CN105122006A - 用于使用非线性系统表示来进行可变步长估计的方法和系统 - Google Patents

Abstract

本公开涉及用于估计徒步运动(诸如例如，行走或跑步)的可变步长的方法和系统。本方法和装置能在两个不同阶段中的任一者或两者中使用。在一些实施例中，使用第一阶段。在一些其他实施例中，使用第二阶段。在第三组实施例中，使用第一阶段并且随后使用第二阶段。第一阶段是离线完成以获得作为表示人类运动动态性的不同参数的函数的步长的非线性模型的模型构建阶段。非线性系统标识技术被用来构建这一模型。在第二阶段，非线性模型被用来根据作为对该模型的输入的、表示人类运动动态性的不同参数来计算步长。这些参数是从来自该装置中的传感器的传感器读数获得的。对于各种应用而言，这一第二阶段是本方法和装置的更频繁使用。

Description

用于使用非线性系统表示来进行可变步长估计的方法和系统

相关申请

本申请要求2013年2月1日提交的美国临时专利申请No.61/759,522的权益，它通过援引纳入于此。

技术领域

本公开涉及用于跟踪人类移动的方法和系统，且更具体地涉及跟踪徒步的人。

背景技术

惯性传感器(例如，加速度计和陀螺仪)通常被用于跟踪人类移动，尤其是对于“徒步”活动(例如，行走或跑步)。加速度计被用于测量用户的加速度，可从中检测到各步并且可形成现有步长估计技术的基础。

对于徒步运动(例如，行走或跑步)，文献中存在许多已知方法来估计步长。最早和最平凡的假定(但不准确)是步长是恒定值，而不管徒步者特性，如身高、体重、以及性别、或运动动态性(例如，行走或跑步速率和加速度)。

一些方法需要将惯性传感器置于用户身体上的某些位置(例如，脚、腕、胸，…，等等)，这同样使得难以将这些方法应用于各种应用，除了支持该方法针对其构建的位置的那些应用之外。

一种步长计算方法是加速度读数的二重积分以获得徒步者位移。这一方法在单独使用的情况下由于随时间增加的偏移和商用加速度计读数中的高噪声及误差(尤其是对于低加速度值的情况)而造成较低的准确度。允许使用这一方法的常见技术是对于检测到的每一步重新开始积分，因为速度在每一落脚处是零。这是这一技术优选脚安装或小腿安装的原因，以避免身体摆动，因为这一技术需要在每一步检测处的零速度更新。

其他已知方法可大致分类成两个主要群：即基于生物机械模型的方法和基于经验关系的方法。生物机械模型方法的示例是用于步长估计的无膝两足模型，其中无膝两足被建模成倒钟摆且最终估计使用取决于用户的某一常数来缩放。这一方法的一个缺点是用户相关的，因为为使这一方法正确工作，必须为每一特定用户找出最佳缩放常数。

作为另一示例，生物机械模型方法可以假定更复杂的模型，经由通过由两个钟摆(即，在摆动阶段期间具有腿的长度的倒钟摆，以及在一步的称为步幅长度的双足站立阶段期间的第二钟摆(其中步幅长度被定义为两个连续步的长度))规定的加速度的二重积分来考虑用户身体的质心的垂直位移。在这种情况下，该方法可被计算作为这两个阶段的位移的总和。这一方法的一个缺点是它需要用户的脚长的知识(从第一跖骨头到脚后跟关节)，这再次使得它是用户相关的/因用户而异的，并且某些配置可能因为他们的身体特征的差异(如身高和/或腿身比)对一个用户起作用但对另一用户不起作用。相同问题同样出现在经验关系中，其中一个或多个参数需要针对每一用户校准和定制。这些方法的另一示例是发展步幅长度、步计数、人的质心的垂直加速度的第一谐波、以及需要校准的常数之间的关系的方法。存在若干其他经验方法，在它们中的一些，等式是通过经验获得的并且需要校准参数。

一些现有工作注意到移动徒步者的速率可以影响他的步长，例如在一个人更快地行走时，他往往增加他的步长；他的运动风格和动态性也同样受他的增加的速率的影响。相关参数是步频影响步长。

在一些现有工作中，假定步长具有与步频的线性关系，其中步长指示每秒检测到多少步。这一方法的结果对需要准确可变步长估计的应用而言是不令人满意的，因为步频不是能影响步长的唯一参数。另一技术被用来估计步长并且考虑对只考虑与步长呈线性关系的步频的先前方法的修改。在这一方法中，线性模型可被用来将步长与步频和一步中的加速度方差两者进行相关，其中加速度方差是由加速度计在一步时段期间测得的加速度的方差。上述线性方法的参数通过在GNSS信号可用时进行在线训练或通过在用户使用该模型之前进行离线训练来获得。在线训练的主要缺点是该模型需要用不同的行走或跑步速率来训练，这不能得到保证且大多数情况可能将没有发生在在GNSS可用期间自然的实际生活迹线中。这一问题在改为涉及离线训练的实现中解决，其中训练数据在使用之前被收集。结果显示在实验上好于在线训练实现。在使用离线训练的实现中，线性模型的参数可以使用任何线性标识方法来计算，如线性回归。不同用户应当以不同速率行走，使得可获得不同的频率值和加速度方差。这些值可被馈送到线性回归模型以计算适合大量用户的大致参数。

最后提到的方法的主要缺点是线性关系的假定，这忽视了在用户之间不同并且可造成关系是非线性的一些运动动态性以及速率的影响。

因而，存在对能够通过能构建和/或使用作为表示人类运动动态性的参数的函数的步长的非线性模型来缓解这样的问题的方法和系统的需求。

概述

本公开涉及用于估计“徒步”运动(例如，行走或跑步运动)的可变步长的方法和系统。本方法和系统可以在两个不同阶段中的任一者或两者中使用。在一些实施例中，使用第一阶段。在一些其他实施例中，使用第二阶段。在第三组实施例中，使用第一阶段并且随后使用第二阶段。第一阶段是离线完成以获得作为表示人类“徒步”运动动态性的不同参数的函数的步长的非线性模型的模型构建阶段。非线性系统标识技术可被用来构建这一模型。在第二阶段，非线性模型被用来根据作为对该模型的输入的、表示人类“徒步”运动动态性的不同参数来计算步长。这些参数可从来自该系统中的传感器的传感器读数来获得。对于各种应用而言，这一第二阶段是本方法和系统的更频繁使用。

在一实施例中，所使用的非线性系统标识技术可以是快速正交搜索(FOS)；

它被用来构建能提供准确可变步长的模型，而不管用户的特征和用户之间的不同人类运动动态性。为了能够使用FOS达到通用的数学模型，应当使用来自不同人的可描述随速率变化且在徒步运动活动期间在用户之间变化的不同人类动态性的候选数据的大型数据集来训练FOS技术。

在一些实施例中，本方法和装置可以使用垂直加速度来检测各步和/或根据检测到的步期间的加速度读数来计算参数。垂直加速度可以通过以下各项中的任一者来获得：(i)垂直安装的加速度计，如果应用允许这样的安装的话；或(ii)与应用和/或安装无关的经分解的垂直加速度。在第二种情况下，纵摇和横摇角可被使用在对加速度读数的分解中以获得经分解的垂直加速度信号。在一些其他实施例中，本方法和装置可以使用加速度读数的量值来检测各步和/或来根据检测到的步期间的加速度读数计算参数。在后一情况下，取决于使用，重力加速度可以从量值中移除。

本方法和系统可以使用表示人类运动动态性的不同参数。在一些实施例中，所使用的表示人类运动动态性的不同参数是以下各项中的任一者或任何组合：步频、步期间的加速度方差、步期间的加速度峰值、步期间的峰到峰加速度值；以及其他。必须注意，加速度可以是前一段落中讨论的各选项中的任一者。在一实施例中，所使用的表示人类运动动态性的参数是步频和步期间的加速度方差。

