CN104185270A - 室内定位方法、系统和定位平台 - Google Patents

Abstract

本发明公开了一种室内定位方法、系统和定位平台，涉及移动互联网定位技术领域。该方法包括：根据被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到该无线信号强度的先验概率；根据先验概率基于贝叶斯决策获得后验概率；将后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为被定位终端的定位结果。该方法、系统和平台通过转移HMM模型构建室内无线信号强度概率分布图来实现精准定位的通用方法，结合无线信号强度采集与预处理机制、基于转移HMM模型的概率分布匹配方法，可为用户提供体验良好的室内精准定位服务。

Description

室内定位方法、系统和定位平台

技术领域

本发明涉及移动互联网定位技术领域，特别涉及一种室内定位方法、系统和定位平台。

背景技术

目前，已经有针对WiFi（Wireless Fidelity，无线保真）、无线基站信号（如GSM（Global System of Mobile communication，全球移动通讯系统）、CDMA2000（Code Division Multiple Access，码分多址）或WCDMA（Wideband Code Division Multiple Access，宽带码分多址））、蓝牙、RFID（Radio Frequency Identification，射频识别）、超声等无线信号源实现室内定位的方法、系统在研和初步投入应用。

但是，这些方法或系统都存在一些不足或者局限：或者定位精度不够（如，无线基站信号），或者需要安装额外的硬件设备（如RFID、超声），或者应用的物理范围受限（例如蓝牙的传输距离一般仅为几十米）等。

发明内容

本发明的发明人发现上述现有技术中存在问题，并因此针对所述问题中的至少一个问题提出了一种新的技术方案。

本发明的一个目的是提供一种用于无线定位的技术方案。

根据本发明的第一方面，提供了一种无线定位方法，包括：

接收来自被定位终端的无线信号强度；

根据所述被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到所述无线信号强度的先验概率；

根据所述先验概率基于贝叶斯决策获得在各参考点检测到所述无线信号强度的后验概率；

将所述后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为所述被定位终端的定位结果。

可选地，该方法还包括：根据带参考点位置信息的无线信号强度获得初始的信号强度概率分布图；根据不带参考点位置信息的无线信号强度通过最大期望算法更新所述信号强度概率分布图，获得当前时刻的信号强度概率分布图。

可选地，该方法还包括：对所述无线信号强度进行归一化。

可选地，该方法还包括：基于速度常量的加权滤波器对归一化的无线信号强度进行滤波处理。

可选地，无线信号包括WIFI信号、基站信号、蓝牙、RFID、超声、GPS信号中的至少两者。

根据本发明的另一方面，提供一种定位平台，包括：

信号强度接收模块，用于接收来自被定位终端的无线信号强度；

先验概率确定模块，用于根据所述被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到所述无线信号强度的先验概率；

后验概率确定模块，用于根据所述先验概率基于贝叶斯决策获得在各参考点检测到所述无线信号强度的后验概率；

定位结果确定模块，用于将所述后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为所述被定位终端的定位结果。

可选地，该定位平台还包括：概率分布确定模块，用于根据带参考点位置信息的无线信号强度获得初始的信号强度概率分布图；根据不带参考点位置信息的无线信号强度通过最大期望算法更新所述信号强度概率分布图，获得当前时刻的信号强度概率分布图。

可选地，该定位平台还包括信号归一化模块，用于对所述无线信号强度进行归一化。

可选地，该定位平台还包括：信号滤波处理模块，用于基于速度常量的加权滤波器对归一化的无线信号强度进行滤波处理。

可选地，无线信号包括WIFI信号、基站信号、GPS信号中的至少两者。

根据本发明的又一方面，提供一种定位系统，包括上述的定位平台，以及被定位终端。

本发明的一个优点在于，通过构建室内无线信号转移HMM（Hidden Markov Model，隐马尔科夫模型）模型来实现精准定位，结合无线信号强度采集与预处理机制，可为用户提供体验良好的室内精准定位服务。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1示出根据本发明的定位方法的一个实施例的流程图。

