[0031] 下面结合具体实施方式对本发明进行详细的说明。
[0032] 本发明提出一种基于地磁和场景图像的室内定位的方法,大致框架如图1所示。具体按照以下步骤实施。
[0033] 步骤1、离线采集地图室内地图指纹信息
[0034] 一个指纹信息对应四个测量值和其对应位置,为了收集指纹信息,把室内地图划分为60cm*60cm的网格。每一个网格被设定为一个独一无二的位置并分配一个位置标签。通常室内地图中存在许多道路,对于每个道路把它分为两个方向,即道路的主要两个方向,来分别采集地磁和场景图像信息。其中测量的地磁值是一个四维向量(mx,my,mz,M),其中(mx,my,mz)为手机测量地磁的三个坐标系下的测试值,M代表地磁强度为(mx,my,mz)的二阶范数。而对于每个对于位置网格,适用手机在主要对应随机收集10次数据,而这些就被当作该网格位置的测量信息与位置标签放入离线指纹中。
[0035] 步骤2、步长推测模型:对用户的步长和行走方向进行推测;
[0036] 2‑1.利用智能手机加速度,角速度等传感器对行人的行走方向和步态进行检测,并设定用户初始条件下步长为60cm。对于用户的定位坐标为(Ek,Nk),用户的步长为Lk,方向角为θk,下一时刻定位坐标为(Ek+1,Nk+1),行人定位的计算公式如下:
[0037]
[0038] 其中,Lk为k时刻的行走步长,θk为k时刻的方向角。
[0039] 2‑2.用户行走轨迹记录,设(Pt‑k,Pt‑k+1,...,Pt‑1)为最新的用户行走轨迹记录,其中Pi表示第i时刻估计的最优用户位置。另外||Pi‑Pi‑1||表示Pi和Pi‑1之间的欧式距离。并且定义如果在t‑k+1≤i≤t‑1的情况下,||Pi‑Pi‑1||≤δ,则用户轨迹连续,其中δ表示用户的最大行走步长,这里设置为2m。
[0040] 2‑3.对于下一时刻的用户步长估计和方向估计,如果用户轨迹连续,步长γ的定义为Pi和Pi‑1之间的权重分布,公式定义为:
[0041]
[0042] 其中, 其中关于权重wi表示最新的步长||Pi‑Pi‑1||的权重,步长越新权重越高。
[0043] 步骤3、测量模型:利用卷积神经网络对场景地图提取出深层信息,并定义它们之间发相似度。
[0044] 3‑1.对于测量的场景图像的深层信息,采用卷积神经网络来进行提取,关于卷积网络的结构如图2所示。利用采集好的场景图像数据集并对其做好位置标签,加入一些无关的场景图像数据集进行训练。如图所示,场景图像经过一系列的卷积层和池化层后,其输出要接着通过3个全连接层,最后通过softmax层来进行位置估计。对于softmax层的前一全连接层,把这个向量称之为深层场景图像位置信息,并把这个向量定义为V。
[0045] 3‑2.介绍了如何提出场景图像的深层信息后,接下来定义的是场景图像的深层位置信息提取后的相似度比较。假设A,B分别为某一位置的场景图像,a,b分别为对应的提取出深层位置向量,则A,B之间的相识度定义为:
[0046]
[0047] 其中σ来调整两个深层位置向量之间距离的影响。
[0048] 步骤4、利用改进的粒子滤波算法来追踪位置轨迹,关于适应的粒子滤波框架如图3所示。
[0049] 4‑1.粒子初始化:在0时刻的场景图像和地磁的观测值分别设定为Zs,0,Zg,0。所以初始时刻的粒子初始化根据Zs,0,Zg,0来推算所有在初始时刻用户可能所在位置 的概率分布,用 表示。然而 是未知不确定所以不能被采样,所以在初始时刻的采样是根据测量值的概率分布 即在假设初始时刻位
置的条件下对0时刻的观测值的概率分布,用 表
示。对于 的计算,粒子滤波算法会根据测量值的概率分布来进行粒子初
始化。对于初始时刻位置 如果拥有一个高的测量概率,那这个位置将分配较高的权重。
回到离线采集地磁和场景图像数据的阶段,我们把室内的地图分成一个个网格,每个网格都被认为是一个独一无二的位置,并记录下了地磁和场景地图的信息。为了计算测量概率首先会根据初始时刻的场景图像利用训练好的卷积神经网络推算出
所在的场景,在根据这个场景内分配初始粒子 并根据 所在网格的离线测量值计算与Zs,0,Zg,0之间的相似度, 就是平均测量相似度。
[0050] 4‑2.利用步长推测模型来进行粒子传播:在用户每行走一步后,粒子滤波算法会跟新每个粒子的所在位置及对应权重来预测新的用户潜在位置的概率分布,这个就称为粒子传播。粒子传播也可以表示为每个旧的粒子 到新的粒子 的过 程。对于 最新的预 测位置 以
进行预测,其中||u||表示步长, 表示步长方向。||u||以步骤二公式(2)
进行计算。预测好后的每一个粒子位置 即 会加入一个二维高斯分布,i.e.,
在搭建地图我们设置坐标系x为用户行走的主要方向,所以V是一个对角矩
2 2
阵V=diag(δ1δ2)。δ1控制在主要行走方向上的位置变化,并设定δ1为60cm。δ2控制在主要行走方向的垂直方向上的位置变化,并设定δ1为30cm。
[0051] 4‑3.粒子权重更新:在粒子传播以后,每个粒子对应的权重需要跟新。权重跟新的公式如下: 或 其中在概率分布 表示在t时刻位置 所对应网格的离线地磁测量值和 之间的
相似度。相似度算法参考步骤3的公式(3)。对于概率分布 行人
在行走过程中不可能步步采集场景图像,所以在没有采集场景图像时只计算在地磁下的权重更新,如果有采集图像则先计算 即表示在t时刻位置 所对应网格的离线
场景测量值和 之间的相似度。并设定:
[0052]
[0053] 重新回到粒子初始化阶段,这里设定 最后对于 近似为也还是表示在t时刻位置 所对应网格的离线地磁测量值和 之间的相似
度。
[0054] 4‑4.位置估计:在所有粒子权重更新后,再对所有粒子的权重进行归一化。按照权重的大小取前40%的粒子 进行权重平均。平均后的位置即最优估计位置。
[0055] 4‑5.粒子重采样:在重采样的过程中权重高的粒子有较高的概率被继续采样,重采样的目的也是将错误的粒子排除,即将一些权重接近为0的粒子排除。重采样后每个粒子的权重被设定为1/n。n为粒子的数量。