CN104853317B - 一种WiFi室内定位中指纹库的构建及更新方法 - Google Patents

Abstract

本发明涉及一种WiFi室内定位中指纹库的构建及更新方法，它有七大步骤。具体说是一种在WiFi室内定位系统离线构建阶段利用锚节点位置的信号强度和地理权重回归方法进行指纹库的构建，在定位系统在线运行阶段采用自适应的回归更新方法。该方法能够大大缩减WiFi室内定位系统指纹库构建的成本，并实现了当环境、时间等因素变化时，指纹库的自适应更新。

Description

一种WiFi室内定位中指纹库的构建及更新方法

技术领域

本发明涉及一种WiFi室内定位中指纹库的构建及更新方法，具体说是一种在WiFi室内定位系统离线构建阶段利用锚节点位置的信号强度和地理加权回归方法进行指纹库的构建，在定位系统在线运行阶段采用自适应的回归更新方法。该方法能够大大缩减WiFi室内定位系统指纹库构建的成本，并实现了当环境、时间等因素变化时，指纹库的自适应更新以保证定位系统的精度。属于WiFi室内定位技术领域。

背景技术

随着人类社会发展，人们对自身位置信息的需求越来越大，由此发展了诸多的导航定位系统。全球卫星导航系统(GNSS)为人们提供了高精度、全天候的定位服务，但是由于其测量信号不能穿透建筑物的特点，在高密集建筑群区和室内无法有效进行GNSS定位服务，不能满足人们对任意时间，任意位置的定位需求。

为了解决高密集建筑群区和室内定位难题，国内外专家提出了一系列技术方案，例如：基于移动通信网络的辅助GNSS(A-GNSS)、伪卫星技术、射频标签(RFID)等。尽管各种技术的精度和易用性各有差别，但是大多数技术需要布设额外设备和改装大量已有设备，可用性弱。从技术成熟和大规模应用的角度考虑，基于WiFi指纹的室内定位系统已成为当前主流的、也是未来最具发展潜力的室内定位技术。

WiFi指纹室内定位系统通过测量来自接入点AP(Access Point)的接收信号强度RSSI(Received Signal Strength Index)估计出移动设备的位置。该定位系统分为指纹库离线采样和在线定位两个阶段。指纹库是通过在环境中的每个参考点进行测量，由它们接收到来自该环境中各个AP的信号强度值向量组成。然而，为获得准确的指纹库，对信号向量进行测量和位置标注是一件很耗时耗力的工作。此外，由于无线电在室内传播易受到门的开启及闭合，障碍物的变动，人的走动等多重因素影响，为提高室内定位系统的鲁棒性，传统方法需要在参考点处多次测量并定期重复采样来人工更新指纹库。因此本发明提出了一种基于锚节点的地理权重回归方法来构建指纹库，并自适应地进行更新。

专利CN10374719A中涉及了一种基于信号强度差值与动态线性插值的室内定位方法。该方法采用线性插值法进行构建频谱训练图谱，并不能较好地建模信号传播特征。而本发明则利用了地理加权回归算法，建模了不同区域的回归系数都不相同，且离开已知点的距离与回归加权系数成反比的特点进行构建数据库，精度更高。

专利CN103945531A中提出了一种基于信息熵的WLAN室内定位Radio Map更新方法，主要是利用隐马尔科夫模型对离线阶段的Radio Map进行更新，具有较高的计算复杂度。

专利CN103648090A中提供了一种WiFi室内定位中指纹库的构建方法，通过不断去除奇异值来降低整体数据的波动程度。该专利主要的数据库构建来源还是通过人工采集，耗费较大。

发明内容

本发明的目的在于：提供一种WiFi室内定位中指纹库的构建及更新方法，以解决现有WiFi室内定位系统中，采样耗费大及需要人工定期重复采样的问题。

本发明的技术方案：

为了优化目前广泛使用的WiFi指纹的室内定位系统，解决采样耗费大及需要定期重复采样的问题，本发明提出了一种在离线构建阶段利用锚节点上报的信号强度及位置信息和地理权重回归方法进行指纹库的构建，在定位系统在线运行阶段采用自适应更新的回归方法。

本发明一种WiFi室内定位中指纹库的构建及更新方法，它包括以下几个步骤：

步骤一：在待定位区域布放锚节点，例如房间、走廊拐角、其他定位精度需求高的区域，保证每个AP覆盖范围内有至少三个锚节点。并在定位服务器中记录每个锚节点的位置和对应序号；

其中，所述的“锚节点”是一种简易的WiFi终端，由供电模块、WiFi发射及接收模块组成，功能是周期性地接收周围AP的信号强度，并将信号强度和位置信息打包发送给定位服务器。

其中，所述的“定位服务器”是用于定位计算的设备，运行着定位算法，用于计算。该“定位算法”是指KNN(K nearest nodes)等定位结果计算算法，数据库更新算法等室内定位相关的算法。

步骤二：定位服务器根据这些锚节点上报上来的扫描数据包，集合AP的位置信息以及锚节点的位置信息，利用地理加权回归算法对整个区域的指纹库进行回归构建。

其中，所述的“扫描数据包”由锚节点周期性地上报得到，内容包括该锚节点附近AP的MAC地址以及对应的信号强度列表；

扫描数据包列表	AP1	信号强度
			1	MAC1	RSSI1
2	MAC2	RSSI2
			3	MAC3	RSSI3
…	…	…

其中，所述的地理加权回归算法是指一种回归算法，该算法利用已知信息加权时，不同区域的回归系数都不相同，且离开已知点的距离与回归加权系数成反比。这与信号的传播特征近似，即不同区域的传播衰减因子不同，且距离越远，相关度越小。

步骤三：基于锚节点周期性上报的数据包，对锚节点进行周期性地定位，根据已知的锚节点位置得到每个锚节点的平均定位误差；

步骤四：根据每个锚节点的平均定位误差，判断是否大于一定的精度容忍门限；

其中，所述的“精度容忍门限”，是用于判断当前定位精度是否满足需求的精度门限，可以通过系统输入，例如5m。

步骤五：如果某个锚节点的平均误差大于了该精度容忍门限，则认为该锚节点附近区域的信号特征发生了变化，需要对指纹库进行自适应更新；

其中，所述的“自适应更新”是指一旦判断到某个锚节点的平均误差大于精度容忍门限，本方法就会自动地对该锚节点附近的指纹信息进行更新。指纹库更新时也采用地理加权回归算法。

步骤六：对需要更新的区域，采用步骤二的方法进行自适应地理加权回归，得到更新后的指纹库；

步骤七：持续进行在线监测，保证定位精度满足需求。

本发明的优点在于：

一、通过布放WiFi锚节点，结合地理权重回归算法能够便捷地进行指纹库的构建，并得到较高的定位精度；

二、通过实时分析每个锚节点的平均定位误差，来判断是否需要某个区域的指纹信息，并自适应地进行指纹库更新；

三、解决现有WiFi室内定位系统中，采样耗费大及需要人工定期重复采样更新指纹库的问题。

附图说明

图1WiFi指纹室内定位系统图。

图2WiFi指纹室内定位场景图。

图3本发明所述方法流程图。

图4基于本发明构建的数据库信号强度误差图。

图5基于本发明构建的数据库定位误差图。

图6基于本发明更新数据库的定位误差图。

图中符号、代号说明如下：

AP Access Point无线接入点

WiFi Wireless Fidelity无线保真技术

RSSI Received signal strength index接收信号强度指示

具体实施方式

参见图1，基于本发明的WiFi指纹室内定位系统包括AP、锚节点和定位服务器。在离线阶段，首先将区域进行栅格化，分成很多小区域，并布放上锚节点，构建指纹数据库并存储在定位服务器中。在线阶段时，将终端用户测量得到的信号矢量输入定位算法获得最终的定位结果。

参见图2，为典型的室内定位场景，其中包括布放的AP和锚节点，以及实心点表示的信号参考点。整个区域为55m*10m，共有4个AP和3个锚节点。基于本发明的方法来实现定位系统的指纹数据库的构建及更新。参见图2、图3，它包括下述步骤：

步骤一：根据定位场景，房间、走廊拐角、其他定位精度需求高的区域布放锚节点；

步骤二：锚节点布放成功后，将每个锚节点的MAC地址及实际位置对应起来，记录在数据库里。然后，基于每个锚节点上报的扫描AP列表使用地理加权回归算法进行数据库的构建；

其中所述的“使用地理加权回归算法进行数据库的构建”的具体操作步骤为：

步骤2.1：使用下面的对数距离模型进行拟合信号强度的变化，同时考虑了距离和穿墙带来的损耗；其中A，B，C表示信号衰减模型的参数，S表示噪声。PL表示路径衰减，d表示该点与AP之间的距离，d₀＝1m。

PL＝A+Blog(d/d₀)+Cexp(log(d/d₀)/loge)+S

步骤2.2：将路径衰减模型运用到地理加权回归算法中，建模如下：

Y＝β₀(x,y)+β₁(x,y)X₁+β₂(x,y)X₂+ε

X_i1＝log(d_i)

X_i2＝exp(log(d_i)/loge)i＝1,2...n

其中，Y表示在参考点处接收到的信号强度RSSI值，β₀(x,y)和β₁(x,y)表示在位置(x,y)处的路径衰减系数，X_i1表示第i个锚节点与该AP的距离参量，X_i2表示第i个锚节点与该AP之间与墙相关的参量。d_i表示第i个锚节点与该AP的距离，n表示锚节点的个数。ε_i表示测量噪声。

步骤2.3：根据核函数模型计算权重系数，采用如下的高斯核函数:

其中w_i(x,y)表示第i个锚节点在位置(x,y)处的地理权重，表示第i个锚节点与待计算参考点之间的欧式距离d_i(x,y)。h表示窗长系数。

步骤2.4：计算每个参考点相对于锚节点的地理系数，其中W(x,y)表示地理权重系数矩阵。

W(x,y)＝Diag(w₁(x,y),w₂(x,y),...,w_p(x,y))

步骤2.5：回归计算每个参考点处的信号强度RSSI

其中X_pointi表示在参考点(x_i,y_i)处的参数矩阵。

就是通过本发明的方法构建的指纹数据库，用于存储在定位服务器中，进行定位计算。

步骤三：在WiFi定位系统开始工作后，基于锚节点周期性上报的数据包，对锚节点进行周期性地定位，计算每个锚节点的平均定位误差；

其中，所述的“对锚节点进行周期性地定位，计算每个锚节点的平均定位误差”，具体步骤如下：

步骤3.1：根据锚节点周期性上报的信号矢量R_p＝(RSSI_p1,RSSI_p2,...,RSSI_pm)，结合步骤二中构建的指纹数据库，计算信号矢量与指纹库中每个参考点R_t＝(RSSI_t1,RSSI_t2,...,RSSI_tm)之间的欧式距离；

步骤3.2：寻找数据库中与该信号矢量最相似的参考点，并将该参考点的坐标作为定位结果；

X_result＝(x_t,y_t)t＝min(d_pt)t＝1,2,...,N

步骤3.3：结合部署锚节点时的位置，计算每个锚节点的定位误差，重复T次，计算每个锚节点的平均定位误差。

步骤四：比较该锚节点的平均误差是否大于精度容忍门限值；

其中，所述的“精度容忍门限”，是用于判断当前定位精度是否满足需求的精度门限，可以基于系统定位需求输入，例如5m。

步骤五：如果某个锚节点的平均误差大于了该精度容忍门限，则认为该锚节点附近区域的信号特征发生了变化，需要对指纹库进行更新；

步骤六：对需要更新的区域，采用步骤二的方法进行自适应地理加权回归，得到更新后的指纹库；

步骤七：持续进行在线监测，保证定位精度满足需求。

如图4所示，依照本发明的方法在图2所示的场景中实际实验得到了各AP的RSSI回归估计值与实际值之间的误差。Y轴表示的是RSSI值，X轴表示各个采样点。带圆形的标线表示实际的RSSI值，带三角形的标线表示估计的RSSI值。从表1统计可以看出各AP的总体平均RSSI误差为3.75dBm，能够满足WiFi室内定位系统对于指纹数据的要求。

表1 构建各AP指纹库RSSI误差

如图5所示，依照本发明的方法构建指纹库后进行了实际精度测试，图中每一个柱状表示的是该测试点的定位误差，总体的平均误差为3.9米。因此，本依照本发明的方法构建的指纹库获得了较高的定位精度。

如图6所示，依照本发明的方法进行实时更新指纹数据库得到了定位精度对标结果。实验时，在图2所示的场景，从早上8:00到下午18:00进行了精度测试，并记录下了平均定位精度。图6中实线方块标线表示的是不采用本发明进行平均定位误差，而虚线圆形标线表示的是采用本发明方法进行实时指纹库更新的平均定位误差。结果表明，采用本发明后能够较好地根据环境时间及信号特征的变化更新指纹库，来保证较高的定位精度，特别是在11:00和17:00时刻，定位精度都有大幅提高。

Claims (1)

1.一种WiFi室内定位中指纹库的构建及更新方法，其特征在于：它包括以下步骤：

步骤一：在待定位区域布放锚节点，房间、走廊拐角、其他定位精度需求高的区域，保证每个AP覆盖范围内有至少三个锚节点，并在定位服务器中记录每个锚节点的位置和对应序号；

其中，所述的“锚节点”是一种简易的WiFi终端，由供电模块、WiFi发射及接收模块组成，功能是周期性地接收周围AP的信号强度，并将信号强度和位置信息打包发送给定位服务器；

其中，所述的“定位服务器”是用于定位计算的设备，运行着定位算法，用于计算；该“定位算法”是指KNN即K nearest nodes定位结果计算算法，数据库更新算法室内定位相关的算法；

步骤二：定位服务器根据这些锚节点上报上来的扫描数据包，集合AP的位置信息以及锚节点的位置信息，利用地理加权回归算法对整个区域的指纹库进行回归构建；

其中，所述的“扫描数据包”由锚节点周期性地上报得到，内容包括该锚节点附近AP的MAC地址以及对应的信号强度列表；

其中，所述的地理加权回归算法是指一种回归算法，该算法利用已知信息加权时，不同区域的回归系数都不相同，且离开已知点的距离与回归加权系数成反比，这与信号的传播特征近似，即不同区域的传播衰减因子不同，且距离越远，相关度越小；

步骤三：基于锚节点周期性上报的数据包，对锚节点进行周期性地定位，根据已知的锚节点位置得到每个锚节点的平均定位误差；

步骤四：根据每个锚节点的平均定位误差，判断是否大于一定的精度容忍门限；

其中，所述的“精度容忍门限”，是用于判断当前定位精度是否满足需求的精度门限，通过系统输入；

步骤五：如果某个锚节点的平均定位误差大于了该精度容忍门限，则认为该锚节点附近区域的信号特征发生了变化，需要对指纹库进行自适应更新；

其中，所述的“自适应更新”是指一旦判断到某个锚节点的平均定位误差大于精度容忍门限，本方法就会自动地对该锚节点附近的指纹信息进行更新，指纹库更新时也采用地理加权回归算法；

步骤六：对需要更新的区域，采用步骤二的方法进行自适应地理加权回归，得到更新后的指纹库；

步骤七：持续进行在线监测，保证定位精度满足需求。