基于智能手机的行人惯性追踪数据集模型与部署

论文总结

这篇《 Smartphone-based Pedestrian Inertial Tracking: Dataset, Model, and Deployment 》论文介绍了一种基于智能手机惯性测量单元（IMU）的行人追踪和定位系统。主要内容和贡献如下：

1. 数据集和实验设计：作者开发了一个智能手机惯性测量数据集（SIMD），包含超过4500条步行轨迹，涵盖了约190小时的行走时间和700多公里的总行程。数据集覆盖了4个城市、12种室内外场景、7种手机姿态，并由150多名志愿者使用他们的智能手机收集数据。
2. 实时追踪模型：论文采用了一种轻量级的深度神经网络（DNN）框架——时间卷积网络（TCN），有效地建模长期序列数据，并且容易在边缘设备上部署。作者从原始IMU读数中提取运动特征，包括四个时域特征（最大值、最小值、平均值和标准差）和六个频域特征（平均值、标准差、信息熵、能量、偏度和峰度）。TCN模型由七层全连接层和三个TCN残差块组成，使用因果卷积和扩张因子来增加模型的感受野。
3. 方向估计：为了估计行人的朝向变化，论文通过将三轴陀螺仪的读数投影到平面姿态上，并积分z轴的角速率，来生成表示行人朝向变化的平面表示。
4. 轨迹校正：由于长期积分陀螺仪读数可能导致较大的累积误差，论文探索了一种线性拟合算法来校正轨迹。这包括识别转角、将轨迹分割为段落，并对每个段落进行最小二乘法拟合以平滑轨迹点和去除离群点。
5. 模型定制：为了适应不同用户的使用习惯、传感器类