CN109029439A - 自动标记停车位置的方法 - Google Patents

Abstract

本发明公开了的一种自动标记停车位置的方法，包括：采集车辆进入室内停车场后至停车前的任意位置，并作为初始位置；采集移动终端的实时位置，根据实时位置确定移动终端各个时刻的第一运动速度；采集移动终端的实时加速度，根据实时加速度确定移动终端各个时刻的第二运动速度；根据同一时刻的第一运动速度和第二运动速度，确定该时刻移动终端为车载模式或行人模式。本发明的自动标记停车位置的方法能够在室内停车场中精确、高效地识别车辆的停车位置，为用户反向寻车提供方便，提高了室内定位的用户体验。

Description

自动标记停车位置的方法

技术领域

本发明涉及室内导航技术领域，尤其涉及一种自动标记停车位置的方法。

背景技术

由于室内车库的规模不断增大，在室内车库停车后，自动识别、记录停车时刻以及停车位置以方便用户寻车，成为了室内定位和导航技术的一项重要功能。

目前，现有技术中已有自动识别、记录停车时刻以及停车位置的方案。

其中，一种方案是基于GPS速度判断是否满足停车特征，当速度从大于预设的步行速度最大设定值减小到小于预设的步行速度最大设定值的那一刻时，记录当前时间为进入步行状态的时间，记录从GPS接收模块得到的当前所在的GPS位置信息为进入步行状态的位置，并在停车位置记录装置保持在步行状态的时间长度大于预设的步行状态时间阀值时，判断当前车辆满足停车特征，将进入步行状态的位置发送给停放位置存储模块，进行存储。

但是，由于GPS在室内定位效果差，有时甚至无法定位，导致单纯通过GPS速度来判断停车状态有一定的局限性。

另一种方案是通过移动终端的传感器数据判断当前运动模式，区分机动车行驶模式还是人行走模式。根据当前运动模式判断是否发生了机动车行驶模式向人行走模式的切换，如果是，则获取切换时刻的定位信息作为停车位置。判断运动模式的依据是根据预设的不同运动模式下时间序列值的形态变化特性，对所述得到的时间序列值进行识别检测，判定所述时间序列值所对应的运动模式。如果所述时间序列值组成的波峰和波谷的差值在第一阈值范围内，则判定所述时间序列值所对应的运动模式为机动车行驶模式；如果所述时间序列值组成的波峰和波谷的差值在第二阈值范围内，则判定所述时间序列值所对应的运动模式为人行走模式。

虽然利用移动设备中配备的多种运动传感器，如加速度计、陀螺仪、磁传感器等，可以获取的数据识别运动状态和运动模式，但是仅依靠传感器数据无法做到准确区分。

针对现有技术中的问题，需要提供一种可以在室内停车场中精确识别、记录停车时刻以及停车位置的自动标记停车位置的方法。

发明内容

为解决上述问题，本发明提供一种自动标记停车位置的方法，结合定位系统和传感器系统对当前运动模式判断，从而提高在室内停车场中对停车位置的识别精度。

为实现上述目的，本发明的一种自动标记停车位置的方法，包括以下步骤：

S1、采集车辆进入室内停车场后至停车前的任意位置，并作为初始位置；

S2、采集移动终端的实时位置，根据实时位置确定移动终端各个时刻的第一运动速度；采集移动终端的实时加速度，根据实时加速度确定移动终端各个时刻的第二运动速度；

S3、根据同一时刻的第一运动速度和第二运动速度，确定该时刻移动终端为车载模式或行人模式。

进一步地，步骤2中，还同时获取实时加速度的频域信号，并根据第一运动速度、第二运动速度结合频域信号，确定该时刻移动终端为车载模式或行人模式。

进一步地，还包括：

根据确定的车载模式的最后一个时刻和行人模式的第一个时刻，确定停车时刻。

进一步地，根据采集停车时刻对应的移动终端的位置，确定车辆的停车位置。

进一步地，还包括，在移动终端中存储停车位置。

进一步地，还包括，通过卡尔曼滤波对第一运动速度和第二运动速度进行修正。

进一步地，确定第二运动速度的方法包括：

根据实时加速度确定移动终端是否处于移动状态；

若移动终端处于移动状态，根据实时加速度确定携带移动终端的人员的步频；

根据步频确定人员的步长，并且根据步频和步长确定第二运动速度。

进一步地，步骤S2中，还同时采集移动终端的实时姿态，根据同一时刻的实时姿态、第一运动速度和第二运动速度，确定该时刻移动终端为车载模式或行人模式。

进一步地，移动终端的实时姿态包括移动终端各个时刻的方向角。

进一步地，还包括，采集移动终端的初始姿态和各个时刻的角速度值，根据初始姿态和角速度值，更新移动终端的实时姿态。

进一步地，通过卡尔曼滤波对实时姿态进行修正。

本发明的自动标记停车位置的方法，基于移动终端在车上和行走时所反映出的频域特征差异，利用定位系统获取移动终端的第一运动速度，同时利用传感器获取移动终端的第二运动速度，然后结合定位系统和传感器系统对当前运动模式进行判断，确定是车载模式或者是行人模式，从而确定停车位置。本发明的自动标记停车位置的方法能够在室内停车场中精确、高效地识别车辆的停车位置，为用户反向寻车提供方便，提高了室内定位的用户体验。

附图说明

图1为本发明的自动标记停车位置的方法流程图；

图2为本发明中移动终端的加速度计时域信号的示意图；

图3为本发明中加速度计原始和滤波后的时域信号对比示意图；

图4为本发明中人行走时的加速度计频域信号的示意图；

图5为本发明中车载时加速度计频域信号的示意图；

图6为本发明中的导航坐标系的示意图；

图7为本发明中的设备坐标系的示意图。

具体实施方式

下面，结合附图，对本发明的结构以及工作原理等作进一步的说明。

如图1所示，本发明的一种自动标记停车位置的方法，包括以下步骤：

S1、采集车辆进入室内停车场后至停车前的任意位置，并作为初始位置。

在本发明实施例中，可以通过移动终端的导航系统定位，从而获取车辆进入室内停车场后至停车前的任意位置，并将该位置作为计算移动终端的运动速度的初始位置。其中，导航系统的定位方法可以包括：GPS定位、室内伪卫星定位、WiFi定位、低功耗蓝牙(iBeacon)定位和惯性导航/PDR等。

S2、采集移动终端的实时位置，根据实时位置确定移动终端各个时刻的第一运动速度，同时采集移动终端各个时刻的实时加速度，根据实时加速度确定移动终端各个时刻的第二运动速度。

在本发明实施例中，可以利用上述的一个或者多个定位方法进行定位，依次获取车辆进入室内停车场后各个时刻的实时位置，并根据任一时刻及其上一时刻的位置距离和时间间隔，计算出该任一时刻的第一运动速度。根据本发明的一种实施例，可以仅根据位置距离和时间间隔计算出该任一时刻的第一运动速度，第一运动速度即通过定位的实时位置计算出的移动终端的移动速度。为了方便理解，可以将第一运动速度记为v_f。

在本发明实施例中，实时加速度采用加速度计进行测量，确定第二运动速度的方法包括：

先根据实时加速度确定移动终端是否处于移动状态。图2显示了移动终端静止和移动时的加速度计信号示意图，横轴为时间，纵轴为加速度，图中的移动终端在0.94×10⁴-0.99×10⁴s的时间内处于静止状态，而在0.99×10⁴-1.08×10⁴s的时间内处于移动状态，可以看出，移动终端运动时的加速度的变化幅度明显大于静止时，因此，可以根据实时加速度来判断移动终端是处于静止状态还是移动状态。

具体地，可以通过计算加速度的标准差来判断移动终端的运动状态。先根据公式计算加速度的均值其中n为采样频率，a(i)为各个时刻的实时加速度。再根据公式计算加速度的标准差σ。设定标准差的阈值σ_thre，若σ＜σ_thre，可以判断移动终端处于静止状态，若σ≥σ_thre，可以判断移动终端处于移动状态。在本发明实施例中，阈值σ_thre的范围可以为0.4-0.6。

若判断移动终端处于静止状态，可以确定移动终端的第二运动速度为0。

若移动终端处于移动状态，可以根据实时加速度确定携带移动终端的人员的步频，再根据步频确定人员的步长，最后根据步频和步长确定第二运动速度。

确定携带移动终端的人员的步频，需要检测该人员的步子。首先对检测到的信号进行低通滤波。如图3所示的加速度计原始和滤波后的时域信号对比示意图，横轴为时间，纵轴为加速度。其中，曲线a为原始时域信号，曲线b为滤波后的时域信号，可以看到，经过滤波之后，加速度计信号有明显的正弦信号特征。

具体地，基于滤波后的数据作步子检测的方法如下：

可以先找出实时加速度的峰值和谷值，然后根据下列条件判断，当满足下列条件，可以认为检测到了步子：

其中，a_max,a_min分别表示当前检测数据范围内的加速度的峰值和谷值，A_{thre_1}和A_{thre_2}为设定的加速度差值的阈值，在本发明实施例中，A_{thre_1}的范围可以为1.8-2.2，A_{thre_2}的范围可以为14.7-19.8，dT表示加速度位于峰值和谷值时对应的两个采样时刻之间的时间差，T_{thre_1}和T_{thre_2}为设定的时间差的阈值，在本发明实施例中，T_{thre_1}的范围可以为0.25-0.35，T_{thre_2}的范围可以为0.8-1.2。

如果没有检测到步子，可以确定第二运动速度为0。如果检测到步子，可以根据单位时间内所行进的步数确定人员的步频，再根据该步频计算步长。研究和实验表明，人在行进过程中，步长的大小与身高、步频有着密切的关系。可以采用SL＝(a·f+b)·H公式对步长进行拟合，其中，SL表示步长，f表示步频，H表示用户的身高，a,b为经验系数。实际使用过程中，如果考虑用户之间的差异性，可以让提供接口让用户设置身高值，并通过动态学习的方法确定和优化a,b的值。为了简化操作步骤，H也可以取期望值，比如1.72m。a,b则根据多次试验，利用最小二重原理进行拟合。

当确定人员的步长和步频后，可以根据公式SL·f计算出第二运动速度。为了方便理解，可以将第二运动速度记为v_s。

当计算出第二运动速度后，还可以采用平滑公式对第二运动速度进行平滑，提高精度。其中，分别表示上一时刻和当前时刻的平滑速度，v_k+1表示当前时刻根据步长和步频计算得到的速度，r为平滑系数，取值范围为[0,1]。

S3、根据同一时刻的第一运动速度和第二运动速度，确定该时刻移动终端为车载模式或行人模式。

由于处于车载时传感器通常检测不到步子，此时，第一运动速度和第二运动速度之间的差值会比较大。因此为了减小误差，在本发明实施例中，将通过定位获得的第一运动速度和通过传感器获得的第二运动速度结合，综合判断移动终端的运动模式为车载模式或者行人模式。

在本发明实施例中，步骤2中，还可以同时获取实时加速度的频域信号，并根据第一运动速度、第二运动速度结合频域信号，确定该时刻移动终端为车载模式或行人模式。。

图4和图5分别显示了人行走时和处于车载时的加速度计频域信号，图中的横轴为频率，纵轴为对应的加速度，对比两个图可以看出，人行走时和处于车载时的加速度频域信号差异明显，因此，可以通过加速度计频域信号准确判别移动终端的运动模式。

具体地，在本发明实施例中，判断运动模式的具体过程如下：

首先，对加速度计时域信号进行快速傅里叶变换，得到其频域特性。然后确定能量最大的频率，记为f_max，以及最大能量值，记为power_max。并统计低频部分的能量和高频部分的能量，分别记为power_low,power_high，计算它们的比值power_ratio＝power_low/power_high。最后，计算第一运动速度与第二运动速度之间的差值，记为d_v。

如果满足下列条件，则为行人模式：

其中，p_{thre_1},ratio_{thre_1},v_{thre_1}为检测行人模式时分别对应的能量阈值、低频/高频能量之比的阈值、速度差值的阈值。在本发明实施例中，p_{thre_1}的范围可以为0.8-1.2，ratio_{thre_1}的范围可以为0.45-0.6，v_{thre_1}的范围可以为0.8-1.2。

如果满足下列条件，则为车载模式：

其中，p_{thre_2},ratio_{thre_2},v_{thre_2}分别为检测车载模式时分别对应的能量阈值、低频/高频能量之比的阈值、速度差值的阈值。在本发明实施例中，p_{thre_2}的范围可以为0.6-0.8，ratio_{thre_2}的范围可以为0.3-0.45，v_{thre_2}的范围可以为1.5-2.0。

如果均不满足上述条件，导致判断结果为既非行人模式也非车载模式，则该时刻沿用上一个时刻的运动模式。

在本发明另一实施例中，还可以根据确定的车载模式的最后一个时刻和行人模式的第一个时刻，确定停车时刻。

具体地，可以记录每个时刻的运动模式(即该时刻为车载模式或者行人模式)，提取最后一个车载模式对应的时刻，记为T₁，并确定在T₁之后记录中首次出现行人模式的时刻，记为T₂，则停车时刻可以根据公式(T₁+T₂)/2计算得到。

在本发明另一实施例中，还可以根据采集停车时刻对应的移动终端的位置，确定车辆的停车位置，并且还可以在移动终端中存储停车位置，便于用户反向寻车。

确定车辆的停车位置，可以基于室内地图，将停车时刻的位置匹配到室内地图上与其最近的车位上，作为车辆的停车位置。具体地，可以先判断停车时刻的位置是否在某个车位的边界内。如果是，则直接将该车位标记为停车位置；如果停车时刻的位置不在任何一个车位的边界内，则计算该位置到每个车位的距离，将该位置匹配到距离最近的车位中心点，并将距离最近的车位作为停车位置。

在本发明另一实施例中，还可以通过卡尔曼滤波对第一运动速度和第二运动速度进行修正，提高识别停车位置的精度。

在本发明另一实施例中，还包括在步骤S2中，可以同时采集移动终端的实时姿态，根据同一时刻的实时姿态、第一运动速度和第二运动速度，确定该时刻移动终端为车载模式或行人模式。其中，移动终端的姿态即姿态角，姿态角包括移动终端的方向角、俯仰角和翻滚角。在该实施例中，主要应用移动终端各个时刻的方向角作为移动终端的实时姿态进行后续计算。可以通过采集移动终端的初始姿态和各个时刻的角速度值，并根据初始姿态和角速度值更新移动终端的实时姿态。

具体地，可以利用移动终端中的传感器数据获得初始姿态，并计算出初始姿态矩阵。其中，需要应用到的坐标系包括包括导航坐标系(L系)和设备坐标系(d系)。

导航坐标系是用于位置表达和计算的坐标系，如图6所示，其原点位于地球表面，三轴指向如下：X轴沿卯酉圈指向东，Y轴沿子午圈指向北，Z轴沿法线指向天顶。设备坐标系是描述导航设备的轴向定义的，如图7所示，其原点位于设备中心，X轴指向设备右侧，Y轴指向设备前方，Z轴向上。

其中，导航坐标系和设备坐标系之间的旋转关系所对应的矩阵称为姿态矩阵，可以写成如下形式：

其中，y,p,r即为姿态角，其中y表示方向角(yaw)，p表示俯仰角(pitch)，r表示翻滚角(roll)。

根据上述姿态矩阵，采集移动终端的初始姿态的方法为：将移动终端保持静止一段时间，根据加速度计和磁传感器的观测数据计算初始姿态矩阵。

首先计算俯仰角p和翻滚角r，设静止时间内加速度计在设备坐标系内x,y,z三轴的输出值为a_x,a_y,a_z，则

其中，表示静止时间内加速度计x轴和y轴输出数据的均值，g是重力加速度。根据上式得到的俯仰角p和翻滚角r后，再结合磁传感器输出的方向角y，就可以按导航坐标系和设备坐标系之间的旋转关系式构建出初始姿态矩阵，得到移动终端的初始姿态。

在移动终端导航过程中，可以根据陀螺仪的输出数据进行姿态更新，获得每个时刻的姿态，其计算公式为此公式为一个微分方程，其中的表示反对称阵，表达式如下：

其中，ω_x,ω_y,ω_z为陀螺仪测量的角速度值，描述的是设备坐标系相对于导航坐标系的旋转角速度。

另外，由于通常陀螺仪的输出数据是离散的，其采样结果按照一定的采样间隔输出。因此对每个时刻的姿态计算公式求解后，可以得到如下的姿态角更新公式：

其中，k,k+1分别表示前后两个采样时刻，t表示这两个采样时刻之间的时间间隔。

当结合实时姿态计算移动终端的第一运动速度时，包括如下步骤：

根据第一运动速度和其对应的位置确定状态向量X＝(s_e s_n v_e v_n)^T，根据上式确定其状态方程为：X_k+1＝F_k·X_k+G_k·W，其中，X_k,X_k+1分别表示前后两个滤波时刻的状态值，F_k表示状态转移矩阵，G_k表示噪声驱动矩阵，其值取为单位阵，W表示系统的动态噪声，其值取决于传感器的精度水平。

