JP6894946B2 - 運動検出方法、装置、機器及び媒体 - Google Patents

Description

本発明の実施例は、移動運搬体検出技術分野に関し、特に運動検出方法、装置、機器及び媒体に関する。

従来のナビゲーションソフトウェアは、グローバル・ポジショニング・システム（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ、ＧＰＳ）の位置決め点又はネットワークの位置決め点の座標位置変化に依存して、移動運搬体位置と移動運搬体の運動状態を更新する。

ただし、室内、高所又は高層ビル領域などの障害物がある場合は、ＧＰＳ位置決め点で位置ドリフトが起こることがよくある。ｗｉｆｉ及び基地局に基づくネットワーク位置決めでは、信号を覆うことができないか、又は信号が弱いため、ネットワーク位置決め点によって与えられる座標位置がずれる場合がある。

この場合、位置決め点の情報に基づいて、移動運搬体の運動状態を正確に決定することができない。

本発明の実施例は、運動検出方法、装置、機器及び媒体を提供し、移動運搬体の運動状態の正確な決定を実現する。

第１の態様において、本発明の実施例は、運動検出方法を提供し、当該方法は、予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされる場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとするステップと、収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力するステップと、を含む。

第２の態様において、本発明の実施例は、運動検出装置をさらに提供し、当該装置は、予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされる場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとするための検証モジュールと、収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力するための予測モジュールと、を含む。

第３の態様において、本発明の実施例は、機器をさらに提供し、前記機器は、一つ又は複数のプロセッサと、一つ又は複数のプログラムを記憶するための記憶装置と、機器の加速度を検出するための加速度検出器と、を含み、前記一つ又は複数のプログラムが前記一つ又は複数のプロセッサにより実行される場合に、前記一つ又は複数のプロセッサは、本発明の実施例のいずれかに記載の運動検出方法を実現する。

第４の態様において、本発明の実施例は、コンピュータプログラムが記憶されているコンピュータ読み取り可能な記憶媒体をさらに提供し、当該プログラムがプロセッサにより実行される場合に、本発明の実施例のいずれかに記載の運動検出方法を実現する。

本発明の実施例は、移動運搬体におけるスマートデバイスの加速度と予測モデルに基づいて、前記移動運搬体の予測運動状態を決定するため、移動運搬体の運動状態に対する予測を実現する。

スマートデバイスの位置又は状態が異なる場合には、対応する予測モデルも異なる。したがって、移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、決定された予測モデルがスマートデバイスの現在の位置と姿勢に適用できることを保証するため、移動運搬体の運動状態の予測精度を向上させる。

本発明の実施例１により提供される運動検出方法のフローチャートである。 本発明の実施例２により提供される運動検出方法のフローチャートである。 本発明の実施例３により提供される運動検出方法のフローチャートである。 本発明の実施例４により提供される運動検出方法のフローチャートである。 本発明の実施例５により提供される運動検出装置の概略構成図である。 本発明の実施例６により提供される機器の概略構成図である。

以下、図面と実施例とを組み合わせて、本発明についてさらに詳しく説明する。なお、ここで説明される具体的な実施例は、単に本発明を解釈するためのものであり、本発明を限定するものではない。また、説明の便宜上、図面には、すべての構成ではなく、本発明に係る部分のみが示されている。

（実施例１）
図１は、本発明の実施例１により提供される運動検出方法のフローチャートである。本実施例は、移動運搬体におけるスマートデバイスの加速度に基づいて、移動運搬体の動作状態を予測する場合に適用することができる。典型的には、移動運搬体は、車両であってもよく、スマートデバイスは、当該車両を地図にナビゲーションする携帯電話であってもよい。当該方法は、運動検出装置によって実行することができ、当該装置は、ソフトウェア及び／又はハードウェアの形式で構成することができる。典型的には、当該装置は、上記のスマートデバイスであってもよい。図１を参照し、本実施例により提供される運動検出方法は、以下のようなステップを含む。

ステップＳ１１０：移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとする。

そのうち、移動運搬体は、例えば、車両、船及び飛行機などのような任意の移動可能なキャリアであってもよい。本実施例は、これらに何の制限もない。

選択可能に、スマートデバイスは、携帯電話、タブレットコンピュータ及び車載端末などであってもよい。

スマートデバイスの現在の姿勢は、従来技術の姿勢決定方法のうちいずれかによって決定することができる。

具体的には、スマートデバイスの現在の姿勢を決定することは、スマートデバイスの加速度の方向と重力の方向との間の角度に基づいて、スマートデバイスの姿勢を決定することを含むことができる。そのうち、スマートデバイスの加速度の方向と重力の方向は、スマートデバイスに設けられている加速度センサーによって決定することができる。典型的には、当該加速度センサーは、３軸加速度センサーである。