图2示出根据本发明的定位方法的另一个实施例的流程图。

图3示出应用于室内精准定位的HMM模型示意图。

图4示出转移HMM模型生成的无线信号强度概率分布图的数据结构。

图5示出基于转移HMM模型的室内精准定位系统结构图。

图6示出某咖啡厅的二楼、一楼平面图，部署基于转移HMM模型的室内精准定位系统进行实验。

图7示出根据本发明的定位平台的一个实施例的结构图。

图8示出根据本发明的定位平台的另一个实施例的结构图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本公开在室内定位中引入的HMM模型是一种用参数表示的用于描述随机过程统计特性的概率模型，是一个双重随机过程,它由两个部分组成：马尔可夫链和一般随机过程。其中马尔可夫链用来描述状态的转移，用转移概率描述；一般随机过程用来描述状态与观察序列间的关系，用观察值概率描述。室内定位问题可以描述为根据一系列观测值（这里是指多个无线信号源信号强度）确定一个移动终端的状态（这里是指室内位置坐标，也称参考点）。本公开技术方案利用无线信号强度与位置的强相关性，采用转移HMM方法对无线信号随时间的变化进行数学建模，实现室内精准定位。

图1示出根据本发明的定位方法的一个实施例的流程图。

如图1所示，步骤102，定位平台接收来自被定位终端的无线信号强度。被定位终端接收两个以上无线信号源的无线信号强度RSSI（Received Signal Strength Indication，接收的信号强度指示），该无线信号源例如包括WIFI信号、基站信号、蓝牙、RFID、超声、或GPS信号，以及它们之间的组合。

步骤104，定位平台根据被定位终端的各个无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到各个无线信号强度的先验概率。下面将举例说明如何获得各参考点信号强度概率分布图。

步骤106，定位平台根据先验概率基于贝叶斯决策获得在各参考点检测到各个无线信号强度的后验概率。

步骤108，定位平台将后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为被定位终端的定位结果。下面将举例说明各参考点转移概率矩阵的确定。

上述实施例中，通过构建室内无线信号转移HMM模型来实现精准定位，结合无线信号强度采集与预处理机制，可为用户提供体验良好的室内精准定位服务。

图2示出根据本发明的定位方法的另一个实施例的流程图。该实施例中介绍了基于转移HMM模型的室内精准定位方法的定位过程。

如图2所示，步骤201，进行室内定位网络规划和布置。例如，针对室内环境布置多个WiFi AP（Access Point,接入点）,确保该环境中任意一点被三个或三个以上的接入点AP发出的信号覆盖，同时该环境能被CDMA2000/WCDMA或GSM信号所覆盖;

步骤202，在室内环境中设置选取N个参考点,N为自然数，建立室内坐标系，生成参考点位置空间：

L＝{l_i|i=1,2,..,N}     （1）

L中的参考点l_i（i=1,2,…,N）是定位算法的输出值。参考点的选取可以根据建筑物结构图和楼层平面进行，主要选择建筑物边界、出入口、电梯、过道、房间等；并建立各参考点的物理邻接关系，根据各参考点的连通性生成对应的位置状态初始转移矩阵：

A₀＝{P(l_j|l_i)|l_i,l_j∈L}    （2）

用于辅助室内连续定位和跟踪；

步骤203，采集与各参考点相关的无线信号强度。在每个参考点上利用移动终端进行无线信号采样，采集来自各WiFi接入点AP的信号强度RSSI值及各基站的信号强度，进行平滑、过滤等预处理得到各参考点的无线信号相关定位数据。

一个具体实现的步骤包括：

步骤3.1获取各参考点的来自每一个接入点AP的信号强度RSSI值和各基站无线信号强度值；

步骤3.2，在各无线信号源中选取与参考点相应的无线信号强度定位数据，进行必要的过滤、平滑等预处理，上传到定位平台。下文中将具体介绍对信号数据进行过滤、平滑等预处理的例子。

步骤204，建立各参考点基于转移HMM模型的、随时间变化的无线信号概率分布图。

一个具体实现的步骤如下：

步骤4.1，定位平台获取带参考点位置标记的无线信号强度，并计算初始的信号强度概率分布图，得到初始HMM模型；

步骤4.2，用新获取的不带参考点位置标记的无线信号强度序列训练转移HMM模型，通过最大期望（expectation maximization，EM）算法重构当前时刻的信号强度概率分布图，得到当前时刻转移HMM模型。

下文中将详细介绍如何获得HMM模型的具体例子。

上述具体实现中，只需采集少量带位置标号的数据即可初始化定位模型；训练过程可大量使用无位置标签的信号数据；定位方法在不影响训练效果的前提下得到优化的转移HMM模型，简化了定位系统部署的工作量和时间。

步骤205，利用当前时刻的转移HMM模型进行定位。

一个具体的实现步骤如下：

5.0，采集测试点的无线信号强度；

5.1，被定位终端上传其周围的无线信号强度到定位平台，定位平台将无线信号与各参考点概率分布图匹配得到一组先验概率；

5.2，根据先验概率应用贝叶斯决策原理计算其后验概率；

5.3，再与HMM模型中各参考点转移概率矩阵相乘，输出转移概率最大的参考点，得到定位结果。

步骤206，定位平台将所匹配的参考点位置信息发送给移动显示终端或设备，或者根据组网需要，将定位结果发送给业务平台。

上述实施例中，该实现只需利用少量带位置标号无线数据即可训练出精准室内定位模型，充分利用无线信号分布的统计特征，基于EM自学习算法实现抗干扰能力强、环境适应性好的室内精准定位系统，提高了整个WiFi室内定位系统的有效性和可靠性，解决了现有室内概率定位方法中系统部署工作量大、需要定期人工更新信号指纹库的问题。

下面通过一个例子对采集与各参考点相关的无线信号强度的进一步说明。无线信号强度采集的具体步骤为：

步骤A：利用各种无线信号源采集工具（主要包括智能手机或移动笔记本）获取WiFi、GSM、CDMA2000和WCDMA等无线信号强度，其结果表示为如下向量：

W={w₁,w₂,w₃,…,w_m}     （3）

其中各种无线信号源采集工具例如包括：安装了专用采集软件的手机、PDA或笔记本电脑；

步骤B：对无线信号强度进行归一化处理。例如，将各采集参数映射到集合：

V={0,1,2,…,255}     （4）

其中参数为0表示没有观测到对应的无线信号源信号强度，255表示对应的无线信号源观测值达到最大。需要指出，对无线信号强度进线归一化也可以采用其他的集合，如最大值为100，150，512等等。

在某一参考点s_i的一组信号强度可以表示为按各无线信号源的信号强度组成一个向量,即：

O_i={O_ij|1≤j≤m,0≤O_ij≤255}     （5）

而移动终端在参考点s_i的n次采集中得到多模信号集可以表示为一个m×n的矩阵：

$O_i=\left\{o_{\mathrm{ij}}^t\right|1\≤t\≤n,1\≤j\≤m,0\≤o_{\mathrm{ij}}^t\≤255\}---\left(6\right)$

步骤C：选择基于速度常量的加权滤波器对归一化后的无线信号进行滤波处理。设O_prev(i)为i时刻信号强度值，O_pred(i)为i时刻信号强度预测值，O_est(i)为i时刻信号强度滤波值；V_prev(i)为i时刻信号强度的变化率，V_est(i)为i时刻信号强度变化率的滤波值；a、b为增益常量，T_s为采样间隔时间。则按下面的步骤进行计算：

步骤C1：首先计算i时刻无线信号强度的滤波值，算法如下：

o_est(i)=o_pred(i)+α(o_prev(i)-o_pred(i)     （7）

v_est(i)=v_pred(i)+(b/T_s)×(o_prev(i)-o_pred(i))   （8）

步骤C2：其次计算i+1时刻无线信号强度的变化率的预测值，算法如下：

o_pred(i+1)=o_est(i)+v_est(i)T_s    （9）

v_pred(i+1)=v_est(i)     （10）

步骤C3：执行步骤C1、C2，直到处理完所有的无线信号强度得到最终的滤波值。

在无线信号的采集过程中，初始获得的RSSI值存在较大的误差，直接利用RSSI进行定位时，要避免RSSI的不稳定性，使RSSI值越精确的体现无线信号的传输距离，通过设计滤波器使RSSI的值平滑。上述实施例中选用基于速度常量的加权滤波器，基本思想是基于物体在一定范围内的移动并不是任意的，当前时刻的状态和前一时刻的状态存在一种相互关系；匀速运动将导致数据的恒定变化率和固定的噪声推移，选取滤波系数和节点运动的最佳平衡状态。加权滤波器虽然要求数据少，但是依然能保证RSSI值的变化平滑。

下面通过具体例子对得到初始HMM模型做出进一步的说明，主要给出用于室内精准定位的HMM模型定义，以及无线信号强度概率分布图的结构和计算方法。

图3示出应用于室内精准定位的HMM模型示意图。如图3所示，用于室内定位的HMM模型被定义为一个五元组：

{L,O,λ,A,π}    （11）

其中，L是参考点空间定义为：

L＝{l_i|i=1,2,..,N}    （12）

O是无线信号强度的观测值空间，定义为：

O＝{O_i|i=1,2,..,M}    （13）

更具体的，设表示移动终端在参考点l_i第t次检测到的无线信号源w_j的信号强度，其中t从1到K显示共进行K次无线信号采集。

λ是信号分布图，刻画在参考点l_i测量到的无线信号强度统计特征，定义为：

{P(o_j|l_i)|o_j∈O,l_i∈L}    （14）

不失一般性，假设P是独立的正态分布。

A是移动用户在各参考点间的位置转移矩阵，其初值在构建室内坐标系时根据经验值设定。定义为：

A＝{P(l_j|l_i)|l_i,l_j∈L}     （15）

π是移动用户处于各个参考点的先验概率，它不随时间而变化，在构建室内坐标系时根据经验值设定。定义为：

π＝{P(l_i)|l_i∈L}    （16）

则建立初始无线信号概率分布图θ₀={λ₀,A₀，π₀}的具体步骤如下：

步骤A：分别计算无线信号强度的均值、最大值、最小值作为概率统计特征。图4示出概率统计特征的示意图。具体计算公式如下：

${\mathrm{avgRSSI}}_{\mathrm{ij}}=\left({\mathrm{\Σ}}_{t=1}^K{O}_{\mathrm{ij}}^t\right)/K$

${\max \mathrm{RSSI}}_{\mathrm{ij}}={\max }_{t=1}^K{\{O}_{\mathrm{ij}}^t\}$

${\min \mathrm{RSSI}}_{\mathrm{ij}}={\min }_{t=1}^K\left\{O_{\mathrm{ij}}^t\right\}---\left(17\right)$

步骤B：在参考点L_i获取的无线信号源W_j的无线信号强度符合标准正态分布，采用最小二乘法估计此最优正态分布的均值μ_ij和方差σ_ij作为概率统计特征。

步骤C：对所有在参考点L_i获取的无线信号源W_j的无线信号强度过滤掉所有取值在μ_ij的3*σ_ij范围以外的数，保证无线信号强度的一致性。

下面通过具体的例子对用新获取的无线信号强度序列训练转移HMM模型、通过最大期望算法重构当前时刻的信号强度概率分布图、从而得到当前时刻转移HMM模型做进一步说明，描述最大期望（EM）算法更新HMM模型的具体步骤。

步骤A：在t时刻根据上传的带参考点位置标记的无线信号强度更新HMM模型为：

θ_t={λ_t,A₀，π₀}     （18）

算法如前述具体实施方式三所述；

步骤B：在t时刻，对不带参考点位置标号的无线信号强度执行最大期望（EM）算法，更新HMM模型为：

θ_t ^new={λ_t ^new,A_t ^new，π₀}    （19）

给定一组不带参考点位置信息的无线信号数据序列{tr_i|i=1,2,…,k}序列，假设其对应的位置为q_i，记为T＝{(tr_i,q_i)}。EM算法在k步迭代算法中调整HMM模型参数θ_t={λ_t,A₀，π₀}，找到θ^*使得P(T|θ^*)的可能性为最大，这使得θ^*最适合当前的不带位置标签的无线信号数据，从而HMM能得到当前时刻更为准确的偏置估计。

在每一次迭代中，EM算法分为计算期望值（E步骤）和最大化期望值（M步骤），具体说明如下：

步骤B1：在E步骤中，按下面的公式计算位置估计q的条件概率分布：

$P\left(q\right|\mathrm{tr},{\mathrm{\θ}}^k)=\frac{P(\mathrm{tr},q|{\mathrm{\θ}}^k)}{P\left(\mathrm{tr}\right|{\mathrm{\θ}}^k)}=\frac{P\left(\mathrm{tr}\right|q,{\mathrm{\θ}}^k)P\left(q\right|{\mathrm{\θ}}^k)}{{\mathrm{\Σ}}_{q}P\left(\mathrm{tr}\right|q,{\mathrm{\θ}}^k)P\left(q\right|{\mathrm{\θ}}^k)}---\left(20\right)$

其中， $P\left(q\right|\mathrm{tr},{\mathrm{\θ}}^k)={\mathrm{\Π}}_{n=1}^{\left|\mathrm{tr}\right|}P\left(o^n\right|l^n,{\mathrm{\θ}}^k)$ 是检测到无线信号强度序列tr时移动终端的位置状态为q的可能性。而

$P\left(q\right|{\mathrm{\θ}}^k)=P\left(l^1\right|{\mathrm{\θ}}^k)\×{\mathrm{\Π}}_{n=1}^{\left|\mathrm{tr}\right|}P\left(l^n\right|l^{n-1},{\mathrm{\θ}}^k)---\left(21\right)$

步骤B2：在M步骤中，对E步骤计算的期望值取对数后求出其最大值，从而将参数θ_k更新为θ_k+1。计算公式如下：

θ^k+1=argmax_θQ(θ,θ^K)

=argmax_θΣ_tr∈T,qP(q|tr,θ^k)logP(tr,q|θ)

（22）

步骤B3：更具体的，各参考点概率分布图参数按下式更新：

${\mathrm{\μ}}_{l_i}^{k+1}=\frac{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}{o}^{n}P(l^n=l_i|\mathrm{tr},{\mathrm{\θ}}^k)}{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}P(l^n=l_i|\mathrm{tr},{\mathrm{\θ}}^k)}$

${\mathrm{\σ}}_{l_i}^{k+1}=\frac{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}(o^n-{\mathrm{\μ}}_{l_i}){(o^n-{\mathrm{\μ}}_{l_i})}^{T}P(l^n=l_i|\mathrm{tr},{\mathrm{\θ}}^k)}{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}P(l^n=l_i|\mathrm{tr},{\mathrm{\θ}}^k)}---\left(23\right)$

步骤B4：转移矩阵A^k+1={P(1_j|1_i)^k+1：1_i,1_j∈L}按下式更新：

$P{\left(l_j\right|l_i)}^{k+1}=\frac{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}P(l^n=l_i,l^{n+1}=l_j|\mathrm{tr},{\mathrm{\θ}}^k)}{{\mathrm{\Σ}}_{\mathrm{tr}\∈T,n=1}^{\left|\mathrm{tr}\right|}P(l^n=l_i|\mathrm{tr},{\mathrm{\θ}}^k)}---\left(24\right)$

下面通过具体例子利用当前时刻的转移HMM模型进行定位的进一步说明。其实现过程为定位平台根据被定位方上传的无线信号强度，用HMM模型中的无线信号强度概率分布图λ，与各参考点进行匹配得到先验概率，再采用贝叶斯决策计算各参考点后验概率，最后与转移概率矩阵相乘，选取转移概率最大的参考点作为被定位结果输出。

记被定位端上传的一组无线信号强度为：

o^*={o_j|1≤j≤m,0≤o_j≤255}   （25）

则本实施方式具体步骤如下：

步骤A：根据所有参考点的概率统计特征找出参考点集，使得o^*的无线信号强度落在该参考点集所有元素的minRSSI和maxRSSI之间，并且o^*的无线信号强度与该参考点集的avgRSSI的欧式距离小于一个经验阀值，记满足这两个条件的参考点集为L^*，设其集合元素个数为m；

步骤B：将O^*的无线信号强度代入L^*集合各参考点的多模指纹所确定的正态分布函数中，得到在参考点l_i检测到信号源w_j的信号强度为v的的先验概率为：

$G_{\mathrm{ij}}\left(v\right)={\∫}_{v-05}^{v+0.5}(e^{-(x-{\mathrm{\μ}}_{\mathrm{ij}})/\left({{2\mathrm{\σ}}_{\mathrm{ij}}}^2\right)}/\left({\mathrm{\σ}}_{\mathrm{ij}}\sqrt{2\mathrm{\π}}\right))\mathrm{dx}---\left(26\right)$

步骤C：采用贝叶斯决策原理，计算出在参考点l_j观测到信号源w_i的信号强度为v的后验概率为：

P((1_j,v)|w_i)=G_ij(v)/N_ij    （27）

上式中N_ij是一个标准量，它使得：

P((l_j,0)|w_j)+P((l_j,1)|w_i)+P((l_j,255)|w_j)=1   （28）

步骤D：设移动终端前一位置为l_q，则取：

$l_{*}={\arg \max }_{k=1}^{m}P\left(l_{k,}v\right)*P\left(l_k\right|l_q)---\left(29\right)$

将移动终端的位置判定为l_*。

下面通过一个例子具体说明基于转移HMM模型的室内精准定位系统结构。如图5所示，采集端1例如包括PC采集端或手机采集端；被定位端4例如包括移动被定位端或PC被定位端；定位展示端15例如包括PC定位展示端或手机定位展示端。基于转移HMM模型的室内精准定位系统7通过采集接口8与采集端交互数据，通过定位服务接口13与业务平台14进行交互，定位算法容器9例如包括快速基站定位算法和多模信号指纹匹配算法，基于多模信号指纹数据库12进行匹配。

具体说明如下：

（1）信号强度采集客户端软件，实现室内无线信号强度的采集；

（2）手机定位插件，实现被定位方的功能，即定期读取本地的无线信号强度，并定期向定位平台传送，或者根据定位平台的指令实时读取无线信号强度并回送；

（3）客户端定位应用软件，实现定位方功能，向业务平台端发起定位请求，业务平台将请求转发至定位平台，定位平台在与被定位方定期交互的过程中（一般称为心跳包）获取被定位方信号强度，并计算出位置，返回给业务平台，业务平台将最终位置返回给定位手机端，以文字、图片、地图等形式呈现出来；

（4）无线信号强度采集PC软件，实现室内无线信号强度的采集和平滑过滤；

（5）PC定位插件，实现被定位方的功能，即定期读取本地的信事，并定期向定位平台传送，或者根据定位平台的指令实时读取本地无线信号强度并回送；

（6）PC端定位应用软件，实现定位方功能，向业务平台端发起定位请求，业务平台将请求转发至定位平台，定位平台在与被定位方定期交互的过程中（一般称为心跳包）获取被定位方信号强度，并计算出位置，返回给业务平台，业务平台将最终位置返回给定位PC端，以文字、图片、地图等形式呈现出来；

（7）定位平台端软件，实现建筑物内各参考点的选取和标记、无线信号强度概率分布图建立和更新维护，维持一套定位算法容器、内置可替换的定位算法如指纹匹配算法和快速基站定位算法等，提供定位接口响应外部请求，该平台主要与被定位方、业务平台连接；

（8）业务平台端软件，实现业务功能的封装、用户鉴权、使用记录等，将具体化的业务接口隐藏起来，提供最终用户终端的访问接口，并后向与定位平台等基础网元相连、实现基础定位功能。

下面参考图6具体说明基于转移HMM模型的室内精准定位系统在某咖啡厅的部署和实验的应用例。该环境为典型的办公楼环境。在该实验中，对600平方米的两层楼部署定位系统进行实验。该区域的长度为20米，宽度为15米共两层，包括房间、卡座、走廊、卫生间、楼梯等共39个定位参考点，为典型的办公楼环境。

该区域一共检测到了33个WiFi接入点AP，过滤掉信号强度太弱的AP后，还剩余16个AP应用于定位系统。

采用双模双待手机——例如摩托罗拉XT800+来获取WiFi AP信号强度，该手机运行Android系统，开发了基于Android的无线信号采集程序，主要用于移动终端设备查询IEEE802.11网络相关信息,包括MAC地址、SSID和RSSI（接收信号强度）等，同时此程序还可读取C网和G网手机基站信号。本发明的部署可分为以下步骤：

步骤A：确定要进行室内定位的场地并绘制场地的地图文件，在地图上定义子空间信息和位置参考点信息，各位置参考点距离在2－5米之间;

步骤B：在手机终端运行信号采集程序搜集各参考点无线信号，

每一参考点采集八十个数据，每两秒采集一次数据，通过3G网络将数据上传到定位平台；

步骤C：在定位平台运行无线信号分析程序，获得各参考点无线信号的概率统计特征；

步骤D：在手机上运行被定位程序，在定位空间内随机行走进行定位测试；

步骤E：分析系统的定位精度，并根据定位误差向量图对超出3米误差的点分析误差原因，确定用户的运动路径,并利用位置修正和各参考点物理邻接关系优化定位结果，直到系统的定位精度满足用户的需求为止；

图7示出根据本发明的定位平台的一个实施例的结构图。如图7所示，该定位平台包括：信号强度接收模块71，用于接收来自被定位终端的无线信号强度；先验概率确定模块72，用于根据被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到无线信号强度的先验概率；后验概率确定模块73，用于根据先验概率基于贝叶斯决策获得在各参考点检测到无线信号强度的后验概率；定位结果确定模块74，用于将后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为被定位终端的定位结果。其中，无线信号包括WIFI信号、基站信号、GPS信号中的至少两者。例如，包括多个AP的WIFI信号，至少两个基站的信号，或者它们的组合等。

图8示出根据本发明的定位平台的另一个实施例的结构图。如图8所示，该实施例中还包括：概率分布确定模块85，用于根据带参考点位置信息的无线信号强度获得初始的信号强度概率分布图；根据不带参考点位置信息的无线信号强度通过最大期望算法更新信号强度概率分布图，获得当前时刻的信号强度概率分布图。

在一个实施例中，该定位平台还包括：信号归一化模块86，用于对无线信号强度进行归一化；信号滤波处理模块87，用于基于速度常量的加权滤波器对归一化的无线信号强度进行滤波处理。

需要指出，图7、图8中各个实施例的模块，其功能或者实现可以参见上述方法中各个实施例的对应描述，为简洁起见在此不再详细描述。

如上所述，本公开中的实施例可以部分或者全部产生的有益效果包括：

（1）基于HMM模型进行室内定位，能够降低室内定位算法的复杂度，提高精确度和可靠性。

基于转移HMM模型提出了贝叶斯决策的无线信号强度匹配算法，以统一的框架处理多种无线信号源在定位系统中的应用，这使得定位算法的复杂度大为降低；同时与以往的定法相比，由于利用了无线信号，使得定位精确度和可靠性大大提高；

（2）拓宽了定位应用的适应性

在统一的框架下处理多种无线信号数据，能借助WIFI、基站信号、GPS信号等多模指纹在室内、室外精准定位，使得我们的定位方法可以较好的适应于室内、室外多种应用场景。

（3）可大幅降低室内精准定位的基础建设和运营成本

该方法和系统只需利用少量的带位置标号的信号数据即可进行模型训练，免除了人工定期更新无线信号指纹库的要求，降低了系统的部署和运维成本；采用当前已经很普及的建筑物内WiFi接入点和成熟的运营商基站信号实现室内精准定位，较以前的布设专用室内定位传感器模式而言，直接利用已有设备和条件，无需专门投建，因此而大幅度降低了室内精准定位的基础建设和运营成本。

（4）可提供社会化室内定位的公共服务平台

该方法和系统一旦将覆盖范围扩展到绝大部分城市普通建筑物，则形成了一个社会化的室内定位公共服务平台，可用于各种应用需要，形成新经济模式的一个基础能力。

综上所述，利用本公开的方法、平台和系统，可以形成一套响应速度快、准确率高、运营成本低廉、可普及的建筑物室内定位服务平台，为运营商开拓新的业务形式奠定基础，为满足用户多种形式的定位需求带来便利。

至此，已经详细描述了根据本发明的室内无线定位方法和定位平台、系统。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (11)

1.一种室内定位方法，其特征在于，包括：

接收来自被定位终端的无线信号强度；

根据所述被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到所述无线信号强度的先验概率；

根据所述先验概率基于贝叶斯决策获得在各参考点检测到所述无线信号强度的后验概率；

将所述后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为所述被定位终端的定位结果。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据带参考点位置信息的无线信号强度获得初始的信号强度概率分布图；

根据不带参考点位置信息的无线信号强度通过最大期望算法更新所述信号强度概率分布图，获得当前时刻的信号强度概率分布图。

3.根据权利要求1或2所述的方法，其特征在于，还包括：

对所述无线信号强度进行归一化。

4.根据权利要求3所述的方法，其特征在于，还包括：

基于速度常量的加权滤波器对归一化的无线信号强度进行滤波处理。

5.根据权利要求1所述的方法，其特征在于，所述无线信号包括无线仿真WIFI信号、基站信号、蓝牙、射频标识RFID、超声、全球定位系统GPS信号中的至少两者。

6.一种室内定位平台，其特征在于，包括：

信号强度接收模块，用于接收来自被定位终端的无线信号强度；

先验概率确定模块，用于根据所述被定位终端的无线信号强度与各参考点信号强度概率分布图得到在各参考点检测到所述无线信号强度的先验概率；

后验概率确定模块，用于根据所述先验概率基于贝叶斯决策获得在各参考点检测到所述无线信号强度的后验概率；

定位结果确定模块，用于将所述后验概率与各参考点转移概率矩阵相乘，输出转移概率最大的参考点作为所述被定位终端的定位结果。

7.根据权利要求6所述的定位平台，其特征在于，还包括：

概率分布确定模块，用于根据带参考点位置信息的无线信号强度获得初始的信号强度概率分布图；根据不带参考点位置信息的无线信号强度通过最大期望算法更新所述信号强度概率分布图，获得当前时刻的信号强度概率分布图。

8.根据权利要求7所述的定位平台，其特征在于，还包括信号归一化模块，用于对所述无线信号强度进行归一化。

9.根据权利要求8所述的定位平台，其特征在于，还包括：信号滤波处理模块，用于基于速度常量的加权滤波器对归一化的无线信号强度进行滤波处理。

10.根据权利要求6所述的定位平台，其特征在于，所述无线信号包括无线仿真WIFI信号、基站信号、蓝牙、射频标识RFID、超声、全球定位系统GPS信号中的至少两者。

11.一种定位系统，其特征在于，包括如权利要求6至10中任意一项所述的定位平台，以及被定位终端。