CN105635962A

CN105635962A - 自动wlan射电图构建方法和系统

Info

Publication number: CN105635962A
Application number: CN201510816110.XA
Authority: CN
Inventors: 韩东洙; 郑晳薰
Original assignee: Korea Advanced Institute of Science and Technology KAIST
Current assignee: Korea Advanced Institute of Science and Technology KAIST
Priority date: 2014-11-25
Filing date: 2015-11-23
Publication date: 2016-06-01
Anticipated expiration: 2035-11-23
Also published as: US20160150380A1; JP2016099349A; CN105635962B; JP6182196B2; US10070264B2; KR101625757B1

Abstract

提供一种自动WLAN射电图构建方法和系统。所述自动WLAN射电图构建方法，包括：收集由室内空间中的移动装置获得的WLAN指纹，对基于室内地图的划分区域由位置状态表示的状态图所产生的学习模型进行机器学习，将收集的WLAN指纹布置在相应位置状态中，并存储布置的结果。因此，在没有诸如GPS信号的参考位置信息的情况下在多个非特定智能电话中收集的WLAN指纹的收集位置能够被自动地标记。

Description

自动WLAN射电图构建方法和系统

本申请要求于2014年11月25日提交到韩国知识产权局的被分配序列号10-2014-0165022的韩国专利申请的权益，所述韩国专利申请的全部公开通过引用包含于此。

技术领域

本公开总体上涉及室内位置信息识别技术。更具体地，本公开涉及一种用于自动构建室内位置识别所必需的无线局域网(WLAN)射电图(radiomap)的方法和系统。

背景技术

随着在近年广泛地使用智能电话并且越来越多地安装接入点(AP)(WLAN中继器)，对室内位置识别服务的需求日益增加。事实上，能够由室内位置识别系统预期的潜在效用已经在过去数年得到公认，并且已经进行各种尝试来实现具有广泛可用性和高精度的室内定位系统(IPS)。具体地，基于WLAN指纹的技术因其高精度而被广泛使用。然而，该技术需要构建射电图，射电图是包含收集的WLAN信号和关于收集相应信号的位置的信息的DB。

在射电图被构建的室内空间中，位置识别系统安装在射电图中，并且能够容易地提供具有与其连接的无线信号接收器的移动装置的位置信息。安装在射电图中的位置识别系统通常从射电图找到一些与由移动装置收集的WLAN指纹最相似的WLAN指纹，并且基于找到的WLAN指纹被收集的位置的信息来估计位置。因此，在开发室内位置识别系统中最重要的工作是：通过收集全世界的室内空间中的WLAN指纹连同关于收集位置的信息来构建射电图。然而，构建室内空间中的射电图需要很多的成本和很多的努力。因此，需要改进的自动射电图构建技术以极大地节省成本和时间。

已经进行各种尝试来降低成本。存在一种用于通过驾驶具有安装在车辆中的装置的车辆来构建射电图的方法，所述装置用于同时收集GPS信号和WLAN信号并标记收集到的WLAN信号的收集点。另外，存在一种用于使用在用户的移动装置中与GPS信号一起获得的WLAN信号来构建射电图的方法。然而，使用GPS信号作为参考位置的方法具有无法利用在室内空间中收集的WLAN信号的缺点。这是因为GPS信号没有到达室内空间。已经进行尝试通过使用由各种传感器获得的信号信息与WLAN信号一起自动地标记收集点来构建射电图。然而，该技术也在构建射电图时需要额外成本并且仍然在可用性和精度方面具有限制。

发明内容

为了解决现有技术的上述缺点，本公开的主要方面在于提供一种作为降低构建WLAN射电图所需的成本的解的用于在没有使用诸如GPS信号的参考位置信息的情况下自动地标记WLAN指纹的收集位置的方法和系统，所述WLAN指纹在没有室内空间中的收集位置信息的情况下被收集。

根据本公开的一个方面，一种自动WLAN射电图构建方法包括：基于室内地图的划分区域由位置状态表示的有限状态自动机(FSA)来产生学习模型；通过基于学习模型的机器学习来进行学习以将收集的WLAN指纹布置在相应位置状态中。

所述自动WLAN射电图构建方法还可包括：收集由室内空间中的移动装置获得的WLAN指纹，并且进行学习的步骤可包括：将收集的WLAN指纹布置在相应位置状态中。

由移动装置获得的WLAN指纹可不包括位置信息和运动信息。

所述自动WLAN射电图构建方法还可包括：存储布置的结果。

进行学习的步骤可包括：设置针对位置状态的代表WLAN指纹；参考代表WLAN指纹将收集的WLAN指纹布置在相应位置状态中。

设置的步骤和布置的步骤可被重复预定次数。

设置的步骤可包括：基于布置的结果改变针对位置状态的代表WLAN指纹。

设置的步骤可包括：参考布置的所有WLAN指纹来改变针对位置状态的代表WLAN指纹。

可使用以下项中的至少一项通过学习来执行设置的步骤：A^*算法、爬山算法、遗传算法和文化基因算法。

可使用以下项中的至少一项通过学习来执行布置的步骤：期望最大化(EM)算法和分段K均值算法。

设置的步骤可包括：参考AP被布置的位置状态以及WLAN信号传播模型来设置针对位置状态的初始代表WLAN指纹。

包括在初始值中的AP的数量可以可变。

包括在初始值中的AP的数量可通过增加AP的数量直到满足以下条件而被动态地确定：通过三边测量所确定的位置范围不分散并且被确定为小于或等于预定大小的单个范围，并且包括在初始值中的AP的顺序可参考信息增益(IG)被确定。

WLAN指纹中的一些可被提供有位置信息，并且布置的步骤可包括：针对被提供有位置信息的WLAN指纹，参考位置信息确定用于进行布置的位置状态。

位置信息可通过以下项中的至少一项被提供：GPS信息、安装位置已知的标签信息、运动信息。

学习模型可以是WLAN指纹被布置在FSA中的模型，并且该模型具有位置状态之间的转移概率以及WLAN指纹被作为参数观察的概率。

根据本公开的另一方面，一种自动WLAN射电图构建系统包括：收集服务器，被配置为收集WLAN指纹；学习服务器，被配置为基于室内地图的划分区域由位置状态表示的FSA来产生学习模型，并通过基于学习模型的机器学习将由收集服务器收集的WLAN指纹布置在相应位置状态中。

收集服务器可被配置为收集由室内空间中的移动装置获得的WLAN指纹。

由移动装置获得的WLAN指纹可不包括位置信息和运动信息。

学习服务器可被配置为设置针对位置状态的代表WLAN指纹，并参考代表WLAN指纹将收集的WLAN指纹布置在相应位置状态中。

学习服务器可被配置为基于布置的结果改变针对位置状态的代表WLAN指纹。

学习服务器可被配置为参考布置的所有WLAN指纹来改变针对位置状态的代表WLAN指纹。

学习服务器可被配置为参考AP被布置的位置状态以及WLAN信号传播模型来设置针对位置状态的初始代表WLAN指纹。

根据如上所述本公开的示例性实施例，在没有诸如GPS信号的参考位置信息的情况下在多个非特定智能电话中收集的WLAN指纹的收集位置能够被自动地标记。当在每个建筑物内收集到许多WLAN指纹时，用于提供用于识别相应建筑物内的位置的基本信息的射电图可无需手动操作而被自动地构建，因此，成本能够被大大地降低。

此外，根据本公开的示例性实施例，当射电图被构建并且许多人在提供位置识别服务的区域中使用位置识别服务时，射电图能够被自动地更新，因此，能够有效地响应WLAN环境的变化。

从以下结合附图进行的公开了本发明的示例性实施例的详细描述，本发明的其它方面、优点和显著特征将对本领域技术人员变得清楚。

在进行下面的具体实施方式之前，阐述贯穿本专利文档使用的特定词语和短语的定义会是有利的：术语“包括”和“包含”及其衍生物表示包括而非限制；术语“或者”是包含性的，表示和/或；短语“与...相关”和“与...关联”及其衍生物可表示包括、被包括在...内、与...互连、包含、被包含在...内、连接到...或与...连接、耦合到...或与...耦合、与...可通信、与...协作、交错、并置、接近于、绑定到...或与...绑定、具有、具有...的属性等。对特定词语和短语的定义贯穿本专利文档被提供，本领域普通技术人员应理解，在许多情况下(如果不是大多数情况)，这样的定义应用于现有技术以及这样定义的词语和短语的未来使用。

附图说明

为了更加完整地理解本公开及其优点，现在参考以下结合附图进行的描述，在附图中相同的参考标号表示相同的部件：

图1是示出根据本公开的示例性实施例的自动WLAN射电图构建系统的示图；

图2是示出根据本公开的另一示例性实施例的自动WLAN射电图构建方法的流程图；

图3是示出划分室内地图的结果的示例的示图；

图4是示出从被划分为多个区域的室内地图产生有限状态自动机(FSA)的结果的示例的示图；

图5是示出学习处理的示图；

图6是示出学习模型初始值的详细格式的示例的示图；

图7是示出在AP₁位于位置状态L₁中的假设下配置的搜索空间的示图；

图8是示出交替地使用全局搜索和局部搜索在搜索空间中获得总最优解的处理的概念的示图；

图9是示出分段K均值训练开始步骤的示图；

图10是示出特定指纹位于特定位置状态中的概率的示图；

图11是示出指纹通过维特比算法被布置在满足最大似然估计(MLE)条件的位置状态中的状态的示图；

图12是示出指纹通过维特比算法被布置在位置状态中的状态的示图；

图13是示出参数值被改变并返回到初始状态的状态的示图；

图14是与局部搜索和全局搜索相关的处理的流程图；

图15是示出针对全局搜索配置的种群(population)的一部分的示图；

图16是示出搜索空间减小的概念的示图；

图17是示出用于减小搜索空间的基本策略的示图；

图18是示出基于针对全局搜索的对数距离路径损耗(LDPL)的基因型格式的示图；

图19是示出通过使用参考位置信息去除候选解来减小搜索空间的处理的示图。

贯穿附图，相同的参考标号将被理解为表示相同的部件、组件和结构。

具体实施方式

现在将详细参考本总体发明构思的实施例，实施例的示例在附图中被示出，其中，相同的参考标号始终表示相同的元件。以下通过参考附图描述实施例以解释本总体发明构思。

1.自动WLAN射电图构建系统

图1是示出根据本公开的示例性实施例的自动WLAN射电图构建系统的示图。为了易于理解和说明的方便，除了自动WLAN射电图构建系统之外，图1示出AP10和移动装置100。

