CN116773173B - 一种头盔佩戴稳定性的测试方法 - Google Patents
一种头盔佩戴稳定性的测试方法 Download PDFInfo
- Publication number
- CN116773173B CN116773173B CN202310759724.3A CN202310759724A CN116773173B CN 116773173 B CN116773173 B CN 116773173B CN 202310759724 A CN202310759724 A CN 202310759724A CN 116773173 B CN116773173 B CN 116773173B
- Authority
- CN
- China
- Prior art keywords
- helmet
- sensor
- head
- tensor
- action
- 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 62
- 238000012360 testing method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 261
- 230000009471 action Effects 0.000 claims abstract description 215
- 230000001133 acceleration Effects 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000013112 stability test Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 100
- 238000005096 rolling process Methods 0.000 claims description 34
- 230000014509 gene expression Effects 0.000 claims description 24
- 230000004886 head movement Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 12
- 238000013097 stability assessment Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012430 stability testing Methods 0.000 abstract description 6
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 38
- 239000011159 matrix material Substances 0.000 description 14
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
Abstract
本发明公开了一种头盔佩戴稳定性的测试方法,包括:利用运动传感器,获取头盔用户的预设动作测量数据信息;所述运动传感器,包括设置于头盔用户头部的第一传感器组和设置于头盔的第二传感器组;所述传感器组,包括三轴运动传感器、加速度传感器、角速度传感器和角度传感器;对所述预设动作测量数据信息进行预处理,得到目标运动数据信息;利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值。本发明通过对对各类传感器测量得到的数据进行运动校验,有效剔除了虚假数据,进而提高了测试结果准确性;对传感器采集数据进行张量建模,提升了头盔佩戴稳定性测试方法的实时性。
Description
技术领域
本申请涉及头盔测试相关技术领域,具体涉及一种头盔佩戴稳定性的测试方法。
背景技术
随着虚拟现实/增强现实技术的广泛应用,用户需要配备先进的综合头部保护配件来适应现代人机交互技术的需求,比如通讯耳机、夜视设备、战术灯、摄像机、风镜、面部保护罩等技术附件与盔体进行衔接,以此提升用户的综合交互效能,但是头盔配件越来越多,这样一来会造成头盔整体越来越重,头盔过重或者重心偏移会造成头盔不稳,降低佩戴舒适性,降低用户的交互效能,甚至造成头盔发生翻转,从而带来致命的安全隐患。
目前关于头盔稳定性的评估方法,主要是采用重锤击打实验法测试头模的加速度变化,使用激光测距仪测量头模与头盔移动距离,使用表面柔性压力测试头颅表面的压力分布情况以评估头盔稳定性和舒适度。但是,头盔的稳定性更多取决于自身重量,头盔自身重量导致头盔的惯性大,跟随性差,容易发生相对于用户的相对滑动。因此,现有的头盔稳定性测试方法,准确性还有待提高。另外,在头盔稳定性评估过程中,由于涉及的数据量众多,现有方法复杂度较高,难以对头盔稳定性进行快速评价。因此,以上常用头盔佩戴稳定性评估手段和方法,不足以很好的对头盔佩戴稳定性进行评估。
发明内容
为了解决头盔佩戴稳定性测试手段缺乏准确性和高效性的问题,本发明公开了一种头盔佩戴稳定性的测试方法,包括:
S1,利用运动传感器,获取头盔用户的预设动作测量数据信息;所述运动传感器,包括设置于头盔用户头部的第一传感器组和设置于头盔的第二传感器组;所述第一传感器组,包括第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;所述第二传感器组,包括第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;
S2,对所述预设动作测量数据信息进行预处理,得到目标运动数据信息;
S3,利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值。
所述头盔用户的预设动作,包括头盔用户的匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
所述利用运动传感器,获取头盔用户的预设动作测量数据信息,包括:
S11,利用第一传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头部运动信息进行采集,得到头部测量数据Xijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头部测量数据Xijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第一传感器组中的第i个传感器,所测量得到的头盔用户的头部测量数据;i表示第一传感器组中的传感器编号,i=1,2,3,4时,分别表示第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
S12,对所有头部测量数据进行融合处理,得到第一动作测量张量X;所述第一动作测量张量X,由所有Xijk构成。
S13,利用第二传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头盔运动信息进行采集,得到头盔测量数据Yijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头盔测量数据Yijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第二传感器组中的第i个传感器,所测量得到的头盔用户的头盔测量数据;i表示第二传感器组中的传感器编号,i=1,2,3,4时,分别表示第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;j=1,2,…,N,N表示采样时刻数目;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
