CN105044668A - 一种基于多传感器装置的wifi指纹数据库构建方法 - Google Patents

Abstract

本发明适用于wifi指纹定位技术领域，提供了一种基于多传感器装置的wifi指纹数据库构建方法，所述方法包括：初始化多传感器装置的导航状态；携带所述多传感器装置在待构建wifi指纹数据库或待更新wifi指纹数据库的目标区域运动，所述多传感器装置的处理器实时获取各传感器采集的数据，所述采集的数据包括由加速度计和磁强计获取的速度信息和姿态信息，以及由无线信号收发器获取的wifi信号；根据导航算法计算所述多传感器的位置信息，并根据同时间采集的wifi信号组合构建或更新wifi指纹数据库。本发明实施例利用传感器提供的连续导航信息，取代传统的逐点测量方法，来完成WiFi数据库的构建和更新工作。

Description

一种基于多传感器装置的wifi指纹数据库构建方法

技术领域

本发明属于wifi指纹定位技术领域，尤其涉及一种基于多传感器装置的wifi指纹数据库构建方法。

背景技术

面对公众的位置服务(LocationBasedServices，简写为LBS)时代的来临，以及智能手机等移动终端的普及，使随时随地获取个人位置及周边服务信息的需求越来越大。作为获取空间信息数据的主要手段，导航定位是LBS的一项核心技术。

基于WiFi的定位系统具有不需额外增加或改造现有硬件、成本低等特点，因此是当前最具前景室内导航定位途径之一。其中WiFi指纹识别定位技术直接使用接收到的无线信号的强度，而不需要考虑障碍物、多径效应等对信号传播的影响，因此更为常用。该方法的工作原理是在导航过程中将在待测点处实时采集到的信号指纹(即能接收到的WiFi路由器(以下简称热点)的物理地址(mac地址)，各热点发出的信号强度)，与实现构建好的WiFi指纹数据库(以下简称WiFi数据库)中的各参考点的信号指纹相对比，从而选出与待测点信号指纹最接近的一个或几个参考点，并利用所选参考点的位置信息来计算待测点的位置。因此，构建高精度的WiFi数据库至关重要，因为其精度将直接决定其导航定位结果的精度。

但是，目前WiFi指纹匹配定位技术推广普及仍面临一个重要问题，即需要定期采集和更新数据库。这是因为建筑物内增加新的热点(即WiFi信号接入点)、热点位置变动等都会导致WiFi信号分布情况变动，进而导致事先构建的WiFi数据库在后期使用时精度降低甚至失效。

为了解决WiFi信号分布情况变动的问题，现有的解决方案主要是定期(如每隔一个月)采集建筑物内的WiFi分布情况，以更新WiFi数据库，从而维持其定位精度。WiFi数据库的构建和更新需要在目标区域内布满参考点，并使用人为标定的方法逐点找到各参考点的位置信息，结合在每个点分别采集的WiFi指纹来完成。因此，为了保证wifi定位精度，需要有足够的参考点密度。因此，对于面积较大的建筑物，WiFi数据库的构建和更新需要耗费大量时间和人力。

发明内容

本发明实施例的目的在于提供一种基于多传感器装置的wifi指纹数据库构建方法，以解决现有技术的问题。

本发明实施例是这样实现的，一种基于多传感器装置的wifi指纹数据库构建方法，所述多传感器装置包括加速度计、磁强计、陀螺仪、无线信号收发器和处理器，所述方法包括：

初始化多传感器装置的导航状态，其中，所述导航状态包括初始位置信息、初始速度信息和初始姿态信息；

携带所述多传感器装置在待构建wifi指纹数据库或待更新wifi指纹数据库的目标区域运动，所述多传感器装置的处理器实时获取各传感器采集的数据，所述采集的数据包括由加速度计和磁强计获取的速度信息和姿态信息，以及由无线信号收发器获取的wifi信号；

