CN105589064A - Wlan位置指纹数据库快速建立和动态更新系统及方法 - Google Patents

Abstract

本发明公开了一种WLAN位置指纹数据库快速建立和动态更新系统及方法，其主要设计扩展卡尔曼融合滤波算法，充分利用MEMS传感器和室内信号传播模型的可用信息，实现高精度二维位置解算，并利用已知的室内地图信息对扩展卡尔曼滤波器输出的最优估计进行修正，得到最终的位置信息；结合得到的位置信息和当前时刻收集的RSSI信息，能够快速的建立和更新WLAN位置指纹数据库。本发明解决了随着时间的改变，WLAN位置指纹数据库变化过大而导致定位精度降低的问题，同时有效地减少了传统的逐点采集法建立和更新WLAN位置指纹数据库的时间开销和人力成本。

Description

WLAN位置指纹数据库快速建立和动态更新系统及方法

技术领域

本发明属于移动通信技术，具体涉及到一种WLAN位置指纹数据库快速建立和动态更新系统及方法。

背景技术

在移动通信领域中，人们对基于位置的服务(LocationBasedServices，LBS)的需求日益增长，而随着无线局域网络(WirelessLocalAreaNetworks，WLAN)在室内环境中的大规模部署和不断普及，基于WLAN的室内定位系统正是迎合了这种需求的一个新兴的研究热点。

在WLAN定位系统中，基于位置指纹定位方法的精度较高且不需要添加额外的设备，从而得到了广泛的应用。基于位置指纹定位方法分为两个阶段：离线阶段和在线阶段。在离线阶段，通过在目标区域内选择合适的参考点，并在每个参考点处测量来自不同接入点(AccessPoint，AP)的接收的信号强度指示(ReceivedSignalStrengthIndication，RSSI)，建立位置指纹数据库。在线阶段，利用实时采集的RSSI数据与位置指纹数据库中的信号强度数据进行匹配，实现对终端位置的估计。

传统的WLAN位置指纹数据库建立是采用逐点采集法，即选择大小合适的参考点且在每个参考点上进行数据采集。而任何位置的RSSI指纹由于受到多径效应或环境突变等因素的影响，其值是实时变化的，因此对数据库进行实时更新很有必要，而普通的数据库更新是重新进行参考点数据的采集。无论是在数据库的初期建立还是在后期更新，逐点采集参考点的数据需要很大的成本和时间开销，并且在区域面积较大的情况下，使用此种方法进行指纹数据库的建立不太现实，严重限制了WLAN室内定位的推广。

随着微机电系统(Micro-Electro-MechanicalSystems，MEMS)的快速发展，传感器的尺寸不断变小且成本不断降低，因此被广泛应用于移动智能终端设备中。基于MEMS的行人航迹推算算法(PedestrianDeadReckoning，PDR)是一种相对定位技术，具有自主性和独立性，且短时的定位精度高且连续性好。而基于WLAN的室内信号传播模型定位技术，定位精度相对稳定，但是定位的效果和连续性不及MEMS。因此，充分考虑利用两个系统的可用信息，可以实现高精度的二维位置解算。

综上所述，有必要开发一种基于MEMS和室内信号传播模型融合的WLAN位置指纹数据库快速建立和动态更新方法。

发明内容

本发明的目的是提供一种WLAN位置指纹数据库快速建立和动态更新系统及方法，它无需在离线阶段采集每个参考点处来自不同AP的RSSI信息，能有效减少传统的逐点采集法建立和更新WLAN位置指纹数据库的时间开销和人力成本。

本发明所述的一种WLAN位置指纹数据库快速建立和动态更新系统，包括扩展卡尔曼滤波器模块、MEMS定位模块、WLAN信号传播模型位置估计模块、地图匹配模块和WLAN位置指纹数据库建立及动态更新模块；

所述MEMS定位模块包括处理器，以及分别与处理器连接的加速度计、陀螺仪和磁力计，处理器根据加速度计、陀螺仪和磁力计所输出的信息，计算出用户速度和用户航向；

所述WLAN信号传播模型位置估计模块用于计算用户与不同AP的距离，得到用户的若干个可能位置的可能位置信息，并采用极大似然估计算法估计出用户的第一位置信息；

所述扩展卡尔曼滤波器模块采用扩展卡尔曼滤波算法，以MEMS定位模块所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置，该扩展卡尔曼滤波器模块分别与MEMS定位模块、WLAN信号传播模型位置估计模块连接；

所述地图匹配模块利用已知的室内地图信息，对扩展卡尔曼滤波器模块所输出的第二位置信息进行匹配修正得到参考点位置信息，该地图匹配模块与扩展卡尔曼滤波器模块连接；

所述WLAN位置指纹数据库建立及动态更新模块根据地图匹配模块所输出的参考点位置信息，结合此时在对应位置点所采集的RSSI信息，构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段；在线定位阶段，根据所采集用户的RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI信息替换当前WLAN指纹定位算法中使用的指纹数据库信息，该WLAN位置指纹数据库建立及动态更新模块与地图匹配模块连接。

本发明所述的一种WLAN位置指纹数据库快速建立和动态更新方法，采用本发明所述的WLAN位置指纹数据库快速建立和动态更新系统，包括以下步骤：

步骤1、MEMS传感器数据处理：根据加速度计、陀螺仪和磁力计输出的信息，其中利用加速度计信息得到用户速度，利用多种传感器进行数据融合得到用户航向；

步骤2、WLAN信号传播模型估计位置：选择合适的室内信号传播模型，再结合不同室内环境参数，计算出用户与不同AP的距离，得到用户的若干个可能位置的可能位置信息，此时采用极大似然估计算法估计出用户的第一位置信息；