根据本公开的示例性实施例的自动WLAN射电图构建系统表示自动地标记通过移动装置100(诸如智能电话)获得的WLAN指纹的收集位置的系统。

这里叙述的移动装置100可以是多个非特定装置，WLAN指纹可在没有由加速度传感器、陀螺仪传感器和方向传感器获得的诸如GPS信号的位置信息或感测信息或运动信息的情况下被收集。

如图1所示，根据本公开的示例性实施例的执行上述功能的自动WLAN射电图构建系统包括WLAN指纹收集服务器200、未标记的WLAN指纹DB300、室内地图DB400、学习服务器500、标记的WLAN指纹DB600。

WLAN指纹收集服务器200收集由移动装置100从AP10获得的未标记的WLAN指纹。为了收集未标记的WLAN指纹，WLAN指纹收集服务器200可经由各种网络N与移动装置100连接。

由于从移动装置100收集的WLAN指纹不包括位置信息，因此收集的WLAN指纹被表示为“未标记的WLAN指纹”。由WLAN指纹收集服务器200收集的未标记的指纹被存储在未标记的WLAN指纹DB300中。

室内地图DB400存储关于WLAN射电图将被构建的目标建筑物的室内地图，这里假设关于墙壁或走廊的信息被提供。

学习服务器500基于存储在未标记的WLAN指纹DB300中的未标记的WLAN指纹以及存储在室内地图DB400中的室内地图来产生学习模型。

之后，学习服务器500针对学习模型执行机器学习，并确定收集位置未知的未标记的WLAN指纹的收集位置。因此，未标记的WLAN指纹变为标记的WLAN指纹并且标记的WLAN指纹被存储在标记的WLAN指纹DB600中。

2.自动WLAN射电图构建方法

图2中详细地示出由图1中的系统自动地构建WLAN射电图的处理。图2是示出根据本公开的另一示例性实施例的自动WLAN射电图构建方法的流程图。

如图2所示，首先，WLAN指纹收集服务器200从位于建筑物中的移动装置100收集WLAN指纹序列，并构建未标记的WLAN指纹DB300(S700)。

由于移动装置100连续地获得WLAN指纹，因此由单个移动装置100连续地获得的WLAN指纹由WLAN指纹序列表示。

如上所述，构成WLAN指纹序列的WLAN指纹不包括位置信息和运动信息。

学习服务器500按照预定大小划分存储在室内地图DB400中的室内地图(S710)，并产生划分的区域由位置状态表示的有限状态自动机(FSA)(S720)。

之后，学习服务器500产生基于FSA的空的学习模型(S730)。由于能够在各个位置状态观察到的WLAN指纹和其它相关参数未被布置(未被定义)或者将通过学习改变的临时值被使用，因此在步骤S730产生的学习模型是空的学习模型。

接着，学习服务器500配置学习模型的初始参数(S740)。在步骤S740，通过将室内AP随机地布置在学习模型中的位置状态中并且基于AP的结果布置和WLAN信号传播模型(信号的强度被确定为与AP之间的距离成反比的模型)将“WLAN指纹的代表值”(下文中，被称为“代表WLAN指纹”)分配给各个位置状态，来配置学习模型的初始值。

之后，学习服务器500执行局部搜索以设置最佳模型参数(S770)。步骤S770是如下处理：基于在步骤S740设置的代表WLAN指纹来确定位置状态之间的转移概率，将未标记的WLAN指纹布置在学习模型的位置状态中，并计算从位置状态观察到WLAN指纹的概率。

由于步骤S770基于位置状态被执行，因此步骤S770通过局部搜索表示。步骤S770可使用期望最大化(EM)算法、已知为维特比训练的分段K均值算法等通过学习被执行。

接着，针对模型参数在步骤S770被配置的学习模型来执行全局搜索以设置最佳模型参数(S750)，结果，用于学习模型的各个位置状态的代表WLAN指纹被改变(S760)。

由于步骤S750针对整个学习模型被执行，因此步骤S750被表示为全局搜索。步骤S750可使用A^*算法、爬山算法、遗传算法、文化基因算法(memeticalgorithm)等通过学习被执行。

接着，步骤S770被再次执行并且因此局部搜索和全局搜索被持续重复地执行。在此处理中，用于位置状态的代表WLAN指纹基于整个WLAN指纹的布置状态而改变，并且WLAN指纹被布置的位置状态根据代表WLAN指纹的改变而改变。该过程被重复。

继续重复该处理，直到即使通过全局搜索模型参数也不改变(也就是，直到模型参数被优化)或者模型参数轻微改变。

3.每个步骤的详细说明

3.1.收集WLAN指纹

当移动装置100正在移动或者停止时，可获得WLAN指纹序列。除了移动装置100以外，可通过在建筑物中飞行的无人驾驶器(drone)中安装的WLAN指纹收集装置来获得WLAN指纹序列。

