CN102880673B

CN102880673B - 一种室内定位方法

Info

Publication number: CN102880673B
Application number: CN201210332190.8A
Authority: CN
Inventors: 徐展; 唐道平; 刘丹; 张国伟; 曾庆瑾; 薛世帅
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2012-09-10
Filing date: 2012-09-10
Publication date: 2015-07-29
Anticipated expiration: 2032-09-10
Also published as: CN102880673A

Abstract

本发明公开了一种室内定位方法，包括步骤：建立参考点的RSS指纹数据库；求每个参考点的K近邻点，并建立近邻点数据库；求待定位点的K近邻点，然后从近邻点数据库中找出这K个近邻点的近邻点中重复最多的n个近邻点；对得到的待定位点的K个近邻点和它的近邻点的n个近邻点的坐标加权求和，得到待定位点估计坐标。本发明的方法建立所有参考点的近邻点数据库，使得原本只是待定位点与参考点之间单一的关系，拓展为待定位点与参考点和待定位点的近邻点与其他参考点之间的网状关系，充分挖掘利用了RSS指纹数据库中有用的信息，有效避免了非视距传输效应、多径传播效应和RSS衰减规律异常的情况下对定位精度的影响。

Description

一种室内定位方法

技术领域

本发明是模式识别领域内的一种室内定位方法，具体涉及到基于K近邻的近邻点数据库的室内定位方法。

背景技术

室内定位技术在商业、公共安全等方面的应用前景非常广阔，是现今研究的热点技术之一。在商业应用上，室内定位系统可以用来跟踪定位有特殊需求的人、远离视线监管的小孩，给盲人导航，在医院内定位需要用到的仪器设备，大型仓库中的调度等；在公共安全方面，室内定位系统可以用来跟踪监狱犯人，导航警察、消防员等以完成他们在室内的任务。

现阶段常用的室内定位方法一般分为基于基础设施和无基础设施。基于基础设施的方法有的是在通信节点上安装红外或超声波传感器，例如Active Badge和Cricket系统。但由于传输距离和视距的限制，这种系统使用范围很有限，而且定位精度依赖节点密集度。另外还有的基于基础设施的使用测角度的传感器阵列和高精度的定时器，例如到达角度定位（Angle ofArrival，AOA），到达时间定位（Time ofArrival，TOA）等方法，这类方法的定位系统造价昂贵，而且定位精度往往不理想。无基础设施的方法就是直接使用定位节点通信使用的射频信号强度RSS定位。传统的RSS定位方式一般使用距离-损耗模型，在多径传播效应，以及信号衰减规律异常复杂的室内环境下，精度很不稳定。基于RSS指纹数据库的定位方法，可有效避免多径和障碍物等对定位精度的影响并且降低了定位算法复杂度。

RSS（Received Signal Strength）指纹数据库定位方法主要分为RSS指纹数据库建立阶段和定位阶段。RSS指纹数据库建立阶段，首先选择定位系统覆盖范围内参考点的位置，然后记录各参考点位置处接收到的各信标节点的RSS值，将这些值组成该参考点特有的RSS向量，存入数据库。定位阶段，将待定位点处测得的RSS向量与RSS指纹数据库中的进行匹配，根据匹配结果，估算出待定位点的位置。基于RSS指纹数据库典型的方法有最近邻法、K近邻法等，但它们只是匹配得到待定位点与数据库中各参考点之间的单一的关系，得到最近邻点或K近邻点，忽略了更深层次的近邻点与近邻点、近邻点与其他参考点之间的关系，没有对RSS指纹数据库中的有用信息进行更进一步的发掘和利用，定位精度很难有更进一步的提高。

发明内容

本发明的目的是为了解决现有的RSS指纹数据库定位方法存在的上述问题，提出了一种室内定位方法。

本发明的技术方案为：一种室内定位方法，具体包括如下步骤：

步骤一、建立参考点的RSS指纹数据库；

步骤二、求每个参考点的K近邻点，并建立近邻点数据库；

步骤三、求待定位点的K近邻点，然后从近邻点数据库中找出这K个近邻点的近邻点中重复最多的n个近邻点；

步骤四、对步骤三得到的待定位点的K个近邻点以及K个近邻点的n个近邻点的坐标加权求和，得到待定位点的估计坐标。

本发明的有益效果：本发明的室内定位方法首先建立RSS指纹数据库，然后在K近邻算法的基础上建立所有参考点的近邻点数据库，使得原本只是待定位点与参考点之间单一的关系，拓展为待定位点与参考点和待定位点的近邻点与其他参考点之间的网状关系；本发明的方法在RSS指纹数据库的基础上，利用K近邻算法构造一个参考点的近邻点数据库，这样在定位运算时便可建立一种待定位点与参考点和待定位点的近邻点和其他参考点之间的网状关系，充分挖掘利用了RSS指纹数据库中有用的信息，在有效避免了由于非视距传输效应、多径传播效应和RSS衰减规律异常的情况下对定位精度的影响的同时，也找出了更多在物理位置上聚拢于待定位点的参考点。

附图说明

图1为本发明方法的实施过程流程图。

图2为本发明实验场地平面图，其中，BN1-BN7为信标节点位置。

图3为本发明方法处理得到的聚拢于待定位点的参考点，其中编号8为待定位点位置，3，5,20为K近邻算法得到的3个近邻点，4,7,9,10,14,2为3个近邻点的近邻点中重复次数最多的6个参考点。

图4为本发明的方法和K近邻算法的误差累积比较图。

具体实施方式

下面结合附图和具体实施例对本发明具体实施方案做进一步的说明。

本发明首先建立RSS指纹数据库，然后在K近邻算法的基础上，构造一个参考点的近邻点数据库，这样在定位运算时便可建立一种待定位点与参考点和待定位点的近邻点和其他参考点之间的网状关系，充分挖掘利用了RSS指纹数据库中有用的信息。

K近邻算法的基本思想是：在给定实例后，根据与该实例的相似度在训练样本集中选取与该新实例距离最近（最相似）的K个样本（参考点），然后由着K个样本进行新实例的值的判定。本发明的方法假定所有的实例对应于多为空间中的点，在该空间中任意一个实例x可以表示为如下的特征向量：<a₁(x),a₂(x),a₃(x),…,a_n(x)> （1）

其中，a_r(x)表示实例的第r个属性值，任意两个实例p_i和p_j之间的相似度可用向量相似度公式计算，表示为d(p_i,p_j)。

本方法采用如式（2）的Jffreys&Matusita距离公式：

d (p_{i}, p_{j}) = {[{(\sqrt{a_{1} (p_{i})} - \sqrt{a_{1} (p_{j})})}^{2} + {(\sqrt{a_{2} (p_{i})} - \sqrt{a_{2} (p_{j})})}^{2} + . . . . . . + {(\sqrt{a_{n} (p_{i})} - \sqrt{a_{n} (p_{j})})}^{2}]}^{\frac{1}{2}} - - - (2)

该公式是在欧式距离(Euclidean)的基础上，放大了较小元素的误差的作用，对欧式距离有所修正，计算出相似度后，与新实例的K个最近邻的选取就依照此相似度进行判定。

本发明的基于K近邻的近邻点数据库的室内定位方法的数据库建立方法如下：

步骤一、建立RSS指纹数据库：

具体过程为：采集室内参考点处的RSS数据，对每个参考点处在一段时间内采集到的数据平均处理，得到每个参考点处的RSS平均值向量，进而可以建立RSS指纹数据库。

如表1所示，是RSS指纹数据库的数据组织方式。表1中每一列为同一个信标节点到待定位节点的RSS值，每一行是同一个参考点接收的各信标节点到待定位节点的RSS值。

表1

序号	RSS1	RSS2	RSS3	RSS4	RSS5	RSS6	RSS7
								1	24.4027	20.0940	15.0000	23.6577	12.7718	17.0805	18.4899
2	20.6783	18.7130	12.6609	24.4609	11.1913	18.5652	19.6174
								3	16.0112	15.5506	12.1348	20.9663	11.6629	14.2135	12.6067
4	20.3143	19.8857	14.0857	20.0143	8.5571	16.3286	16.6143
								...	...	...	...	...	...	...	...

步骤二、求每个参考点的K近邻点，并建立近邻点数据库：

利用K近邻算法计算出选择的所有参考点的K个近邻点，进而可以建立近邻点数据库，这里建立如表2的数据关系。

表2

序号	rfp1	rfp2	rfp3	rfp4	rfp5	rfp6	rfp7	rfp8	rfp9
										1	8	2	6	7	15	4	17	14	18
2	7	1	8	15	13	4	17	14	18
										3	14	7	13	10	17	9	4	18	71
4	9	13	2	8	12	1	14	10	17

...

表2中每一行是每个参考点的9个近邻点，每一行的整数代表作为各参考点的近邻点的参考点序号。每一列从左到右依次按各参考点与各近邻点的相似度由大到小排列。

在做好建立好数据库等前期准备后，下面将举一个具体实例。本实例的实验环境如图2所示，是一个有五个房间和一个走廊的大小为17mX12m的室内环境，共设置了7个信标节点（BeaconNode，BN），位置如图2所示。分别在房间1,2,3,4和走廊布置了网状分布的78个参考点，参考点之间的距离为1.8m。

在本实例中，取待定位点数据向量<8,11,11,27,11,5,17>做具体实施说明。

步骤三是：求待定位点的K近邻点，然后从近邻点数据库中找出这K个近邻点的近邻点中重复最多的n个近邻点。这里得到的K个近邻点以及K个近邻点中的n个近邻点作为参考点，即待定位点的参考点数目为K+n，这里的n可以根据实际情况进行选择。

如图3，由K近邻算法得到待定位点的K（本实例取K为3）个近邻点，分别为参考点3,5,20。它们在近邻点数据库中的数据如表三所示，参考点3,5,20的在近邻点数据库中重复次数最多的n（本实例取n为6）个近邻点分别是参考点4,7,9,10,14,2，它们的重复次数分别为3,3,3,3,3,2。

可以看出纳入参考点3,5,20的近邻点4,7,9,10,14,2后，这些点大部分都在待定位点周围的点8的周围。

表3

序号	rfp1	rfp2	rfp3	rfp4	rfp5	rfp6	rfp7	rfp8	rfp9	rfp10
											1	5	14	7	13	10	17	9	4	18	71
2	9	10	3	20	4	7	14	25	13	2
											3	25	14	9	10	7	5	4	15	2	3

步骤四是：对步骤三得到的待定位点的K个近邻点以及K个近邻点中重复最多的n个近邻点的坐标加权求和，得到待定位点估计坐标。

具体过程如下：这里具体采用向量间相似度进行计算，可以根据式（2）分别计算待定位点与K个近邻点以及K个近邻点的n个近邻点的RSS向量相似度，以相似度作为权重衡量标准，然后利用得到的向量相似度根据式（3）计算出K个近邻点以及K个近邻点的n个近邻点坐标的权值w_i，最后根据式（4）计算出待定位点估计坐标

w_{i} = \frac{\frac{1}{d_{i}^{2}}}{Σ_{i = 1}^{m} \frac{1}{d_{i}^{2}}} - - - (3)

(\overset{&OverBar;}{x}, \overset{&OverBar;}{y}) = Σ_{i = 1}^{m} w_{i} \times (x_{i}, y_{i}) - - - (4)

其中，d_i表示参考点i点与待定位点的RSS向量相似度，m表示选择的参考点个数，m=K+n，(x_i,y_i)表示参考点i点的横坐标和纵坐标。图3中的‘+’符点就是通过本发明方法计算出的待定位点位置。

由以上实例，可以看出本发明方法通过建立K近邻数据库，将本来单一的待定位点和参考的关系拓展为待定位点与参考点，待定位点的近邻点与参考点之间的网状关系，挖掘出K近邻算法无法做到的精确的聚拢于待定位点的参考点，提高了定位精度。图4是本发明方法和K近邻算法处理2212个测试点得到的误差累积对比图。由图可看出本方法相较于K近邻算法，在小于两米的范围内的定位精度有明显提高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1.一种室内定位方法，具体包括如下步骤：

步骤一、建立参考点的RSS指纹数据库；

具体过程为：采集室内参考点处的RSS数据，对每个参考点处在一段时间内采集到的数据平均处理，得到每个参考点处的RSS平均值向量，进而可以建立RSS指纹数据库

步骤二、求每个参考点的K近邻点，并建立近邻点数据库；

步骤四、对步骤三得到的待定位点的K个近邻点以及K个近邻点的n个近邻点的坐标加权求和，得到待定位点估计坐标；

步骤四的具体过程如下：

分别计算待定位点与K个近邻点以及K个近邻点的n个近邻点的RSS向量相似度；然后利用得到的向量相似度计算出K个近邻点以及K个近邻点的n个近邻点坐标的权值w_i，

w_{i} = \frac{\frac{1}{{d_{i}}^{2}}}{Σ_{i = 1}^{m} \frac{1}{{d_{i}}^{2}}};

最后根据

(\overset{&OverBar;}{x}, \overset{&OverBar;}{y}) = Σ_{i = 1}^{m} w_{i} \times (x_{i}, y_{i})

计算出待定位点估计坐标其中，d_i表示待定位点与参考点i点的RSS向量相似度，m表示选择的参考点个数，即m＝K+n，(x_i,y_i)表示参考点i点的横坐标和纵坐标。