CN109883418A - 一种室内定位方法及装置 - Google Patents
一种室内定位方法及装置 Download PDFInfo
- Publication number
- CN109883418A CN109883418A CN201910042153.5A CN201910042153A CN109883418A CN 109883418 A CN109883418 A CN 109883418A CN 201910042153 A CN201910042153 A CN 201910042153A CN 109883418 A CN109883418 A CN 109883418A
- Authority
- CN
- China
- Prior art keywords
- indoor
- data
- location
- mode data
- map
- 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.)
- Pending
Links
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种室内定位方法及装置。所公开的方法包括:获取高精度室内地图数据;获取用户设备的第一定位方式数据;获取用户设备的第二定位方式数据;结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位。所公开的技术方案能够结合高精度室内地图,提供高精度室内定位、室内路径规划、室内导航等基于位置信息的服务。
Description
技术领域
本发明涉及位置定位技术领域,尤其涉及一种室内定位方法及装置。
背景技术
随着诸如手机、平板等移动设备的日益普及,使得商家提供、以及用户使用基于位置的服务的需求不断增长。由于卫星定位系统的不断发展和完善,室外环境下基于位置的服务目前已经基本上达到了人们的使用要求。
然而,由于建筑物会屏蔽来自室外的卫星定位信号,在室内环境下通常难以使用卫星定位系统进行有效的定位。因此,目前在室内环境下通常会结合室内设置的红外线检测器、以及WiFi、蓝牙等室内无线信号检测器进行定位。现有技术往往只关注于,通过提高检测器与信号发生器之间的距离检测的精度,来提高最终的定位精度。即,现有技术往往只关注于室内定位点的精度提升。
因此,现有技术往往忽略了室内地图精度对于室内定位精度的作用。实际上,室内定位精度取决于定位点精度与地图精度。如果地图精度低,即使定位点的精度很高,也不会得到精确的定位结果。
现有技术所采用的普通室内地图的精度在5m左右,只描绘了道路的位置和形态,没有反映室内的高精度细节信息,因此无法进行精确定位。
因此,为了提高室内定位的精度,需要提出新的技术方案。
发明内容
根据本发明的室内定位方法,包括:
获取高精度室内地图数据;
获取用户设备的第一定位方式数据;
获取用户设备的第二定位方式数据;
结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位。
根据本发明的室内定位方法,其获取高精度室内地图数据的步骤包括下列中的至少一个:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,二维栅格地图数据和/或三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
根据本发明的室内定位方法,其第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
根据本发明的室内定位方法,其第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
根据本发明的室内定位方法,其结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位的步骤包括:
使用第一定位方式数据、第二定位方式数据和高精度室内地图数据的训练数据对神经网络模型进行训练;以及
使用经训练的神经网络模型、结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,神经网络模型包括下列中的至少一种:CNN、LSTM。
根据本发明的室内定位装置,包括:
室内地图数据获取模块,用于获取高精度室内地图数据;
第一定位方式数据获取模块,用于获取用户设备的第一定位方式数据;
第二定位方式数据获取模块,用于获取用户设备的第二定位方式数据;
定位模块,用于结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位。
根据本发明的室内定位装置,其室内地图数据获取模块还用于:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;和/或
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,二维栅格地图数据和/或三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
根据本发明的室内定位装置,其第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
根据本发明的室内定位装置,其第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
根据本发明的室内定位装置,其定位模块包括:
神经网络模型子模块,用于使用第一定位方式数据、第二定位方式数据和高精度室内地图数据的训练数据进行训练;以及
在经训练后,用于结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,神经网络模型包括下列中的至少一种:CNN、LSTM。
根据本发明的上述技术方案,能够结合高精度室内地图,提供高精度室内定位、室内路径规划、室内导航等基于位置信息的服务。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与相关的文字描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。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,可以根据这些附图获得其他的附图。
图1示例性地示出了根据本发明的室内定位方法的示意流程图。
图2示例性地示出了根据本发明的室内定位装置的示意框图。
图3示例性地示出了根据本发明的室内定位方法的一个具体实施例的示意图。
图4示例性地示出了可以实施根据本发明的室内定位方法的一个具体系统的实施例的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。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任意组合。
根据本发明的下述技术方案,基于结合高精度室内地图来进行室内定位的总发明构思,将地图的作用提升到关键位置。
图1示例性地示出了根据本发明的室内定位方法的示意流程图。
如图1所示,根据本发明的室内定位方法,包括:
步骤S102:获取高精度室内地图数据;
步骤S104:获取用户设备的第一定位方式数据;
步骤S106:获取用户设备的第二定位方式数据;
步骤S108:结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位。
例如,上述高精度室内地图的绝对精度要求优于1m(例如,通常为分米级),相对精度达到厘米级(通常为20cm以内,例如,10-20cm),包含了室内丰富的可通行区域、通行区域边界、辅助服务设备等非常丰富的信息。而且,上述高精度室内地图不属于人工勾绘的地图。
例如,上述高精度室内地图包括矢量地图、栅格地图、点云地图等。
矢量地图能够通过记录空间实体坐标的方式精确地表示点、线、面等实体的空间位置和形状。矢量地图的数据组织方式有拓扑模型、非拓扑模型、以及高级模型三种。拓扑模型是指那些在某些转换如弯曲或者伸展下保持不变的几何对象的属性。非拓扑模型通过两个单独的子系统分开存储空间数据和属性数据,空间数据使用图形文件,属性数据使用关系型数据库。高级模型包括不规则三角网(TIN,Triangulated Irregular Network)、分区和路径三种形式。矢量地图的优点是数据结构紧凑、冗余度低、有利于网络和检索分析、图形显示质量好、精度高,缺点是数据结构复杂,绘制成本较高。
栅格地图能够将室内地图划分为固定大小的网格,对不同的网格进行赋值以表达不同空间区域。每个网格分为障碍物网格和可行网格,网格大小决定了栅格数据的分辨率。栅格地图的优点是数据结构简单,数据存储量小、便于计算、构建和维护容易。
点云地图能够作为一种有效的环境表示形式,是机器人与计算机视觉领域的重要研究内容。点云地图能够直接描述和显示环境信息,且易于观察,还可以用于生成其它类型的地图。三维点云地图是目前最直观也是最常用的三维环境表示方式,通过机器视觉传感器(例如,Kinect等深度摄像机)或有具有测距功能的传感器(例如,声呐、激光扫描仪)采集环境信息,然后以点云数据的形式来存储所采集的环境信息,用于重建三维物体。点云地图的优点是能够直接描述和显示环境信息、易于观察、地图精度高,由于都是原始数据,方便后续特征提取,进而构建三维地图。
例如,上述高精度室内地图数据可以存储在服务器端,也可以下载存储在手机、平板或电脑等客户端。
例如,上述定位方法可以在手机、平板或电脑等客户端上执行,也可以在服务器端执行,或者在服务器端执行后、向客户端返回定位结果。
可选地,上述步骤S102包括下列中的至少一个:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,二维栅格地图数据和/或三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
例如,二维栅格地图数据用于(同一楼层内的)平面定位。三维点云地图用于整个建筑物内的三维立体定位。
例如,可以在Turtlebot平台上结合二维激光测距雷达,利用记录变换方式和激光扫描建立二维栅格地图。
例如,可以在Turtlebot平台上结合二维激光测距雷达,采用Gmapping算法来构建二维栅格地图。Gmapping算法是ROS(机器人操作系统)中使用最多的激光同步定位与制图(SLAM,Simultaneous Localization And Mapping)算法,其以RBRF(Rao-Blackwellized粒子滤波器)算法为基础。
SLAM可描述机器人在未知环境中从一个未知位置开始移动,依靠自身传感器在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造増量式地图,所生成的地图的精度最高可达mm级。
在机器人执行粒子滤波的时候,通过机器人的位姿以及获取的传感器对环境的观测值的基础上对所需要的粒子数进行评估,以此确定所需要的粒子数的多少,从而即保证了算法的时间复杂度不至太高又保证了计算的准确度,进而降低了建图时机器人位姿的不确定性。
例如,使用二维激光雷达扫描得到的二维栅格地图的精度可达30cm,故称为高精度室内地图。
由于采用了二维激光雷达扫描技术,高精度室内二维栅格地图的生成速度快。例如,30平方米的室内空间可于1分钟之内扫描完成。
由于所生成的室内二维栅格地图为轻量级地图(30平方米空间大小的地图约为0.5M),便于终端设备快速加载。
可选地,上述第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
可选地,上述第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
可选地,上述步骤S108包括:
使用第一定位方式数据、第二定位方式数据和高精度室内地图数据的训练数据对神经网络模型进行训练;以及
使用经训练的神经网络模型、结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,神经网络模型包括下列中的至少一种:CNN(Convolutional NeuralNetwork,即卷积神经网络)、LSTM(Long Short-Term Memory,即,长短期记忆网络)。
图2示例性地示出了根据本发明的室内定位装置的示意框图。
如图2所示,根据本发明的室内定位装置200包括:
室内地图数据获取模块201,用于获取高精度室内地图数据;
第一定位方式数据获取模块203,用于获取用户设备的第一定位方式数据;
第二定位方式数据获取模块205,用于获取用户设备的第二定位方式数据;
定位模块207,用于结合第一定位方式数据、第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行定位。
可选地,室内地图数据获取模块201还用于:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;和/或
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,二维栅格地图数据和/或三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
可选地,第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
可选地,第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
可选地,定位模块207包括:
神经网络模型子模块,用于使用第一定位方式数据、第二定位方式数据和高精度室内地图数据的训练数据进行训练;以及
在经训练后,用于结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,神经网络模型包括下列中的至少一种:CNN、LSTM。
为了使本领域技术人员更清楚地理解根据本发明的上述技术方案,下文将结合具体实施例进行描述。
图3示例性地示出了根据本发明的室内定位方法的一个具体实施例的示意图。
如图3所示,该实施例的“深度学习”架构对应于上述步骤S108,可以包括以下具体步骤:
1、使用第一定位方式数据(对应于图3中的“辅助测量层”数据)、第二定位方式数据(对应于图3中的“内部测量层”数据)、和高精度室内地图数据(对应于图3中的“高精度地图层”数据)的训练数据对神经网络模型(对应于图3中用于提取“地图特征”的“CNN”+用于进行“序列学习”的“LSTM”)进行训练。
2、使用经训练的神经网络模型(同样对应于图3中用于提取“地图特征”的“CNN”+用于进行“序列学习”的“LSTM”)、结合实际测量的第一定位方式数据(同样对应于图3中的“辅助测量层”数据)、第二定位方式数据和高精度室内地图数据(同样对应于图3中的“内部测量层”数据)对用户设备所在的室内位置进行实际定位(对应于图3中的“定位点预测”)。
即,该实施例以高精度地图图层(即,图3中的“高精度地图层”,如上文所述,可以是二维或三维地图)为基础,融入辅助测量数据和内部测量数据,每种数据可与高精度地图层有机结合,形成自己的图层。即,高精度地图是可编辑地图,可将辅助测量数据和内部测量数据作为点数据叠加于地图上。
例如,对应于如上文所述的第一定位方式(例如,基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位——对应于图3中的“灯光”(即,结合灯光信号强度与灯具的位置信息)、基于图像信息进行定位——对应于图3中的“相机”),用于进行位置定位的WiFi数据、蓝牙数据、基于地理标识的位置的数据、基于室内灯具的位置的数据、基于图像信息获得的位置数据中的至少一种可以结合高精度地图形成图3中所示的“辅助测量层”数据(例如,可以只包含WiFi数据)。
例如,对应于如上文所述的第二定位方式(例如,基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位),用于进行位置定位的上述惯性测量定位数据中的至少一种可以结合高精度地图形成图3中所示的“内部测量层”数据(例如,可以只包含WiFi数据)。
在获取了“高精度地图层”、“辅助测量层”和“内部测量层”这三种数据之后,就可以将这三种数据作为原始数据输入上述神经网络模型进行训练或进行实际定位。训练和实际定位过程可以分别包括以下步骤:
1、原始(用于训练的、实际采集的地图)输入数据预处理。
例如,可以对图3所示的各个“地图图层”进行“地图预处理”(即,数据预处理),然后选取出包括各自特征(即,图3所示的“地图特征”)的拓扑信息。
2、将预处理过的地图图层数据输入CNN,进行地图图层特征的提取。
例如,地图图层特征的提取可以包括读取预处理过的地图图层数据和图层特征提取两个步骤。
3、将所提取的地图图层特征输入LSTM,进行室内位置定位。
即,该实施例不仅仅将来自“辅助测量层”和“内部测量层”的各个测量值与地图信息相结合,还结合LSTM进行了时间序列训练和预测,从而形成了既融合了不同测量信息的高精度地图图层、又结合了时间序列特征的人工智能室内定位方案。
需要了解的是,时间序列数据也可以通过除了LSTM之外的其他循环神经网络(RNN)来进行训练和预测。然而,LSTM尤其适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
4、基于CNN+LSTM的级联输出结果,进行定位点预测。
即,CNN提取的地图特征输入到LSTM模型中即可实现定位点预测。
定位点预测的最终精度取决于“辅助测量层”数据、“内部测量层”数据、以及训练地图数据的精度。
例如,可以将人为标记的地图测量数据与定位点结合起来进行有监督的训练(学习)。例如,可以采用反向传播(BP)算法来对CNN进行训练,可以采用基于时间的反向传播(BPTT)算法来对LSTM网络进行训练。
图4示例性地示出了可以实施根据本发明的室内定位方法的一个具体系统的实施例的示意图。
如图4所示,该示例系统包括底层算法、服务端和客户端三部分。
对应于结合图1所描述的上述定位方法,图4所示的底层算法用于获取定位数据和地图数据,基于“深度学习定位算法”(即,图3所示的实施例)实现室内定位操作。
例如,图4所示的底层算法可以包括以下步骤:
1、对应于上述步骤S102,基于二维激光雷达(结合图4所示的“Gmapping二维栅格地图构建算法”)和/或Kinect2深度相机(结合图4所示的“RGB-D SLAM三维点云地图构建算法”)扫描室内空间,得到室内空间的二维栅格地图和/或三维点云地图。
2、基于如图3所示的“深度学习定位算法”实现室内定位。
如结合图1所作的描述,上述定位方法可以在手机、平板或电脑等客户端上执行,也可以在服务器端执行,或者在服务器端执行后、向客户端返回定位结果。
因此,当涉及客户端和服务(器)端之间的交互时,可以执行以下示例操作:
1、可以通过网络,将上述地图数据上传到服务器的地图数据库中。
2、可以在移动客户端上,基于“定位APP”程序实现上述定位方法。
3、可以将移动客户端的定位数据实时上传到服务端的定位数据库中。
4、可以在服务端上设置定位数据库和地图数据库,通过接受实时传输的定位数据和扫描完成的地图数据,将其封装成对外的服务接口(即,“室内位置数据服务”和“室内地图数据服务”),为客户端提供定位和地图服务。
5、可以基于用户携带的手机、平板或笔记本电脑等客户端设备,实现位置(当前位置、历史位置)查询、地图操作(查看、放大、缩小、旋转和平移)和路径规划(距离最短路径、时间最短路径)等操作。
根据本发明的上述技术方案,具有以下优点:
1、能够结合高精度室内地图,提供高精度室内定位、室内路径规划、室内导航等基于位置信息的服务(例如,这些服务可以提供语音交互)。
2、高精度室内二维栅格地图的生成速度快。
3、高精度室内二维栅格地图占用的存储空间小,加载速度快,因此,可以应用于手机、平板等移动终端的快速室内定位。
上面描述的内容可以单独地或者以各种方式组合起来实施,而这些变型方式都在本发明的保护范围之内。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例的技术方案的精神和范围。
Claims (10)
1.一种室内定位方法,其特征在于,包括:
获取高精度室内地图数据;
获取用户设备的第一定位方式数据;
获取用户设备的第二定位方式数据;
结合所述第一定位方式数据、所述第二定位方式数据和所述高精度室内地图数据对用户设备所在的室内位置进行定位。
2.如权利要求1所述的室内定位方法,其特征在于,所述获取高精度室内地图数据的步骤包括下列中的至少一个:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,所述二维栅格地图数据和/或所述三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
3.如权利要求1所述的室内定位方法,其特征在于,所述第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
4.如权利要求1所述的室内定位方法,其特征在于,所述第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
5.如权利要求1所述的室内定位方法,其特征在于,所述结合所述第一定位方式数据、所述第二定位方式数据和所述高精度室内地图数据对用户设备所在的室内位置进行定位的步骤包括:
使用所述第一定位方式数据、所述第二定位方式数据和所述高精度室内地图数据的训练数据对神经网络模型进行训练;以及
使用经训练的神经网络模型、结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和所述高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,所述神经网络模型包括下列中的至少一种:CNN、LSTM。
6.一种室内定位装置,其特征在于,包括:
室内地图数据获取模块,用于获取高精度室内地图数据;
第一定位方式数据获取模块,用于获取用户设备的第一定位方式数据;
第二定位方式数据获取模块,用于获取用户设备的第二定位方式数据;
定位模块,用于结合所述第一定位方式数据、所述第二定位方式数据和所述高精度室内地图数据对用户设备所在的室内位置进行定位。
7.如权利要求6所述的室内定位装置,其特征在于,所述室内地图数据获取模块还用于:
通过二维激光雷达扫描室内空间,获取室内空间的二维栅格地图数据;和/或
通过深度相机扫描室内空间,获取室内空间的三维点云地图数据,
其中,所述二维栅格地图数据和/或所述三维点云地图数据包括下列数据中的至少一种:可通行区域的地理范围标识数据、不可通行区域的地理范围标识数据、室内地理标识的位置标识数据、室内灯具的位置标识数据。
8.如权利要求6所述的室内定位装置,其特征在于,所述第一定位方式包括下列中的至少一种:基于WiFi进行定位、基于蓝牙进行定位、基于地理标识的位置进行定位、基于室内灯具的位置进行定位、基于图像信息进行定位。
9.如权利要求6所述的室内定位装置,其特征在于,所述第二定位方式包括下列中的至少一种:基于加速度计进行惯性测量定位、基于陀螺仪进行惯性测量定位、基于磁力计进行惯性测量定位。
10.如权利要求6所述的室内定位装置,其特征在于,所述定位模块包括:
神经网络模型子模块,用于使用所述第一定位方式数据、所述第二定位方式数据和所述高精度室内地图数据的训练数据进行训练;以及
在经训练后,用于结合实际测量的第一定位方式数据、实际测量的第二定位方式数据和所述高精度室内地图数据对用户设备所在的室内位置进行实际定位,
其中,所述神经网络模型包括下列中的至少一种:CNN、LSTM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042153.5A CN109883418A (zh) | 2019-01-17 | 2019-01-17 | 一种室内定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042153.5A CN109883418A (zh) | 2019-01-17 | 2019-01-17 | 一种室内定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109883418A true CN109883418A (zh) | 2019-06-14 |
Family
ID=66926074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910042153.5A Pending CN109883418A (zh) | 2019-01-17 | 2019-01-17 | 一种室内定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109883418A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031485A (zh) * | 2019-12-31 | 2020-04-17 | 吉林大学 | 一种结合cnn的蓝牙位置服务系统及其定位方法 |
CN111077907A (zh) * | 2019-12-30 | 2020-04-28 | 哈尔滨理工大学 | 一种室外无人机的自主定位方法 |
CN111290403A (zh) * | 2020-03-23 | 2020-06-16 | 内蒙古工业大学 | 搬运自动导引运输车的运输方法和搬运自动导引运输车 |
CN111486843A (zh) * | 2020-04-03 | 2020-08-04 | 深圳市百慕大工业有限公司 | 一种复杂环境下的定位方法、装置及定位设备 |
CN111654817A (zh) * | 2020-06-29 | 2020-09-11 | 青岛歌尔智能传感器有限公司 | 蓝牙定位方法、移动终端及存储介质 |
CN112860828A (zh) * | 2021-01-22 | 2021-05-28 | 浙江商汤科技开发有限公司 | 一种定位方法及装置、电子设备及存储介质 |
CN113029138A (zh) * | 2021-04-02 | 2021-06-25 | 扬州大学 | 一种基于多传感器数据融合的小车实时姿态检测方法 |
CN113050659A (zh) * | 2021-04-20 | 2021-06-29 | 福建首松智能科技有限公司 | 一种多台传菜机器人避让调度的方法 |
WO2023024873A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为技术有限公司 | 一种显示方法、电子设备及系统 |
WO2023071615A1 (zh) * | 2021-10-26 | 2023-05-04 | 上海瑾盛通信科技有限公司 | 定位方法、装置、终端和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1308505A (zh) * | 1998-04-17 | 2001-08-15 | 麻省理工学院 | 运动跟踪系统 |
CN104567875A (zh) * | 2014-12-26 | 2015-04-29 | 北京理工大学 | 基于手机惯性定位和vlc的室内混合定位系统及方法 |
CN107478214A (zh) * | 2017-07-24 | 2017-12-15 | 杨华军 | 一种基于多传感器融合的室内定位方法及系统 |
US20180158232A1 (en) * | 2016-12-07 | 2018-06-07 | Abb Schweiz Ag | Submersible inspection device and vision based modelling |
CN108507561A (zh) * | 2018-03-05 | 2018-09-07 | 华南理工大学 | 一种基于移动终端的vlc与imu融合定位方法 |
-
2019
- 2019-01-17 CN CN201910042153.5A patent/CN109883418A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1308505A (zh) * | 1998-04-17 | 2001-08-15 | 麻省理工学院 | 运动跟踪系统 |
CN104567875A (zh) * | 2014-12-26 | 2015-04-29 | 北京理工大学 | 基于手机惯性定位和vlc的室内混合定位系统及方法 |
US20180158232A1 (en) * | 2016-12-07 | 2018-06-07 | Abb Schweiz Ag | Submersible inspection device and vision based modelling |
CN107478214A (zh) * | 2017-07-24 | 2017-12-15 | 杨华军 | 一种基于多传感器融合的室内定位方法及系统 |
CN108507561A (zh) * | 2018-03-05 | 2018-09-07 | 华南理工大学 | 一种基于移动终端的vlc与imu融合定位方法 |
Non-Patent Citations (9)
Title |
---|
何克晶: "《大数据前沿技术与应用》", 31 March 2017, 华南理工大学出版社 * |
佘玉梅等: "《人工智能原理及应用》", 31 December 2018, 上海交通大学出版社 * |
张国良等: "《移动机器人的SLAM与VSLAM方法》", 31 October 2018, 西安交通大学出版社 * |
彭文辉: "《网络问题学习行为诊断与改善研究》", 28 February 2018, 华中师范大学出版社 * |
李维森,宁津生主编: "《中国测绘学科发展蓝皮书 2010-2011卷》", 31 October 2012, 测绘出版社 * |
王刚: "《顾及要素特征的层次增量矢量网络传输研究》", 31 July 2018, 武汉大学出版社 * |
田景熙主编: "《物联网概论 第2版》", 31 July 2017 * |
车云等: "《智能汽车决战2020》", 30 April 2018, 北京理工大学出版社 * |
陈宗海主编: "《系统仿真技术及其应用 第19卷》", 31 August 2018 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077907A (zh) * | 2019-12-30 | 2020-04-28 | 哈尔滨理工大学 | 一种室外无人机的自主定位方法 |
CN111031485A (zh) * | 2019-12-31 | 2020-04-17 | 吉林大学 | 一种结合cnn的蓝牙位置服务系统及其定位方法 |
CN111290403A (zh) * | 2020-03-23 | 2020-06-16 | 内蒙古工业大学 | 搬运自动导引运输车的运输方法和搬运自动导引运输车 |
CN111486843A (zh) * | 2020-04-03 | 2020-08-04 | 深圳市百慕大工业有限公司 | 一种复杂环境下的定位方法、装置及定位设备 |
CN111486843B (zh) * | 2020-04-03 | 2022-01-11 | 深圳市百慕大工业有限公司 | 一种复杂环境下的定位方法、装置及定位设备 |
CN111654817A (zh) * | 2020-06-29 | 2020-09-11 | 青岛歌尔智能传感器有限公司 | 蓝牙定位方法、移动终端及存储介质 |
CN112860828A (zh) * | 2021-01-22 | 2021-05-28 | 浙江商汤科技开发有限公司 | 一种定位方法及装置、电子设备及存储介质 |
CN112860828B (zh) * | 2021-01-22 | 2022-08-23 | 浙江商汤科技开发有限公司 | 一种定位方法及装置、电子设备及存储介质 |
CN113029138A (zh) * | 2021-04-02 | 2021-06-25 | 扬州大学 | 一种基于多传感器数据融合的小车实时姿态检测方法 |
CN113050659A (zh) * | 2021-04-20 | 2021-06-29 | 福建首松智能科技有限公司 | 一种多台传菜机器人避让调度的方法 |
WO2023024873A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为技术有限公司 | 一种显示方法、电子设备及系统 |
WO2023071615A1 (zh) * | 2021-10-26 | 2023-05-04 | 上海瑾盛通信科技有限公司 | 定位方法、装置、终端和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883418A (zh) | 一种室内定位方法及装置 | |
US10929494B2 (en) | Systems and methods for tagging objects for augmented reality | |
CN207117844U (zh) | 多vr/ar设备协同系统 | |
EP2737279B1 (en) | Variable density depthmap | |
CN111275750B (zh) | 基于多传感器融合的室内空间全景图像生成方法 | |
JP5436559B2 (ja) | ポータブル・デバイス上での画像アノテーション | |
CA2949543C (en) | Platform for constructing and consuming realm and object feature clouds | |
JP2022000761A (ja) | デバイスローカリゼーションのためのマルチシンクアンサンブルモデル | |
US20130095855A1 (en) | Method, System, and Computer Program Product for Obtaining Images to Enhance Imagery Coverage | |
CN108763287A (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
US10127667B2 (en) | Image-based object location system and process | |
CN105973236A (zh) | 室内定位或导航方法、装置以及地图数据库生成方法 | |
CN104904200A (zh) | 使用多设备的环境的多维数据捕捉 | |
CN103874193A (zh) | 一种移动终端定位的方法及系统 | |
CN103703758A (zh) | 移动增强现实系统 | |
WO2019138597A1 (en) | System and method for assigning semantic label to three-dimensional point of point cloud | |
CN103578141A (zh) | 基于三维地图系统的增强现实实现方法及装置 | |
CN109547769A (zh) | 一种公路交通动态三维数字场景采集构建系统及其工作方法 | |
CN115825067A (zh) | 一种基于无人机的地质信息采集方法、系统及电子设备 | |
KR102130687B1 (ko) | 다중 센서 플랫폼 간 정보 융합을 위한 시스템 | |
CN117029815A (zh) | 基于空间互联网的场景定位方法和相关设备 | |
KR20150020421A (ko) | 휴대용 측량 단말기를 이용한 증강 현실 기반의 측량 시스템 | |
US20220375175A1 (en) | System For Improving The Precision and Accuracy of Augmented Reality | |
CN118379453B (zh) | 一种无人机航拍影像与webGIS三维场景联动交互方法及系统 | |
Peter | Crowd-sourced reconstruction of building interiors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |