一种基于众包IMU惯导数据的楼宇室内平面图建立方法与流程

本发明涉及楼宇室内平面图建立方法。

背景技术：

目前，室内定位技术有广泛的应用领域，能够实现复杂环境下的定位、监测和追踪任务。由于移动终端的普及，使得定位系统可以与其他客户共享网络，硬件成本低，适用于医疗机构、主题公园、工厂、商场等各种需要定位导航的场合。

因此目前基于WiFi的室内定位技术、基于视觉的室内定位技术发展较快，但仍然面临一些问题。例如针对WiFi室内定位技术，需要基于室内详细地图的基础上进行AP位置的测绘、定位RadioMap的建立等。针对基于视觉的室内定位技术，需要在获取室内地图的基础上进行图像获取等。这些技术的基础都需要在未知的室内环境中或未获得准确的室内建筑图纸的情况下，因此需要能够自主建立地图即SLAM技术(simultaneous localization and mapping)构建物理图纸。通常情况下针对未知室内环境来获取室内地图需要花费大量的人力物力，一般需要由专业的测绘人员进行精确的测绘。

众包(CrowdScouring)是指一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的(而且通常是大型的)大众网络的做法。结合室内定位中未知环境的地图建立的需求，可以通过广大用户众包的方式以较低的人力、物力和时间成本进行室内地图的建立与更新。相较由专业人员进行室内环境测绘，利用众包的方法能够在保证一定的精度上大大节省实现室内定位的成本，对室内定位技术的推广有巨大的应用价值。

同时，依靠该算法对不同用户的数据获取与累计，在大数据层面上能够分析在室内环境下的用户热点与用户习惯等，通过对大量用户数据的累计、迭代、更新等能够使室内环境测绘结果更加精确，从而提高室内定位精度，提升用户体验。更进一步，用户可以通过数据交互，完善室内环境的信息，例如通过添加语义信息，时间信息等，从而使室内电子地图的功能趋于丰富。

技术实现要素：

本发明是为了解决现有技术需要由专业的测绘人员进行精确的测绘，造成成本较高的问题，而提出的一种基于众包IMU惯导数据的楼宇室内平面图建立方法。

一种基于众包IMU惯导数据的楼宇室内平面图建立方法按以下步骤实现：

步骤一：众包IMU惯导数据的获取；

步骤二：对步骤一获得的众包IMU惯导数据利用行人航迹推算算法生成用室内行走轨迹；

步骤二一：根据众包IMU惯导数据特征对室内环境进行兴趣点检测，根据检测结果匹配数据库得到用户轨迹的起始点坐标，并通过电子罗盘数据进行起始方向的判定；步骤二二：采用线性步长模型估计用户步长；

步骤二三：对众包IMU惯导数据加速度进行峰谷值检测得到计步数目；

步骤二四：利用四元数法和互补滤波法分别对三轴加速度数据和三轴陀螺仪数据计算得到航向角；

步骤二五：采用得到的用户轨迹的起始点坐标、用户步长、计步数目和航向角作为行人航迹推算算法的输入，得到众包用户的室内行走轨迹。

步骤三：对步骤二生成的室内行走轨迹进行区域密度统计，对不符合室内人员行走模型的轨迹进行删除，并对噪声点进行滤除，利用alph-shape算法进行室内地图的轮廓生成。

发明效果：

本发明针对在未知的室内环境中缺少楼宇室内地图的问题，提出一种通过移动终端获得的众包IMU惯导数据，利用轨迹生成与融合、密度分析与筛选、轮廓生成与优化算法，从而满足用户对快速建立室内楼宇平面图的要求；

本发明方法能以较低的人力成本与时间成本快速构建精确的二维楼宇室内地图，为解决室内定位问题打下了基础，在降低室内定位系统的部署成本上并实现室内定位系统快速建立与应用。

