CN110708674A - 一种多楼层定位方法及系统 - Google Patents

一种多楼层定位方法及系统 Download PDF

Info

Publication number
CN110708674A
CN110708674A CN201911086161.6A CN201911086161A CN110708674A CN 110708674 A CN110708674 A CN 110708674A CN 201911086161 A CN201911086161 A CN 201911086161A CN 110708674 A CN110708674 A CN 110708674A
Authority
CN
China
Prior art keywords
floor
data information
robot
grid
grid unit
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
Application number
CN201911086161.6A
Other languages
English (en)
Inventor
支涛
龚汉越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yunji Technology Co Ltd
Original Assignee
Beijing Yunji Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Yunji Technology Co Ltd filed Critical Beijing Yunji Technology Co Ltd
Priority to CN201911086161.6A priority Critical patent/CN110708674A/zh
Publication of CN110708674A publication Critical patent/CN110708674A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/618—Details of network addresses
    • H04L2101/622—Layer-2 addresses, e.g. medium access control [MAC] addresses

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请实施例提供一种多楼层定位方法及系统，涉及信号处理技术领域。该方法包括：获取机器人当前环境的WIFI数据信息；将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息；解决了现有方法中WIFI定位效果差以及人工采集WIFI数据源，导致WIFI数据源的收集效率较低的问题。

Description

一种多楼层定位方法及系统
技术领域
本申请涉及信号处理技术领域，具体而言，涉及一种多楼层定位方法及系统。
背景技术
现有的机器人室内定位方案，主要通过由事先采集的激光、摄像头数据并借助SLAM(Simultaneous Localization And Mapping，即时定位与地图构建)的技术实现机器人在室内环境的定位；由于室内环境没有GPS等全局绝对坐标系内定位的方式，所以借助视觉VSLAM(Visual SLAM)基于特征词袋的方式成为了全局定位的输入参考和闭环手段。但是受光线影响，这种特征词袋的方法，无法应用到所有场景之中；此外，在多楼层的楼宇建筑中，往往不同楼层的、同一垂直空间的特征极其相似，也不是特征词袋的优势所在。
现有的依据WIFI强度定位的方式，往往需要借助一个固定的WIFI源发生器，随着时间的推移，历史的未曾更新的WIFI列表和信号强弱与实际相比可能会产生极大的变化，从而影响WIFI定位的效果；或者需要事先人工采集WIFI数据源，导致WIFI数据源的收集效率较低。
发明内容
本申请实施例的目的在于提供一种多楼层定位方法及系统，解决了现有方法中人工采集WIFI数据源，导致WIFI数据源的收集效率较低的问题。
本申请实施例提供了一种多楼层定位方法，该方法包括：
获取机器人当前环境的WIFI数据信息；
将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
根据所述每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
在上述实现过程中，将机器人的获取的WIFI数据信息输入到预设的概率分布模型中，获得该WIFI数据信息在每个楼层地图中每个栅格单元的概率分布，根据该概率分布对应的栅格单元的位置可以获得机器人的位置信息，通过该方法可以有效定位机器人位置，并且该方法无需人工采集WIFI数据源，避免了人工采集WIFI数据源导致效率较低的问题，解决了现有方法中WIFI定位效果差以及人工采集WIFI数据源，导致WIFI数据源的收集效率较低的问题。
进一步地，所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，所述根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息，包括：
将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
在上述实现过程中，获得每个信号强度分别在每个栅格单元的概率，并将同一个栅格单元上的概率概率相加，得到每个栅格单元上所有强度信号的概率得分，再将这些栅格单元对应的概率得分按照从高到低的顺序进行排列，将前N个概率得分最高的栅格单元对应的在机器人移动区域内的位置确定为机器人所在位置。
进一步地，在所述将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布的步骤之前，所述方法还包括：
随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息；
对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布；
根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布；
根据每层楼内机器人移动区域的高斯分布获取概率分布模型。
在上述实现过程中，利用机器人的历史数据信息作为训练数据信息，无需人工采集WIFI数据源，避免了人工采集WIFI数据源导致效率较低的问题；并且采集数据信息时，无需遍历楼层的整个机器人移动区域，只需随机采集部分位置的历史数据信息作为训练数据信息，对该训练数据信息做高斯分布处理，再利用高斯回归过程的方式预估周围其他位置的概率分布情况，从而得到整个楼层的移动区域即机器人可以到达的所有位置的高斯分布，根据该种方式，可以获得每个楼层的移动区域的高斯分布，达到多楼层全局定位的目的，并且极大提高了WIFI数据收集的效率。
进一步地，所述随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息，包括：
根据机器人在每个楼层的移动区域，建立对应的楼层地图；
将所述楼层地图做栅格处理，得到多个栅格单元；
随机获取机器人对应于栅格单元的历史数据信息，所述历史数据信息包括与栅格单元对应的位姿、MAC地址及对应的信号强度。
在上述实现过程中，在单个楼层的移动区域建立楼层地图，并将该楼层地图划分成多个栅格单元，每个栅格单元对应于不同的坐标位置，随机获取某些栅格单元对应的历史数据信息作为训练数据信息，以确定这些历史数据信息的高斯分布。
进一步地，所述对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布，包括：
获取单个栅格单元内的MAC地址列表以及每个MAC地址对应的信号强度组成的信号强度列表；
若所述信号强度列表服从正态分布，获取所述信号强度列表的期望和方差；
获取单个栅格单元内的每个MAC地址的期望和方差。
在上述实现过程中，若某一栅格单元的MAC地址列表mac_list，以及其中一个MAC地址对应的信号强度列表rss_list，若信号强度列表rss_list服从正态分布，则计算得到该信号强度列表的期望和方差，再计算该栅格单元内所有MAC地址的正态分布特征即期望和方差，采用该方法可以计算出随机选中的栅格单元的正态分布特征。
进一步地，所述根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布，包括：
若随机获取的栅格单元的信号强度服从高斯分布，则单楼层的随机获取的栅格单元的MAC地址的信号强度符合多维高斯分布，表示为：
[f(x1),f(x2),…,f(xn)]T～N(μ,K)；
其中，f(x1)，f(x2)，…，f(xn)表示随机获取的单个栅格单元下的信号强度列表的高斯分布；
根据随机获取的栅格单元的多维高斯分布进行高斯过程回归，得到单个楼层内待预测的栅格单元的概率分布情况；
利用高斯过程回归将待预测的栅格单元的概率分布表示为：
Figure BDA0002265082350000041
其中，f*＝f(X*)，X*表示待预测的栅格单元在楼层地图中的坐标位置。
在上述实现过程中，对随机获取的栅格单元的高斯分布进行高斯过程回归，得到待预测的栅格单元的高斯分布，通过该方法可以获得每个楼层的整个移动区域内所有栅格单元的高斯分布，即通过采集部分栅格单元的历史WIFI数据信息即可以获得整个移动区域的高斯分布情况，提高了历史WIFI数据信息的采集效率且避免了未曾更新的WIFI列表和信号强弱与实际相比可能会产生极大的变化，从而影响WIFI定位的效果的问题。
本申请实施例还提供一种多楼层定位系统，该系统包括：
WIFI数据信息获取模块，用于获取机器人当前环境的WIFI数据信息；
概率分布获取模块，用于将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
位置信息获取模块，用于根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
在上述实现过程中，通过WIFI数据信息获取模块获取当前环境的WIFI数据信息，通过概率分布获取模块获得WIFI数据信息在每一个栅格单元的概率分布，通过该概率分布可以预估得到机器人的位置信息，该方法无需人工收集WIFI数据源，并且根据机器人的历史移动数据建立概率分布模型，如果WIFI数据源有更新，并不影响立概率分布模型的建立，因此该方法可以有效定位机器人的位置，并且解决了现有方法中WIFI定位效果差以及人工采集WIFI数据源，导致WIFI数据源的收集效率较低的问题。
进一步地，所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，所述预估结果获取模块包括：
概率得分获取模块，用于将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
机器人位置信息获取模块，用于将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
在上述实现过程中，获得信号强度在每个栅格单元对应的的概率得分，并进行排序，概率得分较高，说明该信号强度是在该栅格单元所在位置获取的概率越大，从而确定机器人的位置信息。
本申请实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行上述任一项所述的多楼层定位方法。
本申请请实施例还提供一种可读存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一项所述的多楼层定位方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种多楼层定位方法的流程图；
图2为本申请实施例提供的构建预设的概率分布模型的流程图；
图3为本申请实施例提供的随机获取机器人在单个楼层的历史WIFI数据信息的过程示意图；
图4为本申请实施例提供的实现步骤S220的流程示意图；
图5为本申请实施例提供的实现步骤S230的流程示意图；
图6为本申请实施例提供的根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息的流程图；
图7为本申请实施例提供的多楼层定位系统的结构框图；
图8为本申请实施例提供的位置信息获取模块300的结构框图；
图9为本申请实施例提供的模型构建模块的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供的一种多楼层定位方法的流程图。
该方法应用于机器人，通过判断机器人获得的WIFI的信号强度在每个栅格单元的概率来定位机器人所在的位置。该方法具体可以包括以下步骤：
步骤S100：获取机器人当前环境的WIFI数据信息；
示例的，机器人可以采用无线局域网中的802.11协议格式的数据报文捕获环境中的WIFI数据信息，该WIFI数据信息包括MAC地址以及对应的信号强度RSS。机器人所在位置不同，获得的信号强度也会存在差异，基于机器人捕获的当前环境的WIFI数据信息，可以判定机器人所在位置。
步骤S200：将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
在此步骤进行之前，需要构建预设的概率分布模型，如图2所示，为构建预设的概率分布模型的流程图。具体的建立过程为：
步骤S210：随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息；
可以将随机获取的栅格单元称为训练栅格单元。
在该步骤进行中，如图3所示，为随机获取机器人在单个楼层的历史WIFI数据信息的过程示意图。具体可以包括：
步骤S211：根据机器人在每个楼层的移动区域，建立对应的楼层地图；
在每个楼层的移动区域如走廊，建立楼层地图，该楼层地图仅包括机器人可以到达的地方，除去建筑所在位置。
步骤S212：将所述楼层地图做栅格处理，得到多个栅格单元；
将楼层地图划分成若干个栅格单元，示例的，分辨率为r，即每个栅格单元的长度和宽度为r，可以确定每个删个单元的位置坐标，进一步根据栅格单元的坐标确定机器人的位置。
步骤S213：随机获取机器人对应于栅格单元的历史数据信息，所述历史数据信息包括与栅格单元对应的位姿、MAC地址及对应的信号强度，所述随机获取的栅格单元为训练栅格单元。
示例的，机器人采用无线局域网中的802.11协议格式的数据报文捕获环境中的WIFI数据信息，搜索MAC地址和AP-RSS的位置关系，建立关联表，如下表所示：
MAC RSS
AA-BB-CC-DD-EE-FF -55
AA-BB-CC-DD-EE-FE -66
AA-BB-CC-DD-EE-FD -90
对上述数据进行预处理：将采集的信号强度数据和同时采集的机器人相对于楼层地图中的栅格单元的位姿、里程计信息等做时间戳对齐，将时间戳以及对应的MAC地址和RSS数据以队列形式保存，如下表所示：
Figure BDA0002265082350000091
其中，时间戳用于表示获取MAC地址和RSS数据的时间，机器人位姿用于表示获取MAC地址和RSS数据时的机器人所在位置，该表中的x和y表示机器人的位置对应于栅格单元中的坐标，theta表示机器人的朝向。
时间戳用于记录获得的MAC地址和信号强度对应的时间，在建立概率分布模型时，可以根据时间戳选择邻近时间的数据作为训练数据，因此时间戳可以用于排除距离建立模型时间过久的旧数据，避免了历史的未曾更新的WIFI列表和信号强弱与实际相比可能会产生极大的变化，从而影响WIFI定位的效果的问题。
步骤S220：对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布；
示例的，如图4所示，为实现步骤S220的流程示意图。该步骤具体可以包括：
步骤S221：获取单个训练栅格单元内的MAC地址列表以及每个MAC地址对应的信号强度组成的信号强度列表；
步骤S222：若所述信号强度列表rss_list服从正态分布，获取所述信号强度列表rss_list的期望和方差；
步骤S223：获取单个训练栅格单元内的每个MAC地址的期望和方差。
示例的，以随机获取的某一个训练栅格单元为例，假设在训练栅格单元如编号为i下的MAC地址列表为mac_list，其中某一个MAC地址对应的信号强度列表为rss_list，若rss_list的数值服从正态分布，则可以计算得出该rss_list的均值和方差；根据该方法可以求出该栅格单元内所有MAC地址对应的信号强度的正态分布特征即期望和方差。
步骤S230：根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布；
示例的，如图5所示，为实现步骤S230的流程示意图。该步骤具体可以包括：
若训练栅格单元的信号强度服从高斯分布，则单楼层的训练栅格单元的MAC地址的信号强度服从多维高斯分布，可以表示为：
[f(x1),f(x2),…,f(xn)]T～N(μ,K)；
其中，f(x1)，f(x2)，…，f(xn)表示单个训练栅格单元下的信号强度列表rss_list的高斯分布；x1,x2…xn表示训练栅格单元的坐标，在二维栅格地图中表示坐标(x，y)；μ表示单楼层的所有训练栅格单元的信号强度列表的期望；K表示单楼层的所有训练栅格单元的的信号强度列表的协方差矩阵。其中，训练栅格单元是单楼层地图中的栅格单元的一部分。
步骤S231：根据训练栅格单元的多维高斯分布进行高斯过程回归，得到单个楼层内待预测的栅格单元的概率分布情况；
步骤S232：利用高斯过程回归获取待预测的栅格单元和训练栅格单元的联合概率分布，该联合概率分布可以表示为：
Figure BDA0002265082350000111
其中，f*＝f(X*)，X*表示待预测的栅格单元在楼层地图中的坐标位置；f*表示待预测栅格单元的信号强度的概率密度函数；y表示单楼层的所有训练栅格单元的信号强度的概率密度函数；μ(X)表示单楼层的所有训练栅格单元的的信号强度列表的期望；μ(X*)表示单楼层的待预测的栅格单元的期望；
Figure BDA0002265082350000112
表示训练栅格单元的信号强度的n维正态分布的协方差矩阵，其中，
Figure BDA0002265082350000113
表示高斯噪声，I表示单位矩阵；K(X*，X)表示待预测的栅格单元和训练栅格单元组合的信号强度的协方差矩阵；K(X*，X*)表示单楼层的待预测的栅格单元的信号强度的协方差矩阵。
根据上述联合概率分布，可以将待预测的栅格单元的概率分布情况表示为期望为
Figure BDA0002265082350000114
协方差矩阵为的高斯分布，即：
Figure BDA0002265082350000116
其中，
Figure BDA0002265082350000117
Figure BDA0002265082350000118
在实际应用过程中，可以假设μ(X)和μ(X*)均为0，则上述均值和协方差矩阵可以表示为：
Figure BDA0002265082350000119
Figure BDA00022650823500001110
在上述实现过程中，由于训练栅格单元只是整个单楼层地图中所有栅格单元中的一部分，采集到的信号强度列表并没有覆盖整个楼层地图中的所有栅格单元，因此，需要利用上述的训练栅格单元的多维高斯分布预测没有被选中的待预测的栅格单元的概率分布情况，所采用的方法是高斯回归过程。
步骤S240：根据每层楼内机器人移动区域的高斯分布获取概率分布模型。
将上述利用训练栅格单元预测待预测栅格单元的概率分布的方法扩展到其他楼层中，从而建立每个楼层单独的基于栅格单元的高斯分布，即为概率分布模型。
步骤S300：根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
在上述实现过程中，获取WIFI数据信息在每个楼层地图中每个栅格单元的概率分布，从而得到WIFI数据信息在每个栅格单元的均值和方差。
所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，具体的，如图6所示，为根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息的流程图，包括：
步骤S301：将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
在上述实现过程中，若机器人收集到的信号强度列表为rss_dict，根据概率密度函数(Probability Distribution Function)计算得到累积分布函数(CumulativeDistribution Function)，根据累积分布函数求得rss_dict中每个信号强度的概率，将同一个栅格单元中的每个信号强度的概率进行相加，得到每个栅格单元的概率得分，该概率得分的数值越大，说明机器人位于该栅格单元对应的位置的可能性越高。
步骤S302：将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
将所有楼层中的每个栅格单元的概率得分由高到低进行排序，将前N个概率得分较高的栅格单元对应的位置作为机器人的位置信息，实现机器人基于WIFI指纹的在多楼层环境内进行全局定位的方式。
在上述实现过程中，由于训练数据来源于历史的机器人在工作过程中接收到的信号强度，因此无需额外的WIFI数据人工收集，并且避免了WIFI源发生器更新所造成的历史的未曾更新的WIFI列表和信号强弱与实际相比可能会产生极大的变化的问题，从而确保了WIFI定位效果，解决了现有方法中WIFI定位效果差以及人工采集WIFI数据源，导致WIFI数据源的收集效率较低的问题。
实施例2
本申请实施例还提供一种多楼层定位系统，如图7所示，为本申请实施例提供的多楼层定位系统的结构框图。该系统可以包括：
WIFI数据信息获取模块100，用于获取机器人当前环境的WIFI数据信息；
概率分布获取模块200，用于将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
位置信息获取模块300，用于根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
示例的，所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，如图8所示，为本申请实施例提供的位置信息获取模块300的结构框图。所述位置信息获取模块300包括：
概率得分获取模块301，用于将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
机器人位置信息获取模块302，用于将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
示例的，所述系统还包括模型构建模块，如图9所示，为本申请实施例提供的模型构建模块的结构框图。所述模型构建模块具体包括：
训练数据信息获取模块210，用于随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息；
采集点高斯分布获取模块220，用于对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布；
移动区域高斯分布获取模块230，用于根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布；
概率分布模型获取模块240，用于根据每层楼内机器人移动区域的高斯分布获取概率分布模型。
示例的，训练数据信息获取模块210包括：
楼层地图构建模块211，用于根据机器人在每个楼层的移动区域，建立对应的楼层地图；
栅格单元获取模块212，用于将所述楼层地图做栅格处理，得到多个栅格单元；
历史数据信息获取模块213，用于随机获取机器人对应于栅格单元的历史数据信息，所述历史数据信息包括与栅格单元对应的位姿、MAC地址及对应的信号强度，所述随机获取的栅格单元为训练栅格单元。
示例的，采集点高斯分布获取模块220包括：
信号强度列表获取模块221，用于获取单个训练栅格单元内的MAC地址列表以及每个MAC地址对应的信号强度组成的信号强度列表；
第一期望和方差计算模块222，用于若所述信号强度列表服从正态分布，获取所述信号强度列表的期望和方差；
第二期望和方差计算模块223，用于获取单个训练栅格单元内的每个MAC地址的期望和方差。
示例的，移动区域高斯分布获取模块230包括：
待预测栅格单元概率分布获取模块231，根据训练栅格单元的多维高斯分布进行高斯过程回归，得到单个楼层内待预测的栅格单元的概率分布情况；
若训练栅格单元的信号强度服从高斯分布，则单楼层的训练栅格单元的MAC地址的信号强度服从多维高斯分布，表示为：
[f(x1),f(x2),…,f(xn)]T～N(μ,K)；
其中，f(xn)表示单个训练栅格单元下的信号强度列表的高斯分布；
联合分布获取模块232，用于利用高斯过程回归获取待预测的栅格单元和训练栅格单元的联合概率分布，可以表示为：
Figure BDA0002265082350000151
其中，f*＝f(X*)，X*表示待预测的栅格单元在楼层地图中的坐标位置，其他参数的含义与实施例1相同，在此不再赘述。
实施例3
本申请实施例提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行实施例1中任一项所述多楼层定位方法。
本申请实施例还提供一种可读存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行实施例1中任一项所述的多楼层定位方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种多楼层定位方法，其特征在于，所述方法包括：
获取机器人当前环境的WIFI数据信息；
将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
2.根据权利要求1所述的多楼层定位方法，其特征在于，所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，所述根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息，包括：
将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
3.根据权利要求1所述的多楼层定位方法，其特征在于，在所述将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布的步骤之前，所述方法还包括：
随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息；
对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布；
根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布；
根据每层楼内机器人移动区域的高斯分布获取概率分布模型。
4.根据权利要求3所述的多楼层定位方法，其特征在于，所述随机获取机器人在单个楼层的历史WIFI数据信息作为训练数据信息，包括：
根据机器人在每个楼层的移动区域，建立对应的楼层地图；
将所述楼层地图做栅格处理，得到多个栅格单元；
随机获取机器人对应于栅格单元的历史数据信息，所述历史数据信息包括与栅格单元对应的位姿、MAC地址及对应的信号强度，所述随机获取的栅格单元为训练栅格单元。
5.根据权利要求3所述的多楼层定位方法，其特征在于，所述对所述训练数据信息做高斯分布处理，得到对应采集点所在位置的高斯分布，包括：
获取单个训练栅格单元内的MAC地址列表以及每个MAC地址对应的信号强度组成的信号强度列表；
若所述信号强度列表服从正态分布，获取所述信号强度列表的期望和方差；
获取单个训练栅格单元内的每个MAC地址的期望和方差。
6.根据权利要求5所述的多楼层定位方法，其特征在于，所述根据所述对应位置的高斯分布利用高斯过程回归获取每个楼层内机器人移动区域的高斯分布，包括：
若训练栅格单元的信号强度服从高斯分布，则单楼层的训练栅格单元的MAC地址的信号强度服从多维高斯分布，表示为：
[f(x1),f(x2),…,f(xn)]T～N(μ,K)；
其中，f(x1)，f(x2)，…，f(xn)表示单个训练栅格单元下的信号强度列表的高斯分布；μ表示单楼层的所有训练栅格单元的信号强度列表的期望；K表示单楼层的所有训练栅格单元的的信号强度列表的协方差矩阵；
根据训练栅格单元的多维高斯分布进行高斯过程回归，得到单个楼层内待预测的栅格单元的概率分布情况；
利用高斯过程回归将待预测的栅格单元和训练栅格单元的联合概率分布表示为：
Figure FDA0002265082340000031
其中，f*＝f(X*)，X*表示待预测的栅格单元在楼层地图中的坐标位置；f*表示待预测栅格单元的信号强度的概率密度函数。
7.一种多楼层定位系统，其特征在于，所述系统包括：
WIFI数据信息获取模块，用于获取机器人当前环境的WIFI数据信息；
概率分布获取模块，用于将所述WIFI数据信息输入预设的概率分布模型，以获取每个楼层地图中每个栅格单元的概率分布；
位置信息获取模块，用于根据所述WIFI数据信息在每个楼层地图中每个栅格单元的概率分布获取所述机器人的位置信息。
8.根据权利要求7所述的多楼层定位系统，其特征在于，所述WIFI数据信息包括MAC地址以及每个MAC地址对应的多个信号强度，所述机器人位置信息获取模块包括：
概率得分获取模块，用于将MAC地址的每个信号强度在每个楼层地图中每个栅格单元的概率分布进行加权，得到每个楼层地图中每个栅格单元的概率得分；
机器人位置信息获取模块，用于将所述每个楼层地图中每个栅格单元的概率得分由高到低进行排列，获得前N个概率得分最高的栅格单元对应的位置为机器人的位置信息，其中，N为预设值。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至6中任一项所述多楼层定位方法。
10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的多楼层定位方法。
CN201911086161.6A 2019-11-08 2019-11-08 一种多楼层定位方法及系统 Pending CN110708674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911086161.6A CN110708674A (zh) 2019-11-08 2019-11-08 一种多楼层定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911086161.6A CN110708674A (zh) 2019-11-08 2019-11-08 一种多楼层定位方法及系统

Publications (1)

Publication Number Publication Date
CN110708674A true CN110708674A (zh) 2020-01-17

Family

ID=69205533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911086161.6A Pending CN110708674A (zh) 2019-11-08 2019-11-08 一种多楼层定位方法及系统

Country Status (1)

Country Link
CN (1) CN110708674A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111294746A (zh) * 2020-02-05 2020-06-16 北京爱笔科技有限公司 一种定位方法、装置及系统
CN112153568A (zh) * 2020-08-28 2020-12-29 汉海信息技术(上海)有限公司 基于业务场景的Wi-Fi识别、绑定方法、装置及设备
CN112738714A (zh) * 2020-12-29 2021-04-30 北京邮电大学 楼宇的楼层识别方法、电子设备及计算机可读存储介质
CN115980804A (zh) * 2023-03-20 2023-04-18 中国铁塔股份有限公司 一种室内定位方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714110A (zh) * 2017-01-19 2017-05-24 深圳大学 一种Wi‑Fi位置指纹地图自动构建方法及系统
CN106793082A (zh) * 2017-02-13 2017-05-31 南京邮电大学 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN109041215A (zh) * 2018-09-14 2018-12-18 南京中物联科技有限公司 一种基于概率密度的csi室内ap定位算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714110A (zh) * 2017-01-19 2017-05-24 深圳大学 一种Wi‑Fi位置指纹地图自动构建方法及系统
CN106793082A (zh) * 2017-02-13 2017-05-31 南京邮电大学 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN109041215A (zh) * 2018-09-14 2018-12-18 南京中物联科技有限公司 一种基于概率密度的csi室内ap定位算法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111294746A (zh) * 2020-02-05 2020-06-16 北京爱笔科技有限公司 一种定位方法、装置及系统
CN112153568A (zh) * 2020-08-28 2020-12-29 汉海信息技术(上海)有限公司 基于业务场景的Wi-Fi识别、绑定方法、装置及设备
CN112153568B (zh) * 2020-08-28 2022-08-30 汉海信息技术(上海)有限公司 基于业务场景的Wi-Fi识别、绑定方法、装置及设备
CN112738714A (zh) * 2020-12-29 2021-04-30 北京邮电大学 楼宇的楼层识别方法、电子设备及计算机可读存储介质
CN112738714B (zh) * 2020-12-29 2021-11-30 北京邮电大学 楼宇的楼层识别方法、电子设备及计算机可读存储介质
CN115980804A (zh) * 2023-03-20 2023-04-18 中国铁塔股份有限公司 一种室内定位方法及装置
CN115980804B (zh) * 2023-03-20 2023-08-22 中国铁塔股份有限公司 一种室内定位方法及装置

Similar Documents

Publication Publication Date Title
CN110708674A (zh) 一种多楼层定位方法及系统
US10275683B2 (en) Clustering-based person re-identification
US20160150380A1 (en) Automated wlan radio map construction method and system
CN111860872A (zh) 用于异常检测的系统和方法
CN110443287B (zh) 一种基于稀疏轨迹数据的人群移动流绘制方法
Huang et al. Unsupervised interesting places discovery in location-based social sensing
CN109451459B (zh) 一种基于移动雾节点的传感云底层节点信任评价方法
CN112001309A (zh) 基于无人机集群的目标搜索方法、装置、设备及存储介质
CN114581491A (zh) 一种行人轨迹跟踪方法、系统及相关装置
CN116720642A (zh) 车辆与无人机协同配送的路径优化方法和系统
Alkinani et al. Artificial intelligence-empowered logistic traffic management system using empirical intelligent XGBoost technique in vehicular edge networks
CN115187879A (zh) 一种基于YOLOv5的楼栋检测与楼层定位方法及装置
CN110750730A (zh) 基于时空约束的群体检测方法和系统
CN112861692B (zh) 一种房间分类模型构建方法及装置、房间分类方法及装置
CN114140663A (zh) 一种基于多尺度注意力学习网络的害虫识别方法及系统
Katenka et al. Tracking multiple targets using binary decisions from wireless sensor networks
CN113159408A (zh) 轨道交通站点客流预测方法及装置
CN108830302B (zh) 一种图像分类方法、训练方法、分类预测方法及相关装置
CN111949840A (zh) 一种基于物联网数据的拓扑图结构的构建方法、装置
Chandio et al. Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories
CN110633890A (zh) 一种土地利用效率判断方法和系统
Rosswog et al. Detecting and tracking spatio-temporal clusters with adaptive history filtering
CN115527083A (zh) 图像标注方法、装置和电子设备
CN111984812B (zh) 一种特征提取模型生成方法、图像检索方法、装置及设备
CN109581288B (zh) 室内定位方法、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200117

RJ01 Rejection of invention patent application after publication