KR101912233B1 - 물체의 위치를 결정하기 위한 시스템 및 방법 - Google Patents

물체의 위치를 결정하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR101912233B1
KR101912233B1 KR1020167006590A KR20167006590A KR101912233B1 KR 101912233 B1 KR101912233 B1 KR 101912233B1 KR 1020167006590 A KR1020167006590 A KR 1020167006590A KR 20167006590 A KR20167006590 A KR 20167006590A KR 101912233 B1 KR101912233 B1 KR 101912233B1
Authority
KR
South Korea
Prior art keywords
sampling points
sampling
conditional probability
probability density
initial
Prior art date
Application number
KR1020167006590A
Other languages
English (en)
Other versions
KR20160042126A (ko
Inventor
시아오후안 루
신헹 왕
상지에 지아
Original Assignee
치구 인터랙티브 테크놀로지 씨오., 엘티디.
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 치구 인터랙티브 테크놀로지 씨오., 엘티디. filed Critical 치구 인터랙티브 테크놀로지 씨오., 엘티디.
Publication of KR20160042126A publication Critical patent/KR20160042126A/ko
Application granted granted Critical
Publication of KR101912233B1 publication Critical patent/KR101912233B1/ko

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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • 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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Image Analysis (AREA)
  • Measurement Of Radiation (AREA)

Abstract

물체의 위치를 결정하기 위한 방법 및 시스템이 개시된다. 상기 방법은 위치결정할 물체를 위한 활동 영역 지도에서 복수의 샘플링 지점들을 생성하는 단계; 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 위치결정할 물체의 현재 전자기장 세기에 따라 상기 복수의 샘플링 지점들에서 위치결정할 물체의 조건부 확률 밀도를 획득하는 단계; 상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하는 단계; 및 상기 업데이팅 후 샘플링 지점들의 좌표 값들에 기초하여 상기 위치결정할 물체의 위치를 결정하는 단계를 포함한다. 본 발명은 실내 물체의 위치결정 또는 추적의 정확도를 개선시킬 수 있다.

