CN107014375A - 超低部署的室内定位系统及方法 - Google Patents
超低部署的室内定位系统及方法 Download PDFInfo
- Publication number
- CN107014375A CN107014375A CN201710096687.7A CN201710096687A CN107014375A CN 107014375 A CN107014375 A CN 107014375A CN 201710096687 A CN201710096687 A CN 201710096687A CN 107014375 A CN107014375 A CN 107014375A
- Authority
- CN
- China
- Prior art keywords
- target
- signal
- data
- module
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 10
- 230000000386 athletic effect Effects 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 33
- 238000007405 data analysis Methods 0.000 claims description 22
- 238000013480 data collection Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000009825 accumulation Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 17
- 230000036544 posture Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000000835 fiber Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229920000728 polyester Polymers 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种超低部署的室内定位系统及方法，包括数据采集模块、数据处理模块、姿态识别模块、目标跟踪模块、地理特征模块和位置修正模块，数据采集模块用于提供数据来源，数据处理模块用于提供预处理信息，姿态识别模块用于识别目标运动姿态，跟踪模块记录目标的运动轨迹；地理特征模块用于辅助定位信息处理；位置修正模块用于通过优化算法提供精确的三维位置，并输出及目标运动姿态。本发明无需密布信号发射器，通过陀螺仪感知物体运动的角度变化、加速度计感知物体运动的速度变化，进而获得物体当前的位置、以及运动姿态等信息；并结合地磁信号、温度信号、气压信号等辅助定位，修正由于误差累积导致的位置偏差，从而大大提高定位精度。
Description
技术领域
本发明涉及室内定位方法，具体地，涉及超低部署的室内定位系统及方法，不依赖任何外部信息源，即可对目标的位置信息进行多方面采集和跟踪的室内定位。
背景技术
定位技术近年来备受关注而且发展迅速。虽然室外定位技术已经非常成熟并开始被广泛使用，但是作为定位技术的末端，室内定位技术发展一直相对缓慢。GPS，AGPS等室外定位系统，在室内信号强度明显减弱，存在定位困难和精度下降的问题，因此并不适合室内定位。
据研究，常见的室内定位方法有：
红外线定位技术，定位目标使用红外线IR标识作为移动点，发射调制的红外射线，通过安装在室内的光学传感器接收进行定位。红外线技术已经非常成熟，但是由于红外线只能视距传播，穿透性极差，当标识被遮挡时就无法工作，也极易受灯光、烟雾等环境因素影响明显，所以这种技术使用范围极小。
超声波室内定位技术，此技术是基于超声波测距系统而开发，由若干个应答器和主测距器组成：主测距器放置在被测物体上，向位置固定的应答器发射同无线电信号，应答器在收到信号后向主测距器发射超声波信号，利用反射式测距法和三角定位等算法确定物体的位置。超声波室内定位整体精度很高，达到了厘米级，结构相对简单，有一定的穿透性而且超声波本身具有很强的抗干扰能力，但是超声波在空气中的衰减较大，不适用于大型场合，加上反射测距时受多径效应和非视距传播影响很大，造成需要精确分析计算的底层硬件设施投资，成本太高。
蓝牙室内定位技术，此技术是利用在室内安装的若干个蓝牙局域网接入点，把网络维持成基于多用户的基础网络连接模式，并保证蓝牙局域网接入点始终是这个微微网(piconet)的主设备，然后通过测量信号强度对新加入的盲节点进行三角定位。蓝牙室内定位技术最大的优点是设备体积小、短距离、低功耗，容易集成在手机等移动设备中。只要设备的蓝牙功能开启，就能够对其进行定位。蓝牙传输不受视距的影响，但对于复杂的空间环境，蓝牙系统的稳定性稍差，受噪声信号干扰大且在于蓝牙器件和设备的价格比较昂贵。
Wi-Fi定位技术有两种，一种是通过移动设备和三个无线网络接入点的无线信号强度，通过差分算法，来比较精准地对人和车辆的进行三角定位。另一种是事先记录巨量的确定位置点的信号强度，通过用新加入的设备的信号强度对比拥有巨量数据的数据库，来确定位置(“指纹”定位)。Wi-Fi定位抗干扰能力强，硬件成本低，但是很依赖于Wi-Fi路由器的密集分布，而且用于室内定位的精度只能达到2米左右，无法做到精准定位。
ZigBee室内定位技术通过若干个待定位的盲节点和一个已知位置的参考节点与网关之间形成组网，每个微小的盲节点之间相互协调通信以实现全部定位。作为一个低功耗和低成本的通信系统，ZigBee的工作效率非常高，但ZigBee的信号传输受多径效应和移动的影响都很大，而且定位精度取决于信道物理品质、信号源密度、环境和算法的准确性，造成定位软件的成本较高。
超宽带定位技术，此技术利用事先布置好的已知位置的锚节点和桥节点，与新加入的盲节点进行通讯，并利用三角定位或者“指纹”定位方式来确定位置。超宽带定位技术具有穿透力强、安全性高、系统复杂度低、能提供精确定位精度等优点，但由于新加入的盲节点也需要主动通信使得功耗较高，而且事先也需要布局，使得成本还无法降低。
因此，如何能够提供一种定位方法，解决室内定位中存在的信号穿透性能差、空气传播衰减快、辅助设备昂贵、定位精度低、通信功耗高等问题，是本发明所要解决的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种超低部署的室内定位系统及方法。
根据本发明提供的超低部署的室内定位系统，包括：数据采集层、数据分析层以及数据融合层，其中：
所述数据采集层包括数据采集模块，通过所述数据采集模块采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
所述数据分析层用于对数据采集模块采集到的参数进行处理和分析，输出信息包括：目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
所述数据融合层用于融合数据分析层输出的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
优选地，所述数据分析层包括：数据处理模块、姿态识别模块、目标跟踪模块以及地理特征模块，具体地：
所述数据处理模块用于接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
所述姿态识别模块用于对目标加速度信号、目标角速度信号、地磁信号进行滤波和特征提取，区分出目标在不同地形，不同环境下的运动形态，并通过信号特征来解释目标的运动行为；
所述目标跟踪模块用于根据获取到的信号的初始状态建立传感器误差模型，所述信息包括：目标加速度信号、目标角速度信号、地磁信号，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；
所述地理特征模块用于结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息。
优选地，所述目标融合层包括：位置修正模块，所述位置修正模块用于融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
根据本发明提供的超低部署的室内定位方法，包括如下步骤：
数据采集步骤：通过不同传感器采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
数据分析步骤：对不同传感器采集到的参数进行处理和分析，输出目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
数据融合步骤：用于数据分析步骤的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
优选地，所述数据采集步骤的目标包括：室内的行人、车辆、智能机器人以及移动的其他物体；不同传感器采集的参数包括：目标加速度、目标角速度、地磁信号、温度气压信号、wifi/蓝牙/基站信号强度向量。
优选地，所述数据分析步骤包括：
数据处理步骤：接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
姿态识别步骤：对目标加速度信号、目标角速度信号、地磁信号进行滤波和运动特征提取，区分出目标在在不同地形，不同环境下的运行形态，并通过运动特征来解释目标的运动行为，输出目标运动姿态；
目标跟踪步骤：根据获取到的信号的初始状态建立传感器误差模型，所述信号包括目标加速度信号、目标角速度信号、地磁信号信号，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；并获取目标运动矢量记录目标运动轨迹；
地理特征获取步骤：结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息，提取出目标的环境特征。
优选地，所述目标融合步骤包括：融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
与现有技术相比，本发明具有如下的有益效果：
1、本发明不同于其他室内导航，采用自主导航的方式，不受室内环境中墙体、噪音信号的干扰，在室内定位中稳定性较强；
2、本发明无需密布信号发射器，在标记初始位置后，可以不依赖任何外在的信号装置达到三维定位效果；
3、本发明定位精度高，不同于单纯的惯性导航，结合了地磁信号、温度信号、气压信号等辅助定位，修正由于误差累积导致的位置偏差，从而大大提高定位精度；
4、本发明可以返回目标运动姿态，并从目标的运动检测入手，不仅可以计算处目标的地理位置，而且可以得到目标的运动姿态，甚至对目标的运动趋势做出预判。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的超低部署的室内定位方法的优选实施例的结构框图；
图2为行人室内定位实施例中数据采集模块运行的流程图；
图3为行人室内定位实施例中数据处理模块运行的流程图；
图4为行人室内定位实施例中姿态识别模块运行的流程图；
图5为行人室内定位实施例中行人跟踪模块运行的流程图；
图6为行人室内定位实施例中地理特征模块运行的流程图；
图7为行人室内定位实施例中位置修正模块运行的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的超低部署的室内定位系统，包括：数据采集层、数据分析层以及数据融合层，其中：
所数据采集层包括数据采集模块，通过所述数据采集模块采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
所述数据分析层用于对数据采集模块采集到的参数进行处理和分析，输出目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
所述数据融合层用于融合数据分析层输出的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
所述数据分析层包括：数据处理模块、姿态识别模块、目标跟踪模块以及地理特征模块，具体地：
所述数据处理模块用于接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
所述姿态识别模块用于对目标加速度信号、目标角速度信号、地磁信号进行滤波和特征提取，区分出目标在在不同地形，不同环境下的运行形态，并通过信号特征来解释目标的运动行为；
所述目标跟踪模块用于根据获取到的目标加速度信号、目标角速度信号、地磁信号的初始状态建立传感器误差模型，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；
所述地理特征模块用于结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息。
所述目标融合层包括：位置修正模块，所述位置修正模块用于融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
具体地，传感器误差模型的建立步骤如下：
步骤a：建立姿态误差模型：式中为失准角矢量，为n坐标系相对于i坐标系的角速度在n坐标系下的投影，i表示惯性坐标系，εn＝[εE εN εU]T为等效到导航坐标系的陀螺漂移，εEεNεU分别为东向漂移、北向漂移和垂向漂移；
步骤b：建立速度误差模型：其中所有代式的上标n表示相对于n坐标系的数据分量，δ表示数据误差，表示加速度计零偏，fn表示比例输入相对于n坐标系的数据分量，表示e坐标系相对于i坐标系的角速度在n坐标系下的投影，表示n坐标系相对于e坐标系的角速度在n坐标系下的投影，Vn表示载体运动速度相对于n坐标系的数据分量，表示n坐标系相对于i坐标系的角速度在n坐标系下的投影，表示加速度计零偏相对于n坐标系的数据分量；
步骤c：建立位置误差模型：
式中λ、L、h表示载体所处的纬度、经度、和高程，VE、VN、VU表示载体运动的东向速度、北向速度和垂向速度，R、RN、RM分别表示地球的平均半径、子午圈曲率半径与卯酉圈曲率半径，sec表示正割计算。
根据本发明提供的超低部署的室内定位方法，包括如下步骤：
数据采集步骤：通过不同传感器采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
数据分析步骤：对不同传感器采集到的参数进行处理和分析，输出目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
数据融合步骤：用于数据分析步骤的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
所述数据采集步骤的目标包括：室内的行人、车辆、智能机器人以及移动的物体；不同传感器采集的参数包括：目标加速度、目标角速度、地磁信号、温度气压信号、wifi/蓝牙/基站信号强度向量。
所述数据分析步骤包括：
数据处理步骤：接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
姿态识别步骤：对目标加速度信号、目标角速度信号、地磁信号进行滤波和运动特征提取，区分出目标在在不同地形，不同环境下的运行形态，并通过运动特征来解释目标的运动行为，输出目标运动姿态；
目标跟踪步骤：根据获取到的目标加速度信号、目标角速度信号、地磁信号的初始状态建立传感器误差模型，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；并获取目标运动矢量记录目标运动轨迹；
地理特征获取步骤：结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息，提取出目标的环境特征。
所述目标融合步骤包括：融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
下面结合具体实施例和附图对本发明中的技术方案做更加详细的说明。
本发明优选的行人室内定位实施例结构框图如图1所示，包括：行人数据采集模块，行人数据处理模块，行人姿态识别模块，行人轨迹跟踪模块，行人地理特征模块，行人位置修正模块。整个结构分为三层，其中，行人数据采集模块数据数据采集层，行人数据处理模块，行人姿态识别模块，行人轨迹跟踪模块，行人地理特征模块属于数据分析层，行人位置修正模块属于数据融合层。
本发明优选的行人室内定位实施例包括以下步骤：
步骤1：通过行人数据采集模块分别测量行人的的加速率、角速率，以及环境的地磁信号、温度、气压、wifi/蓝牙/基站信号强度向量等定位信息；其中，行人数据采集模块的传感器主要包括加速度计、陀螺仪、磁力计、温度计、气压计、地标信号接收器等。具体地，如图2所示，本模块数据采集流程为：a.配置传感器，配置采集率、带宽、幅频特性等参数；b.启动传感器，发送启动指令；c.读取数据。
步骤2：行人数据处理，如图3所示，具体分为五个步骤：幅度映射，偏移修正，格式转换，数据存储，调用功能模块。幅度映射，用来将所采集数据转化为国际通用标准单位；偏移修正，根据行人特征修正所采数据的偏移；格式转换，将所采集数据原格式转换为定位系统规定的统一定义格式；数据存储，选择最优的存储方式来存储处理好的格式化数据；调用功能模块，根据数据的类型和地址调用相应的功能模块。
步骤3：行人姿态识别，即对行人的加速度信号、角速度信号和地磁信号进行处理和分析，分为滤波，特征提取，多输出分类等三个步骤，具体处理顺序如图4所示。其中，滤波的作用主要是去除噪音信号，补偿数据，修正相位等，最终得出特征明显的信号波形图；特征提取的数据包括均值、方差、姿态矩阵、运动速度、最大加速度、最大角速度、磁变化量等；多输出分类指的是对提取的特征参数做多为输出分类判别，通过基于决策树的机器学习方法最终得出具体的姿态特征，比如站、走、跑、卧、上楼、下楼、电梯等，这些姿态在时间上的累积将用于行人位置修正模块的计算。
步骤4：进行行人轨迹跟踪，以输出步长和方向，其中重要的计算依据有计算机初始状态，当前位置可信度，以及传感器误差模型，其中后两者辅助生成计算机的初始状态。行人轨迹跟踪模块闭环运算流程如图5所示。初始状态的计算是由加速度、角速度、地磁信号等实时信息通过计算得到的重力、行人姿态、初始位置、初始速度、初始方向、初始误差等初始信息来对消防员位置的一个综合描述的过程。这个过程会通过最终的计算结果的反馈来完善计算精度。以初始状态的信息为基准，程序观察传感器的信号波动以区分运动和静止的状态，一方面计算脚步长度，脚步方向，另一方面根据静止状态的数值，得出一定精度的步长和方向。计算出的步长和行进方向存在初始误差：首先需要可靠性数据分析，得到当前位置的可信度，获取位置及速度等误差模型，配置传感器误差模型；其次根据加速度，角速度，地磁信息等传感器数据，经过初始状态的循环迭代计算，闭环误差修正，最终得到较为准确的步长和方向数据，最终的数据将用于行人位置修正模块，来改善定位的精确程度。
步骤5：获取行人地理特征，对运动信号、环境信号、地标信号进行处理和运算，对行人空间位置信息进行描述和判断。地理特征是精确定位的重要参考，行人地理特征模块的运算流程如图6所示。所述运动信号包括加速度信号、角速度信号、地磁信号等，首先通过静止监测确定信号基准值，用来修正进一步的楼梯监测和电梯监测等地理状态；楼梯位置和电梯位置变化将有效指导楼层的确认。
所述环境信号主要指气压、温度、湿度等信号。在运动状态中，随着气流的运动，传感器周围的气压、温度、湿度等环境信号会发生变化，所以传感器监测到的数据需要进行数据矫正，然后才能作为环境信息判断的参考依据。气压、温度、湿度等环境信息随高度不同产生细微的变化，依据环境初始值信息估算行人的高度信息，与上一步得出的楼层信息相互修正。
步骤6：对行人位置进行修正，融合了行人姿态判别模块，行人轨迹跟踪模块，行人地理特征模块的信息，应对各种复杂位置定位。行人姿态判别模块对上下楼梯和电梯状态进行识别，结合行人轨迹跟踪模块的步长向量积累，对楼梯中位置进行修正；另一方面行人地理特征模块的楼层和地标位置信息经过行人轨迹跟踪模块不确定度计算的修正，共同确定行人的水平位置；楼梯中位置，水平位置，楼层位置三位一体，最终形成行人三维位置信息及可信度评估结果。
本发明超低部署的室内定位方法，不同于其他室内导航，无需密布信号发射器，通过陀螺仪感知物体运动的角度变化、加速度计感知物体运动的速度变化，二者辅以时间维度进行运算后可得出物体相对于初始位置的偏离，进而获得物体当前的位置、以及运动姿态等信息；不同于单纯的惯性导航，本发明结合地磁信号、温度信号、气压信号等辅助定位，修正由于误差累积导致的位置偏差，从而大大提高定位精度。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种超低部署的室内定位系统，其特征在于，包括：数据采集层、数据分析层以及数据融合层，其中：
所述数据采集层包括数据采集模块，通过所述数据采集模块采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
所述数据分析层用于对数据采集模块采集到的参数进行处理和分析，输出信息包括：目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
所述数据融合层用于融合数据分析层输出的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
2.根据权利要求1所述的超低部署的室内定位系统，其特征在于，所述数据分析层包括：数据处理模块、姿态识别模块、目标跟踪模块以及地理特征模块，具体地：
所述数据处理模块用于接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
所述姿态识别模块用于对目标加速度信号、目标角速度信号、地磁信号进行滤波和特征提取，区分出目标在不同地形，不同环境下的运动形态，并通过信号特征来解释目标的运动行为；
所述目标跟踪模块用于根据获取到的信号的初始状态建立传感器误差模型，所述信息包括：目标加速度信号、目标角速度信号、地磁信号，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；
所述地理特征模块用于结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息。
3.根据权利要求1所述的超低部署的室内定位系统，其特征在于，所述目标融合层包括：位置修正模块，所述位置修正模块用于融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
4.一种超低部署的室内定位方法，其特征在于，包括如下步骤：
数据采集步骤：通过不同传感器采集室内参数，所述参数包括：目标的位置信息、运动参数以及环境参数；
数据分析步骤：对不同传感器采集到的参数进行处理和分析，输出目标运动行为、目标运行速度和方向、目标所在环境的地形信息；
数据融合步骤：用于数据分析步骤的信息，得到目标在三维空间中的位置数据，并预测目标的运动趋势。
5.根据权利要求4所述的超低部署的室内定位方法，其特征在于，所述数据采集步骤的目标包括：室内的行人、车辆、智能机器人以及移动的其他物体；不同传感器采集的参数包括：目标加速度、目标角速度、地磁信号、温度气压信号、wifi/蓝牙/基站信号强度向量。
6.根据权利要求4所述的超低部署的室内定位方法，其特征在于，所述数据分析步骤包括：
数据处理步骤：接收数据采集模块中传感器检测到的数据信息，对所述数据信息进行预处理后生成统一信号单位和格式的信号，并对信号的偏移量进行修正后保存待用；其中所述数据信息包括：目标加速度信号、目标角速度信号、地磁信号；
姿态识别步骤：对目标加速度信号、目标角速度信号、地磁信号进行滤波和运动特征提取，区分出目标在在不同地形，不同环境下的运行形态，并通过运动特征来解释目标的运动行为，输出目标运动姿态；
目标跟踪步骤：根据获取到的信号的初始状态建立传感器误差模型，所述信号包括目标加速度信号、目标角速度信号、地磁信号信号，依据传感器误差模型分析目标位置的准确性，输出较为可信的目标运动的速度和方向；并获取目标运动矢量记录目标运动轨迹；
地理特征获取步骤：结合目标加速度信号、目标角速度信号、地磁信号对目标所在环境的地形进行判断，并通过温度、气压信息对地形的高度进行分析，获得经过修正的地形信息，提取出目标的环境特征。
7.根据权利要求4所述的超低部署的室内定位方法，其特征在于，所述目标融合步骤包括：融合目标运动行为、目标运动的速度和方向、地形信息、地形的高度信息后输出目标在三维空间中的位置数据，并预测出目标的运动趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710096687.7A CN107014375B (zh) | 2017-02-22 | 2017-02-22 | 超低部署的室内定位系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710096687.7A CN107014375B (zh) | 2017-02-22 | 2017-02-22 | 超低部署的室内定位系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107014375A true CN107014375A (zh) | 2017-08-04 |
| CN107014375B CN107014375B (zh) | 2020-05-22 |
Family
ID=59440351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710096687.7A Expired - Fee Related CN107014375B (zh) | 2017-02-22 | 2017-02-22 | 超低部署的室内定位系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107014375B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107339992A (zh) * | 2017-08-24 | 2017-11-10 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
| CN108010079A (zh) * | 2017-10-19 | 2018-05-08 | 中国船舶工业系统工程研究院 | 基于投影融合和图像识别的状态信息远程监控系统及方法 |
| CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
| CN109668552A (zh) * | 2018-12-04 | 2019-04-23 | 西南大学 | 一种室内导航系统及方法 |
| CN109682375A (zh) * | 2019-01-21 | 2019-04-26 | 重庆邮电大学 | 一种基于容错决策树的uwb辅助惯性定位方法 |
| CN110736466A (zh) * | 2019-11-22 | 2020-01-31 | 安徽信息工程学院 | 区域性多目标长距离移动跟踪室内定位系统及定位方法 |
| CN111083659A (zh) * | 2020-01-10 | 2020-04-28 | 中电科卫星导航运营服务有限公司 | 室内定位融合算法 |
| CN112274140A (zh) * | 2019-07-25 | 2021-01-29 | 北京海益同展信息科技有限公司 | 异常监控方法、装置和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
| CN101576384A (zh) * | 2009-06-18 | 2009-11-11 | 北京航空航天大学 | 一种基于视觉信息校正的室内移动机器人实时导航方法 |
| US20110178707A1 (en) * | 2010-01-21 | 2011-07-21 | Invensense, Inc. | Apparatus and methodology for calibration of a gyroscope and a compass included in a handheld device |
| CN104390643A (zh) * | 2014-11-24 | 2015-03-04 | 上海美琦浦悦通讯科技有限公司 | 基于多信息融合实现室内定位的方法 |
| CN105509736A (zh) * | 2015-12-03 | 2016-04-20 | 北京机械设备研究所 | 一种用于火灾救援的室内复合定位方法 |
-
2017
- 2017-02-22 CN CN201710096687.7A patent/CN107014375B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
| CN101576384A (zh) * | 2009-06-18 | 2009-11-11 | 北京航空航天大学 | 一种基于视觉信息校正的室内移动机器人实时导航方法 |
| US20110178707A1 (en) * | 2010-01-21 | 2011-07-21 | Invensense, Inc. | Apparatus and methodology for calibration of a gyroscope and a compass included in a handheld device |
| CN104390643A (zh) * | 2014-11-24 | 2015-03-04 | 上海美琦浦悦通讯科技有限公司 | 基于多信息融合实现室内定位的方法 |
| CN105509736A (zh) * | 2015-12-03 | 2016-04-20 | 北京机械设备研究所 | 一种用于火灾救援的室内复合定位方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107339992A (zh) * | 2017-08-24 | 2017-11-10 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
| CN107339992B (zh) * | 2017-08-24 | 2020-01-24 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
| CN108010079A (zh) * | 2017-10-19 | 2018-05-08 | 中国船舶工业系统工程研究院 | 基于投影融合和图像识别的状态信息远程监控系统及方法 |
| CN108168548A (zh) * | 2018-02-13 | 2018-06-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
| CN108168548B (zh) * | 2018-02-13 | 2022-03-15 | 南京师范大学 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
| CN109668552A (zh) * | 2018-12-04 | 2019-04-23 | 西南大学 | 一种室内导航系统及方法 |
| CN109682375A (zh) * | 2019-01-21 | 2019-04-26 | 重庆邮电大学 | 一种基于容错决策树的uwb辅助惯性定位方法 |
| CN112274140A (zh) * | 2019-07-25 | 2021-01-29 | 北京海益同展信息科技有限公司 | 异常监控方法、装置和系统 |
| CN110736466A (zh) * | 2019-11-22 | 2020-01-31 | 安徽信息工程学院 | 区域性多目标长距离移动跟踪室内定位系统及定位方法 |
| CN111083659A (zh) * | 2020-01-10 | 2020-04-28 | 中电科卫星导航运营服务有限公司 | 室内定位融合算法 |
| CN111083659B (zh) * | 2020-01-10 | 2020-11-10 | 中电科卫星导航运营服务有限公司 | 一种室内定位融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107014375B (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107014375A (zh) | 超低部署的室内定位系统及方法 | |
| US9696165B2 (en) | Last-mile navigation using smartphones | |
| Zhou et al. | Activity sequence-based indoor pedestrian localization using smartphones | |
| CN103363988B (zh) | 一种利用智能手机传感器实现地磁室内定位导航的方法 | |
| CN107830862A (zh) | 一种基于智能手机的室内定位行人追踪的方法 | |
| CN106556854B (zh) | 一种室内外导航系统及方法 | |
| CN103561462B (zh) | 一种完全基于智能移动终端平台的室内定位系统和方法 | |
| Zhang et al. | A localization database establishment method based on crowdsourcing inertial sensor data and quality assessment criteria | |
| CN111829516B (zh) | 一种基于智能手机的自主式行人定位方法 | |
| CN107339990A (zh) | 多模式融合定位系统及方法 | |
| CN105241445A (zh) | 一种基于智能移动终端的室内导航数据获取方法及系统 | |
| CN110118549A (zh) | 一种多源信息融合定位方法和装置 | |
| CN107036597A (zh) | 一种基于智能手机内置惯性传感器的室内定位导航方法 | |
| CN105704652A (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
| CN106525031A (zh) | 一种组合的室内定位方法 | |
| CN107421546A (zh) | 一种基于空间环境磁场特征的无源组合定位方法 | |
| CN109470238A (zh) | 一种定位方法、装置和移动终端 | |
| CN111698774B (zh) | 基于多源信息融合的室内定位方法及装置 | |
| CN104808174B (zh) | 基于卡尔曼滤波器和航位推测法的核电站无线定位系统 | |
| CN112729301A (zh) | 一种基于多源数据融合的室内定位方法 | |
| Long et al. | Single UWB anchor aided PDR heading and step length correcting indoor localization system | |
| CN109883416A (zh) | 一种结合可见光通信定位和惯导定位的定位方法及装置 | |
| Zhou et al. | Wi-Fi RTT/encoder/INS-based robot indoor localization using smartphones | |
| CN104237846A (zh) | 自主式移动对象室内三维定位跟踪系统与方法 | |
| Wang et al. | Application of Low Cost Integrated Navigation System in Precision Agriculture. |
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 | ||
| 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: 20200522 |