CN104655137B - 行人航迹推测辅助的Wi‑Fi信号指纹定位算法 - Google Patents

Abstract

本发明公开了一种行人航迹推测辅助的Wi‑Fi信号指纹定位算法，其利用PDR定位算法与Wi‑Fi信号指纹定位算法交替进行位置估计，两种算法分别利用另一方的结果修正各自误差。用户的初始位置P(x)＝{x(0),y(0)}由基于KWNN的Wi‑Fi信号指纹定位算法得到；用户开始移动后，通过加速计，陀螺仪测量速度，角速度变化量；利用PDR定位算法估计每一步用户的坐标；直到用户前进预定步数m后，进行一次基于KWNN的Wi‑Fi指纹定位，将Wi‑Fi指纹定位结果作为用户当前结果；在随后的m步中，都基于上一次Wi‑Fi指纹定位结果进行PDR定位计算，如此循环。利用PDR输出的运动距离和转角约束Wi‑Fi信号指纹定位中的K加权邻近算法，通过PDR短时间内获取的运动距离与转角约束参考点的选择，达到提高KWNN算法定位精度的目的。

Description

行人航迹推测辅助的Wi-Fi信号指纹定位算法

技术领域

本发明涉及室内定位领域，尤其涉及基于无线电信号指纹定位与基于惯性传感器的室内定位领域。

技术背景

随时随地获取用户当前位置具有非常重要的意义，目前人们开发了大量导航与定位系统。其中，包括北斗，GPS在内的全球导航卫星系统(Global Navigation SatelliteSystem,GNSS)能够提供约3-10米定位精度的位置服务，应用范围最广。随着移动互联网时代的到来，移动终端基于位置服务(Location Based Service,LBS)的兴起推动了娱乐、医疗、商业、通信等行业快速发展，同时也对室内环境定位提出了更高的要求。传统的GNSS定位因信号微弱无法传播到室内而失效。人们开发了大量室内定位技术，这些技术有的是针对GNSS的改进，例如AGNSS(Assisted GNSS)，DGNSS(Difference GNSS)；有的是全新的定位系统，例如WSN(Wireless Sensor Network)定位、摄像头的定位，无线信号指纹(Fingerprint)定位，基于惯性传感器定位等。

AGNSS是另一种基于GNSS的改进定位技术，这是目前手机上使用较为广泛的定位方式。为了实现AGNSS，一方面，用户移动终端需要配置AGNSS接收机模块，以完成对GNSS卫星信号的测量，另一方面，通信网络终端需要增设AGNSS定位服务器等设备，以搜集和播发辅助信息，响应移动终端请求。这种定位技术优点是能够加快接收机信号捕获和完成首次定位的速度，又能提高信号捕获与跟踪灵敏度。目前是美国紧急求助电话E911的位置解决方案。但是这种定位方式也有与GNSS类似的缺点，即需要可视条件较好，易受干扰；另外，AGNSS定位实现必须通过多次网络传输，占用大量空中资源。

DGNSS是一种差分定位技术。需要建立固定基站，基站自身具有事先测定的位置，利用自身位置和接收到的导航信号，为基站周围用户提供修正参数以辅助定位。或者是利用地球同步轨道卫星作为通信媒介，提供差分GNSS校正值和完好性数据。这种定位技术在深度室内、地下等区域将失效，且建设成本非常巨大，难以推广使用。

WSN定位主要思路是，在室内构建无线传感网络，网络中某些节点装备有高精度GNSS设备或者事先测量位置，这些事先具有位置的节点称为锚节点，通过WSN网络，锚节点将自身的位置播发给没有位置信息的节点，这些节点称为移动节点。移动节点一边接收锚节点的位置信息，一边测量到锚节点的距离，采用三边测量法等算法估计自身位置，实现定位。WSN定位精度较高，但是需要提前布设锚节点，一旦超出其服务范围便无法定位。

基于摄像头的定位很可能成为未来十年广泛使用的定位传感器。因为目前摄像头价格低廉，分布广泛，用于定位的研究也取得长足进步。基于摄像头的定位至少有三个途径。一是将摄像头获取的图像与一系列存储的图形进行对比，以检测摄像头视点，实现定位。另一种方式是对图像中每一个特征点进行对比实现定向和定位。第三种是通过对比连续图像推测摄像头运动，多台摄像头的配合使用能提高这种定位方式的效果。这种定位技术需要进行图像查询匹配，花费时间较长，对于应急条件，同样可能失效。

基于指纹的定位技术，主要原理是提前搜集感兴趣区域的各种信号特征，建立位置与信号特征数据库。定位的时候，节点测量当前位置的信号强度，通过与数据库进行匹配得到当前位置。这种定位技术无需复杂的运算，定位精度较高，因此对于一般室内环境是一种有效的定位方法。但是室内环境变化对信号传播影响非常大，因此实际定位精度不高。

基于惯性传感器的室内定位主要是指PDR(行人航迹规划)，其原理是利用陀螺仪、加速计、磁罗盘等，通过对行人步伐和运动方向的探测实现定位。这种定位技术不需要基础设施就能够实现相对定位。短期定位精度较高，但是在长时间运行后，积累误差较显著。

总的来说，这些技术都有其优点和缺点，没有一种技术可以适应不同的环境以满足人们日益增长的定位需求。

目前使用较为普遍的室内定位技术是无线信号指纹定位和基于惯导的定位，包括谷歌地图、WifiSLAM、国内的“智慧图”在内的主流室内定位产品都是采用了信号指纹定位技术，很多武器系统采用惯导定位技术。

发明内容

针对现有技术存在的不足，本发明提供一种行人航迹推测辅助的Wi-Fi信号指纹定位算法，其利用PDR短期高精度位置输出，辅助Wi-Fi信号指纹，实现室内高精度定位。主要原理是将PDR输出的运动距离与角度，用于K加权邻近(kWeightedNearestNode,KWNN)指纹定位算法中参考点(Reference Point,RP)的选择，通过加入距离和角度限制，约束RP取值范围，从而降低定位误差，提高定位精度。

为实现上述目的，本发明的技术方案是：

一种行人航迹推测辅助的Wi-Fi信号指纹定位算法，具体步骤如下：

S1：在测量阶段，利用智能设备中的传感器，包括加速度传感器，陀螺仪和Wi-Fi进行测量，获取用户的实时加速度值、运动方向变化量以及用户所处环境中所有Wi-Fi接入点的信号强度；

S2：根据用户上一时刻估计的位置，获取到的实时加速度值以及运动方向变化量，利用PDR定位算法计算用户当前位置；

S3：重复步骤S1，直到用户前进预定步数m后，计算用户在预定步数m内的位移和运动方向，并进入步骤S4；

S4：用户前进预定步数m以后进入KWNN信号指纹匹配与位置估计，在该阶段，用PDR结果辅助基于KWNN的Wi-Fi定位算法即利用步骤S1中获取到的所有Wi-Fi接入点的信号强度，以及步骤S2中PDR计算的当前位置、相对位移和运动方向，计算所有参考点的权重，选择其中k个权重最小的RP，采用加权平均算法计算用户当前位置作为用户最终估计的位置，结合步骤S2中获取的位置，得到用户运动轨迹；回到步骤S1继续循环。

本发明上述技术方案，也就是步骤S1、S2、S3至S4作为一个整体是一种迭代式结构的算法，利用PDR定位算法与Wi-Fi信号指纹定位算法交替进行位置估计，两种算法分别利用另一方的结果修正各自误差，其计算流程如下：

用户的初始位置P(x)＝{x(0),y(0)}由基于KWNN的Wi-Fi信号指纹定位算法得到；用户开始移动后，通过加速计，陀螺仪测量速度，角速度变化量；利用PDR定位算法估计每一步用户的坐标；直到用户前进预定步数m后，进行一次基于KWNN的Wi-Fi指纹定位，将Wi-Fi指纹定位结果作为用户当前结果；在随后的m步中，都基于上一次Wi-Fi指纹定位结果进行PDR定位计算即同时利用Wi-Fi指纹定位结果修正PDR算法定位误差，如此循环。

