一个方法来把平面图约束融入室内位置跟踪:泰森多边形法方法

文摘

室内定位吸引了大量的研究工作近年来由于爆炸室内定位服务(LBS)应用程序。将约束映射到定位算法减少行走轨迹的不确定性和提高定位精度。合适的地图辅助定位算法不容易获得,因此大多数研究者致力于本地化为他们的特定的本地化解决方案手动创建地图场景。本文提出一种方法,从CAD生成适合室内地图定位算法地板计划。我们的解决方案是可伸缩的大众磅部署。我们也提出一个适应map-filtering算法,利用地图信息提取CAD地板计划。我们评估我们的解决方案的性能通过真实的无线射频测量。

1。介绍

准确和健壮的室内定位是一个大量的紧急和商业服务的关键驱动因素。室内定位服务(LBS)的一些例子如下(1]:定位人在地图上并导航到目的地在购物中心、机场、医院、和博物馆;推荐最近的业务或服务,如自动取款机,零售商店,餐馆,和社会事件;产生基于地理位置的广告;发现和追踪被盗或丢失对象;人类活动和监控。当显示定位和跟踪的结果,自然是重叠的坐标建筑平面图,作为一个绝对位置值的使用没有与周边地区的地图。在室内LBS应用程序中,位置数据在一个用户友好的建筑可视化地图用户设备的屏幕上显示。除了要求位置数据可视化的地图,地图信息可以用来提高定位精度和减少不确定性的行走轨迹。

许多室内定位和跟踪算法在一定程度上依赖于基于地图的过滤方法绑定漂移和噪音性错误。这些算法通常基于粒子滤波器(2]。基本原理很简单:用户的轨迹是由一组描述粒子。粒度分布模型测量轨迹以及错误的测量系统3]。粒子是不允许违反约束映射的位置。例如,粒子是不允许交叉直接穿墙。粒子通过这些障碍是加权或重新取样4]。

不同的方法处理平面图给出文献的信息。在[5),粒子穿越墙壁是消除了通过使用一个基于位图的地图匹配算法。系统的状态,因此每个粒子的状态包括两个像素坐标x和y在一个位图。当粒子的路径(实现为画线位图)包括一个非白人的像素,与障碍物发生碰撞和粒子的重量被设置为零。注意,这需要一个白色的表示适宜步行的空间位图,其中包括,例如,移除门或房间名称可能描绘的位图。在[6),粒子滤波基于混合图/自由空间室内环境的代表。在走廊,楼梯,电梯是由边缘图,房间都由有界多边形等领域。使用这种表示法,限制运动如搬楼上的走廊里,还是要和同行那么运动通过房间和开放空间建模。在[7),作者认为平面图是一组墙,每个端点的坐标描述的墙上。门被建模为空白的墙壁。

一般来说,地图基本上是图纸供人类食用,用于算法分析时,他们存在一些困难。,因此,大多数研究人员本地化解决方案手动创建所需的地图为他们的特定的测试场景。虽然这种方法测试map-filtering算法的性能是有效的,它不能被扩展为大容量商业LBS应用程序。

如上所述,也认为在3,8),用于可视化的地图和位置的要求估计不同(8]。缺乏适合的地图,可视化和基于地图的过滤,是面临的主要挑战之一的大众市场部署室内定位系统。建筑设计平面图地图通常使用计算机辅助设计(CAD)商业软件应用程序。因此我们瞄准的平面图CAD文件转换格式,适用于作为map-filtering算法的输入。我们所知,只有工作,讨论这一重要问题是(3]。作者提出一个解析器,分析了标准CAD文件提取拓扑地图信息。这些信息是用来创建一个基于对象的地图定位和跟踪应用程序的优化。

本文提出一种可扩展的方法,从CAD数据生成适合室内地图定位算法。我们将讨论如何处理内墙当使用室内跟踪定位基于技术,如智能手机或其他设备wi - fi信号强度。当我们解决问题中讨论3)用一个新的方法,我们的重点是更多地需要空间多边形,导致平面细分和定位”门口的特性。“这些都是相对狭窄的开口,应该当作门道。(中没有讨论另一个问题3)是建立描述包含比需要更详细的跟踪。我们尝试简化策略基于代替多边形线通过一个单一的直线段近似。这加速了跟踪算法准确性无显著影响。我们分析我们提出算法的性能使用真实世界的射频指纹测量数据。

本文的其余部分的结构如下:在部分2,我们描述了如何提取房间墙壁和多边形从平面图CAD文件的信息。部分3描述了我们提出的跟踪算法,结合平面图约束。部分4说明了跟踪结果使用真实的无线射频测量在一个企业建立在都柏林。部分5总结了纸。

2。发现房间墙壁和多边形

至少有两个原因的定位算法本身考虑平面图和内墙:(1)因为人们不能穿墙,似乎希望禁止这样的轨迹跟踪算法。(2)根据材料、载波频率和入射角,墙往往反映的一部分信号。因此,跟踪算法应该期待墙壁导致不连续信号强度的变化。

原因2,这可能足以有一组线段的设备禁止交叉跟踪。我们从试验台提取线段坐标建筑CAD平面图和创建了一个边列表文件。然而,原因2显示一个建筑内部划分成一组不相交的多边形,一些边缘在哪里指定为“门”(一般来说,任何一个房间的一部分边界的跟踪设备可以通过)。我们记录了房间变成一个多边形信息空间多边形文件。在本节中,我们存在于细节如何处理房间墙壁和多边形。

假设建筑平面图中可用的一些机器可读的形式(如AutoCad®)组成的对象如“线”、“多线”,“圆弧,”和“文本。”此外,它分为层,有些层“块可能有多个实例。”例如,“家具”层可能有“椅子”块,所有椅子块仿射变换。

地板计划基本上是图纸供人类食用,它们用于算法分析时存在一些困难。我们有数据的一层计建造在都柏林,爱尔兰。我们的样本数据有以下问题:(1)墙壁需要连网分析不明确定义层;例如,一些房间分隔器在家具层。(我)它有助于观察对象名称和块名称以及层的名字。(2)名为“孵化”的对象和块名叫“门”不是墙壁。(2)启发式测试是必要的识别特征,如摆动门和分区在家具层。(我)而不是看着矩形长宽比,比较是安全的周长P平方根的封闭区域一个。例如,意味着一个矩形长宽比 ,并为nonrectangles是有意义的。(3)门夹和窗框等特性提供了大量实例不同对象应该有共同的地方x或y坐标。这些通常不完全匹配。(我)这种类型的错误通常是0.3毫米和1毫米之间。

对象构造一组多边形,准确反映建筑的维度(及其内墙)和说明可以从房间。更准确地说,我们需要一个平面细分。一个平面细分顶点、边和面孔,和在一个共同的顶点的边缘是由角模360度排序。此外,两张脸在每条边,可以遍历数据结构为了找到描述任何给定的脸边的序列作为一个多边形(9]。为我们的应用程序中,边缘是多边形线,和某些部分被标记为门(这意味着跟踪算法假定目标可以通过)。

部分2.1简要概述了启发式的决定哪些部分建筑描述墙和门口。然后一节2.2解释如何把墙段划分为平面细分定义房间。最后,部分2.3解释了如何识别门口段应该插入的地方,以防止错误的大型复杂地区视为一个房间。这很难自动化,因此我们也允许门段手动添加。

代的室内地图的CAD数据面临的问题在之前1 - 2研究了3]。然而,我们更强烈关注需要房间多边形,这导致平面细分(部分2.2(部分)和门段插入问题2.3)。

2.1。启发式识别墙

启发式需要认识到墙壁和大厦的门口描述。在某种程度上,这些可能会有所不同从一个建筑,实现需要尽可能表格;,定制一个新建筑应该需要新的参数值,不是新算法。虽然我们的样本数据有“门”块,只有一小部分门识别。因此我们有一个布尔表达式对象是否值得,这是紧随其后的是逻辑标识。门逻辑是由数字控制参数如表所示1。

