骑行有时间变化（例如，有时从 A 到 B 需要 300 毫秒的时间）

在骑行的某些部分（例如上坡），推车由电机驱动。在这些部分中，加速度应该相当稳定。任何时间变化，如果不是归因于不同的采集时间，可能是由于空气动力学因素。对于给定的骑行，这可能是空气温度（影响密度）、手推车中的乘客数量（身体部位干扰空气流动）和风向。过山车的平均速度为 82 mph (~ 132kmh。的“位置误差” 。根据骑行的实际长度，这可能可以忽略不计。$\frac{132000m}{3600000ms} \approx 0.03666m/ms$$300ms \times 0.03666m/ms = 11m$

除此之外，您的采样频率也会有些抖动，因为手机的操作系统不能保证它会以绝对严格的频率进行采样。

手机可能有不同的初始方向

没关系，如果您从后续测量中减去第一次测量，那么您将获得相对指示而不是绝对指示。例如，假设您的轴承的前几次测量结果是[270, 265, 260, 255, . . .]该系列[0, -5, -10, -15, . . .]表示相对转动。

手机留在受试者的口袋里，但有点挤

同样，与表征骑行转折点的 G 力相比，手机在某人口袋中的碰撞可能可以忽略不计。将手机紧紧地塞在前袋中是一回事，将其固定在夹克的拉链口袋中（在骑行过程中可能会晃动）是另一回事。

学习“平均”过山车

• 作为时间序列
• 作为一系列重大的过山车事件

“平均”过山车骑行是给定骑行的所有可用记录的平均值，每个传感器。那里没有什么可以“学习”的，您拥有的记录越多，您的平均值就越接近骑行中的“平均”体验，因为您在骑行中的每个时间实例都会获得许多不同的加速/旋转/轴承样本。

一旦你对什么是“重大过山车事件”有了明确的定义，就很容易提取出一系列“重大过山车事件”。

例如，“重大过山车事件”可能是急剧下降或急转弯。这两者的特点是推车上物体的总加速度变化速度很快。因此，您可以从 3D 加速度计得出总加速度为然后应用一些“事件阈值在您的上。由此产生的指标函数（一些）指向一些“重大过山车事件”。在上面，是加速度计测量的单个组件。显然，也可以组合多个传感器来提取“$A_{total}(n) = \sqrt{x(n)^2 + y(n)^2 +z(n)^2}$$T_e$$A_{total}(n)$$Z_n = aT_n \ge T_e$$x,y,z$

在新的旅程中，实时可靠地确定主题在路径上的位置，以便我们可以将音乐与他们的体验对齐 \m/

奖励：过山车路径的 3D 模型

您将无法从加速度中提取过山车路径的准确 3D 模型，因为无法将手机的传感器准确集成到适当的 6 自由度惯性导航系统中。如果您想要一个过山车路径的精确模型，只需记录 GPS 坐标，您就可以在零时间内以 3D 形式获得骑行的形状，并且只需最少的数据处理。

一旦生成了“平均轨迹”信号，跟踪用户在给定行程中的位置就变得微不足道了。有了这个，在骑行中跟踪用户被翻译为“给定用户的几个点的“过去历史”，他们可能沿着这个特定的一维曲线在哪里？”。

因此，鉴于“随机”电话的信号预计会以大致给定的方式（骑行的形状）变化，您所要做的就是检查它们的位置。您可以通过在“位置”上建立一个卡尔曼滤波器来监控当前的总加速度和转弯率。Kalman 将不断猜测它应该在曲线上的位置，并使用它从传感器接收到的实际信号来纠正这个猜测。您也可以使用粒子过滤器来实现相同的效果，可以说需要更少的处理。

显然，然后您可以在一维曲线上设置标记来触发您的音乐重播。

希望这可以帮助。