一种智能购物车室内导航方法技术

本发明专利技术涉及一种智能购物车室内导航方法

【技术实现步骤摘要】
一种智能购物车室内导航方法、系统、介质及计算机


[0001]本专利技术涉及车辆导航
，更具体地说，它涉及一种智能购物车室内导航方法
、
系统
、
介质及计算机
。

技术介绍

[0002]智能购物车使用
UWB
定位组件以及室内地图进行定位导航
。
在导航时必须使用购物车的绝对方向作为导航转向以及路径规划的依据，导航方向由购物车地磁
、
陀螺仪及加速度传感器的数据计算得出，目前地磁受室内某些特定环境强磁影响导致传感器原始数据异常从而产生偏差导致导航方向指向异常
。
[0003]现有实现方案通常会先采集设备传感器的原始数据，然后通过预设的计算方法进行简单计算后得到一个大概的设备方位进行导航
。
这样的方案通常会受到室内复杂环境的影响，室内部分磁场异常的情况将导致设备的方位异常
。
复杂的环境导致地磁传感器数据异常出错，且无法自行恢复，这时候通过地磁传感器获取到的原始数据错误，后续无论怎样计算都无法得到设备的正确方位，这样地磁传感器基本失效
。
需要人员手动进行恢复，并且在智能购物车上无法进行校准
。
因此现有方案获取方位的方法，无法提供可靠的数据
。
也就无法为精确导航提供数据服务
。
[0004]现有技术单纯通过地磁传感器获取设备方位的方式没有考虑复杂环境下地磁受干扰的因素，从而导致在室内定位导航场景下获取的传感器数据没有意义，最终也无法准确计算出设备的具体方位提供给导航应用
。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的在于提供一种智能购物车室内导航方法
、
系统
、
介质及计算机，以克服现有的技术中存在的单纯通过地磁传感器进行室内定位导航会受到干扰磁场环境影响导致定位不准确的缺点
。
[0006]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种智能购物车室内导航方法，包括：
[0007]获取智能购物车的初始方位数据，根据所述初始方位数据，计算第一四元数模型；
[0008]在智能购物车移动过程中，获取智能购物车上的陀螺仪所生成的第一姿态数据；
[0009]对所述第一姿态数据进行预处理，去除其中的噪声和偏差，得到第二姿态数据；利用所述第二姿态数据对第一四元数模型进行更新，得到第二四元数模型；
[0010]根据所述第二四元数模型，计算欧拉角中对应的俯仰角
、
横滚角
、
偏航角数据；
[0011]利用所述俯仰角
、
横滚角以及偏航角数据，计算出当前智能购物车的速度和所处的位置
。
[0012]可选的，所述获取智能购物车的初始方位数据，根据所述初始方位数据，计算第一四元数模型，包括：
[0013]利用地磁传感器，获取智能购物车在初始位置处的地磁场倾斜角度；
[0014]根据所述地磁场倾斜角度，计算对应的欧拉角数据，所述欧拉角数据包括：滚动角
(Roll)
，俯仰角
(Pitch)
和航向角
(Azimuth)
；
[0015]根据所述欧拉角数据，计算第一四元数模型，包括：根据欧拉角的旋转顺序为
Roll
‑
Pitch
‑
Yaw
，计算得到第一四元数模型的四个四元数分量，四个所述四元数分量包括：
w1、x1、y1、z1；
[0016]利用四个所述四元数分量，建立第一四元数模型
。
[0017]可选的，还包括：
[0018]手动测量并标定购物车的初始方位；
[0019]或者，获取室内地图路径，根据所述室内地图路径计算绝对方向，根据绝对方向计算购物车的初始方位；
[0020]利用所述初始方位，获取智能购物车在初始位置处的地磁场角度
。
[0021]可选的，所述对所述第一姿态数据进行预处理，去除其中的噪声和偏差，得到第二姿态数据，包括：
[0022]初始化陀螺仪，获取陀螺仪的第一状态向量
X1、
第一状态协方差矩阵
P1、
观测矩阵
H、
过程噪声协方差矩阵
Q、
测量噪声协方差矩阵
R
以及状态转移矩阵
F
；
[0023]利用第一状态向量
X1以及状态转移矩阵
F
，计算第二状态向量
X2，包括：
[0024]X2＝
F*X1；
[0025]利用第一状态协方差矩阵
P1、
状态转移矩阵
F
和过程噪声协方差矩阵
Q
，计算第二状态协方差矩阵
P2，包括：
[0026]P2＝
F*P1*F
T
+Q
；
[0027]利用第二状态协方差矩阵
P2、
观测矩阵
H
和测量噪声协方差矩阵
R
，计算测量余量协方差矩阵
S
，包括：
[0028]S
＝
H*P2*H
