CN109997014B - 用于确定轨迹的系统和方法 - Google Patents

Abstract

本申请的实施例提供了用于确定对象轨迹的系统和方法。该方法可以包括获取移动设备所附着的对象的运动数据；基于运动数据确定对象的运动状态；并且使用与运动状态对应的轨迹模型，基于运动数据确定轨迹。

Description

用于确定轨迹的系统和方法

技术领域

本申请涉及确定对象轨迹，更具体地，涉及使用行人航位推算通过附接在其上的移动设备来确定对象轨迹的系统和方法。

背景技术

随着导航功能在手机中越来越普遍，基于位置的服务(LBS)迅速增长，它需要更准确、更可靠的行人导航和定位技术。然而，作为行人导航中的主要定位手段，由于信号衰减、干扰和阻塞等原因，全球定位系统(GPS)接收器不适合在复杂的城市峡谷和室内环境中定位。为了获得连续导航，已经在使用行人航位推算(PDR)。PDR数据可以通过移动设备(例如，移动电话、平板电脑、智能手表等)中的各种传感器获取。然后可以使用PDR模型基于PDR数据来确定用户的轨迹。

然而，用户可能具有不同的运动姿势(例如，慢跑、步行、攀爬等)，并且每个运动姿势可以为PDR模型生成一组不同的数据。因此，确定不同运动姿势的轨迹可能需要不同的PDR模型。此外，当移动设备放置在用户的不同部分上时，它可能产生完全不同的PDR数据，从而导致确定用户移动轨迹的更多困难。

本申请的实施例提供了用于确定对象轨迹，以解决上述一个或以上问题的改进的系统和方法。

发明内容

本申请的实施例提供了一种用于确定对象轨迹的计算机实现的方法。所述方法可以包括经由移动设备的至少一个传感器获取移动设备所附着的对象的运动数据。所述方法还可以包括由处理器基于运动数据确定对象的运动状态。所述方法还可以包括由处理器使用与运动状态对应的轨迹模型，基于运动数据确定轨迹。

本申请的实施例还提供了一种用于确定对象轨迹的系统。该系统可以包括通信接口，所述通信接口被配置为与移动设备所附着的所述对象通信，获取所述对象的运动数据。所述系统还可以包括用于存储至少一个轨迹模型的存储器。所述系统还可以包括处理器，所述处理器被配置为基于所述运动数据来确定所述对象的运动状态，以及使用与所述运动状态对应的轨迹模型，基于所述运动数据来确定所述轨迹。

本申请的实施例还提供一种存储一组指令的非暂时性计算机可读介质，当由设备的至少一个处理器执行时，使所述设备执行用于生成对象轨迹的方法。所述方法可以包括获取所述移动设备所附着的所述对象的运动数据。所述方法还可以包括基于所述运动数据确定所述对象的运动状态。所述方法还可以包括使用与运动状态对应的轨迹模型基于所述运动数据来确定所述轨迹。

应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对本申请的限制，如权利要求。

附图说明

图1示出了根据本申请的实施例的用户在其上附接有移动设备的情况下的示例性示意图。

图2示出了根据本申请的实施例的示例性轨迹生成系统的示意图。

图3示出了根据本申请的实施例的示例性轨迹模型训练单元的示意图。

图4是根据本申请的一些实施例的生成对象轨迹的示例性方法的流程图。

图5是根据本申请的一些实施例的基于训练数据训练轨迹模型的示例性方法的流程图。

具体实施方式

现在将详细参考示例性实施例，其示例在附图中示出。只要有可能，在整个附图中将使用相同的附图标记来表示相同或相似的部分。

图1示出了根据本申请的实施例的用户在其上附接有移动设备100的情况下的示例性示意图。

如图1所示，例如，用户可以在街道上慢跑，其中移动设备100附着在她的手臂上。当移动设备100附接到用户时，可以通过定位移动设备100来定位用户。

随着手臂的移动，移动设备100可以收集用于确定用户的轨迹的数据。数据可以由移动设备100的至少一个传感器收集。至少一个传感器可以包括GPS模块、加速度计、陀螺仪、电子罗盘、气压计等中的至少一个。GPS模块可以与定位卫星通信，并且收集指示移动设备100的位置的GPS信号，并且因此可以基于所收集的GPS信号来确定用户的位置。加速度计可以测量对象的加速度，甚至是小的振动。例如，加速度计可以分别检测沿着以原点为中心的对象的坐标的三个轴的加速度。电子罗盘可以测量地球的磁力。例如，电子罗盘可以测量磁场的方向、强度或相对变化，以便通过移动设备100确定对象的方向。气压计可以测量气压，其可以帮助移动设备100确定携带移动设备100的对象是否从室外环境进入室内环境，或反之亦然。在一些实施例中，加速度、方向、取向、气压等，可以被称为运动数据。

用于确定用户的轨迹的过程可以包括训练阶段和确定阶段。在训练阶段，GPS信号和运动数据可用于训练轨迹模型。轨迹模型可以基于GPS信号和运动数据，通过例如使用机器学习技术的行人航位推算(PDR)方法来生成，使得轨迹模型可以在确定阶段给出足够的运动数据来“预测”轨迹。训练阶段的运动数据也可以被称为训练数据，并且GPS信号可用于生成参考运动以用于训练阶段。在确定阶段，通常不使用GPS信号，并且运动数据可以用于使用训练的轨迹模型来确定轨迹。

可以设想，当移动设备“附着”给用户时，用户可以佩戴移动设备(例如，头上的智能眼镜)，将移动设备保持在手中(例如，移动电话)，或者将移动设备放在口袋或手提包中。移动设备如何“附着”的方式不限于上述示例，只要移动设备的移动可以与对象(例如，用户)的移动相关联即可。例如，移动设备100可以可选地附接到用户的任何其他部分，例如腿、腰、手腕和头等。移动设备100还可以经由附接到用户的任何其他对象(诸如钱包、腰带和衣服等)间接地附接到用户。

由移动设备100收集的PDR数据可以由轨迹生成系统200进一步处理，这将参考图2进一步描述。图2示出了根据本申请的实施例的示例性轨迹生成系统200的示意图。可以设想，轨迹生成系统200可以是单独的系统(例如，服务器)或移动设备100的集成组件。因为训练轨迹模型可能需要大量的计算资源，所以在一些实施例中，轨迹生成系统200可以优选地实现为如图2所示的单独系统。

在一些实施例中，轨迹生成系统200可以包括子系统，其中一些子系统可以是远程的，而其余的可以驻留在移动设备100上。轨迹生成系统200可以是通用服务器或用于生成用户轨迹的专有设备。在一些实施例中，如图2所示，轨迹生成系统200可以包括通信接口202、处理器204和存储器212。处理器204还可包括多个功能模块，例如，运动状态判断单元206、轨迹模型训练单元208、轨迹生成单元210等。这些模块(以及任何相应的子模块或子单元)可以是处理器204的功能硬件单元(例如，集成电路的部分)，其被设计用于与其他组件或程序的一部分一起使用。程序可以存储在计算机可读介质上，并且当由处理器204执行时，它可以执行一个或以上的功能。尽管图2示出了在一个处理器204内的所有单元206-210，但是可以预期这些单元可以分布在彼此靠近或远离的多个处理器之间。在一些实施例中，轨迹生成系统200可以在云中实现，或者在单独的计算机/服务器上实现。

通信接口202可以被配置为获取移动设备100所附着的对象的运动数据(例如，用户)。在一些实施例中，当轨迹生成系统200被配置为列车轨迹模型时，通信接口202还可以被配置为从移动设备100获取用于确定移动设备100的准确位置的GPS信号。通信接口202可以是综合服务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供数据通信连接。又例如，通信接口202可以是局部区域网络(LAN)卡，以提供与兼容LAN的数据通信连接。无线链路也可以由通信接口202实现。在任何此类实施中，通信接口202可以通过网络214发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。网络214可以包括蜂窝通信网络、无线局部区域网络(WLAN)、广域网(WAN)等。

运动状态判断单元206可以被配置为基于运动数据确定对象的运动状态。运动状态可以包括对象的运动姿势或者移动设备100所附着的对象的位置。如上所述，运动数据可包括加速度、方向、取向、气压等。基于上述运动数据，运动状态判断单元206可以确定对象的步幅长度、步幅频率和运动方向中的至少一个。例如，可以基于沿三个正交轴的加速度来确定步幅频率，可以基于陀螺仪和电子罗盘提供的方向确定运动方向，并且可以基于移动距离和步幅频率来确定步长长度。基于运动数据，还可以基于运动数据类似地确定移动设备100所附着的对象的位置。例如，可确定移动设备100附接到手臂(如图1所示)，戴在手腕上，放置在口袋或手提包中等。

运动姿势和移动设备100所附着的对象的位置对于确定对象的轨迹是关键的。例如，即使对于相同的用户，用于各种运动姿势(例如，步行、慢跑和攀爬)的运动数据也可以是非常不同的。对于处于相同运动姿势(例如，步行)的相同用户，移动设备100所附接的各个地方的运动数据也可以是不同的。因此，需要生成至少两个轨迹模型以解决各种情况。可以设想，各种算法可用于基于运动数据确定运动状态。

轨迹模型训练单元208可以基于训练数据训练轨迹模型。图3示出了根据本申请实施例的示例性轨迹模型训练单元208的示意图。在一些实施例中，如图3所示，轨迹模型训练单元208还可包括训练数据获取单元302、参考运动获取单元304、聚类单元306和轨迹模型生成单元308。组件302-308中的每一个可以连接到总线以进行内部和外部通信。

训练数据获取单元302可以在至少两个时间段内获取与对象相关联的训练数据。训练数据可以与运动数据类似地收集，并且可以类似地包括加速度、方向、取向、气压等。因为对象的运动模式不太可能在短时间内发生显着变化，所以短时间段内的对象的运动数据通常用于训练轨迹模型。在一些实施例中，时间段可以设置为任何合适的数量，例如500毫秒。

参考运动获取单元304可以获取在各个时间段中与对象相关联的参考运动。参考运动可以包括向量，例如，指示对象在相应时间段内移动的位移及其对应方向。每个参考运动在相应的时间段内与对象的运动数据相关联。在一些实施例中，可以根据参考运动获取单元304接收的GPS信号来获取参考运动。参考运动获取单元304可以基于GPS信号精确地确定对象的参考运动。可以设想，可以采用其他方法或算法来确定参考运动。

聚类单元306可以将训练数据和参考运动聚类成组。例如，可以使用机器学习技术来对训练数据和参考运动进行聚类。如上所述，获得的不同运动状态的运动数据可以具有不同的特征。可以从特定对象获取不同运动状态的运动数据。在一些实施例中，可以在运动姿势期间移动设备100所附着的位置可以改变。例如，用户在街道上行走时可以在第一时间段内将他/她的移动设备100放置在口袋中，并且聚类单元306可以将训练数据和第一时间段的参考运动聚类成称为“口袋/步行”的组。然后，在第二时间段中，用户可以接收电话呼叫，并且移动设备100可以在他/她继续行走时被握在手中。然后，聚类单元306可以将训练数据和第二时间段的参考运动聚类成称为“手/步行”的组。也就是说，即使对于在连续时间段期间生成的训练数据，训练数据和参考运动也可以与不同的运动状态相关联。因此，数据可以聚类成对应于各个运动状态的不同组。

轨迹模型生成单元308可以基于训练数据和各个组的参考运动来生成轨迹模型。基于各组的训练数据和参考运动，可以使用机器学习技术生成对应于运动状态的轨迹模型。生成的轨迹模型可以存储在存储器212中以供进一步处理。

返回参考图2，轨迹生成单元210可以使用与运动状态对应的轨迹模型基于运动数据来确定轨迹。如上所述，可以使用训练数据训练与运动状态对应的轨迹模型。因此，基于当前的运动数据，可以确定当前的运动状态。因此，可以识别对应于当前运动状态的轨迹模型，并且应用该轨迹模型来确定轨迹。在一些实施例中，轨迹生成单元210还可以使用机器学习技术基于运动数据直接识别轨迹模型，而不必首先确定当前运动状态。

存储器212可以被配置用于存储轨迹模型和生成的轨迹。存储器212可以实现为任何类型的易失性或非易失性存储器设备或其组合，例如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、闪存或磁盘或光盘。

因此，根据本申请的实施例的轨迹生成系统200可以识别对应于运动状态的轨迹模型，并使用相应的轨迹模型基于运动数据确定轨迹。此外，轨迹模型可以进一步与相应用户相关联。因此，轨迹生成系统200可以生成更精确的轨迹。

本申请的另一方面提供了一种用于定位架构的网关的方法。例如，图4是根据本申请的一些实施例的生成对象轨迹的示例性方法400的流程图。例如，方法400可以由包括至少一个处理器的轨迹生成系统200实现，并且方法400可以包括如下所述的步骤S402-S408。

在步骤S402中，轨迹生成系统200可以获取移动设备所附着的对象的运动数据。移动设备可以包括至少一个用于收集运动数据的传感器。所述至少一个传感器可包括嵌入在移动设备内的加速度计、陀螺仪、电子罗盘或气压计中的至少一个。因此，运动数据可以包括加速度、方向、取向、气压等。由移动设备收集的运动数据可以被发送到轨迹生成系统200以进行进一步处理。

在步骤S404，轨迹生成系统200可以基于运动数据确定对象的运动状态。运动状态可以包括对象的运动姿势或者移动设备所附着的对象的位置。运动姿势可以至少包括步行、慢跑、攀爬等。移动设备所附着的主体上的位置可包括头部、手腕、手臂、手提包、口袋等。每个运动状态可以具有运动数据的独特模式。

在一些实施例中，轨迹生成系统200可基于运动数据确定诸如步幅长度、步幅频率和运动方向的特征，并基于这些特征中的至少一个确定运动状态。运动状态可以通过对象的运动姿势和/或移动设备所附着的对象的位置来表征。例如，步行的步幅频率可以小于每分钟120步。当确定的步幅频率小于每分钟120步时，轨迹生成系统200可以确定对象正在行走。对于更高的步幅频率，对象被确定为慢跑。在一些实施例中，如果移动设备所附着的对象的位置不同，则步幅长度、步幅频率和移动方向可能会改变。因此，轨迹生成系统200可以使用运动数据来确定运动状态。例如，所确定的运动状态可以是“口袋/行走”，说明移动设备放置在口袋中并且当生成相应的运动数据时对象(例如，用户)正在行走。

在步骤S406，轨迹生成系统200可以基于运动数据识别轨迹模型。轨迹模型可用于根据运动数据生成轨迹。轨迹生成系统200可以存储与各种运动状态相对应的至少两个轨迹模型。在一些实施例中，可以使用具有更高计算能力的处理设备来预训练这些轨迹模型。因此，在确定运动状态之后，轨迹生成系统200可以识别与运动状态相对应的轨迹模型。可以设想，在一些实施例中，当机器学习技术用于处理在步骤S402中获取的运动数据时，运动数据可以聚类成至少一个组。每个组可以对应于与运动状态相关联的轨迹模型。因此，轨迹生成系统200可以同时基于运动数据确定轨迹模型和运动状态。在一些实施例中，图4中列出的步骤可以顺序地或并行地执行，而不受图4的顺序的限制。

在步骤S408中，轨迹生成系统200可以使用与运动状态对应的轨迹模型基于运动数据来确定轨迹。轨迹生成系统200提供有运动数据和相应的轨迹模型，可以相应地确定轨迹。在一些实施例中，可以基于运动数据直接确定轨迹。例如，相应的轨迹模型可以接收运动数据并生成轨迹。在一些其他实施例中，轨迹模型可以接收诸如步长长度、步幅频率和在步骤S404产生的移动方向的特征，并使用对应于运动状态的轨迹模型基于上述特征(例如，步幅长度、步幅频率和方向)中的至少一个产生轨迹。

如上所述，轨迹生成系统200可以存储至少两个轨迹模型，并且轨迹模型可以由轨迹生成系统200训练。图5是根据本申请的一些实施例的基于训练数据训练轨迹模型的示例性方法500的流程图。例如，方法500也可以由轨迹生成系统200实现，并且方法500可以包括如下的步骤S502-S508。方法500可以独立于方法400(例如，预训练的)或作为方法400的一部分(例如，即时训练)来执行。

在步骤S502中，轨迹生成系统200可以在至少两个时间段内获取与对象相关联的训练数据。训练数据可以包括行人航行推算(PDR)数据。训练数据类似于上述的运动数据，为清楚起见，这里将省略其描述。由于对象的运动模式通常不会在短时间内发生显着变化，因此在短时间内对象的运动数据可用于训练轨迹模型。在一些实施例中，时间段可以被设置为例如500毫秒。

在步骤S504中，轨迹生成系统200可以获取在各个时间段中与对象相关联的参考运动。参考运动与对象的运动相关联，并且可以基于GPS信号来确定。在一些实施例中，轨迹生成系统200可以获取由移动设备接收的GPS信号，然后确定参考运动。在一些其他实施例中，参考运动可以由移动设备100确定，然后由轨迹生成系统200获取。

在步骤S504，轨迹生成系统200可以将训练数据和参考运动聚类成组。因为训练数据和参考运动都可以在一段时间内与对象的运动相关联，训练数据和相应的参考运动可以使用机器学习技术进行聚类。因此，即使对象的运动状态发生变化，生成的运动数据和参考运动仍然可以聚类成相应的组。也就是说，每个组与不同的运动状态相关联。

在步骤S506中，轨迹生成系统200可以基于各个组的训练数据和参考运动生成轨迹模型。基于聚类的运动数据和参考运动，轨迹生成系统200可以使用机器学习技术来训练轨迹模型。

方法500可以应用于生成至少两个轨迹模型，并且方法400可以应用这些训练的轨迹模型以基于其运动数据来确定对象轨迹。因为轨迹模型与不同的运动状态相关联，所以即使主体改变他/她的运动状态，方法400仍然可以确定准确的轨迹。

本申请的另一方面涉及一种存储指令的非暂时性计算机可读介质，所述指令在被执行时使得一个或以上处理器执行如上所述的方法。所述计算机可读介质包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如本申请的计算机可读介质可以是存储设备或其上存储有计算机指令的存储模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。

显而易见，本领域普通技术人员可以对本申请的定位系统和相关方法进行各种修改和变化。考虑到本申请的系统和相关方法的说明书和实践，其他实施例对于本领域普通技术人员是显而易见的。

本申请中的说明书和示例的目的仅被认为是示例性的，真正的范围由以下权利要求及其等同物限定。

Claims (12)

1.一种用于确定对象轨迹的计算机实现的方法，包括：

经由移动设备的至少一个传感器获取移动设备所附着的对象的运动数据；

由处理器，基于所述运动数据确定所述对象的运动状态，所述运动状态包括所述对象的运动姿势和所述移动设备附着于所述对象的位置的组合，所述移动设备附着于所述对象的位置包括头部、手腕、手臂、手提包或口袋中的至少一种；

由所述处理器，基于所述运动状态从至少两个轨迹模型中确定与所述运动状态对应的轨迹模型，其中，所述至少两个轨迹模型通过以下方式获取：

获取至少两个时间段内与特定对象相关的训练数据；

获取各个时段内与所述特定对象相关的参考运动；

将所述训练数据和所述参考运动聚类成多个组，每个组对应一种运动姿势和该运动姿势下移动设备附着于所述特定对象的位置的组合；

基于所述训练数据和所述各个组的所述参考运动，使用机器学习技术生成所述至少两个轨迹模型；以及

由所述处理器，使用与所述运动状态对应的轨迹模型，基于所述运动数据确定所述轨迹。

2. 根据权利要求1所述的计算机实现的方法，其中，基于所述运动数据确定所述对象的运动状态还包括：

基于所述运动数据确定步幅长度、步幅频率和运动方向中的至少一个；以及

基于所述步幅长度、所述步幅频率和所述运动方向中的至少一个确定所述运动状态。

3.根据权利要求2所述的计算机实现的方法，其中，使用所选择的所述轨迹模型基于所述运动数据确定所述轨迹还包括：

使用与所述运动状态对应的轨迹模型，基于所述步幅长度、所述步幅频率和所述运动方向中的至少一个生成所述轨迹。

4.根据权利要求1所述的计算机实现的方法，其中，所述至少一个传感器包括所述移动设备的加速度计、陀螺仪、电子罗盘或气压计中的至少一个。

5.根据权利要求1所述的计算机实现的方法，其中所述训练数据包括行人航位推算（PDR）数据。

6.根据权利要求1所述的方法，其中所述运动姿势包括步行、慢跑或攀爬中的至少一种。

7.一种用于生成对象轨迹的系统，包括：

通信接口，被配置为与移动设备的至少一个传感器通信，获取所述对象的运动数据；

存储器，被配置为存储至少一个轨迹模型；以及

至少有一个处理器被配置为：

基于所述运动数据确定所述对象的运动状态，所述运动状态包括所述对象的运动姿势和所述移动设备附着于所述对象的位置的组合，所述移动设备附着于所述对象的位置包括头部、手腕、手臂、手提包或口袋中的至少一种；

基于所述运动状态从至少两个轨迹模型中确定与所述运动状态对应的轨迹模型，其中，所述至少两个轨迹模型通过以下方式获取：

获取至少两个时间段内与特定对象相关的训练数据；

获取各个时段内与所述特定对象相关的参考运动；

将所述训练数据和所述参考运动聚类成多个组，每个组对应一种运动姿势和该运动姿势下移动设备附着于所述特定对象的位置的组合；

基于所述训练数据和所述各个组的所述参考运动生成，使用机器学习技术所述至少两个轨迹模型；以及

使用与所述运动状态对应的轨迹模型，基于所述运动数据确定所述轨迹。

8. 根据权利要求7所述的系统，其中，所述至少一个处理器还被配置为：

基于所述运动数据确定步幅长度、步幅频率和运动方向中的至少一个；以及

基于所述步幅长度、所述步幅频率和所述运动方向中的至少一个确定所述运动状态。

9.根据权利要求8所述的系统，其中所述至少一个处理器还被配置为：

使用与所述运动状态对应的轨迹模型，基于所述步幅长度、所述步幅频率和所述运动方向中的至少一个生成所述轨迹。

10.根据权利要求7所述的系统，其中所述至少一个传感器包括所述移动设备的加速度计、陀螺仪、电子罗盘或气压计中的至少一个。

11.根据权利要求7所述的系统，其中所述运动姿势包括步行、慢跑或攀爬中的至少一种。

12.一种存储一组指令的非暂时性计算机可读介质，当由设备的至少一个处理器执行时，使所述设备执行用于生成对象轨迹的方法，所述方法包括：

获取移动设备所附着的所述对象的运动数据；

基于所述运动数据确定所述对象的运动状态，所述运动状态包括所述对象的运动姿势和所述移动设备附着于所述对象的位置的组合，所述移动设备附着于所述对象的位置包括头部、手腕、手臂、手提包或口袋中的至少一种；

基于所述运动状态从至少两个轨迹模型中确定与所述运动状态对应的轨迹模型；其中，所述至少两个轨迹模型通过以下方式获取：

获取至少两个时间段内与特定对象相关的训练数据；

获取各个时段内与所述特定对象相关的参考运动；

将所述训练数据和所述参考运动聚类成多个组，每个组对应一种运动姿势和该运动姿势下移动设备附着于所述特定对象的位置的组合；

基于所述训练数据和所述各个组的所述参考运动生成，使用机器学习技术所述至少两个轨迹模型；以及

使用与所述运动状态对应的轨迹模型，基于所述运动数据确定所述轨迹。