本发明中，利用Wi-Fi指纹定位结果修正PDR算法定位误差，能够有效约束误差的积累，其具体计算流程如下：

使用P_t表示用户时刻t所处的真实位置，P_t＝{x_t,y_t}，P_t,PDR和P_t,WiFi分别表示在该时刻使用PDR定位算法和Wi-Fi指纹定位算法得到的结果；

假设t时刻位置P_t,WiFi已通过Wi-Fi信号指纹定位算法得到，在接下来的m步中，使用PDR定位算法进行位置估计；假设步长为l，得到：

角度定义如下：

其中，β_t由传感器获得，表示运动方向变化量；

在m步后，可以计算m步移动的距离与转角：

其中，||·||表示欧几里得距离；

使用下列方程更新用户步长，用于后续PDR定位：

PDR定位周期性的使用Wi-Fi定位进行修正能够有效约束误差的积累。

本发明中，使用PDR结果辅助基于KWNN的Wi-Fi定位算法，其计算流程如下：

所述Wi-Fi信号指纹定位算法采用KWNN算法实现，每次查询过程中，从信号指纹数据库选择距离最小的k个参考点，利用加权平均算法计算用户位置：

其中，{x_DB,i,y_DB,i}是数据库中参考点坐标(RP)，权重定义如下：

ε_DIS,i表示在第i个RP处测量到的接入点AP信号强度RSSI_DB与实际测量的信号强度RSSI_MR之间的“距离”，p为可调节参数，

已经通过PDR定位算法得到了两次Wi-Fi信号指纹定位之间的位移S与夹角α，在计算ε_DIS，i的过程中，加入位移与夹角约束，限制参考点选择范围，因此，新的距离定义如下：

ε_DIS,i＝D_RSS,i+λD_LOC,i+γD_AGL,i (7)

其中，D_RSS为RSSI距离，D_LOC为位置距离，D_AGL为角度距离，λ,γ分别是位置与角度调节系数；

D_RSS,i按照KWNN算法进行计算：

其中，n表示一共有n个AP，RSSI_DBi,j表示在第i个RP测量到的第j个AP信号强度，RSSI_MR,j表示用户测量的第j个AP信号强度，q是可调节参数；

D_LOC，i用于衡量位置差异，定义如下：

D_LOC,i＝|||P_DB,i-P_t,WiFi||-S|^q (9)

其中，P_DB,i表示第i个RP坐标，P_t,WiFi表示上一次Wi-Fi信号指纹定位结果；

D_AGL,i用于衡量角度差异，定义如下：

加入了距离与角度的约束，距离差距或者角度差距过大的RP会被KWNN算法过滤，选择出的RP更接近用户真实的位置，有效提高定位精度。

与传统室内定位算法相比，本发明的技术方案有下列优点：

PDR与Wi-Fi信号指纹定位算法的结合层次低，能够充分利用两种算法优点，同时又能有效克服各自不足。PDR具有较高的可用性，对外界环境变化不敏感；缺点是积累误差较严重。相反，Wi-Fi定位技术可用性较差，且对外界环境变化较敏感，但是定位精度较为稳定。本发明算法具有可用性高，积累误差小，定位精度高的优点。

计算复杂性低。相对于卡尔曼滤波或者粒子滤波，本发明算法复杂性大大降低，对设备计算性能要求低。

计算过程不需要误差模型。本发明计算过程中，不需要假设各类误差分布，也不需要对误差模型参数进行估计，适用范围较广。

与现有Wi-Fi信号指纹定位算法兼容性好。不需要修改现有信号指纹数据库，也不要需要频繁更新信号数据库，可用性较好。

设备要求低，普通智能手机就包含了实现发明所需的所有传感器，现有Wi-Fi接入点就能作为信号发射装置使用，用户不需要购买特殊传感设备，容易推广。

电量消耗低。一方面，定位过程无需开启耗电的Wi-Fi连接模式，仅使用Wi-Fi搜索就能实现定位；两一方面，计算复杂性低，因此耗电小。且用户可以根据具体情况，自由选择定位精度等级，等级越低，精度越低，但是耗电量越小；反之亦然。

算法稳健性好，对用户使用模式不加约束。无论用户手持设备，还是将设备置于口袋，算法都能够有效实现定位。

附图说明

图1是本发明算法运行流程图；

图2是本发明算法组成结构图；

图3是PDR定位过程中相关参数定义的示意图；

图4是加入距离与角度约束所选RP对比图。

具体实施方式

本发明一种行人航迹推测辅助的Wi-Fi信号指纹定位算法，其算法的运行过程可参见图1，基本过程是：用户的初始位置P(x)＝{x(0),y(0)}由基于KWNN的Wi-Fi信号指纹定位算法得到；用户开始移动后，通过加速计，陀螺仪测量速度，角速度变化量；利用PDR定位算法估计每一步用户的坐标；用户每隔一定步数m，进行一次基于KWNN的Wi-Fi信号指纹定位，将Wi-Fi定位结果作为用户当前结果；在随后的m步中，都基于上一次Wi-Fi信号指纹定位结果进行PDR定位计算。如此周而复始。

参见图2，一种行人航迹推测辅助的Wi-Fi信号指纹定位算法，该算法主要包含三个步骤，,

(1)测量

在测量阶段，利用智能手机中的传感器，包括加速度传感器，陀螺仪和Wi-Fi进行测量。其中，加速度传感器获取当前加速度值，陀螺仪获取运动方向变化量，Wi-Fi芯片则是获取环境中所有Wi-Fi接入点(Access Point,AP)的信号强度(Received SignalStrength,RSS)；

(2)PDR计算。在计算阶段，根据用户上一时刻估计的位置，测量到的加速度值以及陀螺仪获取的运动方向变化量，利用PDR算法计算用户当前位置。回到(1)，一直到用户前进预定步数m后，计算用户这些步以内的位移和运动方向，并进入步骤(3)；

(3)KWNN计算。用户前进特定步数以后进入KWNN信号指纹匹配与位置估计。在该阶段，利用(1)中测量到的所有AP的RSS值，以及(2)中PDR计算的当前位置、相对位移和运动方向，计算所有参考点(Reference Point,RP)的权重，选择其中k个权重最小的RP，采用加权平均算法计算用户当前位置作为用户最终估计的位置，结合(2)中获取的位置，得到用户运动轨迹。回到(1)。

利用Wi-Fi定位结果周期性修正PDR定位能够有效约束误差的积累，在详细描述算法前，对算法涉及到的参数(几何意义见图3)进行定义：

P_t-1,P_t,P_t+1,P_t+m分别表示用户t-1,t,t+1,t+m时刻所处位置；

β_t表示t时刻运动方向变化；

l表示用户步长；

表示t时刻运动用户运动方向；

α表示用户行进m步后的运动方向；

S表示用户行进m步后的位移；

详细算法如下：

使用P_t表示用户时刻t所处的真实位置，P_t＝{x_t,y_t}，P_t,PDR和P_t,WiFi分别表示在该时刻使用PDR定位算法和Wi-Fi信号指纹定位算法得到的结果。

假设t时刻位置P_t,WiFi已通过Wi-Fi获得，在接下来的m步中，使用PDR定位算法进行位置估计。假设步长为l，得到：

角度定义如下：

其中，β_t由传感器获得，表示运动方向变化量。

在m步后，可以计算m步移动的距离与转角：

其中，||·||表示欧几里得距离。

使用下列方程更新用户步长，用于后续PDR定位：

PDR周期性的使用Wi-Fi定位进行修正，因此积累误差较小。

使用PDR结果辅助基于KWNN的Wi-Fi定位算法能够提高Wi-Fi指纹定位精度，参见图4，其详细过程如下：

本发明的Wi-Fi信号指纹定位采用KWNN算法实现。每次查询过程中，从信号指纹数据库选择距离最小的k个参考点，利用加权平均算法计算用户位置：

其中，{x_DB,i,y_DB,i}是数据库中参考点坐标(RP)，权重定义如下：

ε_DIS,i表示在第i个RP处测量到的接入点(AP)信号强度RSSI_DB与实际测量的信号强度RSSI_MR之间的“距离”，p为可调节参数。

已经通过PDR算法得到了两次Wi-Fi信号指纹定位之间的位移S与夹角α，在计算ε_DIS,i的过程中，可以加入位移与夹角约束，限制参考点选择范围，因此，新的距离定义如下：

ε_DIS,i＝D_RSS,i+λD_LOC,i+γD_AGL,i (7)

其中，D_RSS为RSSI距离，D_LOC为位置距离，D_AGL为角度距离，λ,γ分别是位置与角度调节系数。

D_RSS,i按照传统KWNN算法进行计算：

其中，n表示一共有n个AP，RSSI_DBi,j表示在第i个RP测量到的第j个AP信号强度，RSSI_MR,j表示用户测量的第j个AP信号强度，q是可调节参数。

D_LOC,i用于衡量位置差异，定义如下：

D_LOC,i＝|||P_DB,i-P_i,WiFi||-S|^q (9)

其中，P_DB,i表示第i个RP坐标，P_t,WiFi表示上一次Wi-Fi定位结果。

D_AGL,i用于衡量角度差异，定义如下：

Wi-Fi信号强度受设备、朝向、环境等影响，存在较大波动，采用传统选择算法得到的RP与真实位置差异较大。若加入了距离与角度的约束，距离差距或者角度差距过大的RP会被选择算法过滤，选择出的RP更接近用户真实的位置，可有效提高定位精度。

Claims (3)

1.一种行人航迹推测辅助的Wi-Fi信号指纹定位算法，其特征在于，包括如下步骤：

S1：在测量阶段，利用智能设备中的传感器，包括加速度传感器，陀螺仪和Wi-Fi进行测量，获取用户的实时加速度值、运动方向变化量以及用户所处环境中所有Wi-Fi接入点的信号强度；

S2：根据用户上一时刻估计的位置，获取到的实时加速度值以及运动方向变化量，利用PDR定位算法计算用户当前位置；

S3：重复步骤S1，直到用户前进预定步数m后，计算用户在预定步数m内的位移和运动方向，并进入步骤S4；

S4：用户前进预定步数m以后进入KWNN信号指纹匹配与位置估计，在该阶段，用PDR结果辅助基于KWNN的Wi-Fi定位算法即利用步骤S1中获取到的所有Wi-Fi接入点的信号强度，以及步骤S2中PDR计算的当前位置、相对位移和运动方向，计算所有参考点的权重，选择其中k个权重最小的RP，采用加权平均算法计算用户当前位置作为用户最终估计的位置，结合步骤S2中获取的位置，得到用户运动轨迹；回到步骤S1继续循环；

S4中用PDR结果辅助基于KWNN的Wi-Fi定位算法，其计算流程如下：

所述Wi-Fi信号指纹定位算法采用KWNN算法实现，每次查询过程中，从信号指纹数据库选择距离最小的k个参考点，利用加权平均算法计算用户位置：

$P_{t+m,WiFi}=\{{\mathrm{\Σ}}_{i=1}^k{x}_{DB,i}{w}_i,{\mathrm{\Σ}}_{i=1}^k{y}_{DB,i}{w}_i\}---\left(5\right)$

其中，{x_DB,i,y_DB,i}是数据库中参考点坐标即为RP，权重定义如下：

$w_i=\frac{1/{{\mathrm{\ϵ}}_{DIS,i}}^p}{{\mathrm{\Σ}}_{j=1}^{k}1/{{\mathrm{\ϵ}}_{DIS,i}}^p}---\left(6\right)$

