本发明涉及一种用于组合由传感器获得的数据的方法和系统，并且在导航系统领域中具有特定的应用。
背景技术：
传统的惯性导航系统使用标准力学方程将来自惯性测量单元(例如，加速度计、陀螺仪等)的测量结果转换为导航数据，诸如速率、取向和位置。这种系统的一个已知问题是数值积分误差的问题，其表现为导出的导航数据中误差快速增加。惯性导航方程典型地涉及通过对连续的转速和加速度测量结果进行数值积分来确定取向、速率和位置。测量结果误差(例如，由于传感器噪声、偏差、比例因子和对准误差而引起)的积分会导致速率误差不断增加，而速率误差继而会累积到甚至更加快速增加的位置误差中。在低成本惯性测量单元(imu)的情况下，数值积分误差的影响尤其明显，该低成本imu的传感器相对嘈杂，具有较大的对准误差和比例因子误差，并且具有可能随时间或随着温度的变化而显著漂移的偏差。
低成本imu的可用性正变得越来越广泛，并且像这样，导航系统正变得越来越普遍，例如在诸如智能手机和健身追踪器的智能装置中。然而，这些低成本imu通常具有相对较低的质量，这意味着误差漂移典型地是很大的，从而给用户提供了虚假的和无用的结果。全球导航卫星系统(gnss)接收器(诸如gps和glonass)可以与imu结合使用，以便帮助提高导航解算(navigationsolution)的准确性。但是，gnss覆盖范围并不总是很容易获得(例如在建筑物内部)，并且gnss单元本身在某些情况下(例如在“城市峡谷”中)可能会提供不准确的导航数据。
此外，诸如智能手机之类的智能装置可以相对于用户以各种不同的位置和取向来携带，该用户可以频繁地改变他或她的运动方式。例如，智能手机用户可以通过伴随着智能手机放在口袋中行走来开始行程。收到呼叫后，电话可能会被移动到用户的耳朵，在这段时间期间，用户务必跑步去乘公共汽车，此后，用户将花费其余的行程乘公共汽车旅行。与例如其中相对于其主机平台以固定的位置和取向提供惯性测量单元的传统捷联系统(strap-downsystem)相比而言，用户的运动以及装置相对于用户的相对位置和取向的这种变化可能将进一步的误差引入最终的导航解算中。
然而，使用低成本imu的这种导航系统的用户仍将需要准确且可靠的定位信息，并且因此在本领域中需要解决上面概述的问题。
技术实现要素：
根据本发明的第一方面，提供了一种组合来自至少一个传感器的数据的方法，所述至少一个传感器被配置为进行从中可以确定位置或移动的测量，以便确定感兴趣度量随时间的演变，所述方法包括：在第一时间段内，从安装在第一平台上的第一传感器获得第一数据；在第二时间段内，从第一传感器和/或安装在第一平台或第二平台上的第二传感器获得第二数据；确定第一时间实例和第二时间实例之间的感兴趣度量的演变，其中，第一时间实例和第二时间实例中的至少一个在第一时间段和第二时间段中的至少一个内；并且其中，感兴趣度量的演变受到第一数据、第二数据以及第一平台和/或第二平台的运动模型中的至少一个约束。
发明人已经认识到，通过本发明的方法可以克服上述在介绍部分中概述的问题。相对于使用统计噪声滤波器(诸如kalman滤波器)以通过将瞬时数据与来自模型的对应瞬时估计进行比较而对数据进行滤波的现有markovian方法，该方法提供了显着的改进。与此形成对照，本发明的方法使用各种长度的多个时间段(或时间“窗口”)来处理多个传感器数据流，以便在给定的时期将传感器测量结果与运动模型结合(或“融合”)，从而与传统的“单时期”方法相比而言可以具有更大的置信度和准确性。当第一传感器和/或第二传感器是典型地质量低并且具有很大固有偏差的低成本传感器(例如，如在智能手机中所看到的)时，该方法发现了特别的益处。
在此，术语“演变(evolution)”用于意指感兴趣度量的值随时间的变化。例如，感兴趣度量可以是装置的位置，并且因此可以确定装置的位置随时间的演变，从而提供装置所进行的行程的准确轮廓。通常，感兴趣的度量可包括可以从传感器确定出的任何度量，该传感器被配置为进行从中可以确定位置或移动的测量。此类度量的示例包括位置、范围、速度、速率、轨迹、高度、姿态(取向)、指南针航向、步调、步长、行进距离、运动上下文、位置上下文、输出功率、卡路里计数、传感器偏差、传感器比例因子和传感器对准误差。对于本领域技术人员显而易见的是，其他度量也可以包括在该列表中。
至少一个传感器被配置为进行从中可以确定位置或移动的测量。传感器可以对位置或移动直接测量，例如其中测量值是位置或移动值的gnss传感器；或间接测量，例如可以从中推断出传感器的位置的光传感器，例如其在诸如包之类的封闭空间中。
在第一时间段和第二时间段中获得第一数据和第二数据，并在第一时间实例和第二时间实例之间确定出感兴趣度量的演变，其中第一时间实例和第二时间实例中的至少一个位于第一时间段和第二时间段中的至少一个内。在此，“时间段”是在两个间隔开的时间实例之间经过的一段时间，这两个间隔开的时间实例可以是或可以不是第一时间实例和第二时间实例。在一些示例中，第一时间实例和第二时间实例可以定义第一时间段。
在优选实施例中，该方法还包括：在相应的第一时间段和/或第二时间段的至少一部分内分析第一数据和/或第二数据，以便评估第一数据和/或第二数据的可靠性和/或准确性。此外，该方法可以包括：在相应的第一时间段和/或第二时间段的至少一部分内分析第一数据和/或第二数据，以便获得校正后的第一数据和/或校正后的第二数据。感兴趣度量的演变受到校正后的第一数据、校正后的第二数据以及第一平台和/或第二平台的运动模型中的至少一个约束。典型地，所述校正后的第一数据和/或校正后的第二数据比相应的第一数据和/或第二数据更准确和/或更可靠。可以通过校正所获得的第一数据和/或第二数据中的至少一个误差来获得校正后的第一数据和/或第二数据。
对第一数据和第二数据的这种分析相对于在处理所获得的数据并提供它们的感兴趣解算的度量之前不执行这种分析的现有方法提供了进一步优势。本发明有益地允许将更可靠和/或准确的数据用于感兴趣度量的确定，从而为用户提供更准确和可靠的解算。
分析第一数据和/或第二数据可以包括执行自我一致性(self-consistency)检查，该自我一致性检查可以例如包括跨其对应的时间段分析来自给定传感器的数据。典型地，这可以包括分析数据以确保其不违反公认的物理定律。例如，可以从gnss传感器获得第一数据和/或第二数据，并示出平滑的定位踪迹(trace)，其中以1s的更新间隔的位置之间的距离为1m，然后在返回接近原始位置序列之前在1km之外突然示出单个值。由此我们可以推断出“1km”数据点与其余数据不一致，并且因此在确定感兴趣度量的演变时可以被忽略。无法通过(pass)这种自我一致性分析的数据的其他示例包括对本地地磁场有效的那些磁力计值之外的磁力计值、以及在其他平滑或不变的气压计数据中的峰值，该峰值与将表明实际高度变化的加速度数据中的峰值不一致。
对第一数据和/或第二数据的分析可以包括将所述数据彼此进行比较和/或与运动模型进行比较。例如，该分析可以包括：确定与运动模型不对应的第一数据和第二数据的至少一个数据点，并且校正所述至少一个数据点。假设运动模型(将在下面更详细地解释该运动模型)是针对跑步的用户(“跑步”)的，并且在分析第一数据和/或第二数据时，突出显示了与该运动不对应的虚假数据点(例如，表明传感器在时间帧内移动了与正在跑步的人不一致的一段距离的数据点)，这样的错误数据点可以被校正(例如移除)，以便获得具有提高的准确性的感兴趣度量的演变。这种分析有助于避免虚假结果，其是例如在gnss系统中常见的问题。
在比较数据时，使用来自至少三个传感器的数据以便打破来自可能不一致的任何两个传感器的测量结果之间的联系是特别有益的。例如，可以将来自安装在第一平台、第二平台或第三平台上的第三传感器的、并在第三时间段中获得的数据与在第一时间段和第二时间段中获得的来自第一传感器和第二传感器的数据进行比较。第三时间段可以与第一时间段和/或第二时间段完全或部分重叠。
通过使用多个时间段以便处理多个传感器数据流的本发明克服了使用比较瞬时数据点的“单时期(singleepoch)”方法的markovian方法的局限性。在优选的实施例中，这些时间段允许对所获得的数据进行分析，以提供相对于现有方法的进一步的优点。
特别有利地的是，选择第一时间段和第二时间段的持续时间和/或相对于彼此的重叠量，以便允许对第一数据和/或第二数据进行最佳分析。通常，第一时间段和第二时间段的持续时间是基于相应传感器的采样频率、所获得数据的所需统计置信度以及识别任何错误结果所需的数据量中的至少一个来确定的。例如，为了确定平台是否是静态的，需要一个时间段，在该时间段内获得进行该确定所必需的数据。可能需要进行一百次测量，以便清楚地测量所获得数据的统计量的标准偏差，因此需要100/fs的持续时间，其中fs是相应传感器的采样频率。作为进一步的示例，如果数据是从gnss传感器获得的，并且我们希望识别并移除虚假数据点(诸如在1s内移动1km并且然后再次返回的gnss数据点)，则可能只需要5-10个数据点的滚动窗口。这假设感兴趣平台的相对平滑运动。假设提供位置的测量结果的时间序列的gnss传感器在短时间段内受到干扰，在此期间数据被识别为损坏。在常规的gnss系统中，位置踪迹将类似地被损坏，这是因为将在不参考将来数据点的情况下按时间顺序逐点分析数据。有利地，在本发明中，对数据的分析允许忽略损坏的数据，并且仅在损坏的时间段之前和之后获得的数据用于在损坏的时间段期间内插踪迹。可替选地，在识别出损坏的数据之后，可以动态地调整时间段，并且将第一时间段选择为在损坏的数据之前，并且将第二时间段选择为在损坏的数据之后，并且使用从第一时间段和第二时间段获得的数据对两个时间段之间的位置进行内插，以获得更可能正确的踪迹。
通常，在适合所使用的传感器或感兴趣度量的时间尺度上评估所获得的数据。在一些实施例中，选择第一时间段和第二时间段的参数(例如长度和相对重叠)，以便允许识别和校正第一数据和/或第二数据中的至少一个误差。
以这种方式，来自多个传感器的数据可以在定制时间段内进行分析，针对所述分析进行优化，并最终与运动模型结合以确定第一时间实例与第二时间实例之间的感兴趣度量的演变。度量的演变的确定可以使用来自相对于第一时间实例和第二时间实例中的至少一个过去、和/或现在、和/或将来的时间的各种传感器数据，并且可以涉及对时间上向前和/或向后的数据或作为批处理来进行处理，如将在本文中进一步解释的那样。
重要的是，发明人已经认识到，并不总是需要将关于感兴趣度量(诸如定位)的实时信息提供给用户。例如，在感兴趣度量是速率和位置中的至少一个的个人健身追踪应用中，用户可以受益于确定这些度量的提高的准确性，以便改善他们对健身会话的评估。这种评估典型地可以在会话发生之后执行，并且因此可能不需要实时信息。
如果不实时地需要感兴趣度量的演变，则可以通过在时间上向后分析第一数据和第二数据中的至少一个来有利地实现改善的性能。例如，如果在时间上向前和向后的数据分析时识别出相同的虚假数据点，则在将来使数据集通过时，可以忽略或校正该数据点。
在时间上向后分析数据还有利地允许使用所获得的数据中的不对称性，以便评估和/或校正数据的可靠性和/或准确性。例如，来自传感器的所获得数据中的错误“事件”在向前方向进行分析时可能会显示为逐渐变化(并且因此不一定会显现为错误)，但是在向后方向进行分析时可能会显示为令人难以置信的不连续跳跃。因此，通过在时间上向后分析数据，可以相应地校正所获得的数据(例如，通过移除构成事件的数据点)。在优选实施例中，对第一数据和/或第二数据在时间上向后的分析允许从数据的后续通过和感兴趣度量的确定中移除错误的数据，与前向和后向数据的简单平均相比提供了显着的改进。
在特别有利的实施例中，第一数据和/或第二数据在时间上向前和/或向后迭代地进行分析。优选地，对第一数据和/或第二数据的第一分析基于至少一个置信度阈值，并且在第一分析之后修改至少一个置信度阈值；其中，所述第一数据和/或第二数据的后续分析基于修改后的置信度阈值。换句话说，对于这种迭代分析，使第一数据和/或第二数据进行至少两次通过(分析)，并且可以在每次通过之后修改一个或多个置信度阈值。该修改可以基于第一分析的结果。例如，在第一次通过时，可以利用可能不滤除任何数据的第一置信度阈值来分析数据。在随后的数据通过中，当使用更严格的置信度阈值时，来自特定时间段的某些数据可以被排除(或分配更大的不确定性)。在随后的对数据通过上改变的置信度阈值有利地允许逐渐移除错误的测量结果，该错误的测量结果只会在经由多次数据通过才变得明显为错误。
可以根据传感器的已知统计噪声属性或从其他传感器导出的信息来初始设置(“预定”)置信度阈值，其中来自第一传感器的信息可以用于确定适合于测试来自第二传感器的测量结果的有效性的一个或多个阈值。例如，提供加速度信息的惯性传感器可用于设置动态运动期间gnss频率测量结果中的预期变化的阈值。在此，可以从加速度的测量结果推导出位置的变化，从中可以设置从gnss或其他位置传感器推导出的可接受的位置变化的极限。
在随后的数据通过上，可以改善对来自其他传感器的信息的置信度，例如，可以更准确地知道与惯性传感器相关联的偏差，从而导致对加速度的改善的估计，并且因此对任何gnss频率变化的界限更严格。现在可以在第二次通过上移除在第一次传递期间所允许的频率测量结果中的毛刺或误差。数据的迭代分析还有利地允许更可靠地确定第一传感器和/或第二传感器中的任何偏差。
在不需要实时或接近实时地计算感兴趣度量的演变的情况下，可以使用最小二乘或其他估计器来使用批处理。例如，第一传感器和/或第二传感器可能以每秒50个样本的速率提供数据，但是对于在建筑物内移动的人类用户，可能仅需要以每秒0.5个样本的速率提供高度估计，并且如果好处是平滑且准确地估计用户在穿过建筑物的不同楼层时的高度变化，则几秒钟的额外延迟可以是令人满意的。因此，在此示例中，最好每隔几秒钟通过对来自各种数据流(其自身可能已经进行了分析)的信息进行批处理来计算高度，而不是像典型地在现有方法中的情况那样以每秒50的速率立即使用实时数据。
在时间上向前和向后或以批处理分析第一和/或第二数据的一个特定优点是，可以准确地确定出在行程期间包括第一传感器和/或第二传感器(例如智能手机)的装置的轨迹。在行程的过程中，可以在某些时间段期间获得满足预定置信度阈值的准确的定位数据，但是这些时间段之间的数据可能不满足阈值。通过分析在低置信度时间段期间从第一传感器和/或第二传感器获得的数据，并将低置信度时间段内的可能轨迹与有界的高置信度时间段内的轨迹进行比较，可使用与高置信度时间段最好地对准的轨迹来确定行程的完整轨迹。例如，其可以通过在低置信度时间段期间确定运动模型的多个可能位置上下文(如下解释的)并选择其中哪一个导致与高置信度时间段的端点最佳对应的轨迹来完成。在其他实施例中，可以在高置信度时间段期间确定系统和/或运动模型参数，诸如imu偏差、步长模型或运动方向偏移，从而使能传感器数据与运动模型结合以提供跨低置信度时间段的定位解算。在又一些实施例中，可以使用例如从地图获得的先验信息、或者通过使用来自高置信度时间段中的数据生成整个轨迹(或轨迹的区部的分段拟合)的最小二乘拟合作为约束拟合的一种手段来约束低置信度时间段中的传感器测量结果，以帮助确定最可能的轨迹。
如上面描述的，发明人已经有利地认识到，在许多应用中，不需要实时确定感兴趣度量的演变，并且因此设计了一种装置，用于通过使用所获得的第一数据和第二数据以及运动模型以便约束确定来提供感兴趣度量的演变的更准确的确定，然而，在一些实施例中，如果第一时间段和/或第二时间段基本上不延伸到相对于第二时间实例的将来，则可以获得感兴趣度量的演变的近实时确定。在此，可以提供接近实时的结果，其随着获得更多的数据而不断校正和更新果，以为后续分析提供对感兴趣度量的演变的更准确的确定。
运动模型表示第一平台和/或第二平台的总体运动。典型地，运动模型包括以下各项中的至少一项：包括第一平台和/或第二平台的运动上下文的运动上下文分量、以及包括第一平台和/或第二平台的位置上下文的位置上下文分量。运动上下文表示运动的模式，例如描述为“静止”、“行走”、“跑步”、“爬行”、“上/下楼梯”、“在汽车中”、“在自行车上”等。位置上下文是其中支撑第一平台和/或第二平台的上下文，并且通常包括第一平台和/或第二平台相对于其运动方向的姿态(即，俯仰、偏航和滚转中的至少一个)。例如，第一传感器和第二传感器都可以安装在通用的智能手机平台上，在这种情况下，位置上下文可以是手机在用户的口袋中、在用户的手中、在锻炼期间绑在用户的手臂上、或者在电话呼叫期间被用户的耳朵所束缚。
在一些实施例中，运动模型包括定量地描述运动的方面的至少一个参数，和/或可用于确定定量地描述运动的方面的参数的至少一个函数。例如，至少一个参数可以是以下之一：行人步长、行人速度、行人高度、行人腿长、梯段高度、梯段水平距或指南针航向与运动方向的偏移。至少一个函数可以是确定行人步长的函数，诸如例如当用户的步长被参数化为步调或速度的函数时。对本领域技术人员显而易见的是，参数和函数的其他示例是可能的。
典型地，运动模型包括一个或多个分量，例如，如上面解释的运动上下文分量、位置上下文分量和/或参数分量。在一些实施例中，运动模型的至少一个参数由用户手动定义。例如，用户可以指定行走运动模型，其由0.8米的行人步长和0度的恒定的指南针航向与运动方向的偏移(即位置上下文)组成。
可替选地或附加地，可以根据对第一数据和/或第二数据的分析来自动地确定运动模型的至少一个参数。在一些实施例中，在感兴趣的度量随时间的演变的至少一个先前确定期间，根据对从第一传感器和/或第二传感器获得的数据的分析来自动确定运动模型的至少一个参数。典型地，这种感兴趣度量的演变的先前确定可以称为先前的“行程”。
运动模型参数可以使用来自一个或多个行程的传感器数据自动生成。在一优选实施例中，运动模型是参数化模型，其是传感器测量结果中的一个或多个或其导数的函数。如上面讨论的，例如，可以将用户的步长参数化为步调的函数。最佳拟合参数模型的系数可以自动生成，其中从加速度计传感器数据导出步进检测(并且最终是步调)，并且从gnss传感器测量结果导出行进的距离。在gnss覆盖范围较差或没有gnss覆盖的时间段期间，训练后的运动模型可以用于根据步调的测量结果提供步长(以及由此产生的行进距离)的良好估计。
在实施例中，给定运动模型的至少一个参数和/或函数被存储在由第一平台和/或第二平台的运动上下文、位置上下文或标识中的至少一个进行索引的可寻址存储中。
第一平台和/或第二平台的运动模型可以是预先选择的运动模型。在这种情况下，用户可以选择可表示第一平台和/或第二平台的运动的运动模型，典型地在第一时间段和第二时间段的持续时间内，但通常至少在第一时间实例和第二时间实例之间的时间段内(即在此期间确定了感兴趣度量的演变)。例如，用户可以使用本发明的方法来确定他或她的跑步期间的路线和速度。在这种情况下，在开始跑步之前，用户将选择表示“跑步”的运动模型。
在优选实施例中，运动模型是自动选择的运动模型。通过在第一时间段和/或第二时间段期间、和/或在第一时间实例与第二时间实例之间的时间段期间由第一传感器和/或第二传感器获得的数据的分析，可以通过确定第一时间实例和第二时间实例之间的运动上下文和位置上下文中的至少一个来自动选择运动模型。例如，可以从加速计传感器和陀螺仪传感器收集数据，并且可以对用于确定当前运动上下文和/或位置上下文的那些测量结果进行分析。位置上下文可能会持续几分钟，但可能只采取要被改变的几秒钟事情(例如，从用户的口袋移到用户的耳朵)。因此，用于尝试确定位置上下文或位置上下文改变的时间段的持续时间可以为大约1-10s。然后典型地可以从可寻址存储中存储的数据中自动选择具有适合于当前用户和传感器/平台组合的预定参数的对应运动模型。
例如，第一平台和/或第二平台的标识、确定出的运动上下文或确定出的位置上下文中的至少一个可用于从可寻址存储调用使用第一平台和/或第二平台的标识、运动上下文和位置上下文中的至少一个进行索引的至少一个运动模型参数和/或函数。
如果发现在可寻址存储中没有存储运动模型参数和/或函数，则该方法可以进一步包括确定运动模型的至少一个运动模型参数和/或函数，并将所述至少一个运动模型参数和/或函数存储在使用第一平台和/或第二平台的标识、运动上下文和位置上下文中的至少一个进行索引的可寻址存储中。
典型地，对感兴趣度量的演变的约束包括确定第一传感器和/或第二传感器的测量结果偏差并校正所述偏差。当使用容易产生这种偏差的低成本传感器时，这尤其有利。假设运动模型正在“跑步”，其中已知的是用户的每只脚当在地面上时其速率在固定间隔下为零。如果惯性传感器位于用户的脚上，则可以使用零速率更新分析来确定每个静止时间段期间惯性传感器的偏差。通过考虑确定出的传感器偏差，该偏差测量结果可以用于约束感兴趣度量的演变，以便提高感兴趣度量的确定的准确性。
可以从安装在第一平台上的第二传感器获得第二数据。例如，第一传感器和第二传感器可以都安装在智能手机或智能手表内、或车辆内。在其他实施例中，第二数据从安装在不同的第二平台上的第二传感器获得。在一个示例中，gnss传感器被安装在用户佩戴的手表中，并且惯性传感器被安装在用户的脚上。从gnss传感器和惯性传感器接收到的数据的组合可以与运动模型一起用于约束用户行进路线的估计并因此提高其准确性。典型地，在将传感器安装在单独的第一平台和第二平台上的情况下，第一平台和第二平台具有至少一个共同的运动分量。此外，典型地将第一平台和第二平台安装在相同的感兴趣主体(例如，人类用户)上，并且针对感兴趣主体确定感兴趣度量的演变。在其他实施例中，第二平台可以不安装在相同的感兴趣主体上。例如，第二平台的传感器可以向第一平台的传感器提供差分校正，诸如差分gnss校正或本地大气压力测量结果。
典型地，第一时间段和第二时间段至少部分重叠，尽管这不是必须的，并且实际上第一时间段和第二时间段可以不重叠。
如上面已讨论的，在有利的实施例中，第一时间段和第二时间段中的至少一个延伸到相对于第二时间实例的将来。如果第一时间段和/或第二时间段中的至少一个延伸到相对于第二时间实例的将来(即，感兴趣度量的演变的结束点)，则由于可以跨越感兴趣时间段的过去、现在和将来的信息的可用性，因此可以以提高的置信度来执行约束，从而更准确地确定感兴趣度量的演变。在过去和将来的信息均可用的情况下，可以导出内插约束，其相比仅在过去信息可用时(诸如在现有系统中)导出的外推约束而言具有更高的置信度。此外，在根据第一数据和/或第二数据确定运动模型的实施例中，具有延伸到相对于第二时间实例的将来的第一时间段和/或第二时间段有利地允许确定改善的运动模型。
典型地，第二时间段比第一时间段长。这允许来自相对于第一时间段的过去和/或将来的数据被用于最佳地约束第一时间实例和第二时间实例之间的感兴趣度量的演变的确定。可以通过在第一时间实例和第二时间实例之间的多个时间实例处计算针对感兴趣度量的解算、并通过第一数据和第二数据以及运动模型约束这些解算来确定感兴趣度量的演变。
在一些实施例中，第二时间段可以延伸以便包含从第一传感器和/或第二传感器获得的所有数据。例如，如果第一传感器和/或第二传感器是行人导航系统的一部分，则第二时间段可以跨越由导航系统的用户进行的多个行程。在此长时间段内对第二数据的分析可以使能推断出关于用户的信息，诸如步长、步态特征、身高、腿长、预测的运动上下文和位置上下文。此外，可以推断出关于第一传感器和/或第二传感器本身的信息，例如偏差和噪声特征。有利地，这种包含大量数据的第二时间段导致运动模型的更好的准确性(在未预定的情况下)，从而提供感兴趣度量的更准确的确定。此外，这样的实施例可以允许自动用户识别(例如，当共享装置被两个或更多个用户使用时)。
在一些实施例中，第一传感器具有比第二传感器更快的数据采样速率。
第一传感器可以包括以下之一：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频(rf)接收器(例如，使用wifi、蓝牙、蜂窝电话、数字电视/无线电)、计步器、光传感器、照相机、压力传感器、应变传感器、近距离传感器、radar和lidar。如本领域技术人员会想到的，可以将其他传感器类型添加到该列表中。在一些实施例中，第一传感器是惯性测量单元，并且可以是惯性导航系统的一部分。
第二传感器可以包括以下之一：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频(rf)接收器(例如，使用wifi、蓝牙、蜂窝电话、数字电视/无线电)、计步器、光传感器、照相机、压力传感器、应变传感器、近距离传感器、radar和lidar。如本领域技术人员会想到的，可以将其他传感器类型添加到该列表中。在一些实施例中，第二传感器是惯性测量单元，并且可以是惯性导航系统的一部分。
在优选的实施例中，该方法可以进一步包括：在第三时间段中，从第一传感器、第二传感器和第三传感器中的至少一个获得第三数据；并且其中，感兴趣度量的演变的确定进一步受到第三数据的约束。第三传感器可以定位于第一或第二平台或第三平台上。可以以与上面描述的针对第一数据和第二数据相同的方式执行第三数据的分析。
根据本发明的第二方面，提供了一种计算机可读介质，该计算机可读介质包括可执行指令，该可执行指令在由计算机执行时致使计算机执行本发明的第一方面的方法。
可以在下载服务器处提供计算机可读介质。因此，可执行指令可以由计算机借由软件升级来获取。
根据本发明的第三方面，提供了一种系统，该系统包括：至少一个传感器，其进行可以从中确定位置或移动的测量，以便确定感兴趣度量的演变；以及适于执行以下步骤的处理器：在第一时间段内，从安装在第一平台上的第一传感器获得第一数据；在第二时间段内，从所述第一传感器和/或安装在第一平台或第二平台上的第二传感器获得第二数据；并且确定在第一时间实例和第二时间实例之间的感兴趣度量的演变，其中，第一时间实例和第二时间实例中的至少一个在第一时间段和第二时间段中的至少一个内，其中，感兴趣度量的演变受到第一数据、第二数据以及第一平台和/或第二平台的运动模型的约束。
尽管本发明的方法和系统可以用于组合来自任何传感器的数据以确定感兴趣度量的演变，但是本发明在导航系统领域中具有特定的应用，其中感兴趣度量是诸如位置和/或速率的导航数据。在该上下文中，本发明相对于现有技术中使用的方法具有许多优点。例如，由于第一数据、第二数据和运动模型所提供的约束，本发明可以使用低成本的智能手机级惯性测量单元提供准确的、高时间分辨率的行人导航解算，其中不需要gnss数据。这不仅意味着不需要卫星覆盖，而且还利用了以下事实：imu的更新速率典型地比gnss单元快得多(imu的更新速率约为100hz，而gps的更新速率典型地为1hz)，从而使能传感器平台轨迹的高时间分辨率踪迹。此外，本发明中数据的创新组合意味着可以从广泛可用的低成本memsimu中获得准确的导航信息，而使用常规方法，此类装置只能在gnss数据不可用时提供几秒钟的可靠导航解算。
附图说明
现在将参考附图描述本发明的示例，其中：
图1是可以实施本发明的便携式装置的示意性逻辑图。
图2示意性地表示了传感器在第一时间段和第二时间段中获得的数据；
图3示意性地示出了由gnss传感器在两个时间实例之间获得的示例位置数据；
图4示意性地示出了如在时间实例之间确定出的智能手机的位置的演变；
图5示意性地表示在第一时间段和第二时间段内获得的数据；
图6是概述本发明一个实施例的主要步骤的流程图；
图7是概述本发明的进一步实施例的主要步骤的流程图，并且；
图8是可以如何使用来自至少一个传感器的数据来确定感兴趣度量的演变的示意性概述。
具体实施方式
图1是可以实施本发明的便携式装置100的示意性逻辑图。在该示例中，便携式装置100是智能手机，但是应当理解，本发明可以在诸如可穿戴装置(例如，智能手表和其他珠宝)、平板电脑、笔记本电脑等一系列装置上实施。
图1示出了智能手机100的相关组件，其包括处理器1、通信模块2、存储器3、屏幕4、本地存储5(非易失性存储器)和电池7。通信模块2包括无线通信所必需的组件，诸如接收器、发射器、天线、本地振荡器和信号处理器。
装置100还包括惯性测量单元(imu)10，惯性测量单元(imu)在这里包括加速度计12、陀螺仪14和磁力计16。加速度计被配置为测量装置的加速度；陀螺仪被配置为测量装置的旋转速率，并且磁力计被配置为测量本地磁场的强度和方向，并且因此测量装置100的指南针航向。加速度计、陀螺仪和磁力计可以是mems装置，其典型地是三轴装置，其中每个正交轴都包括单独的传感器。其他惯性传感器可以被包括在这种imu中。
装置100还包括gnss传感器20、诸如gps或glonass传感器(或两者)以及光传感器30。在其他实施例中，可以使用其他传感器，上面已经讨论了其示例。
通信模块2、存储器3、屏幕4、本地存储5、电池7、imu10、gnss传感器20和光传感器30中的每个与处理器1进行逻辑通信。处理器1还与导航解算单元(nsu)40进行逻辑通信，其可操作以从装置传感器获得数据并从所述数据及其他度量确定装置的位置和速率。为简单起见，在下面的描述中，感兴趣度量的演变是装置100的位置，即其随着时间的轨迹。
nsu40可以以硬件、固件、软件或其组合来实施。
常规地，如果期望的是追踪两个时间实例t1和t2之间装置位置的演变，如图2中示意性地示出的，则可以通过在时间间隔t1至t2中的每个时间实例处执行对来自速率陀螺仪14的数据的单次积分以确定装置姿态以及对从加速度计传感器12获得的数据进行二重积分(同时校正重力)以便获得位置数据来提供解算。然而，如上面已讨论的，并且如本领域所公知的那样，基于消费级惯性传感器的这样的解算典型地由于来自嘈杂且经常校准不良的传感器的测量结果的数值积分而仅在几秒钟后就经受大的累积姿态和位置误差。类似地，尽管当装置与卫星星座有清晰的视线时，gnss传感器可以提供准确的位置数据，但是当没有直接视线可用时(诸如当用户在建筑物内或穿越“城市峡谷”时)，来自此类传感器的位置数据将经受较大的误差(或可能根本不可用)。
图2示意性地示出了本发明如何克服这些问题，以便在时刻t1和t2之间提供装置的准确和可靠的轨迹。
图2中的框210示意性地表示了在t0(例如，当用户早晨打开智能手机时)到时间t3(其在当前示例中是当前时间)之间的时间段内由imu10的传感器、gnss传感器20和光传感器30获得的数据。为了讨论的目的，在t0和t3之间的这个时间段将被称为第二时间段210。
类似地，框220示意性地表示在t1和t2之间的时间段(为了本次讨论的目的，其将被称为第一时间段)内由imu10的传感器、gnss传感器20和光传感器30获得的数据。在该示例中，在与第一时间段相对应的时间实例t1和t2之间测量感兴趣度量(位置)的演变，尽管情况不一定是这样。例如，可能期望在时间实例t0和t2之间确定位置的演变。
在第一时间段中获得的数据(第一数据)和在第二时间段中获得的数据(第二数据)被提供给nsu40，该nsu40计算期望的解算，在这种情况下，为装置在时间实例t1和t2之间的轨迹。该解算受到第一数据和第二数据以及装置在时间实例t1和t2之间的运动模型的约束。
运动模型表示装置的总体运动，并且优选地包括三个分量：位置上下文、运动上下文和定量地表示装置的运动的至少一个参数。位置上下文是其中支持智能手机的上下文，并且可以包括装置的姿态，例如航向与运动方向的偏移。更一般而言，这可用于推断装置被携带的模式，在智能手机的情况下，其可以是在口袋中、在耳朵旁边、在用户的手中在他身侧摆动、被握在用户的脸前等等。运动上下文通常可以描述智能手机的用户(以及因此智能手机本身)正在移动的模式，例如行走、跑步、爬行、骑自行车等。最后，至少一个参数定量地描述运动的方面，例如用户的步长或速度。
由于解算受到第一数据、第二数据和运动模型的约束，这意味着从传感器获得的错误数据可以在提供位置解算时被校正。例如，如果运动模型包括“行走”的运动上下文和“在用户口袋中”的位置上下文，则当提供位置解算时，可以校正或移除由所述gnss传感器获得的与运动模型不一致的任何数据(例如，不可能通过行走发生的虚假数据事件，诸如位置的突然和大的变化)。
运动模型可以由智能手机的用户例如通过与经由屏幕4呈现给用户的适当的图形用户界面(gui)进行交互来预先选择。例如，在时间t1处，用户可以决定去跑步，并且选择包括“跑步”的运动上下文的运动模型。当确定时间实例t1和t2之间智能手机位置的演变时，由nsu40提供的解算受到第一数据、第二数据和“跑步”运动模型的约束。
可替选地，第一数据和/或第二数据可以用于由nsu40的分析模块42自动选择用在生成位置解算中的运动模型。第二数据可以由分析模块42分析，并且来自加速度计和陀螺仪传感器的数据用于确定当前运动上下文和/或位置上下文。加速度计12可以确定用户的步调，并且确定出运动上下文是“行走”，并且此外，用户的步长是0.8m。除了从陀螺仪传感器14获得的可用于确定位置上下文的数据之外，光传感器30在t0和t3之间的时间段期间还可以检测极少的光或没有光，并且因此可以推断出如果时间在白天期间，则智能手机在封闭的空间(诸如口袋或包)中。因此，第二时间段可以被认为是提供了上下文，在该上下文中，来自第一时间段的数据被处理以提供位置解算。第一数据还可以用于自动选择运动模型。
在特别有利的实施例中，本发明的方法利用了这样的事实，即诸如智能手机100的便携式装置的用户可能会进行许多这样的行程。因此，用于特定用户和装置/传感器组合的运动模型参数可以通过机器学习算法自动学习，并在跨越广泛范围的运动和位置上下文的多个这样的行程内进行细化。例如，可以确定出在多个行程之后，智能手机的用户的可靠步长为0.75m，而不是最初确定的0.8m，从而提供了更准确的导航解算。运动模型及其各种参数可以存储在装置上的本地存储5中，或者通过其他可寻址的存储手段(例如，通过客户端-服务器系统的使用)来存储，并通过位置上下文和/或运动上下文来索引。随后，当确定出特定运动上下文和/或位置上下文时，可以从可寻址存储中自动选择存储的运动模型及其对应的参数。
用户可以使用多于一个装置，例如智能手机和可穿戴装置，诸如智能手表。在其他实施例中，运动模型和相关联的参数可以由装置和/或用户进一步索引，使得通常可以自动选择适合于装置及其当前用户的运动模型。
在优选实施例中，在时间实例t1和t2之间的装置轨迹的确定期间，由nsu40的分析模块42分析在第一时间段220和第二时间段210期间获得的数据。这样的分析有利地允许在第一时间段和第二时间段期间获得的数据的可靠性和准确性的评估，以便相比于转而依赖于瞬时估计的现有系统而言提供了改善的导航解算。例如，如图2中看到的，第二时间实例t2相对于当前时间(其在这里是t3)实际上是过去的。并非总是需要瞬时位置数据，并且实际上，在许多情况下，装置的用户将愿意为了更准确的位置数据而放弃瞬时结果。t2和t3之间的时滞可能约为1s或更长。
由分析模块42执行的这种分析可以包括自我一致性分析(分析由传感器跨相应时间段获得的数据)和交叉引用分析，其中将来自一个传感器的数据与来自另一个传感器和/或运动模型的数据进行比较。由分析模块执行的分析可以包括对在时间上向前和/或向后的所获得数据或作为批处理来进行分析。
以运动模型为“行走”的情况为例，但是在分析从gnss传感器获得的数据时，观察到了不适合这种行走运动模型的数据事件(例如，位置突然移位50m)。该数据事件可以被标记为不可靠，并且因此不会在由nsu40提供的最终位置解算中使用。
由分析模块42执行的分析可以包括在时间上向前和向后处理所获得的数据，这允许将它们中的任何不对称性用于确定其可靠性和准确性。图3示意性地示出了由gnss传感器20获得的一维位置数据。在该示例中，在时间实例ta和tb之间的绘制的位置变化是由错误的位置数据引起的。当在时间上向前处理数据时，在时间段a内的位置的逐渐变化最初可被视为装置的可能“允许的”运动(例如，允许的运动受到当前运动模型和/或来自imu的测量结果约束)。在这种情况下，来自时间段a的错误gnss位置数据用于生成导航解算。随着时间段b内的位置的快速变化超出装置允许的运动范围，这指示出gnss位置数据存在潜在问题。
但是，仅利用时间向前处理，不清楚时间实例tb之前或之后的数据是否出错。在仅使用时间向前分析的简单系统中，可能会拒绝时间实例tb之后(这里在“c”处示出)的某些或所有“准确”位置数据，这是因为这些位置数据现在与已被来自时间段a的错误数据损坏的导航解算不一致。在极端情况下，系统可能永远无法恢复真正的导航解算。通过对同一数据(即从tb到ta)应用时间上向后处理，检测到时间段b内位置几乎不连续的跳跃与装置的允许运动不一致，并且因此该位置数据在合并数据以获得导航解算时被忽略(或分配较低的置信度)。这一直持续到位置数据被认为与当前导航解算以及来自运动模型的装置的“允许的”运动一致为止。例如，在图3中，在时间上向后处理期间，nsu40会正确地忽略(或给定较低置信度)时间tb至ta之间的所有或大部分错误位置数据。
该分析可以包括在时间上向前和/或向后迭代地处理所获得的数据。例如，应用于数据的初始通过的置信度阈值可以使得所有获得的数据被允许用于由nsu40提供的导航解算。当然，这些数据可能包括错误的结果，诸如图3中描绘的时间实例ta和tb之间获得的gnss数据；但是，重要的是不要丢失可能表示由装置进行的实际运动的数据。在数据的后续通过时，来自特定时间段(诸如ta和tb之间)的数据可能不满足在第一次通过之后确定出的新置信度阈值，并且因此将被忽略或校正。在时间上向后处理数据而不是仅在时间上向前使用多次通过的好处是，在没有测量结果的情况下，任何导出的参数的不确定性都会随着时间的推移而增加。因此，通过在两个方向上处理该区域任一侧的数据，并经由加权均值或类似计算来组合由这两次通过所提供的估计，可以在诸如ta和tb之间的区域中整体上更好地估计参数。
可以根据装置传感器的已知统计噪声属性或从其他传感器导出的信息来初始设置置信度阈值。例如，加速度计12可以提供加速度信息以便在动态运动期间设置关于gnss频率测量结果的预期变化的阈值。在数据的随后通过时，可以更准确地知道加速度计上的偏差(例如，可以在显示偏差信息的初始分析期间执行零速率更新分析)。这意味着加速度数据更加准确和可靠，并且因此预期频率变化的置信度阈值可能会更严格(即变化较小)。结果，由于置信度阈值更严格(更加可信)，因此在数据的第一次通过期间允许的频率测量结果的任何误差现在都可以在第二次通过上被忽略。
再次参考图3，如上面讨论的，在数据的第一次通过时，初始置信度阈值可以使得在时间实例ta和tb之间获得的gnss数据被视为与来自运动模型的装置的“允许的”运动一致。在第一次通过处理的过程期间，确定出对imu10偏差的更好估计，其可在数据的后续通过中使用，以提供更准确的imu数据并因此为其他传感器数据提供更严格的置信度阈值。例如，在后续通过中，现在可能发现时间实例ta和tb之间的gnss位置数据与装置受到更严格限制的允许运动不一致，并且因此，从最终轨迹解算中滤除(或分配更低的置信度)。
置信度阈值和时间上向前和向后的相关分析可以应用于所描述的传感器数据，并且也可以应用于导出的数据和感兴趣度量，包括平台状态、姿势以及导出或潜在变量，诸如传感器偏差和校准参数。
在图2中，第二时间段210被示出为在时间实例t0和t3之间延伸，并且第一时间段220被示出为在t1和t2之间延伸。有利地，选择第一时间段和第二时间段的持续时间，以便允许分析模块42对从装置传感器获得的数据的可靠性和准确性进行最佳评估。此外，在一些实施例中，第一时间段和/或第二时间段的持续时间可以响应于分析模块的评估而动态地改变。例如，由于时间段ta和tb之间的错误数据，因此第二时间段可能被延长，使得延长的时间段允许对数据进行更可靠的解释(例如，以便自动选择运动模型)。
图4示意性地示出了在时间实例t1和t2之间确定出的智能手机100的位置的演变。阴影框100a、100b、100c、100d、100e、100f表示其中例如由于高质量gnss数据的可用性而以高置信度(“置信区部(confidentsection)”)确定出了装置100的绝对位置所在的时间段。置信区部的取向还指示出该时间段内装置的取向(例如，位置上下文)。置信区部之间的线400示出了由nsu40确定出的装置的潜在轨迹(即其位置的演变)。时间实例ta和tb被说明性地示出为这样的时间段，其中gnss数据被认为对于确定装置的绝对位置来说太不可靠，如上面相对于图3所解释的那样。可以使用其他度量来调用gnss数据的拒绝(或置信度降低)，例如，使用中的卫星数量小于预定数量、gnss数据的信号强度低于预定阈值等。
典型地，在分析gnss数据时，如果找到被认为不可靠的事件(诸如图3中的区域b)，则在“标记”事件之前和之后的特定时间段内，gnss数据可能被认为不可靠，这是因为来自gnss传感器的数据中的误差可能会逐渐增加，而不是突然增加。例如，再次参考图3，从时刻ta而不是从时间段tb的开始，gnss踪迹将被标记为不可靠。
为了确定置信区部之间的装置轨迹，对在置信区部中获得的数据进行分析，并将其用于确定加速度计12、陀螺仪14和磁力计16传感器中的偏差、计算运动模型的步长参数、以及确定运动方向与航向的偏移，使得从imu传感器获得的数据以及运动模型可用于在置信的阴影区域之间准确且可靠地确定装置的轨迹。
可替选地或另外地，可以将在置信区部之间的时间段期间从加速度计12、陀螺仪14和磁力计16获得的数据与对一个或多个参数的多个估计结合使用，以确定多个可能的轨迹，并且可以使用与置信区部最佳对准的轨迹。例如，可以使用多个对运动方向与航向的偏移的估计来生成低置信度时间段期间的试验轨迹，其中最佳轨迹被选择为在高置信度时间段内与轨迹端点最佳对准的轨迹。还可以使用从地图获得的先验信息来约束置信区部之间的轨迹(以及有助于其构造的数据和系统参数)，以帮助确定多个轨迹中的哪一个是最可能的。例如，如果可能的轨迹之一涉及穿越没有桥梁的河流，则可以排除该特定轨迹；或如果地图数据指示出行人将最有可能在导航解算示出弯曲轨迹时沿直线路径行驶，则可以将其用于识别和校正偏航轴陀螺仪偏差。
在进一步的实施例中，可以执行受到来自置信区部的数据约束的整个轨迹的最小二乘拟合(或轨迹的区部的分段拟合)。
如图2中示意性所示，第二时间段可以延伸到相对于第一时间段(和第二时刻t2)的将来。换句话说，当确定两个时间实例t1和t2之间的感兴趣度量的演变时，来自关于t2的将来的数据被用于约束解算。由于可以在针对第二时间实例t2的将来时间段内内插约束，而不是简单地外推，因此这提供了对感兴趣度量的演变的更准确的确定。换句话说，第二时间段延伸到相对于第二时间实例t2的将来允许了从中确定感兴趣度量的演变的数据的“总体形势(overallpicture)”或更准确的上下文。
但是，在某些情况下(例如导航)，此类装置的用户需要实时信息。在这些情况下，第二时间实例t2可以在当前时间处、或在当前时间之后的小时间间隔内，如图5中示意性地示出的。第二时间段210和第一时间段220的相对位置也被示出，其中两个时间段在时间t2处结束，并且仅延伸到相对于t2的过去。
因此，装置的轨迹可以近实时地提供给用户，其中当前时间的解算仅受到过去数据的约束。然而，有利的是，随着获得新数据，可以连续更新先前时间下的位置解算。例如，在时间实例t2处，第一时间段和第二时间段都延伸到相对于t1的将来，并且因此在t2处，与在时间实例t1本身后面的小间隔内确定出的解算相比而言，可以确定装置在t1处的更准确和可靠的位置。以这种方式，本发明提供了对感兴趣度量的演变的近实时确定，以及随着获得更多数据所述演变随时间的改善的确定。
图6是概述本发明的一个实施例的主要步骤的流程图600。在步骤601处，装置的用户典型地通过经由装置的屏幕与合适的gui交互来预先选择运动模型。如上面讨论的，运动模型可以包括运动上下文、位置上下文和描述运动的至少一个定量参数。在步骤601处，用户可以预先选择这些分量中的至少一个。例如，用户可以简单地选择具有“跑步”的运动上下文的运动模型。
在步骤602处，nsu40从第一时间段获得数据，并且在步骤603处，从第二时间段获得数据。尽管在方法600中将这些作为单独的步骤进行阐述，但是应当理解，nsu40可以基本上同时从第一时间段和第二时间段获得数据。在其他实施例中，可以在获得来自第一时间段的数据之前获得来自第二时间段的数据。
在步骤604处，如上面描述的，第一数据和第二数据由分析模块42分析，并且在步骤605处，nsu40确定第一时间实例和第二时间实例之间的感兴趣度量的演变。在方法600中阐述的一系列步骤中，运动模型被示出为在获得数据之前被预先选择。然而，应当理解，运动模型可以由用户在获得数据之后选择。
图7是概述本发明的进一步的实施例的主要步骤的流程图700，在这种情况下，从第一数据和第二数据的分析中自动选择运动模型。在步骤701处，nsu40从第一时间段获得数据，并且在步骤702处，从第二时间段获得数据。以与以上关于图6所描述的相同的方式，在某些情况下，步骤701和702可以基本上同时或以相反的顺序发生。
在步骤703处，第一数据和第二数据由分析模块42分析。
在步骤704处，根据在步骤703处执行的分析，确定装置的运动上下文和/或位置上下文。
在判定步骤705处，确定是否将与当前用户、装置以及在步骤704中确定出的位置上下文和/或运动上下文相对应的运动模型参数被存储在可寻址存储(例如本地存储5)中。如果确实存在这样的运动模型，则其被调用(步骤708)，并且在步骤709处，nsu40确定出在第一时间实例和第二时间实例之间的感兴趣度量的演变，其中该演变受到第一数据、第二数据和包括从本地存储中调用的至少一个参数的运动模型的约束。定量运动模型参数可以包括例如对用户的步长的估计。如上面已经讨论的，有利地，可以在由装置为用户获得的数据的先前分析期间细化这样的参数。
如果在步骤705处确定出不存在对应的运动模型参数，则该方法移动至可选步骤706，其中确定出的运动上下文和/或位置上下文用于确定与装置的运动相关联的至少一个参数。可选地，这可以被存储在可寻址存储中(步骤707)，由确定出的运动上下文和/或位置上下文以及装置的标识来进行索引。随后，在步骤709处，nsu40确定出在时间实例t1和t2之间的感兴趣度量的演变，其中该演变受到第一数据、第二数据和运动模型的约束。
图8是来自至少一个传感器的数据如何用于确定导航解算(例如上面描述的智能手机100)的示意性概述。框801示意性地表示在时间实例t1处由nsu40生成的导航解算，该时间实例t1在这里是在当前时间处或在当前时间之后的小间隔内。nsu的导航解算基于来自imu的数据，其传感器的采样速率可以在每秒约100-1000个样本的范围内，并且因此框801的时间段可以约为1-10ms。在常规解算中，从imu获得的该“瞬时”数据将仅用于输出在时间上的该时刻的导航解算，并且因此会受到很大的误差漂移。
如图8中示意性地示出的，本发明可以利用从关于nsu/imu时间实例t1的过去和将来的时间段获得的数据，以便在该时间实例处约束导航解算。可以使用各种方法在框内和框间对来自框801至804中的任何一个的信息进行分析，以便最优地过滤和组合所有可用数据，从而导致改善的导航解算。在该示例中，标记为“zupt”的框802表示由imu获得的数据，并且已经对其进行分析以确定imu在框802所表示的时间间隔期间的时间实例处是否静止。例如，检测到的零速率的时间段可以用于重置由nsu追踪的速率测量结果，或者确定imu的惯性传感器中的偏差，其然后可以用于在时间实例t1处约束nsu解算。
框803可以表示从gnss传感器获得的数据，其可用于提供位置和速率数据以进一步约束nsu解算。另外，来自框802的信息可以用于滤除框803中的违反置信地确定出的零速率条件的gnss数据。可以从加速度计和/或陀螺仪和/或磁力计传感器获得姿态数据。
在框804处示意性示出的运动模型可以已经被预先选择或自动确定(例如，通过原始imu数据的分析，或者根据位置、速率和姿态数据)。运动模型可以包括描述用户运动的某些方面的一个或多个参数模型。可以执行包含在框801至804中的一个或多个中的传感器数据的分析以提取随后用作此类参数模型的输入的值。例如，可以从加速度计数据中提取步调，并且随后将其输入到对行人步长进行建模的函数中。如上面已经描述的，框804处的运动模型可以用于辅助对输入传感器数据的过滤并约束导航解算。
图8示出为具有不同的大小(即，时间段)的框802、803和804，但是不一定是这样，并且仅出于说明的目的。然而，有利的是，在较长的时间段上已经获得了在时间实例t1处获得并用于约束nsu解算的数据，并且该数据延伸到相对于时间实例t1的过去和将来。可以通过组合在多个这样的时间实例处获得的定位解算来在第一时间实例与第二时间实例之间确定感兴趣度量的演变(这里是从nsu确定出的定位数据)。
应当理解，图8的图仅出于说明性目的，并且框可以表示不同的传感器数据流和分析。
在详细描述中使用的主要示例是智能手机的示例，其中测量传感器全部定位于公共平台上(即，智能手机本身)。然而，在其他实施例中，可以使用来自定位于两个(或更多个)平台上的传感器的数据，以便确定感兴趣度量的演变。例如，在一些实施例中，第一平台可以是由用户携带的智能手机，而第二平台可以是由用户佩戴的智能手表。换句话说，这里的两个平台都可以看作是可自由移动的传感器组，其提供关于用户的独立测量结果。通过确定两个平台的感兴趣度量的演变(例如，智能手机和智能手表的位置数据)，可以为用户可靠地推断出该感兴趣度量的演变(即，用户的轨迹)。此外，在分析传感器数据时，可以执行在不同平台上获得的数据之间的比较。例如，从智能手表的惯性传感器获得的数据可以与从智能手机的gnss传感器获得的数据交叉参考。
在另一个示例中，车辆在其底盘(第一平台)上安装了传感器，其测量了车辆的加速度和转弯速率。驾驶员在其口袋(第二平台)中携带智能手机，该智能手机具有内置的gnss接收器、以及测量加速度、转弯速率等的传感器。使用上面概述的方法对从所有这些传感器获得的数据进行分析，从而以最低不确定性确定驾驶员口袋和/或车辆的轨迹。
1.一种组合来自至少一个传感器的数据的方法，所述至少一个传感器被配置为进行能从中确定位置或移动的测量，以便确定感兴趣度量随时间的演变，所述方法包括：
在第一时间段内，从安装在第一平台上的第一传感器获得第一数据；
在第二时间段内，从所述第一传感器和/或安装在所述第一平台或第二平台上的第二传感器获得第二数据；
确定第一时间实例和第二时间实例之间的感兴趣度量的演变，其中，第一时间实例和第二时间实例中的至少一个在所述第一时间段和所述第二时间段中的至少一个内；并且
其中，所述感兴趣度量的演变受到所述第一数据、所述第二数据以及第一平台和/或第二平台的运动模型中的至少一个所约束。
2.根据权利要求1所述的方法，还包括：在相应的第一时间段和/或第二时间段的至少一部分上分析所述第一数据和/或第二数据，以便评估所述第一数据和/或第二数据的可靠性和/或准确性。
3.根据权利要求1或权利要求2所述的方法，还包括：在所述相应的第一时间段和/或第二时间段的至少一部分上分析所述第一数据和/或第二数据，以便获得校正后的第一数据和/或校正后的第二数据，并且其中；
所述感兴趣度量的演变受到所述校正后的第一数据、所述校正后的第二数据以及所述第一平台和/或第二平台的运动模型中的至少一个所约束。
4.根据权利要求2或权利要求3所述的方法，其中分析所述第一数据和/或第二数据的步骤包括执行自我一致性检查。
5.根据权利要求2至4中任一项所述的方法，其中分析所述第一数据和/或第二数据的步骤包括将所述数据彼此进行比较和/或与所述运动模型进行比较。
6.根据权利要求2至5中任一项所述的方法，其中，选择第一时间段和第二时间段的持续时间和/或相对于彼此的重叠量，以便允许对所述第一数据和/或第二数据进行最佳分析。
7.根据权利要求6所述的方法，其中，响应于相关联的传感器数据的可靠性和/或准确性的变化，动态地调整时间段的持续时间及其相对于其他一个或多个时间段的重叠量以及所述第一时间实例和所述第二时间实例。
8.根据前述权利要求中任一项所述的方法，其中，在时间上向后分析所述第一数据和第二数据中的至少一个。
9.根据前述权利要求中任一项所述的方法，其中，在时间上向前和/或向后迭代地分析所述第一数据和/或第二数据。
10.根据权利要求9所述的方法，其中，对所述第一数据和/或第二数据的第一分析基于至少一个置信度阈值，并且在所述第一分析之后修改所述至少一个置信度阈值；其中，所述第一数据和/或第二数据的后续分析基于修改后的置信度阈值。
11.根据前述权利要求中任一项所述的方法，其中，所述运动模型包括：包含第一平台和/或第二平台的运动上下文的运动上下文分量以及包含所述第一平台和/或第二平台的位置上下文的位置上下文分量中的至少一个。
12.根据前述权利要求中任一项所述的方法，其中，所述运动模型包括：定量地描述所述运动的方面的至少一个参数、和/或能用于确定定量地描述所述运动的方面的参数的至少一个函数。
13.根据权利要求12所述的方法，其中所述至少一个参数是以下各项之一：行人步长、行人速度、行人高度、行人腿长、梯段高度、梯段水平距或指南针航向与运动方向的偏移。
14.根据权利要求12或13所述的方法，其中，所述至少一个函数是确定所述行人步长或速度的函数。
15.根据前述权利要求中任一项所述的方法，其中，所述运动模型的至少一个分量由用户手动定义。
16.根据前述权利要求中任一项所述的方法，其中，从对所述第一数据和/或第二数据的分析来自动确定所述运动模型的至少一个分量。
17.根据前述权利要求中任一项所述的方法，其中，在对感兴趣度量的演变的至少一个先前确定期间，根据对从所述第一传感器和/或第二传感器获得的数据的分析来自动确定所述运动模型的至少一个分量。
18.根据权利要求11至17中任一项所述的方法，其中，给定运动模型的至少一个参数和/或函数被存储在由所述运动上下文、所述位置上下文或所述第一平台和/或第二平台的标识中的至少一个进行索引的可寻址存储中。
19.根据前述权利要求中任一项所述的方法，其中，所述第一平台和/或第二平台的运动模型是预先选择的运动模型。
20.根据前述权利要求中任一项所述的方法，其中，所述运动模型是自动选择的运动模型。
21.根据当从属于权利要求11时的权利要求20所述的方法，其中，通过由所述第一传感器和/或第二传感器在所述第一时间段和/或第二时间段期间、和/或在所述第一时间实例和第二时间实例之间的时间段期间所获得的数据的分析而确定所述第一时间实例与第二时间实例之间的运动上下文和位置上下文中的至少一个来自动选择所述运动模型。
22.根据权利要求21所述的方法，还包括：使用所述第一平台和/或第二平台的标识、确定出的运动上下文和确定出的位置上下文中的至少一个，从可寻址存储中调用使用所述第一平台和/或第二平台的标识、运动上下文和位置上下文中的至少一个进行索引的至少一个运动模型参数和/或函数。
23.根据权利要求20或21所述的方法，还包括：确定所述运动模型的至少一个运动模型参数和/或函数，并将所述至少一个运动模型参数和/或函数存储在可寻址存储中，其使用所述第一平台和/或第二平台的标识、运动上下文和位置上下文中的至少一个来进行索引。
24.根据前述权利要求中任一项所述的方法，其中，对所述感兴趣度量的演变的约束包括：确定所述第一传感器和/或第二传感器的测量偏差并校正所述偏差。
25.根据前述权利要求中任一项所述的方法，其中，对所述感兴趣度量的演变的约束包括：确定与所述运动模型不对应的所述第一数据和/或第二数据的至少一个数据点，并且对所述至少一个数据点进行校正。
26.根据前述权利要求中任一项所述的方法，其中，所述第二数据是从安装在所述第一平台上的第二传感器获得的。
27.根据权利要求1至25中任一项所述的方法，其中，所述第二数据是从安装在不同于所述第一平台的第二平台上的第二传感器获得的。
28.根据权利要求27所述的方法，其中，所述第一平台和第二平台具有至少一个共同的运动分量。
29.根据权利要求27或28所述的方法，其中，所述第一平台和第二平台被安装在相同的感兴趣主体上。
30.根据前述权利要求中任一项所述的方法，其中，所述第一时间段和第二时间段至少部分地重叠。
31.根据权利要求1至29中任一项所述的方法，其中，所述第一时间段和第二时间段不重叠。
32.根据前述权利要求中任一项所述的方法，其中，所述第一时间段和第二时间段中的至少一个延伸到相对于所述第二时间实例的将来。
33.根据权利要求1至31中任一项所述的方法，其中，所述第一时间段和/或第二时间段基本上不延伸到相对于所述第二时间实例的将来。
34.根据前述权利要求中任一项所述的方法，其中，所述感兴趣度量的演变是近实时地计算出的。
35.根据权利要求1至33中任一项所述的方法，其中，所述感兴趣度量是在批处理中计算出的。
36.根据前述权利要求中任一项所述的方法，其中，所述第二时间段比所述第一时间段更长。
37.根据前述权利要求中任一项所述的方法，其中，所述第二数据是从不同于所述第一传感器的第二传感器获得的，并且所述第一传感器具有比所述第二传感器更快的数据采样速率。
38.根据前述权利要求中任一项所述的方法，其中，所述第一传感器是惯性测量单元。
39.根据前述权利要求中任一项所述的方法，其中，所述第一传感器是惯性导航系统的一部分。
40.根据前述权利要求中任一项所述的方法，其中，所述第一传感器包括以下中的至少一个：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频接收器、计步器、照相机、光传感器、压力传感器、应变传感器、近距离传感器、radar和lidar。
41.根据前述权利要求中任一项所述的方法，其中，所述第二传感器包括以下中的至少一个：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频接收器、计步器、照相机、光传感器、压力传感器、应变传感器、近距离传感器、radar和lidar。
42.根据前述权利要求中任一项所述的方法，还包括：在第三时间段中，从所述第一传感器、第二传感器和第三传感器中的至少一个获得第三数据；并且其中，所述感兴趣度量的演变的确定进一步受到所述第三数据的约束。
43.根据前述权利要求中任一项所述的方法，其中，所述感兴趣度量包括以下中的至少一个：位置、范围、速度、速率、轨迹、高度、指南针航向、步调、步长、行进距离、运动上下文、位置上下文、输出功率、卡路里计数、传感器偏差、传感器比例因子和传感器对准误差。
44.根据前述权利要求中任一项所述的方法，其中，所述第一平台被安装在感兴趣主体上。
45.一种计算机可读介质，包括可执行指令，所述可执行指令在由计算机执行时致使所述计算机执行前述权利要求中任一项所述的方法。
46.一种系统，包括：
至少一个传感器，其被配置为进行从中能确定位置或移动的测量，以便确定感兴趣度量的演变；以及
处理器，其适于执行以下步骤：
在第一时间段内，从安装在第一平台上的第一传感器获得第一数据；
在第二时间段内，从所述第一传感器和/或安装在所述第一平台或第二平台上的第二传感器获得第二数据；并且
确定第一时间实例和第二时间实例之间的感兴趣度量的演变，其中，所述第一时间实例和第二时间实例中的至少一个在所述第一时间段和第二时间段中的至少一个内；其中
所述感兴趣度量的演变受到所述第一数据、所述第二数据以及所述第一平台和/或第二平台和运动模型中的至少一个所约束。
47.根据权利要求46所述的系统，其中，所述第一传感器是惯性测量单元。
48.根据权利要求46或47所述的系统，其中，所述第一传感器是惯性导航系统的一部分。
49.根据权利要求46至48中任一项所述的系统，其中，所述第一传感器包括以下中的至少一个：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频接收器、计步器、照相机、光传感器、压力传感器、应变传感器、近距离传感器、radar和lidar。
50.根据权利要求46至49中任一项所述的系统，其中，所述第二传感器包括以下中的至少一个：加速度计、陀螺仪、磁力计、气压计、gnss单元、射频接收器、计步器、照相机、光传感器、压力传感器、应变传感器、近距离传感器、radar和lidar。
51.根据权利要求46至50中任一项所述的系统，其中，所述感兴趣度量包括以下中的至少一个：位置、范围、速度、速率、轨迹、高度、指南针航向、步调、步长、行进距离、运动上下文、位置上下文、输出功率、卡路里计数、传感器偏差、传感器比例因子和传感器对准误差。
52.根据权利要求46至51中任一项所述的系统，包括安装在所述第一平台上的第二传感器。
53.根据权利要求46至51中任一项所述的系统，包括安装在不同于所述第一平台的第二平台上的第二传感器。
54.根据权利要求53所述的系统，其中，所述第一平台和第二平台具有至少一个共同的运动分量。
55.根据权利要求53或54所述的系统，其中，所述第一平台和第二平台被安装在相同的感兴趣主体上。
技术总结