CN103905993B - 一种基于室内定位的区域误判解决方法 - Google Patents

Abstract

本发明公开了一种基于室内定位的区域误判解决方法，包括以下步骤：在定位服务区域选择需要采集指纹数据的参考路径；按照参考路径行走，采集相应指纹数据；将采集到的指纹数据，通过机器学习的方法对其进行信道建模；扫描训练出来的指纹提取出各个无线路由器的标识以及无线路由器数目；对各个位置指纹信息按各个无线路由器信号强度进行排序；再次遍历，对各个位置指纹信息按最大信号强度的两个无线路由器信号进行聚类，添加分类标识；确认分类完毕后对位置指纹数据库重新整合。本发明工作简单可以很好的解决定位系统区域误判的问题。

Description

一种基于室内定位的区域误判解决方法

技术领域

本发明涉及通信与无线网络技术领域，具体涉及一种基于室内定位的区域误判解决方法。

背景技术

随着日益增长的信息服务需求，基于位置的服务成为了最热门的服务需求之一。人们已经不再满足于只能在室外享有基于位置的信息服务，室内定位的需求变得日益强烈。卫星定位导航系统的产生及发展，让人们拥有了在广阔的室外空间中以前所未有的可靠性、精度获取事物地理位置属性的技术方法，已经基本上解决了在室外空间中进行准确定位的问题，并且已经在军事、资源、交通、农牧渔业、环境、测绘等领域以及人们日常的生活中得到了非常广泛的应用。但是，由于GPS全球定位导航系统的卫星信号无法穿透建筑物的遮挡，卫星定位导航不能在室内使用。

用指纹识别方法来进行室内定位是目前最常用的室内定位方法。指纹识别法就是提取某个位置上的信息，信号强度信息、空间谱信息、图像等信息，通过寻找这些信息和该位置的相关性，假设每个位置上这些信息都是唯一的，把这些信息的集合当成一个独特的指纹信息，建立成位置指纹数据库。从而通过查找位置指纹数据库来进行定位。

指纹识别法通常是一个两个阶段的工作模式：离线阶段和在线阶段。在离线阶段时，系统在需要定位服务的区域中选取一些位置，收集这些位置参考点上的射频指纹数据，构建出一个与位置相关的指纹数据库。而在线阶段是，我们使用需要被定位的移动终端来收集射频指纹，然后通过服务器和位置指纹数据库中的射频指纹进行匹配，从而估算出移动终端的位置。

然而在在线定位阶段，通常会计算当前接收到的信号和位置指纹库中的各个位置指纹的欧几里得距离，把计算得到的最短欧几里得距离的那个位置当成是定位的位置点。这样很容易就会发生区域判断错误的问题，最明显的就是发生定位楼层误判的问题。

这样就需要添加一种约束条件，使之能够在这种情况下判断到底哪位置才是准确的，而通过对位置指纹空间聚类可以比较好的解决这样的问题。

发明内容

本发明的目的在于挖掘位置指纹中潜在的信息，对其进行聚类，以便能够提供一种约束条件使之在区域误判情况下能够判断到底哪个位置才是准确的，具体是一种基于室内定位的区域误判解决方法，以提高定位精度，解决区域楼层跳动的问题，同时减少匹配所需要的计算量，提高定位速度。

本发明是通过以下技术方案实现的：

一种基于室内定位的区域误判解决方法，包含以下步骤：

（1）在定位服务区域选择需要采集指纹数据的多条参考路径，选取的参考路径是直线的，需要知道各个直线参考路径的起点和终点，由信号采集装备记录参考路径的起点和终点的位置坐标，并且以所述直线参考路径的起点和终点的坐标作为文件名存储所述参考路径上的指纹数据；

（2）实施收集的信号采集装备，按照第（1）步所选取的参考路径匀速移动，设定成以一定速率，在匀速移动过程中采集指纹数据并存储到以所述直线参考路径的起点和终点的坐标作为文件名的文件中，收集完后，生成多个指纹数据原始文件，并统计生成的指纹数据原始文件数目N；

（3）按照名字次序扫描第（2）步中生成的一个指纹数据原始文件，并对N作减1处理,统计在所述文件中出现的无线路由器的物理地址，生成一个无线路由器的物理地址表，并统计无线路由器的物理地址数目n；

（4）按照无线路由器物理地址表次序，提取出一个无线路由器在所述参考路径上的所有指纹数据并添加位置坐标，并对n作减1处理；

（5）将第（4）步中提取出来的指纹数据结合位置坐标对其作高斯过程回归处理，学习训练出第（3）步所选取的参考路径上的所述无线路由器的信号变化模型；

（6）将第（5）步训练出来的信号变化模型当作参考指纹数据，保存至以所述参考路径的起点和终点的坐标为名字命名的指纹数据文件中；

（7）判断变量n是不是等于0,如果不是重复（4）至（7），如果是执行下一步（8）；

（8）判断变量N是不是等于0,如果不是重复（3）至（8），如果是执行下一步（9）；

（9）整合所有路径上的位置指纹数据文件，生成该区域的位置指纹数据库文件。

（10）扫描第（9）步生成的位置指纹数据库，对每个位置上的指纹进行处理，把指纹中包含的信息按无线路由器信号强度进行降序排序，并提取出信号强度最强的两个无线路由器的物理地址作为该位置上参考指纹的标记信息；

（11）扫描第（10）步处理后的位置指纹数据库，把所述标记信息相同的指纹聚为同一类，添加分类标识并统计每个分类中包含的指纹数目；

（12）对指纹数据按分出来的类别进行排序，使得被分为同一类的指纹数据在指纹数据库中的存储位置连续。

（13）设置一个分类中最小的指纹数目的阀值α，当分类中包含的指纹数目小于这个阀值α时，删除数据库中上述分类的数据。

（14）生成每个类的存储位置地址索引。

在选择参考位置方面，放弃传统方式中以采用均匀网格的形式部署参考点，而是使用选取参考路径的方式。

在信号位置指纹收集方式方面，放弃传统方式中手持信号采集装备在参考点上原地打转的指纹收集方法，而是采用在参考路径上行走采集指纹数据的方法。因为收集指纹数据时的行走速度是匀速的，所以只需要知道开始收集时的参考路径位置坐标以及结束收集时的位置坐标就可以估算出每一时刻收集到的指纹对应的位置坐标。

由于室内环境比较复杂，无线电信号在传播过程中会发生衍射、反射、散射和多径传输等影响，造成初始收集到的位置指纹数据有很多不稳定的因素。而且，由于以行走的方式收集位置指纹数据速度比较快，指纹数据信息相对比较少，也有一些位置也有指纹数据缺失。

虽然有以上的种种问题，但是本研究通过机器学习的方法对所收集到的指纹数据做进一步处理，就可以比较好的避免上述的问题，也能够非常高效率的建立出指纹识别室内定位方法中所需要的指纹数据库。

本发明只需要收集少量的数据就可以建立出位置指纹数据库，大大缩减离线阶段所需要的工作量，能够快速并且高效的建立出位置指纹数据库，并且通过机器学习后有能够比较好的定位精度。

上述的一种基于室内定位的区域误判解决方法，是按信号最强的几个无线路由器信号进行分类，选取最强的两个无线路由器信号进行分类能够比较好的提取出指纹内在的信息，提高定位精确度，避免定位区域跳动。分类中最小的指纹数目的阀值α设定为5到15之间。

附图说明

图1是基于室内定位的区域误判解决方法流程图；

图2是选取参考点方式收集的平面室内示意图；

图3是选取路径方式收集的平面室内示意图；

图4是无线路由器室内分布示意图；

图5是聚类后和无聚类的误差累积分布图对比。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

如图1所示，一种基于室内定位的区域误判解决方法，包含以下步骤：

（1）在定位服务区域选择需要采集指纹数据的多条参考路径，选取的参考路径是直线的，需要知道各个直线参考路径的起点和终点，由信号采集装备记录参考路径的起点和终点的位置坐标，并且以所述直线参考路径的起点和终点的坐标作为文件名存储所述参考路径上的指纹数据；

（2）实施收集的信号采集装备，按照第（1）步所选取的参考路径匀速移动，设定成以一定速率，在匀速移动过程中采集指纹数据并存储到以所述直线参考路径的起点和终点的坐标作为文件名的文件中，收集完后，生成多个指纹数据原始文件，并统计生成的指纹数据原始文件数目N；

（3）按照名字次序扫描第（2）步中生成的一个指纹数据原始文件，并对N作减1处理,统计在所述文件中出现的无线路由器的物理地址，生成一个无线路由器的物理地址表，并统计无线路由器的物理地址数目n；

（4）按照无线路由器物理地址表次序，提取出一个无线路由器在所述参考路径上的所有指纹数据并添加位置坐标，并对n作减1处理；

（5）将第（4）步中提取出来的指纹数据结合位置坐标对其作高斯过程回归处理，学习训练出第（3）步所选取的参考路径上的所述无线路由器的信号变化模型；

（6）将第（5）步训练出来的信号变化模型当作参考指纹数据，保存至以所述参考路径的起点和终点的坐标为名字命名的指纹数据文件中；

（7）判断变量n是不是等于0，如果不是重复（4）至（7），如果是执行下一步（8）；

（8）判断变量N是不是等于0，如果不是重复（3）至（8），如果是执行下一步（9）；

（9）整合所有路径上的指纹数据文件，生成该区域的位置指纹数据库文件；

（10）扫描第（9）步生成的位置指纹数据库，对每个位置上的指纹进行处理，把指纹中包含的信息按无线路由器信号强度进行降序排序，并提取出信号强度最强的两个无线路由器的物理地址作为该位置上参考指纹的标记信息；

（11）扫描第（10）步处理后的位置指纹数据库，把所述标记信息相同的指纹聚为同一类，添加分类标识并统计每个分类中包含的指纹数目；

（12）对指纹数据按分出来的类别进行排序，使得被分为同一类的指纹数据在指纹数据库中的存储位置连续。

（13）设置一个分类中最小的指纹数目的阀值α，当分类中包含的指纹数目小于这个阀值α时，删除数据库中上述分类的数据。

（14）生成每个类的存储位置地址索引。

在选择参考位置方面，放弃传统方式中以采用均匀网格的形式部署参考点，而是使用选取参考路径的方式。

在信号位置指纹收集方式方面，放弃传统方式中手持信号采集装备在参考点上原地打转的指纹收集方法，而是采用在参考路径上行走采集指纹数据的方法。因为收集指纹数据时的行走速度是匀速的，所以只需要知道开始收集时的参考路径位置坐标以及结束收集时的位置坐标就可以估算出每一时刻收集到的指纹对应的位置坐标。

每条参考路径上所能接收到的无线路由器数目n要大于等于2。而且可以收集起来用作指纹数据的无线路由器是静止的，不是移动无线路由器（例如智能手机设置的无线网络接入点）。

如图2所示，是选取参考点方式收集的平面室内示意图，图中粗实线表示的是墙体，黑色的点表示的是选取的参考点，采用的是均匀网格的形式部署参考点。因为传统方式通常会手持信号采集装备在参考点上原地打转的指纹收集方法，尽量采集大量的数据，所以每个参考点都会耗费一定时间，而且非常枯燥乏味。如果把所有参考点采集过去单图中这样一个小区域就需要不少的工作量。

如图3所示，是选取路径方式收集的平面室内示意图，图中粗实线表示的是墙体，细实线表示的是在这个平面室内中选取的参考路径，实施收集的人只要手持带有WIFI模块的手机，按照所选取的参考路径匀速行走，边走边收集数据，能够大大减少收集指纹数据的工作量。

把高斯过程回归应用到室内定位当中的方法。

假定给个训练样本D={(x_l，y₁)，(x₂，y₂)，...，(x_n，y_n)}，符合下面的模型

y_i=f(x_i)+ε

其中n是自然数，i是1到n之间任意的一个自然数，x_i是输入样本，而y_i是这个系统所观测到的输出值，ε是零均值高斯白噪声符合正态分布f(x_i)表示的是x_i和y_i之间的函数关系。

学习训练的主要思想就是任意两个不同样本点x_p和x_q的函数f(x_p)和f(x_q)是相关的，p和q是1到n之间任意的两个不同的自然数。这种相关关系可以通过协方差函数或者核函数k(x_p,x_q)描述出来，其中k表示的是核函数。

其中是所允许的最大的协方差因子。

再加上高斯白躁声的影响：

其中p和q是1到n之间任意的两个自然数，cov(y_p,y_q)是协方差函数，是高斯噪声，δ_pq是克罗内克函数，如果p，q两者相等，则其输出值为1，否则为0。

这样就可以得到观测值y的先验分布

以及进一步得到观测值y和预测值y_*的联合先验分布

其中

K_*=[k(x_*,x₁)k(x_*,x₂)...k(x_*,x_n)]

K_**=k(x_*,x_*)

由此就可以计算出y_*的后验分布

其中y_*|y表示的是y_*在y条件下的条件概率分布， 表示的是均值是K_*K^-ly，方差为的高斯分布。可以看到预测值y_*的均值是K_*K^{- 1}y，方差为

通过这样就可以通过高斯过程回归训练样本估算出信号变化模型出来。可以把训练出来的信号变化模型当成是是该参考路径上的参考位置指纹数据存入到指纹数据库，以提供给室内定位系统在在线定位阶段的位置指纹数据库。

虽然这样的指纹数据库已经能够提供不错的定位精度，但是还是会出现定位区域误判的问题。本发明对其作进一步的改进，对指纹数据库进行聚类作进一步处理。

如图4所示，在一个典型的矩形房间，对称的角落里面放有两个无线路由器，图中A点和B点是需要定位的两个点。按照最邻近距离的公式，我们可以得出在图中的A点和B点的权重距离值是相同的。

如果把一整个房间的位置指纹当成一个搜索匹配空间，那么势必会造成系统无法区分A点和B点的位置，具体的定位位置就会在A点和B点之间随意跳动，而且楼层之间也很容易出现类似的问题。这样就需要有一种约束条件使之能够在这种情况下判断到底哪个位置才是准确的，而位置指纹空间聚类就可以比较好的解决这样的问题。

如图5所示，横轴表示的是系统的定位误差，纵轴表示的是概率，带“*”号的线条表示的是没有经过聚类的系统定位误差累积分布曲线，而带正方形的线条表示的是经过聚类后的系统定位误差累积分布曲线。

可以看出在没有使用位置指纹空间聚类的原始定位状态下，在距离参考点5米左右的位置，有跟参考点相同空间距离的点在干扰定位的效果，图上我们可以看出有很大概率系统会定位到那个跟参考点相同空间距离的点。如果看实时的定位效果，会发现定位位置非常不稳定，会不断的跳动。但是用了位置指纹空间聚类后，产生定位区域误判的概率会大幅度减少，定位精度也得到了提升。

Claims (4)

1.一种基于室内定位的区域误判解决方法，其特征在于，包含以下步骤：

(1)在定位服务区域选择需要采集指纹数据的多条参考路径，选取的参考路径是直线的，需要知道各个直线参考路径的起点和终点，由信号采集装备记录参考路径的起点和终点的位置坐标，并且以所述直线参考路径的起点和终点的坐标作为文件名存储所述参考路径上的指纹数据；

(2)实施收集的信号采集装备，按照第(1)步所选取的参考路径匀速移动，设定成以一定速率，在匀速移动过程中采集指纹数据并存储到以所述直线参考路径的起点和终点的坐标作为文件名的文件中，收集完后，生成多个指纹数据原始文件，并统计生成的指纹数据原始文件数目N；

(3)按照名字次序扫描第(2)步中生成的一个指纹数据原始文件，并对N作减1处理,统计在所述文件中出现的无线路由器的物理地址，生成一个无线路由器的物理地址表，并统计无线路由器的物理地址数目n；

(4)按照无线路由器物理地址表次序，提取出一个无线路由器在所述参考路径上的所有指纹数据并添加位置坐标，并对n作减1处理；

(5)将第(4)步中提取出来的指纹数据结合位置坐标对其作高斯过程回归处理，学习训练出第(3)步所选取的参考路径上的所述无线路由器的信号变化模型；所述高斯过程回归处理包括：假定给个训练样本D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，符合下面的模型

y_i＝f(x_i)+ε

其中n是自然数，i是1到n之间任意的一个自然数，x_i是输入样本，而y_i是这个系统所观测到的输出值，ε是零均值高斯白噪声符合正态分布 f(x_i)表示的是x_i和y_i之间的函数关系；

学习训练的主要思想就是任意两个不同样本点x_p和x_q的函数f(x_p)和f(x_q)是相关的，p和q是1到n之间任意的两个不同的自然数；这种相关关系通过协方差函数或者核函数k(x_p,x_q)描述出来，其中k表示的是核函数；

其中是所允许的最大的协方差因子；

再加上高斯白噪声的影响：

其中p和q是1到n之间任意的两个自然数，cov(y_p,y_q)是协方差函数， 是高斯噪声，δ_pq是克罗内克函数，如果p，q两者相等，则其输出值为1，否则为0；

这样得到观测值y的先验分布

以及进一步得到观测值y和预测值y_*的联合先验分布

其中

K_*＝[k(x_*,x₁)k(x_*,x₂)…k(x_*,x_n)]

K_**＝k(x_*,x_*)

由此就可以计算出y_*的后验分布

其中y_*|y表示的是y_*在y条件下的条件概率分布， 表示的是均值是K_*K^-1y，方差为的高斯分布。可以看到预测值y_*的均值是K_*K^-1y，方差为

通过高斯过程回归训练样本估算出信号变化模型出来；把训练出来的信号变化模型当成是该参考路径上的参考位置指纹数据存入到指纹数据库，以提供给室内定位系统在在线定位阶段的位置指纹数据库；

(6)将第(5)步训练出来的信号变化模型当作参考指纹数据，保存至以所述参考路径的起点和终点的坐标为名字命名的指纹数据文件中；

(7)判断变量n是不是等于0,如果不是重复(4)至(7)，如果是执行下一步(8)；

(8)判断变量N是不是等于0,如果不是重复(3)至(8)，如果是执行下一步(9)；

(9)整合所有路径上的指纹数据文件，生成该区域的位置指纹数据库文件；

(10)扫描第(9)步生成的位置指纹数据库，对每个位置上的指纹进行处理，把指纹中包含的信息按无线路由器的信号强度进行降序排序，并提取出信号强度最强的两个无线路由器的物理地址作为该位置上参考指纹的标记信息；

(11)扫描第(10)步处理后的位置指纹数据库，把所述标记信息相同的指纹聚为同一类，添加分类标识并统计每个分类中包含的指纹数目；

(12)对指纹数据按分出来的类别进行排序，使得被分为同一类的指纹数据在指纹数据库中的存储位置连续；

(13)设置一个分类中最小的指纹数目的阀值α，当分类中包含的指纹数目小于这个阀值α时，删除数据库中上述分类的数据；

(14)生成每个类的存储位置地址索引。

2.根据权利要求1所述的一种基于室内定位的区域误判解决方法，其特征在于，每一个位置上的指纹都是由多个无线路由器的地址和多个相关电磁信息组成的集合。

3.根据权利要求1所述的一种基于室内定位的区域误判解决方法，其特征在于,每条参考路径上所能接收到的无线路由器数目n要大于等于2。

4.根据权利要求1所述的一种基于室内定位的区域误判解决方法，其特征在于,收集用作指纹数据的无线路由器是静止的无线路由器。