CN114440888A - 基于序列分组滑动窗口的室内定位方法及装置 - Google Patents
基于序列分组滑动窗口的室内定位方法及装置 Download PDFInfo
- Publication number
- CN114440888A CN114440888A CN202210041125.3A CN202210041125A CN114440888A CN 114440888 A CN114440888 A CN 114440888A CN 202210041125 A CN202210041125 A CN 202210041125A CN 114440888 A CN114440888 A CN 114440888A
- Authority
- CN
- China
- Prior art keywords
- geomagnetic
- sequences
- sequence
- group
- sliding window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了基于序列分组滑动窗口的室内定位方法及装置，方法包括：构建基于分组滑动窗口的位置预测网络结构；通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。本发明实现了对于不同场景的适应性，有效提升了地磁序列信号的定位精度，并且适用于多种不同的序列定位信号，可广泛应用于室内定位技术领域。
Description
技术领域
本发明涉及室内定位技术领域，尤其是基于序列分组滑动窗口的室内定位方法及装置。
背景技术
目前，国内外学者提出了许多室内定位算法和技术，使用的信号源包括超宽带、Wi-Fi、蓝牙、RFID、地磁等，使用地磁进行室内定位的方法主要分为两类：基于离散地磁信号的定位算法和基于地磁序列信号的定位算法。
基于离散地磁信号的定位算法计算方式简单、计算成本较低，但地磁信号的信号特征与其空间位置不具备规律相关性，因此在较大的室内场景下，离散地磁信号缺乏足够的定位特征区分度，加之室内环境噪声的影响，容易导致较大的定位误差。
基于地磁序列信号的定位算法需要对连续的地磁输入信号进行计算，长序列的匹配运算往往需要较高的计算复杂度，但使用较短序列则会面临定位特征不足的情况，导致定位精度下降。
发明内容
有鉴于此，本发明实施例提供一种精度高且运算复杂度低的，基于序列分组滑动窗口的室内定位方法及装置。
本发明的第一方面提供了一种基于序列分组滑动窗口的室内定位方法，包括：
构建基于分组滑动窗口的位置预测网络结构；
通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
可选地，所述方法还包括位置预测网络的训练步骤，该步骤具体包括：
对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，所述定位模型用于确定粗定位结果；
构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征；
根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型；
通过预处理后的地磁序列信号对所位置预测网络模型进行训练。
可选地，所述对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，包括：
对采集的地磁信号序列进行姿势校准处理；
使用滑动窗口对姿势校准处理后的地磁序列进行切割分组处理，得到多组地磁序列，其中，每组地磁序列由多个地磁序列及对应位置标签组成；
使用Transformer特征提取网络对切割所得的各组地磁序列及对应的位置标签进行训练，获得粗定位模型。
可选地，所述构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征，包括：
构建基于Transformer网络的多层级特征提取网络来提取输入的每组地磁序列的地磁信号特征；
构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征；
其中，所述地磁信号特征包括地磁序列特征的网络前端及对地磁序列特征进行扩展的网络后端。
可选地，所述构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征，包括：
每组地磁序列的地磁信号特征进行拼接处理获得时序相关的特征序列；
将所述特征序列输入基于编码器结构的关联信息提取网络提取各个地磁序列基于时序的关联信息特征。
可选地，所述根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型，包括：
将所述关联特征输入基于解码器结构的位置解码预测网络结构；
根据所述粗定位模型计算每组首个地磁序列的粗定位结果作为解码器的序列位置输入起始符；
根据所述解码器的序列位置输入起始符，构建位置预测网络模型。
可选地，所述方法还包括模型测试步骤，该步骤具体包括：
加载训练完成的位置预测网络模型和粗定位模型；
对输入的每组地磁序列进行串行位置预测，编码器的前置输入为粗定位位置与编码器上轮所预测位置的加权结果。
本发明实施例还提供了一种基于序列分组滑动窗口的室内定位装置，包括：
第一模块，用于构建基于分组滑动窗口的位置预测网络结构；
第二模块，用于通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
第三模块，用于将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明的实施例构建基于分组滑动窗口的位置预测网络结构；通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。本发明实现了对于不同场景的适应性，有效提升了地磁序列信号的定位精度，并且适用于多种不同的序列定位信号。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了一种基于序列分组滑动窗口的室内定位方法，包括：
构建基于分组滑动窗口的位置预测网络结构；
通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
可选地，所述方法还包括位置预测网络的训练步骤，该步骤具体包括：
对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，所述定位模型用于确定粗定位结果；
构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征；
根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型；
通过预处理后的地磁序列信号对所位置预测网络模型进行训练。
可选地，所述对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，包括：
对采集的地磁信号序列进行姿势校准处理；
使用滑动窗口对姿势校准处理后的地磁序列进行切割分组处理，得到多组地磁序列，其中，每组地磁序列由多个地磁序列及对应位置标签组成；
使用Transformer特征提取网络对切割所得的各组地磁序列及对应的位置标签进行训练，获得粗定位模型。
可选地，所述构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征，包括：
构建基于Transformer网络的多层级特征提取网络来提取输入的每组地磁序列的地磁信号特征；
构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征；
其中，所述地磁信号特征包括地磁序列特征的网络前端及对地磁序列特征进行扩展的网络后端。
可选地，所述构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征，包括：
每组地磁序列的地磁信号特征进行拼接处理获得时序相关的特征序列；
将所述特征序列输入基于编码器结构的关联信息提取网络提取各个地磁序列基于时序的关联信息特征。
可选地，所述根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型，包括：
将所述关联特征输入基于解码器结构的位置解码预测网络结构；
根据所述粗定位模型计算每组首个地磁序列的粗定位结果作为解码器的序列位置输入起始符；
根据所述解码器的序列位置输入起始符，构建位置预测网络模型。
可选地，所述方法还包括模型测试步骤，该步骤具体包括：
加载训练完成的位置预测网络模型和粗定位模型；
对输入的每组地磁序列进行串行位置预测，编码器的前置输入为粗定位位置与编码器上轮所预测位置的加权结果。
本发明实施例还提供了一种基于序列分组滑动窗口的室内定位装置，包括：
第一模块，用于构建基于分组滑动窗口的位置预测网络结构；
第二模块，用于通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
第三模块，用于将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
如图1所示，本发明实施例提供了一种基于分组滑动窗口的地磁室内定位方法，包括以下步骤：
建立基于分组滑动窗口的位置预测网络结构，所述位置预测网络以地磁定位信号序列作为输入，用户所在路径的位置坐标序列作为输出；
采集待确定路径上的地磁信号序列，并将其使用滑动窗口进行切割分组处理；
将所述每组地磁信号序列作为所述位置预测网络的输入；
所述位置预测网络输出该组地磁信号序列对应的位置序列。
在本实施例中，使用分组滑动窗口对地磁信号序列进行预处理，通过多层时序特征提取和连续位置解码，增强地磁信号和预测位置在时序上的关联性，实现了对于不同场景的适应性，有效提升了地磁序列信号的定位精度，并且适用于多种不同的序列定位信号。
可选地，建立基于分组滑动窗口的位置预测网络包括训练阶段和预测阶段。
可选地，所述训练阶段包括以下步骤S1-S2：
步骤S1，对用户采集的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得提供粗定位结果的定位模型。
步骤S2，构建多层时序特征提取结构和解码位置输出结构，提取地磁低层特征以及不同时刻所获信息间的关联特征，结合步骤S1中获得定位模型计算所得的起始时刻定位位置，得到位置预测网络模型，使用预处理后的地磁序列信号对模型进行训练。
在本实施例中，网络的损失函数定义如下：
其中，N表示测试样例数目，M表示组内地磁信号序列数目，
表示真实地理位置坐标，l表示预测地理位置坐标。在训练过程中通过最小化损失函数获得最优权重参数，同时还应用Adam优化器来提高优化效率。
可选地，所述步骤S1包括以下步骤S11-S13：
步骤S11，对用户采集的地磁信号序列进行姿势校准处理；
步骤S12，使用滑动窗口对地磁序列进行切割分组处理，获得地磁序列集合，每个集合由滑动窗口切割获得的N个地磁序列M＝{m1，m2，...，mN}及N个对应位置标签
组成；
步骤S13，使用Transformer特征提取网络对切割所得的所有地磁序列及对应的位置标签进行训练，获得粗定位模型e。
在本实施例中，在姿势校准处理模块首先需要对用户设备收集的加速度测量值进行低通滤波处理，结合瞬时地磁信号计算用户设备坐标系到地球坐标系的旋转矩阵，使用旋转矩阵进行地磁指纹信号的校准。在地磁序列预处理模块，使用滑动窗口对地磁序列进行切割处理，按照时间先后对切割后的序列进行重叠分组。在粗定位模型训练模块，使用Transformer特征提取网络对切割所得的所有地磁序列进行训练获得粗定位模型。
可选地，所述步骤S2包括以下步骤S21-S23：
步骤S21，构建基于Transformer网络的多层级特征提取网络来提取输入的每组地磁序列分别的地磁信号特征Fm＝{f1，f2，...，fN}；
步骤S22，构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联信息特征Ft；
步骤S23，构建基于解码器结构的位置解码预测网络。
可选地，所述步骤S2中构建基于Transformer网络的多层级特征提取网络来提取输入的每组地磁序列分别的地磁信号特征包括提取地磁序列特征的网络前端及对对地磁序列特征进行扩展的网络后端。
在本实施例中，对每组地磁序列分别使用多层级特征提取网络进行特征提取，获得单个地磁序列的全局序列特征。
可选地，所述步骤S2中构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联信息特征包括以下步骤S221-S222：
步骤S221，将步骤S21所得的每组地磁序列的地磁信号特征进行拼接处理获得时序相关的特征序列
其中||表示拼接符号；
步骤S222，将步骤S221所得的特征序列输入基于编码器结构的关联信息提取网络提取各个地磁序列基于时序的关联信息特征Ft。
在本实施例中，对每组所有地磁序列的全局序列特征进行拼接获得在高层时序层面的时序特征序列，使用编码器进行提取组内地磁序列间的关联信息特征。
可选地，所述步骤S2中构建基于解码器结构的位置解码预测网络包括以下步骤S231-S232：
步骤S231，将步骤S22获得的关联信息特征输入基于解码器结构的位置解码预测网络结构；
步骤S232，使用步骤S13所得的粗定位模型计算每组首个地磁序列的粗定位结果作为解码器的序列位置输入起始符。
在本实施例中，解码结构包含两个输入，序列位置输入起始符lstart以及编码器输出的关联信息特征Ft，使用粗定位模型e计算每组首个地磁序列m1的粗定位结果x1作为起始符lstart，与关联信息特征Ft输入编码器并行开始训练。
可选地，所述测试阶段包括S3-S4：
步骤S3，加载训练完成的位置预测网络模型和粗定位模型；
步骤S4，对输入的每组地磁序列进行串行位置预测，编码器的前置输入为粗定位位置与编码器上轮所预测位置的加权结果。
在本实施例中，在测试阶段，基于测试数据，加载训练完成的位置预测模型q和粗定位模型e，对输入的每组地磁序列进行串行位置预测，使用粗定位模型e计算组内首个地磁序列m1获得序列位置输入起始符lstart作为解码结构输入，串行计算的每次输入都使用前一时刻的预测输出li-1和粗定位模型计算所得的位置xi进行加权计算，可得当前时刻解码器位置输入x′i＝(li-1+xi)/2，将x′i与关联信息特征Ft输入解码器，获得当前时刻最终预测结果li。最后由网络模型q输出每组的预测位置序列L＝{l1，l2，...，lN}，以此来检测定位模型的精度。
综上所述，本发明通过多层时序特征提取和连续位置解码，增强地磁信号和预测位置在时序上的关联性，实现了对于不同场景的适应性，有效提升了地磁序列信号的定位精度，并且适用于多种不同的序列定位信号。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元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，本发明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)执行本发明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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于序列分组滑动窗口的室内定位方法，其特征在于，包括：
构建基于分组滑动窗口的位置预测网络结构；
通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
2.根据权利要求1所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述方法还包括位置预测网络的训练步骤，该步骤具体包括：
对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，所述定位模型用于确定粗定位结果；
构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征；
根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型；
通过预处理后的地磁序列信号对所位置预测网络模型进行训练。
3.根据权利要求2所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述对采集到的地磁信号进行分组预处理，使用Transformer网络结构训练每组各个地磁序列和对应位置获得定位模型，包括：
对采集的地磁信号序列进行姿势校准处理；
使用滑动窗口对姿势校准处理后的地磁序列进行切割分组处理，得到多组地磁序列，其中，每组地磁序列由多个地磁序列及对应位置标签组成；
使用Transformer特征提取网络对切割所得的各组地磁序列及对应的位置标签进行训练，获得粗定位模型。
4.根据权利要求2所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述构建多层时序特征提取结构和解码位置输出结构，提取地磁信号特征以及不同时刻所获信息间的关联特征，包括：
构建基于Transformer网络的多层级特征提取网络来提取输入的每组地磁序列的地磁信号特征；
构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征；
其中，所述地磁信号特征包括地磁序列特征的网络前端及对地磁序列特征进行扩展的网络后端。
5.根据权利要求4所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述构建基于编码器结构的关联信息提取网络提取每组地磁序列相互之间的关联特征，包括：
每组地磁序列的地磁信号特征进行拼接处理获得时序相关的特征序列；
将所述特征序列输入基于编码器结构的关联信息提取网络提取各个地磁序列基于时序的关联信息特征。
6.根据权利要求5所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述根据所述地磁信号特征、所述关联特征以及所述定位模型，构建位置预测网络模型，包括：
将所述关联特征输入基于解码器结构的位置解码预测网络结构；
根据所述粗定位模型计算每组首个地磁序列的粗定位结果作为解码器的序列位置输入起始符；
根据所述解码器的序列位置输入起始符，构建位置预测网络模型。
7.根据权利要求1-6任一项所述的基于序列分组滑动窗口的室内定位方法，其特征在于，所述方法还包括模型测试步骤，该步骤具体包括：
加载训练完成的位置预测网络模型和粗定位模型；
对输入的每组地磁序列进行串行位置预测，编码器的前置输入为粗定位位置与编码器上轮所预测位置的加权结果。
8.基于序列分组滑动窗口的室内定位装置，其特征在于，包括：
第一模块，用于构建基于分组滑动窗口的位置预测网络结构；
第二模块，用于通过滑动窗口对采集到的待确定路径上的地磁信号序列进行切割分组处理，得到多组地磁信号序列；
第三模块，用于将每组所述地磁信号序列输入所述位置预测网络后，得到各组地磁信号序列对应的位置序列。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041125.3A CN114440888B (zh) | 2022-01-14 | 2022-01-14 | 基于序列分组滑动窗口的室内定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041125.3A CN114440888B (zh) | 2022-01-14 | 2022-01-14 | 基于序列分组滑动窗口的室内定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114440888A true CN114440888A (zh) | 2022-05-06 |
| CN114440888B CN114440888B (zh) | 2023-05-16 |
Family
ID=81368059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210041125.3A Active CN114440888B (zh) | 2022-01-14 | 2022-01-14 | 基于序列分组滑动窗口的室内定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114440888B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050182590A1 (en) * | 2004-02-13 | 2005-08-18 | Kotter Dale K. | Method and apparatus for detecting concealed weapons |
| CN109781094A (zh) * | 2018-12-24 | 2019-05-21 | 上海交通大学 | 基于循环神经网络的地磁定位系统 |
| CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
| US20200142076A1 (en) * | 2018-11-05 | 2020-05-07 | Mapsted Corp. | Method and system for crowd-sourced trusted-gps region for mobile device localization |
| CN111121759A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于多层长短期记忆网络的地磁室内定位方法 |
| CN111256684A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种基于多层门控循环单元网络的地磁室内定位方法 |
| CN111982119A (zh) * | 2020-08-20 | 2020-11-24 | 南京工程学院 | 一种主动式适应改变磁场的地磁室内定位方法 |
| CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
| CN113008226A (zh) * | 2021-02-09 | 2021-06-22 | 杭州电子科技大学 | 基于门控循环神经网络和粒子滤波的地磁室内定位方法 |
-
2022
- 2022-01-14 CN CN202210041125.3A patent/CN114440888B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050182590A1 (en) * | 2004-02-13 | 2005-08-18 | Kotter Dale K. | Method and apparatus for detecting concealed weapons |
| US20200142076A1 (en) * | 2018-11-05 | 2020-05-07 | Mapsted Corp. | Method and system for crowd-sourced trusted-gps region for mobile device localization |
| CN109781094A (zh) * | 2018-12-24 | 2019-05-21 | 上海交通大学 | 基于循环神经网络的地磁定位系统 |
| CN110533166A (zh) * | 2019-08-21 | 2019-12-03 | 中山大学 | 一种基于时空间融合特征的室内定位方法 |
| CN111121759A (zh) * | 2019-12-30 | 2020-05-08 | 杭州电子科技大学 | 一种基于多层长短期记忆网络的地磁室内定位方法 |
| CN111256684A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种基于多层门控循环单元网络的地磁室内定位方法 |
| CN111982119A (zh) * | 2020-08-20 | 2020-11-24 | 南京工程学院 | 一种主动式适应改变磁场的地磁室内定位方法 |
| CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
| CN113008226A (zh) * | 2021-02-09 | 2021-06-22 | 杭州电子科技大学 | 基于门控循环神经网络和粒子滤波的地磁室内定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| NING LIU等: "Indoor Localization With Adaptive Signal Sequence Representations", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
| QUN NIU等: "MAIL:Multi-Scale Attention-Guided Indoor Localization Using Geomagnetic Sequences", 《PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES》 * |
| 孙猛等: "一种基于快速动态时间规整的地磁定位算法", 《测绘科学》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114440888B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Jsnet: Joint instance and semantic segmentation of 3d point clouds | |
| CN107527337B (zh) | 一种基于深度学习的视频对象移除篡改检测方法 | |
| CN111127493A (zh) | 基于注意力多尺度特征融合的遥感图像语义分割方法 | |
| CN112967272B (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
| CN112418212B (zh) | 一种基于EIoU改进的YOLOv3算法 | |
| CN109886964A (zh) | 电路板缺陷检测方法、装置及设备 | |
| CN112365511B (zh) | 基于重叠区域检索与对齐的点云分割方法 | |
| CN112182167B (zh) | 一种文本匹配方法、装置、终端设备和存储介质 | |
| GB2579262A (en) | Space-time memory network for locating target object in video content | |
| KR20120066462A (ko) | 얼굴 인식 방법 및 시스템, 얼굴 인식을 위한 학습용 특징 벡터 추출 장치 및 테스트용 특징 벡터 추출 장치 | |
| US20130124147A1 (en) | Random Sample Consensus for Groups of Data | |
| CN115830297A (zh) | 一种遥感影像变化检测类样本库的处理方法 | |
| CN114387512A (zh) | 基于多尺度特征融合与增强的遥感影像建筑物提取方法 | |
| CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
| CN117274133A (zh) | 瑕疵侦测方法、电子设备及存储介质 | |
| CN115223166A (zh) | 图片预标注方法、图片标注方法及装置、电子设备 | |
| CN115830597A (zh) | 一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法 | |
| US20130121558A1 (en) | Point Selection in Bundle Adjustment | |
| CN113807354B (zh) | 图像语义分割方法、装置、设备和存储介质 | |
| CN113313077A (zh) | 基于多策略和交叉特征融合的显著物体检测方法 | |
| CN114663334A (zh) | 瑕疵检测方法、装置、电子设备及存储介质 | |
| CN114440888A (zh) | 基于序列分组滑动窗口的室内定位方法及装置 | |
| CN109886105B (zh) | 基于多任务学习的价格牌识别方法、系统及存储介质 | |
| CN116524070A (zh) | 一种基于文本的场景图片编辑方法及系统 | |
| CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |