JP7479715B2 - ３重視覚照合とマルチ基地局回帰を融合した５ｇ屋内スマート測位方法 - Google Patents

３重視覚照合とマルチ基地局回帰を融合した５ｇ屋内スマート測位方法 Download PDF

Info

Publication number
JP7479715B2
JP7479715B2 JP2022077904A JP2022077904A JP7479715B2 JP 7479715 B2 JP7479715 B2 JP 7479715B2 JP 2022077904 A JP2022077904 A JP 2022077904A JP 2022077904 A JP2022077904 A JP 2022077904A JP 7479715 B2 JP7479715 B2 JP 7479715B2
Authority
JP
Japan
Prior art keywords
rss
base station
regression
distance
here
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
Application number
JP2022077904A
Other languages
English (en)
Other versions
JP2023090610A (ja
Inventor
暉 張
志坤 王
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Publication of JP2023090610A publication Critical patent/JP2023090610A/ja
Application granted granted Critical
Publication of JP7479715B2 publication Critical patent/JP7479715B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Description

本発明は、屋内測位分野と機器視覚分野に属し、具体的には３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法に関する。
近年、車列ナビゲーション、災害救援などの位置サービス産業の発展に伴い、高精度の測位は、無線測位技術の人気研究方向になっている。当初は、屋外シーンに重点を置き、グローバルナビゲーションサテライトシステム（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ、ＧＮＳＳ）を主導とした屋外測位を実現していたが、建物の遮蔽により、ＧＮＳＳ信号は、屋内の正確な測位に応用できない。近年の調査統計によると、人々が８０％－９０％の時間に屋内にいることから、屋内測位の研究がますます注目されている。さらに工場の企業規模が拡大するにつれ、従業員の安全に対する予防が難しくなっているため、従業員を特定のエリア内で正確に屋内測位することが求められている。以上は、いずれも屋内環境の正確な定位が定位の研究焦点になっていることを示し、その研究成果は、極めて大きな経済効果をもたらすだけでなく、他の分野と結合して革新を行うことができる。
現在の屋内測位方法には、近接探査法、質量心測位法、多辺測位法、三角測位法、極点法、指紋測位法、航位推算法などの技術があるが、これらの方法には、多かれ少なかれ欠点がある。例えば近接探査法は、簡単で実現しやすいが、大まかな測位情報しか提供できない。質量心測位法は、高精度測位を実現するには、密集した基地局の配置が必要で、莫大な経済的代償をもたらす。総合的に考えると、屋内測位は、一般的に多辺測位法と指紋測位法を採用し、この２つの測位方式は、いずれも良好な測位精度を得ることができる。そのうち、多辺測位法の原理は、受信した信号強度により、信号の減衰モデルを利用して距離を計算し、距離に基づいて線形連立方程式を立てて測位位置を求める。指紋測位法に基づく屋内測位は、オフライン指紋ライブラリの照合またはマッピング方法である。たとえば、ＲＳＳにより分類アルゴリズムを用いてオフライン指紋ライブラリ中の基準ポイントを照合し、基準ポイントの位置を重み付けして測位位置を求める。あるいは、ＲＳＳにより回帰アルゴリズムを用いてマッピング関係を構築して測位位置を取得する。多辺測位法は、複雑な屋内環境及び基地局の配置位置の影響を受け、１種類の減衰モデルを用いてＲＳＳ－距離関係を表現することは、測位精度を低下させる。また、ＲＳＳデータを用いた指紋測位も、ＲＳＳ信号の変動により測位精度が悪くなる。
本発明は、マルチ５Ｇ基地局モデル学習及び３重視覚照合の両方から出発し、３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法を提案し、マルチ５Ｇ基地局モデル学習を用いて各５Ｇ基地局のＲＳＳ－距離モデルおよび多角度視覚収集データを取得して屋内環境をより良く特徴付ける一方、マルチ５Ｇ基地局ＲＳＳ－距離モデルと３重視覚照合技術を用いて、より高精度な屋内測位を実現する。
本発明が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法において、まず５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、次に、ＲＳＳデータ処理後、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、より正確な位置予測をモバイル機器に送信する。
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法は、以下のステップを含む。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ、ＲＳＳ）データ（５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得する）、モバイル機器の位置およびモバイル機器が存在する位置の８の方向（東、西、南、北、南東、北東、南西、北西）に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
さらに、前記ステップ（２）の実現過程は、以下のとおりである。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示す。
ＲＳＳｍ，ｒがガウスフィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ２番目のデータを示す。
が閾値フィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ３は、
に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ３番目のデータを示す。
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、ｍ基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示される。
ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
さらに、前記ステップ（３）の実現過程は、以下のとおりである。
３重視覚照合モデルに対して、まず、ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出する。ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
ここで、θは、ｔテストポイントにおける画像撮影の角度を示す。ｃｑは、ｑ（ｑ＝１，２，．．．，Ｑ１）識別物を示す。また、ＹＯＬＯ目標検出システムは、各識別物が存在する識別領域も取得することができる。
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合（第１の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝。
で、｜・｜は、集合の要素数を示し、のちのフローを行う。そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合（第２の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
中の２つの識別物を示し、Ｇ（・）は、０－１変換関数であり、以下のように示される。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合（第３の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
３重視覚照合のデータと結合して照合し、まずｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を計算し、以下に示す。
得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
さらに、前記ステップ（４）の実現過程は、以下のとおりである。
ｔテストポイントのＲＳＳベクトルＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］の各要素を判断し、閾値α１より小さい要素を廃棄し、ｔテストポイントの測位に用いない。
テストポイントのＲＳＳベクトルの残った要素のうち、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選出する。ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
多辺測位の具体式は、以下であり、
ここで、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１は、それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示す。
その後、
、
に基づいて、多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、最終的な測位結果を得る。
であれば、多辺測位結果の重みは、以下のように示される。
かつ０＜｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
かつ
｜Ｄ２｜＝０であれば、多辺測位結果の重みは、以下のように示される。
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
ｗ＝０
最終的な測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、α１＜α２、α１は、信号が悪い上限を示し、α２は、信号の良好な下限を示す。２つの閾値は、機器によって異なる。本発明では、
、
。
本発明は、マルチ５Ｇ基地局ＲＳＳ－距離モデル及び多角度視覚収集データを採用して屋内環境をより良く特徴づけることができ、またマルチ５Ｇ基地局ＲＳＳ－距離モデル及び３重視覚照合モデルを採用して融合測位を実現し、単一測位方法による単一指紋照合の精度が不足する問題を改良し、非常に広い応用シーンがある。
本発明のフローチャートである。 マルチ５Ｇ基地局モデル学習の模式図である。 ３重視覚照合のフローチャートである。
以下、本発明の技術手段について、図面を参照して詳細に説明する。
本発明は、３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法を提供する。図１に示すように、本発明が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法において、まず５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、より正確な位置予測をモバイル機器に送信する。
本発明は、主に３つの内容を含む。１つは、マルチ５Ｇ基地局の回帰モデル学習であり、ＲＳＳと基準ポイントの位置に基づいて、異なる５Ｇ基地局がそれぞれＲＳＳ－距離モデルを学習する。２つ目は、画像と基準ポイントの位置を用いて３重視覚照合測位アルゴリズムを提案する。３つ目は、クラウドが３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルに基づいて融合測位を実現し、モバイル機器の位置を予測する。
１．マルチ５Ｇ基地局の回帰モデル学習
屋内測位でよく使われるＲＳＳ－距離モデルは、対数減衰モデルであるが、屋内環境の複雑さ（壁の遮蔽など）や、５Ｇ基地局が置かれている位置の周囲環境が異なり、すべての５Ｇ測位基地局に対して１種類の対数減衰モデルを採用すると、測位精度が不足するため、各５Ｇ基地局に対してそれぞれニューラルネットワークを採用してＲＳＳ－距離モデルを学習する必要がある。
ガウスフィルタリングは、主に複雑な環境によるデータ異常の問題を解決するものである。データの正確性を保証するため、各５Ｇ基地局は、同じ基準ポイントの複数回のＲＳＳデータを収集してガウスフィルタリングを行う。
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、同一の基準ポイントに対して収集したＲＳＳデータの個数を示す。収集したＲＳＳｍ，ｒに基づいて、平均値μと分散σ２は、以下のように示される。
であれば、このデータは、フィルタリングされる。ガウスフィルタリング後、ｍ基地局がｒ基準点に対するＲＳＳベクトルは、次のように変化する。
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に、同一の基準ポイントに残ったＲＳＳデータの個数を示す。
閾値フィルタリングは、主にＲＳＳ－距離モデルで実現される多辺測位法においてＲＳＳ値が小さいと測位精度が悪くなるからである。閾値フィルタリングを用いることでＲＳＳ－距離モデルのＲＳＳ範囲を減少するものの、ＲＳＳ距離モデルは、小さなＲＳＳ値に影響されないため、モデルの精度が向上する。ガウスフィルタリングおよび閾値フィルタリング後（ＲＳＳ値≧９０ｄＢｍ）、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化する。
ここで、Ｎ３は、
に対するガウスフィルタリングおよび閾値フィルタリングの後に、同一の基準ポイントに残ったＲＳＳデータの個数を示す。データフィルタリング処理の後、ローカルサーバは、ＲＳＳ－距離モデル学習を行う。それは、主にニューラルネットワークを通じて基準ポイントのＲＳＳを入力とし、基準ポイントから５Ｇ基地局までの距離を出力として学習した回帰モデルであり、図２に示す。ｍ基地局が学習したＲＳＳ－距離回帰モデルは、以下のように示される。
ここで、ｆｍ（・）は、ｍ基地局学習モデルのマッピング関係を示す。
２．３重視覚照合モデル：
指紋定位の前に、オフライン指紋ライブラリを構築し、ＲＳＳの変動による測位誤差問題を考慮する必要がある。本発明は、多角度画像と基準ポイント位置の指紋測位方法を考慮する。基準ポイントについては、８方位の画像情報と、基準ポイントの位置とが画像－位置指紋ライブラリを構築する（各角度で撮影された画像は、基準ポイントの位置と１組のサンプルを構成する）。指紋測位を行う際には、図３に示すように、３重視覚照合モデルを用いて指紋照合を行う。
第１の視覚照合：
ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、同一の識別物の数に基づいて画像の類似度を比較する。ＹＯＬＯ目標検出システムは、画像を検出してｔテストポイント（テストポイントは、モバイル機器が存在する位置である）で撮影された画像の識別物情報を得ることができ、以下のように示される。
ここで、θは、ｔテストポイントにおける画像撮影の角度を示す。ｃｑは、ｑ（ｑ＝１，２，．．．，Ｑ１）識別物を示す。また、ＹＯＬＯ目標検出システムは、各識別物が存在する識別領域も取得することができる。
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示す。
であれば、のちの照合を行う。
第２の視覚照合：
ＹＯＬＯ目標検出システムを利用して、識別物が存在する識別領域に対して、ｔテストポイントにおける撮影画像の識別物間の相対方位情報を得ることができる。画像中の識別物の向きの制約によって、識別物の相対的な方向情報を抽出して方向関係を確立する。テストポイントの撮影画像における識別物の方向関係を以下に示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示す。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
ここで、
は、ｒ基準ポイントのθ１方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示す。Ｇ（・）は、０－１変換関数であり、以下のように示される。
第３の視覚照合：
ＹＯＬＯ目標検出システムと結合して、識別物が存在する識別領域に対して、ｔテストポイントの撮影画像の識別物間の相対距離情報を得ることができる。画像を画素解析することにより、ｔテストポイントの撮影画像における識別物の距離関係は、以下のように示される。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合は、次のように示す。
ここで、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
３重視覚照合に基づいて、ｔテストポイントと異なる方向のｒ基準ポイントの画像の類似度を、以下に示す。
得られた類似度を大きい順にソートし、上位Ｋ１＝１０個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を得る。
融合測位：
上述した内容は、多辺測位法と指紋測位法のそれぞれの優位性と不足を考慮し、それぞれに改良を行い、良好な測位結果を得るために融合測位の方式を採用し、両測位方法の優位性を十分に利用している。ＲＳＳが大きいほど信号が正確になるので、ＲＳＳ値に基づいて、測位に使用可能な５Ｇ基地局が選択される。ＲＳＳｔの各要素を判断し、ＲＳＳｍ，ｔ＜－９０ｄＢｍであれば、ｍ基地局のＲＳＳは、ｔテストポイントの測位に用いられない。ＲＳＳｔに残った要素の大きさの順番に基づいて、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選択して多辺測位を行う。
ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
そして、多辺測位の具体式は、以下であり、
ここで、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１は、それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示す。
その後、多辺測位結果と３重視覚照合の指紋測位結果とを加重融合する。
、
に基づいて、以下の３種類に分けて加重融合測位を行う。
であれば、多辺測位結果の重みは、以下のように示される。
かつ０＜｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
かつ｜Ｄ２｜＝０であれば、多辺測位結果の重みは、以下のように示される。
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
ｗ＝０
得られた最終測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
以上、本発明の実施例が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法について詳しく紹介したが、当業者に対しては、本発明の実施例の思想に基づき、具体的な実施形態および応用において改良を行うことがある。以上をまとめると、本明細書の内容は、本発明を限定するものとして解釈されるべきではない。
（付記）
（付記１）
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、以下のステップを含むことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度ＲＳＳデータ、モバイル機器の位置およびモバイル機器が存在する位置の複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
（付記２）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、モバイル機器が存在する位置の東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（付記３）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（付記４）
付記３に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
（付記５）
付記４に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示し、
ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ２番目のデータを示し、
が閾値フィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ３は、
に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ３番目のデータを示し、
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（付記６）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（３．１）ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、画像ごとの識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
ここで、ｃｑは、ｑ識別物を示し、ｑ＝１，２，．．．，Ｑ１、Ｑ１は、識別物の数を示す。
（３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝。
であれば、ステップ（３．３）を実行し、｜・｜は、集合の要素数を示し、そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
（３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
中の２つの識別物を示し、Ｇ（・）は、０－１変換関数である。
（３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す；
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
（３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
（３．６）（３．５）で得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
（付記７）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
であることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（付記８）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（４．１）ｔテストポイントのＲＳＳベクトル
ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
（４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
（４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
ここで、ｄ１、ｄ２、ｄ３は、それぞれｔチェックポイントからｍ１、ｍ２、ｍ３基地局までの距離を示し、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示し、（ｘｔ１，ｙｔ１）は、ｔテストポイントの多辺測位結果を示す。
（付記９）
付記８に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（付記１０）
付記７に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、ｔテストポイントの最終測位結果を得ることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、
であれば、多辺測位結果の重み
、
かつ０＜｜Ｄ２｜＜３であれば、
、
かつ｜Ｄ２｜＝０であれば、
、
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
、
。

Claims (8)

  1. ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、以下の全てのステップを含むことを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
    （１）学習データ収集段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、モバイル機器から送信された無線信号の受信信号強度ＲＳＳデータ、モバイル機器の位置である基準ポイントの位置情報およびモバイル機器により基準ポイントから複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、基準ポイントの位置情報および５Ｇ基地局の位置を利用して５Ｇ基地局が備えるサーバであるローカルサーバーにＲＳＳデータと、５Ｇ基地局と基準ポイントとの距離と、を紐付けるＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像および基準ポイントの位置情報をクラウドにアップロードし、クラウドに画像と基準ポイントの位置情報とを紐付ける画像－位置の指紋ライブラリを構築する。
    （２）各前記５Ｇ基地局が備えるローカルサーバは、ステップ（１）で構築されたＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳデータと、前記５Ｇ基地局と前記基準ポイントとの距離との関係を示すＲＳＳ－距離の回帰モデルを得るための学習を行う。
    （３）前記クラウドは、ステップ（１）で構築された画像－位置の指紋ライブラリに基づいて、前記基準ポイントで撮影された画像と測位対象の前記モバイル機器の位置であるテストポイントから撮影された画像との類似度を、それぞれの画像から検出された識別物の類似度と、各ポイントから識別物への相対方向に関する類似度と、各ポイントと識別物との間の距離に関する類似度とにより照合し、照合した類似度に基づいて指紋測位結果を得る３重視覚照合モデルを利用して指紋測位を行う。
    （４）前記５Ｇ基地局が前記テストポイントのＲＳＳベクトルを取得することにより、前記クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルに前記テストポイントのＲＳＳベクトルを入力して多辺測位を行う。
    （５）前記クラウドは、前記テストポイントのＲＳＳデータと予め設定された閾値とに基づいて、前記指紋測位結果、および、前記多辺測位の結果それぞれの重みを計算し、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果との加重和を算出し、前記テストポイントの融合測位結果を得る。
    前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする。
    （３．１）測位対象の前記モバイル機器の位置を示すｔテストポイントで撮影された画像をＹＯＬＯ（You Only Look Once）のアルゴリズムで物体検出を行うＹＯＬＯ物体検出システムで画像検出し、画像ごとの検出された物体である識別物の識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテストポイントのθ方向に撮影された画像から検出された識別物の識別物情報は、以下のように示される。
    ここで、ｃｑは、ｑ識別物を示し、ｑ＝１，２，．．．，Ｑ１のＱ１は、識別物の数を示す。
    （３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
    ここで、
    は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
    は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝であり、｜ ｜は、絶対値を示す。
    であれば、ステップ（３．３）を実行し、｜・｜は、集合の要素数を示し、そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
    （３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
    ここで、
    は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
    は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
    中の２つの識別物を示し、Ｇ（・）は、０－１変換関数であり、
    であることを特徴とし、
    ここで、｜ ｜は、絶対値を示す。
    （３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す。
    ここで、
    は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
    は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
    （３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
    ここで、｜・｜は、集合の要素数を示す。
    （３．６）（３．５）で得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
    ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
  2. 請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    前記ステップ（１）において、５Ｇ基地局は、前記モバイル機器により撮影された前記基準ポイントの東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
  3. 請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    前記ステップ（１）において、５Ｇ基地局は、前記モバイル機器から複数回送信された無線信号に基づき、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
  4. 請求項３に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
    まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
    その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
    前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
  5. 請求項４に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    前記ステップ（１）において、ｍ基地局がｒ基準ポイントに対して収集したＲＳＳベクトルは、以下であり、
    ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
    は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示し、
    ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準ポイントに対するＲＳＳベクトルは、次のように変化し、
    ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
    は、
    のｎ２番目のデータを示し、
    が閾値フィルタリングされた後、ｍ基地局のｒ基準ポイントに対するＲＳＳベクトルは、次のように変化し、
    ここで、Ｎ３は、
    に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
    は、
    のｎ３番目のデータを示し、
    前記ステップ（２）において、ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
    ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
  6. 請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
    （４．１）ｔテストポイントのＲＳＳベクトル
    ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
    （４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
    （４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
    ここで、ｄ１、ｄ２、ｄ３は、ＲＳＳ－距離回帰モデルにｔテストポイントのＲＳＳベクトルを入力することにより得られた、それぞれｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離を示し、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示し、（ｘｔ１，ｙｔ１）は、ｔテストポイントの多辺測位結果を示す。
  7. 請求項６に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
    ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
  8. 請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
    多辺測位結果と３重視覚照合の指紋測位結果との加重和を算出して、ｔテストポイントの最終測位結果を得ることを特徴とする、
    ３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
    （ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
    ここで、
    であれば、多辺測位結果の重み
    、
    ここで｜ ｜は、絶対値を示し、
    かつ０＜｜Ｄ２｜＜３であれば、
    、
    ここで｜ ｜は、絶対値を示し、
    かつ｜Ｄ２｜＝０であれば、
    、
    ここで｜ ｜は、絶対値を示し、
    ｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
    、
    ここで、（ｘｔ１，ｙｔ１）は、ｔテストポイントの多辺測位結果を示し、（ｘｔ２，ｙｔ２）は、ｔテストポイントの指紋測位結果を示し、α１、α２は、予め設定された閾値であり、η１、η２、η３は、ｗを算出するための調整係数であり、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示し、Ｄ１は、
    を満たす基地局セットを示し、Ｄ２は、
    を満たす基地局セットを示し、
    ｜Ｄ １ ｜、｜Ｄ ２ ｜の｜ ｜は、集合の要素数を示す。
JP2022077904A 2021-12-17 2022-05-11 ３重視覚照合とマルチ基地局回帰を融合した５ｇ屋内スマート測位方法 Active JP7479715B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111550033.XA CN114513746B (zh) 2021-12-17 2021-12-17 融合三重视觉匹配模型和多基站回归模型的室内定位方法
CN202111550033.X 2021-12-17

Publications (2)

Publication Number Publication Date
JP2023090610A JP2023090610A (ja) 2023-06-29
JP7479715B2 true JP7479715B2 (ja) 2024-05-09

Family

ID=81547465

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022077904A Active JP7479715B2 (ja) 2021-12-17 2022-05-11 ３重視覚照合とマルチ基地局回帰を融合した５ｇ屋内スマート測位方法

Country Status (2)

Country Link
JP (1) JP7479715B2 (ja)
CN (1) CN114513746B (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013025401A (ja) 2011-07-15 2013-02-04 Fujitsu Ltd 自己位置推定装置、自己位置推定方法およびプログラム
CN109814066A (zh) 2019-01-24 2019-05-28 西安电子科技大学 基于神经网络学习的rssi室内定位测距方法、室内定位平台
WO2019113749A1 (en) 2017-12-11 2019-06-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for identifying and positioning objects around a vehicle
CN112867066A (zh) 2021-01-26 2021-05-28 南京邮电大学 基于5g多小区深度强化学习的边缘计算迁移方法
US20210255634A1 (en) 2020-02-19 2021-08-19 Ford Global Technologies, Llc Vehicle device localization

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3165391B2 (ja) * 1996-03-22 2001-05-14 松下電器産業株式会社 移動体無線通信システムとその移動局の位置検出方法
GB201704216D0 (en) * 2017-03-16 2017-05-03 Ranplan Wireless Network Design Ltd WIFI multi-band fingerprint-based indoor positioning
CN112584311B (zh) * 2020-12-15 2022-08-05 西北工业大学 一种基于wknn融合的室内三维空间指纹定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013025401A (ja) 2011-07-15 2013-02-04 Fujitsu Ltd 自己位置推定装置、自己位置推定方法およびプログラム
WO2019113749A1 (en) 2017-12-11 2019-06-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for identifying and positioning objects around a vehicle
CN109814066A (zh) 2019-01-24 2019-05-28 西安电子科技大学 基于神经网络学习的rssi室内定位测距方法、室内定位平台
US20210255634A1 (en) 2020-02-19 2021-08-19 Ford Global Technologies, Llc Vehicle device localization
CN112867066A (zh) 2021-01-26 2021-05-28 南京邮电大学 基于5g多小区深度强化学习的边缘计算迁移方法

Also Published As

Publication number Publication date
CN114513746B (zh) 2024-04-26
JP2023090610A (ja) 2023-06-29
CN114513746A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111047814B (zh) 一种适用于地铁站火灾警情的智能疏散系统及方法
JP7190842B2 (ja) 情報処理装置、情報処理装置の制御方法及びプログラム
Liu et al. Fusion of magnetic and visual sensors for indoor localization: Infrastructure-free and more effective
CN105424030B (zh) 基于无线指纹和mems传感器的融合导航装置和方法
CN108445480A (zh) 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法
CN108919177B (zh) 一种基于虚拟信源估计与轨迹校正的定位地图构建方法
CN112325883B (zh) 一种WiFi和视觉多源融合的移动机器人室内定位方法
CN104394588B (zh) 基于Wi‑Fi指纹和多维尺度分析的室内定位方法
CN109819406B (zh) 一种基于众包的室内定位方法
Kumar et al. Indoor localization of vehicles using deep learning
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
CN111856445B (zh) 一种目标检测方法、装置、设备及系统
JP7479715B2 (ja) ３重視覚照合とマルチ基地局回帰を融合した５ｇ屋内スマート測位方法
Kudo et al. Utilizing WiFi signals for improving SLAM and person localization
CN110597077B (zh) 一种基于室内定位实现场景智能切换的方法及系统
Wietrzykowski et al. Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints
CN115767424A (zh) 一种基于rss与csi融合的视频定位方法
Ou et al. A low-cost indoor positioning system based on data-driven modeling for robotics research and education
Liu et al. Vifi-loc: Multi-modal pedestrian localization using gan with camera-phone correspondences
WO2020124091A1 (en) Automatic fine-grained radio map construction and adaptation
Ai et al. Surround Mask Aiding GNSS/LiDAR SLAM for 3D Mapping in the Dense Urban Environment
Guanqi et al. An improved Indoor Navigation Method based on Monocular Vision Measuring and Region Based Convolutional Network
Lee et al. A joint target localization and classification framework for sensor networks
Ju et al. Machine Learning for Indoor Localization Without Ground-truth Locations
CN114627431B (zh) 一种基于物联网的环境智能监控方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220711

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230704

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230901

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231114

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240116

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240416

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240417

R150 Certificate of patent or registration of utility model

Ref document number: 7479715

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150