CN109238296B - 一种高精度室内导航方法及装置 - Google Patents

一种高精度室内导航方法及装置 Download PDF

Info

Publication number
CN109238296B
CN109238296B CN201810932030.4A CN201810932030A CN109238296B CN 109238296 B CN109238296 B CN 109238296B CN 201810932030 A CN201810932030 A CN 201810932030A CN 109238296 B CN109238296 B CN 109238296B
Authority
CN
China
Prior art keywords
navigation
node
navigation path
early warning
path
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
Application number
CN201810932030.4A
Other languages
English (en)
Other versions
CN109238296A (zh
Inventor
朱扬清
霍颖瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN201810932030.4A priority Critical patent/CN109238296B/zh
Publication of CN109238296A publication Critical patent/CN109238296A/zh
Application granted granted Critical
Publication of CN109238296B publication Critical patent/CN109238296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高精度室内导航方法及装置，预设障碍物以及根据预警阈值计算障碍物区域的以离散概率分布计算概率计算其预警区间,通过标记需要提供导航服务的空间区域中的障碍物区域，根据预警阈值计算障碍物区域的预警区间，生成导航路径，在当导航节点进入预警区间生成过渡导航路径修正导航路径，使本公开能够在预警区间的导航中以过渡导航线修正导航路径，能够提供高精准防碰撞实时导航，在厘米级以下的高精度室内外场景中，以极大程度的避免了碰撞障碍物和出现误导航等情况。

Description

一种高精度室内导航方法及装置
技术领域
本公开涉及AP定位与导航技术领域，具体涉及一种高精度室内导航方法及装置。
背景技术
在室外露天的无线定位很容易，因为有GPS卫星、北斗卫星导航和地上运营商的通信基站，其实在GPS卫星无法穿透的购物中心也并不难，因为购物中心内几乎都遍布了Wi-Fi热点，机场、火车站、图书馆以及办公楼中遍布的Wi-Fi热点，通过这些锚点对用户进行室内定位和导航，并且利用Wi-Fi热点进行室内定位和导航，在技术层面已经成熟。WiFi精确度大约在1米至15米的范围内，但需要先在系统覆盖区域对设置的若干个AP(AccessPoint)固定点采集其位置信息以及信号强度形成位置数据库，采集数据工作量大，而且为了达到较高的精度，固定点AP的位置测算设置比较繁琐。如有新的固定点AP加入，需要对其位置信息以及信号强度进行采集后，才能用于定位。另WiFi收发器都只能覆盖半径90米以内的区域，而且由于墙壁和障碍物的影响，会带来多径衰弱、吸收以及遮蔽等一系列问题，且在电梯、楼梯等会有覆盖死角，从而影响其精度；WiFi只能定位出移动设备的一个范围，并不能描述出其运动轨迹。
在无线定位技术中，仅仅是AP定位的精度已无法满足现有需求，室内的场景需要的是高精准的导航，而当前的技术上这些Wi-Fi的AP定位能将定位范围缩减到5米左右，现有的很多需求场景都需要精确到厘米级以下，在此种精度要求以下的导航技术，在实际的导航应用中容易碰撞障碍物和出现误导航等情况。
发明内容
本公开提供一种高精度室内导航方法及装置，预设障碍物以及根据预警阈值计算障碍物区域的以离散概率分布计算概率计算其预警区间，在预警区间的导航中以过渡导航线修正导航路径。
为了实现上述目的，根据本公开的一方面，提供一种高精度室内导航方法，所述方法包括以下步骤：
步骤1，标记需要提供导航服务的空间区域中的障碍物区域；
步骤2，根据预警阈值计算障碍物区域的预警区间；
步骤3，生成导航路径；
步骤4，当导航节点进入预警区间生成过渡导航路径修正导航路径。
进一步地，在步骤1中，标记需要提供导航服务的空间区域中的障碍物区域的方法为以下步骤，
步骤1.1，读取需要提供导航服务的空间区域的地图的图片格式文件；
步骤1.2，将图片格式文件转化为像素矩阵；
步骤1.3，运用像素边界算法寻找像素矩阵的障碍物区域的方法为：从地图的图片的矩阵的第一个像素的rgb值开始向右和向下寻找与其不相同的rgb值,标记为障碍物区域，遍历完每一个障碍物区域后，再从剩下像素找下一个障碍物区域，一直到遍历完为止，记录下所有障碍物区域的像素。
进一步地，在步骤2中，根据预警阈值计算障碍物区域的预警区间的方法为：在地图中的障碍物区域外层的距离为预警阈值的空间标记为预警区间，所述障碍物区域外层为障碍物朝向导航服务空间区域表面，所述预警阈值为50毫米，可人工进行调整。
进一步地，在步骤3中，所述生成导航路径的方法为IDA*迭代加深搜索算法，通过以深度优先寻路方式对导航服务的空间区域的进行路径搜索得到n个导航路径上的路径节点，使用开销评估函数cost(n)限制搜索深度，第n个路径节点的cost(n)代价确定由式f(n)＝cost(n)(n)＝g(n)+h(n)给出,式中，g(n)是导航起始节点到导航节点n的开销评估，h(n)导航路径从导航节点n到目的节点的开销估计，首先，每一个迭代器根据现在的评估函数cost(n)释放出轮廓线中的所有导航节点。如果导航路径未找到，则搜索扩展到下一个导航轮廓线。一旦在该导航轮廓线中搜索完成，将开始新一轮的循环，在下一轮的导航轮廓线中使用一个新的评估函数cost(n)，以该函数为限制逐层深入，这样最终将获得最优解的导航路径。
进一步地，在步骤4中，生成过渡导航路径修正导航路径的方法为以下步骤：
步骤4.1，输入：导航路径:G＝(V1,V2,E)，其中V1和V2为两个节点集、E为导航路径边集，初始化参数T、R，规模缩减率RR；
步骤4.2，将V2中全部节点按度从大到小顺序排列，并抽取前nh个最大度节点构成节点子集
Figure GDA0003382258210000021
其中这nh个节点中相同度重复数的最大值为T，nh的取值由节点集V2中节点的度和参数T唯一确定。
步骤4.3，计算
Figure GDA0003382258210000031
并将导航路径G分解为
Figure GDA0003382258210000032
和
Figure GDA0003382258210000033
其中
Figure GDA0003382258210000034
且
Figure GDA0003382258210000035
步骤4.4，设d1,d2,…,ds为导航路径G中节点集V1的全部节点度，并设dmax为节点集
Figure GDA0003382258210000036
中的最大节点度，计算节点集
Figure GDA0003382258210000037
的度分布{g(d)|d＝1,2,…,dmax}，其中g(d)表示
Figure GDA0003382258210000038
中度为d的节点比率，初始化导航路径G′＝(V′1,V′2,E′)←G＝(V1,V2,E)，初始化导航路径
Figure GDA0003382258210000039
初始化导航路径
Figure GDA00033822582100000310
初始化导航路径GLL′中节点集
Figure GDA00033822582100000311
的度分布{g′(d)|d＝1,2,…,dmax}←{g(d)|d＝1,2,…,dmax}，计算需删除边的总数Ed＝||E||·RR，初始化变量t＝0；
步骤4.5，如果t<Ed，转到步骤4.6；否则G′＝(V′1,V′2,E′)，其中
Figure GDA00033822582100000312
且E′＝ELH′∪ELL′，为最终输出结果，转到步骤4.11；
步骤4.6，如果
Figure GDA00033822582100000313
任意选择集合S中一个节点v，并计算两个可选边集
Figure GDA00033822582100000314
和
Figure GDA00033822582100000315
如果
Figure GDA00033822582100000316
转到步骤4.8；如果
Figure GDA00033822582100000317
转到步骤4.9；否则
Figure GDA00033822582100000318
且
Figure GDA00033822582100000319
以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9，其中，γLL′＝mLL-(||ELL||-||ELL′||)，γLH′＝mLH-(||ELH||-||ELH′||)，
Figure GDA00033822582100000320
mLH＝Ed-mLL；转到步骤4.7；
步骤4.7，如果S＝Φ，以式
Figure GDA00033822582100000321
定义的离散概率分布pk/Σi＝1,2,…,spi(k＝1,2,…,s)随机采样一个节点度d∈{d1,d2,…,ds}，其中d1>d2>…>ds>0，f(d1),f(d2),…,f(ds)表示节点集V1中度为dk(1≤k≤s)的节点比率；计算两个可选边集
Figure GDA00033822582100000322
Figure GDA0003382258210000041
如果
Figure GDA0003382258210000042
转到步骤4.8；如果
Figure GDA0003382258210000043
转到步骤4.9，否则，以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9；
步骤4.8，假设
Figure GDA0003382258210000044
其中
Figure GDA0003382258210000045
且
Figure GDA0003382258210000046
Figure GDA0003382258210000047
计算dh＝argdmaxd∈D{g′(d)-g(d)}，并计算
Figure GDA0003382258210000048
的子集
Figure GDA0003382258210000049
从Ea中均等概率分布地采样一条边e，并将此边从导航路径
Figure GDA00033822582100000410
和G′＝(V′1,V′2,E′)中删除，即更新ELL′←ELL′/{e}且E′←E′/{e}，更新GLL′中
Figure GDA00033822582100000411
的节点度分布{g′(d)|d＝1,2,…,dmax}，其中g′(d)表示
Figure GDA00033822582100000412
中度为d的节点比率，转到步骤4.10；
步骤4.9，从
Figure GDA00033822582100000413
中均等概率分布地采样一条边e，并将此边从导航路径
Figure GDA00033822582100000415
和G′＝(V′1,V′2,E′)中删除，即更新ELH′←ELH′/{e}且E′←E′/{e}，转到步骤4.11；
步骤4.10，更新t←t+1，转到步骤4.5；
步骤4.11，输出：过渡导航路径修正后的导航路径G′＝(V′1,V′2,E′)。
其中，||S||表示集合S的势，即集合S包含元素的总数；x←y表示将右边的函数或数值y赋值给左边的变量x；dv表示节点v在导航路径G′＝(V′1,V′2,E′)中的度；A/B：如果A和B为数值，则表示除法，如果A和B为集合，则表示从集合A中删除集合B的所有元素；dh＝argdmaxd∈D{g′(d)-g(d)}表示将g′(d)-g(d)取最大值时参数d的取值赋值给dh；∈表示“属于”；
Figure GDA00033822582100000414
表示“不属于”；∧表示“逻辑与”；节点的度是指与该节点相邻边的总数；∪表示集合的并集；输入参数规模缩减率RR被定义为需要从输入的导航路径中删除边的总数与该输入导航路径包含边数的比率，初始化参数默认值T为0.05、R为1.5，规模缩减率RR为0.09，参数的默认值可以进行人工调整。
本发明还提供了一种高精度室内导航装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下单元中：
障碍物标记单元，用于标记需要提供导航服务的空间区域中的障碍物区域；
预警区间单元，用于根据预警阈值计算障碍物区域的预警区间；
路径生成单元，用于生成导航路径；
过渡修正单元，用于当导航节点进入预警区间生成过渡导航路径修正导航路径。
本公开的有益效果为：本发明提供一种高精度室内导航方法及装置，预设障碍物以及根据预警阈值计算障碍物区域的以离散概率分布计算概率计算其预警区间，在预警区间的导航中以过渡导航线修正导航路径，能够是高精准的导航，在厘米级以下的室内外场景中，以极大程度的避免了碰撞障碍物和出现误导航等情况。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种高精度室内导航方法的流程图；
图2所示为一种高精度室内导航装置图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种高精度室内导航方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种高精度室内导航方法。
本公开提出一种高精度室内导航方法，具体包括以下步骤：
步骤1，标记需要提供导航服务的空间区域中的障碍物区域；
步骤2，根据预警阈值计算障碍物区域的预警区间；
步骤3，生成导航路径；
步骤4，当导航节点进入预警区间生成过渡导航路径修正导航路径。
进一步地，在步骤1中，标记需要提供导航服务的空间区域中的障碍物区域的方法为以下步骤，
步骤1.1，读取需要提供导航服务的空间区域的地图的图片格式文件；
步骤1.2，将图片格式文件转化为像素矩阵；
步骤1.3，运用像素边界算法寻找像素矩阵的障碍物区域的方法为：从地图的图片的矩阵的第一个像素的rgb值开始向右和向下寻找与其不相同的rgb值,标记为障碍物区域，遍历完每一个障碍物区域后，再从剩下像素找下一个障碍物区域，一直到遍历完为止，记录下所有障碍物区域的像素。
进一步地，在步骤2中，根据预警阈值计算障碍物区域的预警区间的方法为：在地图中的障碍物区域外层的距离为预警阈值的空间标记为预警区间，所述障碍物区域外层为障碍物朝向导航服务空间区域表面，所述预警阈值为50毫米，可人工进行调整。
进一步地，在步骤3中，所述生成导航路径的方法为IDA*迭代加深搜索算法，通过以深度优先寻路方式对导航服务的空间区域的进行路径搜索得到n个导航路径上的路径节点，使用开销评估函数cost(n)限制搜索深度，第n个路径节点的cost(n)代价确定由式f(n)＝cost(n)(n)＝g(n)+h(n)给出,式中，g(n)是导航起始节点到导航节点n的开销评估，h(n)导航路径从导航节点n到目的节点的开销估计，首先，每一个迭代器根据现在的评估函数cost(n)释放出轮廓线中的所有导航节点。如果导航路径未找到，则搜索扩展到下一个导航轮廓线。一旦在该导航轮廓线中搜索完成，将开始新一轮的循环，在下一轮的导航轮廓线中使用一个新的评估函数cost(n)，以该函数为限制逐层深入，这样最终将获得最优解的导航路径。
IDA*迭代加深搜索算法的伪代码形式的方法步骤为：
Figure GDA0003382258210000061
Figure GDA0003382258210000071
进一步地，在步骤4中，生成过渡导航路径修正导航路径的方法为以下步骤，
步骤4.1，输入：导航路径:G＝(V1,V2,E)，其中V1和V2为两个节点集、E为导航路径边集，初始化参数T、R，规模缩减率RR；
步骤4.2，将V2中全部节点按度从大到小顺序排列，并抽取前nh个最大度节点构成节点子集
Figure GDA0003382258210000072
其中这nh个节点中相同度重复数的最大值为T，nh的取值由节点集V2中节点的度和参数T唯一确定。
步骤4.3，计算
Figure GDA0003382258210000073
并将导航路径G分解为
Figure GDA0003382258210000074
和
Figure GDA0003382258210000075
其中
Figure GDA0003382258210000076
且
Figure GDA0003382258210000077
步骤4.4，设d1,d2,…,ds为导航路径G中节点集V1的全部节点度，并设dmax为节点集
Figure GDA0003382258210000078
中的最大节点度，计算节点集
Figure GDA0003382258210000079
的度分布{g(d)|d＝1,2,…,dmax}，其中g(d)表示
Figure GDA00033822582100000710
中度为d的节点比率，初始化导航路径G′＝(V′1,V′2,E′)←G＝(V1,V2,E)，初始化导航路径
Figure GDA00033822582100000711
初始化导航路径
Figure GDA00033822582100000712
初始化导航路径GLL′中节点集
Figure GDA00033822582100000713
的度分布{g′(d)|d＝1,2,…,dmax}←{g(d)|d＝1,2,…,dmax}，计算需删除边的总数Ed＝||E||·RR，初始化变量t＝0；
步骤4.5，如果t<Ed，转到步骤4.6；否则G′＝(V′1,V′2,E′)，其中
Figure GDA00033822582100000714
且E′＝ELH′∪ELL′，为最终输出结果，转到步骤4.11；
步骤4.6，如果
Figure GDA00033822582100000715
任意选择集合S中一个节点v，并计算两个可选边集
Figure GDA00033822582100000716
和
Figure GDA00033822582100000717
如果
Figure GDA00033822582100000718
转到步骤4.8；如果
Figure GDA00033822582100000719
转到步骤4.9；否则
Figure GDA00033822582100000720
且
Figure GDA00033822582100000721
以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9，其中，γLL′＝mLL-(||ELL||-||ELL′||)，γLH′＝mLH-(||ELH||-||ELH′||)，
Figure GDA0003382258210000081
mLH＝Ed-mLL；转到步骤4.7；
步骤4.7，如果S＝Φ，以式
Figure GDA0003382258210000082
定义的离散概率分布pk/Σi＝1,2,…,spi(k＝1,2,…,s)随机采样一个节点度d∈{d1,d2,…,ds}，其中d1>d2>…>ds>0，f(d1),f(d2),…,f(ds)表示节点集V1中度为dk(1≤k≤s)的节点比率；计算两个可选边集
Figure GDA0003382258210000083
Figure GDA0003382258210000084
如果
Figure GDA0003382258210000085
转到步骤4.8；如果
Figure GDA0003382258210000086
转到步骤4.9，否则，以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9；
步骤4.8，假设
Figure GDA0003382258210000087
其中
Figure GDA0003382258210000088
且
Figure GDA0003382258210000089
Figure GDA00033822582100000810
计算dh＝argdmaxd∈D{g′(d)-g(d)}，并计算
Figure GDA00033822582100000811
的子集
Figure GDA00033822582100000812
从Ea中均等概率分布地采样一条边e，并将此边从导航路径
Figure GDA00033822582100000818
和G′＝(V′1,V′2,E′)中删除，即更新ELL′←ELL′/{e}且E′←E′/{e}，更新GLL′中
Figure GDA00033822582100000813
的节点度分布{g′(d)|d＝1,2,…,dmax}，其中g′(d)表示
Figure GDA00033822582100000814
中度为d的节点比率，转到步骤4.10；
步骤4.9，从
Figure GDA00033822582100000815
中均等概率分布地采样一条边e，并将此边从导航路径
Figure GDA00033822582100000816
和G′＝(V′2,V′2,E′)中删除，即更新ELH′←ELH′/{e}且E′←E′/{e}，转到步骤4.11；
步骤4.10，更新t←t+1，转到步骤4.5；
步骤4.11，输出：过渡导航路径修正后的导航路径G′＝(V′1,V′2,E′)。
其中，||S||表示集合S的势，即集合S包含元素的总数；x←y表示将右边的函数或数值y赋值给左边的变量x；dv表示节点v在导航路径G′＝(V′1,V′2,E′)中的度；A/B：如果A和B为数值，则表示除法，如果A和B为集合，则表示从集合A中删除集合B的所有元素；dh＝argdmaxd∈D{g′(d)-g(d)}表示将g′(d)-g(d)取最大值时参数d的取值赋值给dh；∈表示“属于”；
Figure GDA00033822582100000817
表示“不属于”；∧表示“逻辑与”；节点的度是指与该节点相邻边的总数；∪表示集合的并集；输入参数规模缩减率RR被定义为需要从输入的导航路径中删除边的总数与该输入导航路径包含边数的比率，初始化参数默认值T为0.05、R为1.5，规模缩减率RR为0.09，参数的默认值可以进行人工调整。
本公开的实施例提供的一种高精度室内导航装置，如图2所示为本公开的一种高精度室内导航装置图，该实施例的一种高精度室内导航装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种高精度室内导航装置实施例中的步骤。
所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下单元中：
障碍物标记单元，用于标记需要提供导航服务的空间区域中的障碍物区域；
预警区间单元，用于根据预警阈值计算障碍物区域的预警区间；
路径生成单元，用于生成导航路径；
过渡修正单元，用于当导航节点进入预警区间生成过渡导航路径修正导航路径。
所述一种高精度室内导航装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种高精度室内导航装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种高精度室内导航装置的示例，并不构成对一种高精度室内导航装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种高精度室内导航装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种高精度室内导航装置运行装置的控制中心，利用各种接口和线路连接整个一种高精度室内导航装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种高精度室内导航装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (5)

1.一种高精度室内导航方法，其特征在于，所述方法包括以下步骤：
步骤1，标记需要提供导航服务的空间区域中的障碍物区域；
步骤2，根据预警阈值计算障碍物区域的预警区间；
步骤3，生成导航路径；
步骤4，当导航节点进入预警区间生成过渡导航路径修正导航路径；
在步骤4中，生成过渡导航路径修正导航路径的方法为以下步骤：
步骤4.1，输入：导航路径:G＝(V1,V2,E)，其中V1和V2为两个节点集、E为导航路径边集，初始化参数T、R，规模缩减率RR；
步骤4.2，将V2中全部节点按度从大到小顺序排列，并抽取前nh个最大度节点构成节点子集
Figure FDA0003467926600000011
其中这nh个节点中相同度重复数的最大值为T，nh的取值由节点集V2中节点的度和参数T唯一确定；
步骤4.3，计算
Figure FDA0003467926600000012
并将导航路径G分解为
Figure FDA0003467926600000013
和
Figure FDA0003467926600000014
其中
Figure FDA0003467926600000015
且
Figure FDA0003467926600000016
步骤4.4，设d1,d2,…,ds为导航路径G中节点集V1的全部节点度，并设dmax为节点集
Figure FDA0003467926600000017
中的最大节点度，计算节点集
Figure FDA0003467926600000018
的度分布{g(d)|d＝1,2,…,dmax}，其中g(d)表示
Figure FDA0003467926600000019
中度为d的节点比率，令G′＝(V1′,V2′,E′)←G＝(V1,V2,E)，
Figure FDA00034679266000000110
Figure FDA00034679266000000111
GLL′中节点集
Figure FDA00034679266000000112
的度分布{g′(d)|d＝1,2,…,dmax}←{g(d)|d＝1,2,…,dmax}，计算需删除边的总数Ed＝||E||·RR，初始化变量t＝0；
步骤4.5，如果t<Ed，转到步骤4.6；否则G′＝(V1′,V2′,E′)，其中
Figure FDA00034679266000000113
且E′＝ELH′∪ELL′，为最终输出结果，转到步骤4.11；
步骤4.6，如果
Figure FDA00034679266000000225
任意选择集合S中一个节点v，并计算两个可选边集
Figure FDA0003467926600000021
和
Figure FDA0003467926600000022
如果
Figure FDA0003467926600000023
转到步骤4.8；如果
Figure FDA0003467926600000024
转到步骤4.9；否则
Figure FDA0003467926600000025
且
Figure FDA0003467926600000026
以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9，其中，γLL′＝mLL-(||ELL||-||ELL′||)，γLH′＝mLH-(||ELH||-||ELH′||)，
Figure FDA0003467926600000027
转到步骤4.7；
步骤4.7，如果S＝Φ，以式
Figure FDA0003467926600000028
定义的离散概率分布pk/Σi＝1,2,…,spi(k＝1,2,…,s)随机采样一个节点度d∈{d1,d2,…,ds}，其中d1>d2>…>ds>0，f(d1),f(d2),…,f(ds)表示节点集V1中度为dk(1≤k≤s)的节点比率；计算两个可选边集
Figure FDA0003467926600000029
Figure FDA00034679266000000210
Figure FDA00034679266000000211
如果
Figure FDA00034679266000000212
转到步骤4.8；如果
Figure FDA00034679266000000213
转到步骤4.9，否则，以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9；
步骤4.8，假设
Figure FDA00034679266000000214
其中
Figure FDA00034679266000000215
且
Figure FDA00034679266000000216
Figure FDA00034679266000000217
计算dh＝argdmaxd∈D{g′(d)-g(d)}，并计算
Figure FDA00034679266000000218
的子集
Figure FDA00034679266000000219
从Ea中均等概率分布地采样一条边e，并将此边从导航路径
Figure FDA00034679266000000220
和G′＝(V1′,V2′,E′)中删除，即更新ELL′←ELL′/{e}且E′←E′/{e}，更新GLL′中
Figure FDA00034679266000000221
的节点度分布{g′(d)|d＝1,2,…,dmax}，其中g′(d)表示
Figure FDA00034679266000000222
中度为d的节点比率，转到步骤4.10；
步骤4.9，从
Figure FDA00034679266000000223
中均等概率分布地采样一条边e，并将此边从导航路径
Figure FDA00034679266000000224
和G′＝(V1′,V2′,E′)中删除，即更新ELH′←ELH′/{e}且E′←E′/{e}，转到步骤4.11；
步骤4.10，更新t←t+1，转到步骤4.5；
步骤4.11，输出：过渡导航路径修正后的导航路径G′＝(V1′,V2′,E′)。
2.根据权利要求1所述的一种高精度室内导航方法，其特征在于，在步骤1中，标记需要提供导航服务的空间区域中的障碍物区域的方法为以下步骤：
步骤1.1，读取需要提供导航服务的空间区域的地图的图片格式文件；
步骤1.2，将图片格式文件转化为像素矩阵；
步骤1.3，运用像素边界算法寻找像素矩阵的障碍物区域的方法为：从地图的图片的矩阵的第一个像素的rgb值开始向右和向下寻找与其不相同的rgb值,标记为障碍物区域，遍历完每一个障碍物区域后，再从剩下像素找下一个障碍物区域，一直到遍历完为止，记录下所有障碍物区域的像素。
3.根据权利要求1所述的一种高精度室内导航方法，其特征在于，在步骤2中，根据预警阈值计算障碍物区域的预警区间的方法为：在地图中的障碍物区域外层的距离为预警阈值的空间标记为预警区间，所述障碍物区域外层为障碍物朝向导航服务空间区域表面，所述预警阈值为50毫米。
4.根据权利要求1所述的一种高精度室内导航方法，其特征在于，在步骤3中，所述生成导航路径的方法为IDA*迭代加深搜索算法，通过以深度优先寻路方式对导航服务的空间区域进行路径搜索得到n个导航路径上的路径节点，使用开销评估函数cost(n)限制搜索深度，第n个路径节点的cost(n)代价确定由式f(n)＝cost(n)＝g(n)+h(n)给出,式中，g(n)是导航起始节点到导航节点n的开销评估，h(n)是导航路径从导航节点n到目的节点的开销估计，首先，每一个迭代器根据现在的评估函数cost(n)释放出轮廓线中的所有导航节点，如果导航路径未找到，则搜索扩展到下一个导航轮廓线，当在该导航轮廓线中搜索完成，就开始新一轮的循环，在下一轮的导航轮廓线中使用一个新的评估函数cost(n)，以该函数为限制逐层深入，这样最终将获得最优解的导航路径。
5.一种高精度室内导航装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在所述装置的以下单元中：
障碍物标记单元，用于标记需要提供导航服务的空间区域中的障碍物区域；
预警区间单元，用于根据预警阈值计算障碍物区域的预警区间；
路径生成单元，用于生成导航路径；
过渡修正单元，用于当导航节点进入预警区间生成过渡导航路径修正导航路径；
生成过渡导航路径修正导航路径的方法为以下步骤：
步骤4.1，输入：导航路径:G＝(V1,V2,E)，其中V1和V2为两个节点集、E为导航路径边集，初始化参数T、R，规模缩减率RR；
步骤4.2，将V2中全部节点按度从大到小顺序排列，并抽取前nh个最大度节点构成节点子集
Figure FDA0003467926600000041
其中这nh个节点中相同度重复数的最大值为T，nh的取值由节点集V2中节点的度和参数T唯一确定；
步骤4.3，计算
Figure FDA0003467926600000042
并将导航路径G分解为
Figure FDA0003467926600000043
和
Figure FDA0003467926600000044
其中
Figure FDA0003467926600000045
且
Figure FDA0003467926600000046
步骤4.4，设d1,d2,…,ds为导航路径G中节点集V1的全部节点度，并设dmax为节点集
Figure FDA0003467926600000047
中的最大节点度，计算节点集
Figure FDA0003467926600000048
的度分布{g(d)|d＝1,2,…,dmax}，其中g(d)表示
Figure FDA0003467926600000049
中度为d的节点比率，令G′＝(V1′,V2′,E′)←G＝(V1,V2,E)，
Figure FDA00034679266000000410
Figure FDA00034679266000000411
GLL′中节点集
Figure FDA00034679266000000412
的度分布{g′(d)|d＝1,2,…,dmax}←{g(d)|d＝1,2,…,dmax}，计算需删除边的总数Ed＝||E||·RR，初始化变量t＝0；
步骤4.5，如果t<Ed，转到步骤4.6；否则G′＝(V1′,V2′,E′)，其中
Figure FDA00034679266000000413
且E′＝ELH′∪ELL′，为最终输出结果，转到步骤4.11；
步骤4.6，如果
Figure FDA00034679266000000414
任意选择集合S中一个节点v，并计算两个可选边集
Figure FDA00034679266000000415
和
Figure FDA00034679266000000416
如果
Figure FDA00034679266000000417
转到步骤4.8；如果
Figure FDA00034679266000000418
转到步骤4.9；否则
Figure FDA00034679266000000419
且
Figure FDA00034679266000000420
以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9，其中，γLL′＝mLL-(||ELL||-||ELL′||)，γLH′＝mLH-(||ELH||-||ELH′||)，
Figure FDA0003467926600000051
转到步骤4.7；
步骤4.7，如果S＝Φ，以式
Figure FDA0003467926600000052
定义的离散概率分布pk/Σi＝1,2,…,spi(k＝1,2,…,s)随机采样一个节点度d∈{d1,d2,…,ds}，其中d1>d2>…>ds>0，f(d1),f(d2),…,f(ds)表示节点集V1中度为dk(1≤k≤s)的节点比率；计算两个可选边集
Figure FDA0003467926600000053
Figure FDA0003467926600000054
Figure FDA0003467926600000055
如果
Figure FDA0003467926600000056
转到步骤4.8；如果
Figure FDA0003467926600000057
转到步骤4.9，否则，以概率PLL′＝γLL′/(γLH′+γLL′)转到步骤4.8，并以概率1-PLL′转到步骤4.9；
步骤4.8，假设
Figure FDA0003467926600000058
其中
Figure FDA0003467926600000059
且
Figure FDA00034679266000000510
Figure FDA00034679266000000511
计算dh＝argdmaxd∈D{g′(d)-g(d)}，并计算
Figure FDA00034679266000000512
的子集
Figure FDA00034679266000000513
从Ea中均等概率分布地采样一条边e，并将此边从导航路径
Figure FDA00034679266000000514
和G′＝(V1′,V2′,E′)中删除，即更新ELL′←ELL′/{e}且E′←E′/{e}，更新GLL′中
Figure FDA00034679266000000515
的节点度分布{g′(d)|d＝1,2,…,dmax}，其中g′(d)表示
Figure FDA00034679266000000516
中度为d的节点比率，转到步骤4.10；
步骤4.9，从
Figure FDA00034679266000000517
中均等概率分布地采样一条边e，并将此边从导航路径
Figure FDA00034679266000000518
和G′＝(V1′,V2′,E′)中删除，即更新ELH′←ELH′/{e}且E′←E′/{e}，转到步骤4.11；
步骤4.10，更新t←t+1，转到步骤4.5；
步骤4.11，输出：过渡导航路径修正后的导航路径G′＝(V1′,V2′,E′)。
CN201810932030.4A 2018-08-16 2018-08-16 一种高精度室内导航方法及装置 Active CN109238296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810932030.4A CN109238296B (zh) 2018-08-16 2018-08-16 一种高精度室内导航方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810932030.4A CN109238296B (zh) 2018-08-16 2018-08-16 一种高精度室内导航方法及装置

Publications (2)

Publication Number Publication Date
CN109238296A CN109238296A (zh) 2019-01-18
CN109238296B true CN109238296B (zh) 2022-03-22

Family

ID=65071309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810932030.4A Active CN109238296B (zh) 2018-08-16 2018-08-16 一种高精度室内导航方法及装置

Country Status (1)

Country Link
CN (1) CN109238296B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339956A (zh) * 2020-02-28 2020-06-26 北京中科慧眼科技有限公司 基于双目相机的限高预警方法、装置、系统和存储介质
CN113607161B (zh) * 2021-09-30 2022-03-18 深圳市普渡科技有限公司 机器人导航路径宽度获取系统、方法、机器人及存储介质
CN117381805B (zh) * 2023-12-13 2024-02-27 成都航空职业技术学院 一种面向冲突应对的机械臂运行控制方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101971116A (zh) * 2008-02-07 2011-02-09 丰田自动车株式会社 自动移动体及其控制方法、以及控制系统
CN103528586A (zh) * 2013-10-31 2014-01-22 中国航天时代电子公司 基于故障网格的航迹规划算法设计
CN105466421A (zh) * 2015-12-16 2016-04-06 东南大学 面向可靠wifi连接的移动机器人自主巡航方法
CN106289254A (zh) * 2016-07-18 2017-01-04 乐视控股（北京）有限公司 导航方法及装置
CN106840158A (zh) * 2016-12-12 2017-06-13 杭州视氪科技有限公司 一种基于Wi‑Fi和姿态角传感器的视障人士室内导航系统及方法
CN107024210A (zh) * 2017-03-09 2017-08-08 深圳市朗空亿科科技有限公司 一种室内机器人避障方法、装置及导航系统
CN108344414A (zh) * 2017-12-29 2018-07-31 中兴通讯股份有限公司 一种地图构建、导航方法及装置、系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105141524B (zh) * 2015-09-16 2018-06-01 武汉烽火技术服务有限公司 一种带约束条件的拓扑图最优路径算法
JP6606442B2 (ja) * 2016-02-24 2019-11-13 本田技研工業株式会社 移動体の経路計画生成装置
CN106949893B (zh) * 2017-03-24 2019-05-21 华中科技大学 一种三维避障的室内机器人导航方法和系统
CN107843252B (zh) * 2017-10-18 2020-10-09 歌尔股份有限公司 导航路径优化方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101971116A (zh) * 2008-02-07 2011-02-09 丰田自动车株式会社 自动移动体及其控制方法、以及控制系统
CN103528586A (zh) * 2013-10-31 2014-01-22 中国航天时代电子公司 基于故障网格的航迹规划算法设计
CN105466421A (zh) * 2015-12-16 2016-04-06 东南大学 面向可靠wifi连接的移动机器人自主巡航方法
CN106289254A (zh) * 2016-07-18 2017-01-04 乐视控股（北京）有限公司 导航方法及装置
CN106840158A (zh) * 2016-12-12 2017-06-13 杭州视氪科技有限公司 一种基于Wi‑Fi和姿态角传感器的视障人士室内导航系统及方法
CN107024210A (zh) * 2017-03-09 2017-08-08 深圳市朗空亿科科技有限公司 一种室内机器人避障方法、装置及导航系统
CN108344414A (zh) * 2017-12-29 2018-07-31 中兴通讯股份有限公司 一种地图构建、导航方法及装置、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Alaoui, FT ; Betaille, D；Renaudin, V.Pedestrian Dead Reckoning Navigation with the Help of A*-Based Routing Graphs in Large Unconstrained Spaces.《WIRELESS COMMUNICATIONS & MOBILE COMPUTING》.2017,全文. *
基于改进遗传算法的移动机器人路径规划;叶 晔,岑豫皖,包家汉;《安徽工业大学学报》;20071031;第24卷(第4期);全文 *

Also Published As

Publication number Publication date
CN109238296A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
US10149094B2 (en) Systems and methods to identify a predefined geographical region in which a mobile device is located
EP2959267B1 (en) Mobile device positioning
CN109238296B (zh) 一种高精度室内导航方法及装置
US10921127B2 (en) Augmented reality based electronic device to provide location tagging assistance in an indoor or outdoor area
US9641814B2 (en) Crowd sourced vision and sensor-surveyed mapping
US10244503B2 (en) Systems and methods to measure the population of mobile devices in a predefined geographical region
US10972862B2 (en) Visitor insights based on hyper-locating places-of-interest
US9185675B2 (en) Method and apparatus for classifying a mobile device location
CN110672089A (zh) 室内环境中导航的方法及设备
CN109379711B (zh) 一种定位方法
WO2022016320A1 (zh) 地图更新方法、装置、计算机设备和存储介质
Bi et al. Supplementary open dataset for WiFi indoor localization based on received signal strength
CN113658203A (zh) 建筑物三维轮廓提取及神经网络的训练方法和装置
US10117216B1 (en) Systems and methods to evaluate accuracy of locations of mobile devices
CN116506806A (zh) 基于蓝牙设备的定位方法、设备、存储介质及装置
US9651389B2 (en) Generation of location area boundaries
US20120185206A1 (en) Method for setting the geolocation of a non-gps enabled device
US20230215146A1 (en) Method and apparatus for generating and providing data video for generating training data of artificial intelligence model and recording medium on which program for the same is recorded
US20140163864A1 (en) Locating position within enclosure
JP6281947B2 (ja) 情報提示システム、方法及びプログラム
Huang et al. Multi-view and multi-scale localization for intelligent vehicles in underground parking lots
CN115468568A (zh) 室内导航方法、装置及系统、服务器设备及存储介质
CN108981713B (zh) 一种混合无线自适应导航方法及装置
CN111292288B (zh) 一种目标检测及定位的方法及装置
Zhou et al. A sliding window fusion location algorithm based on wi-fi/pdr

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