前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度は、加速度センサーにより取得することができる。異なる運動状態は、複数のＧＰＳ位置決め点座標位置又は複数のネットワーク位置決め点の座標位置に基づいて決定できる。

例えば、異なる時点の複数のＧＰＳ位置決め点の座標位置が同じである場合、移動運搬体が静止していると決定され、そうでない場合には、移動運搬体が動いていると決定される。隣接する時点の二つのＧＰＳ位置決め点の座標位置がかけ離れている場合には、移動運搬体が高速で動いていると決定され、そうでない場合には、移動運搬体が低速で緩やかに走行していると決定される。

移動運搬体の運動状態は、静止、運動、高速運動又は低速緩行などであってもよい。

ここで、スマートデバイスの加速度とは、取得された移動運搬体に対応する運動状態が信頼できる場合、スマートデバイスの加速度のことである。

具体的には、前記移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証することは、予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされる場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証するステップを含むことができる。

そのうち、予めトレーニングされたモデルに対応する姿勢と移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングしていることは、予めトレーニングされたモデルに対応する姿勢と移動運搬体におけるスマートデバイスの現在の姿勢との間の差が、設定された姿勢の閾値より小さくすることができる。すなわち、予めトレーニングされたモデルに対応する姿勢は、移動運搬体におけるスマートデバイスの現在の姿勢と基本的に同じである。その理由は、スマートデバイスが、さまざまな姿勢でのトレーニングによって取得されたモデルが異なるためである。

予め設定された時間の長さの閾値は、実際のニーズに応じて設定することができ、３秒、又は４秒、又はそれ以上にすることができる。予め設定された時間の長さの閾値の設定は、運動状態が取得される信頼性を保証することができる。ＧＰＳとネットワークフィードバックの位置決め点の位置座標は、ほとんどの時間内で正しい。したがって、予め設定された時間の長さの閾値の時間が長いほど、取得された運動状態の信頼性が高い。例えば、移動運搬体が静止している時間が３秒になると監視された場合、基本的には、当該移動運搬体の運動状態は静止していると決定することができる。

移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して失敗した場合、予測モデルのトレーニングをトリガする。

これによれば、以下の、予めトレーニングされたモデルが現在のスマートデバイスの位置と姿勢に適用できる場合、予めトレーニングされたモデルで、スマートデバイスの加速度に基づいて、車両に対して運動状態の決定を行う。予めトレーニングされたモデルが現在のスマートデバイスの位置と姿勢に適用されない場合、予測モデルのトレーニングをトリガする効果を得ることができる。

ステップＳ１２０：収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力する。

そのうち、当該ステップにおけるスマートデバイスの加速度は、移動運搬体の運動状態の不確定に対応して、運動状態の予測が必要な場合に収集されたスマートデバイスの加速度である。したがって、当該加速度の収集には、移動運搬体が一つの運動状態の時間の長さが予め設定された時間の長さの閾値よりも長く保つ必要がない。

本発明の実施例の技術案は、移動運搬体におけるスマートデバイスの加速度と予測モデルに基づいて、前記移動運搬体の予測運動状態を決定するため、移動運搬体の運動状態に対する予測を実現する。

スマートデバイスの位置又は状態が異なる場合に、対応する予測モデルも異なる。したがって、移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、決定された予測モデルがスマートデバイスの現在の位置と姿勢に適用できることを保証する。

さらに、前記移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証する前に、前記方法は、移動運搬体の異なる運動状態及び前記異なる運動状態におけるスマートデバイスの加速度をトレーニングサンプルとして収集するステップと、設定されたモデルトレーニングアルゴリズムに基づいて、前記トレーニングサンプルでトレーニングして、予めトレーニング済みのモデルを取得し、同時に、前記スマートデバイスの姿勢を前記予めトレーニング済みのモデルに関連するステップと、をさらに含む。

そのうち、設定されたモデルトレーニングアルゴリズムは、例えば、ニューラルネットワークアルゴリズムなどの任意のモデルトレーニングアルゴリズムであってもよい。

トレーニングサンプルにおける移動運搬体の運動状態の信頼性を保証するためには、移動運搬体が一つの運動状態の時間の長さが、設定された時間の長さの閾値より長く保つ必要があり、当該時間内に、当該運動状態に対応する加速度を収集する。

例えば、移動運搬体の運動状態が静止しているサンプルを収集し、設定された時間の長さの閾値が３秒である場合、連続して３秒以内にＧＰＳによりフィードバックされる移動運搬体の運動速度が、いずれも０であることを保証することが必要である。当該３秒以内に収集されたスマートデバイスの加速度を静止サンプルとする。同時に、スマートデバイスの姿勢を決定し、決定された姿勢と利用当該静止サンプルでトレーニングされたモデルを関連付ける。

サンプルデータの精度を向上させるために、前記移動運搬体の異なる運動状態及び前記異なる運動状態におけるスマートデバイスの加速度をトレーニングサンプルとして収集された後、前記方法は、同じモデルをトレーニングするために複数のサンプルを収集する際に、スマートデバイスの姿勢の変化値が設定された姿勢の閾値を超えるか否かを判断し、閾値を超えている場合には、当該サンプルを廃棄する。スマートデバイスの異なる姿勢におけるトレーニングされたモデルが異なるステップをさらに含む。

サンプルデータの精度をさらに向上させるために、前記移動運搬体の異なる運動状態及び前記異なる運動状態におけるスマートデバイスの加速度をトレーニングサンプルとして収集した後、前記方法は、前記トレーニングサンプルをノイズフィルタリングするステップをさらに含む。

そのうち、ノイズは、モデルトレーニングに不利な加速度であり、具体的には、例えば、移動運搬体が路面のくぼみを走行したり、移動運搬体が急加速したり、又は移動運搬体が急カーブしたりなどをする場合に生じる変動が大きい加速度であってもよい。

さらに、前記方法は、モデルトレーニングに失敗した回数が設定された回数の閾値を超えた場合に、モデルトレーニングを放棄するステップをさらに含む。

モデルトレーニングに失敗した場面は、ユーザがスマートデバイスを手で持っている可能性がある。なぜなら、ユーザがスマートデバイスを手で持っている時には、スマートデバイスの姿勢が絶えず変化して、モデルトレーニングが失敗してしまうからである。

（実施例２）
図２は、本発明の実施例２により提供される運動検出方法のフローチャートである。本実施は、上記の実施例に基づいて提供する選択可能な方案である。図２を参照し、本実施例により提供される運動検出方法は、以下のようなステップを含む。

ステップＳ２１０：移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとする。

ステップＳ２２０：収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力する。

ステップＳ２３０：移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定する。

選択可能に、移動運搬体の過去走行速度と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定することができる。

例えば、予測運動状態が静止して、過去３秒間にＧＰＳによりフィードバックされる移動運搬体の位置決め点座標に基づいて決定された速度が、減速傾向を示し、平均速度が、１０キロメートル／秒を超えることができない場合、前記移動運搬体の最終の運動状態は、静止していると決定する。予測運動状態が緩行して、過去３秒間以内に移動運搬体運動の平均速度が１０キロメートル／秒より大きい場合、前記移動運搬体の最終運動状態は、動いていると決定する。

移動運搬体の過去運動状態と前記移動運搬体の予測運動状態に基づいて、前記移動運搬体の最終運動状態を決定することもできる。

例えば、前の２秒の移動運搬体の最終運動状態がいずれも運動であり、現在の１秒の予測運動状態が静止である場合には、前記移動運搬体の最終運動状態を緩行すると決定し、前の２秒の移動運搬体の最終運動状態が運動と静止であり、現在の１秒の予測運動状態が静止である場合、前記移動運搬体の最終の運動状態が静止していると決定し、前の２秒の移動運搬体の最終運動状態がいずれも静止であり、現在の１秒の予測運動状態が運動である場合、前記移動運搬体の最終運動状態を緩行すると決定する。

以上のように、移動運搬体が呈する運動状態が、静止から運動へ移行する場合、現在の１秒の最終運動状態が緩行であると決定し、移動運搬体が呈する運動状態が、連続的に静止である場合、現在の１秒の最終運動状態が静止であると決定し、現在の１秒の予測運動状態が、運動である場合、現在の１秒の最終運動状態は動いていると決定する。

移動運搬体の過去運動状態、過去走行速度と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定することもできる。
本発明の実施例の技術案は、移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するため、移動運搬体の運動状態の決定精度を向上させる。

（実施例３）
図３は、本発明の実施例３により提供される運動検出方法のフローチャートである。本実施は、上記の実施例に基づいて提供する選択可能な方案である。図３を参照し、本実施例により提供される運動検出方法は、以下のようなステップを含む。

ステップＳ３１０：移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとする。

ステップＳ３２０：収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力する。

Ｓ３３０、移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整する。

具体的には、前記移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整するステップは、現在の時点の移動運搬体の位置決め座標位置が第１位置であり、次の時点の前記移動運搬体の位置決め座標位置でも依然として第１位置であり、前記移動運搬体の現在の時点と次の時点での予測運動状態がいずれも運動である場合、前記移動運搬体の次の時点での位置決め座標位置を第１位置の次の位置に調整するステップ、又は異なる時点の移動運搬体の予測運動状態がいずれも静止である場合、前記移動運搬体の前記異なる時点での位置決め座標位置を同じに保つステップを含む。

そのうち、第１位置の次の位置は、既に決定されたナビゲーション路径に基づいて決定することができる。

本発明の実施例の技術案は、移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整するため、移動運搬体位置の正確な決定を実現し、移動運搬体の位置ドリフトを避けることができる。

（実施例４）
図４は、本発明の実施例４により提供される運動検出方法のフローチャートである。

本実施は、上記の実施例に基づいて、スマートデバイスをナビゲーション携帯電話とし、移動運搬体を車両として、運動状態を静止又は運動とすることを例として、選択可能な方案を提供する。図４を参照し、本実施例により提供される運動検出方法は、サンプルが自動的に収集されるステップを含む。

そのうち、各グループのサンプルは、加速度と姿勢とで構成される。そのうちの加速度は、ｘｙｚの三つの方向の加速度値を含むことができる。当該三つの方向の加速度値は、携帯電話の３軸加速度センサーにより取得することができる。サンプルの収集頻度と収集時間は、実際のニーズに応じて設定することができる。

各サンプルには、携帯電話を置く場合の姿勢を示す姿勢属性が同時に存在する。姿勢が変わるとモデルも無効にすることができる。姿勢は、加速度のｘｙｚの三つの方向と重力の方向の間の角度によって決定される。

具体的には、サンプル収集ステップは、ＧＰＳ基づいて決定された車両の速度値が０又は設定された静止サンプルの速度の閾値より小さい場合、運動状態が静止しているサンプルの収集を開始する。収集プロセスは３秒間続き、連続した３秒以内に車両運動状態が静止を保てば、収集に成功したとする。３秒以内に車両運動状態が変化した場合には、今回の収集は、失敗したとし、次回トリガされることを待機するステップを含むことができる。

具体的には、サンプルにより収集されたトリガ条件は、実際のニーズに応じて設定することができる。

ＧＰＳ基づいて決定された車両の速度値が、設定された運動サンプル速度の閾値範囲以内にある場合には、車両運動状態が動いているというサンプルの収集を開始し、収集プロセスは、３秒間続き、連続した３秒以内に車両運動状態が静止を保てば、収集に成功したとする。３秒以内に車両運動状態が変化した場合、今回の収集は、失敗したとし、次回のトリガを待つ。

車両が運動状態にあるときに車両速度の制限は、大きすぎてならない。車両運動速度が速すぎると、加速センサーが収集した加速度の揺れが大きくなるため、後のモデルのトレーニングに不利である。

収集されたサンプルをデータ前処理する。

収集された車両運動状態が静止している時のサンプルの平均値と範囲（ｒａｎｇｅ）を決定し、設定された範囲内にあるかどうかを判断して、収集された静止サンプルの有効性を検証する。理想的には、車両運動状態が静止している時にサンプルの加速度は、０になる。

収集された、車両運動状態が動いている時のサンプルをノイズフィルタリングし、路面のくぼみ、急加速又は急カーブなどのランダム干渉を除去し、路面の正常的な揺れのサンプルのみを保留にする。

車両の静止時間に対して車両の運動時間は長いため、ランダム干渉が多すぎる場合の車両運動状態で動いている時のサンプルを、廃棄して再収集することができる。

３秒以内に連続して収集された車両運動状態を、動いている時のサンプル間の姿勢変化値が、設定された姿勢の閾値より大きいかどうかにより決定する。その場合には、当該サンプルを廃棄する。

トレーニングするための同じモデルの車両運動状態を、動いている時のサンプルと車両運動状態が静止している時のサンプルとの間の平均姿勢差により決定するが、上記の設定された姿勢の閾値を超えないこととすることができない。

ニューラルネットワークに基づいて、データ前処理されたサンプルでモデルトレーニングする。

そのうち、トレーニング誤差は、設定された範囲内にあることを要求し、アンダーフィッティング又はオーバーフィッティングを避ける。

モデルの反復回数は、設定された反復回数以内となるように制御して、大量の計算を避ける。設定された反復回数を超えるとサンプルが理想的ではないことを示し、サンプルを再収集して、再収集されたサンプルで再トレーニングすることができる。

モデルの構成は、ネットワーク構造と重みパラメータの二つの部分を含む。モデル及び対応する姿勢は、使用する時に検証できるように、永続的に保存する必要がある。毎回使用するときに前回のモデルをデフォルトでロードし、検証後にモデルを有効にすることができる。

モデルトレーニングの失敗回数が、設定されたトレーニング回数の閾値を超えた場合、モデルトレーニングを行わないこととする。

車両における携帯電話の現在の姿勢と、前記車両が静止又は運動があるときの前記携帯電話の加速度とに基づいて、予めトレーニングされたモデルを検証する。

現場でサンプルを収集してモデルをトレーニングするため、モデルトレーニングが完了した後、予測が実際に使用される場合、ユーザが携帯電話の位置と姿勢を変える可能性がある。携帯電話の位置と姿勢の変化は、予測の正確性に影響する。したがって、モデルを検証する必要がある。検証は、サイレントで行われる（すなわち、バックグラウンドで実行される）ので、ユーザは、知覚していない。

ＧＰＳ位置決め点の位置ドリフトによる検証エラーを避けるため、検証がトリガされた後少なくとも１秒間隔で、車両が静止又は運動を保つ時間の長さが３秒より長い時間間隔で、携帯電話の加速度を収集して、モデルの検証が開始される。

車両が静止又は運動を保つときに各１回ずつ検証する必要があり、いずれも検証に成功すれば、モデルは、有効である（つまり、当該モデルを予測モデルとする）。検証の失敗回数を設定し、連続的に検証に失敗した場合には、モデルのトレーニングを再開する。

２回目の検証から、検証成功回数を設定して連続的に検証に成功した場合、モデルは、有効となる。

検証に成功すれば、モデルファイルをローカルに保存する。

車両における携帯電話の現在の姿勢とモデルに対応する姿勢との間の差が、設定された姿勢の閾値より大きいことが検出された場合、モデルは無効になる。

検証されたモデルで予測を行う。

具体的には、車両が静止又は運動を保つ短時間（例えば、１秒）以内に、携帯電話の加速度を収集することができる。収集された前記スマートデバイスの加速度を検証されたモデルに入力して、車両の予測運動状態を出力する。

車両運動状態の予測精度を向上させるため、現在の１秒の予測運動状態の出力を、前の数秒の予測運動状態を組み合わせて、総合的に判断した結論を出力する。

毎回予測した後、予測運動状態に基づいて位置決め点の位置座標を組み合わせて、車両の走行速度を決定する。決定された車両走行速度に基づいてモデルの正確性を統計する。

車両運動状態の予測精度を向上させるため、車両の過去の走行速度を組み合わせて、車両の現在の予測運動状態を決定する。

ＧＰＳ位置決め点とネットワーク位置決め点が信頼できない場合、本発明の実施例の携帯電話センサーの元のデータで、車両が現在に静止しているか運動があるかを予測し、車両が実際に駐車している場合に、携帯電話ソフトウェア上の車両位置決め点が位置ドリフトなどの悪い体験の問題が発生することを避ける。

なお、本実施例の技術的教示により、当業者は、上記の実施例に説明した任意の実施形態を組み合わせて、移動運搬体の運動状態の決定を実現する動機付けがある。

（実施例５）
図５は、本発明の実施例５により提供される運動検出装置の概略構成図である。本実施例は、上記の実施例に基づいて選択可能な方案を提供する。図５を参照すると、本実施例により提供される運動検出装置は、検証モジュール１０と、予測モジュール２０と、を含む。

そのうち、検証モジュール１０は、移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとする。

予測モジュール２０は、収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力する。

本発明の実施例の技術案は、移動運搬体におけるスマートデバイスの加速度と予測モデルに基づいて、前記移動運搬体の予測運動状態を決定するため、移動運搬体の運動状態に対する予測を実現する。

スマートデバイスの位置又は状態が異なる場合、対応する予測モデルも異なる。したがって、移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証し、決定された予測モデルがスマートデバイスの現在の位置と姿勢に適用できることを保証するため、移動運搬体の運動状態の予測精度を向上させる。

前記検証モジュールは、検証ユニットをさらに含む。

そのうち、検証ユニットは、予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされた場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証する。

さらに、前記装置は、状態決定モジュールをさらに含む。

そのうち、状態決定モジュールは、前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定する。

前記状態決定モジュールは、状態決定ユニットをさらに含む。

そのうち、状態決定ユニットは、移動運搬体の過去走行速度及び／又は過去運動状態と、前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定する。

さらに、前記装置は、位置調整モジュールをさらに含む。

そのうち、位置調整モジュールは、前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整する。

さらに、前記位置調整モジュールは、位置調整ユニットを含む。

そのうち、位置調整ユニットは、現在の時点の移動運搬体の位置決め座標位置が第１位置であり、次の時点の前記移動運搬体の位置決め座標位置でも依然として第１位置であり、前記移動運搬体の現在の時点と次の時点での予測運動状態がいずれも運動である場合、前記移動運搬体の次の時点での位置決め座標位置を第１位置の次の位置に調整するか、又は、異なる時点の移動運搬体の予測運動状態がいずれも静止である場合、前記移動運搬体の前記異なる時点での位置決め座標位置を同じに保つ。

（実施例６）
図６は、本発明の実施例６により提供される機器の概略構成図である。図８は、本発明の実施形態を実現するための例示的な機器１２のブロック図を示している。図６に示されるコンピュータ機器１２は、単なる一例であり、本発明の実施例の機能及び使用範囲について一切限定しない。

図６に示すように、機器１２は、汎用コンピューティングデバイスの形態で示されている。機器１２の構成要素は、１つ又は複数のプロセッサ又は処理ユニット１６と、システムメモリ２８と、異なるシステムの構成要素（システムメモリ２８と処理ユニット１６とを含む）を接続するバス１８と、機器の加速度を検出するための加速度検出器と、を含むが、これらに限定されない。典型的には、当該加速度検出器は、３軸加速度センサーであってもよい。

バス１８は、メモリバス又はメモリコントローラ、周辺バス、アクセラレーテッドグラフィックスポート、プロセッサ、又は多様なバス構造のいずれかのバス構造を使用するローカルバスを含む、いくつかのタイプのバス構造のうちの１つ又は複数を表す。例えば、これらのアーキテクチャは、インダストリスタンダードアーキテクチャ（ＩＳＡ）バス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、拡張ＩＳＡバス、ビデオエレクトロニクススタンダーズアソシエーション（ＶＥＳＡ）ローカルバス、及びペリフェラルコンポーネントインターコネクト（ＰＣＩ）バスを含むが、これらに限定されない。

機器１２は、通常、複数種類のコンピュータシステム読み取り可能な媒体を含む。これらの媒体は、揮発性媒体及び不揮発性媒体、リムーバブル媒体及びノンリムーバブル媒体を含む、機器１２によってアクセスされ得る任意の使用可能な媒体であってもよい。

システムメモリ２８は、ランダムアクセスメモリ（ＲＡＭ）３０及び／又はキャッシュメモリ３２のような揮発性メモリの形態のコンピュータシステム読み取り可能な媒体を含むことができる。機器１２は、他のリムーバブル／ノンリムーバブル、揮発性／不揮発性コンピュータシステム記憶媒体をさらに含むことができる。例だけであるが、ストレージシステム３４は、ノンリムーバブル、不揮発性磁気媒体（図８に図示せず、通常「ハードディスク運転」と称する）に対して読み出し及び書き込みをするために用いることができる。図８に示されていないが、リムーバブル不揮発性磁気ディスク（例えば、「フロッピーディスク」）に対して読み出し及び書き込みをするための磁気ディスク運転、及びリムーバブル不揮発性光学ディスク（例えば、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ又は他の光学媒体）に対して読み出し及び書き込みをするための光ディスク運転を提供することができる。これらの場合、各運転は、１つ又は複数のデータメディアインターフェイスを介してバス１８に接続することができる。メモリ２８は、本発明の各実施例に記載の機能を実行するように構成される１セットの（例えば、少なくとも１つ）プログラムモジュールを有する少なくとも１つのプログラム製品を含むことができる。

１セットの（少なくとも１つ）プログラムモジュール４２を有するプログラム／ユーティリティ４０は、例えば、メモリ２８に記憶されてもよく、このようなプログラムモジュール４２は、オペレーティングシステム、１つ又は複数のアプリケーションプログラム、他のプログラムモジュール及びプログラムデータを含むが、これらに限定されない。これらの例のそれぞれ又はある組み合わせには、ネットワーキング環境の実装が含まれる可能性がある。プログラムモジュール４２は、通常、本発明に記載の実施例における機能及び／又は方法を実行する。

機器１２は、１つ又は複数の外部機器１４（例えば、キーボード、ポインティングデバイス、ディスプレイ２４など）と通信することができ、また、ユーザが当該機器１２とインタラクションすることを可能にする１つ又は複数のデバイスと通信することができ、及び／又は、当該機器１２が１つ又は複数の他のコンピューティングデバイスと通信することを可能にする任意のデバイス（例えば、ネットワークカード、モデムなど）と通信することもできる。そのような通信は、入力／出力（Ｉ／Ｏ）インターフェイス２２を介して行うことができる。また、機器１２は、ネットワークアダプタ２０を介して、１つ又は複数のネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、及び／又はパブリックネットワーク、例えば、インターネット）と通信することができる。図８に示すように、ネットワークアダプタ２０は、バス１８を介して機器１２の他のモジュールと通信する。なお、図８に示されていないが、マイクロコード、デバイスドライバ、冗長化処理ユニット、外部ディスク駆動アレイ、ＲＡＩＤシステム、テープドライバ、及びデータバックアップストレージシステムなどを含むが、これらに限定されない他のハードウェア及び／又はソフトウェアモジュールをコンピュータ機器１２と組み合わせて使用することができる。

処理ユニット１６は、システムメモリ２８に記憶されているプログラムを実行することにより、多様な機能アプリケーション及びデータ処理を実行し、本発明の実施例により提供される運動検出方法を実現する。

（実施例７）
本発明の実施例７は、コンピュータプログラムが記憶されているコンピュータ読み取り可能な記憶媒体を提供する。当該プログラムがプロセッサによって実行される場合、本発明の実施例のいずれか一つに記載の運動検出方法をさらに実現し、当該方法は、移動運搬体におけるスマートデバイスの現在の姿勢と、前記移動運搬体が異なる運動状態にある場合の前記スマートデバイスの加速度とに基づいて、予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとするステップと、収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力するステップと、を含む。

本発明の実施例に係るコンピュータ記憶媒体は、一つ又は複数のコンピュータ読み取り可能な媒体の任意の組み合わせを採用することができる。コンピュータ読み取り可能な媒体は、コンピュータ読み取り可能な信号媒体、或いはコンピュータ読み取り可能な記憶媒体であってもよい。コンピュータ読み取り可能な媒体は、例えば、電子、磁気、光、電磁気、赤外線、又は半導体のシステム、装置又はデバイス、或いは上記の任意の組み合わせであってもよいが、これらに限定されない。コンピュータ読み取り可能な記憶媒体のより具体的な例（非網羅的なリスト）は、一つ又は複数の配線を備える電気接続部、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能なプログラマブル読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク読み出し専用メモリ（ＣＤ-ＲＯＭ）、光記憶装置、磁気記憶装置、又は上記の任意の適切な組み合わせを含む。この文書において、コンピュータ読み取り可能な記憶媒体は、命令実行システム、装置又はデバイスにより使用され、或いはそれらと組み合わせて使用されることが可能であるプログラムを含む又は記憶する任意の有形の媒体であってもよい。

コンピュータ読み取り可能な信号媒体は、ベースバンドにおける、又は搬送波の一部として伝播するデータ信号を含むことができ、データ信号にはコンピュータ読み取り可能なプログラムコードが搭載される。この伝播するデータ信号は様々な形式を採用することができ、電磁信号、光信号又は上記の任意の適切な組み合わせを含むがこれらに限定されない。コンピュータ読み取り可能な信号媒体は、さらに、コンピュータ読み取り可能な記憶媒体以外の任意のコンピュータ読み取り可能な媒体であってもよく、当該コンピュータ読み取り可能な媒体は、命令実行システム、装置又はデバイスにより使用され、或いはそれらと組み合わせて使用されるプログラムを送信、伝播又は伝送することができる。

プログラムコードは、無線、有線、光ケーブル、ＲＦなど、又は上記の任意の適切な組み合わせを含むがこれらに限定されない任意の適切な媒体によって伝送することができる。

１つ又は複数のプログラミング言語又はそれらの組み合わせで本発明の動作を実行するためのコンピュータプログラムコードを作成することができ、前記プログラミング言語は、Ｊａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのプロジェクト指向のプログラミング言語を含み、さらに、「Ｃ」言語又は同様のプログラミング言語といった従来の手続き型プログラミング言語をも含む。プログラムコードは、完全にユーザコンピュータで実行されてもよく、部分的にユーザコンピュータに実行されてもよく、スタンドアロンソフトウェアパッケージとして実行されてもよく、部分的にユーザコンピュータで、部分的にリモートコンピュータで実行されてもよいし、又は完全にリモートコンピュータ又はサーバーで実行してもよい。リモートコンピュータの場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）又はワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザのコンピュータに接続することができ、又は、外部コンピュータに接続することができる（例えば、インタネットサービスプロバイダーを利用してインターネット経由で接続する）。

なお、以上は、本発明の好ましい実施例及び運用される技術的原理に過ぎない。当業者は、本発明がここで記載される特定の実施例に限定されないことを理解することができる。当業者であれば、本発明の保護範囲を逸脱することはなく、種々の明らかな変化、新たな調整及び取り換えを行うことができる。したがって、上記実施例により本発明について比較的詳細に説明したが、本発明は、上記実施例のみに限定されず、本発明の構想を逸脱しない場合、より多くの他の効果同等な実施例をさらに含むことができ、本発明の範囲は、特許請求の範囲によって决定される。

Claims (12)

1. 運動検出方法であって、
   予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされる場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとするステップと、
   収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力するステップと、を含むことを特徴とする、運動検出方法。
2. 前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、
   前記方法は、
   移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するステップをさらに含むことを特徴とする、請求項１に記載の運動検出方法。
3. 前記移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するステップは、
   移動運搬体の過去走行速度及び／又は過去運動状態と、前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するステップを含むことを特徴とする、請求項２に記載の運動検出方法。
4. 前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、前記方法は、
   移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整するステップをさらに含むことを特徴とする、請求項１〜３のいずれかに記載の運動検出方法。
5. 前記移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整するステップは、
   現在の時点の移動運搬体の位置決め座標位置が第１位置であり、次の時点の前記移動運搬体の位置決め座標位置が依然として第１位置であり、前記移動運搬体の現在の時点と次の時点での予測運動状態がいずれも運動である場合、前記移動運搬体の次の時点での位置決め座標位置を第１位置の次の位置に調整するか、又は
   異なる時点の移動運搬体の予測運動状態がいずれも静止である場合、前記移動運搬体の前記異なる時点での位置決め座標位置を同じに保つステップを含むことを特徴とする、請求項４に記載の運動検出方法。
6. 運動検出装置であって、
   予めトレーニングされたモデルに対応する姿勢と、移動運搬体におけるスマートデバイスの現在の姿勢とがマッチングされる場合、前記移動運搬体が任意の運動状態にある時間の長さが予め設定された時間の長さの閾値より大きい時間間隔内における前記スマートデバイスの加速度を使用して、姿勢がマッチングされている予めトレーニングされたモデルを検証して、検証がパスされたモデルを予測モデルとするための検証モジュールと、
   収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力するための予測モジュールと、を含むことを特徴とする、運動検出装置。
7. 前記装置は、
   前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、移動運搬体の過去運動情報と前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するための状態決定モジュールをさらに含むことを特徴とする、請求項６に記載の運動検出装置。
8. 前記状態決定モジュールは、
   移動運搬体の過去走行速度及び／又は過去運動状態と、前記移動運搬体の予測運動状態とに基づいて、前記移動運搬体の最終運動状態を決定するための状態決定ユニットを含むことを特徴とする、請求項７に記載の運動検出装置。
9. 前記運動検出装置は、
   前記収集された前記スマートデバイスの加速度を前記予測モデルに入力して、前記移動運搬体の予測運動状態を出力した後、移動運搬体の予測運動状態に基づいて、前記移動運搬体の位置決め座標位置を調整するための位置調整モジュールをさらに含むことを特徴とする、請求項６〜８のいずれかに記載の運動検出装置。
10. 前記位置調整モジュールは、位置調整ユニットを含み、
    前記位置調整ユニットは、
    現在の時点の移動運搬体の位置決め座標位置が第１位置であり、次の時点の前記移動運搬体の位置決め座標位置が依然として第１位置であり、前記移動運搬体の現在の時点と次の時点での予測運動状態がいずれも運動である場合、前記移動運搬体の次の時点での位置決め座標位置を第１位置の次の位置に調整するか、又は、
    異なる時点の移動運搬体の予測運動状態がいずれも静止である場合、前記移動運搬体の前記異なる時点での位置決め座標位置を同じに保つことを特徴とする、請求項９に記載の運動検出装置。
11. 機器であって、
    一つ又は複数のプロセッサと、
    一つ又は複数のプログラムを記憶するための記憶装置と、
    機器の加速度を検出するための加速度検出器と、を含み、
    前記一つ又は複数のプログラムが前記一つ又は複数のプロセッサにより実行される場合、前記一つ又は複数のプロセッサが、請求項１〜５のいずれかに記載の運動検出方法を実現することを特徴とする、機器。
12. コンピュータプログラムが記憶されているコンピュータ読み取り可能な記憶媒体であって、
    当該プログラムがプロセッサにより実行される場合に、請求項１〜５のいずれかに記載の運動検出方法を実現することを特徴とする、コンピュータ読み取り可能な記憶媒体。

Images