CN113949999B - 一种室内定位导航设备和方法 - Google Patents

Abstract

本发明涉及空间定位和导航领域，具体涉及一种室内定位导航设备和方法，该导航设备包括：视觉SLAM定位组件、惯性导航定位组件、定位综合器组件、预设参考点检测组件；所述视觉SLAM定位组件接收视觉图像信号来实时定位设备位置并构建地图，输出视觉SLAM定位数据；惯性导航定位组件估算得到设备的运动轨迹信息，输出惯性导航定位数据及设备实时速度数据；预设参考点检测组件检测设备当前是否位于预设定位参考点位置上，并给出所处的预设参考点位置检测数据；定位综合器组件接收并结合上述数据，基于无模型强化学习方法，输出设备实时的定位数据，得到设备最终位置。本发明具有灵活智能的保持对环境变化的响应能力。

Description

一种室内定位导航设备和方法

技术领域

本发明涉及空间定位和导航领域，具体涉及一种室内定位导航设备和方法。

背景技术

在诸多室内场景中，诸如商场店铺寻找、室内停车场车位导航、服务机器人室内自主行走，都需要较为精确的室内定位能力拓展应用。当前的室内定位导航技术，例如无线局域网(WLAN)定位、惯性导航定位、激光导航等技术，以及由多种导航技术组合而成的综合导航技术，各个技术也都存在一些局限和缺点。

基于WiFi、蓝牙等无线定位导航技术发展时间较长，也衍生出多种定位方法。一种方法是直接基于AP部署位置点和AP无线信号特征来对动态计算待定位位置，此种方法简单快速，但是由于环境对电磁波传输影响以及无线设备自身发射的无线电信号特征变化，整体定位精度上有待进一步优化；另一种方法是通过记录空间中各个点位的电磁波指纹特征，通过指纹特征比对来定位，此种方法定位精度可以达到米级，但是需要前期通过大量的工作构建足够稠密的电磁波指纹地图数据集。

惯性导航也是一种较为成熟的定位导航技术，受外界因素影响较小，一般定位精度可以满足室内常规要求，但是存在较严重的累计误差，缺少相应的误差纠正机制。

激光导航需要对环境进行改造，同时存在导航相关的反光板等设备的状态自然改变会对定位结果产生较大影响。

即时定位和地图构建SLAM当前以视觉图像特征为主，也可能加上激光雷达等多种传感器数据综合完成定位和地图构建工作，有较好的通用性，对环境变化也有一定的自我调整适配能力，但是受外界影响较大，例如光照条件改变等环境变化，会导致定位误差增加。

综合定位方法中，有方案提出基于激光扫描仪和惯性导航传感器合成的综合导航方法，该方法中利用惯性导航给出第一位姿信息，利用激光扫描仪构建第二位姿，通过算法确定最终使用第一位姿或者第二位姿作为设备的位姿。该方案一定程度上可以避免单个方案的缺陷，但是最终定位误差还是由其中一个定位方案决定，该***并不能优化减少误差。

也有方案提出利用惯性导航和WiFi定位信息构成SLAM形式的WiFi指纹定位***，该***通过惯性导航和WiFi信号特征共同分析构建WiFi指纹的SLAM地图信息，通过自动化方式减少WiFi指纹地图构建复杂度，但是该***对于临时的环境变化导致的WiFi信号特征变化缺乏适应。

综上分析，当前现有方案缺少简易准确且有效响应环境变化的室内定位导航技术。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提供一种室内定位导航设备和方法，其具体技术方案如下：

一种室内定位导航设备，包括：视觉SLAM定位组件、惯性导航定位组件、定位综合器组件、预设参考点检测组件；

所述视觉SLAM定位组件用于接收视觉图像信号来实时定位设备位置并构建地图，输出视觉SLAM定位数据，即提供第一位姿信息；

所述惯性导航定位组件用于估算得到设备的运动轨迹信息，输出惯性导航定位数据及设备实时速度数据，即提供第二位姿信息；

所述预设参考点检测组件用于检测设备当前是否位于预设定位参考点位置上，并给出所处的预设参考点位置检测数据；

所述定位综合器组件用于接收并结合所述的视觉SLAM定位数据、惯性导航定位数据、设备实时速度数据，以及预设参考点位置检测数据，基于机器学习中的无模型强化学习方法综合分析，输出设备实时的定位数据，得到设备最终位置。

优选的，所述定位综合组件，包括：定位决策组件和定位评价组件；所述定位决策组件用于接收视觉SLAM定位数据和惯性导航定位数据，输出设备定位结果信息，即输出设备的位置信息和速度信息，并基于定位评价组件输出的定位评价数据，调整内部综合分析结构；所述定位评价组件用于接收预设参考点位置检测数据、设备实时速度数据及定位决策组件输出的定位结果信息，进行定位结果评价并向定位决策组件反馈当前定位的奖惩结果。

优选的，所述定位决策组件，包括：SLAM定位数据输入组件、惯性导航定位数据输入组件、神经网络分析组件、网络训练组件；

所述SLAM定位数据输入组件和惯性导航定位数据输入组件用于对输入的视觉SLAM定位数据和惯性导航定位数据进行管理和预处理，后输出至神经网络分析组件；

所述网络训练组件接收定位评价组件输出的定位评价数据，并根据定位评价数据更新调整神经网络分析组件内的网络参数；

所述神经网络分析组件对视觉SLAM定位数据、惯性导航定位数据和定位评价数据进行综合分析，输出定位结果信息。

优选的，所述管理和预处理，具体为：SLAM定位数据输入组件和惯性导航定位数据输入组件对输入的视觉SLAM定位数据和惯性导航定位数据进行对输入的视觉SLAM定位数据和惯性导航定位数据进行缓存以保留历史定位数据，以不同历史时刻的定位数据构成数据序列。

优选的，所述定位评价组件进行定位结果评价并向定位决策组件反馈当前定位的奖惩结果，具体为：分别对比设备位置信息的测量值结果和速度信息的测量值结果，所述位置信息的测量值结果仅当设备在预设参考点位置时，位置信息的测量值，也即预设参考点位置检测数据，才会有效；而速度信息的测量值，则判断设备的实时速度数据是否总是可以被惯性导航定位组件有效输出，即通过由多个时间点的位置变化计算得到的速度数据与所述惯性导航定位组件提供的实时速度数据的对比，得到当前设备位置变化平均速度与实时速度的匹配状态，判断当前定位效果。

优选的，所述惯性导航定位组件采用的运动传感器包括加速度计和陀螺仪。

优选的，该导航设备还包括可选功能组件：位置特征提取组件和地图更新服务组件；

所述位置特征提取组件，用于提取当前的惯性导航定位、视觉SLAM定位中的特征信息，结合定位综合器组件分析的实时定位数据，同步上传至地图更新处理服务组件；

所述地图更新处理服务组件基于上传的特征信息和实时定位数据动态调整地图中的特征数据，更新地图数据。

一种利用室内定位导航设备进行室内定位导航方法，包括如下步骤：

步骤1，在导航设备移动过程中，由导航设备的视觉SLAM定位组件提供第一位姿信息，惯性导航定位组件提供第二位姿信息；

步骤2，将所述第一位姿信息和第二位姿信息作为机器学习模型的输入数据以融合输出设备最终位姿信息，具体的，所述机器学习模型的输入数据包含多组第一位姿和第二位姿历史信息，由机器学习模型综合分析，并依据第一位姿信息和第二位姿信息的输出频率，周期性的给出设备最终位姿信息。

优选的，所述机器学习模型采用无模型强化学习方法，其中强化学习的奖惩机制设定为：短期激励为设备最终位姿变化计算得到的设备运动速度与惯性导航定位组件给出的设备实时速度间的差异，长期激励为设备通过预设参考点位置时的设备计算得到的位姿信息与预设参考点位置的精确定位差异；所述预设参考点位置的数量至少为1个。

本发明的优点：

本发明可以大大降低单一定位方法的使用场景限制，同时减少设备初始化标定工作，使设备可以灵活智能的依靠自身在运行中自动适配环境，实现设备下的***集成，并保持对环境变化的响应能力，便利的提供准确可靠的室内SLAM定位功能。

附图说明

图1为本发明的设备结构示意图；

图2为本发明的定位综合器组件的结构示意图；

图3为本发明的定位决策组件的结构示意图；

图4为本发明的定位评价组件的奖惩计算流程示意图；

图中，106-视觉SLAM定位组件，108-惯性导航定位组件，116-预设参考点检测组件，118-位置特征提取组件，120-地图更新处理服务组件，200-定位综合器组件，204-定位评价组件，300定位决策组件，302-SLAM定位数据输入组件，304-惯性导航定位数据输入组件，306神经网络分析组件，308-网络训练组件。

具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。

本发明公开了一种用于构建室内定位的设备和方法的实施方式，这些实施方式可以以多种不同形式来实现，并且这些实施方式不应该被解释为限于本文描述的实施方式。

如图1所示，本发明的一种室内定位导航设备包括：必选功能组件：视觉SLAM定位组件106、惯性导航定位组件108、定位综合器组件200、预设参考点检测组件116，以及可选功能组件：位置特征提取组件118和地图更新服务组件120。视觉SLAM定位组件106可以基于包含视觉的多传感器融合的SLAM方法来构建。

所述视觉SLAM定位组件106可以基于包含视觉的多传感器融合的SLAM方法来构建，用于接收视觉图像信号来实时定位设备位置并融合地图展示，并进一步更新构建地图，在设备移动过程中提供基于视觉特征的定位数据，即提供第一位姿信息；

惯性导航定位组件108的运动传感器包括但不限定有加速度计和陀螺仪，用于估算得到设备的运动轨迹信息，在设备移动过程中提供基于惯性导航定位方法的惯性导航定位数据和实时速度数据，即提供第二位姿信息；

预设参考点检测组件116用于检测设备当前是否位于预设定位参考点位置上，并给出所处的预设参考点位置检测数据；

定位综合器组件200用于接收并结合前述的视觉SLAM定位数据、惯性导航定位数据、设备实时速度数据，以及预设参考点位置检测数据，基于机器学习中的无模型强化学习方法综合分析输出设备的定位数据，确定当前设备的实时定位，并自动调整修正设备定位误差。

强化学***均速度与实时速度的匹配状态，具体的，通过由多个时间点的位置变化计算得到的速度数据与所述惯性导航定位组件108提供的实时速度数据的对比，判断当前定位效果。

所述位置特征提取组件118负责提取定位点对应的输入特征，即提取当前的惯性导航定位、视觉SLAM定位中的特征信息，结合定位综合器组件200分析的实时定位数据，同步上传至地图更新处理服务组件120，使得地图更新处理服务组件120可以结合特征信息和实时定位数据的变化而动态调整地图中的特征数据，更新地图数据。

在其他实施方式中，可以增加其他类型的***件并作为定位综合器定位输入数据，例如增加WiFi或蓝牙等其他无线电***件，设备仅需进行简单扩展适配即可。

如图2所示，定位综合器组件200的主体是基于强化学习的智能体结构，包括：定位决策组件300和定位评价组件204，其中定位决策组件300负责综合分析不同***件输出的定位数据，包括视觉SLAM定位数据和惯性导航定位数据，给出设备综合定位结果信息，即给出设备的位置信息和速度信息，并基于定位评价组件204的定位评价数据调整内部综合分析结构；定位评价组件204负责根据环境信息和定位决策组件300输出的定位结果信息进行定位结果评价并向定位决策组件300反馈当前定位的奖惩结果，所述环境信息即预设参考点位置检测数据和设备实时速度数据。

定位决策组件300可以基于但不限于多层神经网络方式来构建决策模型。

在其他实施方式中，视觉SLAM等***件可以向定位综合器组件200增加输出光照等其他影响定位结果的环境因素数据，其他类型的***件也可以增加输出各自的环境因素数据。

如图3所示，定位决策组件300，包括：SLAM定位数据输入组件302、惯性导航定位数据输入组件304、神经网络分析组件306、网络训练组件308。

所述SLAM定位数据输入组件302和惯性导航定位数据输入组件304对输入的多种定位数据进行管理和预处理，例如可以对输入的定位数据进行缓存以保留历史定位数据；SLAM定位数据输入组件302和惯性导航定位数据输入组件304中的“T1时刻定位，……，TN时刻定位”即表示不同历史时刻的定位数据构成的数据序列，在具体实施中，可以按照某个特定方式选择特定时间序列的定位数据作为神经网络分析的输入，例如按照斐波那契数列选择历史定位数据，实际选择的定位数据序列的长度可以结合定位数据类型、设备计算能力等条件综合评估选择。

所述网络训练组件308主要用于接收外部输入的定位评价数据，并根据定位评价数据更新调整神经网络分析组件306内的网络参数。在具体实施中，网络训练组件308可以实现为经典神经网络梯度下降方法或者其他模型参数更新方法。

所述神经网络分析组件306可以由多层多类型网络构成，实现对多种定位数据的综合分析，输出定位结果信息。

所述定位评价组件204的评价体系的原理为：分别对比设备定位结果和直接测量值结果，通过结果差异来评价定位效果。所述的定位结果信息包括位置信息和速度信息，其中位置信息的测量值结果并不一定总是能得到，仅当设备在预设参考点位置时，位置信息测量值，也即预设参考点位置检测数据，才会有效；而速度信息的测量值，则判断设备的实时速度数据是否总是可以被惯性导航定位组件108有效输出，即通过由多个时间点的位置变化计算得到的速度数据与所述惯性导航定位组件108提供的实时速度数据的对比，得到当前设备位置变化平均速度与实时速度的匹配状态，判断当前定位效果。

定位评价组件204中存在的位置差异数据和速度差异数据，当这两类数据同时有效时，其对整体定位评价的影响存在优先级差异，由于位置差异数据可以直接反应定位的准确性，因此位置差异数据在评价体系中具有高优先级，相对应的，速度差异数据在评价体系中为低优先级。

如图4所示，定位评价组件204的定位奖惩计算流程为：

读取参考点检测、定位和速度数据，判断设备是否到达预设参考点检测区域，若是，则先计算定位点和参考点位置差异，再计算出定位奖惩结果后输出定位奖惩数据反馈给定位决策组件300；若否，则先计算当前定位点相较上次定位点的差异，再计算出定位点变化速度和输入速度差异，输入速度即惯性导航定位组件108提供的速度数据，从而计算出定位奖惩结果后输出定位奖惩数据定位决策组件300。

读取过程中对参考点检测数据的读取，存在读取不到有效参考点检测数据的情况，参考点检测数据对应包含参考点的位置信息。

参考点检测时间与设备的定位输出时间存在不一致的可能性，可以使用包含但不限于线性插值方式对参考点的位置信息进行修正。

计算定位点变化速度和输入速度差异：输入速度指惯性导航定位组件108给出的设备速度，可以包括多种速度表达形式，例如间隔时间内平均速度，或者精细化的速度矢量值序列；对于惯性导航定位组件108给出的速度数据，需要处理为与定位点变化速度类型一致的数据进行比较。

定位点变化速度计算方法包括但不限于位移量除以间隔时间的平均速度方法。

定位奖惩的计算可以使用不同计算方案，例如计算定位点位置与预设参考点位置的空间距离并取倒数后再取对数值，也可以增加一个位置差的阈值，对于在阈值以内的位置差都固定奖励值。

定位奖惩的计算可以使用不同计算方案，例如定位点变化速度与输入速度差值的绝对值取倒数后再取对数值，或者也可以增加一个速度差的阈值，对于在阈值以内的速度差都固定奖励值。

本发明的一种室内定位导航方法，包括如下步骤：

步骤1，在设备移动过程中，由设备的视觉SLAM定位组件106提供第一位姿信息，惯性导航定位组件108提供第二位姿信息，其中第一位姿信息可以基于基础经典的地图位置特征点比对方法给出，也可以在基于多环境位置特征库或多传感器融合等改进方法给出；

步骤2，将所述第一位姿信息和第二位姿信息作为机器学习模型的输入数据以融合输出设备最终位姿信息；所述机器学习模型的输入数据包含多组第一位姿和第二位姿历史信息，由机器学习模型综合分析得出设备最终位姿信息；依据第一位姿信息和第二位姿信息的输出频率，周期性给出设备最终位姿信息；所述机器学习模型具体采用无模型强化学习方法，其中强化学习的奖惩机制设定为：短期激励为设备最终位姿变化计算得到的设备运动速度与惯性导航定位组件108给出的设备实时速度间的差异，长期激励为设备通过预设参考点位置时的设备计算得到的位姿信息与预设参考点位置的精确定位差异；所述预设参考点位置的数量至少为1个；检测预设参考点位置的方法需要满足较好的定位精度和不易受环境影响的特点，包括但不限于微距RFID感应等方法。

以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种室内定位导航设备，包括：视觉SLAM定位组件（106）、惯性导航定位组件（108）、定位综合器组件（200）、预设参考点检测组件（116）；其特征在于，

所述视觉SLAM定位组件（106）用于接收视觉图像信号来实时定位设备位置并构建地图，输出视觉SLAM定位数据，即提供第一位姿信息；

所述惯性导航定位组件（108）用于估算得到设备的运动轨迹信息，输出惯性导航定位数据及设备实时速度数据，即提供第二位姿信息；

所述预设参考点检测组件（116）用于检测设备当前是否位于预设定位参考点位置上，并给出所处的预设参考点位置检测数据；

所述定位综合器组件（200）用于接收并结合所述视觉SLAM定位数据、惯性导航定位数据、设备实时速度数据，以及预设参考点位置检测数据，基于机器学习中的无模型强化学习方法综合分析，输出设备实时的定位数据，得到设备最终位置；

该导航设备还包括可选功能组件：位置特征提取组件（118）和地图更新服务组件（120）；

所述位置特征提取组件（118），用于提取当前的惯性导航定位、视觉SLAM定位中的特征信息，结合定位综合器组件（200）分析的实时定位数据，同步上传至地图更新处理服务组件（120）；

所述地图更新处理服务组件（120）基于上传的特征信息和实时定位数据动态调整地图中的特征数据，更新地图数据；

所述定位综合组件（200），包括：定位决策组件（300）和定位评价组件（204）；所述定位决策组件（300）用于接收视觉SLAM定位数据和惯性导航定位数据，输出设备定位结果信息，即输出设备的位置信息和速度信息，并基于定位评价组件（204）输出的定位评价数据，调整内部综合分析结果；所述定位评价组件（204）用于接收预设参考点位置检测数据、设备实时速度数据及定位决策组件（300）输出的定位结果信息，进行定位结果评价并向定位决策组件（300）反馈当前定位的奖惩结果。

2.如权利要求1所述的一种室内定位导航设备，其特征在于，所述定位决策组件（300），包括：SLAM定位数据输入组件（302）、惯性导航定位数据输入组件（304）、神经网络分析组件（306）、网络训练组件（308）；

所述SLAM定位数据输入组件（302）和惯性导航定位数据输入组件（304）用于对输入的视觉SLAM定位数据和惯性导航定位数据进行管理和预处理，后输出至神经网络分析组件（306）；

所述网络训练组件（308）接收定位评价组件（204）输出的定位评价数据，并根据定位评价数据更新调整神经网络分析组件（306）内的网络参数；

所述神经网络分析组件（306）对视觉SLAM定位数据、惯性导航定位数据和定位评价数据进行综合分析，输出定位结果信息。

3.如权利要求2所述的一种室内定位导航设备，其特征在于，所述管理和预处理，具体为：SLAM定位数据输入组件（302）和惯性导航定位数据输入组件（304）对输入的视觉SLAM定位数据和惯性导航定位数据进行缓存以保留历史定位数据，以不同历史时刻的定位数据构成数据序列。

4.如权利要求1所述的一种室内定位导航设备，其特征在于，所述定位评价组件（204）进行定位结果评价并向定位决策组件（300）反馈当前定位的奖惩结果，具体为：分别对比设备位置信息的测量值结果和速度信息的测量值结果，所述位置信息的测量值结果仅当设备在预设参考点位置时，位置信息的测量值，也即预设参考点位置检测数据，才会有效；而速度信息的测量值，则判断设备的实时速度数据是否总是可以被惯性导航定位组件（108）有效输出，即通过由多个时间点的位置变化计算得到的速度数据与所述惯性导航定位组件（108）提供的实时速度数据的对比，得到当前设备位置变化平均速度与实时速度的匹配状态，判断当前定位效果。

5.如权利要求1所述的一种室内定位导航设备，其特征在于，所述惯性导航定位组件（108）采用的运动传感器包括加速度计和陀螺仪。

6.一种利用权利要求1-5之一所述的室内定位导航设备进行室内定位导航方法，其特征在于，包括如下步骤：

步骤1，在该导航设备移动过程中，由该导航设备的视觉SLAM定位组件（106）提供第一位姿信息，惯性导航定位组件（108）提供第二位姿信息；

步骤2，将所述第一位姿信息和第二位姿信息作为机器学习模型的输入数据以融合输出设备最终位姿信息，具体的，所述机器学习模型的输入数据包含多组第一位姿和第二位姿历史信息，由机器学习模型综合分析，并依据第一位姿信息和第二位姿信息的输出频率，周期性给出设备最终位姿信息。

7.如权利要求6所述的一种室内定位导航方法，其特征在于，所述机器学习模型采用无模型强化学习方法，其中强化学习的奖惩机制设定为：短期激励为设备最终位姿变化计算得到的设备运动速度与惯性导航定位组件（108）给出的设备实时速度间的差异，长期激励为设备通过预设参考点位置时的设备计算得到的位姿信息与预设参考点位置的精确定位差异；所述预设参考点位置的数量至少为1个。