基于手机加速度传感器数据计算行走距离与路径重构问询

核心问题拆解 #

• 从加速度数据中提取有效行走段：区分行走动作、转角2秒静止期、转向过程
• 解决加速度到距离的转换：处理传感器噪声、分离重力干扰分量
• 结合矩形路径逻辑重构轨迹：利用转角停留的时间窗口判断方向切换节点

第一步：预处理加速度数据（分离重力与运动分量） #

手机传感器输出的是合加速度（重力+运动加速度），必须先拆分出真正的运动线性加速度，不然静止时的重力会完全干扰运动数据计算。用低通滤波器滤除高频噪声，再分离重力分量：

import numpy as np
from scipy.signal import butter, filtfilt, find_peaks

# 低通滤波器：保留重力这类低频分量，滤除运动产生的高频噪声
def butter_lowpass(cutoff, fs, order=5):
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return b, a

def lowpass_filter(data, cutoff=2.0, fs=50.0, order=5):
    b, a = butter_lowpass(cutoff, fs, order=order)
    y = filtfilt(b, a, data)
    return y

# 拆分重力分量与运动用的线性加速度
def separate_gravity_linear(acc_data, fs=50):
    # 三轴分别做低通滤波，提取重力分量
    gravity_x = lowpass_filter(acc_data[:,0], cutoff=0.5, fs=fs)
    gravity_y = lowpass_filter(acc_data[:,1], cutoff=0.5, fs=fs)
    gravity_z = lowpass_filter(acc_data[:,2], cutoff=0.5, fs=fs)
    # 线性加速度 = 原始数据 - 重力分量（仅保留行走产生的加速度）
    linear_x = acc_data[:,0] - gravity_x
    linear_y = acc_data[:,1] - gravity_y
    linear_z = acc_data[:,2] - gravity_z
    return np.column_stack((linear_x, linear_y, linear_z)), np.column_stack((gravity_x, gravity_y, gravity_z))

第二步：识别行走、静止、转角停留段 #

通过线性加速度的模长判断状态：行走时模长呈周期性波动，静止时模长接近0，转角的2秒是连续静止的长片段：

def detect_motion_segments(linear_acc, fs=50, stationary_threshold=0.1, pause_duration=2.0):
    # 计算线性加速度的模长（三轴平方和开根号）
    acc_magnitude = np.linalg.norm(linear_acc, axis=1)
    # 标记静止帧：模长小于阈值的帧判定为静止
    stationary_frames = acc_magnitude < stationary_threshold
    # 给每帧打标签：0=行走，1=临时静止，2=转角停留（≥2秒）
    segment_labels = np.zeros(len(acc_magnitude))
    current_stationary_count = 0
    
    for i in range(len(stationary_frames)):
        if stationary_frames[i]:
            current_stationary_count +=1
            # 连续静止达到2秒，标记为转角停留
            if current_stationary_count >= pause_duration * fs:
                segment_labels[i] = 2
            # 短时间静止（如抬脚瞬间停顿）不计入转角
            elif current_stationary_count > fs * 0.2:
                segment_labels[i] = 1
        else:
            current_stationary_count =0
            segment_labels[i] = 0
    
    return segment_labels, acc_magnitude

第三步：计算单段行走距离 #

提供两种实用方案，可根据数据质量选择：

方案1：积分法（适合高精度稳定采样） #

通过积分线性加速度得到速度，再积分得到位移，最终计算总距离：

def calculate_walk_distance_by_integration(linear_acc, segment_labels, fs=50):
    # 提取所有行走段的线性加速度数据
    walk_indices = segment_labels ==0
    walk_acc = linear_acc[walk_indices]
    
    # 积分得到速度（初始速度设为0）
    velocity = np.cumsum(walk_acc, axis=0) / fs
    # 积分得到位移
    displacement = np.cumsum(velocity, axis=0) / fs
    
    # 这段行走的总距离为位移首尾点的模长
    total_distance = np.linalg.norm(displacement[-1] - displacement[0])
    return total_distance, displacement

方案2：步长计数法（抗噪声能力更强） #

通过检测加速度峰值计数步数，再乘以步长得到总距离（步长可通过已知距离校准）：

def calculate_walk_distance_by_step_count(acc_magnitude, segment_labels, fs=50, step_length=0.7):
    # 提取行走段的加速度模长数据
    walk_magnitude = acc_magnitude[segment_labels ==0]
    # 峰值检测：加速度峰值对应抬脚动作，计数步数
    peaks, _ = find_peaks(walk_magnitude, height=0.3, distance=fs*0.3)
    step_count = len(peaks)
    # 总距离=步数×步长（经验公式：步长≈0.413×身高，建议用10米行走数据校准）
    total_distance = step_count * step_length
    return total_distance, step_count

第四步：重构矩形路径 #

利用转角停留段分割行走段，按矩形路径的四个方向依次分配位移：

def reconstruct_rectangle_path(walk_segments, expected_sizes=[15,7,15,7]):
    path = np.array([[0,0]])  # 起点设为(0,0)
    current_pos = np.array([0,0])
    # 四个方向：右、上、左、下
    directions = np.array([[1,0], [0,1], [-1,0], [0,-1]])
    
    for i, seg_distance in enumerate(walk_segments):
        # 按顺序循环切换方向
        dir_idx = i %4
        # 计算当前段的位移增量
        delta = directions[dir_idx] * seg_distance
        current_pos += delta
        path = np.vstack((path, current_pos))
    
    return path

关键优化与避坑点 #

1. 传感器校准：启动APP前务必校准手机姿态传感器，初始倾斜会导致重力分量计算错误，直接废掉所有数据
2. 采样率固定：Android端采集加速度时要固定采样率（建议50Hz），采样率波动会大幅放大积分误差
3. 多传感器融合：如果单纯加速度数据误差大，可以结合陀螺仪数据判断90度转向，比仅靠停留时间更准确
4. 步长校准：用步长计数法时，先让用户走一段已知距离（如10米），自动校准步长，比经验公式精度高很多

内容的提问来源于stack exchange，提问作者Jumbo