CN105208651A - 基于地图结构的Wi-Fi位置指纹非监督训练方法 - Google Patents

Abstract

一种室内定位技术领域的基于地图结构的Wi-Fi位置指纹非监督训练方法，基于带有路径和节点的地图结构中，在静止状态下获取地图结构的起点位置，并在行走状态下获得路径上的所有转弯点，经采样点内插处理后得到用于定位的指纹数据库，从而实现室内精确定位。本发明采用离线训练时间与定位精度两个评价指标，利用定点测量法对离线训练过程进行评价，得到各自的离线训练过程评价值，在日常行为的同时完成建库工作，极大减少劳力消耗。

Description

基于地图结构的Wi-Fi位置指纹非监督训练方法

技术领域

本发明涉及的是一种无线定位领域的技术，具体是一种基于地图结构的Wi‐Fi位置指纹非监督训练方法。

背景技术

随着智能手机和移动互联网的快速发展，基于位置的服务吸引了越来越多的关注。实时定位已经成为交通、商业、物流、个性服务等多个高层次应用的基本技术。在室外的情况下，得到了全球导航卫星系统提供了一个很好的定位服务，如全球定位系统(GPS)。然而，在室内环境中，由于信号衰落和多径效应，全球卫星定位系统无法达到合适的精度。因此，室内定位技术已经成为近年来的一个热门话题。

因为高精度、低成本、易于部署等特点，Wi‐Fi室内定位技术已成为最广泛使用的室内定位方案之一。Wi‐Fi定位系统一般包括两个阶段：离线指纹训练阶段和在线定位阶段。离线指纹训练阶段用来建立指纹数据库；在线定位阶段，根据当前Wi‐Fi信号强度RSS数据，通过定位算法获取用户位置。离线指纹训练阶段决定着指纹库的质量，是Wi‐Fi指纹定位系统的基础。传统的Wi‐Fi室内定位系统离线阶段主要包括：目标区域参考点选取、参考点RSS向量采集及目标区域指纹库建立。传统的离线训练方法通过手动输入所有参考点的真实位置数据，之后在参考点位置定点采集大量RSS向量的方式建立指纹库，我们称这种方法为全监督训练。然而全监督训练中的大量劳力消耗、系统移植性偏差等问题亟需研究解决。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于地图结构的Wi‐Fi位置指纹非监督训练方法，实现了让建库工作在日常行为进行的同时完成，从而无需额外花费专门的劳力进行指纹训练，从而极大减少了建库的劳力消耗。

本发明是通过如下技术方案实现的，

本发明涉及一种基于地图结构的Wi‐Fi位置指纹非监督训练方法，基于带有路径(edge)和节点(node)的地图结构，在静止状态下获取地图结构的起点位置，并在行走状态下获得路径上的所有转弯点，经采样点内插处理后得到用于定位的指纹数据库，从而实现室内精确定位。

本发明具体以下步骤：

步骤一、存储地图结构，该地图结构包括：可行路径、可行路径的两个端节点以及用户自定义节点，其中：

在地图结构中，用户自定义node为日常生活中用户会停留的位置，例如办公桌等位置，室内所有人们会停留的点都可以作为用户自定义node。但是考虑到实际情况，并非所有的室内人员都参与建库工作，所以用户自定义节点只选择参与指纹训练的用户可能停留的节点。不同的参与者拥有不同的用户自定义node。

地图中各个node之间的连通关系以N×N的邻接矩阵G为，N是node的数量。G＝(c_ij)，c_ij为第i个node指向第j个node的角度值

所述的用户自定义node将作为起点来获取采样路径：当采样人员停留在用户自定义node位置处，可以采集大量指纹的训练数据集生成起点数据库，起点数据库将会作为匹配起点的依据。由于不同的采样人员使用不同的智能手机进行采样，手机的Mac地址用以区分采样人员。每一个智能手机对应着一个起点集合，表示每个采样者可能停留的几个位置。本发明中，由于每个AP的RSS值大小在起点位置是高斯分布的，即其中：μ为均值，σ为方差，故任一RSS值在起点SP_n的概率可以即该RSS值从‐0.5到+0.5的概率分布函数的积分，即 $p\left({\mathrm{RSS}}_i\right|{\mathrm{SP}}_n)={\∫}_{rss-0.5}^{rss+0.5}\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp \left(-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}\right)dx.$

所述的起点数据库的存储格式如下表所示。

步骤二、在静止状态下获取起点位置。

所述的静止状态是指：当三维加速度传感器采集到的三个方向加速度计读数的标准差均小于阈值时即为静止状态，否则为运动状态，即 $\left\{\begin{array}{c}{\mathrm{\σ}}_x^{\′}\≥{\mathrm{\σ}}_x\\ {\mathrm{\σ}}_y^{\′}\≥{\mathrm{\σ}}_y\\ {\mathrm{\σ}}_z^{\′}\≥{\mathrm{\σ}}_z\end{array}\right.,$ 其中：σ′_x，σ′_y，σ′_z分别为三个方向加速度计读数的标准差，σ_x，σ_y，σ_z分别是设定的阈值。

当运动模式是静止时，采样人员可以在起点位置，即用户自定义node所在位置采集若干数量的RSS向量，S＝{s₁，s₂，…，s_m}，其中：m为采集的RSS向量的数量，s_j＝{RSS₁，RSS₂，…，RSS_n}为一个RSS向量；而RSS向量s_j出现在起点SP_n位置处的概率是其中：p(RSS_i|SP_n)已存储在起点数据库中。在取向量集合S概率值最大的起点为采样人员所在位置，即

当运动模式由静止转变为行走时，已获得的位置即为路径的起点。

步骤三、获取行走路径上的转弯点，即行走方向发生改变的点称为转弯点。

在地图的结构中，存在几条包含起点的edge，利用方向传感器来匹配采样人员所行走的edge，并将起点标记为node_i，edge的另外一个端点标记为node_j，θ为手机方向传感器的读数，代表手机朝向与正北的夹角，c_ij存储在邻接矩阵中，则当前采样所在的edge满足：|θ-c_ij|_min或|360-|θ-c_ij||_min。

从起点开始沿着当前的edge行走采样，通过手机方向传感器数据检测方向的变化。当沿着确定方向行走时，方向传感器的读数变化在很小范围内，当方向传感器检测到数据变化Δθ超过设定的阈值θ₁时，即Δθ＞θ₁，则可以判断方向发生了变化。

所述的转弯，分为两种情况：

①|Δθ-180|＜θ₂，即180°反方向转弯，或者是

②行走至下一条edge，其中：

当为情况①时，使用预估的行走速度V_m和相应的时间戳获得转弯点的坐标：L_TP＝L_SP+V_m×(t_TP-t_SP)，其中：L_SP、L_TP分别为起点与转弯点的坐标。t_SP，t_TP分别为实际记录的起点与转弯点的采样时间戳。

当为情况②时，转弯点就是当前edge上的node，即L_TP＝L_node；对应在步骤一中，该转弯点的坐标L_node已经存储在数据库。

步骤四、通过线性内插获取采样点坐标，构成指纹数据库，具体为：

4.1)根据每个采样点的时间戳t_i进行线性内插来生成这条路径上每个采样点的位置指纹坐标L_i，即其中：L_SP、L_TP为实际测得的起点与转弯点的位置坐标，t_SP、t_TP为实际记录的起点与转弯点的采样时间戳，L_i、t_i为训练路线内某个采样点的位置坐标与采样时间戳。

4.2)将当前的转弯点作为新的起点，再跳至步骤三寻找新的转弯点。按照此步骤执行，直至此次采样结束，所有采样的指纹数据即构成指纹数据库。

步骤五、根据指纹数据库及当前信号强度数据，采用但不限于K‐Nearest‐Neighbor(KNN)算法作为定位算法实现定位。

技术效果

与现有技术相比，本发明采用非监督指纹训练方法代替传统的全监督训练方法，大大减少离线建立指纹库的劳力消耗；并且非监督指纹训练方法是一种持续不间断的指纹训练方法，可以实时地更新室内指纹变化情况，因此相比传统指纹训练方法具备更好的系统移植性。

附图说明

图1为本发明的工作流程图；

图2a本实施例中的目标区域地图结构；

图2b本实施例中的目标区域地图结构；

图3为本实施例中与现有采样方法的耗时与定位精度对比图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例中，目标区域地图结构如图2a和图2b所示，包含两个室内区域，分别被11个接入点和12个接入点覆盖。终端用户在地图路径上静止或者匀速运动并实时采集样本点信号强度。

如图1所示，本实施例包括如下步骤：

步骤一、根据采样人员实际停留情况，选取用户自定义node，并将用户自定义node作为起点。在本实施例中，5人参与采样工作，选取了16个位置作为起点，在每个起点位置静止采集10分钟的指纹数据生成起点指纹库。根据室内实际路径，构建基于node‐edge模型的地图结构，如图3所示。

步骤二、在地图路径上以静止或者匀速行走的方式进行采样，以多覆盖、少重叠为原则，覆盖目标区域所有路径15次。本实施例中，分别从16个起点出发，采样15次，每次采样路径不同，以少重叠为原则，覆盖目标区域所有路径1圈。

步骤三、根据手机加速度传感器以及方向传感器的读数，获取每次行走采样过程中的起点和转弯点。

步骤四、根据起点与转弯点的位置坐标及每一采样点时间戳对以上测量所得样本点进行位置信息的线性内插，本实施例中共得到有效样本点3124个。

步骤五、根据指纹数据库及当前信号强度数据，采用K‐Nearest‐Neighbor(KNN)算法作为定位算法实现定位，具体为：得到当前信号强度向量后，将其与数据库中的信号强度向量进行对比，选出信号强度向量空间内与当前向量欧氏距离最小的K个样本点，滤波后进行加权相加，得到当前定位结果。

所述的欧氏距离为： $d_{ij}=\sqrt{{(x_{i1}-x_{j1})}^2+{(x_{i2}-x_{j2})}^2+\mathrm{...}+{(x_{in}-x_{jn})}^2},$ 其中：d_ij指样本点i与样本点j的信号强度向量空间欧氏距离，x_ij指样本点i接收到接入点j的信号强度值。

本实施例基于上述环境，采用本方法与现有的传统训练方法采样建库进行定位，最终得到下表所示的采样耗时与定位精度对比图。

Claims (10)

1.一种基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征在于，基于带有路径和节点的地图结构中，在静止状态下获取地图结构的起点位置，并在行走状态下获得路径上的所有转弯点，经采样点内插处理后得到用于定位的指纹数据库，从而实现室内精确定位。

2.根据权利要求1所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，具体包括以下步骤：

步骤一、存储包括可行路径、可行路径的两个端节点以及用户自定义节点的地图结构；

步骤二、在静止状态下获取起点位置；

步骤三、获取行走路径上的转弯点，即行走方向发生改变的点称为转弯点；

步骤四、通过线性内插获取采样点坐标，构成指纹数据库；

步骤五、根据指纹数据库及当前信号强度数据实现定位。

3.根据权利要求1或2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的用户自定义节点作为起点来获取采样路径：当采样人员停留在用户自定义node位置处，采集大量指纹的训练数据集生成起点数据库，起点数据库将会作为匹配起点的依据；由于不同的采样人员使用不同的智能手机进行采样，手机的Mac地址用以区分采样人员：每一个智能手机对应着一个起点集合，表示每个采样者可能停留的几个位置。

4.根据权利要求3所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的起点数据库的存储格式为：

5.根据权利要求2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的步骤二具体是指：当运动模式是静止时，采样人员可以在起点位置，即用户自定义node所在位置采集若干数量的RSS向量，S＝{s₁，s₂，…，s_m}，其中：m为采集的RSS向量的数量，s_j＝{RSS₁，RSS₂，…，RSS_n}为一个RSS向量；而RSS向量s_j出现在起点SP_n位置处的概率是p(s_j|SP_n)，其中：p(RSS_i|SP_n)已存储在起点数据库中，在取向量集合S概率值最大的起点为采样人员所在位置，即

当运动模式由静止转变为行走时，已获得的位置即为路径的起点。

6.根据权利要求2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的步骤三具体是指：在地图的结构中，存在几条包含起点的edge，利用方向传感器来匹配采样人员所行走的edge，并将起点标记为node_i，edge的另外一个端点标记为node_j，θ为手机方向传感器的读数，代表手机朝向与正北的夹角，c_ij存储在邻接矩阵中，则当前采样所在的edge满足：|θ-c_ij|_min或|360-|θ-c_ij||_min；

从起点开始沿着当前的edge行走采样，通过手机方向传感器数据检测方向的变化。当沿着确定方向行走时，方向传感器的读数变化在很小范围内，当方向传感器检测到数据变化Δθ超过设定的阈值θ₁时，即Δθ>θ₁，则可以判断方向发生了变化。

7.根据权利要求1或2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的转弯，分为两种情况：

①|Δθ-180|<θ₂，即180°反方向转弯，或者是

②行走至下一条edge，其中：当为情况①时，使用预估的行走速度V_m和相应的时间戳获得转弯点的坐标：L_TP＝L_SP+V_m×(t_TP-t_SP)，其中：L_SP、L_TP分别为起点与转弯点的坐标，t_SP，t_TP分别为实际记录的起点与转弯点的采样时间戳；当为情况②时，转弯点就是当前edge上的node，即L_TP＝L_node；对应在步骤一中，该转弯点的坐标L_node已经存储在数据库。

8.根据权利要求2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的步骤四具体包括：

4.1)根据每个采样点的时间戳t_i进行线性内插来生成这条路径上每个采样点的位置指纹坐标L_i，即其中：L_SP、L_TP为实际测得的起点与转弯点的位置坐标，t_SP、t_TP为实际记录的起点与转弯点的采样时间戳，L_i、t_i为训练路线内某个采样点的位置坐标与采样时间戳；

4.2)将当前的转弯点作为新的起点，再跳至步骤三寻找新的转弯点，按照此步骤执行，直至此次采样结束，所有采样的指纹数据即构成指纹数据库。

9.根据权利要求1或2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的定位，采用K-Nearest-Neighbor算法实现。

10.根据权利要求1或2所述的基于地图结构的Wi-Fi位置指纹非监督训练方法，其特征是，所述的定位，根据当前信号强度向量与数据库中的信号强度向量进行对比，选出信号强度向量空间内与当前向量欧氏距离最小的K个样本点，滤波后进行加权相加，得到当前定位结果。