[發明專利]一種基于行為的室內定位和地標語義標識的方法

有效

• 申請號: 201710737561.3
• 申請日: 2017-08-24
• 公開（公告）號: CN107339992B
• 公開（公告）日: 2020-01-24
• 發明（設計）人: 牛曉光;王嘉偉;王震;張逸昊;張淳;楊青虎;王安康
• 申請（專利權）人: 武漢大學
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01C25/00
• 代理公司: 42222 武漢科皓知識產權代理事務所(特殊普通合伙)
• 代理人: 魯力

1.一種基于行為的室內定位和地標語義標識的方法，其特征在于，包括以下步驟：

步驟1，加速度傳感器、陀螺儀、方向傳感器以固定頻率100Hz采集數據，以及以1Hz的頻率采集WIFI信號；

步驟2，通過支持向量機學習傳感器數據來識別室內行人的元動作序列，進而通過基于可能性的模糊模式識別方法識別室內人員的行為模式；

步驟3，利用WIFI粗定位和航位推算原理計算室內行人的位置，這個過程不斷地執行就可以不斷地獲得室內行人的位置信息；

步驟4，根據所識別的行為模式和室內行人的粗定位對室內地標進行位置探測；

步驟5，根據發生在地標的元動作序列屬性、室內地標相對位置關系以及地標的覆蓋范圍對地標進行自動語義標識；

步驟6，重復步驟1-5，不斷對室內地標進行探測和語義標識，逐漸完善對室內環境的掃描，直至無法探測到新的室內地標；

步驟7，對行人進行高精度室內定位；為了消除傳感器漂移所帶來的定位誤差，利用地標來修正室內行人的位置；

步驟8，需要通過識別室內行人當前的行為模式和位置來判斷室內行人此時是否處于地標旁，具體做法為室內人員當前時刻行為模式是否和周圍歐氏距離為M米內的地標相匹配；若行為模式和位置可以與附近地標進行匹配，則利用地標位置修正當前時刻室內行人的位置，消除傳感器的漂移問題，輸出高精度帶有語義的室內定位結果；若否，則使用航位推算所得到的位置作為室內行人的當前位置。

2.根據權利要求1所述的一種基于行為的室內定位和地標語義標識的方法，其特征在于，所述的步驟2中，識別元動作序列的具體操作方法如下:

步驟2.1，輸入加速度傳感器、陀螺儀和方向傳感器數據；

步驟2.2，對傳感器數據進行卡爾曼濾波；卡爾曼濾波首先引入一個離散控制過程的系統，使用一個線性隨機微分方程描述：X(k)＝AX(k-1)+BU(k)+W(k)，再加上系統的測量值：Z(k)＝HX(k)+V(k)，其中X(k)是k時刻的系統狀態，U(k)是k時刻對系統的控制量，A和B是系統參數，Z(k)是k時刻的測量值，H是測量系統的參數，W(k)和V(k)分別表示過程和測量的噪聲；他們被假設成高斯白噪聲，他們的協方差分別是Q，R；1)首先利用系統的過程模型，來預測下一狀態的系統；假設現在的系統狀態是k，根據系統的模型，可以基于系統的上一狀態而預測出現在狀態：X(k|k-1)＝AX(k-1|k-1)+BU(k)，X(k|k-1)是利用上一狀態預測的結果，X(k-1|k-1)是上一狀態最優的結果，U(k)為現在狀態的控制量；2)到現在為止，系統結果已經更新了，可是，對應于X(k|k-1)的協方差還沒更新；P表示協方差：P(k|k-1)＝AP(k-1|k-1)A’+Q，P(k|k-1)是X(k|k-1)對應的協方差，P(k-1|k-1)是X(k-1|k-1)對應的協方差，A’表示A的轉置矩陣，Q是系統過程的協方差；3)結合預測值和測量值，可以得到現在狀態k的最優化估算值X(k|k)：X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))，其中Kg為卡爾曼增益：Kg(k)＝P(k|k-1)H’/(HP(k|k-1)H’+R)；4)為了令卡爾曼濾波器不斷的運行下去直到系統過程結束，還要更新k狀態下X(k|k)的協方差：P(k|k)＝(I-Kg(k)H)P(k|k-1)，其中I為1的矩陣，對于單模型單測量，I＝1；當系統進入k+1狀態時，P(k|k)就是P(k-1|k-1)；這樣，算法就可以自回歸的運算下去；

步驟2.3，數據歸一化使用Z-score歸一化方法，利用卡爾曼濾波后的數據的均值和標準差進行數據歸一化：x*＝(x-μ)/σ，式中x表示需要進行歸一化的數據，μ表示樣本均值，σ表示樣本標準差；

步驟2.4，用滑動窗口機制對預處理后的數據提取特征，根據采樣頻率設置滑動窗口大小為100，窗口重疊率設置為50％；

步驟2.5，滑動窗口每次向后移動0.5個窗口大小；

步驟2.6，判斷滑動窗口是否到達數據末尾，如果到達則元動作序列識別工作流程結束并輸出元動作序列，否則對滑動窗口內數據進行特征提取；動作序列識別使用三個傳感器，每個傳感器有三個軸，對每個軸提取12個標準統計學特征，包括：均值、最大值、最小值、方差、標準偏差、峰度、信號幅度面積、正值之和、負值之和、均方根、波峰及波谷的數量，共9×12＝108個特征，此外同一傳感器任意兩軸之間的軸相關系數也作為特征，共9個特征，因此一個滑動窗口內共有117個特征，將這117個特征組成一個特征向量，以便SVM進行識別；

步驟2.7，將特征向量輸入到已訓練好的SVM分類器中進行學習，SVM分類器核函數選擇徑向基核函數，輸出為元動作；在輸出元動作后，轉到步驟2.5繼續對數據進行識別。