CN105606102B - 一种基于格网模型的pdr室内定位方法及系统 - Google Patents
一种基于格网模型的pdr室内定位方法及系统 Download PDFInfo
- Publication number
- CN105606102B CN105606102B CN201610056837.7A CN201610056837A CN105606102B CN 105606102 B CN105606102 B CN 105606102B CN 201610056837 A CN201610056837 A CN 201610056837A CN 105606102 B CN105606102 B CN 105606102B
- Authority
- CN
- China
- Prior art keywords
- target
- grid model
- grid
- cell
- movement tendency
- 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.)
- Expired - Fee Related
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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Abstract
本发明公开了一种基于格网模型的PDR室内定位方法及系统。其中,该方法包括:构建定位区域的格网模型;获取待定位目标的运动趋势;基于待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率;根据格网模型的语义和拓扑特征对格网先验概率进行筛选,得到待定位目标位置候选单元格的后验概率,从而得到根据格网模型重新计算出的待定位目标在t时刻的位置信息和根据格网模型M重新计算出的待定位目标在t时刻的运动趋势,实现定位。本发明解决了现有技术中无法精确定位和进一步计算的技术问题,实现了能够精确定位和进一步计算的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于格网模型的PDR室内定位方法及系统。
背景技术
当今社会,小型化或微型化成为计算机的发展趋势,各种小型计算设备(如:掌上电脑、手机、传感器、射频标签等)逐渐融入了人们的生活,尤其是智能手机的普及,使各种新型位置感知技术和服务模式不断涌现。人们绝大部分时间都处在室内空间(如办公楼、购物中心、地铁站等)中,准确、可靠、普适的室内定位系统成为许多移动应用的关键。伴随着普适计算、物联网、移动社交网络等新型移动计算模式的不断涌现,位置信息愈显得重要。虽然传统的以GPS为代表的全球导航卫星定位系统技术已相对成熟,且具有全天候、高精度、自动测量等特点,但与开放的室外空间相比,室内空间在空间布局、拓扑、环境限制、空间约束等方面更加复杂,在室内环境或复杂城镇环境下,由于信号遮挡以及多径效应导致其定位效果并不理想。定位尤其是室内定位已成为位置感知领域学术界和产业界关注的热点。
传统的依赖基础设施(如:Wi-Fi等)的室内定位技术在成本、部署要求等方面的局限性,大大限制了其在许多场合的应用。近年来,随着配备有惯性传感器的智能手机的普及,使得具有自主式定位能力的行人航位推算(Pedestrian Dead-Reckoning,简称PDR)方法成为一种必然趋势,也使得人感知环境的能力得到了极大增强,在构建不依赖基础设施的行人位置感知系统方面显示出巨大潜力。然而,PDR方法存在累积误差,需要不断进行校正才能保证一定的定位精度。而利用不同信息源之间的丰富关联性和再构建,融合来自于不同信息源、数据源的信息,增强约束,可以在一定程度上精确位置信息。如:地图匹配(Mapmatching)或称地图滤波(Map filtering)技术通过贝叶斯滤波降低违反空间约束的位置(如穿过墙壁,定位在障碍物所在位置)的概率,以提高改进定位精度、优化性能的目的。然而,地图匹配所利用的室内空间信息非常有限,且对一些违反约束的情况的定义并不准确,如对定位结果穿墙情况的判定,只是简单的判断两点之间的直线距离是否穿过墙壁或障碍物,但没有考虑行人可能绕行的情况。另外,也不能提供进一步的空间查询和计算操作,如计算两点之间的最短路径距离,室内空间中两点之间的连通性,而这些空间信息其实都可以用来辅助行人追踪。
发明内容
本发明实施例通过提供一种基于格网模型的PDR室内定位方法及系统,解决了现有技术中无法精确定位和进一步计算的技术问题,实现了能够精确定位和进一步计算的技术效果。
本发明实施例提供了一种基于格网模型的PDR室内定位方法,包括:
构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型,neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;
获取待定位目标的运动趋势;
基于所述待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为所述待定位目标在t时刻的位置信息,xt-1为所述待定位目标在t-1时刻的位置信息,zt为所述待定位目标在t时刻的运动趋势;
根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,实现定位;其中,为所述待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
进一步地,在所述计算得到格网先验概率p- k,t和/或所述根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定。
