In sports, inertial measurement units are often used to measure the orientation of human body segments. A Madgwick (MW) filter can be used to obtain accurate inertial measurement unit (IMU) orientation estimates. This filter combines two different orientation estimates by applying a correction of the (1) gyroscope-based estimate in the direction of the (2) earth frame-based estimate. However, in sports situations that are characterized by relatively large linear accelerations and/or close magnetic sources, such as wheelchair sports, obtaining accurate IMU orientation estimates is challenging. In these situations, applying the MW filter in the regular way, i.e., with the same magnitude of correction at all time frames, may lead to estimation errors. Therefore, in this study, the MW filter was extended with machine learning to distinguish instances in which a small correction magnitude is beneficial from instances in which a large correction magnitude is beneficial, to eventually arrive at accurate body segment orientations in IMU-challenging sports situations. A machine learning algorithm was trained to make this distinction based on raw IMU data. Experiments on wheelchair sports were performed to assess the validity of the extended MW filter, and to compare the extended MW filter with the original MW filter based on comparisons with a motion capture-based reference system. Results indicate that the extended MW filter performs better than the original MW filter in assessing instantaneous trunk inclination (7.6 vs. 11.7◦ root-mean-squared error, RMSE), especially during the dynamic, IMU-challenging situations with moving athlete and wheelchair. Improvements of up to 45% RMSE were obtained for the extended MW filter compared with the original MW filter. To conclude, the machine learning-based extended MW filter has an acceptable accuracy and performs better than the original MW filter for the assessment of body segment orientation in IMU-challenging sports situations.
The estimation of the pose of a differential drive mobile robot from noisy odometer, compass and beacon distance measurements is studied. The estimation problem, which is a state estimation problem with unknown input, is reformulated into a state estimation problem with known input and a process noise term. A heuristic sensor fusion algorithm solving this state-estimation problem is proposed and compared with the extended Kalman filter solution and the Particle Filter solution in a simulation experiment. https://doi.org/10.4018/IJAIML.2020010101 https://www.linkedin.com/in/john-bolte-0856134/
Na twee jaar met veel studenten te hebben gewerkt aan het project Wireless Sensortechnologie bij Calamiteiten geeft dit boek een overzicht van de activiteiten die zijn uitgevoerd. In 14 deelprojecten verspreid over vier werkpakketten hebben vooral studenten onder leiding van docenten en medewerkers van het Saxion-lectoraat Ambient Intelligence in het Kenniscentrum Design en Technologie van Saxion zich verdiept in een breed scala van onderwerpen. Na een eerste verkenning door middel van literatuurstudie en verkenning van de markt is er gewerkt aan praktische oplossingen van problemen. In de meeste gevallen zijn de oplossingen vormgegeven in echte systemen met de nodige hard-en software. Bij de testen en de experimenten werd duidelijk in hoeverre de oplossing ook echt voldeed als antwoord op de onderzoeksvraag die aan het begin gesteld werd. Alle deelprojecten zijn beschreven en aan het eind van het boek worden de belangrijkste conclusies op een rij gezet.
MULTIFILE
Met het groeien van de gemiddelde levensverwachting is ook de uitdaging gegroeid om een ieder zo lang mogelijk een actieve deelnemer van de samenleving te laten zijn. Duurzame zelfstandige mobiliteit is van groot belang voor het functioneren in de samenleving (op werkplek en in thuisomgeving), draagt bij aan het sociaal functioneren en de algemene sociale cohesie. Goede controle over de (dynamische) balans speelt hierbij een grote rol, zijnde de balanshandhaving tijdens het voortbewegen, ook bij gezonde, jonge mensen een continue compromis tussen effectiviteit en veiligheid. Voor ouderen geldt dit nog sterker, daar de gevolgen van een val vele malen ernstiger zijn en ook een grote invloed hebben op de levensverwachting. Mechanismen van handhaving van de dynamische balans in praktische omstandigheden zijn nog grotendeels onbegrepen. Laboratoria staat vaak ver af van praktische condities van de alledaage praktijk. Moderne sensortechnologie opent momenteel een deur naar systematisch onderzoek naar valrisico’s in het dagelijkse leven, echter deze schiet nog te kort in haalbare accuratesse en stabiltiteit over langere metingen. In verschillende projecten wordt momenteel een nieuwe generatie van methoden onderzocht, met als centraal kenmerk hiervan dat bewegingsensoren niet meer als losse onderdelen functioneren, maar in samenhang worden gebruikt. Het kersverse INSTANT project, bijvoorbeeld, onderzoekt hoe huidige bewegingsensoren kunnen worden uitgebreid met een extra sensormodaliteit en ‘meta-datafusion’ algorithmen. Hierdoor kunnen de sensoren elkaars positie waarnemen en naar verwachting een orde meer accuraat meten op een manier die bovendien stabieler is over langere metingen. Aan iets vergelijkbaars wordt gewerkt door collega’s in Torino en Sassari, Italie, zij het met een andere type sensortechnologie. Dit KIEM project onderzoekt in hoeverre beide methoden (en beide onderzoeksclusters) elkaar kunnen versterken door intensief samen te werken. Het plaatsen van een Italiaanse onderzoeker in het INSTANT onderzoekscluster in Enschede gedurende grote delen van een jaar borgt deze samenwerking.