S14,对所有头盔测量数据进行融合处理,得到第二动作测量张量Y;所述第二动作测量张量Y,由所有Yijk构成;
S15,对所述第一动作测量张量X和第二动作测量张量Y进行融合处理,得到头盔用户的预设动作测量数据信息;
所述对所述预设动作测量数据信息进行预处理,得到目标运动数据信息,包括:
S201,从第一动作测量张量X中,提取得到第一传感器组的各个传感器的头部测量数据;第一传感器组的各个传感器的头部测量数据,包括第一三轴运动传感器的头部位置测量数据、第一加速度传感器的头部加速度测量数据、第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据;
S202,利用运动参数估计模型,对所述第一三轴运动传感器的头部位置测量数据进行计算处理,得到头部运动参数估计值;所述头部运动参数估计值,包括所有预设动作下,头部加速度估计值、头部角速度估计值和头部角度估计值;
S203,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头部加速度估计值和第一加速度传感器的头部加速度测量数据进行计算处理,得到直线运动一致性判别值;
S204,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头部加速度估计值,对所述第一加速度传感器的头部加速度测量数据进行替换;利用替换后的第一加速度传感器的头部加速度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第一动作测量张量X进行处理;
S205,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头部角度估计值,与第一角度传感器的头部角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头部角度估计值,对所述第一角度传感器的头部角度测量数据进行替换,利用所述头部角速度估计值,对所述第一角速度传感器的头部角速度测量数据进行替换;分别利用替换后的第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第一动作测量张量X进行处理;
S206,从第二动作测量张量Y中,提取得到第二传感器组的各个传感器的头盔测量数据;第二传感器组的各个传感器的头盔测量数据,包括第二三轴运动传感器的头盔位置测量数据、第二加速度传感器的头盔加速度测量数据、第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据;
S207,利用运动参数估计模型,对所述第二三轴运动传感器的头盔位置测量数据进行计算处理,得到头盔运动参数估计值;所述头盔运动参数估计值,包括所有预设动作下,头盔加速度估计值、头盔角速度估计值和头盔角度估计值;
S208,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头盔加速度估计值和第二加速度传感器的头盔加速度测量数据进行计算处理,得到直线运动一致性判别值;
S209,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头盔加速度估计值,对所述第二加速度传感器的头盔加速度测量数据进行替换;利用替换后的第二加速度传感器的头盔加速度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第二动作测量张量Y进行处理;
S210,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头盔角度估计值,与第二角度传感器的头盔角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头盔角度估计值,对所述第二角度传感器的头盔角度测量数据进行替换,利用所述头盔角速度估计值,对所述第二角速度传感器的头盔角速度测量数据进行替换;分别利用替换后的第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第二动作测量张量Y进行处理。
S211,对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量;
S212,对所述头部运动张量和头盔运动张量进行融合处理,得到目标运动数据信息。
所述运动参数估计模型,其表达式为:
其中,(xj0,yj0,zj0)、(xj1,yj1,zj1)、(xj2,yj2,zj2)分别为第j0采样时刻、第j1采样时刻、第j2采样时刻,在某预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的三维位置测量数据;(axj1,ayj1,azj1)分别为第j1采样时刻,在所述预设动作下,对头部或头盔的x轴、y轴和z轴的加速度估计值;分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角和俯仰角的估计值;/>分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角速度和俯仰角速度的估计值。
所述直线运动一致性判别模型,其表达式为:
其中,k1和k2分别为直线运动一致性判别模型的第一归一化系数和第二归一化系数,(ax′j1,ay′j1,az′j1)分别为第j1采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的加速度测量数据,M为头盔用户的重量值,γj1为第j1采样时刻的直线运动一致性判别值。
所述圆周运动一致性判别模型,其表达式为:
其中,(xj,yj,zj)为第j采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的位置坐标值;θj′为在第j采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的方位角值;θj为第j采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;为在第j1采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的俯仰角值;为第j1采样时刻,在所述预设动作下,对头部或头盔的俯仰角的估计值;χj1为第j1采样时刻的圆周运动一致性判别值。
所述对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量,包括:
S2111,在每一采样时刻,对利用所述第一三轴运动传感器的头部位置测量数据所得到的头部运动参数估计值,与第一动作测量张量中的对应头部测量数据,进行三维误差判别,得到头部误差判别结果;
S2112,根据所述头部误差判别结果,对所述第一动作测量张量进行补偿处理,得到头部运动张量;
S2113,在每一采样时刻,对利用所述第二三轴运动传感器的头盔位置测量数据所得到的头盔运动参数估计值,与第二动作测量张量中的对应头盔测量数据,进行三维误差判别,得到头盔误差判别结果;
S2114,根据所述头盔误差判别结果,对所述第二动作测量张量进行补偿处理,得到头盔运动张量。
所述三维误差判别,是利用判别表达式,得到头盔或头部的误差判别结果;当所述三维误差判别的判别表达式均满足时,确定头盔或头部误差判别结果为满足误差要求;当所述三维误差判别的判别表达式不均满足时,确定头盔或头部误差判别结果为不满足误差要求。
所述三维误差判别的判别表达式为:
|θj1-θj′1|≤e2,
其中,θj′1为在第j1采样时刻,所述预设动作下,利用第一角度传感器测量得到的头部、或利用第二角度传感器测量得到的头盔的方位角值;θj1为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;e1、e2、e3、e4,均为误差判别阈值。
所述根据所述头部或头盔误差判别结果,对所述第一动作测量张量或第二动作测量张量进行补偿处理,得到头部或头盔运动张量,包括:
当得到的头盔或头部误差判别结果为满足误差要求时,不对第一动作测量张量或第二动作测量张量进行更新;
当得到的头部误差判别结果为不满足误差要求时,对第一动作测量张量的对应头部测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第一动作测量张量的所述头部测量数据进行更新,从而实现对所述第一动作测量张量的更新;
当得到的头盔误差判别结果为不满足误差要求时,对第二动作测量张量的对应头盔测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第二动作测量张量的所述头盔测量数据进行更新,从而实现对所述第二动作测量张量的更新;
对所有不满足误差要求的头部或头盔误差判别结果,按照上述步骤实现对所述第一动作测量张量或第二动作测量张量的更新后,将更新后的第一动作测量张量,作为头部运动张量,将更新后的第二动作测量张量,作为头盔运动张量。
所述利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值,包括:
S31,对所述头部运动张量进行范数计算,得到第一范数值;
S32,计算得到所述头部运动张量和头盔运动张量的差张量,并计算所述差张量的范数平方,得到第二范数值;
S33,以第一范数值为基准量,对第二范数值进行归一化处理,得到头盔佩戴稳定性测试值。
所述利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值,包括:
S31,对头部运动张量进行三阶奇异值分解,得到第一模式1矩阵;
S32,对头盔运动张量进行三阶奇异值分解,得到第二模式1矩阵;
S33,计算得到第一模式1矩阵和第二模式1矩阵的差矩阵;
S34,对所述差矩阵进行奇异值分解,得到绝对值最大的奇异值;
S35,将所述绝对值最大的奇异值,作为头盔佩戴稳定性测试值。
本发明的有益效果为:
1、本申请提供的方案中,这个测试评估的流程更加的简单,无需重锤击打、激光测距等方式,而是仅仅只需要通过利用传感器获取数据,之后便可以基于这些原始数据进行计算,得到头盔的稳定性评估结果。本申请提供的方案中,简化了进行测试需要的设备,简化了测试流程。进一步的,采集的数据是,测试人员进行预设测试动作的时段内采集的,由于测试动作可以基于头盔的实际使用场景进行设置,基于此,本申请提供的方案中,得到的评估结果更加的实际使用场景,更加符合用户的实际使用体验。
2、针对现有头盔佩戴稳定性测试方法在传感器测量过程中,所获取的数据容易受噪声和干扰影响,存在过多虚假数据,影响测量结果准确性的问题,本申请在数据预处理环节中,根据用户运动特性建立运动判别模型,对各类传感器测量得到的数据进行运动校验,并对各类传感器之间的数据进行误差校验,有效剔除了虚假数据,进而提高了测试结果准确性。
3、针对现有头盔佩戴稳定性测试方法所存在的传感器数据类型多、处理工作量大,复杂度高,影响了稳定性测试效率的问题,本申请对传感器采集数据进行张量建模,利用张量数据处理方法,有效提高了数据处理效率,提升了头盔佩戴稳定性测试方法的实时性。
附图说明
图1为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容,这里给出两个实施例。
实施例一:
本实施例公开了一种头盔佩戴稳定性的测试方法,如图1所示,包括:
S1,利用运动传感器,获取头盔用户的预设动作测量数据信息;所述运动传感器,包括设置于头盔用户头部的第一传感器组和设置于头盔的第二传感器组;所述第一传感器组,包括第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;所述第二传感器组,包括第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;所述头盔,佩戴于头盔用户的头部。
S2,对所述预设动作测量数据信息进行预处理,得到目标运动数据信息;
S3,利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值。
所述头盔用户的预设动作,包括头盔用户的匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
所述利用运动传感器,获取头盔用户的预设动作测量数据信息,包括:
S11,利用第一传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头部运动信息进行采集,得到头部测量数据Xijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头部测量数据Xijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第一传感器组中的第i个传感器,所测量得到的头盔用户的头部测量数据;i表示第一传感器组中的传感器编号,i=1,2,3,4时,分别表示第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
所述预设采样时间间隔T,根据传感器数据采集周期设置,一般设置为传感器数据采集周期的20倍以上。
S12,对所有头部测量数据进行融合处理,得到第一动作测量张量X;所述第一动作测量张量X,由所有Xijk构成。
所述第一动作测量张量X为三阶张量,其表达式为:
其中,R4×N×4表示实数域上的维度为4×N×4的三维矩阵。
S13,利用第二传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头盔运动信息进行采集,得到头盔测量数据Yijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头盔测量数据Yijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第二传感器组中的第i个传感器,所测量得到的头盔用户的头盔测量数据;i表示第二传感器组中的传感器编号,i=1,2,3,4时,分别表示第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;j=1,2,…,N,N表示采样时刻数目;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
S14,对所有头盔测量数据进行融合处理,得到第二动作测量张量Y;所述第二动作测量张量Y,由所有Yijk构成;
所述第二动作测量张量Y为三阶张量,其表达式为:
其中,R4×N×4表示实数域上的维度为4×N×4的三维矩阵。
S15,对所述第一动作测量张量X和第二动作测量张量Y进行融合处理,得到头盔用户的预设动作测量数据信息;
具体的,可以是将第一动作测量张量X和第二预设动作张量Y,作为头盔用户的预设动作测量数据信息。
所述对所述预设动作测量数据信息进行预处理,得到目标运动数据信息,包括:
S201,从第一动作测量张量X中,提取得到第一传感器组的各个传感器的头部测量数据;第一传感器组的各个传感器的头部测量数据,包括第一三轴运动传感器的头部位置测量数据、第一加速度传感器的头部加速度测量数据、第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据;
所述三轴运动传感器,用于对头盔用户的头部或头盔的位置信息进行测量,得到其在三维坐标系下的x轴、y轴和z轴的坐标值,其表达式为(x,y,z)。所述三维坐标系,是以头盔用户的运动起点为坐标原点所建立的空间直角坐标系。三轴运动传感器,可采用差分RTK测量单元来实现。
S202,利用运动参数估计模型,对所述第一三轴运动传感器的头部位置测量数据进行计算处理,得到头部运动参数估计值;所述头部运动参数估计值,包括所有预设动作下,头部加速度估计值、头部角速度估计值和头部角度估计值;
