[go: up one dir, main page]

CN113063420B - 室内定位方法、装置、电子设备和存储介质 - Google Patents

室内定位方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113063420B
CN113063420B CN202110287485.7A CN202110287485A CN113063420B CN 113063420 B CN113063420 B CN 113063420B CN 202110287485 A CN202110287485 A CN 202110287485A CN 113063420 B CN113063420 B CN 113063420B
Authority
CN
China
Prior art keywords
position information
geomagnetic
signal data
determining
prediction
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN202110287485.7A
Other languages
English (en)
Other versions
CN113063420A (zh
Inventor
彭聪
王雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CCB Finetech Co Ltd
Original Assignee
CCB Finetech Co Ltd
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 CCB Finetech Co Ltd filed Critical CCB Finetech Co Ltd
Priority to CN202110287485.7A priority Critical patent/CN113063420B/zh
Publication of CN113063420A publication Critical patent/CN113063420A/zh
Application granted granted Critical
Publication of CN113063420B publication Critical patent/CN113063420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/04—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
    • G01S5/0257—Hybrid positioning
    • 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
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明实施例公开了一种室内定位方法、装置、电子设备和存储介质。该室内定位方法包括：采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。本发明实施例基于设备信号数据确定设备预测位置信息，再基于设备预测位置信息，根据地磁信号数据确定融合预测位置信息，实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。

Description

室内定位方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及定位技术领域，尤其涉及一种室内定位方法、装置、电子设备和存储介质。
背景技术
随着卫星定位导航技术的发展，位置服务LBS(Location-Based-Service)逐渐进入人们生活。由于智能终端设备的普及和位置服务的发展，人们对定位结果的精确性和稳定性要求越来越高。GPS是一种由美国研发的全球定位导航系统，也是目前应用最广泛、最成熟的定位系统。然而室内环境的复杂性导致信号被遮挡、干扰使得用户往往接受不到信号。因此GPS无法满足室内定位的需要。
随着社会的不断发展，出现了很多室内建筑如大型购物商场、机场和游乐场等建筑，因此，室内定位技术有着巨大的发展空间，在人员定位、电子商务以及智能停取车等领域应用前景非常广泛。比如在金融业动产融资业务中，银行现已可开展多品类的动产质押管控业务，另外在智慧安防、智慧园区和智能设备管理有等物联网技术应用的领域，都需要物联网设备能够提供定位服务。
超宽带定位UWB和超声波定位技术精度很高，但其成本也很高，极大的限制了它们的推广。蓝牙、WiFi和RFID等室内定位技术是利用射频信号特征来判断位置，虽然成本不高，但是由于信号传播距离较短且很容易受到外界环境的干扰，定位精度较低。PDR(Pedestrian Dead Reckoning)定位技术利用加速度计、磁力计和陀螺仪等信息来确定用户位置，该技术不需要依赖于额外的辅助设备，受周围环境的干扰也较小，但是其存在累积误差，不适合长期使用。
发明内容
本发明实施例提供一种室内定位方法、装置、电子设备和存储介质，以提高室内定位的准确度。
第一方面，本发明实施例提供了一种室内定位方法，包括：
采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
第二方面，本发明实施例还提供了一种室内定位装置，包括：
信号数据采集模块，用于采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
设备预测模块，用于基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
地磁融合预测模块，用于基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
第三方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的室内定位方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的室内定位方法。
本发明实施例基于设备信号数据确定设备预测位置信息，再基于设备预测位置信息，根据地磁信号数据确定融合预测位置信息，实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。
