一种低成本室内定位方法及系统的制作方法
【专利摘要】本发明提供了一种低成本室内定位方法及系统，该低成本室内定位方法包括如下步骤：接收步骤：接收调制光接收传感器发送的合成光源信号；信号分解步骤：将调制光接收传感器发送的合成光源信号进行分解，从而得到各个通道光源信号的强度值；还包括高斯过程数据建模步骤和定位步骤。本发明的有益效果是：本发明通过采用简单的可调制LED灯和低成本的调制光接收传感器，通过光的最优编解码，多光源光分量分解以及贝叶斯状态滤波等多种方法的融合，实现了低成本室内定位技术的低成本化，这套系统的计算负载低，只需要进行简单的贝叶斯迭代，并且能够实现亚米级的定位精度，能够满足大部分智能设备低成本室内定位需求。
【专利说明】
-种低成本室内定位方法及系统
技术领域
[0001] 本发明设及数据处理技术领域，尤其设及一种低成本室内定位方法及系统。
【背景技术】
[0002] 伴随着互联网和智能硬件技术的迅速发展，智能手机、智能穿戴和服务机器人等 智能设备已经在民用服务行业等得到了广泛的应用。人们或者机器人在通过互联网进行交 互信息的同时，也需要与周围的物理环境进行交互，其中的一个重要交互就是获得自身相 对于周围环境的空间位置，即解决在哪里的问题。GPS是目前最常用的定位导航系统，但是 在室内环境中无法正常工作;针对运个缺点，人们利用无线电通信系统，开发了室内的GPS 定位系统，但是运种系统需要搭建额外的无线电基站，定位精度也在数米，应用十分有限。 类似于室内GI^系统，人们基于室内环境Wifi热点遍布的特点，开发出了基于同步定位与制 图技术的Wifi室内定位系统，但运种方法可靠性比较有限，精度在数米之外，由于许多室内 环境不具有Wifi热点，该方法应用也有限。在机器人领域，人们利用各种传感器开发了许多 室内定位技术，例如基于激光测距仪的定位和基于视觉系统的定位等，运些定位系统成本 较高，而且计算负载比较大。人们还通过惯性导航器件来实现定位，但精度不高而且误差存 在累计。
【发明内容】
[0003] 本发明提供了一种低成本室内定位方法，包括如下步骤：
[0004] 接收步骤:接收调制光接收传感器发送的合成光源信号；
[0005] 信号分解步骤:将调制光接收传感器发送的多通道合成光源信号进行分解，从而 得到各个通道光源信号的强度值；
[0006] 高斯过程数据建模步骤:在地图创建过程中，训练样本包括各离散训练点处的多 通道光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置之间 建立映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测数据 训练高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型；
[0007] 定位步骤:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备 的惯性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻 的最佳估计，从而完成定位。
[000引作为本发明的进一步改进，在所述信号分解步骤中，通过如下公式实现合成光源 信号的分解：
[0009]
(1)
[0010] 其中^山，一Ln为多通道光强度组成的n个光源的光强，Cl,康示第i个光源的第j 种调制方式，为第j次调制的合成光强信号。
[0011] 作为本发明的进一步改进，在所述定位步骤中，定位所需的观测模型是：
[0012] (2)
[001 ：3 ] 共f曰1分巧1 丫凡源光强-距离平方倒数的比例系数，P功第i个光源的空间坐标，R 为调制光接收传感器的空间坐标。
[0014] 作为本发明的进一步改进，在所述定位步骤中，通过卡尔曼滤波定位，卡尔曼滤波 定位包括对传感过程的建模和对运动过程的建模，设描述位置的随机变量为X，控制和运动 变量为U.观娜階I的化强信号向量为Z .后輪概率A巧为：
[0015]
[0016] 对于S个光源的环境，观测的似然概率即传感过程的建模为：
[0017]
[001引运里P(ZtsIxt)即对应每一位置X，所观测到的光强向量的分布S(X)D
[0019] 作为本发明的进一步改进，所述光强度的空间分布模型建模过程不需要相关光源 位置信息，所建立的模型为数据驱动，相关光源位置信息由各光源光强分布推理获得，无需 事先测量。
[0020] 在所述高斯过程数据建模步骤中，训练使用的高斯过程核函数为径向基函数。
