三維重建、特征匹配、視覺定位，一文詳解滴滴AR實(shí)景導(dǎo)航技術(shù)
點(diǎn)擊上方“CVer”，選擇加"星標(biāo)"置頂
重磅干貨，第一時(shí)間送達(dá)
導(dǎo)讀：機(jī)場(chǎng)、商場(chǎng)、火車站等大型室內(nèi)場(chǎng)所內(nèi)GPS信號(hào)不穩(wěn)定、室內(nèi)面積大、路線復(fù)雜、用戶判斷方向難等問題，給在大型場(chǎng)所內(nèi)發(fā)單的乘客找上車點(diǎn)帶來了很大的挑戰(zhàn)，用戶急需一種操作簡(jiǎn)單、交互友好的引導(dǎo)功能。本文講述了使用三維重建技術(shù)、傳感器計(jì)算技術(shù)和增強(qiáng)現(xiàn)實(shí)(AR)技術(shù)所開發(fā)的滴滴AR實(shí)景導(dǎo)航產(chǎn)品，并對(duì)開發(fā)過程中遇到的難點(diǎn)、挑戰(zhàn)和解決思路展開介紹。
相信很多人都有過這樣的經(jīng)歷：來到一個(gè)自己不熟悉的場(chǎng)景，特別是在一些GPS信號(hào)不準(zhǔn)確的室內(nèi)場(chǎng)所，很難找到建筑物內(nèi)部的一些特定地點(diǎn)。本文將以幫助用戶在大型機(jī)場(chǎng)等場(chǎng)所中快速找到上車點(diǎn)為出發(fā)點(diǎn)，介紹滴滴AR實(shí)景導(dǎo)航產(chǎn)品研發(fā)過程中的挑戰(zhàn)和關(guān)鍵技術(shù)。
1.?
我們?cè)谟脩粽{(diào)研中發(fā)現(xiàn)，在一些大型的機(jī)場(chǎng)、商場(chǎng)、火車站內(nèi)部，滴滴乘客在下單成功之后，往往需要更多的時(shí)間才能找到上車點(diǎn)，其主要原因是在這些大型的室內(nèi)場(chǎng)所中，GPS信號(hào)不準(zhǔn)確，而這些建筑往往面積很大、內(nèi)部路線復(fù)雜，當(dāng)乘客對(duì)場(chǎng)景不熟悉時(shí)，找到上車點(diǎn)存在很大的困難。為了解決這個(gè)問題，地圖團(tuán)隊(duì)提出了“圖文引導(dǎo)”的方式來幫助用戶，通過特定場(chǎng)景的圖片和文字的方式相結(jié)合來引導(dǎo)用戶找到上車點(diǎn)。與此同時(shí)，我們也在持續(xù)探索是否有更加直觀、易理解的方式來幫助用戶，受到增強(qiáng)現(xiàn)實(shí)(AR)技術(shù)在游戲中應(yīng)用的啟發(fā)，我們提出了使用AR的方式來幫助用戶找到上車點(diǎn)，最終開發(fā)出了滴滴AR實(shí)景導(dǎo)航產(chǎn)品。
當(dāng)乘客在支持AR導(dǎo)航的場(chǎng)站，使用滴滴出行App選擇推薦上車點(diǎn)發(fā)單成功后，可以通過產(chǎn)品界面中的AR按鈕進(jìn)入導(dǎo)航界面，并按指引操作，體驗(yàn)在AR元素指引下到達(dá)上車點(diǎn)。如下圖所示。
鄭州機(jī)場(chǎng)
想要給用戶提供一個(gè)良好的導(dǎo)航產(chǎn)品，需要解決幾個(gè)關(guān)鍵問題：第一，場(chǎng)景所在的地圖是怎么樣的；第二，如何確定用戶的位置；第三，如何使用更加直觀的方式引導(dǎo)用戶走到目的地。這些問題，在通常的室外場(chǎng)景來看，可能都不是"問題"，因?yàn)榭梢灾苯邮褂矛F(xiàn)有的地圖、GPS定位、規(guī)劃路線和GPS實(shí)時(shí)位置引導(dǎo)到達(dá)目的地。但是這些能力在室內(nèi)場(chǎng)景下，卻變得很難。具體原因包括：在室內(nèi)場(chǎng)景中，GPS信號(hào)受到建筑物遮擋往往定位不準(zhǔn)確，而現(xiàn)有的Wi-Fi、基站等定位技術(shù)也因場(chǎng)景中基礎(chǔ)設(shè)施情況的不同而表現(xiàn)出精度差異很大；同時(shí)，與室外相比，室內(nèi)場(chǎng)景結(jié)構(gòu)復(fù)雜度高、判斷方向難，給用戶引導(dǎo)也帶來很大的挑戰(zhàn)。
?
為了解決上述問題，給用戶提供更加友好的室內(nèi)導(dǎo)航服務(wù)，我們推出了滴滴AR實(shí)景導(dǎo)航產(chǎn)品，其主要方案是采用低成本的視覺定位技術(shù)來提升用戶的定位精度，并結(jié)合增強(qiáng)現(xiàn)實(shí)技術(shù)來將引導(dǎo)信息顯示到用戶手機(jī)上，給用戶提供所見即所得的交互體驗(yàn)。
3.?
要想實(shí)現(xiàn)一個(gè)理想的AR導(dǎo)航系統(tǒng)，我們調(diào)研了很多技術(shù)方案，最終選擇了基于視覺的三維重建技術(shù)來解決地圖構(gòu)建和路徑計(jì)算的問題、視覺定位技術(shù)來提供更高精度的定位能力以及傳感器位置推算與渲染技術(shù)來實(shí)現(xiàn)更加精確的AR交互顯示。雖然上述技術(shù)在學(xué)術(shù)研究領(lǐng)域已經(jīng)有了很多年的研究，并產(chǎn)出了一些相對(duì)成熟的方案，但是在實(shí)施過程中，也遇到了很多挑戰(zhàn)：
1、在三維重建方面
基于視覺的三維重建技術(shù)依賴相機(jī)拍攝到的場(chǎng)景圖像進(jìn)行三維結(jié)構(gòu)恢復(fù)，一般應(yīng)用于辦公室、公寓等幾百平米的場(chǎng)景內(nèi)。在機(jī)場(chǎng)、火車站、商場(chǎng)等超過幾萬平米的大型場(chǎng)景下，會(huì)存在人群密集、重復(fù)紋理多、光照變化大、場(chǎng)景空曠、狹長(zhǎng)通道等不利于視覺重建的因素，這種超大現(xiàn)實(shí)室內(nèi)場(chǎng)景三維重建是業(yè)界難題。
?
2、在視覺定位方面
室內(nèi)環(huán)境復(fù)雜多樣，室內(nèi)空間布局、拓?fù)湟资苋藶榈挠绊懀瑢?dǎo)致聲、光、電等環(huán)境容易發(fā)生變化，對(duì)于以特征匹配為基本原理的定位方法，定位結(jié)果將受到較大影響。機(jī)場(chǎng)、火車站、商場(chǎng)內(nèi)大量重復(fù)出現(xiàn)的指示牌、廣告牌都極易產(chǎn)生誤匹配，影響定位的精度。
?
3、在傳感器位置推算方面
由于傳感器噪聲的存在，使得基于慣性傳感器的位置推算存在累積誤差。當(dāng)長(zhǎng)時(shí)間使用時(shí)，導(dǎo)致導(dǎo)航路線偏離正確路徑，嚴(yán)重影響著用戶體驗(yàn)。此外，用戶行走行為和手機(jī)硬件的多樣性，使得單一模型的慣性傳感器位置推算很難解決所有場(chǎng)景遇到的問題。因此，亟需提出一種模型自適應(yīng)機(jī)制來提升導(dǎo)航系統(tǒng)的準(zhǔn)確度和魯棒性。
4.?
為了解決上述問題，結(jié)合具體的應(yīng)用場(chǎng)景以及技術(shù)積累，我們分別針對(duì)每個(gè)關(guān)鍵模塊進(jìn)行了系列優(yōu)化，現(xiàn)簡(jiǎn)要分享一下。
?
▍基于視覺的三維重建技術(shù)
三維重建解決的是室內(nèi)地圖構(gòu)建的問題。三維重建一般需要借助運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（Structure from Motion，SfM），其學(xué)術(shù)定義是「在未知的環(huán)境中，讓一個(gè)機(jī)器人能進(jìn)行環(huán)境的構(gòu)建，并且估計(jì)自身的運(yùn)動(dòng)」。用通俗的語言講，是利用相機(jī)拍攝到的圖像或視頻，恢復(fù)整個(gè)場(chǎng)景的三維結(jié)構(gòu)。系統(tǒng)的輸入是多張圖像或視頻流，輸出是場(chǎng)景的三維結(jié)構(gòu)和每張圖像拍攝的位姿。相機(jī)位姿是6自由度，3個(gè)自由度表示位置，3個(gè)自由度表示姿態(tài)（相機(jī)朝向）。位置可以理解成三維空間當(dāng)中的一個(gè)點(diǎn)，姿態(tài)就是這個(gè)相機(jī)的朝向，如果在二維上就是360度的朝向，擴(kuò)展到三維就是一個(gè)球體的朝向。
首先我們了解下SfM的技術(shù)框架，一共四個(gè)主要步驟：①數(shù)據(jù)采集；②特征提??；③數(shù)據(jù)關(guān)聯(lián)；④結(jié)構(gòu)恢復(fù)。在恢復(fù)場(chǎng)景的三維結(jié)構(gòu)時(shí)，并不是使用圖像中的所有像素點(diǎn)，而僅從圖像中提取穩(wěn)定、顯著的點(diǎn)，也就是特征點(diǎn)；數(shù)據(jù)關(guān)聯(lián)是確定有共視區(qū)域的兩張圖像中哪些特征點(diǎn)是對(duì)應(yīng)的；后續(xù)會(huì)借助幾何的方法以及最優(yōu)化技術(shù)（Bundle Adjustment）將這些圖像中的點(diǎn)恢復(fù)為空間的三維點(diǎn)。整個(gè)問題最終被轉(zhuǎn)化為大型非線性最優(yōu)化問題求解，優(yōu)化目標(biāo)是重建的三維點(diǎn)重投影到圖像中的位置與圖像中的觀測(cè)點(diǎn)位置差最小，也就是最小化重投影誤差。
針對(duì)大型場(chǎng)站室內(nèi)場(chǎng)景存在的人群密集、重復(fù)紋理多、場(chǎng)景有變化等挑戰(zhàn)。我們?cè)O(shè)計(jì)了一種基于視覺的大型室內(nèi)場(chǎng)景三維重建方案：針對(duì)大型機(jī)場(chǎng)、火車站存在的規(guī)模大、場(chǎng)景復(fù)雜（重復(fù)紋理、相似紋理、狹長(zhǎng)通道、動(dòng)態(tài)物體等），提出了一種基于視頻的分塊三維重建方案，首先構(gòu)建圖像間的關(guān)聯(lián)圖，問題可以建模成Graph Cut問題，可以自動(dòng)進(jìn)行數(shù)據(jù)分塊；之后利用Pose Graph Optimization實(shí)現(xiàn)了塊間合并與優(yōu)化，并通過引入關(guān)鍵幀、點(diǎn)云選擇等策略，實(shí)現(xiàn)了自動(dòng)化建圖，效率提升70%，構(gòu)建的超過6萬平米的室內(nèi)場(chǎng)站三維模型是業(yè)界已知的最大單體模型之一，下圖是鄭州機(jī)場(chǎng)的三維模型可視化效果。
鄭州機(jī)場(chǎng)三維模型
?
▍視覺定位技術(shù)
在AR導(dǎo)航的使用場(chǎng)景中，定位的目的就是確定用戶的位置。手機(jī)的定位源主要包含3大類：①導(dǎo)航衛(wèi)星接收機(jī)：包括中國(guó)的北斗，美國(guó)的GPS，歐洲的Galileo、俄羅斯的GLONASS等；②內(nèi)置傳感器：包括加速度計(jì)、陀螺儀、磁力計(jì)、氣壓計(jì)、光線傳感器、相機(jī)等；③射頻信號(hào)：包括Wi-Fi、藍(lán)牙、蜂窩無線通信信號(hào)等。除了衛(wèi)星導(dǎo)航接收機(jī)外，這些傳感器和射頻信號(hào)都不是為定位而設(shè)置的，盡管如此，這些傳感器還是為我們提供了很多的室內(nèi)定位源。主流的全球衛(wèi)星導(dǎo)航系統(tǒng)（Global Navigation Satellite System，GNSS）目前雖然已經(jīng)被大規(guī)模商業(yè)應(yīng)用，在室外開闊環(huán)境下定位精度已能解決大部分定位需求，但該類信號(hào)無法覆蓋室內(nèi)，難以形成定位。室內(nèi)環(huán)境復(fù)雜，無線電波通常會(huì)受到障礙物的遮擋，發(fā)生反射、折射或散射，改變傳播路徑到達(dá)接收機(jī)，形成非視距（non line-of-sight，NLOS）傳播。NLOS傳播會(huì)使定位結(jié)果產(chǎn)生較大的偏差，嚴(yán)重影響定位精度。
經(jīng)過充分的調(diào)研與對(duì)比，考慮到Wi-Fi指紋匹配方式定位精度2~5米，而藍(lán)牙iBeacon作用距離短且布設(shè)成本較高等問題，最終我們采用了視覺定位的方式。該方法基于相機(jī)交互的方法，定位精度可達(dá)亞米級(jí)，魯棒性較好，且只需利用手機(jī)攝像頭、成本較低，無需布設(shè)額外設(shè)備，而且隨著近年視覺定位技術(shù)的不斷優(yōu)化迭代，其精度與魯棒性已完全能滿足室內(nèi)定位的需求。
?
（1）基于傳感器融合的圖像檢索重排序技術(shù)
通常情況下，用戶手機(jī)獲取一張查詢圖后，首先對(duì)圖像進(jìn)行特征提取，然后采用特征描述子對(duì)特征點(diǎn)進(jìn)行描述，根據(jù)圖中提取的大量2D特征點(diǎn)，會(huì)在當(dāng)前場(chǎng)景三維模型中檢索相似的top N張圖像，根據(jù)最相似的圖像進(jìn)一步尋找2D點(diǎn)與模型中3D點(diǎn)的匹配，最后利用RANSAC+PnP求解，計(jì)算查詢圖的位置與姿態(tài)[R|t]。
但是由于室內(nèi)場(chǎng)景存在大量人造物體，例如機(jī)場(chǎng)、火車站中大量出現(xiàn)的指示牌，商場(chǎng)中大量出現(xiàn)的廣告牌，都很容易因?yàn)榫植刻卣飨嗨?，?dǎo)致錯(cuò)誤的匹配?？紤]到手機(jī)本身集成了磁力計(jì)和GNSS傳感器，雖然這些低成本的傳感器精度有限，但作為定位初值還是可以加以利用，我們根據(jù)磁力計(jì)獲取的大致方位，以及GNSS獲取的大致位置作為先驗(yàn)知識(shí)，根據(jù)傳感器的精度指標(biāo)，對(duì)候選圖像進(jìn)行聚類，并將參數(shù)加權(quán)帶入圖像重排序（rerank）的計(jì)算公式，可以剔除具有明顯方向差異或者位置差異顯著的候選圖像。在降低誤匹配概率的同時(shí)，也顯著提高了計(jì)算的效率，保證了定位結(jié)果的精度。
?
（2）基于上下文信息的位姿校正技術(shù)
由于室內(nèi)人造結(jié)構(gòu)的特殊性，很多場(chǎng)景都是對(duì)稱修建或者呈規(guī)則排列的幾何布局，導(dǎo)致在視覺定位的時(shí)候，不僅是局部特征幾乎一致，甚至大范圍場(chǎng)景內(nèi)的全局特征也是非常相似的，這就導(dǎo)致初始定位存在一定概率的誤匹配情況。當(dāng)用戶剛好位于此類區(qū)域的時(shí)候，很有可能會(huì)得到錯(cuò)誤的引導(dǎo)信息。不過在實(shí)際情況中，這些容易混淆的區(qū)域不會(huì)完全一模一樣，當(dāng)用戶移動(dòng)一小段距離或者視角發(fā)生變化的時(shí)候，往往會(huì)出現(xiàn)具有顯著區(qū)分度的地物特征，依賴這些信息可以對(duì)用戶當(dāng)前的位姿進(jìn)行校正，重新生成一條正確的引導(dǎo)路線。但是同樣是特征匹配，當(dāng)前后兩幀信息都滿足定位條件，但定位結(jié)果存在較大差異的時(shí)候，如何分辨究竟哪個(gè)是正確的結(jié)果呢。這時(shí)就需要利用到上下文的信息，即我們?cè)诙ㄎ坏臅r(shí)候并不完全依賴于一次的定位結(jié)果，而是一片區(qū)域或者一段軌跡中的多個(gè)定位結(jié)果，當(dāng)這些結(jié)果呈現(xiàn)出較好的一致性的時(shí)候，通常有更大的概率是正確的定位，相反，那些局部特征相似的區(qū)域，由于匹配到了錯(cuò)誤的參考圖像，其結(jié)果往往呈現(xiàn)出孤立的跳變，與前后幀并不能平滑過渡，行走軌跡也是不光滑的。利用這種定位結(jié)果的上下文信息，可以有效檢測(cè)出錯(cuò)誤的定位結(jié)果，對(duì)其進(jìn)行過濾，或者及時(shí)發(fā)現(xiàn)當(dāng)前已經(jīng)處于錯(cuò)誤的引導(dǎo)路線上，根據(jù)正確的結(jié)果進(jìn)行校正。
▍傳感器位置推算技術(shù)
?
在完成視覺定位后，需要根據(jù)手機(jī)的位置進(jìn)行實(shí)時(shí)的路線指引和渲染，這里我們使用了基于傳感器的位置推算技術(shù)，通過讀取手機(jī)上的傳感器信息并結(jié)合人體運(yùn)動(dòng)模型等方法，推算出對(duì)應(yīng)的位置。
?
慣性傳感器包括加速度計(jì)和陀螺儀，通常還會(huì)與磁力計(jì)組合使用。每個(gè)傳感器均具有三個(gè)自由度。加速度計(jì)測(cè)量施加給移動(dòng)設(shè)備的加速度讀數(shù)，陀螺儀測(cè)量移動(dòng)設(shè)備的旋轉(zhuǎn)運(yùn)動(dòng)，磁力計(jì)通過感知磁場(chǎng)的變化，推理出用戶當(dāng)前的朝向。這些傳感器可以在沒有外部數(shù)據(jù)的情況下確定移動(dòng)設(shè)備的位置，而不需要基礎(chǔ)設(shè)施的輔助。基于慣性傳感器的位置推算由于以下優(yōu)點(diǎn)逐漸成為研究的熱點(diǎn)：①低能耗全天24小時(shí)運(yùn)行；②不受外界環(huán)境干擾；③內(nèi)置于每一部移動(dòng)智能終端。
?
現(xiàn)有的基于積分的慣性導(dǎo)航算法主要利用線性加速度計(jì)讀數(shù)（加速度計(jì)讀數(shù)減去重力數(shù)據(jù)）進(jìn)行二次積分得到位移和陀螺儀讀數(shù)積分得到姿態(tài)，繼而解算當(dāng)前位置。然而，慣性傳感器具有噪聲，導(dǎo)致慣性積分算法估計(jì)的位置很快飄移。因此，當(dāng)前慣性積分算法主要應(yīng)用于高精度慣性器件中，例如航天級(jí)別的慣性傳感器。為了解決在低端手機(jī)中慣性傳感器的迅速飄移問題，研究者們提出了PDR (Pedestrian Dead Reckoning) 算法。
PDR (Pedestrian Dead Reckoning) 算法是一種基于相對(duì)位置的位置推算方法，主要思想是給定初始位置和朝向，根據(jù)行走的位移推算出下一步的位置。主要包括計(jì)步、步長(zhǎng)估計(jì)和朝向估計(jì)模塊，如下圖所示。計(jì)步主要是通過檢測(cè)加速度計(jì)讀數(shù)的峰值點(diǎn)實(shí)現(xiàn)步子識(shí)別；步長(zhǎng)估計(jì)利用一步之內(nèi)的加速度計(jì)讀數(shù)，根據(jù)人的身高、體重、步頻等特征擬合當(dāng)前一步的步長(zhǎng)；朝向估計(jì)利用加速度計(jì)和陀螺儀讀數(shù)，通過濾波或者優(yōu)化技術(shù)實(shí)現(xiàn)設(shè)備的姿態(tài)估計(jì)，繼而獲取當(dāng)前一步的行走朝向。由于上述每一個(gè)模塊都會(huì)有誤差，且對(duì)不同的人群和設(shè)備的多樣性比較敏感，隨著時(shí)間的推移，誤差累積增大，直至導(dǎo)航系統(tǒng)不可用，為AR引導(dǎo)帶來了技術(shù)挑戰(zhàn)。
為了解決上述技術(shù)挑戰(zhàn)，我們提出了魯棒的位置推算算法，該方法發(fā)表在機(jī)器人領(lǐng)域頂級(jí)會(huì)議International Conference on Intelligent Robots and Systems (IROS) 2020上。
?
所提出的方法主要包括基于步態(tài)強(qiáng)度的計(jì)步算法，基于步頻和統(tǒng)計(jì)特征的步長(zhǎng)估計(jì)算法，基于深度模型的朝向回歸算法和基于機(jī)器學(xué)習(xí)的運(yùn)動(dòng)分類算法。下面介紹一下相關(guān)算法。
（1）基于步態(tài)強(qiáng)度的計(jì)步算法
給定三軸加速度計(jì)讀數(shù)，首先對(duì)每一幀加速度計(jì)讀數(shù)求取幅值。利用當(dāng)前幀加速度計(jì)的幅值和其鄰近數(shù)據(jù)，檢測(cè)加速度計(jì)讀數(shù)波形的峰值，每一個(gè)峰值對(duì)應(yīng)著候選步子，如下公式所述：
其中，S表示當(dāng)前加速度計(jì)讀數(shù)的狀態(tài)，即是否為候選步子，如果為1，則表示當(dāng)前時(shí)刻檢測(cè)到候選步子。
其次，根據(jù)長(zhǎng)短窗內(nèi)的加速度計(jì)讀數(shù)的均值來判斷當(dāng)前時(shí)刻是否為候選步子，其下公式所述：
其中
表示短窗口內(nèi)的加速度計(jì)讀數(shù)的均值，
表示長(zhǎng)窗口內(nèi)的加速度計(jì)讀數(shù)的均值。
再次，根據(jù)加速度計(jì)數(shù)據(jù)計(jì)算步態(tài)強(qiáng)度，它描述了一步之內(nèi)加速度的變化情況。當(dāng)步態(tài)強(qiáng)度超過一定闕值后，我們認(rèn)為當(dāng)前時(shí)刻是候選步子：
其中，
下圖展示了真實(shí)行走狀態(tài)下步態(tài)強(qiáng)度的變化情況，其中藍(lán)色點(diǎn)表示步態(tài)強(qiáng)度，紅色點(diǎn)表示步點(diǎn)。
最后，當(dāng)上述狀態(tài)均取得1時(shí)，認(rèn)為當(dāng)前時(shí)刻為檢測(cè)到一步，計(jì)算公式如下：
計(jì)步算法示意圖如下圖所示，其中藍(lán)色曲線表示加速度計(jì)讀數(shù)，紅色三角形表示識(shí)別到一步。
（2）?步長(zhǎng)估計(jì)算法
我們提出了一種基于統(tǒng)計(jì)特征的步長(zhǎng)估計(jì)算法，其中統(tǒng)計(jì)特征包括步頻、一步內(nèi)的加速度計(jì)讀數(shù)的方差、極差的n次開方，計(jì)算公式如下所述：
表示加速度計(jì)讀數(shù)極差的m次開方，
表示加速度計(jì)讀數(shù)的方差。現(xiàn)有的朝向估計(jì)算法利用互補(bǔ)濾波和卡爾曼濾波實(shí)現(xiàn)設(shè)備朝向的估計(jì)，而設(shè)備朝向和人員行走朝向之間存在變化的偏差角會(huì)導(dǎo)致PDR的位姿估計(jì)累積飄移。為了解決該問題，我們利用深度學(xué)習(xí)算法來回歸用戶行走的朝向。具體而言，我們提出了一種heading-confidence模型，采用LSTM和ResNet作為深度網(wǎng)絡(luò)框架。LSTM主要負(fù)責(zé)行走朝向的回歸，ResNet主要負(fù)責(zé)行走速度的回歸，最后，我們?cè)O(shè)計(jì)了置信度函數(shù)來進(jìn)行朝向的融合。
（4）?運(yùn)動(dòng)分類
為了提升PDR系統(tǒng)對(duì)運(yùn)動(dòng)類別的魯棒性，我們?cè)O(shè)計(jì)了一種基于梯度提升決策樹算法的運(yùn)動(dòng)分類模型。主要包括行走、隨意行走、靜止和手持設(shè)備搖擺四種姿態(tài)。通過識(shí)別不同的行走姿態(tài)，我們自適應(yīng)的加載對(duì)應(yīng)的模型參數(shù)，繼而提高了PDR算法的精度。實(shí)驗(yàn)結(jié)果如下圖所示。其中，黑色曲線表示參考真值，藍(lán)色曲線表示沒有運(yùn)動(dòng)分類的PDR算法軌跡，紅色曲線表示引入了運(yùn)動(dòng)分類的PDR軌跡?？梢钥吹剑t色軌跡更加接近于參考真值。
5.?
大型機(jī)場(chǎng)、商場(chǎng)、火車站內(nèi)部的上車點(diǎn)引導(dǎo)能力對(duì)用戶體驗(yàn)影響很大，為了解決這個(gè)問題，地圖團(tuán)隊(duì)做出了很多努力，推出了“圖文引導(dǎo)”方案來使用圖像和文字的方式幫助用戶。同時(shí)，為了給用戶提供更好的體驗(yàn)，我們也推出了滴滴AR實(shí)景導(dǎo)航產(chǎn)品，使用人工智能算法等科技手段，為用戶提供準(zhǔn)確的、易用的導(dǎo)航產(chǎn)品，來幫助用戶更快的找到上車點(diǎn)。目前在鄭州、深圳以及日本東京等24個(gè)機(jī)場(chǎng)、商場(chǎng)或者火車站上線了AR導(dǎo)航服務(wù)，數(shù)據(jù)顯示，它能幫助用戶節(jié)省近四分之一的時(shí)間，讓他們更便捷地到達(dá)上車點(diǎn)。與此同時(shí)，在南京火車站等大型場(chǎng)站，我們正在進(jìn)一步探索基于AR導(dǎo)航的技術(shù)來幫助乘客快速抵達(dá)公交站點(diǎn)。后續(xù)我們將持續(xù)優(yōu)化和打磨我們的算法，為乘客和司機(jī)創(chuàng)造更多的價(jià)值。歡迎大家體驗(yàn)我們的產(chǎn)品，并對(duì)我們提出寶貴的意見，希望通過我們的努力可以為大家提供更好的出行體驗(yàn)。
▲長(zhǎng)按關(guān)注我們
整理不易，請(qǐng)給CVer點(diǎn)贊和在看！