基于运动状态感知的低功耗定位方法及系统的制作方法
【专利摘要】本发明公开了一种基于运动状态感知的低功耗定位方法及系统，所述方法包括离线训练和在线定位，通过引入一个加速度传感器来提供低功耗定位服务，加速度传感器可以实时捕捉用户运动引起的XYZ三个方向的振动变化，通过大量样本训练和机器学习方法计算出用户运动状态和位置变化，提供包含一定定位误差的低功耗位置服务，当定位误差超过某个门限阈值时，则打开GPS完成一次精确定位。本发明使用低功耗的加速度传感器来完成大部分定位，可以大大降低整体定位功耗。
【专利说明】基于运动状态感知的低功耗定位方法及系统
【技术领域】
[0001] 本发明涉及GPS定位【技术领域】，尤其涉及一种基于运动状态感知的低功耗定位方 法及系统。
【背景技术】
[0002] 随着移动互联网化产业的不断发展，位置服务已经成为移动终端的一项重要指 标，为日常生活的定位、导航提供了极大的便利。
[0003] GPS定位主要包括两个部分：一个是用户接收机，另一个是GPS卫星星座。卫星星 座不断往外广播卫星信号，用户接收机接收到4个以上有效卫星信号，可以计算出当前位 置。
[0004] 目前，诸如汽车车载定位系统、智能手机、智能手表、智能眼镜、智能手环等可穿戴 设备上都需要广泛集成定位模块来提供位置服务，通常各类产品会集成GPS系统，可以提 供大约10米定位精度服务。
[0005] 但是，GPS模块和北斗模块的功耗很大，大约160mW，在智能终端中仅次于屏幕和 3G通信模块。实验显示，智能手机仅能提供连续5-6小时的GPS定位服务，最新推出的智能 手表只能提供2-3小时左右的GPS定位服务，很难满足用户长时间定位需求。
[0006] 因此，针对上述技术问题，有必要提供一种基于运动状态感知的低功耗定位方法 及系统。
【发明内容】
[0007] 有鉴于此，本发明的一种基于运动状态感知的低功耗定位方法及系统主要是解决 实际GPS定位过程的功耗问题，通过引入一个加速度传感器来提供低功耗定位服务。具体 地说，加速度传感器可以实时捕捉用户运动引起的XYZ三个方向的振动变化，通过大量样 本训练和机器学习方法计算出用户运动状态和位置变化，提供包含一定定位误差的低功耗 位置服务，当定位误差超过某个门限阈值时，则打开GPS完成一次精确定位。
[0008] 为了达到上述目的，本发明实施例提供的技术方案如下：
[0009] -种基于运动状态感知的低功耗定位方法，所述方法包括：
[0010] S1、离线训练；
[0011] S11、标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数 据；
[0012] S12、用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状 态，得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型；
[0013] S2、在线定位；
[0014] S21、用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加 速度数据；
[0015] S22、用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提 取，使用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内 的位移变化、及位移累计误差。
[0016] S23、机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开 GPS重新进行定位，并重启加速度传感器，返回步骤S21开始在线定位；若否，则直接返回步 骤S21开始在线定位。
[0017] 作为本发明的进一步改进，所述步骤S11中的标准运动状态包括走路、跑步、静 止；所述步骤S22中的运动状态包括走路、跑步、静止。
[0018] 作为本发明的进一步改进，所述步骤S11和步骤S21还包括：
[0019] 去除加速度数据中由于外部噪声引入的数据波动，得到平滑变化的加速度数据。
[0020] 作为本发明的进一步改进，所述步骤S11和步骤S21还包括：
[0021] 使用低通滤波器去除高频噪声，得到平滑变化的加速度数据。
[0022] 作为本发明的进一步改进，所述步骤S12中的特征向量包括：一段时间内加速度 的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量。
[0023] 作为本发明的进一步改进，所述步骤个S12中的特征向量通过SVM方法进行分类， 得到运动状态与加速度数据波形的对应关系，建立SVM模型。
[0024] 作为本发明的进一步改进，所述步骤S22具体为：
[0025] 对当前采集的加速度数据进行特征向量提取，特征向量包括一段时间内加速度的 最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量；
[0026] 采用离线训练建立好的SVM模型，计算出用户的运动状态；
[0027] 对加速度数据进行二次积分，得到一段时间内的位移变化
【权利要求】
1. 一种基于运动状态感知的低功耗定位方法，其特征在于，所述方法包括： 51、 离线训练； 511、 标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据； 512、 用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态， 得到标准运动状态与加速度数据波形的对应关系，建立离线训练模型； 52、 在线定位； 521、 用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度 数据； 522、 用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使 用离线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位 移变化、及位移累计误差。 523、 机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重 新进行定位，并重启加速度传感器，返回步骤S21开始在线定位；若否，则直接返回步骤S21 开始在线定位。
2. 根据权利要求1所述的方法，其特征在于，所述步骤S11中的标准运动状态包括走 路、跑步、静止；所述步骤S22中的运动状态包括走路、跑步、静止。
3. 根据权利要求1所述的方法，其特征在于，所述步骤S11和步骤S21还包括： 去除加速度数据中由于外部噪声引入的数据波动，得到平滑变化的加速度数据。
4. 根据权利要求3所述的方法，其特征在于，所述步骤S11和步骤S21还包括： 使用低通滤波器去除高频噪声，得到平滑变化的加速度数据。
5. 根据权利要求1所述的方法，其特征在于，所述步骤S12中的特征向量包括：一段时 间内加速度的最小值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量。
6. 根据权利要求5所述的方法，其特征在于，所述步骤个S12中的特征向量通过SVM方 法进行分类，得到运动状态与加速度数据波形的对应关系，建立SVM模型。
7. 根据权利要求6所述的方法，其特征在于，所述步骤S22具体为： 对当前采集的加速度数据进行特征向量提取，特征向量包括一段时间内加速度的最小 值、最大值、中位数、平均值、方差、倾斜度、及傅立叶能量； 采用离线训练建立好的SVM模型，计算出用户的运动状态； 对加速度数据进行二次积分，得到一段时间内的位移变化s (t):
用卡尔曼滤波方法得到位移累计误差e(t)，e(t) =Kalman(a'（t)，s(t))。
8. -种如权利要求1所述的基于运动状态感知的低功耗定位系统，其特征在于，所述 系统包括： 离线训练模块，用于： 标准数据采集，通过加速度传感器采集各个标准运动状态下对应的加速度数据； 用户运动状态学习，从加速度数据中提取出特征向量来区分各个标准运动状态，得到 标准运动状态与加速度数据波形的对应关系，建立离线训练模型； 在线定位模块，用于： 用户运动数据的采集和处理，通过加速度传感器实时采集用户运动引起的加速度数 据； 用户运动状态分析和位移分析，对当前采集的加速度数据进行特征向量提取，使用离 线训练模型计算出用户的运动状态，并对加速度数据进行计算，得到一段时间内的位移变 化、及位移累计误差。 机会式GPS定位，判断所述位移累计误差是否超过门限阈值，若是，则打开GPS重新进 行定位，并重启加速度传感器，开始在线定位；若否，则直接开始在线定位。
【文档编号】G01C21/16GK104296749SQ201410612298
【公开日】2015年1月21日 申请日期:2014年11月3日 优先权日:2014年11月3日
【发明者】陈孔阳, 谭光, 李翔宇, 吴静 申请人:中国科学院深圳先进技术研究院