融合上下文感知的地标检测辅助WiFi-PDR室内定位

doi:10.13474/j.cnki.11-2246.2020.0171

测绘通报 ›› 2020, Vol. 0 ›› Issue (6): 7-11,16.doi: 10.13474/j.cnki.11-2246.2020.0171

融合上下文感知的地标检测辅助WiFi-PDR室内定位

何肖娜¹, 宋斌斌¹, 余敏²

1. 江西师范大学软件学院, 江西南昌 330022;
2. 江西师范大学计算机信息工程学院, 江西南昌 330022

收稿日期:2019-08-02 出版日期:2020-06-25 发布日期:2020-07-01
通讯作者: 余敏。E-mail:myu821@163.com E-mail:myu821@163.com
作者简介:何肖娜(1994-),女,硕士生,主要研究方向为室内定位。E-mail:916835390@qq.com
基金资助:
国家重点研发计划（2016YFB0502204）；国家自然科学基金（41764002）

Context-aware landmark detection assists WiFi-PDR indoor localization

HE Xiaona¹, SONG Binbin¹, YU Min²

1. College of Software, Jiangxi Normal University, Nanchang 330022, China;
2. College of Computer Information and Engineering, Jiangxi Normal University, Nanchang 330022, China

Received:2019-08-02 Online:2020-06-25 Published:2020-07-01

摘要/Abstract

摘要： 针对当前WiFi-PDR室内定位中存在的WiFi信号不稳定及行人航位推算（PDR）累积误差大的问题，本文提出了一种融合上下文感知的地标检测辅助WiFi-PDR室内定位方法。该方法利用智能手机所能监测到的上下文信息建立用户模型，采用基于卷积神经网络的用户行为感知和基于WiFi-PDR室内定位的粗粒度位置感知，发现隐藏的室内地标信息，并完成用户在地标位置的位置校正，提高定位准确度。该方法在一定程度上降低了WiFi-PDR室内定位的误差，提高了用户室内定位的精度。经试验验证，该室内定位方法的精度相比于传统的WiFi-PDR方法提高了43.62%。

关键词: 室内定位, 卷积神经网络, 上下文感知, 行为感知, 位置感知, 地标

Abstract: Aiming at the instability of WiFi signal and the large cumulative error of PDR(pedestrian dead reckoning) in the current WiFi-PDR indoor localization, a context-based landmark detection assisted WiFi-PDR indoor localization method is proposed. This method uses the context information monitored by smart phones to establish a user model, and uses the user behavior perception based on convolutional neural network and coarse-grained location perception based on WiFi-PDR indoor localization to discover the hidden indoor landmark information, and completes the user's location correction at the landmark location to improve the positioning accuracy. This method reduces the indoor localization error of WiFi-PDR to some extent and improves the indoor localization accuracy of users. The experimental results show that the accuracy of the indoor localization method is 43.62% higher than that of the traditional WiFi-PDR method.

Key words: indoor localization, convolutional neural network, context awareness, behavioral perception, location awareness, landmark

中图分类号:

P228

何肖娜, 宋斌斌, 余敏. 融合上下文感知的地标检测辅助WiFi-PDR室内定位[J]. 测绘通报, 2020, 0(6): 7-11,16.

HE Xiaona, SONG Binbin, YU Min. Context-aware landmark detection assists WiFi-PDR indoor localization[J]. Bulletin of Surveying and Mapping, 2020, 0(6): 7-11,16.

参考文献

[1] 陈锐志,陈亮.基于智能手机的室内定位技术的发展现状和挑战[J].测绘学报,2017,46(10):1316-1326.
[2] 刘森. 基于手机上下文信息的用户停留时间预测的研究[D]. 北京:北京邮电大学, 2012.
[3] 张乐媛. 基于上下文感知的网络用户行为分析[D].北京:北京邮电大学,2010.
[4] 杨会涛. 基于上下文感知的手持设备用户习惯分类研究[D].南京:南京理工大学, 2010.
[5] LEE N, AHN S, HAN D. AMID:accurate magnetic indoor localization using deep learning[J]. Sensors, 2018, 18(5):1598.
[6] 周宝定, 李清泉, 毛庆洲,等. 用户上下文感知辅助的室内行人定位[J]. 武汉大学学报(信息科学版), 2014, 39(6):719-723.
[7] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(6):1229-1251.
[8] 林雕,宋国民,游雄,等.基于上下文感知的室内路径规划研究[J].地理与地理信息科学,2016,32(3):8-13,18.
[9] 吴军,肖克聪.基于深度卷积神经网络的人体动作识别[J].华中科技大学学报(自然科学版),2016,44(S1):190-194.
[10] 赵建国, 王杰贵. 基于PDR反馈的Wi-Fi室内定位算法研究[J]. 计算机应用研究, 2019, 36(1):221-225.
[11] 毕京学, 汪云甲, 曹鸿基,等. 一种基于全向指纹库的WiFi室内定位方法[J]. 测绘通报, 2018(2):25-29.
[12] 田家英,张志华.基于近邻法的WiFi室内定位改进算法研究[J].测绘工程,2018,27(12):31-36.
[13] GAO M J, YU M, GUO H, et al. Mobile robot indoor positioning based on a combination of visual and inertial sensors[J]. Sensors, 2019,19(8),1773.
[14] 陈云,卢晓,王胜利,等.一种关于地标辅助行人航位推算技术的改进室内定位方法[J].科学技术与工程,2019,19(6):155-159.
[15] 熊汉江,郭胜,郑先伟,等.室内行人移动行为识别及轨迹追踪[J].武汉大学学报(信息科学版),2018,43(11):1696-1703.
[16] 周艳. 智能空间中定位参考点的优化选择及误差分析[D]. 沈阳:东北大学, 2009.

融合上下文感知的地标检测辅助WiFi-PDR室内定位

Context-aware landmark detection assists WiFi-PDR indoor localization

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[2]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[3]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[4]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[5]	赵胤植, 邹进贵, 蔡礼贤, 黄格格. 一种顾及电子元件延迟的超宽带室内定位方法[J]. 测绘通报, 2022, 0(4): 1-5,31.
[6]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[7]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[8]	赵恒谦, 杨屹峰, 刘泽龙, 宋瑞. 农作物叶片病害迁移学习分步识别方法[J]. 测绘通报, 2021, 0(7): 34-38.
[9]	贾文翰, 刘越岩. 基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取[J]. 测绘通报, 2021, 0(6): 89-92.
[10]	段雅鸣, 张锦水, 朱爽. 基于深度卷积神经网络的云检测方法[J]. 测绘通报, 2021, 0(4): 33-39.
[11]	马林飞, 倪欢, 周子涵. 基于注意力机制的高分遥感图像采石场识别[J]. 测绘通报, 2021, 0(11): 96-100.
[12]	彭述刚, 王大成, 谭军辉, 敖旋峰, 俞佳颖. 基于改进卷积神经网络的城市地下排水管道视频智能识别[J]. 测绘通报, 2021, 0(10): 132-135,167.
[13]	王大成, 谭军辉, 彭述刚, 钟镇声, 陈国强, 李国桥. 利用深度学习模型智能识别地下排水管道缺陷[J]. 测绘通报, 2021, 0(10): 141-145.
[14]	周宗锟, 姜卫平, 唐健, 王一文, 欧阳文一. LiDAR地图匹配与二维码融合的AGV室内定位与导航[J]. 测绘通报, 2021, 0(1): 9-12,52.
[15]	王安义, 欧雪. 基于粒子滤波的PDR/地磁指纹室内定位[J]. 测绘通报, 2021, 0(1): 24-28.