一种室内社交导航系统
阅读：2发布：2020-07-18
专利汇可以提供一种室内社交导航系统专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种室内社交 导航系统 ，所述系统包括： 定位 服务器 ，所述定位服务器用于接收终端发送的第一定位 传感器 数据及目标好友终端发送的第二定位 传感器数据 ，根据所述第一定位传感器数据计算所述终端的第一几何坐标，根据所述第二定位传感器数据计算所述目标终端的第二几何坐标；并将所述第一几何坐标及所述第二几何坐标存储于 位置 数据库 中；位置服务器，用于获取室内空间模型数据，构建室内空间拓扑网络；接收所述终端发送的导航 请求 ，根据所述导航请求向所述定位服务器获取所述第一几何坐标及所述第二定几何坐标；利用路径搜索 算法 在所述室内空间拓扑网络中计算最优导航路径。，下面是一种室内社交导航系统专利的具体信息内容。
1.一种室内社交导航系统，其特征在于，所述系统包括：
定位服务器，用于接收终端发送的第一定位传感器数据及目标好友终端发送的第二定位传感器数据，根据所述第一定位传感器数据计算所述终端的第一几何坐标，根据所述第二定位传感器数据计算所述目标终端的第二几何坐标；并将所述第一几何坐标及所述第二几何坐标存储于位置数据库中；
位置服务器，用于获取室内位置模型数据，根据所述室内空间位置数据构建室内位置模型各层次的空间拓扑网络图；所述室内位置模型各层次的空间拓扑网络图包括：细粒度层次AEGVG图、出口层次模型图及位置层次模型图；
接收所述终端发送的导航请求，根据所述导航请求向所述定位服务器获取所述第一几何坐标及所述第二几何坐标，并利用路径搜索算法在所述空间拓扑网络图中计算最优导航路径；其中，
当所述位置服务器构建室内位置模型各层次的空间拓扑网络图后，具体还用于：
接收所述空间拓扑网络图中每条导航路径的影响因子，所述影响因子具体包括：室内行人可达距离、可达时间、人员密度及道路宽度；
接收各个所述影响因子对当前导航路径的影响权重；
根据所述影响权重计算每条路径的综合权值；
所述室内行人可达距离由公式 计算得出；其中，所
述Oi为所述终端对应的第一移动对象；所述Oj为所述目标好友终端对应的第二移动对象；所述(xx,yk)为细粒度层中距离所述第一移动对象Oi最近的结点nk的坐标；所述m为整数。
2.如权利要求1所述的系统，其特征在于，所述位置服务器根据所述室内空间位置数据构建室内位置模型的细粒度层次AEGVG图具体包括：
根据室内楼层平面图提取出一维骨架，形成室内空间狭长区域一维Voronoi图；
将开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；
以行人的平均步长为采样间隔进行采样节点，生成所述AEGVG图。
3.如权利要求1所述的系统，其特征在于，所述位置服务器根据所述室内空间位置数据构建室内位置模型的出口层次模型图具体包括：
根据所述细粒度层AEGVG图中的出口位置确定粗粒度层的出口节点；
将相邻位置之间的可达路径作为边构建所述出口层次模型图。
4.如权利要求1所述的系统，其特征在于，所述位置服务器根据所述室内空间位置数据构建室内位置模型的位置层次模型图具体包括：
根据所述细粒度层AEGVG图中的符号位置确定粗粒度层的位置节点；
根据所述位置节点之间的邻接、连通关系生成所述位置层次模型图。
5.如权利要求1所述的系统，其特征在于，所述定位服务器用于根据所述第一定位传感器数据计算所述终端的第一几何坐标，具体包括：
所述定位服务器检测到所述第一定位传感器数据中的锚点信号时，将所述锚点信号与位置指纹数据库进行指纹匹配确定所述终端的初始位置；
再以预设的周期定时检测所述锚点信号，若检测到所述锚点信号，利用粒子滤波融合定位算法融合行人航位推算PDR方法、所述锚点信号和室内空间信息确定所述终端的第一几何坐标。
6.如权利要求1所述的系统，其特征在于，所述路径搜索算法的估价函数为：f(n)＝g(n)+h(n)；其中，所述f(n)为初始节点经由节点n到目标节点的估价函数；所述g(n)为状态空间中所述初始节点到节点n的实际代价；所述h(n)为节点n到所述目标节点最佳导航路径的实际代价。
一种室内社交导航系统
技术领域
背景技术
[0002] 随着移动互联网和位置感知技术的发展，基于位置的移动社交网络服务为人们生活带来诸多方便。其中的位置属性将移动社交网络延伸到现实，缩小了线上虚拟世界和线下现实世界的差距，改善了社交网络的服务效果，人们可以位置签到(check-in)、彼此共享带有位置标签的多媒体内容(geo-tagging content)等；同时，用户也可基于位置的空间关联拓展社会关系。
[0003] 目前，基于位置的移动社交网络中的位置信息主要通过全球定位系统(GPS，Global Position System)、移动基站、Wi-Fi等定位方式获得，相应的服务精度在10米到100米不等，基于位置的移动社交网络服务精度大多处在建筑楼栋级别。而由于平均每个人每天多达90％的时间处于室内，人们对于室内位置服务也具有巨大需求，比如好友之间的室内导航。但是，现有技术中移动社交网络中的位置信息以及与位置相关的服务没有精细化到室内多楼层的功能空间，并且基于位置的移动社交网络服务大多属于用户请求式的静态服务，缺乏主动更新的实时性，导致在室内社交导航时不能实时准确规划导航路径。
[0004] 基于此，目前亟需一种具有高精度、实时性强的室内社交导航系统。
发明内容
[0005] 针对现有技术存在的问题和应用的不足，本发明实施例提供了一种室内社交导航系统，用于解决现有技术中的室内社交联系导航寻友功能不能实时、动态、精确性地规划导航路径的技术问题。
[0006] 本发明提供一种室内社交导航系统，所述系统包括：
[0007] 定位服务器，用于接收终端发送的第一定位传感器数据及目标好友终端发送的第二定位传感器数据，根据所述第一定位传感器数据计算所述终端的第一几何坐标，根据所述第二定位传感器数据计算所述目标终端的第二几何坐标；并将所述第一几何坐标及所述第二几何坐标存储于位置数据库中；
[0008] 位置服务器，用于获取室内位置模型数据，根据所述室内空间位置数据构建室内位置模型各层次的空间拓扑网络图；
[0010] 上述方案中，所述室内位置模型各层次的空间拓扑网络图包括：细粒度层次AEGVG图、出口层次模型图及位置层次模型图。
[0011] 上述方案中，所述位置服务器根据所述室内空间位置数据构建室内位置模型的细粒度层次AEGVG图具体包括：
[0012] 根据室内楼层平面图提取出一维骨架，形成室内空间狭长区域一维Voronoi图；
[0013] 将所述开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；
[0015] 上述方案中，所述位置服务器根据所述室内空间位置数据构建室内位置模型的出口层次模型图具体包括：
[0016] 根据所述细粒度层AEGVG图中的出口位置确定所述粗粒度层的出口节点；
[0017] 将相邻位置之间的可达路径作为边构建所述出口层次模型图。
[0018] 上述方案中，所述位置服务器根据所述室内空间位置数据构建室内位置模型的位置层次模型图具体包括：
[0019] 根据所述细粒度层AEGVG图中的符号位置确定所述粗粒度层的位置节点；
[0020] 根据所述位置节点之间的邻接、连通关系生成所述位置层次模型图。
[0021] 上述方案中，所述定位服务器用于根据所述第一定位传感器数据计算所述终端的第一几何坐标，具体包括：
[0023] 再以预设的周期定时检测所述锚点信号，若检测到所述锚点信号，利用粒子滤波融合定位算法融合行人航位推算PDR方法、所述锚点信号和室内空间信息确定所述终端的第一几何坐标。
[0024] 上述方案中，当所述位置服务器构建室内位置模型各层次的空间拓扑网络图后，具体还用于：
[0025] 接收所述空间拓扑网络图中每条导航路径的影响因子；
[0026] 接收各个所述影响因子对当前导航路径的影响权重；
[0027] 根据所述影响权重计算每条路径的综合权值。
[0028] 上述方案中，所述影响因子具体包括：室内行人可达距离、可达时间、人员密度及道路宽度。
[0029] 上述方案中，所述室内行人可达距离由公式计算得出；其中，所述Oi为所述终端对应的第一移动对象；所述Oj为所述目标好友终端对应的第二移动对象；所述(xx,yk)为细粒度层中距离所述第一移动对象Oi最近的结点nk的坐标；所述m为整数。
[0030] 上述方案中，所述路径搜索算法的估价函数为：f(n)＝g(n)+h(n)；其中，所述f(n)为初始节点经由节点n到目标节点的估价函数；所述g(n)为状态空间中所述初始节点到节点n的实际代价；所述h(n)为节点n到所述目标节点最佳导航路径的实际代价。
[0031] 本发明提供了一种室内社交导航系统，所述系统包括：定位服务器，所述定位服务器用于接收终端发送的第一定位传感器数据及目标好友终端发送的第二定位传感器数据，根据所述第一定位传感器数据计算所述终端的第一几何坐标，根据所述第二定位传感器数据计算所述目标终端的第二几何坐标；并将所述第一几何坐标及所述第二几何坐标存储于位置数据库中；位置服务器，用于获取室内空间模型数据，构建室内空间拓扑网络；接收所述终端发送的导航请求，根据所述导航请求向所述定位服务器获取所述第一几何坐标及所述第二几何坐标；利用路径搜索算法在所述室内空间拓扑网络中计算最优导航路径；如此，所述位置服务器可以从定位服务器获取导航双方的几何坐标；构建室内空间位置模型各层次的拓扑网络，并将几何坐标映射至所述空间位置模型的细粒度层中，确定拓扑网络中每条导航路径的影响因子、每个影响因子对导航路径的影响权重，根据影响权重计算每条路径的综合权值，根据综合权值确定最优导航路径；这样就能实时、动态、精确地规划导航路径。附图说明
[0032] 图1为本发明实施例一提供的室内导航系统的整体结构示意图；
[0034] 图3为本发明实施例一提供的室内平面图的一维骨架图；
[0035] 图4为本发明实施例一提供的所述HiSeLoMo的细粒度层AEGVG图；
[0036] 图5为本发明实施例一提供的粗粒度层中位置层次位置模型示意图；
[0037] 图6为本发明实施例一提供的粗粒度层中出口层次位置模型示意图；
[0038] 图7为本发明实施例一提供的移动对象动态拓扑关系示意图；
[0039] 图8为本发明实施例一提供的室内空间位置模型HiSeLoMo层间关系示意图[0040] 图9为本发明实施例一提供的室内空间位置模型HiSeLoMo各层之间属性关联关系示意图。
具体实施方式
[0041] 为了可以实时、动态、精确性地规划室内环境下好友之间的导航路径，本发明提供了一种室内社交导航系统，所述系统包括：定位服务器，所述定位服务器用于接收终端发送的第一定位传感器数据及目标好友终端发送的第二定位传感器数据，根据所述第一定位传感器数据计算所述终端的第一几何坐标，根据所述第二定位传感器数据计算所述目标终端的第二几何坐标；并将所述第一几何坐标及所述第二几何坐标存储于位置数据库中；位置服务器，用于获取室内空间模型数据，构建室内空间拓扑网络；根据所述导航请求向所述定位服务器获取所述第一几何坐标及所述第二几何坐标；利用路径搜索算法在所述室内空间拓扑网络中计算最优导航路径。
[0042] 下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。
[0043] 实施例一
[0044] 本实施例提供一种室内社交导航系统，如图1所示，所述系统包括：终端1、目标好友终端2、定位服务器3、位置服务器4、社交应用服务器5；其中，
[0045] 当所述终端1想进行好友实时导航功能之前，所述位置服务器4用于计算所述终端1与各个好友终端之间的距离；所述社交应用服务器5还用于按照距离的远近将所述好友终端(以列表形式)显示在所述终端1的界面上。
[0046] 这里，比如所述终端1选择向目标好友终端2发送导航请求，所述导航请求得到许可后，所述终端1将所述导航请求转发至所述位置服务器4。
[0047] 当所述导航请求得到所述目标好友终端2的许可后，所述定位服务器3用于以第一预设的周期接收所述终端1发送的第一定位传感器数据及所述目标好友终端2发送的第二定位传感器数据，以计算所述终端1及所述目标好友终端2的第一实时几何坐标及第二实时几何坐标。其中，所述第一预设的周期为1HZ。
[0048] 具体地，当所述定位服务器3根据所述第一定位传感器数据确定所述终端1的第一几何坐标时，首先判断是否检测到第一定位传感器数据中的锚点信号，如果检测到锚点信号时，根据所述锚点信号的接收信号强度值，采用最近邻匹配算法将所述锚点信号与位置指纹数据库进行位置指纹匹配，计算信号强度值与位置指纹数据库各个指纹数据之间的距离，从中选取最小距离对应的指纹数据，以其所代表的几何坐标作为所述终端1的初始位置；如果未检测到锚点信号时，按照优先级先后选择GPS/基站信号的盲区点、所述终端1的定位传感器数据呈现特殊状态的特征点以及与所述终端1进行交互(地图选点、扫二维码等)的方式来确定初始位置。其中，所述特殊状态的特征点为所述定位传感器数据的变化大于预设阈值时的数据。
[0049] 这里，当定位服务器3确定出终端1的初始位置后，将初始位置数据存储至位置数据库中。其中，所述信号强度值是由所述终端1的WiFi/蓝牙信号接收模块测量给出的；所述第一定位传感器数据可以包括：加速度、角速度和朝向；所述锚点信号可以包括：Wi-Fi信号或蓝牙信号。
[0050] 当定位服务器3确定出终端1的初始位置后，利用行人航位推算(PDR，Pedestrain Dead Reckoning)方法进行终端1的实时几何坐标，同时以第二预设的周期定时检测锚点信号，利用粒子滤波融合定位算法融合锚点信号的特征点、室内空间信息(室内地图)及第一定位传感器数据的特征点等多源信息，以进一步校正PDR方法过程中的定位累积误差，从而确定所述终端1的实时几何坐标。其中，所述第二预设的周期可以根据终端1的配置而定，一般设置为10～20HZ，优选地，为11HZ、12HZ、15HZ、18HZ或19HZ；所述锚点信号的特征点为所述锚点信号发生突变时的锚点信号强度值。所述室内地图包括：墙、房间、走廊、门等室内空间要素位置及其结构。
[0051] 具体地，所述定位服务器3利用粒子滤波融合定位算法PDR方法、锚点信号、和室内空间信息等多源信息确定所述终端1的第一实时几何坐标具体包括：
[0052] 所述定位服务器3将持有终端1的待定位的移动目标对象的状态向量记为Xi＝(xi,yi,αi)T,i＝1,2,…,N，其中，(xi,yi)表示坐标，ai为Weinberg步长模型的参数。于是，粒子滤波融合定位算法的传感器模型如公式(1)所示，运动模型如公式(2)所示：
[0053]
[0054] 其中，在公式(1)中，ak为第k步的加速度，所述加速度ak可以由终端1中的加速计测量得出；θk′为第k步的朝向，所述朝向可以由终端1的罗盘测量得出， 为第k步的角速度，所述角速度 可以由终端1中的陀螺仪测量得到；η表示高斯随机过程。
[0055]
[0056]
[0057] 其中，在公式(2)中， 是由参数为ai的Weinberg步长模型计算得出。 为第k步第i个粒子的朝向，可以由公式(4)计算得出：
[0058]
[0059] 其中，在公式(4)中， 为卡尔曼滤波器根据指南针和陀螺仪测量值计算得出的结果。粒子滤波融合定位算法的具体计算步骤可描述如下：
[0060] a)初始化：即根据信号强度值计算出目标的初始位置，根据罗盘的测量值确定目标的朝向。
[0061] b)预测：根据目标的运动模型得到k时刻N个粒子的状态
[0062] c)权值计算：有两种情况需要重新计算权值。第一种情况，穿过墙或障碍物的粒子权重被赋为0；第二种情况，当遇到特征点时，粒子权重将根据与特征点的距离进行重新计算，距离愈近，权重愈大。在本发明中，通过给距离特征点较近的粒子赋更大的权值，既能达到修正定位误差的效果，同时也能保持良好的用户体验。权值的计算公式如(5)所示。
[0063]
[0064] 其中，在公式(5)中， 为特征点的坐标，σ为相应的标准差。
[0065] 另外，当环境中存在无线信号(Wi-Fi、蓝牙)时，且定位服务器3通过解算所述终端1的定位传感器数据，捕获到特征点(指环境中存在的一些没有明显标志的特征点，如地磁异常点以及转角等)，则对特征点和无线指纹获得的位置信息进行加权平均，并更新粒子权值；如果仅感知到无线信号，则利用无线指纹获得的位置更新权值；当仅仅捕获到特征点，则基于特征点产生的位置，更新权值。其中，所述无线指纹即为上文所述的信号强度值；所述位置信息即为实时几何坐标；在计算出粒子的权值后，需要根据公式(6)对权值进行归一化处理：
[0066]
[0067] 其中，在公式(6)中， 表示k时刻第i个粒子的权重， 表示所有粒子的权重之和。
[0068] d)状态估计：滤波后的移动目标的状态概率分布pk(xk|y1:k)可近似表示为：
[0069]
[0070] 并由此可得出位置状态的估计，如公式(8)所示：
