Tôi chỉ đang suy nghĩ lung tung và tôi chưa chơi với API gia tốc kế android, vì vậy hãy chịu khó.
Trước hết, theo truyền thống, để điều hướng từ gia tốc kế, bạn sẽ cần một gia tốc kế 6 trục. Bạn cần gia tốc theo X, Y và Z, nhưng cũng cần các phép quay Xr, Yr và Zr. Nếu không có dữ liệu xoay, bạn không có đủ dữ liệu để thiết lập một vector trừ khi bạn cho rằng thiết bị không bao giờ thay đổi thái độ của nó, điều này sẽ khá hạn chế. Không ai đọc TOS.
Ồ, và bạn biết rằng INS trôi theo chuyển động quay của trái đất, phải không? Vì vậy, có cả điều đó nữa. Một giờ sau và bạn đang leo một cách bí ẩn trên một con dốc 15 ° vào không gian. Đó là giả sử bạn có INS có khả năng duy trì vị trí lâu dài, điều mà điện thoại chưa thể làm được.
Cách tốt hơn để sử dụng gia tốc kế - ngay cả với gia tốc kế 3 trục - để điều hướng là kết hợp với GPS để hiệu chỉnh INS bất cứ khi nào có thể. Trong trường hợp GPS thiếu, INS khen ngợi độc đáo. GPS có thể bất ngờ bắn bạn cách xa 3 dãy nhà vì bạn đến quá gần một cái cây. INS không tuyệt vời, nhưng ít nhất nó biết bạn không bị sao băng đâm vào.
Những gì bạn có thể làm là ghi lại dữ liệu gia tốc kế của điện thoại và rất nhiều trong số đó. Giống như giá trị hàng tuần. So sánh nó với dữ liệu GPS tốt (ý tôi là thực sự tốt) và sử dụng dữ liệu để thiết lập mối tương quan về xu hướng giữa dữ liệu gia tốc kế và dữ liệu GPS đã biết. (Mẹo chuyên nghiệp: Bạn sẽ muốn kiểm tra nhật ký GPS trong những ngày có hình học tốt và nhiều vệ tinh. Một số ngày, bạn có thể chỉ có 4 vệ tinh và như vậy là chưa đủ) Những gì bạn có thể làm là tìm thấy điều đó khi một người đang đi bộ với điện thoại trong túi của họ, dữ liệu gia tốc kế ghi lại một mẫu rất cụ thể. Dựa trên kết nối dữ liệu, bạn thiết lập hồ sơ cho thiết bị đó, với người dùng đó và loại vận tốc mà mẫu đó biểu thị khi thiết bị có dữ liệu GPS đi cùng. Bạn sẽ có thể phát hiện các ngã rẽ, leo cầu thang, ngồi xuống (hiệu chỉnh thời gian vận tốc 0! ) và nhiều nhiệm vụ khác. Cách điện thoại đang được giữ sẽ cần phải được coi là đầu vào dữ liệu riêng biệt hoàn toàn. Tôi ngửi thấy một mạng thần kinh đang được sử dụng để khai thác dữ liệu. Nói cách khác, một cái gì đó mù mờ về ý nghĩa của đầu vào. Thuật toán sẽ chỉ tìm kiếm các xu hướng trong các mẫu và không thực sự chú ý đến các phép đo thực tế của INS. Tất cả những gì nó sẽ biết làhistorically, when this pattern occurs, the device is traveling and 2.72 m/s X, 0.17m/s Y, 0.01m/s Z, so the device must be doing that now.
Và nó sẽ di chuyển mảnh về phía trước tương ứng. Điều quan trọng là nó hoàn toàn bị mù, bởi vì chỉ cần đặt điện thoại trong túi của bạn có thể được định hướng theo một trong 4 hướng khác nhau và 8 hướng nếu bạn chuyển túi. Và cũng có nhiều cách để giữ điện thoại của bạn. Chúng tôi đang nói nhiều dữ liệu ở đây.
Rõ ràng là bạn vẫn sẽ bị trôi rất nhiều, nhưng tôi nghĩ bạn sẽ may mắn hơn theo cách này vì thiết bị sẽ biết khi nào bạn dừng bước và sự trôi dạt về vị trí sẽ không kéo dài. Nó biết rằng bạn đang đứng yên dựa trên dữ liệu lịch sử. Các hệ thống INS truyền thống không có tính năng này. Sự trôi dạt kéo dài đối với tất cả các phép đo và hợp chất trong tương lai theo cấp số nhân. Độ chính xác không rõ ràng, hoặc có một điều hướng phụ để kiểm tra định kỳ, là điều hoàn toàn quan trọng với INS truyền thống.
Mỗi thiết bị và mỗi người sẽ phải có hồ sơ riêng của họ. Đó là rất nhiều dữ liệu và rất nhiều phép tính. Mọi người đều đi với tốc độ khác nhau, với các bước khác nhau và đặt điện thoại của họ vào các túi khác nhau, v.v. Chắc chắn để thực hiện điều này trong thế giới thực sẽ yêu cầu xử lý tính năng đánh số ở phía máy chủ.
Nếu bạn đã sử dụng GPS cho đường cơ sở ban đầu, một phần của vấn đề ở đây là GPS có xu hướng tự di chuyển theo thời gian, nhưng chúng là lỗi không kéo dài. Đặt máy thu ở một vị trí và ghi dữ liệu. Nếu không có chỉnh sửa WAAS, bạn có thể dễ dàng nhận được các sửa chữa vị trí trôi theo các hướng ngẫu nhiên xung quanh bạn 100 feet. Với WAAS, có thể xuống tới 6 feet. Bạn thực sự có thể gặp may mắn hơn với hệ thống RTK đo phụ trên ba lô để ít nhất là giải thuật ANN xuống.
Bạn vẫn sẽ có độ lệch góc với INS bằng phương pháp của tôi. Đây là một vấn đề. Nhưng, nếu bạn đã đi xa để xây dựng một ANN để đổ dữ liệu GPS và INS trị giá hàng tuần cho n người dùng và thực sự làm cho nó hoạt động cho đến thời điểm này, thì rõ ràng bạn không bận tâm đến dữ liệu lớn cho đến nay. Tiếp tục đi xuống con đường đó và sử dụng thêm dữ liệu để giúp giải quyết sự trôi dạt góc cạnh: Con người là sinh vật của thói quen. Chúng ta thường làm những việc tương tự như đi bộ trên vỉa hè, qua cửa, lên cầu thang, và không làm những việc điên rồ như đi bộ qua xa lộ, xuyên tường hoặc ra khỏi ban công.
Vì vậy, giả sử bạn đang lấy một trang từ Big Brother và bắt đầu lưu trữ dữ liệu về nơi mọi người sẽ đến. Bạn có thể bắt đầu lập bản đồ nơi mọi người sẽ đi bộ. Đặt cược khá chắc chắn rằng nếu người dùng bắt đầu bước lên cầu thang, cô ấy đang ở cùng chân cầu thang mà người trước khi cô ấy bước lên. Sau 1000 lần lặp và một số điều chỉnh bình phương nhỏ nhất, cơ sở dữ liệu của bạn khá nhiều biết những bậc thang đó ở đâu với độ chính xác cao. Bây giờ bạn có thể chỉnh sửa vị trí và độ lệch góc khi người đó bắt đầu đi bộ. Khi cô ấy chạm vào những cầu thang đó, hoặc rẽ xuống hành lang đó, hoặc đi xuống vỉa hè, mọi độ lệch đều có thể được điều chỉnh. Cơ sở dữ liệu của bạn sẽ chứa các khu vực được tính theo khả năng một người sẽ đi bộ đến đó hoặc người dùng này đã đi bộ đến đó trong quá khứ. Cơ sở dữ liệu không gian được tối ưu hóa cho việc này bằng cách sử dụngdivide and conquer
để chỉ phân bổ các lĩnh vực có ý nghĩa. Nó sẽ giống như những dự án MIT đó, nơi robot được trang bị laser bắt đầu với một hình ảnh màu đen và vẽ mê cung trong trí nhớ bằng cách thực hiện từng lượt, chiếu sáng tất cả các bức tường.
Các khu vực có lưu lượng truy cập cao sẽ có trọng số cao hơn và các khu vực chưa từng có ai được nhận trọng số 0. Các khu vực giao thông cao hơn có độ phân giải cao hơn. Về cơ bản, bạn sẽ kết thúc với một bản đồ của mọi nơi mọi người đã đến và sử dụng nó làm mô hình dự đoán.
Tôi sẽ không ngạc nhiên nếu bạn có thể xác định chỗ ngồi của một người trong rạp hát bằng phương pháp này. Với đủ người dùng đến rạp và đủ độ phân giải, bạn sẽ có dữ liệu ánh xạ từng hàng của rạp và độ rộng của mỗi hàng. Càng nhiều người ghé thăm một địa điểm, bạn có thể dự đoán vị trí của người đó có độ trung thực càng cao.
Ngoài ra, tôi thực sự khuyên bạn nên đăng ký (miễn phí) tạp chí GPS World nếu bạn quan tâm đến nghiên cứu hiện tại về loại nội dung này. Mỗi tháng tôi đều tìm hiểu nó.