CN110766154A - 一种行人航迹推断方法、装置、设备及存储介质 - Google Patents

一种行人航迹推断方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110766154A
CN110766154A CN201910882232.7A CN201910882232A CN110766154A CN 110766154 A CN110766154 A CN 110766154A CN 201910882232 A CN201910882232 A CN 201910882232A CN 110766154 A CN110766154 A CN 110766154A
Authority
CN
China
Prior art keywords
training
personalized
model
individualized
observed quantity
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
Application number
CN201910882232.7A
Other languages
English (en)
Other versions
CN110766154B (zh
Inventor
赵方
王曲
罗海勇
叶朗朗
熊昊
吴志镛
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910882232.7A priority Critical patent/CN110766154B/zh
Publication of CN110766154A publication Critical patent/CN110766154A/zh
Application granted granted Critical
Publication of CN110766154B publication Critical patent/CN110766154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Abstract

本发明公开了一种行人航迹推断方法、装置、设备及存储介质，该方法包括：接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；根据所述个性化步长估计值，确定用户的行走轨迹。由于个性化训练观测量是针对不同的用户或设备获得，因此个性化模型能够适用不同的用户或设备，经由个性化模型获得的个性化步长估计值准确度更高，用户的行走轨迹亦更准确。

Description

一种行人航迹推断方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，特别是指一种行人航迹推断方法、装置、设备及存储介质。
背景技术
行人航迹推断(Pedestrian Dead Reckoning，PDR)即利用惯性测量单元，通过估计用户每一步的移动距离和行进方向，对用户的相对位置进行逐步推算的技术；用户每一步的移动距离即用户步长。
目前，在行人航迹推断系统中，步长估计误差是系统的主要误差来源之一。因此，亟需一种能够减少步长估计误差的行人航迹推断方法。
发明内容
有鉴于此，本发明的目的在于提出一种行人航迹推断方法、装置、设备及存储介质，能够减少行人航迹推断中的步长估计误差。
基于上述目的，本发明第一方面提供了一种行人航迹推断方法，所述方法包括：
接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；
根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；
根据所述个性化步长估计值，确定用户的行走轨迹。
可选的，所述个性化模型通过以下方式训练得到：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
确定所述个性化训练观测量对应的个性化训练步长值；
构建神经网络模型；
将所述个性化训练观测量及所述个性化训练步长值输入所述神经网络模型，训练得到所述个性化模型。
可选的，所述确定所述个性化训练观测量对应的个性化训练步长值，包括：
确定所述个性化训练观测量对应的通用步长估计值；
获取用户的行走轨迹；
利用用户移动处的地图及所述地图内的路径对应的磁场信息构建带有磁场信息的地图；
将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度；
根据通用步长估计值及所述真实轨迹的总长度，确定所述个性化训练观测量对应的个性化训练步长值。
可选的，所述确定所述个性化训练观测量对应的通用步长估计值，包括：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的通用模型，所述通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，所述标注信息为与所述通用训练观测量对应的通用训练步长值；
根据所述个性化训练观测量以及所述通用模型，确定所述个性化训练观测量对应的通用步长估计值。
可选的，所述方法还包括：
采用模型置信度验证所述个性化模型的有效性；所述置信度计算公式为
Figure BDA0002206241470000021
其中，Cmodel为模型置信度，ELi表示采用所述个性化模型计算获得的个性化步长估计值，pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值；
当模型置信度高于经验阈值时，进行个性化模型更新；其中，所述经验阈值为5cm。
基于相同的发明构思，本申请第二方面提供了一种行人航迹推断装置，所述装置包括：
接收模块，用于接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化模型获取模块，用于获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；
个性化步长估计值确定模块，用于根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；
行走轨迹确定模块，用于根据所述个性化步长估计值，确定用户的行走轨迹。
可选的，所述装置还包括训练模块，所述训练模块用于训练所述个性化模型，所述训练模块包括：
接收单元，用于接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化训练步长值确定单元，用于确定所述个性化训练观测量对应的个性化训练步长值；
神经网络模型构建单元，用于构建神经网络模型；
训练单元，用于将所述个性化训练观测量及所述个性化训练步长值输入所述神经网络模型，训练得到所述个性化模型。
可选的，所述个性化训练步长值确定单元，包括：
通用步长估计值确定组件，用于确定所述个性化训练观测量对应的通用步长估计值；
