CN110345935A - 一种室内地图匹配定位的方法 - Google Patents
一种室内地图匹配定位的方法 Download PDFInfo
- Publication number
- CN110345935A CN110345935A CN201910481496.1A CN201910481496A CN110345935A CN 110345935 A CN110345935 A CN 110345935A CN 201910481496 A CN201910481496 A CN 201910481496A CN 110345935 A CN110345935 A CN 110345935A
- Authority
- CN
- China
- Prior art keywords
- node
- hidden state
- probability
- interior space
- graph model
- 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.)
- Granted
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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
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)
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种室内地图匹配定位的方法,利用室内空间信息,对行人可运动空间进行描述;在狭长区域采用一维路网模型表示,在开阔区域使用格网模型表示,符合室内行人的运动特征。在地图匹配过程中,通过使用行人的朝向信息结合室内空间图模型中的空间信息,构建局部动态图模型,移除多余的隐藏状态,减少地图匹配的搜索空间,显著降低地图匹配计算复杂度。本发明在使用朝向辅助室内地图匹配估计位置时,使用行人的朝向信息与室内空间图模型中的边的方向信息动态构建状态转移矩阵,增强室内空间信息的约束,提高了室内地图匹配的精度。本发明的有益效果是:降低地图匹配的计算复杂度,增强定位精度。
Description
技术领域
本发明涉及线通信与室内定位领域,尤其涉及一种室内地图匹配定位的方法。
背景技术
位置是人类生活与发展的重要基础信息。据估计人类所能获取到的信息中80%都与空间位置有关,而人们平均花费多达87%的时间在室内空间。获得准确、可靠、泛在的室内位置信息是公共安全、应急救援、特殊人群监护等的迫切需求,是物联网、移动社交、智能制造等的关键支撑。对于大型商场、出行交通设施(例如,机场和火车站)、银行、医院、安全管理以及其他一切向室内用户提供服务的场所,室内位置信息有着非常重要的作用。室内环境通常很复杂,而且具有以下特征:多层性、存在很多障碍物、空间结构经常变换、经常有大量行人移动、定位信号容易波动和受到噪声影响等。此外,受当前硬件技术限制,智能手机的计算能力和续航能力有限,过于复杂的定位算法将会导致电量消耗过快或者定位延迟过高。
由于无线局域网和支持Wi-Fi的移动设备的广泛普及,使得基于Wi-Fi的室内定位无需部署额外的基础设施投资,成本低廉。基于Wi-Fi信号的定位技术在学术界和产业界均得到了持续的关注。另一方面,智能手机普遍内置了惯性传感器,包括加速度传感器、陀螺仪、电子罗盘等。通过惯性传感器,可以感知行人的运动状态,通过航位推算方法估计行人位置。
行人航位推算方法是一种自主定位技术,不依赖任何定位基础设施,部署成本非常低,但是该方法存在累积误差而且需要已知行人的初始状态。
室内空间结构限制了行人的可运动区域,合理的使用室内空间信息将有利于室内定位。例如,行人只能通过门进出房间,通过楼梯或者电梯来切换楼层等。地图匹配方法可以对定位结果进行增强,地图匹配方法一般以其他定位结果作为输入信息,以路网作为隐藏状态,通过序列匹配的方法求解违反空间约束最少的最优路径。但是当室内空间较大时,隐藏状态过多,会导致地图匹配计算过于复杂,对智能手机供电造成很大负担。在地图匹配定位方法中,隐藏状态的数量不仅对计算复杂度有重要影响,而且对定位精度也有影响。当减少空间模型的隐藏状态数量,即增大路网间隔时,行人的可运动区域将会变得稀疏,从而可在一定程度上降低计算复杂度。但是,过于稀疏的隐藏状态,将会降低地图匹配的定位精度,使得系统无法达到预期的定位效果。
发明内容
为了解决上述问题,本发明提供了一种室内地图匹配定位的方法,主要包括以下步骤:
S1:根据室内空间信息,得到行人可运动空间,构建室内空间图模型;所述室内空间图模型由节点集合与边集合构成;各节点中均存储了可运动空间的位置信息信息和室内空间语义信息,节点集合表示了行人的可运动空间;边中存储了节点间拓扑信息和几何信息,边集合用来表示限制行人的运动空间;
S2:根据所述室内空间图模型和其他定位技术首次得到的估计位置,得到各个节点的初始概率分布πi,并选择初始概率最大的k个节点作为隐藏状态;k为大于0的正整数;初始概率分布πi为:
πi=1/((Lex-nix)2+(Ley-niy)2+γe)
其中,ni表示室内空间图模型中的第i个节点,πi表示第i个节点的初始概率,ni.x表示该节点的横坐标,ni.y表示该节点的纵坐标,Le.x表示估计位置的横坐标,Le.y表示估计位置的纵坐标,γe的取值范围为(0,0.01];
S3:根据所述其他定位技术再次得到的估计位置和所述室内空间图模型中拓扑信息,提取与前一次隐藏状态相连的节点作为候选隐藏状态;根据所述室内空间图模型中的几何信息,剔除与行人朝向偏差大于90°的候选隐藏状态,得到剩余候选隐藏状态;将前一次的隐藏状态和剩余候选隐藏状态进行合并,结合所述室内空间图模型中的边集合,构建局部动态图模型;
S4:根据所述局部动态图模型的空间信息、采用其他定位技术得到的估计位置和行人朝向,构建状态转移概率p(ni|nj,θt,G),状态转移概率p(ni|nj,θt,G)为:
p(ni|nj,θt,G)=ω(ni,nj)p(ni|nj,θt),i≠j
其中,ω(ni,nj)和p(ni|nj,θt)分别为室内空间图模型中的拓扑约束和几何约束;ni和nj分别表示不同的节点;θt为行人朝向;G为室内空间图模型;
S5:根据所述局部动态图模型中的空间信息,结合估计位置和行人朝向,构建发散概率P(Lt|ni),发散概率P(Lt|ni)为:
P(Lt|ni)=1/((Lt.x-ni·x)2+(Lt.y-ni.y)2+γt)
其中,Lt为行人在t时刻的估计位置,Lt.x为估计位置的横坐标,Lt.y为估计位置的纵坐标,ni表示室内空间图模型中的节点,即隐藏状态,ni·x为节点ni的横坐标,ni.y为节点ni的纵坐标,γt的取值范围为(0,0.01];
S6:通过状态转移概率和发散概率分别约束隐藏状态的转移和更新隐藏状态的概率,计算出当前的维特比路径T(t,i):T(t,i)=argmaxj(p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni));其中,p(nj,t-1)为t-1时刻隐藏状态状态nj的概率,p(ni|nj,θt,G)为隐藏状态nj到隐藏状态ni的转移概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,argmaxj表示选择使概率p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni)最大的j的值,T(t,i)表示在t时刻隐藏状态ni的维特比路径;
S7:根据所述维特比路径,选择所述局部动态图模型中概率最大的k个节点作为存活节点,k为大于0的正整数,移除其他节点,并删除相应的边,所述存活节点将作为下一次迭代的隐藏状态;
S8:每接收一次所述其他定位技术得到的估计位置时,则运行一次步骤S3至S7,对隐藏状态和维特比路径进行更新;
S9:当不再接收所述其他定位技术得到的估计位置时,得到概率最大的一条维特比路径,该维特比路径即为最优匹配路径。
进一步地,在狭长区域所述室内空间图模型为路网模型,在开阔区域所述室内空间图模型为格网图;所述室内空间图模型G=<nodes,edges>,其中,nodes和edges分别代表节点集合和边集合;节点node=<id,location,S>,其中,id表示当前节点,location表示当前节点的物理坐标的三元组<floor,x,y>,S表示所述节点的语义信息,所述语义信息包括走廊、房间、楼梯和电梯;边edge=<in,nodei,nodej,h>,其中,in表示当前边,nodei和nodej分别表示当前边上的两个不同节点,h表示当前边的方向信息。
进一步地,拓扑约束ω(ni,nj)为:
其中,i≠j,当室内空间图模型G包含边edgej,i时,即当节点ni和nj之间存在连通关系时,ω(ni,nj)的值为1;否则ω(ni,nj)的值为0;几何约束p(ni|nj,θt)为:
其中,hj,i为从节点nj到节点ni的方向信息,θt为行人的朝向,是行人朝向变化测量值误差的方差;
隐藏状态自身转移概率为:
p(ni|nj,θt,G)=γs,i=j
γs为隐藏状态自身转移概率。
进一步地,约束隐藏状态之间的转移的方法如下:
p(ni,t)=p(nj,t-1)p(ni|nj,θt,G)
其中,p(nj,t-1)表示上一时刻隐藏状态nj的概率,p(ni,t)为当前时刻隐藏状态ni的概率,p(ni|nj,θt,G)为由行人朝向和室内空间图模型约束的状态转移概率。
进一步地,对隐藏状态的概率进行更新的具体方法如下:
其中p(ni)为隐藏状态ni在状态转移后的概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,为隐藏状态ni经发散概率更新后的概率。
进一步地,计算当前的维特比路径的方法如下:
T(t,i)=argmaxj(p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni))
其中,p(nj,t-1)为t-1时刻状态nj的概率,p(ni|nj,θt,G)为状态nj到状态ni的转移概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,argmaxj表示选择使概率p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni)最大的j的值,T(t,i)表示在时刻t节点ni的维特比路径。
本发明的有益效果是:降低地图匹配的计算复杂度,提高了定位精度,具有实用性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种室内地图匹配定位的方法的流程图;
图2是本发明实施例中构建的室内空间图模型图;
图3是本发明实施例中局部动态图模型构建与更新的示意图;
图4是本发明实施例中基于行人朝向的隐藏状态转移;
图5是本发明实施例中通过辅助室内地图匹配定位得到的匹配路径。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种室内地图匹配定位的方法。首先对室内空间结构进行划分,结合行人在室内的运动特征,在狭长区域使用一维路网模型表示,在开阔区域采用二维格网模型表示。所述行人在室内的运动特征是指行人在室内的运动习惯,例如在走廊一般都是会沿着走廊方向向前或者向后,所以采用一维路网模型表示;而在大厅(开阔区域)运动则自由一些,通常可以任意走动,所以使用了二维的格网模型表示;而行人如果想去其他楼层则只能通过楼梯或者电梯。然后根据当前的隐藏状态、行人朝向构建局部动态图模型。分别是基于行人朝向的隐藏状态转移概率计算、发散概率计算以及隐藏状态更新。最终,使用Viterbi算法对地图匹配过程进行求解,得到最优匹配路径。
请参考图1,图1是本发明实施例中一种室内地图匹配定位的方法的流程图,由图1可知,一种室内地图匹配定位的方法的流程如下:
S1:根据室内空间信息,得到行人可运动空间,构建室内空间图模型;所述室内空间图模型由节点集合与边集合构成;各节点中均存储了可运动空间的位置信息信息和室内空间语义信息,节点集合表示了行人的可运动空间;边中存储了节点间拓扑信息和几何信息,边集合用来表示限制行人的运动空间;请参考图2,图2是本发明实施例中构建的室内空间图模型图,室内空间图模型结合了室内空间信息和行人可运动区域(也就是行人可运动空间),在狭长区域采用路网模型描述,在开阔区域采用格网图描述。所述室内空间图模型图包括单楼层室内空间图模型图以及多楼层室内空间图模型图。该模型既可以用于无线信号指纹定位,也可以用于多楼层室内地图匹配定位,具有自适应室内特征的特点。所述室内空间图模型G=<nodes,edges>,其中,nodes和edges分别代表节点集合和边集合;节点node=<id,location,S>,其中,id表示当前节点,location表示现场勘测的当前节点的物理坐标的三元组<floor,x,y>,S表示所述节点的语义信息,所述语义信息包括走廊、房间、楼梯和电梯;边edge=<in,nodei,nodej,h>,其中,in表示当前边,nodei和nodej分别表示当前边上的两个不同端点,h表示当前边的方向信息。
室内空间结构通常由狭长区域(如走廊)和开阔区域(如大厅)构成。因为行人在室内空间运动时往往沿着走廊的方向运动而非垂直走廊方向,将走廊看作一维处理。现场勘测时,沿着走廊中心线采集指纹参考点,并根据走廊的方向连接相邻的参考点。在开阔区域中,行人可以沿着任意方向自由移动。首先,将开阔区域划分成规则格网,并且在每一个格网的中心点采集无线信号强度作为参考点。其次,按照八个方向连接相邻的参考点。最后,对楼梯、电梯等垂直通道的参考点进行连接。构建生成的室内空间图模型中的节点既可以作为无线信号指纹定位参考点,也可以作为地图匹配的隐藏状态。室内空间图模型中的边可以约束行人的状态从一个节点向另一个节点转移。
S2:根据所述室内空间图模型和采用其他定位技术得到的首次估计位置,得到各个节点的初始概率分布πi,并选择初始概率最大的k个节点作为隐藏状态;其余节点的概率赋值为0。所述其他定位技术包括行人航位推算和无线信号指纹定位等;所述估计位置指的是利用其他定位技术得到的行人的位置;k为大于0的正整数;遍历室内空间图模型中所有的节点,计算每一个节点的初始概率分布πi:
πi=1/((Lex-nix)2+(Ley-niy)2+γe)
其中,ni表示室内空间图模型中的第i个节点,πi表示第i个节点的初始概率,ni.x表示该节点的横坐标,ni.y表示该节点的纵坐标,Le.x表示估计位置的横坐标,Le.y表示估计位置的纵坐标,γe表示一个大于0的极小值,γe的取值范围为(0,0.01],即γe的取值为大于0小于等于0.01的数值;
S3:根据所述其他定位技术再次得到的估计位置和所述室内空间图模型中拓扑信息,提取与前一次隐藏状态相连的节点作为候选隐藏状态;根据所述室内空间图模型中的几何信息,剔除与行人朝向偏差大于90°的候选隐藏状态,得到剩余候选隐藏状态;将前一次的隐藏状态和剩余候选隐藏状态进行合并,结合所述室内空间图模型中的边集合,构建局部动态图模型;
请参考图3,图3是本发明实施例中局部动态图模型构建与更新的示意图,每接收到一个其他定位技术得到的估计位置,就会根据行人朝向和室内空间图模型增加一些新的节点和边进入,而当转移概率和发散概率计算完成后,会选择k个概率最大的节点作为存活节点,所述存活节点也就是隐藏状态,用于下次迭代的相关更新。本质上局部动态图模型会随着接收到的估计位置进行动态调整,但是其节点的数量不会发生特别大的变化,维持在k附近,从而保证降低计算量。相关过程具体如下:
首先,根据室内空间图模型中的拓扑信息,提取与前一次隐藏状态相连的节点作为候选隐藏状态。其次,根据行人朝向和室内空间图模型中边的几何信息,剔除与行人朝向偏差大于90度的候选隐藏状态。候选隐藏状态跟前一次的隐藏状态会连接成线,假如该线与行人朝向的夹角大于90度,则剔除该候选隐藏状态;否则,保留该候选隐藏状态。通过朝向过滤一些不符合要求的候选隐藏状态,只有当前候选隐藏状态与前一次隐藏状态连接线与朝向较为接近时才可能是行人下一次所处的位置。再次,将前一次的隐藏状态与剩余的候选隐藏状态进行合并,并根据室内空间图模型中的几何信息和拓扑信息,生成局部动态图模型。局部动态图模型与完整的室内空间图模型的结构完全相同,但其规模将显著降低。该室内地图匹配定位方法的所有匹配过程都在局部动态图模型上进行操作,消除了冗余的隐藏状态,显著降低了地图匹配的计算复杂度。
S4:根据所述局部动态图模型的空间信息、采用其他定位技术得到的后续估计位置和行人朝向,构建状态转移概率p(ni|nj,θt,G);基于行人朝向的隐藏状态转移如图4所示,该图描述了隐藏状态转移的过程,节点为隐藏状态,虚线箭头为隐藏状态的转移概率,夹角表示行人的朝向与隐藏状态间连接线的偏差。隐藏状态转移分两种情况:由当前隐藏状态转移到其他隐藏状态和隐藏状态自身转移,所述隐藏状态自身转移即为保持当前隐藏状态不变。结合行人朝向的考虑后,由前一次的状态转移到当前状态的概率:
p(ni|nj,θt,G)=ω(ni,nj)p(ni|nj,θt),i≠j
其中,ω(ni,nj)和p(ni|nj,θt)分别为室内空间图模型中的拓扑约束和几何约束;ni和nj分别表示不同的节点;θt为行人朝向;G为室内空间图模型;
拓扑约束ω(ni,nj)为:
其中,当室内空间图模型G包含边edgej,i时,即当节点ni和nj之间存在连通关系时,ω(ni,nj)的值为1;否则ω(ni,nj)的值为0;几何约束p(ni|nj,θt)为:
其中,hj,i为从节点nj到节点ni的方向信息,θt为行人的朝向,是行人朝向变化测量值误差的方差;
隐藏状态自身转移概率为:
p(ni|nj,θt,G)=γs,i=j
γs为隐藏状态自身转移概率。
隐藏状态自身转移虽然不是很重要,但是对于地图匹配是必须的。因为,当行人速度过慢时,会存在状态不转移的情况。自身状态转移概率设置为一个常量,根据经验赋值γs为0.01。
在垂直通道中,隐藏状态可以在不同楼层间转移;当行人在垂直通道(楼梯、电梯或者扶梯等)运动时,朝向比较任意。测量值容易受到噪声的干扰。因此,室内空间图模型中对应边的方向为无效值。对应的状态转移概率设置为一个常量,根据经验赋值rf为0.1。
p(ni|nj,θt,G)=γf,ni.floor≠nj.floor
使用状态转移概率来约束隐藏状态之间的转移,具体方法如下:
p(ni,t)=p(nj,t-1)p(ni|nj,θt,G)
其中,p(nj)表示上一时刻隐藏状态nj的概率,p(ni)为当前时刻隐藏状态ni的概率,p(ni|nj,θt,G)为由朝向信息和室内空间图模型约束的状态转移概率。
S5:根据所述局部动态图模型中的空间信息,结合估计位置和行人朝向,构建发散概率P(Lt|ni),发散概率P(Lt|ni)为:
P(Lt|ni)=1/((Lt.x-ni.x)2+(Lt.y-ni.y)2+γt)
其中,Lt为行人在t时刻的估计位置,Lt.x为估计位置的横坐标,Lt.y为估计位置的纵坐标,ni表示室内空间图模型中的节点,即隐藏状态,ni.x为节点ni的横坐标,ni.y为节点ni的纵坐标,γt为一个大于0的极小值,γt的取值范围为(0,0.01],即γt的取值为大于0小于等于0.01的数值;
S6:通过状态转移概率和发散概率分别约束隐藏状态的转移和更新隐藏状态的概率,计算出当前的维特比路径T(t,i):T(t,i)=argmaxj(p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni));其中,p(nj,t-1)为t-1时刻隐藏状态状态nj的概率,p(ni|nj,θt,G)为隐藏状态nj到隐藏状态ni的转移概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,argmaxj表示选择使概率p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni)最大的j的值,T(t,i)表示在t时刻隐藏状态ni的维特比路径;
约束隐藏状态之间的转移的方法如下:
p(ni,t)=p(nj,t-1)p(ni|nj,θt,G)
其中,p(nj,t-1)表示上一时刻隐藏状态nj的概率,p(ni,t)为当前时刻隐藏状态ni的概率,p(ni|nj,θt,G)为由行人朝向和室内空间图模型约束的状态转移概率。
对隐藏状态的概率讲行更新的具体方法如下:
其中p(ni)为隐藏状态ni在状态转移后的概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,为隐藏状态ni经发散概率更新后的概率。
S7:根据所述维特比路径,选择所述局部动态图模型中概率最大的k个节点作为存活节点,k为大于0的正整数,移除其他节点,并删除相应的边,所述存活节点将作为下一次迭代的隐藏状态;其中,步骤S2与步骤S7中k的数目相同;
S8:每接收一次所述其他定位技术得到的估计位置时,则运行一次步骤S3至S7,对隐藏状态和维特比路径进行更新;
S9:当不再接收所述其他定位技术得到的估计位置时,得到概率最大的一条维特比路径,该维特比路径即为最优匹配路径。
请参考图5,图5是本发明实施例中通过室内地图匹配定位得到的匹配路径,观测量为估计位置Xv,v为大于0的正整数,通过对隐藏状态的迭代更新,计算得到概率最大的估计位置序列X,该概率最大的估计位置序列X即为概率最大的一条维特比路径,该维特比路径即为最优匹配路径。行人的估计位置序列X的具体方法如算法表1所示:
表1利用Viterbi算法计算匹配路径
Viterbi算法的输入为最终存活的隐藏状态的概率分布p、维特比路径信息T和室内空间图模型中节点集合n,输出为行人的估计位置序列X,即最优匹配后的路径X。选择概率最大的隐藏状态作为最终行人的估计位置,argmaxi(p(ni))表示使概率p(ni)最大时参数ni的值,参数ni表示的是隐藏状态对应的节点的id。IK表示最后一次(即第K次)迭代更新后,与概率p(ni)最大时对应的隐藏状态的id,也就是概率最大的节点的id;而则表示的是最后一次(即第K次)迭代更新后概率最大的节点,同时也就是匹配路径的终点XK。j表示第j次循环迭代,的取值为K,K-1,…,2,K为大于2的正整数。后续的操作是根据终点节点和维特比路径信息逆推前面所有接收到其他定位方法的估计位置对应的隐藏状态,即匹配路径。通过维特比路径信息T可以查询得到由哪一个节点转移至节点记为将查询的结果记录在估计位置序列X当中,然后再次查询维特比路径信息T得到由哪一个节点转移至依次类推,直到循环结束即可得到所有的匹配路径。
本发明的有益效果是:降低地图匹配的计算复杂度,提高了定位精度,具有实用性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种室内地图匹配定位的方法,其特征在于:包括以下步骤:
S1:根据室内空间信息,得到行人可运动空间,构建室内空间图模型;所述室内空间图模型由节点集合与边集合构成;各节点中均存储了可运动空间的位置信息和室内空间语义信息,节点集合表示了行人的可运动空间;边中存储了节点间拓扑信息和几何信息,边集合用来表示限制行人的运动空间;
S2:根据所述室内空间图模型和其他定位技术首次得到的行人的估计位置,得到各个节点的初始概率分布πi,并选择初始概率最大的k个节点作为隐藏状态;k为大于0的正整数;初始概率分布πi为:
πi=1/((Lex-nix)2+(Ley-niy)2+γe)
其中,ni表示室内空间图模型中的第i个节点,πi表示第i个节点的初始概率,ni.x表示该节点的横坐标,ni.y表示该节点的纵坐标,Le.x表示估计位置的横坐标,Le.y表示估计位置的纵坐标,γe的取值范围为(0,0.01];
S3:根据所述其他定位技术再次得到的估计位置和所述室内空间图模型中拓扑信息,提取与前一次隐藏状态相连的节点作为候选隐藏状态;根据所述室内空间图模型中的几何信息,剔除与行人朝向偏差大于90°的候选隐藏状态,得到剩余候选隐藏状态;将前一次的隐藏状态和剩余候选隐藏状态进行合并,结合所述室内空间图模型中的边集合,构建局部动态图模型;
S4:根据所述局部动态图模型的空间信息、采用其他定位技术得到的估计位置和行人朝向,构建状态转移概率p(ni|nj,θt,G),状态转移概率p(ni|nj,θt,G)为:
p(ni|nj,θt,G)=ω(ni,nj)p(ni|nj,θt),t≠j
其中,ω(ni,nj)和p(ni|nj,θt)分别为室内空间图模型中的拓扑约束和几何约束;ni和nj分别表示不同的节点;θt为行人朝向;G为室内空间图模型;
S5:根据所述局部动态图模型中的空间信息,结合估计位置和行人朝向,构建发散概率P(Lt|ni),发散概率P(Lt|ni)为:
P(Lt|ni)=1/((Lt.x-ni.x)2+(Lt.y-ni.y)2+γt)
其中,Lt为行人在t时刻的估计位置,Lt.x为估计位置的横坐标,Lt.y为估计位置的纵坐标,ni表示室内空间图模型中的节点,即隐藏状态,ni.x为节点ni的横坐标,ni.为节点ni的纵坐标,γt的取值范围为(0,0.01];
S6:通过状态转移概率和发散概率分别约束隐藏状态的转移和更新隐藏状态的概率,计算出当前的维特比路径T(t,i):T(t,i)=argmaxj(p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni));其中,p(nj,t-1)为t-1时刻隐藏状态状态nj的概率,p(ni|nj,θt,G)为隐藏状态nj到隐藏状态ni的转移概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,argmaxj表示选择使概率p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni)最大的j的值,T(t,i)表示在t时刻隐藏状态ni的维特比路径;
S7:根据所述维特比路径,选择所述局部动态图模型中概率最大的k个节点作为存活节点,k为大于0的正整数,移除其他节点,并删除相应的边,所述存活节点将作为下一次迭代的隐藏状态;
S8:每接收一次所述其他定位技术得到的估计位置时,则运行一次步骤S3至S7,对隐藏状态和维特比路径进行更新;
S9:当不再接收所述其他定位技术得到的估计位置时,得到概率最大的一条维特比路径,该维特比路径即为最优匹配路径。
2.如权利要求1所述的一种室内地图匹配定位辅助方法,其特征在于:步骤S1中,在狭长区域所述室内空间图模型为路网模型,在开阔区域所述室内空间图模型为格网图;所述室内空间图模型G=<nodes,edges>,其中,nodes和edges分别代表节点集合和边集合;节点node=<id,location,S>,其中,id表示当前节点,location表示当前节点的物理坐标的三元组<floor,x,y>,S表示所述节点的语义信息,所述语义信息包括走廊、房间、楼梯和电梯;边edge=<in,nodei,nodej,h>,其中,in表示当前边,nodei和nodej分别表示当前边上的两个不同节点,h表示当前边的方向信息。
3.如权利要求1所述的一种室内地图匹配定位辅助方法,其特征在于:步骤S4中,拓扑约束ω(ni,nj)为:
其中,i≠j,当室内空间图模型G包含边edgej,i时,即当节点ni和nj之间存在连通关系时,ω(ni,nj)的值为1;否则ω(ni,nj)的值为0;几何约束p(ni|nj,θt)为:
其中,hj,i为从节点nj到节点ni的方向信息,θt为行人的朝向,是行人朝向变化测量值误差的方差;
隐藏状态自身转移概率为:
p(ni|nj,θt,G)=γs,i=j
γs为隐藏状态自身转移概率。
4.如权利要求1所述的一种室内地图匹配定位辅助方法,其特征在于:步骤S6中,约束隐藏状态之间的转移的方法如下:
p(ni,t)=p(nj,t-1)p(ni|nj,θt,G)
其中,p(nj,t-1)表示上一时刻隐藏状态nj的概率,p(ni,t)为当前时刻隐藏状态ni的概率,p(ni|nj,θt,G)为由行人朝向和室内空间图模型约束的状态转移概率。
5.如权利要求1所述的一种室内地图匹配定位辅助方法,其特征在于:步骤S6中,对隐藏状态的概率进行更新的具体方法如下:
其中p(ni)为隐藏状态ni在状态转移后的概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,为隐藏状态ni经发散概率更新后的概率。
6.如权利要求1所述的一种室内地图匹配定位辅助方法,其特征在于:步骤S6中,计算当前的维特比路径的方法如下:
T(t,i)=argmaxj(p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni))
其中,p(nj,t-1)为t-1时刻状态nj的概率,p(ni|nj,θt,G)为状态nj到状态ni的转移概率,P(Lt|ni)为隐藏状态ni对估计位置Lt的发散概率,argmaxj表示选择使概率p(nj,t-1)p(ni|nj,θt,G)P(Lt|ni)最大的j的值,T(t,i)表示在时刻t节点ni的维特比路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481496.1A CN110345935B (zh) | 2019-06-04 | 2019-06-04 | 一种室内地图匹配定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481496.1A CN110345935B (zh) | 2019-06-04 | 2019-06-04 | 一种室内地图匹配定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110345935A true CN110345935A (zh) | 2019-10-18 |
CN110345935B CN110345935B (zh) | 2020-12-29 |
Family
ID=68181481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481496.1A Active CN110345935B (zh) | 2019-06-04 | 2019-06-04 | 一种室内地图匹配定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110345935B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034621A (zh) * | 2020-01-21 | 2020-12-04 | 华为技术有限公司 | Ar显示设备及其透过率的调整方法、可穿戴系统 |
CN113721599A (zh) * | 2020-05-25 | 2021-11-30 | 华为技术有限公司 | 定位方法和定位装置 |
CN116088537A (zh) * | 2023-04-06 | 2023-05-09 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
CN116184312A (zh) * | 2022-12-22 | 2023-05-30 | 泰州雷德波达定位导航科技有限公司 | 一种基于语义Wi-Fi的室内众源指纹库构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103369466A (zh) * | 2013-07-10 | 2013-10-23 | 哈尔滨工业大学 | 一种地图匹配辅助室内定位方法 |
KR101680481B1 (ko) * | 2015-07-31 | 2016-11-28 | 부산대학교 산학협력단 | 실내 네트워크 맵 매칭 방법 및 실내 네트워크 맵 매칭 시스템 |
US9746331B1 (en) * | 2014-12-15 | 2017-08-29 | Marvell International Ltd. | Method and apparatus for map matching |
CN107426816A (zh) * | 2017-07-24 | 2017-12-01 | 南京邮电大学 | 一种WiFi定位与地图匹配融合的实现方法 |
CN108322889A (zh) * | 2018-02-01 | 2018-07-24 | 深圳市交投科技有限公司 | 一种多源数据融合室内定位的方法、存储介质及智能终端 |
US10281279B2 (en) * | 2016-10-24 | 2019-05-07 | Invensense, Inc. | Method and system for global shape matching a trajectory |
-
2019
- 2019-06-04 CN CN201910481496.1A patent/CN110345935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103369466A (zh) * | 2013-07-10 | 2013-10-23 | 哈尔滨工业大学 | 一种地图匹配辅助室内定位方法 |
US9746331B1 (en) * | 2014-12-15 | 2017-08-29 | Marvell International Ltd. | Method and apparatus for map matching |
KR101680481B1 (ko) * | 2015-07-31 | 2016-11-28 | 부산대학교 산학협력단 | 실내 네트워크 맵 매칭 방법 및 실내 네트워크 맵 매칭 시스템 |
US10281279B2 (en) * | 2016-10-24 | 2019-05-07 | Invensense, Inc. | Method and system for global shape matching a trajectory |
CN107426816A (zh) * | 2017-07-24 | 2017-12-01 | 南京邮电大学 | 一种WiFi定位与地图匹配融合的实现方法 |
CN108322889A (zh) * | 2018-02-01 | 2018-07-24 | 深圳市交投科技有限公司 | 一种多源数据融合室内定位的方法、存储介质及智能终端 |
Non-Patent Citations (5)
Title |
---|
SYLVIE LAMY-PERBAL 等: "A HMM map-matching approach enhancing indoor positioning performances of an inertial measurement system", 《2015 INTERNATIONAL CONFERENCE ON INDOOR POSITIONING AND INDOOR NAVIGATION (IPIN)》 * |
XIAOPING ZHENG等: "Reference Points Density Invariant Map Matching for Wi-Fi Fingerprinting Positioning", 《 2018 26TH INTERNATIONAL CONFERENCE ON GEOINFORMATICS》 * |
YONGFENG WU 等: "HTrack:An Efficient Heading-Aided Map Matching for Indoor Localization and Tracking", 《IEEE SENSORS JOURNAL》 * |
周杰: "基于机器学习的室内定位算法研究", 《中国优秀硕士学位论文全文数据库》 * |
闫金金 等: "面向实时定位的室内空间结构分析及制图方法", 《武汉大学学报信息科学版》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034621A (zh) * | 2020-01-21 | 2020-12-04 | 华为技术有限公司 | Ar显示设备及其透过率的调整方法、可穿戴系统 |
CN113721599A (zh) * | 2020-05-25 | 2021-11-30 | 华为技术有限公司 | 定位方法和定位装置 |
CN116184312A (zh) * | 2022-12-22 | 2023-05-30 | 泰州雷德波达定位导航科技有限公司 | 一种基于语义Wi-Fi的室内众源指纹库构建方法 |
CN116184312B (zh) * | 2022-12-22 | 2023-11-21 | 泰州雷德波达定位导航科技有限公司 | 一种基于语义Wi-Fi的室内众源指纹库构建方法 |
CN116088537A (zh) * | 2023-04-06 | 2023-05-09 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
CN116088537B (zh) * | 2023-04-06 | 2023-06-13 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110345935B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110345935A (zh) | 一种室内地图匹配定位的方法 | |
US10352707B2 (en) | Collaborative creation of indoor maps | |
Hilsenbeck et al. | Graph-based data fusion of pedometer and WiFi measurements for mobile indoor positioning | |
FI114535B (fi) | Paikannustekniikka | |
CN106017473B (zh) | 一种室内社交导航系统 | |
US8626443B2 (en) | Method for creating a map relating to location-related data on the probability of future movement of a person | |
CN106031263B (zh) | 用于位置估计的方法及系统 | |
US20190156161A1 (en) | System and Method for Generating a Map From Activity Data | |
CN110933599B (zh) | 一种融合uwb与wifi指纹的自适应定位方法 | |
CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
CN105704652A (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN105931124A (zh) | 一种室内社交网络服务系统 | |
Xu et al. | A pedestrian tracking algorithm using grid-based indoor model | |
CN106840163A (zh) | 一种室内定位方法及系统 | |
CN104105067A (zh) | 基于地磁信息的实时定位系统及方法 | |
CN106792540A (zh) | 一种基于路径匹配的改进DV‑Hop定位方法 | |
US20180007515A1 (en) | Processing spatial features | |
Wu et al. | $ HTrack $: An efficient heading-aided map matching for indoor localization and tracking | |
CN102288938B (zh) | 一种有效的无线传感器网络节点的三维定位方法 | |
WO2015082606A1 (en) | System and method for indoor localization using mobile inertial sensors and virtual floor maps | |
CN108882172A (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN105512344A (zh) | 一种室内移动对象相对位置的查询方法 | |
CN110345939A (zh) | 一种融合模糊逻辑判断及地图信息的室内定位方法 | |
Jin et al. | Toward scalable and robust indoor tracking: Design, implementation, and evaluation | |
CN103596265B (zh) | 一种基于声音测距和移动向量的多用户室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |