CC3200平台上的行人步频探测与步长估算实验指南。

简介：
第4章针对行人步频探测以及步长估计，考虑了高斯噪声的影响。A、B和C参数分别代表该模型的回归系数，并通过结合GPS信号数据的训练过程，对其进行精确求解，以确定其最优值。其他线性模型方程与公式(4.2)在形式上存在相似性，主要的区别在于对加速度统计特征变量的具体选取方面。例如，Ⅸappi et al (2001)、Leppälkoski et al (2002)以及Shin et al (2005)等研究者都对此进行了探索。对于非线性步长模型，鉴于缺乏充分的理论依据来证明步长与这些统计特征值之间存在严格的线性关系，一些研究人员选择使用各种非线性模型进行尝试，其中一个参数非线性模型的形式为：瓯=K·√k—A嘶。(4.3)，其中4嗽和以。。分别代表一步内加速度的最大值和最小值，K是模型中的系数。由于该模型仅包含一个参数，并且无需对统计特征值进行复杂的处理操作，因此它在实时步长估计算法中具有较好的可实现性。此外，另一个模型将人行的行走模式近似为一个倒立的单摆系统，利用三角关系计算步长为：最=￡·√2·[I-COS(ak)] (4.4)，其中ak是通过对第k步内小腿旋转角速度进行积分得到的量，L代表该用户的腿长。类似的非线性公式也主要基于经验获得，可以参考Kim et al (2004)以及孙作雷等人的研究成果(2008)。人工智能步长模型的优势在于其无需关注步长和加速度统计特征变量之间的具体映射关系。相比之下，这些模型在应用于不同运动模式和地面环境的场景中表现出更强的灵活性和适应性。例如，Cho and Park (2006)利用人工神经网络（ANN）来估计步长，其输入包括：步频、每一步加速度的方差以及地形的斜率。Beauregard and Haas (2006)则提出了一个包含四个参数的应用于ANN模型的方案：每一步的最大值、最小值、方差以及该步加速度的积分。Grejner-Brzezinska教授及其团队在人工智能步长模型领域进行了大量的研究工作(G-rejner-Brzezinska et al, 2006, 2007 and 2008)。她们开发了一个六个输入的ANN模型用于步长估计，该模型的输入包括：步频、该步骤内的绝对加速度、绝对加速度的方差、该步骤的高度变化、路面坡度和行人的身高；该模型能够有效降低步长的估计误差至1厘米以内。为了应对单个步长模型在运动模式和自然环境变化下可能出现的失效问题,她们进一步引入了复杂逻辑理论用于识别行人的运动模式,并动态选择最适合不同场景下的步长估计模型(Moafipoor et al, 2008；Moafipoor, 2009)。一旦确定每个跨步事件发生的时间点并确定该步骤的持续时间（即步频的倒数瓯=1／sr.），同时估算出其对应的步长& ，就可以通过以下公式获得当前步行人的速度和距离：42