S203,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头部加速度估计值和第一加速度传感器的头部加速度测量数据进行计算处理,得到直线运动一致性判别值;
S204,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头部加速度估计值,对所述第一加速度传感器的头部加速度测量数据进行替换;利用替换后的第一加速度传感器的头部加速度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第一动作测量张量X进行处理;
S205,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头部角度估计值,与第一角度传感器的头部角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头部角度估计值,对所述第一角度传感器的头部角度测量数据进行替换,利用所述头部角速度估计值,对所述第一角速度传感器的头部角速度测量数据进行替换;分别利用替换后的第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第一动作测量张量X进行处理;
S206,从第二动作测量张量Y中,提取得到第二传感器组的各个传感器的头盔测量数据;第二传感器组的各个传感器的头盔测量数据,包括第二三轴运动传感器的头盔位置测量数据、第二加速度传感器的头盔加速度测量数据、第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据;
S207,利用运动参数估计模型,对所述第二三轴运动传感器的头盔位置测量数据进行计算处理,得到头盔运动参数估计值;所述头盔运动参数估计值,包括所有预设动作下,头盔加速度估计值、头盔角速度估计值和头盔角度估计值;
S208,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头盔加速度估计值和第二加速度传感器的头盔加速度测量数据进行计算处理,得到直线运动一致性判别值;
S209,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头盔加速度估计值,对所述第二加速度传感器的头盔加速度测量数据进行替换;利用替换后的第二加速度传感器的头盔加速度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第二动作测量张量Y进行处理;
S210,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头盔角度估计值,与第二角度传感器的头盔角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头盔角度估计值,对所述第二角度传感器的头盔角度测量数据进行替换,利用所述头盔角速度估计值,对所述第二角速度传感器的头盔角速度测量数据进行替换;分别利用替换后的第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第二动作测量张量Y进行处理。
S211,对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量;
S212,对所述头部运动张量和头盔运动张量进行融合处理,得到目标运动数据信息。
所述运动参数估计模型,其表达式为:
其中,(xj0,yj0,zj0)、(xj1,yj1,zj1)、(xj2,yj2,zj2)分别为第j0采样时刻、第j1采样时刻、第j2采样时刻,在某预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的三维位置测量数据;(axj1,ayj1,azj1)分别为第j1采样时刻,在所述预设动作下,对头部或头盔的x轴、y轴和z轴的加速度估计值;分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角和俯仰角的估计值;/>分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角速度和俯仰角速度的估计值。
所述直线运动一致性判别模型,其表达式为:
其中,k1和k2分别为直线运动一致性判别模型的第一归一化系数和第二归一化系数,(ax′j1,ay′j1,az′j1)分别为第j1采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的加速度测量数据,M为头盔用户的重量值,γj1为第j1采样时刻的直线运动一致性判别值;在直线运动一致性判别模型中,所述预设动作包括匍匐前进动作和奔跑动作。
所述圆周运动一致性判别模型,其表达式为:
其中,(xj,yj,zj)为第j采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的位置坐标值;θj′为在第j采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的方位角值;θj为第j采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;为在第j1采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的俯仰角值;为第j1采样时刻,在所述预设动作下,对头部或头盔的俯仰角的估计值;χj1为第j1采样时刻的圆周运动一致性判别值;在圆周运动一致性判别模型中,所述预设动作包括左侧360°翻滚动作和右侧360°翻滚动作。
所述对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量,包括:
S2111,在每一采样时刻,对利用所述第一三轴运动传感器的头部位置测量数据所得到的头部运动参数估计值,与第一动作测量张量中的对应头部测量数据,进行三维误差判别,得到头部误差判别结果;
S2112,根据所述头部误差判别结果,对所述第一动作测量张量进行补偿处理,得到头部运动张量;
S2113,在每一采样时刻,对利用所述第二三轴运动传感器的头盔位置测量数据所得到的头盔运动参数估计值,与第二动作测量张量中的对应头盔测量数据,进行三维误差判别,得到头盔误差判别结果;
S2114,根据所述头盔误差判别结果,对所述第二动作测量张量进行补偿处理,得到头盔运动张量。
所述三维误差判别,是利用判别表达式,得到头盔或头部的误差判别结果;所述三维误差判别的判别表达式为:
|θj1-θj′1|≤e2,
其中,θj′1为在第j1采样时刻,所述预设动作下,利用第一角度传感器测量得到的头部、或利用第二角度传感器测量得到的头盔的方位角值;θj1为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;e1、e2、e3、e4,均为误差判别阈值;
当所述三维误差判别的判别表达式均满足时,确定头盔或头部误差判别结果为满足误差要求;
当所述三维误差判别的判别表达式不均满足时,确定头盔或头部误差判别结果为不满足误差要求。
所述根据所述头部或头盔误差判别结果,对所述第一动作测量张量或第二动作测量张量进行补偿处理,得到头部或头盔运动张量,包括:
当得到的头盔或头部误差判别结果为满足误差要求时,不对第一动作测量张量或第二动作测量张量进行更新;
当得到的头部误差判别结果为不满足误差要求时,对第一动作测量张量的对应头部测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第一动作测量张量的所述头部测量数据进行更新,从而实现对所述第一动作测量张量的更新;
当得到的头盔误差判别结果为不满足误差要求时,对第二动作测量张量的对应头盔测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第二动作测量张量的所述头盔测量数据进行更新,从而实现对所述第二动作测量张量的更新;
对所有不满足误差要求的头部或头盔误差判别结果,按照上述步骤实现对所述第一动作测量张量或第二动作测量张量的更新后,将更新后的第一动作测量张量,作为头部运动张量,将更新后的第二动作测量张量,作为头盔运动张量。
所述利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值,包括:
S31,对所述头部运动张量进行范数计算,得到第一范数值;
S32,计算得到所述头部运动张量和头盔运动张量的差张量,并计算所述差张量的范数平方,得到第二范数值;
S33,以第一范数值为基准量,对第二范数值进行归一化处理,得到头盔佩戴稳定性测试值。
所述对第二范数值进行归一化处理,可以是,利用第二范数值除以第一范数值,得到头盔佩戴稳定性测试值。
所述利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值,包括:
S31,对头部运动张量进行三阶奇异值分解,得到第一模式1矩阵;
S32,对头盔运动张量进行三阶奇异值分解,得到第二模式1矩阵;
S33,计算得到第一模式1矩阵和第二模式1矩阵的差矩阵;
S34,对所述差矩阵进行奇异值分解,得到绝对值最大的奇异值;
S35,将所述绝对值最大的奇异值,作为头盔佩戴稳定性测试值。
所述计算张量的范数,可以采用Frobenius范数。
进一步的,在得到头盔佩戴稳定性测试值后,利用头盔稳定性评估模型所包含的稳定性取值区间,确定稳定性测试值所属的稳定性取值分区间,根据所述稳定性取值分区间,确定头盔佩戴稳定性评估结果。
实施例二:
本实施例提供一种头盔佩戴稳定性测试方法,包括:
获取初始数据;
其中,所述初始数据为进行测试时段内第一传感器组和第二传感器组采集的数据;所述测试时段内为测试人员进行预设测试动作的时段内;所述第一传感器组设置在所述测试人员的头部;所述第二传感器组设置在所述测试人员佩戴的头盔上;
通过高动态卡尔曼滤波融合算法,处理所述初始数据,得到目标数据;
所述目标数据包括:所述第一传感器组对应的三轴姿态数据和第二三轴运动传感的器三轴姿态数据;所述三轴姿态数据包括角速度、加速度和旋转角度;
基于所述目标数据,输入预设的评估模型,得到所述头盔的稳定性评估结果。
在一些实施例中,所述预设的评估模型用于:
接收所述目标数据;
基于所述目标数据确定所述头盔的加速度差值测评得分;
基于所述目标数据确定所述头盔的头盔滑移角度测评得分;
基于所述目标数据确定所述头盔的头盔滑移角速度测评得分;
综合所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分,得到所述头盔的稳定性评估结果。
在一些实施例中,所述基于所述目标数据确定所述头盔的加速度差值测评得分包括:
确定在进行预设的测试动作时,第一传感器组对应的加速度和第二传感器组对应的加速度;
计算确定第一传感器组对应的加速度和第二传感器组对应的加速度之间的第一差值;
基于所述第一差值确定所述头盔的加速度差值测评得分;
其中,所述第一差值越大所述加速度差值测评得分越低。
在一些实施例中,基于所述目标数据确定所述头盔的头盔滑移角度测评得分,包括:
确定在进行预设的测试动作时,第一传感器组对应的旋转角度和第二传感器组对应的旋转角度;
计算所述第一传感器组对应的旋转角度和第二传感器组对应的旋转角度的第二差值,其中,所述第二差值为头盔滑移角度;
基于所述头盔滑移角度确定所述滑移角度测评得分;
其中,所述头盔滑移角度越大所述滑移角度测评得分越低。
在一些实施例中,基于所述目标数据确定所述头盔的头盔滑移角速度测评得分,包括:
确定在进行预设的测试动作时,第一传感器组对应的角速度和第二传感器组对应的角速度;
计算所述第一传感器组对应的旋转角度和第二传感器组对应的角速度差异;
基于所述角速度差异确定所述角速度测评得分;
其中,所述角速度差异越大所述角速度测评得分越低。
在一些实施例中,综合所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分,得到所述头盔的稳定性评估结果。
对所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分进行加权累加,得到所述头盔的稳定性评估结果。
在一些实施例中,所述第一传感器组,通过弹力头套和强力魔术,固定在所述测试人员的头部;
所述第二传感器组,通过强力魔术,粘贴固定所述测试人员佩戴的头盔上。
在一些实施例中,所述预设测试动作包括:匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑。
具体的,基于所述目标数据确定所述头盔的加速度差值测评得分,包括:
确定在进行预设的测试动作时,第一传感器组对应的加速度和第二传感器组对应的加速度;计算确定第一传感器组对应的加速度和第二传感器组对应的加速度之间的第一差值;基于所述第一差值确定所述头盔的加速度差值测评得分;其中,所述第一差值越大所述加速度差值测评得分越低。
在一些实施例中,具体测试时,所述匍匐前进距离至少10m,左侧360°翻滚,右侧360°翻滚,奔跑速度不低于3.62m/s,奔跑距离不少于50m,所有动作重复测量3次。
具体计算方式如下:可以优先确定组数据的平均值,三次测量得到的加速度的平均值为:每次测量结构累加之后除以3。
之后计算加速度差值具体的额,计算公式如下:
其中,是头部加速度在X,Y,Z三个轴上的加速度值,/> 是头盔在同一时刻下的加速度值。d为加速度差值。
根据实践经验和文献研究,可以将追随性等级分为4个等级:优秀(10分)、良好(8分)、一般(6)、较差(4分)。对于每个等级,可以设定相应的阈值:优秀(即:加速度差值测评得分为10分)对应于D≤0.02g;良好((即:加速度差值测评得分为8分)对应于0.02g<D≤0.05g;一般(即:加速度差值测评得分为6分)对应于0.05g<D≤0.08g、较差(即:加速度差值测评得分为4分)对应于0.08g<D。
具体的,基于所述目标数据确定所述头盔的头盔滑移角度测评得分包括:
确定在进行预设的测试动作时,第一传感器组对应的旋转角度和第二传感器组对应的旋转角度;计算所述第一传感器组对应的旋转角度和第二传感器组对应的旋转角度的第二差值,其中,所述第二差值为头盔滑移角度;基于所述头盔滑移角度确定所述滑移角度测评得分;其中,所述头盔滑移角度越大所述滑移角度测评得分越低。
具体的,分别记录头部和头盔在三个方向(X,Y,Z)上的旋转角度,通常用陀螺仪输出的角速度积分得到。将头部和头盔的旋转角度差作为头盔相对于头部的旋转角度,表示头盔相对于头部的旋转情况。根据头盔相对于头部的旋转角度计算头盔的滑移程度。具体来说,可以采用以下公式计算头盔滑移角度(SMA):
其中,Δθx,Δθy,Δθz分别表示头盔相对于头部在X,Y,Z三个方向上的旋转角度差,可以基于目标数据进行确定。
根据头盔滑移角度的大小,将头盔佩戴稳定性分为4个不同等级:
级别1:SMA≤5°,表示头盔非常稳定,佩戴舒适,优秀(对应于头盔滑移角度测评得分为10分的情况)。
级别2:5°<SMA≤10°,表示头盔略有滑移,但佩戴仍然比较舒适,良好(对应于头盔滑移角度测评得分为8分的情况)。
级别3:10°SMA≤15°,表示头盔滑移比较明显,佩戴不舒适,安全性可能受到影响,一般(对应于头盔滑移角度测评得分为6分的情况)。
级别4:SMA>15°,表示头盔滑移比较明显,佩戴不舒适,安全性可能受到影响,较差(对应于头盔滑移角度测评得分为4分的情况)。
基于所述目标数据确定所述头盔的头盔滑移角速度测评得分;具体包括:确定在进行预设的测试动作时,第一传感器组对应的角速度和第二传感器组对应的角速度;计算所述第一传感器组对应的旋转角度和第二传感器组对应的角速度差异;基于所述角速度差异确定所述角速度测评得分;其中,所述角速度差异越大所述角速度测评得分越低。
具体的,包括:收集头部三轴角速度数据和头盔三轴角速度数据。计算头部和头盔在三个轴向上的角速度差异。分别对三个轴向的角速度差异进行统计分析,分别计算均值、方差、标准差等指标。评估等级的划分:
根据三个轴向上的角速度差异,可将头盔佩戴的稳定性划分为以下等级:
优秀:三个轴向上的角速度差异均小于0.5度/秒,优秀(对应于头盔滑移角速度测评得分为10分的情况)。
良好:三个轴向上的角速度差异均小于1度/秒,良好(对应于头盔滑移角速度测评得分为8分的情况)。
一般:三个轴向上的角速度差异均小于2度/秒,一般(对应于头盔滑移角速度测评得分为6分的情况)。
较差:三个轴向上的角速度差异均大于2度/秒,较差(对应于头盔滑移角速度测评得分为4分的情况)。
在一些实施例中,综合所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分,得到所述头盔的稳定性评估结果,包括:
对所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分进行加权累加,得到所述头盔的稳定性评估结果。
具体的,可以综合考虑所述加速度差值测评得分、所述头盔滑移角度测评得分和所述头盔滑移角速度测评得分,各赋权重为0.4,0.3,0.3,得出头盔佩戴稳定性综合评判结果,即:头盔佩戴稳定性综合评判结果=0.4D+0.3SMA+0.3M。其中,M为三个轴向上的角速度差异最大的一个。
在一些实施例中,用户可以在测试区域中选择匍匐前进,左右翻滚,奔跑三个动作并输入测试次数,然后清零,并点击开始按钮开始测试。测试过程中,用户需要按照要求完成动作,测试结束后点击结束按钮停止测试。用户可以在测试结束后选择评估结果。评估结果包括优良中差四个等级,用户选择后系统会将评估结果保存在评估区域中。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种头盔佩戴稳定性的测试方法,其特征在于,包括:
S1,利用运动传感器,获取头盔用户的预设动作测量数据信息;所述运动传感器,包括设置于头盔用户头部的第一传感器组和设置于头盔的第二传感器组;所述第一传感器组,包括第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;所述第二传感器组,包括第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;
S2,对所述预设动作测量数据信息进行预处理,得到目标运动数据信息;
S3,利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值;
所述头盔用户的预设动作,包括头盔用户的匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
所述利用运动传感器,获取头盔用户的预设动作测量数据信息,包括:
S11,利用第一传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头部运动信息进行采集,得到头部测量数据Xijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头部测量数据Xijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第一传感器组中的第i个传感器,所测量得到的头盔用户的头部测量数据;i表示第一传感器组中的传感器编号,i=1,2,3,4时,分别表示第一三轴运动传感器、第一加速度传感器、第一角速度传感器和第一角度传感器;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
S12,对所有头部测量数据进行融合处理,得到第一动作测量张量X;所述第一动作测量张量X,由所有Xijk构成;
S13,利用第二传感器组,按照预设采样时间间隔T,对头盔用户在所有预设动作下的头盔运动信息进行采集,得到头盔测量数据Yijk;其中,i的取值集合为[1,2,3,4],j的取值集合为[1,2,…,N],N表示采样时刻数目,k的取值集合为[1,2,3,4];所述头盔测量数据Yijk,表示头盔用户进行第k个预设动作时,在第j个采样时刻,利用第二传感器组中的第i个传感器,所测量得到的头盔用户的头盔测量数据;i表示第二传感器组中的传感器编号,i=1,2,3,4时,分别表示第二三轴运动传感器、第二加速度传感器、第二角速度传感器和第二角度传感器;j=1,2,…,N,N表示采样时刻数目;k表示预设动作编号,k=1,2,3,4时,分别表示匍匐前进、左侧360°翻滚、右侧360°翻滚和奔跑;
S14,对所有头盔测量数据进行融合处理,得到第二动作测量张量Y;所述第二动作测量张量Y,由所有Yijk构成;
S15,对所述第一动作测量张量X和第二动作测量张量Y进行融合处理,得到头盔用户的预设动作测量数据信息。
2.如权利要求1所述的头盔佩戴稳定性的测试方法,其特征在于,所述对所述预设动作测量数据信息进行预处理,得到目标运动数据信息,包括:
S201,从第一动作测量张量X中,提取得到第一传感器组的各个传感器的头部测量数据;第一传感器组的各个传感器的头部测量数据,包括第一三轴运动传感器的头部位置测量数据、第一加速度传感器的头部加速度测量数据、第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据;
S202,利用运动参数估计模型,对所述第一三轴运动传感器的头部位置测量数据进行计算处理,得到头部运动参数估计值;所述头部运动参数估计值,包括所有预设动作下,头部加速度估计值、头部角速度估计值和头部角度估计值;
S203,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头部加速度估计值和第一加速度传感器的头部加速度测量数据进行计算处理,得到直线运动一致性判别值;
S204,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头部加速度估计值,对所述第一加速度传感器的头部加速度测量数据进行替换;利用替换后的第一加速度传感器的头部加速度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第一动作测量张量X进行处理;
S205,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头部角度估计值,与第一角度传感器的头部角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头部角度估计值,对所述第一角度传感器的头部角度测量数据进行替换,利用所述头部角速度估计值,对所述第一角速度传感器的头部角速度测量数据进行替换;分别利用替换后的第一角速度传感器的头部角速度测量数据和第一角度传感器的头部角度测量数据,对第一动作测量张量X中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第一动作测量张量X进行处理;
S206,从第二动作测量张量Y中,提取得到第二传感器组的各个传感器的头盔测量数据;第二传感器组的各个传感器的头盔测量数据,包括第二三轴运动传感器的头盔位置测量数据、第二加速度传感器的头盔加速度测量数据、第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据;
S207,利用运动参数估计模型,对所述第二三轴运动传感器的头盔位置测量数据进行计算处理,得到头盔运动参数估计值;所述头盔运动参数估计值,包括所有预设动作下,头盔加速度估计值、头盔角速度估计值和头盔角度估计值;
S208,对于匍匐前进动作和奔跑动作,分别利用直线运动一致性判别模型,对相同采样时刻的头盔加速度估计值和第二加速度传感器的头盔加速度测量数据进行计算处理,得到直线运动一致性判别值;
S209,若所述直线运动一致性判别值大于等于预设直线判别阈值,利用所述头盔加速度估计值,对所述第二加速度传感器的头盔加速度测量数据进行替换;利用替换后的第二加速度传感器的头盔加速度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述直线运动一致性判别值小于预设直线判别阈值,不对第二动作测量张量Y进行处理;
S210,对于左侧360°翻滚动作和右侧360°翻滚动作,分别利用圆周运动一致性判别模型,对相同采样时刻的头盔角度估计值,与第二角度传感器的头盔角度测量数据进行计算处理,得到圆周运动一致性判别值;
若所述圆周运动一致性判别值小于等于预设圆周判别阈值,利用所述头盔角度估计值,对所述第二角度传感器的头盔角度测量数据进行替换,利用所述头盔角速度估计值,对所述第二角速度传感器的头盔角速度测量数据进行替换;分别利用替换后的第二角速度传感器的头盔角速度测量数据和第二角度传感器的头盔角度测量数据,对第二动作测量张量Y中的对应数据进行更新;
若所述圆周运动一致性判别值大于等于预设圆周判别阈值,不对第二动作测量张量Y进行处理;
S211,对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量;
S212,对所述头部运动张量和头盔运动张量进行融合处理,得到目标运动数据信息。
3.如权利要求2所述的头盔佩戴稳定性的测试方法,其特征在于,所述运动参数估计模型,其表达式为:
其中,(xj0,yj0,zj0)、(xj1,yj1,zj1)、(xj2,yj2,zj2)分别为第j0采样时刻、第j1采样时刻、第j2采样时刻,在某预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的三维位置测量数据;(axj1,ayj1,azj1)分别为第j1采样时刻,在所述预设动作下,对头部或头盔的x轴、y轴和z轴的加速度估计值;分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角和俯仰角的估计值;/>分别为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角速度和俯仰角速度的估计值。
4.如权利要求3所述的头盔佩戴稳定性的测试方法,其特征在于,所述直线运动一致性判别模型,其表达式为:
其中,k1和k2分别为直线运动一致性判别模型的第一归一化系数和第二归一化系数,(ax′j1,ay′j1,az′j1)分别为第j1采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的加速度测量数据,M为头盔用户的重量值,γj1为第j1采样时刻的直线运动一致性判别值。
5.如权利要求4所述的头盔佩戴稳定性的测试方法,其特征在于,所述圆周运动一致性判别模型,其表达式为:
其中,(xj,yj,zj)为第j采样时刻,在所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的x轴、y轴和z轴的位置坐标值;θj′为在第j采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的方位角值;θj为第j采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;为在第j1采样时刻,所述预设动作下,利用第一加速度传感器测量得到的头部的,或者利用第二加速度传感器测量得到的头盔的俯仰角值;/>为第j1采样时刻,在所述预设动作下,对头部或头盔的俯仰角的估计值;χj1为第j1采样时刻的圆周运动一致性判别值。
6.如权利要求5所述的头盔佩戴稳定性的测试方法,其特征在于,所述对第一动作测量张量和第二动作测量张量,分别进行联合误差补偿处理,得到头部运动张量和头盔运动张量,包括:
S2111,在每一采样时刻,对利用所述第一三轴运动传感器的头部位置测量数据所得到的头部运动参数估计值,与第一动作测量张量中的对应头部测量数据,进行三维误差判别,得到头部误差判别结果;
S2112,根据所述头部误差判别结果,对所述第一动作测量张量进行补偿处理,得到头部运动张量;
S2113,在每一采样时刻,对利用所述第二三轴运动传感器的头盔位置测量数据所得到的头盔运动参数估计值,与第二动作测量张量中的对应头盔测量数据,进行三维误差判别,得到头盔误差判别结果;
S2114,根据所述头盔误差判别结果,对所述第二动作测量张量进行补偿处理,得到头盔运动张量。
7.如权利要求6所述的头盔佩戴稳定性的测试方法,其特征在于,所述三维误差判别,是利用判别表达式,得到头盔或头部的误差判别结果;当所述三维误差判别的判别表达式均满足时,确定头盔或头部误差判别结果为满足误差要求;当所述三维误差判别的判别表达式不均满足时,确定头盔或头部误差判别结果为不满足误差要求;
所述三维误差判别的判别表达式为:
|θj1-θ′j1|≤e2,
其中,θ′j1为在第j1采样时刻,所述预设动作下,利用第一角度传感器测量得到的头部、或利用第二角度传感器测量得到的头盔的方位角值;θj1为第j1采样时刻,在所述预设动作下,对头部或头盔的方位角的估计值;e1、e2、e3、e4,均为误差判别阈值。
8.如权利要求6所述的头盔佩戴稳定性的测试方法,其特征在于,所述根据所述头部或头盔误差判别结果,对所述第一动作测量张量或第二动作测量张量进行补偿处理,得到头部或头盔运动张量,包括:
当得到的头盔或头部误差判别结果为满足误差要求时,不对第一动作测量张量或第二动作测量张量进行更新;
当得到的头部误差判别结果为不满足误差要求时,对第一动作测量张量的对应头部测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第一动作测量张量的所述头部测量数据进行更新,从而实现对所述第一动作测量张量的更新;
当得到的头盔误差判别结果为不满足误差要求时,对第二动作测量张量的对应头盔测量数据的前一采样时刻和后一采样时刻的测量数据,求取平均值,利用所述平均值,对第二动作测量张量的所述头盔测量数据进行更新,从而实现对所述第二动作测量张量的更新;
对所有不满足误差要求的头部或头盔误差判别结果,按照上述步骤实现对所述第一动作测量张量或第二动作测量张量的更新后,将更新后的第一动作测量张量,作为头部运动张量,将更新后的第二动作测量张量,作为头盔运动张量。
9.如权利要求2所述的头盔佩戴稳定性的测试方法,其特征在于,所述利用头盔稳定性评估模型,对所述目标运动数据信息进行处理,得到头盔佩戴稳定性测试值,包括:
S31,对所述头部运动张量进行范数计算,得到第一范数值;
S32,计算得到所述头部运动张量和头盔运动张量的差张量,并计算所述差张量的范数平方,得到第二范数值;
S33,以第一范数值为基准量,对第二范数值进行归一化处理,得到头盔佩戴稳定性测试值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759724.3A CN116773173B (zh) | 2023-06-26 | 2023-06-26 | 一种头盔佩戴稳定性的测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759724.3A CN116773173B (zh) | 2023-06-26 | 2023-06-26 | 一种头盔佩戴稳定性的测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116773173A CN116773173A (zh) | 2023-09-19 |
CN116773173B true CN116773173B (zh) | 2024-01-16 |
Family
ID=87992667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310759724.3A Active CN116773173B (zh) | 2023-06-26 | 2023-06-26 | 一种头盔佩戴稳定性的测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116773173B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2572348Y (zh) * | 2002-10-14 | 2003-09-10 | 中国人民解放军总后勤部军需装备研究所士兵系统研究中心 | 军用头盔俯仰运动跟随稳定性测试装置 |
RU2008137999A (ru) * | 2008-09-25 | 2010-03-27 | Открытое акционерное общество "ДАС" (RU) | Стенд для определения защитных свойств бронешлемов |
CN103048069A (zh) * | 2013-01-15 | 2013-04-17 | 中国人民解放军总后勤部军需装备研究所 | 一种头盔适戴性测试评价系统 |
CN216875218U (zh) * | 2022-03-29 | 2022-07-05 | 北京骑胜科技有限公司 | 头盔和两轮车 |
CN115046754A (zh) * | 2022-07-04 | 2022-09-13 | 公安部第一研究所 | 一种警用头盔牢固度灵活度专用测试装置 |
CN115575111A (zh) * | 2022-10-10 | 2023-01-06 | 北京石油化工学院 | 一种同时测定单兵头盔舒适度及稳定性的实验装置 |
CN116124439A (zh) * | 2023-04-13 | 2023-05-16 | 国家体育总局体育科学研究所 | 一种研究滑雪头盔压力测量及贴合舒适性的系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9456648B2 (en) * | 2015-01-20 | 2016-10-04 | Elwha Llc | Systems and methods for helmet liner evaluation |
-
2023
- 2023-06-26 CN CN202310759724.3A patent/CN116773173B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2572348Y (zh) * | 2002-10-14 | 2003-09-10 | 中国人民解放军总后勤部军需装备研究所士兵系统研究中心 | 军用头盔俯仰运动跟随稳定性测试装置 |
RU2008137999A (ru) * | 2008-09-25 | 2010-03-27 | Открытое акционерное общество "ДАС" (RU) | Стенд для определения защитных свойств бронешлемов |
CN103048069A (zh) * | 2013-01-15 | 2013-04-17 | 中国人民解放军总后勤部军需装备研究所 | 一种头盔适戴性测试评价系统 |
CN216875218U (zh) * | 2022-03-29 | 2022-07-05 | 北京骑胜科技有限公司 | 头盔和两轮车 |
CN115046754A (zh) * | 2022-07-04 | 2022-09-13 | 公安部第一研究所 | 一种警用头盔牢固度灵活度专用测试装置 |
CN115575111A (zh) * | 2022-10-10 | 2023-01-06 | 北京石油化工学院 | 一种同时测定单兵头盔舒适度及稳定性的实验装置 |
CN116124439A (zh) * | 2023-04-13 | 2023-05-16 | 国家体育总局体育科学研究所 | 一种研究滑雪头盔压力测量及贴合舒适性的系统 |
Non-Patent Citations (1)
Title |
---|
混杂结构复合材料防弹性能研究;李伟萍等;兵工学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116773173A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106949936B (zh) | 利用双目视觉位移监测系统分析输电塔结构模态的方法 | |
Sharf et al. | Arithmetic and geometric solutions for average rigid-body rotation | |
JP2013056074A (ja) | スイング分析方法 | |
Wang et al. | Swimming motion analysis and posture recognition based on wearable inertial sensors | |
CN109063242B (zh) | 一种基于粒子群算法的制导工具误差辨识方法 | |
CN106662443A (zh) | 用于垂直轨迹确定的方法和系统 | |
CN110702113B (zh) | 基于mems传感器的捷联惯导系统数据预处理和姿态解算的方法 | |
CN108492324A (zh) | 基于全连接网络和卡尔曼滤波器的飞机追踪方法 | |
CN110160522A (zh) | 一种基于稀疏特征法的视觉惯导里程计的位姿估计方法 | |
JP2014149211A (ja) | オフセット推定装置及びプログラム | |
CN111623703A (zh) | 一种基于新型卡尔曼滤波的北斗变形监测实时处理方法 | |
CN115479602A (zh) | 一种融合事件与距离的视觉惯性里程计方法 | |
EP2508915A2 (en) | System, method, and filter for target tracking in cartesian space | |
CN116773173B (zh) | 一种头盔佩戴稳定性的测试方法 | |
CN107146223A (zh) | 一种输电塔及输电线位移耦合的分析系统及方法 | |
CN104075710B (zh) | 一种基于航迹预测的机动扩展目标轴向姿态实时估计方法 | |
Xu et al. | A soft sensor for estimating tire cornering properties for intelligent tires | |
CN106126801A (zh) | 滚动轴承摩擦力矩参数不确定度评估方法 | |
CN110013642B (zh) | 智能石锁的运动状态确定方法、确定系统及相应装置 | |
US10561901B2 (en) | Method of evaluating stability of golf swing | |
CN114091180B (zh) | 基于飞行数据的扰动风定制化建模和大气数据估计方法 | |
CN110245924B (zh) | 一种有效工时的确定方法 | |
CN111637894B (zh) | 一种定常系数陆标图像导航滤波方法 | |
Dang et al. | Neck flexion angle estimation during walking | |
CN116358564B (zh) | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |