CN106017476B - 一种生成室内定位导航图模型的方法 - Google Patents
一种生成室内定位导航图模型的方法 Download PDFInfo
- Publication number
- CN106017476B CN106017476B CN201610545874.4A CN201610545874A CN106017476B CN 106017476 B CN106017476 B CN 106017476B CN 201610545874 A CN201610545874 A CN 201610545874A CN 106017476 B CN106017476 B CN 106017476B
- Authority
- CN
- China
- Prior art keywords
- section
- area
- travel track
- road sign
- crowdsourcing data
- 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.)
- Active
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
Abstract
本发明涉及室内定位技术领域,尤其涉及一种生成室内地图模型的方法,方法包括:获取惯性测量传感器组在室内第一区域内采集到的众包数据;根据众包数据,推算出不同用户的行进轨迹,并获得位于行进轨迹中的多个活动路标;利用各活动路标之间的空间关系构建区段;推算出各区段在第一区域内的分布位置,并根据各区段在第一区域内的分布位置,生成与第一区域对应的地图模型。本发明实现了自动生成地图模型,无需依靠人工绘制和维护,省时省力,同时,由于众包数据拥有数据量大、信息内容广、实时性好的优点,使得根据众包数据建立的地图模型准确性更高。
Description
技术领域
本发明涉及室内定位技术领域,尤其涉及一种生成室内定位导航图模型的方法。
背景技术
随着人们活动的室内空间越来越庞大和复杂,兴趣点越来越丰富,停车场、商场、机场等场所的定位和导航需求日趋强烈。图模型在室内空间位置服务方面扮演着极其重要的角色,如室内辅助定位、导航、基于位置的查询等。
现有的室内地图模型往往依靠人工进行绘制和维护,不仅费时费力,而且容易产生错误,从而导致地图模型准确性低。
发明内容
本发明通过提供一种生成室内定位导航图模型的方法,解决了现有技术中依靠人工绘制室内地图模型所存在的费时费力、准确性低的技术问题。
本发明实施例提供了一种生成室内地图模型的方法,所述方法包括:
获取惯性测量传感器组在室内第一区域内采集到的众包数据;
根据所述众包数据,推算出不同用户的行进轨迹,并获得位于所述行进轨迹中的多个活动路标;
利用各活动路标之间的空间关系构建区段;
推算出各区段在所述第一区域内的分布位置,并根据各区段在所述第一区域内的分布位置,生成与所述第一区域对应的地图模型。
优选的,所述根据所述众包数据,推算出不同用户的行进轨迹,包括:
根据所述众包数据,分别推算不同用户在不同时刻下的行进位置;
根据不同用户在各时刻下的行进位置,生成不同用户的行进轨迹。
优选的,所述获得位于所述行进轨迹中的多个活动路标,包括:
分别捕获各个行进轨迹中的候选路标;
对所有候选路标进行聚类,获得多个活动路标。
优选的,所述活动路标的类型为区域拐角点、通道交叉点、门转弯处、区域转弯死角或楼层跨越处。
优选的,在所述利用各活动路标之间的空间关系构建区段之前,所述方法还包括:
根据各活动路标之间的识别码、位置和间隔距离,建立各活动路标之间的空间关系。
优选的,所述推算出各区段在所述第一区域内的分布位置,包括:
根据所述行进轨迹中与各区段对应的轨迹片段,推算出各区段在所述第一区域中的分布位置。
优选的,所述根据所述行进轨迹中与各区段对应的轨迹片段,推算出各区段在所述第一区域中的分布位置,包括:
根据所述行进轨迹中与各区段对应的轨迹片段的方向信息,确定出各区段的置信值;
分别根据各区段的置信值,确定出各区段的类型;
根据各区段的类型,推算出各区段在所述第一区域中的分布位置。
优选的,所述方向信息包括扭曲度、相邻斜率多样性和相邻密度。
优选的,所述根据各区段在所述第一区域中的分布位置,生成与所述第一区域对应的地图模型,包括:
根据所述第一区域内各区段的分布位置以及各区段的类型,推算出各区段的边界;
对各区段的边界进行整合和平滑处理,生成与所述第一区域对应的地图模型。
优选的,在所述生成与所述第一区域对应的地图模型之后,所述方法还包括:
实时更新所述众包数据,并根据更新后的所述众包数据对所述地图模型进行更新。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明利用获取到的室内第一区域内的众包数据,推算出不同用户在第一区域内的行进轨迹,并结合不同用户的行进轨迹构建区段,最终根据各区段在第一区域内的分布位置生成第一区域的地图模型,从而实现了自动生成地图模型,无需依靠人工绘制和维护,省时省力,同时,由于众包数据拥有数据量大、信息内容广、实时性好的优点,使得根据众包数据建立的地图模型准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种生成室内定位导航图模型的方法的流程图。
图2为本发明实施例中区段类型为组合区域的示意图。
具体实施方式
为解决现有技术中依靠人工绘制室内地图模型所存在的费时费力、准确性低的技术问题,本发明提供一种生成室内定位导航图模型的方法。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供的生成室内地图模型的方法包括以下步骤:
步骤101:获取惯性测量传感器组在室内第一区域内采集到的众包数据。
通常,移动终端内集成有多种惯性测量传感器,在本发明实施例中,由多个惯性测量传感器组成惯性测量传感器组,众包数据中包含惯性测量传感器组中各个惯性测量传感器在不同时刻下采集得到的传感器数据,众包数据中包含的数据通常来自于不同的用户。其中,惯性测量传感器组包括陀螺仪和磁力计中的至少一种,以及加速度计。例如,惯性测量传感器组中包括陀螺仪、磁力计和加速度计,或,惯性测量传感器组中包括陀螺仪和加速度计,或,惯性测量传感器组中包含磁力计和加速度计。
在完成步骤101之后,执行步骤102:根据所述众包数据,推算出不同用户的行进轨迹,并获得位于所述行进轨迹中的多个活动路标。
具体来讲,步骤102包括:
根据所述众包数据,分别推算不同用户在不同时刻下的行进位置;
根据不同用户在各时刻下的行进位置,生成不同用户的行进轨迹。
在本发明实施例中,在根据众包数据推断不同用户的行进轨迹的过程中,对于每个用户而言,首先,推断该用户在不同时刻下的行进位置,具体的,可以采用利用行人航位推算方法对用户的行进位置进行推算,在分别得到各时刻下的用户的行进位置之后,根据各时刻下的用户的行进位置,生成用户的行进轨迹。
在具体实施过程中,推算不同时刻下用户的行进位置,对应记录不同时刻下的步行事件为se。在n时刻下单个步行事件sen可以表示为:其中,Δθn是朝向改变量,LC表示当前步行事件是否为候选活动路标,若当前步行事件是候选活动路标,则LC为1,若当前步行事件不是候选活动路标,则LC为0。xn和yn用于表征n时刻下的平面的推算位置,xn为以第一区域的平面图建立坐标系下推算位置的横坐标,yn为该坐标系下推算位置的纵坐标,zn为n时刻的楼层位置,具体的,xn和yn的计算公式如下:
xn=xn-1+sl·cosΔθn-1
yn=yn-1+sl·sinΔθn-1
其中,xn-1和yn-1分别为n时刻的前一时刻的推算位置的横、纵坐标,sl表示用户的单步步长,Δθn-1表示n时刻的前一时刻朝向的改变量。根据众包数据中采集到的所有时刻下的步行事件的集合生成用户的行进轨迹,该行进轨迹即为推算出的用户的行进轨迹。在推算出行进轨迹的同时还可以生成与行进轨迹相对应的行进轨迹图。另外,在已知初始楼层的前提下,根据当前步行事件的活动路标和加速度计采集到的数据即可计算出用户当前所处楼层位置。由于本申请的sen中包括x、y和z三个变量,因此,在建立地图模型时能够实现构建2.5D的图模型。
在本发明实施例中,推算各个用户的行进轨迹的同时实时捕获用户在行进轨迹中的候选路标,候选路标的类型为区域拐角点、通道交叉点、门转弯处、区域转弯死角或楼层跨越处,楼层跨越处包括楼梯、电梯或滑梯的楼层跨越处。在完成对候选路标的捕获后,通过对所有候选路标进行聚类,获得多个活动路标,具体的,可以采用基于距离的K均值聚类算法聚类候选路标以获得活动路标,活动路标与候选路标的类型相同。具体来讲,例如,众包数据中包含第一用户、第二用户和第三用户的数据,根据众包数据能够推算出第一用户的行进轨迹、第二用户的行进轨迹和第三用户的行进轨迹,在推算第一用户的行进轨迹的过程中捕获第一用户的行进轨迹中的候选路标得到第一候选路标和第二候选路标,在推算第二用户的行进轨迹的过程中捕获第二用户的行进轨迹中的候选路标得到第三候选路标、第四候选路标和第五候选路标,在推算第三用户的行进轨迹的过程中捕获第三用户的行进轨迹中的候选路标得到第六候选路标,对第一候选路标、第二候选路标、第三候选路标、第四候选路标、第五候选路标和第六候选路标采用基于距离的K均值聚类进行聚类,从而确定出多个活动路标。
在完成步骤102之后,执行步骤103:利用各活动路标之间的空间关系构建区段。
在本发明实施例中,基于获得的所有活动路标构建区段。行进轨迹中的各个活动路标之间具有空间关系,具体的,可以根据各活动路标之间的识别码、位置和间隔距离,建立各活动路标之间的空间关系,从而,行进轨迹中的活动路标L可以由以下元组进行表示:
其中,ID为活动路标L的识别码,x为活动路标L在上述坐标系下的推算位置的横坐标,y为活动路标L在上述坐标系下的推算位置的纵坐标,x和y通过基于距离的K均值聚类算法,聚类与该活动路标L对应的所有候选路标的位置获得,z为楼层,IDadj为与活动路标L相邻的活动路标Ladj的识别码,活动路标Ladj为与活动路标L相对应的时刻的下一时刻的活动路标,Dadj为活动路标L与Ladj之间的间隔距离。需要说明的是,本申请中所讲的两个相邻的活动路标具体是指两个在时间上相邻的活动路标,例如,第一活动路标对应第一时刻,第二活动路标对应第二时刻,若第一时刻为第二时刻的上一时刻,则第一活动路标与第二活动路标相邻。在本申请中,两个相邻的活动路标之间的间隔距离可以通过计算两个活动路标之间的欧式距离得到。
进一步,在建立出各活动路标之间的空间关系之后,进行区段构建,具体的,区段S可以用以下元组进行表示:
其中,Ls为区段的起始端点所对应的活动路标,Le为区段的结束端点所对应的活动路标,Layout为区段类型,区段的类型包括狭长区域和开阔区域,以及组合区域,当区段类型为组合区域时,表明该区段中既包括狭长区域也包括开阔区域。E为行进轨迹中从Ls到Le所对应的轨迹片段的集合,其中,一个区段对应的轨迹片段的数量可以通过聚类候选路标的轨迹数量来确定,即,直接连接Ls到Le之间的所有轨迹片段。subs为区段中包含的子区段的集合,subs是针对组合区域而言的,在区段类型为狭长区域或开阔区域时,subs均为空,在区段类型为组合区域时,subs不为空,subs包括:一个狭长的通道或过道,以及一个开阔的二维区域。
在本发明实施例中,由于活动路标的类型包括区域拐角点、通道交叉点、门转弯处、区域转弯死角和楼层跨越处,因此,活动路标不仅包括通道之间的交点,也包括通道和开阔区域的交点,例如,用户在通道上拐弯进入一个空房间。本申请中的区段具体指的是两个相邻的活动路标之间的连接,一个区段即为两个相邻的活动路标之间的一维抽象区域。当某一区段对应通道或过道,则该区段的类型为狭长区域,当某一区段对应开阔的二维区域,则该区段的类型为开阔区域。当某一区段中既包括通道又包括开阔的二维区域,则该区段的类型为组合区域,例如,用户从一个活动路标所在位置进入一个房间,然后自由移动到相邻的下一个活动路标处。需要说明的是,当用户进入一个房间,而该房间只有一个门,进出都必须经过这个门,这种情况下所对应的相邻的两个活动路标是相同的。
进一步,对于区段中包含的子区段,如图2所示,对于相邻的两个活动路标Ls和Le,活动路标Ls的推算位置为A,活动路标Le的推算位置为B,A和B之间有两条路径,一条为开阔区域,经开阔区域可以自由的从A移动到B,另一条为走廊,走廊即为狭长区域,由此可见,活动路标Ls和Le所对应的区段的类型即为组合区域,类型为组合区域的区段包含两个子区段。
在完成步骤103之后,执行步骤104:推算出各区段在所述第一区域内的分布位置,并根据各区段在所述第一区域内的分布位置,生成与所述第一区域对应的地图模型。
具体来讲,根据所述行进轨迹中与各区段对应的轨迹片段,推算出各区段在所述第一区域中的分布位置。进一步,根据行进轨迹中与区段对应的轨迹片段的方向信息,确定出与区段对应的置信值,分别根据各区段的置信值,确定出各区段的类型,再根据各区段的类型,推算出各区段在第一区域中的分布位置。其中,轨迹片段的方向信息包括扭曲度、相邻斜率多样性和相邻密度。
本申请的扭曲度是指轨迹弯曲的频率与角度,用户在行进过程中,往往直接从通道的一端移动到另一端,或者移动到其他通道,在通道上的轨迹片段通常表现为具有轻微扭曲,而轨迹看起来却是一条直线,由于轨迹出现波动是不可避免的,因此,本申请通过测量一个轨迹片段中显著转弯的数量来评价弯曲的频率和显著度。具体的,在计算一个轨迹片段的扭曲度时,先将轨迹片段分割为若干子片段,对于轨迹中的弯曲部分,分割后得到的子片段均可被看做直线,采用基于朝向变化的分割算法,根据轨迹片段中运动方向的变化,将连续的轨迹片段进行划分,轨迹片段segn与子片段e之间的关系可以表示为:
其中,pstart为segn的起点的坐标,pend为轨迹片段segn的终点的坐标,dthre为分割的角度阈值,通常角度阈值dthre为30°。为消除轨迹突变对扭曲度的计算所造成的影响,在将轨迹片段分割成若干子片段之后,过滤掉片段长度短且无法描述的子片段,由于这类子片段包含的信息少,因此,将这类子片段过滤后,能够消除突变所带来的影响。最后,轨迹片段的扭曲度DC可以表示为:DCe=Count(e·seg)-1,其中,Count(e·seg)为轨迹片段中子片段的数量,轨迹片段的扭曲度的值越大,则表明该轨迹片段的显著转角点越多,该轨迹片段是通道的可能性越小。
本申请的相邻斜率多样性是轨迹片段的邻近斜率密度的总和。具体的,首先,每个区段Sn对应的轨迹片段集合E可以分割成多个轨迹片段子集合,接着,自定义数值γ,当以一个轨迹片段子集合中的某一轨迹片段segi的中心点为圆心时,将γ作为半径,若轨迹片段子集合中存在另一轨迹片段segj,其中,Dist(segi,segj)<γ,即,segi与segj之间的欧式距离小于γ,则,将segj确定为segi的相邻片段,即,neighori为segi的邻近片段的集合,segj和neighori都来自segi周围的一个neighorhoodi,neighorhoodi为segi和neighori的集合,从而,segi的邻近斜率密度SDi可以利用segi的标准差进行表示,具体公式如下:
其中,Slope(segi)为segi的斜率,N是neighorhoodi中轨迹片段的数量。
进一步,相邻斜率多样性SDe的计算公式为:M为segi中包含的子片段e的数量。
本申请的相邻密度ND的计算公式为:
进一步,区段的置信值CPe的计算公式如下:
CPe=Wde*(DCe-1)+Wsd*SDe+Wnd*(NDe-NDavg)
其中,Wde为扭曲度的权重,Wsd为相邻斜率多样性的权重,Wnd为相邻密度的权重,NDavg是指平均邻近密度。根据CPe可以识别出区段Sn是否为通道片段,之后根据Sn·E确定区段Sn的具体布局。
进一步,根据第一区域内各区段的分布位置以及各区段的类型,推算出各区段的边界,对各区段的边界进行整合和平滑处理,生成与第一区域对应的地图模型。其中,对于开阔区域,通过计算点云密度,利用基于阈值的滤波器,去除所有的区段与子区段中较分散的估计点,排出定位误差造成的异常值,然后,根据剩余的点云,使用αshape方法估计开阔区域的边界,对于狭长区域则直接估计边界。
在本发明实施例中,在所述生成与所述第一区域对应的地图模型之后,所述方法还包括:
实时更新所述众包数据,并根据更新后的所述众包数据对所述地图模型进行更新。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本发明利用获取到的室内第一区域内的众包数据,推算出不同用户在第一区域内的行进轨迹,并结合不同用户的行进轨迹构建区段,最终根据各区段在第一区域内的分布位置生成第一区域的地图模型,从而实现了自动生成地图模型,无需依靠人工绘制和维护,省时省力,同时,由于众包数据拥有数据量大、信息内容广、实时性好的优点,使得根据众包数据建立的地图模型准确性更高。
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 (8)
1.一种生成室内地图模型的方法,其特征在于,所述方法包括:
获取惯性测量传感器组在室内第一区域内采集到的众包数据;
根据所述众包数据,推算出不同用户的行进轨迹,并获得位于所述行进轨迹中的多个活动路标;
利用各活动路标之间的空间关系构建区段;
推算出各区段在所述第一区域内的分布位置,并根据各区段在所述第一区域内的分布位置,生成与所述第一区域对应的地图模型;
其中,所述推算出各区段在所述第一区域内的分布位置,包括:
根据所述行进轨迹中与各区段对应的轨迹片段,推算出各区段在所述第一区域中的分布位置;
其中,所述根据所述行进轨迹中与各区段对应的轨迹片段,推算出各区段在所述第一区域中的分布位置,包括:
根据所述行进轨迹中与各区段对应的轨迹片段的方向信息,确定出各区段的置信值;
分别根据各区段的置信值,确定出各区段的类型;
根据各区段的类型,推算出各区段在所述第一区域中的分布位置。
2.如权利要求1所述的方法,其特征在于,所述根据所述众包数据,推算出不同用户的行进轨迹,包括:
根据所述众包数据,分别推算不同用户在不同时刻下的行进位置;
根据不同用户在各时刻下的行进位置,生成不同用户的行进轨迹。
3.如权利要求1所述的方法,其特征在于,所述获得位于所述行进轨迹中的多个活动路标,包括:
分别捕获各个行进轨迹中的候选路标;
对所有候选路标进行聚类,获得多个活动路标。
4.如权利要求1所述的方法,其特征在于,所述活动路标的类型为区域拐角点、通道交叉点、门转弯处、区域转弯死角或楼层跨越处。
5.如权利要求1所述的方法,其特征在于,在所述利用各活动路标之间的空间关系构建区段之前,所述方法还包括:
根据各活动路标之间的识别码、位置和间隔距离,建立各活动路标之间的空间关系。
6.如权利要求1所述的方法,其特征在于,所述方向信息包括扭曲度、相邻斜率多样性和相邻密度。
7.如权利要求1所述的方法,其特征在于,所述根据各区段在所述第一区域中的分布位置,生成与所述第一区域对应的地图模型,包括:
根据所述第一区域内各区段的分布位置以及各区段的类型,推算出各区段的边界;
对各区段的边界进行整合和平滑处理,生成与所述第一区域对应的地图模型。
8.如权利要求1所述的方法,其特征在于,在所述生成与所述第一区域对应的地图模型之后,所述方法还包括:
实时更新所述众包数据,并根据更新后的所述众包数据对所述地图模型进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545874.4A CN106017476B (zh) | 2016-07-12 | 2016-07-12 | 一种生成室内定位导航图模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545874.4A CN106017476B (zh) | 2016-07-12 | 2016-07-12 | 一种生成室内定位导航图模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106017476A CN106017476A (zh) | 2016-10-12 |
CN106017476B true CN106017476B (zh) | 2019-02-01 |
Family
ID=57109429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610545874.4A Active CN106017476B (zh) | 2016-07-12 | 2016-07-12 | 一种生成室内定位导航图模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106017476B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106988588B (zh) * | 2016-12-12 | 2019-07-26 | 蔚来汽车有限公司 | 基于二维运动轨迹的停车位楼层识别方法 |
CN106767764B (zh) * | 2017-03-20 | 2021-05-18 | 联想(北京)有限公司 | 一种定位设置方法及电子设备 |
CN107067038B (zh) * | 2017-04-20 | 2020-06-30 | 哈尔滨工业大学 | 一种基于pdr轨迹绘制的室内楼宇轮廓修整方法 |
CN108053679A (zh) * | 2017-12-05 | 2018-05-18 | 北京千方城市信息科技有限公司 | 一种基于众包数据的停车位引导方法及系统 |
CN108413975B (zh) * | 2018-03-15 | 2021-11-09 | 斑马网络技术有限公司 | 地图获取方法、系统、云处理器及车辆 |
CN108709557B (zh) * | 2018-05-18 | 2021-09-24 | 东南大学 | 基于多用户轨迹拟合的室内地图生成方法 |
CN111076734B (zh) * | 2019-12-12 | 2021-07-23 | 湖南大学 | 一种封闭区域非结构化道路高精地图构建方法 |
CN113848878B (zh) * | 2021-08-24 | 2023-08-08 | 深圳大学 | 基于众源数据的室内外三维行人路网构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821134A (zh) * | 2014-02-05 | 2015-08-05 | 财团法人工业技术研究院 | 产生室内地图的方法及系统 |
CN104931051A (zh) * | 2015-06-08 | 2015-09-23 | 南京理工大学 | 基于大数据的室内电子地图绘制和导航方法及其系统 |
CN105066997A (zh) * | 2015-07-28 | 2015-11-18 | 中国地质大学(武汉) | 一种面向室内导航的动态路径生成方法 |
CN105263113A (zh) * | 2015-10-26 | 2016-01-20 | 深圳大学 | 一种基于众包的WiFi位置指纹地图构建方法及其系统 |
-
2016
- 2016-07-12 CN CN201610545874.4A patent/CN106017476B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821134A (zh) * | 2014-02-05 | 2015-08-05 | 财团法人工业技术研究院 | 产生室内地图的方法及系统 |
CN104931051A (zh) * | 2015-06-08 | 2015-09-23 | 南京理工大学 | 基于大数据的室内电子地图绘制和导航方法及其系统 |
CN105066997A (zh) * | 2015-07-28 | 2015-11-18 | 中国地质大学(武汉) | 一种面向室内导航的动态路径生成方法 |
CN105263113A (zh) * | 2015-10-26 | 2016-01-20 | 深圳大学 | 一种基于众包的WiFi位置指纹地图构建方法及其系统 |
Non-Patent Citations (2)
Title |
---|
ALIMC: Activity Landmark-Based Indoor Mapping via Crowdsourcing;Baoding Zhou etal.;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20151031;第16卷(第5期);第2774-2785页 |
众包模式下室内地图变化发现与更新;应申等;《测绘地理信息》;20160430;第41卷(第2期);第62-65页 |
Also Published As
Publication number | Publication date |
---|---|
CN106017476A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106017476B (zh) | 一种生成室内定位导航图模型的方法 | |
CN106441292B (zh) | 一种基于众包imu惯导数据的楼宇室内平面图建立方法 | |
CN106574975B (zh) | 使用外围信号的轨迹匹配 | |
CN104143194B (zh) | 一种点云分割方法及装置 | |
CN103985250B (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及系统 | |
CN105139425B (zh) | 一种人数统计方法及装置 | |
CN104729485B (zh) | 一种基于车载全景影像与街景地图匹配的视觉定位方法 | |
CN101509781B (zh) | 基于单目摄像头的步行机器人定位系统 | |
CN101847206B (zh) | 基于交通监控设施的行人流量统计方法与系统 | |
CN105716604A (zh) | 基于地磁序列的移动机器人室内定位方法及系统 | |
WO2021212878A1 (zh) | 一种基于群智感知和多融合技术的室内定位算法 | |
CN107121690B (zh) | 一种基于多运动参数的停留点识别方法和装置 | |
CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
CN102881171B (zh) | 车辆检测方法及其车辆检测系统以及车辆路径规划系统 | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN106448431A (zh) | 一种采用众包方式的基于手机传感器的室内平面图构建方法 | |
CN109737976A (zh) | 地图道路区间和车道线全自动生成方法 | |
CN109558831A (zh) | 一种融合时空模型的跨摄像头行人定位方法 | |
CN105632187B (zh) | 基于地磁传感器网络的低功耗路边停车检测方法 | |
CN113256866B (zh) | 城市轨道交通无障碍通行系统及其实施方法 | |
CN108154516B (zh) | 面向封闭空间的点云拓扑分割方法及装置 | |
CN102930524A (zh) | 一种基于垂直放置的深度摄像头的人头检测方法 | |
CN103646254A (zh) | 一种高密度行人检测方法 | |
CN109443360A (zh) | 一种基于多边形的车辆行驶轨迹生成及拼接算法 |
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 |