[0071]
[0072] e)重采样：重采样的基本思想是用权值大的粒子替换权值小的粒子。当由于消除了无效粒子而导致样本数不足时，需要根据前一时刻的信息进行重采样，此时并不需要更新Weinberg步长模型参数ai。
[0073] f)校正。根据各传感器的测量值，判断目标是否到达特征点的附近。如果到达了某个特征点的附近区域，就根据所述特征点对目标的位置及朝向进行修正，循环执行(b)-(f)。
[0074] 而当所述定位服务器3以第二预设的周期未检测所述锚点信号时，则根据所述PDR方法确定终端的实时几何坐标，具体地：所述定位服务器3在确定用户终端当前几何坐标的基础上，捕获用户的步行事件，根据加速计计算行人行走的步长，根据罗盘确定行人朝向，通过室内空间信息(室内地图)进行约束，推算用户下一步位置，进而确定所述终端1的第一实时几何坐标，当所述定位服务器3检测到所述锚点信号时，对行人航位推算方法估算的终端1的实时位置信息进行校正，以减少行人航位推算PDR方法的累积误差。
[0075] 这里，所述定位服务器3根据所述第二定位传感器数据确定所述目标好友终端2的第二几何坐标时，与确定终端1的第一几何坐标的方法完全相同，在此不再赘述。
[0076] 进一步地，当所述定位服务器3确定好所述终端1及所述目标好友终端2的第一实时几何坐标及第二实时几何坐标后，所述位置服务器4用于获取室内空间位置模型数据，根据所述室内空间位置数据构建室内位置模型各层次的空间拓扑网络图。
[0077] 具体地，所述室内空间位置模型各层次的空间拓扑网络图包括：细粒度层次AEGVG图、出口层次模型图及位置层次模型图。所述位置服务器4根据所述室内空间位置数据构建室内位置模型各层次的空间拓扑网络图具体包括：
[0078] 根据室内空间特点和移动目标对象运动特征，基于室内楼层平面图构建所述室内空间位置模型HiSeLoMo的细粒度层AEGVG图，确定室内空间对象的几何坐标、符号位置、拓扑关系及时空关系语义信息。其中，所述语义信息可以具体为：房间与走廊的连通关系、房间之间的邻近关系、移动对象的几何坐标、符号位置(房间编号)、功能、时空约束等属性。其中，所述室内室内空间位置模型HiSeLoMo的框架如图2所示。
[0079] 具体地，所述HiSeLoMo的细粒度层AEGVG图包括：室内空间狭长区域一维Voronoi图及开阔区域二维规则覆盖网格图。通常，室内空间狭长区域通过一维Voronoi图来表达，而开阔区域则利用网格图进行表达。其中，当室内空间单元的宽度小于等于一定值(如3m)区域称为狭长区域，例如走廊等；当室内空间单元的宽度大于一定值(如3m)的区域为开阔区域，例如大厅等。
[0080] 这里，所述HiSeLoMo的细粒度层AEGVG图的生成具体包括：
[0081] 首先，根据所述室内楼层平面图提取出一维骨架，形成Voronoi图，所述一维骨架如图3所示；将开阔区域以预设边长进行网格划分形成网格图，将所述网格图添加到所述Voronoi图中；以行人的平均步长为采样间隔进行采样节点，创建所述AEGVG图，所述AEGVG图如图4所示。其中，以行人的平均步长作为边长进行采样节点，符合行人的运动特征，能够最大程度减少模型中的节点数量，所述行人步长为1m左右。同时，考虑到人行走的步长在1m左右。因此，对开阔区域则以边长为1m的正方形网格进行划分，以此为基础构建开阔区域图模型。
[0082] 这里，所述HiSeLoMo的细粒度层AEGVG图模型可以根据公式(9)进行形式化定义：
[0083] Gfine＝(Vfine,Efine) (9)
[0084] 在公式(9)中，Vfine＝{vi}，是所述AEGVG图中节点的集合； 是所述AEGVG图中边的集合；每条边由两个节点构成，由公式(10)所示。
[0085] e＝(Vi,Vj) (10)
[0086] 其中，每个节点 每个节点描述了室内空间的某一离散位置，具有几何坐标、状态、标签等属性；通常，所述节点的属性信息可以通过来表示。所述vid是所述节点的编号ID；所述(xv,yv)为节点的几何坐标；所述cv为所述节点的空间类型，所述cv∈{room,corridor,door,vertical,passage}；所述sv为所述节点的物理状态，所述sv∈{free,occpuied}，所述lv为节点的标签属性，所述fv为所述节点所处楼层标识，所述bv为所述节点所处建筑物标识。
[0087] 进一步地，所述边e∈Efine，表达了AEGVG图中各个节点的连通关系，边的属性为，其中，vi,vj表示边的两个端节点，fe和be表示边的符号位置属性，即边所对应的楼层和建筑物信息。边有可能存在一对多的从属关系，即一条边经过了多个功能空间单元。所述we表示边的权重，通常将两个节点的欧式距离作为权重值。
[0088] 其次，构建位置层次模型；具体地，在细粒度层AEGVG图模型基础上抽象出粗粒度的位置层次模型。这里，位置层次通过一种层次的组织方式，来表达对象之间的拓扑关系(如邻接、包含关系)及时空关系(时空距离、时空约束等)等语义信息。通常，将位置分为三大类：房间(Room)、垂直升降空间(Vertical Passage)，包括楼梯、电梯等；走廊(Corridor)。这里的层次是指位置之间的邻接可达顺序关系，如：从某个入口位置依次经过哪几个邻接的位置，这些邻接位置作为层次图中入口位置的子节点；或者是位置之间的空间包含关系，如：某楼层包含哪些位置，这些位置作为层次图的子节点。
[0089] 基于细粒度层的AEGVG图模型，将具有相同标签属性lv的节点聚合为一个符号位置。根据所述符号位置确定所述粗粒度层的位置节点；在形成粗粒度层中的位置节点之后，根据位置节点之间的邻接、连通关系，就可形成粗粒度层中完整的位置层次模型。位置层次模型通常以节点代表符号位置，边表示位置邻接或包含关系的层次图模型，可以如公式(11)所示。
