位算法確定行人在所述位置空間內(nèi)任一位置的第二概率 值;確定概率值最大的位置為所述行人當(dāng)前計算時刻所在的位置。
[0042] 具體實施時,無線節(jié)點13,可以用于通過DSRC(專用短程通信)通信確定自身與行 人手持終端12之間的距離。
[0043] 具體實施時,行人手持終端12,可以用于在自身的衛(wèi)星定位系統(tǒng)獲取的衛(wèi)星信號 信噪比SNR不大于預(yù)設(shè)信號閾值或者可見衛(wèi)星數(shù)量不大于預(yù)設(shè)數(shù)量時,確定衛(wèi)星定位系統(tǒng) 失效。以及行人手持終端12,還可以用于確定自身的衛(wèi)星系統(tǒng)失效時,通過DSRC廣播發(fā)送 衛(wèi)星定位失效標(biāo)識。
[0044] 為了更好的理解本發(fā)明實施例,以下對本發(fā)明實施例的具體實施過程進行描述。
[0045] 車載終端132包括高精度定位系統(tǒng),用以獲取精確的車輛位置信息;通信系統(tǒng),能 夠與云服務(wù)器進行通信,并通過DSRC模塊與路側(cè)單元、其他車載終端、行人手持終端進行 通信。行人手持終端12包括衛(wèi)星定位系統(tǒng),用以獲取自身的位置信息;電子羅盤,用以獲 取航向信息(由于電子羅盤在使用過程中誤差較大,實際只需要獲得該時刻與上一時刻的 航向差);加速度計,可以測量行人行走的步數(shù);通信系統(tǒng),能夠與云服務(wù)器進行通信,并通 過DSRC模塊與路側(cè)單元131、其他行人手持終端12、車載終端132進行通信,傳輸手持終端 ID、定位信息以及時間戳等。云服務(wù)器11包括通信系統(tǒng),能夠與車載終端132、行人手持終 端12、路側(cè)單元131進行通信;精確的電子地圖,可以標(biāo)記車輛、行人上報的實時位置,并標(biāo) 記了路側(cè)單元131的精確位置。且車載終端132、行人手持終端12、路側(cè)單元131和云服務(wù) 器11之間有精確的時鐘同步。車載終端132、行人手持終端12以相同的時間點、相同的頻 率向云服務(wù)器11同步上報周期性狀態(tài)數(shù)據(jù)包。
[0046] 由于車聯(lián)網(wǎng)系統(tǒng)中的路側(cè)單元的位置精確可知,車載終端的定位精度很高(使 用差分定位以及精度較高的慣性傳感器,應(yīng)用中可以達到亞米級),且在車聯(lián)網(wǎng)系統(tǒng) 中,車載終端、路側(cè)單元和行人手持終端之間可以通過DSRC(Dedi Cated Short Range Communication,專用短程通信)進行通信,基于此,本發(fā)明實施例中,通過無線定位的方式 實現(xiàn)行人定位。
[0047] 在行人手持終端12的衛(wèi)星定位系統(tǒng)可用時,行人手持終端12周期性向云服務(wù)器 11上報狀態(tài)數(shù)據(jù)包。數(shù)據(jù)包可以包括行人手持終端12的ID (終端標(biāo)識)、當(dāng)前位姿向量、 當(dāng)前走過的步數(shù)和時間戳P〇P,(xf ), W} B其中(xf )為行人當(dāng)前的位置,爐f 為電子羅盤測量的行人的航向,If為當(dāng)前行人走過的步數(shù),為行人上報數(shù)據(jù)的時間戳。 車載終端132向云服務(wù)器11上報周期性狀態(tài)數(shù)據(jù)包,數(shù)據(jù)包包括車載終端132的ID(標(biāo) 識)、當(dāng)前位姿向量和時間戳。其中(xf,K)為車輛當(dāng)前的位置 和航向,為車載終端上報數(shù)據(jù)的時間戳。
[0048] 云服務(wù)器11對行人手持終端12在衛(wèi)星定位可用時的加速度計測量值統(tǒng)計,得到 行人步頻和步數(shù);通過衛(wèi)星定位系統(tǒng)測得的行人走過的距離,進而獲得行人的步長
[0049] 云服務(wù)器還需要記錄行人的歷史位置(包括衛(wèi)星定位系統(tǒng)測量得到的位置和衛(wèi) 星定位系統(tǒng)失效后根據(jù)本發(fā)明實施例確定出的行人位置),使用η (η是動態(tài)變化的)個行人 歷史位置彳擬合Tt i時刻行人的航向冗i。例如,云服務(wù)器可以根據(jù)記 錄的行人歷史位置擬合行人行走曲線,根據(jù)擬合出的行人行走曲線估計Tt i時刻行人所在 位置,并確定在Tt i時刻行人所在位置點處的切線方向確定為Tt i時刻行人的航向Pi。
[0050] 行人手持終端12的衛(wèi)星定位系統(tǒng)實時監(jiān)測獲取的衛(wèi)星信號的信噪比SNR,以及可 見衛(wèi)星數(shù)。如果信噪比SNR不大于閾值T SNR(TSNR可以但不限于設(shè)置為30)或者可見衛(wèi)星數(shù) 不大于預(yù)設(shè)數(shù)量(例如可以設(shè)置為4),則確定行人手持終端12的衛(wèi)星定位系統(tǒng)失效。
[0051] 當(dāng)行人手持終端12的衛(wèi)星定位系統(tǒng)失效時,行人手持終端12通過專用短程無線 通信(DSRC)向周圍廣播發(fā)送衛(wèi)星定位失效標(biāo)識F,并向云服務(wù)器11發(fā)送衛(wèi)星定位失效標(biāo)識 F。行人手持終端12發(fā)送的標(biāo)識F包含行人手持終端12的ID以及衛(wèi)星定位系統(tǒng)失效的時 刻 Tf : {IDP,Tf}。
[0052] 路側(cè)單元131接收到F后,以與車載終端、行人手持終端以相同的時間點T、相同 的頻率f向云服務(wù)器11發(fā)送周期性數(shù)據(jù)包,周期性數(shù)據(jù)包包含該路側(cè)單元ID(標(biāo)識)、發(fā) 送F的行人手持終端的ID、該路側(cè)單元131與該行人手持終端132之間的距離、時間戳: UD'ID'd/''/力。車載終端131接收到F后,其周期性狀態(tài)數(shù)據(jù)包變?yōu)椋涸撥囕d終端ID、 發(fā)送F的行人手持終端的ID、該路側(cè)單元與該行人手持終端之間的距離、該車載終端的位
[0053] 行人手持終端12的周期性狀態(tài)數(shù)據(jù)包內(nèi)容不變,只是云服務(wù)器11不再以其位置 作為行人定位的依據(jù)。云服務(wù)器11使用行人手持終端12的衛(wèi)星定位失效前一時刻的位置, 以及其上報的周期性數(shù)據(jù)包、車載終端132上報的周期性數(shù)據(jù)包或者路側(cè)單元131上報的 周期性數(shù)據(jù)包,通過對行人位置的估計來確定行人的真實位置。
[0054] 如圖2、圖3或者圖4所示,其中,圖3和圖4中行人周圍有一個路側(cè)單元131和一 個車載終端132,圖5中,行人周圍有兩個路側(cè)單元131。需要說明的是,具體實施時,只要 行人周圍存在至少一個路側(cè)單元131或者車載終端132即可利用本發(fā)明實施例提供的定位 方法對行人進行定位。
[0055] 在Tt 3時刻,行人位于Zf_3,此后,行人手持終端12的衛(wèi)星定位系統(tǒng)失效,行人手 持終端12通過DSRC向周圍發(fā)送衛(wèi)星失效標(biāo)識F,路側(cè)單元131和車載終端132接收到 F后,使用DSRC通信確定自身與行人手持終端12之間的距離,并向云服務(wù)器發(fā)送數(shù)據(jù)包 {1D'丨 '丨和乂 用Tt 2時刻行人手持終端12以及路側(cè)單元131或者車載終端132上報的定位信息估計行 人的位置<_2。
[0056] 本發(fā)明實施例中,行人位置的估計可以使用基于概率的定位方法,以下以馬爾科 夫定位算法為例進行說明。
[0057] 使用Bel (c)表示行人可能位置的置信度分布,即行人在整個位置空間的概率分 布,例如Bel (Lt = 1)就是行人在t時刻在1處的概率,其中,1表示當(dāng)前位置空內(nèi)的任一位 置,Lt表示行人位置的隨機變量。
[0058] 在行人手持終端12的衛(wèi)星定位系統(tǒng)失效時,算法開始執(zhí)行,以行人手持終端12的 衛(wèi)星定位系統(tǒng)失效時刻Tf前一時刻上報的位置為初值,由于位置已知,概率密度初始 值Bel (L。= 1)是一個很窄的正態(tài)分布。
[0059] 概率分布在以下兩個事件發(fā)生時進行更新:
[0060] (1)云服務(wù)器11接收到路側(cè)單元131或者車載終端132發(fā)送的和計算 出當(dāng)前時刻與上一時刻(需要說明的是,這里指上一計算時刻,兩個計算時刻之間可能包 含多個上報時間點,路側(cè)單元131和車載終端132在每一上報時間點均會上報定位信息,以 下同)路側(cè)單元131或者車載終端132與行人手持終端12之間的距離之差,S = 和 /'f 之后。
[0061] (2)云服務(wù)器11獲取行人手持終端12當(dāng)前時刻(Tt2時刻)的Λ^2之后,云服務(wù)器 11可以獲取當(dāng)前時刻與上一時刻的步數(shù)差_心^2,從而獲得行人行走的距離。
[0062] 具體實施時,可以使用d = {d。,山,· · ·,dT}表示云服務(wù)器11獲取的數(shù)據(jù)流,士可 以是sP'R、s P'v或者a。
[0063] 馬爾科夫定位算法是以滿足先前數(shù)據(jù)為條件來估計在LT上的概率分布,即
[0064] P (LT = 11 d) = P (LT = 11 d〇, dj, . . . , dT)
[0065] 馬爾科夫定位算法運動模型和感知模型分別為:P(l|a,l')和:P(s|l)。
[0066] 但是對于該場景而言,行人可能的位置可以看作是對稱的。使用馬爾科夫定位算 法可以計算出在Tt 2時刻,或者的概率密度最大,行人可能位于^2:或者。
[0067] 設(shè)0t2為當(dāng)前時刻(Tt2時刻)行人第一航向值,其中,0 t2為上一時刻(Tt3 時刻)行人的航向值以及電子羅盤測量得到的當(dāng)前時刻與上一時刻的航向測量差值 卻L之和,即心2 =0命/:2,則概率ρ( θ 1211)可以寫成(即在第一航向值下,行人在1 處的概率):
[0069] 其中,ε為預(yù)設(shè)的常數(shù),為云服務(wù)器11根據(jù)記錄行人的歷史位置確定出的在 Tt 2時刻行人在位置空間中任一位置的航向。
[0070] 本發(fā)明實施例中,云服務(wù)器11可以結(jié)合行人手持終端12和路側(cè)單元131或者車 載終端132上報的定位信息,使用感知模型Ρ(δ |1) =P(S|1) ·Ρ(Θ |1)進一步估計行人 位置概率密度分布值(以下簡稱概率值),并選擇概率值最大的行人位置為當(dāng)前計算時刻 行人的位置。
[0071] 具體的,使用路側(cè)單元131或者車載終端132上報的定位信息確定出的其與行人 手持終端12之間的距離差值,即d T 2 = sT 2時,云服務(wù)器11可以按照以下公式Bel (LT 2 = 1) = aT2P(ST2|l)Bel(LT3 = 1)確定行人在位置空間內(nèi)任一位置的第一概率值,其中: αΤ2 為常數(shù),P(ST2|1) =P(sT2|l) ·Ρ(ΘΤ2|1)。
[0072] 使用行人手持終端12上報的定位