CN105424030A - 基于无线指纹和mems传感器的融合导航装置和方法 - Google Patents

Abstract

本发明公开了一种基于无线指纹和MEMS传感器的融合导航装置和方法，无线信号强度数据采集和处理模块获取待测目标的第一位置信息，传感器数据采集和处理模块根据所述待测目标的状态变化信息获取待测目标的第二位置信息，数据融合模块将第一位置信息和第二位置信息进行融合，并将所述融合结果反馈给所述无线信号强度数据采集和处理模块和所述传感器数据采集和处理模块进行下一时刻的数据处理。本发明的基于无线指纹和MEMS传感器的融合导航装置和方法解决了现有的定位方案尤其是室内定位方案所存在的定位性能较差的问题，达到提升导航精度和整个系统处理速度的效果。

Description

基于无线指纹和MEMS传感器的融合导航装置和方法

技术领域

本发明涉及无线数据传输和定位分析领域，尤其涉及一种基于无线指纹和MEMS传感器的融合导航装置和方法。

背景技术

在过去的十年中，便携式设备(例如：智能手机、平板电脑和智能手表)的市场一直在超高速发展。这些便携式设备已广泛应用于人们的生活，如短信、电话、导航、游戏、浏览网站、社交媒体等。目前，这些便携式设备大多数具备强大的处理器、无线收发器、全球导航卫星系统(GlobalNavigationSatelliteSystem，GNSS)接收机和众多传感器。由于硬件的普及和强力，这些便携式设备已成为导航相关应用的理想平台。

嵌入在便携设备中的GNSS接收机可以在天空开放的环境下提供准确的定位解决方案，但他们不能很好地工作在诸如城市峡谷和室内之类恶劣的环境中。在这些具有挑战性的环境里，通常会使用其他无线技术(例如，WiFi和蓝牙)来取代或辅助GNSS接收机以提供定位解决方案。在这些无线定位技术中，WiFi定位只使用现有的基础设施，而蓝牙定位一般设立低能耗蓝牙(BluetoothLowEnergy，BLE)信标。这些无线定位系统通常通过各种不同的测量来估计目标的位置，如到达时间(TimeOfArrival，TOA)，到达时间差(TimeDifferenceOfArrival，TDOA)，到达角度(AngleofArrival，AOA)，和接收信号强度(ReceivedSignalStrength，RSS)。采用TOA，TDOA和AOA的无线定位系统复杂、昂贵，而且在动态的室内环境里性能差。这些系统还需要特殊的硬件，这使得他们无法得到现今主流的便携式设备的支持。相反，基于RSS的方法已被广泛用于室内无线定位系统，并且获得现有便携式设备的支持。

基于RSS的无线定位技术可分为两类：三边测量和指纹识别(Fingerprinting,FP)。三边测量需要知道无线接入点(AccessPoints，AP)的位置。然后，通过无线传播模型将RSS值转换成目标与无线AP的距离。根据无线AP的位置和距离信息，使用最小二乘(LeastSquares，LSQ)估计目标的位置。另一方面，基于指纹识别的无线定位系统包括2个阶段：无线指纹数据库建立和实时定位。无线指纹数据库建立阶段通过测量测点的位置信息和相应的RSS值来生成无线指纹，并将指纹存储下来建立无线信号地图数据库。实时定位阶段采用不同的方法将当前的RSS值与无线信号地图数据库中的指纹匹配来确定目标位置。一般来说，无线指纹识别提供了比三边测量更准确的定位解决方案，然而，它需要更多的人力和时间成本来建立数据库。为了实现精确定位的解决方案，在这项专利中采用了无线指纹识别。

基于指纹识别的无线定位系统通常有以下限制：1)无法提供完整的导航解(三维位置、速度和姿态)；2)系统性能高度依赖于AP，如AP的分布和可用数量；3)这些系统几乎都无法提供高采样率、平滑和连续的定位解；4)无线RSS值在恶劣的环境中经常波动，这通常是由反射、衰减和阴影造成的。基于指纹识别的无线定位独立系统很难消除这些限制。

以微型机电系统(Micro-ElectromechanicalSystems，MEMS)传感器为基础的相对导航技术，可以潜在地减少这些无线定位系统的局限性。MEMS导航系统可以提供一个完整的具有较高的采样率和平滑的导航解。此外，MEMS导航系统还是不受环境影响的独立系统。因此，这些MEMS导航系统还可用来填充在稀疏分布的无线AP环境中的定位间隙。然而，由于便携式设备中MEMS传感器的噪声影响，这些MEMS独立导航解只能在短时间内精确。因此，这些MEMS导航系统需要无线信号来限制它们的漂移。由于无线指纹和MEMS传感器的互补特性，它们被融合起来实现更精确、更稳定的导航解。

现有的融合方法大多采用组合滤波器组来融合无线指纹解和MEMS导航解，融合结果只反馈给MEMS传感器来限制漂移。然而，融合的结果没有反馈给无线指纹识别，无法提高其性能。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于无线指纹和MEMS传感器的融合导航装置和方法，达到提升导航精度和整个系统处理速度的效果。

发明内容：为实现上述目的，本发明提供的基于无线指纹和MEMS传感器的融合导航装置，包括：无线信号强度数据采集和处理模块、传感器数据采集和处理模块、数据融合模块以及若干个分布在不同位置的无线接入点，所述无线信号强度数据采集和处理模块根据待测目标与无线接入点之间的无线信号强度信息获取待测目标的第一位置信息，所述传感器数据采集和处理模块根据所述待测目标的状态变化信息获取待测目标的第二位置信息，所述数据融合模块将所述待测目标的第一位置信息和第二位置信息进行融合根据融合结果得到所述待测目标的最终位置信息，并将所述融合结果反馈给所述无线信号强度数据采集和处理模块和所述传感器数据采集和处理模块。

其中，所述无线信号强度数据采集和处理模块包括：无线信号强度数据采集单元、无线信号地图数据库、数据搜索确定单元、数据匹配单元；所述无线信号强度数据采集单元接收所述待测目标与无线接入点之间的无线信号强度信息；所述无线信号地图数据库为所述数据搜索确定单元提供无线信号地图数据库；所述数据搜索确定单元根据所述无线信号强度数据采集单元传送过来的无线信号强度信息和所述数据融合模块所反馈的上一时刻融合结果为所述数据匹配单元选择指纹搜索范围；所述数据匹配单元在所述指纹搜索范围内对所述待测目标的无线信号强度信息进行指纹匹配得到当前时刻所述待测目标的第一位置信息。为了后文实验方便描述，将本文中改进的指纹识别称作约束指纹识别(ConstrainedFingerprinting，CFP)。

进一步地，无线信号强度数据采集单元包括：无线信号强度数据接收单元和无线信号强度数据预处理单元，所述无线信号强度数据接收单元接收所述待测目标与无线接入点之间的无线信号强度信息并传送给所述无线信号强度数据预处理单元，所述无线信号强度数据预处理单元对所述无线信号强度信息进行消噪处理。

其中，所述数据搜索确定单元包括搜索中心确定模块和搜索范围确定模块，所述搜索中心确定模块根据所述无线信号强度数据采集单元根据所述无线信号强度信息确定基本搜索范围的中心，根据所述数据融合模块所反馈的上一时刻融合结果作为拓展搜索范围的中心；所述搜索范围确定模块以所述基本搜索范围的中心为几何中心并根据预先设置的搜索形状确定基本搜索范围，以拓展搜索范围的中心为几何中心并根据预先设置的搜索形状确定拓展搜索范围，再按照预先设定的合并方式将所述基本搜索范围和所述拓展搜索范围进行合并得到当前时刻的指纹搜索范围。

其中，所述传感器数据采集和处理模块包括：传感器数据采集单元和传感器数据处理单元；所述传感器数据采集单元采集所述待测目标的状态变化信息，所述传感器数据处理单元根据所述状态变化信息计算所述待测目标的第二位置信息。

其中，所述数据融合模块包括：组合滤波器和平滑滤波器，所述平滑滤波器对所述待测目标的第一位置信息进行平滑处理后传送给组合滤波器，本发明中对改进的指纹识别进行了平滑处理，为了方便后文描述，将经过平滑处理后的约束指纹识别称为平滑约束指纹识别(SmoothedConstrainedFingerprinting，SCFP)，所述组合滤波器将平滑处理后的所述第一位置信息和所述待测目标的第二位置信息进行融合得到所述待测目标的最终位置信息。

相应地，本发明还提供了一种基于无线指纹和MEMS传感器的融合导航方法，包括以下步骤：

无线信号强度数据采集和处理模块根据待测目标与无线接入点之间的无线信号强度信息获取待测目标的第一位置信息；

传感器数据采集和处理模块根据所述待测目标的状态变化信息获取待测目标的第二位置信息；

数据融合模块将所述待测目标的第一位置信息和第二位置信息进行融合根据融合结果得到所述待测目标的最终位置信息，并将所述融合结果反馈给所述无线信号强度数据采集和处理模块和所述传感器数据采集和处理模块。

进一步地，所述无线信号强度数据采集和处理模块获取所述待测目标的第一位置信息包括以下步骤：

在定位区域内进行位置信息采样，将采样点的位置信息和采样点与无线接入点之间的无线信号强度信息生成无线指纹并进行存储，利用所述无线指纹建立无线信号地图数据库；

以所述待测目标与无线接入点之间的无线信号强度信息为中心，以预先设置的搜索形状确定当前时刻的基本搜索范围，以上一时刻的融合结果为拓展搜索范围的中心，以预先设置的搜索形状确定当前时刻的拓展搜索范围，再按照预先设定的合并方式将所述基本搜索范围和所述拓展搜索范围进行合并得到当前时刻的指纹搜索范围；

在所述指纹搜索范围内对所述待测目标的无线信号强度信息进行指纹匹配得到当前时刻所述待测目标的第一位置信息。

有益效果：本发明的基于无线指纹和MEMS传感器的融合导航装置和方法，通过数据融合模块将无线信号强度数据采集和处理模块以及传感器数据采集和处理模块分别获取到的位置信息进行融合，无线信号强度数据采集和处理模块利用该融合结果确定的指纹搜索范围，所得到的位置信息综合了当前时刻和上一时刻所获取的结果，提高了定位的精确度。

附图说明

图1显示本发明基于无线指纹和MEMS传感器的融合导航装置的结构示意图；

图2是本发明与现有技术进行对比所采用的实验1的实验区域和轨迹I的示意图；

图3是实验1中本发明与现有技术中的无线指纹识别进行对比的定位结果比较图，图3(a)，(b)和(c)分别是FP，CFP和SCFP的定位轨迹图，图3(d)是定位误差比较图；

图4是实验1中本发明与现有技术中的MEMS独立定位和融合定位方案进行对比的定位结果比较图，图4(a)，(b)，(c)和(d)分别是MEMS，MEMS/FP，MEMS/CFP和MEMS/SCFP的定位轨迹图，图4(e)是定位误差比较图；

图5是实验1中本发明与现有技术中的无线指纹识别、MEMS独立定位和融合定位方案的定位误差累积分布函数对比图；

图6是本发明与现有技术进行对比所采用的实验2的实验区域和轨迹Ⅱ的示意图；

图7是实验2中本发明与现有技术中的指纹识别进行对比的定位结果比较图，图7(a)，(b)和(c)分别是FP，CFP和SCFP的定位轨迹图，图7(d)是定位误差比较图；

图8是实验2中本发明与现有技术中的MEMS独立定位和融合定位方案进行对比的定位结果比较图，图8(a)，(b)，(c)和(d)分别是MEMS，MEMS/FP，MEMS/CFP和MEMS/SCFP的定位轨迹图，图8(e)是定位误差比较图；

图9是实验2中本发明与现有技术中的无线指纹识别、MEMS独立定位和融合定位方案的定位误差累积分布函数对比图。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

图1中的基于无线指纹和MEMS传感器的融合导航装置包括：无线信号强度数据采集和处理模块1、传感器数据采集和处理模块2、数据融合模块3，无线信号强度数据采集和处理模块1与分布在不同位置的若干个无线接入点配合工作，根据待测目标与无线接入点之间的无线信号强度信息获取待测目标的第一位置信息，传感器数据采集和处理模块2根据待测目标的状态变化信息获取待测目标的第二位置信息，上述状态变化信息是指待测目标的加速度和/或角速度信息，数据融合模块3将待测目标的第一位置信息和第二位置信息进行融合得到待测目标的最终位置信息，并将该融合结果反馈给无线信号强度数据采集和处理模块1和传感器数据采集和处理模块2，无线信号强度数据采集和处理模块1和传感器数据采集和处理模块2分别根据反馈信息进行下一时刻位置信息的计算。上述融合导航装置可以用于单个便携式设备，抑或是以便携式设备为载体(例如：行人、机器人和车辆)，可以手持或固定于载体上。

图1中上述无线信号强度数据采集和处理模块1包括：无线信号强度数据采集单元11、无线信号地图数据库12、数据搜索确定单元13、数据匹配单元14；待测目标接收无线接入点发送的无线信号，并将无线接收信号强度(ReceivedSignalStrength，RSS)发送给无线信号强度数据采集和处理模块1，无线信号强度数据采集单元11接收该RSS值；无线信号地图数据库12为预先形成的无线信号地图数据库，根据定位区域采样点的位置信息和相应的RSS值所生成的无线指纹，利用存储的无线指纹建立无线信号地图数据库，无线信号地图数据库12为数据搜索确定单元13提供定位区域内的指纹信息；数据搜索确定单元13根据待测目标的RSS值和数据融合模块3的反馈信息为数据匹配单元14选择合适的指纹搜索范围；数据匹配单元14在指纹搜索范围内对待测目标的RSS值进行指纹匹配得到待测目标的第一位置信息，记作约束指纹解。上述定位区域由采样点的布局和采样点的范围决定，指本系统所能定位的范围。

上述无线信号强度数据采集单元11包括：无线信号强度数据接收单元111和无线信号强度数据预处理单元112，无线信号强度数据接收单元111接收到待测目标的RSS值后传送给无线信号强度数据预处理单元112，无线信号强度数据预处理单元112对RSS值进行预处理以消除由于其波动特性所存在的噪声，预处理方法可以采用诸如选择、过滤或平滑等方法消除不良的RSS值，无线信号强度数据预处理单元112输出经过预处理的RSS值。

数据搜索范围的确定对整个系统很重要，如果系统没有选择到合适的搜索范围，则可能导致数据匹配单元14的指纹匹配搜索整个无线地图数据库的指纹或非正确搜索范围的指纹；对于整个无线地图数据库，无线指纹的识别结果可能有几个跳跃点，处理速度缓慢；对于非正确搜索范围，处理速度可能快，但指纹的识别结果可能远离正确位置。

本发明中上述数据搜索确定单元13包括搜索中心确定模块131和搜索范围确定模块132，搜索中心确定模块131根据无线信号强度数据采集单元11所采集到的待测目标的RSS值计算出基本搜索范围A的中心，同时将上一时刻数据融合模块3所反馈的融合结果计算出拓展搜索范围B的中心，搜索范围确定模块132以基本搜索范围A的中心作为几何中心并根据预先设置的搜索形状确定基本搜索范围A，以拓展搜索范围B的中心作为几何中心并根据预先设置的搜索形状确定拓展搜索范围B，再按照预先设定的合并方式将基本搜索范围A和拓展搜索范围B进行合并得到当前时刻的指纹搜索范围。

当前时刻指纹搜索范围大约在上一时刻融合结果的位置周围，由于组合滤波器组协方差矩阵的位置不确定性，因此，结合上一时刻的融合结果可以使得当前时刻指纹搜索范围的中心和范围更加准确。因此，来自指纹融合解的拓展搜索范围B，可能是分布在基本搜索范围A周围的不同形状(比如矩形、圆形和椭圆形)，其搜索尺寸是由位置的不确定性决定。本发明中将拓展搜索范围B和基本搜索范围A取并集合并，这样无论拓展搜索范围B靠近基本搜索范围A，还是拓展搜索范围B和基本搜索范围A有很大的区别，将两个搜索范围取并集合并可以使得最匹配的指纹被选择的概率很高。

上述搜索中心确定模块131根据无线信号强度数据采集单元11所采集到的待测目标的RSS值计算出基本搜索范围A的中心，具体如下：

设待测目标的RSS值为向量RSS＝[RSS₁RSS₂...RSS_k]^T来自k个无线接入点AP，指纹的可能搜索范围是在这k个无线接入点AP位置的加权平均值l₀的周围，如下所示：

$l_0=\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_i\·l_{APi}---\left(1\right)$

式中，l_APi是第i个无线接入点AP位置，ω_i是第i个无线接入点AP位置的权重，定义公式如下：

${\mathrm{\ω}}_i=\frac{\frac{1}{{\mathrm{RSS}}_i}}{\underset{i=1}{\overset{k}{\Σ}}\frac{1}{{\mathrm{RSS}}_i}}---\left(2\right)$

根据实时无线RSS值，指纹搜索范围A可能分布在l₀周围的不同形状(比如矩形、圆形和椭圆形)，上述l₀即为基本搜索范围A的中心。

上述搜索范围确定模块132根据基本搜索范围A的中心l₀和拓展搜索范围B的中心lint和预先设置的搜索形状确定当前时刻的指纹搜索范围，本发明中的搜索形状可以预先设置的搜索形状为矩形、圆或椭圆。

(1)对于预先设置的搜索形状为矩形，预先设定长和宽搜索范围的确定具体如下：

对于基本搜索范围A，矩形的中心位置是l₀。矩形的长和宽可预先设定为固定值d₀，例d₀＝15米，也可以设置为自适应值C₁d₀，其中C₁是随RSS最大值max(RSS)负相关变化的自适应参数，当max(RSS)增大，C₁会减少，反之则C₁增加。基本搜索范围A的自适应搜索范围是依据RSS值偏低和噪声较多时需要更大的搜索范围这样的事实。矩形基本搜索范围A定义如下：

$\{\begin{array}{c}|r_{EP}\left(1\right)-l_0\left(1\right)|\≤C_1\·d_0\\ |r_{EP}\left(2\right)-l_0\left(2\right)|\≤C_1\·d_0\end{array}---\left(3\right)$

式中r_FP是无线信号地图数据库中的指纹三维位置坐标，本实施例中是平面定位，故只呈现两维坐标。无线信号地图数据库中任何满足公式(3)的指纹都被选入基本搜索范围A。

拓展搜索范围B，设其中心位置是l_int。矩形的长和宽可预先设定为固定值d₀，例d₀＝15米。也可以设置为自适应值C₂·σ_e和C₂·σ_n，其中σ_e和σ_n分别是向东和向北位置的标准差，C₂是随RSS最大值max(RSS)负相关变化的自适应参数。当max(RSS)增大，C₂会减少，反之则C₂增加。矩形拓展搜索范围B的定义如下：

$\{\begin{array}{c}|r_{FP}\left(1\right)-l_{\mathrm{int}}\left(1\right)|\≤C_2\·{\mathrm{\σ}}_e\\ |r_{FP}\left(2\right)-l_{\mathrm{int}}\left(2\right)|\≤C_2\·{\mathrm{\σ}}_n\end{array}---\left(4\right)$

无线信号地图数据库中任何满足公式(4)的指纹都被选入拓展搜索范围B。

满足公式(3)和公式(4)的指纹构成基于矩形的指纹搜索范围，即：基本搜索范围A和拓展搜索范围B的并集。

(2)对于预先设置的搜索形状为圆形，预先设定其半径，搜索范围的确定具体如下：

对于基本搜索范围A圆的中心位置是l₀，半径可以设为固定值d₀，或者自适应值C₁d₀。圆形基本搜索范围A定义如下：

$\sqrt{{\left(r_{FP}\right(1)-l_0(1\left)\right)}^2+{\left(r_{FP}\right(2)-l_0(2\left)\right)}^2}\≤C_1\·d_0---\left(5\right)$

对于拓展搜索范围B，l_int是圆的中心位置。圆的半径可被设定为固定值d₀，或者适应值其中σ_e和σ_n分别是向东和向北位置的标准差，C₂是随RSS最大值max(RSS)负相关变化的自适应参数。圆形拓展搜索范围B定义如下：

$\sqrt{{\left(r_{FP}\right(1)-l_{\mathrm{int}}(1\left)\right)}^2+{\left(r_{FP}\right(2)-l_{\mathrm{int}}(2\left)\right)}^2}\≤C_2\·\sqrt{{\mathrm{\σ}}_e^2+{\mathrm{\σ}}_n^2}---\left(6\right)$

任何满足公式(6)的指纹都被选入拓展搜索范围B。最终满足公式(5)和公式(6)的指纹构成基于圆形的指纹搜索范围，即：基本搜索范围A和拓展搜索范围B的并集。

(3)对于预先设置的搜索形状为椭圆形，预先设定椭圆的主轴和次轴来确定搜索范围，具体如下：

基本搜索范围A的椭圆中心位置是l₀。椭圆的主轴和次轴可以设为固定值d₀，或者自适应值C₁d₀。椭圆形基本搜索范围A定义如下：

$\sqrt{{\left(\frac{r_{FP}\left(1\right)-l_0\left(1\right)}{C_1\·d_0}\right)}^2+\left(\frac{r_{FP}\left(2\right)-l_0\left(2\right)}{C_1\·d_0}\right)}\≤1---\left(7\right)$

其中r_FP是无线信号地图数据库中的指纹三维位置坐标。对于拓展搜索范围B，l_int是椭圆的中心位置。椭圆的主轴和次轴可被设定为固定值d₀，或者适应值C₂σ_e和C₂σ_n，其中σ_e和σ_n分别是向东和向北位置的标准差，C₂是随RSS最大值max(RSS)负相关变化的自适应参数。椭圆形拓展搜索范围B定义如下：

$\sqrt{{\left(\frac{r_{FP}\left(1\right)-l_{\mathrm{int}}\left(1\right)}{C_1\·{\mathrm{\σ}}_e}\right)}^2+{\left(\frac{r_{FP}\left(2\right)-l_{\mathrm{int}}\left(2\right)}{C_1\·{\mathrm{\σ}}_n}\right)}^2}\≤1---\left(8\right)$

最终满足公式(7)和公式(8)的指纹构成基于椭圆的指纹搜索范围，即：基本搜索范围A和拓展搜索范围B的并集。

确定指纹搜索范围之后，采用无线指纹匹配来从搜索范围中选择最匹配的指纹并估计目标位置，无线指纹匹配算法可以有多种不同实现。根据测量到的用于匹配的RSS向量数量，这些算法可以分为单点匹配和多点匹配，单点匹配只测量一个RSS向量来匹配指纹，而多点匹配则测量多个RSS向量来匹配指纹。这些算法按照是否将估计对象的位置假设为随机向量还可以分为确定性匹配和概率匹配，确定性匹配假设估计对象的位置是非随机向量，而概率匹配则假设为随机向量。进一步地，上述数据匹配单元14在指纹搜索范围内对待测目标的RSS值进行指纹匹配得到待测目标的第一位置信息，本发明的指纹匹配可以采用以下无线指纹匹配算法：(1)单点确定性匹配；(2)单点概率匹配；(3)多点确定性匹配；(4)多点概率匹配。

a.单点确定性匹配

单点确定性匹配采用确认的搜索范围里的指纹来计算测量单个RSS向量得到的RSS信息的范数。然后，选择K个具有最小模的指纹来估计目标位置。目标位置通过所选指纹位置的加权平均计算出来，权重由RSS值的范数的倒数确定。该方法也称为K最近邻法(K-NearestNeighbor，KNN)。对应的计算公式如下：

$r_{CFP}=\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{\ω}}_i}{{\mathrm{\Σ}}_{j=1}^N{\mathrm{\ω}}_j}{r}_i---\left(9\right)$

${\mathrm{\ω}}_i=\frac{1}{\left|\right|RSS-{\mathrm{RSS}}_i\left|\right|}---\left(10\right)$

式中r_CFP是估计的目标位置，r_i是第i个指纹的位置，ω_i是对应第i个指纹的权重，RSS是测量到的单个RSS向量，RSS_i是第i个指纹的RSS向量，N是所选指纹的总数。范数||·||是任意的，可以用不同的方法实现，比如p范数、修正p范数和马氏范数等。在所有这些方法中，欧氏范数(2-范数)和马氏范数使用最广，定义分别如下：

$2-norm:\left|\right|x|{|}_2=\sqrt{{\mathrm{\Σ}}_{i=1}^{Nx}{\left|x_i\right|}^2}---\left(11\right)$

和

$Mahalanobisnorm:\left|\right|x|{|}_M=\sqrt{x^T{P}^{-1}x}---\left(12\right)$

式中P是指纹的协方差矩阵。

b.单点概率匹配

指纹匹配也可以实现为单点概率匹配，目标位置被假设为随机向量且仅有一个RSS被测向量被用于匹配。该方法可视为一个概率问题。这个概率问题的目标是根据给定的被测RSS向量的条件概率密度函数估计目标位置的最优解。概率匹配的关键部分是似然度的计算和概率密度距离的估计。似然度的计算有多种方法，如高斯似然、直方图似然、核密度似然、对数-正态似然和指数似然。概率密度距离估计可以用Lissack-Fu(LF)、无穷范数、Kullback-Leibler、Bhattacharayya和Simandl等方法实现。此外，三个最优性准则已被广泛用于指纹匹配：(1)最大化似然密度，(2)均方误差最小化和(3)后验密度最大化。其相应的最优估计器如下：(1)最大似然(MaximumLikelihood，ML)估计器；(2)最小均方误差(MinimumMeanSquareError，MMSE)估计器；(3)最大后验概率(MaximumAPosteriori，MAP)估计器。这里以最大似然估计器为例说明，，该估计器通过最大化似然密度函数来找到目标位置，方法如下所示：

${\hat{p}}_{ML}=\arg \underset{p}{\max }f\left(r\right|p)---\left(13\right)$

式中f(r|p)是似然密度。ML估计器根据最大似然密度选择指纹位置作为目标位置的估计。如果指纹是稀疏分布的，定位精度受限于只能选到一个指纹作为位置的估计。为提高定位精度，我们还可以通过平均(或加权平均)K个具有最大似然密度的指纹，使用KNN来计算位置的估计。单点概率匹配通过ML估计器选择KNN的K个邻近，而单点确定性匹配则是按照RSS新息的范数来选择K个邻近。

c.多点确定性匹配

有时，由于无线RSS值波动单点匹配的错配率高。为了减少错配率，可将多个被测RSS向量结合在一起来匹配无线信号地图数据库中的指纹。一般情况下，多点匹配指纹比单点匹配更准确。但这需要更大的计算负荷。类似于单点匹配，多点匹配也可以分为2类：确定性方法和概率方法。多点确定性匹配类似的单点确定性匹配，通过KNN确定目标位置，根据RSS新息范数的倒数来确定K个指纹。唯一不同的是，该范数现在是由多个点计算得到。一些数学方法也可用于多点匹配，如动态时间归整(DynamicTimeWarping，DTW)。

d.多点概率匹配

多点匹配也可以用概率的方法实现，即目标位置被假定为一个随机向量，采用多个RSS观测向量来匹配。这个概率问题的目的是在给定多个观测RSS向量条件下，从联合条件概率密度函数估计目标位置的最优解估计。似然度计算和概率密度估计的方法与单点概率匹配相似。同样，ML估计器、MMSE估计器、MAP估计器和KNN算法都可用于多点概率匹配。

上述无线信号强度数据采集和处理模块1可以为多个，分别对应不同的无线信号，相应的，待测目标需支持多个无线收发器，通过不同的无线网络将对应的无线接入点所计算的RSS值进行上报给相应的无线信号强度数据采集和处理模块1。例如：基于无线指纹和MEMS传感器的融合导航装置包括两个无线信号强度数据采集和处理模块1，一无线信号强度数据采集和处理模块1接收待测目标通过wifi网络传递过来的RSS值并得到对应的无线指纹匹配结果，另一无线信号强度数据采集和处理模块1接收待测目标通过蓝牙传输的RSS值并得到对应的无线指纹匹配结果，将两个指纹匹配得到的两个位置信息进行平均后得到最终的无线指纹匹配结果，即CFP值。

上述传感器数据采集和处理模块2包括：传感器数据采集单元21，传感器数据处理单元22；传感器数据采集单元21采集待测目标的加速度、角速度等状态变化信息，传感器数据处理单元22根据状态变化信息计算目标的位置、速度和姿态，统称为待测目标的第二位置信息。待测目标的状态信息可以通过设置在待测目标上的加速度计、陀螺仪传感器获取。状态数据采集和处理模块2可以采用常见的微型机电系统MEMS，MEMS的导航系统有多种实现方案，例如：如惯性导航系统(InertialNavigationSystem,INS)、行人航位推算(PedestrianDeadReckoning,PDR)和运动约束(MotionConstraints，MC)。惯性导航系统通过使用加速度计和陀螺仪的数据来计算目标的位置、速度和姿态；行人轨迹推算使用加速度计和陀螺仪的数据依据人的移动模式估计人的位置和前进方向；运动约束利用加速度计和陀螺仪的数据进行运动检测(即移动和静止)，可以进一步增加INS或PDR的性能。传感器数据采集单元21还可以进一步采集磁力计和气压计等传感器的数据，通过磁力计和陀螺仪的配合可用来估计目标的前进方向；气压计可用于估计目标的高度，因此可以根据需要预先设置传感器数据采集单元21所需采集的状态数据，并在待测目标上进行相应传感器的部署，进一步辅助INS或PDR提高导航性能。

上述数据融合模块3包括：组合滤波器31和平滑滤波器32，平滑滤波器32用于对无线信号强度数据处理模块1获取到的待测目标的第一位置信息(CFP值)进行平滑处理，然后将平滑处理后的CFP值传送给组合滤波器31，组合滤波器31用于将平滑处理后的CFP值和传感器数据采集和处理模块2所获取到的待测目标的第二位置信息进行融合得到待测目标的最终位置信息。

上述组合滤波器31可以根据统计需求进行预先设定，可以采用扩展卡尔曼滤波(ExtendedKalmanFilter，EKF)、无损卡尔曼滤波(UnscentedKalmanFilter，UKF)或粒子滤波(ParticleFilter，PF)。

a.扩展卡尔曼滤波

如果采用高斯统计，可以采用EKF。EKF的15元状态误差向量在K时刻可以表示为：

δr_k，δv_k，和分别是位置，速度，和姿态误差。b_k和d_k是加速度偏差和陀螺仪漂移。EKF为了积分线性化了非线性系统模型，并且线性化模型如下：

δx_k+1|k＝Φ_k,k+1δx_k|k+ω_k(15)

其中δx_k+1|k是误差状态预测，δx_k|k是在前一刻K时的误差状态，ω_k是过程噪声，它的协方差矩阵为Φ_k,k+1是一个15×15的转移矩阵：

$\begin{array}{c}{\mathrm{\Φ}}_{k,k+1}=\\ \left[\begin{array}{ccccc}I& I\·dt& 0& 0& 0\\ 0& I& -S\left(a_k^n\right)\·\mathrm{\Δ}t& C_{b_{k+1|k}}^n\·\mathrm{\Δ}t& 0\\ 0& J\·\mathrm{\Δ}t& I& 0& C_{b_{k+1|k}}^n\·\mathrm{\Δ}t\\ 0& 0& 0& I& 0\\ 0& 0& 0& 0& I\end{array}\right]\end{array}---\left(16\right)$

其中Δt是两个时刻的差。是在导航框架中加速度矢量的矫正：

$a_k^n=C_{b_{k+1|k}}^n\·a_k^b={\left[\begin{array}{ccc}{a}_{x_k}& a_{y_k}& a_{z_k}\end{array}\right]}^T---\left(17\right)$

是的斜对称矩阵：

$S\left(a_k^n\right)=\left[\begin{array}{ccc}0& -a_{z_k}& a_{y_k}\\ a_{z_k}& 0& -a_{x_k}\\ -a_{y_k}& a_{x_k}& 0\end{array}\right]---\left(18\right)$

其中J给出如下：

其中R是地球半径，h是高度，是纬度。EKF的测量模型如下：

z_k＝H_kδx_k|k+υ_k(20)

其中z_k是测量误差向量，υ_k是测量噪声，它的协方差矩阵是H_k是参数矩阵定义如下：

H_k＝[I_3×30_3×12](21)

最后，等式(29)和等式(30)被用来估计状态误差向量。状态误差向量被用来更新当前的组合导航方案。组合导航方案将会提供导航信息，例如位置和速度包括它们的方差用于无线指纹识别和平滑滤波器。整个方案是一个稳定的闭环。

b.其他过滤器

UKF无损卡尔曼滤波(UnscentedKalmanFilter，UKF)假设系统存在高斯误差，并且选择的点服从高斯分布。UKF与EKF相比较优点是利用点来粗略估计均值和协方差参数，估计的均值和协方差比EKF要好，尤其是对高阶非线性系统。

如果系统误差为非高斯误差，组合滤波器31可以采用粒子滤波(ParticleFilter，PF)，PF使用基于蒙特卡洛模拟的递归贝叶斯估计。在PF的实现中，许多带有权重的粒子被产生以代表条件概率密度函数，这些粒子通过系统模型传播，PF在非高斯误差的系统中性能优于UKF和EKF。然而粒子的数量是巨大的，因此PF有着很大的计算负载。

平滑滤波器32用来平滑距离数据处理模块1所获取到的约束指纹识别(ConstrainedFingerprinting，CFP)的解，由于CFP解并不平滑，还有一些跳跃点，利用平滑滤波器32进一步提高整个系统的精度。平滑滤波器32可以采用卡尔曼滤波(KalmanFilter，KF)或自适应卡尔曼滤波(AdaptiveKalmanFilter，AKF)，AKF会自适应地根据导航方案调整滤波器参数。

a.KF滤波器

KF滤波器可用于实现平滑滤波器。KF的状态向量定义如下：

x＝[r_er_nv_ev_n]^T(22)

式中r_e和r_n是水平面上的二维位置组成(如东和北)，v_e和v_n是对应的二维速度组成。平滑滤波器工作在二维模式。KF系统模型采用经典的运动模型，定义如下：

x_k+1|k＝Φ_k,k+1x_k|k+ω_k(23)

式中x_k+1|k是预测的状态向量，x_k|k是在k时刻先前的状态向量，Φ_k,k+1是一个4×4转移矩阵：

${\mathrm{\Φ}}_{k,k+1}=\left[\begin{array}{cccc}1& 0& \mathrm{\Δ}t& 0\\ 0& 1& 0& \mathrm{\Δ}t\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]---\left(24\right)$

式中Δt是两个时刻的时间差。ω_k是协方差矩阵的处理噪声，定义如下：

式中和是在k时刻向东和向北的速度噪声，按随机游走建模。

式中和是在k-1时刻向东和向北的速度噪声，n_e和n_n是两个高斯白噪声，Δt是两个时刻的时间差。

CFP解用于平滑KF的观测量，测量模型定义如下：

z_k＝H_kx_k|k+υ_k(27)

式中z_k＝[r_CFP(1)r_CFP(2)]^T采用CFP解的二维坐标作为测量向量。H_k是决策矩阵，定义如下。

$H_k=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]---\left(28\right)$

υ_k是测量噪声以高斯白噪声为模型，其协方差矩阵为KF处理过程有两个阶段：预测和更新。在预测过程，根据系统模型预测出状态向量和协方差矩阵。

$\{\begin{array}{c}{x}_{k+1|k}={\mathrm{\Φ}}_{k,k+1}{x}_{k|k}\\ P_{k+1|k}={\mathrm{\Φ}}_{k,k+1}{P}_{k|k}{\mathrm{\Φ}}_{k,k+1}^T+Q_k\end{array}---\left(29\right)$

在更新过程中，根据测量模型更新状态向量和协方差矩阵：

$\{\begin{array}{c}{K}_k=P_{k|k-1}{H}_k^T{(H_k{P}_{k|k-1}{H}_k^T+R_k)}^{-1}\\ x_{k|k}=x_{k|k-1}+K_k(z_k-H_k{x}_{k|k-1})\\ P_{k|k}=(I-K_k{H}_k)P_{k|k-1}{(I-K_k{H}_k)}^T+R_k\end{array}---\left(30\right)$

式中K_k称为卡尔曼增益。

b.AKF滤波器

KF滤波器实现为平滑滤波器来平滑CFP解。在KF中为了在转弯和直行时都能工作良好，细调过程噪声的协方差矩阵Q_k就很重要。转弯时，Q_k要设为较大的值以覆盖转弯的动态变化保证KF收敛。直行时，Q_k要设为较小的值以保证解的平滑。自适应设置Q_k的KF通常称为自适应KF，即AKF。AKF里Q_k定义如下：

Q_k＝norm(v_intk,v_intk-1)·Q_k,s(31)

式中Q_k,s是为直行情况设置的Q_k，v_intk和v_intk-1是组合滤波器组给出的在k时刻和k-1时刻的速度。最后，无论是实现为KF还是AKF，平滑滤波器都输出无线平滑约束指纹(SCFP)解来融合。

实验验证：

本发明从上述多个实施例中选定一个实施例进行实验，本实施例中，预先设定搜索范围确定模块132中搜索范围的形状为矩形，数据匹配单元14的指纹匹配方法采用单点确定性匹配(2-范数)用于指纹匹配，平滑滤波器32采用KF，INS/PDR/MC作为MEMS导航方案，组合滤波器31采用EKF滤波器，用WiFi指纹作为无线指纹的代表。由一个完整的惯性单元，三轴陀螺仪和三轴加速度计(Invensense公司MPU-6050)，和的WiFi/蓝牙组合模块(海华技术AW-NH665)构成的待测目标来记录大量轨迹数据。

本发明采用实验1和实验2，即通过两个轨迹来将本发明中的融合导航装置所采用的导航方法MEMS/SCFP与现有技术中的定位方法进行比较，现有技术中的MEMS独立定位和融合定位方法如：MEMS、MEMS/FP、MEMS/CFP作比较，以及现有技术中的无线指纹识别方案：如SCFP和FP、CFP作比较。实验环境为一120×40平方米的室内，其中平均可见的WiFiRSS的数目为24，在获取轨迹之前进行了WiFi无线信号地图数据库建设和维护。

如图2所示，实验1中的步行轨迹形状为“8”字形。实验1的定位结果如图3和图4所示，图3展示了FP，CFP和SCFP的估计轨迹和定位误差。图3(a)、(b)和(c)展示了在轨迹Ⅰ中CFP和SCFP比FP的跳跃点要少。如图3(d)所示，SCFP的定位误差比CFP稍好，比FP要好得多。从图3可以看出本发明所公开的WiFi定位方法SCFP比其他方法更好。图4展示了MEMS、MEMS/FP、MEMS/CFP和MEMS/SCFP的定位轨迹和定位误差。在图4(a)、(b)、(c)和(d)中，MEMS/CFP和MEMS/SCFP的轨迹比MEMS和MEMS/FP更接近参考值。它也表明，MEMS具有时间漂移，定位性能最糟糕。图4(e)描述了MEMS/SCFP在所有的方法中具有最好的性能。在无线定位的帮助下，该融合方案减少MEMS导航解的漂移。结合图3和图4，可以看出与其他定位方案相比较融合方案更平滑并且具有更高的采样率。图5展示了轨迹Ⅰ的定位误差累积分布函数(CDF)。从图5可以看出本发明公开的MEMS/SCFP提供了比MEMS/FP或MEMS/CFP具有更好的结果。并且，SCFP的结果比CFP和FP更准确。

如图6所示，实验2中的步行轨迹形状为“s”字形。实验2的定位结果如图7和图8所示，图7展示了FP、CFP和SCFP的估计轨迹和定位误差，与轨迹Ⅰ相似，图7(a)、(b)和(c)展示了在轨迹Ⅱ中CFP和SCFP比FP的跳跃点要少；如图7(d)展示了在轨迹Ⅱ中SCFP的定位误差比CFP和PF要少，这也就说明了本发明的室内导航方法比其他方法更好。图8展示了第二条轨迹的MEMS、MEMS/FP、MEMS/CFP和MEMS/SCFP的定位结果，图8(a)、(b)、(c)和(d)说明了由于漂移，MEMS导航方案性能更糟糕，MEMS/SCFP和MEMS/CFP方案更接近参考值；图8(e)描述了MEMS/SCFP在所有的方法中定位误差最小。图9展示了轨迹Ⅱ的定位误差累积分布函数(CDF)。从图9可以看出本发明的基于无线指纹和MEMS传感器的融合导航方法MEMS/SCFP提供了比MEMS/FP或MEMS/CFP更好的结果，并且，SCFP的结果比CFP和FP更准确。

关于这两条轨迹的定位误差表1总结了下列统计值：50％误差，90％误差，平均值，和根均方值(RMS)。从表1可以看出本发明公开的MEMS/SCFP方案(RMS：2.4米和2.8米)的结果好于MEMS/FP(RMS：4.5米和3.9米)或MEMS/CFP(RMS：2.7米和3.4米)。并且，对于这两条轨迹，SCFP(RMS：3.3米和3.3米)的结果比CFP(RMS：3.6米和3.4米)和FP(RMS：5.2米和4.9米)更精确。与MEMS/FP相比，对于轨迹I和II，使用本发明公开的方法可以使融合定位误差减少47％和28％。另外，使用MEMS/SCFP的无线定位误差也分别降低37％和33％。

通过限制搜索范围，本发明所公开的方法还提高了指纹和最后组合的处理速度，可以大量降低FP的计算负荷，尤其是无线信号地图数据库很大时。表2将本发明公开的方法与其他方法的Matlab处理时间进行了比较。对于轨迹I和II，本发明所公开的方法的处理时间分别只有MEMS/FP的26％和29％。同时，SCFP的处理时间仅为FP的5％和6％。这一结果说明本发明公开的方法计算效率高。处理时间的减少，使本发明所公开的方法和装置更适合于便携式设备的实时定位应用。

表1.定位误差统计结果(m)

*A：MEMS；B：FP；C：CFP；D：SCFP；E：MEMS/FP；F：MEMS/CFP；G：MEMS/SCFP

表2.不同方法的仿真(Matlab)处理时间(s)

轨迹	A*	B	C	D	E	F
							T1	182.4	9.4	9.5	241.1	63.2	69.5
T2	100.2	5.8	5.9	130.5	37.2	41.1

*A：FP；B：CFP；C：SCFP；D：MEMS/FP；E：MEMS/CFP；F：MEMS/SCFP.

上述内容仅被认为是本发明的证明。此外，由于本领域技术人员容易想到许多修改和变化，因此本发明不限制于具体结构和操作的显示和描述，并且相应地，所有适当的修改和等同物都视为在本发明的权利要求范围之内。

Claims (10)

1.一种基于无线指纹和MEMS传感器的融合导航装置，其特征在于，包括：无线信号强度数据采集和处理模块（1）、传感器数据采集和处理模块（2）、数据融合模块（3）以及若干个分布在不同位置的无线接入点，所述无线信号强度数据采集和处理模块（1）根据待测目标与所述无线接入点之间的无线信号强度获取待测目标的第一位置信息，所述传感器数据采集和处理模块（2）根据所述待测目标的状态变化信息获取待测目标的第二位置信息，所述数据融合模块（3）将所述待测目标的第一位置信息和第二位置信息进行融合，根据融合结果得到所述待测目标的最终位置信息，并将所述融合结果反馈给所述无线信号强度数据采集和处理模块（1）和所述传感器数据采集和处理模块（2）。

2.根据权利要求1所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述无线信号强度数据采集和处理模块（1）包括：无线信号强度数据数据采集单元（11）、无线信号地图数据库（12）、数据搜索确定单元（13）、数据匹配单元（14）；所述无线信号强度数据数据采集单元（11）接收所述待测目标与无线接入点之间的无线信号强度数据信息；所述无线信号地图数据库（12）为所述数据搜索确定单元（13）提供无线信号地图数据库；所述数据搜索确定单元（13）根据所述无线信号强度数据采集单元（11）传送过来的无线信号强度信息和所述数据融合模块（3）所反馈的上一时刻融合结果为所述无线指纹匹配单元（14）选择指纹搜索范围；所述数据匹配单元（14）在所述指纹搜索范围内对所述待测目标的无线信号强度信息进行指纹匹配得到当前时刻所述待测目标的第一位置信息。

3.根据权利要求2所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述无线信号强度数据采集单元（11）包括：无线信号强度数据接收单元（111）和无线信号强度数据预处理单元（112），所述无线信号强度数据接收单元（111）接收所述待测目标与无线接入点之间的无线信号强度信息并传送给所述无线信号强度数据预处理单元（112），所述无线信号强度数据预处理单元（112）对所述无线信号强度信息进行消噪处理。

4.根据权利要求2所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述数据搜索确定单元（13）包括搜索中心确定模块（131）和搜索范围确定模块（132），所述搜索中心确定模块（131）根据所述无线信号强度数据采集单元（11）根据所述无线信号强度信息确定基本搜索范围的中心，根据所述数据融合模块（3）所反馈的上一时刻融合结果作为拓展搜索范围的中心；所述搜索范围确定模块（132）以所述基本搜索范围的中心为几何中心并根据预先设置的搜索形状确定基本搜索范围，以拓展搜索范围的中心为几何中心并根据预先设置的搜索形状确定拓展搜索范围，再按照预先设定的合并方式将所述基本搜索范围和所述拓展搜索范围进行合并得到当前时刻的指纹搜索范围。

5.根据权利要求1所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述传感器数据采集和处理模块（2）包括：传感器数据采集单元（21）和传感器数据处理单元（22）；上述传感器数据采集单元（21）采集所述待测目标的状态变化信息，所述传感器数据处理单元（22）根据所述状态变化信息计算所述待测目标的第二位置信息。

6.根据权利要求5所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述待测目标的状态数据指待测目标的加速度和/或角速度信息。

7.根据权利要求1所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述数据融合模块（3）包括：组合滤波器（31）和平滑滤波器（32），所述平滑滤波器（32）对所述待测目标的第一位置信息进行平滑处理后传送给组合滤波器（31），所述组合滤波器（31）将平滑处理后的所述第一位置信息和所述待测目标的第二位置信息进行融合得到所述待测目标的最终位置信息。

8.根据权利要求7所述的基于无线指纹和MEMS传感器的融合导航装置，其特征在于，所述组合滤波器（31）采用扩展卡尔曼滤波、无损卡尔曼滤波或粒子滤波器，所述平滑滤波器（32）采用卡尔曼滤波器或自适应卡尔曼滤波器。

9.一种基于无线指纹和MEMS传感器的融合导航方法，其特征在于，包括：

无线信号强度数据采集和处理模块根据待测目标与无线接入点之间的无线信号强度信息获取待测目标的第一位置信息；

传感器数据采集和处理模块根据所述待测目标的状态变化信息获取待测目标的第二位置信息；

数据融合模块将所述待测目标的第一位置信息和第二位置信息进行融合根据融合结果得到所述待测目标的最终位置信息，并将所述融合结果反馈给所述无线信号强度数据采集和处理模块和所述传感器数据采集和处理模块。

10.根据权利要求9所述的基于无线指纹和MEMS传感器的融合导航方法，其特征在于，所述无线信号强度数据采集和处理模块获取所述待测目标的第一位置信息包括以下步骤：

在定位区域内进行位置信息采样，将采样点的位置信息和采样点与无线接入点之间的无线信号强度信息生成无线指纹并进行存储，利用所述无线指纹建立无线信号地图数据库；

以所述待测目标与无线接入点之间的无线信号强度信息为中心，以预先设置的搜索形状确定当前时刻的基本搜索范围，以上一时刻的融合结果为拓展搜索范围的中心，以预先设置的搜索形状确定当前时刻的拓展搜索范围，再按照预先设定的合并方式将所述基本搜索范围和所述拓展搜索范围进行合并得到当前时刻的指纹搜索范围；

在所述指纹搜索范围内对所述待测目标的无线信号强度信息进行指纹匹配得到当前时刻所述待测目标的第一位置信息。