[0021 ]本发明还提供了一种低成本室内定位系统，包括：
[0022] 接收模块:用于接收调制光接收传感器发送的合成光源信号；
[0023] 信号分解模块：用于将调制光接收传感器发送的多通道合成光源信号进行分解， 从而得到各个通道光源信号的强度值；
[0024] 高斯过程数据建模模块：用于在地图创建过程中，训练样本包括各离散训练点处 的多通道光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置 之间建立映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测 数据训练高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型；
[0025] 定位模块:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备 的惯性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻 的最佳估计，从而完成定位。
[0026] 作为本发明的进一步改进，在所述信号分解模块中，通过如下公式实现合成光源 信号的分解：
[0027]
(1)
[0028] 其中^，L2,…Ln为传感器感知的n个光源的光强，CiJ表示第i个光源的第巧巾调制 方式，为第j次调制的合成光强信号。
[0029] 作为本发明的进一步改进，在所述定位模块中，定位所需的观测模型是：
[0030]
(2)
[0031] 其中曰1为第i个光源光强-距离平方倒数的比例系数，P功第i个光源的空间坐标，R 为调制光接收传感器的空间坐标。
[0032] 作为本发明的进一步改进，在所述定位模块中，通过卡尔曼滤波定位，卡尔曼滤波 定位包括对传感过程的建模和对运动过程的建模，设描述位置的随机变量为X，控制和运动 变量为U，观测到的光强信号向量为Z，后验概率分布为：
[0033]
[0034] 对于S个光源的环境，观测的似然概率即传感过程的建模为：
[0035]
[0036] 运里P(ZtsIxt)即对应每一位置X，所观测到的光强向量的分布S(X)D
[0037] 作为本发明的进一步改进，所述光强度的空间分布模型建模过程不需要相关光源 位置信息，所建立的模型为数据驱动，相关光源位置信息由各光源光强分布推理获得，无需 事先测量。
[0038] 本发明的有益效果是:本发明通过采用简单的可调制Lm)灯和低成本的调制光接 收传感器，通过光的最优编解码，多光源光分量分解W及贝叶斯状态滤波等多种方法的融 合，实现了低成本室内定位技术的低成本化，运套系统的计算负载低，只需要进行简单的贝 叶斯迭代，并且能够实现亚米级的定位精度，能够满足大部分智能设备低成本室内定位需 求;本发明为相关室内服务机器人或室内环境下(如医院、地铁站、超市等等场所)的个人及 智能设备定位提供低成本的解决方案，具有显著的社会意义和实用价值。
【附图说明】
[0039] 图1是本发明的硬件装置框图。
[0040] 图2是本发明的方差空间图。
[0041] 图3是本发明的光强均值空间图。
【具体实施方式】
[0042] 本发明针对智能装备(包括智能手机、穿戴式设备、和智能机器人等）的低成本室 内定位问题，提出了一种新的实现装置、方法及系统;利用运种装置定位方法和系统，室内 环境不需要部署复杂的辅助路标，只需利用室内的可调制光源(例如:频率可控的L邸灯)和 调制光接收传感器(例如:成本极低的光电二极管或者手机自带的光电传感器），就可W实 现亚米级的定位精度，整个方法简单易行，成本低。本发明由硬件装置和核屯、算法组成，下 面我们就运两个方面分别展开论述：
[0043] 如图1所示，硬件构成：可调制光源（如频率可控的白光Lm)或者红外Lm)光源等）、 调制光接收传感器(如光电二极管接收端）、W及智能终端组成。
[0044] 可调制光源不限于采用基于Wifi或者蓝牙的频率和光强可控制的Lm)灯具，其发 出的光需要经过调制，运些信息将作为每个灯具唯一的标识。调制光接收传感器不限于采 用普通的LED二极管或者智能全屏手机自带的光电传感器。智能终端可W采用智能手机或 者价格低廉的嵌入式控制板(如本公司所开发的IntoRobot-Atom智能终端核屯、板）。
[0045] 每个光源拥有唯一的身份识别码，编码方式的选择对定位精度的影响至关重要， 我们通过最优通讯选码方式，对比各种编码的自相关函数和它们之间的互相关函数，选择 多光源互扰影响最小，最适合解调的卡萨米化asami)编码方式对L抓进行编码。为了滤除 L邸光的噪声，我们采用频域分析法来滤除杂质频率的噪声。
[0046] 本发明公开了一种低成本室内定位方法，包括如下步骤：
[0047] 接收步骤:接收调制光接收传感器发送的合成光源信号；
[0048] 信号分解步骤:将调制光接收传感器发送的多通道合成光源信号进行分解，从而 得到各个通道光源信号的强度值；
[0049] 高斯过程数据建模步骤:在地图创建过程中，训练样本包括各离散训练点处的多 通道光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置之间 建立映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测数据 训练高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型；
[0050] 定位步骤:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备 的惯性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻 的最佳估计，从而完成定位。
[0051] 环境中不同光源采取不同的编码形式，根据叠加原理，空间中某点的光照强度为 所有光源单独作用时在该点产生的光强的叠加。我们需要将合成光强分离为各独立光源单 独作用产生的光强的线性组合。本发明对Lm)灯产生的光强信号的分解进行数学描述。对于 合成光信号可将其表示为空间中的多维向量，并将环境中所有光源信号作为一组基底，将 各光源在空间中某确定点的信号强度作为待求未知数。运样，信号分解问题转化为线性方 程组求解的问题，通过求解线性方程组，即可实现信号的分解。但实际应用中，由于通讯选 码方式等原因，导致该线性方程组成为超定方程组，通过奇异值分解可求得方程组得近似 解，从而实现信号的分解。该超定方程组如下公式表示：
[00 对
（1)
[0053] 其中^，L2,…Ln为传感器感知的n个光源的光强，CiJ表示第i个光源的第巧巾调制 方式，为第j次调制的合成光强信号。
[0054] 本发明采用高斯噪声模型来对Lm)光源的空间光强分布进行建模(通过大量实验， 我们得到距离平方和光强成反比）。在高斯过程拟合框架下，选取合适的均值函数，方差函 数，W及最重要的核函数，输入观测数据训练高斯过程回归模型，建立当前的多光源环境 下，各个信号光强度的空间分布模型。观测数据可W利用运动扑捉系统对光源在空间中各 个位置调制光强进行采样获得。
[0055] 在高斯过程数据建模步骤中，图2即方差空间，其颜色深度反映了对应位置的估计 的信任程度，颜色越深越信任（即方差越小）。图3为光强均值空间的描述，颜色越浅，相应的 光强信号越强（即均值越大）。
[0056] 为了提供定位的准确性和稳定性，本发明采用了基于贝叶斯状态滤波的方法来融 合多种定位信息。基于上述合成光强的分解和单光源光强度模型，我们可W获得定位所需 的观测模型：
[0057]
。:）
[005引其中曰1为第i个光源光强-距离平方倒数的比例系数，Pi为第i个光源的空间坐标，R 为调制光接收传感器的空间坐标。此模型并不在最终算法中显示体现。
[0059] 本发明利用智能设备的惯性导航器件（如智能手机的加速度计）来获得先验位置 信息，之后通过观测模型修正预测的状态，得到当前时刻的最佳估计，如此不断迭代循环就 能不断更新系统的状态。本发明所使用的贝叶斯状态估计器不限于采用(扩展)卡尔曼滤波 器或者粒子滤波器。对于两种定位信息的测量不确定性，分别用实验标定获得。对于信号光 的不确定性，根据对光照环境建模得到的强度分布图，结合实验得到不同信号模式下的测 量误差。针对手持设备，运动更新模型将直接利用由上一个时刻定位结果拟合的位置估计 最大似然的高斯分布。最后，根据具体设计的定位实验验证模型的正确性。
[0060] 在所述定位步骤中，通过卡尔曼滤波定位，卡尔曼滤波定位包括对传感过程的建 模和对运动过程的建模。设描述位置的随机变量为X，控制和运动变量为U，观测到的光强信 号向量为Z，后验概率分布为：
[0061]
[0062] 对于S个光源的环境，观测的似然概率即传感过程的建模为：
[0063]
[0064] 运里P(ZtsIxt)即对应每一位置X，所观测到的光强向量的分布S(X).由于系统不包 括其他传感器，如惯性或视觉系统，因此对运动的估计只能由经验模型决定，如本发明中可 利用一个二维高斯过程描述，其均值为(〇,〇)，在两个运动方向的方差为0.4米。注意，此定 义描述的运动模型即所定位的本体位置倾向于保持不变，或运动较慢，在90%的条件下，最 大运动速度为0.4米每更新周期。针对不同应用背景，相关参数可进一步调整。之后，定位过 程即最大化后验概率的标准过程。
[0065] 光强度的空间分布模型建模过程不需要相关光源位置信息，所建立的模型为数据 驱动，相关光源位置信息由各光源光强分布推理获得，无需事先测量。
[0066] 本发明还公开了一种低成本室内定位系统，包括：
[0067] 接收模块:用于接收调制光接收传感器发送的合成光源信号；
[0068] 信号分解模块：用于将调制光接收传感器发送的合成光源信号进行分解，从而得 到各个通道光源信号的强度值；
[0069] 高斯过程数据建模模块：用于在地图创建过程中，训练样本包括各离散训练点处 的多通道光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置 之间建立映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测 数据训练高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型；
[0070] 定位模块:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备 的惯性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻 的最佳估计，从而完成定位。
[0071 ]在所述信号分解模块中，通过如下公式实现合成光源信号的分解：
[007^
CU >
[0073] 其中^，L2,…Ln为传感器感知的n个光源的光强，CiJ表示第i个光源的第巧巾调制 方式，为第j次调制的合成光强信号。
[0074] 在所述定位模块中，定位所需的观测模型是：
[0075]
(2)
[0076] 其中曰1为第i个光源光强-距离平方倒数的比例系数，P功第i个光源的空间坐标，R 为调制光接收传感器的空间坐标。此模型并不在最终算法中显示体现。
[0077] 在所述定位模块中，通过卡尔曼滤波定位，卡尔曼滤波定位包括对传感过程的建 模和对运动过程的建模，设描述位置的随机变量为X，控制和运动变量为U，观测到的光强信 号向量为Z，后验概率分布为：
[007引
[0079] 对于S个光源的环境，观测的似然概率即传感过程的建模为：
[0080]
[0081] 运里P(ZtsIxt)即对应每一位置X，所观测到的光强向量的分布S(X)D
[0082] 在所述高斯过程数据建模模块中，训练使用的高斯过程核函数为径向基函数。
[0083] 光强度的空间分布模型建模过程不需要相关光源位置信息，所建立的模型为数据 驱动，相关光源位置信息由各光源光强分布推理获得，无需事先测量。
[0084] 本发明通过分析现有智能设备低成本室内定位的需求（即低成本、计算负载低W 及精度适中（亚米级）），提出了本发明中的基于光通信编解码和状态滤波技术的低成本室 内定位方法及系统。L邸灯是未来室内灯具的发展趋势，越来越多的室内灯具将换成可程序 控制的LED灯具，本发明正是利用运一特点，提出通过廉价的光电二极管获取调制灯光信 号，在智能终端运行本发明提出的方法及系统，实现室内亚米级的定位精度。
[0085] 本发明通过采用简单的可调制Lm)灯和低成本的调制光接收传感器，通过光的最 优编解码，多光源光分量分解W及贝叶斯状态滤波等多种方法的融合，实现了低成本室内 定位技术的低成本化，运套系统的计算负载低，只需要进行简单的贝叶斯迭代，并且能够实 现亚米级的定位精度，能够满足大部分智能设备低成本室内定位需求。值得指出的是，本发 明的方法及系统应用于智能手机端，将不需要添加任何的额外设备，使用者就可W在装有 可调制L邸灯具的室内进行定位。本发明不仅可W应用于家庭服务机器人的定位与导航，还 实现智能手机或运穿戴式设备在大型商场，地铁站、地下停车场等等，都有非常广泛的应用 价值。
[0086] W上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定 本发明的具体实施只局限于运些说明。对于本发明所属技术领域的普通技术人员来说，在 不脱离本发明构思的前提下，还可W做出若干简单推演或替换，都应当视为属于本发明的 保护犯i围。
【主权项】
1. 一种低成本室内定位方法，其特征在于，包括如下步骤： 接收步骤:接收调制光接收传感器发送的合成光源信号； 信号分解步骤:将调制光接收传感器发送的多通道合成光源信号进行分解，从而得到 各个通道光源信号的强度值； 高斯过程数据建模步骤:在地图创建过程中，训练样本包括各离散训练点处的多通道 光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置之间建立 映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测数据训练 高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型； 定位步骤:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备的惯 性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻的最 佳估计，从而完成定位。2. 根据权利要求1所述的低成本室内定位方法，其特征在于，在所述信号分解步骤中， 通过如下公式实现合成光源信号的分解：(1) 其中Li，L2,…Ln为传感器感知的η个光源的光强，Ci,j表不第i个光源的第j种调制方式， Mj为第j次调制的合成光强信号。3. 根据权利要求1所述的低成本室内定位方法，其特征在于，在所述定位步骤中，定位 所需的观测模型是：(2) 其中ai为第i个光源光强-距离平方倒数的比例系数，Pl为第i个光源的空间坐标，R为调 制光接收传感器的空间坐标。4. 根据权利要求1所述的低成本室内定位方法，其特征在于，在所述定位步骤中，通过 卡尔曼滤波定位，卡尔曼滤波定位包括对传感过程的建模和对运动过程的建模，设描述位 置的随机变量为X，控制和运动变量为u，观测到的光强信号向量为z，后验概率分布为：Χ,-ι 对于S个光源的环境，观测的似然概率即传感过程的建模为：这里P(zts|xt)即对应每一位置X，所观测到的光强向量的分布S(x)。5. 根据权利要求1所述的低成本室内定位方法，其特征在于，所述光强度的空间分布模 型建模过程不需要相关光源位置信息，所建立的模型为数据驱动，相关光源位置信息由各 光源光强分布推理获得，无需事先测量。6. -种低成本室内定位系统，其特征在于，包括： 接收模块:用于接收调制光接收传感器发送的合成光源信号； 信号分解模块：用于将调制光接收传感器发送的多通道合成光源信号进行分解，从而 得到各个通道光源信号的强度值； 高斯过程数据建模模块：用于在地图创建过程中，训练样本包括各离散训练点处的多 通道光强度组成的光强向量及各训练点的位置信息，通过高斯过程，光强向量与位置之间 建立映射关系，所述映射关系由高斯过程描述，包括均值和方差两个子空间，输入观测数据 训练高斯过程回归模型，建立当前的多光源环境下，各个信号光强度的空间分布模型； 定位模块:采用了基于贝叶斯状态滤波的方法融合多种定位信息，利用智能设备的惯 性导航器件来获得先验位置信息，之后通过观测模型修正预测的状态，得到当前时刻的最 佳估计，从而完成定位。7. 根据权利要求6所述的低成本室内定位系统，其特征在于，在所述信号分解模块中， 通过如下公式实现合成光源信号的分解：⑴ 其中Li，L2,…Ln为传感器感知的η个光源的光强，Ci,j表不第i个光源的第j种调制方式， Mj为第j次调制的合成光强信号。8. 根据权利要求6所述的低成本室内定位系统，其特征在于，在所述定位模块中，定位 所需的观测模型是：⑵ 其中ai为第i个光源光强-距离平方倒数的比例系数，Pl为第i个光源的空间坐标，R为调 制光接收传感器的空间坐标。9. 根据权利要求6所述的低成本室内定位系统，其特征在于，在所述定位模块中，通过 卡尔曼滤波定位，卡尔曼滤波定位包括对传感过程的建模和对运动过程的建模，设描述位 置的随机变量为X，控制和运动变量为u，观测到的光强信号向量为z，后验概率分布为：对于S个光源的环境，观测的似然概率即传感过程的建模为：这里P(Zts|Xt)即对应每一位置X，所观测到的光强向量的分布s(x)。10.根据权利要求6所述的低成本室内定位系统，其特征在于，所述光强度的空间分布 模型建模过程不需要相关光源位置信息，所建立的模型为数据驱动，相关光源位置信息由 各光源光强分布推理获得，无需事先测量。
【文档编号】G01C21/16GK105954719SQ201610259684
【公开日】2016年9月21日
【申请日】2016年4月22日
【发明人】魏章平, 陈锴耀, 周学浩
【申请人】深圳市摩仑科技有限公司