隐马尔可夫模型（HMM)、强化学习、逻 辑回归、遗传算法、高斯过程），基于初级分类的结果来选择该次级分类器。例如，初级分类 器可以被设计成对如下两个父类运动进行分类：在用户静止时移动设备是否正被操作（例 如，用户在坐着或站立时与设备进行交互，而没有在环境内移动）；或者移动设备是否处于 运动中（例如，移动设备在环境内进行物理移动）。因此，然后可以基于初级分类器的输出 来选择最适当的次级分类器：例如，对于正保持静止的移动设备，选择次级分类器以确定正 在如何操作该设备（例如，保持面朝上、面朝下、处于纵向模式或横向模式等）；或者对于处 于运动中的移动设备，选择次级分类器以在设备运动（例如，握在手中、放置在口袋中、举 至耳朵等）时确定该设备的对准。在这些示例中，每个次级分类器具有对运动的子集进行 检测的特定任务，并且基于初级分类器的输出来选择。
[0033] 参考图2,图示了用于估计对象的位置、运动、姿态、速度和/或轨迹的初级分类阶 段的示例方法200。方法30包括：在步骤12处，从一个或更多个传感器获得传感器数据。 如以上所讨论的，在一个实施例中，一个或更多个传感器包括便于运动测量的传感器，例如 惯性传感器等。
[0034] 在步骤14处，通过在步骤12中获得的传感器数据、优选地通过将相对惯性传感器 与全局惯性传感器（例如，陀螺仪、加速度计等）结合来确定对象的姿态。
[0035] 在步骤16处，优选地通过将相对传感器与全局传感器（例如，加速度计、陀螺仪、 气压计）结合来估计对象的高度。步骤16还可以接收来自运动分类的信息以改进高度估 计。
[0036] 在步骤18处，从传感器数据中提取特征并且该特征准备用于运动分类。用于特征 提取的输入可以包括：原始传感器数据（例如，来自（多个）加速度计、（多个）陀螺仪、气 压高度计等的惯性传感器数据）；姿态估计值；以及高度估计值。在下面将参考图4对此进 行进一步描述。
[0037] 在步骤30处，通过初级分类算法来处理特征，以对正被执行的运动和/或活动 (例如，行走、跑步、站立、坐着、不停地动，等等）进行分类。
[0038] 在步骤32处，然后，基于初级分类器的结果，选择最适当的次级分类器并且次级 分类阶段可以以与图1中显示的方式相同的方式开始。
[0039] 在一个实施例中，初级分类阶段和次级分类阶段可以同时执行，并且次级分类器 可以将信息反馈回初级分类器，以改进初级分类器的性能。
[0040] 在一个实施例中，可以存在若干个级的分类和多个分类阶段，从而每个分类器可 以专注于具体的任务（例如，仅对运动的子集进行分类）。
[0041] 用于运动分类和估计的方法
[0042] 特征提取的许多常规方法取决于问题和所采用的传感器（例如，使用脑电图描记 器（EEG，electroencephalography)来测量脑波并且对脑波进行分类）。为了运动估计的目 的，特征使得处于高速率（例如，针对动态运动）、处于高复杂度以及处于高自由度（例如， 沿不同的方向行走、跑步、坐着、躺着等）的运动能够被识别。为了充分地确定扰动面上的 运动，在图3中图示了以下特征提取和运动分类。
[0043] 转至图3,图示了运动分类阶段的示例方法40。按照之前（在步骤20、步骤30和 /或步骤32处）讨论的运动/活动分类，运动被优选地分类成如下三个主要类别中的一个： 静止（即，其中对象完全静止并且不移动）；（多个）非位移运动（即，导致扰动但无水平 位移的那些运动，例如，用户原地不停地动、坐下、站起等；移动设备正被操作等）；以及位 移运动（即，导致水平位移的那些运动，例如，行走、跑步、侧步、爬行以及其他一般运动活 动）。
[0044] 在步骤14处，不管运动是否正被执行都执行姿态估计。
[0045] 在步骤16处，不管运动是否正被执行都执行高度估计。
[0046] 在具有水平位移的运动发生时并且当考虑复杂的运动时，在步骤54处，可以估计 运动位移向量。在一个实施例中，可以基于惯性传感器测量的差异和比率来估计此运动位 移向量。运动位移向量被馈送进运动估计参数作为附加输入，并且提供关于如下运动的偏 移量的信息：该运动可以不是运动分类的一部分，例如在微斜的路径上行走等。
[0047] 在步骤58处，将运动估计参数馈送到基于分类的运动来选择的运动模型。此运动 模型可以根据正在被估计的运动而变化。例如，运动模型可以包括基于距离的运动模型、基 于速度的运动模型以及航位推算运动模型。
[0048] 在步骤26处，如之前所讨论的那样对位置、运动、速度、姿态/方向以及轨迹进行 估计（例如，图1的步骤26)。
[0049] 用于特征提取的方法
[0050]当使用传统的惯性导航算法处理惯性传感器数据时，例如，由于温度漂移、非线 性、未对准、不正确的安装和/或姿态估计误差等而引起的在传感器读数中的较小误差可 能在位置估计中导致非常大的误差，这致使传统的惯性导航技术无法用于低成本、低功率、 小尺寸等的实际应用。
[0051] 图4的特征提取基于如下原理：所执行的每个运动遵循三维空间中的给定路径， 并且惯性传感器的性能的短期精度远优于长期精度。因此，特征提取架构生成如下特征：该 特征可以在短的时间段内充分地表示出给定运动的路径。当处理惯性传感器数据的时间序 列时，表示这些传感器波形的所提取的特征还将表示该时间窗口内的运动。
[0052] 参考图4,图示了用于运动分类的特征提取的示例方法60。在步骤62处，从一个 或更多个传感器获取测量值。用于特征提取的输入可以包括：原始传感器数据（例如，来自 (多个）加速度计、（多个）陀螺仪、（多个）气压高度计等的惯性传感器数据）；姿态估计 值；以及高度估计值。这样的传感器数据通常可以从离散的单轴或多轴传感器芯片的组合 获得、或者从单芯片惯性测量单元（IMU，Inertial Measurement Unit)获得、或者从单独的 MU感测设备获得。
[0053] 传感器数据被存储在一个或更多个滑动窗口64至68内，以生成准备用于特征提 取的传感器数据的时间序列。因此，每个传感器通过时间序列数据的一个或更多个滑动窗 口来表示。
[0054] 可以针对每个单独的传感器从一个或更多个滑动窗口提取特征。例如，较短的滑 动窗口通常提供良好的动态响应并且更适用于统计特征，原因是相应的传感器波形太短而 不能充分地表示传感器所经历的运动。较长的滑动窗口适用于波形表示，原因是较长的滑 动窗口可以充分表示传感器所经历的运动并且因此可以充分表示被跟踪的对象所经历的 运动。
[0055] 作为优点，特征提取方法可以应用于任何数目的滑动窗口和传感器类型。对滑动 窗口的数目和每个窗口的长度的最终选择，在某种程度上视特定应用而定的。例如，当跟踪 移动设备时，根据所期望的运动，长度在从〇. 5s至2. Os的范围内的两个或三个滑动窗口是 优选的。波形表示方法可以应用于较长的滑动窗口，以确保该较长的滑动窗口捕获当前运 动的充分表示，并且可以从较短的（多个）滑动窗口中提取附加的统计特征以确保系统具 有良好的动态响应。
[0056] 在一个实施例中，为了实现波形方法，使用了多项式波形近似。因此，通过多项式 的应用来近似每个单独传感器的针对那个滑动窗口的时间序列，并且将所得的多项式系数 用作用于分类的特征。因此，每组系数表示单独传感器的针对特定运动的唯一波形图案。采 用高阶多项式可能导致过度拟合（over-fitting)时间序列--这样做之后将影响技术的 通用性，同时非常低阶的多项式不能充分地表示运动波形。在优选的实施例中，使用了 5阶 多项式。还可以使用替选的波形近似技术，例如，使用贝塞尔曲线的拟合。
[0057] 多项式波形表示被应用于惯性传感器。根据所期望的运动以及在设备（例如，正 在被定位或携带的设备，例如移动电话、平板计算机、专用跟踪设备）内可用的传感器，波 形表示可以被应用于一个或更多个轴的（多个）加速度计和/或一个或更多个轴的（多个） 陀螺仪。在一个实施例中，为了表示复杂的运动，波形表示被应用于三个正交的加速度计和 三个正交的陀螺仪。因此，多达6个的惯性数据时间序列通过波形表示块来处理，以输出表 示滑动窗口内的波形/运动的一组多项式系数。原则上，三轴加速度计和陀螺仪的组合应 当能够使用传统的惯性导航技术来表示在六个自由度（6D0F，six degrees of freedom)中 的任何运动。在消费者和移动设备中建立这样的传感器的成本比高端工业应用低得多。因 此，波形表示方法捕获运动的短期波形来表示正在被执行的运动，同时不再需要高精度高 成本的传感器并且显著地减少或消除了对校准的需要。
[0058] 为了补充波形表示，可以使用较短的窗口，并且可以提取统计特征，例如：均值； 范围；在滑动窗口内的最大测量值与最小测量值之间的时间差；方差；均方根（RMS)值；能 量；偏斜（skewness);以及标准差。这些统计特征自身不能够充分地表示运动；然而，它们 提供良好的动态响应，并且与来自波形表示的多项式系数结合，使得分类器可靠且准确地 将运动进行分类以执行位置估计。
[0059] 将高度测量与运动测量结合以祗消漂務的方法
[0060] 确定高度的常见方法包括：与惯性传感器结合；以及将惯性传感器数据与全球定 位系统（GPS)和/或气压感测结合。然而，这两种常见方法可能表现出漂移