CN104296749A - 基于运动状态感知的低功耗定位方法及*** - Google Patents

Abstract

本发明公开了一种基于运动状态感知的低功耗定位方法及***，所述方法包括离线训练和在线定位，通过引入一个加速度传感器来提供低功耗定位服务，加速度传感器可以实时捕捉用户运动引起的XYZ三个方向的振动变化，通过大量样本训练和机器学习方法计算出用户运动状态和位置变化，提供包含一定定位误差的低功耗位置服务，当定位误差超过某个门限阈值时，则打开GPS完成一次精确定位。本发明使用低功耗的加速度传感器来完成大部分定位，可以大大降低整体定位功耗。

Description

基于运动状态感知的低功耗定位方法及***

技术领域

本发明涉及GPS定位技术领域，尤其涉及一种基于运动状态感知的低功耗定位方法及***。

背景技术

随着移动互联网化产业的不断发展，位置服务已经成为移动终端的一项重要指标，为日常生活的定位、导航提供了极大的便利。

GPS定位主要包括两个部分：一个是用户接收机，另一个是GPS卫星星座。卫星星座不断往外广播卫星信号，用户接收机接收到4个以上有效卫星信号，可以计算出当前位置。

目前，诸如汽车车载定位***、智能手机、智能手表、智能眼镜、智能手环等可穿戴设备上都需要广泛集成定位模块来提供位置服务，通常各类产品会集成GPS***，可以提供大约10米定位精度服务。

但是，GPS模块和北斗模块的功耗很大，大约160mW，在智能终端中仅次于屏幕和3G通信模块。实验显示，智能手机仅能提供连续5-6小时的GPS定位服务，最新推出的智能手表只能提供2-3小时左右的GPS定位服务，很难满足用户长时间定位需求。

因此，针对上述技术问题，有必要提供一种基于运动状态感知的低功耗定位方法及***。

发明内容

有鉴于此，本发明的一种基于运动状态感知的低功耗定位方法及***主要是解决实际GPS定位过程的功耗问题，通过引入一个加速度传感器来提供低功耗定位服务。具体地说，加速度传感器可以实时捕捉用户运动引起的XYZ三个方向的振动变化，通过大量样本训练和机器学习方法计算出用户运动状态和位置变化，提供包含一定定位误差的低功耗位置服务，当定位误差超过某个门限阈值时，则打开GPS完成一次精确定位。

为了达到上述目的，本发明实施例提供的技术方案如下：

一种基于运动状态感知的低功耗定位方法，所述方法包括：

S1、离线训练；

S11、标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据；

S12、用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

S2、在线定位；

S21、用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

S22、用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

S23、机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，返回步骤S21开始在线定位；若否，则直接返回步骤S21开始在线定位。

作为本发明的进一步改进，所述步骤S11中的标准运动状态包括走路、跑步、静止；所述步骤S22中的运动状态包括走路、跑步、静止。

作为本发明的进一步改进，所述步骤S11和步骤S21还包括：

去除加速度数据中由于外部噪声引入的数据波动，得到平滑变化的加速度数据。

作为本发明的进一步改进，所述步骤S11和步骤S21还包括：

使用低通滤波器去除高频噪声，得到平滑变化的加速度数据。

作为本发明的进一步改进，所述步骤S12中的特征向量包括：一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量。

作为本发明的进一步改进，所述步骤个S12中的特征向量通过SVM方法进行分类，得到运动状态与加速度数据波形的对应关系，建立SVM模型。

作为本发明的进一步改进，所述步骤S22具体为：

对当前采集的加速度数据进行特征向量提取，特征向量包括一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量；

采用离线训练建立好的SVM模型，计算出用户的运动状态；

对加速度数据进行二次积分，得到一段时间内的位移变化

用卡尔曼滤波方法得到位移累计误差e(t)，e(t)＝Kalman(a'(t),s(t))。

相应地，一种基于运动状态感知的低功耗定位***，所述***包括：

离线训练模块，用于：

标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据；

用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

在线定位模块，用于：

用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，开始在线定位；若否，则直接开始在线定位。

本发明具有以下有益效果：

使用低功耗的加速度传感器来完成大部分定位，可以降低整体定位功耗；

加速度传感器离线学习各种不同运动状态，在线定位主要使用加速度来做位置计算，很少使用GPS模块；

可以根据实际定位要求，选用不同的累计误差门限阈值，进而满足不同定位需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明的一种基于运动状态感知的低功耗定位方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都应当属于本发明保护的范围。

参图1所示，本发明公开了一种基于运动状态感知的低功耗定位方法，包括：

S1、离线训练；

S11、标准数据采集，通过加速度传感器采集各个标准运动状态(包括走路、跑步、静止等)下对应的加速度数据；

S12、用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

S2、在线定位；

S21、用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

S22、用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态(包括走路、跑步、静止等)，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

S23、机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，返回步骤S21开始在线定位；若否，则直接返回步骤S21开始在线定位。

相应地，一种基于运动状态感知的低功耗定位***，该***包括：

离线训练模块，用于：

标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据；

用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

在线定位模块，用于：

用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，开始在线定位；若否，则直接开始在线定位。

本发明主要用于解决移动终端GPS定位的功耗问题，引入加速度传感器和一系列新的定位算法，可以提供连续的高精度定位。在实际定位算法，加速度可以感知用户XYZ三个方向的运动情况，先通过离线训练的大量样本训练和机器学习方法，建立加速度数据和运动状态之间对应关系。在实时定位中，采集加速度传感器来直接计算出运动状态和位移变化，只要在位移误差较大时，才需要一次GPS定位。

在本发明的一具体是实力中，详细的离线训练和在线定位过程如下：

S1、离线训练

S11、标准数据采集：

将加速度传感器绑定在测试人员身体上，Z轴竖直向下，X轴沿着前进方向，Y轴沿着横向、并与X轴垂直。测试人员完成标准的走路、跑步、静止等状态，加速度传感器连续捕捉若干段加速度数据，假设XYZ三个方向加速度分别为：a(t)＝[x(t) y(t) z(t)]。

由于原始加速度数据包含大量高频噪声，分别使用低通滤波器f(t)去除高频噪声，得到平滑变化的加速度数据，即a'(t)＝a(t)*f(t)。

S12、用户运动状态学习：

由于不同运动状态的加速度波形不同，需要提取一些来表征不同状态的特征向量，包括一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、傅立叶能量等。

即：v(t)＝[min(a(t)) max(a(t)) median(a(t)) mean(a(t)) var(a(t)) fft(a(t))]。

然后使用SVM方法进行分类，得到运动状态与加速度数据波形的对应关系。

S2、在线定位

S21、用户运动数据的采集和处理：

通过一个加速度传感器实时采集用户运动(如走路、跑步等)引起的XYZ三个方向的微弱振动情况，其加速度数据为：a(t)＝[x(t) y(t) z(t)]。

对一段时间内的加速度数据分析，用低通滤波器f(t)去除外部高频噪声引入的数据波动，得到一段较为平滑变化的加速度数据，即a'(t)＝a(t)*f(t)。

S22、用户运动状态分析和位移分析：

对用户当前采集的加速度数据进行特征向量提取，包括一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、傅立叶能量等：

v(t)＝[min(a(t)) max(a(t)) median(a(t)) mean(a(t)) var(a(t)) fft(a(t))]。

用离线训练建立好的SVM模型，计算出用户的运动状态(如走路，跑步、静止等)。

然后，对加速度数据进行二次积分，得到一段时间内的位移变化s(t)：

$s\left(t\right)=\underset{t}{\∫\∫}{a}^{\′}\left(t\right);$

最后，用卡尔曼滤波方法得到位移累计误差e(t)：

e(t)＝Kalman(a'(t),s(t))。

S23、机会式GPS定位：

如果位移累计误差e(t)小于设定的门限阈值T，则跳转到步骤S21，开始下次的在线定位；

如果位移累计误差e(t)大于或等于设定的门限阈值T，则打开一次GPS，得到一个较为精确的定位位置，然后重启加速度传感器，跳转到步骤S21，重新开始一次在线定位过程，即：

Ife(t)<T，gotoS21；

Else，openGPS,gotoS21。

由以上实施方式可以看出，本发明具有以下有益效果：

使用低功耗的加速度传感器来完成大部分定位，可以降低整体定位功耗；

加速度传感器离线学习各种不同运动状态，在线定位主要使用加速度来做位置计算，很少使用GPS模块；

可以根据实际定位要求，选用不同的累计误差门限阈值，进而满足不同定位需求。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于运动状态感知的低功耗定位方法，其特征在于，所述方法包括：

S1、离线训练；

S11、标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据；

S12、用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

S2、在线定位；

S21、用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

S22、用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

S23、机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，返回步骤S21开始在线定位；若否，则直接返回步骤S21开始在线定位。

2.根据权利要求1所述的方法，其特征在于，所述步骤S11中的标准运动状态包括走路、跑步、静止；所述步骤S22中的运动状态包括走路、跑步、静止。

3.根据权利要求1所述的方法，其特征在于，所述步骤S11和步骤S21还包括：

去除加速度数据中由于外部噪声引入的数据波动，得到平滑变化的加速度数据。

4.根据权利要求3所述的方法，其特征在于，所述步骤S11和步骤S21还包括：

使用低通滤波器去除高频噪声，得到平滑变化的加速度数据。

5.根据权利要求1所述的方法，其特征在于，所述步骤S12中的特征向量包括：一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量。

6.根据权利要求5所述的方法，其特征在于，所述步骤个S12中的特征向量通过SVM方法进行分类，得到运动状态与加速度数据波形的对应关系，建立SVM模型。

7.根据权利要求6所述的方法，其特征在于，所述步骤S22具体为：

对当前采集的加速度数据进行特征向量提取，特征向量包括一段时间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量；

采用离线训练建立好的SVM模型，计算出用户的运动状态；

对加速度数据进行二次积分，得到一段时间内的位移变化s(t)，

用卡尔曼滤波方法得到位移累计误差e(t)，e(t)＝Kalman(a'(t),s(t))。

8.一种如权利要求1所述的基于运动状态感知的低功耗定位***，其特征在于，所述***包括：

离线训练模块，用于：

标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据；

用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；

在线定位模块，用于：

用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数据；

用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变化、及位移累计误差。

机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进行定位，并重启加速度传感器，开始在线定位；若否，则直接开始在线定位。