[论文解读] CrowdInside: Automatic Construction of Indoor Floorplans

Moustafa Alzantot, Moustafa Youssef|arXiv (Cornell University)|Sep 17, 2012

Indoor and Outdoor Localization Technologies参考文献 23被引用 16

一句话总结

CrowdInside 提出了一种基于众包的系统，利用智能手机的惯性传感器自动构建高精度的室内楼层图。通过使用电梯、楼梯等锚点来重置航位推算误差，该系统将中位数距离误差降低了12倍以上，并能仅通过290个运动片段（用户间分摊）实现精确的楼层图估计。

ABSTRACT

The existence of a worldwide indoor floorplans database can lead to significant growth in location-based applications, especially for indoor environments. In this paper, we present CrowdInside: a crowdsourcing-based system for the automatic construction of buildings floorplans. CrowdInside leverages the smart phones sensors that are ubiquitously available with humans who use a building to automatically and transparently construct accurate motion traces. These accurate traces are generated based on a novel technique for reducing the errors in the inertial motion traces by using the points of interest in the indoor environment, such as elevators and stairs, for error resetting. The collected traces are then processed to detect the overall floorplan shape as well as higher level semantics such as detecting rooms and corridors shapes along with a variety of points of interest in the environment. Implementation of the system in two testbeds, using different Android phones, shows that CrowdInside can detect the points of interest accurately with 0.2% false positive rate and 1.3% false negative rate. In addition, the proposed error resetting technique leads to more than 12 times enhancement in the median distance error compared to the state-of-the-art. Moreover, the detailed floorplan can be accurately estimated with a a relatively small number of traces. This number is amortized over the number of users of the building. We also discuss possible extensions to CrowdInside for inferring even higher level semantics about the discovered floorplans.

研究动机与目标

• 解决位置服务应用中缺乏全球可用的室内楼层图的问题。
• 仅通过智能手机运动轨迹实现自动、无需基础设施的楼层图构建。
• 通过利用环境中的锚点重置误差，提升惯性航位推算的精度。
• 从众包轨迹中检测并分类楼层图语义元素，如房间、走廊、门和兴趣点。
• 在真实测试环境中，使用市售 Android 设备验证方法的可行性与准确性。

提出的方法

• 利用智能手机在建筑内自然移动时采集的众包惯性传感器数据（加速度计、陀螺仪、磁力计）。
• 采用一种新颖的误差重置技术，通过检测到的锚点（如电梯、楼梯）来校正累积的航位推算漂移。
• 应用聚类与分类方法，根据运动轨迹模式区分走廊与房间，并基于轨迹特征分离各个独立房间。
• 利用计算几何方法，从聚类后的运动轨迹推断房间形状。
• 处理轨迹以检测楼层图轮廓及高层语义信息，如门的位置和兴趣点（POI）位置。
• 采用机器学习技术，根据轨迹特征对空间区域进行分类与分割。

实验结果

研究问题

• RQ1 是否可以仅使用智能手机惯性传感器轨迹，在无预先基础设施的情况下构建高精度室内楼层图？
• RQ2 如何有效利用环境锚点来缓解航位推算中的误差累积问题？
• RQ3 在多大程度上能从众包运动数据中自动推断楼层图布局及语义元素（如房间、走廊、门）？
• RQ4 仅使用智能手机传感器，检测电梯和楼梯等锚点的准确度能达到何种水平？
• RQ5 在真实建筑中，需要多少个运动轨迹才能实现可靠的楼层图重建？

主要发现

• CrowdInside 在真实部署中检测锚点的误报率为0.2%，漏报率为1.3%。
• 所提出的误差重置技术相比最先进纯惯性方法，将中位数距离误差降低了12倍以上。
• 仅使用290个运动片段（用户间分摊）即可准确重建详细楼层图。
• 系统通过聚类与分类运动轨迹，成功区分走廊与房间，并识别出门的位置。
• 该方法在无需预先知晓建筑布局或特殊基础设施的情况下，实现了高精度的楼层图估计。
• 在两个测试环境（商场和大学校园）中的评估结果表明，系统在不同 Android 设备和真实环境条件下均表现出稳健性能。