[发明专利]一种基于行为的室内定位和地标语义标识的方法有效

专利信息
申请号: 201710737561.3 申请日: 2017-08-24
公开(公告)号: CN107339992B 公开(公告)日: 2020-01-24
发明(设计)人: 牛晓光;王嘉伟;王震;张逸昊;张淳;杨青虎;王安康 申请(专利权)人: 武汉大学
主分类号: G01C21/20 分类号: G01C21/20;G01C25/00
代理公司: 42222 武汉科皓知识产权代理事务所(特殊普通合伙) 代理人: 鲁力
地址: 430072 湖*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 行为 室内 定位 地标 语义 标识 方法
【权利要求书】:

1.一种基于行为的室内定位和地标语义标识的方法,其特征在于,包括以下步骤:

步骤1,加速度传感器、陀螺仪、方向传感器以固定频率100Hz采集数据,以及以1Hz的频率采集WIFI信号;

步骤2,通过支持向量机学习传感器数据来识别室内行人的元动作序列,进而通过基于可能性的模糊模式识别方法识别室内人员的行为模式;

步骤3,利用WIFI粗定位和航位推算原理计算室内行人的位置,这个过程不断地执行就可以不断地获得室内行人的位置信息;

步骤4,根据所识别的行为模式和室内行人的粗定位对室内地标进行位置探测;

步骤5,根据发生在地标的元动作序列属性、室内地标相对位置关系以及地标的覆盖范围对地标进行自动语义标识;

步骤6,重复步骤1-5,不断对室内地标进行探测和语义标识,逐渐完善对室内环境的扫描,直至无法探测到新的室内地标;

步骤7,对行人进行高精度室内定位;为了消除传感器漂移所带来的定位误差,利用地标来修正室内行人的位置;

步骤8,需要通过识别室内行人当前的行为模式和位置来判断室内行人此时是否处于地标旁,具体做法为室内人员当前时刻行为模式是否和周围欧氏距离为M米内的地标相匹配;若行为模式和位置可以与附近地标进行匹配,则利用地标位置修正当前时刻室内行人的位置,消除传感器的漂移问题,输出高精度带有语义的室内定位结果;若否,则使用航位推算所得到的位置作为室内行人的当前位置。

2.根据权利要求1所述的一种基于行为的室内定位和地标语义标识的方法,其特征在于,所述的步骤2中,识别元动作序列的具体操作方法如下:

步骤2.1,输入加速度传感器、陀螺仪和方向传感器数据;

步骤2.2,对传感器数据进行卡尔曼滤波;卡尔曼滤波首先引入一个离散控制过程的系统,使用一个线性随机微分方程描述:X(k)=AX(k-1)+BU(k)+W(k),再加上系统的测量值:Z(k)=HX(k)+V(k),其中X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量,A和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数,W(k)和V(k)分别表示过程和测量的噪声;他们被假设成高斯白噪声,他们的协方差分别是Q,R;1)首先利用系统的过程模型,来预测下一状态的系统;假设现在的系统状态是k,根据系统的模型,可以基于系统的上一状态而预测出现在状态:X(k|k-1)=AX(k-1|k-1)+BU(k),X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量;2)到现在为止,系统结果已经更新了,可是,对应于X(k|k-1)的协方差还没更新;P表示协方差:P(k|k-1)=AP(k-1|k-1)A’+Q,P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,A’表示A的转置矩阵,Q是系统过程的协方差;3)结合预测值和测量值,可以得到现在状态k的最优化估算值X(k|k):X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1)),其中Kg为卡尔曼增益:Kg(k)=P(k|k-1)H’/(HP(k|k-1)H’+R);4)为了令卡尔曼滤波器不断的运行下去直到系统过程结束,还要更新k状态下X(k|k)的协方差:P(k|k)=(I-Kg(k)H)P(k|k-1),其中I为1的矩阵,对于单模型单测量,I=1;当系统进入k+1状态时,P(k|k)就是P(k-1|k-1);这样,算法就可以自回归的运算下去;

步骤2.3,数据归一化使用Z-score归一化方法,利用卡尔曼滤波后的数据的均值和标准差进行数据归一化:x*=(x-μ)/σ,式中x表示需要进行归一化的数据,μ表示样本均值,σ表示样本标准差;

步骤2.4,用滑动窗口机制对预处理后的数据提取特征,根据采样频率设置滑动窗口大小为100,窗口重叠率设置为50%;

步骤2.5,滑动窗口每次向后移动0.5个窗口大小;

步骤2.6,判断滑动窗口是否到达数据末尾,如果到达则元动作序列识别工作流程结束并输出元动作序列,否则对滑动窗口内数据进行特征提取;动作序列识别使用三个传感器,每个传感器有三个轴,对每个轴提取12个标准统计学特征,包括:均值、最大值、最小值、方差、标准偏差、峰度、信号幅度面积、正值之和、负值之和、均方根、波峰及波谷的数量,共9×12=108个特征,此外同一传感器任意两轴之间的轴相关系数也作为特征,共9个特征,因此一个滑动窗口内共有117个特征,将这117个特征组成一个特征向量,以便SVM进行识别;

步骤2.7,将特征向量输入到已训练好的SVM分类器中进行学习,SVM分类器核函数选择径向基核函数,输出为元动作;在输出元动作后,转到步骤2.5继续对数据进行识别。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201710737561.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top