的表格形式逻辑的决定,一个表(层名称和决策指数)对,还有其他这样的表对象名称和块名称。的布尔表达式是否保持一个对象或把它当作垃圾是由另一个表,其中每个节点有一个查询值问的决策指标以及“指令”和 。每一次这样的“指令”是另一个节点的索引表或最终决定(“保留它,”“垃圾”,或“保持如果超越MaybeAspect”)。这些节点的主要表6,表,给决策指标层名称认为6层名称和生产决策指数0,1,或2。

图1充分体现了door-recognizing启发式的输入。的主要迹象的出现一扇门是一种细长的矩形与附近一个圆弧。有必要消除转门的图片并插入一段标记为“门”,对应于门在关闭位置。图1(一)附近有两个水平线,所需的闭门。有参数表1决定如何识别这些边框部分,这样他们就可以被删除。

2.2。建立一个平面细分

的原因想平面细分是一套完整的房间与明确的几何多边形,我们可以很容易地分辨出两个房间连接每个门口。由于数据结构(9是众所周知的,我们只需要解释如何获得一套好的墙和门段。

我们开始通过近似椭圆,圆弧、样条曲线的多边形。然后我们找到所有段十字路口和插入明确的交集点使用快速舍入的解释[10]。也是一个需要没有重叠的部分,但在所有十字路口明确使它容易找到并删除重复。

应该注意的是,建筑通常允许一个从一个房间走到另一个没有遇到转门。有必要门段添加到数据结构以防止大型复杂地区被错误地当作单人房。部分2.3将解释如何做到这一点。我们执行这一步后立即更换摆动门,门段。

我们现在拥有的一切是必要的为了构造一个平面细分,但图1提出一个问题。由于墙壁画两条平行线(有时是额外的内部细节),平面细分将有大量的面孔,对应内部的墙壁。我们只需要后处理平面细分这剩下的面孔是实际的房间。

为了区分空间多边形与多边形,只是在墙壁,我们使用作为一个广义的概念,平均宽度,一个多边形面积和吗P周长。我们只是拒绝的房间 ,在哪里是最小的门大小。计算最小门大小,我们使用启发式的部分2.1找到尽可能多的门,然后计算每个门段的长度和找到第五百分位。

2.3。泰森多边形法为门口特性图

door-finding启发式的部分2.1消除大部分的转门的照片,代之以门口段。图2(一个)显示结果的一部分。中间的大房间门口,但没有摆动门,所以没有门段插入。锯齿形线一个段应该显示,和锯齿状的线显示更多的门段是可取的。

失踪的地方门口非常类似于“类似中风的特性”(11]。在这篇论文,发现这些特性的过程是基于线段的泰森多边形法图。直观的想法是,这样一个图发现走廊中心,但概括走廊宽度的概念,这样失踪的门口出现的地方收缩的宽度。

鉴于线段的集合,我们可以将周围的空间划分为基于线段的最近的地区。这些地区的边界是由直线和抛物线的部分。任何时候P两个泰森多边形法之间的边界地区从两个输入段距离相等。假设和点,这段最密切的方法吗P。(一个很重要的观点11)是反对角 可以用来修剪泰森多边形法图。泰森多边形法图的部分反对党角接近180°是“广义走廊,”和“广义走廊宽度”是欧氏距离P来或(它并不重要)。

扔掉的部分反对的泰森多边形法图角是< 146°产生曲线路径跟踪走廊的中心以及中心的墙壁和失踪的门口特性,我们正在寻找。这就是我们生成的行添加到图中2(一个)为了生成图2 (b)。只要阈值> 120°,不可能三个或更多的修剪泰森多边形法部分满足。因此,修剪泰森多边形法是由反对党角的曲线路径是沿着路径距离的函数。

图3显示如何使用修剪泰森多边形法路径识别开口,门段是必要的。泰森多边形法路径穿过doorway-type开放时,反对党角增加然后减少。我们还可以看泰森多边形法路径上的任意一点的距离和点。定义当地走廊宽度这个距离的两倍。从时减少来 ,然后它开始增加,达到原价值的1.166倍 。这个临时减少当地走廊宽度是一个好迹象,门口段是必要的。

更准确地说,要求在泰森多边形法路径点插入一个门口是反对角> 157°和 在哪里代表当地的走廊宽度和和路径上的点是修剪泰森多边形法暂时浸在当地走廊宽度开始和结束。

如果修剪泰森多边形法路径更短比当地走廊宽度(因为它是大房间的入口处2 (b)),这可能是一个缺陷的泰森多边形法实现。算法线段泰森多边形法图是出了名的难以实现可靠,所以做好准备这样的缺陷是明智的。在[12),讨论了这些实现问题,最小化技术较好。

我们避免了举行的实现因担心限制商业使用。范围之外的另一种选择是这个纸张是一个更强力的方法,要求许多精心挑选的点“这段的泰森多边形法地区属于?“特别是,我们应对短路径图等缺陷2 (b)通过执行这段是最接近?”测试点超出的两端截路径。这告诉当地的走廊宽度将会在这些点,这些点可以用作和点(1)。

3所示。结合跟踪

虽然本文中讨论的一些想法可以适用于各种追踪技术,我们关注RSSI测量(无线信号强度)为各种wi - fi接入点。各种已知位置的建筑,“指纹数据库”提供出RSSI信号强度矢量与预期值为每个访问点的MAC地址。信号强度矢量的维数可能是相当高的,例如,50。

跟踪算法的设计目标是留住卡尔曼滤波跟踪的优点,同时添加连网的分析。因此,有一个两部分的实现:(我)实现的卡尔曼滤波算法(C)和少量修改方便的多个副本算法运行在各种替代的房间(2)一个主管,卡尔曼滤波的粒子和推断可能的问题”是在这个房间里吗?”和“一扇门附近吗?”

部分3.1简要概述了卡尔曼滤波算法的基本原理,解释了如何使用平滑指纹测量数据。高斯过程平滑平滑的数据只是一个可能的来源。方法是一般足以处理任何RSSI测量和估计的不确定性的来源。

部分3.2解释如何细化网格基于德劳内三角剖可以减少一些噪音的RSSI值指纹点,同时估算数据点所最不确定性。这样就避免了行为的高斯过程平滑和考虑了墙。两个指纹数据库之间的一堵墙使它更合理的RSSI值不同。

部分3.3描述了改进卡尔曼滤波跟踪的工作与多个房间。有些计算在每间客房的基础上完成的,和粒子权重并不为每个房间分别归一化。

部分3.4描述了空间选择器和接口的卡尔曼滤波算法。为了下面的高级算法描述,它的主要输出是一组替代与概率为每个房间:(1)细化指纹数据部分中解释3.2。这是算法1。(2)初始化设置房间的所有可能的房间以同样的概率。(3)执行一个连网卡尔曼滤波器的步骤部分中解释3.3。(4)使用算法2从部分3.4更新的房间,每个房间里的概率。如果不是全部完成,回到步骤(3)。

3.1。卡尔曼滤波跟踪的先验概率

被跟踪的对象有各种可能的轨迹,我们使用一组粒子来表示这些轨迹的分布。每个粒子都有一个位置,速度和重量表示轨迹的相对可能性。在每个步骤中,我们需要一个快速的方法来计算每个粒子的概率根据观察到的RSSI值符合指纹数据如何为粒子的位置。称之为先验概率粒子。卡尔曼滤波跟踪背后的基本思想是用这个概率粒子重量,在每个时间步renormalizing粒子权重。随机高斯扰动粒子加速确保粒子云覆盖整个分布可能的轨迹。

