CN107635204B - 一种运动行为辅助的室内融合定位方法及装置、存储介质 - Google Patents

一种运动行为辅助的室内融合定位方法及装置、存储介质 Download PDF

Info

Publication number
CN107635204B
CN107635204B CN201710891775.6A CN201710891775A CN107635204B CN 107635204 B CN107635204 B CN 107635204B CN 201710891775 A CN201710891775 A CN 201710891775A CN 107635204 B CN107635204 B CN 107635204B
Authority
CN
China
Prior art keywords
data
pedestrian
indoor
positioning
formula
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
CN201710891775.6A
Other languages
English (en)
Other versions
CN107635204A (zh
Inventor
周宝定
李清泉
朱家松
涂伟
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.)
Shenzhen Zhiyuan space Innovation Technology Co.,Ltd.
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201710891775.6A priority Critical patent/CN107635204B/zh
Priority to PCT/CN2018/072114 priority patent/WO2019061949A1/zh
Publication of CN107635204A publication Critical patent/CN107635204A/zh
Application granted granted Critical
Publication of CN107635204B publication Critical patent/CN107635204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
    • G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
    • 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
    • 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
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种运动行为辅助的室内融合定位方法及装置、存储介质，其中，所述方法包括：基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能手机接收到的无线信号数据；对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置。本发明构建的多源数据融合模型在运动行为识别的技术上融合多源观测数据，降低了对单模数据的依赖程度，提高了基于智能终端室内定位的精度。

Description

一种运动行为辅助的室内融合定位方法及装置、存储介质
技术领域
本发明涉及室内定位领域，尤其涉及一种运动行为辅助的室内融合定位方法及装置、存储介质。
背景技术
近年来，室内定位成为位置服务领域的一大研究热点。基于智能手机实现室内定位无需用户携带额外设备，有利于室内定位技术的推广和普及。
智能手机内置多种传感器获取的多源数据均可用于室内定位。然而，受价格成本的约束，目前智能手机内置传感器的精度均不高，依靠单一传感器的定位方法(Wifi定位、惯性定位、蓝牙定位等)精度较差，无法满足室内定位的需求。随着智能手机内置传感器功能的日益增强，通过智能手机多传感器采集的数据可以识别行人的行为，通过运动行为识别可以推算相对运动轨迹以及关联智能手机获取的时序多源观测数据。另外，行人在室内环境中的行为包含了丰富的情景信息，受室内建筑结构的约束，行人在室内特殊位置会呈现不同的运动状态，产生与位置相关的行为，例如在乘电梯时会出现超重和失重状态。
室内场景复杂多样，具有不同的拓扑结构，且可能布设不同的室内定位信号源(WiFi路由器等)，具有不同的地磁场分布；智能手机用户具有不同的身体特征(身高、步长等)；不同的智能手机使用模式下(手持、打电话、摆动、口袋等)，手机处于不同的姿态，使得手机坐标系与行人坐标系存在航向偏差；智能手机设备多种多样，受硬件条件的影响，基于智能手机接收到的WiFi与地磁信号强度与设备相关。以上因素要求基于智能手机的多源数据融合室内定位方法具有很强的自适应性，需要适应不同信号环境的室内场景、不同用户、不同使用模式以及不同型号的手机设备。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种运动行为辅助的室内融合定位方法及装置、存储介质，旨在解决现有室内定位方法定位不准确的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种运动行为辅助的室内融合定位方法，其中，包括步骤：
A、基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能终端接收到的无线信号数据；
B、对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
C、根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置。
所述运动行为辅助的室内融合定位方法，其中，所述无线信号数据包括Wifi信号数据和地磁信号数据。
所述运动行为辅助的室内融合定位方法，其中，所述步骤B具体包括：
B1、结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
B2、计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
B3、计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
B4、采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure BDA0001421337150000031
其中，Sk表示k时刻行人的室内位置，
Figure BDA0001421337150000032
表示k时刻的第n种多源观测数据，
Figure BDA0001421337150000033
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure BDA0001421337150000034
的权值参数；
B5、根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure BDA0001421337150000035
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
所述运动行为辅助的室内融合定位方法，其中，所述步骤C具体包括：
根据所述多源数据融合模型公式以及转移概率公式获得推算行人当前所处位置的公式：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
所述运动行为辅助的室内融合定位方法，其中，所述智能终端包括智能手机、智能平板、智能手环或智能手表。
一种运动行为辅助的室内融合定位装置，其中，包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能手机接收到的无线信号数据；
对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置。
所述在线目标空间划分装置，其中，所述无线信号数据包括Wifi信号数据和地磁信号数据。
所述在线目标空间划分装置，其中，对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式的步骤具体包括：
结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure BDA0001421337150000051
其中，Sk表示k时刻行人的室内位置，
Figure BDA0001421337150000052
表示k时刻的第n种多源观测数据，
Figure BDA0001421337150000053
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure BDA0001421337150000054
的权值参数；
根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure BDA0001421337150000055
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
所述在线目标空间划分装置，其中，根据所述多源数据融合模型公式以及转移概率公式获得推算行人当前所处位置的公式：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
一种存储介质，其中，存储有多条指令，所述指令适于由处理器加载并执行上述任一项所述运动行为辅助的室内融合定位方法的步骤。
有益效果：本发明提供的一种运动行为辅助的室内融合定位方法，通过研究智能终端在多使用模式下的运动行为识别，获取行人的运动轨迹数据以及智能终端接收到的无线信号数据，基于所述运动轨迹数据以及无线信号数据构建面向室内定位的多源数据融合模型，所述模型在运动行为识别的技术上融合多源观测数据，降低了对单模数据的依赖程度，提高了基于智能终端室内定位的精度。
附图说明
图1为本发明一种运动型为辅助的室内融合定位方法较佳实施例的流程图。
图2为本发明一种面向室内定位的多源数据融合模型构建示意图。
图3为本发明一种运动型为辅助的室内融合定位装置较佳实施例的结构框图。
具体实施方式
本发明提供一种运动行为辅助的室内融合定位方法及装置、存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，图1是本发明提供的一种运动行为辅助的室内融合定位方法较佳实施例的流程图。如图1所示，其中，包括以下步骤：
S10、基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能终端接收到的无线信号数据；
S20、对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
S30、根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置。
本实施中，首先，分析智能终端在不同使用模式下，不同行为产生的传感器信号，提取不同使用模式下各个行为的特征；其中，智能终端的使用模式包括手持模式、打电话模式、摆动模式以及口袋模式等，所述传感器包括加速度传感器、角速度传感器、气压传感器等；通过大量的样本训练得到分类器参数，最后基于行为特征，采用机器学习方法实现行为分类，位置行为用于行为地图匹配，行走行为用于推算运动轨迹。
具体来说，运动轨迹数据是通过行人航位推算的方法获得的，行人航位推算有三部分组成：步子检测、步长估计和航向估计，其中步子检测和步长估计用于行走距离估算。行人在行走过程中产生的加速度信号具有周期性特征，本发明采用峰值检测算法实现步子检测。步长估计采用步频步长模型，同时考虑行人的身高因素：lt＝h(αft+β)，其中lt为步长估计值，h为用户身高，ft为步频，(α,β)为未知参数，不同用户具有不同的步长参数，初始定位时使用经验值，之后通过模型参数自适应学习方法实时调整。
进一步地，由于不同使用模式下，智能终端处于不同的姿态，使得智能终端坐标系与行人坐标系之间存在航向偏差，初始定位时使用经验值设置航向偏差，之后通过模型参数自适应学习方法，实时调整航向偏差。航向变化通过磁力计和陀螺仪的数据计算，其中磁力计输出航向角，陀螺仪输出角速度的变化值。为了提高航向估计的精确度，拟采用卡尔曼滤波方法融合磁力计和陀螺仪的数据。
更进一步地，在本发明中，所述步骤S20、对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式，具体包括：
S21、结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
S22、计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
S23、计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
S24、采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure BDA0001421337150000081
其中，Sk表示k时刻行人的室内位置，
Figure BDA0001421337150000082
表示k时刻的第n种多源观测数据，
Figure BDA0001421337150000083
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure BDA0001421337150000084
的权值参数；
S25、根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure BDA0001421337150000091
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
示例性地，所述基于多使用模式下的运动行为识别可以获得行人的运动轨迹数据，并且通过智能终端还可以接收用户室内定位的无线信号数据，所述无线信号数据包括Wifi信号数据和地磁信号数据。
具体来说，行人的运动行为可以描述成一个隐马尔科夫过程，采用隐马尔科夫因子图对观测因子进行参数化表达，构建各观测数据的特征函数。在本发明中，观测因子包括运动轨迹数据、Wifi定位和地磁定位。
将室内地图进行建模，得到室内地图的“点线”模型，即室内地图模型，其中“点”为可能发生特殊行为的位置，例如，转角、电梯、楼梯等，“线”为连接“点”之间的边。如图2所示，结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数，表示为
Figure BDA0001421337150000092
Wifi定位基于位置指纹法实现，即通过接收的Wifi信号数据估计行人处于当前位置的概率，首先计算Wifi信号强度与位置指纹数据库中各个位置信号强度之间的欧氏距离，然后通过欧氏距离的倒数归一化得到Wifi定位的特征函数，表示为
Figure BDA0001421337150000093
类似于Wifi定位，地磁定位通过计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数，表示为
Figure BDA0001421337150000094
在单模观测数据特征函数基础上，采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到最初多源数据融合模型公式
Figure BDA0001421337150000101
然后根据贝叶斯原理P(Zk|Sk)＝P(Sk|Zk)·P(Zk)/P(Sk)，得到最终的多源数据融合模型公式为
Figure BDA0001421337150000102
其中，S0,S1,...,Sk分别表示行人0,1,…,k时刻的室内位置；
Figure BDA0001421337150000103
Figure BDA0001421337150000104
分别表示k时刻的n种多源观测数据；
Figure BDA0001421337150000105
表示k时刻在Sk位置观测到第n种观测数据的概率，通过该观测数据的特征函数计算得到。
基于多源观测数据，根据所述多源数据融合模型公式计算行人处于每个位置的概率P(Sk|Zk)，然后通过运动行为识别推算运动轨迹，得到行人在连续位置之间的转移概率P(Sk|Sk-1)，由于行人航位推算的观测结果包括距离观测和角度观测两部分，两者相互独立且可以通过正态高斯分布描述，所述状态转移概率公式为
Figure BDA0001421337150000106
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
进一步地，本发明所述步骤S30、根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置，具体包括：
室内定位的过程即在多源数据融合模型得到的特征函数和行人行为推算得到的状态转移概率基础上，推算行人当前所处的位置。具体来说，先根据观测数据估计行人的初始位置S0，然后根据特征函数计算其概率P(S0)，最后，根据状态转移概率公式推算行人的下一个位置，位置推理公式为：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
更进一步地，由于观测数据存在误差，通过单一时刻的观测数据无法得到精确的初始位置。位置初始化时，根据多组初始位置及其概率，之后基于多组初始位置推理行人轨迹，计算每条轨迹的概率，以后验概率最大的状态为当前的估计结果。在位置推理过程中，首先使用经验模型参数，之后基于定位过程中产生的运动轨迹及观测数据，采用自适应参数学习方法，得到实时动态的模型参数。
具体来说，在基于单模感知结果得到特征函数时，由于各个感知结果都包含着多个观测模型参数，包括智能终端坐标系和行人坐标系的航向偏差、Wifi和地磁观测误差、步长估计误差，另外，所构建多源数据融合模型中的单个特征函数的权值参数λi也是模型数据之一。这些模型参数很难通过人工进行调整，因为它们与智能终端使用模式、设备、用户以及环境均有关系，因此无法使用统一的模型参数，需要自适应调整。
多源数据融合模型的参数自适应学习方法如下所示：首先基于室内地图建模得到的“点－线”模型和运动行为识别得到的位置行为和位置行为之间的相对轨迹，采用行为地图匹配的方法推算用户的历史轨迹，以此作为参数学习的参考轨迹。由于室内环境中有且仅有一条轨迹与智能终端观测的多源数据得到的轨迹相匹配，只有模型参数适应当前环境、用户、使用模式和设备时，该轨迹和室内匹配的概率最大。
基于这样的前提，模型参数学习问题变成了数据优化问题，假设历史观测数据得到的轨迹为Z，通过行为地图匹配得到的轨迹为Y，模型参数为X*，则构建目标方程为：X*＝argmaxln(p(Y|Z))，优化问题的原理是只有当模型参数与真实值相同时，基于观测数据得到的匹配轨迹的概率最大。优化问题的求解采用最大期望(Expectation Maximization,EM)算法实现。EM算法是一种启发式的迭代算法，可以用于实现对含有隐变量模型参数的极大似然估计，采用迭代逼近的方式求解模型内部参数。
较佳地，在本发明中，所述智能终端包括智能手机、智能平板、智能手环或智能手表等，但不限于此。
基于上述方法，本发明还提供了一种运动行为辅助的室内融合定位装置，如图3所示，其中，包括处理器10，适于实现各指令；以及
存储设备20，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能手机接收到的无线信号数据；
对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置。
所述在线目标空间划分装置，其中，所述无线信号数据包括Wifi信号数据和地磁信号数据。
所述在线目标空间划分装置，其中，对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式的步骤具体包括：
结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure BDA0001421337150000131
其中，Sk表示k时刻行人的室内位置，
Figure BDA0001421337150000132
表示k时刻的第n种多源观测数据，
Figure BDA0001421337150000133
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure BDA0001421337150000134
的权值参数；
根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure BDA0001421337150000135
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
所述在线目标空间划分装置，其中，根据所述多源数据融合模型公式以及转移概率公式获得推算行人当前所处位置的公式：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
进一步地，本发明还提供一种存储介质，其中，存储有多条指令，所述指令适于由处理器加载并执行上述任一项所述运动行为辅助的室内融合定位方法的步骤。
综上所述，本发明提供的一种运动行为辅助的室内融合定位方法，通过研究智能终端在多使用模式下的运动行为识别，获取行人的运动轨迹数据以及智能终端接收到的无线信号数据，基于所述运动轨迹数据以及无线信号数据构建面向室内定位的多源数据融合模型。所述模型在运动行为识别的技术上融合多源观测数据，降低了对单模数据的依赖程度，提高了基于智能终端室内定位的精度；同时，本发明结合行为地图匹配推算的历史运动轨迹实现了多源数据融合模型的自适应模型参数自适应学习，可以实现自适应模型参数调整，增加了室内算法对场景、用户、使用模式以及手机设备的适应性。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种运动行为辅助的室内融合定位方法，其特征在于，包括步骤：
A、基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能手机接收到的无线信号数据；
B、对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
C、根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置；
所述步骤B具体包括：
B1、结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
B2、计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
B3、计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
B4、采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure FDA0002496510810000011
其中，Sk表示k时刻行人的室内位置，
Figure FDA0002496510810000012
表示k时刻的第n种多源观测数据，
Figure FDA0002496510810000013
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure FDA0002496510810000014
的权值参数；
B5、根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure FDA0002496510810000015
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
2.根据权利要求1所述运动行为辅助的室内融合定位方法，其特征在于，所述无线信号数据包括Wifi信号数据和地磁信号数据。
3.根据权利要求1所述运动行为辅助的室内融合定位方法，其特征在于，所述步骤C具体包括：
根据所述多源数据融合模型公式以及转移概率公式获得推算行人当前所处位置的公式：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
4.根据权利要求1所述运动行为辅助的室内融合定位方法，其特征在于，所述智能终端包括智能手机、智能平板、智能手环或智能手表。
5.一种运动行为辅助的室内融合定位装置，其特征在于，包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
基于智能终端在多使用模式下的运动行为获取行人的运动轨迹数据以及智能手机接收到的无线信号数据；
对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式；
根据所述多源数据融合模型以及转移概率公式推算行人当前所处位置；
对所述运动轨迹数据以及无线信号数据进行参数化表达，构建多源数据融合模型并获得行人在连续位置之间的转移概率公式的步骤具体包括：
结合运动轨迹数据与室内地图模型计算得到行为识别的特征函数；
计算Wifi信号数据与位置指纹数据库中各个位置信号强度之间的欧式距离，通过欧氏距离的倒数归一化得到Wifi定位的特征函数；
计算地磁信号数据与地磁数据库中各个位置信号强度之间的欧式距离，通过欧式距离的倒数归一化得到地磁定位的特征函数；
采用条件随机场模型融合所述行为识别特征函数、Wifi定位特征函数以及地磁定位特征函数得到多源数据融合模型公式
Figure FDA0002496510810000031
其中，Sk表示k时刻行人的室内位置，
Figure FDA0002496510810000032
表示k时刻的第n种多源观测数据，
Figure FDA0002496510810000033
表示k时刻在Sk位置观测到第n种观测数据的概率，λi为特征函数
Figure FDA0002496510810000034
的权值参数；
根据运动轨迹数据获得行人在连续位置之间的转移概率
Figure FDA0002496510810000035
其中，d表示观测距离，θ表示观测距离，σd和σθ分别为方向和距离估计的标准差。
6.根据权利要求5所述运动行为辅助的室内融合定位装置，其特征在于，所述无线信号数据包括Wifi信号数据和地磁信号数据。
7.根据权利要求5所述运动行为辅助的室内融合定位装置，其特征在于，根据所述多源数据融合模型公式以及转移概率公式获得推算行人当前所处位置的公式：P(Sk)＝P(Sk-1)·P(Sk|Sk-1)·P(Sk|Zk)，其中，P(Sk|Zk)表示基于观测数据经过多源数据融合模型公式计算出的当前状态的归一化概率值。
8.一种存储介质，其特征在于，其中存储有多条指令，所述指令适于由处理器加载并执行权利要求1-4任一项所述运动行为辅助的室内融合定位方法的步骤。
CN201710891775.6A 2017-09-27 2017-09-27 一种运动行为辅助的室内融合定位方法及装置、存储介质 Active CN107635204B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710891775.6A CN107635204B (zh) 2017-09-27 2017-09-27 一种运动行为辅助的室内融合定位方法及装置、存储介质
PCT/CN2018/072114 WO2019061949A1 (zh) 2017-09-27 2018-01-10 一种运动行为辅助的室内融合定位方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710891775.6A CN107635204B (zh) 2017-09-27 2017-09-27 一种运动行为辅助的室内融合定位方法及装置、存储介质

Publications (2)

Publication Number Publication Date
CN107635204A CN107635204A (zh) 2018-01-26
CN107635204B true CN107635204B (zh) 2020-07-28

Family

ID=61104098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710891775.6A Active CN107635204B (zh) 2017-09-27 2017-09-27 一种运动行为辅助的室内融合定位方法及装置、存储介质

Country Status (2)

Country Link
CN (1) CN107635204B (zh)
WO (1) WO2019061949A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108322889A (zh) * 2018-02-01 2018-07-24 深圳市交投科技有限公司 一种多源数据融合室内定位的方法、存储介质及智能终端
CN108362289B (zh) * 2018-02-08 2020-12-08 浙江大学城市学院 一种基于多传感器融合的移动智能终端pdr定位方法
CN108426582B (zh) * 2018-03-03 2021-07-30 北京工业大学 行人室内三维地图匹配方法
CN109218983B (zh) * 2018-06-28 2020-09-18 中国人民解放军国防科技大学 一种定位方法及定位***
CN109029429B (zh) * 2018-09-04 2022-02-11 电子科技大学 基于WiFi和地磁指纹的多分类器全局动态融合定位方法
CN111561921B (zh) * 2019-02-14 2022-05-10 华为技术有限公司 定位方法及装置
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***
CN109945865B (zh) * 2019-02-25 2023-02-28 天津大学 基于WiFi与地磁融合的室内定位方法
CN110082716B (zh) * 2019-04-29 2023-07-11 徐州医科大学 一种医院复杂环境室内定位***及定位方法
CN110619662B (zh) * 2019-05-23 2023-01-03 深圳大学 一种基于单目视觉的多行人目标空间连续定位方法及***
CN110322067A (zh) * 2019-07-03 2019-10-11 中山大学 基于因子图模型的移动用户位置预测方法
CN111025269B (zh) * 2019-12-19 2022-11-15 哈尔滨工程大学 一种水下机器人传感器安装偏差估计方法
US11009583B1 (en) 2019-12-23 2021-05-18 At&T Intellectual Property I, L.P. Refining and selecting timing data to increase accuracy of timing-based location for user equipment
US11743678B2 (en) * 2020-08-24 2023-08-29 The Hong Kong University Of Science And Technology Generic signal fusion framework for multi-modal localization
CN113358117B (zh) * 2021-03-09 2023-05-26 北京工业大学 一种利用地图的视觉惯性室内定位方法
CN113114850B (zh) * 2021-03-18 2021-09-21 电子科技大学 一种基于监控视频和pdr在线融合定位方法
CN112985392B (zh) * 2021-04-19 2021-07-30 中国人民解放军国防科技大学 基于图优化框架的行人惯性导航方法和装置
CN114048333B (zh) * 2021-11-05 2024-06-04 深圳职业技术学院 一种多源融合语音交互式室内定位方法、终端及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105910601A (zh) * 2016-05-31 2016-08-31 天津大学 一种基于隐马尔科夫模型的室内地磁定位方法
CN106054125A (zh) * 2016-05-05 2016-10-26 南京邮电大学 一种基于线性链条件随机场的融合室内定位方法
CN106123897A (zh) * 2016-06-14 2016-11-16 中山大学 基于多特征的室内融合定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101730269B1 (ko) * 2015-12-09 2017-04-27 성균관대학교산학협력단 실내 디바이스 위치를 추정하는 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106054125A (zh) * 2016-05-05 2016-10-26 南京邮电大学 一种基于线性链条件随机场的融合室内定位方法
CN105910601A (zh) * 2016-05-31 2016-08-31 天津大学 一种基于隐马尔科夫模型的室内地磁定位方法
CN106123897A (zh) * 2016-06-14 2016-11-16 中山大学 基于多特征的室内融合定位方法

Also Published As

Publication number Publication date
WO2019061949A1 (zh) 2019-04-04
CN107635204A (zh) 2018-01-26

Similar Documents

Publication Publication Date Title
CN107635204B (zh) 一种运动行为辅助的室内融合定位方法及装置、存储介质
Gu et al. Accurate step length estimation for pedestrian dead reckoning localization using stacked autoencoders
Liu et al. Collaborative SLAM based on WiFi fingerprint similarity and motion information
CN108632761B (zh) 一种基于粒子滤波算法的室内定位方法
CN106714110B (zh) 一种Wi-Fi位置指纹地图自动构建方法及***
Chen et al. A data-driven inertial navigation/Bluetooth fusion algorithm for indoor localization
Ferris et al. Wifi-slam using gaussian process latent variable models.
WO2018018994A1 (zh) 室内定位方法及定位***
WO2012035707A1 (ja) 地図生成装置、地図生成方法、移動体の移動方法、及びロボット装置
CN111595344B (zh) 一种基于地图信息辅助的多姿态下行人行位推算方法
Wang et al. Personalized stride-length estimation based on active online learning
Wu et al. Indoor positioning based on walking-surveyed Wi-Fi fingerprint and corner reference trajectory-geomagnetic database
WO2016016731A2 (en) Method and apparatus for categorizing device use case
Sun et al. Indoor localization using mind evolutionary algorithm-based geomagnetic positioning and smartphone IMU sensors
CN106028450B (zh) 室内定位方法及设备
Ding et al. OGI-SLAM2: A hybrid map SLAM framework grounded in inertial-based SLAM
Yu et al. Neural networks-based Wi-Fi/PDR indoor navigation fusion methods
US10551195B2 (en) Portable device with improved sensor position change detection
He et al. WiFi based indoor localization with adaptive motion model using smartphone motion sensors
CA2894863A1 (en) Indoor localization using crowdsourced data
CN108322889A (zh) 一种多源数据融合室内定位的方法、存储介质及智能终端
CN108051001A (zh) 一种机器人移动控制方法、***及惯性传感控制装置
TWI812053B (zh) 定位方法、電子設備及電腦可讀儲存媒體
CN113115214B (zh) 基于不可翻转定位标签的室内人体朝向识别***
Li et al. An enhanced transition model for unsupervised localization

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220208

Address after: 518000 301-l016, block 4, manjinghua Yiluan building, No. 230, Xixiang Avenue, Longteng community, Xixiang street, Bao'an District, Shenzhen, Guangdong

Patentee after: Shenzhen Zhiyuan space Innovation Technology Co.,Ltd.

Address before: 518060, Shenzhen University, 3688 Nanhai Avenue, Guangdong, Shenzhen, Nanshan District

Patentee before: SHENZHEN University