广州物流网站开发,网页版whatsapp,企业网站有哪些优点,wordpress订单提醒1.导读 GPS定位精度高#xff0c;且早已成为移动设备标配#xff0c;但GPS也具有一些难以克服的缺陷#xff0c;包括#xff1a; 冷启动时间长。GPS启动时#xff0c;需要进行搜星#xff0c;锁定卫星信号#xff0c;然后再进行位置技术#xff0c;这个过程可能会达到…1.导读 GPS定位精度高且早已成为移动设备标配但GPS也具有一些难以克服的缺陷包括 冷启动时间长。GPS启动时需要进行搜星锁定卫星信号然后再进行位置技术这个过程可能会达到几十秒即使采用诸如AGPS等技术仍然有秒级的时间无法定位。室内或有遮挡的场景。GPS信号弱无法有效定位。 用户需要持续的有效定位因此需要另一个技术对GPS进行补充这就是网络定位技术。 网络定位是将手机设备收到的信号主要是基站、Wifi、蓝牙发送到网络服务器获得位置。之所以要将信号数据发送到网络上是因为网络定位是利用信号指纹进行定位需要一个庞大的且持续更新的指纹数据库这个数据库难以同步到移动设备上。为了进行定位需要事先建立每个位置的指纹特征然后在定位时用实时指纹比对每个位置的历史指纹确定位置。 高德网络定位不仅承担着高德地图用户的定位请求还面向国内所有主流手机厂商以及国内30万以上App提供服务日均处理请求千亿次峰值QPS百万级。 在过去的几年中高德网络定位算法经历了从无监督算法向有监督算法的演进从定位精度、定位能力透出等方面都有了显著的提升。 注高德网络定位只存在于安卓平台上在iOS上由于苹果公司未开放任何定位相关的指纹数据Wifi、基站列表等定位结果全部来自于iOS自身。 2.基于聚类的无监督算法 经典的指纹定位算法是无监督算法其核心是计算指纹的相似性用指纹确定位置。下图是一个例子AP代表手机扫描到的基站和Wifi设备编号纵轴代表不同的位置二者交点的数值代表该位置扫描到该AP的信号强度为空代表该位置没有扫描到该AP。 要对一个新定期请求进行定位比如AP1:-30,AP2:-50,AP3:-90一个最简单的方法是用KNN逐一计算该指纹与历史指纹的相似度比如用L2距离或者余弦相似度取相似度最大的历史位置作为用户位置。 这有两个问题第一是计算量太大AP是10亿量级loc是千亿量级无法满足实时定位的要求第二是历史指纹在局部可能比较稀疏对于用户指纹无法精确匹配。 于是需要对历史数据进行预处理提取出AP和网格的通用指纹这样在定位时只需要比对一次即可。下图是利用一个AP的历史采集位置进行聚类获得AP实际位置和覆盖半径的过程有了每个AP的位置在定位时将多个AP的位置进行加权平均即可获得最终位置。 这种方法需要解决的一个挑战是当有多个候选位置时如何选择如下图所示有两个候选位置。 此时需要设计一个策略进行簇选择基于每个簇的特征进行打分找出最有可能的一个簇作为用户位置。 基于加权平均的定位速度很快但精度比较差原因是指纹在空间上的分布并不是连续的而可能受到建筑、地形、道路的影响呈现一种不规则的分布于是在上面定位方式的基础上发展出一种基于格子排序的算法可以更精准的定位。 首先将地球划分为25*25的网格然后统计每个网格内的指纹特征最后进行格子排序。设候选网格为l信号向量是S则定位过程就是计算 根据贝叶斯公式有 根据1-1由于所有候选网格的分母相同只需要计算分子即 其中P(l)是某个位置在全量用户位置中出现的概率可以用定位PV表示而P(SS0|l)则需要计算在每个网格内出现某种信号向量的概率由于向量维数高概率难以计算因此对不同维进行独立假设认为每个信号出现的概率是独立的。有 这样可以基于历史指纹对每个网格内的每个AP的信号强度进行直方图统计即可计算出概率最后对所有格子的概率进行排序获得概率最高的那一个如下图 3.基于分层排序的有监督算法 无监督算法的一个问题是难以迭代对于badcase无法进行有效优化一旦调整策略就会影响到其他case无法获得全局最优。 因此有监督学习就变得很有必要高德定位从近两年开始全面转向有监督学习持续进行特征和模型设计提升效果取得了不错的收益解决了50%以上的大误差问题5公里以上在移动Wifi识别上获得了99%以上的识别准确率。 有监督学习需要使用大量的特征特征的计算需要消耗较多资源考虑到定位服务要承受10万以上的QPS模型的复杂性与效果同等重要因此我们首先将定位服务进行了分层上面的层级针对大网格计算粗略的位置下面的层级针对小网格逐步细化位置。这样可以极大减少不必要的计算在性能和效果间取得平衡。 对于每一个单独的算法模块都采用类似下面的神经网络模型对每个候选网格进行打分再使用LTR损失函数作为目标进行训练从而获得神经网络的参数。在特征方面同时考虑以下三类 AP的动态特征比如信号强度网格特征比如PV、UV、AP数、周边候选网格数等AP在网格上的特征比如信号强度分布、PV、UV等 采用这种方法可以解决绝大部分格子选择不准确的问题遗留的一个问题是当定位依据特别少的时候比如只有一个基站和一个Wifi二者分别位于距离较远的两个网格此时无论选择哪个都有50%的错误概率。为了解决这个问题我们引入了用户历史定位点辅助进行各自选择。 在特征部分加入历史定位点序列输出一个历史位置特征可以看成是一个预测的新位置让这个预测位置参与网格打分。当有两个距离较远但打分接近的网格进行对比时通过预测位置进行加权。这样模型应该可以学出这样的规律如果网格距离预测位置比较远打分就降低如果比较近分就高。通过这个方法大误差case的比例可以降低20%。 4.场景化定位 用户在不同场景下对定位的要求是不同的比如用户在旅途中可能只需要知道大致的位置不需要很精确但是在导航时就需要精确的知道自己在哪条道路上距离出口多远。 因此除了在整体算法架构上进行优化高德还在不同特定场景上进行针对性的优化满足用户不同场景下的定位需求。 室内场景 指纹定位的一个局限是需要采集带GPS的样本作为真值进行训练由于GPS只能在室外被采集到即使用户在室内其定位结果有很大概率在室外这会对用户造成不少困扰特别是在用户准备出行的时候其定位点的漂移会导致起点偏离真实位置较大。 为了解决这个问题有两个解决办法一是采集室内真值但这种方法需要大量人工采集工作工作量巨大目前高德在一些热门商场和交通枢纽进行人工指纹采集除了基站Wifi还支持蓝牙、传感器定位。第二个办法是借助大数据无需人工干预对Wifi进行建筑/POI关联用建筑/POI位置去修正定位结果。 Wifi-POI关联有多种方法一个简单的方法是用POI名字与Wifi名字的相似度判断是否有关联比如麦当劳的Wifi名字就是McDonald关联的时候需要考虑中英文、大小写、中英文缩写等。从名称能分析出关联关系的Wifi毕竟是少数。另外一种覆盖能力更强的方法是利用Wifi信号分布规律去挖掘Wifi的真实位置毕竟绝大部分Wifi都是部署在室内的。 这里我们采用的是CNN的方法将楼块数据、POI数据、采集真值数据绘制为二维图像然后进行多层卷积计算label为Wifi所在的真实楼块区域。下图中蓝色块为楼块绿色为采集点颜色越亮代表信号强度越高红色点代表Wifi真实位置。 目前算法能挖掘出30%Wifi对应的真实位置在最终定位效果上用户在室内时能正确定位到室内的样本比例提升了15% 高铁场景 从用户报错情况看有大量报错是用户乘坐高铁时定位异常。高铁在近两年开通了车载Wifi这些Wifi都是移动Wifi因此这些AP是没有一个固定位置的如果不进行任何处理算法训练获得的Wifi位置一定是错误的很大概率会在沿途的某个车站用户集中采集量高。 针对这种场景需要将移动Wifi全部去除再进行定位。我们开发了针对高铁和普通场景的移动Wifi挖掘算法利用采集点时空分布等特征判断某个Wifi是否移动挖掘准确率和召回率均超过99%可以解决绝大部分高铁定位错误的问题。 地铁场景 地铁场景有点类似高铁用户扫到的Wifi基本都是移动Wifi少量车站有固定Wifi因此只能借助基站进行定位。但基站深埋地下缺乏采集数据如何获得基站的真实位置呢我们采用了两种策略第一个策略是利用相邻基站信息当用户在一个请求里或者在短暂时间段内同时扫描到地铁基站无GPS采集和非地铁基站有GPS采集时我们可以用后者的位置去推算前者位置当然这种方式得到的基站位置不太准确。于是我们进行了进一步优化利用用户轨迹去精准挖掘出每个请求对应的地铁站从而构建出指纹对应的真值。 基于以上方法地铁内的定位精度可达到90%以上实现地铁报站和换乘提醒。 5.未来演进 在未来定位技术特别是移动设备的定位技术还将快速发展主要突破可能来自以下方面 图像定位谷歌已经发布了基于街景的AR定位可以解决在城市峡谷区域内的精准定位。这种定位利用了更丰富的数据源对用户体验的提升也会非常显著。 5G定位5G相比4G频率更高频带更宽用于测距时精度更高比如利用相位差进行传输时间计算行业协会也在孵化5G定位相关的标准运营商在未来可能会支持基于5G网络的定位届时在5G覆盖区将会有类似GPS精度的定位效果。 IOT定位随着物联网的普及基于NB-IOT的定位技术也会应运而生它可以使用类似基站定位的方法或者使用P2P定位的方法为物联网设备进行定位。 原文链接 本文为阿里云原创内容未经允许不得转载。