CN104469942A - 一种基于隐马尔科夫模型的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于隐马尔科夫模型的室内定位方法，该方法利用RSSI指纹特征进行定位，包括离线阶段和实时定位阶段；离线阶段包括：设置信标基站和参考位置；建立参考位置的无向连通图并据此建立位置转移矩阵；在每个参考位置采集各个信标基站的RSSI特征值，建立定位区域的RSSI指纹数据库；利用贝叶斯方法构建参考位置和RSSI指纹的混淆矩阵，建立隐马尔科夫定位模型；实时定位阶段包括：移动设备采集实时RSSI特征值并发送给定位服务器；定位服务器计算连续运动最大可能的轨迹序列，将轨迹序列的最后位置作为定位结果。该方法可以有效降低连续运动过程中RSSI波动对定位结果造成的误差,提高了室内无线定位的精度和稳定性。

Description

一种基于隐马尔科夫模型的室内定位方法

技术领域

本发明涉及无线网络技术领域，特别涉及一种基于隐马尔科夫模型的室内定位方法，可应用于室内的人员或者车辆等移动目标的定位。

背景技术

由于能适应室内复杂的多径效应，基于非测距的RSSI指纹定位方法已被广泛应用于各种室内定位系统中。在室内环境中，由于无线信号的传播容易受温度、湿度和人员走动的影响，因此RSSI的测量值波动较大。为了提高测量的稳定性和精度，许多基于RSSI的定位算法往往采用多次采集取平均或加权的方法。但是这种多次测量的方法只能应用于移动特征较弱的目标，当待定位目标的移动特征较强，系统往往难于在同一个位置上采集到多次的RSSI数据。

发明内容

本发明的目的在于提供一种基于隐马尔科夫模型的室内定位方法，该方法可以提高室内无线定位的精度和稳定性。

为实现上述目的，本发明的技术方案是：一种基于隐马尔科夫模型的室内定位方法，该方法包括离线阶段和实时定位阶段；

离线阶段包括以下步骤：

步骤101：根据定位区域设置信标基站和参考位置；

步骤102：建立参考位置的无向连通图，并根据参考位置的无向连通图建立位置转移矩阵；

步骤103：在每个参考位置采集各个信标基站的RSSI特征值，建立定位区域的RSSI指纹数据库；

步骤104：利用贝叶斯方法构建参考位置和RSSI指纹的混淆矩阵，建立基于隐马尔科夫模型的定位模型，即隐马尔科夫定位模型；

实时定位阶段包括以下步骤：

步骤201：移动设备采集实时RSSI特征值并发送给定位服务器；

步骤202：定位服务器基于Viterbi算法计算连续运动最大可能的轨迹序列，将轨迹序列的最后位置作为定位结果。

进一步的，隐马尔科夫定位模型定义为一个五元组HMLM={n, m, П, A, B}，其中，n是参考位置的个数，m是信标基站的个数，Π=π _i ，i=1,…,n，π _i 表示初始状态i的概率，A是位置转移矩阵，B是混淆矩阵。

进一步的，位置转移矩阵A的构造方法为：根据设置的参考位置和定位区域的结构布局，建立参考位置的无向连通图G，根据无向连通图G和Dijkstra算法，得到参考位置之间的最短距离，然后根据泊松分布特性构建位置转移矩阵，即：

其中，p _ij 表示参考位置l _i 到参考位置l _j 的转移概率，d _ij 表示参考位置l _i 到参考位置l _j 的最短距离，λ表示移动速率；

对p _ij 做归一化处理，即，得到系数η；

令a _ij =η·p _ij ，得到位置转移矩阵A={a _ij  , i,j=1,2,...,n,}。

进一步的，混淆矩阵B的构造方法为：定义混淆矩阵B={b _jk  , j=1,2,...,n, k=1,2,...,K}，其中b _jk 表示在参考位置l _j 上RSSI指纹为T _k 的后验概率，{T _k |k=1,...,K}表示所有可能的RSSI指纹空间；

利用贝叶斯方法计算b _jk ：采集每个参考位置的RSSI特征值；假设参考指纹R _j ={(r _j1 ,σ _j1 ),(r _j2 ,σ _j2 ),...,(r _jm ,σ _jm )}，其中，R _j 表示参考位置j上的参考指纹，r _jm 表示在参考位置l _j 测量第m个信标基站的RSSI特征值，σ _jm 表示r _jm 对应的RSSI标准差；则在参考位置l _j 上测得第m个信标基站ap _m 的RSSI特征值为t _m 的后验概率：

最后令b _jk=  P _j1·P _j2·P _j3...·P _jm 。

进一步的，利用Viterbi算法进行实时定位的方法为：首先定义一个部分概率δ，δ _t (i)表示在t时刻，移动到位置i的所有可能的位置序列中概率最大的序列的概率；则部分最优序列为达到这个最大概率的序列；对于每一个时刻的每一个位置都有一个部分概率和部分最优序列；通过计算t=T时刻的每一个位置的最大概率和部分最优序列，选择其中概率最大的位置和其部分最优序列得到全局的最优序列，则t=T时刻最大部分概率的位置即为定位结果；

计算t=1时刻的部分概率：

计算t>1时刻的部分概率：

令δ _t (i)值最大的位置i为定位结果。

本发明的有益效果是引入隐马尔科夫模型描述室内定位模型，利用移动目标历史的位置信息和移动空间的限制来计算移动目标的最大可能移动路径，将该路径的终点作为定位结果，该方法有效的降低了连续运动过程中RSSI波动对单次采集实时RSSI指纹定位造成的误差，提高了定位精度和稳定性，能较好地适应目标连续移动的定位场景，在RSSI波动较大的环境中仍具有较高的定位精度和稳定性。

附图说明

图1是本发明方法中隐马尔科夫定位模型的定位原理图。

图2是本发明方法中混淆矩阵的示意图。

图3是本发明方法中实时定位阶段设备运行示意图。

图4是本发明的实现流程图。

具体实施方式

本发明定义基于隐马尔科夫模型的定位模型，即隐马尔科夫定位模型为一个五元组HMLM={n, m, П, A, B}，其中，n是参考位置的个数，m是信标基站的个数，Π=π _i ，i=1,…,n，π _i 表示初始状态i的概率，A是位置转移矩阵，B是混淆矩阵。本发明基于隐马尔科夫模型的室内定位方法，包括离线阶段和实时定位阶段。

离线阶段包括以下步骤：

步骤101：根据定位区域设置信标基站和参考位置。

步骤102：建立参考位置的无向连通图，并根据参考位置的无向连通图建立位置转移矩阵。其中，位置转移矩阵A的构造方法为：根据设置的参考位置和定位区域的结构布局，建立参考位置的无向连通图G，根据无向连通图G和Dijkstra算法，得到参考位置之间的最短距离，然后根据泊松分布特性构建位置转移矩阵，即：

其中，p _ij 表示参考位置l _i 到参考位置l _j 的转移概率，d _ij 表示参考位置l _i 到参考位置l _j 的最短距离，λ表示移动速率；

对p _ij 做归一化处理，即，得到系数η；

令a _ij =η·p _ij ，得到位置转移矩阵A={a _ij  , i,j=1,2,...,n,}。

步骤103：在每个参考位置采集各个信标基站的RSSI特征值，建立定位区域的RSSI指纹数据库。

步骤104：利用贝叶斯方法构建参考位置和RSSI指纹的混淆矩阵，建立基于隐马尔科夫模型的定位模型，即隐马尔科夫定位模型。其中，混淆矩阵B的构造方法为：定义混淆矩阵B={b _jk  , j=1,2,...,n, k=1,2,...,K}，其中b _jk 表示在参考位置l _j 上RSSI指纹为T _k 的后验概率，{T _k |k=1,...,K}表示所有可能的RSSI指纹空间；

利用贝叶斯方法计算b _jk ：采集每个参考位置的RSSI特征值；假设参考指纹R _j ={(r _j1 ,σ _j1 ),(r _j2 ,σ _j2 ),...,(r _jm ,σ _jm )}，其中，R _j 表示参考位置j上的参考指纹，r _jm 表示在参考位置l _j 测量第m个信标基站的RSSI特征值，σ _jm 表示r _jm 对应的RSSI标准差；则在参考位置l _j 上测得第m个信标基站ap _m 的RSSI特征值为t _m 的后验概率：

最后令b _jk=  P _j1·P _j2·P _j3...·P _jm 。

实时定位阶段包括以下步骤：

步骤201：移动设备采集实时RSSI特征值并发送给定位服务器。

步骤202：定位服务器基于Viterbi算法计算连续运动最大可能的轨迹序列，将轨迹序列的最后位置作为定位结果。其中，利用Viterbi算法进行实时定位的方法为：首先定义一个部分概率δ，δ _t (i)表示在t时刻，移动到位置i的所有可能的位置序列中概率最大的序列的概率；则部分最优序列为达到这个最大概率的序列；对于每一个时刻的每一个位置都有一个部分概率和部分最优序列；通过计算t=T时刻的每一个位置的最大概率和部分最优序列，选择其中概率最大的位置和其部分最优序列得到全局的最优序列，则t=T时刻最大部分概率的位置即为定位结果；

计算t=1时刻的部分概率：

计算t>1时刻的部分概率：

令δ _t (i)值最大的位置i为定位结果。

下面结合附图及具体实施例对本发明作进一步的详细说明。

基于隐马尔科夫模型的定位模型：

本发明将隐马尔科夫模型HMM引入到室内定位中，建立基于隐马尔科夫模型的定位模型，即隐马尔科夫定位模型（Hidden Markov Localizing Model, HMLM）。图1为隐马尔科夫定位模型的定位原理图，其中，l _j '表示在一个定位序列中的第j次定位位置，T _j '表示一个定位序列中第j次实时采集的目标RSSI指纹，当有m个信标基站时，T _j '可进一步表示T _j '={t _j1',…, t _jm '}，表示实时定位阶段中采集目标指纹的时间间隔。

因此，本发明定义HMLM为一个五元组{n, m, П, A, B}，其中：n是参考点位置的个数；m是信标基站的个数；Π=π _i ，i=1,…,n，π _i 表示初始状态i的概率，即位置序列中第一个位置的后验概率，各位置概率可认为相等；A是位置转移矩阵，A=a _ij , i,j=1,…,n，a _ij 表示位置l- _i 到位置l- _j 的转移概率；B是位置与概率相对应的混淆矩阵，B=b _jk , i=1,…,n，k=1,…,K，K为离线指纹空间大小。

在位置转移矩阵和混淆矩阵中的每个概率都是时间无关的，即当系统演化时，这些矩阵并不随时间改变。对于一个n和m固定的HMM来说，可以用λ={ π, A, B}表示 HMLM 参数。 

位置转移矩阵的构造方法：

根据室内布局结构建立参考点位置的无向连通图G，G定义如下：

其中，V表示参考位置集合，E表示参考位置之间连通边的集合，e _ij 表示位置i与位置j的连通关系，1表示连通，0表示不连通。

根据无向连通图G和Dijkstra算法，可以得到参考位置点之间的最短距离d _ij 。然后根据泊松分布的特性来构建转移矩阵，即：

其中，p _ij 表示位置i到位置j的转移概率；而λ为移动速率，可以取每秒移动距离1米或2米方便计算；

对p _ij 做归一化处理，即，得到系数η。

令a _ij =η·p _ij ，得到转移矩阵A={a _ij ，i,j=1,2,...,n,}。

混淆矩阵的构造方法：

混淆矩阵是隐藏的位置状态和可观察的RSSI特征状态之间的概率关系矩阵。如图2所示，混淆矩阵B={b _jk , _, j=1,2,...,n, k=1,2,...,K}，其中b _jk 表示在参考位置l _j 上RSSI指纹为T _k 的后验概率，{T _k |k=1,...,K}表示所有可能的RSSI指纹空间。

本发明利用贝叶斯方法来计算b _jk 。首先根据室内平面图设定好参考点位置，然后采集每个参考位置的RSSI特征。为了提高精度和稳定性，可以在同一位置采集多次（一般为50到100次），并做均值和方差计算。假设参考指纹R _j ={(r _j1 ,σ _j1 ),(r _j2 ,σ _j2 ),...,(r _jm ,σ _jm )}，其中，R _j 表示位置j上的参考指纹，r _jm 表示在参考位置j测量第m个信标基站的RSSI特征值，σ _jm 表示r _jm 对应的RSSI标准差。则在位置l _j 上测得第m个信标基站的RSSI特征为t _m 的后验概率，计算如下：

由于接收自不同信标基站的RSSI值都可以认为是相互独立的，那么通过所有条件概率相乘向多维推广，即在多信标环境下b _jk=  P _j1·P _j2·P _j3…·P _jm 。

基于Viterbi算法的实时定位方法：

Viterbi算法可以根据给定的HMM和可观察到序列计算出最可能的隐藏状态序列。利用该算法，可以在实时定位阶段中根据一个定位序列中连续采集到的多次RSSI特征（一般为3~5次），找到最大可能的位置序列。

首先，定义一个部分概率δ，δ _t (i)表示在t时刻，移动到位置i的所有可能的位置序列中概率最大的序列的概率；则部分最优序列就是达到这个最大概率的序列。对于每一个时刻的每一个位置都有一个部分概率和部分最优序列。通过计算t=T时刻的每一个位置的最大概率和部分最优序列，选择其中概率最大的位置和它的部分最优序列就可以得到全局的最优序列，因此t=T时刻最大部分概率的位置即为定位结果。

计算t=1时刻的部分概率：

计算t>1时刻的部分概率：

令δ _t (i)值最大的位置i即为定位结果。

下面结合图3、图4说明本发明的实施流程，本发明的具体实施步骤包括离线阶段和实时定位阶段：

（1）离线阶段：

步骤1：设置m个信标基站{ap ₁，ap ₂，…，ap _m}和n个参考位置{l ₁，l ₂，…，l _n}。信标基站的数目m建议为3~5个，并且分布在定位区域的四周；参考点位置为等间距，建议设置距离为1~2米。

步骤2：根据设定的参考点位置和定位区域的结构布局，建立参考点位置的无向连通图G= <V, E>；根据上述位置转移矩阵的构造方法，生成位置转移矩阵A={a _ij ，i,j=1,2,...,n,}。

步骤3：采集所有参考位置{l ₁，l ₂，…，l _n}的离线RSSI特征库。假设R _j 表示参考位置l _j 上的参考指纹，则R _j ={(r _j1 ,σ _j1 ),(r _j2 ,σ _j2 ),,...,(r _jm ,σ _jm )}，其中，r _jm 表示在参考位置l _j 测量信标基站ap _m 的RSSI特征值，σ _jm 表示r _jm 对应的RSSI标准差。为了提高稳定性和精确度，可以在同一位置采集50到100次RSSI值，并做均值和方差计算。

步骤4：根据上述混淆矩阵的构造方法，生成混淆矩阵B={b _jk , _, j=1,2,...,n, k=1,2,...,K}。

（2）实时定位阶段

步骤1：获取实时RSSI。

如图3所示，移动目标通过携带的移动设备测量各信标基站的RSSI值，并提交给定位服务器。可以定义实时指纹为T _j '={t _j1',…, t _jm '}，T _j '表示在一个定位序列中第j次采集的实时RSSI指纹，t _jm '表示信标基站ap _m 的RSSI值。根据设置的连续定位序列长度，并将一个定位序列的所有实时指纹一同发送到定位服务器。其中，设备的采集频率为1次/秒，一次定位序列的时间周期为3到4秒。

步骤2：位置估算。

根据已构建的HMM参数和实时定位阶段收集到的指纹序列，并利用Viterbi 算法计算出最优可能的物理位置的序列，最后将序列的最后位置作为定位结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于隐马尔科夫模型的室内定位方法，其特征在于，该方法包括离线阶段和实时定位阶段；

离线阶段包括以下步骤：

步骤101：根据定位区域设置信标基站和参考位置；

步骤102：建立参考位置的无向连通图，并根据参考位置的无向连通图建立位置转移矩阵；

步骤103：在每个参考位置采集各个信标基站的RSSI特征值，建立定位区域的RSSI指纹数据库；

步骤104：利用贝叶斯方法构建参考位置和RSSI指纹的混淆矩阵，建立基于隐马尔科夫模型的定位模型，即隐马尔科夫定位模型；

实时定位阶段包括以下步骤：

步骤201：移动设备采集实时RSSI特征值并发送给定位服务器；

步骤202：定位服务器基于Viterbi算法计算连续运动最大可能的轨迹序列，将轨迹序列的最后位置作为定位结果。

2.根据权利要求1所述的一种基于隐马尔科夫模型的室内定位方法，其特征在于，隐马尔科夫定位模型定义为一个五元组HMLM={n, m, П, A, B}，其中，n是参考位置的个数，m是信标基站的个数，Π=π _i ，i=1,…,n，π _i 表示初始状态i的概率，A是位置转移矩阵，B是混淆矩阵。

3.根据权利要求2所述的一种基于隐马尔科夫模型的室内定位方法，其特征在于，位置转移矩阵A的构造方法为：根据设置的参考位置和定位区域的结构布局，建立参考位置的无向连通图G，根据无向连通图G和Dijkstra算法，得到参考位置之间的最短距离，然后根据泊松分布特性构建位置转移矩阵，即：

其中，p _ij 表示参考位置l _i 到参考位置l _j 的转移概率，d _ij 表示参考位置l _i 到参考位置l _j 的最短距离，λ表示移动速率；

对p _ij 做归一化处理，即，得到系数η；

令a _ij =η·p _ij ，得到位置转移矩阵A={a _ij  , i,j=1,2,...,n,}。

4.根据权利要求2所述的一种基于隐马尔科夫模型的室内定位方法，其特征在于，混淆矩阵B的构造方法为：定义混淆矩阵B={b _jk  , j=1,2,...,n, k=1,2,...,K}，其中b _jk 表示在参考位置l _j 上RSSI指纹为T _k 的后验概率，{T _k  |k=1,...,K}表示所有可能的RSSI指纹空间；

利用贝叶斯方法计算b _jk ：采集每个参考位置的RSSI特征值；假设参考指纹R _j ={(r _j1 ,σ _j1 ),(r _j2 ,σ _j2 ),...,(r _jm ,σ _jm )}，其中，R _j 表示参考位置j上的参考指纹，r _jm 表示在参考位置l _j 测量第m个信标基站的RSSI特征值，σ _jm 表示r _jm 对应的RSSI标准差；则在参考位置l _j 上测得第m个信标基站ap _m 的RSSI特征值为t _m 的后验概率：

最后令b _jk=  P _j1·P _j2·P _j3...·P _jm 。

5.根据权利要求1所述的一种基于隐马尔科夫模型的室内定位方法，其特征在于，利用Viterbi算法进行实时定位的方法为：首先定义一个部分概率δ，δ _t (i)表示在t时刻，移动到位置i的所有可能的位置序列中概率最大的序列的概率；则部分最优序列为达到这个最大概率的序列；对于每一个时刻的每一个位置都有一个部分概率和部分最优序列；通过计算t=T时刻的每一个位置的最大概率和部分最优序列，选择其中概率最大的位置和其部分最优序列得到全局的最优序列，则t=T时刻最大部分概率的位置即为定位结果；

计算t=1时刻的部分概率：

计算t>1时刻的部分概率：

令δ _t (i)值最大的位置i为定位结果。