行走轨迹获取组件，用于获取用户的行走轨迹；
带有磁场信息的地图构建组件，用于利用用户移动处的地图及所述地图内的路径对应的磁场信息构建带有磁场信息的地图；
匹配组件，用于将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度；
个性化训练步长值确定组件，用于根据通用步长估计值及所述真实轨迹的总长度，确定所述个性化训练观测量对应的个性化训练步长值。
可选的，所述通用步长估计值确定组件，具体用于：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的通用模型，所述通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，所述标注信息为与所述通用训练观测量对应的通用训练步长值；
根据所述个性化训练观测量以及所述通用模型，确定所述个性化训练观测量对应的通用步长估计值。
可选的，所述装置还包括有效性验证模块和更新模块，其中，
有效性验证模块，用于采用模型置信度验证所述个性化模型的有效性；所述置信度计算公式为
Figure BDA0002206241470000041
其中，Cmodel为模型置信度，ELi表示采用所述个性化模型计算获得的个性化步长估计值，pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值；
更新模块，用于当模型置信度高于经验阈值时，进行个性化模型更新；其中，所述经验阈值为5cm。
基于相同的发明构思，本申请第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请第一方面提供的行人航迹推断方法中的任意一种。
基于相同的发明构思，本申请第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如本申请第一方面提供的行人航迹推断方法中的任意一种。
从上面所述可以看出，本发明提供的行人航迹推断方法、装置、设备及存储介质，个性化模型是基于神经网络对带有标注信息的个性化训练观测量进行训练得到，通过将接收的待处理观测量输入个性化模型中，得到与待处理观测量对应的个性化步长估计值，然后根据个性化步长估计值，进行行人航迹推断，确定用户的行走轨迹；由于个性化训练观测量是针对不同的用户或设备获得，因此个性化模型能够适用不同的用户或设备，经由个性化模型获得的个性化步长估计值准确度更高，基于个性化步长估计值进行的行人航迹推断准确度更高，用户的行走轨迹亦更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的行人航迹推断方法的流程示意图；
图2为本发明实施例提供的基于LSTM-DAE的行人步长估计模型的结构示意图；
图3为本发明实施例提供的行人航迹推断方法架构图；
图4为本发明实施例提供的行人航迹推断方法示意图；
图5为本发明实施例提供的个性化模型训练方法流程示意图；
图6为对于图5中步骤S52的解释说明；
图7为本发明实施例提供的磁场信息辅助的地图匹配算法示意图；
图8为本发明实施例提供的基于隐马尔可夫模型的地图路径匹配结果示意图；
图9为本发明实施例提供的异构用户和设备基于通用模型获得的通用估计步长值与真实步长值的对比；
图10为本发明实施例提供的基于主动在线学习的模型更新框架图；
图11为本发明实施例提供的基于室内定位结果的个性化模型建立及个性化步长估计框架图；
图12为本发明实施例提供的个性化模型与现有步长估计方法进行性能对比的累积误差概率密度分布图；
图13为基于本发明实施例提供的个性化模型的步长估计方法与现有步长估计方法进行性能对比的累积误差箱线图；
图14为基于本发明实施例提供的个性化模型的步长估计方法在不同场景下的步长估计性能；
图15为基于本发明实施例提供的个性化模型的步长估计方法在不同设备下的步长估计性能；
图16为基于本发明实施例提供的个性化模型的步长估计方法对不同用户的步长估计性能；
图17为基于本发明实施例提供的个性化模型的步长估计方法进行复杂场景行走距离估计时的复杂路径图；
图18为基于本发明实施例提供的个性化模型的步长估计方法进行复杂场景行走距离估计时的室内闭环路径；
图19为本发明实施例提供的行人航迹推断置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
随着信息技术和互联网技术的高速发展，室内基于位置服务的需求越来越广泛，而作为室内基于位置服务的基础，室内定位技术也起着越来越重要的作用。在商场、办公楼、停车场等许多陌生场景下，个人用户需要获知当前的位置，从而迅速地寻找目标商品、出入口、停车位等。而从商家角度而言，基于用户轨迹的消费者分析、产品推荐等技术可以对用户进行精准的广告投放，大大提高用户的购买率。
现有行人航迹推断系统中，步长估计误差是系统的主要误差来源之一。一方面，现有步长估计技术中大多需要用户携带额外的专用惯性模块才能实现精准步长估计。这种方法成本过高，极大得限制了用户步长的普适性和易用性，难以进行大规模推广。一方面，目前的基于移动智能终端的步长估计方法主要是对移动智能终端内置传感器数据提取人工设计的统计特征，并利用固定的经验参数进行步长估计，这些方法一方面由于前提假设的限制和人工设计特征的不完备性，不能充分利用传感器数据中的信息，以致步长估计精度较低，不能满足精准室内导航定位需求。另一方面，现有步长估计模型缺乏自主学习能力，对不同场景、设备、用户等的适应性和鲁棒性较差。对应模型训练数据采集者和设备能取得不错的步长估计精度，但是对应新用户和新设备，步长估计精度急剧下降。
为了解决上述技术问题，本申请实施例提供了一种行人航迹推断方法、装置、设备及存储介质，将待处理观测量输入基于神经网络对带有标注信息的个性化训练观测量进行训练得到的个性化模型中，得到待处理观测量对应的个性化步长估计值，然后根据个性化步长估计值，得到与待处理观测量对应的个性化步长估计值，然后根据个性化步长估计值，进行行人航迹推断，确定用户的行走轨迹。该方法及装置可以应用于手机、平板电脑等各种电子设备，具体不做限定。
为了便于理解，下面结合附图对该图像识别方法进行详细说明。
图1为本发明实施例提供的行人航迹推断方法的流程示意图。该方法包括：
S1、接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度。
在本发明实施例中，接收智能终端发送的待处理观测量，待处理观测量包括一步内的三轴加速度和一步内的三轴角速度。
智能终端内安装有惯性传感器，惯性传感器可以采集用户的三轴加速度和三轴角速度，并发送给智能终端，智能终端接收惯性传感器采集的三轴加速度和三轴角速度，并且智能终端根据惯性传感器发送的三轴加速度和三轴角速度能够判断用户何时走了一步，并将一步内的三轴加速度和一步内的三轴角速度发送给执行本方法的电子设备(执行主体，以下简称本电子设备)。
本电子设备可以对接收的一步内的三轴加速度和一步内的是三轴角速度进行预处理，预处理过程如下：
首先将一步内的所有瞬时的三轴加速度进行转置，其计算公式为a＝[ax ay az]T；将一步内的所有瞬时的三轴角速度进行转置，其计算公式为g＝[gx gy gz]T；获得一步内的三轴加速度，即Acci＝[a1 … aM]；获得一步内的三轴角速度，即Gyri＝[g1 … gM]；
其中，ax，ay和az分别表示三轴加速度数据，gx，gy和gz表示三轴陀螺仪读数，M为固定常数，Acci和Gyri分别表示用户第i步时间内的三轴加速度和三轴角速度。
S2、获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；
预先训练得到个性化模型，建立个性化模型时，首先将个性化训练观测量与其对应的标注信息进行对应，标注信息即为个性化训练观测量对应的个性化训练步长值。在确定个性化训练观测量和个性化训练步长值后，将个性化训练观测量和个性化训练步长值输入神经网络进行训练，可以得到个性化模型。
个性化训练观测量为建立个性化模型时接收的用户一步内的三轴加速度和一步内的三轴角速度。
对于个性化训练步长值计算的具体过程和个性化模型建立的具体过程，后续将进行具体说明，这里先不赘述。
神经网络包括三部分，分别为长短时记忆循环神经网络(以下统称LSTM)模块、传感器噪声消除模块和回归模块。
长短时记忆循环神经网络模块即LSTM模块，包括两个LSTM层和四个全连接层，LSTM模块用于获得观测量对应的时序特征；传感器噪声消除模块即Dropout-Encoder-Decoder(以下统称DAE)模块，用于对时序特征进行去燥；回归模块包括三个全连接层，用于获得观测量对应的步长值。
图2示出了基于LSTM-DAE的行人步长估计模型的结构示意图，如所示：
与神经网络结构相似，相应的，行人步长估计模型包括三部分，分别为LSTM模块、DAE模块和回归模块。
LSTM模块包括两个LSTM层和四个全连接层，用于获得观测量对应的时序特征；DAE模块，用于对时序特征进行去燥；回归模块包括三个全连接层，用于获得观测量对应的步长值。
采用图2所述的行人步长估计模型进行计算步长时，首先将一步内的三轴加速度和一步内的三轴角速度分别经过LSTM模块，可以分别得到一步内的三轴加速度的时序特征和一步内的三轴角速度的时序特征，将两个时序特征及基于传统步长估计方法估计构建的高阶特征合并得到合并特征向量；然后合并特征向量经过DAE模块进行编码、解码操作消除传感器噪声，得到去噪后的合并特征向量；最后经过步长回归模块，基于去噪后的合并特征向量，可以得到步长估计值。
一种情况下，可以采用个性化训练观测量和个性化训练步长值对神经网络进行训练，得到的行人步长估计模型为个性化模型。将待处理观测量输入个性化模型中，得到的为个性化估计步长值。
一种情况下，可以采用通用训练观测量和通用训练步长值对神经网络进行训练，得到的行人步长估计模型为通用模型。将待处理观测量输入通用模型中，得到的为通用估计步长值。
S3、根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；
将待处理观测量输入个性化模型中，获得待处理观测量对应的个性化估计步长值。
S4、根据所述个性化步长估计值，确定用户的行走轨迹。
图3示出了行人航迹推断方法架构图，图4示出了行人航迹推断方法示意图。
如图3和图4所示，行人航迹推断方法包括步伐检测、步长估计和航向估算三部分。在初始位置、行走步长和行走方向已知的前提下，行人航迹推断方法可以推算出用户下一时刻的位置信息，进而推断出用户的行走轨迹。
行人航迹推断公式如下所示：
Figure BDA0002206241470000091
其中，l是行走步长，θ是行走方向，t为当前时刻。
本发明实施例中，通过将接收的待处理观测量输入个性化模型中，得到与待处理观测量对应的个性化步长估计值，然后根据个性化步长估计值，进行行人航迹推断，确定用户的行走轨迹；由于个性化训练观测量是针对不同的用户或设备获得，因此个性化模型能够适用不同的用户或设备，经由个性化模型获得的个性化步长估计值准确度更高，基于个性化步长估计值进行的行人航迹推断准确度更高，用户的行走轨迹亦更准确。
下面将结合一个例子说明，具体如何建立个性化模型。
参见图5，图5示出了个性化模型训练方法流程示意图。
在本发明的一个实施例中，个性化模型可以通过以下方式训练得到：
S51、接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
在本发明实施例中，建立个性化模型时，首先获得个性化训练观测量，个性化训练观测量包括用户一步内的三轴加速度和一步内的三轴角速度。
本电子设备可以与智能终端进行信息传输，智能终端内安装有惯性传感器，惯性传感器可以采集用户的三轴加速度和三轴角速度，并发送给智能终端，智能终端接收惯性传感器采集的三轴加速度和三轴角速度，并且智能终端根据惯性传感器发送的三轴加速度和三轴角速度能够判断用户何时走了一步，并将一步内的三轴加速度和一步内的三轴角速度发送给本电子设备。
本电子设备接收个性化训练观测量后，对个性化训练观测量进行预处理，预处理过程与步骤S1中的预处理过程相同，在此不再赘述。
S52、确定所述个性化训练观测量对应的个性化训练步长值；
进行个性化模型训练时，需要确定与个性化训练观测量相对应的个性化训练步长值，然后基于个性化训练观测量和个性化训练步长值得到个性化模型。
S53、构建神经网络模型；
构建神经网络模型，神经网络模型包括三部分，分别为LSTM模块、DAE模块和回归模块。
LSTM模块包括两个LSTM层和四个全连接层，用于获得观测量对应的时序特征；DAE模块，用于对时序特征进行去燥；回归模块包括三个全连接层，用于获得观测量对应的步长值。
S54、将所述个性化训练观测量及所述个性化训练步长值输入所述神经网络模型，训练得到所述个性化模型。
将个性化训练观测量及个性化训练步长值输入构建好的神经网络模型中，训练得到个性化模型。
个性化模型的训练过程具体如下：
1)、将个性化训练观测量进行预处理后，得到个性化训练数据PD，其中个性化训练数据包括预处理后的个性化训练观测量以及个性化训练步长值；个性化训练数据PD为PD＝{([Acci,Gyri],pi),i＝1,…,N}，其中，N为总步数，pi为个性化训练步长值，为真实步长值。
个性化训练步长值计算的具体过程，后续将进行具体说明，在此先不赘述。
2)、将个性化训练数据输入神经网络模型中，个性化训练数据PD经过LSTM模块得到一步内的三轴加速度的时序特征和一步内的三轴角速度的时序特征；其中，时序特征的计算公式为H(x)＝hT＝oT°tanh(CT)，hT表示LSTM网络中第T个细胞的输出。
然后将一步内的三轴加速度的时序特征和一步内的三轴角速度的时序特征整合得到合并特征向量h，
合并特征向量h的计算公式为
Figure BDA0002206241470000111
其中，Feats表示基于传统步长估计方法估计构建的高阶特征。
3)、将合并特征向量经过DAE模块去噪、编码、解码得到新特征向量及最适编码解码方法
DAE模块包括三个部分：Dropout、编码器和解码器，将合并特征向量h作为输入，并通过Dropout层Drop(·)将合并特征向量h损坏，使合并特征向量h丢失部分信息，随后编码器Enc(·)将损坏后的合并特征向量h映射到一个较低维度的空间，即对信息进行整合浓缩，最后通过解码器Dec(·)将这个低维的特征向量映射回原先的合并特征空间，得到新特征向量
Figure BDA0002206241470000112
新特征向量
Figure BDA0002206241470000113
的计算公式为
Figure BDA0002206241470000114
给定合并特征向量h，通过最小化原合并特征向量h和解码得到的新特征向量
Figure BDA0002206241470000115
之间的平方损失(也即DAE重建误差)来对DAE中的编码器和解码器进行训练。得代价函数为
Figure BDA0002206241470000116
其中，N为总步数；
当h和
Figure BDA0002206241470000117
误差最小时，即得到最适编码和解码方法。
4)、经过DAE模块后，还需要完成特征空间到步长的回归。利用真实步长来有监督地训练回归层，最小化真实步长值和估计步长值之间的误差损失函数，误差损失函数计算公式为
Figure BDA0002206241470000118
Figure BDA0002206241470000119
其中，N为总步数，yi是真实步长值，在训练个性化模型时，yi即为个性化训练步长值pi；
Figure BDA00022062414700001110
是回归层的估计步长值；G(·)是步长回归模型中的回归模块；当yi和
Figure BDA00022062414700001111
之间的均方根误差最小时，即得最优回归方法。
经过上述过程，即训练得个性化模型。
可以理解的是，通过构建个性化模型，可以更好的适用于异构用户或设备，基于个性化模型计算获得的个性化步长估计值更接近与用户的步长真是值，进而基于个性化步长估计值确定的用户的行走轨迹更准确。
图6示出了对于个性化训练步长值的计算方法，如图6所示：
在本发明的另一实施例中，所述确定所述个性化训练观测量对应的个性化训练步长值，包括：
S521、确定所述个性化训练观测量对应的通用步长估计值；
在本发明实施例中，将个性化训练观测量输入通用模型中，确定个性化训练观测量对应的通用步长估计值。
个性化训练观测量包括用户一步内的三轴加速度和一步内的三轴角速度。本电子设备接收个性化训练观测量后，对个性化训练观测量进行预处理，预处理过程与步骤S1中的预处理过程相同，在此不再赘述。个性化训练观测量预处理完成后，输入通用模型中，得到个性化训练观测量对应的通用步长估计值。
通用模型的建立过程与个性化模型的建立过程相似，其不同之处仅在于，通用模型建立时采用的是通用训练观测量和通用训练步长值；其中，通用训练步长值为用户采用惯性导航模块测得的真实步长值；其他与个性化模型的建立过程相同，在此不再赘述。
S522、获取用户的行走轨迹；
智能终端根据通用模型估计的步长值结合计步器和指南针做行人航迹推断，得到用户的行走轨迹，并将用户的行走轨迹发送至本电子设备。
S523、利用用户移动处的地图及所述地图内的路径对应的磁场信息构建带有磁场信息的地图；
利用用户所处室内的室内地图和地图中各个路径对应的磁场信息构建带有距离、方差和磁场均值方差信息的地图，并将带有磁场信息的地图存储与本电子设备内。
S524、将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度；
将用户的行走轨迹与带有磁场信息的地图做基于隐马尔可夫模型的匹配，在带有磁场信息的地图中找出与用户的行走轨迹对应的用户的真实轨迹及真实轨迹的总长度。
一个隐马尔可夫模型是一个三元组(Π,A,B)，其中Π＝(πi)为初始化概率向量，A＝(aij)为状态转移概率矩阵，B＝(bij)为发射概率矩阵。
图7为磁场信息辅助的地图匹配算法示意图，如图7所示，利用用户的行走轨迹和室内地图信息，匹配得到用户的真实轨迹及真实轨迹的总长度。
定义用户的行走轨迹的位移和方向、磁场观测序列的方差和均值为观测，定义室内地图路径中的路径交叉点为隐马尔可夫模型的隐藏状态，在一次数据采集中，用户的行走轨迹的位移和方向、磁场观测序列的方差和均值组成一个观测序列，经过的所有路径交叉点组成一个隐藏状态序列，利用Viterbi算法对观测序列进行解码，从而得到最可能生成此观测序列对应的隐藏状态序列，即得到用户经过的所有路径交叉点，也即用户的真实轨迹。
具体的磁场信息辅助的地图匹配算法过程如下：
1)、获得室内地图内路径交叉点i与路径交叉点j之间的距离Disi,j，其计算公式为
Figure BDA0002206241470000131
其中，KPi表示第i个路径交叉点，KPi,0和KPi,1分别表示第i个路径交叉点的XY坐标；KPj表示第j个路径交叉点，KPj,0和KPj,1分别表示第j个路径交叉点的XY坐标；SCi,j表示路径交叉点i与路径交叉点j之间的直线连通关系，1表示直线连通，0表示不连通；若两点直线连通，该距离为两点坐标间的欧式距离；否则设为无穷大。
2)、基于室内地图内路径交叉点i与路径交叉点j之间的距离Disi,j，计算室内地图内路径交叉点i与路径交叉点j的路径方向Diri,j，其计算公式为
Figure BDA0002206241470000132
若两点直线连通，则根据反三角函数计算路径交叉点i与路径交叉点j之间的路径方向；否则设为空。
3)、计算路径交叉点i与路径交叉点j之间距离的标准差DisStdi,j，表示路径交叉点i与路径交叉点j之间路径方向的标准差DirStdi,j；
DisStdi,j的计算公式为
Figure BDA0002206241470000141
DirStdi,j的计算公式为
Figure BDA0002206241470000142
其中，n为在路径交叉点i与路径交叉点j之间行走的总次数，k表示在路径交叉点i与路径交叉点j之间第k次行走。
4)、计算路径交叉点i与路径交叉点j之间的磁场观测序列的均值MMi,j和方差MSi,j，MMi,j和MSi,j的计算公式分别为
Figure BDA0002206241470000143
Figure BDA0002206241470000144
其中，mk表示路径交叉点i与路径交叉点j之间距离的磁场观测序列。
5)、计算初始概率向量∏，假设地图上所有路径交叉点的初始概率相等，则
Figure BDA0002206241470000145
其中M是该位置点的连通路径数。
6)、计算状态转移概率矩阵A，根据路径交叉点i与路径交叉点j之间直线距离的倒数计算转移概率，并对每一个路径交叉点的转移概率进行归一化操作；
状态转移概率矩阵A计算公式为
Figure BDA0002206241470000146
状态转移概率归一化公式为
Figure BDA0002206241470000147
7)、计算发射概率函数EPk，其计算公式为
Figure BDA0002206241470000151
其中，Sk表示第k个状态。
8)、使用Viterbi解码算法求解隐马尔可夫模型，得到用户的行走轨迹中第t个拐弯St为路径交叉点X的最可能路径的概率，其计算公式为：
Figure BDA0002206241470000152
例如，图8示出了基于隐马尔可夫模型的地图路径匹配结果示意图，如图8所示，左上图为用户的真实轨迹，右上为匹配结果中概率最大的路径，左下和右下为匹配结果中概率第二和第三的候选路径。
在确定匹配概率最大的室内地图路径后，由带有磁场信息的地图中提取每个路径段的开始坐标、结束坐标和长度信息。为了提高匹配精度，在匹配结果中删除地图约束较弱的第一个路径段和最后一个路径段，为了减少轨迹分割误差，删除短路径，得到有效路径段，进而得到该有效路径段的总长度；亦即得到用户的真实轨迹及真实轨迹的总长度。
S525、根据通用步长估计值及所述真实轨迹的总长度，确定所述个性化训练观测量对应的个性化训练步长值。
在获得用户的真实轨迹及真实轨迹的总长度后，进而需要将真实轨迹的总长度分配到用户每一步的行走距离；图9示出了异构用户和设备基于通用模型获得的通用估计步长值与真实步长值的对比，如图9所示，虽然对于异构用户或设备来说，采用通用模型获得的通用步长估计值的误差较大，但是通用步长估计值的走势与步长真值的走势变化是一致的；因此，可以采用通用步长估计值作为权重将用户的真实轨迹的总长度切分为用户每一步的步长，即为个性化训练步长值，个性化训练步长值的计算公式为
其中，ELi为采用通用模型获得的通用步长估计值，即为步骤S54中所述的回归层的估计步长值；pi为个性化训练步长值，为真实步长值；C为用户的真实路径中直线段的步子数。
可以理解的是，基于用户所处室内的地图及室内地图中各个路径对应的磁场信息构建带有距离、方差和磁场均值方差信息的地图，然后进行用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度，磁场信息的引入可有效解决室内路径的拓扑相似导致的错误匹配问题。
在本发明的一个实施例中，所述确定所述个性化训练观测量对应的通用步长估计值，包括：接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；获取预先训练得到的通用模型，所述通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，所述标注信息为与所述通用训练观测量对应的通用训练步长值；根据所述个性化训练观测量以及所述通用模型，确定所述个性化训练观测量对应的通用步长估计值。
本发明实施例中，计算通用步长估计值时，接收个性化训练观测量，个性化训练观测量包括用户一步内的三轴加速度和一步内的三轴角速度；然后将个性化训练观测量进行如步骤S1中所示的预处理。
通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到，标注信息为通用训练观测量对应的通用步长估计值，采用通用训练观测量与通用步长估计值训练通用模型时，训练过程同个性化模型的训练过程，在此不再赘述，训练获得的通用模型的结构与个性化模型的结构相同，包括LSTM模块、DAE模块和回归模块。
将预处理后的个性化训练观测量输入通用模型中，首先将一步内的三轴加速度和一步内的三轴角速度经过LSTM模块，可以分别得到一步内的三轴加速度的时序特征和一步内的三轴角速度的时序特征；然后经过DAE模块，对一步内的三轴加速度的时序特征和一步内的三轴角速度的时序特征进行去噪，然后进行编码、解码，可以得到合并特征向量；最后经过步长回归模块，基于合并特征向量，可以得到个性化训练观测量对应的通用步长估计值。
在本发明的另一个实施例中，还包括：采用模型置信度验证所述个性化模型的有效性；所述置信度计算公式为
Figure BDA0002206241470000171
其中，Cmodel为模型置信度，ELi表示采用所述个性化模型计算获得的个性化步长估计值，为估计步长值；pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值，为真实步长值；当模型置信度高于经验阈值时，进行个性化模型更新。
为了消除用户和设备异构性导致的误差、进一步提高步长估计精度，采用模型置信度评价个性化模型的有效性；Cmodel值越小表示当前的个性化模型性能越好，当Cmodel大于经验阈值5cm时，则表示当前的个性化模型误差较大需要训练更新。
在实际应用中，可以在根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值的步骤之前或者之后，对个性化模型进行有效性验证，具体不做限定，例如，可以在获得个性化模型后首先进行个性化模型的有效性验证，如果个性化模型需要更新，则基于更新后的个性化模型获取待处理观测量对应的个性化步长估计值。
图11示出了基于主动在线学习的模型更新框架图，如图11所示，该模型更新方法利用主动在线学习技术生成训练数据并自动更新现有模型。该模型更新方法只需要少量带有精确步长标签的数据集来构建通用模型；然后，利用主动学习提取个性化训练数据，并利用在线学习构建更准确的个性化模型。该模型更新方法，可以无需任何人工干预地自动评估步长模型的质量，并演进出最佳的步长模型。
可以理解的是，通过对个性化模型进行有效性验证，并基于验证结果进行个性化模型更新，可以使个性化模型更加精确，基于个性化模型获得的个性化步长估计值精度越来越高，进而，基于个性化步长估计值确定的用户的行走轨迹更加准确。
图11示出了基于室内定位结果的个性化模型建立及个性化步长估计框架图，如图11所示，采用惯性导航模块为用户提供准确的训练数据标签和测试数据真值，惯性导航模块内置三轴加速度计(范围±16g，分辨率490μg)和三轴陀螺仪(范围±2000度/秒，分辨率0.06度/秒)；智能终端内安装有惯性传感器，智能终端采集用户每一步内惯性传感器的观测量。
在离线训练阶段，同步采集智能终端内惯性传感器的观测量和惯性导航模块的平面坐标，通过惯性导航模块的平面坐标确定运动距离，使用智能手机的惯性传感器观测量作为训练数据，通过惯性导航模块确定的运动距离作为训练标签，训练通用模型。
在线个性化学习阶段，通过基于隐马尔科夫模型的地图匹配获得行人在物理空间的真实行走轨迹，然后使用通用模型的步长估计值作为权重切分行人真实行走轨迹得到行人每一步行走距离，作为个性化标签更新步长模型，得到更为精确的个性化模型。
在线预测阶段，系统利用用户随身携带智能终端内置惯性传感器的实时观测和步长模型自适应地估计用户每一步的精确步长。
采用本发明实施例提供的个性化模型，与现有步长估计方法(Kim，Ladetto和Weinberg)进行性能比较。现有步长估计方法中的经验参数都是通过采集的真实数据通过线性回归的方式拟合得到的最优参数。为了清楚地说明步长估计误差分布，采用累积误差概率密度分布图和箱线图来比较单步步长估计误差，结果分别如图12和图13所示。由图12和图13可以看出，基于本发明实施例提供的个性化模型获得的个性化步长估计值误差更小，精度更高。
采用本发明实施例提供的个性化模型，在六个不同的常见场景(办公室、商场、街道、地铁站、地下停车场和林荫小道)，对个性化模型的步长估计性能进行验证。验证结果如图14所示，80％的步长估计误差在0.071，0.076，0.075，0.058，0.082和0.088m以内，对应的相对误差率分别为5.22％，5.59％，5.51％，4.26％，6.03％，和6.47％。由图14可以看出，基于本发明实施例提供的个性化模型的步长估计方法取得很好的单步步长估计性能和较好的场景适应性。
为了验证基于本发明实施例提供的个性化模型的步长估计方法的鲁棒性，使用训练数据采集手机(华为Mate 9)和另外三个异构设备(三星Galaxy S6、华为荣耀20和华为P9)进行实验。四种设备的步长估计误差累积分布函数如图15所示。由图15可以看到，这4条CDF曲线非常接近，表明基于本发明实施例提供的个性化模型的步长估计算法具有较好的设备鲁棒性和实用性。
为了验证基于本发明实施例提供的个性化模型的步长估计方法的鲁棒性，邀请了另外五名志愿者采集测试数据，对个性化模型进行验证。不同行人带来不同的步态模式。为了准确记录行人的实际步长，在志愿者右脚的脚背上安装了一个鞋载惯导模块。所有志愿者在办公室环境中沿着同一条小路(约400米)行走。所有五名志愿者的步长估计误差累积分布函数如图16所示。由图16可以看到，这5条CDF曲线非常相似，与数据采集人员自己行走的实验结果是一致的。表明了本发明所提的基于本发明实施例提供的个性化模型的步长估计方法具有很好的鲁棒性和实用性。
为了综合评价基于本发明实施例提供的个性化模型的步长估计方法在各种条件下自然行走模式的步长估计精度，设计两个测试场景。测试者从一个室内办公室(中国科学院计算技术研究所七楼)开始步行大约100米后，经楼梯从七楼下到一楼。之后离开办公楼，沿着图示街道走到中关村大街的过街天桥并最终走到中国科学院第一招待所。路径长度约为1265米，总计907步，包括一个过街天桥。图17描述了整个步行路径(路径a)。另一个用户使用不同的智能手机沿着室内封闭路径进行类似的实验(行走路径如18所示，路径b)，不同算法的累积行走距离估计误差如下表所示。
Figure BDA0002206241470000191
由上表数据可以看出，基于本发明实施例提供的个性化模型的步长估计方法在各种条件下的自然行走模式，均具有较高的步长估计精度。
图19为本发明实施例提供的行人航迹推断置的结构示意图，包括：
接收模块1901，用于接收待处理观测量；其中，待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化模型获取模块1902，用于获取预先训练得到的个性化模型，个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，标注信息为与个性化训练观测量对应的个性化训练步长值；
个性化步长估计值确定模块1903，用于根据待处理观测量以及个性化模型，确定个性化步长估计值；
行走轨迹确定模块1904，用于根据个性化步长估计值，确定用户的行走轨迹。
在一种实施方式中，该装置还包括训练模块(图中未示出)，训练模块用于训练所述个性化模型，训练模块包括：
接收单元，用于接收个性化训练观测量；其中，个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化训练步长值确定单元，用于确定个性化训练观测量对应的个性化训练步长值；
神经网络模型构建单元，用于构建神经网络模型；
训练单元，用于将个性化训练观测量及个性化训练步长值输入神经网络模型，训练得到个性化模型。
作为一种实施方式，个性化训练步长值确定单元，包括：
通用步长估计值确定组件，用于确定个性化训练观测量对应的通用步长估计值；
行走轨迹获取组件，用于获取用户的行走轨迹；
地图构建组件，用于利用用户移动处的室内地图及地图内的路径对应的磁场信息构建带有磁场信息的地图；
匹配组件，用于将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及真实轨迹的总长度；
个性化训练步长值确定组件，用于根据通用步长估计值及真实轨迹的总长度，确定个性化训练观测量对应的个性化训练步长值。
在一种实施方式中，通用步长估计值确定组件，具体用于：
接收个性化训练观测量；其中，个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的通用模型，通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，标注信息为与通用训练观测量对应的通用训练步长值；
根据个性化训练观测量以及通用模型，确定个性化训练观测量对应的通用步长估计值。
作为一种实施方式，该装置还包括有效性验证模块(图中未示出)和更新模块(图中未示出)，其中，
有效性验证模块，用于采用模型置信度验证个性化模型的有效性；置信度计算公式为
Figure BDA0002206241470000211
其中，Cmodel为模型置信度，ELi表示采用个性化模型计算获得的个性化步长估计值，为估计步长值；pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值，为真实步长值；
更新模块，用于当模型置信度高于经验阈值时，进行个性化模型更新。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
在本发明的一个实施例中，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一行人航迹推断方法。
在本发明的一个实施例中，还提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行上述任一行人航迹推断方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (12)

1.一种行人航迹推断方法，其特征在于，所述方法包括：
接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；
根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；
根据所述个性化步长估计值，确定用户的行走轨迹。
2.根据权利要求1所述的行人航迹推断方法，其特征在于，所述个性化模型通过以下方式训练得到：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
确定所述个性化训练观测量对应的个性化训练步长值；
构建神经网络模型；
将所述个性化训练观测量及所述个性化训练步长值输入所述神经网络模型，训练得到所述个性化模型。
3.根据权利要求2所述的行人航迹推断方法，其特征在于，所述确定所述个性化训练观测量对应的个性化训练步长值，包括：
确定所述个性化训练观测量对应的通用步长估计值；
获取用户的行走轨迹；
利用用户移动处的地图及所述地图内的路径对应的磁场信息构建带有磁场信息的地图；
将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度；
根据通用步长估计值及所述真实轨迹的总长度，确定所述个性化训练观测量对应的个性化训练步长值。
4.根据权利要求3所述的行人航迹推断方法，其特征在于，所述确定所述个性化训练观测量对应的通用步长估计值，包括：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的通用模型，所述通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，所述标注信息为与所述通用训练观测量对应的通用训练步长值；
根据所述个性化训练观测量以及所述通用模型，确定所述个性化训练观测量对应的通用步长估计值。
5.根据权利要求1所述的行人航迹推断方法，其特征在于，所述方法还包括：
采用模型置信度验证所述个性化模型的有效性；所述置信度计算公式为
Figure FDA0002206241460000021
其中，Cmodel为模型置信度，ELi表示采用所述个性化模型计算获得的个性化步长估计值，pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值；
当模型置信度高于经验阈值时，进行个性化模型更新；其中，所述经验阈值为5cm。
6.一种行人航迹推断装置，其特征在于，所述装置包括：
接收模块，用于接收待处理观测量；其中，所述待处理观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化模型获取模块，用于获取预先训练得到的个性化模型，所述个性化模型基于神经网络对带有标注信息的个性化训练观测量进行训练得到；其中，所述标注信息为与所述个性化训练观测量对应的个性化训练步长值；
个性化步长估计值确定模块，用于根据所述待处理观测量以及所述个性化模型，确定个性化步长估计值；
行走轨迹确定模块，用于根据所述个性化步长估计值，确定用户的行走轨迹。
7.根据权利要求6所述的行人航迹推断装置，其特征在于，所述装置还包括训练模块，所述训练模块用于训练所述个性化模型，所述训练模块包括：
接收单元，用于接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
个性化训练步长值确定单元，用于确定所述个性化训练观测量对应的个性化训练步长值；
神经网络模型构建单元，用于构建神经网络模型；
训练单元，用于将所述个性化训练观测量及所述个性化训练步长值输入所述神经网络模型，训练得到所述个性化模型。
8.根据权利要求7所述的行人航迹推断装置，其特征在于，所述个性化训练步长值确定单元，包括：
通用步长估计值确定组件，用于确定所述个性化训练观测量对应的通用步长估计值；
行走轨迹获取组件，用于获取用户的行走轨迹；
带有磁场信息的地图构建组件，用于利用用户移动处的地图及所述地图内的路径对应的磁场信息构建带有磁场信息的地图；
匹配组件，用于将用户行走轨迹与带有磁场信息的地图进行匹配，基于匹配结果，确定用户的真实轨迹及所述真实轨迹的总长度；
个性化训练步长值确定组件，用于根据通用步长估计值及所述真实轨迹的总长度，确定所述个性化训练观测量对应的个性化训练步长值。
9.根据权利要求8所述的行人航迹推断装置，其特征在于，所述通用步长估计值确定组件，具体用于：
接收个性化训练观测量；其中，所述个性化训练观测量包括一步内的三轴加速度和一步内的三轴角速度；
获取预先训练得到的通用模型，所述通用模型基于神经网络对带有标注信息的通用训练观测量进行训练得到；其中，所述标注信息为与所述通用训练观测量对应的通用训练步长值；
根据所述个性化训练观测量以及所述通用模型，确定所述个性化训练观测量对应的通用步长估计值。
10.根据权利要求6所述的行人航迹推断装置，其特征在于，所述装置还包括有效性验证模块和更新模块，其中，
有效性验证模块，用于采用模型置信度验证所述个性化模型的有效性；所述置信度计算公式为
Figure FDA0002206241460000031
其中，Cmodel为模型置信度，ELi表示采用所述个性化模型计算获得的个性化步长估计值，pi为用户行走轨迹与带有磁场信息的地图进行匹配获得的地图步长值；
更新模块，用于当模型置信度高于经验阈值时，进行个性化模型更新；其中，所述经验阈值为5cm。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
12.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至5任一所述方法。
CN201910882232.7A 2019-09-18 2019-09-18 一种行人航迹推断方法、装置、设备及存储介质 Active CN110766154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882232.7A CN110766154B (zh) 2019-09-18 2019-09-18 一种行人航迹推断方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882232.7A CN110766154B (zh) 2019-09-18 2019-09-18 一种行人航迹推断方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110766154A true CN110766154A (zh) 2020-02-07
CN110766154B CN110766154B (zh) 2022-05-10

Family

ID=69329741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882232.7A Active CN110766154B (zh) 2019-09-18 2019-09-18 一种行人航迹推断方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110766154B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899362A (zh) * 2021-09-09 2022-01-07 武汉大学 一种基于残差网络的带不确定性评估的行人航迹推算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103471589A (zh) * 2013-09-25 2013-12-25 武汉大学 一种室内行人行走模式识别和轨迹追踪的方法
CN104266648A (zh) * 2014-09-16 2015-01-07 南京诺导电子科技有限公司 Android平台MARG传感器的室内定位系统
WO2017031856A1 (zh) * 2015-08-25 2017-03-02 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN107250727A (zh) * 2014-09-15 2017-10-13 牛津大学创新有限公司 确定移动设备在地理区域中的位置
CN107339990A (zh) * 2017-06-27 2017-11-10 北京邮电大学 多模式融合定位系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103471589A (zh) * 2013-09-25 2013-12-25 武汉大学 一种室内行人行走模式识别和轨迹追踪的方法
CN107250727A (zh) * 2014-09-15 2017-10-13 牛津大学创新有限公司 确定移动设备在地理区域中的位置
CN104266648A (zh) * 2014-09-16 2015-01-07 南京诺导电子科技有限公司 Android平台MARG传感器的室内定位系统
WO2017031856A1 (zh) * 2015-08-25 2017-03-02 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN107339990A (zh) * 2017-06-27 2017-11-10 北京邮电大学 多模式融合定位系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QU WANG ET AL: "Pedestrian Stride-Length Estimation Based on LSTM and Denoising Autoencoders", 《SENSORS》 *
姜竹青: "自主导航中滤波算法的研究及应用", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899362A (zh) * 2021-09-09 2022-01-07 武汉大学 一种基于残差网络的带不确定性评估的行人航迹推算方法
CN113899362B (zh) * 2021-09-09 2023-09-22 武汉大学 一种基于残差网络的带不确定性评估的行人航迹推算方法

Also Published As

Publication number Publication date
CN110766154B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
Zhou et al. Activity sequence-based indoor pedestrian localization using smartphones
CN103968827B (zh) 一种可穿戴式人体步态检测的自主定位方法
CN107688665B (zh) 一种室内地图自动构建方法、装置及存储介质
CN108318043A (zh) 用于更新电子地图的方法、装置和计算机可读存储介质
Raymond et al. Map matching with hidden Markov model on sampled road network
US20160371394A1 (en) Indoor localization using crowdsourced data
CN105509739A (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法
CN103827632B (zh) 位置检测装置以及位置检测方法
CN108537101B (zh) 一种基于状态识别的行人定位方法
Zhou et al. A graph optimization-based indoor map construction method via crowdsourcing
CN108629295A (zh) 转角地标识别模型训练方法、转角地标识别方法及装置
Xiao et al. Residual attention network-based confidence estimation algorithm for non-holonomic constraint in GNSS/INS integrated navigation system
Wang et al. Recent advances in pedestrian inertial navigation based on smartphone: A review
Zhou et al. DeepVIP: Deep learning-based vehicle indoor positioning using smartphones
CN110766154B (zh) 一种行人航迹推断方法、装置、设备及存储介质
CN107463871A (zh) 一种基于角特征加权的点云匹配方法
Ding et al. OGI-SLAM2: A hybrid map SLAM framework grounded in inertial-based SLAM
CN109739830A (zh) 一种基于众包数据的位置指纹数据库快速构建方法
Zhang et al. Continuous indoor visual localization using a spatial model and constraint
Wendlandt et al. Continuous location and direction estimation with multiple sensors using particle filtering
CA2894863A1 (en) Indoor localization using crowdsourced data
Shu et al. Accurate indoor 3d location based on mems/vision by using a smartphone
CN109682372B (zh) 一种结合建筑物结构信息与rfid标定的改进型pdr方法
Li et al. Pedestrian positioning in urban environment by integration of PDR and traffic mode detection
Yang et al. Real-time infrastructureless indoor tracking for pedestrian using a smartphone

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