CN107688665B - 一种室内地图自动构建方法、装置及存储介质 - Google Patents
一种室内地图自动构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN107688665B CN107688665B CN201710892565.9A CN201710892565A CN107688665B CN 107688665 B CN107688665 B CN 107688665B CN 201710892565 A CN201710892565 A CN 201710892565A CN 107688665 B CN107688665 B CN 107688665B
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- landmark
- track
- indoor
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明公开了一种室内地图自动构建方法、装置及存储介质,其中,所述方法包括步骤:通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,并对获取到的移动轨迹数据和行为地标数据进行图优化处理并构建室内地图。本发明有效解决了现有技术室内地图绘制过程数据难以获取,绘制过程耗时耗力,不能准确反应室内真实环境的技术问题。
Description
技术领域
本发明涉及室内地图领域,尤其涉及的是一种基于众包数据和图优化理论的室内地图构建方法。
背景技术
现今,室内地图已经成为室内行人导航等室内位置服务应用的关键要素之一,传统的室内地图制作中,建筑物的设计图通常是一种重要的数据来源,但是室内建筑往往属于不同的所有者,由于涉及隐私问题,获取详细的建筑施工图比较困难。另一方面,由于室内装修以及家具摆设等因素的影响,室内地图的拓扑结构经常发生变化,使得通过建筑设计图获取的地图不能准确的反映室内的真实环境。虽然可以通过人工制图的方法更新现有的室内地图,但是这种方法非常耗时耗力,不利于室内地图应用的推广。
众包方法是一种有效的利用众包参与者获取有效信息的方法。在位置服务领域,OpenStreetMap是一种成功的众包建图方法,通过全球成千上万的参与者上传的GPS轨迹数据构建地图。然而,受限于室内特殊环境,GPS无法应用于室内轨迹的获取,OpenStreetMap仅仅构建了室外地图。智能手机用户数目的日益增加,为室内地图的构建提供了众包数据源,另一方面,由于智能手机内置传感器功能的日益增强,可以通过智能手机数据获取行人在室内的移动轨迹和行为数据,使得基于智能手机获取的众包数据构建室内地图成为可能。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于众包数据和图优化理论的室内地图构建方法。解决了现有技术室内地图绘制过程数据获取困难,绘制过程耗时耗力,不能准确反应室内真实环境的技术问题。
本发明解决技术问题所采用的技术方案如下:
一种室内地图自动构建方法,其中,包括:
通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;
对获取到的移动轨迹数据和行为地标数据进行图优化处理并构建室内地图。
所述的室内地图自动构建方法,其中,所述步骤通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,具体包括:
通过智能终端上的传感器采集用户在室内的加速度数据、陀螺仪数据、磁力计数据以及气压计数据;
对所述加速度数据、陀螺仪数据、磁力计数据以及气压计数据进行行人航迹推算得到用户在室内的移动轨迹数据;
对所述移动轨迹数据进行行为识别处理得到行为地标数据。
所述的室内地图自动构建方法,其中,所述步骤通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,还包括:
通过智能终端上的传感器采集不同行为的样本数据;
对采集到的不同行为的样本数据按固定长度的时间窗口进行分割,得到分割后的样本数据;
对分割后的样本数据进行特征提取,并以提取的特征为基础,通过分类器对分割后的样本数据进行分类,得到每个样本数据的行为种类。
所述的室内地图自动构建方法,其中,所述步骤通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据还包括:
以皮尔逊相关系数作为行为地标聚类的特征值,通过行为发生时刻采集的情景信息对行为地标数据进行聚类,实现相同的行为地标数据的闭环检测。
所述的室内地图自动构建方法,其中,所述步骤对获取到的移动轨迹数据和行为地标数据进行图优化处理并构建室内地图,具体包括:
对移动轨迹数据和行为地标数据进行轨迹对齐处理;
对轨迹对齐处理后的移动轨迹数据和行为地标数据进行全局坐标优化;
依据优化后的移动轨迹数据和行为地标数据生成室内地图。
所述的室内地图自动构建方法,其中,所述步骤对移动轨迹数据和行为地标数据进行轨迹对齐处理,具体包括:
首先通过通用图优化工具读入初始轨迹内包含的行为地标数据,之后逐条读入余下轨迹内的行为地标数据,对每一条轨迹查询当前已对齐的行为地标数据,将已对齐的数据和未对齐的数据添加到图模型中进行优化。
所述的室内地图自动构建方法,其中,所述步骤对移动轨迹数据和行为地标数据进行全局坐标优化具体包括:
将所有的行为地标数据读入图模型中,将行为地标数据中的差值设为零,以及轨迹内相邻点的位置差值作为误差项进行优化,获得能够较大程度上还原地图的稠密位置点集。
一种存储介质,其中,其中存储有多条指令,所述指令适于由处理器加载并执行上述任一项所述的室内地图自动构建方法的步骤。
一种室内地图自动构建装置,其中,包括:处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行上述任一项所述的室内地图自动构建方法的步骤。
有益效果:本发明公开了一种室内地图自动构建方法,通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;并对获取到的移动轨迹数据和行为地标数据进行图优化处理来构建室内地图。本发明解决了现有技术室内地图绘制过程数据难以获取,绘制过程耗时耗力,不能准确反应室内真实环境的技术问题。
附图说明
图1是本发明一种室内地图自动构建方法较佳实施例的流程图;
图2是本发明一种室内地图自动构建装置较佳实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参见图1,图1是本发明一种室内地图自动构建方法较佳实施例流程图,其中,包括步骤:
S10、通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;
S20、对获取到的移动轨迹数据和行为地标数据进行图优化处理并构建室内地图。
现有传统的室内地图制作,建筑物的设计图通常是一种重要的数据来源,但是室内建筑往往属于不同的所有者,由于涉及隐私问题,获取详细的建筑施工图比较困难。另一方面,由于室内装修以及家具摆设等因素的影响,室内地图的拓扑结构经常发生变化,使得通过建筑设计图获取的地图不能准确的反映室内的真实环境。虽然可以通过人工制图的方法更新现有的室内地图,但是这种方法非常耗时耗力,不利于室内地图应用的推广。
为了解决上述问题,本发明公开了一种基于众包数据和图优化理论的室内地图自动构建方法。本发明通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;并对获取到的移动轨迹数据和行为地标数据进行图优化处理来构建室内地图。解决了现有技术室内地图绘制过程数据难以获取,绘制过程耗时耗力,不能准确反应室内真实环境的技术问题。
具体来说,行为地标是论文《ALIMC:Activity Landmark-Based Indoor Mappingvia Crowdsourcing》中提出的概念,定义为室内发生特殊行为的位置以及所采集的情景信息(WiFi、地磁等)。特殊行为指的是区别于行人正常行走的行为,例如转弯、乘电梯、走楼梯等。本发明通过智能终端上的传感器采集用户在室内的加速度数据、陀螺仪数据、磁力计数据以及气压计数据,对所述加速度数据、陀螺仪数据、磁力计数据以及气压计数据进行行人航迹推算得到用户在室内的移动轨迹数据,对所述移动轨迹数据进行行为识别处理得到行为地标数据。
图优化理论是基于图论的一种非线性优化理论,通过将数据抽象为图的节点和边,节点为需要优化的变量,边则为误差项。图优化节点包括:节点的索引,节点的值(即优化变量的值)。图优化边包括:优化边的索引,端点的索引(即待优化变量,允许多个),优化边的初始值,优化边的测量值(通常为设定的误差项的值)。
通过图模型可以将最小二乘问题转化为一种更易于理解的形式,另外因为图中节点与边的关系是局部联系,对于在非线性优化问题中可能存在的变量与误差项之间部分相关的情况,能够避免冗余计算,提供更好的性能。
通常图优化是用于在同时定位与地图创建(SLAM)技术中,对采集到的位置点与路标点进行批量优化。由于SLAM方法中,不同位置和姿态下能够观察到的路标点不同,因此应用图优化可以进行具有针对性的优化,提高准确性。
由于存在误差,如果对采集到的轨迹,通过选取局部地标直接计算平移旋转矩阵进行对齐,会导致构建的地图在全局具有较大的误差,造成地图还原效果很差。另外由于众包数据的随机性较大,每条轨迹通常仅记录少量地标点,如果用所有地标点的误差值对轨迹计算相关系数进行最小二乘优化,算法的性能和复杂度会受较大影响。而本发明应用图优化理论上可以较好地解决该问题。
进一步,在本实施例中,所述步骤S10、通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,还包括:
S11、通过智能终端上的传感器采集不同行为的样本数据;
S12、对采集到的不同行为的样本数据按固定长度的时间窗口进行分割,得到分割后的样本数据;
S13、对分割后的样本数据进行特征提取,并以提取的特征为基础,通过分类器对分割后的样本数据进行分类,得到每个样本数据的行为种类。
具体来说,本发明使用机器学习的方法对行为地标进行识别,方法如下:首先进行样本数据采集,采集不同行为的样本数据若干,其次对采集的不同行为的样本数据进行提取,基于智能手机采集的传感器数据为时序数据,在进行行为分类之前,需要将所采集的数据进行处理,以固定长度的时间窗口将时序视距进行分割,得到每个行为的样本,优选的,时间窗口设置为2秒;然后,对每个行为的样本数据进行特征提取,提取的特征包括三轴加速度的均值和标准差、三轴角速度的均值和标准差以及气压的变化值,其计算公式分别为:
最后,以提取的特征为基础,使用分类器对采集的行为样本数据进行分类,并选择选择合适的分类器以及分类器参数,得到每个样本数据的行为种类。
再进一步,所述基于众包数据和图优化理论的室内地图构建方法,其中,所述步骤S10还包括:
S14、以皮尔逊相关系数作为行为地标聚类的特征值,通过行为发生时刻采集的情景信息对行为地标数据进行聚类,实现相同的行为地标数据的关联和闭环检测。其中,所述情景信息包括WIFI信息或地磁信息。
在本实施例中,可以通过行为发生时刻采集的情景信息进行聚类,本发明优选的使用WiFi信息作为聚类的依据。
具体地,基于众包数据通过不同的手机采集得到,同一位置,不同类型的智能手机对于相同的Wi-Fi接入点获取到的接收信号强度不同。但是,所获取的多个Wi-Fi接入点的接收信号强度的次序却是相同的。因此,选择通过皮尔逊相关系数作为行为地标聚类的特征值,对行为地标进行聚类。
两个变量X和Y的皮尔逊相关系数表示如下:
ρ(X,Y)=cov(X,Y)/(σX·σY) (3-1)
其中cov(X,Y)为两个变量的协方差,σX和σY分别为变量各自的标准差。
通过行为发生时刻采集的WiFi信息,对行为地标进行聚类,假设两个行为发生时刻的WiFi信息表示如下:
fpi={(macj1,rssj1),(macj2,rssj2),…,(macjp,rssjp)} (3-2)
fpj={(maci1,rssi1),(maci2,rssi2),…,(macin,rssin)}
(3-3)
其中mac表示接入点的MAC地址,rss表示接入点的接收信号强度,p和n分别是在线指纹fpj和离线指纹fpi接入点的总数。
在计算fpj和fpi的相关系数之前,还需提取出二者共同拥有的AP,表示如下:MACcom={mac1,mac2,…,macm} (3-4)
其中m为共有AP的总数。并依据该集合,形成新的指纹fp′j和fp′,表示如下:
fp′j={(mac1,rssj1),(mac2,rssj2),…,(macm,rssjm)} (3-5)
fp′i={(mac1,rssi1),(mac2,rssi2),…,(macm,rssim)} (3-6)
接着,对离线指纹fp′i依据RSS的大小降序排序,得到:
RSSi=sort({rssi1,rssi2,…,rssim}) (3-7)
依据RSSi的次序,对在线指纹fp′j进行排序,得到:
RSSj=sort({rssj1,rssj2,…,rssjm}) (3-8)
因此,在线指纹fpj与离线指纹fpi的皮尔逊相关系数可由(3-1)获得:
通常情况下,在同一位置采集的Wi-Fi位置指纹,将具有较高的相关系数。当采集到的Wi-Fi接入点的个数太少时,会使得在不同位置采集的Wi-Fi指纹,具有较高的相关系数。因此,在方案中,还借助杰卡德相似系数度量在线指纹与离线指纹的另一相似度。
集合Q和W的杰卡德相似度可由以下公式计算获得:
J(Q,W)=(Q∩W)/(Q∪W) (3-10)
将在线指纹fpj与离线指纹fpi的MAC地址集合分别表示为:
MACj={macj1,macj2,…,macjp} (3-11)
MACi={maci1,maci2,…,macin} (3-12)
计算MACj和MACi的交集和并集:
MACcom=MACj∩MACi (3-13)
MACunion=MACj∪MACi (3-14)
其中MACcom为两个集合的交集,MACunion为两个集合的并集。因此,在线指纹fpj与离线指纹fpi的杰卡德相似系数可由式(3-10)计算获得:
其中size()求取集合中MAC地址的数目。
当两个行为地标处WiFi信息的相似度大于预设阈值时,认为这两个地标为相同。
更进一步,在本实施例中,所述基于众包数据和图优化理论的室内地图构建方法,其中,所述步骤S20包括:
S21、对移动轨迹数据和行为地标数据进行轨迹对齐处理;
S22、对轨迹对齐处理后的移动轨迹数据和行为地标数据进行全局坐标优化;
S23、依据优化后的移动轨迹数据和行为地标数据生成室内地图。
其中,所述步骤S21具体包括:
首先通过通用图优化工具读入初始轨迹内包含的行为地标数据,之后逐条读入余下轨迹内的行为地标数据,对每一条轨迹查询当前已对齐的行为地标数据,将已对齐的数据和未对齐的数据添加到图模型中进行优化。
图模型构建过程中,图模型节点值为变换矩阵(R,T)的三元数表示形式(θ,Tx,Ty),包含三个参数(旋转矩阵,X轴平移向量,Y轴平移向量)。其相对应的变换矩阵为:
图模型中使用三元数表示的目的是方便编程处理,在计算得到旋转角和平移向量的参数后,再转为变换矩阵计算对齐后的轨迹点位置。
轨迹对齐这一过程使用迭代式的优化,从第一条轨迹开始,依次读入每条轨迹的位置点数据(X-Y坐标),进行逐条优化。该优化图为一个单点多边的图模型,每次优化都需要生成一个优化图,通常在优化结束后需要释放内存空间以保障程序稳定运行。
图模型的优化边是单元边,即由节点指向自己。边的初始值为读入轨迹的地标局部坐标,测量值则为已对齐轨迹内的对应的全局坐标。
建立优化图的方法是基于General Graph Optimization Framework(g2o)框架提供的优化算法。第一步需要初始化特定求解方法的优化器,矩阵求解方法包括Eigen,Cholosky,Dense和PCG,此外还需要选择Levenburg-Marquadt算法或高斯牛顿法进行最小二乘更新计算。优化图构建完成后,需要设定迭代次数进行迭代。迭代次数可以适当增大,因为当结果收敛时,优化器会提前停止求解。
为方便理解,伪代码使用了字典的数据结构,实际编码中可以使用其他合适的数据结构。另外该方案使用的图优化工具为g2o,因此伪代码写法是依照g2o的方法来写的,实际中如果使用其他图优化工具,程序写法上可能会存在差别。该过程伪代码如下:
输入:N个轨迹文件Traj[n],每个文件包含位置点局部索引(pos_id_local)及局部坐标(pos_XY_local);
N个地标索引文件Traj_lm[n],每个文件包含第N条轨迹内M个行为路标的路标列表索引(lm_id[m])以及相对应的轨迹内索引(lm_id_traj[m]);
输出:所有轨迹的位置点经过对齐后的坐标(XY_aligned);
输入:
N条轨迹,每条轨迹包含M个地标:
每条轨迹内的所有位姿点K[N]
轨迹原始文件Traj[N]
位姿索引列表pos_id_local[N][K[N]]
位姿坐标列表pos_XY_local[N][K[N]]
每条轨迹的原始文件Traj_lm[N]
每条轨迹内的地标索引lm_id_traj[N][M]
每个地标在所有地标中的索引lm_id[N][M]
输出:
所有轨迹已对齐坐标XY_aligned;
所述基于众包数据和图优化理论的室内地图构建方法,其中,所述图优化工具包括图优化框架(g2o)、GTSAM或ISAM。
其中,所述步骤S22具体包括:
将所有的行为地标数据读入图模型中,将行为地标数据中的差值设为零,以及轨迹内相邻点的位置差值作为误差项进行优化,获得能够较大程度上还原地图的稠密位置点集。
具体的,该过程是对对齐后的轨迹合成图的所有坐标点进行的全局优化,只需要进行单次优化。这一优化过程的图模型包含多个节点和多条边。
该过程的优化图节点为所有轨迹上位置点经过对齐后的全局坐标,在数据处理的过程中可以使用二维向量的表示形式来提升程序的易读性,也可以直接将所有位置点读入统一进行数据处理。使用后一种方法时需要对轨迹的起终点进行标记。
优化图边包含两部分:地标优化边与里程计优化边。地标优化边指的是,某一地标在不同轨迹中的坐标差值。里程计优化边指的是,某一条轨迹上相邻两个位置点的坐标差值。地标优化边的端点为某一地标在不同轨迹内测得的局部坐标值,初始值为零向量,测量值强制设为零向量,亦即将所有地标位置点全局坐标设为等值。里程优化边的端点为同一条轨迹上的两个相邻的位置点,初始值为零向量,测量值为两点的全局坐标差值。
该优化过程选择Eigen作为矩阵求解的方法,L-M算法作为最小二乘更新方法。在数据量不大的情况下可以只进行一次优化。
为保持与前一过程的一致性,伪代码中使用的是将位置点统一读入的处理方式,该过程伪代码如下:
输入:
N条轨迹,每条轨迹包含M个地标
所有位姿的数量K
所有位姿已经对齐的坐标XY_aligned[K]
每条轨迹内的位姿个数PosNumber[N]
每条轨迹的地标原始文件Traj_lm[N]
每条轨迹内的地标在该轨迹中的索引lm_id_traj[N][M]
每条轨迹内的地标在所有地标中的索引lm_id[N][M]
输出:
稠密点构成的地图XY_optimized[k];
经过优化后的地图包含了所有的轨迹点,生成结果为稠密路网。由于原始数据不包含统一坐标系下的初始化参数,因此需要对生成图的方位与尺度进行调整。在实际还原过程中,记录下用于初始化的少量参考点真值坐标,通过计算出的路网参考点的相对坐标到真值的变换矩阵,便可以将路网内的位置点还原到真值位置,进行进一步处理与优化。
理论上可以仅取两个参考点来计算变换矩阵。假设有两个参考点A,B,以及还原图与真值尺度一致,在路网图内坐标为为Xia,Xib,地面真实值为Xja,Xjb,假设变换矩阵的旋转角为θ,平移向量为(Tx,Ty),则用于计算变换矩阵的方程为:
通过求解该方程即可得到变换矩阵
将该矩阵与路网图中的所有位置点的延拓向量构成的矩阵相乘
即可得到真实坐标系的还原图。
因为可能存在的尺度问题,在还原到地面真值的过程中,可能会因为测量误差导致路网图尺寸与实际情况不符。可以选择多次测量和多点测量增加还原路网图的准确度,或者在计算过程中对参考点位置进行尺度变换。
基于上述方法,本发明还提供一种存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行上述任一项所述的室内地图自动构建方法的步骤。
更进一步地,本发明还提供一种室内地图自动构建装置,其中,如图2所示,包括:处理器10,适于实现各指令;以及存储设备20,适于存储多条指令,所述指令适于由处理器加载并执行上述任一项所述的室内地图自动构建方法的步骤。
综上所述,本发明公开了一种室内地图自动构建方法,通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;并对获取到的移动轨迹数据和行为地标数据进行图优化处理来构建室内地图。本发明解决了现有技术室内地图绘制过程数据难以获取,绘制过程耗时耗力,不能准确反应室内真实环境的技术问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种室内地图自动构建方法,其特征在于,包括:
通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据;
对获取到的移动轨迹数据和行为地标数据进行图优化处理并构建室内地图,以皮尔逊相关系数作为行为地标聚类的特征值,通过行为发生时刻采集的情景信息对行为地标数据进行聚类,借助杰卡德相似系数度量所述情景信息的另一相似度,并将所述皮尔逊相关系数和杰卡德相似系数的乘积作为最终相似度,实现相同的行为地标数据的闭环检测;
对移动轨迹数据和行为地标数据进行轨迹对齐处理;对轨迹对齐处理后的移动轨迹数据和行为地标数据进行全局坐标优化;依据优化后的移动轨迹数据和行为地标数据生成室内地图;
首先通过通用图优化工具读入初始轨迹内包含的行为地标数据,之后逐条读入余下轨迹内的行为地标数据,对每一条轨迹查询当前已对齐的行为地标数据,将已对齐的数据和未对齐的数据添加到图模型中进行优化;
将所有的行为地标数据读入图模型中,将行为地标数据中的差值设为零,以及轨迹内相邻点的位置差值作为误差项进行优化,获得能够较大程度上还原地图的稠密位置点集;在实际还原过程中,记录下用于初始化的少量参考点真值坐标,通过计算出的路网参考点的相对坐标到真值的变换矩阵,将路网内的位置点还原到真值位置,进行进一步处理与优化。
2.根据权利要求1所述的室内地图自动构建方法,其特征在于,所述步骤通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,具体包括:
通过智能终端上的传感器采集用户在室内的加速度数据、陀螺仪数据、磁力计数据以及气压计数据;
对所述加速度数据、陀螺仪数据、磁力计数据以及气压计数据进行行人航迹推算得到用户在室内的移动轨迹数据;
对所述移动轨迹数据进行行为识别处理得到行为地标数据。
3.根据权利要求1所述的室内地图自动构建方法,其特征在于,所述步骤通过众包的方式获取用户在室内的移动轨迹数据和行为地标数据,还包括:
通过智能终端上的传感器采集不同行为的样本数据;
对采集到的不同行为的样本数据按固定长度的时间窗口进行分割,得到分割后的样本数据;
对分割后的样本数据进行特征提取,并以提取的特征为基础,通过分类器对分割后的样本数据进行分类,得到每个样本数据的行为种类。
5.一种存储介质,其特征在于,其中存储有多条指令,所述指令适于由处理器加载并执行权利要求1-4任一项所述的室内地图自动构建方法的步骤。
6.一种室内地图自动构建装置,其特征在于,包括:处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1-4任一项所述的室内地图自动构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892565.9A CN107688665B (zh) | 2017-09-27 | 2017-09-27 | 一种室内地图自动构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892565.9A CN107688665B (zh) | 2017-09-27 | 2017-09-27 | 一种室内地图自动构建方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688665A CN107688665A (zh) | 2018-02-13 |
CN107688665B true CN107688665B (zh) | 2021-07-02 |
Family
ID=61156706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710892565.9A Active CN107688665B (zh) | 2017-09-27 | 2017-09-27 | 一种室内地图自动构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688665B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109033239B (zh) * | 2018-06-23 | 2022-08-19 | 北京航空航天大学 | 一种基于最小二乘优化的路网结构生成方法 |
CN109031263B (zh) * | 2018-07-05 | 2022-04-12 | 西南科技大学 | 一种基于移动群智感知数据的室内指纹地图构建方法 |
CN109451428B (zh) * | 2018-12-26 | 2020-11-13 | 哈尔滨工业大学 | 一种基于WiFi聚类的室内高度定位方法 |
CN110543473B (zh) * | 2019-08-20 | 2022-03-25 | 武汉中海庭数据技术有限公司 | 一种众包数据融合优化方法、装置及存储介质 |
CN110749321B (zh) * | 2019-10-22 | 2021-05-04 | 中国人民解放军海军潜艇学院 | 航海绘算电子辅助方法、装置及系统 |
CN111288999B (zh) * | 2020-02-19 | 2021-08-31 | 深圳大学 | 一种基于移动终端的行人路网属性检测方法、装置和设备 |
CN111491367B (zh) * | 2020-04-20 | 2021-03-30 | 电子科技大学 | 一种基于群智感知和多融合技术的室内定位方法 |
CN112230243B (zh) * | 2020-10-28 | 2022-04-08 | 西南科技大学 | 一种移动机器人室内地图构建方法 |
CN112985404A (zh) * | 2021-02-09 | 2021-06-18 | 广州小鹏自动驾驶科技有限公司 | 一种停车场众包地图生成方法、装置、设备和介质 |
CN112800168B (zh) * | 2021-04-15 | 2021-06-22 | 炬星科技(深圳)有限公司 | 机器人业务地图库创建方法、设备及存储介质 |
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 |
CN113923599B (zh) * | 2021-09-24 | 2022-11-15 | 江苏京芯光电科技有限公司 | 一种基于无线融合信号的vslam闭环检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105631017A (zh) * | 2015-12-29 | 2016-06-01 | 福州华鹰重工机械有限公司 | 离线坐标校准和地图创建的方法及装置 |
US10288425B2 (en) * | 2011-06-24 | 2019-05-14 | Universite D'angers | Generation of map data |
-
2017
- 2017-09-27 CN CN201710892565.9A patent/CN107688665B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10288425B2 (en) * | 2011-06-24 | 2019-05-14 | Universite D'angers | Generation of map data |
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 |
CN105631017A (zh) * | 2015-12-29 | 2016-06-01 | 福州华鹰重工机械有限公司 | 离线坐标校准和地图创建的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107688665A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688665B (zh) | 一种室内地图自动构建方法、装置及存储介质 | |
Huang et al. | A comprehensive survey on point cloud registration | |
US11859982B2 (en) | System for determining position both indoor and outdoor | |
CN112639502A (zh) | 机器人位姿估计 | |
CN109522832B (zh) | 基于点云片段匹配约束和轨迹漂移优化的回环检测方法 | |
CN111402339B (zh) | 一种实时定位方法、装置、系统及存储介质 | |
Du et al. | CRCLoc: A crowdsourcing-based radio map construction method for WiFi fingerprinting localization | |
Paral et al. | Vision sensor-based shoe detection for human tracking in a human–robot coexisting environment: A photometric invariant approach using DBSCAN algorithm | |
CN110487286B (zh) | 基于点特征投影与激光点云融合的机器人位姿判断方法 | |
CN114964212B (zh) | 面向未知空间探索的多机协同融合定位与建图方法 | |
CN114526739A (zh) | 移动机器人室内重定位方法、计算机装置及产品 | |
Wang et al. | A delaunay triangulation-based matching area selection algorithm for underwater gravity-aided inertial navigation | |
CN110986956A (zh) | 一种基于改进的蒙特卡洛算法的自主学习全局定位方法 | |
Jung et al. | A line-based progressive refinement of 3D rooftop models using airborne LiDAR data with single view imagery | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Zhang et al. | Continuous indoor visual localization using a spatial model and constraint | |
NL2025743B1 (en) | Augmented reality device and positioning method | |
CN111275748B (zh) | 动态环境下基于激光雷达的点云配准方法 | |
CA2894863A1 (en) | Indoor localization using crowdsourced data | |
CN113063420A (zh) | 室内定位方法、装置、电子设备和存储介质 | |
RU2759773C1 (ru) | Способ и система определения местоположения пользователя | |
Zhao et al. | Place recognition with deep superpixel features for brain-inspired navigation | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
CN116468858B (zh) | 一种基于人工智能的地图融合方法及系统 | |
EA041418B1 (ru) | Способ и система определения местоположения пользователя |
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 |