Навигация по IMU-сенсорам

Описание проекта

Основные задачи

• Проверить, можно ли определять начало движения автомобиля по IMU-сенсорам смартфона.
• Проверить, можно ли определять полную остановку автомобиля без GPS.
• Оценить достижимость детекции поворота более 45 градусов по данным гироскопа и rotation vector.
• Сравнить информативность разных датчиков: accelerometer, linear acceleration, gravity, gyroscope, rotation vector и magnetometer.
• Оценить достижимость целевой точности не менее 90% для ключевых событий движения.
• Определить критические условия, при которых алгоритм может работать стабильно.
• Сформировать рекомендации по архитектуре мобильного решения для iOS и Android.
• Описать подход к дальнейшему сбору размеченных данных и проверке алгоритма на реальных заездах.
• Определить, когда достаточно классической обработки сигналов, а когда потребуется машинное обучение.

Решение и функциональные возможности

• Разработаны мобильные приложения для сбора данных IMU-сенсоров на iOS и Android.
• На iOS сбор данных реализован через Core Motion с использованием системных fusion-сигналов.
• На Android предусмотрен сбор данных через SensorManager и физические датчики устройства.
• Проведены тестовые заезды для анализа поведения сенсоров в реальных условиях движения автомобиля.
• Проанализированы сигналы акселерометра, включая влияние гравитации, вибраций, наклона устройства и дорожных условий.
• Выделен linear acceleration как основной сигнал для определения начала движения и полной остановки.
• Проанализирован gyroscope как ключевой источник данных для фиксации факта поворота и направления вращения.
• Проанализирован rotation vector как основной источник для оценки изменения ориентации устройства и расчета угла поворота.
• Gravity предложен как вспомогательный сигнал для определения и компенсации ориентации смартфона в автомобиле.
• Magnetometer не рекомендован как основной источник из-за магнитных помех внутри автомобиля.
• Предложен алгоритмический подход на основе оконной статистики, variance/std, пороговой логики и гистерезиса.
• Для остановок предложен механизм ZUPT — сброс накопленной ошибки при фиксации состояния покоя.
• Для поворотов предложена комбинация gyroscope + rotation vector с фильтрацией и контролем дрейфа.
• Описана калибровка ориентации устройства через матрицу поворота, чтобы алгоритм мог работать при произвольном положении телефона в держателе.
• Сформированы рекомендации по частоте сбора данных: снижение со 100 Гц до 20—30 Гц для уменьшения нагрузки на устройство.
• Описаны минимальные требования к устройствам: наличие акселерометра и гироскопа, актуальные версии ОС и достаточная частота обновления сенсоров.
• Подготовлен архитектурный подход: кроссплатформенная логика алгоритма и нативные модули для сбора IMU-данных.
• Рассмотрены ML-подходы как следующий этап при недостаточной устойчивости пороговых алгоритмов.
• Предложены потенциальные модели машинного обучения: TCN, LSTM/GRU, нейронные сети и кластеризация временных рядов.

Выгоды от внедрения

• Возможность определять ключевые события движения автомобиля без постоянного использования GPS.
• Снижение зависимости от навигационных данных в сценариях, где GPS недоступен, нестабилен или нежелателен.
• Потенциальное снижение энергопотребления за счет работы с IMU-сенсорами и оптимизации частоты сбора данных.
• Повышение устойчивости навигационных сценариев за счет краткосрочного анализа движения между GPS-точками.
• Возможность использовать один алгоритмический модуль для iOS и Android при сохранении нативного качества сбора данных.
• Более точная обработка событий старта и остановки за счет linear acceleration и оконной статистики.
• Возможность детектировать повороты по данным гироскопа и rotation vector без опоры на магнитометр.
• Сформированная методология тестирования снижает риски перед полноценной разработкой продукта.
• Раннее выявление ограничений помогает корректно определить область применимости решения.
• Проект создает основу для дальнейшего SDK или встроенного модуля мобильной навигации.

Результаты проекта