CN104754735A - 位置指纹库的构建方法以及基于该位置指纹库的定位方法 - Google Patents

Abstract

本发明公开一种位置指纹库的构建方法以及基于该位置指纹库的定位方法，通过采集不同时间段的样本形成指纹序列组，保持了指纹序列的多样化，并且通过指纹序列组代替单个的指纹序列，减小了周围环境的变化对定位结果的影响，并得到所有采样点的基于指纹序列组的位置指纹，将所有采样点的位置指纹组合成位置指纹库；通过将实时获取到的RSSI序列与位置指纹库匹配的结果划分成K个区间，根据匹配的结果划分不同的区间，计算不同区间对应的权重因子的值，即为不同区间内的采样点赋予不同的权重值，以区别不同采样点对待定位点的影响，权重参数通过反馈求解，更能适应定位场景的环境，提高定位精度。

Description

位置指纹库的构建方法以及基于该位置指纹库的定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于WLAN指纹的室内定位方法。

背景技术

目前，WLAN定位系统大致可以分为两类，基于传播模型的定位和基于位置指纹的定位。

由于室内环境比较复杂，而且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，造成传播模型的一些参数难以确定。造成基于传播模型的定位系统定位精度普遍较差或者需要额外的信号测量专用硬件，且需要对网络重新部署，成本较高，造成基于传播模型的定位方式应用范围受到限制。

基于位置指纹的定位方式主要是对定位空间内的环境特征进行抽象和形式化描述，使用定位环境中各个AP(Access Point，无线访问点)的RSSI(Received Signal Strength Indication)序列描述定位环境中的位置信息，并汇集这些RSSI序列构成位置指纹数据库(Radio Map)。最后，使用用户实时测量的RSSI序列与位置数据库中的位置指纹进行匹配，根据指纹库的匹配相似度，完成对用户位置的估计。此种定位方法主要包含两个阶段：离线训练阶段和在线定位阶段。离线训练阶段，目的在于建立一个位置指纹数据库，定位前，定位系统部署人员在定位环境中遍历所有位置，同时在每个采样点收集来自不同AP的RSSI值，将各个AP的MAC地址、RSSI值和采样点的位置信息组成一个关联的三元组数据，保存在位置指纹库中。在线定位阶段，定位时用户在定位区域中，实时采集所有AP接入点的RSSI，并将MAC地址和RSSI值组成二元组，作为位置匹配算法的数据输入，并通过特定的匹配算法进行位置估计。在线定位阶段常见的位置匹配算法是最近邻法(NNSS)和朴素贝叶斯法(Naive Bayes)。NNSS是基于类比学习的匹配方法，使用定位阶段的采样样例和训练阶段的采样样例进行相似度匹配。将训练阶段的RSSI均值称为位置指纹，使用欧式距离描述定位指纹与位置指纹间的相似度，最后，取得相似度最高的位置指纹的坐标作为估计位置。朴素贝叶斯法是使用贝叶斯估计方法进行位置估计，朴素贝叶斯法是一种来源于统计学的分类方法，是贝叶斯分类的一种基于贝叶斯定理的实现，它通过计算目标的后验概率来实现定位。该方法在定位的训练阶段将整个定位区域划分为不同的栅格，并在每个栅格区域中采集各个AP接入点的RSSI作为样本数据。在定位阶段，根据终端采集的实时RSSI，使用贝叶斯公式得出在不同位置的后验概率，最终以后验概率最大的位置作为最终的估计位置。

以上的现有技术中基于位置的指纹定位方法，存在受到室内复杂多变的环境点的影响，造成定位精度的波动性比较大和定位的抗干扰能力差的问题，现有技术中一般通过在同一个采样点采集多次AP的RSSI信息，计算测试点的各个AP的RSSI均值作为该采样点的位置指纹，但是在室内环境下，不同的人流量和不同的时间段都会对接收到AP的RSSI造成很大影响，位置指纹库的非实时性严重影响了定位的精度。

发明内容

本发明为解决室内环境对定位精度的影响的技术问题，提出一种位置指纹库的构建方法以及基于该位置指纹库的定位方法。

本发明采用的技术方案是：位置指纹库的构建方法，其特征在于，包括：

S11：选择I个采样点，并对所有采样点进行统一编号，测量各采样点的位置坐标；

S12：在J个不同时间段内采集当前采样点周围L个AP的RSSI信息，得到J组指纹序列组向量，将所述J组指纹序列组向量组成当前采样点的指纹序列集；

S13：将当前采样点的位置坐标与当前采样点的指纹序列集组合，得到当前采样点基于指纹序列组的位置指纹；

S14：重复步骤S12到S14，得到所有采样点基于指纹序列组的位置指纹，并根据所有采样点的基于指纹序列组的位置指纹得到基于指纹序列组的位置指纹库。

为解决其技术问题，本发明还提供一种基于位置指纹库的定位方法，包括以下步骤：

S21：实时采集定位点周围AP的RSSI信息，得到该定位点在t时刻采集到的RSSI序列，记为向量R_t，计算向量R_t与位置指纹库中的所有采样点的指纹序列组的欧式距离，将得到的所有欧式距离组成序列集D；

S22：计算得到序列集D的均值和标准方差σ，将区间划分为K个子区间；

S23：根据所划分子区间各自的权重因子θ_k以及序列集D，得到采样点的匹配权重值w_i；

S24：根据各个采样点的匹配权重值和位置指纹库中的各个采样点的位置坐标，计算得到定位点的位置坐标。

进一步地，所述采样点的匹配权重值w_i根据以下公式计算：

$w_i=\underset{d_{i,j}\∈D,j=1}{\overset{j=J}{\mathrm{\Σ}}}\left(\underset{d_{i,j}\∈Q_k,k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\θ}}_k\right);$     (公式4)

其中，Q_k为将区间划分为K个子区间中的其中一个子区间，k＝1,…,k,…K。

更进一步地，所划分区间各自的权重因子(θ₁,...,θ_k,...,θ_K)计算过程为：随机选择N个测试点，测量得到每个测试点n的实际位置坐标(x_n,y_n)，通过公式计算得到测试点n包含参数(θ₁,...,θ_k,...,θ_K)的坐标采用非线性最小二乘法计算得到使得函数f值最小的(θ₁,...,θ_k,...,θ_K)；

$f=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}[{(x_n-{\hat{x}}_n)}^2+{(y_n-{\hat{y}}_n)}^2]$       (公式5)。

更进一步地，所述N≥K。

本发明的有益效果：本发明的一种位置指纹库的构建方法以及基于该位置指纹库的定位方法，通过采集不同时间段的样本形成指纹序列组，保持了指纹序列的多样化，通过指纹序列组代替单个的指纹序列，减小了周围环境的变化对定位结果的影响；区间划分加权匹配方法将实时获取到的RSSI序列与位置指纹库匹配的结果划分成K个区间，根据匹配的结果划分不同的区间，计算不同区间对应的权重因子的值，即为不同区间内的采样点赋予不同的权重值，以区别不同采样点对待定位点的影响，权重参数通过反馈求解，更能适应待定位点的环境，提高定位精度。

附图说明

图1为本发明的方案流程图；

其中，图1(a)为本发明的位置指纹库的构建方法流程图，图1(b)为本发明的基于位置指纹库的定位方法流程图。

图2是某测试点分组加权匹配中D序列集的分布以及K＝3分组结果图。

图3是本发明定位场景抽象图。

图4是本发明具体实施实物流程图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的方案流程图，本发明的一种位置指纹库的构建方法以及基于该位置指纹库的定位方法。

如图1(a)所示为位置指纹库的构建方法流程图，在定位场景中抽象出固定的采样点，通过基于指纹序列组的位置指纹库的构建方法完成对本地位置指纹库的构建。具体包括以下步骤：

S11：选择I个采样点，并对所有采样点进行统一编号，测量各采样点的位置坐标；例如，采样点1的坐标记为(x₁,y₁)，采样点2的坐标记为(x₂,y₂)……采样点i的坐标记为(x_i,y_i)……采样点I的坐标记为(x_I,y_I)。

S12：在J个不同时间段内采集当前采样点周围L个AP的RSSI信息，得到J组指纹序列组向量，将所述J组指纹序列组向量组成当前采样点的指纹序列集；例如，随机采集J＝70个不同时间段内，采样点i周围的L个AP的RSSI信息，则获得70组指纹序列组，表示为向量R_i1，R_i2，...，R_i70，将这70组指纹序列组组成一个集合，称为采样点i的指纹序列集表示为Ω_i。

S13：将当前采样点的位置坐标与当前采样点的指纹序列集组合，得到当前采样点基于指纹序列组的位置指纹；例如，采样点i的位置坐标为(x_i,y_i)，与该采样点的指纹序列集Ω_i组合成一个二元组为((x_i,y_i),Ω_i)，即得到该采样点基于指纹序列组的位置指纹。

S14：重复步骤S12到S14，得到所有采样点基于指纹序列组的位置指纹，并根据所有采样点的基于指纹序列组的位置指纹得到基于指纹序列组的位置指纹库。

如图1(b)所示为本发明的基于位置指纹库的定位方法流程图，具体包括以下步骤：

S21：实时采集定位点周围AP的RSSI信息，得到该定位点在t时刻采集到的RSSI序列，记为向量R_t，计算向量R_t与位置指纹库中的所有采样点的指纹序列组的欧式距离，将得到的所有欧式距离组成序列集D；例如，该定位点在t时刻采集到的RSSI序列，记为向量R_t＝(rssi_1,t,rssi_2,t,…,rssi_L,t)，计算R_t与位置指纹库中的所有采样点的指纹序列组R_ij的欧式距离d_i,j，计算公式如下：

$d_{i,j}=\mathrm{Dist}(R_t,R_{\mathrm{ij}})=\sqrt{{\left|\right|R_t-R_{\mathrm{ij}}\left|\right|}^2};$      (公式1)

将计算得到的所有的欧式距离组成序列集：

D＝(d_1,1,...,d_1,j,...,d_1,J,...,d_i,1,...,d_i,j,...,d_i,J,...,d_I,1,...,d_I,j,...,d_I,J)；

S22：计算得到序列集D的均值和标准方差σ，将区间划分为K个子区间；例如，第k个子区间Q_k的计算方式如下，定义区间分配因子α，则区间分配因子α为

$\mathrm{\α}=\frac{\stackrel{\‾}{D}-\min \left(D\right)}{\mathrm{K\σ}}$     (公式2)

则区间Q_k计算式为：

$Q_k=\left\{\begin{array}{c}[\min \left(D\right)+(k+1)\mathrm{\&alpha;\&sigma;},\min \left(D\right)+\mathrm{k\&alpha;\&sigma;}),0<k<K\\ [\min \left(D\right)+(k-1)\mathrm{\&alpha;\&sigma;},\stackrel{\&OverBar;}{D}],k=K\end{array}\right.$    (公式3)；

K的值越大，则区间划分的越密集，定位精度越高，但是同时也提高了定位方法的计算量，K值太小，则区间越大，定位精度降低，在本领域中K的取值通常为K≥3，例如，本实施例中K取值为3～5，本领域的普通技术人员应注意，此处K的取值仅用于说明本发明内容，而不局限于此。对于序列集D中的元素，值越大对位置估计的结果影响越小，计算量却大幅度增加，因此在既保证位置估计精确度，又保证合适的计算量的基础上，分区时只考虑区间

S23：根据所划分子区间各自的权重因子θ_k以及序列集D，得到采样点的匹配权重值w_i；例如，根据序列集D，假设第k个子区间的权重因子θ_k，则临近采样点i点的权重表示为w_i，则

$w_i=\underset{d_{i,j}\&Element;D,j=1}{\overset{j=J}{\mathrm{\&Sigma;}}}\left(\underset{d_{i,j}\&Element;Q_k,k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_k\right)$       (公式4)

第k个子区间的权重因子θ_k具体计算方式为：在定位场景中随机选择N(N≥K)个测试点，对该N个测试点统一标号n(n＝1,2,...,N)。对于每个测试点n，测量出该测试点的实际位置坐标表示为(x_n,y_n)；

通过计算得到该点包含(θ₁...θ_k...θ_K)未知参数的坐标表示为例如，取K＝3，如图2所示为测试点分组加权匹配中D序列集的分布以及K＝3分组结果图，具体步骤如下：

1)、在定位场景中随机选择N(N≥K)个测试点，

2)、通过实时采集每个测试点周围AP的RSSI信息，可以获得该测试点t时刻采集到的RSSI序列，记为向量R_t＝(rssi_1,t,rssi_2,t,…,rssi_L,t)，由于测试点周围的AP分布与定位点周围的AP分布一样，因此这里的得到的测试点t时刻采集到的RSSI序列与定位点t时刻采集到的RSSI序列相同，以保证所采集到的数据的一致性。

3)、将R_t向量与位置指纹库中的每一个采样点的指纹序列组进行匹配得到序列集D；

D＝(d_1,1,...,d_1,j,...,d_1,J,...,d_i,1,...,d_i,j,...,d_i,J,...,d_I,1,...,d_I,j,...,d_I,J)。

4)、计算得到序列集的均值和标准方差σ，假设令K＝3，将区间划分为3个子区间，即Q₁、Q₂、Q₃，则子区间匹配因子 $Q_1[\min \left(D\right),\min \left(D\right)+\frac{\stackrel{\&OverBar;}{D}-\min \left(D\right)}{3}),$ 对应的权重因子为θ₁ $Q_2=[\min \left(D\right)+\frac{\stackrel{\&OverBar;}{D}-\min \left(D\right)}{3},\min \left(D\right)+2\frac{\stackrel{\&OverBar;}{D}-\min \left(D\right)}{3}),$ 对应的权重因子为θ₂ $Q_2=[\min \left(D\right)+2\frac{\stackrel{\&OverBar;}{D}-\min \left(D\right)}{3},\stackrel{\&OverBar;}{D}],$ 对应的权重因子为θ₃

5)、假设序列集D中采样点i的匹配序列(d_i,1,…,d_i,j,…,d_i,J)落在子区间Q₁、Q₂、Q₃的个数分别为m_i,1、m_i,2、m_i,3；则采样点i的权重为w_i＝m_i,1θ₁+m_i,2θ₂+m_i,3θ₃。

6)、通过公式计算得到的测试点位置坐标是关于(θ₁,θ₂,θ₃)的函数。测量出该测试点的实际位置坐标表示为(x_n,y_n)，定义函数f，如公式5，通过非线性最小二乘法，计算出使得函数f的值最小的(θ₁,θ₂,θ₃)值。

$f=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}[{(x_n-{\hat{x}}_n)}^2+{(y_n-{\hat{y}}_n)}^2]$      (公式5)

S24：根据各个采样点的匹配权重值和位置指纹库中的各个采样点的位置坐标，计算定位点的位置坐标；例如，将步骤S23得到的(θ₁,...,θ_k,...,θ_K)带入到公式4中，计算得到各采样点的匹配权重值w_i，根据得到的各采样点的匹配权重值w_i，通过以下公式计算得到待定位点位置坐标：

${\hat{x}}_t=\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\frac{w_i{x}_i}{\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{w}_i},{\hat{y}}_t=\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\frac{w_i{y}_i}{\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{w}_i}$    (公式6)。

图3所示为定位场景的抽象图，图中主要包含了采样点，测试点、待定位点以及AP的位置分布。采样点，主要通过在该点处测量该点的位置和采集周围AP的RSSI值，构建基于指纹序列组的位置指纹库；测试点，主要通过实际测该点的位置计算出定位参数的值；待定位点，为定位用户所在的位置，估算该点的坐标。

图4表示具体实施示意图，主要分为三个阶段离线训练阶段、参数计算阶段和定位阶段。

离线训练阶段，即本申请方案的步骤S11～S14，在定位场景中抽象出固定的采样点，通过基于指纹序列组的位置指纹库的构建方法完成对本地位置指纹库的构建。

参数计算阶段，即本申请方案的步骤S21～S23，在该阶段，基于指纹序列组的分组加权匹配方法中的每组的权重因子θ_k为未知数，即该阶段的目的是确定(θ₁,...,θ_k,...,θ_K)的值。

定位阶段，即本申请方案的步骤S24，将计算参数阶段计算出来的(θ₁,...,θ_k,...,θ_K)代入到公式4中，将实际定位用户抽象为待定位点，通过本申请的方法完成对待定位位置的实际估计。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (5)

1.位置指纹库的构建方法，其特征在于，包括：

S11：选择I个采样点，并对所有采样点进行统一编号，测量各采样点的位置坐标；

S12：在J个不同时间段内采集当前采样点周围L个AP的RSSI信息，得到J组指纹序列组向量，将所述J组指纹序列组向量组成当前采样点的指纹序列集；

S13：将当前采样点的位置坐标与当前采样点的指纹序列集组合，得到当前采样点基于指纹序列组的位置指纹；

S14：重复步骤S12到S14，得到所有采样点基于指纹序列组的位置指纹，并根据所有采样点的基于指纹序列组的位置指纹得到基于指纹序列组的位置指纹库。

2.基于位置指纹库的定位方法，其特征在于，包括以下步骤：

S21：实时采集定位点周围AP的RSSI信息，得到该定位点在t时刻采集到的RSSI序列，记为向量R_t，计算向量R_t与位置指纹库中的所有采样点的指纹序列组的欧式距离，将得到的所有欧式距离组成序列集D；

S22：计算得到序列集D的均值和标准方差σ，将区间划分为K个子区间；

S23：根据所划分子区间各自的权重因子θ_k以及序列集D，得到采样点的匹配权重值w_i；

S24：根据各个采样点的匹配权重值w_i和位置指纹库中的各个采样点的位置坐标，计算得到定位点的位置坐标。

3.根据权利要求2所述的基于位置指纹库的定位方法，其特征在于，所述采样点的匹配权重值w_i根据以下公式计算：

$w_i=\underset{d_{i,j}\&Element;D,j=1}{\overset{j=J}{\mathrm{\&Sigma;}}}\left(\underset{d_{i,j}\&Element;Q_k,k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_k\right)$       (公式4)；

其中，Q_k为将区间划分为K个子区间中的其中一个子区间，k＝1,…,k,…K。

4.根据权利要求3所述的基于位置指纹库的分组加权匹配定位方法，其特征在于，所划分区间各自的权重因子θ_k计算过程为：随机选择N个测试点，测量得到每个测试点n的实际位置坐标(x_n,y_n)，通过公式计算得到测试点n包含参数θ_k的坐标采用非线性最小二乘法计算得到使得函数f值最小的θ_k；

$f=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}[{(x_n-{\hat{x}}_n)}^2+{(y_n-{\hat{y}}_n)}^2]$       (公式5)。

5.根据权利要求4所述的基于位置指纹库的分组加权匹配定位方法，其特征在于，所述N≥K。