在一些实施例中，本方法和系统可被用于2D运动的步长估计。在涉及3D运动的其他实施例中，本方法和装置可被用于3D步长估计或用于估计步长的2D投影；在这种情况下，表示人类运动动态性的不同参数可包括与身高或身高变化相关的一些参数。

在一些实施例中，在模型构建阶段(第一阶段)或使用阶段(第二阶段)到模型的输入是表示人类运动动态性的不同参数。在一些实施例中，在模型构建阶段(第一阶段)或使用阶段(第二阶段)到模型的输入是表示人类运动动态性的不同参数，连同从这些参数中的一些或全部导出的其他输入，这些参数诸如(以及其他)：

这些参数的不同的经时延的版本；和/或

通过将以下相乘获得的不同项：(a)这些参数或它们的经时延的版本中的任何/一些/全部乘以(b)这些参数或它们的经时延的版本中的任何/一些/全部。

在模型构建阶段，一群人收集被用来使用非线性系统标识技术构建模型的数据集(传感器读数的数据集)。在一些实施例中，所使用的该群徒步者的数据集来自不同性别以及具有不同身高、体重和行走和/或跑步风格；并且这一群人通过以不同的速率行走和/或跑步来收集数据。在模型构建期间，对于检测到的每一步，参考步长和所使用的表示人类运动动态性的参数被收集、存储、并随后馈送到系统标识技术。

在本方法和系统的更频繁使用中，非线性模型被用来根据用作该模型的输入的、表示人类运动动态性的不同参数计算步长，其中这些参数是从传感器读数获得的。一些应用包括：(i)测量诸如行走和/或跑步等徒步活动期间的行进距离，而不管是恒定还是变化的速率；(ii)将徒步者推算(PDR)与任何步检测技术以及任何航向源直接一起使用(这样的PDR解决方案可被单独使用，它可以使用任何集成技术和任何传感器来与通过绝对导航信息的其他系统或者与其他传感器或者与任何集成导航解决方案集成)。

本方法和系统可被用在许多应用中。在一些实施例中，该应用使该系统在人徒步移动时安装在该人的身体上、由该人把持、或由该人携带，其中该系统相对于该人的移动性是受约束或不受约束的。该系统可被拴系或未拴系到该人的身体。

在一些实施例中，使用本方法和系统的应用可以使用：(i)仅模型构建，(ii)仅已获得的模型，或(iii)模型构建随后模型使用两者。

对于模型构建，为了运行用来构建模型的系统标识技术，具有处理能力的任何机器或设备可被使用，其中模型构建技术可以运行并输出模型以用于估计步长。

本方法和系统至少包括：(i)垂直安装的单轴加速度计，或(ii)三轴加速度计(这意味着三个一组加速度计)。在一个实施例中，该系统至少包括垂直安装的单轴加速度计，它可被用作唯一传感器。在另一实施例中，该系统至少包括三轴加速度计，它可被用作唯一传感器。在又一实施例中，该系统至少包括三轴加速度计和三轴陀螺仪，它们可被用作唯一传感器。在一些实施例中，除了上述惯性传感器之外，该系统可包括附加类型的传感器，例如磁力计、气压计或任何其他类型的附加传感器；这些可用传感器中的任一者可被使用。该系统还可包括获得绝对导航信息的源(如，GNSS、WiFi、RFID、Zigbee、基于蜂窝的定位，以及其他)、任何其他定位系统、或也可包括系统的组合。在涉及3D运动的各实施例中，其中步长估计针对3D步长估计或用于估计步长的2D投影，该系统另外包括(作为用于不同实施例的所有上述传感器组合的补充)用于测量身高或身高变化的装置，例如：(i)气压计，或(ii)获得绝对导航信息的源。

在一些实施例中，该系统还可包括处理装置。在这些实施例中的一些中，该系统中的传感器与处理装置处于同一模块或设备中。在一些其他实施例中，该系统中包括的传感器可被包含在与包含处理装置的设备或模块分开的设备或模块中；这两个设备或模块可通过有线或无线通信手段来通信。

在一些实施例中，在模型构建时，上述系统(在一个或多个设备或模块中)可被用于以下各项中的任一者：(i)数据收集和记入日志(包括保存和存储)，同时模型构建技术在另一计算机器上运行，(ii)数据读取和处理模型构建技术，(iii)数据收集、记入日志(包括保存或存储)，以及处理模型构建技术。

在一些实施例中，在模型使用以估计步长时，上述系统(在一个或多个设备或模块中)可被用于以下各项中的任一者：(i)数据收集和记入日志(包括保存和存储)，同时用于步长估计的模型在另一计算机器上运行，(ii)数据读取和使用该模型来进行步长估计，(iii)数据收集、记入日志(包括保存或存储)，以及使用该模型来进行步长估计。

提供了一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：(a)提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件具有至少一个传感器，所述至少一个传感器能够提供传感器读数；(b)从所述传感器读数来检测各步；(c)从检测到的各步的所述传感器读数来获得表示人类运动动态性的参数；以及(d)使用表示人类运动动态性的所述参数以：(i)使用非线性系统标识技术来构建步长模型，(ii)利用使用非线性系统标识技术构建的步长模型来估计步长，或(iii)使用非线性系统标识技术构建步长模型并利用所构建的步长模型来估计步长。

提供了一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：(a)提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件具有至少一个传感器，所述至少一个传感器能够提供传感器读数；(b)获得多个徒步者的传感器读数；(c)对所获得的传感器读数运行步检测技术以检测各步；(d)从检测到的每一步的所述传感器读数来获得表示人类运动动态性的参数；(e)获得检测到的每一步的参考步长；(f)将表示人类运动动态性的所述参数和所述参考步长馈送到非线性系统标识技术；以及(g)运行所述系统标识技术来构建模型以根据表示人类运动动态性的所述参数来估计步长。

提供了一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：(a)提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件具有至少一个传感器，所述至少一个传感器能够提供传感器读数；(b)获得所述传感器读数；(c)对所述传感器读数运行步检测技术以检测一步；(d)从检测到的步的所述传感器读数来获得表示人类运动动态性的参数；以及(e)将表示人类运动动态性的所述参数传递给步长模型并根据所述模型估计输出步长，其中所述步长模型是使用非线性系统标识技术来构建的。

上述方法能与拴系或未拴系到徒步者的设备一起操作；并且所述非线性系统标识技术可以是快速正交搜索。所述传感器可以是加速度计或三轴加速度计。表示人类运动动态性的参数可以是以下各项中的一者或多者：步频、步期间的加速度方差、步期间的加速度峰值、或步期间的峰到峰加速度值。

提供了一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：(a)能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括：包括至少一个传感器的传感器组装件，所述至少一个传感器能够提供传感器读数；以及接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：(i)从所述传感器读数来检测各步；(ii)从检测到的各步的所述传感器读数来获得表示人类运动动态性的参数；以及(iii)使用表示人类运动动态性的所述参数以：(A)使用非线性系统标识技术来构建步长模型，(B)利用使用非线性系统标识技术构建的步长模型来估计步长，或(C)使用非线性系统标识技术构建步长模型并利用所述步长模型来估计步长。

一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括：包括至少一个传感器的传感器组装件，所述至少一个传感器能够提供传感器读数；以及接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出，其中所述处理器能用于：(a)获得多个徒步者的传感器读数；(b)对所获得的传感器读数运行步检测技术；(c)从检测到的每一步的所述传感器读数来获得表示人类运动动态性的参数；(d)获得检测到的每一步的参考步长；(e)将表示人类运动动态性的所述参数和所述参考步长馈送到非线性系统标识技术；以及(g)运行所述系统标识技术来构建模型以根据表示人类运动动态性的所述参数来估计步长。

一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括传感器组装件，所述传感器组装件包括至少一个传感器，所述至少一个传感器能够提供传感器读数；以及处理器，所述处理器能用于：(a)获得所述传感器读数；(b)对所述传感器读数运行步检测技术；(c)从检测到的步的所述传感器读数来获得表示人类运动动态性的参数；以及(d)将表示人类运动动态性的所述参数传递给步长模型并根据所述模型估计输出步长，其中所述步长模型是使用系统标识技术来构建的。

上述系统中的设备可拴系或未拴系到徒步者；以及所述传感器可以是加速度计或三轴加速度计。此外，所述处理器可以位于所述设备内部或所述设备外部。

附图说明

图1是一流程图，示出：(a)使用模型构建阶段的方法的实施例，(b)使用模型利用阶段的方法的实施例，以及(c)使用模型构建阶段和模型利用阶段两者的方法的实施例。

图2是示出模型构建阶段的各步的示例的流程图。

图3是示出模型利用阶段的各步的示例的流程图。

图4是描绘模型构建阶段中使用的设备的一个实施例的框图。

图5是描绘模型利用阶段中使用的设备的一个实施例的框图。

图6是图表和人的表示，示出了如何使用应用于经分解的垂直加速度信号上的峰值检测技术来定义一步。

图7是示出来自示例数据集的缓慢行走速率迹线的定位结果的图表。

图8是示出来自示例数据集的正常行走速率迹线的定位结果的图表。

图9是示出来自示例数据集的快速行走速率迹线的定位结果的图表。

图10是示出来自示例数据集的缓慢跑步速率迹线的定位结果的图表。

图11是示出来自示例数据集的正常跑步速率迹线的定位结果的图表。

图12是示出来自示例数据集的极快跑步速率迹线的定位结果的图表。

具体实施方式

本公开涉及用于估计徒步者的徒步运动(例如，行走或跑步运动)的可变步长的方法和系统。在本文中，“徒步者”被定义为徒步的人或执行徒步运动的人，诸如但不限于行走或跑步。本方法和系统能在两个不同阶段中的任一者或两者中使用。在一些实施例中，使用第一阶段。在一些其他实施例中，使用第二阶段。在第三组实施例中，使用第一阶段并且随后使用第二阶段。第一阶段是离线完成以获得作为表示人类运动动态性的不同参数的函数的步长的非线性模型的模型构建阶段。非线性系统标识技术被用来构建这一模型。在第二阶段，非线性模型被用来根据作为对该模型的输入的、表示人类运动动态性的不同参数来计算步长。这些参数是从来自该装置中的传感器的传感器读数获得的。对于各种应用而言，这一第二阶段是本方法和系统的更频繁使用。

绝对导航信息是与导航和/或定位有关的信息，并且由依赖于外部信息源(例如GNSS)的“基于参考”的系统来提供。自包含的导航信息是与导航和/或定位有关的信息并由设备/平台内的自包含和/或“非基于参考”的系统来提供，并且因而不依赖于可能变得中断或阻塞的外部信息源。自包含信息的示例是来自运动传感器(如加速度计和陀螺仪)的读数。

参考图1，第一阶段，其是模型构建阶段，在图1(a)中描绘；第二阶段，其是模型利用阶段，在图1(b)中描绘；以及使用这两个阶段的实施例在图1(c)中描绘。参考图2，示出了模型构建阶段的实施例的各步骤。参考图3，示出了模型利用阶段的实施例的各步骤。

参考图4，本设备10可包括能够获得或生成与关于移动物体的导航信息相关的“相对”或“非基于参考”的读数并产生指示它的输出的自包含传感器组装件2。在一个实施例中，传感器组装件2可以例如包括用于测量加速度率的至少一个加速度计。在另一实施例中，传感器组装件2可以例如包括用于测量加速度率的至少三轴加速度计。在又一实施例中，传感器组装件2可任选地包括其他自包含传感器，诸如但不限于：用于测量设备的转向速率的陀螺仪；用于测量磁场强度以确立航向的三维(3D)磁力计；用于测量压力以确立海拔的气压计；或“相对”导航信息的任何其他源。

本训练设备10还可包括接收机3，接收机3能够从诸如卫星等外部源接收与设备有关的“绝对”或“基于参考”的导航信息，由此，接收机3能够产生指示导航信息的输出。例如，接收机3可以是能够从GNSS卫星接收导航信息并将该信息转换成与移动物体有关的位置和速度信息的GNSS接收机。GNSS接收机还可提供诸如伪距和多普勒偏移等原始测量形式的导航信息。GNSS接收机可以在不同模式之一中操作，诸如例如单点、差分、RTK、PPP、或使用广域差分(WAD)校正(例如，WAAS)。

在一些实施例中，本设备10可包括至少一个处理器4，处理器4耦合以接收来自传感器组装件2的传感器读数以及来自接收机3的绝对导航信息输出。在一些实施例中，本设备10可包括至少一个存储器5。可任选地，设备10可包括显示器或用户接口6。构想了显示器6可以是设备10的一部分或与其分开(例如，有线或无线地连接到它)。可任选地，设备10可包括存储器设备/卡7。构想了存储器设备/卡7可以是设备10的一部分或与其分开(例如，有线或无线地连接到它)。可任选地，设备10可包括输出端口8。

参考图5，本设备11可包括能够获得或生成与关于移动物体的导航信息相关的“相对”或“非基于参考”的读数并产生指示它的输出的自包含传感器组装件2。在一个实施例中，传感器组装件2可以例如包括用于测量加速度率的至少一个加速度计。在另一实施例中，传感器组装件2可以例如包括用于测量加速度率的至少三轴加速度计。在又一实施例中，传感器组装件2可任选地包括其他自包含传感器，诸如但不限于：用于测量设备的转向速率的陀螺仪；用于测量磁场强度以确立航向的三维(3D)磁力计；用于测量压力以确立海拔的气压计；或“相对”导航信息的任何其他源。

在一些实施例中，本设备10可包括耦合以接收来自传感器组装件2的传感器读数的至少一个处理器4。在一些实施例中，本设备11可包括至少一个存储器5。可任选地，设备11可包括显示器或用户接口6。构想了显示器6可以是设备11的一部分或与其分开(例如，有线或无线地连接到它)。可任选地，设备11可包括存储器设备/卡7。构想了存储器设备/卡7可以是设备11的一部分或与其分开(例如，有线或无线地连接到它)。可任选地，设备11可包括输出端口8。

使用非线性模型的益处是它考虑了与诸如行走或跑步等徒步活动相关联的非线性特性。线性模型的主要缺点是它忽视徒步者之间不同的且能导致关系成为非线性的一些运动动态性和速率的影响。稍后呈现的实验结果示出了使用非线性模型的本方法的结果以及使用线性模型的已知技术的结果。

在本发明的一实施例中，所使用的非线性系统标识技术是快速正交搜索(FOS)；它被用来构建可提供准确可变步长的模型，而不管徒步者的特征和徒步者之间的不同人类运动动态性。为了能够使用FOS达到通用的数学模型，应当使用来自不同徒步者的可描述随速率变化且在徒步运动活动期间在徒步者之间变化的不同人类动态性的候选数据的大型数据集来训练FOS技术。

FOS是使用非正交候选函数来任意集合来找出函数展开的通用非线性系统标识技术。该技术可被应用于各种实际问题。FOS在不同研究领域中的应用已经显示了成功检测短期和长期误差中埋藏的信号。以下是与FOS技术有关的背景解释。

FOS被用在非线性系统的系统标识中；该系统由以下差分方程模型来给出：

y(n)＝F[y(n-1)，.......y(n-K)，x(n)，........x(n-L)]+e(n)(1)

其中x(n)是系统输入，y(n)是系统输出，而系统误差由e(n)给出且n被给定为n＝0,…..,N，其中N是样本数。

上式可如下表达：

$y\left(n\right)=\underset{m=0}{\overset{M}{\Σ}}{a}_m{P}_m\left(n\right)+e\left(n\right)---\left(2\right)$

其中a_m表示非正交候选函数的权重，P_m是非正交候选函数，而M是候选函数的数量。

快速正交搜索通过使用一群正交函数构建y(n)的函数展开来如下开始：

$y\left(n\right)={\Σ}_{m=0}^M{g}_m{w}_m\left(n\right)+e\left(n\right)---\left(3\right)$

其中g_m是正交函数的权重。

w_m是通过使用Gram-Schmidt(GS)正交归一化过程从P_m导出的正交函数的集合。GS权重α_m,r通过使用GS技术来产生；这些权重被用来根据下式计算正交函数w_m：

${\mathrm{\ω}}_m\left(n\right)=P_m\left(n\right)-\underset{r=0}{\overset{m-1}{\Σ}}{\mathrm{\α}}_{m,r}{w}_r\left(n\right)---\left(4\right)$

使用FOS来表示非线性系统的机制可以在几个步骤中描述；首先，通过使用GS方法计算α_m,r，且其次，计算g_m,其中它与输出y(n)一起使用以找出非正交候选函数a_m的权重。

第一步骤是通过使用下式计算GramSchmidt权重α_m,r：

${\mathrm{\α}}_{mr}\left(n\right)=\frac{\stackrel{\‾}{P_m\left(n\right)*{\mathrm{\ω}}_r\left(n\right)}}{{\mathrm{\ω}}_r^2\left(n\right)}---\left(5\right)$

其中m＝1,2,3…M是当前项的索引，而r＝0,1,2…m-1是先前项的索引。为了在无需计算正交函数ω_m的情况下计算GS权重，根据式(6)计算候选函数与正交函数的相关D(m,r)。

$D(m,r)=\stackrel{\‾}{P_m\left(n\right)*{\mathrm{\ω}}_r\left(n\right)}---\left(6\right)$

前一式可通过下式表达：

$D(m,r)=\stackrel{\‾}{P_m\left(n\right)*P_r\left(n\right)}-\underset{i=0}{\overset{r-1}{\Σ}}{\mathrm{\α}}_{ri}D(m,i)$

FOS的一个巨大优点是它不需要显式地创建正交函数。这极大地降低了计算时间。另外，存储需求相当大地减少。所有这些是在没有相对于显式地创建正交函数的基本技术的任何结果降级的情况下达成的。

根据上式(5-6)，GS的权重可被如下表达：

${\mathrm{\α}}_{mr}\left(n\right)=\frac{D\left(m,r\right)}{D\left(r,r\right)}---\left(7\right)$

同时，正交函数ω_m在式(8)中给出

$D(m,m)=\stackrel{\‾}{{\mathrm{\ω}}_m\left(n\right)}---\left(8\right)$

在计算GramSchmidt权重α_m,r之后，正交函数被用来计算并算出正交权重g_m。使用GS权重计算正交权重的主要目标是最小化正交函数展开的均方误差(MSE)。MSE由下式给出：

$MSE=\stackrel{\‾}{{\mathrm{\ϵ}}^2\left(n\right)}=\stackrel{\‾}{y^2\left(n\right)}-\underset{m=0}{\overset{M}{\Σ}}{g_m}^2*\stackrel{\‾}{{\mathrm{\ω}}_m^2(n})---\left(9\right)$

通过相对于g_m来对上式求导，并且将其值设置成零，使MSE的值最小化的正交权重(g_m)的值由式(10)给出

$g_m=\frac{\stackrel{\‾}{y\left(n\right)*{\mathrm{\ω}}_m\left(n\right)}}{{\mathrm{\ω}}_m^2\left(n\right)}---\left(10\right)$

输出的均值的计算以及计算正交权重g_m所需的正交函数在下式中给出：

$c\left(m\right)=\stackrel{\‾}{y\left(n\right)*{\mathrm{\ω}}_m\left(n\right)}=\stackrel{\‾}{P_m\left(n\right)*y\left(n\right)}-\underset{r=0}{\overset{m-1}{\Σ}}{\mathrm{\α}}_{mr}*C\left(r\right)---\left(11\right)$

其中C(m)可以根据等于输出y(n)的均方值的C(0)和式(11)来递归地求解，其中m＝1,2,3…M。随后，正交权重g_m的值由下式给出：

$g_m=\frac{C\left(m\right)}{D\left(m,m\right)}---\left(12\right)$

来自第m个项的添加的MSE降低可由式(13)来表示，其中具有最大Q值的候选被选作模型项，但可任选地，它添加到模型可服从超过阈值水平的它的Q值。

$Q\left(M\right)={g_m}^2*\stackrel{\‾}{{{\mathrm{\ω}}_m}^2\left(n\right)}={g_m}^2*D(M,M)---\left(13\right)$

通过计算正交权重g_m和GS权重α_m,r，式(2)中的系数a_m可通过使用以下公式来计算：

$a_m=\underset{i=m}{\overset{M}{\Σ}}{g}_i*v_i---\left(14\right)$

$\begin{array}{cc}{v}_i=-\underset{r=m}{\overset{i-1}{\Σ}}{\mathrm{\α}}_{ir}*v_r& and{v}_m=1\end{array}---\left(15\right)$

在上式中，索引i＝m+1,2…M。

通过计算系数a_m并选择模型项P_m(n)，则式(2)中的该系统可被表示。

FOS的另一优点是它选择表示该系统的候选函数连同获得它们的系数的能力，这与只获得已知模型结构的系数的某些其他方法形成对比。FOS是能够(甚至从非常大量的候选基础函数中)找出系统的准确模型的高效且有效的系统标识方法。FOS可以从过完成集合中选择候选，因为它具有选择最高有效候选的能力。

以上描述是与FOS技术有关的简要背景，它可被用于构建可变步长非线性模型。

在一些实施例中，本方法和系统可以使用垂直加速度来检测各步和/或根据检测到的步期间的加速度读数来计算参数。垂直加速度可以通过以下各项中的任一者来获得：(i)垂直安装的加速度计，如果应用允许这样的安装的话；或(ii)与应用和/或安装无关的经分解的垂直加速度。在第二种情况下，纵摇和横摇角被使用在对加速度读数的分解中以获得经分解的垂直加速度信号。纵摇和横摇角可以根据以下各项中的任一者以及其他来计算：(i)通过不同方法中的任一方法的陀螺仪，例如四元法，

(ii)加速度计读数或平均加速度计读数(固定时间平均或移动平均)，或

(iii)使用任何类型的集成技术的集成导航解决方案，并将不同的传感器和/或系统集成在一起，例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(诸如例如GNSS、WiFi、或任何其他无线技术)。在一些其他实施例中，本方法和系统可以使用加速度读数的量值来检测各步和/或来根据检测到的步期间的加速度读数辅助计算参数。在后一情况下，取决于使用，重力加速度可以或可以不从量值中移除。在使用加速度信号的所有以上选项中，它可被原样使用，或者可任选地使用平均、平衡、或过滤(诸如例如低通滤波)。

本方法和装置可以使用表示人类运动动态性的不同参数。在一些实施例中，所使用的表示人类运动动态性的不同参数是以下各项中的任一者或任何组合：步频、步期间的加速度方差、步期间的加速度峰值、或步期间的峰到峰加速度值；以及其他。必须注意，加速度可以是前一段落中讨论的各选项中的任一者。在一个实施例中，所使用的表示人类运动动态性的参数是步频和步期间的加速度方差。

在一些实施例中，本方法和装置可被用于2D运动的步长估计。在涉及3D运动的其他实施例中，本方法和装置可被用于3D步长估计或用于估计步长的2D投影；在这种情况下，表示人类运动动态性的不同参数可包括与身高或身高变化相关的一些参数。与身高或身高变化相关的参数可以来自一个或多个不同的源，例如：(i)气压计，(ii)来自绝对导航信息(诸如GNSS)的身高，(iii)使用任何类型的集成技术的集成身高解决方案或导航解决方案，并将不同的传感器和/或系统集成在一起，例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(例如GNSS、WiFi、或任何其他无线技术)。

在一些实施例中，在模型构建阶段(第一阶段)或使用阶段(第二阶段)到模型的输入是表示人类运动动态性的不同参数。在一些实施例中，在模型构建阶段(第一阶段)或使用阶段(第二阶段)到模型的输入是表示人类运动动态性的不同参数，连同从这些参数中的一些或全部导出的其他输入，这些参数诸如(以及其他)：

这些参数的不同的经时延的版本；和/或

通过将以下相乘获得的不同项：(a)这些参数或它们的经时延的版本中的任何/一些/全部乘以(b)这些参数或它们的经时延的版本中的任何/一些/全部。

在一个实施例中，从上述信号中检测各步基于峰值检测技术。在另一实施例中，从上述信号中检测各步基于零交叉技术。在使用零交叉技术时并且在加速度计读数的量值被使用的情况下，在应用零交叉技术之前，重力需要从加速度计读数的量值中移除。图6示出如何使用峰值检测技术作为经分解的垂直加速度信号上的步检测来标识的步。使用峰值检测技术，步被定义为两个连续正或负检测到的峰值之间的距离。

在模型构建阶段，一群徒步者收集被用来使用非线性系统标识技术构建模型的数据集(包括传感器读数的数据集)。在一些实施例中，收集该数据集的该群人来自不同性别以及具有不同身高、体重和行走和/或跑步风格；并且这一群人通过以不同的速率行走和/或跑步来收集数据。

在模型构建中，第一阶段是数据收集。对于检测到的每一步，参考步长和所使用的表示人类运动动态性的参数被收集、存储、并随后馈送到系统标识技术。在模型构建阶段，参考步长可以从各源获得，例如：(i)来自绝对导航信息源(例如，GNSS或WiFi定位)，(ii)来自使用任何类型的集成技术的任何类型的集成导航解决方案，并将不同的传感器和/或系统集成在一起，例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(例如GNSS、WiFi、或任何其他无线技术)。所使用的表示人类运动动态性的参数是针对每一徒步者的从传感器读数检测到的每一步来测量的，以被用于获得非线性模型。传感器读数可被原样使用，或者在可任选的平均、平衡、或过滤(诸如例如低通滤波)之后使用。

在模型构建期间，第二阶段要将所收集的数据馈送到非线性系统标识技术，随后运行它来构建并获得非线性模型。步长是用来构建模型的目标输出，且表示人类运动动态性的参数和/或来自它们的变型(如上所述)构成与目标输出相对应的该模型的输入。

在一实施例中，FOS被选作非线性系统标识技术的示例。根据以上给出的与FOS有关的背景，该技术应当提供有候选函数池；该技术的主要任务是在这些候选函数中搜索，并且根据最小均方误差准则以最佳方式选择可构建步长的非线性模型作为表示人类运动动态性的不同参数的函数的多个候选。在这些候选函数中搜索被完成以获得能够描述该系统的最佳候选函数集合。

通常，非线性模型被用来根据用作该模型的输入的、表示人类运动动态性的不同参数计算步长，其中这些参数是从传感器读数获得的。一些示例应用以及其他是：(i)测量诸如行走和/或跑步等徒步活动期间的行进距离，而不管是恒定还是变化的速率；(ii)任何步检测技术以及任何航向源一起直接用在徒步者推算(PDR)中(这样的PDR解决方案可被单独使用，它可以使用任何集成技术和任何传感器来与通过绝对导航信息的其他系统或者与其他传感器或者与任何集成导航解决方案集成)。

本方法和系统可被用在许多应用中。在一些实施例中，该应用使该系统在人徒步移动时安装在该徒步者的身体上、由该徒步者把持、或由该徒步者携带，其中该装置相对于该徒步者的移动性是受约束或不受约束的。该系统可被拴系或未拴系到该徒步者的身体。

在一些实施例中，使用本方法和系统的应用可以使用：(i)仅模型构建，(ii)仅已获得的模型，或(iii)模型构建随后模型使用两者。

可任选地，本方法和系统可以用在测量徒步活动(诸如以恒定或可变速率来行走或跑步)期间的行进距离的应用中。

可任选地，本方法和系统可与任何步检测技术和任何航向源一起被用在徒步者推算(PDR)应用中。航向可以根据以下各项中的任一者以及其他来计算：(i)通过不同方法中的任一方法的陀螺仪，例如四元法，分解和经分解的陀螺仪的数学积分，垂直安装的陀螺仪的数学积分；(ii)使用任何类型的集成技术的集成导航解决方案，并将不同的传感器和/或系统集成在一起，例如以下中的一些或全部：加速度计、陀螺仪、磁力计、气压计、或任何导航信息更新(诸如例如GNSS、WiFi、或任何其他无线技术)。

可任选地，在本方法和系统用在PDR解决方案中的情况下，这一PDR解决方案可被单独使用，或者它可使用任何集成技术与提供绝对导航信息的其他系统或与传感器或与任何组合集成在一起。PDR解决方案可与其集成在一起的系统的一些可能的示例是：惯性导航系统(INS)、绝对导航信息系统(如GNSS、WiFi、RFID、Zigbee、基于蜂窝的定位，以及其他)、任何其他定位系统、系统的组合、或集成任何类型的传感器或系统并使用任何类型的集成技术的任何集成导航系统。集成技术的一些可能的示例是Kalman滤波器、粒子滤波器、或任何其他滤波器或估计技术，以及其他集成技术。

对于模型构建，为了运行用来构建模型的系统标识技术，具有处理能力的任何机器或设备可被使用，其中模型构建技术可以运行并输出模型以用于估计把持。

本方法和系统使用以下中的至少一者：(i)垂直安装的单轴加速度计，或(ii)三轴加速度计(这意味着三个一组加速度计)。在一个实施例中，该装置至少包括垂直安装的单轴加速度计，它可被用作唯一传感器。在另一实施例中，该装置至少包括三轴加速度计，它可被用作唯一传感器。在又一实施例中，该装置至少包括三轴加速度计和三轴陀螺仪，它们可被用作唯一传感器。在一些实施例中，除了上述惯性传感器之外，该装置可包括附加类型的传感器，例如磁力计、气压计或任何其他类型的附加传感器，因为这些可用传感器中的任一者可被使用。该系统还可包括获得绝对导航信息的源(如，GNSS、WiFi、RFID、Zigbee、基于蜂窝的定位，以及其他)、任何其他定位系统、或系统的组合。在涉及3D运动的各实施例中，其中步长估计针对3D步长估计或用于估计步长的2D投影，该系统另外包括(作为上述传感器组合的补充)用于测量身高或身高变化的装置，例如：(i)气压计，或(ii)获得绝对导航信息的源。

在一些实施例中，该系统还可包括处理装置。在这些实施例中的一些中，该系统中的传感器和/或设备处于同一模块或设备中。在一些其他实施例中，该系统中包括的传感器和/或设备可被包含在与包含处理装置的设备或模块分开的设备或模块中；在这种情况下，这两个设备或模块可通过有线或无线通信手段来通信。

在一些实施例中，在模型构建时，上述系统(在一个或多个设备或模块中)可被用于以下各项中的任一者：(i)数据收集和记入日志(包括保存和存储)，同时模型构建技术在另一计算机器上运行，(ii)数据读取和处理模型构建技术，(iii)数据收集、记入日志(包括保存或存储)，以及处理模型构建技术。

在一些实施例中，在模型使用以估计步长时，上述系统(在一个或多个设备或模块中)可被用于以下各项中的任一者：(i)数据收集和记入日志(包括保存和存储)，同时用于步长估计的模型在另一计算机器上运行，(ii)数据读取和使用该模型来进行步长估计，(iii)数据收集、记入日志(包括保存或存储)，以及使用该模型来进行步长估计。

在本文呈现的方法按任何方式与导航解决方案(2D或3D)相组合时，这一导航解决方案可以使用任何类型的状态估计或过滤技术。状态估计技术可以是线性的、非线性的、或其组合。导航解决方案中使用的不同示例可以依赖于Kalman滤波器，扩展Kalman滤波器，诸如粒子滤波器等非线性滤波器，或诸如神经网络或模糊系统等人工智能技术。导航解决方案中使用的状态估计技术可以使用任何类型的系统和/或测量模型。导航解决方案可以遵循用于集成不同传感器和系统的任何模式，例如松耦合集成模式或紧耦合集成模式，以及其他。导航解决方案可以利用建模(使用线性或非线性、短存储器长度或长存储器长度)和/或针对所使用的惯性传感器和/或其他传感器的误差的自动校准。

构想的实施例

构想了以上呈现的方法和系统可以与导航解决方案一起使用，该导航解决方案可任选地利用自动零速度时段或静止时段决策连同可能的更新以及惯性传感器偏置重新计算、非完整更新、惯性传感器误差的高级建模和/或校准、从GNSS中(在适当时)导出可能测量更新、GNSS解决方案质量的自动评估以及检测降级的性能、每一可见GNSS卫星的评估(在处于紧耦合模式时)、并最终可能可与具有任何类型的向后平滑技术的向后平滑模块一起使用，并且任一技术在任务后或在同一任务内的缓冲数据上在背景中运行。

还构想了以上呈现的方法和系统也可与某种模式的交通技术或某种模式的检测技术相组合以确立交通模式。这允许检测徒步者模式以及其他模式，例如驾车模式。在检测到徒步者模式时，可使本公开中呈现的方法工作。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案被进一步编程以在后台运行例程来模拟绝对导航信息的人工中断，并估计用于本导航模块中的解决方案的状态估计技术的另一实例的参数以优化该解决方案的准确性和一致性。准确性和一致性通过将模拟中断期间的临时后台解决方案与参考解决方案进行比较来评估。参考解决方案可以是以下示例之一：绝对导航信息(例如，GNSS)、集成可用传感器与绝对导航信息(例如，GNNS)并且可能具有可任选的速度或速率读数(例如，来自测程法)的设备中的向前集成导航解决方案、集成可用传感器与绝对导航信息(例如，GNNS)并且可能具有可任选的速度或速率读数(例如，来自测程法)的向后平滑集成导航解决方案。后台处理可以在与向前解决方案处理系统的处理器上运行或在可与第一处理器通信并可从共享位置读取保存数据的另一处理器上运行。后台处理解决方案的输出可以使实时导航解决方案在其将来运行中获益(即，在后台例程已完成运行之后的实时运行)，例如通过具有用于本模块中断导航的向前状态估计技术的参数的经改进的值。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案进一步与地图(诸如街道地图、室内地图或模型、或任何其他环境地图或模型，在具有这样的地图或模型可用的应用的情况下)以及地图匹配或模型匹配例程集成。地图匹配或模型匹配可在绝对导航信息(诸如GNNS)降级或中断期间进一步增强导航解决方案。在模型匹配的情况下，获取与环境有关的信息的传感器或传感器群可被使用，例如激光测距器、相机以及视觉系统、或声纳系统。这些新系统可被用作外部帮助来在绝对导航信息问题(降级或缺失)期间增强导航解决方案的准确性，或者在一些应用中，它们可以完全替代绝对导航信息。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案在按紧耦合模式或混合松/紧耦合选项工作时，不必被限于利用伪距测量(它们是根据代码而非载波相位来计算的，因而它们被称为基于代码的伪距)和多普勒测量(用来获得伪距速率)。GNSS接收机的载波相位测量也可被使用，例如：(i)作为替换方式来计算距离代替基于代码的伪距，或(ii)通过合并来自基于代码的伪距和载波相位的测量来增强距离计算，这样的增强是载波平滑的伪距。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案依赖于GNSS接收机与其他传感器的读数之间的超紧密集成模式。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案使用也可被用于定位和导航的各种无线通信系统来作为附加辅助(即，在GNSS不可用时将更有益处)或作为GNSS信息的替换(例如，对于GNSS不适用的应用)。用于定位的这些无线通信系统的示例是诸如由蜂窝电话塔和信号、无线电信号、数字电视机信号、WiFi、或Wimax提供的那些系统。例如，对于基于蜂窝电话的应用，来自蜂窝电话塔的绝对坐标和室内用户与塔之间的距离可被用于定位，藉此可通过不同的方法来估计距离，在这些方法中计算到达时间或最接近蜂窝电话定位坐标的到达时间差。称为增强观察时间戳(E-OTD)的方法可被用来获得已知的坐标和距离。距离测量的标准差可依赖于蜂窝电话中使用的振荡器的类型以及蜂窝塔定时装备和传输损失。WiFi定位可以按各种方式来完成，包括但不限于到达时间、到达时间差、到达角、收到信号强度、以及指纹技术，以及其他；所有这些方法提供不同的准确度水平。用于定位的无线通信系统可以使用不同技术来对测距、角度、或信号强度中的误差进行建模，并且可以使用不同的短路径减轻技术。所有上述概念以及其他也可按类似的方式来应用于基于无线通信系统的其他无线定位技术。

还构想了以上呈现的方法和系统也可与以下导航解决方案一起使用：该导航解决方案利用来自其他正在移动的设备的辅助信息。这一辅助信息可被用作附加辅助(即，在GNSS不可用时将更有益处)或作为GNSS信息的替换(例如，对于基于GNSS的定位不适用的应用)。来自其他设备的辅助信息的一个示例可能够依赖于不同设备之间的无线通信系统。底层概念是具有更好定位或导航解决方案的设备(例如，具有带良好可用性和准确度的GNSS)可帮助具有降级的或不可用的GNSS的设备获得经改进的定位或导航解决方案。这一帮助依赖于辅助设备的公知位置以及用于定位具有降级的或不可用GNSS的设备的无线通信系统。这一所构想的变型涉及以下情况之一或两者：(i)具有降级的或不可用GNSS的设备利用本文描述的方法并获得来自其他设备和通信系统的辅助，(ii)具有可用GNSS并且因而具有良好导航解决方案的辅助设备利用本文描述的方法。用于定位的无线通信系统可依赖于不同通信协议，并且它可依赖于不同方法，诸如例如到达时间、到达时间差、到达角、以及收到信号强度，以及其他。用于定位的无线通信系统可以使用不同技术来对来自无线信号的测距和/或角度中的误差进行建模，并且可以使用不同的短路径减轻技术。

构想了以上呈现的方法和装置也可与本文作为示例描述的基于MEMS的传感器之外的各种类型的惯性传感器一起使用。

不对上述描述作出任何限制，以上呈现的实施例通过以下示例进一步演示。

示例

示例1——针对不同速率的行走来构建模型

低成本原型单元被用于收集传感器读数以构建模型。虽然本方法和系统在这一原型单元中不需要所有传感器和设备(如上所述)，但在该示例中，它们被安装以只是解释所使用的原型。使用了来自Invensense的包括六个自由度的惯性单元的低成本原型单元(即，三轴陀螺仪和三轴加速度计)(MPU-6050)、来自Honeywell的三轴磁力计(HMC5883L)、来自MeasurementSpecialties的气压计(MS5803)、以及来自u-box的GPS接收机(LEA-5T)。

在这一示例中，用于根据表示人类运动动态性的不同参数来构建步长的非线性模型的非线性系统标识技术是FOS技术。

出于演示的目的以及为比较起见，本方法与来自将步长认为是步频和垂直加速度方差的线性函数的文献的方法相比较，使用所收集的相同数据和离线校准以计算线性模型参数。

根据步长估计问题的先前知识以及在徒步运动(在该示例中是行走)期间它如何与变化的人类动态性相关，不同的相关参数被作为FOS技术的可能候选集合来测试。这些集合包括以下参数(以及其他)：步频、步期间的垂直加速度方差、峰到峰加速度值、步期间的垂直加速度峰值、步期间的加速度量值方差、峰到峰加速度量值、步期间的加速度量值峰值。

最后，最佳找出候选被选择。这一候选池被给予FOS技术，它包括步频、经分解的垂直加速度方差、它们的具有一个样本时延的一个经时延的版本、以及上述项的二阶积。GPS被用于在模型构建阶段计算步长(目标输出)。

FOS技术排除垂直加速度方差的经时延的版本、垂直加速度非常与步频的经时延的版本的积、步频与其经时延的版本的积、步频的经时延的版本与垂直加速度方差的经时延的版本的积、以及最后垂直加速度方差的经时延的版本与其自身的积。还注意到，它向步频、垂直加速度方差、以及步频与垂直加速度方差的积的一阶和二阶项给出相对较高的权重，并向该池中的其他所选候选给出相对较低的权重。

在可变速率行走的这一演示示例中，在模型构建阶段期间，数据集由17个不同的主体徒步者收集。不同的身体特性被考虑，如身高、体重、性别、以及年龄。每一主体使用四个不同的行走速率来收集数据——非常快、快、正常、以及缓慢。此外，主体中的每一者在每一速率类别中收集若干数据集，以具有用于验证的数据集的充裕性。用于模型构建的数据集包括每一主体的四个数据集(每一数据集具有上述速率之一，这意味着一个非常快、一个快、一个正常、以及一个缓慢)。

所获得的模型旨在适用于具有不同速率的人的不同行走风格。

在FOS构建了非线性模型后，该模型被使用大量数据来测试，它包括以下两者：(i)到该模型的大量全新数据，它自身包含由收集在模型构建中使用的数据的相同徒步者收集的其他数据，以及由其中他们的数据没有一者被用在模型构建阶段的新徒步者收集的数据集；以及(ii)在模型的构建阶段使用的数据只用于验证。

为比较起见，在构建FOS模型中使用的相同数据集被用于使用线性回归方法的线性模型系数的离线计算(这是现有技术中可用的技术且为演示FOS非线性模型的增强起见被呈现)。

示例2——使用具有不同速率的行走的可变步长模型

低成本原型单元被用于使用、演示、以及确认具有不同速率的行走的可变步长模型(通过FOS获得)。虽然本方法和装置在这一原型单元中不需要所有传感器和设备(如上所述)，但在该示例中，它们被安装以只是解释所使用的原型。使用了来自Invensense的包括六个自由度的惯性单元的低成本原型单元(即，三轴陀螺仪和三轴加速度计)(MPU-6050)、来自Honeywell的三轴磁力计(HMC5883L)、来自MeasurementSpecialties的气压计(MS5803)、以及来自u-box的GPS接收机(LEA-5T)。

所提出的方法和装置是通过来自具有不同行走速率的不同徒步者(若干徒步者与用于模型构建的那些徒步者不同)的大量迹线来测试的，以演示所提出的步长估计方法和装置可如何处理不同的行走动态性。

进行本方法的用于使用FOS构建的模型作为用来构建非线性模型的非线性系统标识技术的示例的可变步长估计与来自文献的根据步频与步期间的垂直加速度方差的线性方程来估计步长的线性回归模型之间的比较。这两个模型是使用相同的模型构建数据来构建的。使用由FOS构建的非线性模型的结果对照使用线性回归模型的结果进行比较。

演示步长模型的最终方式是查看来自PDR解决方案的定位结果，它们中的每一者使用这些模型之一。相同的PDR解决方案使用相同的步检测技术来应用以确保检测到的步数是相同的，并且相同的航向源也被提供给利用这两个模型的PDR解决方案两者。因此，所比较的解决方案之间的唯一差异是所使用的不同步长估计模型。

出于演示的目的，所收集的迹线中的三个示例行走迹线在下文中被呈现以示出所提出的方法和装置如何能够提供随具有不同行走速率的不同徒步者变化并且它可如何比现有技术执行得更准确的通用步长模型。

在这一示例中，矩形迹线被使用来在这两种方法之间进行比较，其中GPS被用作参考。在图7、图8和图9中，GPS解决方案被用实线示出，使用FOS模型结果的PDR用具有圆形标记的实线示出，且使用线性回归模型结果的PDR用点划线示出。

在图7中，示出了缓慢行走速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型高估了步长，这导致与参考相比较大的PDR迹线。

在图8中，示出了正常行走速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型低估了步长，这导致与参考相比较小的PDR迹线。

在图9中，示出了快速行走速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型低估了步长，这导致与参考相比较小的PDR迹线。

这些结果演示出根据由FOS生成的非线性模型估计的步长比根据线性回归模型估计的步长更准确。

示例3——针对不同速率的跑步来构建模型

低成本原型单元被用于收集传感器读数以构建模型。虽然本方法和系统在这一原型单元中不需要所有传感器和设备(如上所述)，但在该示例中，它们被安装以只是解释所使用的原型。使用了来自Invensense的包括六个自由度的惯性单元的低成本原型单元(即，三轴陀螺仪和三轴加速度计)(MPU-6050)、来自Honeywell的三轴磁力计(HMC5883L)、来自MeasurementSpecialties的气压计(MS5803)、以及来自u-box的GPS接收机(LEA-5T)。

在这一示例中，用于根据表示人类运动动态性的不同参数来构建步长的非线性模型的非线性系统标识技术是FOS技术。

出于演示的目的以及为比较起见，本方法与将步长认为是步频和垂直加速度方差的线性函数的现有技术方法相比较，使用所收集的相同数据和离线校准以计算线性模型参数。

根据步长估计问题的先前知识以及在徒步运动(在该示例中是跑步)期间它如何与变化的人类动态性相关，不同的相关参数被作为FOS技术的可能候选集合来测试。这些集合包括以下参数(以及其他)：步频、步期间的垂直加速度方差、峰到峰加速度值、步期间的垂直加速度峰值、步期间的加速度量值方差、峰到峰加速度量值、步期间的加速度量值峰值。

最后，最佳找出候选被选择。这一候选池被给予FOS技术，它是步频、经分解的垂直加速度方差、它们的具有一个样本时延的一个经时延的版本、以及上述项的二阶积。GPS被用于在模型构建阶段计算步长(目标输出)。

FOS技术排除垂直加速度方差的经时延的版本、垂直加速度非常与步频的经时延的版本的积、步频与其经时延的版本的积、步频的经时延的版本与垂直加速度方差的经时延的版本的积、以及最后垂直加速度方差的经时延的版本与其自身的积。还注意到，FOS技术向步频、垂直加速度方差、以及步频与垂直加速度方差的积的一阶和二阶项给出相对较高的权重，并向该池中的其他所选候选给出相对较低的权重。

在可变速率跑步的这一解说示例中，在模型构建阶段期间，数据集由10个不同的徒步者主体收集。不同的身体特性被考虑，如身高、体重、性别、以及年龄。每一主体使用六个不同的行走速率来收集数据——极快、非常快、快、正常、缓慢、以及非常慢。此外，主体中的每一者在每一速率类别中收集若干数据集，以具有用于验证的数据集的充裕性。用于模型构建的数据集包括每一主体的四个数据集(每一数据集具有上述速率之一，意味着一个非常快、一个快、一个正常、以及一个缓慢)。

所获得的模型旨在适用于具有不同速率的人的不同跑步风格。

在FOS构建了非线性模型后，该模型被使用大量数据来测试，它包括以下两者：(i)到该模型的大量全新数据，它自身包含由收集在模型构建中使用的数据的相同用户收集的其他数据，以及由其中他们的数据没有一者被用在模型构建阶段的新用户收集的数据集；以及(ii)在模型的构建阶段使用的数据只用于验证。

为比较起见，在构建FOS模型中使用的相同数据集被用于使用线性回归方法的线性模型系数的离线计算(这是现有技术中可用的技术且为解说FOS非线性模型的增强起见被呈现)。

示例4——使用具有不同速率的跑步的可变步长模型

低成本原型单元被用于使用、演示、以及确认具有不同速率的跑步的可变步长模型(通过FOS获得)。虽然本方法和系统在这一原型单元中不需要所有传感器和设备(如上所述)，但在该示例中，它们被安装以只是解释所使用的原型。使用了来自Invensense的包括六个自由度的惯性单元的低成本原型单元(即，三轴陀螺仪和三轴加速度计)(MPU-6050)、来自Honeywell的三轴磁力计(HMC5883L)、来自MeasurementSpecialties的气压计(MS5803)、以及来自u-box的GPS接收机(LEA-5T)。

所提出的方法和装置是通过来自具有不同跑步速率的不同徒步者(若干用户与用于模型构建的那些用户不同)的大量迹线来测试的，以演示所提出的步长估计方法和装置可如何处理不同的跑步动态性。

进行本方法的用于使用FOS构建的模型作为用来构建非线性模型的非线性系统标识技术的示例的可变步长估计与现有技术的根据步频与步期间的垂直加速度方差的线性方程来估计步长的线性回归模型之间的比较。这两个模型是使用相同的模型构建数据来构建的。使用由FOS构建的非线性模型的结果对照使用线性回归模型的结果进行比较。

演示步长模型的方式是查看来自PDR解决方案的定位结果，它们中的每一者使用这些模型之一。相同的PDR解决方案使用相同的步检测技术来应用以确保检测到的步数是相同的，并且相同的航向源也被提供给利用这两个模型的PDR解决方案两者。因此，所比较的解决方案之间的唯一差异是所使用的不同步长估计模型。

出于演示的目的，所收集的迹线中的六个示例跑步迹线在下文中被呈现以示出所提出的方法和装置如何能够提供随具有不同跑步速率的不同徒步者变化并且它可如何比现有技术解决方案执行得更准确的通用步长模型。

在这一示例中，直线迹线被使用来在这两种方法之间进行比较，其中GPS被用作参考。在图10、图11和图12中，GPS解决方案被用实线示出，使用FOS模型结果的PDR用具有圆形标记的实线示出，且使用线性回归模型结果的PDR用点划线示出。

在图10中，示出了缓慢跑步速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型再次高估了步长，这导致与参考相比较长的PDR迹线。

在图11中，示出了正常跑步速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型高估了步长，这导致与参考相比较长的PDR迹线。

在图12中，示出了极快跑步速率结果。PDR结果示出所提出的使用根据FOS生成的非线性模型的方法如何更接近参考，另一方面，线性回归模型低估了步长，这导致与参考相比较短的PDR迹线。

这些结果演示出根据由FOS生成的非线性模型估计的步长比根据线性回归模型估计的步长更准确。

上述实施例和技术可被实现为联合工作的一个或多个系统，或用软件来实现为各互连功能块或离散软件模块。然而，这不是必须的，并且可以存在以下情况：这些功能块或模块等同地聚集在成具有不清晰边界的单个逻辑器件、程序或操作。在任何情况下，实现上述各实施例或接口的各特征的功能块和软件模块可由它们本身来实现，或结合其他硬件或软件操作来实现，被完全实现在设备内或结合该设备以及与该设备通信的其他启用处理器的设备(如服务器)来实现。

虽然已经示出并描述了几个实施例，但本领域技术人员将明白，可对这些实施例作出各种改变和修改而不改变或背离它们的范围、意图或功能。在上述说明书中使用的术语和表达在本文中用作描述而非限制的术语，并且使用这些术语和表达不旨在排除所示出并描述的特征或其各部分的等效方案，要认识到，本发明只有所附权利要求书来定义和限定。

Claims (18)

1.一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：

a.提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件包括至少一个传感器，所述至少一个传感器能够提供传感器读数；

b.从所述传感器读数来检测各步；

c.从检测到的各步的所述传感器读数来获得表示人类运动动态性的参数；以及

d.使用表示人类运动动态性的所述参数以：

i.使用非线性系统标识技术来构建步长模型，

ii.利用使用非线性系统标识技术构建的步长模型来估计步长，或

iii.使用非线性系统标识技术构建步长模型并利用所构建的步长模型来估计步长。

2.一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：

a.提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件包括至少一个传感器，所述至少一个传感器能够提供传感器读数；

b.获得多个徒步者的传感器读数；

c.对所获得的传感器读数运行步检测技术以检测各步；

d.从检测到的每一步的所述传感器读数来获得表示人类运动动态性的参数；

e.获得检测到的每一步的参考步长；

f.将表示人类运动动态性的所述参数和所述参考步长馈送到非线性系统标识技术；以及

g.运行所述系统标识技术来构建模型以根据表示人类运动动态性的所述参数来估计步长。

3.一种用于估计徒步者的徒步运动的可变步长的方法，所述方法包括：

a.提供能随所述徒步者一起移动的设备，所述设备能定位在任何定向上，其中所述设备包括传感器组装件，并且其中所述传感器组装件包括至少一个传感器，所述至少一个传感器能够提供传感器读数；

b.获得所述传感器读数；

c.对所述传感器读数运行步检测技术以检测一步；

d.从检测到的步的所述传感器读数来获得表示人类运动动态性的参数；以及

e.将表示人类运动动态性的所述参数传递给步长模型并根据所述模型估计输出步长，其中所述步长模型是使用非线性系统标识技术来构建的。

4.如权利要求1、2或3中的任一项所述的方法，其特征在于，所述方法能与未拴系到所述徒步者的设备一起操作。

5.如权利要求1、2或3中的任一项所述的方法，其特征在于，所述方法能与拴系到所述徒步者的设备一起操作。

6.如权利要求1、2或3中的任一项所述的方法，其特征在于，所述非线性系统标识技术是快速正交搜索。

7.如权利要求1、2或3中的任一项所述的方法，其特征在于，所述传感器组装件中的所述至少一个传感器包括加速度计。

8.如权利要求1、2或3中的任一项所述的方法，其特征在于，所述传感器组装件中的所述至少一个传感器包括三轴加速度计。

9.如权利要求5或6中的任一项所述的方法，其特征在于，表示人类运动动态性的参数是以下各项中的一者或多者：步频、步期间的加速度方差、步期间的加速度峰值、或步期间的峰到峰加速度值。

10.一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：

a.能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括：

i.包括至少一个传感器的传感器组装件，所述至少一个传感器能够提供传感器读数；以及

ii.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

b.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出并能用于：

i.从所述传感器读数来检测各步；

ii.从检测到的各步的所述传感器读数获得表示人类运动动态性的参数；以及

iii.使用表示人类运动动态性的所述参数以：(A)使用非线性系统标识技术来构建步长模型，

(B)利用使用非线性系统标识技术构建的步长模型来估计步长，或

(C)使用非线性系统标识技术构建步长模型并利用所述步长模型来估计步长。

11.一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：

a.能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括：

i.包括至少一个传感器的传感器组装件，所述至少一个传感器能够提供传感器读数；以及

ii.接收机，其用于接收来自外部源的与所述设备有关的绝对导航信息并产生绝对导航信息输出；以及

b.处理器，其耦合以接收所述传感器读数和所述绝对导航信息输出，其中所述处理器能用于：

i.获得多个徒步者的传感器读数；

ii.对所获得的传感器读数运行步检测技术；

iii.从检测到的每一步的所述传感器读数来获得表示人类运动动态性的参数；

iv.获得检测到的每一步的参考步长；

v.将表示人类运动动态性的所述参数和所述参考步长馈送到非线性系统标识技术；以及

vi.运行所述系统标识技术来构建模型以根据表示人类运动动态性的所述参数来估计步长。

12.一种用于估计徒步者的徒步运动的可变步长的系统，所述系统包括：

a.能随所述徒步者一起移动的设备，所述设备在任何定向上，所述设备包括传感器组装件，所述传感器组装件包括至少一个传感器，所述至少一个传感器能够提供传感器读数；以及

b.处理器，所述处理器能用于：

i.获得所述传感器读数；

ii.对所述传感器读数运行步检测技术；

iii.从检测到的各步的所述传感器读数来获得表示人类运动动态性的参数；以及

iv.将表示人类运动动态性的所述参数传递给步长模型并根据所述模型估计输出步长，其中所述步长模型是使用系统标识技术来构建的。

13.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述设备未拴系到所述徒步者。

14.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述设备拴系到所述徒步者。

15.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述传感器组装件中的所述至少一个传感器包括加速度计。

16.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述传感器组装件中的所述至少一个传感器包括三轴加速度计。

17.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述处理器在所述设备内。

18.如权利要求10、11或12中的任一项所述的系统，其特征在于，所述处理器不在所述设备内。