CN103763680B - 基于信号传播的室内定位追踪方法及系统 - Google Patents

Abstract

本发明公开了一种基于信号传播特征的室内定位追踪方法及系统。该方法包括：预存储步骤，将目标区域内部署的访问接入点的位置信息预先存储至移动终端中；判断步骤，根据用户移动过程中RSSI数据序列的变化趋势，判断出当前时刻用户的移动情况；确定步骤，根据移动终端上采集的方向数据，确定用户的移动方向；计算步骤，计算用户与所关联的访问接入点的距离，并基于当前时刻用户的移动情况与移动方向，定位用户的当前位置，并对其位置进行追踪。本发明通过处理用户移动过程中信号强度变化信息来定位追踪用户的位置，提高了定位精度，降低了定位复杂度，可快速部署于通用的移动设备和网络基础设施之上。

Description

基于信号传播的室内定位追踪方法及系统

技术领域

本发明涉及无线网络定位技术领域，尤其涉及一种室内用户位置的定位追踪方法及系统。

背景技术

作为位置感知类应用的关键支撑技术，室内无线定位一直以来具有重要的研究意义且积累了较多的研究工作。尤其是近年来移动设备数量的快速增长，以及将用户位置作为情境感知重要信息的移动应用和服务的迅速发展，对室内定位技术的设备无依赖性、快速部署性和系统高效性提出了新的要求。由于无线信号强度具有若干较为显著的可用于设备位置估计的特征，在相关的研究工作中终端接收的信号强度指示(Received SignalStrength Indicator,RSSI)成为了最普遍采用的一种信号测量指标。

利用信号强度来进行位置估计的方法可大致分为两类。第一类方法通过理论或者经验的路径损耗模型将信号衰减转换为距离，并利用三角几何特性来计算用户位置。然而由于建筑结构的异质性和无线信号在室内传播的多路径效应，室内不同位置通常具有差异较大的信号衰减特性，路径损耗模型通常并不能准确地刻画真实环境中的信号衰减情况，此类方法的定位精度也因此面临不同程度的退化。

第二类方法引入了现场勘测的系统训练阶段，即对目标空间进行均匀采样并建立采样点的信号指纹数据库。在服务阶段中系统将未知位置处采集的信号指纹与数据库中采样点信号指纹进行匹配，返回指纹最接近的采样点位置作为定位结果。此类方法虽然在一定程度上消除了室内建筑结构异质性对定位算法性能的影响，但训练阶段中建立信号指纹数据库所需的对目标定位区域的现场勘测引入了大量的人力和时间成本，降低了此类方法在实际大规模无线网络应用场景中的可操作性，且信号指纹的匹配过程通常会引入较大的计算开销，是影响系统效率的一个重要因素。

此外，因为以上两类方法的定位模型均建立在静止状态下对信号进行测量的基础上，用户移动所造成的信号测量结果的变化也将使其定位精度进一步下降。

发明内容

本发明所要解决的技术问题之一是需要提供一种基于信号传播的室内定位追踪方法，该方法具有高精度、高通用性以及低复杂度。此外，还提供了一种基于信号传播的室内定位追踪系统。

为了解决上述技术问题，本发明提供了一种室内用户位置的定位追踪方法，包括：预存储步骤，将目标区域内部署的访问接入点的位置信息预先存储至移动终端中；判断步骤，在用户移动过程中，所述移动终端周期性采集所关联的访问接入点的RSSI数据序列，根据RSSI数据序列的变化趋势，判断出当前时刻用户相对于所关联的访问接入点的移动情况；确定步骤，根据所述移动终端上实时采集的方向数据，确定当前时刻该用户相对于所关联的访问接入点的移动方向；计算步骤，计算用户与所关联的访问接入点之间的距离，并基于当前时刻的移动情况和当前时刻的移动方向，定位用户的当前位置，并对用户位置进行追踪。

在一个实施例中，进一步通过以下步骤来判断出当前时刻用户与其所关联的访问接入点的移动情况：对连续采集的RSSI数据实时进行处理，检测出RSSI数据序列的波峰和波谷；根据距离当前时刻最近一次峰谷检测所检测出的结果、以及从该结果对应的时刻到当前时刻所采集到的RSSI数据来判断当前时刻RSSI数据序列的变化趋势，其中，若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在远离。

在一个实施例中，若距离当前时刻最近一次峰谷检测所检测出的是波谷，则将该波谷对应的时刻作为起始时刻，查找从该起始时刻到当前时刻所采集的RSSI数据中第一个大于或等于当前时刻RSSI数据的采样点，其中，若存在所述采样点，且该采样点与当前时刻RSSI数据的差值大于或等于第一设定阈值，则查找该采样点与当前时刻之间RSSI最大值，并且将该RSSI最大值对应的采样点作为波峰，当前时刻的RSSI序列的变化趋势为下降；若不存在所述采样点或该采样点与当前时刻RSSI数据的差值小于第一设定阈值，则当前时刻的RSSI序列的变化趋势为上升。

