Insight — 多设备智能感知与协同定位系统产品系统

随着智能手机、智能手表和智能眼镜等可穿戴设备的普及，利用多设备协同感知人体运动状态成为智能穿戴、室内定位和运动监测领域的重要技术方向。传统单设备感知算法容易受到传感器噪声、设备佩戴位置和人体局部运动的影响。本项目面向多设备智能感知场景，研究如何通过深度学习和多传感器信息融合，提高复杂运动环境下的位置估计精度与系统可靠性。

Insight 是一套面向多智能设备的运动感知、数据分析与协同定位系统，核心研究成果包括 CoWear 多设备惯性定位框架。

系统支持智能手机、智能手表和智能眼镜的多设备惯性数据采集与处理，通过加速度计、陀螺仪获取人体运动信息，并结合高精度动作捕捉系统建立算法训练与评估数据集。

主要功能包括：

1. 多设备数据采集： 实现异构智能设备的惯性数据采集与同步。
2. 数据预处理： 支持传感器时间对齐、坐标系转换、数据清洗和运动信号分析。
3. 深度学习运动估计： 基于 PyTorch 构建时序神经网络，实现人体运动特征提取与位移预测。
4. 多传感器协同融合： 结合不同设备的运动预测结果及不确定性信息，实现协同定位。
5. 算法训练与评估： 支持模型训练、性能比较、轨迹误差分析与实验结果可视化。

本人负责 Insight 项目的整体技术方案设计、核心算法研发、数据处理流程构建及实验验证。项目以 Python、PyTorch、NumPy 和 SciPy 为主要技术工具，构建面向智能手机、智能手表和智能眼镜的多设备协同感知与定位系统。

在数据采集方面，设计多设备同步采集方案，实现不同硬件平台的惯性传感器数据采集、时间同步与数据管理，并结合高精度动作捕捉系统建立运动真值。完成30余名参与者、300余段运动序列的数据采集与整理。

在算法研发方面，基于 PyTorch 开发时序深度学习模型，实现惯性信号特征提取、运动状态建模及三维位移预测。通过陀螺仪姿态积分完成坐标转换，并结合模型预测的不确定性实现多设备信息融合。

在系统实现方面，开发完整的数据预处理、模型训练、推理评估和结果可视化流程，支持不同设备组合下的定位性能比较与轨迹误差分析。

项目技术难点主要包括异构设备时间同步、不同佩戴位置下的运动差异建模、传感器坐标转换及多设备预测结果的可靠融合。通过统一的数据处理流程、深度学习建模和不确定性感知融合，实现从原始传感器数据到运动轨迹预测的完整算法链路。