CN112923922B - 一种计步和确定行人的位置信息的方法、***及存储介质 - Google Patents

一种计步和确定行人的位置信息的方法、***及存储介质 Download PDF

Info

Publication number
CN112923922B
CN112923922B CN202110241308.5A CN202110241308A CN112923922B CN 112923922 B CN112923922 B CN 112923922B CN 202110241308 A CN202110241308 A CN 202110241308A CN 112923922 B CN112923922 B CN 112923922B
Authority
CN
China
Prior art keywords
data
output data
pedestrian
historical output
inertial sensor
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
CN202110241308.5A
Other languages
English (en)
Other versions
CN112923922A (zh
Inventor
史文中
包胜
余跃
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 Research Institute HKPU
Original Assignee
Shenzhen Research Institute HKPU
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 Research Institute HKPU filed Critical Shenzhen Research Institute HKPU
Priority to CN202110241308.5A priority Critical patent/CN112923922B/zh
Publication of CN112923922A publication Critical patent/CN112923922A/zh
Application granted granted Critical
Publication of CN112923922B publication Critical patent/CN112923922B/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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种计步和确定行人的位置信息的方法、***及存储介质，通过获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据。然后根据所述样本数据和所述真值数据生成步数模型。最后根据所述步数模型确定行人的总步数和行人的位置信息。解决了现有技术中行人航位推算算法采用比较惯性传感器的输出数据与经验阈值的方式进行计步，存在噪声干扰和自适应性不足的缺陷，导致推算出的位置信息不准确的问题。

Description

一种计步和确定行人的位置信息的方法、***及存储介质
技术领域
本发明涉及定位技术领域，尤其涉及的是一种计步和确定行人的位置信息的方法、***及存储介质。
背景技术
PDR(Pedestrian Dead Reckoning,行人航位推算)作为一种简单可靠的行人定位导航方式，其误差主要来源于三个方面，一个是步数的统计误差，另一个是步长的误差，最后一个是航向角的误差，其中步数的统计误差又对导航精度的影响最大。目前PDR算法中主要采用传统的计步方式，即通过比较加速度计或陀螺仪输出与经验阈值来进行计步，存在易受噪声干扰和自适应性不足等缺点。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种计步和确定行人的位置信息的方法、***及存储介质，旨在解决现有技术中行人航位推算算法采用比较惯性传感器的输出数据与经验阈值的方式进行计步，存在噪声干扰和自适应性不足的缺陷，导致推算出的位置信息不准确的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种计步和确定行人的位置信息的方法，其中，所述方法包括：
获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据；
根据所述样本数据和所述真值数据生成步数模型；
根据所述步数模型确定行人的总步数和行人的位置信息。
在一种实施方式中，所述获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据包括：
获取惯性传感器的历史输出数据以及所述惯性传感器的历史输出数据对应的时间信息，将所述惯性传感器的历史输出数据对应的时间信息作为第一时间信息；