步骤3、采用扩展卡尔曼滤波算法，以MEMS定位模块所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置；

步骤4、地图匹配：利用已知的室内地图信息，对扩展卡尔曼滤波器模块输出的第二位置信息进行匹配修正得到参考点位置信息，减小WLAN信号传播模型不精确所带来的位置误差，同样能修正由于MEMS长时间航向角累积漂移导致的位置误差；

步骤5、WLAN位置指纹数据库快速建立和动态更新：

5a、根据所述参考点位置信息，结合此时在对应位置点所采集的RSSI信息，构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段；

5b、在线定位阶段，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI指纹信息替换当前WLAN指纹定位算法中使用的指纹数据库信息。

所述步骤3中，所述状态方程如下：

选择WLAN位置指纹数据库中第二位置信息的坐标点的东位置、北位置、用户速度和航向角信息作为状态变量，即X＝[rxryvψ]^T；建立状态方程如下：

$X_t=f_t\left(X_{t-1}\right)+W_{t-1}=\left[\begin{array}{cccc}1& 0& sin\left({\mathrm{\ψ}}_{t-1}\right)& 0\\ 0& 1& cos\left({\mathrm{\ψ}}_{t-1}\right)& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]\×\left[\begin{array}{c}r{x}_{t-1}\\ {\mathrm{ry}}_{t-1}\\ v_{t-1}\\ {\mathrm{\ψ}}_{t-1}\end{array}\right]+W_{t-1}$

其中，X_t＝[rx_try_tv_tψ_t]^T，rx_t表示t时刻待估计的东位置，ry_t表示t时刻待估计的北位置，v_t表示t时刻待估计的速度，ψ_t表示t时刻待估计的航向；rx_t-1表示t-1时刻估计出的东位置，ry_t-1表示t-1时刻估计出的北位置，v_t-1表示t-1时刻估计出的速度，ψ_t-1表示t-1时刻估计出的航向角，f_t(X_t-1)表征的是t时刻和t-1时刻状态变量之间的非线性关系，W_t-1是均值为0的高斯白噪声序列，且i,j＝1,2,...,m，m为需要估计的变量个数，Q(Q≥0)为m维过程噪声协方差矩阵。

所述步骤3中，所述观测方程如下：

选择由WLAN室内信号传播模型确定第一位置信息的东位置、北位置、传感器测得的速度和水平航向角作为观测量，即Z＝[rx′ry′v^memsψ^mems]^T；建立观测方程如下：

$Z_t=h_t\left(X_t\right)+V_t=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]\×\left[\begin{array}{c}r{x}_t\\ {\mathrm{ry}}_t\\ v_t\\ {\mathrm{\ψ}}_t\end{array}\right]+V_t$

式中， $Z_t={\left[\begin{array}{cccc}{\mathrm{rx}}_t^{\′}& {\mathrm{ry}}_t^{\′}& {v_t}^{mems}& {{\mathrm{\ψ}}_t}^{mems}\end{array}\right]}^T,$ rx′_t表示t时刻基于WLAN信号传播模型确定第一位置信息的东位置，ry′_t表示t时刻基于信号传播模型确定第一位置信息的北位置，表示t时刻传感器测得的速度，表示t时刻传感器测得的水平航向角；h_t(X_t)表示^t时刻状态变量和观测变量之间的非线性关系，V_t为t时刻离散型零均值观测白噪声矢量，且E[V(i)V^T(j)]＝R(i,j)δ_ij,i,j＝1,2,...,n，n为观测变量个数，R(R＞0)为n维观测噪声协方差矩阵。

所述步骤1中，基于所述加速度计所输出的数据计算用户速度的方法如下：

在行人正常运动过程中，人总是在每一步中先加速，后减速；故在跨每一步过程中，加速度总会出现极大值；令其中，a_x，a_y，a_z为三轴加速度计在载体坐标系下的各轴分量；记MEMS传感器的输出频率为f_s，且将加速度计输出模值A连续大于阈值A_threshold的两个峰值之间的数据点数记作ΔN；故可以计算第k步所需的时间为：将行人的每一步运动都看成是匀速运动，那么第k步运动期间的速度应为：式中，P_k为第k步的步长，v_k为第k步计算出的速度；令第k步中每个采样时刻的速度都为v_k，则每一秒可计算出f_s个速度，取每一秒计算出的所有速度的均值作为该秒计算出的速度；即： ${v_t}^{mems}=\frac{1}{f_s}\underset{k=1}{\overset{f_s}{\Σ}}{v}_k.$

所述步骤2中，计算出用户与不同AP的距离的方法如下：

所选室内信号传播模型如下所示：

$P_{\left(d\right)}=P_{\left(d_0\right)}-10\&times;n\&times;log\frac{d}{d_0}-\left\{\begin{array}{c}nW\&times;WAF,nW<c\\ c\&times;WAF,nW>c\end{array}\right\}$

式中，P_(d)表示在参考距离d处的信号强度，表示标准距离时的信号强度n表示信号强度随距离增加的衰减速度，d表示信号发送方和接收方之间的距离，d₀表示近地参考距离，nW表示信号发送方和接收方之间的墙壁数，c表示衰减因子能够分辨出的最大墙壁数，WAF指信号经过墙壁的衰减因子。

所述步骤2中，WLAN信号传播模型在得到用户的若干个可能位置的可能位置信息，此时采用极大似然估计算法估计出用户的第一位置信息，具体如下：

用户接受到RSSI强度超过阈值Θ的M个AP信号，假设已知各AP的位置分别为：(rx₁,ry₁),(rx₂,ry₂),…,(rx_M,ry_M)，由接受信号强度计算出各AP到用户的距离：d₁,d₂,…d_M；将以知AP坐标作为圆心，AP到用户的距离为半径，建立距离方程；由于存在M个距离方程，组成非线性方程组，如下形式：AX＝b，可以利用最小二乘法求解出该非线性方程组的唯一解：X＝(A^TA)^-1A^Tb，可以求得用户的第一位置(rx′_t,ry′_t)。

所述步骤4中，地图匹配的具体方法如下：

当扩展卡尔曼滤波算法得出的第二位置信息为直接不可到达地区时，所述不可到达区域为墙壁或封闭房间，将定位结果匹配到最临近的墙边，得到此时的参考点位置信息；

当扩展卡尔曼滤波算法得出的第二位置信息与前一时刻参考点位置信息距离过大，超过阈值Ω后，调整传播模型参数，重新定位。

所述步骤5中，WLAN位置指纹数据库建立和动态更新的具体方法如下：

构建WLAN位置指纹数据库时，需要对同时采集的WLAN信号进行预处理：将在同一地理位置点接受到的不同AP信号，依据其信号强度，分配不同的权重；故构建WLAN位置指纹数据库如下：

$G_i=\{{(\hat{x},\hat{y})}_i,({\mathrm{MAC}}_1,{\mathrm{RSS}}_1,{\mathrm{\&sigma;}}_1),({\mathrm{MAC}}_2,{\mathrm{RSS}}_2,{\mathrm{\&sigma;}}_2),\mathrm{...},({\mathrm{MAC}}_k,{\mathrm{RSS}}_k,{\mathrm{\&sigma;}}_k)\},(i=1,2,3,\mathrm{...},n);$

其中，为参考点位置信息，i和j为序号，n为总的参考点数量，k为环境当中的AP数量，且σ_j为接收到的第j个AP信号的权重，G_i为室内环境中第i个参考点的指纹数据信息；

动态更新WLAN位置指纹数据库：由于室内环境发生改变或气候引起的水分含量变化，导致WLAN位置指纹数据库失效，使得定位精度降低，此时用户利用所述步骤1～步骤5a，重新得到室内环境中的参考点位置信息和RSSI信息，构造WLAN位置指纹数据库,在线定位阶段，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI信息替换当前WLAN指纹定位算法中使用的指纹数据库信息。

所述步骤5b中，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息的方法如下：

计算实时测量所得的RSSI信息与WLAN指纹数据库中每个参考点的指纹数据信息之间的距离，选取从最小距离开始选取K(K≥2)个最接近的数据库矢量，再计算它们的平均坐标作为待测目标的位置输出；

设实时测量所得的RSSI信息为S_j与WLAN指纹数据库中每个参考点的指纹数据信息为S_ij之间的距离为：

$d_i={\left(\underset{j=1}{\overset{k}{\&Sigma;}}\right|S_{ij}-S_j{|}^2)}^{1/2},i=1,2,\mathrm{...},n;$

其中：i和j为序号，n为总的参考点数量，k为环境当中的AP数量，在距离结果中从小到大选取K个参考点，计算它们参考点位置坐标的均值作为第三位置信息输出：

式中：(x_i,y_i)是第i个参考点所对应的坐标。

本发明具有以下优点：它利用扩展卡尔曼滤波算法融合MEMS和室内信号传播模型进行位置估计，并且通过地图匹配对估计的位置信息进行修正，最后的定位结果和此时刻的RSSI信息结合构成指纹数据库，该方法和系统同样用于指纹数据库的更新。该方法和系统无需在离线阶段采集每个参考点处来自不同AP的RSS信息I，能够有效地减少传统的逐点采集法建立和更新WLAN位置指纹数据库的时间开销和人力成本，对WLAN室内定位技术的推广具有重要意义。

附图说明

图1为本发明的原理框图；

图2为本发明的原理框架图；

图3为本发明的流程图；

图中：1、WLAN信号传播模型位置估计模块，2、MEMS定位模块，3、扩展卡尔曼滤波器模块，4、地图匹配模块，5、WLAN位置指纹数据库建立及动态更新模块。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明：

如图1和图2所示，本发明所述的WLAN位置指纹数据库快速建立和动态更新系统包括扩展卡尔曼滤波器模块3、MEMS定位模块2、WLAN信号传播模型位置估计模块1、地图匹配模块4和WLAN位置指纹数据库建立及动态更新模块5。

MEMS定位模块2包括处理器，以及分别与处理器连接的加速度计、陀螺仪和磁力计，处理器根据加速度计、陀螺仪和磁力计所输出的信息，计算出用户速度和用户航向；其中利用加速度计所采集的信息计算出用户速度，利用多种传感器所采集的信息，进行数据融合得到用户航向。

WLAN信号传播模型位置估计模块1，选择合适的室内信号传播模型，再结合不同室内环境参数，计算出用户与不同AP的距离，(由于传播模型存在误差)得到用户的若干个可能位置的可能位置信息，并采用极大似然估计算法估计出用户的第一位置信息。

扩展卡尔曼滤波器模块3采用扩展卡尔曼滤波算法，以MEMS定位模块2所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块1所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置；该扩展卡尔曼滤波器模块3分别与MEMS定位模块2、WLAN信号传播模型位置估计模块1连接。

地图匹配模块4利用已知的室内地图信息，对扩展卡尔曼滤波器模块3所输出的第二位置信息进行匹配修正得到参考点位置信息；减小WLAN信号传播模型不精确所带来的位置误差，同样能够修正由于MEMS长时间航向角累积漂移导致的位置误差；该地图匹配模块4与扩展卡尔曼滤波器模块3连接。

所述WLAN位置指纹数据库建立及动态更新模块5根据地图匹配模块4所输出的参考点位置信息，结合此时在对应位置点所采集的RSSI信息，在云端服务器端构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段。随着时间的改变，WLAN位置指纹数据库变化过大而导致定位精度降低，此时用户利用所述的WLAN位置指纹数据库建立方法，重新得到室内环境中的位置信息和指纹库信息。在线定位阶段，根据所采集用户的RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI信息替换当前WLAN指纹定位算法中使用的指纹数据库信息；该WLAN位置指纹数据库建立及动态更新模块5与地图匹配模块4连接。

如图2和图3所示，本发明所述的一种WLAN位置指纹数据库快速建立和动态更新方法，采用本发明所述的WLAN位置指纹数据库快速建立和动态更新系统，包括以下步骤：

步骤1、MEMS传感器数据处理：根据加速度计、陀螺仪和磁力计输出的信息，其中利用加速度计信息得到用户速度，利用多种传感器进行数据融合得到用户航向。

步骤2、WLAN信号传播模型估计位置：选择合适的室内信号传播模型，再结合不同室内环境参数，计算出用户与不同AP的距离，得到用户的若干个可能位置的可能位置信息，此时采用极大似然估计算法估计出用户的第一位置信息。

步骤3、采用扩展卡尔曼滤波算法，以MEMS定位模块2所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块1所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置。

步骤4、地图匹配：利用已知的室内地图信息，对扩展卡尔曼滤波器模块3输出的第二位置信息进行匹配修正得到参考点位置信息，减小WLAN信号传播模型不精确所带来的位置误差，同样能修正由于MEMS长时间航向角累积漂移导致的位置误差。

步骤5、WLAN位置指纹数据库快速建立和动态更新：

5a、根据所述参考点位置信息，结合此时在对应位置点所采集的RSSI信息，构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段；

5b、在线定位阶段，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI指纹信息替换当前WLAN指纹定位算法中使用的指纹数据库信息。

一、MEMS传感器数据处理：

MEMS传感器数据处理主要分为三部分，包括初始航向信息确定、速度计算和行人航向角解算。根据加速度计、陀螺仪和磁力计输出的信息，其中利用加速度计信息得到用户速度，利用多种传感器进行数据融合得到用户航向。

(1)航向角解算

航向角解算主要包括初始姿态角计算以及航向角解算两部分。具体方法如下：

a、初始姿态角计算：

翻滚角和俯仰角可由下面公式确定：

$\left\{\begin{array}{c}\mathrm{\&alpha;}=arctan\left(\frac{a_x}{\sqrt{a_y^2+a_z^2}}\right)\\ \mathrm{\&beta;}=arctan(-\frac{a_y}{a_z})\end{array}\right.;$

其中，α为俯仰角，β为横滚角，a_x，a_y，a_z为三轴加速度计在载体坐标系下的各轴分量。

然后利用如下公式求解初始水平航向角：

${\mathrm{\&psi;}}_{mag}=arctan\left(\frac{m_x^n}{m_y^n}\right);$

其中， $\left\{\begin{array}{c}{m}_x^n=m_x\cos \mathrm{\&alpha;}+m_y\sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}-m_z\cos \mathrm{\&beta;}\sin \mathrm{\&alpha;}\\ m_y^n=m_y\cos \mathrm{\&beta;}+m_z\sin \mathrm{\&beta;}\end{array}\right.,$ 且m_x,m_y,m_z分别为地磁强度矢量在沿载体三轴的分量。

由于地理北极和磁北极不是完全的一致，故需要对求出的角度做处理。根据定义的磁偏角ε，该值是根据当地地理位置查表得到或者通过实际测量得到。因此载体相对于真北航向角为ψ：

ψ＝ψ_mag±ε。

b、航向角解算

状态方程建立：

在捷联解算中，姿态角与四元素之间的相互转换关系，所以只要对四元素的四个参数做出估计即可解算出对应的姿态矩阵，从而得到载体的实时姿态信息。

取四元数的四个参数作为状态变量即：

X＝[q₀q₁q₂q₃]^T；

根据捷联惯导系统的四元素理论，状态方程可写为：

$\stackrel{\&CenterDot;}{X}=\frac{1}{2}\left[\begin{array}{cccc}0& -({\mathrm{\&omega;}}_x-w_x)& -({\mathrm{\&omega;}}_y-w_y)& -({\mathrm{\&omega;}}_z-w_z)\\ ({\mathrm{\&omega;}}_x-w_x)& 0& ({\mathrm{\&omega;}}_z-w_z)& -({\mathrm{\&omega;}}_y-w_y)\\ ({\mathrm{\&omega;}}_y-w_y)& -({\mathrm{\&omega;}}_z-w_z)& 0& ({\mathrm{\&omega;}}_x-w_x)\\ ({\mathrm{\&omega;}}_z-w_z)& ({\mathrm{\&omega;}}_y-w_y)& -({\mathrm{\&omega;}}_x-w_x)& 0\end{array}\right]X;$

其中，ω_x、ω_x、ω_z分别为三轴陀螺仪的输出，w为三个陀螺仪输出误差

w＝[w_xw_yw_z]^T

$\stackrel{\&CenterDot;}{X}=\frac{1}{2}\left[\begin{array}{cccc}0& -{\mathrm{\&omega;}}_x& -{\mathrm{\&omega;}}_y& -{\mathrm{\&omega;}}_z\\ {\mathrm{\&omega;}}_x& 0& {\mathrm{\&omega;}}_z& -{\mathrm{\&omega;}}_y\\ {\mathrm{\&omega;}}_y& -{\mathrm{\&omega;}}_z& 0& {\mathrm{\&omega;}}_x\\ {\mathrm{\&omega;}}_z& {\mathrm{\&omega;}}_y& -{\mathrm{\&omega;}}_x& 0\end{array}\right]X+\left[\begin{array}{ccc}{q}_1& q_2& q_3\\ -q_0& q_3& -q_2\\ -q_3& -q_0& q_1\\ q_2& -q_1& -q_0\end{array}\right]w.$

量测方程建立：

为了进一步的得到精确的姿态角，则需要利用加速度计和地磁传感器对重力向量和地磁向量的观测来修正陀螺给出的姿态角信息。则是取观测量为：

Z＝[a_xa_ya_zm_xm_ym_z]^T；

其中：a_x、a_y、a_z为加速度计测量出的载体坐标系中的三轴加速度计归一化后的数据，m_x、m_y、m_z为三轴磁力计测量出的载体坐标系中的三轴磁力计归一化后的数据。当载体处于任意姿态时，假定加速度计和磁力计的输出是：

g_b＝[g_xg_yg_z]，m_b＝[b_xb_yb_z]

$\left[\begin{array}{c}{a}_x\\ a_y\\ a_z\\ m_x\\ m_y\\ m_z\end{array}\right]=h\left(X\right)+V=\left[\begin{array}{c}2(q_1{q}_3-q_0{q}_2)\\ 2(q_2{q}_3+q_0{q}_1)\\ (q_0^2+q_3^2-q_1^2-q_2^2)\\ 2(q_1{q}_2+q_0{q}_3)b_y+2(q_1{q}_3-q_0{q}_2)b_z\\ (q_0^2-q_1^2+q_2^2-q_3^2)b_y+2(q_2{q}_3+q_0{q}_1)b_z\\ 2(q_2{q}_3-q_0{q}_1)b_y+(q_0^2-q_1^2-q_2^2+q_3^2)b_z\end{array}\right]+V.$

扩展卡尔曼滤波过程：

通过上述的分析，已经得到针对扩展卡尔曼滤波的状态方程与观测方程。下面列出扩展Kalman滤波的求解过程。

状态一步预测：

$\hat{X}(k,k-1)=\mathrm{\&Phi;}(k,k-1)\hat{X}(k-1);$

均方误差一步预测：

P(k,k-1)＝Φ(k,k-1)P(k-1)Φ^T(k,k-1)+Γ(k-1)Q(k-1)Γ^T(k-1)；

滤波增益计算：

K(k)＝P(k,k-1)H^T(k)[H(k)P(k,k-1)H^T(k)+R(k)]^-1；

状态估计：

$\hat{X}\left(k\right)=\hat{X}(k,k-1)+K\left(k\right)\{Z\left(k\right)-h\&lsqb;\hat{X}(k,k-1)\&rsqb;\};$

均方误差估计：

P(k)＝[I-K(k)H(k)]P(k,k-1)。

(2)用户速度计算

首先，在行人正常运动过程中，人总是在每一步中先加速，后减速。故在跨每一步过程中，加速度总会出现极大值。令其中，a_x，a_y，a_z为三轴加速度计在载体坐标系下的各轴分量。

记MEMS传感器的输出频率为f_s，且将加速度计输出模值A连续大于阈值A_threshold的两个峰值之间的数据点数记作ΔN。故可以计算第k步所需的时间为故可以计算第k步所需的时间为：将行人的每一步运动都看成是匀速运动，那么第k步运动期间的速度应为：式中，P_k为第k步的步长，v_k为第k步计算出的速度。令第k步中每个采样时刻的速度都为v_k，则每一秒可计算出f_s个速度，取每一秒计算出的所有速度的均值作为该秒计算出的速度。即： ${v_t}^{mems}=\frac{1}{f_s}\underset{k=1}{\overset{f_s}{\&Sigma;}}{v}_k.$

二、WLAN信号传播模型位置估计

在本系统中，我们选择如下信号传播模型：

$P_{\left(d\right)}=P_{\left(d_0\right)}-10\&times;n\&times;log\frac{d}{d_0}-\left\{\begin{array}{c}nW\&times;WAF,nW<c\\ c\&times;WAF,nW>c\end{array}\right\};$

式中，P_(d)表示在参考距离d处的信号强度，表示标准距离时的信号强度n表示信号强度随距离增加的衰减速度，d表示信号发送方和接收方之间的距离，nW表示信号发送方和接收方之间的墙壁数，c表示衰减因子能够分辨出的最大墙壁数，WAF指信号经过墙壁的衰减因子。

用户接受到RSS强度超过阈值Θ的M个AP信号，假设已知各AP的位置分别为：(rx₁,ry₁),(rx₂,ry₂),…,(rx_M,ry_M)；

由接受信号强度计算出各AP到用户的距离：d₁,d₂,…d_M，将以知AP坐标作为圆心，AP到用户的距离为半径，建立距离方程。

建立如下距离方程：

$\left\{\begin{array}{c}{({\mathrm{rx}}_1-{\mathrm{rx}}^{\&prime;})}^2+{({\mathrm{ry}}_1-{\mathrm{ry}}^{\&prime;})}^2=d_1^2\\ {({\mathrm{rx}}_2-{\mathrm{rx}}^{\&prime;})}^2+{({\mathrm{ry}}_2-{\mathrm{ry}}^{\&prime;})}^2=d_2^2\\ .\\ .\\ .\\ {({\mathrm{rx}}_M-{\mathrm{rx}}^{\&prime;})}^2+{({\mathrm{ry}}_M-{\mathrm{ry}}^{\&prime;})}^2=d_M^2\end{array}\right.;$

该方程为非线性方程组，用方程组中前M-1个方程减去第M个方程后，得到线性化的方程：AX＝b，其中：

X＝[rx',ry']^T；

再利用最小二乘法解：X＝(A^TA)^-1A^Tb；

可以求得用户的第一位置(rx′_t,ry′_t)。

三、定位信息融合

(1)确定状态方程和观测方程

选择WLAN位置指纹数据库中参考点坐标点的东位置、北位置、用户速度和航向角信息作为状态变量，即X＝[rxryvψ]^T。选择由WLAN室内信号传播模型确定的东位置、北位置、传感器测得的速度和水平航向角作为观测量，即Z＝[rx′ry′v^memsψ^mems]^T。

建立观测方程和状态方程分别为：

$\left\{\begin{array}{c}{X}_t=f_t\left(X_{t-1}\right)+w_{t-1}\\ Z_t=h_t\left(X_t\right)+v_t\end{array}\right.;$

(2)扩展卡尔曼滤波系统更新方程如下：

a、更新一步预测状态变量：

${\hat{X}}_{t+1|t}=f_t({\hat{X}}_{t|t},t);$

b、线性化转移矩阵：

$F_t\left(t\right)\&ap;\frac{\&part;f(X_t,t)}{\&part;X_t}{|}_{X_t={\hat{X}}_{t|t}},H_x\left(t\right)\&ap;\frac{\&part;h(X_{t+1}t+1)}{\&part;X_{t+1}}{|}_{X_{t+I}={\hat{X}}_{t+1/t}};$

c、更新一步预测误差协方差矩阵：

$P_{t+1|t}=F_t\left(t\right)P_{t|t}{F}_t^T\left(t\right)+Q_t;$

d、卡尔曼滤波增益计算：

$K_{t+1}=P_{t+1|t}{H}_x^T(t+1){\&lsqb;H_x(t+1)P_{t+1|t}{H}_x^T(t+1)+R_{t+1}\&rsqb;}^{-1};$

e、最优状态估计计算：

${\hat{X}}_{t+1|t+1}={\hat{X}}_{t+1|t}+K_{t+1}\&lsqb;Z_{t+1}-H({\hat{X}}_{t+1|t},t+1)\&rsqb;;$

f、估计误差的最优协方差矩阵计算：

$P_{t+1|t+1}=P_{t+1|t}-K_{t+1}{H}_x(t+1)F_t\left(t\right)P_{t+1|t}^T;$

其中，K(t)是t时刻的卡尔曼滤波增益；是t时刻的最优估计矩阵；P(t)是t时刻的误差协方差矩阵；R(t)为观测噪声协方差矩阵。

(3)自适应调整R(t)：

方差阵Q(t)非负定，经大量实验发现，其对结果影响非常小，故本方法中主要讨论R(t)的影响。方差阵R(t)为正定，此处的将观测噪声方差阵的初始值设为R₀＝diag([1111])。

四、地图匹配

利用室内地图信息和前一时刻定位位置，对当前时刻定位结果进行判定。若当前定位不可信，则对定位结果进行修正或调整参数重新定位。具体方法如下：

(1)当扩展卡尔曼滤波算法得出的最优定位位置为直接不可到达地区(如墙壁、封闭房间)时，将定位结果匹配到最临近的墙边。

(2)当扩展卡尔曼滤波算法得出的最优定位位置与前一时刻定位位置距离过大，超过阈值Ω后，调整传播模型参数，重新定位。

五、WLAN位置指纹数据库建立

构建WLAN位置指纹数据库时，需要对同时采集的WLAN信号进行预处理：将在同一位置点接受到的不同AP信号，依据其信号强度，分配不同的权重。故构建WLAN位置指纹数据库如下：

$G_i=\{{(\hat{x},\hat{y})}_i,({\mathrm{MAC}}_1,{\mathrm{RSS}}_1,{\mathrm{\&sigma;}}_1),({\mathrm{MAC}}_2,{\mathrm{RSS}}_2,{\mathrm{\&sigma;}}_2),\mathrm{...},({\mathrm{MAC}}_k,{\mathrm{RSS}}_k,{\mathrm{\&sigma;}}_k)\},(i=1,2,3,\mathrm{...},n)$

，其中，为参考点位置信息，i和j为序号，n为总的参考点数量，k为环境当中的AP数量，且σ_j为接收到的第j个AP信号的权重，G_i为室内环境中第i个参考点的指纹数据信息2。

动态更新WLAN位置指纹数据库：随着时间的改变，WLAN位置指纹数据库变化过大而导致定位精度降低，此时用户利用WLAN位置指纹数据库构建方法(即所述步骤1～步骤5a)，重新得到室内环境中的位置信息和指纹库信息，此时将位置信息与通过WLAN指纹定位算法得到的位置进行对比，根据位置误差判断此时是否进行数据库更新。

本发明中的所述用户指行人的手持终端。

最后应该说明的是：以上所述仅为本发明的优选实施例，并不限制本发明，尽管利用实施例对本发明进行了详细的说明，但对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中的部分技术进行等同替换。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保护范围之内。

Claims (10)

1.一种WLAN位置指纹数据库快速建立和动态更新系统，其特征在于：包括扩展卡尔曼滤波器模块(3)、MEMS定位模块(2)、WLAN信号传播模型位置估计模块(1)、地图匹配模块(4)和WLAN位置指纹数据库建立及动态更新模块(5)；

所述MEMS定位模块(2)包括处理器，以及分别与处理器连接的加速度计、陀螺仪和磁力计，处理器根据加速度计、陀螺仪和磁力计所输出的信息，计算出用户速度和用户航向；

所述WLAN信号传播模型位置估计模块(1)用于计算用户与不同AP的距离，得到用户的若干个可能位置的可能位置信息，并采用极大似然估计算法估计出用户的第一位置信息；

所述扩展卡尔曼滤波器模块(3)采用扩展卡尔曼滤波算法，以MEMS定位模块所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置，该扩展卡尔曼滤波器模块(3)分别与MEMS定位模块(1)、WLAN信号传播模型位置估计模块(2)连接；

所述地图匹配模块(4)利用已知的室内地图信息，对扩展卡尔曼滤波器模块所输出的第二位置信息进行匹配修正得到参考点位置信息，该地图匹配模块(4)与扩展卡尔曼滤波器模块(3)连接；

所述WLAN位置指纹数据库建立及动态更新模块根据地图匹配模块(5)所输出的参考点位置信息，结合此时在对应位置点所采集的RSSI信息，构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段；在线定位阶段，根据所采集用户的RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI信息替换当前WLAN指纹定位算法中使用的指纹数据库信息，该WLAN位置指纹数据库建立及动态更新模块(5)与地图匹配模块(4)连接。

2.一种WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：采用如权利要求1所述的WLAN位置指纹数据库快速建立和动态更新系统，包括以下步骤：

步骤1、MEMS传感器数据处理：根据加速度计、陀螺仪和磁力计输出的信息，其中利用加速度计信息得到用户速度，利用多种传感器进行数据融合得到用户航向；

步骤2、WLAN信号传播模型估计位置：选择合适的室内信号传播模型，再结合不同室内环境参数，计算出用户与不同AP的距离，得到用户的若干个可能位置的可能位置信息，此时采用极大似然估计算法估计出用户的第一位置信息；

步骤3、采用扩展卡尔曼滤波算法，以MEMS定位模块所输出的用户速度与用户航向，以及WLAN信号传播模型位置估计模块所估计算出的第一位置信息建立状态方程和观测方程，设计扩展卡尔曼滤波器输出第二位置信息，该第二位置信息即为所需的最优位置；

步骤4、地图匹配：利用已知的室内地图信息，对扩展卡尔曼滤波器模块输出的第二位置信息进行匹配修正得到参考点位置信息，减小WLAN信号传播模型不精确所带来的位置误差，同样能修正由于MEMS长时间航向角累积漂移导致的位置误差；

步骤5、WLAN位置指纹数据库快速建立和动态更新：

5a、根据所述参考点位置信息，结合此时在对应位置点所采集的RSSI信息，构建WLAN位置指纹数据库，用于WLAN系统的在线定位阶段；

5b、在线定位阶段，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI指纹信息替换当前WLAN指纹定位算法中使用的指纹数据库信息。

3.根据权利要求2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤3中，所述状态方程如下：

选择WLAN位置指纹数据库中第二位置信息的坐标点的东位置、北位置、用户速度和航向角信息作为状态变量，即X＝[rxryvψ]^T；建立状态方程如下：

$X_t=f_t\left(X_{t-1}\right)+W_{t-1}=\left[\begin{array}{cccc}1& 0& sin\left({\mathrm{\&psi;}}_{t-1}\right)& 0\\ 0& 1& cos\left({\mathrm{\&psi;}}_{t-1}\right)& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]\&times;\left[\begin{array}{c}{\mathrm{rx}}_{t-1}\\ {\mathrm{ry}}_{t-1}\\ v_{t-1}\\ {\mathrm{\&psi;}}_{t-1}\end{array}\right]+W_{t-1}$

其中，X_t＝[rx_try_tv_tψ_t]^T，rx_t表示t时刻待估计的东位置，ry_t表示t时刻待估计的北位置，v_t表示t时刻待估计的速度，ψ_t表示t时刻待估计的航向；rx_t-1表示t-1时刻估计出的东位置，ry_t-1表示t-1时刻估计出的北位置，v_t-1表示t-1时刻估计出的速度，ψ_t-1表示t-1时刻估计出的航向角，f_t(X_t-1)表征的是t时刻和t-1时刻状态变量之间的非线性关系，W_t-1是均值为0的高斯白噪声序列，且 $E\&lsqb;W_i{W}_j^T\&rsqb;=Q(i,j){\mathrm{\&delta;}}_{ij},i,j=1,2,...,m,$ m为需要估计的变量个数，Q(Q≥0)为m维过程噪声协方差矩阵。

4.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤3中，所述观测方程如下：

选择由WLAN室内信号传播模型确定第一位置信息的东位置、北位置、传感器测得的速度和水平航向角作为观测量，即Z＝[rx′ry′v^memsψ^mems]^T；建立观测方程如下：

$Z_t=h_t\left(X_t\right)+V_t=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]\&times;\left[\begin{array}{c}{\mathrm{rx}}_t\\ {\mathrm{ry}}_t\\ v_t\\ {\mathrm{\&psi;}}_t\end{array}\right]+V_t$

式中，Z_t＝[rx′_try′_tv_t ^memsψ_t ^mems]^T，rx′_t表示t时刻基于WLAN信号传播模型确定第一位置信息的东位置，ry′_t表示t时刻基于信号传播模型确定第一位置信息的北位置，v_t ^mems表示t时刻传感器测得的速度，ψ_t ^mems表示t时刻传感器测得的水平航向角；h_t(X_t)表示^t时刻状态变量和观测变量之间的非线性关系，V_t为^t时刻离散型零均值观测白噪声矢量，且E[V(i)V^T(j)]＝R(i,j)δ_ij,i,j＝1,2,...,n，n为观测变量个数，R(R>0)为n维观测噪声协方差矩阵。

5.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤1中，基于所述加速度计所输出的数据计算用户速度的方法如下：

在行人正常运动过程中，人总是在每一步中先加速，后减速；故在跨每一步过程中，加速度总会出现极大值；令其中，a_x，a_y，a_z为三轴加速度计在载体坐标系下的各轴分量；记MEMS传感器的输出频率为f_s，且将加速度计输出模值A连续大于阈值A_threshold的两个峰值之间的数据点数记作ΔN；故可以计算第k步所需的时间为：将行人的每一步运动都看成是匀速运动，那么第k步运动期间的速度应为：式中，P_k为第k步的步长，v_k为第k步计算出的速度；令第k步中每个采样时刻的速度都为v_k，则每一秒可计算出f_s个速度，取每一秒计算出的所有速度的均值作为该秒计算出的速度；即：

6.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤2中，计算出用户与不同AP的距离的方法如下：

所选室内信号传播模型如下所示：

$P_{\left(d\right)}=P_{\left(d_0\right)}-10\&times;n\&times;\log \frac{d}{d_0}-\left\{\begin{array}{cc}nW\&times;WAF,& nW<c\\ c\&times;WAF,& nW>c\end{array}\right\}$

式中，P_(d)表示在参考距离d处的信号强度，表示标准距离时的信号强度n表示信号强度随距离增加的衰减速度，d表示信号发送方和接收方之间的距离，d₀表示近地参考距离，nW表示信号发送方和接收方之间的墙壁数，c表示衰减因子能够分辨出的最大墙壁数，WAF指信号经过墙壁的衰减因子。

7.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤2中，WLAN信号传播模型在得到用户的若干个可能位置的可能位置信息，此时采用极大似然估计算法估计出用户的第一位置信息，具体如下：

用户接受到RSSI强度超过阈值Θ的M个AP信号，假设已知各AP的位置分别为：(rx₁,ry₁),(rx₂,ry₂),…,(rx_M,ry_M)，由接受信号强度计算出各AP到用户的距离：d₁,d₂,…d_M；将以知AP坐标作为圆心，AP到用户的距离为半径，建立距离方程；由于存在M个距离方程，组成非线性方程组，如下形式：AX＝b，可以利用最小二乘法求解出该非线性方程组的唯一解：X＝(A^TA)^-1A^Tb，可以求得用户的第一位置(rx′_t,ry′_t)。

8.根据权利要求1或2的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤4中，地图匹配的具体方法如下：

当扩展卡尔曼滤波算法得出的第二位置信息为直接不可到达地区时，所述不可到达区域为墙壁或封闭房间，将定位结果匹配到最临近的墙边，得到此时的参考点位置信息；

当扩展卡尔曼滤波算法得出的第二位置信息与前一时刻参考点位置信息距离过大，超过阈值Ω后，调整传播模型参数，重新定位。

9.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤5中，WLAN位置指纹数据库建立和动态更新的具体方法如下：

构建WLAN位置指纹数据库时，需要对同时采集的WLAN信号进行预处理：将在同一地理位置点接受到的不同AP信号，依据其信号强度，分配不同的权重；故构建WLAN位置指纹数据库如下：

$G_i=\left\{{\left(\hat{x},\hat{y}\right)}_i,\left({\mathrm{MAC}}_l,{\mathrm{RSS}}_l,{\mathrm{\&sigma;}}_1\right),\left({\mathrm{MAC}}_2,{\mathrm{RSS}}_2,{\mathrm{\&sigma;}}_2\right),...,\left({\mathrm{MAC}}_k,{\mathrm{RSS}}_k,{\mathrm{\&sigma;}}_k\right)\right\},\left(i=1,2,3,...,n\right);$

其中，为参考点位置信息，i和j为序号，n为总的参考点数量，k为环境当中的AP数量，且σ_j为接收到的第j个AP信号的权重，G_i为室内环境中第i个参考点的指纹数据信息；

动态更新WLAN位置指纹数据库：由于室内环境发生改变或气候引起的水分含量变化，导致WLAN位置指纹数据库失效，使得定位精度降低，此时用户利用所述步骤1～步骤5a，重新得到室内环境中的参考点位置信息和RSSI信息，构造WLAN位置指纹数据库,在线定位阶段，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息；将此时计算得到的参考点位置信息与第三位置信息进行对比，根据位置误差判断此时是否进行指纹数据库更新，即是利用参考点位置信息和RSSI信息替换当前WLAN指纹定位算法中使用的指纹数据库信息。

10.根据权利要求1或2所述的WLAN位置指纹数据库快速建立和动态更新方法，其特征在于：所述步骤5b中，实时采集用户RSSI信息，利用WLAN指纹定位算法得到用户的第三位置信息的方法如下：

计算实时测量所得的RSSI信息与WLAN指纹数据库中每个参考点的指纹数据信息之间的距离，选取从最小距离开始选取K(K≥2)个最接近的数据库矢量，再计算它们的平均坐标作为待测目标的位置输出；

设实时测量所得的RSSI信息为S_j与WLAN指纹数据库中每个参考点的指纹数据信息为S_ij之间的距离为：

$d_i={\left(\underset{j=1}{\overset{k}{\&Sigma;}}\right|S_{ij}-S_j{|}^2)}^{1/2},i=1,2,...,n;$

其中：i和j为序号，n为总的参考点数量，k为环境当中的AP数量，在距离结果中从小到大选取K个参考点，计算它们参考点位置坐标的均值作为第三位置信息输出：

$(\hat{x},\hat{y})=\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}(x_i,y_i);$

式中：(x_i,y_i)是第i个参考点所对应的坐标。