[发明专利]基于深度强化学习的多信息众包轨迹融合方法

说明书

基于深度强化学习的多信息众包轨迹融合方法，具体涉及一种适用于室内定位的基于深度强化学习的多信息众包轨迹融合方法，为解决传统轨迹融合方法使真实场景中的众包轨迹融合精度低，导致室内定位精度低的问题。它包括获取待测目标在室内的PDR轨迹；定义室内地标，室内地标包括WiFi指纹和地磁指纹，判断不同PDR轨迹间WiFi相似度及WiFi相似轨迹的地磁动态时间归整距离；建立室内地标对PDR轨迹的全局关联约束，将获取最小化全局关联约束的过程建模为马尔科夫决策过程；利用深度强化学习网络解决马尔科夫决策过程，深度强化学习网络的输入是PDR轨迹和全局关联约束，从而控制每段PDR轨迹进行旋转和平移，实现轨迹融合。属于室内定位领域。

技术领域

本发明涉及一种众包轨迹融合方法，具体涉及一种适用于室内定位的基于深度强化学习的多信息众包轨迹融合方法，属于室内定位领域。

背景技术

空间位置信息已经成为移动互联网和物联网的重要组成部分，是智慧城市、智能交通和空间大数据分析等新兴领域的核心组件，与国民经济、社会发展各方面紧密联系。以GPS为代表的卫星定位系统，为人们提供了全球性、全天候的室外定位服务，但是目前室内定位还没有统一稳定的普适性解决方案。作为目前最成熟的室内定位解决方案，传统的指纹定位(WiFi、地磁等)需要指派专人进行现场勘测，消耗极大的时间和精力，因此目前仍无法大范围普适性铺设。

群智感知定位技术通过众包采集的方式收集普通用户的传感器信息，利用用户的移动性，将不同空间位置上的指纹信息关联起来，由此实现零人工勘测的信号指纹库自动构建。群智感知定位成为解决大范围普适性室内定位快速铺设问题的关键技术，将大大推进智慧城市、智能交通和空间大数据分析等新兴领域位置服务的发展，但群智感知定位技术受众包轨迹数量大，长度短，航向误差大和绝对位置未知的特点，以及传统室内地标稀疏性的限制，导致真实场景中的群智感知定位仍面临众包轨迹融合精度低的问题，无法有效构建室内定位所需的指纹地图，从而导致室内定位精度低。

发明内容

本发明为了解决传统轨迹融合方法无法有效融合数量大，长度短，航向误差大和绝对位置未知的众包轨迹，使真实场景中的众包轨迹融合精度低，导致室内定位精度低的问题，提出了一种基于深度强化学习的多信息众包轨迹融合方法。

它包括以下步骤：

S1、获取待测目标在室内的PDR轨迹；

S2、定义室内地标，室内地标包括WiFi指纹和地磁指纹，判断不同PDR轨迹间WiFi相似度及WiFi相似轨迹的地磁动态时间归整距离；

S3、建立室内地标对PDR轨迹的全局关联约束，将获取最小化全局关联约束的过程建模为马尔科夫决策过程；

基于PDR轨迹和马尔科夫决策过程获得四元组，并计算当前室内地标对PDR轨迹的全局关联约束，将四元组和全局关联约束作为训练集对深度学习网络进行训练，输入PDR轨迹和全局关联约束，输出融合的PDR轨迹，直至全局关联约束最小化时，得到训练好的深度学习网络；

S4、获取某室内场景中待测目标的PDR轨迹及对应的室内地标信息后，计算室内地标对PDR轨迹的全局关联约束，将PDR轨迹和全局关联约束输入S3中的深度学习网络中，输出融合的PDR轨迹。

进一步地，S1具体过程为：

S11、定义待测目标手机的稳定放置姿态，获取待测目标手机的欧拉角，根据欧拉角、手机的光线传感器和距离传感器，利用随机森林分类器识别待测目标手机的稳定放置姿态；

S12、根据待测目标手机的稳定放置姿态估计待测目标手机的航向，根据航向、待测目标的计步和步长生成待测目标在室内的PDR轨迹。

进一步地，S11具体过程为：

S111、定义手机的稳定放置姿态包括裤子口袋放置姿态、上衣口袋放置姿态、背包放置姿态和手持平端放置姿态四种；