基于智能头盔、移动端和云端的导航路径生成系统和方法

技术领域

本发明涉及智能头盔技术领域，特别涉及一种基于智能头盔、移动端和云端的导航路径生成系统和方法。

背景技术

随着经济的高速发展，生活节奏的加快，消费者从线下购物模式转变为线上消费，与此同时用户的餐饮习惯发生了巨大的改变，外卖需求旺盛，因此外卖行业成为互联网时代的产物。

目前外卖路径导航基本依靠手机APP导航(如高德地图、百度地图)，但手机APP导航只具有公共路径导航信息，不包含小区内部具体位置信息，即外卖员在陌生小区中不知道客户的具体行走路径，往往需要通过询问路人或客户才知道，这样给客户带来不好体验的同时，也浪费外卖员送餐时间。且不同的外卖员进入同一个小区，仍然会出现迷路行为，没有一个统一的导航规划。

目前市场上外卖头盔功能单一，智能化程度低，仅仅起到保护外卖员头部安全作用。当外卖骑手送餐时，所依赖的手机APP导航没有明确的小区内部客户位置导航信息。

发明内容

针对现有技术中外卖头盔无法实现小区路径导航的问题，本发明提出一种基于智能头盔、移动端和云端的导航路径生成系统和方法，智能头盔与移动端、后台云端相结合，主要通过姿态组合传感模块及摄像模块感知外卖员在小区的行驶路径，通过移动端绘制行走路线地图并上传到云端，从而推荐给其他外卖员，实现小区路径导航。

为了实现上述目的，本发明提供以下技术方案：

一种基于智能头盔、移动端和云端的导航路径生成系统，所述智能头盔上安装有姿态组合传感模块和摄像模块；所述移动端上安装有GNSS模块、路径绘制模块和局部路径规划与自主导航模块；所述云端负责路径绘制纪录和导航路径处理；

所述姿态组合传感模块，用于感知运动状态信息和行走方向信息；摄像模块，用于检测路况场景信息；

GNSS模块用于采集行走路线的GPS位置信息；路径采集模块，用于根据运动状态及方向信息、GPS位置信息和路况场景信息绘制行走路线地图并上传到云端；局部路径规划与自主导航模块，用于小区无导航信息时头盔自主路径规划与导航处理；

路径绘制纪录和导航路径处理模块，用于云端存储绘制路径和同一目的地多条路径的最优导航路径计算及推荐。

进一步的，所述智能头盔上还安装有蓝牙/WiFi模块和MCU；所述蓝牙/WiFi模块，用于使智能头盔和移动端建立连接；所述MCU，用于采集姿态组合传感模块和摄像模块上传移动端的数据信息。

进一步的，所述智能头盔上还安装有显示模块，用于显示云端或者移动终端推送的行走导航路线信息。

进一步的，所述姿态组合传感模块包括加速度传感器G-sensor和磁力传感器M-sensor；所述G-sensor用于感知运动状态信息，M-sensor用于感知行走方向信息。

进一步的，所述行走路线地图上标注有分路场景图像和行走方向。

本发明还提供一种基于智能头盔、移动端和云端的导航路径生成方法，具体包括以下步骤：

S1：开启智能头盔，将智能头盔与移动端进行匹配连接；

S2：移动端通过GNSS模块实时检测智能头盔的当前位置，当在移动端中输入终点信息后，若云端中有“当前位置”直接到达“终点”的行走路线地图与导航信息，则推送到对应移动端，无需生成导航路径，若没有则提示“无”并进入S3；

S3：云端推送“当前位置”到“终点”所在区域可进入位置的导航路线到移动端，当根据导航路线到达“终点”所在区域可进入位置时，智能头盔的姿态组合传感模块、摄像模块和移动端GNSS模块激活并将“终点”所在区域可进入位置标记为“起始位置”；

S4：移动端根据起始位置与终点位置的航向角获得行走路线的大体方向，通过导航箭头或方向连线进行提示，外卖员根据提示方向判断前方可行驶区域，通过摄像头采集图像传递给移动端，移动端进行图像处理标记为可行驶区域，移动端通过提取商用地图中局部地图的图层接口获取可行驶区域信息，然后与采集的图像可行驶区域进行匹配，生成局部导航引导路径；若终点位置没有具体的GPS位置信息，外卖员可通过问路等方式自主获得现场实际路况及行走路径；

S5：分别通过姿态组合传感模块感知运动状态信息和摄像模块检测路况场景信息，当到达终点后，将终点标记为“终点位置”，移动端根据GPS位置信息、运动状态信息和路况场景信息绘制从“起始位置”至“终点位置”的行走路线信息并上传到云端，记录该次可行走的导航路径、距离及行走时间，用于云端道路路径统计处理、后续的时间评估以及再次推送最优路径。

进一步的，所述S4包括：

S4-1:分别通过G-sensor实时获取运动状态信息并通过行人航位推算算法(PDR)计算行走步数等位移信息，通过M-sensor实时获取方向信息，移动端根据位移信息和方向信息实时绘制第一运动轨迹，记录行走距离及行走时间；

S4-2：当出现分路时，通过摄像模块实时获取路况场景信息，在第一运动轨迹上显示分路场景图像，根据当前位置与终点位置的航向角获得行走路线的大体方向，结合分路场景图像确定行走方向，生成行走路线地图，得到第二运动轨迹，记录行走距离及行走时间。

进一步的，还包括：

S6：云端记录每个移动端上传的行走路线信息后，形成路径信息库，采用统计分析处理方法，形成小区可行驶区域的导航路径集，在下次导航时，根据起始位置与终点位置，按照距离和时间计算选择一条最优路径推送给客户。

进一步的，所述小区可行驶区域的导航路径集具有相同的“起始位置”和“终点位置”，终点位置可以为附近区域，若数据库中已有终点位置导航路径，则使用已有的导航路径数据，若没有终点位置导航路径，则用数据库中终点位置附近区域的导航路径，以便引导外卖员到达终点位置附近；当外卖员到达终点后，可将新的终点位置记录到云端数据库。

综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：

1.将智能头盔与移动端、后台云端相结合，主要通过姿态组合传感模块及摄像模块感知外卖员在小区的行驶路径，通过移动端绘制行走路线地图并上传到云端，从而推荐给其他外卖员，实现小区路径导航。

2.在遇到转弯、多路径选择情况时，第一个开拓者外卖员利用摄像模块拍摄并记录路况场景信息，并在行走路线地图上突出标明转弯方向。后续外卖员会以开拓者外卖员基于分叉路图像及引导信息建立的行走路线地图引导其走该路径，直到更短的路径被发现。该方法放弃了高精地图的思路，不去建立高精地图，即可满足外卖员进入建筑物内或无导航地图的小区/学校/园区等的引导需求。

附图说明：

图1为根据本发明示例性实施例的一种基于智能头盔、移动端和云端的导航路径生成系统示意图。

图2为根据本发明示例性实施例的一种基于智能头盔、移动端和云端的小区地图导航系统工作原理示意图。

图3为根据本发明示例性实施例的一种基于智能头盔、移动端和云端的小区地图导航方法示意图。

具体实施方式

下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供一种基于智能头盔、移动端和云端的小区地图导航系统，智能头盔上安装有姿态组合传感模块、摄像模块、蓝牙模块、MCU、启动模块、显示模块；移动端上安装有GNSS模组、路径绘制模块和局部路径规划与自主导航模块，且每个移动端具有唯一编号，以便区分上传人员；云端上安装有路径绘制纪录和导航路径处理模块。

按下启动模块后，各个模块开始工作，智能头盔通过蓝牙模块和移动端无线连接，移动端和云端无线连接。

本实施例中，姿态组合传感模块，用于感知外卖员的运动状态信息(例如加速度、方向)。

本实施例中，姿态组合传感模块包括加速度传感器G-sensor和磁力传感器M-sensor。G-sensor用于感知外卖员在某个轴向(X轴、Y轴、Z轴)的加速度，从而获取运动状态，并通过行人航位推算算法(PDR)计算行走步数等位移信息，M-sensor用于感知外卖员的行走方向信息。

本实施例中，当检测到外卖员到达小区附近时，姿态组合传感模块被激活，开始感知外卖员的运动状态和方向，外卖员所在小区门口位置为初始定位位置。

G-sensor的原理是通过测量组件在某个轴向的受力情况来得到轴向加速度大小；M-sensor的原理跟指南针原理类似，用于测量磁场强度和方向，获得当前设备与东南西北四个方向上的夹角，即行走方向。

摄像模块，为安装在头盔顶部的摄像头，用于对路况进行捕捉得到路况场景信息。

MCU，用于将姿态组合传感模块的运动状态及方向信息和摄像模块的路况场景信息通过蓝牙模块发送到移动端的路径绘制模块和局部路径规划与自主导航模块。

移动端的GNSS模块，用于采集行走路线的GPS位置信息；路径绘制模块，用于根据运动状态及方向信息、GPS位置信息和路况场景信息绘制行走路线地图并上传到云端；局部路径规划与自主导航模块，用于小区无导航信息时头盔自主路径规划与导航处理。

云端的路径绘制纪录和导航路径处理模块，用于云端存储绘制路径和同一目的地多条路径的最优导航路径计算及推送推荐行走路线，以实现行走路线信息共享，有效节省了外卖员为准确找到客户位置信息在道路上花费的时间。

显示模块，用于显示导航行走路线，以便外卖员直接观看。

如图2所示，外卖员在移动端搜索小区目的地并到达目的地，行走过程中智能头盔实时检测外卖员的路径信息并发送到移动端，移动端再上传路径信息到云端，云端再将具有相同目的地的路径信息共享到其他外卖员的移动端，从而实现小区路径导航。

本实施例中，小区也可理解为导航未知区域，即云端和现有导航APP未记录的区域。

基于上述系统，如图3所示，本发明提供一种基于智能头盔、移动端和云端的小区导航路径生成方法，具体包括以下步骤：

S1：开启智能头盔的启动模块，将智能头盔与移动端进行匹配连接。

S2：移动端实时检测智能头盔的当前位置信息，当输入终点信息时，云端中有直接到达终点的行走路线地图则推送到移动端，按照行走路线地图导航即可，若没有则提示“无”并进入S3。

本实施例中，一般终点是在小区内、办公楼、学校建筑物等内部没有GPS信号或APP没有提供导航路径的场所(可统称为无信号区域)，现有导航APP(可获取高德地图或百度地图数据信息)可以提供公共路径导航信息，即可生成当前位置到小区门口的导航路径，但现有导航APP不包含小区内部的位置信息，因此需要对小区内部的地图进行导航构建。

S3：云端推送“当前位置”到“终点”所在区域“可进入位置”的导航路线到移动端，当根据导航路线到达“终点”所在区域“可进入位置”时，智能头盔的姿态组合传感模块、摄像模块和移动端GNSS模块激活并将“终点”所在区域“可进入位置”标记为“起始位置”。

外卖员在公共路段行驶中，现有的导航APP具有较为详细的道路信息，可引导外卖员到达“终点”所在区域的“可进入位置”，此期间导航系统不需要感应外卖员行驶轨迹信息。

S4：移动端根据起始位置与终点位置的航向角获得行走路线的大体方向，通过导航箭头或方向连线进行提示，外卖员根据提示方向判断前方可行驶区域，通过摄像头采集图像传递给移动端，移动端进行图像处理标记为可行驶区域，移动端通过提取商用地图中局部地图的图层接口获取可行驶区域信息，然后与采集的图像可行驶区域进行匹配，生成局部导航引导路径；若终点位置没有具体的GPS位置信息，外卖员可通过问路等方式自主获得现场实际路况及行走路径；

S4-1:分别通过G-sensor感知外卖员在X轴、Y轴和Z轴的轴向加速度从而获取运动状态，通过行人航位推算算法(PDR)计算行走步数等位移信息，M-sensor感知外卖员的行走方向信息，移动端的路径绘制模块实时绘制第一运动轨迹，记录行走距离及行走时间；

本实施例中，行人航位推算是一个不断累积迭代的过程，通过采集G-sensor和M-sensor的数据，估计出行人步数、步长和航向信息，用于估算下一步位置。因此，只要知道前一时刻的位置信息，就可以计算出当前位置。令当前时刻的位置为L

式中，N表示步数；

针对步频检测，为了滤掉伪波峰和伪波谷，本实施例采用相邻波峰(波谷)二次判断及多重阈值联合的步频推算方法。具体为：

(1)运动状态判断：采用滑动窗口方法求原始加速度的均值和方差，若方差大于某一阈值则认为处于运动状态，否则为静止状态；

(2)首次判断波峰/波谷：设置校验点，若校验点为波峰/波谷，则对该采样频率内的数据去均值化，寻找波峰和波谷，并设置一次阈值，过滤掉一部分不属于正常行走的加速度值。设置校验点的目的是为了减少计算量；

(3)寻找相邻波峰/波谷中的最大和最小值：经过上述判断后，从相邻波峰/波谷中寻找最大和最小值，去掉伪波峰和伪波谷；

(4)二次判断波峰/波谷：根据上一步确定好的波峰波谷的状态，再次判断校验点是否为波峰/波谷，避免伪波峰(波谷)的干扰；

(5)多重阈值校验：若校验点满足波峰/波谷，则采用滑动窗口法，计算最近三步波峰的均值和方差，若均值和方差以及两次波峰之间的时间差小于某一阈值，即可认为是走了1步，步数加1。步数乘以步距(通常为70cm左右)即得行走距离。

本实施例中，方向传感器获取的是绝对方向，不存在误差累积，但磁力计的精度容易受磁干扰的影响，而使航向估计出现误差。本实施例用加速度传感器和磁力计模拟方向传感器，其值作为状态值，用卡尔曼滤波算法进行滤波，减小航向估计中的误差。

卡尔曼滤波常用于线性模型，是一种自回归滤器，滤波效率高。滤波过程可以分为时间更新和测量更新两个过程，前者是一个预测过程，根据先验知识预测当前状态并计算先验估计的协方差，后者是一个更新校正过程。

S4-2：当出现分路时，通过摄像模块实时获取路况场景信息，在第一运动轨迹上显示分路场景图像，根据当前位置与终点位置的航向角获得行走路线的大体方向，结合分路场景图像确定行走方向，生成行走路线地图，得到第二运动轨迹，记录行走距离及行走时间。

本实施例中，本发明是为了解决无信号区域的导航，只需要将外卖员从“起始位置”导航到“终点”所在的区域，这样就可节省外卖员寻找“起始位置”到“终点”这段路程的时间(现有技术是通过询问或反复行走)。因此，“终点”并不是特指一个目的地，也可理解为目的地所在区域，例如目的地半径50米内的区域都可默认为“终点”，这样可以将外卖员从“起始位置”引导到“终点”后，外卖员可以通过问路或自身寻找到达真实的目的地(即“终点位置”)，这样可以生成另一个行走路径并存储在云端。

用户输入“终点位置”所在区域的“其他位置”时，云端将相同“起始位置”到“终点位置”的“最佳行走路径”推送到用户的移动端。

例如第一外卖员的“第一终点”是商场A馆的4-2，但现有导航只能导航到商场内部道路的进口，即“起始位置”，外卖员无法知道“起始位置”到“第一终点”的路线，则第一外卖员按照本发明所述方法到达“第一终点”后，生成第一行走路径并存储在云端；当第二外卖员的“第二终点”是同一商场A馆的4-10，虽然第二外卖员的“第二终点”和第一外卖员的“第一终点”不同，但都是在一个区域(A馆)，因此云端仍然将第一外卖员的第一行走路径推送给第二外卖员的移动端并显示在对应的智能头盔上，第二外卖员根据第一行走路径到达第一外卖员的“第一终点”后，可通过自主寻找或问路的方式到达预设的“第二终点”，标记为“终点位置”，同时智能头盔实时采集第二外卖员的运动状态信息、场景信息并发送到移动端，绘制“起始位置”到“第二终点”的第二行走路径，存储在云端。这样的好处是节约了其他外卖员从“起始位置”到“终点”所在区域的询问或寻找路径时间。当然，第二外卖员在按照第一行走路径过程中，也可通过询问或寻找的方式到达“第二终点”。

本实施例中，为更好地服务，还需要对每个用户生成的行走路径进行统计分析，得到“最佳行走路径”，如以下步骤：

S5：当到达终点后，将终点标记为“终点位置”，移动端根据GPS位置信息、运动状态信息和路况场景信息绘制从“起始位置”至“终点位置”的行走路线信息并上传到云端，记录该次可行走的导航路径、距离及行走时间，用于于云端道路路径统计处理、后续的时间评估以及再次推送最优路径。

S6：云端记录每个移动端上传的行走路线信息后，形成路径信息库，采用统计分析处理方法，形成小区可行驶区域的导航路径集；根据行走时间进行排序，将行走时间最小标记为“最佳行走路线地图”，且实时更新。在下次导航时，根据起始位置与终点位置，按照距离和时间计算选择一条最优路径推送给客户。

本实施例中，排序选择的行走路线地图为相同的“起始位置”和“终点位置”，这样才能起到导航优选比较作用。终点位置可以是附近区域，若数据库中已有终点位置导航路径，则使用已有的导航路径数据，若没有终点位置导航路径，也可以用数据库中终点位置附近区域的导航路径，以便引导外卖员到达终点位置附近。当外卖员到达终点后，可将新的终点位置记录到云端数据库。

本实施例中，每个外卖员的行走路线不一样，则移动端绘制的行走路线也会不同。例如外卖员A从“起始位置”到“终点位置”的路线为第一行走路径，外卖员B从“起始位置”到“终点位置”的路线为第二行走路径，若第一行走路径的时间小于第二行走路径的时间，则云端将外卖员A上传的第一行走路径标记为“最佳行走路径”推送到后续外卖员的移动端和智能头盔上，即根据时间进行实时更新，这样后续外卖员可按照第一行走路径到“终点位置”，节省更多的时间，同时为客户带来更好的用餐体验。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。