CN108151732A - 一种远程的位置和行为估计方法 - Google Patents
一种远程的位置和行为估计方法 Download PDFInfo
- Publication number
- CN108151732A CN108151732A CN201711406253.9A CN201711406253A CN108151732A CN 108151732 A CN108151732 A CN 108151732A CN 201711406253 A CN201711406253 A CN 201711406253A CN 108151732 A CN108151732 A CN 108151732A
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- estimation
- server end
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
Abstract
本发明公开了一种远程的位置和行为估计方法,属于远程无线识别领域。移动设备上搭载有传感器,服务器端预先存储有不同位置以及行为下所述传感器的时序感应数据,并在时序感应数据与位置、行为之间建立经过训练的匹配模型;当移动设备工作时,所述传感器连续采集感应数据,并将时序感应数据以及该移动设备对应的身份信息同步传输至服务器端;服务器端将接收到的时序感应数据输入所述的匹配模型中,对当前移动设备所处位置和正在实施的行为进行估计。本发明将位置估计由传统的移动端转移至服务器端,从而使服务器端具有大量的与人的位置和行为相关的传感器数据,通过对传感器数据的分析和匹配,从而实现双重估计,具备大数据分析的功能。
Description
技术领域
本发明属于远程无线识别领域,具体涉及一种远程的位置和行为估计方法。
背景技术
用户行为估计是指基于当前获取到的与用户相关的数据,对其正在进行的行为进行估计。行为估计对于实现人员监管、需求分析、供需关系分析、商业模式分析具有重要意义,可用于安保、营销、大数据分析等方面。目前,现有技术中已有针对网络用户行为的分析预测系统,例如论文《Modeling and Predicting Behavioral Dynamics on the Web》中提到的用户行为预测。但是,针对实体用户的行为估计,目前的研究是通过对图像或视频信号的处理来获得的,比如用Google Glass来感知和获取图像。本发明利用WiFi、地磁和无线传感器信号来感知用户的姿态,分析用户的行为,目前仍然未见报道。实体用户行为完全不同于网络用户行为,网络用户行为用来估计用户的网络操作和点击爱好等等,而实体用户行为则是用来估计用户的肢体行为,比如走路,快跑,弯腰,抬头,打架,偷东西等等行为。另外,相比图像或视频行为分析,无线行为分析的应用场合更广泛,更隐蔽,而且无需额外的设施建设,所以更经济。通过用户定位位置分析是实现行为估计的一种方式,常见的定位管理系统可以对人和物的自动识别和区域性定位,实现对人和物的管理,如:人员考勤、人员和物品查找、人员和物品的区域限定、人员统计、视频联动、历史轨迹查询、重点区域管理等功能。目前,民用的定位管理系统中,常用的定位方法是基于用户手机上的GPS实现的,只适用于室外用户,用户在手机上获取定位信息后将其发送给管理系统,管理系统直接根据该定位进行后续服务流程。但现有的定位系统中,只有手机端或者服务器端一方具有定位、导航功能,而另一方不具备定位、导航功能。在利用超宽带UWB信号进行仓库货物追踪的定位系统中,只有服务器端具备定位功能,标签不需要也不可能具有导航功能。在利用手机进行导航的大型商场定位方案中,只有手机端具有定位、导航功能,而服务器端只有指纹存储和算法计算得功能,其功能相对单一而且不具有可视性。更重要的是,现有的所有定位系统中,都不具备身份识别和大数据分析的功能,只能实现单一的定位、导航功能,无法满足用户对拓展定位管理系统功能的需求。
因此,如何实现针对用户实体行为的位置和远程行为估计,是一项亟待解决的技术问题。
发明内容
本发明的目的在于解决现有技术中存在的技术问题,即无法针对实体的用户行为进行位置和行为的双重估计,并提供一种基于移动设备实现远程的位置和行为估计方法。本发明所采用的具体技术方案如下:
远程的位置和行为估计方法,该方法以移动设备为终端,移动设备上搭载有能感知可用于定位的数据信息的传感器,移动设备与服务器端之间通过通信网络进行数据交互,服务器端预先存储有不同位置以及行为下由所述传感器感知的时序感应数据,并在时序感应数据与位置、行为之间建立经过训练的匹配模型;当移动设备工作时,所述传感器连续采集感应数据,并将时序感应数据以及该移动设备对应的身份信息同步传输至服务器端;服务器端将接收到的时序感应数据输入所述的匹配模型中,对当前移动设备所处位置和正在实施的行为进行估计,并将估计结果与接收到的身份信息进行关联和存储,服务器将估计得到的当前移动设备所处位置信息同步返回至移动设备进行共享。
与传统方法不同的是,本发明中位于室内和室外时的位置估计主体是不同的,本发明中将位置、行为估计的计算过程置于服务器上进行,而移动设备仅用于感知可供定位的数据信息。该做法使移动设备和服务器均具有了能够用于定位的数据信息,因此能够基于这些数据大大扩展定位和其他分析功能,其中手机端可以具有定位、导航功能,而服务器端不仅可以具有定位、导航功能,还可以进一步实现行为估计、身份识别、追踪、管理和大数据分析功能。而且,服务器端不仅掌握所有用户的实时位置、历史位置和行动轨迹,而且掌握所有用户的个人信息和数据,基于服务器强大的计算分析能力,其不仅可以同时显示所有定位范围内的用户位置和个人行为信息,而且具有搜索和查询功能,能够从数据库中直接或间接的找寻相关信息。