附图说明

图1为本发明流程图；

图2为本发明室内行走轨迹密度分布示意图；

图3为利用本发明方法得到的室内地图。

具体实施方式

具体实施方式一：如图1所示，一种基于众包IMU惯导数据的楼宇室内平面图建立方法包括以下步骤：

所述基于众包IMU惯导数据的楼宇室内平面图建立方法包括以下步骤：

在室内环境中，通过众包用户大量的行走轨迹可以大致反映出室内结构，因此通过众包的形式用大量用户的IMU数据利用行人航迹推算算法(PDR)生成室内轨迹，通过数据筛选与完善能够以低人力成本与时间成本的方式构建出室内地图。

首先构建客户端与服务器的结构，用户通过手机终端软件来获取众包IMU数据，并能传输至服务器处进行数据处理。

由于行人航迹推算算法主要采用的是步数与步长的乘积来获取行人的相对位移，影响该算法定位精度的因素包括起始位置的判定、计步策略、航向角的计算以及步长的估计。通过IMU惯导数据特征对室内环境进行兴趣点检测确定起始点；利用四元数法结合互补滤波法得到精确的姿态矩阵与航向角；选用线性步长模型估计用户步长、对加速度进行峰谷值检测作为计步策略、选用四元数法得到的航向角作为行人航迹推算算法的输入，得到众包用户的室内行走轨迹。

当得到大量用户的室内行走轨迹后，需要对所生成的室内行走轨迹进行区域密度统计，对不符合室内人员行走模型的轨迹进行删除，并对离散噪声点进行滤除(利用随机滤波法对离散噪声点进行滤除)，最终利用alph-shape算法进行室内地图的轮廓生成。

步骤一：众包IMU惯导数据的获取；

步骤二：对步骤一获得的众包IMU惯导数据利用行人航迹推算算法生成用室内行走轨迹；

步骤二一：根据众包IMU惯导数据特征对室内环境进行兴趣点检测，根据检测结果匹配数据库(记录兴趣点的坐标及记录IMU惯导数据特征)得到用户轨迹的起始点坐标，并通过电子罗盘数据进行起始方向的判定；室内兴趣点特征主要表现在同一用户终端惯导测量数据的易区分性与不同用户终端惯导数据的一致性，如电梯位置、楼梯位置等。步骤二二：采用线性步长模型估计用户步长；

步骤二三：对众包IMU惯导数据加速度进行峰谷值检测得到计步数目(作为计步策略)；

步骤二四：利用四元数法和互补滤波法分别对三轴加速度数据和三轴陀螺仪数据计算得到航向角；

步骤二五：采用得到的用户轨迹的起始点坐标、用户步长、计步数目和航向角作为行人航迹推算算法的输入，得到众包用户的室内行走轨迹。

多条室内行走轨迹的求取过程也为步骤二一至步骤二五。

步骤三：对步骤二生成的室内行走轨迹进行区域密度统计，对不符合室内人员行走模型的轨迹进行删除，并对噪声点进行滤除，利用alph-shape算法进行室内地图的轮廓生成。

针对在未知的室内环境中缺少物理地图的问题，本发明提出一种基于用户大量的IMU惯导数据，以众包的形式实现室内地图的建立的方案，为各类室内定位技术开展奠定了基础。同时辅助以电子罗盘、磁力计、RSS值等数据形式，利用数据融合的方法进一步提高室内环境测绘的精度，在降低室内定位系统的部署成本上并实现室内定位系统快速建立与应用。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中众包IMU惯导数据的获取的具体过程为：

用户手持终端在室内沿既定轨迹移动，通过手持终端以一定频率抓取多组获取众包IMU惯导数据，所述众包IMU惯导数据包括三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据、电子罗盘数据以及RSS数据。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二一中根据众包IMU惯导数据特征对室内环境进行兴趣点检测的具体过程为：

步骤二一一、选取室内特定兴趣点，如电梯出入口，楼梯出入口，并记录其位置坐标，记录固定时间窗(特定时间范围内)特定时间段中用户手持终端经过该兴趣点(区域)的三轴加速度数据，保存在数据库中作为兴趣点样本y_p＝(y₁,y₂,…y_m)；其中y₁,y₂,…y_m为一段时间内离散的三轴加速度数据；

步骤二一二、利用滑动时间窗选取需要待匹配的样本y_q＝(y₁,y₂,…y_n)，计算与数据库中的兴趣点样本的豪斯多夫距离：

H(y_p,y_q)＝max(h(y_p,y_q),h(y_q,y_p))

步骤二一三、判断两者的豪斯多夫距离是否符合阈值(人为设定)，若在阈值范围内，则判定其匹配成功，查找数据库存储的位置坐标确定用户起始点位置，并对获取到的众包IMU惯导数据进行存储，作为行人航迹推算算法的原始数据；若不在阈值范围内，则未经过兴趣点，数据不进行存储。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二二采用线性步长模型估计用户步长的具体过程为：

影响行人步长的主要因素有步频和行人身高，因此通过行人身高与步频可以反映行人步长。使用较多的线性步长估计模型如下式所示：

s＝h×(af_step+b)+c

其中h代表用户(行人)的身高，f_step为用户行走的步频，a，b，c分别为线性模型公式的校准系数，通过大量的训练数据得到不同校准系数a，b，c的值，可以通过调整校准系数a，b，c的值来求得不同姿态下较准确的步长估计。该线性模型精度相对较高，也较为常用。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二三中对众包IMU惯导数据加速度进行峰谷值检测得到计步数目的具体过程为：

计算三轴加速度得到其中分别为在k时刻的x、y、z轴加速度值，并取平均值为去除重力加速度得到利用平滑窗口对去除重力加速度后的总加速度进行滤波，设窗口因子为N，则其窗口的长度为2N+1，计算得到平滑值为

通过去重力分量以及平滑滤波后，可以有效抑制加速度信号中的高频噪声，并可使多峰值平滑成为单峰值，从而降低了计步的难度。并采用动态阈值技术来判断峰谷值，得到计步结果。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤二四中利用四元数法和互补滤波法分别对三轴加速度数据和三轴陀螺仪数据计算得到航向角的具体过程为：

步骤二四一：初始四元数的确定；

设置初始姿态角中的滚动角ψ₀、俯仰角θ₀、航向角γ₀，确定初始姿态矩阵：

步骤二四二：四元数λ、p₁、p₂、p₃的实时计算；输入信号分布为陀螺仪的数字输出信号其中t为时间，ω_ob为三轴陀螺仪的数据，加速度的数字输出信号a_ob为三轴加速度的数据，o分别代表x、y、z三轴，计算方法采用二阶龙格库塔法；

步骤二四三：姿态矩阵的实时计算，确定姿态矩阵输入为λ(n)、p₁(n)、p₂(n)、p₃(n)：

步骤二四四：载体姿态角计算，以确定姿态角θ、ψ、γ，输入为T₁₁(n)、T₁₂(n)、T₁₃(n)、T₂₃(n)、T₃₃(n)，得到精确的航向角：

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤二五中得到众包用户的室内行走轨迹的具体过程为：

由室内特定兴趣点判定得到初始位置为P₀(N₀，E₀)；

初始位置至下一个位置航向为四元数法得到的航向角为γ₀(t₀)(初始时刻的航向角)，步长为线性步长模型估计得到S(t₀)，则下一点位置为：

以此类推，室内行走轨迹可以表示为：

其它步骤及参数与具体实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：所述步骤三中对步骤二生成的室内行走轨迹进行区域密度统计，对不符合室内人员行走模型的轨迹进行删除，并对噪声点进行滤除，利用alph-shape算法进行室内地图的轮廓生成的具体过程为：

步骤三一：对所生成的室内行走轨迹进行区域密度统计；

步骤三一一：在存在用户行走轨迹的范围内划分为多个半径为0.3～0.4m的六边形，将用户行走轨迹的范围填充满；由于人体通常的行走步幅在0.66m以上，因此可以确保跨步时能够保证前后两步不会在同一六边形内。