附图说明
图1是本发明实施例一中的室内定位方法的流程图；
图2是本发明实施例二中的室内定位方法的流程图；
图3是本发明实施例三中的室内定位方法的流程图；
图4是本发明实施例四中的室内定位方法的流程图；
图5是本发明实施例五中的室内定位系统的结构示意图；
图6是本发明实施例六中的室内定位装置的结构示意图；
图7是本发明实施例七中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的室内定位方法的流程图，本实施例可适用于对室内对象进行定位的情况。该方法可以由室内定位装置来执行，该装置可以采用软件和/或硬件的方式实现，并可配置在电子设备中，例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示，该方法具体包括：
步骤101、采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据。
其中，目标对象是指可以采集设备信号数据和地磁信号数据的设备，例如目标对象是指装有采集传感器信息的软件的移动设备。待定位点是指目标对象获取信号数据的位置点，需要对该位置点的具体坐标信息进行确定。定位设备是指可以提供位置信息参考的设备，例如定位设备包括蓝牙设备或wifi设备等。至少三个定位设备可以通过定位设备的唯一设备标识进行预先确定。
具体的，定位设备预先安装在待定位点所在空间内，并向外发出信号，目标对象在待定位点处通过传感器获取定位信号的强度，定位信号包括设备信号数据和地磁信号数据，定位信号的强度反应了待定位点距离定位设备的距离。在本发明实施例中通过至少三个定位设备的设备信号数据和地磁信号数据来确定待定位点的位置信息。对于定位设备的具体数量可以根据待定位点所在空间的面积进行设置，在此不作限定。
示例性的，当定位设备为蓝牙设备时，线下使用装有采集传感器信息的软件的手机在室内移动，当移动到待定位点时，获取到的蓝牙信号数据为：[rssiBL,1,rssiBL,2,…,rssBL,j,…,rssiBL,n]，其中，rssiBL,n表示接收到的第n个蓝牙设备发送来的信号强度值，获取到的地磁信号数据为[sx,sy,sz]，其中，sx、sy和sz分别表示在三个轴方向上的磁场强度。可选的，由于地磁信号存在一定的不稳定性，在采集地磁信号数据后可以进行预处理操作，示例性的，获取待定位点周围区域内预设数量个地磁信号数据，根据这预设数量个地磁信号数据确定待定位点的地磁信号数据。例如，获取以待定位点为圆心，半径为0.5米确定周围区域，在该区域内五个位置点处获取五条地磁信号数据，[s1,x,s1,y,s1,z]，[s2,x,s2,y,s3,z]…[s5,x,s5,y,s5,z]，预处理后的地磁信号数据为[sos1,sos2,…,sosi,…,sos5]，其中，通过对地磁信号数据进行预处理，避免受到了地磁信号接收不稳定的影响。
步骤102、基于预先训练的位置预测机器学习模型，根据设备信号数据确定设备预测位置信息。
其中，位置预测机器学习模型是预先训练完成的，表征了设备信号数据与位置信息之间的特征关系。具体的，位置预测机器学习模型通过预先采集的设备样本信号数据和关联标记的位置信息进行训练得到。将设备信号数据输入到预先训练的位置预测机器学习模型中，通过模型分析设备信号数据的特征，进行确定与该设备信号数据特征相关的位置信息，作为设备预测位置信息进行输出。设备预测位置信息是指根据定位设备的信号数据得到的待定位点位置信息。
在一个可行的实施例中，位置预测机器学习模型的训练步骤如下：
获取至少三个定位设备的设备样本指纹数据；将设备样本指纹数据输入到机器学习模型中，得到位置预测机器学习模型。
由于位置预测机器学习模型是预先训练的，因此需要预先获取设备样本信号数据。设备样本指纹数据是指一组定位设备信号在特定位置的测量值。示例性的，wifi设备样本指纹数据是指来自周围各个路由器信号的RSS(Received signal strength，接收的信号强度)测量值。机器学习模型是指用来处理分类和回归问题的模型。示例性的，机器学习模型可以采用机器学习算法框架XGBoost，XGBoost是一种集成学习算法，属于梯度提升树(BGDT)的一种开源算法框架，可用来处理机器学习中的分类和回归问题。或者机器学习模型还可以选择随机森林、神经网络、逻辑回归。
具体的，在待定位点所在空间内获取多条设备样本指纹数据，为了保证模型训练结果的准确性，设备样本指纹数据的数量需要尽量多。因此在多个位置点获取周围所有定位设备的设备样本信号数据，同时获得当前所在位置，将采集到的数据即为设备样本指纹数据。
示例性的，获取到k个定位设备的设备样本指纹数据为[mac1:rssi1,1,mac2:rssi1,2,…,macj:rss1,j,…,mack:rssi1,k,x1,y1]，[mac1:rssi2,1,mac2:rssi2,2,...,macj:rss2,j,…,mack:rssi2,k,x2,y2]…[mac1:rssin,1,mac2:rssin,2,...,macj:rssn,j,…,mack:rssin,k,xn,yn]，其中，k表示在检测位置点处共能检测到k个定位设备发送的信号数据；n表示采集的设备样本指纹数据的数量，即采集数据位置点的数量；xn,yn表示在采集第n条设备样本指纹数据时所在的位置信息；rssn,j表示在第n条设备样本指纹数据中接收来自第j个定位设备的信号强度；macj表示第j个定位设备的唯一设备标识信息，可以用mac地址表示(Media Access Control Address，媒体存取控制位址)。
将定位问题建模为机器学习回归问题，将设备样本指纹数据作为训练数据输入到机器学习模型中，如输入XGBoost算法中，训练得到位置预测机器学习模型。示例性的，待定位点的位置信息可以用坐标进行表示，则训练得到的位置预测机器学习模型包括x坐标位置预测机器学习模型和y坐标位置预测机器学习模型，分别使用x坐标位置预测机器学习模型和y坐标位置预测机器学习模型预测x坐标值和y坐标值。
在一个可行的实施例中，在将设备样本指纹数据输入到机器学习模型中之前，还包括：根据待定位点所在空间从至少三个定位设备中确定目标定位设备；根据目标定位设备对设备样本指纹数据进行预处理。
由于在待定位点所在空间中收到各定位设备的信号强度的稳定性是不同的，因此为了保证设备样本指纹数据的稳定性，从能获取到信号的所有定位设备中选择目标定位设备，由目标定位设备的设备信号数据确定设备样本指纹数据。其中，目标定位设备的选择可以根据定位设备与空间的关系进行确定，示例性的，由于位于空间外的定位设备发出的信号仍有可能被室内获取到，但是存在一定的不稳定性，因此将空间室内的定位设备确定为目标定位设备。例如根据定位设备的唯一设备标识确定目标定位设备。
具体的，确定目标定位设备后，根据目标定位设备的唯一设备标识对接收到的所有设备信号数据进行筛选，得到仅包括目标定位设备的信号数据的设备样本指纹数据。示例性的，若在某位置点未获取到目标定位设备的信号数据，则在该位置点对应的设备样本指纹数据中将该目标定位设备的信号强度数据赋值为预设数值，以保证设备样本指纹数据格式的一致性，便于后续训练。
示例性的，在上述示例的基础上，根据目标定位设备的mac地址进行预处理后的设备样本指纹数据为：[rssi1,1,rssi1,2,…,rss1,j,…,rssi1,m,x1,y1]，[rssi2,1,rssi2,2,...,rss2,j,…,rssi2,m,x2,y2]…[rssin,1,rssin,2,...,rssn,j,…,rssin,m,xn,yn]；其中，m表示目标定位设备的数量，在每条设备样本指纹数据中仅包括这m个目标定位设备的RSS值以及当前位置信息。可选的，为了保证设备预测位置信息时的准确性，在步骤101中的至少三个定位设备即为模型训练时确定的目标定位设备。
步骤103、基于预先确定的地磁指纹库，根据地磁信号数据和设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
其中，地磁指纹库中包括待定位点所在空间中各位置点位置信息与地磁信号数据之间的关联关系。
具体的，根据地磁信号数据在地磁指纹库中确定与该地磁信号数据最匹配的位置信息作为地磁预测位置信息，将该地磁预测位置信息与根据定位设备的设备信号数据获取到的设备预测位置信息进行融合，得到融合预测位置信息，作为待定位点的最终定位结果，实现了多模融合定位，提高定位的准确性。
在一个可行的实施例中，地磁指纹库的确定步骤如下：在待定位点所在空间中至少三个位置点处获取初始地磁指纹数据；按照空间距离依次为各位置点划分初始地磁指纹数据集合；根据初始地磁指纹数据集合依次确定各位置点的最终地磁指纹数据；根据各位置点的最终地磁指纹数据构成地磁指纹库。
其中，至少三个位置点表示需要在该空间内获取多条初始地磁指纹数据，由于地磁数据存在一定的不稳定性，因此为了尽量避免不稳定性带来的误差，对初始地磁指纹数据进行预处理后，确定地磁指纹库。
具体的，获取到的多个位置点处的初始地磁指纹数据为：[s1,x,s1,y,s1,z,x1,y1]，[s2,x,s2,y,s3,z,x2,y2]…[sn,x,sn,y,sn,z,xn,yn]，其中，n表示共在n个位置点处获取了n条初始地磁指纹数据，xn和yn表示在采集第n条初始地磁指纹数据时所在的位置信息；sn,x，sn,y和sn,z分别表示在第n条初始地磁指纹数据中磁场传感器在x轴、y轴和z轴三个方向上的磁场强度。
在对初始地磁指纹数据进行预处理时，按照一定的空间距离划分该初始地磁指纹数据的初始地磁指纹数据，将属于该初始地磁指纹数据的空间距离内的初始地磁指纹数据确定为初始地磁指纹数据集合，然后根据初始地磁指纹数据集合中所有的初始指纹数据确定最终地磁指纹数据。示例性的，以第一条初始地磁指纹数据中的位置坐标点(x1,y1)为圆心，并设置预设半径，例如为0.5米，确定在该圆内所有包括的初始地磁指纹数据，例如，[s1,x,s1,y,s1,z,x1,y1]，[s2,x,s2,y,s3,z,x2,y2]…[s5,x,s5,y,s5,z,x5,y5]，这五条初始地磁指纹数据的位置信息均落在该圆内，则这五条初始地磁指纹数据为初始地磁指纹数据集合，根据初始地磁指纹数据集合中三个轴方向上磁场强度的平方和确定最终地磁指纹数据，例如，预处理后的最终地磁指纹数据为：[sos1,sos2,…,sosi,…,sos5,x,y]，其中，(x,y)为(x1,y1)到(x5,y5)的中心点。按照该方法依次确定各初始地磁指纹数据预处理后的最终地磁指纹数据，最后得到n条最终地磁指纹数据，构成地磁指纹库。
在一个可行的实施例中，步骤103，包括：在地磁指纹库中，确定与设备预测位置信息匹配的地磁信号数据集合；在地磁信号数据集合中，确定与地磁信号数据匹配的目标地磁信号数据，将目标地磁信号数据关联的目标位置信息作为融合预测位置信息。
在确定好的地磁指纹库中，按照设备预设位置信息与地磁指纹库中各条地磁指纹数据中的位置之间的关系，确定与设备预测位置信息匹配的地磁信号数据集合。再将采集到的待定位点处的地磁信号数据与地磁信号数据集合中各地磁信号数据进行匹配，确定将最匹配的目标地磁信号数据关联的目标位置信息作为根据地磁信号数据和设备信号数据融合得到的融合预测位置信息。
在一个可行的实施例中，在地磁指纹库中，确定与设备预测位置信息匹配的地磁信号数据集合，包括：根据设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离，确定匹配的地磁信号数据集合。
具体的，在地磁指纹库中，设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离小于预设距离的为匹配地磁信号数据，由所有的匹配地磁信号数据构成地磁信号数据集合。示例性的，以设备预测位置信息为圆心，设置半径阈值，例如半径阈值为3米，具体数据可以根据空间大小进行设置，在此不作限定，将地磁指纹库中位于该圆内的地磁指纹数据作为匹配地磁指纹数据。
在一个可行的实施例中，在地磁信号数据集合中，确定与地磁信号数据匹配的目标地磁信号数据，包括：基于动态时间规整算法，在地磁信号数据集合中，确定与地磁信号数据匹配的目标地磁信号数据。
其中，动态时间规整算法(Dynamic Time Warping，DTW)是一种可以计算两个时间序列(长度一致或不一致)之间相似度的动态规划算法。在本发明实施例中，用于确定地磁信号数据与地磁信号数据集合中各候选地磁信号数据的匹配程度。
本发明实施例基于设备信号数据确定设备预测位置信息，再基于设备预测位置信息，根据地磁信号数据确定融合预测位置信息，实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。
实施例二
图2是本发明实施例二中的室内定位方法的流程图，本实施例二在实施例一的基础上进行进一步地优化。如图2所示，该方法包括：
步骤201、采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；其中，定位设备包括蓝牙设备和wifi设备。