获取计步器的历史输出数据以及所述计步器的历史输出数据对应的时间信息，将所述计步器的历史输出数据对应的时间信息作为第二时间信息；
对所述惯性传感器的历史输出数据进行数据重构操作，并将所述数据重构操作完毕以后得到的数据作为重构数据；
根据所述第一时间信息和所述第二时间信息对所述重构数据和所述计步器的历史输出数据进行对齐操作；
将所述对齐操作完毕以后得到的重构数据作为样本数据，并将所述对齐操作完毕以后得到的计步器的历史输出数据作为真值数据。
在一种实施方式中，所述对所述惯性传感器的历史输出数据进行数据重构操作，并将修改完毕以后得到的数据作为重构数据包括：
将所述惯性传感器的历史输出数据输入预设算法中；
当通过所述预设算法确定所述惯性传感器的历史输出数据的稳定性满足预设条件时，获取所述预设算法基于所述惯性传感器的历史输出数据生成的迟滞系数，并将所述迟滞系数作为时间步长数据；
根据所述时间步长数据对所述惯性传感器的历史输出数据的数据结构进行修改，并将修改完毕以后得到的数据作为重构数据。
在一种实施方式中，所述根据所述样本数据和所述真值数据生成步数模型包括：
将所述样本数据分为训练数据集合和测试数据集合；
根据所述训练数据集合和所述真值数据进行模型拟合得到初始步数模型；
根据所述测试数据集合和所述真值数据对所述初始步数模型的判断效果进行评估并生成反馈信息；
根据所述反馈信息对所述初始步数模型进行调整后得到步数模型。
在一种实施方式中，所述根据所述步数模型确定行人的总步数和行人的位置信息包括：
获取所述惯性传感器的输出数据，将所述惯性传感器的输出数据输入所述步数模型中，并获取所述步数模型基于所述惯性传感器的输出数据输出的判断值；
根据所述判断值得到行人的步数的检测信息；
根据所述行人的步数的检测信息统计行人的总步数；
获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息。
在一种实施方式中，所述根据所述判断值得到行人的步数的检测信息包括：
获取预设阈值，将所述判断值与预设阈值进行比较；
当所述判断值大于所述预设阈值时，确定行人的步数的检测信息为检测到步数；
当所述判断值小于或者等于所述预设阈值时，确定行人的步数的检测信息为未检测到步数。
在一种实施方式中，所述根据所述行人的步数的检测信息统计行人的总步数包括：
当确定行人的步数的检测信息为检测到步数时，将预设计数器的数值增加1；
获取所述预设计数器的数值，并将所述预设计数器的数值作为行人的总步数。
在一种实施方式中，所述获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息包括：
当确定行人的步数的检测信息为检测到步数时，获取航向信息；
获取前一时刻的行人的历史位置信息和行人的步长值；
将所述航向信息、所述历史位置信息和所述步长值输入预设的行人导航算法中，获取所述行人导航算法基于所述航向信息、所述历史位置信息和所述步长值输出的行人的位置信息。
第二方面，本发明实施例还提供一种计步和确定行人的位置信息的***，其中，所述***包括：
获取模块，用于获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据；
生成模块，用于根据所述样本数据和所述真值数据生成步数模型；
确定模块，用于根据所述步数模型确定行人的总步数和行人的位置信息。
第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述任一所述的一种计步和确定行人的位置信息的方法的步骤。
本发明的有益效果：本发明实施例通过对惯性传感器和计步器的历史输出数据进行深度学习，完成模型的拟合和训练过程，并得到能够进行准确计步的模型。通过该模型获取行人的步数信息并确定行人的位置信息。解决了现有技术中行人航位推算算法采用比较惯性传感器的输出数据与经验阈值的方式进行计步，存在噪声干扰和自适应性不足的缺陷，导致推算出的位置信息不准确的问题。
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是本发明实施例提供的一种计步和确定行人的位置信息的方法的流程示意图。
图2是本发明实施例提供的步数模型的训练过程和使用过程的参考图。
图3是本发明实施例提供的LSTM模型的内部结构参考图。
图4是本发明实施例提供的一种计步和确定行人的位置信息的***的内部模块连接图。
图5是本发明实施例提供的终端的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、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仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
随着城市的日新月异和商场等建筑物的构造越来越复杂，人们越来越依赖手机等导航***进行定位与导航，行人导航已经逐渐成为现代生活中不可或缺的一种技术，是导航研究的重点领域。目前许多定位技术都需要提前在建筑物周围或者建筑物内部部署大量的信标节点，而PDR(Pedestrian Dead Reckoning,行人航位推算)无需提前预装信标节点，只需要利用惯性传感器(如加速度传感器、陀螺仪、磁力计等)计算人的步长和方向，就可以推测出行人的踪迹，因而受到广泛应用。
具体地，PDR是一种相对定位算法，通过假设已知初始位置信息，推算下一时刻的位置信息，进而递推到后面每一时刻的位置信息。PDR计算过程中有两个关键因素，一个是行走位移，一个是航向角。其中，行走位移可以通过步数和步长来估算，方向角则可以通过惯性传感器中的航姿参考***提供或预设方向传感器来获得。因此PDR算法的误差主要来源于三个方面，一个是步数的统计误差，另一个是步长的误差，最后一个是航向角的误差。其中，步数的统计误差又对导航精度的影响最大。传统的计步方式主要通过比较加速度计或陀螺仪输出与经验阈值来判定，存在易受噪声干扰和自适应性不足等缺点。
针对现有技术的上述缺陷，本发明提供了一种计步和确定行人的位置信息的方法，通过对惯性传感器和计步器的历史输出数据进行深度学习，完成模型的拟合和训练过程，并得到能够进行准确计步的模型。通过该模型获取行人的步数信息并确定行人的位置信息。解决了现有技术中行人航位推算算法采用比较惯性传感器的输出数据与经验阈值的方式进行计步，存在噪声干扰和自适应性不足的缺陷，导致推算出的位置信息不准确的问题。
如图1所示，本实施例提供一种计步和确定行人的位置信息的方法，所述方法包括如下步骤：
步骤S100、获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据。
为了实现实时并准确地统计行人的步数和确定行人的位置信息，本实施例中需要用到深度学习技术。简单来说，深度学习技术是通过学习样本数据的内在规律和表示层次，使机器能够像人一样具有分析学习能力的一种技术。因此首先本实施例需要获取帮助机器进行深度学习的样本数据。具体地，本实施例需要获取惯性传感器的历史输出数据和计步器的历史输出数据，并根据这两种数据生成样本数据和所述真值数据，并通过所述样本数据和所述真值数据使模型进行深度学习，从而使模型得到惯性传感器的输出与行人产生步数之间的规律。在一种实现方式中，本实施例用到的惯性传感器可以包括加速度计和陀螺仪，可以理解的是本实施例并不对惯性传感器的具体类型进行限定。
在一种实现方式中，所述步骤S100具体包括如下步骤：
步骤S110、获取惯性传感器的历史输出数据以及所述惯性传感器的历史输出数据对应的时间信息，将所述惯性传感器的历史输出数据对应的时间信息作为第一时间信息；
步骤S120、获取计步器的历史输出数据以及所述计步器的历史输出数据对应的时间信息，将所述计步器的历史输出数据对应的时间信息作为第二时间信息；
步骤S130、对所述惯性传感器的历史输出数据进行数据重构操作，并将所述数据重构操作完毕以后得到的数据作为重构数据；
步骤S140、根据所述第一时间信息和所述第二时间信息对所述重构数据和所述计步器的历史输出数据进行对齐操作；
步骤S150、将所述对齐操作完毕以后得到的重构数据作为样本数据，并将所述对齐操作完毕以后得到的计步器的历史输出数据作为真值数据。
具体地，本实施例在获取到惯性传感器的历史输出数据以及计步器的历史输出数据以后，需要获取这两种数据各自附带的时间信息，当这两种数据缺失时间信息时，可以通过打时间戳的方式为数据补充时间信息。为了便于区分，本实施例将惯性传感器的历史输出数据对应的时间信息命名为第一时间信息，计步器的历史输出数据对应的时间信息命名为第二时间信息。由于本实施例需要将惯性传感器和计步器的历史输出数据一齐输入到深度学习模型中，因此还需要将这两种历史输出数据转换为深度学习模型可执行的数据格式，即需要对惯性传感器和计步器的历史输出数据进行预处理。具体地，本实施例首先需要对惯性传感器的历史输出数据进行数据重构操作。所述数据重构操作的过程具体为：将所述惯性传感器的历史输出数据输入预设算法中，通过该预设算法来判断所述惯性传感器的历史输出数据的稳定性。当所述惯性传感器的历史输出数据的稳定性达到预设要求时，将该预设算法基于该时间序列数据生成的迟滞系数作为时间步长数据，根据所述时间步长数据对所述惯性传感器的历史输出数据的数据结构进行修改，并将修改完毕以后得到的数据作为重构数据。
举例说明，本实施例主要采用ADF(Augmented Dickey-Fuller,增广迪基-福勒检验法)来确认惯性传感器的历史输出数据的稳定性，具体公式如下：
Figure BDA0002962291300000091
其中，Δ表示差分，yt是待检测的时间序列数据(即惯性传感器的历史输出数据)，t是时刻，α是常数，β是时间趋势系数，p是迟滞系数，εt是白噪声。ADF方法通过判断系数γ是否为0来判断是否存在单位根，进而根据单位根来判断时间序列数据的稳定性：若γ＝0，则不存在单位根，时间序列数据稳定。
当确定惯性传感器的历史输出数据稳定时，将迟滞系数作为时间步长数据，并根据所述时间步长数据对所述惯性传感器的历史输出数据的数据结构进行修改。具体地，本实施例需要根据所述迟滞系数p将所述惯性传感器的历史输出数据整理为p行6列的张量，得到重构数据。概括地讲，所述时间步长数据主要用于对所述惯性传感器的历史输出数据进行截取，在实际应用中，所述惯性传感器的历史输出数据通常是一个很长的时间序列，而时间步长的作用则是用于确定在这个很长的时间序列中需要截取多长的序列作为处理数据，例如时间序列长度为300，而时间步长为50，则表示需要在长度为300的时间序列中截取长度为50的部分作为处理数据。然后，再根据所述第一时间信息和所述第二时间信息对所述重构数据和所述计步器的历史输出数据进行对齐操作，并将对齐操作完毕以后得到重构数据作为样本数据，计步器的历史输出数据作为真值数据。
生成样本数据和真值数据以后，如图1所示，所述方法还包括如下步骤：
步骤S200、根据所述样本数据和所述真值数据生成步数模型。
如图2所示，本实施例中的步数模型是一种深度学习模型，可以通过对样本数据和所述真值数据进行学习不断优化模型的结构和参数，从而达到实时预测行人的步数的技术效果。在一种实现方式中，所述步数模型可以采用LSTM模型，LSTM模型是一种具有长短期记忆的RNN模型(Recurrent Neural Networks,循环神经网络模型)，LSTM模型的dropout层用来随机删除神经网络中的一些节点，dense层用来输出一维的张量信息。图3展示了LSTM模型的一种具体结构，假设惯性传感器为三维加速度计和陀螺仪，则LSTM模型的输入为50×6二维张量，其中50是时间步长，即上述求得的迟滞系数p，6是输入数据的维度，即三维加速度计和陀螺仪的输出的总维度。
在一种实现方式中，所述步骤S200具体包括如下步骤：
步骤S210、将所述样本数据分为训练数据集合和测试数据集合；
步骤S220、根据所述训练数据集合和所述真值数据进行模型拟合得到初始步数模型；
步骤S230、根据所述测试数据集合和所述真值数据对所述初始步数模型的判断效果进行评估并生成反馈信息；
步骤S240、根据所述反馈信息对所述初始步数模型进行调整后得到步数模型。
具体地，本实施例将样本数据分为两类，一类是训练数据集合中的数据，一类是测试数据集合中的数据，两类数据都有对应的真值数据。首先通过训练数据集合中的数据和其对应的真值数据进行模型拟合，得到初始步数模型。为了对模型进行优化，避免模型出现过拟合的情况，在拟合出初始步数模型以后，还需要根据测试数据集合中的数据和其对应的真值数据对初始步数模型的判断效果进行评估。在一种实现方式中，评估的标准可以采用P/R曲线，其中P代表准确率，即检测出的正确对象占检测出的总对象的比例；R代表召回率或者查全率，即检测出的对象占所有需要进行检测的对象的比例。当P和R越接近1时，说明初始步数模型的预测效果越好，反之则说明初始步数模型的预测效果越差，以此生成反馈信息，再根据反馈信息回到模型拟合的步骤中对初始步数模型进行调整，例如对初始步数模型的参数进行调整或者对初始步数模型的结构进行调整，从而得到最终的步数模型。在一种实现方式中，还可以通过改变时间步长的数值来对初始步数模型进行优化调整。此外，当惯性传感器的输出数据的不稳定时，也可以通过测试数据集合对初始步数模型的评估结果来调整时间步长。
得到训练完毕的步数模型以后，如图1所示，所述方法还包括如下步骤：
步骤S300、根据所述步数模型确定行人的总步数和行人的位置信息。
由于本实施例中的步数模型已经通过大量的惯性传感器和计步器的历史输出数据学习到了这些数据的分布式特征表示，因此将当前的惯性传感器的输出数据再输入该步数模型中时，步数模型即可根据当前的惯性传感器的输出数据判断行人是否产生新的步数，进而对行人的步数进行统计得到行人的总步数。此外，还可以将步数模型的输出与行人导航算法相结合来确定行人的当前位置。
在一种实现方式中，所述步骤S300具体包括如下步骤：
步骤S310、获取所述惯性传感器的输出数据，将所述惯性传感器的输出数据输入所述步数模型中，并获取所述步数模型基于所述惯性传感器的输出数据输出的判断值；
步骤S320、根据所述判断值得到行人的步数的检测信息；
步骤S330、根据所述行人的步数的检测信息统计行人的总步数；
步骤S340、获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息。
为了确定行人最新的步数信息，本实施例需要实时地获取惯性传感器的输出数据，并将惯性传感器的输出数据输入步数模型中，然后再获取步数模型基于该输入数据计算出的判断值，该判断值可以表示是否检测到行人新产生的步数，并生成行人的步数的检测信息。具体地，本实施例预先设定了一个阈值，当获取到步数模型输出的判断值以后，将所述判断值与所述阈值进行比较，当所述判断值大于所述预设阈值时，确定行人的步数的检测信息为检测到步数；当所述判断值小于或者等于所述预设阈值时，确定行人的步数的检测信息为未检测到步数。因此根据行人的步数的检测信息，即可以逐步统计出行人的总步数：本实施例预先设置了一个计数器，当确定行人的步数的检测信息为检测到步数时，将预设计数器的数值增加1，最后获取所述预设计数器的数值，则该数值即为行人的总步数。
此外，如图2所示，本实施例还可以获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息。具体地，当所述行人的步数的检测信息为检测到步数时，获取航向信息。在一种实现方式中，该航向信息可以通过惯性传感器的航姿参考***获得，本实施例不对获取航向信息的具体方式进行限定。然后再获取前一时刻的行人的历史位置信息和行人的步长值，将所述航向信息、所述历史位置信息和所述步长值输入预设的行人导航算法中，最后获取所述行人导航算法基于所述航向信息、所述历史位置信息和所述步长值输出的行人的位置信息。
举例说明，假设0时刻行人所在的位置为(0,0)，即初始位置，若k时刻(k≥1)根据步数模型输出的判断值判断检测到步数，则使用行人导航算法对k时刻的位置信息进行更新，具体下述公式如下：
Figure BDA0002962291300000131
其中，(xk-1,yk-1)为k-1时刻的x和y轴的二维位置信息，ψk为k时刻的航向信息(航向角)，dk为k时刻的步长(dk可以使用固定值，也可以使用自适应步长，若使用固定步长，可以使用通用的成年人步长，约为0.5m，也可以进行具体的测量)。
基于上述实施例，本发明还提供了一种计步和确定行人的位置信息的***，如图4所示，该***包括：
获取模块01，用于获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据；
生成模块02，用于根据所述样本数据和所述真值数据生成步数模型；
确定模块03，用于根据所述步数模型确定行人的总步数和行人的位置信息。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图5所示。该终端包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种计步和确定行人的位置信息的方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行一种计步和确定行人的位置信息的方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种计步和确定行人的位置信息的方法、***及存储介质，通过获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据。然后根据所述样本数据和所述真值数据生成步数模型。最后根据所述步数模型确定行人的总步数和行人的位置信息。解决了现有技术中行人航位推算算法采用比较惯性传感器的输出数据与经验阈值的方式进行计步，存在噪声干扰和自适应性不足的缺陷，导致推算出的位置信息不准确的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种计步和确定行人的位置信息的方法，其特征在于，所述方法包括：
获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据；
根据所述样本数据和所述真值数据生成步数模型；
根据所述步数模型确定行人的总步数和行人的位置信息；
所述获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据包括：
获取惯性传感器的历史输出数据以及所述惯性传感器的历史输出数据对应的时间信息，将所述惯性传感器的历史输出数据对应的时间信息作为第一时间信息；
获取计步器的历史输出数据以及所述计步器的历史输出数据对应的时间信息，将所述计步器的历史输出数据对应的时间信息作为第二时间信息；
对所述惯性传感器的历史输出数据进行数据重构操作，并将所述数据重构操作完毕以后得到的数据作为重构数据；
根据所述第一时间信息和所述第二时间信息对所述重构数据和所述计步器的历史输出数据进行对齐操作；
将所述对齐操作完毕以后得到的重构数据作为样本数据，并将所述对齐操作完毕以后得到的计步器的历史输出数据作为真值数据；
所述对所述惯性传感器的历史输出数据进行数据重构操作，并将修改完毕以后得到的数据作为重构数据包括：
将所述惯性传感器的历史输出数据输入预设算法中；
当通过所述预设算法确定所述惯性传感器的历史输出数据的稳定性满足预设条件时，获取所述预设算法基于所述惯性传感器的历史输出数据生成的迟滞系数，并将所述迟滞系数作为时间步长数据；
根据所述时间步长数据对所述惯性传感器的历史输出数据的数据结构进行修改，并将修改完毕以后得到的数据作为重构数据。
2.根据权利要求1所述的一种计步和确定行人的位置信息的方法，其特征在于，所述根据所述样本数据和所述真值数据生成步数模型包括：
将所述样本数据分为训练数据集合和测试数据集合；
根据所述训练数据集合和所述真值数据进行模型拟合得到初始步数模型；
根据所述测试数据集合和所述真值数据对所述初始步数模型的判断效果进行评估并生成反馈信息；
根据所述反馈信息对所述初始步数模型进行调整后得到步数模型。
3.根据权利要求1所述的一种计步和确定行人的位置信息的方法，其特征在于，所述根据所述步数模型确定行人的总步数和行人的位置信息包括：
获取所述惯性传感器的输出数据，将所述惯性传感器的输出数据输入所述步数模型中，并获取所述步数模型基于所述惯性传感器的输出数据输出的判断值；
根据所述判断值得到行人的步数的检测信息；
根据所述行人的步数的检测信息统计行人的总步数；
获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息。
4.根据权利要求3所述的一种计步和确定行人的位置信息的方法，其特征在于，所述根据所述判断值得到行人的步数的检测信息包括：
获取预设阈值，将所述判断值与预设阈值进行比较；
当所述判断值大于所述预设阈值时，确定行人的步数的检测信息为检测到步数；
当所述判断值小于或者等于所述预设阈值时，确定行人的步数的检测信息为未检测到步数。
5.根据权利要求4所述的一种计步和确定行人的位置信息的方法，其特征在于，所述根据所述行人的步数的检测信息统计行人的总步数包括：
当确定行人的步数的检测信息为检测到步数时，将预设计数器的数值增加1；
获取所述预设计数器的数值，并将所述预设计数器的数值作为行人的总步数。
6.根据权利要求4所述的一种计步和确定行人的位置信息的方法，其特征在于，所述获取航向信息，根据所述行人的步数的检测信息和所述航向信息确定行人的位置信息包括：
当确定行人的步数的检测信息为检测到步数时，获取航向信息；
获取前一时刻的行人的历史位置信息和行人的步长值；
将所述航向信息、所述历史位置信息和所述步长值输入预设的行人导航算法中，获取所述行人导航算法基于所述航向信息、所述历史位置信息和所述步长值输出的行人的位置信息。
7.一种计步和确定行人的位置信息的***，其特征在于，所述***包括：
获取模块，用于获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据；
所述获取惯性传感器的历史输出数据和计步器的历史输出数据，根据所述惯性传感器的历史输出数据生成样本数据，并根据所述计步器的历史输出数据生成真值数据包括：
获取惯性传感器的历史输出数据以及所述惯性传感器的历史输出数据对应的时间信息，将所述惯性传感器的历史输出数据对应的时间信息作为第一时间信息；
获取计步器的历史输出数据以及所述计步器的历史输出数据对应的时间信息，将所述计步器的历史输出数据对应的时间信息作为第二时间信息；
对所述惯性传感器的历史输出数据进行数据重构操作，并将所述数据重构操作完毕以后得到的数据作为重构数据；
根据所述第一时间信息和所述第二时间信息对所述重构数据和所述计步器的历史输出数据进行对齐操作；
将所述对齐操作完毕以后得到的重构数据作为样本数据，并将所述对齐操作完毕以后得到的计步器的历史输出数据作为真值数据；
所述对所述惯性传感器的历史输出数据进行数据重构操作，并将修改完毕以后得到的数据作为重构数据包括：
将所述惯性传感器的历史输出数据输入预设算法中；
当通过所述预设算法确定所述惯性传感器的历史输出数据的稳定性满足预设条件时，获取所述预设算法基于所述惯性传感器的历史输出数据生成的迟滞系数，并将所述迟滞系数作为时间步长数据；
根据所述时间步长数据对所述惯性传感器的历史输出数据的数据结构进行修改，并将修改完毕以后得到的数据作为重构数据；
生成模块，用于根据所述样本数据和所述真值数据生成步数模型；
确定模块，用于根据所述步数模型确定行人的总步数和行人的位置信息。
8.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-6任一所述的一种计步和确定行人的位置信息的方法的步骤。
CN202110241308.5A 2021-03-04 2021-03-04 一种计步和确定行人的位置信息的方法、***及存储介质 Active CN112923922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110241308.5A CN112923922B (zh) 2021-03-04 2021-03-04 一种计步和确定行人的位置信息的方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110241308.5A CN112923922B (zh) 2021-03-04 2021-03-04 一种计步和确定行人的位置信息的方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN112923922A CN112923922A (zh) 2021-06-08
CN112923922B true CN112923922B (zh) 2022-01-25

Family

ID=76173391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110241308.5A Active CN112923922B (zh) 2021-03-04 2021-03-04 一种计步和确定行人的位置信息的方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN112923922B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106525068A (zh) * 2016-11-08 2017-03-22 深圳市金立通信设备有限公司 一种计步方法及终端
CN107462258B (zh) * 2017-07-13 2020-06-16 河海大学 一种基于手机三轴加速度传感器的计步方法
CN107727110A (zh) * 2017-09-11 2018-02-23 上海斐讯数据通信技术有限公司 一种步数的统计方法及装置
CN107909677B (zh) * 2017-11-28 2020-08-07 中国船舶工业***工程研究院 一种船舶机电设备运行数据稳定性提取及判别方法
CN108399248A (zh) * 2018-03-02 2018-08-14 郑州云海信息技术有限公司 一种时序数据预测方法、装置及设备
CN110811578A (zh) * 2019-11-27 2020-02-21 青岛歌尔智能传感器有限公司 计步装置及其计步方法、控制器和可读存储介质
CN111623797B (zh) * 2020-06-10 2022-05-20 电子科技大学 一种基于深度学习的步数测量方法
CN112067015B (zh) * 2020-09-03 2022-11-22 青岛歌尔智能传感器有限公司 基于卷积神经网络的计步方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN112923922A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
US11796320B2 (en) Positioning method, apparatus and device, and computer-readable storage medium
KR20190116397A (ko) 얼굴 검출 훈련 방법, 장치 및 전자 장치
CN107796387B (zh) 定位方法、定位装置和电子设备
CN112325880B (zh) 分布式平台相对定位方法、装置、计算机设备和存储介质
CN111707294B (zh) 基于最优区间估计的行人导航零速区间检测方法和装置
CN113240756B (zh) 车载bsd摄像头的位姿变动检测方法、设备和存储介质
KR101576424B1 (ko) 실내 측위를 위한 지자기 센서 자동 보정 방법
CN112362044A (zh) 室内定位方法、装置、设备和***
CN115600044A (zh) 一种河流断面流量计算方法、装置、设备及存储介质
CN112923922B (zh) 一种计步和确定行人的位置信息的方法、***及存储介质
CN111178126A (zh) 目标检测方法、装置、计算机设备和存储介质
US20170289771A1 (en) Map Assisted Inertial Navigation
CN113310505A (zh) 传感器***的外参标定方法、装置及电子设备
CN110824496B (zh) 运动估计方法、装置、计算机设备和存储介质
CN111582378A (zh) 定位识别模型的训练生成方法、位置检测方法、装置
KR101462007B1 (ko) 자세 추정 장치 및 자세 추정 방법
CN114019182B (zh) 零速状态检测方法、装置及电子设备
WO2018099089A1 (zh) 一种静止状态的判断方法及装置
CN112590806B (zh) 基于卡尔曼滤波的车辆信息处理方法、装置、设备和介质
CN112135245B (zh) 一种基于距离逼近判别蓝牙的行人定位校正方法
EP3499419A1 (en) Information processing method, information processing apparatus, and program
US10001505B2 (en) Method and electronic device for improving accuracy of measurement of motion sensor
KR102109374B1 (ko) 위치 추정 장치 및 방법
US20240135150A1 (en) Topology-augmented system for ai-model mismatch
CN111007553B (zh) 被测对象的导航方法、装置、计算机设备和存储介质

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