.jpg)
Il presente contributo descrive un’attività di sperimentazione condotta da Gter in collaborazione con DART Lab del Lake Lucerne Institute, in Svizzera, con l’obiettivo di valutare diverse configurazioni GNSS per l’estrazione di parametri spazio-temporali della camminata umana e della stabilità del cammino.
Il focus della ricerca consiste nel confronto tra i risultati ottenuti mediante sensori GNSS/IMU indossabili e quelli ricavati da un algoritmo di computer vision markerless, applicato a riprese acquisite da un drone.
Il confronto diretto con sistemi di motion capture ottici come Vicon, considerati lo standard nella ricerca del movimento umano, non è realizzabile in ambienti outdoor. Pertanto, si è scelto come riferimento un approccio markerless, ispirato al lavoro di Cotton et al. [1], per garantire una stima indipendente dei medesimi parametri e una validazione qualitativa dei risultati.
Dispositivo GNSS/IMU e configurazione sperimentale
I dispositivi utilizzati sono stati sviluppati internamente da Stonex e Gter nel contesto del progetto REMOT e descritti in [2]. Ogni unità integra un ricevitore GNSS Ublox a doppia frequenza, compatibile con quattro costellazioni, e un’unità inerziale Xsens dotata di accelerometri e giroscopi a 100 Hz. La frequenza di campionamento GNSS è di 10 Hz. L’intero sistema opera in modalità post-processing, utilizzando tecniche di Post-Processing Kinematics (PPK).
Nel setup base vengono impiegati tre dispositivi: due fissati sui piedi del soggetto e uno posizionato nella parte bassa della schiena, in prossimità del centro di massa del corpo. Questa configurazione permette l’estrazione di parametri classici della camminata (lunghezza del passo, cadenza, simmetria) e la stima della stabilità posturale attraverso l’analisi del movimento relativo del busto rispetto ai piedi.
Approcci GNSS a confronto
Nelle campagne precedenti, svolte a Genova, è stato utilizzato un approccio differenziale con baseline corta (circa 2 km), grazie alla prossimità di una stazione di riferimento urbana. In tale contesto, l’elaborazione PPK ha garantito ottimi risultati in termini di precisione e continuità.
Nel nuovo ambiente sperimentale svizzero, la stazione EUREF più vicina è Zimmerwald, a circa 80 km di distanza. Questo ha imposto la necessità di esplorare configurazioni alternative:
- Baseline lunga (80 km): utilizzo dei dati da Zimmerwald per testare i limiti della precisione differenziale in condizioni meno ideali.
- Stazione locale: installazione di un ricevitore Ublox ZED-F9R su un balcone del laboratorio, per ridurre la baseline a pochi metri.
- Moving-base: configurazione in cui il dispositivo posizionato sulla schiena funge da base mobile per i due rover installati sui piedi, consentendo un’elaborazione differenziale relativa interamente “on-body”.
Questi approcci verranno confrontati in termini di qualità delle traiettorie, robustezza del fix delle ambiguità e sensibilità rispetto a variazioni ambientali.
Validazione tramite visione artificiale
A supporto dell’analisi, un drone DJI Flip verrà utilizzato per seguire automaticamente il soggetto durante la camminata. I video registrati verranno elaborati con un algoritmo markerless di motion capture, sviluppato da Cotton et al. [1], che consente la stima dei movimenti articolari senza marcatori fisici. L’allineamento tra i dati GNSS e quelli video sarà reso possibile dall’utilizzo del tempo GPS come riferimento comune.
L’obiettivo non è la sovrapposizione frame-by-frame delle traiettorie, ma piuttosto la comparazione delle grandezze derivate — lunghezza del passo, frequenza, oscillazione laterale del busto — per valutare la coerenza tra i due sistemi di misura.
Conclusioni e sviluppi futuri
Il presente lavoro si colloca in un contesto metodologico, volto a esplorare le potenzialità e i limiti dei sistemi GNSS per l’analisi del movimento umano in ambienti outdoor. La combinazione con sistemi di visione artificiale rappresenta una soluzione promettente per la validazione e l’arricchimento dell’analisi, soprattutto in assenza di riferimenti ottici convenzionali. Nei prossimi mesi, l’attività continuerà con test su soggetti multipli, in diversi contesti ambientali, per verificare e valutare la generalizzabilità del sistema con le impostazioni diverse.
Riferimenti
[1] R. J. Cotton, E. McClerklin, A. Cimorelli, A. Patel and T. Karakostas, "Transforming Gait: Video-Based Spatiotemporal Gait Analysis," 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Glasgow, Scotland, United Kingdom, 2022, pp. 115-120, doi: 10.1109/EMBC48229.2022.9871036.
[2] G. Kurshakov, A. Maffia, T. Cosso, R. Chiostri, V. Sanguineti and G. Delzanno, "Loosely-Coupled GNSS/INS Integration for Foot Trajectory Reconstruction in Outdoor Environments," 2024 10th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob), Heidelberg, Germany, 2024, pp. 1409-1414, doi: 10.1109/BioRob60516.2024.10719817.
