【《区域识别和朝向辅助的实时地图匹配方法分析案例》5200字】

区域识别和朝向辅助的实时地图匹配方法分析案例目录TOC\o"1-3"\h\u14921区域识别和朝向辅助的实时地图匹配方法分析案例 1251811.1朝向辅助的地图匹配原理 1232531.1.1基于路径距离的转移概率矩阵 1284831.1.2基于朝向辅助的发散概率矩阵 322141.2区域识别和朝向辅助的室内地图匹配方法 520231.3实验与分析 6311301.3.1实验设置 784631.3.2实验结果 7通过使用地图匹配的方法，可以对室内定位结果进行增强。基于HMM的在线地图匹配使用前向算法进行求解。算法对某个时刻进行解码计算时依赖于当前时刻所测量的空间距离，忽略了历史时刻的状态，空间距离的测量出现偏差时导致匹配精度低。需要结合更多的语义信息和空间信息来改善地图匹配算法精度。在定位的过程中，将智能手机保持手持状态，可以通过内置的电子罗盘测量智能手机的朝向作为行人的朝向，将行人朝向信息加入算法的计算是很有必要的。在本章中，通过Dijkstra算法计算出任意两个参考点之间的最短路径距离并使用sutdent’s.t分布将参考点间的最短路径距离转换为对应的转移概率，构成转移概率矩阵。利用融合定位结果和参考点间的距离和朝向关系计算出的发散概率矩阵将与转移概率矩阵相结合，利用前向算法结合区域定位的结果对匹配轨迹进行在线推理，得到最大概率的增强定位结果。本文将武汉遥感与空间信息工业技术研究院1-5楼作为测试平台，通过静态和动态测试与传统的前向算法进行对比，结果都证明了该方法的优越性1.1朝向辅助的地图匹配原理1.1.1基于路径距离的转移概率矩阵由于室内空间中存在大量的障碍物，用欧几里德距离精确计算参考点之间的传递距离是困难的。因此，路径距离被用来测量参考点之间的距离。本节将介绍如何构造基于路径距离的转移概率矩阵。Dijkstra算法是一种常用的最短路径距离算法，它考虑了空间信息的计算，计算参考点之间的最短路径距离。下面将介绍如何根据室内环境中障碍物和参考点的位置来计算参考点之间的最短路径及其距离。首先，构造一个无向图。如图1.1所示，该无向图的点为参考点，根据室内空间的连通性将相邻的两个参考点连接起来生成边。在这个无向图中，边的权值由欧氏距离决定。然后利用Dijkstra算法计算非相邻参考点之间的路径距离。例如，图1.1是计算从参考点s1到其他参考点的路径距离的示例。根据Dijkstra算法，将参考点分为选中的Ps和未选中的PU。首先将起始参考点s1赋给Ps，其他参考点赋给PU。根据无向图的权重，只有s2与起点s1相连。所以s2和s1的距离是1，而其他参考点的距离是无限的。然后加上参考点s2和s1到Ps的路径距离。更新Ps和PU后，s3与图1.1Dijkstra过程在得到参考点之间相互转移的路径距离后，利用student’s-t分布将该距离转换为转移概率，而不是普通的高斯分布，其优点如下:首先，如图1.2所示，高斯分布的概率随着距离的增加迅速减小。因此，随着参考点之间路径距离的增加，转移概率会迅速趋近于零，从而限制了参考点之间距离较短的相互转移，因为转移概率趋近于零。其次，高斯分布的概率曲线依赖于方差，这在真实场景中很难估计。例如，当方差设置为一个非常小的值时，参考点之间的概率几乎相同，这无法描述不同参考点之间相互转移的难度。相反，当方差较大时，转移概率矩阵的大部分转移概率会接近于零。因此，使用student’s-t分布来计算转移概率。student’s-t分布只依赖于作为输入的参考点之间的路径距离，不需要其他参数。图1.2为正态分布与student’s-t分布曲线的对比。当距离较小时，学生t分布的概率小于高斯分布的概率;当距离较大时，student’s-t分布的概率大于高斯分布的概率。因此student’s-t分布的“长尾特性”使得参考点之间的转移距离更大。图1.2正态分布和student’s-t分布曲线的比较在真实场景中，在每一次转移时，由于用户可能在一定的小范围内任意移动，因此，在一定路径阈值内的转移概率应该是相同的。所以，参考点si和sasi（1.SEQ4.\*ARABIC1）其中δ是路径距离的阈值，dpath(si,P（1.SEQ4.\*ARABIC2）其中S是参考点的集合。所以，以每一个参考点为起点，可以构造出如下转移概率矩阵A:A（1.SEQ4.\*ARABIC3）1.1.2基于朝向辅助的发散概率矩阵发散概率是用于描述观测量和隐藏状态之间的相似性，在室内地图匹配方法中，发散概率常定位结果与参考点位置间距离表示。在本文中，使用融合结果得到的估计位置，根据网格模型中的参考点位置计算发散概率PotsP（1.SEQ4.\*ARABIC4）其中，Lot是时间为t时，融合结果得到的估计位置。si是参考点si的位置。Pots得到发散矩阵B：B（1.SEQ4.\*ARABIC5）在计算发散概率的时候加上朝向辅助信息可以考虑到更多空间信息，有助于提高算法的精度，发散矩阵在线计算时，每一次融合结果都被当作一个观测量用融合结果和网格模型中的参考点位置的距离转换为概率，这时可以加上朝向信息。方向信息可以通过智能手机内置的陀螺仪来获得，可以测量分别绕x轴，y轴和z轴的旋转的角速度，从而计算出智能手机的旋转，该旋转由欧拉角表示，由俯仰角rt，翻滚角∅tω（1.SEQ4.\*ARABIC6）通过对陀螺仪的测量值进行积分，得到行人的方位信息。由于智能手机内置传感器的采样间隔是离散的，采用求和法相当于积分运算。根据陀螺仪实测值，计算出偏航角φtφt（1.SEQ4.\*ARABIC7）其中，ωz,t的符合为负的原因是陀螺仪测量值为正表示轴向定位的负角度变化。俯仰角rt和翻滚角∅t的计算方式与偏航角φθ（1.SEQ4.\*ARABIC8）c（1.SEQ4.\*ARABIC9）s（1.SEQ4.\*ARABIC10）计算当前位置到所有参考点的反正切arctan()，可以知道当前位置到所有参考点的角度θ2，可以得到权重如下Weight=1+COS(（1.SEQ4.\*ARABIC11）更新发散矩阵B为：B=Po（1.SEQ4.\*ARABIC12）1.2区域识别和朝向辅助的室内地图匹配方法图1.3区域识别和朝向辅助的地图匹配方法框架区域识别和朝向辅助的地图匹配方法框架如图1.3所示。首先，将从平面地图中按照一定间隔采样出参考点（ReferencePoint）是隐式马尔可夫模型的隐藏状态。再根据空间约束将相邻的参考点进行连线，根据这些参考点和边，可以使用Dijkstra计算出任意两个参考点之间的最短参考点路径和其距离。使用sutdent’s.t分布将参考点间的最短路径距离转换为对应的转移概率，构成转移概率矩阵。利用融合定位结果和参考点间的距离和朝向关系计算出的发散概率矩阵将与转移概率矩阵相结合，利用前向算法结合区域定位的结果对匹配轨迹进行在线推理，得到最大概率的增强定位结果。Algorithm1:EnhanceLocalizationInput:TransitionmatrixA，OriginalpositioningresultG，Pedestrianheadingangleθt，RoadnetworkreferencepointRPMapOutput:EnhanceLocalizationG1G’←WGS84toCGCS2000byG;2fori=1tolen(RPMap)do3angle=arctan4Weight=(1+Math.cos((θt5Emissioni=(1/(1+dist(G’,RPMapi))2)*6end7Emission=log(Emission/sum(Emission));8fori=1tolen(RPMap)do9forj=1tolen(Ai)10Pi←maxPj+log(11end12maxPi=max(Pi)+Emission13end14ifcount>startCountthen15RPMapareaID←RPMapandareaID;16ifRPMaptransfer∩RPMapareaID=NULLthen17index=RPMaptransfer;18else:19index=RPMaptransfer∩RPMapareaID;20end21RP←heapsort(maxPindex,5);22last_no=RP1;23Genhance=WkNN(RP24else:25last_no=max(maxP);26Genhance=RPMaplast_no27end算法伪代码见Algorithm1，具体的算法输入转移矩阵A，原始融合定位结果G，行人朝向θt，路网参考点RPMap，区域分类结果AreaID，输出为增强结果Genhance。首先第1行将原始融合定位结果G从WGS84下的经纬度坐标作投影变换到CGCS2000下为G’，以计算准确的距离；第2~6行是根据原始定位结果G到路网中参考点坐标RPMap的反正切计算相对角度angle，然后根据权重公式计算权重Weight并更新发散矩阵Emission；第7~13行为前向解码过程；第14-27行为结合区域识别areaID的增强结果输出策略，这一步需要判断前一个增强点能转移到的区域与区域识别区域的相交情况做不同范围内的堆排序1.3实验与分析本小节对本章提出的朝向辅助和区域识别的室内地图匹配定位算法进行实验与评估。实验结果显示提出的方法可以显著降低地图匹配算法的时间复杂度，同时实时提高了融合定位结果的精度。在动态测试和多楼层场地测试中，提出的方法都有较好的效果。1.3.1实验设置选取了武汉遥感与空间信息工业技术研究院这样一个大型室内场景测试提出的方法。如图1.4所示，该建筑有五层，占地面积约为1462（86×17）平方米。每一层都包含了电梯、楼梯、走廊和房间等室内结构。在数据采集阶段，要求采集人员在事先划定好的区域内匀速往返行走直至行走路径覆盖整个区域。由三位采集人员分别对五层楼的95个区域采集数据并建立模型，测试数据收集时长超过20小时，采集指纹数据超过60000条。融合定位结果和增强定位结果获得和第二章实验一致。图1.4实验场五层平面图1.3.2实验结果为了证明所提出的朝向辅助和区域识别的室内地图匹配定位方法的有效性，进行了两个实验，分别在单楼层和多楼层场地进行验证。在单楼层场地测试中，传统的前向解码算法与区域识别和朝向辅助的室内地图匹配定位方法进行比较如图1.5和图1.6所示。绿色点为测试路径的真实值，该路径涵盖了走廊、大厅、房间等多种室内空间结构。红色点是融合多种定位源得到的初始定位结果，由于没有考虑室内空间的拓扑关系及语义信息，定位结果与真实路径的偏差较大，存在两处明显的穿墙和跳变情况，有较大的噪声。蓝色点表示传统的前向解码算法得到的增强定位结果，可以看到，与融合结果相比，两处穿墙和跳变情况得到了改善。如图1.6所示，图中蓝色点表示本文提出的朝向辅助和区域识别的地图匹配定位方法得到的定位结果。可以看出，本方法加入朝向信息和区域信息后匹配的轨迹比传统的前向解码算法有了很大的提升，两处明显的穿墙和跳变的定位轨迹得到了纠正，且与真值几乎保持一致，在狭长区域、开阔区域以及房间均表现良好。图1.5原始前向解码算法图1.6经本文提出的算法改进后的前向解码算法具体地，传统的前向解码算法和改进后朝向辅助和区域识别地图匹配方法的定位精度和延迟情况如表1.1所示。很明显可以看出，改进前，传统的前向解码算法的精度为3.055米，而加入朝向信息和区域信息后，本文提出的方法精度减小到1.420米。改进后的算法也没有时间延迟，满足实时地图匹配定位的要求。表1.1改进前后精度算法精度（米）延迟（秒）改进前3.0550改进后1.4200为了进一步说明本文提出的方法的优越性，展开了多楼层场地测试。在试验场1楼到5楼场景都进行了测试，测试结果分别展示在图1.7到图1.11。由于融合结果仅由定位源融合计算，并没有考虑空间信息，导致在多个位置出现较大的偏离，严重的穿墙和跳变情况使定位结果不可信。引入朝向信息和区域信息后，定位结果与真实路径具有很高的一致性，穿墙和跳变情况得到了极大的改善，这是因为空间信息对定位结果进行了纠正和增强。但是，在个别位置仍然存在跳变现象，如图1.11所示，左右两侧走廊中部分增强结果被误分类到两侧房间，当区域识别算法对当前位置的区域定位出现了错误，会导致定位结果偏离真实路径。图1.7实验场1楼测试结果图1.8实验场2楼测试结果图1.9实验场3楼测试结果