CN117782017A - 基于移动群智感知的道路坡度测量方法及系统 - Google Patents
基于移动群智感知的道路坡度测量方法及系统 Download PDFInfo
- Publication number
- CN117782017A CN117782017A CN202211156248.8A CN202211156248A CN117782017A CN 117782017 A CN117782017 A CN 117782017A CN 202211156248 A CN202211156248 A CN 202211156248A CN 117782017 A CN117782017 A CN 117782017A
- Authority
- CN
- China
- Prior art keywords
- data
- gradient
- predicted
- frequency domain
- region
- 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
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 15
- 238000004220 aggregation Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 239000000725 suspension Substances 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种基于移动群智感知的道路坡度测量方法及系统，包括：步骤S1：进行待预测区域与已预测区域的划分，分配数据收集任务，将数据汇集至云端；步骤S2：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，除去数据噪声后依据空间位置划被分成训练集和测试集；步骤S3：训练集和测试集数据均进行时域特征和频域特征的提取，并计算个体无关特征；步骤S4：利用个体无关特征，对模型进行训练和测试，进一步对初步预测结果进行数据聚合以及结果优化。本发明有利于高效低成本的实现大规模的道路坡度感知，有利于城市三维地图的建立，进一步丰富目前数字地图的内容，缩短数据更新的周期。
Description
技术领域
本发明涉及移动感知和城市计算领域，具体地，涉及一种基于移动群智感知的道路坡度测量方法及系统。
背景技术
地理信息系统被普遍应用于人们的生产生活，其中自然地势起伏、道路坡度等三维地理信息在节能路径选择、道路网络构建和自然灾害预警等任务中起到指导作用。传统的道路坡度测量方法主要有两种：其一是卫星遥感，然而卫星影像数据的分辨率较低；其二是人工地面勘测，然而这种方法面临测量成本高、数据更新周期长的缺陷。随着互联网和移动设备的广泛普及，移动群智感知成为道路坡度测量的手段之一，且具备人工和时间成本低、数据更新及时的优势。
移动群智感知是指利用用户的移动式终端设备作为感知单元，用于感知周围的环境信息，并具备基础的计算以及通信功能。移动群智感知能够通过互联网实现任务分配与数据收集，可以实现数据的大范围覆盖和高频率更新。迄今为止，已有部分工作采用移动群智感知的手段对道路坡度的测量展开研究。这些工作将汽车等在路面稳定行驶的交通工具作为移动设备的载体，或采用基于地面坐标系的直接测量法，或采用基于车辆坐标系的仰角计算方法。然而上述工作主要存在以下三方面问题。
其一，目前算法所构建的模型均为基于稳态的测量模型，需要保证移动设备在汽车上保持严格的静止。但汽车不会一直保持平顺的前进，汽车的颠簸难免会造成移动设备相对车体的抖动，直接影响测量结果。在目前的算法中还不能对此类误差进行弥补。
其二，目前的测量算法都以汽车作为载体，移动设备被要求固定在汽车上，并且实验过程必须保证车辆的行驶方向与坡面相平行。此类方法因其载体和待测的环境都有较强的要求，难以推广至乡间小路等汽车难以通过的道路，使得数据的覆盖面仍旧有限。
其三，目前算法在纠正数据偏移时使用了谷歌高程地图数据，对高程数据的依赖性很强。所以在谷歌高程地图没有覆盖的范围或者精度过低的区域，算法的准确性大大降低。
专利文献CN100516773C，公开了一种车载道路坡度角测量系统及车载道路坡度角测量方法，其中所述车载道路坡度角测量系统包括：GPS速度测量仪，其用于测量行驶中的机动车在某一瞬间的垂直速度Vv及水平速度Vh；安装在机动车前悬架处的前悬架位移传感器，用于测量所述瞬间时的前悬架位置处的车身沿垂直于道路平面方向的位移Zf；安装在机动车后悬架处的后悬架位移传感器，用于测量所述瞬间时的后悬架位置处的车身沿垂直于道路平面方向的位移Zr；电子控制单元，其与所述GPS速度测量仪、前悬架位移传感器和后悬架位移传感器电连接以获取所述Vv、Vh、Zf、Zr的值，并根据公式计算出道路坡度角θ。但该发明没有利用用户提供的基准运动数据来计算个体无关特征，使用机器学习回归算法对模型进行训练和测试。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于移动群智感知的道路坡度测量方法及系统。
根据本发明提供的一种基于移动群智感知的道路坡度测量方法，包括：
步骤S1：进行待预测区域与已预测区域的划分，分配数据收集任务并将数据汇集至云端；
步骤S2：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，除去数据噪声后依据空间位置划被分成训练集和测试集；
步骤S3：训练集和测试集数据均进行时域特征和频域特征的提取，并计算个体无关特征；
步骤S4：利用个体无关特征对模型进行训练和测试，进一步对初步预测结果进行数据聚合以及结果优化。
优选地，在所述步骤S1中：
任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务；
所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于预设阈值，为具有有效坡度数据的区域；在已预测区域所测的数据将被划分为训练集数据；
所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于预设阈值；在待预测区域所测的数据被划分为测试集数据；
所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集传感器数据，并且实验不对手机的摆放位置进行严格限制；任意用户采集的数据包含加速度传感器、磁力传感器、陀螺仪传感器以及GPS定位数据；平台会额外要求符合预设条件的任务执行者打开摄像头并拍摄路面状况。
优选地，在所述步骤S2中：
步骤S2.1：对所有数据进行时空对齐，所有用户上传的惯性传感器数据都以相同的采样率进行重采样，保证其惯性传感器数据在时域对齐，利用GPS信息将不同用户在同一地点的惯性传感器数据进行空间对齐，并利用摄像头数据进行地图的上下坡类别标定；
步骤S2.2：使用时空对齐后的磁力计、加速度计和陀螺仪数据，对移动设备在地球坐标下的运动进行刻画，计算结果使用地球坐标系与移动设备自身坐标系之间的关联矩阵进行表示；
步骤S2.3：利用卡尔曼滤波去除关联矩阵序列中的噪声，还原数据；计算过程依赖置信度权重与误差方差的迭代更新，利用先前时刻的运算结果进行权重和方差的更新；
步骤S2.4：利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段；对处于已预测区域的数据，将其划分进训练集，其余部分划分至测试集；训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
优选地，在所述步骤S3中：
利用用户提供的基准运动数据来计算个体无关特征；
所述的时域特征包括：峰度、偏度、均值、方差和众数、最大值、最小值和数据范围；
所述的频域特征包括：频域直流分量、频域方差、频谱峰值、频域能量、频谱峰度和偏度；
所述的基准运动数据源自每一位用户所提供的数据中，满足条件：a、频域分量在预设时间段内不改变；b、信号震荡幅度稳定性符合预设值；
基准运动数据记录了用户在水平路段稳定性符合预设值的骑行行为，与任意数据段计算时域和频域相关后获得数据的个体无关特征。
优选地，在所述步骤S4中：
利用数据的个体无关特征，使用机器学习回归算法对模型进行训练和测试，模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度；利用数据集时间序列连续而测试位点离散分部的特点，以及数据的空间分布具有重复性的特点，进一步对初步预测结果进行数据聚合以及结果优化；
所述数据聚合，利用同一位置不同用户提供的多条数据，经数据筛选后，使用均值合并的方式聚合所有数据；
所述结果优化，利用数据的长时间窗和短时间窗在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关的信息。其使用不同窗长对应的预测结果，并进行置信度分析，而后聚合成为最终坡度测量结果。
根据本发明提供的一种基于移动群智感知的道路坡度测量系统，包括：
模块M1：进行待预测区域与已预测区域的划分，分配数据收集任务并将数据汇集至云端；
模块M2：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，除去数据噪声后依据空间位置划被分成训练集和测试集；
模块M3：训练集和测试集数据均进行时域特征和频域特征的提取，并计算个体无关特征；
模块M4：利用个体无关特征对模型进行训练和测试，进一步对初步预测结果进行数据聚合以及结果优化。
优选地，在所述模块M1中：
任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务；
所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于预设阈值，为具有有效坡度数据的区域；在已预测区域所测的数据将被划分为训练集数据；
所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于预设阈值；在待预测区域所测的数据被划分为测试集数据；
所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集传感器数据，并且实验不对手机的摆放位置进行严格限制；任意用户采集的数据包含加速度传感器、磁力传感器、陀螺仪传感器以及GPS定位数据；平台会额外要求符合预设条件的任务执行者打开摄像头并拍摄路面状况。
优选地，在所述模块M2中：
模块M2.1：对所有数据进行时空对齐，所有用户上传的惯性传感器数据都以相同的采样率进行重采样，保证其惯性传感器数据在时域对齐，利用GPS信息将不同用户在同一地点的惯性传感器数据进行空间对齐，并利用摄像头数据进行地图的上下坡类别标定；
模块M2.2：使用时空对齐后的磁力计、加速度计和陀螺仪数据，对移动设备在地球坐标下的运动进行刻画，计算结果使用地球坐标系与移动设备自身坐标系之间的关联矩阵进行表示；
模块M2.3：利用卡尔曼滤波去除关联矩阵序列中的噪声，还原数据；计算过程依赖置信度权重与误差方差的迭代更新，利用先前时刻的运算结果进行权重和方差的更新；
模块M2.4：利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段；对处于已预测区域的数据，将其划分进训练集，其余部分划分至测试集；训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
优选地，在所述模块M3中：
利用用户提供的基准运动数据来计算个体无关特征；
所述的时域特征包括：峰度、偏度、均值、方差和众数、最大值、最小值和数据范围；
所述的频域特征包括：频域直流分量、频域方差、频谱峰值、频域能量、频谱峰度和偏度；
所述的基准运动数据源自每一位用户所提供的数据中，满足条件：a、频域分量在预设时间段内不改变；b、信号震荡幅度稳定性符合预设值；
基准运动数据记录了用户在水平路段稳定性符合预设值的骑行行为，与任意数据段计算时域和频域相关后获得数据的个体无关特征。
优选地，在所述模块M4中：
利用数据的个体无关特征，使用机器学习回归算法对模型进行训练和测试，模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度；利用数据集时间序列连续而测试位点离散分部的特点，以及数据的空间分布具有重复性的特点，进一步对初步预测结果进行数据聚合以及结果优化；
所述数据聚合，利用同一位置不同用户提供的多条数据，经数据筛选后，使用均值合并的方式聚合所有数据；
所述结果优化，利用数据的长时间窗和短时间窗在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关的信息。其使用不同窗长对应的预测结果，并进行置信度分析，而后聚合成为最终坡度测量结果。
与现有技术相比，本发明具有如下的有益效果：
1、本发明有利于高效低成本的实现大规模的道路坡度感知，有利于城市三维地图的建立，进一步丰富目前数字地图的内容，缩短数据更新的周期；
2、对于已有的城市路网，本发明能够有效的利用道路中的骑行者，实现路网的坡度信息进行测量与更新；
3、对于不断更新的路网，本发明能够筛选出新增的坡度测量位点，实现对路网的结构的更新。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的示例图。
图2为本发明步骤A中用户执行群智感知任务的常用方法示例图。
其中，(i)表示用户将移动设备置于裤兜中执行任务；(ii)表示用户将移动设备置于背包中执行任务；(iii)表示用户将移动设备架置于车把手上执行任务并开启摄像头。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
为了克服传统测量方法中测量成本高，数据更新周期长的问题，并克服常见移动感知方法中对于稳定性的依赖。本发明使用移动终端设备自带的惯性传感器和摄像头，设计了一种基于移动群智感知的道路坡度测量系统,用于实现低成本的道路坡度测量。此外，本发明使用的群智方法汇集众多采集者的数据，实现大范围及长时间的感知，并利用群智数据融合进一步提高测量结果的准确度，完成道路坡度感知任务。本发明所设计的众包数据手机任务的执行者为道路上的自行车骑行者。本发明所使用的终端传感器位于自行车骑行者随身携带的移动式终端设备中，例如：手机、智能手环与智能手表，所使用的终端传感器包括加速度计、陀螺仪、磁力计，GPS和摄像头。所使用的传感器为常规移动式终端设备的必备传感器，可以用于记录移动设备本身的运动状态、所处环境以及所处位置。
本发明解决其技术问题所采用的技术方案是：一种用于道路坡度测量的群智感知系统，具体包括如下步骤：
步骤A：任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务，并将数据汇集至云端。
步骤B：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，经卡尔曼滤波处理后除去数据噪声，而后依据空间位置划被分成训练集和测试集。
步骤C：训练集和测试集数据均进行时域特征和频域特征的提取，并利用用户提供的基准运动数据计算个体无关特征。
步骤D：利用前述步骤提取的特征，本步骤使用SVM等机器学习回归算法对模型进行训练和测试。模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度。利用数据集时间序列接近连续而测试位点离散分部的特点，以及数据的空间分布具有重复性的特点，本步骤对初步预测结果进行进一步数据聚合以及结果优化。
上述道路坡度测量系统在部署过程中，依照步骤ABCD循环执行，实现实验数据和测量结果的周期性更新。实验中所需要的训练集测试集均会不断更新，模型可随时利用最新的训练集进行训练。
上述步骤A，所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于既定阈值，即具有有效坡度数据。有效坡度数据可以源自传统测量方法或其他已被认证的运算结果。一般，在已预测区域所测的数据将被划分为训练集数据。
上述步骤A，所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于既定阈值。一般，在待预测区域所测的数据被划分为测试集数据。
上述步骤A，所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集各类传感器数据，并且实验不对手机的摆放位置进行严格限制。任意用户采集的数据都应包含加速度传感器，磁力传感器，陀螺仪传感器以及GPS定位数据。此外，平台会额外要求有条件的任务执行者打开摄像头拍摄路面状况，用于判别路面走势以及收集基本路况。
上述步骤B，依据运算先后顺序，所述步骤包括：
步骤B1：本步骤将对所有数据进行时空对齐。所有用户上传的惯性传感器数据都以相同的采样率进行重采样，用于保证其惯性传感器数据在时域对齐。其利用GPS信息，将不同用户在同一地点的惯性传感器数据进行空间对齐，并利用摄像头数据进行地图的上下坡类别标定。
步骤B2：本步骤使用时空对齐后的磁力计、加速度计和陀螺仪数据，对移动设备在地球坐标下的运动进行刻画，计算结果使用地球坐标系与移动设备自身坐标系之间的关联矩阵进行表示。
步骤B3：本步骤利用卡尔曼滤波去除关联矩阵序列中的噪声，还原真实数据。其计算过程依赖置信度权重与数据误差方差的迭代更新，需要利用先前时刻的运算结果进行权重和方差的更新。
步骤B4：本步骤利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段。对处于已预测区域的数据，本步骤将其划分进训练集，其余部分划分至测试集。同时，训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
上述步骤C，所述的时域特征至少包括：1)峰度2)偏度3)均值、方差和众数；4)最大值、最小值和数据范围。
上述步骤C，所述的频域特征至少包括：1)频域直流分量；2)频域方差；3)频谱峰值；4)频域能量；5)频谱峰度和偏度。
上述步骤C，所述的基准运动数据源自每一位用户所提供的数据中，其满足条件：1)频域分量长时间不改变；2)信号震荡幅度基本稳定的数据。其记录了用户在水平路段平稳骑行行为，与所提供的任意数据段计算时域和频域相关后可以获得数据的个体无关特征。
上述步骤D，所述的数据聚合利用同一位置不同用户提供的多条数据，经数据筛选后，使用均值合并的方式聚合所有数据。
上述步骤D，所述的结果优化步骤利用长时间窗和短时间窗数据在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关信息。本步骤使用不同窗长对应的预测结果，利用频域能量方差进行置信度分析，而后聚合成为最终坡度测量结果。
实施例2：
实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
本发明提供了一种基于移动群智感知的道路坡度测量系统，通过记录人体骑行行为的变化来反应道路坡度信息。本系统捕捉了用户在骑行过程中惯性传感器数据的变化，利用传感器数据进一步提取用户骑行过程中与道路坡度相关的时频域特征。而后本系统使用用户的GPS定位将中众多轨迹进行聚合，用于更新路网的二维空间分布，并融合多用户的预测结果，用于计算道路坡度数据，最终得到地图的三维空间结构。本发明设计了数据采集、数据处理、数据运算等多个环节，采用了一种数字信号处理与机器学习结合的学习框架，能够有效的学习道路坡度与传感器数据的时频相关性，并将所学习的知识用于道路坡度测量以及周期性数据更新。
如图1-2所示，本发明提供了一种基于移动群智感知的道路坡度测量系统。具体地，本实施例包括如下步骤：
步骤A：任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务，并将数据汇集至云端。
步骤B：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，经卡尔曼滤波处理后除去数据噪声，而后依据空间位置划被分成训练集和测试集。
步骤C：训练集和测试集数据均进行时域特征和频域特征的提取，并利用用户提供的基准运动数据计算个体无关特征。
步骤D：利用前述步骤提取的特征，本步骤使用SVM回归算法对模型进行训练和测试，并初步预测结果进行数据聚合以及结果优化。模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度。
上述道路坡度测量系统在部署过程中，依照步骤ABCD循环执行。实验中所需要的训练集测试集均不断更新，模型可随时利用最新的训练集进行训练。
上述步骤A，所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于既定阈值，即具有有效坡度数据的区域，有效坡度数据可以源自传统测量方法或其他已被认证的运算结果。一般，在已预测区域所测的数据将被划分为训练集数据。
上述步骤A，所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于既定阈值。一般，在待预测区域所测的数据被划分为测试集数据。
上述步骤A，所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集各类传感器数据，并且实验不对手机的摆放位置进行严格限制，一般分布在衣兜、裤兜、书包中。任意用户采集的数据都应包含加速度传感器，磁力传感器，陀螺仪传感器以及GPS定位数据。此外，平台会额外要求有条件的任务执行者打开摄像头并拍摄路面状况，用于判别路面走势以及收集基本路况。为均衡数据的分布，任务平台会设置奖励机制鼓励任务执行在不同的区域执行任务。
上述步骤B，依据运算先后顺序，所述步骤包括：
步骤B1：本步骤将对所有数据进行时空对齐。所有用户上传的惯性传感器数据都以50Hz的采样率进行重采样，用于保证其惯性传感器数据在时域上对齐。其利用GPS信息，将不同用户在同一地点的惯性传感器数据进行空间对齐。用户上传的摄像头数据使用目标识别算法判别视域内所出现物体的运动方向，从而判别用户所处的上下坡类别，其结果将在地图上进行标记。
步骤B2：本步骤使用时空对齐后的磁力计Mt、加速度计At计算地球坐标系关联矩阵的静态计算结果使用陀螺仪Wt计算坐标系关联矩阵的动态累积结果Yt。
步骤B3：本步骤将静态计算结果和动态累积结果Yt输入至卡尔曼滤波器，用于噪声去除。其权重计算方法为K＝Σ0(Σ1+Σ0)-1，其中Σ0和Σ1表示/>和Yt对应的方差。利用得到最终的计算结果，并替换原静态计算结果/>用以更新Σ0。
其中，Xt为卡尔曼滤波后的关联矩阵输出序列，为使用磁力计Mt、加速度计At估计的关联矩阵序列并记为静态计算结果，Yt为使用陀螺仪Wt估计的坐标系关联矩阵并记为动态计算结果；
步骤B4：本步骤利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段。对处于已预测区域的数据，本步骤将其划分进训练集，其余部分划分至测试集。同时，训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
上述步骤C，所述的时域特征使用时域序列X进行计算，至少包括：1)峰度2)偏度/>3)均值、方差和众数；4)最大值、最小值和数据范围。
其中，E表示随机序列数学期望的计算，μ为输入序列X的序列均值，σ为序列X的序列方差；
上述步骤C，所述的频域特征使用时频域序列S进行计算，至少包括：1)频域直流分量；2)频域方差；3)频谱峰值；4)频域能量5)频谱峰度Kurt(S)和偏度Skew(S)。
其中，M为二维时频域序列S时域序列长度，N为二维时频域序列S的频域长度，Sij为频域序列S中时域下标为i且频域下标为j的元素；
上述步骤C，所述的基准运动数据源自每一位用户所提供的数据中，其满足条件：1)频域分量长时间不改变2)信号震荡幅度基本稳定的数据。其代表用户在水平路段平稳骑行数据，与所提供的任意数据段计算时域相关(和频域相关后可以获得数据的个体无关特征。
其中，m为时域相关运算的序列时移量，n为向量索引下标，M为序列长度，Xn+m为任意待计算的输入数据，Xref,为基准运动数据，Sn为输入信号的FFT频谱计算结果，为基准运动数据的共轭频谱；
上述步骤D，所述的数据聚合步骤利用同一位置不同用户提供的多条数据，使用均值合并的方式聚合所有数据。
上述步骤D，所述的结果优化步骤利用长时间窗和短时间窗数据在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关信息。本步骤使用不同窗长对应的预测结果，利用频域能量方差进行置信度分析，而后聚合成为最终坡度测量结果。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于移动群智感知的道路坡度测量方法，其特征在于，包括：
步骤S1：进行待预测区域与已预测区域的划分，分配数据收集任务并将数据汇集至云端；
步骤S2：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，除去数据噪声后依据空间位置划被分成训练集和测试集；
步骤S3：训练集和测试集数据均进行时域特征和频域特征的提取，并计算个体无关特征；
步骤S4：利用个体无关特征对模型进行训练和测试，进一步对初步预测结果进行数据聚合以及结果优化。
2.根据权利要求1所述的基于移动群智感知的道路坡度测量方法，其特征在于，在所述步骤S1中：
任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务；
所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于预设阈值，为具有有效坡度数据的区域；在已预测区域所测的数据将被划分为训练集数据；
所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于预设阈值；在待预测区域所测的数据被划分为测试集数据；
所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集传感器数据，并且实验不对手机的摆放位置进行严格限制；任意用户采集的数据包含加速度传感器、磁力传感器、陀螺仪传感器以及GPS定位数据；平台会额外要求符合预设条件的任务执行者打开摄像头并拍摄路面状况。
3.根据权利要求1所述的基于移动群智感知的道路坡度测量方法，其特征在于，在所述步骤S2中：
步骤S2.1：对所有数据进行时空对齐，所有用户上传的惯性传感器数据都以相同的采样率进行重采样，保证其惯性传感器数据在时域对齐，利用GPS信息将不同用户在同一地点的惯性传感器数据进行空间对齐，并利用摄像头数据进行地图的上下坡类别标定；
步骤S2.2：使用时空对齐后的磁力计、加速度计和陀螺仪数据，对移动设备在地球坐标下的运动进行刻画，计算结果使用地球坐标系与移动设备自身坐标系之间的关联矩阵进行表示；
步骤S2.3：利用卡尔曼滤波去除关联矩阵序列中的噪声，还原数据；计算过程依赖置信度权重与误差方差的迭代更新，利用先前时刻的运算结果进行权重和方差的更新；
步骤S2.4：利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段；对处于已预测区域的数据，将其划分进训练集，其余部分划分至测试集；训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
4.根据权利要求1所述的基于移动群智感知的道路坡度测量方法，其特征在于，在所述步骤S3中：
利用用户提供的基准运动数据来计算个体无关特征；
所述的时域特征包括：峰度、偏度、均值、方差和众数、最大值、最小值和数据范围；
所述的频域特征包括：频域直流分量、频域方差、频谱峰值、频域能量、频谱峰度和偏度；
所述的基准运动数据源自每一位用户所提供的数据中，满足条件：a、频域分量在预设时间段内不改变；b、信号震荡幅度稳定性符合预设值；
基准运动数据记录了用户在水平路段稳定性符合预设值的骑行行为，与任意数据段计算时域和频域相关后获得数据的个体无关特征。
5.根据权利要求1所述的基于移动群智感知的道路坡度测量方法，其特征在于，在所述步骤S4中：
利用数据的个体无关特征，使用机器学习回归算法对模型进行训练和测试，模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度；利用数据集时间序列连续而测试位点离散分部的特点，以及数据的空间分布具有重复性的特点，进一步对初步预测结果进行数据聚合以及结果优化；
所述数据聚合，利用同一位置不同用户提供的多条数据，经数据筛选后，使用均值合并的方式聚合所有数据；
所述结果优化，利用数据的长时间窗和短时间窗在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关的信息。其使用不同窗长对应的预测结果，并进行置信度分析，而后聚合成为最终坡度测量结果。
6.一种基于移动群智感知的道路坡度测量系统，其特征在于，包括：
模块M1：进行待预测区域与已预测区域的划分，分配数据收集任务并将数据汇集至云端；
模块M2：云端多模态传感数据经时空对齐后，进行逐帧关联矩阵运算，融合为移动设备的坐标以及姿态向量，除去数据噪声后依据空间位置划被分成训练集和测试集；
模块M3：训练集和测试集数据均进行时域特征和频域特征的提取，并计算个体无关特征；
模块M4：利用个体无关特征对模型进行训练和测试，进一步对初步预测结果进行数据聚合以及结果优化。
7.根据权利要求6所述的基于移动群智感知的道路坡度测量系统，其特征在于，在所述模块M1中：
任务发布平台依据现有的坡度数据及其测量时间进行待预测区域与已预测区域的划分，利用任务发布平台向移动设备持有者分配数据收集任务；
所述的已预测区域满足：当前区域已有坡度数据且其信息周期小于预设阈值，为具有有效坡度数据的区域；在已预测区域所测的数据将被划分为训练集数据；
所述的待预测区域满足：当前区域不含坡度信息或其数据的信息周期大于预设阈值；在待预测区域所测的数据被划分为测试集数据；
所述的数据收集任务将自行车视为坡度测量工具，要求任务执行者在骑行过程中收集传感器数据，并且实验不对手机的摆放位置进行严格限制；任意用户采集的数据包含加速度传感器、磁力传感器、陀螺仪传感器以及GPS定位数据；平台会额外要求符合预设条件的任务执行者打开摄像头并拍摄路面状况。
8.根据权利要求6所述的基于移动群智感知的道路坡度测量系统，其特征在于，在所述模块M2中：
模块M2.1：对所有数据进行时空对齐，所有用户上传的惯性传感器数据都以相同的采样率进行重采样，保证其惯性传感器数据在时域对齐，利用GPS信息将不同用户在同一地点的惯性传感器数据进行空间对齐，并利用摄像头数据进行地图的上下坡类别标定；
模块M2.2：使用时空对齐后的磁力计、加速度计和陀螺仪数据，对移动设备在地球坐标下的运动进行刻画，计算结果使用地球坐标系与移动设备自身坐标系之间的关联矩阵进行表示；
模块M2.3：利用卡尔曼滤波去除关联矩阵序列中的噪声，还原数据；计算过程依赖置信度权重与误差方差的迭代更新，利用先前时刻的运算结果进行权重和方差的更新；
模块M2.4：利用卡尔曼滤波后的数据，依据数据的GPS定位进行数据分段；对处于已预测区域的数据，将其划分进训练集，其余部分划分至测试集；训练集数据标签使用已有的坡度数值进行标记，依据用户的GPS定位的变化趋势判别上下坡类别，完成训练标签的标记。
9.根据权利要求6所述的基于移动群智感知的道路坡度测量系统，其特征在于，在所述模块M3中：
利用用户提供的基准运动数据来计算个体无关特征；
所述的时域特征包括：峰度、偏度、均值、方差和众数、最大值、最小值和数据范围；
所述的频域特征包括：频域直流分量、频域方差、频谱峰值、频域能量、频谱峰度和偏度；
所述的基准运动数据源自每一位用户所提供的数据中，满足条件：a、频域分量在预设时间段内不改变；b、信号震荡幅度稳定性符合预设值；
基准运动数据记录了用户在水平路段稳定性符合预设值的骑行行为，与任意数据段计算时域和频域相关后获得数据的个体无关特征。
10.根据权利要求6所述的基于移动群智感知的道路坡度测量系统，其特征在于，在所述模块M4中：
利用数据的个体无关特征，使用机器学习回归算法对模型进行训练和测试，模型输入为观察窗内信号的特征，输出为时间窗内的平均坡度；利用数据集时间序列连续而测试位点离散分部的特点，以及数据的空间分布具有重复性的特点，进一步对初步预测结果进行数据聚合以及结果优化；
所述数据聚合，利用同一位置不同用户提供的多条数据，经数据筛选后，使用均值合并的方式聚合所有数据；
所述结果优化，利用数据的长时间窗和短时间窗在趋势变化描述与细节变化描述上的互补特性，捕获坡长相关的信息。其使用不同窗长对应的预测结果，并进行置信度分析，而后聚合成为最终坡度测量结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211156248.8A CN117782017A (zh) | 2022-09-22 | 2022-09-22 | 基于移动群智感知的道路坡度测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211156248.8A CN117782017A (zh) | 2022-09-22 | 2022-09-22 | 基于移动群智感知的道路坡度测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117782017A true CN117782017A (zh) | 2024-03-29 |
Family
ID=90394992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211156248.8A Pending CN117782017A (zh) | 2022-09-22 | 2022-09-22 | 基于移动群智感知的道路坡度测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782017A (zh) |
-
2022
- 2022-09-22 CN CN202211156248.8A patent/CN117782017A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6831414B2 (ja) | 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体 | |
| US10453256B2 (en) | Lane boundary detection data generation in virtual environment | |
| CN108844533B (zh) | 一种基于多传感器融合和姿态解算的自由姿态pdr定位方法 | |
| CN111275969B (zh) | 一种基于道路环境智能识别的车辆轨迹填充方法 | |
| US10096158B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
| CN110553643B (zh) | 一种基于神经网络的行人自适应零速更新点选取方法 | |
| CN110488842B (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
| CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
| CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
| EP2948735A1 (en) | Method and apparatus for improved navigation for cycling | |
| CN111351502B (zh) | 用于从透视图生成环境的俯视图的方法，装置和计算机程序产品 | |
| Liu et al. | Bigroad: Scaling road data acquisition for dependable self-driving | |
| Gao et al. | Aggressive driving saves more time? Multi-task learning for customized travel time estimation. | |
| Zhao et al. | Vetrack: Real time vehicle tracking in uninstrumented indoor environments | |
| CN113033463B (zh) | 减速带检测方法、装置、电子设备及存储介质 | |
| Gao et al. | Glow in the dark: Smartphone inertial odometry for vehicle tracking in GPS blocked environments | |
| Zhou et al. | DeepVIP: Deep learning-based vehicle indoor positioning using smartphones | |
| Menegazzo et al. | Multi-contextual and multi-aspect analysis for road surface type classification through inertial sensors and deep learning | |
| CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
| Bosi et al. | In-Vehicle IoT Platform Enabling the Virtual Sensor Concept: A Pothole Detection Use-case for Cooperative Safety. | |
| CN114459469A (zh) | 多运动状态导航方法、装置及智能可穿戴设备 | |
| Botín-Sanabria et al. | Digital twin for urban spaces: An application | |
| JP2020109386A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム | |
| CN117782017A (zh) | 基于移动群智感知的道路坡度测量方法及系统 | |
| CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 |
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 |