行人步频探测和步长估计-cc3200实验指导书

第4章行人步频探测和步长估计 高斯噪声，A、B和C为该模型的回归参数，通过有GPS信号情况下的训练过 程求解确定。 其它的线性模型方程与(4．2)类似，其差异仅在加速度统计特征变量的具体选 择上Ⅸappi et al，2001；Lepp蕴koski et al，2002；Shin et al，2005)。 非线性步长模型：因为没有充分理论证明步长与这些统计特征值之间的线性 关系，一些研究者采用了各种非线性模型，如1个参数非线性模型(Fang et al， 2005；Weinberg，2002)： 瓯=K·√k—A嘶。 (4．3) 其中4嗽和以。。分别表示一步内加速度的最大值和最小值，K是模型系数。该模 型因为只有1个参数，统计特征值也不需要通过复杂处理获得，因此很容易在实 时估计算法中实现。 另外一个模型将人行走模式近似为一个倒立的单摆，通过三角关系计算步长 为： 最=￡·√2·[I-COS(ak)] (4．4) 其中ak通过对第k步内小腿旋转角速度积分获得，L是该用户的腿长。其它类似 的非线性公式都通过经验获得，可以参考Kim et al，2004；孙作雷等，2008。 人工智能步长模型：人工智能模型的最大优点是不用关心步长和加速度统计 特征变量之间的具体映射关系。除此之外，这些模型在应用到不同运动模式和地 面情况的场景中更加灵活和适应性强，不像以上介绍的三种模型对地形、运动模 式等的适应性不足。Cho and Park，2006使用一个人工神经网络ANN(Artificial Neural Network)估计步长，其输入包括：步频、每步加速度方差和地形的斜率。 在Beauregard and Haas，2006中，4个参数应用到ANN模型中，每步最大值、 最小值、方差和该步加速度的积分。 Grejner-Brzezinska教授的研究团队在人工智能的步长模型方面做了大量的 研究(G-rejner-Brzezinska et al，2006，2007和2008)。她们开发了一个6个输入 的ANN模型来估计步长，包括步频、该步加速度绝对值、加速度绝对值的方差、 该步高度变化、路面坡度和行人的身高，该模型能使步长的估计误差减小到1 cm 以内。此外，为了解决单个步长模型在运动模式和自然环境变化的情况下可能失 效的问题，她们引入了复杂逻辑理论用于识别行人的运动模式，动态选择不同场 景下最适合的步长估计模型(Moafipoor et al，2008；Moafipoor，2009)。 一旦探测到每个跨步的发生，确定该步的持续时间甄(即步频的倒数 瓯=1／sr。)和估计其步长&，就可以通过以下公式获得当前步行人的速度和距 离： 42