CN110100155A - 用于全局形状匹配轨迹的方法和系统 - Google Patents
用于全局形状匹配轨迹的方法和系统 Download PDFInfo
- Publication number
- CN110100155A CN110100155A CN201780079899.2A CN201780079899A CN110100155A CN 110100155 A CN110100155 A CN 110100155A CN 201780079899 A CN201780079899 A CN 201780079899A CN 110100155 A CN110100155 A CN 110100155A
- Authority
- CN
- China
- Prior art keywords
- track
- portable device
- vector
- navigation
- solution
- 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
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/165—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 combined with non-inertial navigation instruments
-
- 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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
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)
Abstract
便携式设备的定位/导航解决方案可以通过以下步骤来增强:获取运动传感器数据;由运动传感器数据估计便携式设备的轨迹;获取包含便携式设备的位置的环境的地图信息;通过使用一组连接的矢量表示估计轨迹;以及将从轨迹的开始到结束的该组连接的矢量作为总体整体执行与地图信息匹配作为全局优化问题以导出解决方案路径。
Description
相关申请的交叉引用
本申请要求2016年10月24日提交的名称为“用于全局形状匹配的方法和系统(METHOD AND SYSTEM FOR GLOBAL SHAPE MATCHING)”的美国临时专利申请序列号62/411,879和2016年12月20日提交的名称为“用于全局形状匹配轨迹的方法和系统(METHOD ANDSYSTEM FOR GLOBAL SHAPE MATCHING A TRAJECTORY)”的美国非临时专利申请序列号15/385,412的优先权和权益。
技术领域
本公开涉及一种用于随后通过对地图信息使用匹配来增强从平台(诸如,例如人、车辆或船舶)内的设备的传感器数据导出的至少一个定位/导航解决方案的方法和系统,其中该设备可以被捆绑或非捆绑到该平台,并且其中在非捆绑的情况下,该设备的移动性可以在该平台内受到约束或不受约束,并且其中该设备可以被倾斜成任何取向并且仍然提供无缝导航。
背景技术
便携式电子设备(诸如,被配置为手持或以其他方式与用户相关联的那些设备)被用于各种各样的应用和环境中。这些设备越来越多地配备有一个或多个传感器或其他系统以用于确定便携式设备的位置或运动。值得注意的是,诸如智能手机、平板、智能手表或其他便携式设备之类的设备可以具有以下特征:全局导航卫星系统(GNSS)接收器、低成本微机电系统(MEMS)惯性传感器、气压计和磁力计。GNSS和多传感器可以经集成以在大多数户外环境中提供有前景的定位结果。然而,一些大众市场应用需要在各种环境(诸如,商场、办公室或地下停车场)中的无缝定位能力。在室内环境中没有GNSS信号的情况下,使用低成本惯性传感器的常规捷联式惯性导航系统(SINS)由于累积的传感器漂移和偏差而遭受显著的性能下降。因此,仅依赖于运动传感器的定位技术可能无法满足无缝室内和室外导航应用的所有需求。
行人航位推算(PDR)是便携式设备室内/室外定位技术的示例,并且近来已成为工业研究和学术研究的焦点。与SINS类似,PDR累积从已知起点的连续位移以导出位置。可以使用惯性传感器测量值在一定的准确度内利用各种算法估计该位移(步长)。使用来自PDR的步长的位置误差比来自SINS的加速度计导出的位移的位置误差累积慢得多。在没有GNSS更新的情况下,PDR显示出比SINS更好的性能。然而,由于累积的航向误差,PDR仍然缺乏鲁棒性。这个缺点可能导致随时间的偏斜路径并产生可能与建筑布局不一致的位置估计。因此,所得的导航轨迹可能穿过墙壁、地板或其他障碍物。为了避免这些类型的导航轨迹与建筑物布局不一致,可以使用地图信息将PDR解决方案约束到指示为可能路径的区域,或者可以更新确定的位置以匹配从地图信息导出的假定位置。
因此,期望提供使用可用地图信息的导航技术,以增强便携式设备的定位应用的准确度和可靠性。同样期望提供地图信息辅助技术,其以无缝的室外与室内过渡以及处理多层面室内地图的方式良好地操作以在复杂的多层面室内环境中可靠地对用户进行导航。还期望提供可以随后被应用以便从事后信息和处理技术中受益的地图信息辅助技术。此外,期望提供适于在客户端和服务器模式中的有效操作的地图辅助技术,其通过使服务器能够使用用户的上载的导航解决方案来随后生成地图匹配的结果以增强一个或多个解决方案。如将在以下资料中描述的,本公开满足了这些和其他需要。
发明内容
如下面将详细描述的,本公开包括一种用于使用地图信息增强便携式设备和平台的导航解决方案的方法,其中所述设备的移动性在该平台内受到约束或不受约束,并且其中所述设备可以被倾斜成任何取向。所述方法可以涉及:获得用于便携式设备的传感器数据,所述传感器数据表示所述便携式设备在从第一位置到第二位置的第一时间段上的多个时期的运动;从在第一时间端所获得的传感器数据估计便携式设备的轨迹;获得包含便携式设备在第一时间段内的位置的环境的地图信息;使用一组连接的矢量表示估计轨迹;以及对于作为从第一位置到第二位置的总体整体的所述一组连接的矢量执行与地图信息全局形状匹配,作为全局优化问题,以导出解决方案路径。
本公开还包括一种用于使用地图信息增强便携式设备和平台的导航解决方案的便携式设备,其中所述便携式设备的移动性在所述平台内受到约束或不受约束,并且其中所述便携式设备可以被倾斜成任何取向。所述便携式设备可以具有:集成的传感器组件,所述集成的传感器组件被配置为输出表示所述便携式设备在从第一位置到第二位置的第一时间段上的多个时期的所述便携式设备的运动的传感器数据;导航模块,所述导航模块被配置至少部分地基于在多个传感器时期处的传感器数据导出导航解决方案并且从所获得的所述第一时间段上的传感器数据估计所述便携式设备的轨迹;以及全局优化器,所述全局优化器用于获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息,使用一组连接的矢量来表示估计轨迹,并且对于作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息全局形状匹配,作为全局优化问题,以导出解决方案路径。
进一步,本公开包括一种用于使用地图信息增强便携式设备和平台的导航解决方案的远程处理资源,其中所述便携式设备的移动性在所述平台内受到约束或不受约束,并且其中所述便携式设备可以被倾斜成任何取向。所述远程处理资源可以具有:通信模块,所述通信模块用于接收由所述便携式设备提供的信息,其中所述信息对应于第一时间段内的多个时期的表示所述便携式设备的运动的传感器数据;以及全局优化器,所述全局优化器用于获得用于包含所述便携式设备在从第一位置到第二位置的所述第一时间段期间的位置的环境的地图信息,使用一组连接的矢量来表示估计轨迹,并且对于作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息全局形状匹配,作为全局优化问题,以导出解决方案路径。
更进一步,本公开包括一种用于使用地图信息提供解决方案路径的系统。所述系统可以具有便携式设备,所述便携式设备具有:集成传感器组件,所述集成传感器组件被配置为输出表示针对所述便携式设备在从第一位置到第二位置的第一时间段内的多个时期的所述便携式设备的运动的传感器数据;通信模块,所述通信模块用于发送对应于所述时期的信息;以及远程处理资源,所述远程处理资源被配置为从所述便携式设备接收信息。所述远程处理资源也可以具有全局优化器,所述全局优化器用于:获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息;通过使用一组连接的矢量表示估计轨迹;以及对于作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息全局形状匹配,作为全局优化问题,以导出解决方案路径。
附图说明
图1是根据实施例的用于全局形状匹配的系统的示意图。
图2是根据实施例的用于全局形状匹配的另一个系统的示意图。
图3是根据实施例的用于全局形状匹配的设备的示意图。
图4是根据实施例的用于通过使用前向轨迹的全局形状匹配的例程的流程图。
图5是根据实施例的用于通过使用合并轨迹的全局形状匹配的例程的流程图。
图6是根据实施例的将参考轨迹与前向轨迹和反向轨迹作比较的示意性表示。
图7是根据实施例的将参考轨迹与合并轨迹作比较的示意性表示。
图8是根据实施例的将参考轨迹与补偿漂移的合并轨迹作比较的示意性表示。
图9是根据实施例的用于在对轨迹进行矢量化时确定可连接点的示意性表示。
图10是根据实施例的将参考轨迹与矢量化的前向轨迹作比较的示意性表示。
图11是根据实施例的将参考轨迹与矢量化的合并轨迹作比较的示意性表示。
图12是根据实施例的网格地图的示意性表示。
图13是根据实施例的地图信息的图形数据结构的示意性表示。
图14是根据实施例的用于与图13的图形数据结构进行匹配的矢量化的估计轨迹的示意性表示。
图15是根据实施例的由图13和图14构成的有向无环图的示意性表示。
图16是根据实施例的网格地图的节点的进入角指定的示意性表示。
图17是根据实施例的将参考轨迹与由全局形状匹配导出的解决方案路径进行比较的示意性表示比较表示。
图18是根据实施例的几何地图中的地图实体裁剪的示意性表示。
图19是根据实施例的网格地图的示意性表示。
图20是根据实施例的用于生成网格地图的例程的示意性表示。
具体实施方式
首先,应理解,本公开不限于特定示例的材料、架构、方法或结构,因为这些可以变化。因此,尽管可以在对本公开的实践或实施例中使用与本文中所描述的类似或相当的许多这类选项,但是本文中描述了优选材料和方法。
还应当理解的是,本文中所使用的术语仅出于对本公开的特定实施例进行描述的目的而并不旨在进行限制。
以下阐述的与附图相结合的详细描述旨在作为本公开的示例性实施例的描述,而无意表示可在其中实践本公开的仅有示例性实施例。贯穿本描述使用的术语“示例性”意指用作“示例、实例或解说”,而不必解释为优于或胜过其他示例性实施例。为了提供对本说明书的示例性实施例的透彻理解的目的,本具体实施方式包括特定细节。对于本领域的技术人员将显而易见的是,可以在没有这些特定细节的情况下实践本说明书的示例性实施例。在一些实例中,以框图形式示出了众所周知的结构和设备,以便避免模糊本文中所呈现的示例性实施例的新颖性。
仅处于方便和清晰的目的,可以相对于附图或芯片实施例使用方向术语,诸如顶、底、左、右、上、下、后、和前。这些和类似方位术语不应被解释为以任何方式限制本公开的范围。
在说明书和权利要求书中,应理解,当元件被称为“连接至”或“耦合至”另一元件时,它可直接地连接至或耦合至另一元件或者可存在介入元件。相反,当元件被称为“直接连接至”或“直接耦合至”另一元件时,不存在介入元件。
随后的具体实施方式中的一些部分是关于对计算机存储器内的数据位的操作的程序、逻辑块、处理和其他符号表示而呈现的。这些描述和表示是数据处理领域内技术人员使用的方式,它最有效地将其工作本质传达给本领域内其它技术人员。在本应用中,规程、逻辑块、处理等被构思成达到所期望结果的步骤或指令的自洽的序列。这些步骤是需要对物理量进行物理操控的那些步骤。通常,尽管不是必要的,这些量采用能够在计算机系统中存储、转移、组合、比较及以其他方式操纵的电信号或磁信号的形式。
然而,应当铭记,所有这些和类似术语都与适当的物理量相关联,并且仅仅是应用于这些量的方便标记。除非明确指明,否则如从下文的讨论显而易见的,要理解,在本应用中利用诸如“接入”、“接收”、“发送”、“使用”、“选择”、“确定”、“归一化”、“相乘”、“平均”、“监控”、“比较”、“应用”、“更新”、“测量”、“得到”等术语的讨论,指的是计算机系统或类似电子计算设备的动作和进程,操纵在该计算机系统的寄存器和存储器内表示为物理(电子)量的数据并将其转换成在该计算机系统存储器或寄存器或其它这样的信息存储、传送或显示设备内类似地表示为物理量的其它数据。
可以在处理器可执行指令的一般情境中讨论本文中所描述的实施例,所述指令驻留于由一个或多个计算机或其他设备执行的如程序模块等某种形式的非暂态处理器可读存储介质上。一般地,程序模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、部件、数据结构等。程序模块的功能可以如所期望的那样结合或分布在各种实施例中。
在图中,单个块可以被描述为执行一个或多个功能;然而,在实际应用中,由该块执行的一个或多个功能可以单个部件或跨多个部件执行,并且/或可以通过使用硬件、使用软件、或使用硬件和软件的组合执行。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、块、模块、电路、以及步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员可针对每种特定应用以不同方式来实现所描述的功能性,但此类实现决策不应被解读为致使脱离本公开的范围。而且,示例性无线通信设备可以包括除了所示出的部件之外的部件,包括如处理器、存储器等众所周知的部件。
本文描述的技术可以用硬件、软件、固件或其任何组合来实现,除非具体描述为以特定方式实现。描述为模块或部件的任何特征也可以一起实现在集成逻辑设备中,或单独实现为离散但可互操作的逻辑设备。如果用软件实现,可以至少部分地通过包括指令的非瞬态处理器可读存储介质来实现该技术,当指令被执行时,执行上述方法中的一个或多个。非暂态处理器可读数据存储介质可以形成可包括封装材料的计算机程序产品的一部分。
非瞬态处理器可读存储介质可以包括诸如同步动态随机存储器(SDRAM)的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、闪存、其他已知存储介质等。另外地或可替代地,所述技术可以至少部分地通过处理器可读通信介质来实现,所述处理器可读通信介质承载或传达代码,所述代码采用指令或数据结构的形式并且可以被计算机或其他处理器访问、读取和/或执行。例如,可以采用载波来承载计算机可读电子数据,比如,用于发送和接收电子邮件或用于访问如互联网或局域网(LAN)等网络的数据。当然,在不背离所请求保护的主题的范围和精神的情况下,可以对这种配置进行许多修改。
结合本文中所公开的实施例而描述的各种说明性逻辑块、模块、电路和指令可由一个或多个处理器执行,比如,一个或多个运动处理单元(MPU)、传感器处理单元(SPU)、数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、专用指令集处理器(ASIP)、现场可编程门阵列(FPGA)或其他等效集成或离散逻辑电路。如本文中所使用的术语“处理器”可以指的是任何上述结构或适合于实现本文中所描述的技术的任何其他结构。此外,在一些方面,可以在按本文中所描述的方式配置的专用软件模块或硬件模块内提供本文中所描述的功能。而且,可以在一个或多个电路或逻辑元件中完全地实现这些技术。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实施为计算设备的组合,例如,MPU和微处理器的组合、多个微处理器、结合MPU核的一个或多个微处理器或者任何其他这种配置。
除非另有限定,本文中所使用的所有技术术语和科学术语与本公开相关的领域的技术人员共同理解的意义相同的意义。
最后,如在本说明书和所附权利要求书中所使用的,单数形式“一”、“一个”、以及“该”包括复数指示物,除非内容以其他方式清楚地陈述。
本公开的技术针对使用地图信息来增强便携式设备的导航解决方案。通常,这种便携式设备可以与运送设备的平台相关联。平台可以是用户,如在用户走路、跑步、游泳或以其他方式经历运动时携带的智能手机的示例中。在另一个示例中,平台可以是骑行平台。平台还可以被认为是包含该设备并且利用便携式设备的可以或可以不运输用户的有人或无人驾驶车辆或船舶,诸如,汽车或其他轮式车辆(例如,汽车、卡车、公共汽车、游览车等等)、船、重型设备或其他电动船(无论是陆基船、水基船、空降船还是水下船)。尽管便携式设备通常可以在平台的移动方向上运送或运输,但是其取向可以不受约束。回到智能手机的示例,它可以握在用户手中并以各种取向来被使用或者以口袋、皮套、包或其他方式携带。在其他示例中,便携式设备可以捆绑在平台上,诸如利用车载支架,或者可以是非捆绑的。当非捆绑时,设备的移动性可能在平台内受到约束或不受约束,因此,可能存在这样的情况:设备可以相对于用户或平台被倾斜成任何取向。便携式设备可以在给定的时间段内生成一系列导航解决方案。
仅作为说明而非限制,用户可以在穿越场所(诸如,在商店内购物)时携带智能手机。在此期间,智能手机可以导出表示用户通过商店的轨迹的多个导航解决方案。在一个方面,智能手机可以使用任何合适的实时技术来生成那些导航解决方案,包括采用航位推算的惯性导航例程、利用绝对导航信息的源的基于参考的位置服务、位置信标系统或任何其他合适的技术或其组合。尽管具有实质性益处,但是这些实时解决方案仍然可能遭受不准确性或限制。同样在没有限制的情况下,由于当前采用的传感器(诸如微机电系统(MEMS))的特性,惯性航位推算系统可能会随着时间而经受漂移或其他误差累积,或诸如全球导航卫星系统(GNSS)之类的绝对导航信息的源可能在室内环境中遭受不良接收。
因此,本公开的技术利用在给定时间段内导出的一系列导航解决方案来表示从第一位置到第二位置的轨迹。用于确定轨迹的导航解决方案可以包括任何期望的组合的位置、速度或姿态确定,诸如位置、速度和姿态,或仅位置和姿态,仅姿态和速度,或者甚至仅仅是姿态或位置。由于导航解决方案可能遭受不准确性(特别是如所指出的随着时间的推移),轨迹的形状可以与关于被导航的环境的地图信息结合使用,可以用于以改进的准确度来重新评估导航解决方案。相应地,通过使用在轨迹的路线上获得的传感器信息以及如下所述的其他信息,可在轨迹完成之后发生增强导航解决方案。轨迹可以与地图信息形状匹配,作为全局优化问题的解决方案,使得轨迹被认为是从第一位置到第二位置的总体整体。重申,应用这些技术会产生适合地图信息的路径,并提供最接近轨迹的整体形状。
如下文将进一步详细描述的,用于使用地图信息增强便携式设备和平台的导航解决方案的技术涉及获得便携式设备的传感器数据。便携式设备使用传感器数据导出导航解决方案。随后,从导航解决方案确定的轨迹可以与地图信息全局形状匹配。在一些实施例中,便携式设备可以具有可用于在本地(诸如,当可获得对处理能力的更大访问时在后台中)执行全局形状匹配例程的足够的处理能力和/或其他资源。然而,在其他实施例中,便携式设备可以将导航解决方案(任何或所有相关联的传感器数据、或导航解决方案和传感器数据的任何组合)传送到远程服务器,该远程服务器可以具有更大的处理能力和/或对要在全局形状匹配例程中使用的地图信息的更好访问。解决方案路径可以针对任何合适的目的,并且不需要直接涉及用户,诸如用于分析消费者指标和行为。然而,解决方案路径也可以同样针对任何合适的目的(诸如向用户提供关于轨迹的更准确的导航信息或者帮助改善便携式设备的未来导航性能)被返回到便携式设备。
为了帮助展示这些方面,在图1中示意性描绘了用于全局形状匹配的代表性系统,其中,便携式设备100由高层次示意框表示。如将领会的,设备100可以被实现为设备或装置,诸如手持式设备,其可以由用户在空间中移动并且由此感测到其在空间中的运动、位置和/或定向。例如,这样的手持式设备可以是移动电话(例如,智能手机、蜂窝电话、在本地网络运行的电话或任何其他电话手持机)、平板、个人数字助理(PDA)、视频游戏机、视频游戏控制器、导航设备、可穿戴设备(例如,眼镜、手表、皮带夹)、健身追踪器、虚拟或增强现实设备、移动互联网设备(MID)、个人导航设备(PND)、数码相机、数码摄像机、双筒望远镜、长焦镜头、便携式音乐、视频或媒体播放器、远程控制、或其他手持式设备,或这些设备中的一个或多个的组合。
如所示出的,设备100包括主处理器102,所述主处理器可以是一个或多个微处理器、中央处理单元(CPU)、或用于运行软件程序的其他处理器,所述软件程序可以存储在存储器104中,与设备100的功能相关联。可以在存储器104中提供多个软件层,所述存储器可以是计算机可读介质(如电子存储器)或与主处理器102一起使用的其他存储介质(如硬盘、光盘)的任何组合。例如,可以为设备100提供操作系统层以便实时控制和管理系统资源,实现应用软件和其他层的功能,并且将应用程序与设备100的其他软件和功能对接。类似地,可以提供不同软件应用程序,如菜单导航软件、游戏、相机功能控制、导航软件、通信软件(比如,电话或无线局域网(WLAN)软件)、或者各种各样的其他软件接口和功能接口中的任何一种。在一些实施例中,可以在单个设备100上提供多个不同应用,并且在这些实施例中的一些实施例中,多个应用可以同时运行。
设备100包括如此处采用集成传感器处理单元(SPU)106的形式示出的至少一个传感器组件,所述集成传感器处理单元(SPU)106以传感器处理器108、存储器110和内部传感器112为特征。存储器110可以存储用于使用传感器处理器108的逻辑或控制器来对惯性传感器112和/或如以下所描述的其他传感器输出的数据进行处理的算法、例程或其他指令,以及存储惯性传感器112或其他传感器输出的原始数据和/或运动数据。惯性传感器112可以是用于测量设备100在空间中的运动的一个或多个传感器。根据配置,SPU 106测量设备的一条或多条旋转轴线和/或一条或多条加速轴线。在一个实施例中,惯性传感器112可以包括旋转运动传感器或线性运动传感器。例如,旋转运动传感器可以是用于沿着一条或多条正交轴线测量角速度的陀螺仪,并且线性运动传感器可以是用于沿着一条或多条正交轴线测量线性加速度的加速度计。一方面,可以采用三个陀螺仪和三个加速度计,从而使得由设备100的传感器处理器108或其他处理资源所执行的传感器融合操作对来自惯性传感器112的数据进行组合以便提供六轴线运动确定。如所期望的,可以使用要与SPU 106一起集成在单个封装体中的微机电系统(MEMS)来实施内部传感器112。可以在共同未决的、共同拥有的2007年7月6日提交的美国专利申请序列号11/774,488和2008年4月11日提交的美国专利申请序列号12/106,921中找到关于主处理器102和SPU 106的适当配置的示例性细节。可以从加利福尼亚州森尼维尔市InvenSense公司那里获得设备100中的SPU 106的适当实施方式。
可替代地或另外地,设备100可以采用外部传感器114的形式来实现传感器组件。这是可选的并且不是所有实施例都需要的。外部传感器可以表示如上文所述的一个或多个传感器,诸如加速度计和/或陀螺仪,其输出在导出导航解决方案时使用的数据。如本文中所使用的,“外部”指的是不与SPU 106集成且对于设备100来说可以是远程的或本地的传感器。同样可替代地或另外地,SPU 106可以从辅助传感器116处接收数据,所述辅助传感器被配置成用于测量与设备100周围的环境有关的一个或多个方面。这是可选的并且不是所有实施例都需要的。例如,可以使用气压计和/或磁强计来改善利用惯性传感器112所进行的位置确定。在一个实施例中,辅助传感器116可以包括沿着三个正交轴线进行测量的磁强计,并且输出要与陀螺仪和加速度计惯性传感器数据融合以便提供对九轴线运动确定的数据。在另一个实施例中,辅助传感器116还可以包括用于提供可以与其他传感器数据融合以便提供十轴线运动确定的海拔确定的气压计。尽管在一个或多个传感器基于MEMS的情境下描述了本公开的技术,但是这些技术可以应用于任何传感器设计或实施方式。
在所示出的实施例中,设备100的主处理器102、存储器104、SPU 106和其他部件可以通过总线118而耦合,而传感器处理器108、存储器110、内部传感器112和/或辅助传感器116可以通过总线119耦合,所述总线118和总线119中任一个可以是任何适当总线或接口,诸如,外围部件快速互连(PCIe)总线、通用串行总线(USB)、通用异步接收器/发射器(UART)串行总线、适当的高级微控制器总线架构(AMBA)接口、集成电路间(I2C)总线、串行数字输入输出(SDIO)总线、串行外围接口(SPI)或其他等同物。根据架构,可以根据期望而采用不同的总线配置。例如,可以使用附加总线来耦合设备100的各种部件,诸如,通过使用主处理器102与存储器104之间的专用总线。
在一个方面,用于导出便携式设备100的导航解决方案的本公开的各种操作可以通过导航模块120实现为存储在存储器104中的一组合适的指令,该指令可以由主处理器102读取和执行。导航模块120可以采用基于参考的策略、自包含策略或策略的任何组合来提供任何期望程度的位置认知能力。例如,导航模块120可以采用惯性导航技术,该惯性导航技术利用如针对当前传感器时期所获得的(例如来自惯性传感器112和/或外部传感器114的)传感器数据以导出该时期的导航解决方案。这些技术可以涉及航位推算等,并且可以确定设备100的取向,包括诸如任何横摇、俯仰和方位(航向)角的值。由导航模块120导出的导航解决方案表示便携式设备100的位置信息的同时确定。更进一步,导航模块120还可以被配置成确定指示用户的运动方式的运动模式,所述运动方式可以包括但不限于行走、驾驶、奔跑、上/下楼、乘坐电梯、行走于/站在自动扶梯上以及其他类似的运动方式。
导航模块120还可以在导出导航解决方案时使用绝对导航信息122的源,诸如全球导航卫星系统(GNSS)接收器,包括但不限于全球定位系统(GPS)、全球导航卫星系统(GLONASS)、伽利略和/或北斗以及WiFiTM定位、蜂窝塔定位、蓝牙定位信标或其他类似方法。这是可选的并且不是所有实施例都需要的。导航模块120还可以被配置为使用来自无线通信协议的信息以使用信号三边测量来提供位置确定。可以采用任何合适的协议,包括基于蜂窝的和无线局域网(WLAN)技术,诸如,通用地面无线电接入(UTRA)、码分多址(CDMA)网络、全球移动通信系统(GSM),电气与电子工程师协会(IEEE)802.16(WiMAX)、长期演进(LTE)、IEEE802.11(WiFiTM)以及其他。此外,便携式设备100还可以具有用于发送和/或接收信息的通信模块124,包括由导航模块120导出的导航解决方案。
可以根据期望而采用多个软件层,并且可以将所述多个软件层存储在存储器104、存储器110或其他适当位置的任何组合中。例如,运动算法层可以提供运动算法,该运动算法提供对从运动传感器和其他传感器提供的原始传感器数据的低级别处理。传感器设备驱动器层可以向设备100的硬件传感器提供软件接口。进一步地,可以提供适当的应用程序接口(API)以便促进主处理器102与SPU 106之间的通信,例如,传输期望的传感器处理任务。
在该示例性系统中,便携式设备100将从导航解决方案导出的第一位置到第二位置的原始传感器数据、导航解决方案和/或完整轨迹传送到任何合适的远程处理资源(诸如服务器126)。所述信息包括在第一时间段内的多个传感器时期。在第一时间段之后,服务器126可以然后通过使用原始传感器数据和/或导航解决方案来估计完整的轨迹,或者可以使用从设备100接收到的完整的轨迹,以根据本公开的技术执行全局形状匹配例程。在图1中使用高层次示意框描绘了服务器126的一种适当的架构,并且所述架构可以包括通过总线132与存储器130进行通信的服务器处理器128。如将在下文中进一步详细描述的,服务器处理器128可以执行存储在被表示为功能块的存储器130中的指令,存储器130包括全局优化器134,全局优化器134被配置为将完整的轨迹形状匹配到用于相关环境的信息以导出解决方案路径。导航模块120和全局优化器134中的任一个或两者可以确定运动模式,但是服务器126可以具有与用于在给定时间处的运动检测的过去和未来信息的可用性相关联的优点和/或可以具有可用于执行更复杂的算法的更大的处理资源,并且如果存在冲突的检测,则相应地可以被给予更大的权重。
服务器126还可以包括通信模块136以用于接收由导航模块120导出的来自便携式设备100的提到的信息,并且如果需要,可以将与解决方案路径有关的信息发送到便携式设备100或另一目的地。在便携式设备100与服务器126之间进行的通信可以采用任何适当的协议。例如,可以使用短距离、低功率通信协议(诸如,ANT或有线连接),或者可以使用较长距离通信协议(诸如,基于传输控制协议、互联网协议(TCP/IP)的分组的通信、使用无线局域网(WLAN)的访问、蜂窝电话协议等)。一般而言,图1中所描绘的系统可以体现联网或分布式计算环境的各方面。便携式设备100和服务器126可以诸如通过多个互连的网络直接地或间接地通信。如将理解的,可以采用各种系统、部件以及网络配置、拓扑和基础设施(比如,客户端/服务器、对等或混合架构)来支持分布式计算环境。例如,通过本地网络或广泛地分布式网络,可以由有线或无线系统将计算系统连接在一起。当前,许多网络被耦合到互联网,其为广泛地分布式计算提供了基础设施并且包含许多不同的网络,尽管任何网络基础设施都可以用于对在各种实施例中所描述的技术发生的示例性通信。
如所述,便携式设备100可以导出导航解决方案,并且服务器126可以执行全局形状匹配例程以提供与轨迹相对应的解决方案路径。然而,描述为被执行的功能中的任何一个或全部都可以由彼此通信的任何数量的分立设备来执行,或者在其他适当的系统架构中可以由便携式设备100本身来执行。相应地,应当理解,在一个设备内或者在多个设备中都可以采用对处理资源的任何适当划分。进一步地,在软件中实现的各方面可以包括但不限于应用软件、固件、驻留软件、微代码等,并且可以采用可以从提供程序代码以供由计算机或任何指令执行系统(诸如,主处理器102、传感器处理器108、服务器处理器128、便携式设备100的专用处理器或任何其他处理资源、服务器126或其他远程处理资源)使用或与之结合使用的计算机可使用介质或计算机可读介质中获取的计算机程序产品的形式,或者可以使用软件、硬件和固件的任何期望组合来实现。
在本公开内,为了方便起见将参考图1的实施例,然而,应理解可以采用许多其他的架构和系统配置。因此,如本领域普通技术人员将认识到的,该技术可以适用于这些和其他实施例。例如,在图2中示意性地描绘了另一个实施例。在此,类似的部件具有对应的参考标号(诸如,图1的便携式设备100可以对应于图2的便携式设备200)。如此,便携式设备200包括主处理器202,所述主处理器可以是一个或多个微处理器、中央处理单元(CPU)、或用于运行软件程序的其他处理器,所述软件程序可以存储在存储器204中,与设备200的功能相关联。可以在存储器204中提供多个软件层。设备200包括如此处采用集成运动处理单元(SPU)206的形式示出的至少一个传感器组件,所述集成运动处理单元206以传感器处理器208、存储器210和内部传感器212为特征。存储器210可以存储用于使用传感器处理器208的逻辑或控制器来对惯性传感器212和/或如以下所描述的其他传感器输出的数据进行处理的算法、例程或其他指令,以及存储惯性传感器212或其他传感器输出的原始数据和/或运动数据。惯性传感器212可以是用于测量设备200在空间中的运动的一个或多个传感器,诸如上述的陀螺仪和/或加速度计。设备200还可以实现采用外部传感器214的形式的传感器组件。这是可选的并且不是所有实施例都需要的。同样可替代地或另外地,SPU 206可以从辅助传感器216处接收数据,所述辅助传感器被配置成用于测量与设备200周围的环境有关的一个或多个方面。这是可选的并且不是所有实施例都需要的。在该实施例中,主处理器202、存储器204、SPU 206和设备200的其他部件可以通过总线218耦合,而传感器处理器208、存储器210、内部传感器212和/或辅助传感器216可以通过总线219耦合,总线218和总线219中任何一个都可以是任何合适的总线或接口。设备200也可以具有绝对导航信息222的源(这是可选的),并且可以具有通信模块224以用于发送和/或接收信息,包括远程导出的解决方案路径。
在该示例性系统中,便携式设备200向服务器226传送针对第一时间段内的多个传感器时期的原始传感器数据,服务器226可包括导航模块220以针对每个时期的原始传感器数据导出用于便携式设备200的导航解决方案。导航模块220可以被实现为存储在存储器230中的一组合适的指令,该一组合适的指令可以由服务器处理器228读取和执行。如上所述,导航解决方案可以包括针对多个时期的任何位置、速度和/或姿态信息。导航解决方案可以用于导出设备200从第一位置到第二位置的完整的轨迹。在第一时间段之后,服务器226然后可以根据本公开的技术执行全局形状匹配例程,其中全局优化器234使用完整轨迹来导出解决方案路径。服务器226还可以包括通信模块236以用于接收便携式设备200的原始传感器数据,并且如果需要,可以将与解决方案路径有关的信息发送到便携式设备200或另一目的地。
作为另一个说明性示例,图3中示意性地描绘的实施例表示在本地执行全局形状匹配例程的设备。同样,类似的部件具有对应的参考标号(诸如,图1的便携式设备100可以对应于图3的便携式设备300)。相应地,便携式设备300包括主处理器302,所述主处理器可以是用于运行软件程序的一个或多个微处理器、中央处理单元(CPU)或其他处理器,所述软件程序可以存储在存储器304中、与设备300的功能相关联。可以在存储器304中提供多个软件层。设备300包括如此处采用集成运动处理单元(SPU)306的形式示出的至少一个传感器组件,所述集成运动处理单元308以传感器处理器310、存储器312和内部传感器212为特征。存储器310可以存储用于使用传感器处理器308的逻辑或控制器来对惯性传感器312和/或如以下所描述的其他传感器输出的数据进行处理的算法、例程或其他指令,以及存储惯性传感器312或其他传感器输出的原始数据和/或运动数据。惯性传感器312可以是用于测量设备300在空间中的运动的一个或多个传感器,诸如上述的陀螺仪和/或加速度计。设备300还可以实现采用外部传感器314的形式的传感器组件。这是可选的并且不是所有实施例都需要的。同样可替代地或另外地,SPU 306可以从辅助传感器316处接收数据,所述辅助传感器被配置成用于测量与设备300周围的环境有关的一个或多个方面。这是可选的并且不是所有实施例都需要的。在所示的实施例中,主处理器302、存储器304、SPU 306和设备300的其他部件可以通过总线318耦合,而传感器处理器308、存储器310、内部传感器312和/或辅助传感器316可以通过总线319耦合,总线318和总线319中任何一个都可以是任何合适的总线或接口。设备300还可以具有绝对导航信息322的源,这是可选的并且不是所有的实施例都需要的。
在该实施例中,便携式设备300包括导航模块320,其表示存储在存储器304中的指令,该指令用于由主处理器302执行以使用每个时期的传感器数据导出便携式设备300的导航解决方案。在第一时间段之后,服务器300然后可以使用来自导航模块320的导航解决方案根据本公开的技术执行全局形状匹配例程,以提供针对传感器时期中的至少一个的解决方案路径。主处理器302可以使用相似的技术执行表示为功能块(包括全局优化器324)的指令。
图4中描绘了涉及本公开的技术的代表性例程。在本公开中,操作或过程用矩形指定,而输入或输出用平行四边形指定。开始于400,可以针对给定的时间段内的多个时期获得便携式设备的传感器数据,诸如来自惯性传感器112和/或外部传感器114的传感器数据。可以基于可以以任何合适的方式确定的轨迹的已知边界点(包括被穿越的区域的入口或其他类型的约束)来输入第一位置402。仅作为说明,可以使用位于场所的入口或出口处的信标来确定轨迹的合适的边界点。在404,通过使用传感器数据并且从第一位置整合,导航模块120可以导出每个时期的导航解决方案。在全局形状匹配被远程执行的实施例中,可以将原始传感器数据、导出的导航解决方案中的任一者或两者发送到远程处理资源,诸如服务器126。例如,针对每个传感器时期对导航解决方案的导出可由便携式设备100处的导航模块120执行,或者可以使用如由便携式设备100发送的针对每个传感器时期的原始传感器数据在服务器126处执行。在其他实施例中,便携式设备100可以在本地执行全局形状匹配。
无论全局形状匹配是本地还是远程发生,404的导航解决方案可以用于估计便携式设备100的前向轨迹406。该轨迹被称为“前向”,因为它对应于获得运动传感器数据的时期的时间序列。在408中,轨迹以分段线性方式矢量化,如下面将更详细描述的。因此,输出可以是表示410中所示的轨迹的一组连接的矢量(即,矢量化解)。为了规划优化问题,可以在414中转换地图信息412以输出有向无环图(DAG)416。该转换步骤可能需要向量化解中的向量数作为输入以指定图中的行数,这将在后面阐明。可以在418中执行全局优化,使用该组连接的矢量410、合适的成本函数420、第二位置422和DAG 416作为输入,如图所示。可以通过应用图论来将轨迹形状匹配到地图信息,诸如,通过执行与全局优化器134相关联的指令来执行优化。可以通过合适的约束(诸如,收银机结账、出口等等)来确定第二位置422作为另一个输入。可以在优化算法内应用最短路径算法以产生解决方案路径,如424所示。
在图5中描绘了替代例程。类似地,在500,可以针对给定的时间段内的多个时期获得便携式设备的运动传感器数据,诸如来自惯性传感器112和/或外部传感器114的运动传感器数据。框502至506对应于如关于图4描述的用于估计前向轨迹的相应的对应的框402至406。以508开始的并行处理接收第二位置作为输入。在510,可以将反转操作应用于运动传感器数据以产生反转运动传感器数据,如512中所示。本文中,反转传感器数据可以从第二位置整合以导出可以用于估计反向轨迹516的导航解决方案514。本文中,这个轨迹被称为“反向”是因为导航解决方案按照与获得运动传感器数据的时期的时间序列相反的顺序进行处理。在518中执行合并操作以产生合并轨迹,如520所示。在替代实施例中,在修改为然后将第一位置而不是第二位置用作到最短路径算法420的输入的情况下,以这种方式获得的反向轨迹可以替代图4中所提及的前向轨迹406而被使用。
其余操作可以以与针对图4所描述的方式相似的方式执行,包括在合并轨迹上执行矢量化操作522以获得一组连接的矢量524。同样,在528中,可能部分地基于矢量化解决方案,可将地图信息526转换为DAG 530。可以在534中执行全局优化,其可以包括:应用最短路径算法;使用连接的矢量524、成本函数532和DAG 530作为输入。第二位置在这个实施例中不用做最短路径算法的输入,因为在估计如上所述的反向轨迹时已经考虑了第二位置。优化算法的结果产生解决方案路径536。
这些技术可以应用于任何基于传感器的定位和/或导航解决方案,无论其是栓系(tether)还是非栓系,即无论是否来自栓系在移动平台上的设备,或者无论该设备是否是可以在平台内移动的或可以改变定向的便携式设备。此外,可以采用仅基于传感器的定位/导航解决方案或与绝对导航信息(诸如,例如全球导航卫星系统(GNSS))集成的基于传感器的定位/导航解决方案、或诸如Wifi定位的其他无线定位系统、蜂窝定位、基于蓝牙或蓝牙低功耗(BLE)的定位。如上所述,这些技术可以与任何运动模式或运输模式(即,任何类型的移动平台)一起应用;在诸如步行或跑步等徒步活动的情况下,移动平台可以是人,移动平台可以是任何类型的车辆(诸如,汽车、公共汽车、火车、无人机、飞机……)或船舶。
更进一步地,这些技术可以应用于允许执行定位/导航解决方案与地图的全局形状匹配的任何类型的环境(诸如室内或室外)中的轨迹,诸如针对该环境的基于陆地、区域或水下的地图信息。一个示例是在被映射的环境(诸如,购物中心、零售店、办公室、机场、医院、博物馆和其他场地)中在室内行走或跑步的人。另一个示例是在被映射的路线(即,存在地图信息的路线)上行走、跑步、骑行或以其他方式穿越环境的人。又一个示例应用于在街道网络的地图信息可用的街道或其他定义的路径上操作的陆基车辆(汽车、公共汽车、火车……)。对于可以通过使用远程交通工具等穿越的管线或其他管道的网络,也可以存在地图信息。又进一步的示例应用于可以在被限定的飞行路径上操作的空中载具(飞机、直升机、滑翔机、无人机……)。尽管在诸如零售商店之类的室内环境的情境下讨论了实施例,但是这些实施例应当仅被视为说明。
特别是对于具有挑战性并且长的室内轨迹,由于后续的确定可能受到先前的确定的不适当的影响,现有的地图匹配技术遭受渐进方面(progressive aspect)。例如,针对时期的一个导航解决方案的局部问题可能在效果上受到限制,使得减少了对整体解决方案的影响。本公开的技术呈现全局匹配方法,其从开始到结束将轨迹作为总体整体来处理,而没有涉及渐进方面的缺点并且可以有效地离线利用。
在一个方面,执行全局形状匹配作为全局优化问题使用图论。
在一个方面,估计便携式设备的轨迹可以包括通过使用在第一位置处开始的传感器数据生成前向轨迹。可以针对估计漂移来补偿前向轨迹。可以至少部分地基于将来自传感器数据的在第二位置处确定的航向与从估计轨迹获得的在第二位置处的航向进行比较来估计漂移。可以至少部分地基于在展示直线运动或没有运动的估计轨迹的一部分期间从传感器数据确定航向变化率来估计漂移。
在一个方面,估计便携式设备的轨迹可以包括通过使用在第二位置处开始的传感器数据生成反向轨迹并且合并前向轨迹和反向轨迹。生成反向轨迹可以涉及反转传感器读数。合并前向轨迹和反向轨迹可以包括组合前向轨迹和反向轨迹的航向和行进距离中的累积变化。合并前向轨迹和反向轨迹可以包括组合前向轨迹和反向轨迹的纬度和经度的连续变化。
在一个方面,估计轨迹可以基于前向轨迹和反向轨迹中的至少一个,并且其中生成前向轨迹和反向轨迹中的至少一个包括在第一时间段内的平滑操作。
在一个方面,估计轨迹可以基于第一时间段内的至少反向平滑操作。
在一个方面,估计轨迹可以基于在第一时间段内的至少多轮次平滑操作。
在一个方面,估计轨迹可以基于前向轨迹和反向轨迹中的至少一个,并且其中生成前向轨迹和反向轨迹中的至少一个可以包括对用于至少一个时期的导航解决方案的航向信息进行滤波。对航向信息进行滤波可以包括应用零相位低通滤波器。
在一个方面,使用该组连接的矢量表示估计轨迹可以包括提供估计轨迹的分段线性化近似。分段线性化近似可以是估计轨迹上的一系列点,使得每个连续点对在该组连接的矢量中定义矢量。使用该组连接的矢量表示估计轨迹还可以包括最小化该组连接的矢量中的矢量的数量,同时满足误差阈值。使用该组连接的矢量表示估计轨迹还可以包括当矢量角度的变化低于阈值时组合顺序矢量。
在一个方面,地图信息可以是连接的路线和节点的网格地图。网格地图可以表示室内场所、零售商场所、室外场所、街道地图、道路地图、管线地图和飞行地图中的至少一个。
在一个方面,该组连接的矢量与地图信息的全局形状匹配可以包括将网格地图的节点与该组连接的矢量的节点匹配,其中相邻矢量之间的每个连接定义该组连接的矢量的节点。该组连接的矢量与地图信息的全局形状匹配还可以包括将网格地图表示为有向无环图,其具有等于该组连接的矢量中的矢量数加1的行数。该组连接的矢量与地图信息的全局形状匹配还可以包括利用成本函数评估该组连接的矢量和有向无环图的节点之间的路线。成本函数可以至少部分地取决于:(i)有向无环图的节点与来自该组连接的矢量的相应矢量之间的长度差值,以及(ii)“路线与前一个路线之间的角度”与“相应的矢量与其前一个矢量之间的角度”之间的差值。可以将成本函数的值分配给路线作为其成本。该组连接的矢量与地图信息的全局形状匹配也可以包括采用最短路径算法。
在一个方面,该组连接的矢量与地图的全局形状匹配可以包括利用与估计轨迹相关联的锚点。利用锚点可以包括识别与估计轨迹相关联的锚点。可以获得与估计轨迹相关联的多个锚点。解决方案路径可以被约束为包括锚点,可以使用锚点来约束估计轨迹,锚点可以在对轨迹进行估计之前与导航解决方案集成和/或可以基于到锚点的接近度对全局优化问题进行加权。从便携式设备的绝对导航信息的源导出锚点,使得绝对导航信息从以下各项中的任何一个或任何组合获得:(i)全球导航卫星系统(GNSS);(ii)基于蜂窝的定位;(iii)基于WiFi的定位;(iv)基于蓝牙的定位;(v)其他基于无线的定位;以及(vi)基于可见光通信的定位。锚点可以从销售点信息导出。锚点可以从便携式设备与具有已知位置的项目之间的交互导出。
在一个方面,可以在估计轨迹中检测楼层变化。可以至少部分地基于检测到的楼层变化将估计轨迹分成多个子轨迹,并且可以针对每个子轨迹执行与地图信息的全局形状匹配。楼层改变模态和位置可以是已知的,但是当存在模糊性时,可以至少部分地基于检测到的覆盖关于楼层变化模态和位置的不同假设的楼层变化来估计至少一个替代子轨迹,使得该方法可以还涉及:对每个估计的子轨迹执行全局形状匹配;从替代的子轨迹重建可能的估计轨迹;以及比较每个可能的估计轨迹的结果以导出解决方案路径。
在一个方面,可以至少部分地基于解决方案路径来导出用户分析和/或可以至少部分地基于针对用户针对环境内的多个轨迹导出的聚合的解决方案路径来导出聚合的用户分析。
在一个方面,针对环境内的多个轨迹导出的解决方案路径可以通过聚合来众包。可以记录利用便携式设备进行的传感器测量并将该传感器测量与沿着解决方案路径的至少一个位置相关联。可以利用记录的传感器测量来构建指纹图。
在一个方面,可以确定解决方案路径的总体不确定性。总体不确定性可以是(i)跨轨道不确定性,(ii)沿轨道不确定性,或(iii)跨轨道不确定性和沿轨道不确定性的组合。可以针对估计轨迹、该组连接的矢量和与地图信息的全局形状匹配中的至少一个确定不确定性。可以确定与解决方案路径相关联的不确定性,使得可以至少部分地基于解决方案路径和所确定的不确定性来导出用户分析。可以确定与解决方案路径相关联的不确定性,使得可以通过至少部分地基于所确定的不确定性来聚合解决方案路径而对环境内的多个轨迹导出的解决方案路径进行众包。
如所述,本公开还可以包括用于增强便携式设备和平台的导航解决方案的便携式设备。在一个方面,便携式设备可以具有绝对导航源,并且全局形状匹配可以至少部分地基于绝对导航信息。绝对导航信息可以从以下各项中的任何一个或任何组合获得:(i)全球导航卫星系统(GNSS);(ii)基于蜂窝的定位;(iii)基于WiFi的定位;(iv)基于蓝牙的定位或(v)其他基于无线的定位。
在一个方面,传感器组件可以包括加速度计和陀螺仪。传感器组件可以包括被实现为微机电系统(MEMS)的惯性传感器。
本公开还可以包括如上所述的远程处理资源。在一个方面,由通信模块接收的信息可以是便携式设备的传感器数据,该传感器数据表示便携式设备在该时期的运动,并且其中远程处理资源可以进一步被配置为至少部分地基于该传感器数据导出针对该时期的导航解决方案并且从导出的导航解决方案估计轨迹。
在一个方面,由通信模块接收的信息可以是由便携式设备针对时期导出的导航解决方案,使得远程处理资源可以进一步被配置为从导出的导航解决方案来估计轨迹。
在一个方面,由通信模块接收的信息可以是估计轨迹。
在一个方面,通信模块可以被配置为将解决方案路径发送到便携式设备。
更进一步,本公开包括一种用于使用地图信息提供解决方案路径的系统。在一个方面,由系统的远程处理资源接收的信息可以是便携式设备的传感器数据,并且其中远程处理资源被进一步配置为至少部分地基于该传感器数据导出针对多个时期的导航解决方案并且从导出的导航解决方案估计轨迹。
在一个方面,系统的便携式设备可以具有导航模块,该导航模块被配置为至少部分地基于多个时期的传感器数据来导出导航解决方案,使得通信模块将导航解决方案发送到系统的远程处理资源并且远程处理资源可以从接收到的导航解决方案估计轨迹。
在一个方面,系统的便携式设备可以具有导航模块,该导航模块被配置为至少部分地基于多个时期的传感器数据来导出导航解决方案并且从导出的导航解决方案估计轨迹,使得通信模块将估计轨迹发送到系统的远程处理资源。
在一个方面,系统的远程处理资源可以向便携式设备发送解决方案路径。
在一个方面,便携式设备可以由从人、车辆、骑行平台、陆基船、水基船、空中船和水下船中选择出的平台输送。
示例
在上面关于图4和图5讨论的实施例中,可以处理运动传感器数据以生成可以从其估计轨迹的导航解决方案。这些可以被认为是基于传感器的导航解决方案,并且在一些实施例中,可以在可用时补充合适的绝对导航信息源。从导航解决方案估计出的轨迹被用作本公开的全局形状匹配例程的输入。例如,如图6中示意性地描绘的,用户可以穿越零售店场地,其中设备100基于所采用的实际路径生成运动传感器数据,在此指示为轮廓迹线600作为参考。可以执行以上参考图4和图5描述的操作以估计前向轨迹(指示为实线迹线602)、反向轨迹(指示为交叉阴影迹线604)或两者。如上所述,可以通过从第一位置对运动传感器数据进行整合来估计前向轨迹,而可以通过反转运动传感器数据并从第二位置进行整合来估计反向轨迹。
取决于所采用的导航算法,可以将一个或多个变换应用于输入数据,以将该数据从对应于在第一位置开始并且在第二位置结束的格式转换为在第二位置开始并且在第一位置结束,以在反向处理中使用以估计反向轨迹。可以根据输入数据的性质而应用不同的变换。值得注意的是,取决于实施例,便携式设备(诸如,便携式设备100)可以具有不同的输入信息。如所描述的,输入信息可以包括来自惯性传感器(诸如,陀螺仪或加速度计)的运动传感器数据。当输入信息的来源可用时以及当便携式设备被配置为接收它时,输入信息还可以包括绝对导航信息。更进一步地,输入数据可以包括补充导航信息,诸如可以从气压计、磁力计、里程表、速度计或用户动态(例如,行人运动模型)获得。可以适当地变换用于前向处理的任何可用输入数据,以允许通过使用前向处理算法来进行反向处理。替代地,可以采用反向处理算法,其不一定需要转换一些或所有输入数据。关于这些方面的进一步细节可以在2016年2月26日提交的共同未决的、共同转让的名称为“用于多通道平滑的方法和系统”的美国专利申请序列号15/054,792中找到。
当单独使用前向轨迹或反向轨迹时,可以根据下面的讨论直接将其矢量化。然而,当估计前向轨迹和反向轨迹两者时,可以执行合并操作518。由于前向轨迹和反向轨迹两者都包括关于实际路径的信息,因此它们可以根据需要合并在一起。在一个实施例中,可以通过由在航向(ΔΘf&ΔΘb)和行进距离(Δdj&Δdb)中的累积变化的两个阵列来表示前向轨迹和反向轨迹中的每一个来执行合并。相应地,可以通过根据等式(1)和等式(2)计算前向轨迹和反向轨迹的值之间的加权平均来找到定义合并轨迹的Δdm和ΔΘm的阵列,其中ω是适当的加权函数:
(1)ΔΘm(t)=ω(t)*ΔΘf(t)+(1-ω(t))*ΔΘb(t)
(2)Δdm(t)=ω(t)*Δdf(t)+(1-ω(t))*Δdb(t)
在这些等式中,可以在Δ层次执行平均,以在估计前向轨迹和反向轨迹时通过整合减小漂移的影响和误差的累积。选择用于找到加权平均值的加权函数可以以相对较高的值开始,以将前向轨迹偏置在第一位置。随着整合的进行,函数的值可以减小,使得相对增加的权重被给予反向解决方案,直到它在第二位置处朝向反向轨迹达到最大偏差。根据实施例,加权函数可以以不同的形式应用。在一个示例中,加权函数可以具有由等式(3)表示的线形式,其中T是第一位置和第二位置之间的持续时间:
(3)
作为另一示例,加权函数可以采用二次形式,如等式(4)所示:
加权函数可以采用指数形式,如由等式(5)指示的又一示例:
(5)
合并前向轨迹和反向轨迹可以为设备100提供与各个轨迹相比经平滑的航向。为了说明,相对于参考轨迹(参考轨迹再次由轮廓轨迹600表示),图7将合并轨迹示出为黑色迹线700。
代替在合并轨迹时使用航向和距离阵列,另一种合适的操作是以纬度(Δlatf&Δlatb)和经度(Δlngf&Δlngb)的连续变化的形式表示前向解决方案和反向解决方案。相应地,前向轨迹和反向轨迹可以以与上述航向和距离合并相似的方式在纬度和经度方面合并。例如,使用适当的加权函数ω,等式(6)和(7)可以分别用于纬度和经度:
(6)Δlatm=ω(t)*Δlatf+(1-ω(t))*Δlatb
(7)Δlngm=ω(t)*Δlngf+(1-ω(t))*Δlngb
在一些实施例中,可以对合并的轨迹进行可选的校正。从图6和图7中所示的示例可以理解,每个轨迹表现出连续的累积漂移,这可以归因于所使用的惯性传感器的特性。漂移可能导致轨迹的扭曲,并且可能提供与预期不同的最终航向。因此,可以通过估计轨迹上的航向漂移的大小和方向作为整体来补偿漂移。此外,尽管讨论是在合并轨迹的情境下,但是如果仅采用如关于图4所讨论的一个,则相似的方法可以应用于前向轨迹和反向轨迹中的任一个。
可以以任何合适的方式估计总漂移的大小。作为一个示例,通过将从合并轨迹的最终航向与第二位置处的已知最终航向进行比较,可以通过这两个航向之间的差异来估计整个轨迹上的漂移的大小。作为另一个示例,可以针对没有运动或者用户在直线上移动的轨迹的一部分计算每单位时间的航向的变化。尽管可以使用任一示例来估计幅度,但是可以通过确定航向在停止或沿直线移动的同时改变的方向来估计漂移的方向。为了说明这些技术的效果,图8将漂移补偿后的合并轨迹(示出为黑色迹线800)与示出为轮廓迹线600的参考进行比较。
根据需要,可以在前向轨迹或反向轨迹上或在合并轨迹上执行其他操作,以在全局形状匹配例程期间改善它们的可用性。在一个实施例中,来自由导航模块120提供的导航解决方案的输入朝向可以期望为平台朝向,并且可从设备朝向与所估计的失准角之间的差导出。在一些情况下,取决于便携式设备的用例,来自导航解决方案的该导出的平台朝向可呈现周期性朝向振荡或正弦波状朝向波动。用例是便携式设备与用户之间的交互类型的表征,并且可包括:该用户是正携带该设备,还是正用摆动的手臂或“摇摆地”固持该设备,还是在谈话、输入数据或在导航方向上观看或进行发短信操作时将该设备定位“在耳朵上”,还是在口袋或其他容器或固持物中携带该设备,以及影响该设备相对于该用户的取向的其他使用。例如,口袋或摇摆用例可具有周期性运动分量。可能期望去除或减小导航解决方案中的可归因于该振荡的分量。通过采用在第一时段内导出的所有导航解决方案,可利用零相低通滤波器来去除或减小振荡效应而不将不期望的延迟引入到信号中。
在另一方面,可期望检测可与可对全局形状匹配期间的信息使用产生影响的运动类型相关联的一个或多个导航解决方案。例如,在某些时间段期间可以检测到指示设备正经历无意义的运动(诸如,用户带着设备坐立不安)的运动模式。此外,在此类时间段之前和之后的信息可用于改善对无意义运动的标识。在一些实施例中,检测到的无意义运动时段可用于跟踪失准以隔离在该无意义运动时段期间的无意的偏差变化。在一些实施例中,检测到的无意义运动时段可用于补偿行人航位推算技术中对的脚步检测,在该行人航迹推算技术中,无意义的运动会导致不正确的脚步检测。
用于估计轨迹的导航解决方案的推导可使用任一滤波器或滤波器的任何组合以做出位置确定,滤波器包括但不限于卡尔曼(Kalman)滤波器、无迹卡尔曼滤波器、粒子滤波器,等等。也可根据应用来使用不同的系统和测量模型,例如:仅预测、近恒定速度、和其他。这些模型可采用不同的技术来传播便携式设备100的位置,并使用导航解决方案输出作为测量更新。
另外,可以结合对运动传感器数据的前向和/或反向处理来执行一个或多个平滑过程。当可用时,输入数据也可以包括在其他源中,诸如,绝对导航信息、用户动态模型(例如,步长估计)、传感器性能特征(例如)、补充传感器数据等。用于导出用户轨迹的导航解决方案可以包括与便携式设备100的位置、运动和/或定向有关的任何合适的信息。例如,导航解决方案可以包括:位置、速度和姿态;位置和姿态;位置和速度;位置和速度;仅姿态;或这些量的其他组合。
通常,可以执行输入数据的前向处理和反向处理以导出如上所述的前向轨迹和反向轨迹。可以组合用于估计轨迹的导航解决方案的一个或多个量以平滑量。可以根据需要通过使用组合的导航解决方案的量来执行前向处理和反向处理的进一步过程,以进一步增强导航解决方案。此外,合并前向轨迹和反向轨迹可以涉及平滑操作。当朝向轨迹的末端的定位信息(诸如,从像结账点或商店出口之类的锚点)可用时,反向处理对于长轨迹也可以是有帮助的。经反向处理的导航解决方案可显著地降低否则会发生的累积误差。另外,可获得更可靠的失准估计。关于可以执行的前向处理和反向处理以及平滑操作的进一步细节在共同未决的、共同转让的美国专利申请序列号15/054,792中描述。
一旦估计了合适的轨迹,作为合并轨迹或者作为前向轨迹和反向轨迹中的一个,本公开的全局形状匹配技术可以用于导出具有优化与估计轨迹的相似性的形状的地图信息中的解决方案路径。如下面将进一步详细讨论的,包含轨迹的环境的地图信息可以表示为网格地图,其由通过路线彼此连接的一组节点形成。这种网格地图上的轨迹可以由一系列节点及其连接路线表示。在数学上,这些可以被视为一系列矢量。因此,为了促进估计轨迹与地图信息的全局形状匹配,可以通过应用如例如图4中的408或图5中的522所示的矢量化操作将估计轨迹表示为一组连接的矢量。这允许将估计轨迹的形状与地图信息进行准备比较,因为两者可以以相同的方式表示。
通常,估计轨迹的矢量化可以涉及生成对轨迹形状的二维分段线性近似。应理解,可以采用本领域已知的许多技术。例如,可以建立初始的可能的近似,然后通过将段分开以及合并在一起来细化,直到满足合适的误差准则。另一个示例是将轨迹上的点与局部最大k曲率连接起来。
为了帮助说明,估计轨迹的矢量化可以涉及找到近似估计轨迹形状的矢量的最小数量,使得估计轨迹与矢量化轨迹解决方案之间的误差低于合适的阈值。矢量化轨迹的所有矢量的头部和尾部可以被限于在估计轨迹的曲线上。因此,可以通过在估计轨迹上选择一组点并将它们连接以形成表示估计轨迹的一组连接的矢量来完全定义矢量化轨迹。值得注意的是,估计轨迹Sm可以是如等式(8)中所示的一组点Pi,其中N是合并解中的点的总数,并且xi和yi是点Pi的x和y坐标:
(8)Pt={(xi,yi)|0≤i≤N}
相应地,矢量化轨迹可以由等式(9)定义,其中vj是映射下标,其指示矢量化轨迹上的第j个点是估计轨迹中的第vj个点:
(9)0=v0<v1<v2<…<vn=N
从上述等式应注意,估计轨迹的起点和终点被包括在矢量化近似中。矢量化近似中的第j个向量被定义为连接点和的线段,因此可以用符号表示。相应地,矢量化轨迹SV可以被定义为所有n个线段的集合,如等式(10)所示
(10)
对于位于和之间的估计轨迹上的所有点Pk,误差e(Pk)可以被定义为点Pk和线段之间的最短距离,如等式(11)所示,其中dist是找到点和线段之间的最短距离的函数:
(11)
根据等式(12),线段中的误差可以被定义为位于和之间的估计轨迹上的所有点Pk中的最大误差:
(12)
根据等式(13),矢量化轨迹SV的误差也可以被定义为其所有线段的误差的最大值:
(13)
在上文之后,估计轨迹的矢量化可以涉及找到SV,使得线段的数量n最小并且e(SV)<∈,其中∈是误差的最大可调阈值。用于使线段的数量最小化的一种合适的技术可以采用动态编程方法。例如,给定具有指数q的在估计轨迹上的点,C(q)可以被定义为r>q的使得的所有指数的集合。可以通过将F(q)设置为近似从Pq到PN的估计轨迹的一部分所需的最小线段数来建立等式(14):
(14)F(q)=minr∈C(q)1+F(r)
应理解,该递归公式可以用于动态编程方法,其中基本情况为F(N)=0并且F(N-1)=1。通过对估计轨迹的所有点的函数C(q)求值,可以从第二位置到第一位置构造矢量化轨迹。从基本情况开始,对于每个点,可以跟踪集合C(q)中具有最小F(r)的指数r。因为,根据定义,C(q)总是大于q,从第二位置开始并且前进到第一位置可以确保在到达具有指数q的点之前已经针对C(q)中的所有点计算函数F。
接下来,可以应用合适的算法来为估计轨迹上的任何给定点指数q找到函数C。如上所述,函数C(q)找到可以连接到点Pq使得线段满足条件的指数r>q的所有点。为了获得这些点,可以定义以点Pq为中心的坐标系。如图9所示,误差可以被表示为半径为∈的圆,其中在之后的第一点的两条切线在Pq处相交。如果要满足误差阈值条件,则在这些线之间包围的区域定义矢量化线应该属于的线的局部域。换句话说,两条线之间的区域定义了C(q)的域。下一个点可以被类似地表示为半径∈的圆,以根据关于点讨论的方法定义具有切线的新局部域。现在可以看出,C(q)的域成为在中定义的局部域与在中定义的局部域之间的交集。如果没有交集,则意味着r2不能被包含在C(q)中并且例程可以结束。
定量地说,点的局部域可以被定义为等式(15)-(17)。具体而言,连接Pq和的线的角度可以表示为等式(15):
(15)
该线与每个切线之间的角度可以表示为等式(16),其中d是由等式(17)给出的Pq和之间的距离:
(16)
(17)
这些等式表明经过Pq的任何矢量化线的斜率应该在R1=(φ1-ψ1,φ1+ψ1)的范围内,以满足误差条件。类似地,对于点的范围可以是R2=(φ2-ψ2,φ2+ψ2)。
为了满足两个误差条件,近似段应该在交集范围I2=R2∩R1内。Ii的一般定义可以由等式(18)给出:
(18)
相应地,可以使用等式(19)和(20)循环地计算θmin(i)和θmax(i):
(19)θmin(i+1)=min((max(θmin(i),φi+1-ψi+1)),θmax(i))
(20)θmax(i+1)=max((min(θmax(i),φi+1+ψi+1)),θmin(i))
根据上文,可以确定指数q的点,所有连续指数属于C(q),直到区间(θmin,θmax)变为Φ。
在图10中描绘了上述矢量化技术的一个示例,将参考示出为轮廓迹线600并将前向轨迹示出为来自图6的黑色迹线602,并且使用灰色迹线1000描绘表示前向轨迹的一组连接的矢量。用于导出矢量的该组点Pi被描绘为前向轨迹迹线上的黑点。在该视图中,灰色迹线1000已经叠加在前向轨迹迹线602上方并因此遮挡了其部分。同样地,在图11中描绘了矢量化的另一个示例,将参考示出为轮廓迹线600并将前向轨迹示出为来自图7的灰色迹线700,并且使用黑色迹线1100描绘表示合并轨迹的一组连接的矢量。用于导出矢量的该组点Pi被描绘为合并轨迹迹线上的黑点,其部分被黑色迹线1100的重叠遮挡。
如果需要,可以在矢量化期间执行的附加操作是比较所有相邻矢量并且当任何两个连续矢量的角度之间的差异低于某个阈值时组合该任何两个连续矢量。这个可选步骤可以减少全局形状匹配期间的模糊性。
在估计轨迹的矢量化之后,可以执行优化以提供估计轨迹与地图信息的全局形状匹配,例如,如图4的412或图5的526所示。相应地,用于优化的输入是包含轨迹的环境的地图信息。最初可从任何合适的源(诸如,从在线地图服务提供商)获得地图信息。必要时,可以将地图信息预处理成适合于全局形状匹配技术的形式,诸如通过创建如上所述的网格地图。在线室内/室外地图服务提供商可提供web应用编程接口(API)来访问它们的地图数据库。相应地,来自地图提供商的对应的API可用于获得涵盖用户的当前位置的区域的地图信息。可具有对应的地图信息的场所的特别显著的示例包括室内环境,诸如,办公室楼宇、医院、商场、展会中心、零售店,等等。例如,该信息可被解码以使用API来提取用于本公开的技术的必要的地图数据,并且可被转换为统一格式,诸如,地理Javascript对象标记(GeoJson)格式,但是可使用xml文件、二进制文件和其他文件。有关地图和网格地图的更多细节可以在以下材料中找到。
一些地图特征或实体也可以提供固有的位置信息(诸如,可与层面变化场景相关联的电梯、自动扶梯、楼梯、或可允许假定朝向的传送带)或其他的位置信息。环境内的入口和出口的位置(诸如门等)也可以提供位置信息。更进一步而言,入口/出口的方向也可以在确定初始航向或最终航向时使用。在多层面场所中,每个层面的高度可与指示海拔变化的传感器信息一起使用以帮助确定层面变化场景何时可能存在。值得注意的是,当建立诸如轨迹的第一位置和/或第二位置之类的边界时,可以使用这样的位置信息。
根据本公开的技术,如上所讨论,地图信息可以是表示为网格地图中的连接路线和节点的环境的可穿越的区域的抽象。在图12中描绘了与包含在图6至图8、图10和图11中示出的轨迹的环境相对应的网格地图的一个示例。在该表示中,节点被示出为空心圆,并且路线被示出为连接线。
为了优化矢量化的估计轨迹与地图信息的全局形状匹配,可以实现合适的成本函数以数学地测量矢量化轨迹(一组连接的矢量)与来自网格地图的节点间的路线的潜在匹配之间的相似性或差异。目的是找到具有最佳成本(即最小差异和最大相似性)的解决方案路径。解决方案路径可以被认为是通过连接地图信息的节点和路线而导出的轨迹。在一个实施例中,成本函数可以评估矢量化轨迹和解决方案路径之间的“距离”,以便导出最小化距离的解决方案路径。在应用该成本函数的上下文中,术语“距离”可以被视为测量两个轨迹彼此之间的差异。相应地,每个轨迹可以被视为一系列矢量长度和它们之间的相对角度。可以基于每两个对应长度和相对角度之间的差来测量两个轨迹之间的距离。
估计轨迹与地图信息的全局形状匹配可以被认为是在第一位置和第二位置之间的地图上导出解决方案路径,同时最小化成本函数,其可以在数学上作为优化问题求解。图12中示出的网格地图由图形数据结构表示,但是可以构成无向循环图,其可以在第一位置和第二位置之间产生无限多的可能路径以使用可用计算资源进行评估。在一些实施例中,可以将循环图转换为有向无环图(DAG)以使得能够全局地解决该问题,如以下材料中所描述的,而没有明确地生成无限多个可能的解决方案路径的单独步骤。
在矢量化操作期间,估计轨迹由一系列连续矢量{V0,V1,V2,...,Vi,...,Vn-1}近似,其中n是矢量化轨迹中的矢量的总数。矢量化轨迹可以通过该组矢量的长度{d0,d1,d2,...,di,...,dn-1}以及它们对应的斜率{θ0,θ1,θ2,...,θi,...,θn-1}来完全描述。每个矢量的头部在节点处遇到下一个矢量的尾部。向量化轨迹中的节点被赋予符号{N0,N1,N2,...,Ni,...,Nn}。为了将矢量化轨迹与地图信息匹配,矢量化轨迹上的节点可以与地图上的节点匹配。相应地,评估提供期望的全局形状匹配优化的可能性,地图信息可以被表示为DAG。
为了提供阐明相关操作的简化示例,以下材料描述了为假设的有四个节点的轨迹构建DAG以与有9个节点的网格地图匹配的过程。表示9节点地图信息的合适的图形数据结构在图13中描绘。节点由编号的空心圆表示,而路线由连接线表示。每条路线上的权重表示连接节点之间的欧几里德距离。参考轨迹由虚线迹线1300指示,并且如所看到的那样可以从节点8的第一位置开始,向前行进到节点5,进行右转并且前进到节点6处的第二位置。反过来,诸如可以从运动传感器数据估计的4节点假设轨迹由图14中的黑色迹线1400表示。矢量化轨迹近似也被示出为由迹线1400上的黑点和连接直线指示的一组点。
从图13的地图信息和图14的矢量化轨迹,可以构造DAG以执行如图15所示的全局形状匹配。矢量化轨迹中的每个节点对应于DAG中的行,使得DAG中的行数等于矢量化轨迹中的节点数。此外,DAG中的每一行都包含网格地图的所有节点。可以通过比较路线之间的相对角度来评估矢量化轨迹与地图上的轨迹之间的相似性。因此,当应用成本函数时,可以使用到每个节点的输入路线的角度。例如,从右侧到达节点与从左侧到达节点完全不同,并且可以分别评估这两种情况。如可以理解的,对于DAG中的给定行,由于考虑了进入路线的角度,网格地图中的节点可以出现不止一次。图15的DAG中的每个节点具有数字和希腊字母。该数字指示与该DAG节点对应的网格地图节点,而该字母指示到网格地图上的节点的进入角的不同可能性。.应该注意的是,希腊字母可以不转换为某个进入角,但它可以只是为了识别从不同方向到达节点的不同可能性。可以从网格地图中识别到DAG中的每个节点的确切进入角。为了说明,图16示出了网格地图中的具有四个进入路线的单个节点如何可以由DAG中的四个节点表示,一个节点对应于每个进入角度。回到图15的情境,可以理解,节点1总是连接到节点2β,因为节点1位于节点2的左侧,而节点3连接到节点2δ,因为节点3位于节点2的右侧。
进一步,对于网格地图中的每个节点,称为“相邻节点”的一组节点可以被定义为能够通过网格地图上的直线到达的一组节点。此外,网格地图上的直线包括一个或多个共线连续路线。该定义考虑了观察到网格地图上的多个连续共线路线可以对应于矢量化轨迹中的单个矢量。例如,在图13的网格地图中,节点2的一组相邻节点是节点1、3和5以及节点8,节点1,3和5中的每个节点通过单个路线直接连接,节点8能够通过两个连续的共线路线到达。在DAG中,一行中的节点不连接到来自同一行的节点或来自前一行的节点。连接DAG中的两行意味着前一行中的每个节点将通过有向路线连接到连续行中的相邻节点。构造DAG时,每一行都连接到下一行。行也可以连接到下一行之后的行,以表示绕过矢量化轨迹中的节点的可能性。例如,如果节点在矢量化轨迹中分离几乎共线的两个矢量或者如果它是轨迹中的一些噪声的一部分,则可以绕过矢量化轨迹中的节点。在图14中所示的样本轨迹中,矢量V0和V1几乎共线。当导出解决方案路径时,可以将它们视为匹配将节点8连接到节点5的DAG上的单个路线。在图10所示的DAG中,第1行连接到第3行以考虑这种情况,由虚线表示对应的路线。在一个实施例中,如果矢量的斜率之间的差|θi-θi-1|在某个阈值内或者如果它是长度低于某个阈值∈d的非常短的矢量的一部分,即di<∈d||di-1<∈d,则可以认为节点Ni是能够绕过的。如上所述的矢量化的可选方面是组合具有接近方向的两个连续矢量。图14中的假设轨迹提供了该操作的说明,因为如果V0和V1的角度之间的差在某个阈值内,则可以将V0和V1组合并一起匹配到图13中所示的地图上的单个路线上(节点8和节点5之间的路线)。
接下来,可以给予DAG中的每个路线权重,该权重表示将其端节点与矢量化解决方案中的对应节点匹配的成本。如将理解,该成本表示连接地图节点的路线与连接矢量化轨迹的对应节点的路线之间的相似程度。任何路线的相对角度可以定义为其斜率与其前一个路线的斜率之间的差值。因此,合适的成本函数可以采用表示网格地图中的路线长度与矢量化轨迹上的路线长度之间的差(Δd)的参数和表示网格地图中的路线的相对角度与矢量化解决方案中的对应路线的相对角度之间的差(ΔΘr)的参数,其中在矢量化解决方案或DAG中的路线的相对角度是该路线角度与该路线前一个路线的角度之间的差。与矢量化优化一样,成本函数可以以多种合适的形式表示。在示例性实施例中,成本函数可以是由等式(21)给出的线性的、由等式(22)给出的二次的、或两者的组合,其中a和b是可调参数:
(21)f(Δd,Δθr)=a*|Δd|+b*|Δθr|
(22)f(Δd,Δθr)=a*(Δd)2+b*(Δθr)2
对于图13中所示的样本轨迹,可以通过采用分别具有1000和1的可调参数a和b的二次成本函数来说明这些原理,以根据等式(23)选择成本函数:
(23)f(Δd,Δθr)=1000*|Δd|+|Δθr|
相应地,可以通过使用等式(23)计算将第3行上的节点9β连接到第4行上的节点8δ的路线的成本。由于路线将第3行连接到第4行,因此矢量化轨迹上的距离是第3节点和第4节点之间的距离,即d2=6.9m。网格地图上的距离是节点9和节点8之间的距离,即7.2m,允许Δd被计算为7.2m-6.9m=0.3m。节点9β指示进入路线来自左侧,并继续到节点8,形成180°的相对角度。在矢量化轨迹中,相对角度θr可以被计算为
θ2-θ1=80°-10°=70°,使得Δθr可以进而被计算为
180°-70°=110°.因此,等式(23)可以被写为等式(24),其中,计算值代替Δd和ΔΘr:
(24)f(Δd,Δθr)=1000*|0.3|+|110|=410
DAG上从开始节点开始并在结束节点结束的任何路径可以被认为是与矢量化轨迹的可能匹配。某个路径的总成本是其路线的权重的总和,该总和表示地图上的路径与矢量化轨迹的相似程度。在计算DAG上的每个路线的权重之后,全局形状匹配可涉及通过应用合适的最短路径算法找到具有最小总成本的路径。可以理解,最短路径问题在本领域中是公知的。
可用于执行全局形状匹配优化的具有合理复杂度的算法的一个示例是Dijkstra算法。返回图15的从图13和图14的网格地图和样本轨迹构造的DAG,可以被选择为对应于网格地图上的第一位置的第1行中的节点中的一个节点被赋予零权重,而DAG上的每个剩余节点可以被赋予无穷大的初始权重(最大可能的数字)。当选择对应于第一位置的节点时可以使用任何进入角度,因为到节点的进入角度对于第一位置没有意义,因为它表示轨迹的开始。可连续处理DAG的每一行。对于每一行,处理该行中包括的所有节点。如果节点的权重是无穷大,则跳过该节点,如果不是,则处理从该节点分支的所有路线。对于DAG上的任何路线,其开始的节点可以被称为源节点,并且其结束的节点可以被称为终点节点。可以计算源节点和路线的权重之和,并且如果小于终点节点的权重,则可以将终点节点的权重设置为计算的和。进一步,可以将终点节点的父节点设置为源节点。相应地,每个节点的父节点是从开始节点到该节点的最佳路径中的该节点的前一个节点。通过逐一处理行,可以确保在到达每个节点之后,已经评估了从开始节点到该节点的每个可能路径并且成本函数被最小化。同样地,在处理所有节点之后,可以通过从第二位置的节点开始并选择其父节点,然后父节点的父节点(祖父节点),重复直到到达第一位置的节点,在反向方向上导出将第一位置连接到第二位置的解决方案路径。
对于样本轨迹,图15中示出的DAG中的每个路线的成本可以如上所述计算。知道对应于第一位置的节点是8并且对应于第二位置的节点是6,可以将DAG上的最短路径确定为从第1行中的节点8通过第3行中的节点5γ到达第4行的节点6β的轨迹。在视觉上,应理解,估计轨迹的形状与导出的解决方案路径紧密地匹配。图17中给出了这些技术的进一步说明,其中,已经将上述方法应用于图11的矢量化合并轨迹,以提供与图12的地图信息的全局形状匹配。如所示,由黑色迹线1700指示的导出的解决方案路径与由轮廓迹线600指示的参考轨迹成镜像。在该视图中,参考轨迹已经叠加在解决方案路径上方并且遮挡了重叠的那些部分。相应地,可以容易地理解,解决方案路径提供比任何仅基于传感器的轨迹更准确的参考轨迹的估计。
在另一方面,设备100可具有如上所述的绝对导航信息122的源。这表示独立于运动传感器数据和地图信息的信息,其可以用于影响估计轨迹的全局形状匹配。当基于绝对导航信息的位置确定可用时,可以将其建立为具有可以关于地图信息表示的位置的锚点,并且还可以具有准确的时间标签。绝对导航信息的一些示例可以是从GNSS定位、WiFi定位、基于信标或蓝牙的定位、磁指纹定位、基于可见光通信(VLC)的定位等导出的那些信息。当采用诸如以这些方式获得的绝对导航信息时,存在两种可能性:(a)绝对导航信息可以与来自传感器的导航解决方案整合,并用于导出在全局形状匹配之前将被矢量化的估计轨迹;和(b)绝对导航信息可以不与导航解决方案及其将被矢量化的估计轨迹预先整合,但可以在全局形状匹配操作期间作为该操作的一部分进行整合。上述选项(a)和(b)之间的选择可以取决于应用及其性质。锚点或绝对导航信息(以锚点的形式)的另一示例(诸如,在零售应用中)是可以从销售点信息获得或以其他方式识别一个或多个锚点,其可以包括用户在穿越轨迹时购买的项目的列表。来自第三方或零售商的合适数据库可以将每个项目与环境中的特定位置相关联,在这种情况下,它可以用作具有已知定位/位置的锚点。在一些情况下,从销售点信息导出的锚点可以具有时间标签,但是在其他情况下,可能没有指示用户何时处于与所购买的项目相关联的位置。然而,在执行全局形状匹配时仍然可以使用这样的锚点,因为可以预期解决方案路径应该在某个点处经过该位置。作为另一个示例,设备100可以用于运行涉及扫描或以其他方式与项目交互的应用程序,诸如,由零售商提供的应用程序(一个示例可以是扫描产品的条形码)。在扫描时,可以查询产品位置数据库以获得所扫描的此项目的位置并且可以建立时间标签。对于在前面提到的零售示例中从销售点导出锚点的情况,还有两种进一步的情况:(i)如果在所使用的便携式设备上已知用户ID或者如果用户在该设备上使用了忠诚度计划,那么该用户完全知道该组销售点;和(ii)如果在所使用的便携式设备上未知用户ID,并且如果用户未在该设备上使用忠诚度计划,则该用户不直接知道该组销售点,但是该组销售点仍然通过其他技术与用户相关联。在后一种情况下,关于从销售点信息导出的锚点的使用及其与来自用户的轨迹的关联的进一步细节可以在2016年9月7日提交的共同未决的、共同拥有的题为“用于分配销售点信息的方法和系统”的美国专利申请序列号15/258,906中找到。
在一个实施例中,可以确定地应用锚点以确保轨迹已经经过相关联的位置。应理解,这样的锚点可以用于约束优化。例如,最短路径算法可以改写为受约束的最短路径算法,在文献中通常称为“销售人(sales man)”问题。相应地,可以处理DAG的行和节点以导出从第一位置开始并在第二位置结束的经过所有锚点的最短路径。当锚点具有时间标签时,约束可以更严格。通过对给定锚点采用时间标签,可以找到与矢量化解决方案的单个矢量的对应关系。由此,可以指定DAG上的一组可能的对应路线,使得DAG上的解决方案路径可以被约束到经过该组对应路线中的一个的轨迹。
虽然当锚点有合理的置信度时,上述确定性方法可以是期望的,但是在其他情况下,可以存在与一个或多个锚点相关联的一定程度的误差。由于将解决方案路径约束到错误的锚点可能降低准确度,因此可以遵循不同的方法。不是使用锚点作为约束,而是可以通过使用成本函数来适应锚点。例如,可以将负成本添加到与锚点相对应的DAG上的路线。相应地,解决方案路径将仅被吸引到具有锚点的路线而不是被迫经过它们。另外,如果可以量化关于锚点的不确定度,则该值可以用于对所添加的负成本加权。因此,具有更多确定性的锚点可以在其负成本中具有相应的更高的大小。添加到路线的负成本的大小影响解决方案路径包含锚点的程度。
在一些实施方式中,锚点可能离实际轨迹太远以至于可确定锚点可能是错误的。可以使用不同的方法来如保证地解决这种情况。作为一个示例,锚点可以用作DAG上的降低成本的“奖励”。在优化期间,这样的奖励可以仅被授予一次以避免在导出的解决方案路径中引起不适当的影响。由于这可以偏置解决方案路径以尽可能早地经过锚点,因此可以通过在决定最短路径时跟踪在解决方案的不同部分处经过锚点的所有可能性来提供更全局的解决方案。例如,不是仅在每个节点处跟踪具有最小权重的路径,而是可以保持经过锚点的可能性列表及其对应的权重。
从上面可以理解,一个或多个锚点可以用于:(i)约束解决方案路径以包括锚点;(ii)使用锚点约束估计轨迹;(iii)在估计轨迹之前将锚点与导航解决方案相整合;以及(iv)基于与锚点的接近度来对全局优化问题加权。
上述讨论已经涉及全局形状匹配估计轨迹以映射其中轨迹限于单个楼层的信息。然而,根据需要,本公开的技术可以扩展到多楼层环境。可以使用不同的方法来适应从一个楼层到另一个楼层的转换。值得注意的是,楼层变化的检测可以基于任何合适的信息源。例如,如果设备具有气压计,诸如可以由外部传感器114或辅助传感器116实现,则可以相对于确定层面变化以及发生变化的时间以相对高的准确度检测楼层转换。楼层变化可以与各种模态相关联,包括诸如电梯或自动扶梯之类的有动力示例和诸如楼梯或坡道之类的无动力示例。此外,这样的模态可以具有可与地图信息相关联的已知位置。作为说明,自动扶梯通常具有针对给定楼层的设定出口点(以及假设的航向)。由此,如果通过识别特征运动传感器数据模式或其他技术,发生了通过电梯、自动扶梯、楼梯或其他地图特征的楼层转换,则可以进行估计。通过建立楼层转换的时间和位置,可以没有模糊性地知道楼层变化模态及其位置,从而允许估计轨迹在不同的步骤中形状匹配。例如,楼层变化可以用作一个子轨迹的第二位置和相关子轨迹的第一位置。然后可以独立地将全局形状匹配应用于每个子轨迹,并且在导出每个子轨迹的解决方案路径之后将其组合。由此,每个楼层转换可以用于划分整体轨迹。
在一些实现中,使用运动传感器数据来估计楼层转换方法可能产生模糊性。例如,可能无法识别或不正确地识别模态,诸如,当人在自动扶梯上移动时可能被检测为穿过楼梯。当存在这种歧义并且楼层变化模态和位置是模糊的(不是确知的)时,全局形状匹配可以被多次执行以考虑到每个可能性。由于可以使用每个可能性来导出解决方案路径,因此可以选择表示最低成本(且相应地为形状中的最佳匹配)的路径作为最终解决方案路径。例如,可以至少部分地基于检测到的楼层变化来估计至少一个替代子轨迹,以适应关于楼层改变模态和位置的不同假设。可以针对每个估计子轨迹执行全局形状匹配。通过从替代子轨迹重建可能的估计轨迹并比较每个可能的估计轨迹的结果,可以导出解决方案路径。
还应理解,通过本公开的全局形状匹配技术实现的对用户通过环境的轨迹更准确的确定可以利用在任何数量的应用中。例如,从零售商店中的购物者的移动设备收集到的运动传感器数据可用于导出表示其轨迹的解决方案路径并提供关于他们的购物行为的分析。在一个方面,分析可以是从多个用户获得的聚合分析,并且可以用于任何目的,包括生成指示零售商店的区域或表现出更多关注的其他环境的热图、确定与结账通道队列相关联的等待时间、或任何其他合适的目的。可以针对特定商店、针对商店类别或任何其他合适的分组的多个用户来将分析聚合。在另一方面,分析可以特定于给定用户,用于通过广告或优惠、品牌偏好的识别或购物行为的任何其他特征进行重新定位。由此,用户分析可以是针对单个用户的,或者也可以是针对多个用户的聚合分析。此外,通过利用从多个用户获得的信息来实现任何合适的目标,诸如,获取更准确的位置信息,通过全局形状匹配导出的解决方案路径可以在各种众包应用中使用。仅作为说明,通过将由传感器记录的签名与位置相关联,WiFi、蓝牙低功耗(BLE)和/或磁指纹可用于实时室内定位。在本公开的技术下,诸如WiFi或蓝牙收发器之类的无线通信设备可以被认为是用于这些目的的传感器,因为可以检测和测量无线通信信号的特性。例如,可以在确定传感器指纹时使用接收信号强度指示符(RSSI)。常规上,这种方法需要预先调查导航环境以提供指纹与室内位置的充分关联,这涉及大量的时间和设备支出。可以通过众包来替代或减少这种调查。由于解决方案路径表示相对准确的位置信息,因此可以存储在每个用户穿越轨迹时获取的传感器读数并将其与所确定的位置相关联。通过在不同时间从各种各样的用户收集这样的数据,可以生成合适的信号指纹图并将其用于随后的室内位置确定。
对于任何上述分析和众包应用或其他应用,可以确定由形状匹配方法估计的位置的不确定性并用于帮助对分析、众包应用或其他应用加权。值得注意的是,当确定导航解决方案以估计随后被形状匹配的轨迹时,在多个阶段对运动传感器数据进行处理。为了估计所得到的解决方案路径中的总体不确定性,可以考虑在每个阶段可能出现的错误。不确定性可以是(i)跨轨道不确定性、(ii)沿轨道不确定性或(iii)跨轨道不确定性和沿轨道不确定性的组合。例如,可以关于下面讨论的三个阶段进行不确定性确定。
第一阶段可以考虑在处理原始传感器数据以确定基于传感器的便携式导航解决方案时出现的任何错误,诸如通过如上所述的导航模块120。在此阶段期间,可能存在不确定性,该不确定性归因于:i)基于传感器的导航解决方案的不确定性;ii)估计IMU设备的航向与平台(例如购物者)的航向之间未对准的不确定性(如果可用);以及iii)步行检测和针对行人的步长估计的不确定性(如果可用)。
下一阶段可以表示从基于传感器的导航解决方案到矢量化的估计轨迹的转变。在矢量化轨迹的每个片段中,矢量化轨迹和估计轨迹之间可能存在逐点误差差异。在估计总体不确定性时,这种不确定性可以作为逐点误差被考虑,其最大值或其沿每个段的平均值作为因素。
另一个阶段可以表示当将矢量化轨迹与地图信息全局形状匹配以导出解决方案路径时执行的优化。可以根据包括用于形状匹配方法的成本函数的因素来评估该阶段期间的不确定性,因为这提供了矢量化轨迹与解决方案路径的形状之间的相似性的度量。在一个方面,可以将成本函数的参数调整为在数值上更有意义。可以在感兴趣的路线之前和之后的多个节点处评估匹配解决方案路径和矢量化轨迹的形状之间的距离和相对角度的误差。
此外,当在DAG上实现优化算法时,可以在通向每个节点的所有路线中为每个节点分配最低成本。相应地,最佳路线与其较低替代之间的成本差异可以用作不确定性的度量。应理解,当数个路线在成本方面彼此接近时,可以表明难以区分替代,这意味着不确定性。类似地,可以通过将DAG中每个层面中的所选节点的成本与同一层面中的任何替代节点进行比较来估计DAG中每个层面中的所选节点的不确定性。为了考虑全局形状的影响,从反向前解决了DAG上的最短路径问题;从表示第二位置的节点开始并且在表示第一位置的节点处结束。由此,在每个节点处已知到起点的最短路径的成本以及到结束节点的最短路径。如果其中一个节点具有相当高的到结束节点的路径成本,那么在同一层面上具有与开始节点几乎相似的成本的两个节点并不意味着模糊性,因为轨迹的其余部分的形状比起其他节点有利于其中一个节点。当比较DAG的给定层面上的两个节点的不确定性时,可以通过将最短路径的成本添加到开始节点和结束节点来考虑这个问题。
指定不确定性的另一个附加因素可以是解决方案在转弯之前经过的地图节点的数量。这是因为解决方案经过的地图节点越多,转弯的可能性就越大,解决方案遇到的模糊性就越大。在另一个实施例中,该因素可以以节点密度而不是节点数量的形式出现,节点密度是由解决方案在转弯之前经过的行进距离归一化的节点的数量。
确定不确定性时的另一个因素可以涉及任何可用的锚点。在一个示例中,全局形状匹配可以执行两次,一次考虑绝对位置更新,一次不考虑绝对位置更新以导出两个解决方案路径。当估计总体不确定性时,可以使用解决方案路径之间的任何差异。此外,解决方案路径越需要修改以通过锚点,关于锚点的不确定程度可越大。相反,在很少或没有修改的情况下,无论何时解决方案路径通过锚点都可以减少不确定性。
通过遵循上述技术,可以针对完整的2D或3D位置估计而估计不确定性度量,或者可以将不确定性度量分成沿轨道不确定性度量和跨轨道不确定性度量,或者可以是任何组合。沿轨道不确定性是沿着运动方向定位用户或平台的不确定性(这将沿着地图路线),而跨轨道不确定性是在横向方向或垂直于运动方向的方向上定位用户或平台的不确定性(这将是识别地图路线本身的不确定性)。在一些实施例中,可以期望将针对任何上述阶段或针对整体解决方案路径所估计的不确定性测量表达为标准偏差。
可以使用若干因素来指定沿轨道不确定性。对于DAG上的路线,如果我们确定一个节点并且不确定另一个节点,可以是因为它具有非常接近的成本的竞争者,这可以用作沿轨道误差的指示。估计的沿轨道误差的值可以取决于不确定节点与其竞争者之间的距离。可以用于确定沿轨道不确定性的另一个因素是由仅传感器解决方案估计的距离与最终解决方案中的相应匹配距离之间的差异。可以用于确定沿轨道不确定性的另一个因素是某个路线中的停止数量。这是因为每个停止可以与丢失的步骤相关联,并且因此估计距离的不确定性更大。可以在沿轨道不确定性中使用的另一个因素是解决方案经过的地图节点的数量或那些节点的密度(每个行进距离的节点数)。
如上所述,可以从任何合适的源获得地图信息,诸如,从在线地图服务供应商或从被穿越的场所的运营商获得。必要时,可以将地图信息处理成适合使用的形式,诸如,通过形成网格地图。在线室内/室外地图服务提供商可提供web应用编程接口(API)来访问它们的地图数据库。因此,来自地图提供商的对应的API可用于获得涵盖用户的轨迹的区域的地图信息。可以具有相应的地图信息的场所的特别值得注意的示例包括诸如零售商店之类的室内环境,其还可以提供用于确定锚点的销售点信息。该信息可以被处理以便于使用,诸如通过解码以使用API来提取用于本公开的技术的必要的地图数据,并且可被转换为统一格式,诸如,地理Javascript对象标记(GeoJson)格式,但是可使用xml文件、二进制文件和其他文件。随后可将经转换的地图数据保持在本地存储中,供将来使用。解码和转换可以由外部资源执行,并且能以任何合适的方式传递,供在全局形状匹配期间使用。一般而言,期望使为每个场所执行的处理操作的次数最小化。
在一些实施例中,可以通过使用几何技术通过将所获得的地图信息分成可穿越的区域和不可穿越的区域来处理所获得的地图信息。例如,走廊代表典型室内环境中的可穿越区域中的重要的一类,诸如零售场所等等。由此,如果走廊信息不可用,则可以执行走廊裁剪功能以从背景实体提取走廊形状信息,因为许多常规地图服务供应商不提供走廊形状信息。因此,用于获得可存在于场所中的走廊的形状的合适技术可包括从背景实体提取所有其他实体。背景实体可以是建立给定建筑或者建筑或其他场所的层面的边界轮廓。场所内的前景实体可以包括所有物体,诸如,货架、房间、结账台、电梯、自动扶梯、库存架、房间、结账台、墙边界以及地图所涵盖的区域内的其他障碍物。如本文中所使用的裁剪过程是指从一组2维几何形状中切除在特定的“裁剪”窗口外部的那些部分的过程。这可通过使主体多边形(背景实体)与裁剪多边形(在背景实体的顶部上的其他前景实体)相交来实现。多边形可由顶点序列来限定,并且任何曲线可被表示为适当的组的线段。
在迭代地从背景裁剪掉所有其他实体之后,可获得走廊多边形。合适的裁剪算法可配置成适配相对复杂的带孔的多边形,裁剪算法例如Vatti裁剪算法。在图18中示出对于基于代表性多边形的几何室内地图的裁剪算法的结果的图示。地图一部分的背景实体1800由虚线表示。以细线被表示为多边形(诸如,多边形1802(为保持清晰而未标出其他多边形))的前景实体在背景实体1800的顶部上被裁剪。由粗线表示的所得到的多边形1804,给出走廊的形状。所得到的走廊形状可由复杂多边形表示。本文中使用的复杂多边形是具有一个或多个内部的孔的多边形(没有自相交)。另外,处理可以包括分解地图的一个或多个形状。梯形分解可用于将相对复杂的多边形分解为更简单的梯形,而凸面分解可用于将相对复杂的多边形分解为更简单的凸多边形。可应用最优分解算法以在分解过程后生成数量减少的多边形。可采用分解方法中的任一种或分解方法的任何组合。
如上文所提到的,一些地图特征或实体也可以提供固有的位置信息(诸如,可与层面变化场景相关联的电梯、自动扶梯、楼梯、或可允许假定朝向的传送带)或其他位置信息。环境内的入口和出口的位置,诸如门等,也可以提供位置信息。更进一步而言,入口/出口的方向也可以在确定初始航向或最终航向时使用。在多层场所中,每个层面的高度可与指示海拔变化的传感器信息一起使用以帮助确定层面变化场景何时可能存在。值得注意的是,当建立诸如轨迹的第一位置和/或第二位置的边界时,可以使用这样的位置信息。
处理地图信息还可包括用网格地图中的连接的迹线和节点来转换室内地图的可穿越区域。连接的迹线和节点可以包含地图的几何信息和拓扑信息两者。可以使用任何合适的技术来生成网格地图,诸如例如,通过使用沃罗诺伊图(voronoi diagram)来表示通过场所的可能的轨迹。在图19中示出了示例沃罗诺伊图,并且包括由圆表示的节点的特征元素(诸如,节点1900)以及由连接线表示的迹线(诸如,迹线1902)。节点是地图上与三个或更多个最接近的物体(由实心多边形指示的地图实体,诸如,元素1904)等距的任何点。在该示例中,所示的地图实体是矩形货架。为了说明这些概念,可以看出每个节点1900具有三个等距的最接近的物体,即,三个周围的货架。相应地,迹线是一组点(即,线),其仅与两个最接近的物体等距。连接节点1900的直线是迹线(迹线1902)的示例,因为线的每个点仅具有两个最接近的物体。由此,图19中所示的网格地图是具有规则间隔的矩形货架的零售场所的特征,其中节点和轨道表示用户可以在地图实体周围采取的候选路径。取决于零售场所的配置,从沃罗诺伊图开发的节点和迹线可能不考虑所有可能的路线,诸如位于零售场所中的开放空间的周边的物体周围的路线。可以通过添加补充节点和迹线来执行附加操作以完成可能的路径。补充节点和迹线完成了地图实体周围的候选路径。
用于生成用于排序锚点的网格地图的一个合适的例程由图20中所示的流程图表示。从2000开始,可以获得针对场所(诸如,零售商店)的地图信息,其中如上所述由多边形表示地图实体。可以选择初始开始位置作为用于生成沃罗诺伊图的当前点。在2002,确定了与当前点最接近的物体。例程在2004分支,取决于最接近的物体的数量。如果少于三个最接近的物体是等距的,则选择新的当前点并在2006创建或继续到新的当前点的迹线。例程然后返回到2002以确定与新的当前点相关的最接近的物体。如果在2004有三个或更多个最接近的物体是等距的,则在2008将当前点指定为节点。接下来,在2010探索从新的节点开始的可能的路径。在2012确定是否可以开始新的路径。如果是,则例程返回到2006并且沿着新的路径形成到新的当前点的迹线。如果在2012确定已经探索了所有可能的路径,则例程继续到2014以确定是否需要任何补充节点和/或迹线来完成如上所述的任何地图实体周围的路径。完整的节点和迹线组然后可以用于与如本文所述的矢量化轨迹的全局形状匹配。网格地图可以增强地图信息的几何方面并提供拓扑方面。例如,零售场所地图可以容易地被划分为结构化区域和非结构化区域。非结构化区域(诸如,开放空间、隔离的摊位等)可受益于如上文所述的基于几何的技术。然而,结构化区域(诸如,对齐的货架、摊位和类似特征)可被抽象为供在基于网格的地图中使用的被连接的迹线和节点。
构想的实施例
便携式设备的身体坐标系可以如下:x向前,y朝身体的右侧为正,且z轴向下为正。构想了任何身体坐标系定义可被用于本文中所描述的方法和装置的应用。
构想了本公开的技术可以与导航解决方案一起使用,该导航解决方案可以任选地利用:自动零速度时段或静止时段检测,用其可能的更新和惯性传感器偏置重新计算;不可积分更新模块;惯性传感器误差的高级建模和/或校准;在适当时从GNSS中导出它们的可能的测量更新;GNSS解决方案质量的自动评估以及检测降级的性能;在松散地耦合的整合方案与紧密地耦合的整合方案之间自动切换;在处于紧密地耦合的模式时对每个可见GNSS卫星的评估;以及最终可能可与反向平滑化模块一起使用,该反向平滑化技术具有任一类型的反向平滑化技术,并且任一技术在后任务中运行或在同一任务内的经缓冲的数据的后台中运行。
进一步构想了本公开的技术还可与某种模式的运输技术或运动模式检测技术一起使用以确立运输模式。这使得能够检测行人模式以及其它模式,诸如例如,驾驶模式。当检测到行人模式时,可使本公开中所呈现的方法可操作以确定设备与行人之间的失准。
进一步构想了本公开的技术也可与以下导航解决方案一起使用:该导航解决方案被进一步编程以在后台运行例程来模拟绝对导航信息的人工中断,并估计用于本导航模块中的解决方案的状态估计技术的另一实例的参数以优化该解决方案的准确性和一致性。准确性和一致性通过将模拟的中断期间的临时后台解决方案与参考解决方案进行比较来评估。参考解决方案可以是以下示例之一:绝对导航信息(例如,GNSS);在设备中的前向整合的导航解决方案,该解决方案将可用的传感器与绝对导航信息(例如,GNNS)整合,并且可能与任选的速率或速度读数整合;或反向经平滑化的整合的导航解决方案,该解决方案将可用的传感器与绝对导航信息(例如,GNNS)整合,并且可能与任选的速率或速度读数集成。后台处理可以在与前向解决方案处理相同的处理器上运行,或在可与第一处理器通信并可从共享位置读取被保存数据的另一处理器上运行。后台处理解决方案的结果可以例如通过具有用于本模块中导航的前向状态估计技术的参数的改进的值来使实时导航解决方案在其未来的运行中获益(即,在后台例程已完成运行之后的实时运行)。
进一步构想了本公开的技术也可与进一步与地图(诸如,街道地图、室内地图或模型,或在使此类地图或模型可用的应用的情况下的任何其他环境地图或模型)以及地图辅助或模型辅助例程整合的导航解决方案一起使用。地图辅助或模型辅助可在绝对导航信息(诸如,GNNS)降级或中断期间进一步增强导航解决方案。在模型辅助的情况下,可以使用获取与环境有关的信息的传感器或传感器群,这些传感器或传感器群诸如例如,激光测距仪、相机以及视觉系统或声纳系统。这些新系统可被用作额外帮助以在绝对导航信息问题(降级或缺失)期间增强导航解决方案的准确性,或者在一些应用中,它们可以完全替代绝对导航信息。
进一步构想了本公开的技术也可与导航解决方案一起使用,该导航解决方案,在按紧密耦合方案或混合式松散/紧密耦合选项工作时,不必被限于利用伪距测量(这些伪距测量是根据代码而非载波相位来计算的,因而它们被称为基于代码的伪距)和(用于获得伪距速率的)多普勒(Doppler)测量。GNSS接收器的载波相位测量也可被使用,例如:(i)用作计算距离而不是基于代码的伪距的替代方式;或(ii)通过合并来自基于代码的伪距和载波相位测量的信息来增强距离计算;此类增强是载波平滑化的伪距。
进一步构想了本公开的技术也可与依赖于GNSS接收器与其他传感器的读数之间的超紧密整合方案的导航解决方案一起使用。
进一步构想了本公开的技术还可与使用各种无线通信系统的导航解决方案一起使用,这些无线通信系统也可作为附加辅助(其在GNSS不可用时将是更有益的)或作为GNSS信息的替代(例如,对于其中GNSS不适用的应用)用于定位和导航。用于定位的这些无线通信系统的示例是诸如由蜂窝电话塔和信号、无线电信号、数字电视信号、WiFi或WiMax提供的那些系统。例如,对于基于蜂窝电话的应用,来自蜂窝电话塔的绝对坐标和室内用户与塔之间的距离可被用于定位,由此可通过不同的方法来估计距离,在这些方法中,计算到达时间或最接近蜂窝电话定位坐标的到达时间差。被称为增强观察时间差(E-OTD)的方法可用于获得已知的坐标和距离。距离测量的标准差可依赖于蜂窝电话中使用的振荡器的类型以及蜂窝塔定时装备和传输损失。WiFi定位可以按各种方式来完成,这些方式包括但不限于到达时间、到达时间差、到达角、接收到的信号强度、以及指纹技术,以及其他技术;所有这些方法提供不同的准确度水平。用于定位的无线通信系统可以使用不同技术来对来自无线信号的测距、角度、或信号强度中的误差进行建模,并且可以使用不同的多径抑制技术。所有上述概念以及其他概念也可按类似的方式适用于基于无线通信系统的其他无线定位技术。
进一步构想了本公开的技术还可与利用来自其他移动设备的辅助信息的导航解决方案一起使用。进一步构想了本公开的技术还可与利用来自其他移动设备的辅助信息的导航解决方案一起使用。来自其他设备的辅助信息的一个示例可以依赖于不同设备之间的无线通信系统。基本概念在于,具有更好定位或导航解决方案(例如,具有带良好可用性和准确性的GNSS)的设备可帮助具有降级的或不可用的GNSS的设备获得改进的定位或导航解决方案。这一帮助依赖于(多个)辅助设备和无线通信系统的公知位置以用于对具有降级的或不可用GNSS的(多个)设备进行定位。这一所构想的变体涉及以下情况之一或以下两种情况:(i)具有降级的或不可用GNSS的(多个)设备利用本文中描述的方法,并从其他设备和通信系统获得辅助;(ii)具有可用GNSS并且因而具有良好的导航解决方案的辅助设备利用本文中描述的方法。用于定位的无线通信系统可依赖于不同的通信协议,并且它可依赖于不同方法,诸如例如,到达时间、到达时间差、到达角和接收到的信号强度,等等。用于定位的无线通信系统可以使用不同技术来对来自无线信号的测距和/或角度中的误差进行建模,并且可以使用不同的多径抑制技术。
上述实施例和技术可以在软件中被实现为各种经互连的功能块或不同的软件模块。然而,这不是必须的,并且可以存在以下情况:这些功能块或模块等效地聚集为边界不清晰的单个逻辑器件、程序或操作。在任何情况下,实现上述各实施例或接口的各特征的功能块和软件模块可由它们自身来实现,或结合硬件或软件中的其他操作来实现,完全在设备内实现,或结合该设备以及与该设备通信的其他启用处理器的设备(诸如,服务器)来实现。
虽然已经示出并描述了一些实施例,但是本领域技术人员将领会,可对这些实施例作出各种改变和修改而不改变或背离它们的范围、意图或功能。在前述说明中使用的术语和表达已经在本文中用作描述性而非限制性术语,并且在使用这种术语和表达时,不旨在排除所示出或所描述的特征或其多个部分的任何等效物,认识到的是,本公开仅受所附权利要求书限定和限制。
Claims (62)
1.一种用于使用地图信息增强便携式设备和平台的导航解决方案的方法,其中所述设备的移动性在所述平台内受到约束或不受约束,并且其中所述设备可以被倾斜成任何取向,所述方法包括:
a)获得所述便携式设备的传感器数据,所述传感器数据表示所述便携式设备在从第一位置到第二位置的第一时间段内的多个时期的运动;
b)从所述第一时间段内的所获得的传感器数据估计所述便携式设备的轨迹;
d)获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息;
d)使用一组连接的矢量表示所估计的轨迹;以及
e)针对作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息的全局形状匹配作为整体优化问题以导出解决方案路径。
2.如权利要求1所述的方法,其中,执行全局形状匹配作为全局优化问题使用图论。
3.如权利要求1所述的方法,其中,估计所述便携式设备的所述轨迹包括通过使用在所述第一位置处开始的所述传感器数据生成前向轨迹。
4.如权利要求3所述的方法,进一步包括补偿估计漂移。
5.如权利要求4所述的方法,其中,至少部分地基于将来自所述传感器数据的在所述第二位置处确定的航向与从所述估计轨迹获得的在所述第二位置处的航向进行比较来估计所述漂移。
6.如权利要求4所述的方法,其中,至少部分地基于在展示直线运动或没有运动的估计轨迹的一部分期间从所述传感器数据确定航向变化率来估计所述漂移。
7.如权利要求3所述的方法,其中,估计所述便携式设备的所述轨迹进一步包括通过使用在所述第二位置处开始的所述传感器数据生成反向轨迹并且合并所述前向轨迹和所述反向轨迹。
8.如权利要求7所述的方法,其中,生成所述反向轨迹包括反转所述传感器读数。
9.如权利要求7所述的方法,其中,合并所述前向轨迹和所述反向轨迹包括组合所述前向轨迹和所述反向轨迹的航向和行进距离中的累积变化。
10.如权利要求7所述的方法,其中,合并所述前向轨迹和所述反向轨迹包括组合所述前向轨迹和所述反向轨迹的纬度和经度的连续变化。
11.如权利要求1所述的方法,其中,所述估计轨迹基于前向轨迹和反向轨迹中的至少一个,并且其中生成所述前向轨迹和所述反向轨迹中的至少一个包括在所述第一时间段内的平滑操作。
12.如权利要求1所述的方法,其中,所述估计轨迹至少基于在所述第一时间段内的反向平滑操作。
13.如权利要求1所述的方法,其中,所述估计轨迹至少基于在所述第一时间段内的多轮次平滑操作。
14.如权利要求1所述的方法,其中,所述估计轨迹基于前向轨迹和反向轨迹中的至少一个,并且其中生成所述前向轨迹和所述反向轨迹中的至少一个包括对用于至少一个时期的所述导航解决方案的航向信息进行滤波。
15.如权利要求14所述的方法,其中,对航向信息进行滤波包括应用零相位低通滤波器。
16.如权利要求1所述的方法,其中,使用所述一组连接的矢量表示所述估计轨迹包括提供所述估计轨迹的分段线性化近似。
17.如权利要求16所述的方法,其中,所述分段线性化近似包括所述估计轨迹上的一系列点,使得每个连续点对在所述一组连接的矢量中定义矢量。
18.如权利要求17所述的方法,其中,使用所述一组连接的矢量表示所述估计轨迹进一步包括最小化所述一组连接的矢量中的矢量的数量,同时满足误差阈值。
19.如权利要求17所述的方法,其中,使用所述一组连接的矢量表示所述估计轨迹进一步包括当矢量角度的变化低于阈值时组合顺序矢量。
20.如权利要求1所述的方法,其中,所述地图信息包括连接的路线和节点的网格地图。
21.如权利要求20所述的方法,其中,所述网格地图可以表示室内场所、零售商场所、室外场所、街道地图、道路地图、管线地图和飞行地图中的至少一个。
22.如权利要求20所述的方法,其中,所述一组连接的矢量与所述地图信息的全局形状匹配包括将所述网格地图的节点匹配到所述一组连接的矢量的节点,其中相邻矢量之间的每个连接定义所述一组连接的矢量的节点。
23.如权利要求20所述的方法,其中,所述一组连接的矢量与所述地图信息的全局形状匹配进一步包括将所述网格地图表示为有向无环图,所述有向无环图具有与所述一组连接的矢量中的矢量的数量相等的行数。
24.如权利要求23所述的方法,其中,所述一组连接的矢量与所述地图信息的全局形状匹配进一步包括对所述有向无环图的节点之间的路线和所述组连接的矢量进行求值作为成本函数。
25.如权利要求24所述的方法,其中,所述成本函数至少部分地取决于所述有向无环图的节点之间的长度与来自所述一组连接的矢量的相对应的矢量的长度之间的差值以及路线的角度与前一个路线的角度之间的差值。
26.如权利要求25所述的方法,其中,所述一组连接的矢量与所述地图信息的全局形状匹配进一步包括应用最短路径算法。
27.如权利要求1所述的方法,其中,所述一组连接的矢量与所述地图的全局形状匹配进一步包括利用与所述估计轨迹相关联的锚点。
28.如权利要求27所述的方法,其中,锚点的所述利用进一步包括识别与所述估计轨迹相关联的所述锚点。
29.如权利要求27所述的方法,进一步包括获取与所述估计轨迹相关联的多个锚点。
30.如权利要求27所述的方法,进一步包括以下项中的一个或多个:(i)约束所述解决方案路径以包括所述锚点;(ii)使用所述锚点来约束所述估计轨迹;(iii)在估计所述轨迹之前将所述锚点与所述导航解决方案相整合;以及(iv)基于与所述锚点的接近度来对所述全局优化问题加权。
31.如权利要求27所述的方法,其中,所述锚点从所述便携式设备的绝对导航信息的源导出,并且其中,所述绝对导航信息从以下各项中的任何一个或任何组合获得:(i)全球导航卫星系统(GNSS);(ii)基于蜂窝的定位;(iii)基于WiFi的定位;(iv)基于蓝牙的定位;(v)其他基于无线的定位;以及(vi)基于可见光通信的定位。
32.如权利要求27所述的方法,其中,所述锚点从销售点信息导出。
33.如权利要求27所述的方法,其中,所述锚点从所述便携式设备与具有已知位置的项目之间的交互导出。
34.如权利要求1所述的方法,进一步包括在所述估计轨迹中检测楼层变化。
35.如权利要求34所述的方法,进一步包括至少部分地基于检测到的楼层变化将所述估计轨迹分成多个子轨迹,并且对每个子轨迹执行与所述地图信息的全局形状匹配。
36.如权利要求35所述的方法,其中,楼层变化模态和位置是已知的。
37.如权利要求35所述的方法,其中,楼层变化模态和位置具有模糊性,进一步包括:至少部分地基于所述检测到的楼层变化覆盖关于所述楼层变化模态和位置的不同假设来估计至少一个替代子轨迹;对每个估计子轨迹执行全局形状匹配;从替代子轨迹重建可能的估计轨迹;以及比较每个可能的子轨迹的结果以导出所述解决方案路径。
38.如权利要求1所述的方法,进一步包括以下项中的一个:(i)至少部分地基于所述解决方案路径导出用户分析;以及(ii)至少部分地基于聚合对所述用户的在所述环境内的多个轨迹导出的解决方案导出总体用户分析。
39.如权利要求1所述的方法,进一步包括通过聚合对所述环境内的多个轨迹导出的解决方案路径来众包。
40.如权利要求38所述的方法,进一步包括记录由所述便携式设备进行的传感器测量并且将所述传感器测量与沿着所述解决方案路径的至少一个位置相关联。
41.如权利要求39所述的方法,进一步包括用所记录的传感器测量建立指纹地图。
42.如权利要求1所述的方法,进一步包括确定所述解决方案路径的总体不确定性。
43.如权利要求41所述的方法,其中,所述总体不确定性可以是以下项中的一个:(i)跨轨道不确定性,(ii)沿轨道不确定性,或(iii)跨轨道不确定性和沿轨道不确定性的组合。
44.如权利要求41所述的方法,进一步包括针对所述估计轨迹、所述一组连接的矢量和与所述地图信息的所述全局形状匹配中的至少一个确定不确定性。
45.如权利要求41所述的方法,进一步包括确定与所述解决方案路径相关联的不确定性并且至少部分地基于所述解决方案路径和所确定的不确定性导出用户分析。
46.如权利要求41所述的方法,进一步包括确定与所述解决方案路径相关联的不确定性并且通过至少部分地基于所确定的不确定性聚合对所述环境内的多个轨迹导出的解决方案路径来众包。
47.一种用于使用地图信息增强便携式设备和平台的导航解决方案的便携式设备,其中所述便携式设备的移动性在所述平台内受到约束或不受约束,并且其中所述便携式设备可以被倾斜成任何取向,所述便携式设备包括:
a)集成传感器组件,所述集成传感器组件被配置为输出针对所述便携式设备的在从第一位置到第二位置的第一时间段内的多个时期的传感器数据,所述传感器数据表示所述便携式设备的运动;
b)导航模块,所述导航模块被配置为至少部分地基于在多个传感器时期处的所述传感器数据来导出导航解决方案并且从在所述第一时间段内的所获得的传感器数据来估计所述便携式设备的轨迹;以及
c)全局优化器,所述全局优化器被配置为:
i)获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息;
ii)使用一组连接的矢量来表示所估计的轨迹;以及
iii)针对作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息的全局形状匹配作为整体优化问题以导出解决方案路径。
48.如权利要求46所述的便携式设备,进一步包括针对所述便携式设备的绝对导航信息的源,其中所述全局形状匹配至少部分地基于所述绝对导航信息。
49.如权利要求47所述的便携式设备,其中,所述绝对导航信息从以下各项中的任何一个或任何组合获得:(i)全球导航卫星系统(GNSS);(ii)基于蜂窝的定位;(iii)基于WiFi的定位;(iv)基于蓝牙的定位或(v)其他基于无线的定位。
50.如权利要求46所述的便携式设备,其中,所述传感器组件包括加速度计和陀螺仪。
51.如权利要求46所述的便携式设备,其中,所述传感器组件包括被实现为微机电系统(MEMS)的惯性传感器。
52.一种用于使用地图信息增强便携式设备和平台的导航解决方案的远程处理资源,其中所述便携式设备的移动性在所述平台内受到约束或不受约束,并且其中所述便携式设备可以被倾斜成任何取向,所述远程处理资源包括:
a)通信模块,所述通信模块用于接收由所述便携式设备提供的信息,其中所述信息对应于第一时间段内的多个时期的表示所述便携式设备从第一位置到第二位置的运动的传感器数据;以及
b)全局优化器,所述全局优化器被配置为:
i)获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息;
ii)使用一组连接的矢量来表示从所述传感器数据估计的轨迹;以及
iii)针对作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息的全局形状匹配作为整体优化问题以导出解决方案路径。
53.如权利要求51所述的远程处理资源,其中,由所述通信模块接收的信息包括所述便携式设备的传感器数据,所述传感器数据表示所述便携式设备在所述时期的运动,并且其中所述远程处理资源进一步被配置为至少部分地基于所述传感器数据导出针对所述时期的导航解决方案并从所导出的导航解决方案估计所述轨迹。
54.如权利要求51所述的远程处理资源,其中,由所述通信模块接收的所述信息包括由所述便携式设备针对所述时期导出的导航解决方案,并且其中所述远程处理资源进一步被配置为从所导出的导航解决方案估计所述轨迹。
55.如权利要求51所述的远程处理资源,其中,由所述通信模块接收的所述信息包括所估计的轨迹。
56.如权利要求51所述的远程处理资源,其中,所述通信模块被配置为向所述便携式设备发送所述解决方案路径。
57.一种用于使用地图信息提供解决方案路径的系统,包括:
a)便携式设备,所述便携式设备包括集成传感器组件和通信模块,所述集成传感器组件被配置为输出针对所述便携式设备在从第一位置到第二位置的第一时间段内的多个时期的传感器数据,所述传感器数据表示所述便携式设备的运动,所述通信模块用于发送对应于所述时期的信息;以及
远程处理资源,所述远程处理资源被配置为从所述便携式设备接收所述信息并且具有全局优化器,所述全局优化器被配置为:
i)获得包含所述便携式设备在所述第一时间段期间的位置的环境的地图信息;
ii)使用一组连接的矢量来表示从所述传感器数据估计的轨迹;以及
iii)针对作为从所述第一位置到所述第二位置的总体整体的所述一组连接的矢量执行与所述地图信息的全局形状匹配作为整体优化问题以导出解决方案路径。
58.如权利要求56所述的系统,其中,由所述远程处理资源接收的所述信息包括所述便携式设备的传感器数据,并且其中所述远程处理资源被进一步配置为至少部分地基于所述传感器数据来导出针对所述时期的导航解决方案并且从所导出的导航解决方案估计所述路径。
59.如权利要求56所述的系统,其中,所述便携式设备进一步包括导航模块,所述导航模块被配置为至少部分地基于所述多个时期的所述传感器数据来导出导航解决方案,其中所述通信模块将所述导航解决方案发送到所述远程处理资源,并且其中所述远程处理资源进一步被配置为从所接收的导航解决方案估计所述轨迹。
60.如权利要求56所述的系统,其中,所述便携式设备进一步包括导航模块,所述导航模块被配置为至少部分地基于在所述多个时期的所述传感器数据导出导航解决方案并且从所导出的导航解决方案估计所述轨迹,其中,所述通信模块将所估计的轨迹发送到所述远程处理资源。
61.如权利要求56所述的系统,其中,所述远程处理资源被进一步配置为向所述便携式设备发送所述解决方案路径。
62.如权利要求56所述的系统,其中,所述便携式设备由从人、车辆、骑行平台、陆基船、水基船、空中船和水下船中选择出的平台来输送。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662411879P | 2016-10-24 | 2016-10-24 | |
US62/411,879 | 2016-10-24 | ||
US15/385,412 | 2016-12-20 | ||
US15/385,412 US10281279B2 (en) | 2016-10-24 | 2016-12-20 | Method and system for global shape matching a trajectory |
PCT/US2017/058169 WO2018081186A1 (en) | 2016-10-24 | 2017-10-24 | Method and system for global shape matching a trajectory |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110100155A true CN110100155A (zh) | 2019-08-06 |
Family
ID=61970178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780079899.2A Pending CN110100155A (zh) | 2016-10-24 | 2017-10-24 | 用于全局形状匹配轨迹的方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10281279B2 (zh) |
EP (1) | EP3529560A1 (zh) |
CN (1) | CN110100155A (zh) |
WO (1) | WO2018081186A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595487A (zh) * | 2019-07-24 | 2019-12-20 | 平安科技(深圳)有限公司 | 行车轨迹生成方法、装置、计算机设备及存储介质 |
CN112380311A (zh) * | 2020-11-27 | 2021-02-19 | 上海评驾科技有限公司 | 一种基于行程轨迹的poi识别方法 |
CN112528081A (zh) * | 2020-12-24 | 2021-03-19 | 长沙翔宇信息科技有限公司 | 一种空间态势相对运动轨迹多级载入展示方法及装置 |
CN113126132A (zh) * | 2021-04-09 | 2021-07-16 | 内蒙古科电数据服务有限公司 | 一种移动巡检中轨迹校准与分析方法及系统 |
CN113505152A (zh) * | 2021-09-10 | 2021-10-15 | 环球数科集团有限公司 | 智慧城市母婴室数据信息处理方法、系统及存储介质 |
CN114018280A (zh) * | 2021-11-12 | 2022-02-08 | 深圳市乐福衡器有限公司 | 一种基于方位角的运动轨迹测量方法及测量系统 |
CN114111784A (zh) * | 2021-10-26 | 2022-03-01 | 杭州电子科技大学 | 一种基于众包的室内走廊地图自动构建方法及系统 |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110525B1 (en) | 2001-06-25 | 2006-09-19 | Toby Heller | Agent training sensitive call routing system |
US11105655B2 (en) * | 2012-08-09 | 2021-08-31 | Bae Systems Information And Electronic Systems Integration Inc. | Integrated data registration |
US9798011B2 (en) * | 2012-08-31 | 2017-10-24 | Apple Inc. | Fast GPS recovery using map vector data |
JP6352877B2 (ja) * | 2015-09-18 | 2018-07-04 | ヤフー株式会社 | マップ生成装置、マップ生成方法及びマップ生成プログラム |
US11157958B2 (en) | 2016-01-19 | 2021-10-26 | Invensense, Inc. | Associating a single entity with multiple electronic devices |
CN107272727B (zh) * | 2016-04-01 | 2022-02-01 | 松下电器(美国)知识产权公司 | 自主移动体 |
US10150563B2 (en) * | 2016-04-01 | 2018-12-11 | Panasonic Intellectual Property Corporation | Autonomous moving machine system |
CN107070961B (zh) | 2016-09-30 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 基于地理位置数据的热点区域确定方法及装置 |
US10452459B2 (en) | 2016-12-09 | 2019-10-22 | Microsoft Technology Licensing, Llc | Device driver telemetry |
US10467082B2 (en) * | 2016-12-09 | 2019-11-05 | Microsoft Technology Licensing, Llc | Device driver verification |
EP3339807B1 (en) * | 2016-12-20 | 2024-03-13 | HERE Global B.V. | An apparatus and associated methods for determining the location of a vehicle |
JP6766967B2 (ja) | 2016-12-27 | 2020-10-14 | 株式会社デンソー | マイクロロケーションセンサ通信のためのシステムおよび方法 |
CN109073761A (zh) * | 2017-03-20 | 2018-12-21 | 谷歌有限责任公司 | 使用真实世界地图和传感器数据确定经改进的用户位置的系统和方法 |
US10663298B2 (en) * | 2017-06-25 | 2020-05-26 | Invensense, Inc. | Method and apparatus for characterizing platform motion |
CN109282806B (zh) * | 2017-07-20 | 2024-03-22 | 罗伯特·博世有限公司 | 用于确定步行者位置的方法、装置和存储介质 |
CH714184A1 (de) * | 2017-09-21 | 2019-03-29 | Marte Gerhard | Verfahren zur Sicherstellung, dass ein Streckenblock einer Eisenbahnstrecke frei von der letzten Einheit eines Zuges ist. |
KR102440358B1 (ko) * | 2017-10-12 | 2022-09-05 | 한화디펜스 주식회사 | 관성 기반 항법 장치 및 상대사전적분에 따른 관성 기반 항법 방법 |
CN108921109B (zh) * | 2018-07-06 | 2021-09-17 | 安徽融合智能科技有限公司 | 一种面向监控态势的移动目标轨迹可视化方法 |
US11035915B2 (en) * | 2018-09-28 | 2021-06-15 | Invensense, Inc. | Method and system for magnetic fingerprinting |
US10262437B1 (en) * | 2018-10-31 | 2019-04-16 | Booz Allen Hamilton Inc. | Decentralized position and navigation method, device, and system leveraging augmented reality, computer vision, machine learning, and distributed ledger technologies |
CN109556597A (zh) * | 2018-11-16 | 2019-04-02 | 西北工业大学 | 一种基于群体视觉的行人导航方法 |
CN109727269B (zh) * | 2019-03-29 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种基于单目视觉和道路地图的匹配定位方法 |
CN111954157A (zh) * | 2019-04-30 | 2020-11-17 | 博世汽车部件(苏州)有限公司 | 行驶设备及其用于获取行驶轨迹的方法及装置 |
US11199410B2 (en) * | 2019-04-30 | 2021-12-14 | Stmicroelectronics, Inc. | Dead reckoning by determining misalignment angle between movement direction and sensor heading direction |
US11747142B2 (en) | 2019-04-30 | 2023-09-05 | Stmicroelectronics, Inc. | Inertial navigation system capable of dead reckoning in vehicles |
CN110345935B (zh) * | 2019-06-04 | 2020-12-29 | 中国地质大学(武汉) | 一种室内地图匹配定位的方法 |
US10616723B1 (en) * | 2019-07-16 | 2020-04-07 | Eagle Technology, Llc | System for mapping building interior with PDR and ranging and related methods |
US11709252B2 (en) * | 2019-08-21 | 2023-07-25 | Arm Limited | Topological model generation |
US11263347B2 (en) * | 2019-12-03 | 2022-03-01 | Truata Limited | System and method for improving security of personally identifiable information |
CN111006693B (zh) * | 2019-12-12 | 2021-12-21 | 中国人民解放军陆军工程大学 | 智能飞行器航迹规划系统及其方法 |
CN113091755B (zh) * | 2019-12-19 | 2024-04-09 | 广州极飞科技股份有限公司 | 运动轨迹的跟踪方法、装置、设备及存储介质 |
CN113641548B (zh) * | 2020-04-27 | 2024-05-31 | 北京小马智行科技有限公司 | 自动驾驶车辆的控制方法及装置、自动驾驶车辆 |
CN111986227B (zh) * | 2020-08-26 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | 轨迹生成方法、装置、计算机设备及存储介质 |
US11790793B2 (en) * | 2021-01-08 | 2023-10-17 | Honeywell International Inc. | Systems and methods for model based vehicle navigation |
US11781836B2 (en) | 2021-03-04 | 2023-10-10 | Honeywell International Inc. | Systems and methods for model based inertial navigation for a spinning projectile |
CN113108774B (zh) * | 2021-05-21 | 2023-11-10 | 深圳市人工智能与机器人研究院 | 水下机器人及水下机器人导航定位方法 |
CN113254562B (zh) * | 2021-06-18 | 2021-09-28 | 长安大学 | 一种高效gps轨迹地图匹配方法 |
DE102021124397B4 (de) * | 2021-09-21 | 2023-08-31 | Cariad Se | Verfahren und Prozessorschaltung zum Ermitteln einer aktuellen Fahrzeugpose eines Kraftfahrzeugs im Raum sowie Kraftfahrzeug mit der Prozessorschaltung |
CN114493106B (zh) * | 2021-12-23 | 2022-11-22 | 电子科技大学(深圳)高等研究院 | 一种基于地理划分的空间众包任务分配方法 |
CN114440892B (zh) * | 2022-01-27 | 2023-11-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于拓扑地图和里程计的自定位方法 |
CN114577210B (zh) * | 2022-02-24 | 2024-07-09 | 哈尔滨工程大学 | 基于地图信息矩阵的跨区域检测算法 |
CN114543842B (zh) * | 2022-02-28 | 2023-07-28 | 重庆长安汽车股份有限公司 | 一种多传感器融合定位系统的定位精度评价系统及方法 |
CN114964267B (zh) * | 2022-07-26 | 2022-10-25 | 中国科学院合肥物质科学研究院 | 一种无人牵引车在多任务点环境下的路径规划方法 |
CN116957272B (zh) * | 2023-07-27 | 2024-07-12 | 北京和德宇航技术有限公司 | 一种卫星任务规划方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653218B1 (en) * | 2006-05-02 | 2010-01-26 | Orbimage Si Opco, Inc. | Semi-automatic extraction of linear features from image data |
US20130095849A1 (en) * | 2011-10-11 | 2013-04-18 | Qualcomm Incorporated | System and/or method for pedestrian navigation |
US20130179067A1 (en) * | 2010-09-29 | 2013-07-11 | University of Virginia Patent Foundation, d/b/a University of Virginia Licensing & Ventures Group | Method, System and Computer Program Product for Optimizing Route Planning Digital Maps |
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN103415072A (zh) * | 2013-08-08 | 2013-11-27 | 重庆大学 | 一种无线传感网络中基于估距的定位方法 |
US20140372026A1 (en) * | 2011-09-14 | 2014-12-18 | Trusted Positioning Inc. | Method and apparatus for navigation with nonlinear models |
CN105509745A (zh) * | 2014-09-03 | 2016-04-20 | 可信定位股份有限公司 | 将多个滤波器用于增强型便携式导航的方法和装置 |
CN105556243A (zh) * | 2013-08-06 | 2016-05-04 | 高通股份有限公司 | 用于使用轨迹进行位置估计的方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10415978B2 (en) * | 2015-11-20 | 2019-09-17 | Samsung Electronics Co., Ltd. | Landmark location determination |
-
2016
- 2016-12-20 US US15/385,412 patent/US10281279B2/en active Active
-
2017
- 2017-10-24 CN CN201780079899.2A patent/CN110100155A/zh active Pending
- 2017-10-24 WO PCT/US2017/058169 patent/WO2018081186A1/en active Application Filing
- 2017-10-24 EP EP17794200.0A patent/EP3529560A1/en not_active Ceased
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7653218B1 (en) * | 2006-05-02 | 2010-01-26 | Orbimage Si Opco, Inc. | Semi-automatic extraction of linear features from image data |
US20130179067A1 (en) * | 2010-09-29 | 2013-07-11 | University of Virginia Patent Foundation, d/b/a University of Virginia Licensing & Ventures Group | Method, System and Computer Program Product for Optimizing Route Planning Digital Maps |
US20140372026A1 (en) * | 2011-09-14 | 2014-12-18 | Trusted Positioning Inc. | Method and apparatus for navigation with nonlinear models |
US20130095849A1 (en) * | 2011-10-11 | 2013-04-18 | Qualcomm Incorporated | System and/or method for pedestrian navigation |
CN103278170A (zh) * | 2013-05-16 | 2013-09-04 | 东南大学 | 基于显著场景点检测的移动机器人级联地图创建方法 |
CN105556243A (zh) * | 2013-08-06 | 2016-05-04 | 高通股份有限公司 | 用于使用轨迹进行位置估计的方法及设备 |
CN103415072A (zh) * | 2013-08-08 | 2013-11-27 | 重庆大学 | 一种无线传感网络中基于估距的定位方法 |
CN105509745A (zh) * | 2014-09-03 | 2016-04-20 | 可信定位股份有限公司 | 将多个滤波器用于增强型便携式导航的方法和装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595487A (zh) * | 2019-07-24 | 2019-12-20 | 平安科技(深圳)有限公司 | 行车轨迹生成方法、装置、计算机设备及存储介质 |
CN110595487B (zh) * | 2019-07-24 | 2024-07-23 | 平安科技(深圳)有限公司 | 行车轨迹生成方法、装置、计算机设备及存储介质 |
CN112380311A (zh) * | 2020-11-27 | 2021-02-19 | 上海评驾科技有限公司 | 一种基于行程轨迹的poi识别方法 |
CN112380311B (zh) * | 2020-11-27 | 2024-04-02 | 上海评驾科技有限公司 | 一种基于行程轨迹的poi识别方法 |
CN112528081A (zh) * | 2020-12-24 | 2021-03-19 | 长沙翔宇信息科技有限公司 | 一种空间态势相对运动轨迹多级载入展示方法及装置 |
CN112528081B (zh) * | 2020-12-24 | 2021-09-14 | 长沙翔宇信息科技有限公司 | 一种空间态势相对运动轨迹多级载入展示方法及装置 |
CN113126132A (zh) * | 2021-04-09 | 2021-07-16 | 内蒙古科电数据服务有限公司 | 一种移动巡检中轨迹校准与分析方法及系统 |
CN113505152A (zh) * | 2021-09-10 | 2021-10-15 | 环球数科集团有限公司 | 智慧城市母婴室数据信息处理方法、系统及存储介质 |
CN114111784A (zh) * | 2021-10-26 | 2022-03-01 | 杭州电子科技大学 | 一种基于众包的室内走廊地图自动构建方法及系统 |
CN114018280A (zh) * | 2021-11-12 | 2022-02-08 | 深圳市乐福衡器有限公司 | 一种基于方位角的运动轨迹测量方法及测量系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3529560A1 (en) | 2019-08-28 |
US10281279B2 (en) | 2019-05-07 |
US20180112983A1 (en) | 2018-04-26 |
WO2018081186A1 (en) | 2018-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110100155A (zh) | 用于全局形状匹配轨迹的方法和系统 | |
US10126134B2 (en) | Method and system for estimating uncertainty for offline map information aided enhanced portable navigation | |
El-Sheimy et al. | Indoor navigation: State of the art and future trends | |
Bresson et al. | Simultaneous localization and mapping: A survey of current trends in autonomous driving | |
US10018474B2 (en) | Method and system for using offline map information aided enhanced portable navigation | |
US9797732B2 (en) | Method and apparatus for using map information aided enhanced portable navigation | |
US12069536B2 (en) | Revising an unstable location fingerprint database for an area | |
US10429196B2 (en) | Method and apparatus for cart navigation | |
CN110083149A (zh) | 用于自动驾驶车辆的路径与速度优化后馈机制 | |
US11162792B2 (en) | Method and system for path-based point of sale ordering | |
US11875519B2 (en) | Method and system for positioning using optical sensor and motion sensors | |
US20190170521A1 (en) | Method and system for fingerprinting survey | |
CN111272180A (zh) | 用于估计地图上的定位位置的方法和装置 | |
CN105044668A (zh) | 一种基于多传感器装置的wifi指纹数据库构建方法 | |
CN109931927A (zh) | 轨迹记录方法、室内地图绘制方法、装置、设备及系统 | |
Herath et al. | Fusion-dhl: Wifi, imu, and floorplan fusion for dense history of locations in indoor environments | |
CN112651991B (zh) | 视觉定位方法、装置及计算机系统 | |
MAILKA et al. | An efficient end-to-end EKF-SLAM architecture based on LiDAR, GNSS, and IMU data sensor fusion for autonomous ground vehicles | |
Nur et al. | Monocular visual odometry with road probability distribution factor for lane-level vehicle localization | |
Liao et al. | The development of an artificial neural networks aided image localization scheme for indoor navigation applications with floor plans built by multi-platform mobile mapping systems | |
Huang | Wheel Odometry Aided Visual-Inertial Odometry in Winter Urban Environments | |
Le et al. | The Performance Analysis of Multi-Sensor Integration Using Smartphone’s Sensors for Seamless Urban and Indoor Navigation | |
Liao et al. | Artificial neural networks aided image localization for pedestrian dead reckoning for indoor navigation applications | |
Huang et al. | Adaptive Multi-Sensor Integrated Navigation System Aided by Continuous Error Map from RSU for Autonomous Vehicles in Urban Areas | |
WO2024138110A9 (en) | Method and system for map building using radar and motion sensors |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190806 |