Description

물체의 위치를 결정하기 위한 시스템 및 방법{TARGET POSITIONING METHOD AND SYSTEM}
본 발명은 실내 위치결정 및 시뮬레이션에 관한 것으로서, 보다 상세하게는 물체의 위치를 결정하기 위한 시스템 및 방법에 관한 것이다.
실내 위치결정(locating) 기술은 사람 및 물체들의 실내 위치 정보를 획득하는 기술이다. 위치 정보에 기초하여, 다양한 서비스들이 사용자들에게 제공될 수 있는데, 이것은 군대 및 민간 분야들에서 폭넓은 어플리케이션 전망들을 가진다. 종래의 실내 위치결정 방법들은 적외선 실내 위치잡이(indoor positioning), 초음파 위치잡이, 블루투스, 무선 주파수 인식(radio frequency identification) 및 무선 센서 네트워크 등을 포함한다. 상기의 위치결정 기술들의 구현은 다양한 종류들의 무선 정보의 수집에 의존하기 때문에, 많은 무선 정보 간섭이 검출 환경에 존재하고 환경이 복잡할 때, 이러한 종래의 실내 위치결정 방법은 정상적으로 작동하지 않고 이로써 물체의 위치결정에 영향을 미치게 될 것이다.
종래 기술에 있어서의 상기의 결함들의 관점에서, 본 발명의 일 측면에 따르면, 물체의 위치를 결정하기 위한 방법이 제안되는데, 이것은 현재 전자기장을 측정함으로써 샘플링된 위치에서 물체의 위치결정의 확률을 결정하여 물체의 현재 위치를 획득하게 한다.
본 발명의 일 측면에 따른 물체의 위치를 결정하기 위한 방법은, 위치결정할 물체를 위한 활동 영역 지도에서 복수의 샘플링 지점들을 생성하는 단계; 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 위치결정할 물체의 현재 전자기장 세기에 따라 상기 복수의 샘플링 지점들에서 물체의 위치결정의 조건부 확률 밀도를 획득하는 단계; 상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하는 단계; 및 상기 업데이팅 후 샘플링 지점들의 좌표 값들에 기초하여 상기 위치결정할 물체의 위치를 결정하는 단계를 포함한다.
몇몇의 실시예들에 있어서, 상기 복수의 샘플링 지점들에서 물체의 위치결정의 조건부 확률 밀도를 획득하는 단계는, 몬테 카를로 행동 모델에 따라 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하는 단계, 및 상기 업데이팅 후 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 현재 전자기장 세기에 따라 몬테 카를로 측정 모델을 이용해 상기 복수의 샘플링 지점들에서 상기 물체의 위치결정의 조건부 확률 밀도를 획득하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 방법은 상기 물체의 활동 영역 지도에서 램덤 함수를 가지고 상기 복수의 샘플링 지점들을 생성하는 단계를 더 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 물체의 활동 영역 지도에서 복수의 샘플링 지점들을 생성하는 단계는, BSAS 알고리즘을 이용해 역사적인 샘플링 지점들의 정보에 따라 상기 물체의 활동 영역 지도에서 상기 복수의 샘플링 지점들을 생성하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, BSAS 알고리즘을 이용해 역사적인 샘플링 지점들의 정보에 따라 상기 물체의 활동 영역 지도에서 상기 복수의 샘플링 지점들을 생성하는 단계는, 설정 임계치(Ø)에 따라, 초기 클러스터 m = 1, Cm = {Xm}으로 설정하는 단계; 2 개의 역사적인 샘플링 지점들 사이의 오일러 거리
Figure 112018000559002-pct00001
에 따라 임계치(Ø)를 설정하는 단계; 복수의 역사적인 샘플링 지점들이 임계치(Ø)와 기준 샘플링 지점들에 따라 초기 클러스터
Figure 112018000559002-pct00002
에 속하는지 여부를 순차적으로 결정하고, 만약 그렇다면 상기 초기 클러스터에 상기 복수의 역사적인 샘플링 지점들을 결합하고, 또는 그렇지 않다면 새로운 클러스터 m = m + 1, Cm = {X(i)}로 설정하는 단계; 상기 클러스터의 상기 샘플링 지점들의 수가 클러스터 입자들의 설정 수보다 크면 상기 클러스터 입자들의 설정 수에 따라 상기 클러스터의 샘플링 지점들을 추출하는 단계; 및 상기 클러스터의 샘플링 지점들을 복수의 샘플링 지점들로 결정하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 몬테 카를로 행동 모델
Figure 112016023899080-pct00003
에 기초하여 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하는 단계는, 상기 몬테 카를로 행동 모델을 이용해 상기 복수의 샘플링 지점들의 2차원 초기 좌표들을 업데이팅하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 업데이팅 후 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 현재 전자기장 세기에 따라 몬테 카를로 측정 모델을 이용해 상기 복수의 샘플링 지점들에서 상기 물체의 위치결정의 조건부 확률 밀도를 획득하는 단계는, 각각의 샘플링 지점에 있어서, 각각의 샘플링 지점의 조건부 확률 값
