CN108168546B - 定位系统及定位方法 - Google Patents
定位系统及定位方法 Download PDFInfo
- Publication number
- CN108168546B CN108168546B CN201711465931.9A CN201711465931A CN108168546B CN 108168546 B CN108168546 B CN 108168546B CN 201711465931 A CN201711465931 A CN 201711465931A CN 108168546 B CN108168546 B CN 108168546B
- Authority
- CN
- China
- Prior art keywords
- information
- unit
- positioning
- motion
- data fusion
- 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
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Abstract
本发明提供了一种定位系统及定位方法,惯性测量单元获取运动载体的运动传感信息,同时运动载体通过人机交互单元输入关于运动状态的认知信息,然后数据融合‑解算单元把它转换为运动载体的辅助定位信息,再通过解算、融合得到优化的实时定位信息,同时得到校正信息以对惯性测量单元的输出进行校正,最后显示单元获取实时定位信息以进行显示,本发明通过人机协同,建立辅助定位知识库,联合人(智能体)的感知和认知能力,实现运动载体和惯性定位系统的交互。增强了系统自主定位的精度,可以有效提高定位系统的环境适应性、可靠性和稳定性,同时也具有低成本、便携的优点。
Description
技术领域
本发明涉及导航定位领域,尤其涉及一种定位系统及定位方法。
背景技术
个人导航定位是实现对运动载体行进方向、速度、位置等信息的实时跟踪、获取。该技术可分为基于基础设施定位和基于自身传感器定位两大类。其中基于基础设施的定位技术包括卫星导航和基于射频信号的定位。但这类系统需要借助外界的基础设施,制约着该类技术的应用范围和使用环境。基于自身传感器的个人定位即通过固定安装在身上的传感器来实现自主导航定位。
目前基于自身传感器的个人定位以惯性导航技术为主。惯性导航建立在惯性原理的基础上,低成本、民用、便携的惯性导航设备通常采用微机电系统(Micro-Electro-Mechanical System,MEMS)惯性器件,但是MEMS惯性测量单元(MEMS InertialMeasurement Unit,MIMU)的惯性器件自身存在漂移、轴失准等误差影响,又由于MIMU导航信息是经过积分运算得到,所以误差会随着时间增长而累积,从而导致MIMU长期稳定性很差,仅仅应用MIMU进行个人定位无法克服自身的缺陷达到导航定位精度要求。
目前,智能机器的发展正不断改变着人们的生活。将人的作用或人的认知模型引入智能系统,形成“混合增强智能”的形态。是智能机器发展中可行、重要的模式。把人对模糊、不确定问题分析与响应的高级认知机制与机器智能系统紧密耦合,使两者相互协作,形成双向的信息交流与控制,使人的感知、认知能力与计算机强大的运算和存储能力相结合。人机协同的混合增强智能已经作为我国人工智能战略的重要规划之一。
发明内容
本发明的目的在于提供一种定位系统及定位方法,以解决现有的个人导航定位系统精度低、误差大等问题。
为了达到上述目的,本发明提供了一种定位系统,包括人机交互单元、惯性测量单元、数据存储单元、数据融合-解算单元及显示单元;
所述人机交互单元获取运动载体输入的关于运动状态的认知信息,并将所述认知信息发送到所述数据融合-解算单元;
所述惯性测量单元获取所述运动载体的运动传感信息,并将所述运动传感信息发送到所述数据融合-解算单元;
所述数据储存单元存储有辅助定位知识库和神经网络模型,所述神经网络模型对所述认知信息进行分类和筛选;
所述数据融合-解算单元接收所述认知信息和所述运动传感信息,通过检索所述辅助定位知识库将所述认知信息转换为辅助定位信息,并对所述运动传感信息进行解算得到解算信息;
所述数据融合-解算单元将所述解算信息和所述辅助定位信息进行数据融合后得到校正信息和实时定位信息,所述校正信息用于对所述惯性测量单元进行校正,所述实时定位信息发送到所述显示单元进行显示。
可选的,所述人机交互单元包括一语音输入单元,所述语音输入单元包括语音接收器、语音识别芯片和语音输出器,所述语音接收器接收所述运动载体输入的语音信号并进行预处理,将预处理后的语音信号输入所述语音识别芯片,所述语音识别芯片对预处理后的语音信号做识别处理,并通过所述语音输出器输出。
可选的,所述辅助定位信息包括所述运动载体的运动模式、运动环境和运动角度中的一种或多种。
可选的,所述实时定位信息和所述解算信息包括所述运动载体的位置、速度和方向信息。
本发明还提供了一种定位方法,所述定位方法包括:
提供所述定位系统;
所述运动载体通过所述人机交互单元输入关于运动状态的认知信息,并将所述认知信息发送至所述数据融合-解算单元;
所述惯性测量单元获取所述运动载体的运动传感信息,并将所述运动传感信息发送至所述数据融合-解算单元;
所述数据融合-解算单元接收所述认知信息和所述运动传感信息,调用所述辅助定位知识库,以将所述认知信息转换为所述辅助定位信息,并对所述运动传感信息进行解算得到解算信息;
所述数据融合-解算单元将所述解算信息和所述辅助定位信息进行数据融合,得到所述校正信息和实时定位信息;
所述校正信息用于对所述惯性测量单元进行校正,所述显示单元获取所述实时定位信息并进行显示。
可选的,采用卡尔曼滤波算法或粒子滤波算法对所述解算信息和所述辅助定位信息进行数据融合。
在本发明提供的定位系统及定位方法中,包括人机交互单元、惯性测量单元、数据存储单元、数据融合-解算单元及显示单元,惯性测量单元获取运动载体的运动传感信息,运动载体通过人机交互单元输入关于运动状态的认知信息,再转换为运动载体的辅助定位信息,通过数据融合得到校正信息和实时定位信息,所述校正信息对惯性测量单元的输出进行校正,显示单元获取所述实时定位信息以进行显示,本发明通过建立辅助定位知识库,可以实现不同环境下的定位,提高了定位系统的适用性和可重复性,对于使用者没有太多限制条件,并且实现运动载体和定位系统的交互,两者协同以增强定位系统的精度,在不需要外界设备辅助的情况下进行定位,自主性、可靠性和稳定性均有提高,同时也便于携带。
附图说明
图1为本发明实施例提供的定位系统的框结构示意图;
图2为本发明实施例提供的定位方法的一流程示意图;
图3为本发明实施例提供的定位方法的又一流程示意图;
其中,11-人机交互单元,12-惯性测量单元,13-数据融合-解算单元,14-数据存储单元,15-显示单元,2-运动载体。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
参阅图1,其为本实施例提供的一种定位系统的示意图,如图1所示,所述定位系统包括人机交互单元11、惯性测量单元12、数据存储单元14、数据融合-解算单元13及显示单元15;所述人机交互单元11获取运动载体2输入的关于运动状态的认知信息,并将所述认知信息发送到所述数据融合-解算单元13;所述惯性测量单元12获取所述运动载体2的运动传感信息,并将所述运动传感信息发送到所述数据融合-解算单元13;所述数据储存单元14存储有辅助定位知识库和神经网络模型,所述神经网络模型用于对所述认知信息进行分类和筛选;所述数据融合-解算单元13接收所述认知信息和所述运动传感信息,通过检索所述辅助定位知识库将所述认知信息转换为辅助定位信息,并对所述运动传感信息进行解算得到解算信息;所述数据融合-解算单元13将所述解算信息和所述辅助定位信息进行数据融合后得到校正信息和实时定位信息,所述校正信息用于对所述惯性测量单元12进行校正,所述实时定位信息发送到所述显示单元15进行显示。
在本实施例提供的定位系统中,通过建立辅助定位知识库和神经网络模型,可以实现不同环境下的定位,提高了定位系统的适用性和可重复性,对于使用者没有太多限制条件,并且实现运动载体2和定位系统的交互,两者协同以增强定位系统的精度,在不需要外界设备辅助的情况下进行定位,自主性、可靠性和稳定性均有提高,同时也便于携带。
所述运动载体2具体可以是行人、机器人或者其他具有感知外界信息能力的智能设备,本实施例中,所述运动载体2是行人,运动载体2通过所述人机交互单元11输入认知信息。行人输入的认知信息包括:行人通过视觉、触觉、听觉从外界直接感知到的信息和人在认知环境活动中的感觉、思维、决策、记忆这些认知内容。
其中,所述人机交互单元11可以包括一语音输入单元,用于检测和采集行人的语音信息,通过语音识别获取行人的认知信息。所述语音输入单元包括:语音接收器、语音识别芯片、语音输出器。语音接收器用于对行人输入的语音信号作采集和预处理包括放大、模数转换、滤波等处理环节,再将预处理信号传递给语音识别芯片,语音芯片对预处理信号做识别处理,最后将得到的结果通过语音输出器输出。此外,人机交互单元11还可以扩展键盘输入、文本输入等辅助方式,以适应不同应用场景下的使用要求。
所述运动载体2通过视觉、嗅觉、听觉或者传感设备等从外界环境中感知位置和环境信息,通过感觉、思维、决策、记忆这些认知形成对自身所处环境的判断,再将这些认知信息通过人机交互单元11输入定位系统中,例如:当所述运动单元2输入信息:“我从大门出发”时,“大门”即为定位起点的位置信息;当所述运动单元2输入信息“我在楼道中直线行走”时,“直线”即为方向信息,“行走”为运动载体2感知的运动模式为步行;当所述运动单元2输入信息“我正在楼梯向下走”时,“楼梯”、“向下”为运动载体2感知的运动模式下楼。所述认知信息包括运动载体2感知的位置、速度、运动模式和方向信息中的一种或多种,所述运动载体2可以通过人机交互单元11输入所述认知信息后,所述人机交互单元11将这些认知信息发送给所述数据融合-解算单元13。
所述数据融合-解算单元13接收所述认知信息后,可以调用所述数据存储单元14中的神经网络模型,再通过检索所述辅助定位知识库中的辅助定位知识,以将所述认知信息转换为辅助定位信息,所述神经网络模型用于对所述认知信息进行分类和筛选,最后进行匹配相似度计算检索辅助定位知识库得到所述辅助定位信息。本实施例中,所述辅助定位知识在所述辅助定位知识库中的表达形式为“对象-属性-属性值-权值”,例如:认知信息“我行进的速度是零”表示为“行人-速度-零-X1”;认知信息“我的运动模式是上楼”表示为“行人-运动模式-上楼-X2”;认知信息“我的起点是A”表示为“行人-起点-A-X3”;其中,运动模式、运动环境和运动方向等是所述辅助定位知识库包含的属性,上楼、下楼、平地、上坡、下坡等,静止、步行、跑步等,起点、终点、原点等,直线、90度和180度等是所述辅助定位知识库包含的属性值,所述辅助定位知识库根据辅助定位知识的不同属性分为4类;由于运动载体2及其运动环境的复杂性,各种认知信息之间互相重叠交错,难以找到确切的量化标准来衡量关系的主次,针对这样的情况,本实施例在所述辅助定位知识库模型中引入权值(X1、X2、X3…Xn)的概念,借助权值将属性和属性值之间的模糊关系进行量化,若某个属性出现次数越多时,它的属性相比于在其他属性而言权值应该大,反之则较小,例如,运动模式属性比位置更常用到所以其权值应取得比后者大。
所述辅助定位信息是所述认知信息的标准化,其包含了所述运动载体2的运动模式(走、跑、上楼、下楼、静止等)、运动角度(运动载体2感知的方位)、运动环境(运动载体2感知的位置)中的一种或多种。所述数据融合-解算单元13将所述认知信息转换为所述辅助定位信息,并对所述的惯性测量单元输出的运动传感信息进行解算得到解算信息,再将所述解算信息和所述辅助定位信息进行数据融合,以反馈校正的方式实现对惯性传感误差积累的抑制,同时得到优化的实时定位信息,所述实时定位信息和所述解算信息中包括所述运动载体2的位置、速度和方向信息中的一种或多种。进一步,所述数据融合-解算单元13可以利用卡尔曼滤波算法融合所述解算信息和所述辅助定位信息,此外,也可以采用粒子滤波算法等其他的数据融合算法。通过数据融合得到的实时定位信息整合了所述运动载体2自身感知的认知信息和所述惯性测量单元12测量的运动传感信息,实现了对惯性传感误差积累的抑制,其精度较仅使用惯性测量单元12进行定位更高,将所述解算后的实时定位信息传送至所述显示单元15进行显示,可以将定位信息反馈给行人,实现自主行人导航。
接着,请参阅图2,本实施例还提供了一种定位方法,包括:
S1:提供所述定位系统;
S2:所述运动载体通过所述人机交互单元输入关于运动状态的认知信息,并将所述认知信息发送至所述数据融合-解算单元;
S3:所述惯性测量单元获取所述运动载体的运动传感信息,并将所述运动传感信息发送至所述数据融合-解算单元;
S4:所述数据融合-解算单元接收所述认知信息和所述运动传感信息,调用所述辅助定位知识库,以将所述认知信息转换为所述辅助定位信息,并对所述运动传感信息进行解算得到解算信息;
S5:所述数据融合-解算单元将所述解算信息和所述辅助定位信息进行数据融合,得到所述校正信息和实时定位信息;
S6:所述校正信息用于对所述惯性测量单元进行校正,所述显示单元获取所述实时定位信息并进行显示。
由于行人说话方式、特点的不同,想要准确的推理得到辅助定位知识就需要大量的参考模型进行训练。例如语音信息为“我是静止的状态”,但在训练模板时的语音信息为“我的状态是静止”,尽管语义上两者没有区别,但是从模板匹配的角度看两者语音信号特征相差较大,影响准确识别。而且从对于语音信息的语义分析也是数据融合-解算单元13获取辅助定位信息的重要环节。借助人机交互单元11将语音信息识别后的结果转换为对应的文本信息,选用BP神经网络对文本信息进行分析处理,所述BP神经网络一种采用误差反向传播算法训练的多层前馈网络,所述BP神经网络包括输入层、输出层和输入层和输出层之间的隐含层,误差反向传播算法的学习过程由正向传播和反向传播组成,在正向传播过程中,输入层(对行人定位中常用的语音信息进行选择和整理,将文本信息基于向量空间模型(VSM)提取特征作为BP神经网络的输入参数)从输入层经隐含层逐层处理,并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出(辅助定位信息的类别),则转入反向传播,将信号沿原来的连接通道返回,修改各层神经元的权值。训练时选取所述认知信息合适的特征作为输入参数xi,每条认知信息作为神经网络的一个输入样本,所有常用认知信息组成训练样本集,认知信息对应的辅助定位信息所属类别作为神经网络的期望输出,建立如下神经网络训练模型:
其中,输入层、隐含层和输出层的单元数分别为I、J和K,I、J和K为大于等于1的整数;i、j和k表示具体的某一层输入层单元i、隐含层单元j和输出单元k;wjk为输出层与隐含层之间的权值,vij为隐含层与输入层之间的权值,θj和θk分别用来表示隐含层单元和输出层单元的阈值;
误差反向传播阶段:
若BP神经网络每一层的激活函数均取单极S型函数,即
其中,net为神经网络的某一层;
则基于最小方差理论得到各层权值修正量:
输出层与隐含层之间的权值调整为:
Δwjk=ηOj(dk-Ok)Ok(1-Ok)
隐含层与输入层之间的权值调整为:
其中,η表示学习率,即梯度下降的补偿;dk表示训练样本的某一期望输出;Oj为隐含层上第j个神经元的输出,Ok为输出层上第k个神经元的输出;Oi为隐含层上第i个神经元的输入,δk表示反传误差。
通过多次反复训练得到稳定的神经网络权值和阈值,在训练完成后,再储存训练好的神经网络模型到数据存储单元14中,所述数据融合-解算单元13即可调用实现对认知信息的分类即所输入信息属于运动模式、运动角度、运动环境中的一种或几种,若都不属于知识库中已划分的类别则输入的语音信息无效,由此通过神经网络模型完成对输入信息的分类和筛选。接下来对语音识别的文本信息使用分词程序处理得到检索关键字,然后在该类别下与知识表达式进行匹配相似度计算即计算出两者相同部分与整体的比值然后对计算结果进行排序,选取匹配相似度最大的知识表达式作为识别的结果。通过以上步骤即完成了认知信息到辅助定位信息的转换。
请参阅图3,开始定位时,所述运动载体2输入认知信息,所述人机交互单元11将所述认知信息传送到所述数据融合-解算单元13,所述惯性测量单元12实时测量所述运动载体的运动传感信息,再将所述运动传感信息传送给所述数据融合-解算单元13。所述数据融合-解算单元13接收所述运动传感信息和所述认知信息后,调用所述辅助定位知识库和神经网络模型,将所述认知信息转换为所述辅助定位信息,并对所述的惯性测量单元输出的运动传感信息进行解算得到解算信息。接下来,所述数据融合-解算单元13对所述解算信息和所述辅助定位信息进行数据融合以对惯性测量单元12的输出作校正,同时得到优化的实时定位信息,再将所述实时定位信息发送给显示单元15进行显示。
利用行人认知信息得到的辅助定位信息融合惯导系统的定位信息,从而可以解决惯性导航系统误差积累的问题。本实施例选择卡尔曼滤波算法作为数据融合算法。卡尔曼滤波是一种广泛使用的多数据融合算法,它利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计得到现时刻的估计值。解算惯性测量单元输出的运动传感信息得到位置、速度、方向信息加上辅助定位信息作为外部观测量,平台失准角、速度误差、位置误差以及陀螺和加速度计的零偏作为状态变量,实现数据融合,得到优化的定位信息,并对惯性测量单元12的输出作反馈校正。算法过程如下:
Y=[V Z D Mo St An]T
其中,为平台失准角,δVeδVnδVu表示速度误差,δlδλδh表示位置误差,εxεyεz和▽x▽y▽z分别为陀螺仪、加速度计的零偏。V Z D分别为解算得到的位置、速度、方向信息,Mo、St、An分别表示辅助信息中的运动模式、运动环境、运动角度信息。
系统状态方程为x(k+1)=A x(k)+u(k)
系统观测方程为y(k)=C x(k)+v(k)
其中,x(k+1)、x(k)分别是k+1,k时刻系统的状态变量;u(k)为系统噪声;y(k)为k时刻系统的观测变量;v(k)为观测噪声;A、C分别为系统状态、观测矩阵。
基于系统状态和观测方程,可得出一步状态向量估计值:
P(k|k-1)=AP(k-1|k-1)A'+Q
式中,是根据k-1时刻估计值得到的k时刻的状态估计值;是k-1时刻估计值;P(k|k-1)是预测协方差矩阵;P(k-1|k-1)是误差协方差矩阵;是根据k-1时刻估计值得到的k时刻的观测估计值;Q为系统噪声协方差。
根据现时刻的观测值和前一时刻的估计值完成状态向量更新:
K=P(k|k-1)C'(CP(k|k-1)C'+R)-1
P(k|k)=P(k|k-1)-KCP(k|k-1)
式中,K为卡尔曼增益;P(k|k)是误差协方差矩阵;R是观测噪声协方差。通过以上步骤可以得到融合的速度、方向、位置信息,重复以上步骤实现定位信息优化和惯性测量单元的实时校正。
对于不同的状态变量,采用不同的校正方法。对于惯性测量单元12的误差从每个采样时刻的惯性测量单元12的输出值中减去对应的误差值即可;对于初始平台失准角误差,需要用校正矩阵来校正。不同的辅助定位信息可以用于校正不同的状态量,如:运动模式为静止时,各个方向速度为0,可以用于校正陀螺仪、加速度计的漂移;运动角度为直线行走时,即行人航向不变,可以用于对姿态信息进行校正。最后显示单元15进行显示,完成定位系统的功能。
请参阅图3,所述定位方法还包括一运动载体2主动误差修正功能,用于修正惯性测量单元12的误差,运动载体2在一定条件下可以获取到准确的速度、位置、方向等辅助定位信息,同时实施相应的修正步骤,对惯性测量单元12进行误差修正;具体的,当运动载体2处于静止状态下或以一确定速度运动时可得到速度观测量,当运动载体2沿着一确定的行程重复运动,如原地360度转圈或沿一确定方向运动时,也可以得到方向观测量,当运动载体2已知位置和行程信息时,如返回原点、已知经纬度或两点之间间距可以得到位置观测量,通过这些观测量结合上述卡尔曼滤波算法过程,可以得到状态估计量从而实现对定位系统中惯性测量单元12的误差修正。
例如:当运动载体2返回定位的起点位置时,输入认知信息:“我现在回到原点停下了”,“原点”即为定位系统起点位置,所述数据融合-解算单元13将所述认知信息转换为辅助定位信息,此时惯性测量单元12测量的运动传感信息导航解算的结果也应是一个闭环的结果;“停下”即为静止状态,这时导航解算结果中的速度理论值应趋近于0;通过获取到准确的速度、位置等辅助定位信息,可以利用卡尔曼滤波算法与解算信息进行融合得到校正信息并反馈给惯性测量单元12;以此可以实现对惯性测量单元12的优化修正,提升系统定位精度。
综上,在本发明实施例提供的定位系统及定位方法中,包括人机交互单元、惯性测量单元、数据存储单元、数据融合-解算单元及显示单元,惯性测量单元获取运动载体的运动传感信息,运动载体通过人机交互单元输入关于运动状态的认知信息,再转换为运动载体的辅助定位信息,再通过融合、解算得到校正信息以对惯性测量单元的输出进行校正,并得到优化的实时定位信息,显示单元获取实时定位信息以进行显示,还可以在运动载体主动进行误差修正时对惯性测量单元进行修正;本发明通过人机协同,建立辅助定位知识库,联合人(智能体)的感知和认知能力,实现运动载体和惯性定位系统的交互。增强了系统自主定位的精度,可以有效提高定位系统的环境适应性、可靠性和稳定性,同时也具有低成本、便携的优点。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (6)
1.一种定位系统,其特征在于,包括人机交互单元、惯性测量单元、数据存储单元、数据融合-解算单元及显示单元;
所述人机交互单元获取运动载体输入的关于运动状态的认知信息,并将所述认知信息发送到所述数据融合-解算单元;
所述惯性测量单元获取所述运动载体的运动传感信息,并将所述运动传感信息发送到所述数据融合-解算单元;
所述数据储存单元存储有辅助定位知识库和神经网络模型,所述神经网络模型对所述认知信息进行分类和筛选;
所述数据融合-解算单元接收所述认知信息和所述运动传感信息,通过检索所述辅助定位知识库将所述认知信息转换为辅助定位信息,并对所述运动传感信息进行解算得到解算信息;
所述数据融合-解算单元将所述解算信息和所述辅助定位信息进行数据融合后得到校正信息和实时定位信息,所述校正信息用于对所述惯性测量单元进行校正,所述实时定位信息发送到所述显示单元进行显示。
2.如权利要求1所述的定位系统,其特征在于,所述人机交互单元包括一语音输入单元,所述语音输入单元包括语音接收器、语音识别芯片和语音输出器,所述语音接收器接收所述运动载体输入的语音信号并进行预处理,将预处理后的语音信号输入所述语音识别芯片,所述语音识别芯片对预处理后的语音信号做识别处理,并通过所述语音输出器输出。
3.如权利要求2所述的定位系统,其特征在于,所述辅助定位信息包括所述运动载体的运动模式、运动环境和运动角度中的一种或多种。
4.如权利要求3所述的定位系统,其特征在于,所述实时定位信息和所述解算信息包括所述运动载体的位置、速度和方向信息。
5.一种定位方法,其特征在于,所述定位方法包括:
提供如权利要求1-4中任一项所述的定位系统;
所述运动载体通过所述人机交互单元输入关于运动状态的认知信息,并将所述认知信息发送至所述数据融合-解算单元;
所述惯性测量单元获取所述运动载体的运动传感信息,并将所述运动传感信息发送至所述数据融合-解算单元;
所述数据融合-解算单元接收所述认知信息和所述运动传感信息,调用所述辅助定位知识库,以将所述认知信息转换为所述辅助定位信息,并对所述运动传感信息进行解算得到解算信息;
所述数据融合-解算单元将所述解算信息和所述辅助定位信息进行数据融合,得到所述校正信息和实时定位信息;
所述校正信息用于对所述惯性测量单元进行校正,所述显示单元获取所述实时定位信息并进行显示。
6.如权利要求5所述的定位方法,其特征在于,采用卡尔曼滤波算法或粒子滤波算法对所述解算信息和所述辅助定位信息进行数据融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711465931.9A CN108168546B (zh) | 2017-12-28 | 2017-12-28 | 定位系统及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711465931.9A CN108168546B (zh) | 2017-12-28 | 2017-12-28 | 定位系统及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108168546A CN108168546A (zh) | 2018-06-15 |
CN108168546B true CN108168546B (zh) | 2021-08-06 |
Family
ID=62519451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711465931.9A Expired - Fee Related CN108168546B (zh) | 2017-12-28 | 2017-12-28 | 定位系统及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108168546B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680189B (zh) * | 2018-07-09 | 2024-04-12 | 无锡凌思科技有限公司 | 一种基于卡尔曼滤波的mems陀螺仪z轴零偏动态补偿方法 |
CN113739817B (zh) * | 2020-05-29 | 2023-09-26 | 上海华依智造动力技术有限公司 | 汽车组合导航设备信号融合算法参数的在线自动调试方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09304100A (ja) * | 1996-05-13 | 1997-11-28 | Denso Corp | 車両用ナビゲーション装置 |
CN104239030A (zh) * | 2013-06-14 | 2014-12-24 | 杭州海存信息技术有限公司 | 惯导辅助的音乐定位 |
CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
CN104864873A (zh) * | 2015-06-09 | 2015-08-26 | 中国科学院上海高等研究院 | 一种利用人体运动特征辅助地图定位的方法 |
CN107111473A (zh) * | 2014-10-31 | 2017-08-29 | 微软技术许可有限责任公司 | 用于促进用户与其环境之间的交互的用户界面功能 |
-
2017
- 2017-12-28 CN CN201711465931.9A patent/CN108168546B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09304100A (ja) * | 1996-05-13 | 1997-11-28 | Denso Corp | 車両用ナビゲーション装置 |
CN104239030A (zh) * | 2013-06-14 | 2014-12-24 | 杭州海存信息技术有限公司 | 惯导辅助的音乐定位 |
CN107111473A (zh) * | 2014-10-31 | 2017-08-29 | 微软技术许可有限责任公司 | 用于促进用户与其环境之间的交互的用户界面功能 |
CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
CN104864873A (zh) * | 2015-06-09 | 2015-08-26 | 中国科学院上海高等研究院 | 一种利用人体运动特征辅助地图定位的方法 |
Non-Patent Citations (1)
Title |
---|
基于语音识别的室内定位导航方法研究;张晓军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115(第01期);第5-6,15-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108168546A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106714110B (zh) | 一种Wi-Fi位置指纹地图自动构建方法及系统 | |
CN107635204B (zh) | 一种运动行为辅助的室内融合定位方法及装置、存储介质 | |
CN106873585B (zh) | 一种导航寻路方法、机器人及系统 | |
US11823020B2 (en) | Artificial intelligence apparatus for generating training data for artificial intelligence model and method thereof | |
US20210064141A1 (en) | System for detecting a signal body gesture and method for training the system | |
Fang et al. | Gait neural network for human-exoskeleton interaction | |
Su et al. | HDL: Hierarchical deep learning model based human activity recognition using smartphone sensors | |
CN108168546B (zh) | 定位系统及定位方法 | |
Zhao et al. | Recognition of transportation state by smartphone sensors using deep bi-LSTM neural network | |
Botzheim et al. | Human gesture recognition for robot partners by spiking neural network and classification learning | |
US20230076568A1 (en) | Mobile Device And System For Automated Transport Mode Recognition And Corresponding Method Thereof | |
Wang et al. | Recent advances in pedestrian navigation activity recognition: a review | |
US11402834B2 (en) | Method for drawing map of specific area, robot and electronic device implementing thereof | |
Cruciani et al. | Personalizing activity recognition with a clustering based semi-population approach | |
Li et al. | Inertial sensing meets artificial intelligence: Opportunity or challenge? | |
Song et al. | Collaborative processing and data optimization of environmental perception technologies for autonomous vehicles | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
Contreras-Cruz et al. | Convolutional neural network and sensor fusion for obstacle classification in the context of powered prosthetic leg applications | |
Yang et al. | Robust navigation method for wearable human–machine interaction system based on deep learning | |
KR101502235B1 (ko) | 지면반력 예측 모델 도출 방법 및 이를 이용한 지면반력 예측 장치 | |
Wietrzykowski et al. | Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints | |
CN107688828A (zh) | 一种基于手机传感器的公交车拥挤程度估测方法 | |
CN112762934B (zh) | 下肢运动方向预测装置和方法 | |
Wei et al. | Leveraging transfer learning for robust multimodal positioning systems using smartphone multi-sensor data | |
Kibria et al. | Creation of a Cost-Efficient and Effective Personal Assistant Robot using Arduino & Machine Learning Algorithm |
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: 20210806 Termination date: 20211228 |