通过在待定位点所在空间内设置多种类型的定位设备，进而增加设备预测位置信息确定的方法类型，提高设备预测位置信息的多样性，实现多模融合定位，避免受到单一设备数据的影响。
步骤202、基于预先训练的wifi位置预测机器学习模型，根据设备信号数据中的wifi设备信号数据确定wifi设备预测位置信息。
其中，wifi位置预测机器学习模型的训练步骤如下：获取至少三个wifi设备的wifi设备样本指纹数据；将wifi设备样本指纹数据输入到机器学习模型中，得到wifi位置预测机器学习模型。可选的，在将wifi设备样本指纹数据输入到机器学习模型中之前，还包括：根据待定位点所在空间从至少三个定位设备中确定目标wifi设备；根据目标wifi设备对wifi设备样本指纹数据进行预处理。
具体的模型训练方法可参考实施例一中的位置预测机器学习模型的训练方法，在此不再赘述。将采集到的wifi设备信号数据输入到wifi位置预测机器学习模型中，得到wifi设备预测位置信息。示例性的，待定位点的位置信息可以用坐标进行表示，则训练得到的wifi位置预测机器学习模型包括wifi-x坐标位置预测机器学习模型和wifi-y坐标位置预测机器学习模型，分别使用wifi-x坐标位置预测机器学习模型和wifi-y坐标位置预测机器学习模型预测wifi-x坐标值和wifi-y坐标值。
步骤203、基于预先训练的蓝牙位置预测机器学习模型，根据设备信号数据中的蓝牙设备信号数据确定蓝牙设备预测位置信息。
其中，蓝牙位置预测机器学习模型的训练步骤如下：获取至少三个蓝牙设备的蓝牙设备样本指纹数据；将蓝牙设备样本指纹数据输入到机器学习模型中，得到蓝牙位置预测机器学习模型。可选的，在将蓝牙设备样本指纹数据输入到机器学习模型中之前，还包括：根据待定位点所在空间从至少三个定位设备中确定目标蓝牙设备；根据目标蓝牙设备对蓝牙设备样本指纹数据进行预处理。
具体的模型训练方法可参考实施例一中的位置预测机器学习模型的训练方法，在此不再赘述。将采集到的蓝牙设备信号数据输入到蓝牙位置预测机器学习模型中，得到蓝牙设备预测位置信息。示例性的，待定位点的位置信息可以用坐标进行表示，则训练得到的蓝牙位置预测机器学习模型包括蓝牙-x坐标位置预测机器学习模型和蓝牙-y坐标位置预测机器学习模型，分别使用蓝牙-x坐标位置预测机器学习模型和蓝牙-y坐标位置预测机器学习模型预测蓝牙-x坐标值和蓝牙-y坐标值。
步骤204、根据wifi设备预测位置信息，在地磁指纹库中确定匹配的第一地磁信号数据集合。
根据wifi设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离，确定匹配的第一地磁信号数据集合。
具体的，在地磁指纹库中，wifi设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离小于第一预设距离的为第一匹配地磁信号数据，由所有的第一匹配地磁信号数据构成第一地磁信号数据集合。示例性的，以wifi设备预测位置信息为圆心，设置半径阈值，例如半径阈值为3米，具体数据可以根据空间大小进行设置，在此不作限定，将地磁指纹库中位于该圆内的地磁指纹数据作为第一匹配地磁指纹数据。
步骤205、根据蓝牙设备预测位置信息，在地磁指纹库中确定匹配的第二地磁信号数据集合。
根据蓝牙设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离，确定匹配的第二地磁信号数据集合。
具体的，在地磁指纹库中，蓝牙设备预测位置信息与地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离小于第二预设距离的为第二匹配地磁信号数据，由所有的第二匹配地磁信号数据构成第二地磁信号数据集合。示例性的，以蓝牙设备预测位置信息为圆心，设置半径阈值，例如半径阈值为3米，具体数据可以根据空间大小进行设置，在此不作限定，将地磁指纹库中位于该圆内的地磁指纹数据作为第二匹配地磁指纹数据。
步骤206、在第一地磁信号数据集合和第二地磁信号数据集合中，确定与地磁信号数据匹配的目标地磁信号数据，将目标地磁信号数据关联的目标位置信息作为融合预测位置信息。
由第一地磁信号数据集合和第二地磁信号数据集合构成完整地磁信号数据集合，在该完整地磁信号数据集合中，确定与地磁信号数据匹配的目标地磁信号数据，将目标地磁信号数据关联的目标位置信息作为融合预测位置信息。具体的匹配方法可以参考实施例一中，在此不再赘述。
本发明实施例基于蓝牙设备信号数据和wifi设备信号数据分别确定蓝牙设备预测位置信息和wifi设备预测位置信息，再基于蓝牙设备预测位置信息和wifi设备预测位置信息，根据地磁信号数据确定融合预测位置信息，实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。
实施例三
图3是本发明实施例三中的室内定位方法的流程图，本实施例三在上述实施例的基础上进行进一步地优化。如图3所示，该方法包括：
步骤301、采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据，以及采集目标对象在待定位点处的加速度数据信息。
其中，加速度数据信息通过惯性传感器获取，即在目标对象中设置惯性传感器，在待定位点处确定加速度数据信息。
步骤302、基于预先训练的位置预测机器学习模型，根据设备信号数据确定设备预测位置信息。
步骤303、基于预先确定的地磁指纹库，根据地磁信号数据和设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
步骤304、根据加速度数据信息确定加速度预测位置信息。
基于行人航位推算方法，根据加速度数据信息确定加速度预测位置信息。行人航位推算(PDR)使用惯性传感器来估计相对位置，主要由三部分组成：步数计数：可以使用相机，加速计，商用计步器来实现。对于加速计来说可以使用波峰检测、阈值设置、自动相关性分析和频谱分析等来实现。步长估计：加速度二次积分等方法。航向估计：通常基于罗盘或陀螺仪来估计。示例性的，将加速度数据信息输入到PDR算法中，得到的预测坐标为加速度预测位置信息。
步骤305、根据加速度预测位置信息和融合预测位置信息，确定最终预测位置信息。
使用扩展卡尔曼滤波(EKF)算法、卡尔曼滤波或粒子滤波融合算法，对加速度预测位置信息和融合预测位置信息进行融合，得到最终预测位置信息。对于融合预测位置信息是根据设备预测位置信息和地磁信号数据融合得到的，其中，设备预测位置信息包括蓝牙设备预测位置信息和/或wifi设备预测位置信息。具体的确定方法可参考实施例一和实施例二。