让指纹数据库 其中每个是RSSI向量和建筑和相应的位置都是不同的。我们需要能够使用计算任何位置的先验概率粒子l和任何RSSI测量向量 。换句话说,我们需要选择或插入一个RSSI向量这是适合l,我们需要一个向量估计的不确定性。治疗的组件E作为标准偏差为

然后适当的转换结果的方法年代对于这个平方之和相对误差概率是使用 。

一个共同的方法来扩展这种指纹数据库更多的位置是通过高斯过程(GP)平滑。费里斯等人的上下文中解释GP RSSI-based跟踪(6]。就我们的目的而言,全科医生的关键特性是,它可以扩展(2) 的位置可以选择便于跟踪和每个RSSI向量伴随着一个向量的不确定性 。

例如,点可能会选择让他们定义一个普通的三角网:瓷砖等边三角形的建筑和使用他们的顶点作为点在(2)。为了评估(3在一个点l,计算其等边三角形的重心坐标。假设 ,在哪里1,都是负的。然后我们可以使用 在(3)。

值得注意的是,任何位置的分布在(4)可用于计算先验概率粒子。每个RSSI组件(dB)的分段线性函数如果我们进行如下:(1)满足的集合地点尽可能好,也就是说,计算德劳内三角测量(2)使用一个数据结构,允许快速识别包含三角形的任何粒子的位置l(3)使用l的重心坐标(5)R和E(3)

与线段的泰森多边形法图部分2.3,德劳内点集的三角剖很容易计算可靠。我们使用自己的财富的实现算法13对步骤(1)。

对步骤(2)中,我们使用板分解(14因为它很简单,允许快速搜索。它的空间预处理时间成本通过更复杂的方法可以避免,但我们发现这是不必要的。

3.2。流畅的指纹数据细化网格

高斯过程方法的主要缺点是,推导(4)(2)是非常昂贵的处理时间(如果以最直接的方式实现)。此外,它不允许任何RSSI不连续由于内墙即使无线电传播模型通常治疗等墙部分反射。看到财富等的研究。15]讨论的室内无线传播。

正如节中提到的3.1,可以计算先验概率粒子直接从指纹数据库如果我们提供不确定性向量与所有条目(可能违约,一些常见的值)。图4(一)暗示了这种方法是错误的:即使德劳内三角测量,许多三角形拉长,太大。

分段线性插值太单纯使用直接在大三角形的图4(一)所以我们需要规则细化。这些规则包含启发式参数(H各种下标)的值将节中讨论4如下:(1)每个德劳内三角形的限定圆必须有一个半径 。(2)没有边缘的德劳内三角可能穿过一堵墙超过距离从一堵墙。

规则1是一个自然的方式防止三角形太大,因为德劳内建设保证限定圆是空的;也就是说,没有任何三角形的顶点是严格内部循环。规则2为了RSSI值分配给需要细化网格的方式考虑了墙。图4 (b)显示了一个改进基于这些规则。

算法1达到这个细化执行这两个规则。它开始于n测试点位置保留的精制指纹数据库。这些有RSSI测量向量最终调整向量所取代 。新顶点与添加,直到我们达到一些总吗 。的调整的和后来添加的顶点得到通过求解线性方程组在步骤(7)。

算法1。细化algorithm-use指纹数据库来计算 。(1)初始化 , ,和为 。米将会增加更多的点。的关系不变的是对所有 ,但将会改变。这些更改正确更符合他们的邻居。(2)添加每个房间的所有顶点的多边形。排序的x坐标,发现双内范数距离 ,,只保留一个对于每一次这样的一对。(3)找到的德劳内三角测量的年代。(4)找到每个德劳内的限定圆三角形并添加一个新的对于每个圆的半径超过的中心 。(5)添加新德劳内边缘的地方横墙根据规则2。(6)回到步骤(3)添加的步骤(4)和(5)。(7)对于每一个接入点,解决的稀疏线性系统米未知数中,接入点的组件向量。系统设置每个的加权平均与重量的德劳内的邻居解释附近部分的结束3.2。如果 ,的的邻居 。(8)为 ,设置每个组件来在哪里是距离到最近的点和是最近的点。

的权重平均邻近的RSSI值在步骤(7)基本上是在哪里d是距离相邻的顶点。如果你的邻居是在不同的房间,重量是多少 。如果我们治疗的测量一个邻居的调整值 ,重量是 。

步骤(8),最近的测量指向一个顶点的位置发现通过广度优先搜索添加任何十字架的德劳内边缘的长度从一个房间到另一个地方。如果它是方便找到测量(说)最接近4点 ,然后可能会修改返回一个加权平均通过与基于逆距离权重。

3.3。卡尔曼滤波跟踪多个房间

回想一下,卡尔曼滤波跟踪繁殖每个粒子重量的先验概率粒子(如部分中解释3.1),总重量是在每个时间步重整。

似乎是安全的假设,如果我们知道房间里看,应该更容易跟踪问题。这导致multiple-room版本的卡尔曼滤波跟踪每个粒子在哪里限制到一个特定的房间,在每个时间步总粒子重量的重正化对所有房间进行一次,不是每个房间单独考虑。因此,粒子的总重量在一个给定的房间是一个似然估计跟踪对象是否在房间里:(我)每个粒子都有一个位置 ,速度矢量 ,一个重量 ,和一个房间号码 。(2)的有效粒子数决定是否需要再生粒子,但这个决定是由单独为每个房间。房间的总粒子重量是保存。(3)粒子有一个链表为每个活动的房间,他们释放的空间选择器取消选中一个房间。

3.4。使用房间,门口分数监督多区域跟踪

房间选择器的输入是一组粒子:卡尔曼滤波跟踪的结果在最后时间步。输出是一个下一个时间步的房间号码列表,显示位置和总粒子重量为每个选定的房间。使用位置和重量如果卡尔曼滤波跟踪没有合适的剩饭关于房间的信息。

房间选择器也需要私人数据结构来记录最近的结果,需要未来的决策。之前的一些固定的最大数量等措施 ,每个房间都有成绩和一系列相似的门口的分数对于每个门估计,对于每一个时间步,靠近门的条件概率,如果在房间里。每个房间也有一个“重心位置”中每一个时间步长情况下的卡尔曼滤波器需要重新启动的房间,没有现有的粒子的基础地位。

使用这些数据结构的算法的房间选择步骤包括线性回归。门口的分数取决于每间客房位置所获得的平均粒子位置分别为每个房间。每门分数计算如下:(1)应用线性回归的距离门口,获得当前时间步的距离估计(2)计算一个位置不确定性房间的方差的基础上职位与添加条款与房间尺寸成正比(3)使用在哪里ρ距离的比例是不确定性,但考虑到的速度乘以一个术语的态度吗

表2展示了一些门口分数变化作为时间的函数一步“向前都柏林87分”的测试。分数是时间的函数,它是自然流畅运用线性(或物流)回归。这是微不足道的,因为有一个独立的变量。通过的概率逻辑回归,我们变换然后使用转换生成的y成一个概率。房间选择算法(算法2)使用(物流)回归和数组的空间权重。

算法2。房间选择算法。(1)计算门口分数像前面解释的那样,使用回归计算重量为每一个房间r。(2)对于每个门口,用回归计算门口得分对于每一个从一个房间门口”r“到另一个房间o。”(3)每门分数,分配 。这种繁殖通过 。(4)让空间权重的总和 。(5)房间的降序排序并选择10高体重的房间,阻止早期如果需要排除的房间 。(当然,10和也可以换成其他常数。)

4所示。结果

所有的测试都是基于指纹数据库317个地点的都柏林建立如图4(一)。测量在每个位置为51接入点包括RSSI值,其中一些有多个MAC地址。测量在每个位置重复5次约1秒的间隔,这样每个RSSI值在数据库中是至少5测量的平均值。

图5显示了都柏林建筑分为空间多边形有两个测试跟踪:“向前都柏林87分”穿过房间45岁,35岁,16岁,35岁,39岁,70年,8,107 8,76年,88年,24岁,124年,81年,24岁,33岁,24岁,68年,“都柏林85分逆转”穿过房间81年,68年,24岁,112年,24岁,85年,88年,76年,87年,104年,86年,14日,7日,8日,108年,8,111 8,37岁。测试跟踪也5测量/位置;即测试停止87倍来测量和记录地面真理的位置。建筑有一个相当开放的平面图,很多房间的边界图5部分分区或走廊的地方有90°弯曲;例如,房间45岁,35岁,39岁和70在图5都是一个走廊。

地面测试追踪接近真理的位置指纹数据库的凸包位置,所以必须有一个合理的RSSI值应该做什么超出了凸包。基于图的简单的推断4 (b)最外层的德劳内三角形是不够的。我们解决了这个问题通过增加指纹数据库有四个人工数据点,一个在外面的每一个角落。人工点有一个共同的RSSI值对于每一个wi - fi接入点被测量。

我们使用“向前都柏林87分”跟踪优化和 , , , , , ,和参数部分3.2。自参数属于跟踪程序的速度大大快于指纹细化算法部分3.2,我们尝试11的值每次运行的改进算法。我们给这个7-dimensional Nelder-Mead优化器优化问题,和588年之后的评估,选择表中的值3。表包括这是隐藏在Nelder-Mead和详尽测试如上解释(见[15,16]Nelder-Mead优化的讨论)。

一个启发式参数是基于早期的测试运行。这涉及到的公式转换为之和年代从(3)到一个先验概率粒子。概率少野,实际的公式 ,在哪里 。

表4显示了测试跟踪跟踪精度。结果强烈依赖于 ,可能是因为人工角落点不给一个好主意的RSSI值期望之外的边界框的位置指纹数据库。“都柏林36分逆转”轨道的最后一部分是“都柏林85分逆转”。它被介绍给显示的性能可以接近3.43米时优化值相似的启发式参数用于不同的测试。

5。结论

连网电视跟踪的一个重要部分就是找到房间多边形和构建平面分舱门口,告诉它如何可以从房间。我们已经了解了现有的方法提取从CAD图纸可以扩展到墙壁和门构造平面细分。线段泰森多边形法图是一个关键的工具,用于识别额外的门必须添加的地方。即使CAD绘图收益率门完美的信息,需要额外的门为了防止空间多边形过度变得大而复杂。

这个特定的策略运行卡尔曼滤波器在单独的房间只是许多可能的方法之一使用连网电视平面细分。这个计划需要更多的测试和各种工程的改进使其更可靠。的原因保留多个猜测哪个房间是当前是避免从房间的情况下,一个错误的选择级联以后步骤由于门口的限制,不允许前往正确的房间。结果部分4表明需要更多的方式来恢复一个坏最初的房间。也许应该有一个重新启动机制。

另一个问题是明显的部分4是,没有一个角落点RSSI值参数在所有情况下都适用。这是一个重要的问题应对的情况下测试跟踪近退出凸包的指纹测量位置。人工角点的RSSI值就可以更明智地通过查看设置指纹数据的边缘凸包和关于每个访问点的独立决策。另一个选择是计算凸壳之间的距离,减少指纹RSSI值通过一些适当的距离的函数。也许最好的方法是有部分3.2解决这个问题通过扩展细化网格进一步向外和调整线性系统的步骤(7)算法1在一些聪明的方式来处理外推。

理想情况下,测量分指纹数据库应该足够远远超出了测试跟踪,这样我们不需要先验概率粒子超出计量点的凸包。当然这将有助于有更多的指纹度量点,但有强烈的动机,以减少所需的工作收集和更新这些数据。事实上,部分的目的3.2(或高斯过程平滑)是应对稀疏的指纹数据。

的利益冲突

作者宣称没有利益冲突。

引用

1. m . Dashti和h . Claussen“从射频指纹获取位置信息,”学报2016年IEEE Globecom研讨会(GC车间)IEEE,华盛顿,美国,2016年12月。视图:谷歌学术搜索
2. r . Piche和m . Koivisto”一个方法来加强地图限制,粒子滤波的位置估计,”学报定位、导航和通信(WPNC), 2014年11日车间德累斯顿,页1 - 4、IEEE,德国,2014年3月。视图:谷歌学术搜索
3. m·谢弗,c·克纳普和s . Chakraborty”自动生成拓扑室内地图的实时地图定位和跟踪,”室内定位和室内导航学报》(IPIN), 2011年国际会议葡萄牙,页1 - 8,IEEE,吉马良斯,2011年9月。视图:谷歌学术搜索
4. m . Klepal s包瑞德将军和Widyawan小说回溯粒子滤波对室内定位、模式匹配”第一届ACM国际研讨会论文集在移动实体GPS-Less环境中的定位和跟踪ACM,页79 - 84年,旧金山,美国,2008年12月。视图:谷歌学术搜索
5. m·凯塞尔和m . Werner“自动WLAN校准回溯粒子滤波,”学报》国际会议室内定位和室内导航(IPIN)Alcala de Henares,页1 - 10,西班牙,2012年10月。视图:谷歌学术搜索
6. b·费里斯·d·Haehnel d·福克斯,”高斯过程信号strength-based位置估计,”机器人科学的程序和系统Citeseer,剑桥,妈,美国,2006年6月。视图:谷歌学术搜索
7. h . Nurminen a . Ristimaki s Ali-Loytty, r . Piche“粒子滤波和平滑室内定位,”学报》国际会议室内定位和室内导航(IPIN)Alcala de Henares,页1 - 10,西班牙,2013年10月。视图:谷歌学术搜索
8. l . Wirola t·a·莱恩,j . Syrjarinne“大众市场要求室内定位和室内导航”室内定位和室内导航(IPIN), 2010年国际会议,页1 - 7,IEEE 2010年瑞士苏黎世。视图:谷歌学术搜索
9. l . Guibas和j .,史托非等”的操作原语一般细分和泰森多边形法计算的图表,“ACM交易图片,4卷,不。7,74 - 123年,1985页。视图:谷歌学术搜索
10. j·d·爱好,“实际输出段交集,有限精度”计算几何理论和应用程序,13卷,不。4、199 - 214年,1999页。视图:出版商的网站|谷歌学术搜索
11. j . d .爱好”,从轮廓生成自动调整位图”,ACM的杂志,40卷,不。1,48 - 94年,1993页。视图:出版商的网站|谷歌学术搜索
12. m .举行“VRONI:一个职位的方法的可靠和高效的泰森多边形法计算图点和线段,”计算几何:理论和应用程序,18卷,不。2、95 - 123年,2001页。视图:出版商的网站|谷歌学术搜索
13. 美国财富,”泰森多边形法图Sweepline算法”,Algorithmica,卷2,不。1 - 4、153 - 174年,1987页。视图:出版商的网站|谷歌学术搜索
14. d . Dobkin和r . j .立顿”多维搜索问题。”暹罗杂志上计算,5卷,不。2、181 - 186年,1976页。视图:出版商的网站|谷歌学术搜索
15. s . j .财富,d . m .同性恋,b·w·克尼汉o . Landron r . a . Valenzuela和m·h·莱特“智慧设计的室内无线系统:实际计算和优化,“IEEE计算科学与工程,卷2,不。1,58 - 68、1995页。视图:出版商的网站|谷歌学术搜索
16. j . A . Nelder和r·米德”函数极小化,单纯形法”电脑杂志,7卷,不。4、308 - 313年,1965页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018年约翰·d·爱好和马尔基·Dashti。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。