面向路径查询的室内语义建模
面向路径查询的室内语义建模
Indoor Semantic Modeling to Support Path-Finding
Sisi Zlatanova、Liu Liu 等编写
Walter Yu 译
1、室内导航
导航与位置服务是GIS领域发展很快的应用之一。目前，室内导航或室内外无缝导航得到人们的广泛关注。由于人们绝大部分时间都处在室内空间（如图1所示），当人们在复杂的大型室内环境时往往需要类似室外导航的许多应用服务。
图1 复杂室内空间示例
2、存在问题
在室内数据获取、室内建模和用户个性化路径规划等方法存在许多挑战。虽然已经有一些不同类型的3D几何建筑模型以及面向不同目的的语义模型（如CityGML、BIM），但它们缺乏支持大量不同类型用户室内导航服务的有效信息。此外，由于导航网络和导航语义的差异，导致有些情况下室外路径规划方法难以完全应用在室内环境中。
3、室内语义建模研究
Liu Liu 博士和Sisi Zlatanova教授研究了面向室内导航的语义建模，特别是针对复杂室内环境。他们提出了一种语义建模方法，叫做Indoor Navigation Space Model （INSM），与任意指定类型的建筑物划分密切相关，如图2所示。它不仅定义了支持导航的所有需要的建筑要素，而且与建筑组件（如房间、门、楼梯灯）的几何进行关联。
…
IndoorGML介绍
IndoorGML介绍
Ki-Joune Li、Jiyeong Lee、Sisi Zlatanova等编写
Walter Yu 译
IndoorGML是一种室内空间信息表达的OGC标准，是一种开放的数据模型和XML模式。它提供了一种表达和交换室内空间信息的通用框架，是OGC GML3.2.1的一种应用模式。
内容目录：
1、目的(Motivations)
2、IndoorGML的基本概念(General Concepts of IndoorGML)
3、结构化空间模型(Structured Space Model)
4、多层空间模型(Multi-Layered Space Model)
5、外部引用（External References）
6、锚节点（Anchor Node）
7、子空间（Subspacing）
8、模块（Modularization）
1、目的
与室外空间相比，室内空间在许多方面具有较大差异。空间信息的基本概念、数据模型和标准需要重新进行定义，以满足室内空间应用的需求。不同的应用对室内空间信息的需求也不同。通常，室内空间信息应用可分为以下两大类：建筑组件（building …
RoughMaps：室内符号地图服务平台
RoughMaps：室内符号地图服务平台
RoughMaps：A Generic Platform to support Symbolic Map Use in Indoor Environments
许多应用都需要能够支持个性化和上下文感知信息。其中用户定位和地图主要作用就是为了满足这个目的。RoughMaps平台包含了符号地图的功能。这种地图不需要考虑比例尺，是一种非线性、以自然的形式高度抽象的地图，仅仅包含了给定用户当前情境所需求的相关地图要素。文中介绍了RoughMaps平台的设计、实现和测试工作。该平台可用于根据上下文进行管理和查询面向室内定位的符号地图。据了解，该平台是个性化上下文感知应用中第一个支持室内定位的符号地图平台。
An important feature for many applications is the ability to support personalised and context-aware information delivery. User positioning and the use …
夜读——思想的力量（四）
夜读——思想的力量（四）
今日文摘，来自《The Master Key System 硅谷禁书》。
思想是一种活动，掌管着一切行为模式。
学习需要成年累月的集中精神，要掌握其中的原理。所有伟大的发现都是持久观察的结果。持续的意念集中意味着思想不间断的、平衡连贯的流动，这需要在一个持久、有序、稳固、坚韧的体系下才能完成。
完全沉浸在你的思想中，沉浸在你所关注的主题，忘却其他一切不相关的事情。如此会引发直觉的感知，以及直接的洞察力，让你能够看透所关注的客体的本质。
我们的心灵就像一块磁铁，而求知的渴望就像不可抗拒的磁力，将知识和智慧吸引，为我所用。一切知识都是集中意念的结果。
…
基于Occupancy Grids的二维语义制图
基于Occupancy Grids的二维语义制图
2D Semantic Mapping on Occupancy Grids
近年来，学者们对室内矢量地图技术开展了大量研究工作，已经在许多方面得到了很好的应用。SLAM方法能够生成全局一致的矢量地图。尽管这样的地图描述了环境基本的信息并能够支持导航，但仍然缺乏环境的更高层抽象的语义信息或者人们认知的语义信息，例如建筑结构的类别、连通性等。本文中提出了一种新的概率方法基于全覆盖的网格图分析潜在的语义世界模型。该模型是由标准的SLAM方法所产生。文中的方法仿真了一种马尔可夫链从给定输入地图的语义世界模型概率分布产生样本。实验表明该方法是有效的，能够正确捕获到不确定性。
典型的语义概念，比如房间、走廊、空间关系（邻接、连通）、其他属性（如矩形）。这些语义信息有助于构建地图。虽然语义机器人制图没有像矢量或拓扑制图一样得到广泛研究，但也有一些重要的贡献。 文献【11】中的方法作为许多种语义制图方法的先驱，结合了网格和拓扑制图方法能够同时获得高精度、一致性的矢量图和有效拓扑图。 Wolf and Sukhatme [14] 提出了使用隐马尔可夫模型和支持向量机来解决地形制图和基于活动制图中所存在的问题。文献 [10], [2] 和 [3]利用语义标签来标注位置和区域。 Douillard等人提出使用条件随机场（conditional random fields）构建室外环境对象地图。此外，一些学者还提出了利用语义标注环境结构的方法，比如室外环境的道路（traversable terrain）、室内环境中的墙、天花板和门。比较典型的例子如[8], [12], [6] 和[9]。
In recent years, techniques for building metric maps of indoor environments …
利用移动传感器众包室内地图
利用移动传感器众包室内地图
Crowd Sourcing Indoor Maps with Mobile Sensors
本文介绍了一种众包室内地图的算法。通过志愿者所穿戴的智能手机中的三轴加速度计、磁力计和Nike跑鞋中的压力计，在室内行走过程中，应用程序将这些众包数据发送到制图服务器。该算法再通过DR方法从这些众包数据中获取用户的步行轨迹，估计出室内地图。
一个成功的众包室内地图项目中至少包含三个问题：相对制图、全局制图和激励机制（Incentive）问题。其中相对制图最关键的问题是确定地图正确的比例和方位，本文主要解决的这个问题。而全局制图最关键的问题是把相对地图转换到某个通用的全局坐标系下，如UTM System。作者下一步将利用建筑物的出入口位置（轨迹的起点和终点）的GPS坐标和Wi-Fi热点测量值解决这个问题。此外，关于激励机制（Incentive）的问题，就是怎样激励人们搜集行走的测量数据并发送到制图服务器，其中Waze.com就是一个极好的案例。
这篇文章的主要贡献就是为解决相对制图为题提供了一种解决方案。文中提出了一种估计走廊长度和方位的方法。在计算一层楼的地图时需要正确估计三条走廊的长度和方位。长度参数的估计标准差是3%，方位参数的估计标准差是0.074弧度（约4度）。
在将来的工作中，需要对所提出的方法在多个楼层进行测试。此外，目前的研究主要限制在识别建筑物的走廊，还相对比较容易并且不需要大量的采样。当然，建筑物中还有开放空间和楼梯，这些通常比较难以识别，真正的众包地图还需要表达更多室内语义信息。
The paper describes algorithms required to enable the crowd sourcing of indoor building …