本发明实施例基于设备信号数据确定设备预测位置信息，结合设备预测位置信息和地磁信号数据确定融合预测位置信息，再根据加速度预测位置新和融合预测位置信息进行进一步的融合，得到最终预测位置信息。实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。
实施例四
图4是本发明实施例四中的室内定位方法的流程图，本实施例四在上述实施例的基础上进行进一步地优化。如图4所示，该方法包括：
步骤401、采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据。
步骤402、基于预先训练的位置预测机器学习模型，根据设备信号数据确定设备预测位置信息。
步骤403、基于预先确定的地磁指纹库，根据地磁信号数据和设备预测位置信息，确定待定位点的融合预测位置信息。
步骤404、根据预先确定的空间上下文信息，对融合预测位置信息进行修正，得到最终定位结果。
空间上下文信息用于描述待定位点所在空间中的可到达区域和不可到达区域。由于在室内环境中，预测的位置信息有可能会落在不可能到达的区域(如墙体内部等)，因此，预先确定空间上下文信息，对融合预测位置信息进行纠错修正，避免出现定位坐标不合理的情况。其中，融合预测位置信息是根据设备预测位置信息和地磁信号数据融合得到的，或者是根据加速度预测位置信息和融合预测位置信息得到的最终预测位置信息，其中，设备预测位置信息包括蓝牙设备预测位置信息和/或wifi设备预测位置信息。具体的确定方法可参考实施例一、实施例二和实施例三。
在一个可行的实施例中，步骤404，包括：确定空间上下文信息中待定位点所在空间的可到达区域位置信息；确定融合预测位置信息是否与可到达区域位置信息匹配；若匹配，则确定预测位置信息为最终定位结果；否则，确定可到达区域位置信息中与融合预测位置信息距离最近的位置信息为最终定位结果。
空间上下文信息是预先确定的，具体的，对室内地图进行标注，将室内地图分为两部分：可到达区域和不可达到区域，根据可到达区域的位置信息和不可到达区域的位置信息得到空间上下文信息。
在进行位置纠错时，先将融合预测位置信息转换为室内地图中该坐标所在像素的坐标，确定该坐标是否在可到达区域位置信息内，若在，则表示匹配成功，确定预测位置信息为最终定位结果。若不在，则表示融合预测位置信息位于可不到达区域内，则将可到达位置信息中与融合预测位置信息距离最近的位置信息确定为最终定位结果。
在本发明实施例中，引入空间上下文信息进行定位结果的纠错，避免出现定位坐标不合理的情况。
实施例五
图5是本发明实施例五中的室内定位系统的结构示意图，该系统包括指纹数据采集模块，线上算法模块、线下传感器数据采集模块、线上和线下定位算法坐标预测和融合模块、空间上下文信息纠错模块和定位结果展示模块。
指纹数据采集模块：用于采集训练位置预测机器学习模型的设备样本指纹数据。示例性的：线下指纹数据采集使用装有采集传感器信息的软件的智能手机完成，该软件不断扫描传感器收到的wifi、蓝牙和磁场强度数据，同时获得当前所在位置，将采集到的数据写入文件中形成wifi设备样本指纹数据、蓝牙设备样本指纹数据以及地磁指纹库。
线上算法模块：与指纹数据采集模块连接，获取指纹数据采集模块采集到的设备样本指纹数据，对数据进行预处理，将预处理后的设备样本指纹数据分别作为训练数据分别输入机器学习模型中，训练得到四个位置预测机器学习模型：Fwifi,x，Fwifi,y，FBL,x，FBL,y，分别表示wifi-x坐标位置预测机器学习模型、wifi-y坐标位置预测机器学习模型、蓝牙-x坐标位置预测机器学习模型和蓝牙-y坐标位置预测机器学习模型。分别使用wifi指纹数据，蓝牙指纹数据预测x坐标和y坐标值。线上定位网络服务用于对训练完成的模型进行测试，使用Flask搭建http网络服务，以接收线下客户端的传感器数据并给出预测坐标，对模型的训练结果准确性进行确定。
线下传感器数据采集模块：用于采集目标对象在待定位点处获取到的至少三个定位设备的wifi设备信号数据、蓝牙设备信号数据、地磁信号数据和加速度数据信息。
线上和线下定位算法坐标预测和融合模块：获取线下传感器数据采集模块采集到的数据，并将其输入到线上算法模块中得到的机器学习模型中，得到最终预测位置信息。具体的：将wifii设备信号数据分别输入到器学习模型Fwifi,x和Fwifi,y中得到预测坐标(xa,ya)；将蓝牙设备信号数据分别输入到机器学习模型FBL,x和FBL,y得到预测坐标(xb,yb)；在地磁指纹库中，以坐标(xa,ya)、半径为r0筛选出范围内的地磁指纹数据集合为S0，以坐标(xb,yb)、半径为r1筛选出范围内的地磁指纹数据集合为S1。令S＝S0∪S1，将线下采集到的地磁信号数据与S中的磁场指纹数据使用动态时间规整算法(DTW)进行匹配，找到最匹配的地磁指纹数据对应的坐标为(xc,yc)。基于加速度数据信息运行PDR算法得到预测坐标(xd,yd)，然后使用扩展卡尔曼滤波(EKF)算法融合坐标(xc,yc)和(xd,yd)得到坐标(xe,ye)，作为最终位置预测位置信息。
空间上下文信息纠错模块：确定空间上下文信息中待定位点所在空间的可到达区域位置信息；确定融合预测位置信息是否与可到达区域位置信息匹配；若匹配，则确定预测位置信息为最终定位结果；否则，确定可到达区域位置信息中与融合预测位置信息距离最近的位置信息为最终定位结果。
定位结果展示模块：将空间上下文信息纠错模块中得到的最终定位结果展示在室内地图中，例如，在室内地图中用蓝色点表示当前所处坐标位置，红色点表示历史经过的坐标点位置。
本发明实施例综合利用各种定位方式优点，提出了一套多模融合的定位方法进行融合定位，提高定位精度和稳定性。引入空间上下文信息进行定位结果纠错，避免出现定位结果不合理的情况。
实施例六
图6是本发明实施例六中的室内定位装置的结构示意图，本实施例可适用于对室内对象进行定位的情况。如图6所示，该装置包括：
信号数据采集模块610，用于采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
设备预测模块620，用于基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
地磁融合预测模块630，用于基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
本发明实施例基于设备信号数据确定设备预测位置信息，再基于设备预测位置信息，根据地磁信号数据确定融合预测位置信息，实现了综合利用各种定位方法的优点，从而保证对待定位点定位的准确性，避免了对单一定位信息的依赖性，兼容性强、适用范围广。
可选的，地磁融合预测模块，包括：
地磁信号匹配单元，用于在所述地磁指纹库中，确定与所述设备预测位置信息匹配的地磁信号数据集合；
信号融合预测单元，用于在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，将所述目标地磁信号数据关联的目标位置信息作为所述融合预测位置信息。
可选的，地磁信号匹配单元，具体用于：
根据所述设备预测位置信息与所述地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离，确定匹配的地磁信号数据集合。
可选的，信号融合预测单元，具体用于：
基于动态时间规整算法，在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据。
可选的，所述定位设备包括蓝牙设备和wifi设备；
相应的，设备预测模块，具体用于：
基于预先训练的wifi位置预测机器学习模型，根据所述设备信号数据中的wifi设备信号数据确定wifi设备预测位置信息；
基于预先训练的蓝牙位置预测机器学习模型，根据所述设备信号数据中的蓝牙设备信号数据确定蓝牙设备预测位置信息。
可选的，地磁融合预测模块，具体用于：
根据所述wifi设备预测位置信息，在所述地磁指纹库中确定匹配的第一地磁信号数据集合；
根据所述蓝牙设备预测位置信息，在所述地磁指纹库中确定匹配的第二地磁信号数据集合；
在所述第一地磁信号数据集合和第二地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，将所述目标地磁信号数据关联的目标位置信息作为所述融合预测位置信息。
可选的，信号数据采集模块还包括：采集目标对象在待定位点处的加速度数据信息；
相应的，所述装置还包括加速度预测模块，用于在根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息之后：
根据所述加速度数据信息确定加速度预测位置信息；
根据所述加速度预测位置信息和所述融合预测位置信息，确定最终预测位置信息。
可选的，所述装置还包括上下文修正模块，用于在根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息之后，
根据预先确定的空间上下文信息，对所述融合预测位置信息进行修正，得到最终定位结果。
可选的，上下文修正模块，具体用于：
确定空间上下文信息中待定位点所在空间的可到达区域位置信息；
确定所述融合预测位置信息是否与所述可到达区域位置信息匹配；
若匹配，则确定所述融合预测位置信息为最终定位结果；
否则，确定所述可到达区域位置信息中与所述融合预测位置信息距离最近的位置信息为最终定位结果。
可选的，所述装置还包括机器学习模型训练模块，用于：
获取所述至少三个定位设备的设备样本指纹数据；
将所述设备样本指纹数据输入到机器学习模型中，得到位置预测机器学习模型。
可选的，所述机器学习模型训练模块还包括样本数据预处理单元，用于在将所述设备样本指纹数据输入到机器学习模型中之前：
根据待定位点所在空间从所述至少三个定位设备中确定目标定位设备；
根据所述目标定位设备对所述设备样本指纹数据进行预处理。
可选的，所述装置还包括地磁指纹库确定模块，用于：
在待定位点所在空间中至少三个位置点处获取初始地磁指纹数据；
按照空间距离依次为各位置点划分初始地磁指纹数据集合；
根据所述初始地磁指纹数据集合依次确定各位置点的最终地磁指纹数据；
根据所述各位置点的最终地磁指纹数据构成地磁指纹库。
本发明实施例所提供的室内定位装置可执行本发明任意实施例所提供的室内定位方法，具备执行室内定位方法相应的功能模块和有益效果。
实施例七
图7是本发明实施例七提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储装置28，连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质，例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储装置28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的室内定位方法，包括：
采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
实施例八
本发明实施例八还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的室内定位方法，包括：
采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，作为最终定位结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种室内定位方法，其特征在于，包括：
采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；采集目标对象在待定位点处的加速度数据信息；
基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息；
其中，在根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息之后，还包括：
将所述加速度数据信息输入到行人航位推算算法中，得到预测坐标作为加速度预测位置信息；
根据所述加速度预测位置信息和所述融合预测位置信息，确定最终预测位置信息，作为最终定位结果；
所述基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，包括：
在所述地磁指纹库中，确定与所述设备预测位置信息匹配的地磁信号数据集合；
在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，将所述目标地磁信号数据关联的目标位置信息作为所述融合预测位置信息；
地磁指纹库的确定步骤如下：
在待定位点所在空间中至少三个位置点处获取初始地磁指纹数据；
按照空间距离依次为各位置点划分初始地磁指纹数据集合；
根据初始地磁指纹数据集合中三个轴方向上磁场强度的平方和确定最终地磁指纹数据；
根据所述各位置点的最终地磁指纹数据构成地磁指纹库；
根据所述加速度预测位置信息和所述融合预测位置信息，确定最终预测位置信息，包括：
通过扩展卡尔曼滤波算法和/或卡尔曼滤波或粒子滤波融合算法，对所述加速度预测位置信息和所述融合预测位置信息进行融合，确定最终预测位置信息。
2.根据权利要求1所述的方法，其特征在于，在所述地磁指纹库中，确定与所述设备预测位置信息匹配的地磁信号数据集合，包括：
根据所述设备预测位置信息与所述地磁指纹库中各候选地磁信号数据关联的候选位置信息之间的距离，确定匹配的地磁信号数据集合。
3.根据权利要求1所述的方法，其特征在于，在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，包括：
基于动态时间规整算法，在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据。
4.根据权利要求1所述的方法，其特征在于，所述定位设备包括蓝牙设备和wifi设备；
相应的，基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息，包括：
基于预先训练的wifi位置预测机器学习模型，根据所述设备信号数据中的wifi设备信号数据确定wifi设备预测位置信息；
基于预先训练的蓝牙位置预测机器学习模型，根据所述设备信号数据中的蓝牙设备信号数据确定蓝牙设备预测位置信息。
5.根据权利要求4所述的方法，其特征在于，基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息，包括：
根据所述wifi设备预测位置信息，在所述地磁指纹库中确定匹配的第一地磁信号数据集合；
根据所述蓝牙设备预测位置信息，在所述地磁指纹库中确定匹配的第二地磁信号数据集合；
在所述第一地磁信号数据集合和第二地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，将所述目标地磁信号数据关联的目标位置信息作为所述融合预测位置信息。
6.根据权利要求1所述的方法，其特征在于，在根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息之后，还包括：
根据预先确定的空间上下文信息，对所述融合预测位置信息进行修正，得到最终定位结果。
7.根据权利要求6所述的方法，其特征在于，根据预先确定的空间上下文信息，对所述融合预测位置信息进行修正，得到最终定位结果，包括：
确定空间上下文信息中待定位点所在空间的可到达区域位置信息；
确定所述融合预测位置信息是否与所述可到达区域位置信息匹配；
若匹配，则确定所述融合预测位置信息为最终定位结果；
否则，确定所述可到达区域位置信息中与所述融合预测位置信息距离最近的位置信息为最终定位结果。
8.根据权利要求1所述的方法，其特征在于，位置预测机器学习模型的训练步骤如下：
获取所述至少三个定位设备的设备样本指纹数据；
将所述设备样本指纹数据输入到机器学习模型中，得到位置预测机器学习模型。
9.根据权利要求8所述的方法，其特征在于，在将所述设备样本指纹数据输入到机器学习模型中之前，还包括：
根据待定位点所在空间从所述至少三个定位设备中确定目标定位设备；
根据所述目标定位设备对所述设备样本指纹数据进行预处理。
10.一种室内定位装置，其特征在于，包括：
信号数据采集模块，用于采集目标对象在待定位点处获取到的至少三个定位设备的设备信号数据和地磁信号数据；
设备预测模块，用于基于预先训练的位置预测机器学习模型，根据所述设备信号数据确定设备预测位置信息；
地磁融合预测模块，用于基于预先确定的地磁指纹库，根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息；
其中，所述信号数据采集模块，还用于采集目标对象在待定位点处的加速度数据信息；
其中，所述装置还包括加速度预测模块，用于在根据所述地磁信号数据和所述设备预测位置信息，确定待定位点的融合预测位置信息之后：
将所述加速度数据信息输入到行人航位推算算法中，得到预测坐标作为加速度预测位置信息；
根据所述加速度预测位置信息和所述融合预测位置信息，确定最终预测位置信息，作为最终定位结果；
地磁指纹库确定模块，用于：
在待定位点所在空间中至少三个位置点处获取初始地磁指纹数据；
按照空间距离依次为各位置点划分初始地磁指纹数据集合；
根据所述初始地磁指纹数据集合依次确定各位置点的最终地磁指纹数据；
根据所述各位置点的最终地磁指纹数据构成地磁指纹库；
地磁融合预测模块，包括：
地磁信号匹配单元，用于在所述地磁指纹库中，确定与所述设备预测位置信息匹配的地磁信号数据集合；
信号融合预测单元，用于在所述地磁信号数据集合中，确定与所述地磁信号数据匹配的目标地磁信号数据，将所述目标地磁信号数据关联的目标位置信息作为所述融合预测位置信息；
根据所述加速度预测位置信息和所述融合预测位置信息，确定最终预测位置信息，包括：
通过扩展卡尔曼滤波算法和/或卡尔曼滤波或粒子滤波融合算法，对所述加速度预测位置信息和所述融合预测位置信息进行融合，确定最终预测位置信息。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的室内定位方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的室内定位方法。
CN202110287485.7A 2021-03-17 2021-03-17 室内定位方法、装置、电子设备和存储介质 Active CN113063420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110287485.7A CN113063420B (zh) 2021-03-17 2021-03-17 室内定位方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110287485.7A CN113063420B (zh) 2021-03-17 2021-03-17 室内定位方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113063420A CN113063420A (zh) 2021-07-02
CN113063420B true CN113063420B (zh) 2024-02-02

Family

ID=76561079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110287485.7A Active CN113063420B (zh) 2021-03-17 2021-03-17 室内定位方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113063420B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114364018B (zh) * 2021-12-24 2023-10-13 盒马(中国)有限公司 定位方法以及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105043380A (zh) * 2015-06-29 2015-11-11 武汉大学 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法
CN106153049A (zh) * 2016-08-19 2016-11-23 北京羲和科技有限公司 一种室内定位方法及装置
CN106979778A (zh) * 2016-01-15 2017-07-25 阿里巴巴集团控股有限公司 一种定位方法、装置和移动终端
CN107830862A (zh) * 2017-10-13 2018-03-23 桂林电子科技大学 一种基于智能手机的室内定位行人追踪的方法
CN108632761A (zh) * 2018-04-20 2018-10-09 西安交通大学 一种基于粒子滤波算法的室内定位方法
CN112135250A (zh) * 2020-08-12 2020-12-25 浙江大华技术股份有限公司 室内定位方法、装置、计算机设备和可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105043380A (zh) * 2015-06-29 2015-11-11 武汉大学 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法
CN106979778A (zh) * 2016-01-15 2017-07-25 阿里巴巴集团控股有限公司 一种定位方法、装置和移动终端
CN106153049A (zh) * 2016-08-19 2016-11-23 北京羲和科技有限公司 一种室内定位方法及装置
CN107830862A (zh) * 2017-10-13 2018-03-23 桂林电子科技大学 一种基于智能手机的室内定位行人追踪的方法
CN108632761A (zh) * 2018-04-20 2018-10-09 西安交通大学 一种基于粒子滤波算法的室内定位方法
CN112135250A (zh) * 2020-08-12 2020-12-25 浙江大华技术股份有限公司 室内定位方法、装置、计算机设备和可读存储介质

Also Published As

Publication number Publication date
CN113063420A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
US10018474B2 (en) Method and system for using offline map information aided enhanced portable navigation
CN105229490B (zh) 使用卫星可见性数据来用于提升的位置准确性
CN110455291B (zh) 用于利用磁场异常进行户内定位-寻找的方法和装置
CN107688665B (zh) 一种室内地图自动构建方法、装置及存储介质
US20160223340A1 (en) Last-Mile Navigation Using Smartphones
US10547976B2 (en) Method and system for assigning point of sale information
CN108318043A (zh) 用于更新电子地图的方法、装置和计算机可读存储介质
CN109000654B (zh) 定位方法、装置、设备及存储介质
CN111664848A (zh) 一种多模态室内定位导航方法及系统
CN109029429A (zh) 基于WiFi和地磁指纹的多分类器全局动态融合定位方法
EP3942256A2 (en) Transition detection
Kamalam et al. Augmented Reality‐Centered Position Navigation for Wearable Devices with Machine Learning Techniques
CN113063420B (zh) 室内定位方法、装置、电子设备和存储介质
EP4366339A1 (en) Method for constructing indoor map and related apparatus
CN117098224A (zh) 基于WiFi指纹和惯性传感器信息融合的室内定位与导航方法
CN112815962B (zh) 联合应用传感器参数的标定方法及装置
CN107889056B (zh) 多层建筑的室内位置数据的采集方法、设备及可读介质
Gikas et al. A low-cost wireless sensors positioning solution for indoor parking facilities management
CN110779533A (zh) 导航方法、系统和电子设备
CN116858217A (zh) 终端设备的定位方法、装置、设备及存储介质
CN109188419A (zh) 障碍物速度的检测方法、装置、计算机设备及存储介质
CN114185003A (zh) 一种基于多源信号融合的室内定位方法及系统
CN113506066A (zh) 楼栋的位置信息确定方法、装置及计算机设备
Junoh et al. Region Classification using Wi-Fi and Magnetic Field Strength.
CN113485347B (zh) 一种运动轨迹的优化方法、系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant