CN117119585B - 一种蓝牙定位导航系统及方法 - Google Patents
一种蓝牙定位导航系统及方法 Download PDFInfo
- Publication number
- CN117119585B CN117119585B CN202311089477.7A CN202311089477A CN117119585B CN 117119585 B CN117119585 B CN 117119585B CN 202311089477 A CN202311089477 A CN 202311089477A CN 117119585 B CN117119585 B CN 117119585B
- Authority
- CN
- China
- Prior art keywords
- service
- navigation
- positioning
- data
- mobile terminal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 59
- 230000033001 locomotion Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- 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
-
- 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
-
- 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
Abstract
本发明公开了一种蓝牙定位导航系统及方法,该系统包括用户终端、Beacon基站、服务机器人、蓝牙AOA基站和定位服务器,所述服务机器人分布在目标建筑内,携带有蓝牙模块,用于向蓝牙AOA基站发送第二蓝牙信号,还携带有信号接收模块,用于接收定位服务器的定位信号和移动指令,以实现智能分布以及与用户终端相遇提供服务。本发明综合利用Beacon基站、蓝牙AOA基站、服务机器人和定位服务器,实现了定位、导航和智能服务的一体化,实现了在室外用户引导,实现室内环境中为用户和机器人提供精准定位和导航支持,极大地提升了定位导航的效率和便捷性。
Description
【技术领域】
本发明涉及室内定位技术领域,尤其涉及一种蓝牙定位导航系统及方法。
【背景技术】
随着机器人技术和计算机控制技术的兴起,日益智能化的移动服务机器人的用途也越来越广泛,而实时定位在移动服务机器人的工作过程中起着至关重要的作用,可靠、高精度的导航定位是移动服务机器人能够更好服务用户的关键。
现在室外定位主要采用GPS定位,而室内定位技术主要采用蓝牙定位技术,但单一的定位技术无法满足日益复杂的需求。
【发明内容】
有鉴于此,本发明实施例提供了一种蓝牙定位导航系统及方法。
第一方面,本发明实施例提供了一种蓝牙定位导航系统,所述系统包括:用户终端、Beacon基站、服务机器人、蓝牙AOA基站和定位服务器;
所述Beacon基站设置在目标建筑内外,用于向用户终端发送第一蓝牙信号和导航目标数据;
所述用户终端用于接收第一蓝牙信号以分析信号强度,并将分析数据和导航请求发送给定位服务器;
所述服务机器人分布在目标建筑内,携带有蓝牙模块,用于向蓝牙AOA基站发送第二蓝牙信号,还携带有信号接收模块,用于接收定位服务器的定位信号和移动指令,以实现智能分布以及与用户终端相遇提供服务;
所述蓝牙AOA基站设置在目标建筑内,用于根据第二蓝牙信号计算到达角并将数据发送给定位服务器;
所述定位服务器用于根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;用于接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;用于判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;用于分析移动端数据,识别需服务人群;用于根据蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布;用于控制服务机器人移动并与需服务人群相遇以提供服务。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述完成导航全地图与导航核心地图中导航目标校正,具体包括:
通过AOA定位基站获取服务机器人在导航核心地图中的位置信息,控制服务机器人移动至导航目标位置;
在导航核心地图中的区域内布置激光雷达,获取导航核心地图的激光点云数据,进行数据预处理和滤波;
利用滤波后的激光点云数据,进行地面提取,并使用目标检测算法来检测服务机器人;
将检测到的服务机器人与地面点云数据相结合,完成服务机器人在导航核心地图的定位获取,获取导航目标在导航核心地图中的校准位置坐标;
切换定位模式,通过Beacon基站获取服务机器人在导航全地图中的测定正位置坐标;
分析测定位置坐标与校准位置坐标之间的偏差,校正导航目标在导航全地图中的真实位置。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据导航目标数据对移动端进行线路导航,具体包括:
获取导航目标的数据,所述导航目标的数据包括:目标导航线路数量、距离和时间和正在导航至目标的移动端数量;
若目标导航线路的移动端数量超过第一数量阈值,或者正在导航至目标的移动端数量超过第二数量阈值,则认定目标导航线路为拥堵线路;
若认定目标导航线路为拥堵线路,则判断目标导航线路距离是否大于第一距离阈值且小于第二距离阈值,若是,则选择非拥堵且距离最短的线路作为新的导航线路;
判断目标导航线路距离是否大于第二距离阈值,若是,则选择非拥堵且服务机器人数量最多的线路作为新的导航线路。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述通过修正模型对初步定位数据进行修正获得精确定位,具体包括:
通过用AOA定位基站和Beacon基站分别对导航核心地图中运动的服务机器人进行定位;
利用Beacon基站采集的服务机器人运动状态数据作为输入,建立输入数据集合 表示Beacon基站测定的第i个样本服务机器人的横坐标,/>表示Beacon基站测定的第i个样本服务机器人的纵坐标,/>表示Beacon基站测定的第i个样本服务机器人的移动速度,/>表示示Beacon基站测定的第i个样本服务机器人的移动方向;
利用AOA定位基站获取定位修正数据作为输出,建立输出数据集合 表示AOA定位基站测定的第i个样本服务机器人横坐标修正值,/>表示AOA定位基站测定的第i个样本服务机器人纵坐标修正值;
按比例建立训练样本集和测试样本集;
构建修正模型,利用训练样本集训练修正模型,所述修正模型为回归模型、神经网络模型、时序模型或者混合模块;
利用测试样本集测试修正模型性能;
利用训练好的修正模型对初步定位数据进行修正预测,修正后获得精确定位。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述修正模型为,所述修正模型构建方法如下:
选择深度神经网络DNN作为修正模型并进行初始化,设置修正模型的输入层、网络层与输出层的总层数M以及神经元个数,确定网络层的激活函数,设置迭代步长s,最大迭代次数Q与停止迭代阈值ε;
定义激活函数am=σ(Im)=σ(wmam-1+bm),其中,am表示第m层的输出向量,Im表示第m层的输入向量,σ(·)表示激活函数,w表示线性关系系数矩阵,b表示偏倚向量;
将w和b初始化为随机值,计算每个数据进行DNN正向传播过程,确定每一层激活函数的值
定义损失函数θ=(w,b),其中,θ表示损失函数的参数向量,x表示输入数据,y表示输出数据,n表示样本个数,/>表示第i个样本的实际输出,yi表示第i个样本的期望输出;
根据DNN正向传播过程输出的结果通过损失函数计算损失值;
计算输出层的梯度:
利用梯度下降法迭代求解每一层的w和b,并进行参数更新:
其中,
其中,λ表示学习率;
当w和b的变化小于ε,训练完成,停止训练。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述用于分析移动端数据,识别需服务人群,具体包括:
获取移动端数据,进行数据清洗、去噪和格式转换预处理;
将预处理后的数据进行归一化处理,计算服务分数S′,其中,服务分数S′的计算公式如下:
S′=SV+ST+SA+SB+SF,
其中,SV=wV×V′,
ST=wT×(1-T′),
SA=wA×A′,
SF=wF×F′,
其中,
其中,V表示移动端预设时间段内平均移动速度,Vmax和Vmin分别表示移动端预设时间段移动速度的最大值和最小值,T表示移动端预设时间段内每次非相遇停留的平均时间,Tmax和Tmin表示移动端预设时间段内停留的最大时间和最小时间,A表示表示移动端预设时间段内与其他移动端相遇且停留超过预设时间的次数,Amax和Amin表示设定的移动端与其他移动端相遇且停留超过预设时间的最大值和最小值;F表示表示移动端预设时间段内的导航频率,Fmax和Fmin表示设定的移动端导航频率的最大值和最小值;wV、wT、wA、wB和wF分别表示权重;
设定第一等级阈值D1和第二等级阈值D2且0<D1<D2<1,将服务分数S′与第一等级阈值D1和第二等级阈值D2的大小进行比较;
当第二等级阈值D2≤服务分数S′,则识别移动端对应的需服务人群为一级服务人群;
当第一等级阈值D1≤服务分数S′<第二等级阈值D2,则识别移动端对应的需服务人群为二级服务人群;
当服务分数S′<第一等级阈值D1,则识别移动端对应的需服务人群为三级服务人群。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述用于引导服务机器人在导航核心地图完成智能分布,具体包括:
根据一级服务人群、二级服务人群和三级服务人群的分布数据,在导航核心地图基础上建立三级服务需求分布图;
构建需求损失函数L(gi)=∫Ωd(||p-gi||)λ(p)dp,其中,Ω表示需求密度服从高斯分布的服务机器人总服务区域,∫Ωd(||p-gi||)表示第i个服务机器人与服务区域内位置p的距离函数,λ(p)表示位置p的需求密度;
根据服务机器人的总数量N按三个权重分配为三级服务组,其中,三个权重w1+w2+w3=1且w1>w2>w3,一级服务组的服务机器人的数量为n;
针对一级服务组,通过泰森多边形算法将总服务区域划分成n个子服务区域,子服务区域集合定义为:
调整服务机器人分布,优化上述公式,得到
其中,η表示服务机器人集合,η={g1,g2,…,gn},/>表示子服务区域集合,/>
定义d(||p-gi||)=||p-gi||2,更新公式得到
其中,子服务区域的质量计算公式为:
子服务区域的质心计算公式为:
基于平行轴定理,最终损失函数定义为:
当服务机器人gi位于位置c(Ui)时,最终损失函数最小,此时,服务机器人的位置为子服务区域的质心;
其中,服务机器人位置收敛公式定义为:
gi(t+1)=gi(t)-a(gi(t)-c(Ui)),其中,a表示步长;
在服务区域内完成一级服务组的服务机器人针对一级服务人群的智能分布;
重复步骤,在服务区域内完成二级服务组和三级服务组的服务机器人分别针对二级服务人群和三级服务人群的智能分布。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述控制服务机器人移动并与需服务人群相遇以提供服务,具体包括:
定位服务器控制服务机器人进入主动服务模式,识别需服务人群,分别控制一级服务组二级服务组和三级服务组的服务机器人移动,并与对应级别的一级服务人群、二级服务人群和三级服务人群相遇以提供服务;
当服务机器人被动接收到服务请求时,定位服务器判断是否正在提供的主动服务,若是,则在被动服务期间暂停主动服务,控制服务机器人进入被动服务模式提供被动服务,所述服务请求包括语音请求或者屏幕输入请求。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述定位服务器用于控制服务机器人移动并规避与移动端持有人群发生碰撞,具体实现方法如下:
获取移动端历史运动状态数据并对数据进行归一化处理,生成移动端历史运动路径集合:
Xt=[x′t-m+1,x′t-m+2,x′t-m+3,…,x′t],
x′t=[xt,yt,vt,dt],
Y=[y′t+1,y′t+2,y′t+3,…,y′n],
y′t=[xt,yt],
其中,Xt表示移动端历史运动状态数据的观测集合,m表示根据数据数选定的常数,xt表示移动端在时间t的横坐标,yt表示移动端在时间t的的纵坐标,vt表示移动端在时间t的移动速度,dt表示移动端在时间t的移动方向,Y表示移动端时间t后时间长度为n的运动路径集合;
构建基于运动路径的神经网络预测模型,并通过移动端历史运动路径集合进行训练;
利用训练好的基于运动路径的神经网络预测模型对移动端运动路径进行预测;
利用Beacon基站采集的服务机器人运动状态数据,生成服务机器人初始运动路径;
根据移动端运动路与服务机器人初始运动路径判断是否相撞,若是,则控制服务机器人移动生成服务机器人调整运动路径以避免相撞。
第二方面,本发明实施例提供了一种利用上述蓝牙定位导航系统的蓝牙定位导航方法,所述方法包括:
S1、根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;
S2、接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;
S3、判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;
S4、分析移动端数据,识别需服务人群;
S5、蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布,并控制服务机器人移动并与需服务人群相遇以提供服务。
上述技术方案中的一个技术方案具有如下有益效果:
本发明实施例的方法中提出了一种蓝牙定位导航系统及方法,综合利用Beacon基站、蓝牙AOA基站、服务机器人和定位服务器,实现了定位、导航和智能服务的一体化,实现了在室外用户引导,实现室内环境中为用户和机器人提供精准定位和导航支持,极大地提升了定位导航的效率和便捷性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例所提供的蓝牙定位导航系统的功能框图;
图2为本发明实施例所提供的蓝牙定位导航方法的流程示意图。
【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,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参考图1,其为本发明实施例所提供的蓝牙定位导航系统,如图1所示,该系统包括:用户终端、Beacon基站、服务机器人、蓝牙AOA基站和定位服务器;
所述Beacon基站设置在目标建筑内外,用于向用户终端发送第一蓝牙信号和导航目标数据;
所述用户终端用于接收第一蓝牙信号以分析信号强度,并将分析数据和导航请求发送给定位服务器;
所述服务机器人分布在目标建筑内,携带有蓝牙模块,用于向蓝牙AOA基站发送第二蓝牙信号,还携带有信号接收模块,用于接收定位服务器的定位信号和移动指令,以实现智能分布以及与用户终端相遇提供服务;
所述蓝牙AOA基站设置在目标建筑内,用于根据第二蓝牙信号计算到达角并将数据发送给定位服务器;
所述定位服务器用于根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;用于接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;用于判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;用于分析移动端数据,识别需服务人群;用于根据蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布;用于控制服务机器人移动并与需服务人群相遇以提供服务。
本发明实施例结合了Beacon基站和蓝牙AOA基站两种定位技术,为用户导航和服务机器人系统提供了更全面的定位能力,Beacon基站提供了定位精度一般但高容量的定位需求,而蓝牙AOA基站虽然成本更高,但可以提供更精确的定位数据;服务机器人携带蓝牙模块和信号接收模块,能够与蓝牙AOA基站进行通信,并接收定位服务器定位信号和移动指令,这使得机器人能够在导航核心地图中智能分布,根据导航目标数据以及移动端的需求进行灵活的位置调整,以实现高效的服务;定位服务器用于导航目标在地图中进行定位校正,在非核心地图中,通过多个移动端的分析数据进行定位,实现线路导航;在核心地图中,通过修正模型对初步定位数据进行修正,获得更精确的定位结果;定位服务器能够分析移动端数据,识别需服务人群,根据人们的移动行为、绑定记录等因素,对人群进行分类判断,从而为服务机器人提供定位和导航指引,使其能够智能地在核心地图中分布,并主动与用户相遇,并根据用户需求提供服务,实现导航和服务的无缝衔接。
需要说明的是,为了减少相互之间的干扰,Beacon基站和蓝牙AOA定位基站使用不同的频段和通信信道。
在本发明优选实施例中,所述完成导航全地图与导航核心地图中导航目标校正,具体包括:
通过AOA定位基站获取服务机器人在导航核心地图中的位置信息,控制服务机器人移动至导航目标位置;
在导航核心地图中的区域内布置激光雷达,获取导航核心地图的激光点云数据,进行数据预处理和滤波;
利用滤波后的激光点云数据,进行地面提取,并使用目标检测算法来检测服务机器人;
将检测到的服务机器人与地面点云数据相结合,完成服务机器人在导航核心地图的定位获取,获取导航目标在导航核心地图中的校准位置坐标;
切换定位模式,通过Beacon基站获取服务机器人在导航全地图中的测定正位置坐标;
分析测定位置坐标与校准位置坐标之间的偏差,校正导航目标在导航全地图中的真实位置。
通过AOA定位基站获取服务机器人在导航核心地图中的位置信息,实现了在核心地图中的精确定位。而后,通过在导航核心地图内部布置激光雷达,获取激光点云数据并进行数据预处理和滤波,进一步提高了定位数据的精度。
需要说明的是,通过用AOA定位基站和Beacon基站分别对导航核心地图中运动的服务机器人进行定位,服务器机器人需在不同频率上进行发送和接收操作,以避免频率冲突。
本发明实施例使用激光雷达获取的点云数据,进行地面提取和目标检测,地面提取有助于过滤掉非导航目标的点云,使得定位过程更加准确,目标检测算法可以帮助检测和识别服务机器人,从而确保在定位过程中仅使用有效的数据;在导航核心地图中获取校准位置坐标后,切换到定位模式,通过Beacon基站获取服务机器人在导航全地图中的位置坐标,这种切换能够在不同的定位精度要求下,获得合适的位置数据;通过分析测定位置坐标与校准位置坐标之间的偏差,实现导航目标在导航全地图中的真实位置的校正,将AOA定位和Beacon定位的数据进行处理,得到更准确的导航目标位置信息。
在本发明优选实施例中,所述根据导航目标数据对移动端进行线路导航,具体包括:
获取导航目标的数据,所述导航目标的数据包括:目标导航线路数量、距离和时间和正在导航至目标的移动端数量;
若目标导航线路的移动端数量超过第一数量阈值,或者正在导航至目标的移动端数量超过第二数量阈值,则认定目标导航线路为拥堵线路;
若认定目标导航线路为拥堵线路,则判断目标导航线路距离是否大于第一距离阈值且小于第二距离阈值,若是,则选择非拥堵且距离最短的线路作为新的导航线路;
判断目标导航线路距离是否大于第二距离阈值,若是,则选择非拥堵且服务机器人数量最多的线路作为新的导航线路。
本发明实施例通过获取导航目标数据,包括导航线路数量、距离、时间和正在导航的移动端数量,实现了数据驱动的导航决策,使导航线路更加智能和适应实际情况;通过设定第一数量阈值和第二数量阈值,可以准确地判断导航线路是否拥堵,当目标导航线路的移动端数量超过阈值时,或者正在导航至目标的移动端数量超过阈值,系统认定该线路为拥堵线路;若目标导航线路被认定为拥堵线路,系统将进行进一步判断,系统会检查目标导航线路的距离是否在第一距离阈值和第二距离阈值之间,如果是,则选择非拥堵且距离最短的线路作为新的导航线路,以优化导航路径;此外,系统还会判断目标导航线路距离是否大于第二距离阈值,如果是,系统会选择非拥堵且服务机器人数量最多的线路,以保障服务质量。因此,通过根据导航目标数据,智能地选择最合适的导航线路,以提供更加顺畅和高效的导航服务,不仅可以提升用户体验,还能够有效避免拥堵和延误,为室内导航带来了更加智能化和优化的解决方案。
需要说明的是,导航目标数据包括目标标识以及对应的目标坐标。例如可以使用XML格式将导航目标数据整理打包,每个导航目标数据项可以由一个XML元素表示,包含目标标识和目标坐标等信息。也可以使用JSON格式将导航目标数据整理打包,每个导航目标数据项可以由一个JSON对象表示,其中包含目标标识和目标坐标等信息,多个导航目标数据项可以组成一个JSON数组。
在本发明优选实施例中,所述通过修正模型对初步定位数据进行修正获得精确定位,具体包括:
通过用AOA定位基站和Beacon基站分别对导航核心地图中运动的服务机器人进行定位;
利用Beacon基站采集的服务机器人运动状态数据作为输入,建立输入数据集合 表示Beacon基站测定的第i个样本服务机器人的横坐标,/>表示Beacon基站测定的第i个样本服务机器人的纵坐标,/>表示Beacon基站测定的第i个样本服务机器人的移动速度,/>表示示Beacon基站测定的第i个样本服务机器人的移动方向;
利用AOA定位基站获取定位修正数据作为输出,建立输出数据集合 表示AOA定位基站测定的第i个样本服务机器人横坐标修正值,/>表示AOA定位基站测定的第i个样本服务机器人纵坐标修正值,
按比例建立训练样本集和测试样本集;
构建修正模型,利用训练样本集训练修正模型,所述修正模型为回归模型、神经网络模型、时序模型或者混合模块;
利用测试样本集测试修正模型性能;
利用训练好的修正模型对初步定位数据进行修正预测,修正后获得精确定位。
本发明实施例通过将Beacon基站的服务机器人运动状态数据作为输入,将AOA定位基站的定位修正数据作为输出,构建了用于训练和测试的样本集,构建修正模型时,提供了多种选择,如回归模型、神经网络模型、时序模型或混合模型等,可以根据实际情况选择适合的模型类型,以获得更精确的定位修正结果;利用测试样本集来评估修正模型的性能从而选择最适合的模型;利用训练好的修正模型,对初步定位数据进行修正预测,以获得更精确的定位结果,修正后的定位数据将更准确地反映服务机器人的实际位置。
在本发明优选实施例中,所述修正模型为,所述修正模型构建方法如下:
选择深度神经网络DNN作为修正模型并进行初始化,设置修正模型的输入层、网络层与输出层的总层数M以及神经元个数,确定网络层的激活函数,设置迭代步长s,最大迭代次数Q与停止迭代阈值ε;
定义激活函数am=σ(Im)=σ(wmam-1+bm),其中,am表示第m层的输出向量,Im表示第m层的输入向量,σ(·)表示激活函数,w表示线性关系系数矩阵,b表示偏倚向量;
将w和b初始化为随机值,计算每个数据进行DNN正向传播过程,确定每一层激活函数的值ai l;
定义损失函数θ=(w,b),其中,θ表示损失函数的参数向量,x表示输入数据,y表示输出数据,n表示样本个数,/>表示第i个样本的实际输出,yi表示第i个样本的期望输出;
根据DNN正向传播过程输出的结果通过损失函数计算损失值;
计算输出层的梯度:
利用梯度下降法迭代求解每一层的w和b,并进行参数更新:
其中,
其中,λ表示学习率;
当w和b的变化小于ε,训练完成,停止训练。
本发明实施例的修正模型预测更加准确,鲁棒性高。
在本发明优选实施例中,所述用于分析移动端数据,识别需服务人群,具体包括:
获取移动端数据,进行数据清洗、去噪和格式转换预处理;
将预处理后的数据进行归一化处理,计算服务分数S′,其中,服务分数S′的计算公式如下:
S′=SV+ST+SA+SB+SF,
其中,SV=wV×V′,
ST=wT×(1-T′),
SA=wA×A′,
SF=wF×F′,
其中,
其中,V表示移动端预设时间段内平均移动速度,Vmax和Vmin分别表示移动端预设时间段移动速度的最大值和最小值,T表示移动端预设时间段内每次非相遇停留的平均时间,Tmax和Tmin表示移动端预设时间段内停留的最大时间和最小时间,A表示表示移动端预设时间段内与其他移动端相遇且停留超过预设时间的次数,Amax和Amin表示设定的移动端与其他移动端相遇且停留超过预设时间的最大值和最小值;F表示表示移动端预设时间段内的导航频率,Fmax和Fmin表示设定的移动端导航频率的最大值和最小值;wV、wT、wA、wB和wF分别表示权重;
设定第一等级阈值D1和第二等级阈值D2且0<D1<D2<1,将服务分数S′与第一等级阈值D1和第二等级阈值D2的大小进行比较;
当第二等级阈值D2≤服务分数S′,则识别移动端对应的需服务人群为一级服务人群;
当第一等级阈值D1≤服务分数S′<第二等级阈值D2,则识别移动端对应的需服务人群为二级服务人群;
当服务分数S′<第一等级阈值D1,则识别移动端对应的需服务人群为三级服务人群。
本发明实施例通过多维度数据的综合分析和分类,实现了对移动端数据的深入挖掘,从而准确识别出需要服务的人群,有助于智能导航和定位系统更好地满足用户需求,提高系统效率和用户体验。
需要说明的是,绑定记录是指移动端与系统是否建立绑定记录,当移动端之前与系统建立了绑定记录进行导航,则意味着用户在使用移动端时已经注册了系统的账号或与系统进行了登录操作,下次移动端连接可自动识别是否绑定。
在本发明优选实施例中,所述用于引导服务机器人在导航核心地图完成智能分布,具体包括:
根据一级服务人群、二级服务人群和三级服务人群的分布数据,在导航核心地图基础上建立三级服务需求分布图;
构建需求损失函数L(gi)=∫Ωd(||p-gi||)λ(p)dp,其中,Ω表示需求密度服从高斯分布的服务机器人总服务区域,∫Ωd(||p-gi||)表示第i个服务机器人与服务区域内位置p的距离函数,λ(p)表示位置p的需求密度;
根据服务机器人的总数量N按三个权重分配为三级服务组,其中,三个权重w1+w2+w3=1且w1>w2>w3,一级服务组的服务机器人的数量为n;
针对一级服务组,通过泰森多边形算法将总服务区域划分成n个子服务区域,子服务区域集合定义为:
调整服务机器人分布,优化上述公式,得到
其中,η表示服务机器人集合,η={g1,g2,...,gn},/>表示子服务区域集合,/>
定义d(||p-gi||)=||p-gi||2,更新公式得到
其中,子服务区域的质量计算公式为:/>
子服务区域的质心计算公式为:
基于平行轴定理,最终损失函数定义为:
当服务机器人gi位于位置c(Ui)时,最终损失函数最小,此时,服务机器人的位置为子服务区域的质心;
其中,服务机器人位置收敛公式定义为:
gi(t+1)=gi(t)-a(gi(t)-c(Ui)),其中,a表示步长;
在服务区域内完成一级服务组的服务机器人针对一级服务人群的智能分布;
重复步骤,在服务区域内完成二级服务组和三级服务组的服务机器人分别针对二级服务人群和三级服务人群的智能分布。
本发明通过分级将服务人群划分为不同等级,根据每个等级的服务需求,精确地分配相应服务机器人,发挥服务的主动性,识别重点服务人群,并为重点服务人群优先分配服务资源。并通过设计分布的最优策略,将有限的服务资源分配到更合理的区域。通过在相应服务区域内部署服务机器人,避免了服务机器人之间的资源冲突和竞争,从而提高了服务的效率。将服务机器人针对不同服务组和服务人群进行智能分布,可以实现更个性化的服务。
在本发明优选实施例中,所述控制服务机器人移动并与需服务人群相遇以提供服务,具体包括:
定位服务器控制服务机器人进入主动服务模式,识别需服务人群,分别控制一级服务组二级服务组和三级服务组的服务机器人移动,并与对应级别的一级服务人群、二级服务人群和三级服务人群相遇以提供服务;
当服务机器人被动接收到服务请求时,定位服务器判断是否正在提供的主动服务,若是,则在被动服务期间暂停主动服务,控制服务机器人进入被动服务模式提供被动服务,所述服务请求包括语音请求或者屏幕输入请求。
本发明通过控制服务机器人的移动并与需服务人群相遇以实现服务,实现了个性化、智能的服务模式,提升了服务质量和用户体验,同时也保持了服务的连贯性和多样化的服务请求处理能力。
在本发明优选实施例中,所述定位服务器用于控制服务机器人移动并规避与移动端持有人群发生碰撞,具体实现方法如下:
获取移动端历史运动状态数据并对数据进行归一化处理,生成移动端历史运动路径集合:
Xt=[x′t-m+1,x′t-m+2,x′t-m+3,...,x′t],
x′t=[xt,yt,vt,dt],
Y=[y′t+1,y′t+2,y′t+3,...,y′n],
y′t=[xt,yt],
其中,Xt表示移动端历史运动状态数据的观测集合,m表示根据数据数选定的常熟,,xt表示移动端在时间t的横坐标,yt表示移动端在时间t的的纵坐标,vt表示移动端在时间t的移动速度,dt表示移动端在时间t的移动方向,Y表示移动端时间t后时间长度为n的运动路径集合;
构建基于运动路径的神经网络预测模型,并通过移动端历史运动路径集合进行训练;
利用训练好的基于运动路径的神经网络预测模型对移动端运动路径进行预测;
利用Beacon基站采集的服务机器人运动状态数据,生成服务机器人初始运动路径;
根据移动端运动路与服务机器人初始运动路径判断是否相撞,若是,则控制服务机器人移动生成服务机器人调整运动路径以避免相撞。
本发明通过预测移动端的运动路径以分析碰撞风险,并控制服务机器人的运动,实现了避免与移动端持有人群发生碰撞的目标,通过神经网络预测模型可以有效地提高服务机器人的安全性和导航效率,保障服务过程的顺利执行。
需要说明的是,所述运动路径预测模型为循环神经网络模型结合混合密度网络模型。循环神经网络模型采用现有的常规循环神经网络,而混合密度网络模型使用本申请改进的模型。通过使用循环神经网络模型的输出送入混合密度网络模型,通过训练,生成混合密度网络模型的参数,然后通过混合密度网络模型输出移动端运动路径的预测结果,实现方法如下:
其中,/>表示循环神经网络模型的输出,μt表示y′t=[xt,yt]参数的均值,σt表示y′t=[xt,yt]参数的标准差,n表示时间步长被选择的概率,π表示混合因素中每个因素的比值,ρ表示系数,j表示高斯分布的序号,Q表示高斯分布的值;
对于给定的输出向量yt,下一个输入xt+1的概率密度定义如下:
混合密度网络模型损失函数定义为:
其中,μs表示训练数据各维度的均值,σs表示训练数据各维度的标准差,α和β表示平衡损失函数的参数,表示损失函数用于填充输出,g表示真实值,T表示时间范围;
采用Adam梯度下降法,更新各参数,直到损失函数变化率低于设定阈值,停止迭代;
利用训练好的运动路径预测模型对移动端运动路径进行预测。
请参考图2,其为本发明实施例所提供的一种利用上述蓝牙定位导航系统的蓝牙定位导航方法S1-S5的流程示意图,如图2所示,该方法包括以下步骤:
S1、根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;
S2、接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;
S3、判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;
S4、分析移动端数据,识别需服务人群;
S5、蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布,并控制服务机器人移动并与需服务人群相遇以提供服务。
需要说明的是,根据具体的应用场景,所述Beacon基站可以设置在目标建筑内外,所述服务机器人可以分布在目标建筑内,携带有蓝牙模块;所述蓝牙AOA基站可以设置在目标建筑内。
在硬件层面,该系统可以包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该系统还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明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,本发明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。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种蓝牙定位导航系统,其特征在于,包括:用户终端、Beacon基站、服务机器人、蓝牙AOA基站和定位服务器;
所述Beacon基站设置在目标建筑内外,用于向用户终端发送第一蓝牙信号和导航目标数据;
所述用户终端用于接收第一蓝牙信号以分析信号强度,并将分析数据和导航请求发送给定位服务器;
所述服务机器人分布在目标建筑内,携带有蓝牙模块,用于向蓝牙AOA基站发送第二蓝牙信号,还携带有信号接收模块,用于接收定位服务器的定位信号和移动指令,以实现智能分布以及与用户终端相遇提供服务;
所述蓝牙AOA基站设置在目标建筑内,用于根据第二蓝牙信号计算到达角并将数据发送给定位服务器;
所述定位服务器用于根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;用于接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;用于判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;用于分析移动端数据,识别需服务人群;用于根据蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布;用于控制服务机器人移动并与需服务人群相遇以提供服务。
2.根据权利要求1所述的蓝牙定位导航系统,其特征在于,所述完成导航全地图与导航核心地图中导航目标校正,具体包括:
通过AOA定位基站获取服务机器人在导航核心地图中的位置信息,控制服务机器人移动至导航目标位置;
在导航核心地图中的区域内布置激光雷达,获取导航核心地图的激光点云数据,进行数据预处理和滤波;
利用滤波后的激光点云数据,进行地面提取,并使用目标检测算法来检测服务机器人;
将检测到的服务机器人与地面点云数据相结合,完成服务机器人在导航核心地图的定位获取,获取导航目标在导航核心地图中的校准位置坐标;
切换定位模式,通过Beacon基站获取服务机器人在导航全地图中的测定正位置坐标;
分析测定位置坐标与校准位置坐标之间的偏差,校正导航目标在导航全地图中的真实位置。
3.根据权利要求2所述的蓝牙定位导航系统,其特征在于,所述根据导航目标数据对移动端进行线路导航,具体包括:
获取导航目标的数据,所述导航目标的数据包括:目标导航线路数量、距离和时间和正在导航至目标的移动端数量;
若目标导航线路的移动端数量超过第一数量阈值,或者正在导航至目标的移动端数量超过第二数量阈值,则认定目标导航线路为拥堵线路;
若认定目标导航线路为拥堵线路,则判断目标导航线路距离是否大于第一距离阈值且小于第二距离阈值,若是,则选择非拥堵且距离最短的线路作为新的导航线路;
判断目标导航线路距离是否大于第二距离阈值,若是,则选择非拥堵且服务机器人数量最多的线路作为新的导航线路。
4.根据权利要求1所述的蓝牙定位导航系统,其特征在于,所述通过修正模型对初步定位数据进行修正获得精确定位,具体包括:
通过用AOA定位基站和Beacon基站分别对导航核心地图中运动的服务机器人进行定位;
利用Beacon基站采集的服务机器人运动状态数据作为输入,建立输入数据集合 表示Beacon基站测定的第i个样本服务机器人的横坐标,/>表示Beacon基站测定的第i个样本服务机器人的纵坐标,/>表示Beacon基站测定的第i个样本服务机器人的移动速度,/>表示示Beacon基站测定的第i个样本服务机器人的移动方向;
利用AOA定位基站获取定位修正数据作为输出,建立输出数据集合 表示AOA定位基站测定的第i个样本服务机器人横坐标修正值,/>表示AOA定位基站测定的第i个样本服务机器人纵坐标修正值;
按比例建立训练样本集和测试样本集;
构建修正模型,利用训练样本集训练修正模型,所述修正模型为回归模型、神经网络模型、时序模型或者混合模块;
利用测试样本集测试修正模型性能;
利用训练好的修正模型对初步定位数据进行修正预测,修正后获得精确定位。
5.根据权利要求4所述的蓝牙定位导航系统,其特征在于,所述修正模型为,所述修正模型构建方法如下:
选择深度神经网络DNN作为修正模型并进行初始化,设置修正模型的输入层、网络层与输出层的总层数M以及神经元个数,确定网络层的激活函数,设置迭代步长s,最大迭代次数Q与停止迭代阈值ε;
定义激活函数am=σ(Im)=σ(wmam-1+bm),其中,am表示第m层的输出向量,Im表示第m层的输入向量,σ(·)表示激活函数,w表示线性关系系数矩阵,b表示偏倚向量;
将w和b初始化为随机值,计算每个数据进行DNN正向传播过程,确定每一层激活函数的值
定义损失函数θ=(w,b),其中,θ表示损失函数的参数向量,x表示输入数据,y表示输出数据,n表示样本个数,/>表示第i个样本的实际输出,yi表示第i个样本的期望输出;
根据DNN正向传播过程输出的结果通过损失函数计算损失值;
计算输出层的梯度:
利用梯度下降法迭代求解每一层的w和b,并进行参数更新:
其中,
其中,λ表示学习率;
当w和b的变化小于ε,训练完成,停止训练。
6.根据权利要求4所述的蓝牙定位导航系统,其特征在于,所述用于分析移动端数据,识别需服务人群,具体包括:
获取移动端数据,进行数据清洗、去噪和格式转换预处理;
将预处理后的数据进行归一化处理,计算服务分数S′,其中,服务分数S′的计算公式如下:
S′=SV+ST+SA+SB+SF,
其中,SV=wV×V′,
ST=wT×(1-T′),
SA=wA×A′,
SF=wF×F′,
其中,
其中,V表示移动端预设时间段内平均移动速度,Vmax和Vmin分别表示移动端预设时间段移动速度的最大值和最小值,T表示移动端预设时间段内每次非相遇停留的平均时间,Tmax和Tmin表示移动端预设时间段内停留的最大时间和最小时间,A表示表示移动端预设时间段内与其他移动端相遇且停留超过预设时间的次数,Amax和Amin表示设定的移动端与其他移动端相遇且停留超过预设时间的最大值和最小值;F表示表示移动端预设时间段内的导航频率,Fmax和Fmin表示设定的移动端导航频率的最大值和最小值;wV、wT、wA、wB和wF分别表示权重;
设定第一等级阈值D1和第二等级阈值D2且0<D1<D2<1,将服务分数S′与第一等级阈值D1和第二等级阈值D2的大小进行比较;
当第二等级阈值D2≤服务分数S′,则识别移动端对应的需服务人群为一级服务人群;
当第一等级阈值D1≤服务分数S′<第二等级阈值D2,则识别移动端对应的需服务人群为二级服务人群;
当服务分数S′<第一等级阈值D1,则识别移动端对应的需服务人群为三级服务人群。
7.根据权利要求6所述的蓝牙定位导航系统,其特征在于,所述用于引导服务机器人在导航核心地图完成智能分布,具体包括:
根据一级服务人群、二级服务人群和三级服务人群的分布数据,在导航核心地图基础上建立三级服务需求分布图;
构建需求损失函数L(gi)=∫Ωd(||p-gi||)λ(p)dp,其中,Ω表示需求密度服从高斯分布的服务机器人总服务区域,∫Ωd(||p-gi||)表示第i个服务机器人与服务区域内位置p的距离函数,λ(p)表示位置p的需求密度;
根据服务机器人的总数量N按三个权重分配为三级服务组,其中,三个权重w1+w2+w3=1且w1>w2>w3,一级服务组的服务机器人的数量为n;
针对一级服务组,通过泰森多边形算法将总服务区域划分成n个子服务区域,子服务区域集合定义为:
调整服务机器人分布,优化上述公式,得到
其中,η表示服务机器人集合,η={g1,g2,...,gn},/>表示子服务区域集合,/>
定义d(||p-gi||)=||p-gi||2,更新公式得到
其中,子服务区域的质量计算公式为:
子服务区域的质心计算公式为:
基于平行轴定理,最终损失函数定义为:
当服务机器人gi位于位置c(Ui)时,最终损失函数最小,此时,服务机器人的位置为子服务区域的质心;
其中,服务机器人位置收敛公式定义为:
gi(t+1)=gi(t)-a(gi(t)-c(Ui)),其中,a表示步长;
在服务区域内完成一级服务组的服务机器人针对一级服务人群的智能分布;
重复步骤,在服务区域内完成二级服务组和三级服务组的服务机器人分别针对二级服务人群和三级服务人群的智能分布。
8.根据权利要求7所述的蓝牙定位导航系统,其特征在于,所述控制服务机器人移动并与需服务人群相遇以提供服务,具体包括:
定位服务器控制服务机器人进入主动服务模式,识别需服务人群,分别控制一级服务组二级服务组和三级服务组的服务机器人移动,并与对应级别的一级服务人群、二级服务人群和三级服务人群相遇以提供服务;
当服务机器人被动接收到服务请求时,定位服务器判断是否正在提供的主动服务,若是,则在被动服务期间暂停主动服务,控制服务机器人进入被动服务模式提供被动服务,所述服务请求包括语音请求或者屏幕输入请求。
9.根据权利要求8所述的蓝牙定位导航系统,其特征在于,所述定位服务器用于控制服务机器人移动并规避与移动端持有人群发生碰撞,具体实现方法如下:
获取移动端历史运动状态数据并对数据进行归一化处理,生成移动端历史运动路径集合:
Xt=[x′t-m+1,x′t-m+2,x′t-m+3,...,x′t],
x′t=[xt,yt,vt,dt],
Y=[y′t+1,y′t+2,y′t+3,...,y′n],
y′t=[xt,yt],
其中,Xt表示移动端历史运动状态数据的观测集合,m表示根据数据数选定的常数,xt表示移动端在时间t的横坐标,yt表示移动端在时间t的的纵坐标,vt表示移动端在时间t的移动速度,dt表示移动端在时间t的移动方向,Y表示移动端时间t后时间长度为n的运动路径集合;
构建基于运动路径的神经网络预测模型,并通过移动端历史运动路径集合进行训练;
利用训练好的基于运动路径的神经网络预测模型对移动端运动路径进行预测;
利用Beacon基站采集的服务机器人运动状态数据,生成服务机器人初始运动路径;
根据移动端运动路与服务机器人初始运动路径判断是否相撞,若是,则控制服务机器人移动生成服务机器人调整运动路径以避免相撞。
10.一种利用上述权利要求1-9任一项所述蓝牙定位导航系统的蓝牙定位导航方法,其特征在于,所述方法包括:
S1、根据Beacon基站的定位覆盖区域生成导航全地图,根据AOA定位基站的定位覆盖区域在导航全地图基础上生成导航核心地图,并完成导航全地图与导航核心地图中导航目标定位校正;
S2、接收到移动端的导航请求,判断移动端进入导航全地图且非导航核心地图时,通过获取多个移动端的分析数据进行定位,并根据导航目标数据对移动端进行线路导航;
S3、判断移动端进入核心地图时,通过获取移动端的分析数据进行初步定位,并通过修正模型对初步定位数据进行修正获得精确定位;
S4、分析移动端数据,识别需服务人群;
S5、蓝牙AOA基站发送的数据对服务机器人进行定位,引导服务机器人在导航核心地图完成智能分布,并控制服务机器人移动并与需服务人群相遇以提供服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311089477.7A CN117119585B (zh) | 2023-08-26 | 2023-08-26 | 一种蓝牙定位导航系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311089477.7A CN117119585B (zh) | 2023-08-26 | 2023-08-26 | 一种蓝牙定位导航系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117119585A CN117119585A (zh) | 2023-11-24 |
CN117119585B true CN117119585B (zh) | 2024-02-06 |
Family
ID=88807198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311089477.7A Active CN117119585B (zh) | 2023-08-26 | 2023-08-26 | 一种蓝牙定位导航系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117119585B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107509175A (zh) * | 2017-09-19 | 2017-12-22 | 深圳市深层互联科技有限公司 | 蓝牙室内定位方法、系统、存储介质及终端 |
CN107655480A (zh) * | 2017-09-19 | 2018-02-02 | 深圳市深层互联科技有限公司 | 一种机器人定位导航方法、系统、存储介质及机器人 |
CN112308998A (zh) * | 2020-11-02 | 2021-02-02 | 广东电网有限责任公司 | 一种基于蓝牙的室内定位智能巡检系统及方法 |
KR102239801B1 (ko) * | 2019-11-06 | 2021-04-13 | (주)인사이트테크 | 비콘을 이용한 위치 추적 시스템 및 비콘을 이용한 위치 추적 방법 |
CN113064418A (zh) * | 2019-12-13 | 2021-07-02 | 苏州宝时得电动工具有限公司 | 工作地图构建方法、装置、机器人及存储介质 |
WO2021139590A1 (zh) * | 2020-01-06 | 2021-07-15 | 三个机器人公司 | 基于蓝牙与slam的室内定位导航装置及其方法 |
WO2022045879A1 (en) * | 2020-08-27 | 2022-03-03 | Emerico International Sdn Bhd | An automated service and transportation system |
CN114501411A (zh) * | 2022-04-13 | 2022-05-13 | 天津恒达文博科技股份有限公司 | 一种基于蓝牙的高精度定位系统及方法 |
CN114789449A (zh) * | 2022-06-01 | 2022-07-26 | 徐州立讯信息科技有限公司 | 一种机器人自动帮助系统及其服务方法 |
CN114885283A (zh) * | 2022-06-28 | 2022-08-09 | 江苏蓝策电子科技有限公司 | 一种基于蓝牙aoa的室内定位方法及系统 |
CN116614881A (zh) * | 2023-06-21 | 2023-08-18 | 上海智能网联汽车技术中心有限公司 | 车辆混合定位方法、电子设备、定位系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112770268B (zh) * | 2019-10-21 | 2022-07-15 | 珠海格力电器股份有限公司 | 组网定位方法、系统、设备及存储介质 |
-
2023
- 2023-08-26 CN CN202311089477.7A patent/CN117119585B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107509175A (zh) * | 2017-09-19 | 2017-12-22 | 深圳市深层互联科技有限公司 | 蓝牙室内定位方法、系统、存储介质及终端 |
CN107655480A (zh) * | 2017-09-19 | 2018-02-02 | 深圳市深层互联科技有限公司 | 一种机器人定位导航方法、系统、存储介质及机器人 |
KR102239801B1 (ko) * | 2019-11-06 | 2021-04-13 | (주)인사이트테크 | 비콘을 이용한 위치 추적 시스템 및 비콘을 이용한 위치 추적 방법 |
CN113064418A (zh) * | 2019-12-13 | 2021-07-02 | 苏州宝时得电动工具有限公司 | 工作地图构建方法、装置、机器人及存储介质 |
WO2021139590A1 (zh) * | 2020-01-06 | 2021-07-15 | 三个机器人公司 | 基于蓝牙与slam的室内定位导航装置及其方法 |
WO2022045879A1 (en) * | 2020-08-27 | 2022-03-03 | Emerico International Sdn Bhd | An automated service and transportation system |
CN112308998A (zh) * | 2020-11-02 | 2021-02-02 | 广东电网有限责任公司 | 一种基于蓝牙的室内定位智能巡检系统及方法 |
CN114501411A (zh) * | 2022-04-13 | 2022-05-13 | 天津恒达文博科技股份有限公司 | 一种基于蓝牙的高精度定位系统及方法 |
CN114789449A (zh) * | 2022-06-01 | 2022-07-26 | 徐州立讯信息科技有限公司 | 一种机器人自动帮助系统及其服务方法 |
CN114885283A (zh) * | 2022-06-28 | 2022-08-09 | 江苏蓝策电子科技有限公司 | 一种基于蓝牙aoa的室内定位方法及系统 |
CN116614881A (zh) * | 2023-06-21 | 2023-08-18 | 上海智能网联汽车技术中心有限公司 | 车辆混合定位方法、电子设备、定位系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117119585A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107690660B (zh) | 图像识别方法及装置 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
US8862154B2 (en) | Location measuring method and apparatus using access point for wireless local area network service | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN110213714A (zh) | 终端定位的方法及装置 | |
CN110688589A (zh) | 到店识别方法、装置、电子设备及可读存储介质 | |
Lee et al. | Location recognition system using random forest | |
CN104125636B (zh) | 一种基站定位方法及装置 | |
CN109991591A (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
KR20120112293A (ko) | 이동체의 위치 판단 장치 및 위치 판단 방법 | |
CN117119585B (zh) | 一种蓝牙定位导航系统及方法 | |
CN110290466A (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
CN111738878B (zh) | 一种桥梁应力检测系统 | |
CN111343664B (zh) | 用户定位方法、装置、设备及介质 | |
CN111506104A (zh) | 一种规划无人机位置的方法及装置 | |
KR101188194B1 (ko) | 근거리 통신을 위한 액세스 포인트를 이용한 위치 측정 방법 및 장치 | |
CN112995902B (zh) | 一种远距离广域网定位方法、装置、设备及存储介质 | |
CN111741526B (zh) | 定位方法、装置、电子设备以及计算机存储介质 | |
CN109614999A (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
CN112243193B (zh) | 室内定位方法、装置、计算机设备和可读存储介质 | |
CN113411749B (zh) | 入口位置确定方法及装置 | |
CN111967693B (zh) | 一种基于干扰管理的搜救资源方案调整方法及相关设备 | |
CN109842847A (zh) | 一种室内外用户终端的判别方法及基站 |
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 |