；
[0141] c.基于所分类的运动来选择运动模型；以及
[0142] d.基于所述获取的传感器数据来估计运动参数。
[0143] 10)根据上述（9)所述的方法，其中，所述提取对象的特征包括：
[0144] a.从布置在所述对象上的一个或更多个传感器中获取所述获取的传感器数据；
[0145]b.基于所述获取的传感器数据来估计对象的姿态；
[0146] c.使用所述获取的传感器数据来估计对象的高度；
[0147]d.从所述获取的传感器数据、所估计的姿态以及所估计的高度中的至少一个中提 取对象的特征。
[0148] 11)根据上述（10)所述的方法，
[0149] a.其中，所述对对象的运动进行分类确定对象的运动和对象正在执行的活动中的 至少一个，该运动可选地为静止运动、非位移运动以及位移运动中的一个，以及
[0150]b.其中，所述估计运动参数是基于所述获取的传感器数据、所估计的姿态以及所 估计的高度中的至少一个。
[0151] 12)根据上述任一项所述的方法，其中，所述获取传感器数据包括：从惯性传感器 获取传感器数据、从陀螺仪获取传感器数据、从加速度计获取传感器数据、从惯性测量单元 获取传感器数据和/或从气压高度计获取传感器数据。
[0152] 13)根据上述任一项所述的方法，其中，所述估计对象的姿态包括：将从所述一个 或更多个传感器选择的相对传感器数据与全局传感器数据进行结合，以及
[0153] a.其中，所述估计对象的高度可选地包括：
[0154]b.将从所述一个或更多个传感器中获取的相对传感器数据与全局传感器数据进 行结合；或者
[0155] c.对所述获取的传感器数据进行低通滤波；或者
[0156]d.接收来自所述运动分类的信息，以进行反馈，用于所述估计对象的高度。
[0157] 14)根据上述任一项所述的方法，其中，所述对对象的运动进行分类使用从以下组 中选择的分类技术，该组包括：神经网络、支持向量机、贝叶斯网络、朴素贝叶斯分类器、决 策树、k最近邻（KNN)方法、提升方法、动态贝叶斯网络（DBN)、隐马尔可夫模型（HMM)、强化 学习、逻辑回归、遗传算法以及高斯过程。
[0158] 15)根据上述任一项所述的方法，还包括：基于所分类的运动来选择运动模型。
[0159] 16)根据上述任一项所述的方法，其中，所述估计对象的运动参数包括：基于所选 择的运动模型来估计对象的速度和/或对象行进的距离。
[0160] 17)根据上述任一项所述的方法，其中，所述选择运动模型包括：选择基于距离的 运动模型、选择基于速度的运动模型和/或选择航位推算运动模型。
[0161] 18)根据上述任一项所述的方法，其中，所述对对象的运动进行分类包括初级运动 分类阶段和次级运动分类阶段中的至少一个，该初级运动分类阶段用于确定初级分类器， 该次级运动分类阶段用于基于该初级分类器来确定次级分类器。
[0162] 19)根据上述任一项所述的方法，其中，所述初级分类器和所述次级分类器中的至 少一个选自下述组，该组包括：行走、奔跑、坐着、站立、原地不停地动、正如何操作置于所述 对象上的设备、以及所述设备相对于所述对象的对准。
[0163] 20)根据上述任一项所述的方法，还包括：
[0164] a.在对象的具有水平位移的运动发生时估计运动位移向量，所述估计基于所述获 取的传感器数据的差异和比率并且使用所述运动位移向量来考虑（account for)在所述分 类期间没有考虑的运动的偏移量。
[0165] 21)根据上述任一项所述的方法，还包括将所获取的传感器数据存储在一个或更 多个滑动窗口中，以生成准备用于所述提取特征的传感器数据的时间序列。
[0166] 22)根据上述任一项所述的方法，还包括：
[0167] a.根据对象的当前高度读数来校准一个或更多个传感器。
[0168] 23)根据上述任一项所述的方法，还包括：
[0169] a.检查当前高度是否在预定的高度参考内；
[0170] b.如果所述当前高度在预定的高度参考内，则校正当前高度；以及
[0171] c.添加所述当前高度作为高度参考。
[0172] 所描述的实施例可以易于具有各种修改和替选形式，并且已经在附图中通过示例 的方式示出了并且在本文中详细描述了实施例的具体示例。然而，应当理解的是，所描述的 实施例并不限于所公开的特定形式或方法，而相反地，本公开将会涵盖所有修改、等价物以 及替选方案。
【主权项】
1. 一种用于估计对象的运动的方法，包括： 从获取的传感器数据中提取所述对象的特征； 基于所述提取的特征来对所述对象的所述运动进行分类； 基于所述分类的运动来选择运动模型；以及 基于所述获取的传感器数据来估计运动参数。2. 根据权利要求1所述的方法，其中，所述提取所述对象的所述特征包括： 从布置在所述对象上的一个或更多个传感器中获取所述获取的传感器数据； 基于所述获取的传感器数据来估计所述对象的姿态； 使用所述获取的传感器数据来估计所述对象的高度； 从所述获取的传感器数据、所述估计的姿态以及所述估计的高度中的至少一个提取所 述对象的所述特征。3. 根据权利要求2所述的方法， 其中，所述对所述对象的所述运动进行分类确定所述对象的所述运动和所述对象正在 执行的活动中的至少一个，所述运动可选地为静止运动、非位移运动以及位移运动中的一 个，以及 其中，所述估计所述运动参数是基于所述获取的传感器数据、所述估计的姿态以及所 述估计的高度中的至少一个。4. 根据权利要求2或3中任一项所述的方法，其中，所述获取所述传感器数据包括： 从惯性传感器获取所述传感器数据、从陀螺仪获取所述传感器数据、从加速度计获取所述 传感器数据、从惯性测量单元获取所述传感器数据和/或从气压高度计获取所述传感器数 据。5. 根据权利要求2至4中任一项所述的方法，其中，所述估计所述对象的姿态包括：将 从所述一个或更多个传感器选择的相对传感器数据与全局传感器数据进行结合，以及 其中，所述估计所述对象的所述高度可选地包括： 将从所述一个或更多个传感器中获取的所述相对传感器数据与全局传感器数据进行 结合；或者 对所述获取的传感器数据进行低通滤波；或者 接收来自所述运动分类的信息，以进行反馈，用于所述估计所述对象的所述高度。6. 根据权利要求1至5中任一项所述的方法，其中，所述对所述对象的所述运动进行分 类使用从以下组中选择的分类算法，所述组包括：神经网络、支持向量机、贝叶斯网络、朴素 贝叶斯分类器、决策树、k最近邻（KNN)方法、提升方法、动态贝叶斯网络（DBN)、隐马尔可夫 模型（HMM)、强化学习、逻辑回归、遗传算法以及高斯过程。7. 根据权利要求1至6中任一项所述的方法，还包括：基于所述分类的运动来选择运 动模型。8. 根据权利要求7所述的方法，其中，所述估计所述对象的所述运动参数包括：基于所 述选择的运动模型来估计所述对象的速度和/或所述对象行进的距离。9. 根据权利要求7或8中任一项所述的方法，其中，所述选择运动模型包括：选择基于 距离的运动模型、选择基于速度的运动模型和/或选择航位推算运动模型。10. 根据权利要求1至9中任一项所述的方法，其中，所述对所述对象的所述运动进行 分类包括初级运动分类阶段和次级运动分类阶段中的至少一个，所述初级运动分类阶段用 于确定初级分类器，所述次级运动分类阶段用于基于所述初级分类器来确定次级分类器。11. 根据权利要求10所述的方法，其中，所述初级分类器和所述次级分类器中的至少 一个选自下述组，所述组包括：行走、奔跑、坐着、站立、原地不停地动、正如何操作置于所述 对象上的设备、以及所述设备相对于所述对象的对准。12. 根据权利要求1至11中任一项所述的方法，还包括： 在所述对象的具有水平位移的运动发生时估计运动位移向量，所述估计基于所述获取 的传感器数据的差异和比率并且使用所述运动位移向量来考虑在所述分类期间没有考虑 的运动的偏移量。13. 根据权利要求1至12中任一项所述的方法，还包括将所述获取的传感器数据存 储在一个或更多个滑动窗口中，以生成准备用于所述提取所述特征的传感器数据的时间序 列。14. 根据权利要求1至13中任一项所述的方法，还包括： 根据所述对象的当前高度读数来校准所述一个或更多个传感器。15. 根据权利要求14所述的方法，还包括： 检查所述当前高度是否在预定的高度参考内； 如果所述当前高度在所述预定的高度参考内，则校正所述当前高度；以及 添加所述当前高度作为高度参考。
【专利摘要】一种用于估计对象的运动、方向、位置以及轨迹的方法，该方法包括：获取传感器数据、估计对象的姿态、估计对象的高度、提取特征、对运动进行分类、选择运动模型以及估计运动参数。还公开了用于执行该方法的系统。
【IPC分类】G06F3/01
【公开号】CN105009027
【申请号】CN201380072165
【发明人】阿绍德·多尼吉安
【申请人】纳维森斯有限公司
【公开日】2015年10月28日
【申请日】2013年12月3日
【公告号】EP2926218A1, US20150316383, WO2014089119A1