ε_DIS,i表示在第i个RP处测量到的接入点AP信号强度RSSI_DB与实际测量的信号强度RSSI_MR之间的“距离”，p为可调节参数，

已经通过PDR定位算法得到了两次Wi-Fi信号指纹定位之间的位移S与夹角α，在计算ε_DIS,i的过程中，加入位移与夹角约束，限制参考点选择范围，因此，新的距离定义如下：

ε_DIS,i＝D_RSS,i+λD_LOC,i+γD_AGL,i (7)

其中，D_RSS为RSSI距离，D_LOC为位置距离，D_AGL为角度距离，λ,γ分别是位置与角度调节系数；

D_RSS,i按照KWNN算法进行计算：

$D_{RSS,i}={\left(\underset{j=1}{\overset{n}{\Σ}}\right|{\mathrm{RSSI}}_{DBi,j}-{\mathrm{RSSI}}_{MR,j}{|}^q)}^{1/q}---\left(8\right)$

其中，n表示一共有n个AP，RSSI_DBi,j表示在第i个RP测量到的第j个AP信号强度，RSSI_MR,j表示用户测量的第j个AP信号强度，q是可调节参数；

D_LOC,i用于衡量位置差异，定义如下：

D_LOC,i＝|||P_DB,i-P_t,WiFi||-S|^q (9)

其中，P_DB,i表示第i个RP坐标，P_t,WiFi表示上一次Wi-Fi信号指纹定位结果；

D_AGL,i用于衡量角度差异，定义如下：

$D_{AGL,i}=|(\arctan \frac{y_{DB,i}-y_{t,WiFi}}{x_{DB,i}-x_{t,WiFi}}-\mathrm{\α})\%180{|}^q---\left(10\right)$

加入了距离与角度的约束，距离差距或者角度差距过大的RP会被KWNN算法过滤，选择出的RP更接近用户真实的位置，有效提高定位精度。

2.根据权利要求1所述的行人航迹推测辅助的Wi-Fi信号指纹定位算法，其特征在于，所述步骤S1、S2、S3至S4作为一个整体是一种迭代式结构的算法，利用PDR定位算法与Wi-Fi信号指纹定位算法交替进行位置估计，两种算法分别利用另一方的结果修正各自误差，其计算流程如下：

用户的初始位置P(x)＝{x(0),y(0)}由基于KWNN的Wi-Fi信号指纹定位算法得到；用户开始移动后，通过加速计，陀螺仪测量速度，角速度变化量；利用PDR定位算法估计每一步用户的坐标；直到用户前进预定步数m后，进行一次基于KWNN的Wi-Fi指纹定位，将Wi-Fi指纹定位结果作为用户当前结果；在随后的m步中，都基于上一次Wi-Fi指纹定位结果进行PDR定位计算即同时利用Wi-Fi指纹定位结果修正PDR算法定位误差，如此循环。

3.根据权利要求2所述的行人航迹推测辅助的Wi-Fi信号指纹定位算法，其特征在于，利用Wi-Fi指纹定位结果修正PDR算法定位误差，能够有效约束误差的积累，其具体计算流程如下：

使用P_t表示用户时刻t所处的真实位置，P_t＝{x_t,y_t}，P_t,PDR和P_t,WiFi分别表示在该时刻使用PDR定位算法和Wi-Fi指纹定位算法得到的结果；

假设t时刻位置P_t,WiFi已通过Wi-Fi信号指纹定位算法得到，在接下来的m步中，使用PDR定位算法进行位置估计；假设步长为l，得到：

角度定义如下：

其中，β_t由传感器获得，表示运动方向变化量；

在m步后，可以计算m步移动的距离与转角：

$\left\{\begin{array}{c}S=\left|\right|P_{t+m,PDR}-P_{t,WiFi}\left|\right|\\ \mathrm{\α}=\arctan \frac{y_{t+m,PDR}-y_{t,PDR}}{x_{t+m,PDR}-x_{t,PDR}}\end{array}\right.---\left(3\right)$

其中，||·||表示欧几里得距离；

使用下列方程更新用户步长，用于后续PDR定位：

PDR周期性的使用Wi-Fi定位进行修正能够有效约束误差的积累。