本发明中,移动设备上至少需要搭载一个或多个能够感知可用于定位和行为估计的数据信息的传感器。可用于定位和行为估计的数据信息是指这些数据能够通过被处理、分析,获得该数据对应的传感器所在位置和行为。能够实现此功能的数据较多,例如信号强度数据、地磁数据、惯导数据等等。因此传感器可以从WiFi模块、蓝牙模块、惯性传感器、重力传感器、地磁传感器中、UWB标签、RFID标签等传感器中选择多种组合使用。当然,假如随着技术发展,存在其他能够实现室内定位的传感器,也可以应用于本发明中,例如随着5G时代高密度基站的设置,可以单独使用基站信号指纹或单独使用基站测距进行定位。但需注意的是,若某种传感器需要其他外部设备进行配合,那么在待定位环境中需要同步设有这些外部设备,例如UWB定位方法中的定位基站、WiFi定位方法的AP接入点等。另外,此处所述的搭载可以以内置式方式搭载,也可以以外部固定或者随移动设备同步移动的方式搭载。
本发明中,位置估计是行为估计的基础,该位置是三维空间中移动设备所在坐标点,而并非仅限于二维空间。本发明中的行为是指导致移动设备的位置或者姿态发生变化的动作,例如转身、行走、举手、跳跃等等。
由于服务器端进行行为估计的需要,即使在同一位置,传感器也要间隔性地实时感知数据,即连续的采集传感器的信号,可用于后续提取信号的相关性和连续变化。因此其数据量采集要远远大于传统的指纹定位系统数据量,在服务器端做位置和远程行为估计时,位置相当于隐含在行为变化过程中的隐变量,行为产生的变化数据是观测量,通过对观测量进行分析,既可以估计出移动设备的当前三维位置,进而基于三维位置的时序变化估计出其当前正在实施的行为。
本发明中,匹配模型应当理解为广义的匹配算法,只要该算法能够基于传感器的时序感应数据估计其所处位置和行为即可。匹配模型可以采用多种方式,例如可以通过基于3D神经网络、指纹算法或深度学习的混合定位和远程行为估计来实现,也可以采用SVM支持向量机、贝叶斯网络及其他机器或非机器学习方法。当然匹配模型也不一定是需要经过训练的模型,面对惯导传感器等数据信息,也可以采用行人航位推算(PDR)等自主定位算法。当存在多个传感器时,所采用的匹配模型可以是多个,分别针对不同的数据进行估计,也可以将数据进行融合,在一个模型中进行估计。
基于上述技术方案,本发明还可以进一步提供若干优选方式。
作为一种优选方式,当所述的移动设备位于室内时,移动设备以服务器端共享的位置信息作为当前位置信息。服务器依靠手机传感器数据进行位置和行为双重估计。位于室外时移动设备上的卫星定位系统能够直接实现精准定位,但卫星定位系统的准确性在室内环境受到限制,因此本发明中在室内环境下,将位置估计的计算过程置于服务器上进行,而移动设备仅用于感知可供定位的数据信息,其最终的定位位置可通过服务器端共享的位置信息来确定。
作为另一种优选方式,当移动设备位于室外时,通过移动设备上搭载的卫星定位系统(例如GPS、北斗系统及其他等同系统)进行定位,并在移动设备和服务器之间共享定位信息。此时,服务器依靠较少的手机传感器数据(室外环境无WiFi),主要对行为进行估计。在室外具有足够信号强度的地方,手机本身的卫星定位系统获取到的位置信息相比于传感器的定位数据更为准确,因此可以直接采用卫星定位系统的位置信息作为移动设备和服务器端的最终位置信息,当然也可以将两种方式获取到的位置信息进行数据融合。
本发明中,移动设备对于室内和室外的判断可以采用现有的多种方法,但作为一种优选实现方案,判断移动设备位于室内或室外的方法为:当移动设备接收到的可见卫星数目和信号强度均大于等于阈值时,判断移动设备用户在室外;否则判断移动设备位于室内。
作为另一种优选方式,传感器感应到的时序感应数据传输至服务器端后,由服务器提取时序的特征向量并将其输入所述的匹配模型中,匹配模型的输出为分类向量,分类向量包含的信息反映了当前移动设备所处位置和正在实施的行为。
作为另一种优选方式,移动设备上搭载的传感器至少包括WiFi模块,移动设备可以通过WiFi模块或者移动运营商接入所述的通信网络中,WiFi模块实时感知周围可听范围内各WiFi接入点的信号强度,并将其周围可听范围内各WiFi接入点的信号强度作为时序感应数据同步传输至服务器端。在该方法中,服务器中在数据训练阶段,可预先存储WiFi强度与位置、行为的匹配模型,用于估计WiFi特征向量和坐标位置间的对应关系,WiFi模块通过感知当前位置周边各WiFi接入点的信号强度,由服务器对其进行分析后得出WiFi特征向量,然后通过匹配模型进行比对匹配,即可获得当前的位置估计。由于基于WiFi的位置和行为估计需要依靠WiFi接入点来实现,因此待定位的空间中需要分布足量的WiFi接入点。
在上述以WiFi模块作为传感器的方案基础上,进一步的,移动设备上搭载的传感器还可以包括地磁传感器,当移动设备工作时,地磁传感器实时感知当前位置的地磁数据,并与该位置各WiFi接入点的信号强度数据一起作为两种时序感应数据同步传输至服务器端;服务器端根据两种时序感应数据融合后得出当前移动设备所处位置估计和正在实施的行为估计。基于地磁的定位无需借助外部设备,因此可以在服务器中预置地磁特征向量与位置、行为的匹配模型,然后根据当前位置的地磁特征向量进行对比匹配。
更进一步的,移动设备上搭载的传感器还包括惯性传感器,当移动设备工作时,移动设备将惯性传感器实时感知到的数据,作为另一种时序感应数据,同步传输至服务器端,服务器端根据接收到的各种时序感应数据融合后得出当前移动设备所处位置估计和正在实施的行为估计。惯性传感器可以与WiFi模块配合,也可以同时与WiFi模块、地磁传感器配合。
本发明中,对不同的时序感应数据进行数据融合时,可以直接对不同数据的特征向量进行融合,然后估计位置和行为,也可以分别根据某类传感器的数据估计出位置和行为后,再对各类估计值进行融合,获得最终估计结果。具体的融合算法及参数挑选规则可以根据实际情况进行选择优化,不作为限定。
本发明中的惯性传感器是指实现惯性导航定位所需的传感器组合或集成,包含加速度计(或加速度传感计)和角速度传感器(陀螺)及其他必要的运动传感器,实际使用时可以选择其中的一种或多种。惯性传感器可以不依赖于外部信息、也不向外部辐射能量进行自主式导航,其以牛顿力学定律为基础,通过测量载体在惯性参考系的加速度、姿态角变化,将它对时间进行积分,且把它变换到导航坐标系中,就能够得到在导航坐标系中的速度、偏航角和位置等信息。在部分行为中,位置信息并不发生变化,但姿态信息会发生变化,例如转身等动作。因此,惯性传感器可以进一步用于对位置估计和行为估计算法进行精度提升。