上述的状态转移矩阵F_k的值如下：

其中，t表示这两个采样时刻之间的时间间隔。噪声驱动矩阵G_k为4×4阶的单位阵。

滤波器的量测方程的形式如下：

Z_k+1＝H_k+1·X_k+1

其中，Z_k+1为量测值，H_k+1为量测矩阵。其中量测值Z_k+1为：

其中，e,n表示当前时刻的定位结果。量测矩阵H_k+1为：

根据上述公式，可以建立第一运动速度和其对应的位置的卡尔曼滤波模型，可以获得位置/速度的最优估值。

当结合实时姿态计算移动终端的第二运动速度时，包括如下步骤：

先计算设备坐标系内的x,y,z三轴加速度的均值如下：

其中，n为采样频率。

再计算x,y,z三轴加速度的标准差如下：

若满足以下关系，则判断移动终端为静止状态，否则为移动状态。

其中，σ_thre为设定的标准差的阈值，在本发明实施例中，σ_thre的范围可以为0.4-0.6。如果判断为静止，则速度为0。如果运动，则进入下面的步子检测。

接着，基于滤波后的数据作步子检测，具体算法如下：

对每个采样时刻获得的加速度数据，计算它的模然后顺序找出峰值和谷值，以及对应的时刻。当满足以下条件，就认为检测到步子：

其中，分别表示当前检测数据范围内的加速度模的峰值和谷值，A_{thre_1}和A_{thre_2}表示加速度差值的阈值，在本发明实施例中，A_{thre_1}的范围可以为1.8-2.2，A_{thre_2}的范围可以为14.7-19.8，dT表示加速度的模位于峰值和谷值时对应的两个采样时刻之间的时间差，T_{thre_1}和T_{thre_2}表示时间差的阈值，在本发明实施例中，T_{thre_1}的范围可以为0.25-0.35，T_{thre_2}的范围可以为0.8-1.2。

基于结合了实时姿态的第一运动速度和第二运动速度，判断移动终端的运动模式的方法为：

首先，对加速度计时域信号进行快速傅里叶变换，得到其频域特性。然后确定能量最大的频率，记为f_max，以及最大能量值，记为power_max。并统计低频部分的能量和高频部分的能量，分别记为power_low,power_high，计算它们的比值power_ratio＝power_low/power_high。最后，计算第一运动速度与第二运动速度之间的差值，记为d_v，并根据判断方程组判断移动终端的运动模式。

当结合实时姿态时，式中，v_{f_e},v_{f_n}表示滤波速度，v_{s_e},v_{s_n}表示传感器速度。

v_{s_e},v_{s_n}可以按下式计算：

其中，是移动终端的方向角。

在本发明另一实施例中，还可以通过卡尔曼滤波对实时姿态进行修正，对姿态误差和传感器误差进行最优估计。

此时，滤波器的状态向量为9阶，如下所示：

X＝(δp δr δy b_x b_y b_z d_x d_y d_z)^T

式中，δp,δr,δy表示3个姿态角误差、b_x,b_y,b_z表示3轴陀螺仪零偏、d_x,d_y,d_z表示3轴加速度计零偏。

以姿态角的误差方程作为滤波器的状态方程，可以得到如下形式：

X_k+1＝F_k·X_k+G_k·W

上式中，X_k,X_k+1分别表示前后两个滤波时刻的状态值，F_k表示状态转移矩阵，G_k表示噪声驱动矩阵，其值取为单位阵，W表示系统的动态噪声，其值取决于传感器的精度水平。F_k的形式如下：

上式中，表示3×3阶的单位阵，表示3×3阶的零矩阵。

滤波器的量测方程的形式如下：

Z_k+1＝H_k+1·X_k+1

上式中，Z_k+1为量测值，H_k+1为量测矩阵。Z_k+1的值如下：

上式中，p_g,r_g,y_g分别表示由陀螺仪数据经过姿态更新后得到的三个姿态角，可以通过下式计算：

上式中的R_ij(i＝1,2,3；j＝1,2,3)，对应公式(1)中的元素。

p_a,r_a分别表示由加速度计数据计算出来的俯仰角和翻滚角，y_m表示由磁传感器输出的方向角。p_a,r_a可以通过下式计算：

量测矩阵H_k+1的值如下：

根据上述公式，可以建立卡尔曼滤波模型，滤波过程可以包括两步：时间更新和量测更新。

其中，时间更新的方程为：

量测更新的方程为：

其中，即为经过卡尔曼滤波之后的状态最优估值，包括姿态角误差、陀螺仪零偏、加速度计零偏。

根据得到的姿态角误差，对姿态矩阵进行修正：

式中，为修正后的姿态矩阵。陀螺仪零偏和加速度计零偏将反馈到下一个周期的姿态更新和滤波过程中，从而提高测量的精度。采用经过卡尔曼滤波后的实时姿态结合第一运动速度和第二运动速度，可以高精度的确定车辆的运动模式。

综上所述，本发明的自动标记停车位置的方法通过结合定位系统和传感器系统对当前运动模式判断、对检测到的信号数据采用卡尔曼滤波、增加移动终端的姿态对第一运动速度和第二运动速度的影响等方法，能够在室内停车场中精确、高效地识别车辆的停车位置，为用户反向寻车提供方便，提高了室内定位的用户体验。

以上，仅为本发明的示意性描述，本领域技术人员应该知道，在不偏离本发明的工作原理的基础上，可以对本发明作出多种改进，这均属于本发明的保护范围。

Claims (11)

1.一种自动标记停车位置的方法，其特征在于，包括以下步骤：

S1、采集车辆进入室内停车场后至停车前的任意位置，并作为初始位置；

S2、采集移动终端的实时位置，根据所述实时位置确定所述移动终端各个时刻的第一运动速度；采集所述移动终端的实时加速度，根据所述实时加速度确定所述移动终端各个时刻的第二运动速度；

S3、根据同一时刻的所述第一运动速度和所述第二运动速度，确定该时刻所述移动终端为车载模式或行人模式。

2.如权利要求1所述的自动标记停车位置的方法，其特征在于，所述步骤2中，还同时获取所述实时加速度的频域信号，并根据所述第一运动速度、第二运动速度结合所述频域信号，确定该时刻所述移动终端为车载模式或行人模式。

3.如权利要求2所述的自动标记停车位置的方法，其特征在于，还包括：

根据确定的车载模式的最后一个时刻和行人模式的第一个时刻，确定停车时刻。

4.如权利要求3所述的自动标记停车位置的方法，其特征在于，根据采集所述停车时刻对应的所述移动终端的位置，确定所述车辆的停车位置。

5.如权利要求4所述的自动标记停车位置的方法，其特征在于，还包括，在所述移动终端中存储所述停车位置。

6.如权利要求1所述的自动标记停车位置的方法，其特征在于，还包括，通过卡尔曼滤波对所述第一运动速度和所述第二运动速度进行修正。

7.如权利要求1所述的自动标记停车位置的方法，其特征在于，确定所述第二运动速度的方法包括：

根据所述实时加速度确定所述移动终端是否处于移动状态；

若所述移动终端处于移动状态，根据所述实时加速度确定携带所述移动终端的人员的步频；

根据所述步频确定所述人员的步长，并且根据所述步频和步长确定所述第二运动速度。

8.如权利要求2所述的自动标记停车位置的方法，其特征在于，所述步骤S2中，还同时采集所述移动终端的实时姿态，根据同一时刻的所述实时姿态、所述第一运动速度和所述第二运动速度，确定该时刻所述移动终端为车载模式或行人模式。

9.如权利要求8所述的自动标记停车位置的方法，其特征在于，所述移动终端的实时姿态包括所述移动终端各个时刻的方向角。

10.如权利要求8所述的自动标记停车位置的方法，其特征在于，还包括，采集所述移动终端的初始姿态和各个时刻的角速度值，根据所述初始姿态和所述角速度值，更新所述移动终端的实时姿态。

11.如权利要求8-10中任一项所述的自动标记停车位置的方法，其特征在于，通过卡尔曼滤波对所述实时姿态进行修正。