T
+R
；
[0029]利用测量余量协方差矩阵
S、
观测矩阵
H
和第二状态协方差矩阵
P2，计算卡尔曼增益矩阵
K
，包括：
[0030]K
＝
P2*H
T
*S
‑1；
[0031]获取陀螺仪的观测结果矩阵
Z
；利用观测结果矩阵
Z、
观测矩阵
H
以及第二状态向量
X2，计算测量余量
Y
，包括：
[0032]Y
＝
Z
‑
X2；
[0033]利用第二状态向量
X2、
计算测量余量
Y、
以及卡尔曼增益矩阵
K
，计算第三状态向量
X3，包括：
[0034]X3＝
X2+K*Y
；
[0035]将所述第三状态向量
X3记作第二姿态数据
。
[0036]可选的，所述利用所述第二姿态数据对第一四元数模型进行更新，得到第二四元数模型，包括：
[0037]获取陀螺仪的单位时间步长，记作
dt
；将所述第三状态向量
X3转化为四元数域向量，记作
omega
；将所述第一四元数模型记作
q1，包括：
[0038]q1＝
[x1,y1,z1,w1]；
[0039]计算所述第一四元数模型
q1在经过单位时间步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能购物车室内导航方法，其特征在于，包括：获取智能购物车的初始方位数据，根据所述初始方位数据，计算第一四元数模型；在智能购物车移动过程中，获取智能购物车上的陀螺仪所生成的第一姿态数据；对所述第一姿态数据进行预处理，去除其中的噪声和偏差，得到第二姿态数据；利用所述第二姿态数据对第一四元数模型进行更新，得到第二四元数模型；根据所述第二四元数模型，计算欧拉角中对应的俯仰角
、
横滚角
、
偏航角数据；利用所述俯仰角
、
横滚角以及偏航角数据，计算出当前智能购物车的速度和所处的位置
。2.
根据权利要求1所述的一种智能购物车室内导航方法，其特征在于，所述获取智能购物车的初始方位数据，根据所述初始方位数据，计算第一四元数模型，包括：利用地磁传感器，获取智能购物车在初始位置处的地磁场倾斜角度；根据所述地磁场倾斜角度，计算对应的欧拉角数据，所述欧拉角数据包括：滚动角
(Roll)
，俯仰角
(Pitch)
和航向角
(Azimuth)
；根据所述欧拉角数据，计算第一四元数模型，包括：根据欧拉角的旋转顺序为
Roll
‑
Pitch
‑
Yaw
，计算得到第一四元数模型的四个四元数分量，四个所述四元数分量包括：
w1、x1、y1、z1；利用四个所述四元数分量，建立第一四元数模型
。3.
根据权利要求2所述的一种智能购物车室内导航方法，其特征在于，还包括：手动测量并标定购物车的初始方位；或者，获取室内地图路径，根据所述室内地图路径计算绝对方向，根据绝对方向计算购物车的初始方位；利用所述初始方位，获取智能购物车在初始位置处的地磁场角度
。4.
根据权利要求1所述的一种智能购物车室内导航方法，其特征在于，所述对所述第一姿态数据进行预处理，去除其中的噪声和偏差，得到第二姿态数据，包括：初始化陀螺仪，获取陀螺仪的第一状态向量
X1、
第一状态协方差矩阵
P1、
观测矩阵
H、
过程噪声协方差矩阵
Q、
测量噪声协方差矩阵
R
以及状态转移矩阵
F
；利用第一状态向量
X1以及状态转移矩阵
F
，计算第二状态向量
X2，包括：
X2＝
F*X1；利用第一状态协方差矩阵
P1、
状态转移矩阵
F
和过程噪声协方差矩阵
Q
，计算第二状态协方差矩阵
P2，包括：
P2＝
F*P1*F
T
+Q
；利用第二状态协方差矩阵
P2、
观测矩阵
H
和测量噪声协方差矩阵
R
，计算测量余量协方差矩阵
S
，包括：
S
＝
H*P2*H
T
+R
；利用测量余量协方差矩阵
S、
观测矩阵
H
和第二状态协方差矩阵
P2，计算卡尔曼增益矩阵
K
，包括：
K
＝
P2*H
T
*S
‑1；获取陀螺仪的观测结果矩阵
Z
；利用观测结果矩阵
Z、
观测矩阵
H
以及第二状态向量
X2，计算测量余量
Y
，包括：
Y
＝
Z
‑
X2；利用第二状态向量
X2、
计算测量余量
Y、
以及卡尔曼增益矩阵
K
，计算第三状态向量
X3，包括：
X3＝
X2+K*Y
；将所述第三状态向量
X3记作第二姿态数据
。5.
根据权利要求4所述的一种智能购物车室内导航方法，其特征在于，所述利用所述第二姿态数据对第一四元数模型进行更新，得到第二四元数模型，包括：获取陀螺仪的单位时间步长，记作
dt
；将所述第三状态...

【专利技术属性】
技术研发人员：杨天，许伟，郑克龙，
申请(专利权)人：多利购科技广州有限公司，
类型：发明
国别省市：