在一个实施例中，若距离当前时刻最近一次峰谷检测所检测出的是波峰，则将该波峰对应的时刻作为起始时刻，查找从该起始时刻到当前时刻所采集的RSSI数据中第一个小于或等于当前时刻RSSI数据的采样点，其中，若存在所述采样点，且该采样点与当前时刻RSSI数据的差值大于或等于第二设定阈值，则查找该采样点与当前时刻之间RSSI最小值，并且将该RSSI最小值对应的采样点作为波谷，当前时刻的RSSI数据序列的变化趋势为上升；若不存在所述采样点或该采样点与当前时刻RSSI数据的差值小于第二设定阈值，则当前时刻的RSSI数据序列的变化趋势为下降。

在一个实施例中，在所述确定步骤中，通过以下表达式来确定当前时刻用户相对于所关联的访问接入点的移动方向：

$\stackrel{\→}{O}\left(t\right)=(\cos \mathrm{\α}\left(t\right),\sin \mathrm{\α}\left(t\right))$

其中，α(t)是在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度，计算为从t_o-base到当前时刻t之间从移动终端传感器采集的设备朝向方向向量的归一化均值，其中t_o-base是起始时刻t_base和t-Δ_ot中的最大值，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向。

在一个实施例中，在所述计算步骤中，使用通过以下表达式来计算用户相对于所述移动终端所关联的访问接入点的距离d(t)：

d(t)=f(rssi(t))

其中，rssi(t)表示当前时刻t的RSSI数值，转换函数f表示将RSSI转换为距离的经验信号传播模型，所述转换函数f为一个三段的线性方程。

在一个实施例中，在所述计算步骤中，将用户的当前位置记作其所关联访问接入点的位置已知为 ${\stackrel{\→}{L}}_{\mathrm{AP}}\left(t\right)=(x_{\mathrm{AP}}\left(t\right),y_{\mathrm{AP}}\left(t\right)),$ 按照 $\stackrel{\→}{L}\left(t\right)={\stackrel{\→}{L}}_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·\stackrel{\→}{A}\left(t\right)$ 计算得到用户的当前位置，按照直角坐标的方式展开为：

$\left\{\begin{array}{c}x\left(t\right)=x_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\cos \mathrm{\α}\left(t\right)\\ y\left(t\right)=y_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\sin \mathrm{\α}\left(t\right)\end{array}\right.$

其中，α(t)是用户的移动方向在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度，

$\stackrel{\→}{A}\left(t\right)=I\left(t\right)\·\stackrel{\→}{O}\left(t\right),$

其中，表示用户相对于所关联的访问接入点的方向向量，I(t)表示用户相对于所关联的访问接入点的移动情况，表示用户的移动方向，

在一个实施例中，在检测出RSSI序列的波谷时，同时检测距离该波谷最近一段时间内用户移动方向，若波谷附近用户的移动方向未发生改变，则忽略该波谷。

根据本发明的另一方面，还提供了一种基于信号传播特征的室内定位追踪系统，包括：预存储模块，其用于存储目标区域内部署的访问接入点的位置信息；判断模块，其根据在用户移动过程中周期性采集所关联的访问接入点的RSSI数据序列的变化趋势，判断出当前时刻用户与其所关联的访问接入点的移动情况；确定模块，其根据实时采集的方向数据，确定当前时刻该用户相对于所关联的访问接入点的移动方向；计算模块，其用于计算用户与所关联的访问接入点之间的距离，并基于当前时刻的移动情况和当前时刻的移动方向，定位用户的当前位置，并对用户位置进行追踪。

在一个实施例中，在所述判断模块中，进一步包括：峰谷检测单元，其用于对连续采集的RSSI数据实时进行处理，检测出RSSI数据序列的波峰和波谷；RSSI变化趋势判断单元，其根据距离当前时刻最近一次峰谷检测所检测出的结果、以及从该结果对应的时刻到当前时刻所采集到的RSSI数据来判断当前时刻RSSI数据序列的变化趋势，其中，若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在远离。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明提供的室内定位追踪系统，通过发掘和利用用户移动过程中信号强度变化比较容易确定的关键特征，并将此特征与用户的当前位置、用户的移动方向结合，使得其具有较高的定位精度与通用性；避免了成本较高的系统训练阶段，且计算复杂度较低，可快速部署于通用的移动设备和网络基础设施之上；内在地适用于用户移动的场景，可以取得适用于大部分室内位置感知类应用的定位精度。

虽然在下文中将结合一些示例性实施及使用方法来描述本发明，但本领域技术人员应当理解，为并不旨在将本发明限制于这些实施例。反之，旨在覆盖包含在所附的权利要求书所定义的本发明的精神与范围内的所有替代品、修正及等效物。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一实施例的室内用户位置的定位追踪方法的流程图；

图2是根据本发明一实施例的RSSI变化趋势和用户移动方向改变的分类的示意图；

图3(a)和图3(b)分别是清华大学中两座建筑实验楼的楼层平面图；

图4(a)和图4(b)分别是根据本发明一示例的在图3(a)和图3(b)两座建筑内沿实验路径所采集的RSSI数据序列和设备朝向数据的曲线图；

图5(a)和图5(b)分别是根据本发明一示例的在图3(a)和图3(b)两座建筑内估计的用户位置相对于参考点的分布示意图；

图6是根据本发明一实施例的定位精度的累积概率分布图；

图7是根据本发明一实施例的室内用户位置的定位追踪系统的示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

第一实施例

本实施例的目的在于提出一种具有高精度、高通用性以及低复杂度的室内用户位置的定位追踪方法，以在用户移动过程中可以对用户的当前位置进行准确定位追踪。

为了达到上述目的，本实施例提出了一种室内用户位置的定位追踪方法的流程图，具体如图1所示。

步骤S110，将目标区域内部署的访问接入点（Access Point，简称AP）的位置信息预先存储至移动终端中。AP的位置信息包括AP编号、具体位置等相关信息。

步骤S120，根据移动终端周期性采集的所关联的AP的RSSI数据序列变化趋势，判断用户相对于AP的移动情况。

在用户移动过程中，移动终端以固定的时间间隔周期性地采集所关联AP的RSSI数据序列以及方向相关的传感器数据。优选地，根据RSSI数据序列的变化趋势，判断出当前时刻用户与其所关联的AP的移动情况。若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的AP的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的AP的移动情况是正在远离。

RSSI序列变化趋势的检测方法如下。RSSI序列变化趋势和一段时间内RSSI的变化情况相关，而非由某个时刻的数值决定，因此本实施例优选地在当前时刻t之前选择一个合适的时间点t_base以构成时间段[t_base,t]，用于判定RSSI的变化趋势。已知在连续采集的数据曲线中，RSSI变化趋势一致（上升或下降）的时间段是被RSSI曲线中的波峰和波谷分离的。因此如果以当前时刻t之前第一个波峰或者波谷出现的时间点作为t_base，将会简化RSSI变化趋势的判断，因为此时从t_base到t之间的RSSI曲线总体上是单调的。因此问题进一步转化为RSSI曲线中波峰和波谷的检测。

在峰谷检测中，利用了波峰的一个较为直观的特征来检测曲线中的波峰，即波峰两侧采样点的数值均低于波峰时刻的数值。根据波峰的特征，若两个相邻波峰之间的采样点数值均同时低于两个波峰时刻的数据值则最小采样点数值为波谷，即两个相邻的波峰之间将会存在一个波谷。值得注意的是，在检测出RSSI序列的波谷时，同时检测距离该波谷最近一段时间内用户移动方向，若波谷附近用户的移动方向未发生改变，则忽略该波谷

具体地，若距离当前时刻最近一次峰谷检测所检测出的是波谷，则将该波谷对应的时刻作为起始时刻t_base，查找从t_base到当前时刻t所采集的RSSI数据中第一个大于或等于当前时刻RSSI数据rssi(t)的采样点（将其对应时刻记作t_symmetric）。如果不存在这样的一个采样点，则表示未检测到新的波峰，检测过程结束。或者，如果t-t_symmetric小于Δt，也表示未检测到新的波峰（其中，Δt是算法定义的一个控制检测延迟和灵敏度的阈值，以忽略极短时间内RSSI数据抖动形成的波峰或波谷）则检测过程结束。此时，当前时刻t的RSSI序列的变化趋势为上升。

如果t-t_symmetric大于或等于Δt，在t_symmetric到t之间查找RSSI数值最大的采样点，并返回其对应的采样点t_crest作为新检测到的波峰，此时，当前时刻t的RSSI序列的变化趋势为下降。之后，t_base被更新为t_crest的数值以检测下一个可能存在的波谷，因为新检测到的波峰（或波谷）意味着RSSI变化趋势将发生翻转。

若距离当前时刻最近一次峰谷检测所检测出的是波峰，则将该波峰对应的时刻作为起始时刻t_base，查找从t_base到当前时刻t所采集的RSSI数据中第一个小于或等于当前时刻RSSI数据rssi(t)的采样点（将其对应时刻记作t’_symmetric）。如果不存在这样的一个采样点，则表示未检测到新的波谷，检测过程结束。或者，如果t-t’s_ymmetric小于Δt，也表示未检测到新的波谷，检测过程结束。此时，当前时刻t的RSSI序列的变化趋势为下降。

如果t-t’s_ymmetric大于或等于Δt，在t’_symmetric到t之间查找RSSI数值最小的采样点，并返回其对应的采样点t_trough作为新检测到的波谷，此时，当前时刻t的RSSI序列的变化趋势为上升。之后，t_base被更新为t_trough的数值以检测下一个可能存在的波峰。

综上，如果当前时刻t之前的t_base对应一个波峰，则判定当前时刻的变化趋势为下降，否则如果t_base对应一个波谷，则当前时刻的变化趋势被判定为上升。在初始阶段，使用启动时刻作为t_base初始值。因为此时t_base对应一个波峰或者波谷是未知的，所以通过比较rssi(t)和rssi(t_base)的数值来判定当前时刻的RSSI变化趋势，并且同时对波峰和波谷进行检测以计算出RSSI曲线中的第一个转折点。

步骤S130，根据移动终端上实时采集的方向数据，确定当前时刻该用户相对于所关联的AP的移动方向，计算当前时刻t用户的移动方向通过考察用户在室内环境中通常的移动行为，以用户的水平朝向合理地代替用户的移动方向。

在现实环境中，RSSI变化趋势和用户移动方向的组合情况可能是极为复杂的。为了简化计算逻辑，同时使本实施例的定位追踪方法适用于大部分应用场景，将可能出现的组合情况抽象为图2所示的3种类别：用户移动方向保持不变而RSSI变化趋势改变（这是较为常见的用户沿直线经过其所关联AP的情况）、用户移动方向和RSSI变化趋势均改变以及用户移动方向改变而RSSI变化趋势保持不变，其中，后两种情况将在用户行进过程中转弯时发生。

将用户的移动方向记作其中α(t)是在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度。计算为从t_o-base到t之间从传感器API采集的设备朝向方向向量的归一化均值，其中t_o-base是t_base和t-Δ_ot中的最大值，其中，t_o-base是起始时刻t_base和t-Δ_ot中的最大值，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向。按照此种方法，对于图2所示的前两类情况，借助于RSSI检测的结果，用户转弯前后的移动方向将自动地被t_base分离开来，而无需进行额外的显式检测。对于图2所示的第三类情况，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向，使算法适应不同持续时间和幅度的用户转弯。

此外本实施例还优选采用了一个辅助原则，即在检测到RSSI波谷时同时检测最近一段时间的用户移动方向，以避免因用户远离关联AP过程中出现异常的RSSI上升而造成误判波谷。这是因为在正常情况下当用户移动方向不变时（如图2中第一类情况所示），RSSI曲线中仅可能出现波峰而不会出现波谷，所以如果波谷附近用户的移动方向未发生明显的改变，则可以较为可信地认为该波谷是由信号的异常波动造成的，这种波谷应该忽略。

步骤S140，根据公式计算用户相对其关联AP方位的方向向量其中，表示用户相对于所关联的AP的方向向量，I(t)表示用户相对于所关联的AP的移动情况，

表示用户的移动方向。

步骤S150，计算用户和所关联AP之间的距离d(t)。优选地采用经验的路径损耗模型，根据当前时刻设备监听到的RSSI的数值来计算移动终端与所关联AP之间的距离。

在本实施例中，优选地仅将距离估计作为对用户方位估计的补充，而非像传统的三角定位技术一样将距离估计作为基础。由于精确的路径损耗模型在真实环境中往往是不适用的，因此本实施例采用经典的开放空间路径损耗模型作为距离估计算法的基础。

根据Friis的传输方程，在给定信号频点的情况下，开放空间中信号传播的路径损耗同发送者和接受者之间距离的平方成正比，下式给出了具体的计算方法，

${\mathrm{PL}}_{\left[\mathrm{dB}\right]}=32.45+20{\log }_{10}\left(d_{\left[\mathrm{Km}\right]}\right)+20{\log }_{10}\left(f_{\left[\mathrm{MHz}\right]}\right);$

其中，PL_[dB]是以dB为单位的信号功率损耗，d_[Km]是以Km为单位的信号发送者和接受者之间的距离。

本实施例优选采用一个分为三段的线性方程作为将RSSI转换为距离的转换函数f，以拟合当距离线性增加时PL_[dB]对数形式的降低。该方程的系数根据802.11网络的实际部署经验以及在现场少量的RSSI测量来确定。用户和移动终端所关联AP之间的距离d(t)可根据终端采集的当前时刻t的RSSI数值rssi(t)，按照公式d(t)＝f(rssi(t))而计算得到。

步骤S160，基于当前时刻的移动情况、当前时刻的移动方向以及用户与其关联的AP之间的距离来定位用户的当前位置，并对用户位置进行追踪。

用户在当前时刻t所关联的AP的位置已知为根据公式可以计算当前时刻用户的位置该位置按照直角坐标的方式可表达为：

$\left\{\begin{array}{c}x\left(t\right)=x_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\cos \mathrm{\α}\left(t\right)\\ y\left(t\right)=y_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\sin \mathrm{\α}\left(t\right)\end{array}\right.$

其中，α(t)是用户的移动方向在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度。

为了验证本实施例中的定位追踪方法的性能，在某智能手机终端上开发了对应定位追踪方法的客户端，同时选择了清华大学中两座具有代表性的科研和教学建筑，以构成不同的Wi-Fi覆盖密度和用户移动轨迹的实验场景，以便于在真实的网络环境中进行定位和追踪实验。

图3显示了两座建筑中实验楼层的平面图。如图3(a)所示，建筑A在南北两侧分别主要包含较小的办公房间和相对较大的会议室，其中大致3个办公房间由一个AP覆盖，同对面覆盖会议室的AP共同构成了无线覆盖相对密集的场景。如图3(b)所示，建筑B是一个教室建筑，在东侧和南侧大致2个教室由一个AP覆盖，西北侧每个教室由2个AP覆盖，构成了中等密度的无线覆盖场景。

在建筑A中，采用从东到西的直线走廊作为实验路线，以测试定位追踪方法在相对简单的用户移动场景中的性能。在建筑B中采用了较为复杂的包含不同幅度转弯和曲线的实验路线来进一步验证该定位追踪方法的性能。

在实验过程中，对实验路线按照长度进行了大致均匀的采样，作为评估算法精度的参考点（即事先已知位置的点）。在实验过程中，每到达一个参考点时，使用定位追踪方法估计的用户位置被记录在客户端中，并且将所记录的估计位置和实际位置之间的距离作为该定位追踪方法的精度。

以下是对实验结果的展示和分析。首先图4(a)和图4(b)中分别显示了一次实验中在两座建筑内沿实验路线所采集的RSSI和用户朝向角数据的曲线图。RSSI曲线中相邻的不同线型代表移动终端在两个AP之间发生了切换。通过实际环境的实验得知移动终端需要采用较低的RSSI值（例如在本实施例采用的实验设备上约为-70dB）作为切换到新的AP时的当前AP的信号强度阈值，以避免频繁切换带来的用户联网性能的抖动。这也意味着在用户追踪的应用场景中，增加AP部署密度并不能有效地提高传统基于AP位置的单AP定位技术（使用关联AP的位置作为用户位置）的定位精度。

较低的RSSI切换阈值将形成一个面积较大的不发生切换的区域，即在这个区域内终端保持关联在同一个AP上，且即使监听到RSSI或者信噪比更好的AP也不进行切换。这个区域的半径是单AP定位技术在用户追踪场景中的实际定位精度，其大于传统认为的此种方法在静止状态下的理论定位精度，即相邻AP之前距离的二分之一。

从图4(a)和图4(b)中也可看到，从设备传感器API获得的用户水平朝向数据与用户真实的运动情况是较为一致的。此外，对于用户朝向的测量，由于室内的一些电力基础设施将会对磁力传感器的测量数据产生一定的干扰，因此朝向数据以及后续计算的用户位置会发生一定的偏移。例如建筑A实验路线上右起第五个参考点附近算法估计位置的偏移即是由建筑内一个强电竖井的干扰造成的（如图5(a)所示）。但在当今的绝大多数建筑内，强干扰只在少量区域内出现，因此在大部分情况下本实施例中的定位追踪方法可以工作在正常的环境下，强干扰并不会对定位结果产生显著的影响。

图5(a)和图5(b)分别显示了一次实验中在两个建筑内使用定位追踪方法估计的用户位置相对于参考点的分布示意图。从图5(a)和图5(b)中可以看到估计位置与用户的实际移动轨迹是较为相符的，表明本实施例对用户方位的估计可以较好地判断用户行走带来的相对于AP方位的变化，其中包括对用户转弯或者沿弧线行走等情况的判断。此外，用于估计用户和AP之间距离的路径损耗模型也可以较好地适应真实的室内环境。

图6显示了两座建筑内定位追踪方法的定位精度的累积概率分布图。建筑A和建筑B内分别达到了用户追踪场景中70%情况下3.7m和5.4m以内的定位精度，可以较好的满足现今大部分室内位置感知类应用的定位需求。

值得强调的一点是，因为本实施例中的定位追踪方法利用了用户移动过程中信号变化的特征，所以与传统的三角定位和基于指纹的定位方法相比该定位追踪方法的性能不会退化，因此其内在地适用于移动用户追踪的场景。除提供适用的定位精度之外，本实施例的定位追踪方法所估计的用户位置还可以较好地拟合用户真实的移动轨迹，从而提高了定位结果的可辨识性。

针对室内环境下无线信号传播过程复杂难于建模的问题，本实施例的定位追踪方法挖掘了用户移动行为和信号变化之间的关系，利用用户移动过程中信号传播的确定性较强的关键特征，即用户远离或者靠近所关联AP时RSSI的变化趋势，同时结合用户的移动方向共同判定用户相对于关联AP的方位，有效地提高了算定位精度，增强了算法的普适性。其次，与传统的基于信号指纹匹配的定位方法不同本实施例的方法的运行不需要人力和时间成本均较高的现场勘测工作用于系统训练，所需输入数据均可以较为方便地从现有移动设备API和网络基础设施信息中获得，且计算效率较高，可快速部署于现今的智能终端和Wi-Fi网络基础设施之上。最后，因为利用了用户移动过程中信号变化的特征，与传统的在用户追踪的场景下面临性能退化的定位方法相比，本实施例的方法内在地适用于用户追踪的场景，在生产环境802.11网络中进行的用户定位和追踪实验的结果表明，其定位精度在70%情况下可以达到误差距离在3.7至5.4m以内，可以满足大部分室内位置感知类应用的定位和追踪需求。

综上所述，本实施例通过上述步骤，利用用户在移动过程中移动终端的RSSI变化趋势，能够对室内用户的位置进行准确定位追踪；由于避免了成本较高的系统训练，本实施例的方法在提高定位精度的同时降低了算法的复杂性，可以满足大部分室内定位追踪的需求。

第二实施例

图7是根据本发明第二实施例的室内用户位置的定位追踪系统的示意图。

如图7所示，本系统包括预存储模块70、与其连接的判断模块71、和判断模块71连接的确定模块72以及计算模块73。

预存储模块70，其用于存储目标区域内部署的AP的位置信息。

判断模块71，其根据在用户移动过程中周期性采集所关联的AP的RSSI数据序列的变化趋势，判断出当前时刻用户与其所关联的AP的移动情况。

在判断模块71中，进一步包括峰谷检测单元71a与RSSI变化趋势判断单元71b。

峰谷检测单元71a，其用于对连续采集的RSSI数据实时进行处理，检测出RSSI数据序列的波峰和波谷。

峰谷检测单元71a利用了波峰的一个较为直观的特征来检测曲线中的波峰，即波峰两侧采样点的数值均低于波峰时刻的数值。根据波峰的特征，若两个相邻波峰之间的采样点数值均同时低于两个波峰时刻的数据值则最小采样点数值为波谷，即两个相邻的波峰之间将会存在一个波谷。值得注意的是，在检测出RSSI序列的波谷时，同时检测距离该波谷最近一段时间内用户移动方向，若波谷附近用户的移动方向未发生改变，则忽略该波谷。

RSSI变化趋势判断单元71b，其根据距离当前时刻最近一次峰谷检测所检测出的结果、以及从该结果对应的时刻到当前时刻所采集到的RSSI数据来判断当前时刻RSSI数据序列的变化趋势。

若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的AP的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的AP的移动情况是正在远离。

优选地，RSSI变化趋势判断单元71b通过检测目前采集到的RSSI数据序列的变化趋势，判断用户是否正在远离或者正在靠近其所关联的AP。指示函数I(t)用于描述在时刻t用户相对于关联AP的移动情况，如下式所示：

RSSI序列变化趋势的检测方法如下。RSSI序列变化趋势和一段时间内RSSI的变化情况相关，而非由某个时刻的数值决定，因此本实施例优选地在当前时刻t之前选择一个合适的时间点t_base以构成时间段[t_base,t]，用于判定RSSI的变化趋势。已知在连续采集的数据曲线中，RSSI变化趋势一致（上升或下降）的时间段是被RSSI曲线中的波峰和波谷分离的。因此如果以当前时刻t之前第一个波峰或者波谷出现的时间点作为t_base，将会简化RSSI变化趋势的判断，因为此时从t_base到t之间的RSSI曲线总体上是单调的。

通过对连续采集的RSSI数据实时地进行处理，在下一个波峰之前的波谷（如果存在一个的话）将会被事先检测到，并且将最近出现的一个波谷对应的时刻作为t_base。当新采集的一个对应时刻为t的RSSI值到来时，算法在从t_base到t的采样点中查找第一个数值大于或等于rssi(t)的采样点（将其对应时刻记作t_symmetric）。如果不存在这样的一个采样点，表示未检测到新的波峰，则检测过程结束。或者，如果t-t_symmetric小于Δt，也表示未检测到新的波峰（其中，Δt是算法定义的一个控制检测延迟和灵敏度的阈值，以忽略极短时间内RSSI数据抖动形成的波峰或波谷）则检测过程结束；如果t-t_symmetric大于或等于Δt，算法在t_symmetric到t之间查找RSSI数值最大的采样点，并返回其对应的时间点t_crest作为新检测到的波峰。之后，t_base被更新为t_crest的数值以检测下一个可能存在的波谷，因为新检测到的波峰（或波谷）意味着RSSI变化趋势将发生翻转。

波谷的检测过程和上述的波峰检测过程类似。如果当前时刻t之前的t_base对应一个波峰，则判定当前时刻的变化趋势为下降，否则如果t_base对应一个波谷，则当前时刻的变化趋势被判定为上升。在初始阶段，使用定位算法的启动时刻作为t_base初始值。因为此时t_base对应一个波峰或者波谷是未知的，所以通过比较rssi(t)和rssi(t_base)的数值来判定当前时刻的RSSI变化趋势，并且同时对波峰和波谷进行检测以计算出RSSI曲线中的第一个转折点。

确定模块72，其根据实时采集的方向数据，确定当前时刻该用户相对于所关联的AP的移动方向。

在确定模块72中，通过以下表达式来确定当前时刻用户相对于所关联的AP的移动方向：

$\stackrel{\→}{O}\left(t\right)=(\cos \mathrm{\α}\left(t\right),\sin \mathrm{\α}\left(t\right))$

其中，α(t)是在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度，计算为从to_-base到当前时刻t之间从移动终端传感器采集的设备朝向方向向量的归一化均值，其中t_o-base是起始时刻t_base和t-Δ_ot中的最大值，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向。

计算模块73，其用于计算用户与所关联的AP之间的距离，并基于当前时刻的移动情况和当前时刻的移动方向，定位用户的当前位置，并对用户位置进行追踪。

计算模块73使用以下表达式来计算用户相对于移动终端所关联的AP的距离d(t)，

d(t)=f(rssi(t))

其中，rssi(t)表示当前时刻t的RSSI数值，转换函数f表示将RSSI转换为距离的经验信号传播模型，转换函数f为一个三段的线性方程。

将用户的当前位置记作其所关联AP的位置已知为 ${\stackrel{\→}{L}}_{\mathrm{AP}}\left(t\right)=(x_{\mathrm{AP}}\left(t\right),y_{\mathrm{AP}}\left(t\right)),$ 按照 $\stackrel{\→}{L}\left(t\right)={\stackrel{\→}{L}}_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·\stackrel{\→}{A}\left(t\right)$ 计算得到用户的当前位置，按照直角坐标的方式展开为：

$\left\{\begin{array}{c}x\left(t\right)=x_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\cos \mathrm{\α}\left(t\right)\\ y\left(t\right)=y_{\mathrm{AP}}\left(t\right)+d\left(t\right)\·I\left(t\right)\·\sin \mathrm{\α}\left(t\right)\end{array}\right.$

其中，α(t)是用户的移动方向在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度；表示用户相对于所关联的AP的方向向量，I(t)表示用户相对于所关联的AP的移动情况，表示用户的移动方向。

综上所述，根据本实施例的系统，利用用户在移动过程中移动终端的RSSI变化趋势，能够对室内用户的位置进行准确定位追踪，由于避免了成本较高的系统训练，本实施例的系统在提高定位精度的同时降低了算法的复杂性，可以满足大部分室内定位追踪的需求。

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，任何熟悉该技术的人员在本发明所揭露的技术范围内，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 (9)

1.一种基于信号传播特征的室内定位追踪方法，包括：

预存储步骤，将目标区域内部署的访问接入点的位置信息预先存储至移动终端中；

判断步骤，在用户移动过程中，所述移动终端周期性采集所关联的访问接入点的RSSI数据序列，根据RSSI数据序列的变化趋势，判断出当前时刻用户相对于所关联的访问接入点的移动情况；

确定步骤，根据所述移动终端上实时采集的方向数据，确定当前时刻该用户相对于所关联的访问接入点的移动方向；

计算步骤，计算用户与所关联的访问接入点之间的距离，并基于当前时刻的移动情况和当前时刻的移动方向，定位用户的当前位置，并对用户位置进行追踪；

其中，在所述确定步骤中，通过以下表达式来确定当前时刻用户相对于所关联的访问接入点的移动方向：

$\stackrel{\→}{O}\left(t\right)=\left(cos\mathrm{\α}\right(t),sin\mathrm{\α}(t\left)\right)$

其中，α(t)是在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度，计算为从t_o-base到当前时刻t之间从移动终端传感器采集的设备朝向方向向量的归一化均值，其中t_o-base是起始时刻t_base和t-Δ_ot中的最大值，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向。

2.根据权利要求1所述的定位追踪方法，其特征在于，进一步通过以下步骤来判断出当前时刻用户与其所关联的访问接入点的移动情况：

对连续采集的RSSI数据实时进行处理，检测出RSSI数据序列的波峰和波谷；

根据距离当前时刻最近一次峰谷检测所检测出的结果、以及从该结果对应的时刻到当前时刻所采集到的RSSI数据来判断当前时刻RSSI数据序列的变化趋势，

其中，若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在远离。

3.根据权利要求2所述的定位追踪方法，其特征在于，

若距离当前时刻最近一次峰谷检测所检测出的是波谷，则将该波谷对应的时刻作为起始时刻，查找从该起始时刻到当前时刻所采集的RSSI数据中第一个大于或等于当前时刻RSSI数据的采样点，

其中，若存在所述采样点，且该采样点与当前时刻RSSI数据的差值大于或等于第一设定阈值，则查找该采样点与当前时刻之间RSSI最大值，并且将该RSSI最大值对应的采样点作为波峰，当前时刻的RSSI序列的变化趋势为下降；

若不存在所述采样点或该采样点与当前时刻RSSI数据的差值小于第一设定阈值，则当前时刻的RSSI序列的变化趋势为上升。

4.根据权利要求2所述的定位追踪方法，其特征在于，

若距离当前时刻最近一次峰谷检测所检测出的是波峰，则将该波峰对应的时刻作为起始时刻，查找从该起始时刻到当前时刻所采集的RSSI数据中第一个小于或等于当前时刻RSSI数据的采样点，

其中，若存在所述采样点，且该采样点与当前时刻RSSI数据的差值大于或等于第二设定阈值，则查找该采样点与当前时刻之间RSSI最小值，并且将该RSSI最小值对应的采样点作为波谷，当前时刻的RSSI数据序列的变化趋势为上升；

若不存在所述采样点或该采样点与当前时刻RSSI数据的差值小于第二设定阈值，则当前时刻的RSSI数据序列的变化趋势为下降。

5.根据权利要求1所述的定位追踪方法，其特征在于，在所述计算步骤中，使用通过以下表达式来计算用户相对于所述移动终端所关联的访问接入点的距离d(t)：

d(t)＝f(rssi(t))

其中，rssi(t)表示当前时刻t的RSSI数值，转换函数f表示将RSSI转换为距离的经验信号传播模型，所述转换函数f为一个三段的线性方程。

6.根据权利要求5所述的定位追踪方法，其特征在于，在所述计算步骤中，将用户的当前位置记作其所关联访问接入点的位置已知为按照计算得到用户的当前位置，按照直角坐标的方式展开为：

$\left\{\begin{array}{c}x\left(t\right)=x_{AP}\left(t\right)+d\left(t\right)\·I\left(t\right)\·cos\mathrm{\α}\left(t\right)\\ y\left(t\right)=y_{AP}\left(t\right)+d\left(t\right)\·I\left(t\right)\·sin\mathrm{\α}\left(t\right)\end{array}\right.,$

其中，α(t)是用户的移动方向在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度；

$\stackrel{\→}{A}\left(t\right)=I\left(t\right)\·\stackrel{\→}{O}\left(t\right),$

其中，表示用户相对于所关联的访问接入点的方向向量，I(t)表示用户相对于所关联的访问接入点的移动情况，表示用户的移动方向，

7.根据权利要求2所述的定位追踪方法，其特征在于，

在检测出RSSI序列的波谷时，同时检测距离该波谷最近一段时间内用户移动方向，若波谷附近用户的移动方向未发生改变，则忽略该波谷。

8.一种基于信号传播特征的室内定位追踪系统，包括：

预存储模块，其用于存储目标区域内部署的访问接入点的位置信息；

判断模块，其根据在用户移动过程中周期性采集所关联的访问接入点的RSSI数据序列的变化趋势，判断出当前时刻用户与其所关联的访问接入点的移动情况；

确定模块，其根据实时采集的方向数据，确定当前时刻该用户相对于所关联的访问接入点的移动方向；

计算模块，其用于计算用户与所关联的访问接入点之间的距离，并基于当前时刻的移动情况和当前时刻的移动方向，定位用户的当前位置，并对用户位置进行追踪；

其中所述确定模块具体用于通过以下表达式来确定当前时刻用户相对于所关联的访问接入点的移动方向：

$\stackrel{\→}{O}\left(t\right)=\left(cos\mathrm{\α}\right(t),sin\mathrm{\α}(t\left)\right)$

其中，α(t)是在以北向为0度，东西方向分别为90度和-90度的极坐标系中的角度，计算为从t_o-base到当前时刻t之间从移动终端传感器采集的设备朝向方向向量的归一化均值，其中t_o-base是起始时刻t_base和t-Δ_ot中的最大值，定义时间长度阈值Δ_ot以关注最近一段时间内用户的移动方向。

9.根据权利要求8所述的定位追踪系统，其特征在于，在所述判断模块中，进一步包括：

峰谷检测单元，其用于对连续采集的RSSI数据实时进行处理，检测出RSSI数据序列的波峰和波谷；

RSSI变化趋势判断单元，其根据距离当前时刻最近一次峰谷检测所检测出的结果、以及从该结果对应的时刻到当前时刻所采集到的RSSI数据来判断当前时刻RSSI数据序列的变化趋势，

其中，若当前时刻RSSI数据序列的变化趋势是上升，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在接近，若当前时刻RSSI数据序列的变化趋势是下降，则判断出当前时刻用户与其所关联的访问接入点的移动情况是正在远离。