步骤三一二：对在同一六边形内的所有初始点相同的用户轨迹进行累加，统计在该六边形区域内用户轨迹的累加次数；这里可以参照地理围栏问题。地理围栏的核心问题就是判断用户是否落在某多边形围栏内部，利用射线法依次判断该射线与每条边的交点，并统计交点个数，如果交点数为奇数，则在多边形内部，如果焦点数是偶数，则在外部。通过构建R树索引加速判断并进行次数统计。

步骤三一三：对统计完成的六边形区域累加次数进行权重划分；即越靠近初始点时设置权重越大，远离初始点设置的权重较小，通过权重的划分，可以降低远离初始点轨迹带来的误差。

其中C_n为所有用户密度区域，N_i表示在步骤三一二得到的累加次数，N_wi表示权重划分后的累加次数，x_i和y_i为任意点用户轨迹坐标，x₀和y₀为用初始点坐标，x_j和y_j为C_n区域内用户轨迹坐标。

步骤三一四：将不同初始点的轨迹密度进行累加，并以不同的密度区间按照室内行走模型参数进行划分；根据室内行走模型，占总轨迹数大于等于70％的密度空间划分为A类进行保留；占总轨迹数小于等于30％的密度空间划分为B类，进行剔除；

步骤三二、并对离散噪声点进行滤除；求六边形密度区域的中心点，依次寻找离该中心点1.5～2m内其他中心点的数目，若在中心点数目小于阈值(人为设定)，则删除该点，直至所有点遍历完毕；

步骤三三、利用alph-shape算法进行室内地图的轮廓生成：

步骤三三一：根据所有六边形边缘点集建立Delaunay三角网(三角网为多个三角形组成)；

步骤三三二：在三角网上删除不符合alpha-Shape要求的三角形的边；先删除边长大于2α的三角形的边长；再递归判断要删除的边缘三角形的边长，若通过三角形两个顶点并且半径为α的圆包含其他点，则删除此边缘三角形的边长；

步骤三三三：在删除不符合Alpha-Shape要求的三角型后所得到的三角网上求出三角网的边缘；该边缘即为六边形边缘点集的边缘线。

其它步骤及参数与具体实施方式一至七之一相同。

实施例一：

实验环境主要为哈尔滨工业大学科学园2A栋12楼室内走廊环境，采集众包用户手持终端中的IMU惯导数据，并选取室内电梯出入口作为兴趣点1，楼梯出入口作为兴趣点2并记录其位置坐标，记录在10s内用户手持终端在该兴趣点上的三轴加速度数据，作为数据库样本。在该实例中，当检测到10s内三轴加速度数据与数据库中兴趣点1的样本的豪斯多夫距离小于等于0.5时，即匹配电梯出入口成功，设置为起始点1；当检测到10s内三轴加速度数据与数据库中兴趣点2的样本的豪斯多夫距离小于等于0.5时，即匹配楼梯出入口成功，设置为起始点2。

通过线性步长模型估计用户步长为0.7m，利用峰谷值检测对每一次用户行走进行记步，通过四元数法和互补滤波法得到每一步的航行角，最终得到用户每次行走的室内轨迹。

收集到共60条室内用户行走轨迹进行密度合成，首先在所有轨迹的覆盖范围内生成半径为0.3m的六边形，统计在该六边形区域范围内轨迹的数目，并依据该数目对六边形进行密度划分。如图2所示，该区域颜色深浅表明了轨迹密度，如深色为总数目占比70％以上。按照室内行走模型，之后选取轨迹密度占比70％及以上的所有区域，并通过离散数据点剔除进行进一步的删选。先求得六边形密度区域的中心点，依次寻找离某一点2m范围内点的数目，如果在此范围内数目小于3的话，则筛除该点，直至所有点遍历完毕。

对筛选后的符合条件的密度区域利用alpha-shape算法进行边缘点集提取，并进行连线获得外轮廓图，并求取覆盖区域面积。如图3所示。