根据导航算法计算所述多传感器的位置信息，并根据同时间采集的wifi信号组合构建或更新wifi指纹数据库。

优选的，所述初始姿态信息包括初始水平姿态角和初始航向角，具体的：

所述初水平姿态角包括横滚角和俯仰角，具体由所述加速度计采集的数据利用如下公式获得：

φ＝tan^-1(f_y/f_z)

$\mathrm{\θ}={\tan }^{-1}(f_x/\sqrt{f_y^2+f_z^2})$

其中f_x、f_y及f_z分别为加速度计采集的x、y及z轴方向的比力值，φ为初始横滚角和θ为俯仰角；

所述初始航向角是通过所述磁强计利用如下公式获得：

ψ＝tan^-1(m_YH/m_XH)

其中m_XH＝m_xcosθ+m_ysinφsinθ+m_zcosφsinθ，m_YH＝m_ycosφ-m_zsinφ，m_x、m_y及m_z分别为x、y及z轴方向的磁强计输出。

优选的，所述加速度计和磁强计的采集频率设定为20-100Hz，所述无线信号收发器对wifi信号的采样频率设定为0.2-1Hz。

优选的，所述根据导航算法计算所述多传感器的位置信息，具体包括：

以使加速度计、磁强计、陀螺仪的采集参数作为输入，并使用惯性导航卡尔曼滤波算法实时计算设备的姿态信息；

所述计算得到的设备的姿态信息和行人航迹推算导航卡尔曼滤波算法结合，计算得到多传感器的位置信息。

优选的，所述惯性导航卡尔曼滤波算法具体由卡尔曼滤波系统模型实现，所述卡尔曼滤波系统模型表现为以下公式：

$\left[\begin{array}{c}\mathrm{\δ}{\stackrel{\·}{r}}^n\\ \mathrm{\δ}{\stackrel{\·}{v}}^n\\ \stackrel{\·}{\mathrm{\ψ}}\end{array}\right]=\left[\begin{array}{c}-{\mathrm{\ω}}_{en}^n\×{\mathrm{\δr}}^n+{\mathrm{\δv}}^n\\ -(2{\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{en}^n)\×{\mathrm{\δv}}^n+f^n\×\mathrm{\ψ}+C_b^n{\mathrm{\δf}}^b\\ -({\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{ec}^n)\×\mathrm{\ψ}-C_b^n{\mathrm{\δ\ω}}_{ib}^b\end{array}\right]$

其中δrⁿ、δvⁿ和ψ为位置误差、速度误差和姿态误差；C_b ⁿ是载体坐标系到导航坐标系的方向余弦矩阵；fⁿ为比力；和分别为地球自转角速度和装置在地球表面运动造成的角速度；符号“×”表示两个向量的叉乘；δf^b和分别为加速度计和陀螺的误差。

优选的，所述加速度计和陀螺的误差的计算方法具体为：

${\mathrm{\δf}}^b=b_a+diag\left({\tilde{f}}^b\right){\mathrm{\δs}}_a+w_a$

${\mathrm{\δ\ω}}_{ib}^b=b_g+diag\left({\widetilde{\mathrm{\ω}}}_{ib}^b\right){\mathrm{\δs}}_g+w_g$

其中b_a和b_g分别为加速度计和陀螺零偏，δs_a和δs_g分别为加速度计和陀螺比例因子误差，w_a和w_g为加速度计和陀螺噪声，和为加速度计和陀螺测量值，符号diag(·)为由向量生成的对角阵。

优选的，所述行人航迹推算导航卡尔曼滤波算法具体由行人航迹推算导航卡尔曼滤波模型实现，所述行人航迹推算导航卡尔曼滤波模型表现为以下公式：

其中下标k和k+1代表所走步数，λ、ψ、s及b分别为纬度、经度、航向角、步长和垂向陀螺零偏；R_m、R_n及h分别为地球子午圈曲率半径、卯酉圈曲率半径和用户所在点高程。

