪固定在设备120内的某个位置或某个方向上，以帮助用户指示设备120，即设备参考系的向前、向后、向左、向右或向北、向南、向东和向西的方向。与交通工具的情况类似，可以以类似方式确定设备120的行进。设备120的行进，或者确切地说，IMU的行进方向(或以下称为“传感器参考系”)是传感器参考系指向的罗盘方向。在某些实施例中，交通工具参考系的行进方向和设备120的行进被对齐为在相同的方向上。例如，当用户利用其移动设备使用地图应用程序(例如Google Maps应用程序)时，可以使用传感器测量来改进移动设备的行进方向的定位精度，使其与交通工具参考系或IMU的行进方向匹配。如果交通工具的行进和传感器参考系的行进不在同一方向上对齐，则无法使用传感器测量来改进位置的准确性。

在某些实施例中，传感器参考系将能够在使用X，Y，Z坐标系(笛卡尔坐标)或r，θ，φ球坐标系(r：纵向距离，θ：方位角，φ：极角)的空间内，使用通过传感器融合的来自加速度计和陀螺仪的测量找到设备120自身的倾斜方向。

对设备120的俯仰、偏航和侧倾的计算有助于将传感器参考系的水平分量X_S，Y_S带到本地/交通工具/导航参考系。为了计算失准角θ_m的目的，对Z轴测量的计算是可选的。在某些实施例中，可以省略与Z轴传感器分量有关的计算，以简化计算过程。当用户握持设备120时，用户不一定握持设备120以使得设备120与水平线或XY平面对齐。尽管交通工具110的前向方向X_V和横向方向Y_V通常与水平线对齐或平行，但是在大多数情况下，设备120将相对于水平线倾斜。这添加了计算交通工具110与传感器参考系之间的失准角θ_m的复杂性。在一个实施例中，为了计算失准角θ_m，考虑了也可以基于设备120的俯仰、偏航和侧倾来计算的倾斜方向。除了传感器参考系的倾斜之外，还使用加速度计和陀螺仪来计算设备120的方向、角速度、角加速度和任何其他合适的参数，以提取水平加速度分量。X_S指示设备120中包括的传感器参考系的前向方向(或行进方向)的水平分量。Y_S指示设备120中包括的传感器参考系的横向方向(或侧面方向)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的传感器参考系的矢量。

图1B是进入隧道130的交通工具110的视图105，隧道130通常具有较低或不具由设备120接收的GPS/GNSS信号。交通工具110正朝向隧道130移动。进入建筑物或驶入隧道导致设备120失去对GPS/GNSS信号的接收，或者导致接收到不能提供准确位置的，可能很快丢失交通工具110的位置的微弱信号。在某些情况下，利用其设备120使用地图应用程序以导航以到达目的地的用户将由于GPS/GNSS信号的干扰而遭受痛苦。在此，用户可能经历地图应用程序中交通工具110的位置与用户的实际位置不匹配，或者将注意到在地图应用程序中指出的用户的位置偏离到与实际位置不同的位置。

通过计算失准角θm，即使GPS/GNSS信号丢失或信号微弱，设备120和惯性导航系统(INS)仍可以通过使用包括在设备中的传感器，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，用户与水平线或XY平面对齐持有设备120。如果设备120被水平放置，则其将交通工具的X_V和设备120的传感器参考系的X_S放置在相同的XY平面中，因此使得对X_V和X_S之间的失准角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。

为了确定设备120的倾斜程度，使用设备120的陀螺仪和加速度计确定设备120在X，Y，Z分量方面的位置关系。在确定了设备120的倾斜程度之后，为了计算失准角θ_m的目的，仅提取X，Y的水平分量。在其他实施例中，如果接收到GPS/GNSS信号，则GPS也可以可选地用于接收X_S，X_V分量以及其他X，Y，Z分量。通过经由无线或非无线手段从交通工具110接收速度、方向、角速度和角加速度信息，将减少由设备120执行的计算。将关于图4描述用于基于从IMU接收到的数据来计算失准角θ_m的算法。

图2A是带有设备220的行人210以一定方向步行以进入室内的视图200，在该室内存在退化的GPS/GNSS信号环境。在该实施例中，行人210正在步行进入室内环境或者正在穿过具有较低或微弱GPS/GNSS信号传输的区域。本公开提供了一种用于检测在行人210的步行方向230与设备220的传感器参考系的X_S之间形成的实时失准角θ_m的方法。本公开提供了一种用于识别步行移动、计算实时失准角，并使用PDR(行人航位推算)算法(例如在地图应用程序中)为用户提供要在移动设备上显示的用户位置作为参考的方法。

在该实施例中，行人210持有设备220，该设备220具有相对于局部XY平面不水平的倾斜定向。如图例所示，XY平面与水平线或地面对齐。为了计算在行人的步行方向230与设备220的行进方向X之间的失准角θ_m，必须分析倾该倾斜以提取局部参考系中的设备220的水平分量X_lc，Y_lc。如设备220中所示，Xs，Ys，Zs方向是设备220或设备220内部的传感器参考系的方向。类似于交通工具的情况，使用陀螺仪和加速度计来分析设备220的倾斜方向，并且将从设备220的原始X，Y，Z分量中提取水平分量，用于计算失准角θ_m的目的。

图2B是设备220的增强图，示出了根据本公开的示例性实施例的在用户步行方向230与设备220的水平分量X_lc之间的失准角θ_m。如所解释的，为了简化失准角θ_m的计算过程，将通过使用陀螺仪和加速度计以及其他合适的传感器的组合来提取设备220的水平加速度分量X_lc，Y_lc。例如，如果相对于X分量的倾斜角与x轴形成角度θ_X，则可以使用X_lc＝X_S cosθ_X的关系来计算水平分量X_S。然而，在其他实施例中，可以适当地使用其他合适的方法用于提取设备220的水平分量X_lc，Y_lc。图3是根据本公开的示例性实施例的利用用于计算失准角θ_m的设备确定交通工具模式和行人模式的系统流程图300。运输模块340利用设备220确定用户是否在交通工具110内或者用户210在步行或另外在没有机动交通工具的情况下移动。运输模块可以被实现为能够通过设备120、220中的处理器或设备120、220中的任何其他电路、编程模块或可编程逻辑设备(PLD)被执行的软件程序或算法。本公开的该方法可以在设备内或在云中执行。处理器可以包括能够基于来自传感器的输入而执行计算(以及设备的其他各种功能)的任何合适的处理单元。例如，它可以包括但不限于移动应用程序处理器、用电子电路实现的微处理器、可编程逻辑设备、可编程控制器、可编程逻辑控制器、具有被编程为执行功能的必要算法的通用处理器、集成电路(IC)等。

在一个实施例中，运输模块340接收来自加速度计和GPS/GNSS传感器的输入。在运输模块340下，处理器可基于X方向上的加速度计数据(X Acc)，Y方向上的加速度计数据(YAcc)以及Z方向上的加速度计数据(Z Acc)确定用户是在步行还是在交通工具内。例如，当用户在交通工具内时，在设备的处理器处接收到的X Acc，Y Acc，Z Acc数据将与在步行的用户的X Acc，Y Acc，Z Acc数据不同。例如，带有他的移动设备步行的用户可以将其设备放在口袋中，或者以某个方向持有设备，以便他可以从中观看视频，或者在步行的同时打字。在这些情况下，X方向(假设用户正在假设的X方向上步行)的加速度分量将很重要，而其他YAcc，Z Acc则将不太重要。附加地，当用户在手中携带移动设备并在步行的同时摆动手臂，加速度分量X Acc，Y Acc，Z Acc与在车内或在步行时使用设备观看视频时相比会示出不同的特性。附加地，行人和在车内驾驶的用户的加速度值的大小将示出不同的特性。例如，当用户在车内驾驶时的加速度值将示出显著地低于行人步行的值。用户可能正在骑自行车、滑板，跑步或并非步行或在机动交通工具中的另一运输模式。机动交通工具可以不是汽车，而可以是船、公共汽车、火车或其他交通工具。

在其他实施例中，可以单独使用GPS/GNSS传感器，或者结合加速度计或其他传感器，以检测用户是在交通工具内还是正在步行。如所解释的，交通工具的速度和行人的步行速度将显著不同。尽管在某些情况下，行人可能步行甚至奔跑，使得其可以赶上交通工具的速度，但设备120、220的处理器还将考虑在预定间隔内的速度变化(加速度)，以检查移动是指示人或交通工具。在某些实施例中，处理器可以使用与设备120、220的地图应用程序连接的GPS/GNSS传感器，以确定用户是否在交通工具中。例如，如果用户位于地图应用程序中所示的诸如公园的位置(该位置不存在用于交通工具的道路)，则处理器可以确定用户正在步行，而不是确定用户在交通工具内部。

在一个或多个实施例中，可以通过使用存储在设备的存储器或云中的库来确定运输模块(例如，交通工具模式或行人模式检测)。如以上解释的，由于行人和交通工具运动特性示出值的不同的范围以及不同的数据模式，因此行人和交通工具之间是可区分的。基于XAcc，Y Acc，Z Acc数据以及来自GPS/GNSS传感器的用户位置、速度和精确时间(PVT)数据的该数据预先存储在存储器中。通过存储该库，促进更快地确定运输模块340的过程。在某些实施例中，该库可以存储与行人模式和交通工具模式相关的历史加速度计数据和PVT数据，并且当感测到的Acc或PVT数据示出行人的数据模式或在行人的值范围内时，处理器可以确定运输模块为行人模式。在一个或多个实施例中，GPS速度还可以用于改进该数据运动库的准确性。

在一个实施例中，处理器将接收到的加速度计数据310和GPS/GNSS数据320与运动库中的数据进行比较，以确定数据值是否在交通工具模式的范围内或数据值是否在行人模式的范围内。如果处理器确定Acc和PVT数据指示用户在交通工具内部，则系统将前进至交通工具失准估计模块350。另一方面，如果处理器确定Acc和PVT数据指示用户不在交通工具内部，则系统将前进至使用用户行进方向估计模块360进行行人模式计算。

在某些实施例中，交通工具失准估计350在计算失准角θ_m时使用加速度计数据310、GPS/GNSS数据320和陀螺仪数据330。尽管，GPS/GNSS数据320改进失准角θ_m的准确性，如结合图1B所提到的，一旦交通工具进入隧道，可能不存在GPS/GNSS数据320。交通工具失准估计模块350可以在不依赖于GPS/GNSS数据320的情况下计算失准角θ_m。该计算方法可以在取回失准角θ_m时使用运动动力学和奇异值分解(SVD)的应用。

用户行进估计模块360使用加速度计数据310和陀螺仪数据330来计算在行人的步行方向与传感器参考系的前向行进的水平分量之间的失准角θ_m。尽管GPS/GNSS数据320改进了失准角θ_m的准确性，但是可能并非始终存在GPS/GNSS数据320。该计算方法可以使用运动动力学，向前-向后检测以及SVD计算方法的应用。

在一个或多个实施例中，用于交通工具模式和行人模式的算法不取决于GPS/GNSS信号。尽管GPS/GNSS信号的存在有助于增强数据的准确性，但GPS/GNSS信号在分析中不是必需的。对于交通工具情况，算法可以依赖于交通工具运动数据和惯性传感器数据。对于行人情况，该算法可以依赖于人类步行运动数据和惯性传感器数据。

图4是根据本公开的示例性实施例的在交通工具模式下确定失准角θm的流程图400。设备120的处理器基于陀螺仪数据330和加速度计数据310来确定交通工具中设备的运动状态。在一个实施例中，以15Hz采样加速度计和陀螺仪并且以1Hz采样GPS/GNSS传感器。

当传感器未检测到任何车速或移动时，失准角确定算法将在静止状态处初始化。在初始化过程期间，该算法将计算重力矢量、陀螺仪偏差，并将所有变量重置为默认值。该算法实时运行，适配设备相对于交通工具的变化位置和交通工具的变化状态。更新过程取决于交通工具的各种运动状态(例如，直线检测、静态检测和显著运动检测)。

在静态检测模块420处，通过评估来自设备120的加速度计和陀螺仪的传感器输入来确定交通工具是静止的还是在移动中。静态检测对于初始化重力矢量和陀螺仪偏差计算很重要。如果设备120中的加速度计感测到低于指示在任何方向上存在加速度移动的阈值的加速度值，则处理器可以确定交通工具110是静止的或以恒定速度运动。如果交通工具是静止的，并且如果用户已经将设备放在交通工具的座椅上、交通工具中的另一表面上或已经将设备附接到交通工具中的固定支架上，则可能会出现这样的读数。实际上，除非交通工具完全停止，否则可以出现在任何方向上的加速度的噪声值。

在许多情况下，用户会将设备持有在手中或膝盖上。正因如此，设备的加速度计和陀螺仪将检测到人类的速度移动，然而该系统定期评估针对人类移动与交通工具移动的移动，并可以快速确定正在发生的移动的类型，并拒绝这样的测量。

如果加速度计感测到角加速度或者陀螺仪感测到显著的角速度，则处理器可以确定交通工具110没有以直线移动(例如，在弯曲道路上行驶)。此外，为了确认交通工具110的运动状态，处理器可以使用与加速度计数据310组合的陀螺仪数据330，并且可以同时考虑陀螺仪数据330和加速度计数据310两者，或者以任何顺序一次分析一种数据。

执行直线检测主要是为了提取其中交通工具以直线移动并且未观察到显著的横向加速度的测量数据段。直线检测是通过对在固定窗口长度上可忽略的(在阈值以上)偏航率条件进行测试来驱动的。在直线检测框410处，处理器可以通过进一步利用陀螺仪数据330以及加速度计数据310来确认交通工具正在以直线移动。例如，陀螺仪数据可以示出关于当交通工具加速或减速时交通工具110的运动状态的信息。当交通工具加速时，设备120的陀螺仪可以拾取运动信息，因为设备120可能会观察到交通工具的发动机振动。在框410和框420处，还可以结合对交通工具的运动状态的分析来考虑陀螺偏差。系统可以访问信息的库以将检测到的移动、加速度和横向移动与已知阈值进行比较。

在初始确定交通工具的运动状态之后，如果静态检测框420确定运动动态是显著的，则过程移动至显著运动检测框430，该显著运动检测框430在运动期间在纵向(向前)方向上出现加速(高于阈值)时提取传感器数据。当交通工具以恒定速度移动时，没有足够的可用信息来帮助确定失准角。在加速或减速期间，针对此运动的传感器数据包括关于移动方向的足够信息。在一个实施例中，如果GPS可用，则使用GPS速度检测显著运动。在一个实施例中，模块检查来自最后2秒的速度变化或1秒中的总水平加速度。在此，如果交通工具是静止的，则可以利用高的权重来更新重力矢量并且可以计算陀螺仪偏差。如果交通工具未以直线行驶或未检测到显著运动，则处理器可以等待下一个测量陀螺仪偏差。

参考回显著运动检测框430，处理器使用加速计数据310以确定运动动态是否显著，以将其用于计算失准角和置信度估计。在其他实施例中，处理器可以使用GPS/GNSS数据320(如果可用)以确定运动动态并将其用于计算失准角和置信度估计。在一个实施例中，显著的运动动态可以指代交通工具110在改变交通工具110的方向的同时以非静态方式移动的事件。例如，如果交通工具110不断地从左向右转弯，则这些运动可以被称为是显著的，并且将通过加速度计被感测。在其他示例中，当交通工具110的角速度在某个时间段中频繁变化时，交通工具的运动可以是显著的。交通工具110的角速度的值也可以用于确定显著的交通工具运动。

在侧倾和俯仰估计框440中，加速度计用于确定设备120的侧倾和俯仰角。可以通过组合陀螺仪信号X Gyro，Y Gyro，Z Gyro来计算设备120的侧倾和俯仰角或更确切地，设备120的传感器参考系的侧倾和俯仰角。基于侧倾和俯仰值，对加速度计信号X Acc，Y Acc进行倾斜补偿。在某些实施例中，对陀螺仪信号X Gyro，Y Gyro，Z Gyro和加速度计信号XAcc，Y Acc，Z Acc进行倾斜补偿。然后，最后对这些倾斜补偿信号进行滤波，以便选择笔直的水平部分。

在水平数据累积框450中，处理器从加速度计数据310中以及通过直线检测框410、显著运动检测框430和侧倾和俯仰估计框440处理的输入数据中接收所有的输入数据。在某些实施例中，处理器可以不使用所有数据，而可以仅使用在水平数据累积框450处的感测数据中的某些感测数据。例如，取决于情况，在水平数据累积框450处，在计算中不一定考虑GPS/GNSS数据。在其他示例中，如果交通工具中仅存在直线移动，则可以省略或不使用通过显著运动检测框430处理的数据。在某些实施例中，水平数据累积框450将这些数据保持在设备120、220的缓冲器中。如果数据量达到指示足够用于失准计算的最小量数据的阈值，则处理器将继续进行基于累积的数据的失准角估计。

在分集检查框460处，处理器确定累积的数据是否足够分集以向前移动进行失准角的计算。如果处理器不确定数据是否足够，则过程将返回移动至水平数据累积框450用于进一步的数据累积。当处理器确定缓冲器中有足够的最小量数据用于失准计算时，处理器可以在分集检查框460处进行另一分集检查，以确定是否已经满足分集要求。在正交轴计算框470处，处理器使用自相关变换矩阵基于从水平数据累积框450接收的数据来计算输入。

在使用自相关变换矩阵进行计算期间或之后，使用SVD方法来最小化应用倾斜之后在水平参考系中的加速度计信号(例如，加速度矢量)的两个X，Y分量之间的相关性。

在一个实施例中，在使用SVD方法处理之后的加速度计信号的两个X，Y分量可以指代交通工具参考系中的水平值(X_V和Y_V)以及传感器数据的水平分量(X_lc和Y_lc)。

在一个或多个实施例中，通过使用以上计算方法，可以如下建立交通工具的加速度分量和传感器参考系的加速度分量之间的关系：

Acc_VEHICLE＝R*Acc_SENSOR(R表示旋转矩阵)

正交变换的旋转表示失准角θ_m。

可以使用以下矩阵来表示从水平数据累积框450提取的交通工具的水平分量X_V和Y_V。

附加地，可以使用以下矩阵来表示从水平数据累积框450提取的传感器数据的水平分量。

通过根据前述Acc_VEHICLE＝R*Acc_SENSOR公式应用旋转矩阵，

其中Angle为失准角θ_m。

可以建立以下等式。

上式的计算产生在交通工具和传感器参考系之间的失准角θ_m。

在某些实施例中，通过应用正交变换来识别轴定向，可以最小化传感器参考系中的两个加速度矢量之间的相关性。在其他实施例中，应用正交变换以使得可以最小化Acc_VEHICLE的相关性。

在正交轴计算框470产生失准角之后，在失准角和置信度估计框480处，测试角度的可靠性以最小化误差并增加失准角的置信度。在一个实施例中，在置信度估计框480处，处理器计算输出中的置信度，其允许过滤不良估计。通过滤除不良估计，提高了质量以及最终输出的可靠性。在某些实施例中，为了最小化误差，可以应用任何合适的误差最小化算法，并且不一定局限于某些受限的算法。在其他实施例中，可以从陀螺仪数据330或加速度计数据310接收更新后的数据，以减少失准角中的误差。

在一个或多个实施例中，执行分集检查或数据有效性检查以确保数据的质量和准确性。该有效性检查可以在框460处执行，或者可以在框480处执行。在其他实施例中，可以在任何合适的阶段期间执行数据检查，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。例如，取决于运动状态的改变(例如，针对交通工具和行人的运动中的显著改变)，可以在算法时期的任何阶段执行数据有效性检查。即，也可以在用户行进方向估计605中使用数据有效性检查处理，这将关于图6进行说明。在该交通工具失准估计模式中，例如，可以基于直线检测420和显著运动检测430执行有效性检查。执行该检查以确保交通工具以直线移动并且传感器正在收集与确定失准角有关的某些特征信号。

在某些实施例中，一旦确认有效性，就以累积形式存储水平加速度的两个分量，例如水平加速度的X和Y分量，以最小化存储。例如，可以以均值、方差、互相关等形式存储数据。

在一个实施例中，如果总累积点达到5秒窗口长度的阈值，则计算失准角输出。一旦在数据窗口中计算出足够量的失准角估计，就分析数据的分集，以确保从数据中提取出足够的变化。在某些实施例中，使用特征值比率来检查分集。如果观察到足够的分集，则可以使用以下步骤来计算置信度。

在一个示例性实施例中，可以使用可从先前的计算步骤可获得的累积值来准备针对水平加速度分量(正交)的互协方差矩阵。然后，可以找到正交旋转以最小化在水平加速度分量之间的互相关。该步骤可以继续进行到通过采取最佳角度和正交轴(最小值)处的互相关比值来计算置信度。如果置信度显著较高，则该算法将产生失准角的估计。另一方面，如果置信度不高，则算法可以等待后续窗口(或时期)中的附加数据。

在某些实施例中，该算法利用周期性复位，以便避免质量差的信号在缓冲器中的累积，这会影响失准角的估计。在一个示例性实施例中，重置计算的步骤如下：如果累积的点数大于50秒，并且算法的置信度小于0.5，则可以重置算法。如果累积的点数大于100秒，则算法可以存储当前角度并重置算法。

在某些实施例中，该算法针对交通工具模式情况产生可接受的准确性的水平。例如，在交通工具估计模块下产生的失准角将与实际路线具有小于5度的偏差。

在某些实施例中，如先前所解释的，设备120可以直接从交通工具110接收移动信息，而不是使用GPS/GNSS数据320。可以通过无线连接手段以及硬连线手段来建立设备120与交通工具110之间的连接。通过利用直接来自交通工具的传感器(诸如里程表和加速度计)中的数据，可以更加简化计算过程。

在一个或多个实施例中，可以在计算失准角θ_m时使用交通工具的非完整约束。由于非完整的约束，大多数运动动力学(例如，加速度或减速度)是在交通工具110的纵向(或向前)方向上，并且总加速度的大部分由加速和减速期间的向前加速度贡献。例如，在导航期间，在许多情况下，交通工具通常沿直线向前移动，这使得交通工具运动的动力学限于向前/纵向方向。即，当交通工具沿着直线或道路移动时，总加速度的主要部分将由加速和减速处的纵向方向加速度组成。垂直于纵向方向的横向分量可能最小，因为交通工具的大部分移动将集中在向前移动上。当交通工具向右转或向左转或掉头时，横向加速度分量将显示显著的加速度值。考虑到这些约束条件可以减少或简化失准角计算过程中涉及的变量、公式和算法。

在一个实施例中，当交通工具以直线运动加速或减速时，交通工具向前加速度的改变提供了足够的信息来估计在交通工具与传感器参考系之间的失准角偏移。在这种情况下，纵向与横向轴加速度之间的相关性最小，并且由于噪声引起的相关性不是十分显著。正交变换使纵向与横向轴加速度之间的相关性最小化。正交变换方法用于识别发生最显著运动的轴(交通工具以直线在纵向方向上的运动)，同时最小化在两个水平加速度矢量之间的相关性。

在一个或多个实施例中，直线检测框410、静态检测框420、显著运动检测框430、侧倾和俯仰估计框440、水平数据累积框450、分集检查框460、正交轴计算框470，失准角和置信度估计框480可被实现为用于处理输入数据的模块或单元。这些逻辑框可以在处理器内实现，并且可以根据具体算法或命令指令执行。然而，在其他实施例中，这些逻辑框可以被实现为与设备120的主处理器通信的单独的电路或芯片。

图5是根据本公开的实施例的由加速度计测量的水平加速度的示例性图形。在图5中，示出了沿前向方向或前向轴检测的水平加速度分量以及沿横向方向或横向轴检测到的水平加速度分量。当交通工具直线移动时，并且在失准角θ_m为0度的完美对齐的情况下，通过加速度计测量的信号应仅集中在指向向前的轴上，而横向轴则感测到纯噪声。另一方面，在失准角θ_m不为0度的不完美对齐的情况下，横向轴将感测向前加速度的量。因此，交通工具的向前加速度提供足够的信息，以估计在交通工具参考系与传感器参考系之间的角度偏移。

图5示出了交通工具在540、550和560处转弯。这可以在指示了横向轴处的加速度的最大变化值的加速度计读数中观察到。它还示出了横向加速度分量具有比交通工具的向前加速度分量更大的值。另一方面，当交通工具以直线移动并且仅加速或减速时，交通工具的横向加速度分量将具有比向前加速度分量更小的值。在510、520和530处，可以看出向前加速度值具有比横向加速度值更大的值。尽管横向轴分量可能仍具有某些值，但这些横向分量可能指示噪音或可能指示交通工具正在改变车道(例如，与向右转或向左转相比，交通工具在改变车道时不急转弯)。

图6是根据本公开的示例性实施例的在行人模式下确定失准角θ_m的系统流程图600。该流程图提供了确定用户行进方向的示例性方法，该方法使能使用设备220进行行人室内导航。例如，当用户在步行时，加速度的主要分量是在前向方向和竖直方向上。如果该设备是健身手表并且绑在手腕或手臂上，则手臂的摆动运动与用户的步行方向对齐。参考图8A，当用户步行时，前向方向或前向轴上的加速度分量被指示为是波动的。另一方面，当用户静止时，由于在该方向上没有加速度，因此前向方向上的加速度分量被指示为维持稳定值。取决于设备的倾斜和运动状态，在横向方向或横向轴上的加速度分量也可以波动，但是其波动程度小于前向方向上的加速度分量。

当用户在步行时，步行周期可以包括两个主要阶段。其中一个阶段可以被称为站立阶段，而另一阶段可以被称为摆动阶段。在两个阶段期间，至少一条腿与地面接触，而另一条腿可能在运动。由于这两个阶段，可以确定步态加速度和呈现周期性的步态周期。在步/运动检测框610处确定步态周期。

在步/运动检测框610中，设备220的处理器基于加速度计数据310确定行人的运动状态。特别地，处理器检测行人的步信息以便基于接收到的加速度计数据310提取与步态周期相关的信号。即，步检测用于确定与行人的运动有关的信号。在某些实施例中，步/运动检测框610可以基于接收到的加速度计数据310提供行人的步频以及步态周期。一种检测行人的步的方法是通过检测总加速度中的峰来确定步。通过接收在给定时间处的加速度计数据310，处理器可以通过在测量周期期间检测到的加速度的峰值来确定步和步态周期。

在传感器融合框630中，设备220的处理器接收基于陀螺仪数据330和加速度计数据310的传感器数据。在某些实施例中，设备220的处理器还可以使用GPS/GNSS数据320。取决于GPS/GNSS数据320的信号接收强度，可以可选地在传感器融合框630处使用GPS/GNSS数据320。

在传感器融合框630处的传感器融合过程考虑来自IMU中的MEMS传感器的数据(例如，陀螺仪数据330和加速度计数据310)，并且在某些情况下考虑由于各种人类运动而可用的GPS/GNSS数据320。例如，人类运动不一定限于2D(二维)运动，并且在所有3D(三维)计划中都具有显著的动态。为了将加速度数据从传感器参考系投影到用户参考系，传感器融合的更高准确性用于计算由行进方向、俯仰和侧倾组成的欧拉角。在某些实施例中，基于扩展卡尔曼滤波器(EKF)的传感器融合可以用于传感器融合的更高准确性来确定。

在侧倾和俯仰估计框620中，来自IMU的传感器数据用于确定设备220的侧倾和俯仰角。使用陀螺仪信号和加速度计信号来检测设备220的侧倾和俯仰角或设备220的准确的传感器参考系。为了改进准确性，在GPS/GNSS信号可用的地方，也可以结合使用GPS/GNSS信号来改进准确性。基于陀螺仪信号X Gyro，Y Gyro，Z Gyro和加速度计信号X Acc，Y Acc，ZAcc来提取侧倾角和俯仰角。在某些实施例中，基于提取的传感器参考系的侧倾和俯仰角对陀螺仪信号X Gyro，Y Gyro，Z Gyro和加速度计信号X Acc，Y Acc，Z Acc进行倾斜补偿。

在水平和竖直加速度计数据累积框640中，传感器融合角的输出用于投影加速度数据以解析水平加速度和竖直加速度。特别地，处理器接收来自陀螺仪数据330、加速度计数据310和GPS/GNSS数据320(如果可用)的所有输入，以及通过步/运动检测框610、侧倾和俯仰估计框620和传感器融合框630处理的输入。在某些实施例中，处理器可以不使用所有数据，并且可以在水平和竖直加速度计数据累加框640处仅使用感测到的数据中的某些数据。例如，取决于情况，在水平和竖直加速度计数据累积框640处的计算中可能不考虑GPS/GNSS数据320。在某些实施例中，水平和竖直加速度计数据累积框640将这些数据保持在设备220的缓冲器中。如果数据量达到一个阈值，该阈值指示足够用于计算传感器行进与步行方向230之间的失准角的最小量的数据，则处理器继续在框660处基于累积的数据进行正交轴计算。

在提取水平参考系中具有显著运动的传感器数据之后，对该数据应用正交变换以便计算行人的步行方向。该算法还包括一种独特的方法，该方法使用向前-向后检测算法来解决方向的模糊，以确定步行的绝对方向230。这将结合图7进行更详细地解释。

首先，在正交轴计算框660处，处理器基于从水平和竖直加速度计数据累积框640接收的数据来计算输入。特别地，处理器提取加速度的水平X轴分量HX Acc、加速度的水平Y轴分量HY Acc、和加速度的竖直Z轴分量VZ Acc。然后，使用自相关变换矩阵执行计算。在一个实施例中，计算水平轴HX Acc与HY Acc之间的自相关。此外，执行奇异值分解(SVD)操作以最小化加速度计信号(例如，加速度矢量)的两个轴或两个X，Y分量之间的相关性。最小化过程导致传感器参考系和步行方向之间的失准角θ_m。该过程将产生[0,180]度范围中的偏移，因为自相关矩阵的计算包括幅度并且不包括方向。然后，将基于正交轴计算而产生的失准角传递到向前/向后检测框670。

在向前/向后检测框670处，处理器从步/运动检测框610、来自水平和竖直加速度计数据累积框640的加速度的水平X轴分量HX Acc、加速度的水平Y轴分量HY Acc、加速度的竖直Z轴分量VZ Acc、以及来自正交轴计算框660的失准角。将关于图7解释向前/向后检测框670的算法的细节。

在向前/向后检测框670产生失准角之后，在失准角和置信度估计框680处，测试角度的可靠性以最小化误差并增加失准角的置信度的水平。在某些实施例中，为了最小化误差，可以应用任何合适的误差最小化算法，并且不一定局限于某些有限的算法。在其他实施例中，可以从陀螺仪数据330或加速度计数据310接收更新后的数据，以减少失准角的误差。

在用户行进估计模块690处，处理器从传感器融合模块630的输出接收行人的步行方向230，并与失准角进行比较，以通过使用陀螺仪数据330和加速度计数据310进一步计算行人已移动的总路径。在某些实施例中，可以将在GPS/GNSS信号缺席时计算出的总路径的输出发送到行人的设备220的地图应用程序。基于来自MEMS传感器的计算，设备220可以通过行人的地图应用程序接收更新后的信息。当基于用户行进方向估计框605计算了所有数据时，该步骤可以移至框695并结束。在某些实施例中，如果再次接收到具有大于用于GPS检测的阈值的信号强度的GPS/GNSS信号，则处理器的用户行进估计框690模块可以向设备发送信号以结束计算。

在一个或多个实施例中，步/运动检测框610、侧倾和俯仰估计框620、传感器融合框630、水平和竖直数据累积框640、正交轴计算框660、向前/向后检测框670、失准角和置信度估计框680以及用户行进估计框690可被实现为用于处理输入数据的模块或单元。这些逻辑框可以在处理器内实现，并且可以根据具体算法或命令指令执行。然而，在其他实施例中，这些逻辑框可以被实现为与设备220的主处理器通信的单独的电路或芯片。

图7是根据本公开的示例性实施例的向前/向后检测框670的详细流程图700。

在一个实施例中，正交轴计算框660提供在[0，180]度范围中的失准角。向前/向后检测框670负责确定失准角的完全范围[-180，180]度。步态周期期间的人类3D运动会在摆动和站立姿势阶段经历加速和减速。当用户向前移动时，由于脚跟撞击和脚趾离开，因而也出现竖直运动。如图8B和图8C所示，向前加速和竖直加速度中的加速模式具有某些带有强相关性的相位角。在确定用户行进的完全范围时的独特特征是利用前向轴和横向轴与竖直加速度轴的互相关性。

在确定向前和向后方向时，首先在失准补偿框710处，接收失准角以及水平和竖直分量HX Acc、HY Acc、VZ Acc。在一个实施例中，在互相关矩阵730处计算向前加速度与竖直加速度之间的互相关。在其他实施例中，在互相关矩阵720处计算横向加速度与竖直加速度之间的互相关。通过使用互相关矩阵720、730来计算向前，横向和竖直加速度之间的互相关。

图8B示出了当行人手持设备时前向轴和横向轴与竖直轴的互相关的图形结果。图8C示出了在行人的手臂摆动期间前向轴和横向轴与竖直轴的互相关的图形结果。

通过使用前向(X方向)、横向(Y方向)和竖直(Z方向)的互相关，可以基于检测互相关模式中的两个峰来计算周期性。在框740处执行该计算。

参考图8B，基于前向轴或横向轴的任何两个峰，可以基于互相关模式的周期性来确定一个步态周期。附加地，参考图8C，基于前向轴或横向轴的任何两个峰，可以基于互相关模式的周期性来确定两个步态周期。在图8C中，考虑到手臂摆动，在两个邻近的峰之间的周期将指示两个步态周期。例如，如果行人以手臂摆动运动携带设备220，则先前方法中计算出的周期性将是由步/运动检测框610计算出的步频的两倍。由于在步行期间，对于一个完整的手臂摆动动作人类需要两步，因而这种现象是显然的。在图8B中，对于设备固定到行人的身体的正常的手持情况，周期与步频相同。处理器在框750处可以基于以上假设来确定携带位置。

在从框750确定行人的携带位置之后，在框760处确定区域边界。如图8B和图8C所示，区域边界表示为a，b，c。附加地，虚线p1，p2，p3，p4示出了区域a，b和c之间的边界。例如，区域“a”指示在p1与p2之间的区域，区域b指示在p2与p3之间的区域，并且区域c指示在p3与p4之间的区域。在一个实施例中，区域边界可以表示为[p1，p2，p3，p4]。例如，如果检测到的携带位置是摆动的手臂，则区域边界可以表示为[-1.5，-0.5，0.5，1.5]。另一方面，如果检测到的携带位置是在手中并固定到行人，则区域边界可以表示为[-0.75，-0.25，0.25，0.75]。如所解释的，一旦行人走了两步，手臂的摆动就具有了一个完整的摆动，这就是区域边界中因子2的原因。手臂摆动模式和手持模式只是提供更好理解的示例，并且边界确定和计算可能会基于携带位置而有所不同。也就是说，区域/边界代表步态周期的不同阶段，并且对于不同的携带位置将有所不同。

在框760处，对于手臂摆动的携带位置，将输出[-1.5，-0.5，0.5，1.5]×步态周期到框770用于区域a，b和c中的能量计算；并且对于手持摆动的携带位置，将输出[-1.5，-0.5，0.5，1.5]×步态周期到框770用于区域a，b和c中的能量计算。

一旦基于前向分量、横向分量和竖直分量的互相关的计算确定了a、b和c的区域边界，就在框770处计算区域a、b和c的能量。在框770处，将点p1与p2之间的能量称为E(a)，将点p2与p3之间的能量称为E(b)，并将点p3与p4之间的能量称为E(c)。

在框780处，通过E＝E(a)-E(b)+E(c)计算总能量E。基于总能量E，框790可以确定行人是向前还是向后移动。例如，如果用户在向前移动，则区域a和区域c中的能量为正，而区域b中的能量为负。因此，总能量E值将指示向前或向后方向。附加地，如果检测到行人的运动是向后的，则可以通过减去180度来校正失准角。否则，针对前向方向不进行任何校正。在其他实施例中，框790模块可以通过检查正区域(E(a),E(c))和负区域(E(b))中的能量比值来计算对失准角输出中的置信度。

参考图6，在从向前/向后检测框670输出失准角之后，算法继续监视置信度以接受或拒绝在失准角和置信度估计框680处输出的新的失准角。由于失准角在较短的持续时间(>10秒)维持恒定，处理器可以拒绝在算法的先前步骤中估计的任何不良的失准角。在某些实施例中，处理器可以通过采取使用置信度的过去的测量结果的加权平均，来精进对失准角的当前估计。

在用户行进估计框690处，在估计失准角之后，处理器将通过减去失准角来校正设备行进以获得用户行进方向。

在某些实施例中，该算法针对行人模式的情况产生了经改进的准确性水平。例如，在用户行进估计模块下产生的失准角与实际路线的偏差小于2度。

在一个或多个实施例中，执行数据有效性检查以确保数据的质量和准确性。例如，可以基于直线检测420和显著运动检测430来执行有效性检查。执行该检查以确保交通工具在以直线移动，并且传感器在收集与失准角的确定有关的某些特征信号。取决于运动状态(例如，交通工具和行人两者)的改变，可以在算法时期的任何阶段执行这些类型的数据有效性检查。即，也可以在用户行进估计605中使用数据有效性检查过程。

在某些实施例中，一旦确认了有效性，就以累积的形式存储数据分量以最小化存储。例如，在交通工具模式和行人模式失准角计算方法中，可以以累积的形式存储水平加速度的两个分量，例如水平加速度的X和Y分量，以最小化存储。例如，数据可以以均值、方差、互相关等的形式存储。通过使用如本文所述的根据本公开的算法或方法，不依赖于GPS信号。根据本公开，在没有GPS信号的情况下计算失准角是可能的。因此，交通工具的用户或行人将不用担心GPS信号的质量或在他们正在访问的地方中的延迟，并且允许对传感器误差(例如偏差，比例因子)的更少的依赖。根据本公开，有用的是，一旦GPS可用就立即开始使用传感器测量，而不是等到在良好的GPS覆盖下滤波器收敛以校正失准误差。

根据本公开的算法和方法不限于所描述的滤波器或设计。在其他实施例中，为了提供可靠的初始估计以调谐角度，可以使用卡尔曼滤波器(KF)。

虽然可以基于本公开进行各种应用，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将航位推算的结果通信到另一电子设备的设备120、220。设备120、220可以包括调制解调器芯片、网络和通信芯片、或能够传输和接收数据的任何合适的半导体芯片。设备120、220还可以基于各种通信协议进行通信，包括Wi-Fi、蓝牙、Zigbee、NFC(近场通信)、蜂窝(例如4G、5G、LTE)等。在一种应用中，设备120，220可以将基于失准角计算出的交通工具110或行人210的路径信息中继到另一用户的设备。通过将更新后的路径信息中继到设备的另一个用户，该用户将能够定位交通工具110或行人210。

本公开的交通工具模式应用对于打车服务可以是有益的。打车服务是使用在线平台以在乘客与使用其私人交通工具的本地驾驶员之间进行连接的服务。打车服务的示例包括Uber和Lyft。然而，当GPS/GNSS信号退化或丢失时，尝试使用这些乘车服务的客户会丢失驾驶员交通工具的位置。通过利用设备120，即使在GPS/GNSS信号丢失或微弱的环境中，交通工具110的驾驶员也能够有效地通信他/她的交通工具位置。

在其他应用中，在基于失准角计算路径信息之后，设备120可以更新交通工具110中的用户或行人210正在使用的地图应用程序。即使在没有GPS/GNSS信号的情况下，也可以利用使用IMU计算出的信息来更新地图应用程序。一旦正确地更新了地图，交通工具的用户或行人就可以能够使用地图导航而不会丢失其当前位置。

在其他的应用中，用于计算失准角的设备120可以是独立的设备，其包含芯片组模块、接收器模块、各种传感器、用于计算和执行本公开的前述功能的任何其他合适的组件。

可以组合上述各种实施例以提供其他实施例。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、美国专利申请出版物、美国专利申请、外国专利、外国专利申请和非专利出版物均通过引用以其整体并入本文。如果需要采用各种专利、申请和出版物的概念以提供另外其他实施例，则可以修改实施例的方面。

可以根据以上的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到说明书和权利要求书中所公开的具体实施例，而是应解释为包括所有可能的实施例以及这些权利要求所享有的等同物的全部范围。因此，权利要求不受公开内容的限制。

Claims

1.一种方法，包括：

从设备接收多个传感器数据；

分析所述多个传感器数据以确定交通工具的第一轴，所述交通工具的所述第一轴指示所述交通工具的移动方向；

分析所述多个传感器数据以确定所述设备的第二轴，所述第二轴指示所述设备的行进；以及

计算在所述交通工具的所述第一轴与所述设备的所述第二轴之间的角度。

2.根据权利要求1所述的方法，其中所述多个传感器数据包括来自陀螺仪的第一数据和来自加速度计的第二数据。

3.根据权利要求2所述的方法，其中所述多个传感器数据还包括来自全球定位系统GPS传感器的第三数据。

4.根据权利要求3所述的方法，其中所述多个传感器数据指示所述设备的运动数据和所述交通工具的运动数据。

5.根据权利要求3所述的方法，其中所述设备与所述交通工具邻近。

6.根据权利要求2所述的方法，其中分析所述多个传感器数据以确定交通工具的第一轴包括：

分析所述第二数据以确定所述交通工具的加速度；

基于所述交通工具的所述加速度确定所述交通工具的移动方向；以及

将所述交通工具的所述移动方向确定为所述交通工具的所述第一轴。

7.根据权利要求6所述的方法，其中分析所述多个传感器数据以确定所述设备的第二轴包括：

分析所述第一数据以确定所述设备的倾斜方向；

基于所述倾斜方向确定所述设备的所述行进；以及

将所述设备的所述行进方向确定为所述交通工具的所述第二轴。

8.根据权利要求6所述的方法，其中所述设备的所述倾斜方向包括：基于来自所述陀螺仪的所述第一数据而被计算的所述设备的俯仰、偏航和侧倾角。

9.根据权利要求7所述的方法，计算在所述交通工具的所述第一轴与所述设备的所述第二轴之间的角度包括：

分析所述第一数据和所述第二数据以及所述设备的所述行进方向以确定所述设备的水平分量；

在所述设备的所述水平分量与所述设备的所述移动方向之间应用旋转矩阵；以及

基于所述旋转矩阵确定在所述第一轴与所述第二轴之间的所述角度。

10.根据权利要求9所述的方法，其中所述旋转矩阵是正交旋转矩阵。

11.根据权利要求9所述的方法，其中分析所述第一数据和所述第二数据以及所述设备的所述行进方向以确定所述设备的水平分量包括：

应用奇异值分解，以减少在所述设备的所述水平分量之间的相关性。

12.一种方法，包括：

基于来自设备的加速度计的输入来确定第一模式和第二模式，所述第一模式指示所述设备在交通工具内，并且所述第二模式指示所述设备与不在交通工具内部的行人在一起；

选择所述第一模式和所述第二模式中的一个模式；

响应于选择所述第一模式，从所述设备的所述加速度计和陀螺仪接收数据：

基于所述加速度计和所述陀螺仪确定第一失准角；以及

输出所述第一失准角；以及

响应于选择所述第二模式，从所述加速度计和所述陀螺仪接收数据：

基于所述加速度计和所述陀螺仪确定第二失准角；以及

输出所述第二失准角。

13.根据权利要求12所述的方法，其中还基于GPS数据确定第一模式和第二模式。

14.根据权利要求12所述的方法，其中还基于所述设备的存储器中的预存储库选择所述第一模式和所述第二模式中的一个模式，所述预存储库包括与交通工具和行人的运动相关联的加速度计数据和陀螺仪数据。

15.一种方法，包括：

使用陀螺仪接收第一数据，并使用加速度计接收第二数据，所述设备具有第一轴和垂直于所述第一轴的第二轴，所述第一轴指示所述设备的所述加速度计的前向方向；

确定与所述设备相关联的用户的运动状态；

基于所述第一数据和所述第二数据确定所述设备的水平加速度分量和竖直加速度分量；以及

基于所述设备的所述水平加速度分量和所述竖直加速度分量以及所述用户的所述运动状态来计算失准角。

16.根据权利要求15所述的方法，其中基于所述设备的所述水平加速度分量和所述竖直加速度分量以及所述用户的所述运动状态来计算失准角包括：

使用奇异值分解操作，减少在第一方向上的所述水平加速度分量与在垂直于所述第一方向的第二方向上的所述水平加速度分量之间的相关性；以及

在所述设备的所述水平加速度分量与所述用户的所述运动状态之间应用正交轴计算，其中所述用户的所述运动状态包括所述用户的所述移动的方向。

17.根据权利要求16所述的方法，还包括：

使用互相关矩阵计算所述水平加速度分量和所述竖直加速度分量；

基于所述互相关矩阵和所述用户的所述运动状态分析所述用户的步态模式；

计算与所述步态模式相关联的总能量；以及

基于上述总能量调节所述计算出的失准角。

18.一种方法，包括：

分析陀螺仪数据以确定设备的传感器参考系的前向轴和横向轴，所述前向轴和所述横向轴彼此垂直，所述前向轴指示所述设备的行进方向；

分析加速度计数据以确定交通工具的交通工具参考系的纵向方向，所述纵向方向指示所述交通工具的行进方向，所述加速度计数据包括所述交通工具的角加速度和线性加速度；

计算所述传感器参考系的所述前向轴的水平分量和所述交通工具参考系的纵向方向的水平分量；以及

使用所述传感器参考系的所述水平分量和所述交通工具参考系的所述水平分量确定失准角。

19.根据权利要求18所述的方法，其中，分析加速度计数据包括：

利用所述交通工具的非完整约束，所述交通工具的所述非完整约束指示所述交通工具以加速或减速的方式向前和向后移动；以及

计算所述交通工具的所述角加速度和所述线性加速度。

20.根据权利要求19所述的方法，其中确定失准角包括：

在所述传感器参考系的所述前向轴上和所述交通工具参考系的所述纵向方向上应用正交轴计算，以识别所述传感器参考系和所述交通工具参考系的轴定向；以及

减少在所述传感器参考系的所述前向轴的矢量与所述交通工具参考系的所述纵向方向的矢量之间的相关性。

21.根据权利要求20所述的方法，其中应用正交轴计算包括：

使用自相关变换矩阵进行计算；

使用奇异值分解来减少在所述传感器参考系和所述交通工具参考系的所述轴定向之间的相关性；以及

执行误差校正过程以输出具有经减少的误差的所述失准角。