进一步的,上述技术方案中用于表示特征向量和坐标位置间对应关系的预置匹配模型均可以通过训练阶段获得。但现在的定位精度不高,可靠性低,而且还处于二维(2D)定位的阶段。但随着深度神经网络和云平台大数据的成熟,模式匹配会更精细,数据辨识度更高,从而可获得三维(3D)的高精度定位。由于云平台能提供超大的信息存储,深度网络能获得更高的匹配精度,因此本发明可以将训练阶段得到的各类别特征向量,首先形成合成特征向量,然后利用深度学习神经网络,将室内区域的二维坐标分割升级为三维坐标,后续定位阶段得到的特征向量可以通过对比匹配定位至三维坐标中,从而实现高精度的三维位置定位。
另外,上述各方案中的身份信息也可以采用多种形式,下面提供两种优选方式:其一为手机号码,当移动设备采用手机时,可以在经过用户预授权的情况下,直接向服务器发送其自身携带的手机号码,服务器中可以预先存储有手机号码与用户身份资料之间的对应关系数据库,当服务器接收到定位信息及手机号码时,就可以在实现定位的同时将用户身份资料与定位位置/正在执行的行为进行关联。其二为RFID标签信息,RFID标签可由移动设备所属用户携带,室内环境中分布有RFID读写器,移动设备上传定位信息的同时,RFID读写器将读取该移动设备所属用户携带的RFID标签信息,并将其一并传送至服务器,服务器中预先存储有RFID标签信息与用户身份资料之间的对应关系数据库,由此实现关联。当然,上述两种方式也可以同时使用,以便于数据校核。
将身份信息和定位/行为信息在服务器进行关联后,可以极大地扩展系统的数据分析功能。因为服务器储存了大量的用户信息、实时位置/行为信息和历史位置/行为信息,所以在大数据技术的支持下,服务器端可以实现各种各样的信息搜索和数据查询,并在终端显示。所以,本发明不仅具有定位导航、功能,而是有更大范围的实际应用,大到整个单位小到某个地点,可以统计时间段也可以统计访问次数,还可以画出锁定目标的位置轨迹和行为轨迹。
另外,本发明中的移动设备可以采用多种形式,其基本功能是搭载传感器感知定位信息,只要满足该基本功能的设备均可。作为一种优选方式,所述的移动设备为手机或能够搭载传感器的电子设备(如Pad、手提电脑等),优选为智能手机。目前的智能手机一般都搭载有WiFi模块和各种其他传感器,因此基本都能满足本发明的需要,且用户无需另外购置特殊设备,有利于推广使用。
进一步的,上述各方案中的移动设备和服务器中均可预存储有待定位区域的电子地图,定位信息可以直接显示与电子地图上,实现定位显示和导航功能。
由于本发明的定位信息、行为信息和身份信息都关联、保存于服务器中,因此可以在服务器上开发部署数据分析模块,优选的,服务器中布设有定位模块、导航模块、身份识别模块、追踪模块、管理模块和大数据分析模块中的一种或多种。
本发明相对于现有技术而言,具有以下有益效果:
(1)本发明将位置估计由传统的移动端转移至服务器端,从而使服务器端具有大量的与人的位置和行为相关的传感器数据,通过对传感器数据的分析和匹配,从而实现双重估计。
(2)本发明中手机端和服务器端同时具有定位、导航的功能,且能够在室内和室外实现无缝对接。
(3)本发明中服务器端具有用户身份识别、行为分析预测和轨迹追踪的功能,还同时具有信息搜索和查询、大数据分析的功能。
(4)本发明能够在服务器端实现特定范围内对所有的人的实时定位、实时监控、实时跟踪和实时集中管理功能。
(5)本发明能够实现对特定范围内所有人的历史位置查询、历史轨迹查询、历史个人信息查询和历史行为查询功能。
(6)本发明为实现需求分析、供需关系分析、商业模式分析、方案效果分析等大数据分析提供了数据和位置平台。
附图说明
图1为位置和远程行为估计系统框图。
图2为智能手机的传感器和开发软件示意图。
图3为本发明一实施例中的神经网络模型结构图。
图4为智能手机端导航APP的功能模块示意图。
图5为服务器端的数据库示意图。
图6为服务器端的位置和远程行为估计软件的功能模块示意图。
图7为手机和服务器的通信流程示意图。
图8为带消极RFID的读卡器和智能卡的位置和远程行为估计系统框图。
图9为消极RFID的读卡器和智能卡的要求示意图。
图10为消极RFID和服务器的通信过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施例中的技术特征在没有相互冲突的前提下,均可进行相应组合。
如图1所示,为一实施例中的一种位置和远程行为估计系统架构示意图,其采用本发明的远程的位置和行为估计方法来实现室内室外的定位、行为分析功能。本实施例中,以常规的智能手机作为用户携带的定位终端,智能手机上安装了各类传感器,可用于获取定位信息。智能手机可通过2G、3G、4G、5G、WiFi等方式与服务器建立通信链接,进行远程数据交互。待定位的室内区域中可预先布设足量的WiFi接入点。当智能手机工作时,智能手机通过传感器实时感应各类数据,并将数据发送至服务器端,因此服务器端实际上获取的是一系列连续的时序感应数据。服务器端预先存储有不同位置以及行为下由传感器感知的时序感应数据。另外,服务器端还预先设置有一个匹配模型,用于根据输入的时序感应数据匹配输出该数据对应的当前位置、当前行为。该匹配模型可预先进行训练,以提升其输出精度。当智能手机工作时,其搭载的传感器连续采集感应数据,并将时序感应数据同步传输至服务器端。另外,为了将智能手机与用户的身份信息进行对应,需要将该智能手机对应的身份信息一并传输至服务器端。服务器端将接收到的时序感应数据输入构建好的匹配模型中,对当前智能手机所处位置和正在实施的行为进行估计。另外,由于服务器同步接收到了手机发送的身份信息,因此可以根据预置在服务器上的身份信息数据库,将估计得到的手机位置和用户行为与身份信息对应的用户进行关联,供后续数据分析。服务器端的显示和操作功能可投射至PC机、显示器上进行。同时为了实现移动端的位置估计功能,服务器还需要将估计得到的当前智能手机所处位置信息同步返回至智能手机进行共享。
智能手机本身能够通过GPS等卫星定位系统获取自身所在坐标,但该坐标仅限于室外环境;实现智能手机的室内定位功能后,由于需要在室内室外之间切换,就需要实现室内外的无缝衔接。当智能手机位于室外时,可直接通过手机上搭载的卫星定位系统进行定位,并通过网络将定位数据共享给服务器,该定位位置信息最终位置信息,用于定位和导航。但智能手机对于行为的估计,依然要通过其搭载的传感器时序感应数据来实现。另外,当智能手机位于室内时,智能手机本身的GPS定位信息不在正确,需要利用服务器端分享的位置信息来显示定位,从而在手机端和服务器端都具有定位、导航功能。
在另一实施例中,由于定位信息的获取在室内和室外需采取不同方式实现,因此定位无缝对接的方法如下:当可见卫星数目和信号强度均大于等于相应的阈值时,表示手机用户在室外,采用GPS定位;相反,当可见卫星数目或信号强度小于相应的阈值时,GPS定位失效,表示手机用户很可能在室内,切换到室内定位系统。具体的卫星数目阈值和信号强度可以根据试验进行确定,不作为限定。当然,该实施例中对于智能手机位于室内室外的判定方法只是其中一种,也可以采用其他方式进行判别,例如地理围栏技术等。
本发明的不同实施例中,可采用不同的传感器组合,匹配模型也可进行相应的调整,只要能够根据输入的传感器时序感应数据,输出该数据对应的当前位置、当前行为估计即可。下面结合具体实施例进行说明。
在一实施例中,智能手机的传感器要求和需要搭载的软件如图2所示。该智能手机还安装加速度传感器、陀螺仪、地磁传感器、重力传感器等(或其他同等传感器,例如罗盘),而且智能手机要求具有WiFi功能(该功能在目前的智能手机中已经较为普及),可以感知来自各个WiFi接入点的信号强度。本实施例中,数据的匹配通过神经网络模型实现。如果该神经网络模型已训练好,则可以将其直接预置于服务器中。但此处的预置可包含物理意义上的内置于存储器中,也可理解为通过数据链接方式供服务器调用。如果服务器端的定位信息所需的神经网络模型需要进行重新构建,则智能手机端需要搭载WiFi接收信号强度(WiFi RSS)检测程序,该系统在数据采集时,需要在各个规划地点,当各种动作发生时,连续地采集传感器的信号作为训练样本,重点是提取信号的相关性和连续变化。具体的,以WiFi模块感应到的各个WiFi接入点的信号强度为例,在训练阶段,对不同的A、B、C位置点某个行为发生过程中WiFi模块分别以一定间隔连续采集信号强度值,获得DA1~DAn、DB1~DBn、DC1~DCn多组不相关的数据向量群,DA1~DAn表示在位置A处从开始某一行为起的n个信号强度向量,其余类同。从这些数据向量群中分别提取的特征向量相应为FA1~FAm、FB1~FBm、FC1~FCm。每个数据向量群中,比如,DA1~DAn,是时序的并且相关的,对应的特征向量FA1~FAm也是时序并相关的。如图3所示,神经网络模型的输入为每个数据特征向量,输出为分类向量,分类向量包括位置P和行为B。在训练阶段,输出为已知标签,P=[1,0,0,…,0]和B=[1,0,…,0]表示输入特征向量来自于位置A收集的数据并且目标正在进行行为1,以此类推。将足够的样本输入神经网络模型并进行训练后,模型达到收敛,可用于后续估计。在测试阶段,将传感器连续采集感应数据,作为时序感应数据同步传输至服务器端。然后提取其特征向量输入模型中,输出分类向量P和B,比如位置估计P=[0.1,0.8,0,0,…,0.1]和行为估计B=[0.1,0.5,0.1,0,…,0.3],表示输入的特征向量来自于位置B收集的数据并且目标正在进行行为2。
与WiFi模块类似地,智能手机中进一步搭载地磁传感器时,手机端也需要搭载地磁检测程序。在训练阶段,提前规划好路径和标记点,智能手机沿着设计路径,根据规定动作行为,实时采集地磁传感器的数据,将这些时序感应数据发送到服务器。服务器端建立数据库存储所有接收数据,计算和统计地磁数值,进而提取出用于后续定位的特征向量,然后以这些数据为样本训练神经网络模型。服务器端根据两种时序感应数据分别基于各自的神经网络模型得出当前移动设备所处位置估计和正在实施的行为估计,然后通过数据融合和参数挑选得到最终估计结果。当然,也可以将地磁数据和WiFi数据共同输入同一模型中,直接在神经网络中进行数据融合,得出估计结果。
当然,为了提高室内定位的准确性,还可以增设其他的传感器,例如在另一实施例中,还增设了惯性传感器(包含加速度传感计和角速度传感器等惯导定位的必要传感器),通过惯导定位的方法得到另一个惯性导航位置估计和行为估计,与基于WiFi的位置/行为估计和基于地磁的位置/行为估计一起进行数据融合和参数挑选,得到最终估计结果。惯导定位的方法可以采用现有技术中的各种方法,不再赘述。
智能手机上搭载传感器的一种优选配置是至少同时包含WiFi模块、地磁传感器和惯性传感器。三类传感器获得的数据能够通过相互融合得到准确性较高的位置和行为估计结果。
上述实施例中,以神经网络模型为基础构建匹配模型,但本发明并非仅限于此。例如,还可以利用训练阶段获得的数据构建指纹地图(如WiFi RSS指纹地图、地磁指纹地图等),然后在实测阶段利用实时得到的传感器时序感应数据,在指纹地图中进行对比匹配,获得位置隐变量,并进一步估计出其可能正在实施的动作。另外,现在的指纹定位精度不高,可靠性低,而且还处于二维(2D)定位的阶段。但随着深度学习和云平台大数据的成熟,模式匹配会更精细,数据辨识度更高,从而可获得三维(3D)的高精度定位。云平台能提供超大的信息存储,深度网络能获得更高的匹配精度。在其他实施例中,还可以进一步采用深度学习神经网络对室内定位的2D坐标进行升级,使得通过传感器时序感应数据能够在3D坐标中估计出其位置值,进而更精确地估计其行为状态。下面给出三种具体方法:
1.基于深度学习神经网络的高精度定位算法I
从WIFI RSS数据库,提取WIFI RSS特征向量;从地磁数据库,提取地磁特征向量;根据WIFI RSS特征向量和地磁特征向量,产生合成特征向量;利用深度学习神经网络,可以将现在的二维粗略坐标分割升级为是三维精细坐标分割,从而实现高精度的室内位置信息;再结合GPS的室外定位,从而实现高精度的室内外定位导航。
2.基于深度学习神经网络的高精度定位算法II
从WIFI RSS数据库,提取WIFI RSS特征向量;从地磁数据库,提取地磁特征向量;从惯性导航,提取惯导特征向量。根据WIFI RSS特征向量、地磁特征向量和惯导特征向量,产生合成特征向量。利用深度学习神经网络,可以将现在的二维粗略坐标分割升级为是三维精细坐标分割,从而实现高精度的室内位置信息。再结合GPS的室外定位,从而实现高精度的室内外定位导航。
3.RFID校准的高精度室内外定位导航
基于上述深度学习神经网络的高精度定位算法I或者II,获得了高精度的室内外定位导航,再根据RFID提供的位置和个人信息对其进行进一步的融合、校准,从而获得RFID校准的高精度室内外定位导航。
当然,除了上述神经网络模型、指纹地图等方法之外,还可以采用SVM支持向量机、关联规则学习等机器学习方法实现本发明。
另外,在其他实施例中,智能手机上还可以安装导航APP软件,由智能手机端的APP软件负责室内外地图的构建、自动切换和位置在地图上的显示,起止地址的导航和基本的信息搜索查询。图4描述了另一实施例中智能手机端导航APP的功能模块。首先,需要实地收集室内平面地图,从而可以软件构建三维室内地图;再融合百度地图,完成构建定位范围内的室内外地图。然后,自动接收来自服务器端的位置信息,在室内外地图显示,室内外地图自动切换,进一步实现导航和信息搜索的功能。
本发明中,服务器端不但能够实时获取智能手机端的定位信息,还可以通过预置和后续记录的大量数据信息,实现大数据分析的功能。图5描述了另一实施例中,服务器端建立的数据库详细信息,具体包括:1)所有用户信息数据库(需含有用户个人资料与智能手机端发送的身份信息之间的对应关系);2)待定位的室内区域各位置的WiFi RSS和位置坐标数据库、行为信息数据库;3)待定位的室内区域各位置的WiFi特征向量和位置坐标数据库、行为信息数据库;4)待定位的室内区域各位置的地磁值和位置坐标数据库、行为信息数据库;5)待定位的室内区域各位置的地磁特征向量和位置坐标数据库、行为信息数据库;6)其他各类传感器感知数据和位置坐标数据库、行为信息数据库;7)所有用户的历史位置、行为和对应历史时刻数据库;8)所有用户的当前位置数据库;9)其他逐步建立的各种大数据应用与分析数据库。
由于服务器中存储了大量的实时和历史数据,因此在服务器端可以设置多种功能模块,扩展定位管理系统所能够提供的服务,例如定位模块、导航模块、身份识别模块、追踪模块、管理模块和大数据分析模块等。在另一实施例中,服务器端的位置和远程行为估计软件的功能模块如图6所示。首先,跟手机端类似具有定位和导航功能,所以跟手机端共享定位范围内的室内外地图。根据当前接收数据计算所有手机的数据特征向量值,跟数据库中的指纹或者输入神经网络等匹配模型进行对比匹配,获得所有手机用户的当前位置以及正在进行的行为估计,在室内外地图显示所有用户信息和位置,随着地图放大缩小自动切换室内外地图,进一步实现导航和信息搜索的功能。另一方面,当前的所有手机用户的位置、行为信息实时存储于服务器中。另外,从历史数据库,可以得到所有用户的历史位置坐标、历史行为轨迹,可以帮助搜索更多信息,可以帮助集中管理,更重要的是可以实现识别和追踪。利用历史数据,同时可以用来验证和优化数学模型,进行大数据分析。在不同场合使用这些数据,特别对于商场、安保等特殊环境,可以实现需求分析、供需关系分析、商业模式分析、方案效果分析等功能。
下面以包含WiFi模块和地磁传感器的智能手机为例,说明本发明中手机和服务器的通信流程。如图7所示,在训练阶段,提前规划好路径和标记点,智能手机沿着设计路径采集各类传感器的数据和WiFi信号强度数据,发送到服务器,服务器端建立数据库存储所有接收数据,计算和统计地磁数值和WiFi信号强度值,进而提取出特征向量,输入匹配模型中建立地磁特征向量、WiFi特征向量和坐标位置以及行为的对应关系。在实际估计阶段,智能手机在未知的坐标位置同样采集各类传感器的数据和WiFi信号强度数据,发送到服务器。服务器端分析接收数据从而提取有效的地磁和WiFi特征数值,输入训练好的模型中进行比对匹配,从而分别得到基于WiFi、地磁的位置估计、行为估计。服务器端根据两种位置估计值,通过数据融合算法和参数挑选来最终决定手机的位置估计和正确概率,对于行为估计亦然。然后,服务器会发送最终估计数值到手机端,所有位置估计和正确概率会同时在服务器端和手机端获得,行为估计一般存储于服务器端。
本发明中,用户身份信息需要与定位信息一并发送给服务器,而用户信息的种类不限。最为常见和普遍的是手机自带的电话号码,通过预先设置让手机可以自动发送个人信息(电话号码)的方式到服务器,前提是需要手机用户的授权。在用户授权的情况下,当手机向服务器发送传感器各类感知数据的时候,同时发送手机号码。服务器端数据库存储人的身份和电话号码的对应表,所以服务器可以进行人的身份识别和用户管理。考虑服务器端具有定位功能,结合人的身份识别,所以可以实现进行人的轨迹追踪。
但在另一实施例中,也可以采用RFID标签的方式读取用户信息,如图8所示,RFID标签携带于用户身上,由连入网络的RFID读卡器读出其内部存储的个人信息。图9描述了消极RFID读卡器和标签的要求。其中,RFID读卡器要求是消极RFID,采用多波段来增加通信距离,市场上已有的消极多波段RFID通信距离可达16m左右,还要考虑有效的基础设施安装方式。RFID标签嵌在可智能卡上,要求升级的智能卡片,包括升级的身份证、驾照、银行卡等,存储大量的个人信息,存储关键的个人档案。图10描述了消极RFID和服务器之间的通信过程。在训练阶段,WiFi和地磁都需要收集指纹,但是RFID不需要收集数据,或与服务器有任何的通信。在定位阶段,RFID读卡器在通信范围内感应智能卡,然后发送用户的个人证件号等信息到服务器。服务器收到信息后,存储信息,调整并更新用户的位置,修改当前位置数据库;另一方面,根据更新的数据库实现定位导航、识别追踪、集中管理、大数据分析等功能。
在本发明中,用户信息是随手机的传感器感知数据一并发送给服务器的,但两种数据的发送可以通过不同途径或不同设备。该发送过程通常可以采用以下几种方式,1)由手机通过通信运营商直接发送至服务器端;2)由手机发送至基站,基站转发服务器;3)RFID被动/消极定位标签(存在该设备时)读取用户信息后通过网络发送至服务器,可与手机的传感器感知数据分开发送,在服务器端进行关联即可;4)RFID主动定位标签(存在该设备时)读取用户信息后通过网络发送至服务器发送(当主动卡可以做到低辐射、小尺寸的时候可行),在服务器端进行关联;5)其他发送方式。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。另外,移动设备也不限于智能手机,还可以采用其他具有卫星定位功能的电子通讯设备或电子非通讯设备,例如平板电脑、导航、便携式电子设备等。另外,本领域的技术人员应当知道,本发明中所涉及的各移动设备、服务器、外部设备等集成于一台上,也可以分布于多台设备上。例如,服务器可采用一台集成服务器同时实现多台功能,也可以利用多台服务器联网共同实现某一台服务器的功能;移动设备也可以是一台或者多台。本发明中的部分模块、功能、系统和步骤也可以通过可执行的程序代码来实现,代码可存储于存储装置中,并有计算装置中的相应元件执行,可行时也可以采用电路、市售模块等方式来实现。由此,本发明的实现便不限制于任何特定的硬件和软件结合。本发明中的各硬件型号均可采用市售产品,可根据实际用户需求进行选择。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种远程的位置和行为估计方法,该方法以移动设备为终端,移动设备上搭载有能感知可用于定位的数据信息的传感器,其特征在于:移动设备与服务器端之间通过通信网络进行数据交互,服务器端预先存储有不同位置以及行为下由所述传感器感知的时序感应数据,并在时序感应数据与位置、行为之间建立经过训练的匹配模型;当移动设备工作时,所述传感器连续采集感应数据,并将时序感应数据以及该移动设备对应的身份信息同步传输至服务器端;服务器端将接收到的时序感应数据输入所述的匹配模型中,对当前移动设备所处位置和正在实施的行为进行估计,并将估计结果与接收到的身份信息进行关联和存储,服务器将估计得到的当前移动设备所处位置信息同步返回至移动设备进行共享。
2.如权利要求1所述的远程的位置和行为估计方法,其特征在于:当所述的移动设备位于室内时,移动设备以服务器端共享的位置信息作为当前位置信息。
3.如权利要求1所述的远程的位置和行为估计方法,其特征在于:当所述的移动设备位于室外时,通过移动设备上搭载的卫星定位系统进行定位,并在移动设备和服务器之间共享定位信息。
4.如权利要求1所述的远程的位置和行为估计方法,其特征在于:传感器感应到的时序感应数据传输至服务器端后,由服务器提取时序的特征向量并将其输入所述的匹配模型中,匹配模型的输出为分类向量,分类向量包括当前移动设备所处位置和正在实施的行为。
5.如权利要求1所述的远程的位置和行为估计方法,其特征在于:所述的传感器至少包括WiFi模块,WiFi模块实时感知周围可听范围内各WiFi接入点的信号强度,并将其周围可听范围内各WiFi接入点的信号强度作为时序感应数据同步传输至服务器端。
6.如权利要求5所述的远程的位置和行为估计方法,其特征在于:所述的传感器还包括地磁传感器,当移动设备工作时,地磁传感器实时感知当前位置的地磁数据,并与该位置各WiFi接入点的信号强度数据一起作为两种时序感应数据同步传输至服务器端;服务器端根据两种时序感应数据融合后得出当前移动设备所处位置估计和正在实施的行为估计。
7.如权利要求5或6所述的远程的位置和行为估计方法,其特征在于:所述的传感器还包括惯性传感器,当移动设备工作时,移动设备将惯性传感器实时感知到的数据,作为另一种时序感应数据,同步传输至服务器端,服务器端根据接收到的各种时序感应数据融合后得出当前移动设备所处位置估计和正在实施的行为估计。
8.如权利要求1所述的远程的位置和行为估计方法,其特征在于,所述的身份信息为手机号码和/或该移动设备所属用户所携带的RFID标签信息,且服务器中预先存储有身份信息与用户身份资料之间的对应关系数据。
9.如权利要求1所述的远程的位置和行为估计方法,其特征在于,所述的移动设备为智能手机。
10.如权利要求1所述的远程的位置和行为估计方法,其特征在于,所述的服务器端中开发布设有定位模块、导航模块、身份识别模块、追踪模块、管理模块和大数据分析模块中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406253.9A CN108151732A (zh) | 2017-12-22 | 2017-12-22 | 一种远程的位置和行为估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406253.9A CN108151732A (zh) | 2017-12-22 | 2017-12-22 | 一种远程的位置和行为估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108151732A true CN108151732A (zh) | 2018-06-12 |
Family
ID=62465203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711406253.9A Pending CN108151732A (zh) | 2017-12-22 | 2017-12-22 | 一种远程的位置和行为估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108151732A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003458A (zh) * | 2018-08-09 | 2018-12-14 | 河海大学常州校区 | 基于三轴地磁传感器的路口车辆违章监测系统及方法 |
CN109033979A (zh) * | 2018-06-29 | 2018-12-18 | 西北工业大学 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111478950A (zh) * | 2020-03-26 | 2020-07-31 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
CN111491265A (zh) * | 2020-03-26 | 2020-08-04 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
CN112540620A (zh) * | 2020-12-03 | 2021-03-23 | 西湖大学 | 足式机器人的强化学习方法、装置和电子设备 |
CN113411744A (zh) * | 2021-06-21 | 2021-09-17 | 中国矿业大学 | 一种高精度的室内定位追踪方法 |
RU2776855C1 (ru) * | 2021-04-02 | 2022-07-28 | Общество с ограниченной ответственностью "Визитек" | Система и способ определения местоположения пользователя |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008170268A (ja) * | 2007-01-11 | 2008-07-24 | Mitsubishi Electric Corp | センサ移動計画システム |
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电(中国)有限公司 | 用户行为识别设备及方法 |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
US20120296566A1 (en) * | 2011-05-20 | 2012-11-22 | Samsung Electronics Co., Ltd. | Apparatus and method for compensating position information in portable terminal |
CN104268511A (zh) * | 2014-09-17 | 2015-01-07 | 河海大学常州校区 | 一种基于三轴加速度传感器的网球运动模式识别系统及其方法 |
CN104932804A (zh) * | 2015-06-19 | 2015-09-23 | 济南大学 | 一种智能虚拟装配动作识别方法 |
CN106128105A (zh) * | 2016-07-27 | 2016-11-16 | 潘燕 | 一种交通路口行人行为监测系统 |
CN106406652A (zh) * | 2011-06-13 | 2017-02-15 | 索尼公司 | 信息处理装置、信息处理方法及计算机程序 |
CN106887115A (zh) * | 2017-01-20 | 2017-06-23 | 安徽大学 | 一种老人跌倒监测装置及跌倒风险评估方法 |
CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
-
2017
- 2017-12-22 CN CN201711406253.9A patent/CN108151732A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008170268A (ja) * | 2007-01-11 | 2008-07-24 | Mitsubishi Electric Corp | センサ移動計画システム |
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
CN102682041A (zh) * | 2011-03-18 | 2012-09-19 | 日电(中国)有限公司 | 用户行为识别设备及方法 |
US20120296566A1 (en) * | 2011-05-20 | 2012-11-22 | Samsung Electronics Co., Ltd. | Apparatus and method for compensating position information in portable terminal |
CN106406652A (zh) * | 2011-06-13 | 2017-02-15 | 索尼公司 | 信息处理装置、信息处理方法及计算机程序 |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
CN104268511A (zh) * | 2014-09-17 | 2015-01-07 | 河海大学常州校区 | 一种基于三轴加速度传感器的网球运动模式识别系统及其方法 |
CN104932804A (zh) * | 2015-06-19 | 2015-09-23 | 济南大学 | 一种智能虚拟装配动作识别方法 |
CN106128105A (zh) * | 2016-07-27 | 2016-11-16 | 潘燕 | 一种交通路口行人行为监测系统 |
CN106887115A (zh) * | 2017-01-20 | 2017-06-23 | 安徽大学 | 一种老人跌倒监测装置及跌倒风险评估方法 |
CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033979A (zh) * | 2018-06-29 | 2018-12-18 | 西北工业大学 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
CN109033979B (zh) * | 2018-06-29 | 2021-07-16 | 西北工业大学 | 基于wifi和摄像机传感器决策级融合的室内行人检测方法 |
CN109003458A (zh) * | 2018-08-09 | 2018-12-14 | 河海大学常州校区 | 基于三轴地磁传感器的路口车辆违章监测系统及方法 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111478950A (zh) * | 2020-03-26 | 2020-07-31 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
CN111491265A (zh) * | 2020-03-26 | 2020-08-04 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
CN112540620A (zh) * | 2020-12-03 | 2021-03-23 | 西湖大学 | 足式机器人的强化学习方法、装置和电子设备 |
RU2776855C1 (ru) * | 2021-04-02 | 2022-07-28 | Общество с ограниченной ответственностью "Визитек" | Система и способ определения местоположения пользователя |
CN113411744A (zh) * | 2021-06-21 | 2021-09-17 | 中国矿业大学 | 一种高精度的室内定位追踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108151732A (zh) | 一种远程的位置和行为估计方法 | |
KR101985703B1 (ko) | 증강현실 서비스형 소프트웨어 기반의 증강현실운영시스템 | |
US10083188B2 (en) | Information processing device, map update method, program, and information processing system | |
US11080439B2 (en) | Method and apparatus for interacting with a tag in a cold storage area | |
EP3213031B1 (en) | Simultaneous localization and mapping by using earth's magnetic fields | |
CN103889049A (zh) | 基于惯性测量元件辅助的无线信号室内定位系统与方法 | |
JP5163023B2 (ja) | 位置情報解析装置、位置情報解析方法および位置情報解析システム | |
CN105143907A (zh) | 定位系统和方法 | |
CN104736968A (zh) | 众包室内定位 | |
CN105190345A (zh) | 用于使用三维位置信息改进定位服务的系统和方法 | |
CN104936283A (zh) | 室内定位方法、服务器和系统 | |
CN107972027B (zh) | 机器人的定位方法和装置、机器人 | |
US20220414281A1 (en) | Method and apparatus for presentation of digital content | |
CN109164410A (zh) | Rfid定位及追踪方法、系统及计算机可读存储介质 | |
CN116567531A (zh) | 基于粒子滤波算法的传感器融合室内定位方法及系统 | |
US20090153307A1 (en) | Position measurement terminal and method using locations of position identifying tags | |
CN112561952A (zh) | 用于为目标设置可呈现的虚拟对象的方法和系统 | |
CN112528699A (zh) | 用于获得场景中的设备或其用户的标识信息的方法和系统 | |
US11900021B2 (en) | Provision of digital content via a wearable eye covering | |
Shchekotov et al. | The ontology driven indoor positioning system based on BLE beacon localization | |
Shoushtari et al. | L5in+: From an analytical platform to optimization of deep inertial odometry | |
Bartolini | Smart Sensors for Interoperable Smart Environment | |
CN114663491A (zh) | 用于向场景中的用户提供信息的方法和系统 | |
Memon et al. | Real-time indoor positioning and route guidance system by using beacons | |
JP2024025973A (ja) | 表示制御システム、方法及び情報処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |