CN104050254B - 利用室内数据构建3d室内特征库的方法 - Google Patents

Abstract

本发明公开了一种利用室内数据构建3D室内特征库的方法，包括步对于待定位三维建筑物，以楼层为单位进行均匀划分；逐个对所有网格进行信号特征量采集，得到网格指纹库；对于网格，根据依拉达准则，判断残差与标准差的关系，进行奇异测量信号剔除；对网格的奇异测量信号剔除后的小区测量值求平均值，作为网格所能测量到该小区的测量信号的特征量，得到各个网格的特征量之后，计算它们之间的相关系数；得各网格点之间相关系数构成的矩阵；运用匹配算法找出最佳匹配网格，将这些网格点按照其相关系数的大小进行加权，得到估计位置。达到精准生成的室内特征库且减少数据储存量的目的。

Description

利用室内数据构建3D室内特征库的方法

技术领域

本发明涉及信息处理领域，具体地，涉及一种利用室内数据构建3D室内特征库的方法。

背景技术

随着社会的发展，人们对室内定位与导航技术的需求正在日益增大。据统计70％以上的语音业务及80％以上的数据业务都发生在室内。目前无线特征匹配定位用的比较多，相比其他方法，它具有对室内多径信道、非视距传播等复杂环境不敏感的优势，也不需要知道锚节点具体位置。而影响特征匹配算法定位精度的因素有二：生成匹配特征库的方式及具体匹配算法精度。

现有技术中，方法一、采用在对待定位区域进行栅格划分之后，采集一部分实际的MR数据，然后借助传播模型及数学中的插值技术得到整个区域的匹配特征库的方法，该方法虽然减少了采集成本，但是鉴于室内环境复杂，移动通信中的传播模型并不适用。而且正是由于环境的复杂，信号强度之间的变化不一定平稳，所以利用数学中的插值技术也不能达到较好的效果。

方法二、采用在对待定位区域进行栅格划分之后,导入电子地图和天线信息，建立站点信息库(站点名称、经纬度信息等)、周围环境信息库等，最后选择合适的传播模型，利用射线跟踪技术生成全网络覆盖信息的方法。该方法采集成本较低，考虑多重外围环境因素，而且最关键的是动态灵活，能在一定程度上反映室外信号的相对变化规律。但是，由于仿真软件自身设计的缺陷，以及不可见室内的障碍物、家具、楼板等遮挡物的原因，造成所得到的特征库信号强度与实际值相差较大，另一方面，小区标识符(cellID)也经常存在缺失和错位的情况。

方法三：马里兰大学的Moustafa Youssef提出了一种基于贝叶斯概率统计的Cellsense定位模型，其具体步骤如下：

步骤1.对于待定位三维建筑物，以楼层为单位进行均匀划分，得到网格集合L＝{l₁,l₂,...,l_n}。在离线阶段，对每个网格的每个cell的信号强度值可得柱状概率图，如图1所示(以其中某一个cell为例)；

步骤2.在线阶段，对于测量报告F＝(r₁,r₂,..,r_m)，目标是找到指纹点l_i，使得P(l_i|F)最大，即

步骤3.依据贝叶斯理论，上式写成

由于先验概率P(l_i)是相等的，对于每个位置，P(F)是常数，所以等价于

步骤4.通过离线阶段对每个栅格建立的柱状图，可以计算得到P(F|l_i)，如下式所示：其中，P(r_j|l_i)表示在栅格l_i处，接收到来自小区j的信号强度为r_j的概率；

当一条MR到来，对每个栅格计算P(F|l_i)，返回使P(F|l_i)取得最大值的栅格作为匹配结果。

方法三在构造特征库阶段，需要统计每个栅格每个小区出现过的每个RSCP值的具体次数，并对其进行概率统计，也即对每个栅格每个小区的每个RSCP值都要进行一次分析处理，时间复杂度与栅格个数、小区个数成正比。同时，需要将概率统计的结果完整记录下来，所以，对每个栅格的每个小区，均需要一个二维数组[RSCP值概率]来对其进行存储，若栅格数较多，显然对系统的内存及硬盘空间占用要求过大。

发明内容

本发明的目的在于，针对上述问题，提出一种利用室内数据构建3D室内特征库的方法，以实现室内测试数据的基础上，生成更为精准的室内特征库且减少数据储存量的优点。

为实现上述目的，本发明采用的技术方案是：

一种利用室内数据构建3D室内特征库的方法，包括以下步骤:

步骤1.对于待定位三维建筑物，以楼层为单位进行均匀划分，得到网格集合L＝{l₁,l₂,...,l_n}，其中l_i＝(id,x_i,y_i,z_i),(1≤i≤n)，表示第i个网格对应的网格id和三维位置坐标；

步骤2.逐个对所有网格进行信号特征量采集，得到网格指纹库RM＝{l_i,F(l_i),i＝1,2,...,n}；对于网格l_i，进行多次场强测量，得到场强测量集合F(l_i)＝(r_i(1),r_i(2),...,r_i(p))，其中r_i(k)＝(r_i,1(k),r_i,2(k),...,r_i,m(k))为终端侧第k次采集到的m个小区的一组信号强度向量(1≤k≤p)；

步骤3.对于网格l_i，对每一个cellID的所有信号强度值，根据依拉达准则，判断残差与标准差的关系，进行奇异测量信号剔除；

步骤4.对网格l_i的奇异测量信号剔除后的小区测量值求平均值，作为网格l_i所能测量到该小区的测量信号的特征量，依次处理网格l_i所有测量小区信号的测量值，得到网格l_i的所有小区信号的测量特征向量，记为其中M为网格l_i多次采集接收到的小区总数；

步骤5.在得到各个网格的特征量之后，计算它们之间的相关系数

其中，ρ_ij为网格l_i与l_j的相关系数，M为网格l_i的小区总数，由此得各网格点之间相关系数构成的矩阵如下所示：

步骤6.完成3D室内特征库的构建及网格之间相关性存储之后，运用匹配算法找出最佳匹配网格l_b，结合与此网格之间相关系数较高的网格集，令其为{l(1),l(2),...,l(K)}；

步骤7.将这些网格点按照其相关系数的大小进行加权，系数越大，权重越大，则估计位置为

其中，w(ρ)为各个网格点的权重，与相关系数成正比。

根据本发明的优选实施例，步骤3，进行奇异测量信号剔除具体为：

如果|v_d|＝|x_d-μ|＞3δ则舍弃x_d，其中x_d为网格l_i对应的第j个小区的信号测量值，v_d为残差，μ,δ分别为测量样本数据的数学期望和标准差。

本发明的技术方案具有以下有益效果：

本发明的技术方案，通过存储指纹特征量及它们之间的相关系数，节省了空间及时间。并考虑了室内测试点的测量随机性，根据依拉达准则，剔除测量异常点，并对同一网格的指纹进行平滑处理，令这一网格的指纹准确度更高。得到各个网格特征量之间的相关系数，运用网格间的相关性来提升定位精度。达到精准生成的室内特征库且减少数据储存量的目的。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为cell对应的RSCP概率分布图；

图2为本发明实施例所述的利用室内数据构建3D室内特征库的方法流程图；

图3为本发明实施例所述的三维定位场景示意图；

图4为水平方向定位精度CDF曲线图；

图5为竖直方向定位精度CDF曲线图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图2所示，利用室内数据构建3D室内特征库的方法主要包括：

步骤101：对于待定位三维建筑物，以楼层为单位进行均匀划分，得到网格集合L＝{l₁,l₂,...,l_n}，其中l_i＝(id,x_i,y_i,z_i),(1≤i≤n)，表示第i个网格对应的网格id和三维位置坐标。

步骤102：逐个对所有网格进行信号特征量采集，得到网格指纹库RM＝{l_i,F(l_i),i＝1,2,...,n}。对于网格l_i，进行多次场强测量，得到场强测量集合F(l_i)＝(r_i(1),r_i(2),...,r_i(p))，其中r_i(k)＝(r_i,1(k),r_i,2(k),...,r_i,m(k))为终端侧第k次采集到的m个小区的一组信号强度向量(1≤k≤p)。由于每次采集到的小区识别码不同，将统计出所有小区识别码的全部测量量。

步骤103：对于网格l_i，对每一个cellID的所有信号强度值，根据依拉达准则，判断残差与标准差的关系，进行奇异测量信号剔除。

如果|v_d|＝|x_d-μ|＞3δ舍弃x_d，

其中x_d为网格l_i对应的第j个小区的信号测量值，v_d为残差，μ,δ分别为测量样本数据的数学期望和标准差。

步骤104：对网格l_i的奇异测量信号剔除后的小区测量值求平均值，作为网格l_i所能测量到该小区的测量信号的特征量。依次处理网格l_i所有测量小区信号的测量值，得到网格l_i的所有小区信号的测量特征向量，记为其中M为网格l_i多次采集接收到的小区总数。

步骤105：在得到各个网格的特征量之后，计算它们之间的相关系数

其中，ρ_ij为网格l_i与l_j的相关系数，M为网格l_i的小区总数。

由此可得各网格点之间相关系数构成的矩阵如下所示：

步骤106：完成3D室内特征库的构建及网格之间相关性存储之后，运用匹配算法找出最佳匹配网格l_b，进一步结合与此网格之间相关系数较高(即ρ_bj较大)的网格集，令其为{l(1),l(2),...,l(K)}。

步骤107：将这些网格点按照其相关系数的大小进行加权，系数越大，权重越大，则估计位置为

其中，w(ρ)为各个网格点的权重，与相关系数成正比。

基于指纹匹配的定位技术的基本原理是，通过对定位区域中的所有位置进行射频信号采集，从而构建信号强度矢量与定位位置的映射关系(训练指纹)，定位阶段根据实时采集的射频信号计算出定位位置。所以生成室内特征库的精确度至关重要。本发明技术方案在已有室内测试数据的基础上，生成更精确的特征库。如图2所示。三维定位场景如图3所示，利用已有的无线系统(GSM、UMTS、LTE……)，对于室外用户按照正常的2D定位；对于室内用户进行3D定位，即除了知道用户的水平位置经纬度坐标，还知道用户的楼层高度信息。

现将本发明技术方案的方方法和背景技术中的方法三相比对，数据为实际测量的GSM室内定位数据，这里的测量量为RSCP值。比较了Youssef提出的Cellsense定位算法、由Cellsense引出的选出K个点进行位置加权的方法，以及本发明技术方案提出的基于指纹相关性匹配定位方法的性能。

由图4可见，“—”表示Youssef方法，“…”表示Correlation方法(即本发明技术方案)，“-.-”表示Youssef KNN方法。在67％的定位概率下，在水平方向上，精度分别为26.02米、25.84米、33.36米。由图4可见，本发明技术方案有较好的水平定位精度。

由图5可见，“—”表示Youssef方法，“…”表示Correlation方法(即本发明技术方案)，“-.-”表示Youssef KNN方法。在0米的定位精度下，分别可以达到74.07％、64.9％、53.34％的概率。由此可见，在竖直精度上，本发明技术方案也有较好的收益，特别是大误差出现概率较低。

综上所述，该发明有益效果是在已知室内测试数据的情景下，利用测试数据精准性高的特点，进行平滑处理后，生成了精确的3D室内特征库，有效了利用了指纹点之间的相关性，从而提升了特征匹配定位方法的定位精度。

说明：

RFPM(RF Pattern Matching)：无线信号特征匹配；RSCP(Received Signal CodePower)：接收信号码功率；MR(Measurement Report)：测量报告；WKNN(Weighted K-NearestNeighbor algorithm)：加权K近邻算法；UE(User Equipment)：用户设备；DT(Drive Test)：路测数据。3D定位：除了地面2D定位，还可以确定用户在建筑物内的高度维度和水平维度上的实际位置。

2D定位：只能定位用户在水平维度上的位置。特征库：是指用于进行匹配定位的基准数据库。

仿真特征库：是指通过仿真方法获得的匹配定位的基准数据库。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种利用室内数据构建3D室内特征库的方法，其特征在于，包括以下步骤:

步骤1.对于待定位三维建筑物，以楼层为单位进行均匀划分，得到网格集合L＝{l₁,l₂,...,l_n}，其中l_i＝(id,x_i,y_i,z_i),(1≤i≤n)，表示第i个网格对应的网格id和三维位置坐标；

步骤2.逐个对所有网格进行信号特征量采集，得到网格指纹库RM＝{l_i,F(l_i),i＝1,2,...,n}；对于网格l_i，进行多次场强测量，得到场强测量集合F(l_i)＝(r_i(1),r_i(2),...,r_i(p))，其中r_i(k)＝(r_i,1(k),r_i,2(k),...,r_i,m(k))为终端侧第k次采集到的m个小区的一组信号强度向量(1≤k≤p)；

步骤3.对于网格l_i，对每一个cellID的所有信号强度值，根据依拉达准则，判断残差与标准差的关系，进行奇异测量信号剔除；

步骤4.对网格l_i的奇异测量信号剔除后的小区测量值求平均值，作为网格l_i所能测量到该小区的测量信号的特征量，依次处理网格l_i所有测量小区信号的测量值，得到网格l_i的所有小区信号的测量特征向量，记为其中M为网格l_i多次采集接收到的小区总数；

步骤5.在得到各个网格的特征量之后，计算它们之间的相关系数

${\mathrm{\ρ}}_{ij}=\frac{\underset{k=1}{\overset{M}{\Σ}}(r_{i,k}-\stackrel{\‾}{r_i})(r_{j,k}-\stackrel{\‾}{r_j})}{\sqrt{\underset{k=1}{\overset{M}{\Σ}}{(r_{i,k}-\stackrel{\‾}{r_i})}^2\underset{k=1}{\overset{M}{\Σ}}(r_{j,k}-\stackrel{\‾}{r_j})}}$

其中，ρ_ij为网格l_i与l_j的相关系数，M为网格l_i的小区总数，由此得各网格点之间相关系数构成的矩阵如下所示：

$P=\left[\begin{array}{ccccc}{\mathrm{\ρ}}_{11}& {\mathrm{\ρ}}_{12}& \mathrm{...}& \mathrm{...}& {\mathrm{\ρ}}_{1n}\\ {\mathrm{\ρ}}_{21}& {\mathrm{\ρ}}_{22}& \mathrm{...}& \mathrm{...}& {\mathrm{\ρ}}_{2n}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{\ρ}}_{n1}& {\mathrm{\ρ}}_{n2}& \mathrm{...}& \mathrm{...}& {\mathrm{\ρ}}_{nn}\end{array}\right];$

步骤6.完成3D室内特征库的构建及网格之间相关性存储之后，运用匹配算法找出最佳匹配网格l_b，结合与此网格之间相关系数较高的网格集，令其为{l(1),l(2),...,l(K)}；

步骤7.将这些网格点按照其相关系数的大小进行加权，系数越大，权重越大，则估计位置为

$\stackrel{\‾}{l}\left(k\right)=\underset{i=1}{\overset{K}{\Σ}}w\left(\mathrm{\ρ}\right)l\left(i\right)$

其中，w(ρ)为各个网格点的权重，与相关系数成正比。

2.根据权利要求1所述的利用室内数据构建3D室内特征库的方法，其特征在于，上述步骤3，进行奇异测量信号剔除具体为：

如果|v_d|＝|x_d-μ|＞3δ则舍弃x_d，其中x_d为网格l_i对应的第j个小区的信号测量值，v_d为残差，μ,δ分别为测量样本数据的数学期望和标准差。