进一步地,所述定位区域为平面区域;还获取连通各所述平面区域的通道信息;
基于根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t、根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h和所述通道信息实现所述待定位目标的定位。
进一步地,还包括:
判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角;
若所述xk,t是死角,改变所述待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算所述格网先验概率p- k,t和所述后验概率pk,t直至所述待定位目标的位置不是死角。
进一步地,所述判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角,包括:
判断所述xk,t与上一时刻的位置是否一样,若一样,说明所述xk,t是死角。
本发明实施例提供的基于格网模型的PDR室内定位系统,包括:
格网模型构建模块,用于构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型,neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;
运动趋势获取模块,用于获取待定位目标的运动趋势;
计算模块,用于基于所述待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为所述待定位目标在t时刻的位置信息,xt-1为所述待定位目标在t-1时刻的位置信息,zt为所述待定位目标在t时刻的运动趋势;
定位模块,用于根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,实现定位;其中,为所述待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
进一步地,所述计算模块在计算得到格网先验概率p- k,t时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定;
和/或,
所述定位模块在根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定。
进一步地,所述定位区域为平面区域;还包括:
通道信息获取模块,用于获取连通各所述平面区域的通道信息;
所述定位模块,具体用于根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,并与所述通道信息相结合,实现所述待定位目标的定位。
进一步地,还包括:
判断模块,用于判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角;
校验模块,用于若所述判断模块的判断结果为所述xk,t是死角,改变所述待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算所述格网先验概率p- k,t和所述后验概率pk,t直至所述待定位目标的位置不是死角。
进一步地,所述判断模块,具体用于判断所述xk,t与上一时刻的位置是否一样,若一样,说明所述xk,t是死角。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过格网模型精细地表达室内空间,在空间模型包含的几何(如最短路径距离)、拓扑(如邻近关系,连通关系)、语义信息(墙壁,障碍物,走廊,电梯,楼梯等)的支持下,进行PDR位置估计,从而提高了定位精度。另外,由于格网模型非常适合再计算,因此,还能够实现进一步的位置计算。相比于传统的基于粒子滤波的地图匹配方法,格网滤波表达的几何、拓扑以及语义信息更加精细和丰富,这些信息能够更好的辅助定位,提高定位精度。
2、选取格网模型中以待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与格网先验概率和/或后验概率的计算,从而降低了计算的复杂度。
3、还能够通过获取连通各平面区域的通道信息,实现2.5维的定位。
4、还对定位结果是否为死角进行判断,并进行相应的处理,从而有效地消除了因PDR步长模型和朝向偏差引起的定位错误,提高了定位精度和容错率。
5、还提供了一种判断定位结果是否为死角的方法。
附图说明
图1是本发明实施例提供的基于格网模型的PDR室内定位方法及系统的原理架构示意图;
图2是本发明实施例提供的基于格网模型的PDR室内定位方法的流程图;
图3是本发明实施例中两个单元格之间的欧氏距离以及最短路径距离示意图;
图4是本发明实施例中目标Buffer示意图;
图5是本发明实施例中的死角示意图;
图6是本发明实施例中采用回溯算法解决错误的步长模型引起的死角过程示意图;
图7是本发明实施例中采用回溯算法解决错误的朝向估计引起的死角过程示意图;
图8是本发明实施例提供的基于格网模型的PDR室内定位系统的模块图。
具体实施方式
本发明实施例通过提供一种基于格网模型的PDR室内定位方法及系统,解决了现有技术中无法精确定位和进一步计算的技术问题,实现了能够精确定位和进一步计算的技术效果。
本发明实施例中的技术方案为解决上述技术问题,总体思路如下:
参见图1,本发明实施例提供的定位方法及系统通过增强型格网滤波融合了PDR方法和格网模型,利用格网模型所表达的几何、拓扑以及语义信息约束行人的运动,从而提高PDR方法的定位精度。另外,由于格网模型非常适合再计算,因此,还能够实现进一步的位置计算。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图2,本发明实施例提供的基于格网模型的PDR室内定位方法,包括:
步骤S110:构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型(如:房间、走廊、障碍物、墙壁、楼梯、电梯等),neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;
对本步骤进行说明,通过提取建筑CAD图中的几何、拓扑以及语义信息构建格网模型。考虑到现在建筑设计过程中,无论是方案设计、初步设计还是施工图设计都广泛地采用了CAD技术,这使得获取相关CAD图相对容易,在许多情形下并不会增加额外的工作量。
步骤S120:获取待定位目标的运动趋势;
在本实施例中,运动趋势为步长和朝向。对本步骤进行说明,先通过待定位目标所佩戴的智能终端实时采集带时间戳的多种惯性传感器(包括加速度计、陀螺仪、电子罗盘以及气压计等)数据,再基于行人航位推算的方法估计出待定位目标当前时刻行走的步长和朝向。
步骤S130:基于待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为待定位目标在t时刻的位置信息,xt-1为待定位目标在t-1时刻的位置信息,zt为待定位目标在t时刻的运动趋势;
步骤S140:根据格网模型M的语义和拓扑特征对格网先验概率p- k,t进行筛选,得到待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t和根据格网模型M重新计算出的待定位目标在t时刻的运动趋势zt,h,实现定位;其中,为待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
在本实施例中,格网模型M的语义和拓扑特征为约束条件。在本实施例中,所使用的格网模型的语义特征主要包括障碍物,如墙壁和走廊等;所使用的格网模型的拓扑特征主要为距离差,即两单元格的最短路径距离与欧式距离的差值。其中,差值越大,说明两个单元格之间的障碍物越多;相应地,该情况发生的概率越低,因为连续两步之间绕行多个障碍物的概率极低。
为了减少计算量,在步骤S130中在计算得到格网先验概率p- k,t和/或步骤S140中根据格网模型M的语义和拓扑特征对格网先验概率p- k,t进行筛选时,选取格网模型M中以待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,可预测范围由待定位目标的运动趋势而定。
当定位区域为平面区域时,如果要对待定位目标进行2.5维定位,还包括:
步骤S150:获取连通各平面区域的通道信息;
在本实施例中,获取的连通各平面区域的通道信息为电梯和/或楼梯等通道的位置信息。
步骤S160:基于根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t、根据格网模型M重新计算出的待定位目标在t时刻的运动趋势zt,h和通道信息实现待定位目标的定位。
为了提高本发明实施例提供的定位方法的实用性,还判断根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t是否为死角;若xk,t是死角,改变待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算格网先验概率p- k,t和后验概率pk,t直至待定位目标的位置不是死角。
具体地,判断根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t是否为死角,包括:
判断xk,t与上一时刻的位置是否一样,若一样,说明xk,t是死角。若不一样,则说明xk,t不是死角。
在对本发明实施例提供的定位方法进行具体说明之前,首先需要对本方法中常用的一些基于格网模型的空间计算函数进行说明:
●loadModel(h,Mall):加载当前楼层对应的格网模型,当用户切换到一个新的楼层时,获取当前楼层的格网模型用于增强型格网滤波追踪。
loadModel(h,Mall)=Mh
●searchGrids(M,x):搜索格网模型M,获得位置x对应的单元格索引或ID。
●searchNeighbours(cell_id,searchDepth,M):查找cell_id对应的单元格的近邻单元格,searchDepth为搜索深度,1表示只查找cell_id对应的8个(有可能小于8)邻居单元格,2则表示继续搜索cell_id的邻居单元格的邻居单元格,依次类推,获得searchDepth范围内的所有近邻单元格。
●star(s_c,e_c,M):利用A*算法获得从起始单元格s_c到终止单元格e_c的最短路径距离。
基于本发明实施例提供的定位方法对行人在大楼内部进行定位的步骤包括:
步骤一:初始化阶段;
在初始化时,根据目标初始的二维位置x0、所处楼层h0以及整栋建筑的格网模型Mall={Mi,1≤i≤L};其中,L为整栋楼的楼层数,使用初始化算法初始化概率网格{pk,0}。其中,概率网格{pk,0}表示当前格网位置的置信度。具体做法为:更新所有格网的概率,当单元格包含x0时,其概率为1,否则为0。获得x0所在的格网单元格索引,用于后续预测阶段获取缓存单元格,并将h0层格网模型加载到内存。初始化过程的伪代码如算法1所示:
步骤二:预测阶段;
先使用行人佩戴的智能终端(本发明实施例使用的智能终端为智能手机,其型号为Samsung Galaxy Note4,采样频率为16HZ)实时采集带时间戳的多种惯性传感器数据,再基于行人航位推算的方法估计出待定位目标当前时刻行走的步长和朝向,结合当前时刻的格网模型M,根据目标前一时刻的位置信息xt-1以及前一时刻目标所处单元格索引cell_id,使用预测算法计算格网先验概率p- k,t,预测过程的伪代码如算法2所示:
步骤三:更新阶段;
基于步骤二得到的格网先验概率p- k,t与格网模型的语义和拓扑特征,采用更新算法计算目标位置候选单元格的后验概率pk,t,根据所得的后验概率pk,t,计算当前目标的位置信息xk,t与运动趋势zt,h,并且根据带时间戳的多种传感器数据捕获种子Landmarks(如:电梯、楼梯等)。其中,所使用的语义特征主要包括障碍物,如墙壁和走廊等。当预测阶段获得的候选单元格为障碍物或者墙壁时,该单元格对应的概率值会被赋为0。如果当前单元格为走廊,且邻近单元格有墙壁单元格,那么将降低该单元格的概率值,如除以一个大于1的常数W,因为通过观察人的行走特征可以发现,用户往往会选择靠近走廊的中间区域行走,而不会贴着墙壁行走。本方法认为在走廊环境,靠近墙壁行走的估计结果是由于朝向估计错误引起的,每个单元格除了坐标数据,还包括朝向数据,因此通过降低靠近墙壁的单元格概率,相应地减少了错误的朝向的出现概率,校准后的朝向作为后续PDR追踪的初始朝向。
所使用的拓扑特征主要为距离差。两个单元格之间的距离差定义如下:两单元格的最短路径距离与欧式距离的差值,差值越大,说明两个单元格之间的障碍物越多;相应地,该情况发生的概率越低,因为连续两步之间绕行多个障碍物的概率极低,可以用Dijkstra或A*算法计算从一个单元格到另一个单元格之间的最短路径距离。计算前一时刻用户所在单元格到当前候选单元格之前的距离差,当该距离差大于一个阈值时,该候选单元格概率值设为0。图3描述了两个单元格之间的欧氏距离以及最短路径距离,其路径差为5个单元格大小。
更新过程的伪代码如算法3所示:
这里需要说明的是,在本实施例中,影响先验概率的因素有两个:
(1)前一时刻位置。通常情况下,增强型格网滤波需要遍历格网模型的所有单元格,在预测和更新阶段计算每个单元格的概率,显然对于单元格数量较大的格网模型,增强型格网滤波的计算效率将大大降低。为了优化其计算性能,可根据目标前一时刻位置获得格网模型的一个子集,本发明实施例称为Buffer。如假设目标前一时刻的位置已知,下一时刻(如2s间隔)的位置应该是在一个以前一时刻位置为中心的一个可预测的范围内,因为目标在室内环境的运动速度往往是有限的。用户当前时刻位置只能落在该Buffer中,在预测和更新时,只需要计算Buffer中单元格的概率,进而减少计算量。图4所示为一个Buffer的例子,以目标位置单元格为中心,3个单元格距离代表用户在一段时间间隔内最大的运动范围,黑色粗线矩形区域为中心黑色细线格网单元格的Buffer。
(2)PDR获得的步长和朝向估计值。因为PDR方法存在误差(步长和朝向),因此需要对其进行采样,从而使得在预测阶段可以获得多个落在Buffer中的候选格网单元格,其先验概率则为步长和朝向的联合概率。PDR计算的步长和朝向都存在误差,且误差为高斯分布,将t时刻的步长和朝向分别记为zd,t和zθ,t,其标准差分别记为σθ和σd。基于步长和朝向的联合概率采样,预测位置单元格的概率,公式(1)为计算高斯分布样本的概率公式:
步骤四:定位阶段;
本阶段采用增强型格网滤波的PDR室内位置估计算法,在目标初始位置x0以及所在楼层L0已知的情况下,根据步骤三计算得到的当前目标的位置信息xk,t与运动趋势zt,h,以及捕获的种子landmarks,计算目标二维位置与所处楼层,实现目标2.5维跟踪定位。其中,目标所处楼层可通过气压计确定。定位过程的伪代码如算法4所示:
这里需要说明的是,在定位过程中,可能会碰到死角的情况,下面对死角的检测与处理方法进行说明。
(1)死角
在基于增强型格网滤波的PDR定位过程中,由于PDR累积误差的存在,时常会出现追踪进入死角状态的情况,如图5所示,对这种情况如不加处理就有可能导致定位失败。用户从x0所在位置开始沿着黑色实线行走,黑色实线代表实际的运动轨迹,实心圆点代表增强型格网滤波估计的位置。第i步本应该位于标记的黑色上三角所在的位置,但是由于步长模型偏小,导致第i步的估计结果位于xi所标记的实心圆点位置。而从下一步开始转角时,捕获到的步长和朝向如黑色实心虚线箭头的线段所示。根据预测阶段的算法,此时会基于第i+1步的步长和朝向按照高斯分布进行采样,如尖角箭头线段标记的朝向和步长,然而此时所有的候选单元格都指向了墙壁另一侧。在更新阶段,由于这些候选单元格与xi的最短路径距离远大于其直线(欧式)距离,因而,所有候选点的概率都为0,第i+1步的位置保持不变,与第i步位置一样,进而追踪进入了死角。因此,死角指的就是更新阶段所有的候选单元格都被排除掉了,即概率值都为0,导致当前时刻估计位置相比前一时刻位置保持不变。
(2)基于死角检测的回溯(后向追踪)方法
通过实验分析,本方法得出以下结论:死角主要发生在转角处,正常情况下,追踪算法离开死角状态只有当PDR追踪方向发生改变,而引起死角的根本原因则包括两方面:错误的步长模型(偏大或偏小)以及错误的朝向估计(在十字路口)。图5中的死角就是由于步长模型偏小引起的,而当在某处具有多个方向的通道(岔路口或十字路口)时,错误的朝向估计会使得估计结果进入错误的通道,之后可能出现死角。第一次进入死角时,本方法并不直接开始对其处理,因为有可能紧接着的第二次的追踪结果可以解除死角状态,则后续的追踪就可以继续下去,所以在少量的连续几次死角不影响后续追踪的前提下,就没有必要启动计算量大且耗时的回溯操作。因而出现一次死角后,本方法选择继续增强型格网滤波的跟踪过程,直到不再出现死角。而如果连续出现死角的次数或时间大于一个阈值T-dead时,本方法才认为这些死角会造成后续追踪结果的失败,因此也是必须进行处理的。死角出现之前的部分时刻以及处于死角状态的PDR定位结果(步长、朝向、位置)都会进行缓存,以作为回溯的数据源。
对于由步长模型引起的死角,假设朝向估计是正确的,可以先将死角前一时刻(图5中的第i时刻)的定位结果作为起点,再分别沿着历史朝向估计和历史朝向估计的反方向移动,且每次移动一个单元格距离,然后以移动后的位置(xd)作为初始位置,以缓存的所有死角的PDR数据为测量数据(假设连续捕获到T次死角),执行增强型格网滤波的预测和更新过程。如果后续的T次定位结果都不再出现死角状态,则目标在t时刻的位置直接被校准到xd。最后根据移动的距离(移动次数乘以单元格大小),从上次转角开始估计的距离(每到一个转角累积的距离误差都会自动变为0),以及以前的步长模型,重新估计现在的步长模型。
图6所示为回溯的过程,空心圆点代表回溯的位置。xi是死角的前一时刻的目标位置,假设通过追踪i到i+Τ时刻,已经确定了死角的发生,此时需要回到xi位置进行处理。xi首先沿着i-1时刻的方向的反方向移动一个单元格,即到了c1所在位置。将c1作为起点,以i+1到i+Τ时刻的PDR追踪结果开始增强型格网滤波追踪过程,只要出现一次死角,就说明c1是错误的点;然后再沿着i-1时刻的方向移动一个单元格距离,到了c2,同样执行上述步骤,依次类推,先后移动到c3至c6,发现从c6位置开始跟踪i+1时刻后的PDR结果,不再出现死角情况,因此用c6更新xi。对应的步长模型更新公式如下:
r_model=(sum(sl(0:i))+CellSize*3)·p_model/sum(sl(0:i)) (2)
其中,r_model为更新后的步长模型,p_model为更新之前的步长模型,sl(0:i)为从上次转角开始到当前发生死角时记录的所有步长,sum(sl(0:i))为多次步长的和,CellSize为单元格的大小。因为是向“前”(沿着以前的方向)移动,所以真实的距离应该是用原始步长模型估计的距离(估计的L步步长的和)加上移动的距离;同理,如果是沿着相反的方向移动,则是减去移动的距离。
图7显示的是因为错误的朝向估计引起的死角情况。这种死角情况多发生在岔路口,即存在多个不同方向的通道,此时则不应该校准步长模型。而且,因为此时的朝向估计是错误的,所以就不能按照历史的朝向估计的正反方向寻找合适的目标位置。针对该问题,本方法给出的方案是从死角前一时刻位置xi开始,从与其路径距离最短的邻居单元格开始遍历,遍历的顺序按照路径距离从近到远。剩下的处理过程和图6一样,当遍历到c6时,从该点开始,后续不再出现死角,因此xi位置被校准到c6。相比由步长模型引起的死角,朝向估计引起的死角不需要缓存死角发生之前的PDR结果,只需要保存所有处于死角状态的步行事件PDR结果。
参见图8,本发明实施例提供的基于格网模型的PDR室内定位系统,包括:
格网模型构建模块100,用于构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型(如:房间、走廊、障碍物、墙壁、楼梯、电梯等),neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;
运动趋势获取模块200,用于获取待定位目标的运动趋势;
计算模块300,用于基于待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为待定位目标在t时刻的位置信息,xt-1为待定位目标在t-1时刻的位置信息,zt为待定位目标在t时刻的运动趋势;
定位模块400,用于根据格网模型M的语义和拓扑特征对格网先验概率p- k,t进行筛选,得到待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t和根据格网模型M重新计算出的待定位目标在t时刻的运动趋势zt,h,实现定位;其中,pk,t为待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
在本实施例中,格网模型M的语义和拓扑特征为约束条件。在本实施例中,所使用的格网模型的语义特征主要包括障碍物,如墙壁和走廊等;所使用的格网模型的拓扑特征主要为距离差,即两单元格的最短路径距离与欧式距离的差值。其中,差值越大,说明两个单元格之间的障碍物越多;相应地,该情况发生的概率越低,因为连续两步之间绕行多个障碍物的概率极低。
为了减少计算量,计算模块300在计算得到格网先验概率p- k,t时,选取格网模型M中以待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,可预测范围由待定位目标的运动趋势而定;
和/或,
定位模块400在根据格网模型M的语义和拓扑特征对格网先验概率p- k,t进行筛选时,选取格网模型M中以待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,可预测范围由待定位目标的运动趋势而定。
当定位区域为平面区域时,如果要对待定位目标进行2.5维定位,还包括:
通道信息获取模块,用于获取连通各平面区域的通道信息;
在本实施例中,获取的连通各平面区域的通道信息为电梯和/或楼梯等通道的位置信息。
在这种情况下,定位模块400,具体用于根据格网模型M的语义和拓扑特征对格网先验概率p- k,t进行筛选,得到待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t和根据格网模型M重新计算出的待定位目标在t时刻的运动趋势zt,h,并与通道信息相结合,实现待定位目标的定位。
为了提高本发明实施例提供的定位系统的实用性,还包括:
判断模块,用于判断根据格网模型M重新计算出的待定位目标在t时刻的位置信息xk,t是否为死角;
具体地,判断模块,具体用于判断xk,t与上一时刻的位置是否一样,若一样,说明xk,t是死角。
校验模块,用于若判断模块的判断结果为xk,t是死角,改变待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算格网先验概率p- k,t和后验概率pk,t直至待定位目标的位置不是死角。
【技术效果】
1、通过格网模型精细地表达室内空间,在空间模型包含的几何(如最短路径距离)、拓扑(如邻近关系,连通关系)、语义信息(墙壁,障碍物,走廊,电梯,楼梯等)的支持下,进行PDR位置估计,从而提高了定位精度。另外,由于格网模型非常适合再计算,因此,还能够实现进一步的位置计算。相比于传统的基于粒子滤波的地图匹配方法,格网滤波表达的几何、拓扑以及语义信息更加精细和丰富,这些信息能够更好的辅助定位,提高定位精度。并且,本发明实施例通过对格网模型的语义与拓扑特征进行人性化的定义,使得格网模型的建立更普遍,本发明实施例更实用。
2、选取格网模型中以待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与格网先验概率和/或后验概率的计算,从而降低了计算的复杂度。
3、还能够通过获取连通各平面区域的通道信息,实现2.5维的定位。
4、还对定位结果是否为死角进行判断,并进行相应的处理,从而有效地消除了因PDR步长模型和朝向偏差引起的定位错误,提高了定位精度和容错率。
5、还提供了一种判断定位结果是否为死角的方法。
本发明实施例消除了对于定位基础设施的依赖,唯一的定位硬件需求是配备惯性传感器的智能终端。通过这些传感器实现PDR,进而获得用户行走的每步的步长及朝向,在初始值已知的前提下,即可实时追踪行人下一时刻的位置,从而实现不依赖于定位基础设施的自主定位。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于格网模型的PDR室内定位方法,包括:构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型,neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;其特征在于,还包括:
获取待定位目标的运动趋势;
基于所述待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为所述待定位目标在t时刻的位置信息,xt-1为所述待定位目标在t-1时刻的位置信息,zt为所述待定位目标在t时刻的运动趋势;
根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,实现定位;其中,p- k,t为所述待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
2.如权利要求1所述的方法,其特征在于,在所述计算得到格网先验概率p- k,t和/或所述根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定。
3.如权利要求1所述的方法,其特征在于,所述定位区域为平面区域;
还获取连通各所述平面区域的通道信息;
基于根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t、根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h和所述通道信息实现所述待定位目标的定位。
4.如权利要求1-3中任一项所述的方法,其特征在于,还包括:
判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角;
若所述xk,t是死角,改变所述待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算所述格网先验概率p- k,t和所述后验概率pk,t直至所述待定位目标的位置不是死角。
5.如权利要求4所述的方法,其特征在于,所述判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角,包括:
判断所述xk,t与上一时刻的位置是否一样,若一样,说明所述xk,t是死角。
6.一种基于格网模型的PDR室内定位系统,包括:格网模型构建模块,用于构建定位区域的格网模型M={size,(xi,yi,IDi,typei,neighboursi),1≤i≤N};其中,size为格网模型M的单元格大小,xi为单元格i的横坐标,yi为单元格i的纵坐标,IDi为单元格索引,typei为单元格i的类型,neighbouri为单元格i的邻近单元格,N为某一层格网模型包含的单元格数量;其特征在于,还包括:
运动趋势获取模块,用于获取待定位目标的运动趋势;
计算模块,用于基于所述待定位目标前一时刻的位置信息和当前时刻的运动趋势,计算得到格网先验概率p- k,t=p(xt|xt-1,zt);其中,xt为所述待定位目标在t时刻的位置信息,xt-1为所述待定位目标在t-1时刻的位置信息,zt为所述待定位目标在t时刻的运动趋势;
定位模块,用于根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,实现定位;其中,p- k,t为所述待定位目标在位置xk,t的先验概率,α是一个归一化的常量,使得pk,t的值在[0,1]之间。
7.如权利要求6所述的系统,其特征在于,所述计算模块在计算得到格网先验概率p- k,t时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定;
和/或,
所述定位模块在根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选时,选取所述格网模型M中以所述待定位目标所在单元格为中心的一个可预测范围内的邻近单元格参与计算;其中,所述可预测范围由所述待定位目标的运动趋势而定。
8.如权利要求6所述的系统,其特征在于,所述定位区域为平面区域;
还包括:
通道信息获取模块,用于获取连通各所述平面区域的通道信息;
所述定位模块,具体用于根据所述格网模型M的语义和拓扑特征对所述格网先验概率p- k,t进行筛选,得到所述待定位目标位置候选单元格的后验概率pk,t=αp((xk,t,zt,h)|xt-1,M)p- k,t,从而得到根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t和根据所述格网模型M重新计算出的所述待定位目标在t时刻的运动趋势zt,h,并与所述通道信息相结合,实现所述待定位目标的定位。
9.如权利要求6-8中任一项所述的系统,其特征在于,还包括:
判断模块,用于判断根据所述格网模型M重新计算出的所述待定位目标在t时刻的位置信息xk,t是否为死角;
校验模块,用于若所述判断模块的判断结果为所述xk,t是死角,改变所述待定位目标在上一时刻的运动趋势,并在上一时刻的位置重新计算所述格网先验概率p- k,t和所述后验概率pk,t直至所述待定位目标的位置不是死角。
10.如权利要求9所述的系统,其特征在于,所述判断模块,具体用于判断所述xk,t与上一时刻的位置是否一样,若一样,说明所述xk,t是死角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610056837.7A CN105606102B (zh) | 2016-01-27 | 2016-01-27 | 一种基于格网模型的pdr室内定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610056837.7A CN105606102B (zh) | 2016-01-27 | 2016-01-27 | 一种基于格网模型的pdr室内定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105606102A CN105606102A (zh) | 2016-05-25 |
CN105606102B true CN105606102B (zh) | 2017-04-19 |
Family
ID=55986233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610056837.7A Expired - Fee Related CN105606102B (zh) | 2016-01-27 | 2016-01-27 | 一种基于格网模型的pdr室内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606102B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028450B (zh) * | 2016-08-05 | 2019-12-31 | 襄阳翠鸟视图科技有限公司 | 室内定位方法及设备 |
CN106412826B (zh) * | 2016-09-07 | 2019-09-17 | 清华大学 | 基于多源信息融合的室内定位方法及定位装置 |
CN106969772B (zh) * | 2017-04-10 | 2020-03-31 | 南京大学 | 一种基于手机平台的导盲犬方法 |
CN107257547B (zh) * | 2017-07-18 | 2020-05-22 | 歌尔科技有限公司 | 设备定位方法及装置 |
CN109997014B (zh) * | 2017-11-03 | 2023-08-18 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN108519612B (zh) * | 2018-03-01 | 2021-09-24 | 千寻位置网络有限公司 | 网络rtk切换方法 |
CN109121080B (zh) * | 2018-08-31 | 2020-04-17 | 北京邮电大学 | 一种室内定位方法、装置、移动终端及存储介质 |
CN109459024B (zh) * | 2018-10-31 | 2022-07-19 | 武汉大学 | 不同行为模式下的室内导航数据模型构建及路径规划方法 |
CN110007670B (zh) * | 2019-02-14 | 2021-11-23 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN109708647A (zh) * | 2019-03-08 | 2019-05-03 | 哈尔滨工程大学 | 一种基于融合特征元素的室内拓扑地图行人定位方法 |
CN110510463A (zh) * | 2019-07-18 | 2019-11-29 | 特斯联(北京)科技有限公司 | 一种基于uwb的电梯控制系统及方法 |
CN110824489A (zh) * | 2019-11-06 | 2020-02-21 | 博信矿山科技(徐州)股份有限公司 | 一种提高室内机器人位置精度的定位方法 |
CN114363308B (zh) * | 2020-09-29 | 2023-06-02 | 华为技术有限公司 | 一种地图数据的传输方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2573582A1 (en) * | 2011-09-22 | 2013-03-27 | Honeywell International Inc. | Systems and methods for combining a priori data with sensor data |
CN104301995A (zh) * | 2013-07-19 | 2015-01-21 | 中国电信股份有限公司 | 混合定位方法和装置 |
CN104614707A (zh) * | 2014-12-29 | 2015-05-13 | 软通动力信息技术(集团)有限公司 | 一种室内定位方法及装置 |
-
2016
- 2016-01-27 CN CN201610056837.7A patent/CN105606102B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2573582A1 (en) * | 2011-09-22 | 2013-03-27 | Honeywell International Inc. | Systems and methods for combining a priori data with sensor data |
CN104301995A (zh) * | 2013-07-19 | 2015-01-21 | 中国电信股份有限公司 | 混合定位方法和装置 |
CN104614707A (zh) * | 2014-12-29 | 2015-05-13 | 软通动力信息技术(集团)有限公司 | 一种室内定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105606102A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
CN106912018B (zh) | 基于信令轨迹的地图匹配方法及系统 | |
CN108700421B (zh) | 使用离线地图信息辅助增强的便携式导航的方法和系统 | |
CN107687850B (zh) | 一种基于视觉和惯性测量单元的无人飞行器位姿估计方法 | |
US8457880B1 (en) | Telematics using personal mobile devices | |
Hashemi et al. | A critical review of real-time map-matching algorithms: Current issues and future directions | |
Shang et al. | Improvement schemes for indoor mobile location estimation: A survey | |
US10415978B2 (en) | Landmark location determination | |
CN106840148A (zh) | 室外作业环境下基于双目摄像机的可穿戴式定位与路径引导方法 | |
CN113916243B (zh) | 目标场景区域的车辆定位方法、装置、设备和存储介质 | |
JP5162849B2 (ja) | 不動点位置記録装置 | |
CN101576384A (zh) | 一种基于视觉信息校正的室内移动机器人实时导航方法 | |
WO2015006726A2 (en) | Indoor location-finding using magnetic field anomalies | |
Blazquez et al. | Simple map-matching algorithm applied to intelligent winter maintenance vehicle data | |
CN110389995B (zh) | 车道信息检测方法、装置、设备和介质 | |
EP3023740B1 (en) | Method, apparatus and computer program product for route matching | |
CN109059907A (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
CN102087109A (zh) | 位置估测系统、装置及其估测方法 | |
EP2881708A1 (en) | System and method for indoor localization using mobile inertial sensors and virtual floor maps | |
CN107917716B (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
CN114636414A (zh) | 高清晰度城市地图绘制 | |
CN114119886A (zh) | 高精地图点云重建方法、装置、车辆、设备和存储介质 | |
Trogh et al. | Map matching and lane detection based on Markovian behavior, GIS, and IMU data | |
Ren | Advanced map matching technologies and techniques for pedestrian/wheelchair navigation | |
CN107958118B (zh) | 一种基于空间关系的无线信号采集方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170419 Termination date: 20200127 |