3.2划分室内地图

该过程是建模步骤的第一过程，并且按照预定大小划分目标建筑物的室内地图。建筑物的墙壁和走廊被标记在室内地图中。

预定大小可以是普通人以正常步速在1-2秒内所偏离的大小或者参考使用WLAN划分的大小而具有2-3米或3-4米的边长的多边形的大小。因此，针对单个建筑物，划分的区域的数量可以是几百、几千或几万。图3示出划分的室内地图的示例。

3.3产生FSA

FSA是作为用于配置学习模型的基础的状态图，并且FSA的状态指示如上所述划分的区域。因此，当划分的区域的数量是1000时，产生的FSA具有1000个位置状态。

另外，人可在几秒内从每个区域到达的区域(也就是，位置状态)通过转移概率连接。邻近区域的位置状态通常通过转移边连接。每个位置状态具有返回到其自身状态的边。

图4示出从被划分为多个区域的室内地图产生FSA的结果的示例。

3.4配置学习模型

根据本公开的示例性实施例，学习模型是用于基于FSA标记WLAN指纹的机器学习模型。学习模型分配FSA的位置状态之间的转移概率。转移概率表示从一个位置状态转移到另一位置状态的概率。

学习模型不具有布置在各个位置状态中的WLAN指纹，WLAN指纹通过下面描述的学习处理被布置。

该学习处理是如下处理：将未标记的WLAN指纹布置在基于通过机器学习从室内地图产生的FSA配置的学习模型中，并计算位置状态之间的转移概率和从各个位置状态观察到WLAN指纹的概率，该学习处理在图5中被示出并且将在下面被详细说明。

可使用最大似然估计(MLE)技术或其它技术来计算观察到WLAN指纹的概率。

3.5.1设置学习模型初始值

设置学习模型初始值的步骤对学习模型是必需的。另外，模型初始值大大影响减小学习模型的搜索空间(也就是，解空间)的效果。由于一般产生的学习模型通常具有几百或几千的位置状态，并且可能存在收集WLAN指纹所基于的几十到几百的AP，因此形成非常大的搜索空间。如果不减小这样大的搜索空间，则需要大量时间来学习并且因此难以在实践中利用模型。

根据本公开的示例性实施例，学习模型初始值被配置为确定AP10的位置并组合WLAN信号的传播模型以大大地减小学习模型的搜索空间，图6示出学习模型初始值的详细格式的示例。

指示信号传播模型的两个域e_i,LOS和e_i,NLOS表示第i个解的视距(LOS)和非视距(NLOS)的通过损耗指数。以下等式表示受e值影响的对数距离路径损耗(LDPL)信号传播模型：

{PW}_{r} = {PW}_{t} + 20 l o g (\frac{w l}{4 π}) + 10 e l o g (\frac{1}{d})

其中，PWt是AP的发送功率，PWr是移动装置的接收功率，wl是波长，e是路径损耗指数(在自由空间中e＝2)，d是AP与移动装置之间的距离。

通过从WLAN指纹找到室内AP，将找到的AP随机地布置在学习模型中的位置状态中并且基于AP的结果布置和WLAN信号传播模型将代表WLAN指纹分配给各个位置状态，来配置学习模型的初始值。

3.5.2用于选择AP以减小搜索空间的技术

模型初始值输入的大小决定学习模型的搜索空间的大小。因此，减小输入的大小对减小搜索空间的大小至关重要。

在上述示例中，使用信号传播模型来减小输入的大小。然而，根据示例性实施例，通过选择性地将使用的AP包括在输入中来进一步减小输入的大小，并且因此进一步减小搜索空间的大小。

根据示例性实施例，在选择将被用于输入的AP时，将被包括在输入中的AP的数量不被预先限定。也就是，选择的AP的数量通过增加AP的数量直到满足如下条件而被动态地确定：通过选择的AP的三边测量所确定的位置范围不分散并且被确定为小于或等于预定大小的单个范围。

然而，在确定选择将被包括在输入中的候选AP的顺序时，使用诸如信息增益(IG)的正常参考。以下是在本公开的示例性实施例中提出的用于针对单个位置状态选择n个AP的AP选择算法：

n＝感兴趣的室内空间的维数

AP＝按照IG排序的AP组

0＝观察组

SELECT＝<>

对于AP中的ap,直到0中的所有o具有多于n+1的ap

将ap添加到SELECT

按照IG降序对SELECT排序

对于SELECT中的ap

如果0中的所有o具有多于n+1个ap而不是一个ap

从SELECT移除ap

3.5.3搜索空间

下文中，为了便于理解以下将描述的搜索处理，将说明包括包含WLAN指纹的收集位置信息的解的搜索空间的配置以及通过全局搜索和局部搜索找到该解的处理。首先，假设在包含位置状态L₁和L₂的室内空间中，由均包含两个指纹的信号序列F_a＝<a₁,a₂>、F_b＝<b₁,b₂>观察到单个信号中继器AP₁。

在这种情况下，搜索空间包括：信号中继器AP₁位于位置状态L₁或L₂中的情况。当AP₁位于每个位置状态L₁或L₂中时所有指纹U＝{a₁,a₂,b₁,b₂}被布置在位置状态L₁和L₂中的情况的数量可由图7中所示的树来表示。可存在用于配置该树的各种方法，但是相同的节点被包括在树中而不管树的形状。实质上，以这种方式形成的树是包含将在本公开中找到的解的搜索空间。

图7示出在信号中继器AP₁位于位置状态L₁中的假设下配置的包括16个节点(除了根节点之外)的搜索空间。由于信号中继器AP₁可位于位置状态L₂中，因此可在AP₁位于位置状态L₂中的假设下形成与图7相同大小的搜索空间。

将由本公开的示例性实施例实现的目的是：在基于给定条件和限制形成的搜索空间中找到具有最高的出现概率的节点。为了实现该目的，需要用于计算每个节点的出现概率的方法或等式。在示例性实施例中，可使用最大似然估计(MLE)技术来计算每个节点的出现概率。可使用用于计算每个节点的出现概率的任何方法。在计算中，可额外使用关于收集构成信号序列的指纹所需的时间的信息或一个人的运动距离，从而能够更精确地计算每个节点的出现概率。

当以此方法选择了具有最高的出现概率的特定节点时，基于该节点拥有的信息来确定收集位置。也就是，当由L₁＝<a₁,a₂>、L₂＝<b₁,b₂>配置的节点具有最高的出现概率时，指纹{a₁,a₂}可被视为从位置状态L₁被收集并且指纹{b₁,b₂}可被视为从位置状态L₂被收集。

3.6搜索方法

随着存在的AP的数量增加并且位置状态的数量增加，以上述方法配置的搜索空间爆炸性地扩展，并且因此难以在适当时间内比较在整个搜索空间中存在的所有节点。本公开的示例性实施例中提出的全局-局部搜索交替方法目的在于：即使搜索空间爆炸性地扩展，也在适当时间内获得最优解。通过交替地使用全局搜索和局部搜索并且仅搜索满足适当条件的搜索空间，能够在适当时间内找到最优值(也就是，最佳节点)，而不必搜索整个搜索空间。为了实现这一点，可针对局部搜索使用分段K均值训练方法，并且可针对全局搜索使用遗传算法(或作为扩展的遗传算法的文化基因算法)。

当仅使用局部搜索时，可不计算总最优值，这是因为最优值可从局部最优值错过。因此，交替地使用全局搜索和局部搜索。图8示出交替地使用局部搜索和全局搜索获得最优值的简要处理。如图8所示，当通过全局搜索给出初始值时，通过局部搜索找到局部最优值，当找到的值被提供给全局搜索模块时，通过参考该值连同之前获得的值来产生新的初始值，并且新的初始值被提供给局部搜索模块。重复该处理。重复的次数通常通过预定值确定。具体地，图8示出在基于HMM执行学习的假设下执行的局部搜索。然而，可使用能够通过全局搜索获得最优值的任何方法。

3.6.1用于设置最佳模型参数的局部搜索

局部搜索是用于找到最佳位置状态的处理，所述最佳位置状态用于基于在初始阶段设置的代表WLAN指纹或通过全局搜索确定的代表WLAN指纹来布置未标记的WLAN指纹。

随着全局搜索和局部搜索被重复，学习模型的参数发生改变和演进，从而变为完整的学习模型。在该处理中，未标记的WLAN指纹被完全布置。

布置在相应位置状态中的WLAN指纹被视为已被收集在由相应位置状态指示的区域中，并且通过将结果存储在标记的WLAN指纹DB600中来终止对WLAN指纹的标记。

局部搜索的结果根据全局搜索的算法通过反函数和回归分析被转换为模型初始值设计格式(AP的安装位置和信号的传播模型的组合)，并且可被用于提高全局搜索的效率。

下文中，将详细说明在本公开的示例性实施例中提出的局部搜索处理。将基于通过分段K均值训练针对在具有两个位置状态的空间中观察到的两个指纹序列而将指纹布置在位置状态中的处理来描述局部搜索处理。然而，在相应空间中，仅安装了一个AP，并且每个附图中的数字表示在相应AP中获得的虚拟信号的强度。在图9中，假设上述模型(或HMM)被给定初始参数值λ⁰并且<6,14,20>和<10,16,20>被提供给观察到的两个指纹序列。另外，假设在初始状态下在各个位置状态中获得的WLAN信号的强度分别是15和25。也就是，假设AP放置两个位置状态[位置状态1(图9的左边矩形)和位置状态2(图9的右边矩形)]。正常AP信号的强度分布在-30dBm和-90dBm之间，但是为了便于说明，这里使用正整数。

当分段K均值训练随着初始值如图9所示被给定而开始时，示出在两个序列中存在的指纹被布置在各个位置状态中的最高概率的状态的组合通过维特比算法被选择。为了驱动维特比算法，应当计算特定指纹被布置在特定位置状态中的概率。图10示出用于计算当HMM的参数被确定时特定指纹被布置在特定位置状态中的概率的方法。

图10示出计算当在HMM的参数被产生时观察到具有强度12的指纹f时指纹f被布置在位置状态1或2中的概率的处理。

如下计算当指纹f被布置在位置状态1中时将观察到的概率分布。首先，f的强度12与位置状态1的平均强度10的欧几里得距离使用下面的等式被计算为[(12-10)²]^1/2＝2：

D i s t (o^{*}, l) = \sqrt{Σ_{i = 1}^{k} {({rssi}_{i}^{o^{*}} - {rssi}_{i}^{μ_{l}})}^{2}}

从以上等式，信号相似度可使用下面的等式被计算为1/(1+2)＝1/3：

S i m (o^{*}, l) = \frac{1}{1 + D i s t (o^{*}, l)}

在位置状态1中观察到收集的指纹f的概率通过下面的等式来计算：

\Pr (l | o^{*}) = \frac{S i m (o^{*}, l)}{Σ_{i = 1}^{n} S i m (o^{*}, l_{i})}

这里，指纹f被视为o^*并被处理。根据上述等式，当WLAN指纹f被获得时位置是位置状态1的概率是(1/3)/(1/3+1/9)＝3/4，并且包括在给定指纹序列中的指纹f在位置状态1中被获得的概率通过下面的等式来计算：

\Pr (o^{*} | l) = \frac{\Pr (l | o^{*}) \Pr (o^{*})}{\Pr (l)}

当以上等式中的Pr(l)和Pr(o^*)被视为恒定值时，以上等式的值可由Pr(l|o^*)C表示。因此，Pr(f|位置状态1)等于3C/4。以相同的方法，Pr(f|位置状态2)等于C/4。

以这种方法，指纹的概率值针对布置的所有可能的组合被相加，并且具有最大值的最佳布置可被找到。

图11示出针对两个序列的布置被完成并且构成两个指纹序列的指纹被布置在各个位置状态中的状态。

当布置如图11所示被完成时，模型参数通过反映布置的指纹的信息而改变。在以上情况下，具有AP信号强度6、14、10、16的指纹被新布置在位置状态1中，使得平均信号强度是15.5并且在位置状态2的情况下改变到22。图12示出改变的状态。

当参数如图12所示改变时，使用改变的参数再次应用维特比算法，并且重复相同的处理。图13示出在参数值改变之后继续初始步骤的状态。随着学习被重复，HMM模型的参数值改变，但是相同的指纹被用作输入。

改变参数值的处理和通过维特比路径检测来布置指纹的处理被重复，直到模型参数不再改变。当重复的学习被终止时，获得最终HMM参数。然而，在本公开的示例性实施例中，该状态不被视为终止学习的最终状态。这是因为最优值可从局部最优值错过。为了解决该问题，执行全局搜索。

3.6.2用于设置最佳模型参数的全局搜索

学习模型通过重复局部搜索和全局搜索来设置最佳模型参数以最佳地布置在室内空间中通过学习的输入而给定的WLAN指纹序列。

用于设置最佳模型参数的全局搜索设置将在局部搜索中使用的代表WLAN指纹。存在用于全局搜索的各种算法。A^*算法、爬山算法、遗传算法和文化基因算法可用于全局搜索。

全局搜索的主要目的在于：由于局部搜索是针对部分区域的最佳搜索，但是可能不是针对整个空间的最佳搜索，因此扩展搜索空间。

全局搜索利用在之前的局部搜索步骤中获得的结果并且允许与在之前的局部搜索中使用的代表WLAN指纹不同的WLAN指纹被用在接下来的局部搜索步骤中。

重复局部搜索和全局搜索的处理被重复，直到满足预定义的标准(例如，包括在初始值中的AP的数量或者重复搜索的次数)。

下文中，将使用作为增强遗传算法的文化基因算法来说明全局搜索。如图14所示，通过全局搜索，搜索空间通过基于在局部搜索中获得的结果反映基因的选择、突变和交叉来创建新的后代(descendant)而演进，并且针对局部搜索的新的初始值被传送。图14示出整合的全局搜索和局部搜索。

如图14所示，全局搜索提供局部搜索的初始值，局部搜索提供通过在全局搜索中进行演进而创建后代所必需的信息。

当模型模板<π⁰,A⁰,null>被给定(这里，π⁰是在每个位置状态中的观察开始的概率的初始值，A⁰是包含关于位置状态之间的转移概率的信息的转移矩阵)时，遗传算法用于找到相应的μ⁰。μ⁰表示在每个位置状态中观察到的平均信号强度。当假设目标空间包括k个位置状态，存在n个不同的位置状态，并且存在在特定位置状态1中观察到的m个信号(如{μ_l1＝(rssi₁,rssi₂,rssi₃,…),μ₁₂＝(rssi₁,…),…,μ_lm＝(rsssi₁,…)})时，存在与d^nk一样多的组合。这里，d是不同的WLAN信号强度的数量，并且当假设存在90个不同的WLAN信号强度，存在200个位置状态并且存在100个不同的AP时，形成与90^100×200相应的搜索空间。

全局搜索和局部搜索彼此连接并且被交替地执行。然而，出于确定新的初始值以执行局部搜索的目的而执行全局搜索，并且局部搜索用于找到最佳组合，所述最佳组合用于基于给定的初始值和收集的WLAN指纹序列来将各个指纹布置在位置状态中。

如上所述，局部搜索和全局搜索在它们的执行目的方面不同，因此，在局部搜索中使用的输入的格式不同于在全局搜索中使用的输入的格式。在局部搜索中使用的输入的格式被称为表型(phenotype)，在全局搜索中使用的输入的格式被称为基因型(genotype)。在本公开的示例性实施例中，与上述模型初始值格式相同格式的输入被用作基因型。因此，当局部搜索和全局搜索交替时，表型和基因型彼此交换。

在基于遗传算法的全局搜索中，在初始阶段准备大约100个第一代种群，并且这大约100个第一代种群通过增加多代而演进。通常，其取决于应用什么领域，但是通常当演进大约100代时得到结果值。图15示出针对全局搜索配置的种群的一部分。

3.6.3改变代表WLAN指纹

在改变WLAN指纹的步骤中，初始值被改变，使得用于最佳地布置在室内空间中通过学习的输入所给定的WLAN指纹序列的局部搜索被执行。

当遗传算法或文化基因算法被使用时，其组合可预先配置几十到几百的输入(所谓种群)并驱动学习模型。另外，学习随着每个位置状态中的代表WLAN指纹在局部搜索和全局搜索的处理中通过选择、交叉和突变而演进为新的代表WLAN指纹而进行。

3.7减小搜索空间

如在全局搜索的说明中所述，搜索空间d^nk是非常大的空间。因此，应当减小搜索空间以在实践中利用在本公开的示例性实施例中提出的技术。搜索空间可通过以下操作而大大减小：通过考虑WLAN信号的特性仅针对大小为d^nk的整个搜索空间中的适当范围的WLAN信号强度执行搜索(减小值d)，并且将待搜索的AP的数量限制到能够影响位置信息的最小数量(减小值n)。图16示出使用在本公开的呈现的示例性实施例中提出的技术大大地减小搜索空间的概念。

如图16所示，在本公开的示例性实施例中提出的技术可通过使用和处理WLAN信号的特性来减少AP的数量并因此大大地减小原始搜索空间而被利用。图17中示出用于减小搜索空间以体现上述概念的基本策略。

用于减小d(也就是，不同的信号强度的数量)以减小搜索空间的策略利用WLAN信号遵循对数距离路径损耗(LDPL)模型的特性，并通过利用信号值存在于视距(LOS)和非视距(NLOS)的范围内的特性来仅针对进入LOS和NLOS的范围的信号执行搜索。具体地，针对在全局搜索中确定的(由图17中的基准点(basepoint)表示的)初始值，仅相应基准点的邻近信号的强度在局部搜索中被搜索，使得d可大大地减小。图18示出被用于确定LOS和NLOS值的LDPL模型以及基于LDPL模型配置的基因型的关系。该基因型配置与上面描述的相同。

为了减小搜索空间d^nk的另一因子，应当大大地减少目标AP的数量n。

3.8扩展搜索技术

到目前为止，已经描述了当指示收集的WLAN指纹的收集位置的参考位置信息未被提供时标记WLAN指纹的收集位置的技术。然而，收集的WLAN指纹中的一些可被提供有收集位置。这是因为WLAN信号可与GPS信号一起被获得或者可与从其安装位置已知的蓝牙标签产生的信号一起被获得。另外，当AP的安装位置已知时，WLAN中继器的安装位置可被用作收集的WLAN指纹的参考位置。另外，关于指纹中的一些，可使用从惯性传感器获得的并且与指纹一起收集的信息来预测收集位置。

在这种情况下，用于使用在本公开的示例性实施例中提出的学习模型来标记WLAN指纹的方法仍然有效。另外，当WLAN指纹中的一些的收集位置已知时，可用以下方法标记WLAN指纹。

当WLAN指纹的收集的位置信息相对清晰时，在局部搜索处理中预先确定WLAN指纹的收集位置，并且布置其它WLAN指纹而不改变其位置。因此，可更加快速地终止学习处理。

另外，当参考位置精确时，可更加精确地标记指纹。当指纹b₁的收集位置基于上述示例中的参考位置信息被识别为位置状态L₂时，可从搜索空间排除在b₁的收集位置是L₁的假设下提供的8个候选解，使得搜索空间能够被大大地减小。

当WLAN指纹的位置信息被提供但是不精确(GPS信号信息可频繁地包括差错)时，指纹的收集位置可不被预先确定，并且在相应位置状态中观察到的或计算出的WLAN指纹的概率值可增加并可被反映在本公开的示例性实施例中所提出的学习模型上。

4.变化

到目前为止，已经描述了当指示收集的WLAN指纹的收集位置的参考位置信息未被提供时标记WLAN指纹的收集位置的技术。

隐马尔可夫模型(HMM)可被用作用于实现基于FSA的WLAN指纹标记学习模型的一种实施方法。HMM基于FSA并可以是FSA的扩展学习模型。

当HMM被使用时，位置状态是隐藏状态，并且作为每个位置状态中的输出值的WLAN指纹是观察值。另外，在每个位置状态中观察到特定WLAN指纹的概率对应于发射概率。

当学习模型基于HMM被配置时，必需选择全局搜索算法或局部搜索算法来将适合于HMM模型的WLAN指纹序列布置在位置状态中。

根据示例性实施例，遗传算法可被选为全局搜索算法并且分段K均值算法可被选为局部搜索算法，学习模型可由选择的算法来配置。在这种情况下，可通过基于在局部搜索中找到的结果值(表型)应用诸如交叉或突出的变化来产生演进的后代，并且在之后的局部搜索中将被使用的模型初始值(基因型或染色体)可基于后代被确定。

在不脱离本公开的范围的情况下，除了遗传算法或分段K均值算法(被称为维特比训练)之外，可在全局搜索或局部搜索中选择其它算法。

在本公开的示例性实施例中提出的技术不只是被应用于室内空间。当在存在许多WLAN信号的外部环境中通过多个非特定智能电话获得没有收集位置信息的WLAN信号时，使用在本公开的示例性实施例提出的技术可标记收集位置并可构建相应空间的射电图。

尽管已经利用示例性实施例描述了本公开，但是各种改变和修改可被建议给本领域技术人员。本公开意在包含落入权利要求的范围内的这种改变和修改。

Claims

1.一种自动WLAN射电图构建方法，包括：

基于室内地图的划分区域由位置状态表示的有限状态自动机FSA来产生学习模型；

通过基于学习模型的机器学习来进行学习以将收集的WLAN指纹布置在相应位置状态中。

2.如权利要求1所述的自动WLAN射电图构建方法，还包括：收集由室内空间中的移动装置获得的WLAN指纹，

其中，进行学习的步骤包括：将收集的WLAN指纹布置在相应位置状态中。

3.如权利要求2所述的自动WLAN射电图构建方法，其中，由移动装置获得的WLAN指纹不包括位置信息和运动信息。

4.如权利要求1所述的自动WLAN射电图构建方法，还包括：存储布置的结果。

5.如权利要求1所述的自动WLAN射电图构建方法，其中，进行学习的步骤包括：

设置针对位置状态的代表WLAN指纹；

参考代表WLAN指纹将收集的WLAN指纹布置在相应位置状态中。

6.如权利要求5所述的自动WLAN射电图构建方法，其中，设置的步骤和布置的步骤被重复预定次数。

7.如权利要求5所述的自动WLAN射电图构建方法，其中，设置的步骤包括：基于布置的结果改变针对位置状态的代表WLAN指纹。

8.如权利要求7所述的自动WLAN射电图构建方法，其中，设置的步骤包括：参考布置的所有WLAN指纹来改变针对位置状态的代表WLAN指纹。

9.如权利要求5所述的自动WLAN射电图构建方法，其中，使用以下算法中的至少一项通过学习来执行设置的步骤：A^*算法、爬山算法、遗传算法和文化基因算法。

10.如权利要求5所述的自动WLAN射电图构建方法，其中，使用以下算法中的至少一项通过学习来执行布置的步骤：期望最大化(EM)算法和分段K均值算法。

11.如权利要求5所述的自动WLAN射电图构建方法，其中，设置的步骤包括：参考AP被布置的位置状态以及WLAN信号传播模型来设置针对位置状态的初始代表WLAN指纹。

12.如权利要求11所述的自动WLAN射电图构建方法，其中，包括在初始值中的AP的数量可变。

13.如权利要求12所述的自动WLAN射电图构建方法，其中，包括在初始值中的AP的数量通过增加AP的数量直到满足以下条件而被动态地确定：通过三边测量所确定的位置范围不分散并且被确定为小于或等于预定大小的单个范围，

其中，包括在初始值中的AP的顺序参考信息增益(IG)被确定。

14.如权利要求5所述的自动WLAN射电图构建方法，其中，WLAN指纹中的一些被提供有位置信息，

其中，布置的步骤包括：针对被提供有位置信息的WLAN指纹，参考位置信息确定用于进行布置的位置状态。

15.如权利要求14所述的自动WLAN射电图构建方法，其中，位置信息通过以下信息中的至少一项被提供：GPS信息、安装位置已知的标签信息、运动信息。

16.如权利要求1所述的自动WLAN射电图构建方法，其中，学习模型是WLAN指纹被布置在FSA中的模型，并且该模型具有位置状态之间的转移概率以及WLAN指纹被作为参数观察的概率。

17.一种自动WLAN射电图构建系统，包括：

收集服务器，被配置为收集WLAN指纹；

学习服务器，被配置为基于室内地图的划分区域由位置状态表示的FSA来产生学习模型，并通过基于学习模型的机器学习将由收集服务器收集的WLAN指纹布置在相应位置状态中。

18.如权利要求17所述的自动WLAN射电图构建系统，其中，收集服务器被配置为收集由室内空间中的移动装置获得的WLAN指纹。

19.如权利要求18所述的自动WLAN射电图构建系统，其中，由移动装置获得的WLAN指纹不包括位置信息和运动信息。

20.如权利要求17所述的自动WLAN射电图构建系统，其中，学习服务器被配置为设置针对位置状态的代表WLAN指纹，并参考代表WLAN指纹将收集的WLAN指纹布置在相应位置状态中。

21.如权利要求20所述的自动WLAN射电图构建系统，其中，学习服务器被配置为基于布置的结果改变针对位置状态的代表WLAN指纹。

22.如权利要求21所述的自动WLAN射电图构建系统，其中，学习服务器被配置为参考布置的所有WLAN指纹来改变针对位置状态的代表WLAN指纹。

23.如权利要求20所述的自动WLAN射电图构建系统，其中，学习服务器被配置为参考AP被布置的位置状态以及WLAN信号传播模型来设置针对位置状态的初始代表WLAN指纹。