[0090] Gloc＝(Vloc,Eloc) (11)
[0091] 在公式(11)中，Vloc＝{vi}，表示所有符号位置的集合； 表示AEGVG图中位置邻接或包含关系的集合；每条边eloc＝(vi,vj∈Eioc)。同时，每个符号位置vi＝，所述locid为抽象位置空间的编号，cloc为抽象位置空间的类别，所述cloc∈{room,corridor,vertical passage}，lloc表示抽象位置空间的符号语义信息；floc表示抽象位置空间所处楼层；bloc表示抽象位置空间的建筑物；同时，是与抽象位置具有相邻关系的所有位置集合。
[0092] 实际中，以某工程楼四楼为例，对四楼细粒度层AEGVG图进行抽象形成位置节点，如图5所示，房间位置用圆形节点表示，垂直升降空间位置由方形节点表示，走廊则由三角形节点表示。例如，细粒度层中的垂直空间VP2、走廊段HW4和房间RM12中的细粒度节点分别抽象成粗粒度层中的位置节点VP2、HW4和RM12。在形成粗粒度层中的位置节点之后，根据位置节点之间的关系，形成位置层次，如图5左下方所示。例如位置节点VP2与走廊段节点HW4相连通，HW4与走廊节点HW5相连通，HW5与RM14、HW6等位置节点相连通或者邻接。通过位置节点之间的邻接、连通关系，就可形成粗粒度层中完整的位置层次模型。
[0093] 然后，根据所述细粒度层AEGVG图中的出口位置确定所述粗粒度层的出口节点；将相邻位置之间的可达路径作为边构建所述出口层次模型。
[0094] 具体地，结合HiSeLoMo粗粒度层的位置层次模型，为了支持粗粒度的位置之间距离和拓扑表达，在细粒度层模型基础上抽象出粗粒度的出口层次模型。这里，出口层次通过一种层次的组织方式，表达出口位置之间的拓扑关系(如连通关系、顺序关系)、距离、约束等语义信息。其中，出口指连通室内两个可达位置空间的连接点，包括实际出口和虚拟出口两类。实际出口是两个空间单元的可达出入口，通常为房间门；而虚拟出口是根据子空间单元之间的连通关系而人为定义的出入口，在室内结构中并不存在。一个出口只能连通两个位置空间，一个空间单元可包含多个出口，出口是连接不同空间单元的唯一途径。而层次则指出口之间的连通关系(如某个出口位置连通了两个空间位置)，或者指到达某出口位置过程中所经过出口的顺序关系(如从某楼层出口到达某个位置出口所经过的出口的顺序关系)。
[0095] 出口层次对应细粒度层中连通不同空间单元之间的出口节点集合，该集合根据细粒度层AEGVG模型中空间的类别属性cv为出口的节点提取得到。出口节点根据空间的邻接关系(抵达顺序)形成层次结构，其中最顶层节点表示进入该空间的入口，从顶层节点往下，不同层的节点表示可达的层次顺序关系。如图6所示，某工程楼四楼平面图中VP2区域对应的出口节点DR57为顶层节点，可到达DR55与DR20两个出口，因此DR55和DR20两个出口节点作为DR57的子节点。
[0096] 通过将位置出口抽象为粗粒度的出口节点，相邻位置之间的可达路径作为边，构建出口层次模型。所述出口层次模型可由公式(12)表示。
[0097] Gexit＝(Vexit,Eexit) (12)
[0098] 在公式(12)中，Vexit＝{vi}是所有出口节点的集合，所述出口节点可以由公式(13)表示。
[0099] vi＝ (13)
[0100] 在公式(13)中，exid表示出口节点的编号，与细粒度层空间类型为door的节点编号保持一致，lex表示出口节点的语义位置信息，如节点所表示空间的功能属性。出口位置通常连接了两个连通的位置，两个连通的位置通过(loci,locj)表示。loci和locj分别对应位置层次中的两个位置，所述两个位置指位置层次中任意两个节点。所述parentex表示出口节点在出口层次树结构中的父节点编号， 而Eexit＝Vexit×Vexit是所有可达路径的集合，每条路径可通过公式(14)表示：
[0101] eexit＝vi×vi (14)
[0102] 其中，eexit∈Eexit。
[0103] 进一步地，构建所述室内空间位置模型HiSeLoMo的移动对象层模型。具体地，因在移动计算环境中，存在大量的移动对象(如人员、移动资产等)。为了描述方便，可将所述移动对象表示为；其中，
[0104] 所述MovingObjID为所述移动对象的编号，所述(x,y,t)为t时刻移动对象的几何坐标，所述objsemantic为移动对象的语义信息。
[0105] 这里，设∑objsemantic＝{∑person∪Σasset}，
[0106] 则objsemantic∈Σobjsemantic＝{person_id,asset_id}。
[0107] 为了简化移动对象之间的动态拓扑关系，基于HiSeLoMo细粒度层的拓扑图Gfine，将移动对象MovingObject在某时刻t的拓扑关系映射到细粒度层的拓扑图Gfine-sub，如图7所示。具体的表达方式为：根据所述移动对象MovingObject在某时刻t的位置(x,y)，在细粒度层拓扑图Gfine中查询距离该位置最近的节点NearestNode；所述移动对象MovingObject在时刻t的拓扑关系即可表示为NearestNode所在的细粒度层拓扑子图Gfine-sub。其中，则MovingObjecti,t与NaerestNodei相映射，映射关系可由公式(15)表示。
[0108] f:MovingObjecti,t→NearestNodei (15)
[0109] 最后，确定所述室内空间位置模型HiSeLoMo的层间关系。
[0110] 具体地，粗粒度层中位置层次模型可从细粒度层中聚合得到，出口层次模型可从细粒度层中导出来，位置层次和出口层次之间也可以相互导出来，如图8所示。由于一个出口连接了两个相邻的空间，在位置层次和出口层次中包含了这种连通或邻近关系，所以出口层和位置层之间可以相互导出。细粒度层与位置层次和出口层次中的属性关系如图9所示，出口层和位置层中的节点、边的属性都是从细粒度层中导出来的。
[0111] 进一步地，当所述位置服务器4构建好室内位置模型各层次的空间拓扑网络图后，具体还用于接收空间拓扑网络图中每条导航路径的影响因子；接收各个所述影响因子对当前导航路径的影响权重；根据所述影响权重计算每条路径的综合权值。其中，所述影响因子具体包括：室内行人可达距离、可达时间、人员密度及道路宽度。
[0112] 具体地，本实施例中主要是以室内行人可达距离为影响因子对最优导航路径进行计算的，因此，室内道路的可达距离即为路径的权值，那么基于所构建的室内位置模型的室内行人可达距离可由公式(16)计算得出：
[0113]
[0114] 其中，在公式(16)中，所述IOD(Oi，Oj)为室内行人可达距离；所述Oi为所述终端1对应的第一移动对象；所述Oj为所述目标好友终端2对应的第二移动对象；所述(xx,yk)为细粒度层中距离所述第一移动对象Oi最近的结点nk的坐标；所述m为整数。
[0115] 这里，在所述位置服务器4构建所述室内位置模型各层次的空间拓扑网络图的同时，向所述定位服务器3获取所述终端1及所述目标好友终端2的第一实时几何坐标及第二实时几何坐标，利用路径搜索算法在所述空间拓扑网络图中计算最优导航路径，其中，所述最优导航路径即为室内行人可达距离最短的路径，所述路径搜索算法的估价函数为：f(n)＝g(n)+h(n)；其中，所述f(n)为初始节点经由节点n到目标节点的估价函数；所述g(n)为状态空间中所述初始节点到节点n的实际代价；所述h(n)为节点n到所述目标节点最佳导航路径的实际代价。本实施例中是以节点n到所述目标节点之间的欧式距离作为权重值，其路径搜索的具体步骤如下：
[0116] (1)将导航两侧的终端1的所述第一实时几何坐标与目标好友终端2所述第二实时几何左边映射到所述室内位置模型中的细粒度层结点，起始结点和终点结点都分别为vstart和vgoal。
[0117] (2)将所述起始结点vstart放入开放列表OPEN中(所述开放列表的f值和g值都为0)。
[0118] (3)在vstart所处的位置单元空间locstart开始路径扩展搜索，在OPEN中查找具有最小值的结点，并把查找到的结点作为当前结点。
[0119] (4)把当前结点从OPEN中删除，将当前结点加入封闭列表CLOSE。
[0120] (5)对当前结点相邻的每个结点依次执行步骤(6)—(8)，当终点结点vgoal被加入到开放列表作为待检验结点时，表示已搜索到路径，此时结束循环；或者当locstart对应的出口结点vexit-s被放入到开放列表作为待检验结点时，表示在当前位置单元空间locstart未搜索到路径，此时从细粒度层切换到出口层进行路径扩展搜索，将出口结点vexit-s从OPEN中删除，放入封闭列表CLOSE，并执行步骤(9)。
[0121] (6)如果该相邻结点不可通行或者已经在CLOSE中，则继续扩展下一结点。
[0122] (7)如果该相邻结点不在OPEN中，则将该结点添加到OPEN中，并将该相邻结点的父结点设为当前结点，同时保存该相邻结点的g值和f值。
[0123] (8)如果该相邻结点在OPEN中，则判断若经由当前结点到达该相邻结点的g值是否小于原来保存的g值，若小于，则将该相邻结点的父亲结点设为当前结点，并重新设置该相邻结点的g值和f值。
[0124] (9)以vexit-s为当前结点在出口层对其每个相邻出口结点执行步骤(6)—(8)，当终点结点vgoal所处的位置单元空间locgoal对应的出口结点vexit-g被加入到开放列表作为待检验结点时，从出口层切换到细粒度层进行路径扩展搜索，将出口结点vexit-g从OPEN删除，放入封闭列表CLOSE，并执行步骤(10)。
[0125] (10)以vexit-g为当前结点回到细粒度层对其每个相邻细粒度层结点执行步骤(6)—(8)，当终点结点vgoal被加入到开放列表OPEN作为待检验结点时，表示已搜索到路径，此时结束循环；或者当为空，表明已无可以添加的新节点，而已检验的结点中没有终点结点vgoal则意味着路径无法被找到，此时也结束循环。
[0126] 至此，所述最优导航路径确定，所述位置服务器4将所述最优导航路径显示在所述终端1的界面上，同时，在导航过程中，终端1及目标好友终端2也可以通过文字聊天增加找人过程中的交互和联系，以补充地图导航过程中缺少的信息。
[0127] 本实施例提供的室内导航系统，结合层次室内位置模型和路径搜索算法确定最优导航路径时，可降低算法的复杂度，提高搜索效率及导航精度。
[0128] 实施例二
[0129] 相应于实施例一，当终端1的实时几何坐标可以确定之后，就可以根据所述几何坐标在所述社交网络中发布签到内容；具体地，终端1接收到签到请求时，所述位置服务器4根据所述几何坐标中的所述终端1签到点的符号位置与所述室内空间位置模型数据库中的语义信息进行匹配，获取所述签到点的语义位置信息；将接收到的签到动态的文本记录内容及图片内容进行上传；同时，显示签到点的语义位置并在地图上显示所在位置。这里，终端1可以通过Wi-Fi建立的无线网络进入社交网络，也可以通过移动运营商的3G/4G网络进入社交网络。
[0130] 这里，终端1在发布签到内容之前，还可以设置可见权限，即该签到内容和位置对哪些好友可见，而对哪些好友不可见，以保护用户的隐私。
[0131] 实际应用中，人们在日常生活中常会记录有特别意义的活动动态，例如周末去了某家美味的餐厅品尝了美食，或者去报告厅聆听报告，又或者在某家服装店购买了实惠的衣服等。位置签到动态刻画了人们在现实世界中某时某刻某地的真实活动信息，而室内细粒度的位置粒度信息可更加真实反映人们的所处空间活动。用户将这些位置签到动态分享到移动社交网络当中后，逐渐构建了一个用户在移动社交网络中的形象标签，满足了用户希望在好友心目中的印象构建需求。例如，用户在图书馆、书店发布的位置签到动态较多，那么该用户的好友们心中对该用户就会有“学霸”、“热爱学习”等标签和印象。
[0132] 本实施例中，终端1实时采集定位传感器数据，定位服务器3利用混合定位技术(PDR方法、Wi-Fi及蓝牙)计算终端1的实时几何坐标，保证了用户发布签到时，签到点几何坐标的动态性及高精度性。
[0133] 实施例三
[0134] 相应于实施例一，所述位置服务器4在出计算所述终端1与各个好友终端之间的距离；所述社交应用服务器5按照距离的远近将所述好友终端(以列表形式)显示在所述终端1的界面上后，所述终端1还用于通过即时通信服务器6向目标好友终端2发送追踪请求。
[0135] 在进行好友追踪时，由于涉及到用户位置的访问权限，故引入追踪请求机制，即所述终端1通过所述即时通信服务器6向目标好友终端发送好友追踪请求，当所述好友追踪请求得到许可后，所述终端1将所述好友追踪请求发送至所述位置服务器4；所述位置服务器4接收到好友追踪请求后，根据所述好友追踪请求以第三预设的周期向所述定位服务器3获取所述目标好友终端2的第二几何坐标，并将所述第二几何坐标与所述室内空间位置模型数据库中细粒度层结点相匹配得到最相近的结点，并获取该结点对应的位置层的位置语义信息；所述终端1将所述目标好友终端2的位置语义信息显示在界面上。其中，所述匹配过程与室内空间位置模型的构建过程与实施例一的匹配过程、室内空间位置模型的构建过程完全相同，在此不再赘述；所述第三预设的周期可以为1～3HZ，优选地，可以为1HZ、1.5HZ或2HZ。
[0136] 这里，当所述追踪请求得到确认之后，终端1与目标好友终端2均可互相查看对方的位置信息，以了解彼此之间的相互距离。
[0137] 而当目标好友为特殊群体时，追踪请求机制需要被强制允许或预先被设置为允许；其中，所述特殊群体可以包括：儿童、老人或病人等。
[0138] 进一步地，所述终端1还可以接收预设的所述目标好友终端2的地理围栏，当所述位置服务器4确定所述目标好友终端2的位置超出所述地理围栏时，所述社交应用服务器5用于向所述终端1推送提醒消息。其中，所述地理围栏具体为所述目标好友终端2的运动区域。
[0139] 实际应用中，当A和B在室内商场逛街时，由于商场里人流密集而且两人关注点不尽相同，因此两人很可能各自埋没在人流中，被人流冲散。那么A和B就可以使用好友动态追踪来实时查看对方的位置，同时设置提醒范围，当有一方走出该范围时，另一方即可收到该好友走远的提醒消息，进而该用户可快速意识到要去找到好友。
[0140] 另外，如果在养老院、幼儿园、医院等室内场所，看护人员有限，那么为相应的追踪对象配备特殊的终端定位设备，看护人员通过终端1即可实时了解到追踪对象的位置。当有追踪对象疏于关注走出一定范围时，看护人员将立马收到消息提醒。
[0141] 本实施例中，终端1实时采集定位传感器数据，定位服务器3利用混合定位技术(Wi-Fi、蓝牙与PDR方法)计算终端1的实时几何坐标，保证了用户进行好友追踪时，好友实时几何坐标的动态性及高精度性。
[0142] 实施例四
[0143] 相应于实施例一，所述位置服务器4还可以实现精细位置信息的消息推送，具体过程包括以下步骤：
[0144] 步骤a：所述终端1向所述位置服务器4发送地理围栏服务请求；
[0145] 步骤b：当所述位置服务器4确认所述请求后，所述位置服务器4开启位置追踪功能，所述终端1定时向所述定位服务器3发送定位传感器数据；
[0146] 步骤c：所述定位服务器3根据所述定位传感器数据确定所述终端1的实时几何坐标，将所述实时几何坐标发送至位置服务器4；这里，所述定位服务器3根据所述定位传感器数据确定所述终端1的实时几何坐标与实施例一中对终端1好友的实时几何坐标进行定位的方法完全相同，在此不再赘述。
[0147] 步骤d：所述位置服务器4接收到所述终端1的实时几何坐标时，判断该实时几何坐标是否满足预设的推送消息的触发条件，若满足，则向所述终端1推送相应的服务消息，当终端1向所述位置服务器4发送已读服务消息的读取标记信息时，则该服务完成，否则再次向位置服务器4推送相应的服务消息。若不满足，则继续从定位服务器3获取终端1的实时几何坐标，重复以上判断过程。其中，所述触发条件为预设的地理围栏范围，可以包括：10m、20m等。
[0148] 实际应用时，当用户A在进入商场后订阅了某兴趣点(某专卖店)的消息推送服务。当Alice逛到某专卖店附近时，其将自动接收到该店的优惠活动、新品等与专卖店的消息。
与实施例一种的周边查询功能不同，该功能是需要订阅特定的兴趣点信息并且根据位置靠近关系自动接收订阅的服务。当然，兴趣点信息不局限于本实施例中提到的商家信息，也包括博物馆展位、办公楼科室、机场免税店等。
与实施例一种的周边查询功能不同，该功能是需要订阅特定的兴趣点信息并且根据位置靠近关系自动接收订阅的服务。当然，兴趣点信息不局限于本实施例中提到的商家信息，也包括博物馆展位、办公楼科室、机场免税店等。
[0149] 实施例五
[0150] 相应于实施例一，所述终端1还用于向位置服务器4发送查询请求及查询参数；所述位置服务器4用于根据所述查询请求搜索符合所述查询参数的对象，并将符合查询参数的查询对象的几何坐标返回至所述终端1。这里，所述查询参数包括：查询对象类别、查询范围、兴趣点类别及查询数量；所述查询对象类别包括：周边好友查询和周边兴趣点查询。所述兴趣点类别包括：数码产品、服装、美食等。所述查询范围可以包括：10m、20m、50m或100m等。
[0151] 当所述位置服务器4接收到查询请求及查询参数后，判断所述查询对象类别；当确定所述查询对象类别为周边好友查询时，向所述社交应用服务器3发送查询请求，所述社交应用服务器5根据所述查询请求向所述位置服务器4发送终端1的好友信息；当所述位置服务器4接收到所述好友信息后，根据好友信息以第四预设的周期向所述定位服务器3获取所述终端1的各个好友的实时几何坐标。其中，本实施例中获取各个好友的实时几何坐标的方法与实施例一中获取终端1实时几何坐标的方法完全相同，在此不再赘述。所述好友信息可以包括：好友头像、名称及好友社交关系等。其中，所述第四预设的周期为1Hz。
[0152] 当所述定位服务器3确定出所述终端1各个好友的实时几何坐标后，将各个好友的实时几何坐标存储至位置数据库中，并根据所述位置服务器4发送的好友信息将相应的好友的实时几何坐标信息发送至位置服务器4，所述位置服务器4接收到终端1的相应好友的实时几何坐标信息后，将所述实时几何坐标信息映射到室内空间位置模型的细粒度层。其中，所述实时几何坐标不能通过终端直观显示，所述语义位置信息是可以通过终端直观显示的。所述室内空间位置模型由细粒度层、出口层以及位置层构成。细粒度层是由结点和边组成的自适应性图模型，结点代表室内空间特定位置点，边表示了各个位置点之间的连接关系。出口层与位置层则从细粒度层抽象得到的出口图和语义位置图，出口图表示出口结点及其拓扑关系，语义位置图则表示室内各个子空间及其拓扑关系。其中，所述室内空间位置模型的构建过程与实施例一中的室内空间位置模型的构建过程完全相同，在此不再赘述。
[0153] 当终端1相应好友的实时几何坐标信息映射到室内空间位置模型中的细粒度层后，所述位置服务器4还利用同样的定位方法确定所述终端1的实时几何坐标，并利用周边查询算法搜索符合所述查询参数的对象，并将所述符合查询参数的查询对象的几何坐标信息返回至所述终端1。在本实施例中，基于层次室内位置模型的周边查询算法的详细过程如下：
[0154] (1)查询移动参考点(即发起查询请求的终端1)的几何坐标并获得其相应的网络结点；
[0155] (2)通过层次网络扩展获得第一次搜索树的结果，并在该网络扩展的范围内获得满足条件的移动对象；
[0156] (3)如果参考点没有移动，则网络扩展搜索树也不会改变，可直接获得满足条件的移动对象；
[0157] (4)如果参考点移动了，更新网络搜索树的根结点，根结点为当前参考点所映射的网络结点；
[0158] (5)接下来根据基于前一时刻位置的查询获取边界结点，判断该边界结点是否已超过范围阈值，若在范围阈值内，则继续进行网络扩展；其中，所述范围阈值为预设的可移动范围，比如，10m、20m等。
[0160] (7)最后遍历更新后的网络扩展搜索树得到满足条件的移动好友。
[0161] 进一步地，步骤(2)所涉及的层次网络扩展方法详细过程如下所示：
[0162] (a)根据参考点获得参考点所处位置单元空间名称标识，在该标识对应的细粒度层图中进行网络扩展，当扩展到该位置单元空间连接的出口结点时停止。
[0163] (b)网络扩展切换到出口层进行扩展，对移动参考点所处位置空间单元的所有出口结点进行网络扩展，在此过程中所有到参考点的距离小于等于范围阈值的出口结点都将添加进网络扩展搜索树中。
[0164] (c)步骤2得到的网络扩展搜索树的叶子结点均为出口结点，根据其连接的位置空间单元得到相应的细粒度层图，并在细粒度层进行网络扩展。当被扩展结点到参考点的距离大于范围阈值时停止扩展。
[0165] 另外，当所述查询对象类别为周边兴趣点查询时，所述位置服务器4具体还用于：读取(连接访问)所述室内空间模型中兴趣点信息；利用周边查询算法计算所述兴趣点结果。并将兴趣点结果返回至终端1。其中，查询兴趣点的过程与查询周边好友的查询过程完全一样，在此不再赘述。
[0166] 本实施例提供的周边位置查询功能，利用粒子滤波融合定位算法，结合室内空间位置模型对周边好友位置及兴趣点进行定位，提高了定位精度及动态性；利用周边查询算法计算周边好友及兴趣点的查询结果，提高了查询结果的精确性，改善了用户体验。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于归一化LMS算法的MEMS陀螺仪在线降噪方法 | 2020-08-27 | 2 |
| 信息娱乐系统 | 2021-06-07 | 1 |
| 一种温室自主移动车辆的超声波导航装置及方法 | 2022-09-27 | 1 |
| 一种自动种植牙科机器人 | 2020-11-06 | 0 |
| 驾驶不稳定性判断装置 | 2022-03-28 | 0 |
| 用于骨干骨折髓内复位的导航系统 | 2020-07-25 | 2 |
| 一种飞机天线可调节锁紧安装结构 | 2022-02-22 | 1 |
| 全向移动双臂机器人 | 2020-05-18 | 0 |
| Systems and methods of reducing timing measurement error due to clock offset | 2021-09-17 | 1 |
| Navigation system and method | 2022-09-11 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