CN105916202A - 一种概率性的WiFi室内定位指纹库构建方法 - Google Patents

Abstract

本发明涉及一种概率性的WiFi室内定位指纹库构建方法，包括：在目标区域的地图上建立直角坐标系，设置基本覆盖整个地图的可达区域的路径；开启覆盖目标区域内的各个WiFi热点；数据采集人员携带采集设备，沿着各路径匀速行走，等时间间隔地记录下扫描到的各组信号强度；建立原始指纹库；根据需求选择所需指纹库的覆盖范围，从原始指纹库中提取出处于该范围内的RSS样本及其具体位置坐标；根据所需指纹库的精度要求，将地图上的可达区域划分为网格；分别对每个网格，将网格的RSS值转换为电场值，然后对样本进行统计，使用莱斯模型进行和拟合；生成满足使用者要求的指纹库。本发明允许使用者根据自身需求选择性地生成合适的指纹库。

Description

一种概率性的WiFi室内定位指纹库构建方法

技术领域

本发明属于室内定位技术领域，涉及一种位置指纹库的构建方法。

背景技术

随着信息技术的不断发展，人们身边的高科技产品越来越多，新业务不断出现，基于位置的服务(LBS)已成为研究人员关注的热点之一，实现良好的LBS的核心问题在于对用户进行定位。

定位技术的研究与应用十分广泛，渗透于军事、商业、生活等各个方面，人们最熟悉的是美国的全球定位系统(GPS)，它通过多颗卫星与用户的GPS接收机之间的信号时间差给用户定位，可以实现覆盖全球的定位，其他很多国家也有类似这样的全球导航卫星系统(GNSS)，但是，这些GNSS定位的精度不高，在室内等复杂环境中无法准确定位，满足不了人们在各种环境下的定位需求。

室内定位的研究旨在为各种环境中的定位提供解决方案，其中无线电定位仍是主流。现在各种无线网络及通信技术已经融入人们的生活，WLAN、无线传感器网络、RFID等设备已经覆盖了大量室内场合，同时手机等智能终端的功能不断加强，如何利用这些无线通信设备给用户定位是人们研究的热点。

位置指纹法是当前最流行的应用在WLAN中的定位方法。RSS信息能以各种不同的形式保存下来，很多研究人员使用测量的RSS向量的时间上的平均值，每个采样位置点处的RSS信息用一个值来表示，一些确定性的匹配算法方法被用来定位，比如KNN算法。一些文献通过改变和增加存储的信息来改善定位效果，比如使用中位数而不是平均，增加采集的数据的方差等。在概率性方法中，测量数据被用来估计RSS的概率密度分布。通常假设为参数化的对称的分布(比如高斯分布、指数分布、对数正态分布等)，只使用测量样本的平均值以及其他一些代表性的统计信息，存储空间和计算量都较小，但是这些假设的经验的分布并不能很好地描述RSS分布。另外，非参数化的pdf估计方法(比如核函数方法、曲线拟合等)不需要一个假设的RSS分布，他们能较好地记录各种未知形式的RSS分布，但是他们需要很大存储空间和在线计算量。很多研究指出实际的RSS分布是非高斯的、左偏的，甚至有时是多峰的。指纹法最大的问题是需要较大的工作量去建立一个指纹地图，很多的研究采用滤波、插值、拟合、压缩感知等方法对采集数据进行处理，使用较少的数据预测和恢复出更加细致的指纹地图，它们降低了数据采集量，但定位精度也会受到一定的影响。

位置指纹法已经发展较为成熟，但是还存在一些缺陷。一方面，一个确定位置附近的RSS是随机变化的，但是大多数研究忽略了具体的信号特征，通过经验地假定为多元高斯分布，对RSS的随机变化特性，缺乏一个准确的公式性的描述。另一方面，已有的研究大多采用静态采集的方式，空间上选取一些样本点进行采集，这是简单而且容易被接受的方式，但是现在随着智能设备与自动化水平的不断进步，这种方式越来越显得效率低下，在实际应用常常中在设备移动的过程中采集数据，这样获取数据的效率更高，但是，这种方式得到的每个指纹的位置是模糊的，它定位有效性备受质疑。

发明内容

本发明的目的是提供一种在保证指纹库的定位性能条件下，能够高效率地获取指纹数据，允许使用者根据自身需求选择性地生成合适的指纹库的WiFi室内定位指纹库构建方法，本发明的技术方案如下：

一种概率性的WiFi室内定位指纹库构建方法，包括下列方法：

1)在目标区域的地图上建立直角坐标系，根据实际情况设置l条路径，使这l条路径基本覆盖整个地图的可达区域，对于每条路径，记录各个转变方向的位置点，以及起始点坐标和终止点坐标；

2)开启覆盖目标区域内的各个WiFi热点；

3)数据采集人员携带采集设备，沿着各路径匀速行走，利用采集设备等时间间隔地记录下扫描到的各组信号强度，每组信号强度包括各个WiFi热点的信号强度；

4)根据每组信号强度的时间戳以及路径的起始与终止位置，计算出RSS样本对应的位置，将所有的这些数据存入原始指纹库，这个原始指纹库将长期保存；

5)根据需求选择所需指纹库的覆盖范围，从原始指纹库中提取出处于该范围内的RSS样本及其具体位置坐标；

6)根据所需指纹库的精度要求，将地图上的可达区域划分为固定大小的小网格，把原始指纹库中的RSS样本根据其位置划分至相应的网格中，得到每个网格的RSS值；

7)分别对每个网格，将网格的RSS值转换为电场值，然后对样本进行统计，使用莱斯模型进行拟合；

8)将每个网格的中心位置坐标及其数据拟合后的参数配对存储，从而生成一个满足使用者要求的指纹库。

本发明将获取原始指纹数据的过程与指纹库适配的过程区分开，在采集原始指纹数据时，采用划分路径，连续采集的方法，生成原始指纹库；在指纹库适配的过程中，根据使用者的具体需求，选择覆盖范围和精度，划分网格，采用信号电场强度服从的莱斯分布对信号特征进行拟合，得到概率性的指纹库。本发明在保证指纹库的定位性能条件下，能够高效率地获取指纹数据，简化指纹库的更新过程，允许使用者根据自身需求选择性地生成合适的指纹库。

附图说明

图1是示出了本发明实施例的使用场景图。

图2是示出了本发明整体方法的流程框图。

图3是示出了使用电场的莱斯分布对RSS进行拟合的效果图，4张图分别为四组分布拟合的效果。

图4是示出了使用本发明实施例中获得的指纹库进行定位的效果图。

具体实施方式

下面结合附图对本发明所述的一种新型概率性的WiFi室内定位指纹库构建与动态管理方法做进一步的描述。

图1示出了实施例的应用场景，图中标识的AP为WiFi接入点，RP为参考点。在33m*20m的室内空间中，使用了5个路由器构建了WiFi热点，本实施例中开发的一个室内定位应用程序运行在智能手机的Android系统上，实现WiFi的RSS数据采集与定位坐标的显示。图2所示为本发明的流程框图，分为获取原始指纹库和指纹库适配两个部分。在本实施例的具体应用如下，

1)在目标区域的地图上建立直角坐标系，根据实际情况设置l条路径，使这l条路径基本覆盖整个地图的可达区域。记录每条路径的起点坐标、终点坐标，以及路径中改变方向的位置坐标，比如，第i条路径记为

Route_i＝{x_start,y_start,x₁,y₁,...,x_N,y_N,x_end,y_end}

其中包括了N个转变方向的位置点，以及起始点坐标，终止点坐标。本实施例中仅是使用了二维坐标系，采用其他的坐标系同样是很容易实现的。

2)开启覆盖目标区域内的所有WiFi热点，实际情况中绝大多数WiFi热点是一直处于开启状态的。本实施例中手动将5个路由器较为均匀地放置在目标区域中，尽可能覆盖整个区域，实际上很多场景，比如商场、火车站等，已经存在大量WiFi热点，无需额外部署，WiFi热点的位置也无需知道。

3)数据采集人员携带采集设备，比如智能手机，沿着各路线匀速行走，每条路线的设备等时间间隔地记录下其扫描到的WiFi热点的信号强度。本实施例中智能手机总能扫描到5个WiFi热点，每次扫描得到一组RSS向量，

$\stackrel{\→}{r}\left(t\right)=(r_1,r_2,r_3,r_4,r_5)$

每条路线上得到的所有数据记为，

$R_i=\{\stackrel{\→}{r}\left(t_0\right),\stackrel{\→}{r}\left(t_1\right),\mathrm{...},\stackrel{\→}{r}\left(t_S\right)\}$

其中，S为该路径上数据组的个数。

4)根据每组信号强度的时间戳以及路线的起始与终止位置，计算出RSS样本对应的位置，将所有的这些数据存入原始指纹库，这个原始指纹库将长期保存。比如，当路径不存在转变方向的位置时，所对应的位置为，

$x_s=\frac{(x_{end}-x_{start})\·s}{S}$

$y_s=\frac{(y_{end}-y_{start})\·s}{S}$

如果路径中存在转变方向的位置时，再计算时现将路径划分成相应的小线段，然后在进行计算。每一组指纹为

f_m ^raw＝(r_1,m,r_2,m,r_3,m,r_4,m,r_5,m,x_m,y_m)，

最后得到的原始指纹库的形式为

$\left\{\begin{array}{c}{r}_{1,1},r_{2,1},r_{3,1},r_{4,1},r_{5,1},x_1,y_1\\ r_{1,2},r_{2,2},r_{3,2},r_{4,2},r_{5,2},x_2,y_2\\ \mathrm{..............................}\\ r_{1,M},r_{2,M},r_{3,M},r_{4,M},r_{5,M},x_M,y_M\end{array}\right.$

其中，M为原始指纹库中指纹的个数。

5)根据需求选择所需指纹库的覆盖范围，从原始指纹库中提取出处于该范围内的RSS样本及其具体位置坐标。设所需范围为Ψ，则所有提取出的原始指纹样本为，

$F^{raw}=\left\{f_m^{raw}\right|(x_m,y_m)\∈\mathrm{\Ψ}\}$

6)根据所需指纹库的精度要求，将地图上的可达区域划分为固定大小的小网格，把原始指纹库中的样本根据其位置划分至相应的网格中。根据精度要求与地图的面积，计算大概的网格尺寸，设共划分为M个网格，第m个网格记为B_m，相应的中心位置坐标为pm＝(x_m,y_m)，每个网格所对应的原始指纹集合为F_m ^raw＝{f_i ^raw|f_i ^raw∈F^raw,(x_i,y_i)∈B_m}

7)分别对每个网格，将RSS转换为电场值，然后对样本进行统计使用莱斯模型进行拟合，莱斯分布的公式为，

$p\left(x\right|B_m)=\frac{x}{{\mathrm{\σ}}^2}\exp (-\frac{x^2+A^2}{2{\mathrm{\σ}}^2})I_0\left(\frac{Ax}{{\mathrm{\σ}}^2}\right),(A\≥0,x\≥0),$

对于网格B_m，拟合后得到参数(σ_m,1,σ_m,2,σ_m,3,σ_m,4,σ_m,5,A_m,1,A_m,2,A_m,3,A_m,4,A_m,5,)。图3显示了四组分布拟合的效果，其中直方图为真实的频率，曲线为拟合得到的莱斯分布。

8)将每个网格的中心位置坐标及其数据拟合后的参数配对存储，从而生成一个满足使用者要求的指纹库。本实例中，指纹库中的第m个指纹为，

f_m＝(x_m,y_m,σ_m,1,σ_m,2,σ_m,3,σ_m,4,σ_m,5,A_m,1,A_m,2,A_m,3,A_m,4,A_m,5,)

9)当有新的采集工作进行时，新获取的数据将会添加到原始指纹库，而使用者可以选择重新获取其需要的指纹库，如步骤5至步骤8所述，通过对原始指纹库的范围、网格大小的设置，重新得到切割和压缩后的指纹库。

Claims (1)

1.一种概率性的WiFi室内定位指纹库构建方法，包括下列方法：

1)在目标区域的地图上建立直角坐标系，根据实际情况设置l条路径，使这l条路径基本覆盖整个地图的可达区域，对于每条路径，记录各个转变方向的位置点，以及起始点坐标和终止点坐标；

2)开启覆盖目标区域内的各个WiFi热点；

3)数据采集人员携带采集设备，沿着各路径匀速行走，利用采集设备等时间间隔地记录下扫描到的各组信号强度，每组信号强度包括各个WiFi热点的信号强度；

4)根据每组信号强度的时间戳以及路径的起始与终止位置，计算出RSS样本对应的位置，将所有的这些数据存入原始指纹库，这个原始指纹库将长期保存；

5)根据需求选择所需指纹库的覆盖范围，从原始指纹库中提取出处于该范围内的RSS样本及其具体位置坐标；

6)根据所需指纹库的精度要求，将地图上的可达区域划分为固定大小的小网格，把原始指纹库中的RSS样本根据其位置划分至相应的网格中，得到每个网格的RSS值；

7)分别对每个网格，将网格的RSS值转换为电场值，然后对样本进行统计，使用莱斯模型进行拟合；

8)将每个网格的中心位置坐标及其数据拟合后的参数配对存储，从而生成一个满足使用者要求的指纹库。