Figure 112018000559002-pct00004
을 획득하기 위해 상기 몬테 카를로 측정 모델
Figure 112018000559002-pct00005
에 현재의 자기장 세기 값(zt)을 가산하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하는 단계는, 샘플링의 설정 횟수들 및 상기 샘플링 지점의 조건부 확률 밀도에 따라 현재 샘플링 지점을 획득하기 위해 랜덤 샘플링 함수를 이용해 상기 샘플링 지점들의 리샘플링 및 업데이팅을 수행하는 단계를 포함할 수 있다.
몇몇의 실시예들에 있어서, 업데이팅된 샘플링 지점들의 좌표 값들에 기초하여 상기 위치결정할 물체의 위치를 결정하는 단계는, 상기 좌표 값들에 따라 위치결정할 물체의 위치를 결정하는 단계, 또는 업데이팅된 샘플링 지점의 2차원 좌표 값들 및 이에 대응하는 공식
Figure 112018000559002-pct00006
을 가지는 조건부 확률 밀도(m)에 따라 위치결정할 물체의 위치를 결정하는 단계를 포함할 수 있다.
상기 방법은, 그렇지 않다면 상기에서 언급된 종래 기술에서와 같이 환경에 의해 영향을 받을 수 있는 실내 위치잡이의 정확도를 개선할 수 있다.
본 발명의 다른 측면에 따르면, 물체의 위치를 결정하기 위한 시스템은, 위치결정할 물체의 활동 영역 지도에서 복수의 샘플링 지점들을 생성하도록 구성되는 샘플링 지점 생성 모듈; 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 위치결정할 물체의 현재 전자기장 세기에 따라 상기 복수의 샘플링 지점들에서 물체의 위치결정의 조건부 확률 밀도를 획득하도록 구성되는 조건부 확률 밀도 획득 모듈; 상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하도록 구성되는 리샘플링 모듈; 및 업데이팅된 샘플링 지점들의 좌표 값들에 기초하여 상기 물체의 위치를 결정하도록 구성되는 위치결정 모듈을 포함한다.
몇몇의 실시예들에 있어서, 상기 조건부 확률 밀도 획득 모듈은, 몬테 카를로 행동 모델을 이용해 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하도록 구성되는 몬테 카를로 행동 모델 유닛, 및 업데이팅된 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 물체의 현재 전자기장 세기에 따라 몬테 카를로 측정 모델을 이용해 상기 복수의 샘플링 지점들에서 상기 물체의 위치결정의 조건부 확률 밀도를 획득하도록 구성되는 몬테 카를로 측정 모델 유닛을 더 포함할 수 있다.
몇몇의 실시예들에 있어서, 상기 샘플링 지점 생성 모듈은, 상기 물체의 활동 영역 지도에서 랜덤 함수를 가지고 상기 복수의 샘플링 지점들이 생성되도록 구성되는 샘플링 지점 랜덤 생성 유닛, 및 상기 물체의 활동 영역 지도에서 역사적인 샘플링 지점들의 정보에 따라 BSAS 알고리즘을 가지고 상기 복수의 샘플링 지점들을 생성하도록 구성되는 역사적인 샘플링 지점 업데이팅 유닛을 더 포함할 수 있다.
종래 기술과 비교하면, 본 발명은 적어도 이하의 장점들을 가질 수 있다:
1) 복잡한 소프트웨어 및 하드웨어의 요구사항의 제한을 회피할 수 있고, 물체의 위치결정은 상용 전자기 센서에 더하여 평면 지도 및 자기장 지도가 이용가능한 한 달성될 수 있다;
2) 사용되는 몬테 카를로 모델은 단순하고, 유연하고, 구현하기 쉽고, 실시간이고, 보다 안정적인 성능을 가진다;
3) 몬테 카를로 방법에 있어서의 유효 입자들의 손실 문제는 BSAS 클러스터링 방법을 채용하는 것에 의해 효과적으로 해결될 수 있다;
4) 컴퓨터 하드웨어의 고성능에 대한 어떠한 요구사항도 없어, 시스템 투자 비용을 절약할 수 있다.
도 1은 본 발명의 일 실시예에 따른 물체의 위치를 결정하기 위한 방법이 도시된 대략적인 도면이다.
도 2는 본 발명의 일 실시예에 따른 초기 상태에 있는 실내 평면도를 보여준다.
도 3은 본 발명의 일 실시예에 따른 초기 상태에 있는 실내 자기장을 보여준다.
도 4는 본 발명의 일 실시예에 따른 초기에 생성된 샘플링 지점들을 보여주는 평면도이다.
도 5는 본 발명의 일 실시예에 따른 샘플링 지점들을 생성하는 방법을 보여주는 대략적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 평면에 있는 샘플링 지점들의 이동들을 보여주는 대략적인 도면이다.
도 7은 본 발명의 일 실시예에 따른 리샘플링 및 업데이팅이 수행되지 않은 샘플링 지점들을 보여주는 평면도이다.
도 8은 본 발명의 일 실시예에 따른 리샘플링 및 업데이팅 후 샘플링 지점들을 보여주는 평면도이다.
도 9는 본 발명의 일 실시예에 따른 전자기장 세기에 기초하여 물체의 위치를 결정하기 위한 시스템의 블록도이다.
본 발명은 이하에서 첨부된 도면들과 관련하여 그 몇몇의 실시예들을 참조하여 상세하게 설명될 것이다.
도 1은 본 발명의 일 실시예에 따른 물체의 위치를 결정하기 위한 방법이 도시된 대략적인 도면이다. 도 1에 도시된 바와 같이, 물체의 위치를 결정하기 위한 방법은, 이하를 포함한다.
S101 단계: 실내 평면도(indoor floor plan)를 획득하기 위해 위치잡이될 물체가 위치하는 방 안에서 장 측정(field measurement)을 수행한다. 위치결정할 물체가 방 안에 없을 때, 실내 초기 자기장 지도는 자기계를 가지고 방의 초기 자기장을 측정함으로써 획득될 수 있다. 도 2는 본 발명의 일 실시예에 따른 초기 상태에 있는 방의 실내 평면도인데, 이때 물체 "A"는 위치결정할 물체이고, 물체 "A"의 실내 활동 영역은 경계 "B" 안에 있다. 목표 "A"가 경계 "B" 안에 없을 때, "B" 경계 안의 영역의 초기 자기 지도는 자기계를 이용해 경계 "B" 안의 각각의 지점의 자기장을 측정함으로써 도 3에 도시된 바와 같이 획득된다.
S102 단계: (도 2에 도시된 바와 같이) S101 단계에서 획득된 실내 평면도 상에 균일하게 복수의 샘플링 지점들을 생성한다. 물체의 위치를 결정하는 다른 단계에 따라서 (즉, 위치결정의 초기 상태 또는 추적 상태에서), 샘플링 지점들은 이하의 다른 방법들을 채용함으로써 내부 평면도(즉, 도 4) 상에 생성될 수 있다.
현재 상태가 초기 위치결정 상태라면, 즉, 기준에 대한 역사적인 샘플링 지점들이 없다면, 샘플링 지점들의 매트릭스는 "균일 분포"를 가지는 랜덤 수들로 구성되거나 또는 다른 확률 분포는 rand() 함수를 채용함으로써 x, y 방향으로 각각 생성될 수 있다. 예를 들어, n 샘플링 지점들은 실내 평면도(도 2) 상에 랜덤하게 생성될 수 있다. 도 4는 본 발명의 일 실시예에 따른 초기에 생성된 샘플링 지점들의 평면도를 보여준다.
물체 추적의 연속을 고려하면, 만약 현재 상태가 추적 상태(추적 상태는 위치결정할 물체에 대해서 연속적으로 위치결정 및 추적이 수행되는 위치결정 상태)라면, 즉, 역사적인 샘플링 지점들이 이전의 추적 단계 (또는 이전의 추적 기간) 동안 생성되었다면, BSAS 알고리즘이 도 5에 도시된 바와 같이, 역사적인 샘플링 지점들을 초기화 및 업데이팅하는 데 사용될 수 있다. 그 방법은 이하의 단계들을 포함한다:
S1021 단계: 초기 클러스터 m = 1, Cm = {Xm}를 설정하기 위해 설정 임계치(Ø)에 따라 역사적인 샘플링 지점들을 추출한다. 예를 들어, 임계치(Ø)가 2m 로 설정되어 있고 현존하는 역사적인 샘플링 지점들이 A1, A2, A3, 및 A4인 4 개의 역사적인 샘플링 지점들을 포함하고 초기 클러스터 1은 A1과 A4 사이의 거리가 2m인 A1과 A4를 가지고 형성된다고 가정한다.
S1022 단계: 공식
Figure 112016023899080-pct00007
을 이용해 초기 클러스터와 S1021 단계에서 추출된 복수의 역사적인 샘플링 지점들 각각의 사이의 현재 오일러 거리를 차례로 계산한다. 예를 들어, 초기 클러스터 1과 A2 사이의 오일러 거리가 3m이고 초기 클러스터 1과 A3 사이의 오일러 거리가 1m인 초기 클러스터에 전체적으로 3 개의 샘플링 지점들 A1, A2, A3이 있다.
S1023 단계: 각각의 역사적인 샘플링 지점과 초기 클러스터 사이의 오일러 거리가 임계치(Ø)보다 작은지 판단한다. 만약 그렇다면, 초기 클러스터에 샘플링 지점을 결합하고, 그렇지 않다면 새로운 클러스터 m = m + 1, Cm = {X(i)}를 설정한다. S1022 단계에서 보여진 예를 고려하면, 샘플링 지점(A1)은 임계치(Ø)가 2m일 때 기준으로 설정된다. 초기 클러스터 1과 A3 사이의 오일러 거리는 1m이기 때문에, 이것은 임계치 2m보다 작고, 역사적인 샘플링 지점 A3는 초기 클러스터 1로 분류될 수 있다. 초기 클러스터 1과 A2 사이의 오일러 거리가 3m이고, 이것은 임계치 2m보다 크므로 역사적인 샘플링 지점 A2는 초기 클러스터로 분류될 수 없고, 이로써 클러스터 2가 생성될 수 있다.
S1024 단계: 클러스터들 중 하나 안의 샘플링 지점들의 수가 모든 샘플링 지점들을 클러스터들로 분류한 후 클러스터의 입자들의 설정 수보다 클 때, 클러스터로부터의 p 입자들이 클러스터를 대표하기 위해 선택되고 나머지 n-p 입자들은 재초기화된다. 재초기화(re-initialization) 프로세스는 초기 위치결정에서 rand 함수를 이용해 실내 평면도 상에 고르게 분포되는 n-p 샘플링 지점들을 랜덤하게 생성하는 프로세스와 동일하다.
예를 들어, 80 개의 역사적인 샘플링 지점들을 가지는 클러스터가 생성되었다고 가정한다. 먼저, 초기 클러스터 1이 먼저 설정된다. 그 후, 클러스터와 열려진 역사적 샘플링 지점들 각각과의 사이의 오일러 거리가 획득된다. 임계치(Ø)는 정확도 요구사항에 따라 2 ~ 3m 또는 다른 값으로 설정된다. 그 후, 2 ~ 3m의 임계치에 따라, 클러스터의 각각의 역사적인 샘플링 지점은 판단에 놓이게 된다. 예를 들어, 역사적인 샘플링 지점과 초기 지점 사이의 거리가 1m이고, 이것은 임계치(Ø) 안에 있고, 이 지점은 초기 클러스터 1로 분류된다. 역사적인 샘플링 지점과 초기 지점 사이의 비교가 4m라면, 이것은 임계치(Ø)를 초과하고, 그때 새로운 클러스터 2가 생성된다. 이러한 판단은 차례로 수행된다. 예를 들어, 4 개의 클러스터들, (10 개의 샘플링 지점들을 가지는) 클러스터 1, (40 개의 샘플링 지점들을 가지는) 클러스터 2, (20 개의 샘플링 지점들을 가지는) 클러스터 3 및 (10 개의 샘플링 지점들을 가지는) 클러스터 4가 역사적인 샘플링 지점들 클러스터들에 기초하여 생성된다고 가정한다. 40 개의 샘플링 지점들을 가지는 클러스터 2는 설정값 30을 초과하기 때문에, 30 개의 입자들은 클러스터 2를 표현하기 위해 클러스터 2로부터 선택되고 나머지 10 개의 샘플링 지점들은 다른 클러스터들로 재분류된다.
S1025 단계: 모든 클러스터들에서 상기 S1024 단계에서 결정된 샘플링 지점들은 현재 샘플링 지점으로 결정된다 (그 수는 1보다 크다).
상기의 실시예에 있어서, 입자의 수렴 정도에 대한 정보가 먼저 획득되고, 그후 영역을 표현하는 입자들의 수가 결정된다. 입자들의 소정의 퍼센트는 입자들의 오래된 세트로부터 집중적으로 선택되고 그 후 재초기화된다. 상기에서 설명된 이러한 방식으로, 유효한 입자의 손실은 효과적으로 방지될 수 있고, 이로써 위치결정의 성공확률은 개선되게 된다.
S103 단계: 먼저, S102 단계에서 생성되는 80 개의 샘플링 지점들의 초기 좌표들은 몬테 카를로 행동 모델을 이용해 업데이팅된다. 여기서 사용되는 몬테 카를로 행동 모델은
Figure 112018000559002-pct00008
으로 표현될 수 있고, 여기서
Figure 112018000559002-pct00009
는 샘플링 값들
Figure 112018000559002-pct00010
의 새로운 설정이 각각의 입자
Figure 112018000559002-pct00011
에 대하여 어떠한 속도를 가지고 어떠한 각도에서 입자 상태를 업데이팅하는 것에 획득될 수 있다는 것을 지시한다. 즉, 새로운 위치에서 80 개의 샘플링 지점들의 샘플링 값이 획득된다. 도 6은 실내 평면도 상에서 샘플링 지점 이동 프로세스를 보여준다. 샘플링 지점 A는 몬테 카를로 행동 모델에 따라 초기 위치 11로부터 위치 12로 랜덤하게 이동한다 (초기 위치 11의 랜덤 이동 위치들 중 하나가 도시되어 있다). 몬테 카를로 행동 모델에 의해 위치결정할 물체를 시뮬레이팅하는 장점은 인간의 행위 또는 로봇의 이동들이 보다 현실적으로 시뮬레이팅되어 물체에 대한 보다 정확한 위치결정을 허용할 수 있다는 데 있다. 이동 후 샘플링 지점에 대응하는 확률 밀도는
Figure 112018000559002-pct00012
이고, 여기서 확률
Figure 112018000559002-pct00013
은 모션 모델
Figure 112018000559002-pct00014
을 이용해 반복의 마지막 회로부터 사후 확률
Figure 112018000559002-pct00015
에 기초하여 획득될 수 있다. 예를 들어, 샘플링 지점(S1)에 관한 한, 그 위치는 공식
Figure 112018000559002-pct00016
에 따라 현재 위치(x, y)를 각각 합산함으로써 업데이팅되고, 이때 θ는 랜덤하게 생성되는 현재 방향 각도이다. 그후, 방 안에서 위치결정할 물체의 현재 자기장 세기 값, 즉, 측정 값(Zt)은 자기계에 의해 획득된다. 물체가 상태(Xt)에 있을 때 측정 값(Zt)의 조건부 확률 밀도는 측정 모델
Figure 112018000559002-pct00017
을 이용해 표현된다. 각각의 샘플링 지점
Figure 112018000559002-pct00018
에 있어서, 각각의 입자의 가중치
Figure 112018000559002-pct00019
(즉, 조건부 확률 밀도)는 측정 모델
Figure 112018000559002-pct00020
을 측정된 데이터(Zt)로 대체하는 것에 의해 계산될 수 있고, 조건부 확률 밀도는 그 위치에서의 샘플링 지점의 확률을 나타낸다. 이것은 구체적으로 말하면 수식:
Figure 112016023899080-pct00021
에 의해 표현될 수 있는 가우시안 프로세스를 가지고 계산될 수 있다. 여기서 hmap은 초기 자기장 지도의 값이다. 예를 들어, 샘플링 지점 s1에 관한 한, 자기장 값
Figure 112018000559002-pct00022
은 위치 좌표에 따라 자기장 지도를 검색하는 것에 의해 획득될 수 있고, 위치결정할 현재 물체의 측정값은 z이고, 이로써 샘플링 지점 s1의 조건부 확률 밀도는 상기에서 기술된 가우시안 식
Figure 112018000559002-pct00023
을 이용해 획득될 수 있고, 이것은 샘플링 지점 s1의 현재 가중치 값이다. 다음 순간에, 모션 모델을 통한 샘플링 지점 s1의 위치 좌표들은 변경될 것이다. 따라서, 자기장 값들 또한 변화를 따르고 현재 가중치 값은 위치결정할 현재 물체의 측정 값(z)에 따라 가우시안 공식을 재사용하는 것에 의해 획득된다. 공식
Figure 112018000559002-pct00024
에 따라, s1의 가중치 값(즉, 조건부 확률 밀도)은 현재 가중치 값을 마지막 순간의 가중치 값과 곱하는 것에 의한다. 마지막으로, 각각의 샘플링 지점의 조건부 확률 밀도는 상기의 단계들을 반복하는 것에 의해 획득될 수 있다.
S104 단계: 설정 샘플링 주파수 및 조건부 확률 밀도에 따라 랜덤 샘플링 함수를 이용해 각각의 샘플링 지점에 리샘플링을 수행한다. 랜덤 샘플링 함수에 관한 한, matlab 소프트웨어로부터 선택되는 randsample() 함수가 사용될 수 있다. 현재 샘플링 지점은 스크리닝 후 획득된다. 도 7에 도시된 바와 같이, 500 개의 샘플링 지점들 s1-s500이 있고, 각각의 샘플링 지점은 대응하는 정규화된 가중치 값을 가진다고 가정한다. 이 500 개의 샘플링 지점은 randsample 함수를 채용하는 것에 의해 리샘플링에 놓이게 되고, 각각의 지점의 가중치 값은 샘플링되는 지점의 확률을 결정한다. 이러한 샘플링은 500 회 실행될 것이고, 가중치 값이 클수록, 샘플링되는 확률은 더 커진다. 리샘플링 후, 500 개의 샘플링 지점들의 분포는 변경될 것이다. 리샘플링 결과는 도 8에 도시되어 있다.
S105 단계: S104 단계에서 업데이팅된 현재 샘플링 지점의 2차원 좌표값들에 따라, 실내 평면도 상에서 위치결정할 물체의 위치는 직접 결정될 수 있다. 도 8에 도시된 샘플링 지점들에 관한 한, 샘플링 물체의 밀집하는 위치의 중심 영역은 위치결정할 물체의 위치로 확인될 수 있다.
이에 더하여, 현재 물체의 2차원 좌표들은 각각의 샘플링 지점에 대응하는 조건부 확률 밀도(m)을 결합하고 공식
Figure 112018000559002-pct00025
을 이용함으로써 획득될 수 있어, 물체의 위치결정은 보다 더 정확해진다.
상기의 기술적인 해결책들은 복잡한 소프트웨어 및 하드웨어 상에서의 요구사항들의 한정을 회피할 수 있고 위치결정은 종래 전자기 센서에 더하여 평면 지도 및 자기장 지도가 이용가능한 한 달성될 수 있다는 것을 알 수 있다. 본 발명에서 사용되는 몬테 카를로 모델은 단순하고 유연하고 구현하기 쉽고, 실시간이고 보다 안정적인 성능을 가진다. 몬테 카를로 방법에서 유효 입자들의 손실은 BSAS 클러스터링 방법을 채용함으로써 회피될 수 있다. 본 발명의 방법은 컴퓨터 하드웨어에 대한 낮은 요구사항들을 가진다. 대량의 데이터 지도의 경우에 있어서, 동적 지도 방법이 러닝 타임이 수용가능한 범위 안에 있도록 보장하기 위해 지도를 동적으로 나누는 데 사용될 수 있다.
한편, 도 9에 도시된 바와 같이, 본 발명의 일 실시예에 있어서 물체의 위치를 결정하기 위한 시스템(20) 또한 제안되는데, 이것은 물체의 활동 영역 지도에서 복수의 샘플링 지점들을 생성하도록 구성되는 샘플링 지점 생성 모듈(201); 복수의 샘플링 지점들의 초기 전자기장 세기 및 물체의 현재 전자기장 세기에 따라 복수의 샘플링 지점들에서 물체의 위치결정의 조건부 확률 밀도를 획득하도록 구성되는 조건부 확률 밀도 획득 모듈(202); 조건부 확률 밀도에 따라 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하도록 구성되는 리샘플링 모듈(203); 및 업데이팅된 샘플링 지점들의 좌표값들에 기초하여 물체의 위치를 결정하도록 구성되는 위치결정 모듈(204)을 포함한다. 구체적으로, 위치결정 모듈(204)은 이하의 단계들을 수행할 수 있다: 업데이팅된 샘플링 지점의 2차원 좌표에 따라 위치결정할 물체의 위치를 획득하는 단계, 또는 공식
Figure 112018000559002-pct00026
을 이용해 업데이팅된 샘플링 지점의 2차원 좌표 및 대응하는 조건부 확률 밀도(m)에 따라 위치결정할 물체의 위치를 획득하는 단계.
조건부 확률 밀도 획득 모듈(202)은, 몬테 카를로 행동 모델
Figure 112018000559002-pct00027
에 따라 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하도록 구성되는 몬테 카를로 행동 모델 유닛(2021); 및 업데이팅 후 복수의 샘플링 지점들의 초기 전자기장 세기 및 위치결정할 물체의 현재 전자기장 세기에 따라, 몬테 카를로 측정 모델에 의해 복수의 샘플링 지점들에서 물체의 위치결정의 조건부 확률 밀도를 획득하도록 구성되는 몬테 카를로 측정 모델 유닛(2022)을 더 포함할 수 있다. 몬테 카를로 측정 모델 유닛(2022)의 상세 프로세스는 각각의 샘플링 지점에 대하여, 각각의 샘플링 지점의 조건부 확률 값
Figure 112018000559002-pct00028
을 획득하기 위해 몬테 카를로 측정 모델
Figure 112018000559002-pct00029
을 현재 자기장 세기 값(zt)으로 대체하는 것을 포함할 수 있다.
샘플링 지점 생성 모듈(201)은, 물체의 활동 영역 지도에서 랜덤 함수를 가지고 복수의 샘플링 지점들이 생성되도록 구성되는 샘플링 지점 랜덤 생성 유닛(2011), 및 물체의 활동 영역 지도에서 역사적인 샘플링 지점들의 정보에 따라 BSAS 알고리즘을 가지고 복수의 샘플링 지점들을 생성하도록 구성되는 역사적인 샘플링 지점 업데이팅 유닛(2012)을 포함한다. 프로세스는 설정 임계치(Ø)에 따라, 초기 클러스터 m = 1, Cm = {Xm}으로 설정하는 단계; 역사적인 샘플링 지점과 초기 클러스터 사이의 오일러 거리
Figure 112018000559002-pct00030
가 임계치(Ø)보다 작은지 판단하고, 만약 그렇다면 초기 클러스터에 복수의 역사적인 샘플링 지점들을 결합하고, 또는 그렇지 않다면 새로운 클러스터 m = m + 1, Cm = {X(i)}로 설정하는 단계; 클러스터의 샘플링 지점들의 수가 클러스터 입자들의 설정 수보다 크면 클러스터 입자들의 설정 수에 따라 클러스터의 샘플링 지점들을 추출하는 단계; 및 클러스터의 샘플링 지점들을 복수의 샘플링 지점들로 결정하는 단계를 포함할 수 있다.
시스템의 상세한 작동들은 상기에서 언급한 바와 같이 상세하게 설명되었고 이로써 그 상세 설명은 생략한다.
상기에는 본 발명의 몇몇의 실시예들만 존재한다. 당업자라면 본 발명에 많은 변형들 및 개선들 또한 본 발명의 사상을 벗어나지 않으면서 만들어질 수 있고, 그 모두는 본 발명의 보호 범위 안에 포함되는 것으로 이해할 것이다.

Claims (12)

  1. 물체의 위치를 결정하기 위한 방법에 있어서,
    현재 위치결정 상태에 따라 위치결정할 물체를 위한 활동 영역 지도에서 복수의 샘플링 지점들을 생성하는 단계;
    상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 위치결정할 물체의 현재 전자기장 세기에 따라 상기 복수의 샘플링 지점들에서 상기 위치결정할 물체의 조건부 확률 밀도를 획득하는 단계;
    상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하는 단계; 및
    상기 업데이팅 후 샘플링 지점들의 좌표값들에 기초하여 상기 위치결정할 물체의 위치를 결정하는 단계;
    를 포함하는, 물체의 위치를 결정하기 위한 방법.
  2. 제1항에 있어서, 상기 복수의 샘플링 지점들에서 위치결정할 물체의 조건부 확률 밀도를 획득하는 단계는,
    몬테 카를로 행동 모델에 따라 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하는 단계; 및
    상기 업데이팅 후 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 현재 전자기장 세기에 따라 몬테 카를로 측정 모델을 이용해 상기 복수의 샘플링 지점들에서 상기 위치결정할 물체의 조건부 확률 밀도를 획득하는 단계;
    를 포함하는, 물체의 위치를 결정하기 위한 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 물체의 활동 영역 지도에서, 상기 현재 위치결정 상태가 초기 위치결정 상태에 있을 때, 상기 복수의 샘플링 지점들은 랜덤 함수로 생성되는, 물체의 위치를 결정하기 위한 방법.
  4. 제1항에 있어서, 상기 물체의 활동 영역 지도에서 복수의 샘플링 지점들을 생성하는 단계는, 상기 현재 위치결정 상태가 추적 위치결정 상태에 있을 때, BSAS 알고리즘을 이용해 역사적인 샘플링 지점들의 정보에 따라 상기 물체의 활동 영역 지도에서 상기 복수의 샘플링 지점들을 생성하는 단계를 포함하고, 상기 역사적인 샘플링 지점들은 이전의 추적 위치결정 상태에서 생성되는, 물체의 위치를 결정하기 위한 방법.
  5. 제4항에 있어서, BSAS 알고리즘을 이용해 역사적인 샘플링 지점들의 정보에 따라 상기 물체의 활동 영역 지도에서 상기 복수의 샘플링 지점들을 생성하는 단계는,
    설정 임계치(Ø)에 따라, 초기 클러스터 m = 1, Cm = {Xm}으로 설정하는 단계;
    상기 역사적인 샘플링 지점과 상기 초기 클러스터 사이의 오일러 거리
    Figure 112018000559002-pct00031
    가 상기 임계치(Ø)보다 작은지 판단하고, 만약 그렇다면 상기 초기 클러스터에 상기 복수의 역사적인 샘플링 지점들을 결합하고, 또는 그렇지 않다면 새로운 클러스터 m = m + 1, Cm = {X(i)}로 설정하는 단계;
    상기 클러스터의 상기 샘플링 지점들의 수가 클러스터 입자들의 설정 수보다 크면 상기 클러스터 입자들의 설정 수에 따라 상기 클러스터의 샘플링 지점들을 추출하는 단계; 및
    상기 클러스터의 샘플링 지점들을 복수의 샘플링 지점들로 결정하는 단계;
    를 포함하는, 물체의 위치를 결정하기 위한 방법.
  6. 제2항에 있어서, 상기 몬테 카를로 행동 모델에 기초하여 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하는 단계는,
    상기 몬테 카를로 행동 모델을 이용해 상기 복수의 샘플링 지점들의 2차원 초기 좌표들을 업데이팅하는 단계를 포함하는, 물체의 위치를 결정하기 위한 방법.
  7. 제2항에 있어서, 상기 복수의 샘플링 지점들에서 상기 위치결정할 물체의 조건부 확률 밀도를 획득하는 단계는, 각각의 샘플링 지점에 있어서,
    각각의 샘플링 지점의 조건부 확률 값
    Figure 112018000559002-pct00032
    을 획득하기 위해 상기 몬테 카를로 측정 모델
    Figure 112018000559002-pct00033
    에 현재의 자기장 세기 값 zt을 가산하는 단계를 포함하는, 물체의 위치를 결정하기 위한 방법.
  8. 제1항에 있어서, 상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하는 단계는,
    샘플링의 설정 횟수들 및 상기 샘플링 지점의 조건부 확률 밀도에 따라 현재 샘플링 지점을 획득하기 위해 랜덤 샘플링 함수를 이용해 상기 샘플링 지점들의 리샘플링 및 업데이팅을 수행하는 단계를 포함하는, 물체의 위치를 결정하기 위한 방법.
  9. 제1항에 있어서, 업데이팅된 샘플링 지점들의 좌표 값들에 기초하여 상기 위치결정할 물체의 위치를 결정하는 단계는,
    상기 위치결정할 물체의 위치로서 샘플링 지점들의 밀집하는 위치의 중심 영역을 결정하는 단계; 또는
    업데이팅된 샘플링 지점의 2차원 좌표값들 및 이에 대응하는 하나의 공식
    Figure 112018000559002-pct00034
    을 가지는 조건부 확률 밀도(m)에 따라 위치결정할 물체의 위치를 결정하는 단계;
    를 포함하는, 물체의 위치를 결정하기 위한 방법.
  10. 물체의 위치를 결정하기 위한 시스템에 있어서,
    현재 위치결정 상태에 따라 위치결정할 물체의 활동 영역 지도에서 복수의 샘플링 지점들을 생성하도록 구성되는 샘플링 지점 생성 모듈;
    상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 위치결정할 물체의 현재 전자기장 세기에 따라 상기 복수의 샘플링 지점들에서 상기 위치결정할 물체의 조건부 확률 밀도를 획득하도록 구성되는 조건부 확률 밀도 획득 모듈;
    상기 조건부 확률 밀도에 따라 상기 샘플링 지점들에 대한 리샘플링 및 업데이팅을 수행하도록 구성되는 리샘플링 모듈; 및
    업데이팅된 샘플링 지점들의 좌표값들에 기초하여 상기 위치결정할 물체의 위치를 결정하도록 구성되는 위치결정 모듈을 포함하는, 물체의 위치를 결정하기 위한 시스템.
  11. 제10항에 있어서, 상기 조건부 확률 밀도 획득 모듈은,
    몬테 카를로 행동 모델을 이용해 상기 복수의 샘플링 지점들의 초기 좌표들을 업데이팅하도록 구성되는 몬테 카를로 행동 모델 유닛; 및
    업데이팅된 상기 복수의 샘플링 지점들의 초기 전자기장 세기 및 상기 물체의 현재 전자기장 세기에 따라 몬테 카를로 측정 모델을 이용해 상기 복수의 샘플링 지점들에서 상기 위치결정할 물체의 조건부 확률 밀도를 획득하도록 구성되는 몬테 카를로 측정 모델 유닛;
    을 포함하는, 물체의 위치를 결정하기 위한 시스템.
  12. 제10항에 있어서, 상기 샘플링 지점 생성 모듈은,
    현재 위치결정 상태가 초기 위치결정 상태에 있을 때, 상기 물체의 활동 영역 지도에서 랜덤 함수를 가지고 상기 복수의 샘플링 지점들이 생성되도록 구성되는 샘플링 지점 랜덤 생성 유닛; 및
    상기 현재 위치결정 상태가 추적 위치결정 상태에 있을 때, 상기 물체의 활동 영역 지도에서 역사적인 샘플링 지점들의 정보에 따라 BSAS 알고리즘을 가지고 상기 복수의 샘플링 지점들을 생성하도록 구성되고, 상기 역사적인 샘플링 지점들은 이전의 추적 위치결정 상태에서 생성되는 역사적인 샘플링 지점 업데이팅 유닛;
    을 포함하는, 물체의 위치를 결정하기 위한 시스템.
KR1020167006590A 2013-08-12 2014-08-12 물체의 위치를 결정하기 위한 시스템 및 방법 KR101912233B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201310350209.6A CN104375117B (zh) 2013-08-12 2013-08-12 目标定位方法及***
CN201310350209.6 2013-08-12
PCT/CN2014/084163 WO2015021903A1 (zh) 2013-08-12 2014-08-12 目标定位方法及***

Publications (2)

Publication Number Publication Date
KR20160042126A KR20160042126A (ko) 2016-04-18
KR101912233B1 true KR101912233B1 (ko) 2018-10-26

Family

ID=52468051

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167006590A KR101912233B1 (ko) 2013-08-12 2014-08-12 물체의 위치를 결정하기 위한 시스템 및 방법

Country Status (6)

Country Link
US (1) US20160195401A1 (ko)
EP (1) EP3034998A4 (ko)
JP (1) JP2016539333A (ko)
KR (1) KR101912233B1 (ko)
CN (1) CN104375117B (ko)
WO (1) WO2015021903A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118015A (zh) * 2015-09-21 2015-12-02 无锡知谷网络科技有限公司 用于公共场所的信息提示方法及移动服务终端
CN107132504B (zh) * 2016-02-29 2020-12-22 富士通株式会社 基于粒子滤波的定位追踪装置、方法及电子设备
CN106289242B (zh) * 2016-07-18 2019-03-22 北京方位捷讯科技有限公司 基于地磁的粒子滤波定位方法及装置
US10650621B1 (en) 2016-09-13 2020-05-12 Iocurrents, Inc. Interfacing with a vehicular controller area network
CN106441279B (zh) * 2016-12-08 2019-03-29 速感科技（北京）有限公司 基于自主定位和边缘探索的机器人定位方法、***
CN106767828A (zh) * 2016-12-29 2017-05-31 南京邮电大学 一种手机室内定位解决方法
CN107976184A (zh) * 2017-02-15 2018-05-01 北京金坤科创技术有限公司 一种基于地磁信号极值检测与特征匹配的定位方法
US10739318B2 (en) * 2017-04-19 2020-08-11 Baker Hughes, A Ge Company, Llc Detection system including sensors and method of operating such
CN107132521B (zh) * 2017-05-16 2019-12-06 哈尔滨工程大学 一种bslam中地形匹配结果正确性判别方法
CN107526801A (zh) * 2017-08-21 2017-12-29 浙江理工大学 一种基于布朗桥的移动对象跟随模式挖掘方法
CN108399377B (zh) * 2018-02-08 2022-04-08 北京理工大学 一种基于模式分类的光学定位方法
CN109579824B (zh) * 2018-10-31 2022-12-27 重庆邮电大学 一种融入二维码信息的自适应蒙特卡诺定位方法
CN112268561A (zh) * 2020-10-12 2021-01-26 西北工业大学 一种融合磁场信息的机器人蒙特卡罗定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030064735A1 (en) 1998-09-22 2003-04-03 Spain David Stevenson Location determination using RF fingerprinting
US20080001735A1 (en) 2006-06-30 2008-01-03 Bao Tran Mesh network personal emergency response appliance
WO2011144967A1 (en) 2010-05-19 2011-11-24 Nokia Corporation Extended fingerprint generation
US20120203453A1 (en) 2011-02-09 2012-08-09 SenionLab AB Method and device for indoor positioning
CN103175529A (zh) 2013-03-01 2013-06-26 上海美迪索科电子科技有限公司 基于室内磁场特征辅助的行人惯性定位***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11298946A (ja) * 1998-04-09 1999-10-29 Locus:Kk 位置決めシステム
JP4032126B1 (ja) * 2006-07-05 2008-01-16 国立大学法人北陸先端科学技術大学院大学 移動***置推定システム、及び、移動***置推定方法
CN101556154B (zh) * 2008-10-13 2013-08-21 美新半导体（无锡）有限公司 定位及路径地图生成***及其数据采集分析方法
CN101476860B (zh) * 2009-01-22 2011-07-20 中国科学院电工研究所 一种高背景磁场下的磁定位方法及装置
CN101520328B (zh) * 2009-04-01 2010-08-25 西北工业大学 地磁场线图匹配自主导航方法
CN101867943A (zh) * 2010-06-23 2010-10-20 哈尔滨工业大学 基于粒子滤波算法的wlan室内跟踪方法
EP2817785B1 (en) * 2012-02-23 2019-05-15 Charles D. Huston System and method for creating an environment and for sharing a location based experience in an environment
CN102743176A (zh) * 2012-06-30 2012-10-24 安翰光电技术（武汉）有限公司 基于双磁场传感器阵列平面远程目标定位方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030064735A1 (en) 1998-09-22 2003-04-03 Spain David Stevenson Location determination using RF fingerprinting
US20080001735A1 (en) 2006-06-30 2008-01-03 Bao Tran Mesh network personal emergency response appliance
WO2011144967A1 (en) 2010-05-19 2011-11-24 Nokia Corporation Extended fingerprint generation
US20120203453A1 (en) 2011-02-09 2012-08-09 SenionLab AB Method and device for indoor positioning
CN103175529A (zh) 2013-03-01 2013-06-26 上海美迪索科电子科技有限公司 基于室内磁场特征辅助的行人惯性定位***

Also Published As

Publication number Publication date
WO2015021903A1 (zh) 2015-02-19
CN104375117B (zh) 2018-05-04
JP2016539333A (ja) 2016-12-15
EP3034998A1 (en) 2016-06-22
KR20160042126A (ko) 2016-04-18
EP3034998A4 (en) 2017-05-10
US20160195401A1 (en) 2016-07-07
CN104375117A (zh) 2015-02-25

Similar Documents

Publication Publication Date Title
KR101912233B1 (ko) 물체의 위치를 결정하기 위한 시스템 및 방법
CN105813194B (zh) 基于指纹数据库二次校正的室内定位方法
CN107392875A (zh) 一种基于k近邻域划分的点云数据去噪方法
CN105716604A (zh) 基于地磁序列的移动机器人室内定位方法及***
CN110346654B (zh) 基于普通克里金插值的电磁频谱地图构建方法
CN101820676B (zh) 传感器节点定位方法
CN103298156B (zh) 基于无线传感器网络的无源多目标检测跟踪方法
CN104038901B (zh) 一种减少指纹数据采集工作量的室内定位方法
WO2017121168A1 (zh) 簇式磁场定位的方法、装置和***
CN105469445B (zh) 一种步长可变地图生成方法
CN105101090B (zh) 一种环境监测无线传感网的节点定位方法
CN109828302A (zh) 一种基于多振动传感器的震源定位方法及装置
CN103913720B (zh) 一种面向非特定Wi-Fi设备的室内定位方法
CN105652235A (zh) 基于线性回归算法的wlan室内定位多用户rss融合方法
CN108564600A (zh) 运动物体姿态跟踪方法及装置
CN107240104A (zh) 点云数据分割方法和终端
CN105513051B (zh) 一种点云数据处理方法和设备
JP5910318B2 (ja) 近傍生成装置、近傍生成方法、およびプログラム
CN107688431B (zh) 基于雷达定位的人机交互方法
CA2894863A1 (en) Indoor localization using crowdsourced data
Tariq et al. WSN Localization Method Based on Hybrid PSO-GRNN Approach.
Longo et al. Localization and Monitoring System based on BLE Fingerprint Method.
CN114173281B (zh) 室内nlos环境下基于toa的定位***信标节点的优化布局方法
WO2022127573A1 (zh) 一种用户轨迹定位方法、电子设备及计算机存储介质
CN108810840A (zh) 协作定位中基于efim和距离协作的节点选择方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant