CN113891243A - 终端室内定位方法、装置和系统、存储介质 - Google Patents

终端室内定位方法、装置和系统、存储介质 Download PDF

Info

Publication number
CN113891243A
CN113891243A CN202111325955.0A CN202111325955A CN113891243A CN 113891243 A CN113891243 A CN 113891243A CN 202111325955 A CN202111325955 A CN 202111325955A CN 113891243 A CN113891243 A CN 113891243A
Authority
CN
China
Prior art keywords
pedestrian
terminal
indoor positioning
step length
motion data
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
CN202111325955.0A
Other languages
English (en)
Inventor
朱先飞
庞涛
梁宇杰
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202111325955.0A priority Critical patent/CN113891243A/zh
Publication of CN113891243A publication Critical patent/CN113891243A/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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本公开涉及一种终端室内定位方法、装置和系统、存储介质。该终端室内定位方法包括：采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数；采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长；对行人步长进行滤波，确定步长；根据行人运动数据和滤波后的步长，确定终端位置。本公开可以基于步长推断模型进行行人步长识别，能有效地降低依赖惯性单元定位产生的累计误差，提高行人的室内定位精度。

Description

终端室内定位方法、装置和系统、存储介质
技术领域
本公开涉及移动终端室内定位领域，特别涉及一种终端室内定位方法、装置和系统、存储介质。
背景技术
近年来，随着互联网技术的不断发展，众多新型移动设备如智能手机、可穿戴设备、无人机、移动机器人等产业也相应的收到了广大人们的追捧。在这些产品中，人们对于其中的位置信息的需求也越来越高，位置感知发挥了越来越重要的作用。LBS(LocationBased Services，基于位置的服务)由于其潜在的社会价值和商业价值，受到了人们广泛的关注。
发明内容
发明人通过研究发现：相关技术智能终端普遍集成了惯性测量单元(加速传感器、陀螺仪、磁力计)，通过惯性测量单元获得行人的步态步长进行位置推算是室内常用定位导航技术。相关技术行人步态(动作)识别已经比较准确，但行人步长受到个人的身高、体重、性别等影响，步长推算容易导致累计误差。
鉴于以上技术问题中的至少一项，本公开提供了一种终端室内定位方法、装置和系统、存储介质，基于步长推断模型进行行人步长识别，能有效地降低依赖惯性单元定位产生的累计误差。
根据本公开的一个方面，提供一种终端室内定位方法，包括：
采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数；
采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长；
对行人步长进行滤波，确定步长；
根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，所述采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长包括：
根据行人运动数据确定特征样本数据；
将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型；
获取当前行人运动数据；
将当前行人运动数据输入步长识别模型，确定行人步长。
在本公开的一些实施例中，所述终端室内定位方法还包括：
预先定义多层神经网络，其中，多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识，多层神经网络的输出为步长在多个步长分类的概率。
在本公开的一些实施例中，所述根据行人运动数据和滤波后的步长，确定终端位置包括：
根据步数、方向和滤波后的步长，确定终端位置。
根据本公开的另一方面，提供一种终端室内定位装置，包括：
惯性测量单元采集模块，用于采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数；
网络训练模块，用于采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长；
滤波模块，用于对行人步长进行滤波，确定步长；
位置获取模块，用于根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，网络训练模块，用于将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型；
惯性测量单元采集模块，还用于获取当前行人运动数据；将当前行人运动数据输入步长识别模型，确定行人步长。
在本公开的一些实施例中，所述终端室内定位装置还包括：
网络定义模块，用于预先定义多层神经网络，其中，多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识，多层神经网络的输出为步长在多个步长分类的概率。
在本公开的一些实施例中，位置获取模块，用于根据步数、方向和滤波后的步长，确定终端位置。
根据本公开的另一方面，提供一种终端室内定位装置，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述终端室内定位装置执行实现如上述任一实施例所述的终端室内定位方法的操作。
根据本公开的另一方面，提供一种终端室内定位系统，包括惯性测量单元和如上述任一实施例所述的终端室内定位装置。
根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的终端室内定位方法。
本公开可以基于步长推断模型进行行人步长识别，能有效地降低依赖惯性单元定位产生的累计误差，提高行人的室内定位精度。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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为本公开终端室内定位方法一些实施例的示意图。
图2为本公开终端室内定位方法另一些实施例的示意图。
图3为本公开一些实施例中获取终端位置的示意图。
图4为本公开终端室内定位装置一些实施例的示意图。
图5为本公开终端室内定位装置另一些实施例的示意图。
图6为本公开终端室内定位装置又一些实施例的结构示意图。
图7为本公开终端室内定位系统一些实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
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讨论。
图1为本公开终端室内定位方法一些实施例的示意图。优选的，本实施例可由本公开终端室内定位装置或本公开终端室内定位系统执行。该方法可以包括步骤11-步骤14中的至少一项，其中：
步骤11，采集IMU(Inertial measurement unit，惯性测量单元)获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数。
步骤12，采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长。
在本公开的一些实施例中，步骤12可以包括步骤121-步骤124中的至少一项，其中：
步骤121，根据行人运动数据确定特征样本数据。
步骤122，将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型。
步骤123，获取当前行人运动数据。
步骤124，将当前行人运动数据输入步长识别模型，确定行人步长。
步骤13，对行人步长进行滤波，确定步长。
在本公开的一些实施例中，步骤13可以包括：采用卡尔曼滤波进行步长滤波推导获得步长。
步骤14，根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，步骤14可以包括：根据步数、方向和滤波后的步长，确定终端位置。
本公开上述实施例提供了一种基于步长滤波的终端室内定位方法，可以通过神经网络训练后得到步长推断模型，利用模型对加速度等数据进行步长推算，将模型输出的步长作为滤波观测值，用卡尔曼滤波对步长进行推导，获得去噪后的步长，再根据行人步态和步长进行导航定位，由此本公开上述实施例能有效地降低依赖惯性单元定位产生的累计误差，提高行人的室内定位精度。
图2为本公开终端室内定位方法另一些实施例的示意图。优选的，本实施例可由本公开终端室内定位装置或本公开终端室内定位系统执行。该方法可以包括步骤21-步骤26中的至少一项，其中：
步骤21，预先定义多层神经网络。
在本公开的一些实施例中，所述多层神经网络可以为BP(Back Propagation，反向传播)神经网络。
在本公开的一些实施例中，所述多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识。
在本公开的一些实施例中，所述多层神经网络可以为4层神经网络，其中：
层1：全连接64节点
层2：层1全连接64节点
层3：层2全连接32节点
层4：层3全连接32节点
在本公开的一些实施例中，所述多层神经网络的输出为步长在多个步长分类的概率。
在本公开的一些实施例中，所述多层神经网络的输出为0.05-1.5米概率(每隔5厘米一个分类，0.05米精度)。
在本公开的一些实施例中，所述多层神经网络的损失函数：步长标识的概率(Softmax)，其中，Softmax函数就可以将多分类的输出值转换为范围在[0，1]和为1的概率分布。
步骤22，采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数。
步骤23，根据行人运动数据确定特征样本数据。
步骤24，将特征样本数据输入预先定义的多层神经网络进行模型训练，获得步长识别模型。
步骤25，获取当前行人运动数据。
步骤26，将当前行人运动数据输入步长识别模型，确定行人步长。
步骤27，对行人步长进行滤波，确定步长。
在本公开的一些实施例中，步骤13可以包括：将多层网络的输出步长作为卡尔曼滤波的观测步长，用卡尔曼滤波进行步长滤波推导获得步长。
步骤28，根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，步骤28可以包括：根据步数、方向和滤波后的步长，确定终端位置。
在本公开的一些实施例中，步骤28可以包括：通过终端的惯性测量单元数据加上滤波得到的步长应用PDR(Pedestrian Dead Reckoning，行人航位推算)算法得到终端位置。
在本公开的一些实施例中，惯性导航是一种不借助外部信号的自主性导航。PDR算法能在无信标条件下，通过加速度三轴加速度值和方向角感知行人在行进过程中的加速度和方向角，并利用这些数据对行走路线进行相对定位，从而达到对行人进行定位跟踪的目的。
图3为本公开一些实施例中获取终端位置的示意图。如图3所示，本公开终端室内定位方法可以包括：通过神经网络将行人加速度、加速度方差、步频进行特征建模、模型训练、输出行人步长，再用卡尔曼滤波进行步长滤波推导获得步长d；根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，如图3所示，本公开终端室内定位方法可以包括：通过加速度变化获得步数k，通过磁场变化获得方向角θ；根据公式(1)和(2)所示，第n步后，终端的坐标(En，Nn)分别等于终端起始坐标(E0，N0)加上之前每一步的步长dn的在E或N方向的投影，其中，所述投影等于dn乘以方向角的余弦cosθn或正弦sinθn。
Figure BDA0003346942380000071
Figure BDA0003346942380000072
基于本公开上述实施例提供的终端室内定位方法，通过终端惯性测量单元获得终端移动的加速度、方向角等数据，对加速度、加速度方差、步频等信息进行特征建模，应用BP神经网络进行对行人步长进行模型训练、获得行人步长输出模型，对实时输出的步长再用卡尔曼滤波进行滤波推导获得实时去噪后的步长，再根据步数、方向、步长进行终端定位。
本公开上述实施例涉及移动终端室内定位、导航领域。本公开上述实施例可以通过神经网络将行人加速度、加速度方差、步频进行特征建模、模型训练、输出行人步长，再用卡尔曼滤波进行步长滤波推导获得步长，相对于直接通过IMU惯性测量单元进行步长估算定位，或用KNN(K-Nearest Neighbor，K最邻近)等算法对IMU进行步长估算定位，能更好的拟合特征又能有效的减少累积误差。
图4为本公开终端室内定位装置一些实施例的示意图。如图4所示，本公开终端室内定位装置可以包括惯性测量单元采集模块41、网络训练模块42、滤波模块43和位置获取模块44，其中：
惯性测量单元采集模块41，用于采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数。
网络训练模块42，用于采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长。
滤波模块43，用于对行人步长进行滤波，确定步长。
位置获取模块44，用于根据行人运动数据和滤波后的步长，确定终端位置。
在本公开的一些实施例中，位置获取模块44可以用于根据步数、方向和滤波后的步长，确定终端位置。
在本公开的一些实施例中，网络训练模块42可以用于将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型。
惯性测量单元采集模块41，还可以用于获取当前行人运动数据；将当前行人运动数据输入步长识别模型，确定行人步长。
在本公开的一些实施例中，如图4所示，所述终端室内定位装置还可以包括：
网络定义模块40，用于预先定义多层神经网络，其中，多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识，多层神经网络的输出为步长在多个步长分类的概率。
本公开上述实施例提供了一种基于步长滤波的终端室内定位装置，可以通过神经网络训练后得到步长推断模型，利用模型对加速度等数据进行步长推算，将模型输出的步长作为滤波观测值，用卡尔曼滤波对步长进行推导，获得去噪后的步长，再根据行人步态和步长进行导航定位，由此本公开上述实施例能有效地降低依赖惯性单元定位产生的累计误差，提高行人的室内定位精度。
图5为本公开终端室内定位装置另一些实施例的示意图。如图5所示，本公开终端室内定位装置可以包括惯性测量单元采集模块51、多层网络训练模块52、卡尔曼滤波模块53和位置获取模块54，其中：
惯性测量单元采集模块51，用于采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数。
多层网络训练模块52，用于采用神经网络对行人运动数据进行特征建模、模型训练，获得步长识别模型；获取当前行人运动数据；将当前行人运动数据输入步长识别模型，确定行人步长。
卡尔曼滤波模块53，用于对行人步长进行滤波，确定步长。
位置获取模块54，用于根据行人运动数据和滤波后的步长，应用PDR算法确定终端位置。
基于本公开上述实施例提供的终端室内定位装置，通过终端惯性测量单元获得终端移动的加速度、方向角等数据，对加速度、加速度方差、步频等信息进行特征建模，应用BP神经网络进行对行人步长进行模型训练、获得行人步长输出模型，对实时输出的步长再用卡尔曼滤波进行滤波推导获得实时去噪后的步长，再根据步数、方向、步长进行终端定位。
图6为本公开终端室内定位装置又一些实施例的结构示意图。如图6所示，终端室内定位装置包括存储器61和处理器62。
存储器61用于存储指令，处理器62耦合到存储器61，处理器62被配置为基于存储器存储的指令执行实现上述实施例涉及的终端室内定位方法。
如图6所示，该终端室内定位装置还包括通信接口63，用于与其它设备进行信息交互。同时，该终端室内定位装置还包括总线64，处理器62、通信接口63、以及存储器61通过总线64完成相互间的通信。
存储器61可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器61也可以是存储器阵列。存储器61还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器62可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或是被配置成实施本公开实施例的一个或多个集成电路。
本公开上述实施例涉及移动终端室内定位、导航领域。本公开上述实施例可以通过神经网络将行人加速度、加速度方差、步频进行特征建模、模型训练、输出行人步长，再用卡尔曼滤波进行步长滤波推导获得步长，相对于直接通过IMU惯性测量单元进行步长估算定位，或用KNN等算法对IMU进行步长估算定位，能更好的拟合特征又能有效的减少累积误差。
图7为本公开终端室内定位系统一些实施例的结构示意图。如图7所示，本公开终端室内定位系统可以包括惯性测量单元71和终端室内定位装置72，其中：
终端室内定位装置72可以为如上述任一实施例(例如图4-图6任一实施例)所述的终端室内定位装置。
惯性测量单元71，可以包括加速传感器、陀螺仪、磁力计。
在本公开一些实施例中，智能终端普遍集成了惯性测量单元71。
本公开上述实施例提供了一种基于步长滤波的终端室内定位系统，可以通过神经网络训练后得到步长推断模型，利用模型对加速度等数据进行步长推算，将模型输出的步长作为滤波观测值，用卡尔曼滤波对步长进行推导，获得去噪后的步长，再根据行人步态和步长进行导航定位，由此本公开上述实施例能有效地降低依赖惯性单元定位产生的累计误差，提高行人的室内定位精度。
根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例(例如图1-图3任一实施例)所述的终端室内定位方法。
基于本公开上述实施例提供的非瞬时性计算机可读存储介质，通过终端惯性测量单元获得终端移动的加速度、方向角等数据，对加速度、加速度方差、步频等信息进行特征建模，应用BP神经网络进行对行人步长进行模型训练、获得行人步长输出模型，对实时输出的步长再用卡尔曼滤波进行滤波推导获得实时去噪后的步长，再根据步数、方向、步长进行终端定位。
本公开上述实施例涉及移动终端室内定位、导航领域。本公开上述实施例可以通过神经网络将行人加速度、加速度方差、步频进行特征建模、模型训练、输出行人步长，再用卡尔曼滤波进行步长滤波推导获得步长，相对于直接通过IMU惯性测量单元进行步长估算定位，或用KNN等算法对IMU进行步长估算定位，能更好的拟合特征又能有效的减少累积误差。
本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在上面所描述的终端室内定位装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种非瞬时性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (11)

1.一种终端室内定位方法，其特征在于，包括：
采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数；
采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长；
对行人步长进行滤波，确定步长；
根据行人运动数据和滤波后的步长，确定终端位置。
2.根据权利要求1所述的终端室内定位方法，其特征在于，所述采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长包括：
根据行人运动数据确定特征样本数据；
将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型；
获取当前行人运动数据；
将当前行人运动数据输入步长识别模型，确定行人步长。
3.根据权利要求2所述的终端室内定位方法，其特征在于，还包括：
预先定义多层神经网络，其中，多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识，多层神经网络的输出为步长在多个步长分类的概率。
4.根据权利要求1-3中任一项所述的终端室内定位方法，其特征在于，所述根据行人运动数据和滤波后的步长，确定终端位置包括：
根据步数、方向和滤波后的步长，确定终端位置。
5.一种终端室内定位装置，其特征在于，包括：
惯性测量单元采集模块，用于采集惯性测量单元获取的行人运动数据，其中，所述行人运动数据包括携带终端的行人的加速度、方向和步数；
网络训练模块，用于采用神经网络对行人运动数据进行特征建模、模型训练，输出行人步长；
滤波模块，用于对行人步长进行滤波，确定步长；
位置获取模块，用于根据行人运动数据和滤波后的步长，确定终端位置。
6.根据权利要求5所述的终端室内定位装置，其特征在于，
网络训练模块，用于将特征样本数据输入预定多层神经网络进行模型训练，获得步长识别模型；
惯性测量单元采集模块，还用于获取当前行人运动数据；将当前行人运动数据输入步长识别模型，确定行人步长。
7.根据权利要求6所述的终端室内定位装置，其特征在于，还包括：
网络定义模块，用于预先定义多层神经网络，其中，多层神经网络的输入为特征样本数据，特征样本数据包括加速度方差、步频和加速度，标签为行人步长标识，多层神经网络的输出为步长在多个步长分类的概率。
8.根据权利要求5-7中任一项所述的终端室内定位装置，其特征在于，
位置获取模块，用于根据步数、方向和滤波后的步长，确定终端位置。
9.一种终端室内定位装置，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述终端室内定位装置执行实现如权利要求1-4中任一项所述的终端室内定位方法的操作。
10.一种终端室内定位系统，其特征在于，包括：惯性测量单元和如权利要求5-9中任一项所述的终端室内定位装置。
11.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-4中任一项所述的终端室内定位方法。
CN202111325955.0A 2021-11-10 2021-11-10 终端室内定位方法、装置和系统、存储介质 Pending CN113891243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111325955.0A CN113891243A (zh) 2021-11-10 2021-11-10 终端室内定位方法、装置和系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111325955.0A CN113891243A (zh) 2021-11-10 2021-11-10 终端室内定位方法、装置和系统、存储介质

Publications (1)

Publication Number Publication Date
CN113891243A true CN113891243A (zh) 2022-01-04

Family

ID=79017178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111325955.0A Pending CN113891243A (zh) 2021-11-10 2021-11-10 终端室内定位方法、装置和系统、存储介质

Country Status (1)

Country Link
CN (1) CN113891243A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170064515A1 (en) * 2015-08-27 2017-03-02 Glopos Fzc Method and arrangement for locating a moble device
CN106643715A (zh) * 2016-11-17 2017-05-10 天津大学 一种基于bp神经网络改善的室内惯性导航方法
CN109579853A (zh) * 2019-01-24 2019-04-05 燕山大学 基于bp神经网络的惯性导航室内定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170064515A1 (en) * 2015-08-27 2017-03-02 Glopos Fzc Method and arrangement for locating a moble device
CN106643715A (zh) * 2016-11-17 2017-05-10 天津大学 一种基于bp神经网络改善的室内惯性导航方法
CN109579853A (zh) * 2019-01-24 2019-04-05 燕山大学 基于bp神经网络的惯性导航室内定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵辉;李擎;李超;: "修正建筑物内三维定位误差的运动感知方法研究", 计算机应用研究, no. 09 *

Similar Documents

Publication Publication Date Title
US20230194265A1 (en) Square-Root Multi-State Constraint Kalman Filter for Vision-Aided Inertial Navigation System
CN109543703B (zh) 传感器数据处理的方法及装置
CN112634451A (zh) 一种融合多传感器的室外大场景三维建图方法
CN111860155A (zh) 一种车道线的检测方法及相关设备
CN110211151B (zh) 一种运动物体的追踪方法和装置
US11568202B2 (en) Method and apparatus for determining goodness of fit related to microphone placement
CN113112525B (zh) 目标跟踪方法、网络模型及其训练方法、设备和介质
CN113313053A (zh) 图像处理方法、装置、设备、介质及程序产品
CN111428539A (zh) 目标跟踪方法及装置
CN114593735B (zh) 一种位姿预测方法及装置
CN113592015B (zh) 定位以及训练特征匹配网络的方法和装置
CN113570716A (zh) 云端三维地图构建方法、系统及设备
CN112621753B (zh) 机器人定位方法、电子设备及存储介质
CN113891243A (zh) 终端室内定位方法、装置和系统、存储介质
Natarajasivan et al. Filter based sensor fusion for activity recognition using smartphone
CN115727871A (zh) 一种轨迹质量检测方法、装置、电子设备和存储介质
KR101870542B1 (ko) 모션 인식 방법 및 장치
CN114155504A (zh) 用于自动驾驶的视觉识别车辆方法、装置、出行装置及介质
CN114529719A (zh) 一种地面地图要素语义分割方法、系统、介质及设备
CN114140512A (zh) 一种图像处理方法以及相关设备
CN114140497A (zh) 目标车辆3d实时追踪方法及系统
CN113066124A (zh) 一种神经网络的训练方法以及相关设备
Kuriakose et al. Distance estimation methods for smartphone-based navigation support systems
CN109661673B (zh) 用于计算rbf模型的模型计算单元和控制设备
CN116012703A (zh) 一种树干特征识别方法、系统及产品

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