优选的，所述根据同时间采集的wifi信号组合构建或更新wifi指纹数据库，具体包括：

对于各时刻的位置信息，计算其时标与所有可能与之匹配的WiFi信号的时标差值，并找到时标差值最小的WiFi信号；若判断该时标小于时差阈值，则将所找到WiFi信号与该时刻的位置信息组合，其中，所述时差阈值为预先设定的小于位置信息采样间隔的值。

优选的，所述构建或更新wifi指纹数据库的存储形式，具体为：

F_i＝{r_i,σ_ri,(MAC₁,RSS₁)_i,(MAC₂,RSS₂)_i,…,(MAC_n,RSS_n)_i}

其中F_i为第i时间历元的指纹，r_i和σ_ri分别为多传感器导航位置结果及其精度；n为当前时刻能接收到信号的WiFi路由器的数目，MAC_j和RSS_j分别为当前第j个WiFi路由器的mac地址及其信号强度。

优选的，根据同时间采集的wifi信号组合构建或更新wifi指纹数据库，还包括wifi信号的预处理，具体包括：

对WiFi信号的过滤，具体为选定一个阈值th_ss，低于该强度的WiFi信号将被定义为弱信号而删除；或者，

WiFi信号权重设定，具体为根据各信号的强度，设定其相应的权重。

本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的有益效果包括：本发明实施例利用传感器提供的连续导航信息，取代传统的逐点测量方法，来完成WiFi数据库的构建和更新工作。一方面，将WiFi数据库的构建和更新从静态、逐点处理变成了动态、连续处理，大大节省工作时间；另一方面，所有参考点位置的将由多传感器导航算法提供，而不再需要人工去逐点获取，从而降低工作量。因此，本方法可大幅缩短甚至省去专门的人工维护工作量，降低运营成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的流程图；

图2是本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的流程图；

图3是本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示为本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法，所述多传感器装置包括加速度计、磁强计、陀螺仪、无线信号收发器和处理器，所述方法包括：

在步骤201中，初始化多传感器装置的导航状态，其中，所述导航状态包括初始位置信息、初始速度信息和初始姿态信息。

其中，所述多传感器装置可使用实体上的传感器或技术，比如陀螺、加速度计、磁强计、气压高程计、GPS等，也可增加虚拟传感器，如由一组相片构成的虚拟陀螺、虚拟里程计，由地图信息提供的路标位置等。步骤1中所指装置，既可以是使用上述传感器搭建的专业测量或导航系统或平台，也可以是包含上述传感器的移动设备，如智能手机。

在步骤202中，携带所述多传感器装置在待构建wifi指纹数据库或待更新wifi指纹数据库的目标区域运动，所述多传感器装置的处理器实时获取各传感器采集的数据，所述采集的数据包括由加速度计和磁强计获取的速度信息和姿态信息，以及由无线信号收发器获取的wifi信号。

在具体实现中，所述携带所述多传感器装置，可以是将多传感器装置拿在手中或是放在口袋、背包等其他部位随人体运动，也可将装置置于其他载体(如推车、机器人等)上随设备一起运动。

可以根据携带装置的方式的不同而选用不同的多传感器组合导航算法：例如，若装置由人体携带，则可使用行人导航算法；若装置被置于其他载体，则可相应地选用车载导航算法。若实际导航环境允许，加上其他信息的辅助来提高导航精度，比如道路信息(如道路的方向角、长度等)、路标(如拐角、电梯等)位置等。

在步骤203中，根据导航算法计算所述多传感器的位置信息，并根据同时间采集的wifi信号组合构建或更新wifi指纹数据库。

本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的有益效果包括：本发明实施例利用传感器提供的连续导航信息，取代传统的逐点测量方法，来完成WiFi数据库的构建和更新工作。一方面，将WiFi数据库的构建和更新从静态、逐点处理变成了动态、连续处理，大大节省工作时间；另一方面，所有参考点位置的将由多传感器导航算法提供，而不再需要人工去逐点获取，从而降低工作量。因此，本方法可大幅缩短甚至省去专门的人工维护工作量，降低运营成本。

结合本发明实施例，存在一种优选的方案，其中，所述初始姿态信息包括初始水平姿态角和初始航向角，具体的：

所述初水平姿态角包括横滚角和俯仰角，具体由所述加速度计采集的数据利用如下公式获得：

φ＝tan^-1(f_y/f_z)

$\mathrm{\θ}={\tan }^{-1}(f_x/\sqrt{f_y^2+f_z^2})$

其中f_x、f_y及f_z分别为加速度计采集的x、y及z轴方向的比力值，φ为初始横滚角和θ为俯仰角；

所述初始航向角是通过所述磁强计利用如下公式获得：

ψ＝tan^-1(m_YH/m_XH)

其中m_XH＝m_xcosθ+m_ysinφsinθ+m_zcosφsinθ，m_YH＝m_ycosφ-m_zsinφ，m_x、m_y及m_z分别为x、y及z轴方向的磁强计输出。

在具体实现中，装置的初始位置和姿态信息可以人为设定，也可以根据传感器输出计算获得，例如：初始位置信息通过将导航起始点选在室外从而由GPS获得，或者通过室内WiFi定位或者根据附近的路标位置获得；初始速度可设为0；初始水平姿态角(俯仰、横滚角)可以由加速度计输出计算得到，初始航向角可以由磁强计信息获得，或者由多个时刻的GPS或WiFi定位结果计算得到。

结合本发明实施例，存在一种优选的方案，其中，所述加速度计和磁强计的采集频率设定为20-100Hz，所述无线信号收发器对wifi信号的采样频率设定为0.2-1Hz。

可选的，所述多传感器装置采用较高采样率(如50Hz)获得，以保证导航结果分辨率；而WiFi信号可用较低采样率(如0.7Hz)获得，以降低数据库维护计算量。在采集传感器数据和WiFi数据时，优选的方案为，同时记录收到信号的时间信息，以便于后续数据的组合。

结合本发明实施例，存在一种优选的方案，其中，所述根据导航算法计算所述多传感器的位置信息，具体包括：

以使加速度计、磁强计、陀螺仪的采集参数作为输入，并使用惯性导航卡尔曼滤波算法实时计算设备的姿态信息；所述计算得到的设备的姿态信息和行人航迹推算导航卡尔曼滤波算法结合，计算得到多传感器的位置信息。

结合本发明实施例，存在一种优选的方案，其中，所述惯性导航卡尔曼滤波算法具体由卡尔曼滤波系统模型实现，所述卡尔曼滤波系统模型表现为以下公式：

其中δrⁿ、δvⁿ和ψ为位置误差、速度误差和姿态误差；是载体坐标系(x-y-z轴坐标系)到导航坐标系(北-东-地坐标系)的方向余弦矩阵；fⁿ为比力；和分别为地球自转角速度和装置在地球表面运动造成的角速度；符号“×”表示两个向量的叉乘；δf^b和分别为加速度计和陀螺的误差。

结合本发明实施例，存在一种优选的方案，其中，所述加速度计和陀螺的误差的计算方法具体为：

${\mathrm{\δf}}^b=b_a+diag\left({\tilde{f}}^b\right){\mathrm{\δs}}_a+w_a$

${\mathrm{\δ\ω}}_{ib}^b=b_g+diag\left({\widetilde{\mathrm{\ω}}}_{ib}^b\right){\mathrm{\δs}}_g+w_g$

其中b_a和b_g分别为加速度计和陀螺零偏，δs_a和δs_g分别为加速度计和陀螺比例因子误差，w_a和w_g为加速度计和陀螺噪声，和为加速度计和陀螺测量值，符号diag(·)为由向量生成的对角阵。

结合本发明实施例，存在一种优选的方案，其中，所述行人航迹推算导航卡尔曼滤波算法具体由行人航迹推算导航卡尔曼滤波模型实现，所述行人航迹推算导航卡尔曼滤波模型表现为以下公式：

其中下标k和k+1代表所走步数，λ、ψ、s及b分别为纬度、经度、航向角、步长和垂向陀螺零偏；R_m、R_n及h分别为地球子午圈曲率半径、卯酉圈曲率半径和用户所在点高程。

结合本发明实施例，存在一种优选的方案，其中，所述根据同时间采集的wifi信号组合构建或更新wifi指纹数据库，具体包括：

对于各时刻的位置信息，计算其时标与所有可能与之匹配的WiFi信号的时标差值，并找到时标差值最小的WiFi信号；若判断该时标小于时差阈值，则将所找到WiFi信号与该时刻的位置信息组合，其中，所述时差阈值为预先设定的小于位置信息采样间隔的值。

结合本发明实施例，存在一种优选的方案，其中，所述构建或更新wifi指纹数据库的存储形式，具体为：

F_i＝{r_i,σ_ri,(MAC₁,RSS₁)_i,(MAC₂,RSS₂)_i,…,(MAC_n,RSS_n)_i}

其中F_i为第i时间历元的指纹，r_i和σ_ri分别为多传感器导航位置结果及其精度；n为当前时刻能接收到信号的WiFi路由器的数目，MAC_j和RSS_j分别为当前第j个WiFi路由器的mac地址及其信号强度。

结合本发明实施例，存在一种优选的方案，其中，据同时间采集的wifi信号组合构建或更新wifi指纹数据库，还包括wifi信号的预处理，具体包括：

对WiFi信号的过滤，具体为选定一个阈值th_ss，低于该强度的WiFi信号将被定义为弱信号而删除；或者，WiFi信号权重设定，具体为根据各信号的强度，设定其相应的权重。

本发明实施例提供的一种基于多传感器装置的wifi指纹数据库构建方法的有益效果包括：本发明实施例利用传感器提供的连续导航信息，取代传统的逐点测量方法，来完成WiFi数据库的构建和更新工作。一方面，将WiFi数据库的构建和更新从静态、逐点处理变成了动态、连续处理，大大节省工作时间；另一方面，所有参考点位置的将由多传感器导航算法提供，而不再需要人工去逐点获取，从而降低工作量。因此，本方法可大幅缩短甚至省去专门的人工维护工作量，降低运营成本。

实施例二

本实施例基于实施例一实现基础上进一步提出了改进实现效率的方法，具体为：若有传感器可直接提供设备的位置信息，比如设备在导航过程中接收到了GPS、伪卫星或其他定位技术的信号，且定位精度满足要求，则可选择跳过步骤203中根据导航算法计算所述多传感器的位置信息，而直接使用该位置信息进行WiFi指纹数据库构建和更新。如图2所示。

实施例三

本实施例给出了实施例一中步骤203的具体推理方法，具体包括：

首先使用惯性导航卡尔曼滤波算法实时计算设备的姿态信息。卡尔曼滤波系统模型为：

$\left[\begin{array}{c}\mathrm{\δ}{\stackrel{\·}{r}}^n\\ \mathrm{\δ}{\stackrel{\·}{v}}^n\\ \stackrel{\·}{\mathrm{\ψ}}\end{array}\right]=\left[\begin{array}{c}-{\mathrm{\ω}}_{en}^n\×{\mathrm{\δr}}^n+{\mathrm{\δv}}^n\\ -(2{\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{en}^n)\×{\mathrm{\δv}}^n+f^n\×\mathrm{\ψ}+C_b^n{\mathrm{\δf}}^b\\ -({\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{ec}^n)\×\mathrm{\ψ}-C_b^n{\mathrm{\δ\ω}}_{ib}^b\end{array}\right]$

其中δrⁿ、δvⁿ和ψ为位置误差、速度误差和姿态误差；是载体坐标系(x-y-z轴坐标系)到导航坐标系(北-东-地坐标系)的方向余弦矩阵；fⁿ为比力；和分别为地球自转角速度和装置在地球表面运动造成的角速度；符号“×”表示两个向量的叉乘；δf^b和分别为加速度计和陀螺的误差，其建模方式为：

${\mathrm{\δf}}^b=b_a+diag\left({\tilde{f}}^b\right){\mathrm{\δs}}_a+w_a$

${\mathrm{\δ\ω}}_{ib}^b=b_g+diag\left({\widetilde{\mathrm{\ω}}}_{ib}^b\right){\mathrm{\δs}}_g+w_g$

其中b_a和b_g分别为加速度计和陀螺零偏，δs_a和δs_g分别为加速度计和陀螺比例因子误差，w_a和w_g为加速度计和陀螺噪声，和为加速度计和陀螺测量值，符号diag(·)为由向量生成的对角阵。

加速度计和磁强计可提供修正信息来提高姿态确定精度。加速度计量测方程为：

$\begin{array}{c}\mathrm{\δ}f=f^n-(I-\[\mathrm{\ψ}\×\])C_b^n{f}^b+C_b^n{n}_1=-\[\mathrm{\ψ}\×\]g^n+C_b^n{n}_1\\ =\[g^n\×\]\mathrm{\ψ}+C_b^n{n}_1\end{array}$

其中gⁿ为地球重力向量；符号[v×]表示由向量v生成的反对称矩阵；n₁为加速度计噪声向量。

陀螺量测方式为：

${\mathrm{\δm}}^n=\[m^n\×\]\mathrm{\ψ}+C_b^n{n}_2$

其中其中m^b为磁强计输出，mⁿ为本地磁场向量，n₂为磁强计噪声向量。

完成姿态确定后，将上述算法与行人航迹推算导航卡尔曼滤波算法结合，已提供连续的定位结果。行人航迹推算卡尔曼滤波系统模型为

其中下标k和k+1代表所走步数，λ、ψ、s及b分别为纬度、经度、航向角、步长和垂向陀螺零偏；R_m、R_n及h分别为地球子午圈曲率半径、卯酉圈曲率半径和用户所在点高程。

步长值计算公式为

s_k＝Af_k+B+w_s

其中f_k＝1/(t_k-t_k-1)为走路步频，A和B为系数，可实现采集一些导航数据通过统计计算得到。

若在导航过程中获取了来自其他定位手段的位置信息，则直接使用该位置信息构成量测方程。以GPS为例：

$\hat{r}-{\tilde{r}}_{GPS}=\mathrm{\δ}r+n_{GPS}$

其中和分别为导航推算和GPS得到的位置，n_GPS为GPS量测噪声向量。

实施例四

本实施例给出了实施例一种步骤203中根据同时间采集的wifi信号组合构建或更新wifi指纹数据库的具体实现方法，具体包括：

在步骤301中，WiFi信号预处理。包括WiFi信号过滤和权重设定、删除重复WiFi信号等。

本实施例提供两种评估WiFi信号可用性的方案。一种方案是WiFi信号过滤，即人为选定一个阈值th_ss(如-85dbm)，低于该强度的WiFi信号将被定义为弱信号而删除。若某时刻接收到的WiFi信号均为弱信号，则等同于该时刻没有接收到WiFi信号。

另一种方案是WiFi信号权重设定，即根据各信号的强度，设定其相应的权重。信号越强，则权重越大。例如，用权重为1表示该信号非常强；权重为0表示该信号不存在。

有时由于WiFi更新率低，会导致了连续几个时刻收到的WiFi信号相同。对于这种情况，本实施例仅保留第一个时刻的WiFi信号，即认为后续重复信号为WiFi刷新率不足而导致的错误信号。

在步骤302中，根据时标信息组合位置信息和WiFi信号。

信号的组合通过对比位置信息和WiFi信号的时标来完成。具体实施为：对于各时刻的位置信息，计算其时标与所有可能与之匹配的WiFi信号的时标差值，并找到时标差值最小的WiFi信号。若判断该时标小于时差阈值th_Δt(事先设定为一个小于位置信息采样间隔的值)，则将所找到WiFi信号与该时刻的位置信息组合。

在步骤303中，排列位置信息和WiFi信号，构成新的WiFi指纹。

本实施例中，将多传感器导航结果和WiFi指纹进行组合，形成新的WiFi位置指纹并存至数据库。所构成信号指纹为：

F_i＝{r_i,σ_ri,(MAC₁,RSS₁)_i,(MAC₂,RSS₂)_i,…,(MAC_n,RSS_n)_i}

其中F_i为第i时间历元的指纹，r_i和σ_ri分别为多传感器导航位置结果及其精度；n为当前时刻能接收到信号的WiFi路由器的数目，MAC_j和RSS_j分别为当前第j个WiFi路由器的mac地址及其信号强度。

由于本发明数据库位置信息是由多传感器组合提供，所以可以定量地获得其定位结果的精度，这也是本发明相对传统人工定位方法的一个优势。

本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多传感器装置的wifi指纹数据库构建方法，其特征在于，所述多传感器装置包括加速度计、磁强计、陀螺仪、无线信号收发器和处理器，所述方法包括：

初始化多传感器装置的导航状态，其中，所述导航状态包括初始位置信息、初始速度信息和初始姿态信息；

携带所述多传感器装置在待构建wifi指纹数据库或待更新wifi指纹数据库的目标区域运动，所述多传感器装置的处理器实时获取各传感器采集的数据，所述采集的数据包括由加速度计和磁强计获取的速度信息和姿态信息，以及由无线信号收发器获取的wifi信号；

根据导航算法计算所述多传感器的位置信息，并根据同时间采集的wifi信号组合构建或更新wifi指纹数据库。

2.根据权利要求1所述的方法，其特征在于，所述初始姿态信息包括初始水平姿态角和初始航向角，具体的：

所述初水平姿态角包括横滚角和俯仰角，具体由所述加速度计采集的数据利用如下公式获得：

φ＝tan^-1(f_y/f_z)

$\mathrm{\θ}={\tan }^{-1}(f_x/\sqrt{f_y^2+f_z^2})$

其中f_x、f_y及f_z分别为加速度计采集的x、y及z轴方向的比力值，φ为初始横滚角和θ为俯仰角；

所述初始航向角是通过所述磁强计利用如下公式获得：

ψ＝tan^-1(m_YH/m_XH)

其中m_XH＝m_xcosθ+m_ysinφsinθ+m_zcosφsinθ，m_YH＝m_ycosφ-m_zsinφ，m_x、m_y及m_z分别为x、y及z轴方向的磁强计输出。

3.根据权利要求1所述的方法，其特征在于，所述加速度计和磁强计的采集频率设定为20-100Hz，所述无线信号收发器对wifi信号的采样频率设定为0.2-1Hz。

4.根据权利要求1-3任一所述的方法，其特征在于，所述根据导航算法计算所述多传感器的位置信息，具体包括：

以使加速度计、磁强计、陀螺仪的采集参数作为输入，并使用惯性导航卡尔曼滤波算法实时计算设备的姿态信息；

所述计算得到的设备的姿态信息和行人航迹推算导航卡尔曼滤波算法结合，计算得到多传感器的位置信息。

5.根据权利要求4所述的方法，其特征在于，所述惯性导航卡尔曼滤波算法具体由卡尔曼滤波系统模型实现，所述卡尔曼滤波系统模型表现为以下公式：

$\left[\begin{array}{c}\mathrm{\δ}{\stackrel{\·}{r}}^n\\ \mathrm{\δ}{\stackrel{\·}{v}}^n\\ \stackrel{\·}{\mathrm{\ψ}}\end{array}\right]=\left[\begin{array}{c}-{\mathrm{\ω}}_{en}^n\×{\mathrm{\δr}}^n+{\mathrm{\δv}}^n\\ -(2{\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{en}^n)\×{\mathrm{\δv}}^n+f^n\×\mathrm{\ψ}+C_b^n{\mathrm{\δf}}^b\\ -({\mathrm{\ω}}_{ie}^n+{\mathrm{\ω}}_{ec}^n)\×\mathrm{\ψ}-C_b^n{\mathrm{\δ\ω}}_{ib}^b\end{array}\right]$

其中δrⁿ、δvⁿ和ψ为位置误差、速度误差和姿态误差；是载体坐标系到导航坐标系的方向余弦矩阵；fⁿ为比力；和分别为地球自转角速度和装置在地球表面运动造成的角速度；符号“×”表示两个向量的叉乘；δf^b和分别为加速度计和陀螺的误差。

6.根据权利要求5所述的方法，其特征在于，所述加速度计和陀螺的误差的计算方法具体为：

${\mathrm{\δf}}^b=b_a+diag\left({\tilde{f}}^b\right){\mathrm{\δs}}_a+w_a$

${\mathrm{\δ\ω}}_{ib}^b=b_g+diag\left({\widetilde{\mathrm{\ω}}}_{ib}^b\right){\mathrm{\δs}}_g+w_g$

其中b_a和b_g分别为加速度计和陀螺零偏，δs_a和δs_g分别为加速度计和陀螺比例因子误差，w_a和w_g为加速度计和陀螺噪声，和为加速度计和陀螺测量值，符号diag(·)为由向量生成的对角阵。

7.根据权利要求4所述的方法，其特征在于，所述行人航迹推算导航卡尔曼滤波算法具体由行人航迹推算导航卡尔曼滤波模型实现，所述行人航迹推算导航卡尔曼滤波模型表现为以下公式：

其中下标k和k+1代表所走步数，λ、ψ、s及b分别为纬度、经度、航向角、步长和垂向陀螺零偏；R_m、R_n及h分别为地球子午圈曲率半径、卯酉圈曲率半径和用户所在点高程。

8.根据权利要求1-3任一所述的方法，其特征在于，所述根据同时间采集的wifi信号组合构建或更新wifi指纹数据库，具体包括：

对于各时刻的位置信息，计算其时标与所有可能与之匹配的WiFi信号的时标差值，并找到时标差值最小的WiFi信号；若判断该时标小于时差阈值，则将所找到WiFi信号与该时刻的位置信息组合，其中，所述时差阈值为预先设定的小于位置信息采样间隔的值。

9.根据权利要求8所述的方法，其特征在于，所述构建或更新wifi指纹数据库的存储形式，具体为：

F_i＝{r_i,σ_ri,(MAC₁,RSS₁)_i,(MAC₂,RSS₂)_i,…,(MAC_n,RSS_n)_i}

其中F_i为第i时间历元的指纹，r_i和σ_ri分别为多传感器导航位置结果及其精度；n为当前时刻能接收到信号的WiFi路由器的数目，MAC_j和RSS_j分别为当前第j个WiFi路由器的mac地址及其信号强度。

10.根据权利要求8所述的方法，其特征在于，根据同时间采集的wifi信号组合构建或更新wifi指纹数据库，还包括wifi信号的预处理，具体包括：

对WiFi信号的过滤，具体为选定一个阈值th_ss，低于该强度的WiFi信号将被定义为弱信号而删除；或者，

WiFi信号权重设定，具体为根据各信号的强度，设定其相应的权重。