CN106028450A - 室内定位方法及设备 - Google Patents

Abstract

本公开涉及一种室内定位方法，其包括：初始位置获取步骤，获取定位装置所在位置的第一组指纹数据，并基于指纹数据库中的指纹数据，通过K邻近算法获取用户的初始位置；可能位置估算步骤，基于所述初始位置并根据所述用户的运动信息估算用户的多个可能位置；位置概率估计步骤，估计所述多个可能位置相对于用户所在位置的位置概率；以及当前位置估算步骤：根据所述位置概率和所述多个可能位置估算出用户的当前位置以完成用户室内定位。本公开还涉及一种使用该室内定位方法的定位设备。

Description

室内定位方法及设备

技术领域

本发明涉及定位技术领域，特别涉及一种用于智能手机的室内定位方法及设备。

背景技术

全球定位系统(GPS)可以提供高精度的室外位置服务，但是由于建筑物的遮挡，GPS信号在室内非常微弱甚至不可见，因此GPS定位系统基本不能应用于室内定位。而现如今人们的活动80％都是在室内进行，因此基于位置的服务受到了越来越多的重视。随着无线电技术的快速发展以及各种先进电子产品的问世，室内定位导航技术作为GPS的一种补充技术也应运而生。

随着移动智能终端设备的快速发展，智能手机已经不再是简单的通信工具，而是成为人们日常生活的必需品肩负着导航、计算等多种重要的用途。智能手机的运算速度快、便携带，并且集成了诸如磁力计、加速度传感器、陀螺仪等多种传感器。这些都为利用智能手机进行高精度室内定位提供了可能。

目前，很多关于室内定位的方案已经提出，而大部分定位方法都是基于无线通信系统，而这种无线通信技术又分为两类：一类是测距的方法，通过预先在待定为区域中布置无线电装置，定位过程中同样依靠无线电装置获得接收的信号的特征(如能量、到达时间、相位等)，然后根据信号传播模型确定所在位置与预先设置的无线电装置之间的距离，最后通过几何关系来确定位置。这种方法的优点是在信号视距的情况下，测距较为准确，定位误差较小，然而在室内这样复杂的情况下，无线信号受到多径、非视距的影响较为严重，因此定位性能较差。

现有的另一类定位方法是非测距的方法，这种方法不依赖于信号的传播模型，而是把室内复杂环境中各个位置无线信号强度复杂的变化看成一种与位置相关的指纹，利用模式匹配的方法进行定位。这种方法受到多径、非视距的影响较小，更适合与实际应用。

还有一种是惯性导航系统(简称惯导)，其作为一种相对定位系统具有短距离内精度高的优点，但是由于每一次定位都是基于上一次定位结果，因此存在非常大的累计误差。因此融合位置指纹与惯导技术的方法可以在充分利用惯导精度高的优点的同时，还通过位置指纹纠正惯导的累计误差。

发明内容

为了消除上述各种现有定位方法和设备中的缺陷，本公开的发明人采用了隐马尔科夫模型作为一种概率模型，可以对状态空间以及观测空间进行较为准确的模拟。在室内定位当中，真实位置就可以作为一种隐藏状态，根据惯导来预测状态转移的概率以及把获得的RSS指纹作为观测值来处理，因此，利用隐马尔可夫模型进行混合定位可以达到较高的精度。

根据本公开的室内定位方法包括：初始位置获取步骤，获取定位装置所在位置的第一组指纹数据，并基于指纹数据库中的指纹数据，通过K邻近算法获取用户的初始位置；可能位置估算步骤，基于所述初始位置并根据所述用户的运动信息估算用户的多个可能位置；位置概率估计步骤，估计所述多个可能位置相对于用户所在位置的位置概率；以及当前位置估算步骤：根据所述位置概率和所述多个可能位置估算出用户的当前位置以完成用户室内定位。

根据本公开的室内定位方法，所述位置概率估计步骤包括根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率作为所述位置概率。

根据本公开的室内定位方法，所述可能位置估算步骤包括：基于所述初始位置并根据所述用户的运动信息计算用户当前处于每个参考位置的分布概率并将分布概率大于一阈值的多个参考位置设置为所述多个可能位置；所述位置概率估计步骤包括根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率，并且将每个可能位置的分布概率与所述接收概率的乘积作为该可能位置的位置概率。

根据本公开的室内定位方法，所述初始位置为紧接着用户当前位置之前被定位的结果位置。

根据本公开的室内定位方法，所述指纹数据库构建包括：在具体定位区域内设定多个参考节点；由所述定位装置在每个参考节点中采集多组RSS向量；以及基于每个参考节点的多组RSS向量，计算每个参考节点的RSS平均向量以及RSS方差向量，并将其作为该参考节点的指纹数据保存在指纹数据库中。

根据本公开的另一个方面，还提供了一种室内定位设备，其包括：指纹数据采集单元，采集用户所在位置的指纹数据了；初始位置获取单元，接收来自指纹数据采集单元所采集的用户所在位置的第一组指纹数据，并基于指纹数据库中的指纹数据，通过K邻近算法获取用户的初始位置；可能位置估算单元，基于所述初始位置并根据所述用户的运动信息估算用户的多个可能位置；位置概率估计单元，估计所述多个可能位置相对于用户所在位置的位置概率；以及当前位置估算单元：根据所述位置概率和所述多个可能位置估算出用户的当前位置以完成用户室内定位。

根据本公开的室内定位设备，所述位置概率估计单元根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率作为所述位置概率。

根据本公开的室内定位设备，所述可能位置估算步单元基于所述初始位置并根据所述用户的运动信息计算用户当前处于每个参考位置的分布概率并将分布概率大于一阈值的多个参考位置设置为所述多个可能位置；所述位置概率估计单元根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率，并且将每个可能位置的分布概率与所述接收概率的乘积作为该可能位置的位置概率。

根据本公开的室内定位设备，所述初始位置为紧接着用户当前位置之前被定位的结果位置。

根据本公开的室内定位设备，其还包括指纹数据库构建单元，基于指纹数据采集单元在具体定位区域内的每个参考节点中采集的多组RSS向量，计算每个参考节点的RSS平均向量以及RSS方差向量，并将其作为该参考节点的指纹数据保存在指纹数据库中。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

下面将参考附图通过实施例来详细介绍本公开，附图中：

图1所示的是根据本公开的定位设备的实例的示意图；

图2所示为根据本公开的室内定位方法的实施例的总体流程图；

图3所示的是构建该指纹数据库的具体过程示意图；

图4所示的是估算用户当前多个可能位置的流程图；

图5所示的是根据本公开的实施例的位置概率计算的流程图；

图6所示的根据本公开的室内定位方法的概略示意图；

图7所示为根据本公开的室内定位方法的实施例的在线定位的流程图；以及

图8所示的是根据本公开的定位设备的配置示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，在下文中，两个可能位置之一可以被称为第一可能位置也可以被称为第二可能位置，类似地，两个可能位置的另一个可以被称为第二可能位置也可以被称为第一可能位置。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为了使本领域技术人员更好地理解本公开，下面结合附图和具体实施方式对本公开作进一步详细说明。

图1所示的是根据本公开的定位设备的实例的示意图。如图1所示，该定位设备为一个智能手机。尽管此处定位设备被显示为手机，但是其可以是其他可穿戴设备形式，例如智能手表、智能手环等。

智能手机传感器坐标轴方向如图1所示。需要先说明的是，由于需要利用智能手机中的磁力传感器、加速度传感器和WIFI信号模块，因此，在执行下述方法步骤前，可以先对手机中的磁力传感器和加速度传感器进行初始化并打开WIFI信号模块开关。具体来说，可以拿着手机以横向“8”字形状转动手机。当用户在使用智能手机时，手掌托着手机于胸前，手机屏幕朝上，此时坐标轴的y轴指向用户运动的方向，而z轴则竖直向上。因此，y轴减速度数据可以反映运动的距离，而z轴加速度数据可以反映步伐的情况，可以采用峰值检测机制对z轴加速度数据处理来进行步伐检测，对y轴加速度数据处理来估计步伐长度。传感器的采集速率可以根据程序来设定，根据实验结果表明，传感器的采样频率设置在25Hz到50Hz之间即可。

图2所示为根据本公开的室内定位方法的实施例的总体流程图。如图2所示，方法200可以包括如下步骤S201至S204。

首先，在步骤S201中，针对具体室内空间，构建该具体室内空间中的参考位置的WiFi信号信息的指纹库(RSS数据库)。图3所示的是构建该指纹数据库的具体过程示意图。

如图3所示，首先在步骤S2011中，在待定位区域内设定多个参考节点。在所述具体室内空间内，可以根据建筑物的室内平面地图，把待定位区域的每一层划分成若干个网格，网格大小可以设定在0.6m到1m之间。每个网格的中心叫做一个参考节点(RP)，并对每个参考节点进行编号。在图1所示的坐标轴中，第m个参考节点RP的位置可以表示为[x_m,y_m]。如果存在不同的楼层，则可以增加参数z，例如第m个参考节点RP的位置可以表示为[x_m,y_m,z_m]。

随后，在步骤S2012处，针对每个参考节点RP多次采集WiFi信号强度向量，由此获得多个RSS向量。在本公开的一个实施例中，可以由采集数据的人员拿着的定位设备(例如智能手机)在每个RP位置采集一段时间的WiFi接收信号强度数据(RSS)，从而获得多组RSS数据。每一组RSS数据都可以由若干个负数组成，每个负数可以表示从一个WiFi节点获得的信号强度(dBm)。

最后，在步骤S2013处，对每个位置采集的RSS数据做平均处理，得到一组平均值向量，第m个RP的RSS向量可以记为r_m＝[r_m,1,r_m,2,...,r_m,n]，进而计算每个位置采集的RSS数据的方差σ_m＝[σ_m,1,σ_m,2,...,σ_m,n]，n表示WiFi的个数。最后将每个RSS平均值向量、σ_m与所在RP的位置作为一条指纹存储到指纹库中，指纹库总共可包含Nm条指纹。

在本公开的实施例中，获取WIFI信号强度时的WiFi扫描频率可以由手机自身决定，如：大约在1Hz左右。

尽管上面描述了采用定位设备进行离线采集指纹数据形成指纹数据库，但是，很多情况下，在人们所进入的具体空间时，该具体空间的指纹数据库已经形成，仅仅需要通过定位设备访问该具体空间的本地WiFi或该具体空间的网页，就可直接通过定位设备的I/O端口下载该具体空间的指纹数据库。因此，在网络环境下，可以直接获取该指纹数据库而不需要用户自己进行数据库的设立。同样，当用户的定位设备进行如上所述的数据库建立之后，也可以将所形成的数据库上传到云端，共享给其他人使用。

现在返回图2。如图2所示，在步骤S202中，定位设备根据用户的运动信息估算用户的多个可能位置。图4所示的是估算用户当前多个可能位置的流程图。如图4所示，在步骤S2021处，获取用户的初始位置。具体而言，在刚建立指纹数据库的情况下，由于定位设备中未存储有任何先验的定位结果，可以先获取第一组当前RSS向量r₀＝[r_0,1,r_0,2,...,r_0,n]，然后可以计算r₀与指纹库中每个指纹的RSS向量r_m＝[r_m,1,r_m,2,...,r_m,n]的欧氏距离||r₀-r_m||²，进而计算欧式距离最小的k个(如：3到5个)指纹的位置的平均值作为初始化位置[x₀,y₀]。如果随着时间的推移，不断进行下面所进行的定位过程，则下面所提及的定位结果可以作为紧随后连续进行定位的初始位置。因此，在随后的定位过程中将不需要进行步骤S2021处所进行的获取用户初始位置的过程。

在获得用户的初始位置之后，在步骤S2022处，获取用户的运动步长和运动方向。在本公开的实施例中，可以利用手机中的磁力传感器和加速度传感器来检测用户的运动步长d_i和运动方向φ_i。手机传感器坐标轴方向可以如图1所示，当用户用手掌托手机于胸前时，手机屏幕朝上，此时可以用y轴指向用户运动的方向，而z轴则竖直向上。所以，y轴的减速度数据可以反映运动的距离，而z轴的加速度数据可以反映步伐的情况。因此，可以采用峰值检测的方法对z轴加速度数据处理来进行步伐检测，并对y轴加速度数据处理来估计运动步长。在进行步伐检测时，由于噪声等的干扰，使得一个步伐时间内有可能检测到两个峰值而造成过检测，因此，在本公开的实施例中，可以设定一个最小时间参数τ(如：τ＝0.3s)，在时间τ内不管检测到几个步伐都取第一个峰值为一步。在本发明的一个实施例中，传感器的采样频率可以设置在25Hz到50Hz之间。

随后，在步骤S2023处，根据所获取的运动步长和运动方向计算用户位于各参考节点RP的概率。如果定位设备中未存储有任何先验的定位结果，即没有获得任何在先的定位结果，则采用步骤S2021中所获取的初始化位置[x₀,y₀]来计算用户位于个参考节点RP的概率。

具体而言，在本公开的实施例中，可以假设用户运动方向与运动步长之间互相独立(在绝大部分实际情况下也是相互独立的)，且都服从高斯分布，则分别基于运动方向和运动步长的高斯分布为：

$p\left(d_i\right|l_i)=\frac{1}{\sqrt{2\mathrm{\π}}\·{\mathrm{\σ}}_d}\·\exp (-\frac{{(d_i-d(l_{i-1},l_i\left)\right)}^2}{2{\mathrm{\σ}}_d^2})$

$p\left({\mathrm{\φ}}_i\right|l_i)=\frac{1}{\sqrt{2\mathrm{\π}}\·{\mathrm{\σ}}_{\mathrm{\φ}}}\·\exp (-\frac{{({\mathrm{\φ}}_i-\mathrm{\φ}(l_{i-1},l_i\left)\right)}^2}{2{\mathrm{\σ}}_{\mathrm{\φ}}^2})$

其中l_i-1和l_i分别表示上一次定位结果和本次预测的位置，即l_i表示本次定位时用户可能存在的位置。在本公开的实施例中，σ_d＝0.1，尽管如此，用户也可以根据自己的情况来设置这两个参数。

进而，可以根据贝叶斯全概率公式，估计用户位于各参考节点的概率p(l_i|l_i-1,d_i,φ_i)：

$p\left(l_i\right|l_{i-1},d_i,{\mathrm{\φ}}_i)=\frac{p\left(d_i\right|l_i)\·p\left({\mathrm{\φ}}_i\right|l_i)\·p\left(l_i\right|l_{i-1})}{p\left(d_i\right)\·p\left({\mathrm{\φ}}_i\right)}$

在本公开的实施例中，p(l_i|l_i-1)＝p(d_i)＝p(φ_i)＝1。

最后，在步骤S2024处，将概率p(l_i|l_i-1,d_i,φ_i)大于预设门限值的参考节点确定为可能位置。可以预先设定一个门限值p^T，用户位于各参考节点的概率p(l_i|l_i-1,d_i,φ_i)的集合中大于该门限值的概率所对应的参考节点就被确定为可能位置，即：可能位置l'_i,m的集合U＝{l'_i,m|l'_i,m∈RP,p(l'_i,m|l_i-1,d_i,φ_i)＞p^T}。

现在返回图2。如图2所示，在步骤S203中，定位设备基于指纹数据库、用户位于各参考节点的概率以及当前WiFi信号强度，计算用户位于多个可能位置中的每一个的位置概率。图5所示的是根据本公开的实施例的位置概率计算的流程图。

如图5所示，在步骤S2031处，针对在步骤S202中所获取的用户的多个可能位置中的每个可能位置，计算在该可能位置上接收到定位设备所接收到的当前WiFi信号强度的接收概率。用户所接收到的当前WiFi信号强度指的是定位设备(诸如，智能手机)在当前位置接收到的WIFI信号的强度。在本公开的实施例中，该WiFi信号的强度类似指纹库中的RSS数据的格式，当前WiFi信号强度也可以用向量的形式表示为r_i＝[r_i,1,r_i,2,...,r_i,n]。

通常，某一可能位置处接收到某一个WiFi的信号强度服从高斯分布。关于WiFi的信号强度服从高斯分布属于本领域常识，因此不在此详细描述。因此，在本公开的实施例中，可以假设某一可能位置处接收到某一个WiFi的信号强度服从高斯分布，则根据上述的指纹数据库和当前WiFi信号强度，在可能位置l'_i,m处接收到r_i的概率p(r_i|l'_i,m)：

$p\left(r_i\right|{l^{\′}}_{i,m})=\underset{j=1}{\overset{n}{\Σ}}\left(\frac{1}{\sqrt{2{\mathrm{\π\σ}}_{m,j}^2}}\right)\·\exp (\underset{j=1}{\overset{n}{\Σ}}-\frac{(r_{i,j}-r_{m,j})}{2{\mathrm{\σ}}_{m,j}^2}),$

其中，r_m,j和σ_m,j分别为第m个可能位置的第j个RSS值与响应的方差。

随后，在步骤S2032处，计算每个接收概率计算用户位于多个可能位置中的每一个可能位置处的位置概率。

在此，一方面，可以直接将在可能位置l'_i,m处接收到r_i的概率p(r_i|l'_i,m)作为该可能位置处的位置概率；另一方面，在本公开的实施例中，可以基于用户位于每个可能位置l'_i,m处的概率p(l_i|l_i-1,d_i,φ_i)以及在每个可能位置l'_i,m处接收到r_i的概率p(r_i|l'_i,m)来计算每一个可能位置处的位置概率。因此后一种每一个可能位置的位置概率值的计算公司如下：

p(l_i＝l'_i,m|l_i-1,d_i,φ_i,r_i)＝p(l'_i,m|l_i-1,d_i,φ_i)·p(r_i|l'_i,m)

其中，l'_i,m为可能位置中的第m个位置。

最后，在步骤S2033处，对上述两种方式获得位置概率值做归一化处理。其中后一种方式获得的位置概率值归一化处理如下：

$p_{i,m}=p^{\′}(l_i={l^{\′}}_{i,m}|l_{i-1},d_i,{\mathrm{\φ}}_i,r_i)=\frac{p(l_i={l^{\′}}_{i,m}|l_{i-1},d_i,{\mathrm{\φ}}_i,r_i)}{\underset{m}{\Σ}o(l_i={l^{\′}}_{i,m}|l_{i-1},d_i,{\mathrm{\φ}}_i,r_i)}.$

通过上述过程，获得用户的每个可能位置的权重值。

返回到图2，如图2所示，在步骤S204中，根据位置概率(也就是每个可能位置的权重值)和多个可能位置，估算出用户的当前位置以完成用户室内定位。在本公开的实施例中，可以将多个可能位置及其对应的位置概率加权求和得到用户的当前位置。即：可以通过如下加权求和方式估算出的用户当前位置[x_i,y_i]：

$\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}\underset{m}{\Σ}{p}_{i,m}\·x_{i,m}\\ \underset{m}{\Σ}{p}_{i,m}\·y_{i,m}\end{array}\right].$

根据本公开的实施例，当用户需要在经过一段时间后需要进一步定位自己的位置时，或者当定位设备被设置为连续导航定位是，定位设备基于其传感器再次检测到了用户的运动，可以再次执行步骤202至204以完成新一轮的位置定位和导航。

以上描述了根据本公开的实施例的用于定位设备的室内定位方法。图6所示的根据本公开的室内定位方法的概略示意图。如图6所示，在使用定位设备进行在线定位之前，需要在离线阶段进行指纹数据库的构建过程，即，将具体区域划分成多个网格状参考区域，获取每个网格区域内RSS数据并预处理；以及将网格区域位置数据以及被预处理过的对应的RSS数据作为指纹数据构建指纹数据库。在建立指纹数据库之后，在在线阶段，首先初始化系统及传感器，接着根据第一组实际RSS采用KNN算法计算初始位置，通过惯性导航预测用户可能位置，根据实时RSS向量估计这些可能位置的概率并归一化，以及基于可能位置以及对应的归一化权重估算用户位置。

图7所示为根据本公开的室内定位方法的实施例的在线定位的流程图。如图7所示，首先在步骤S701处，对定位设备的定位系统进行初始化。在用户对自己习惯步伐有具体了解的情况下，可以对步长设置固定值。如果对自己步长不确定的请下，可以为步长的误差设置一个误差范围等。还可以设定定位设备将要使用的具体空间位置，从而确定定位设备在进行在线定位所要使用的指纹数据库。随后在步骤S702处，对用户的位置进行初始化。即，如上在步骤S2021处所确定的初始位置一样获取用户的初始位置[x₀,y₀]。或者将前一次所定位的定位结果作为初始位置。

在进行初始化和确定初始位置之后，在步骤S704处，由定位设备的运动信息采集单元(后面将会说明)采集用户的运动数据，包括三轴加速度和三轴角速度等，从而检测用户的运动步长d_i和运动方向φ_i，由此判断用户是否已经走动，并计算用户的步伐数量。如果判断用户已经从初始位置产生移动，则，在步骤S705处，基于用户步长以及方向的高斯分布概率预测用户可能的位置以及在可能位置的分布概率。，并且将分布概率大于一定阈值的参考节点设定为用户可能的位置。否则返回到步骤S703处继续采集用户的运动信息。在预测。在获得用户可能的定位位置之后，在步骤S706处判断定位设备在用户的当前位置是否接收到WiFi信号。如果没接收到，则返回到步骤S703。如果接收到WiFi信号，则进入步骤S707进行WiFi信号的RSS与从指纹数据库中抽取的RSS进行匹配。接着在步骤S708处，基于匹配结果对每个可能位置处能够接收到当前用户的定位设备所接收到的RSS的概率进行估计。同样所估计的概率遵循高斯分布。

最后，在步骤S709处，基于每个可能位置的RSS接收概率或者基于每个可能位置的基于惯导获得的分布概率以及RSS接收概率估算用户的最后定位位置。

随后，在步骤S710处判断用户是否还需要继续进行后续定位。如果需要，则重复上面的步骤S701-709，否则，结束定位处理过程。

图8所示的是根据本公开的定位设备的配置示意图。如图8所示，定位设备800，诸如智能手机，包括指纹数据采集单元802、初始位置获取单元803、运动数据采集单元804、可能位置估计单元805、位置概率估计单元806以及当前位置估算单元807。根据需要，该定位设备800还可以配置I/O接口801。指纹数据采集单元802可用于在构建含有待定位区域内的WiFi信号信息的指纹数据库是采集每个参考节点RP处的指纹数据。此外该指纹数据采集单元802还用于在进行用户定位时采集用户所在位置的WiFi信号信息，即即时RSS数据。初始位置获取单元803基于启动定位时所采集的第一组RSS数据和指纹数据库，采用计算该组RSS与指纹数据库中每组数据之间的欧氏距离，确定最近的几组指纹数据，并基于最近的几组指纹数据获取用户的初始位置。运动数据采集单元804用于通过惯导元件采集用户的三轴加速度以及角速度，从而判断用户的运动状态，诸如步长、步频以及方向，从而计算处用户的移动距离和方向。可能位置估计单元805根据来自运动数据采集单元804的用户运动信息估算用户所处的多个可能位置，即，几个可能性较高的参考位置，即几个高斯分布概率较高的参考位置。位置概率估计单元806根据指纹数据库和当前WiFi信号强度计算在可能位置估计单元805所估计的多个可能位置中的每一个上接收到当前WiFi信号强度的接收概率，并且根据来自可能位置估计单元805的每个可能位置的分布概率以及接收概率计算用户位于多个可能位置中的每一个的位置概率。可选择地，位置概率估计单元806也可以直接将接收概率作为多个可能位置中的每一个的位置概率。最后，当前位置估算单元807根据位置概率估计单元806输出的位置概率和多个可能位置通过加权求和估算出用户的当前位置以完成用户室内定位。

在连续进行定位的情况下，当前位置估算单元807所估算的用户当前位置数据将会被输入到初始位置获取单元803，初始位置获取单元803会将来自当前位置估算单元807的用户当前位置作为初始位置用于下一次定位的初始数据。可选择地，初始位置获取单元803也可以不使用来自前位置估算单元807的用户当前位置作为初始位置，而是在每次进行定位时都采用自身获得的初始位置。

至此描述了根据本公开实施例的用于智能手机的室内定位设备。根据本公开的室内定位方法和定位设备采用了对状态空间以及观测空间能进行较为准确的模拟的隐马尔科夫概率模型。室内定位当中，真实位置就可以作为一种隐藏状态，根据惯导来预测状态转移的概率以及把获得的指纹作为观测值来处理，因此，利用隐马尔可夫模型进行混合定位可以达到较高的精度。根据本公开的基于隐马尔科夫概率模型的室内定位方法和定位设备有效地融合RSS数据与惯导系统，利用概率的模型对用户的位置进行预测估计，因此可以纠正完全使用惯导定位设备在定位方面的累计误差，有效的提高了用户室内定位的精度

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，对本领域的普通技术人员而言，能够理解本公开的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本公开的说明的情况下运用他们的基本编程技能就能实现的。

因此，本公开的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本公开的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本公开，并且存储有这样的程序产品的存储介质也构成本公开。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。

还需要指出的是，在本公开的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种室内定位方法，其包括：

初始位置获取步骤，获取定位装置所在位置的第一组指纹数据，并基于指纹数据库中的指纹数据，通过K邻近算法获取用户的初始位置；

可能位置估算步骤，基于所述初始位置并根据所述用户的运动信息估算用户的多个可能位置；

位置概率估计步骤，估计所述多个可能位置相对于用户所在位置的位置概率；以及

当前位置估算步骤：根据所述位置概率和所述多个可能位置估算出用户的当前位置以完成用户室内定位。

2.根据权利要求1所述的室内定位方法，其中所述位置概率估计步骤包括根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率作为所述位置概率。

3.根据权利要求1所述的室内定位方法，其中

所述可能位置估算步骤包括：基于所述初始位置并根据所述用户的运动信息计算用户当前处于每个参考位置的分布概率并将分布概率大于一阈值的多个参考位置设置为所述多个可能位置；

所述位置概率估计步骤包括根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率，并且将每个可能位置的分布概率与所述接收概率的乘积作为该可能位置的位置概率。

4.根据权利要求3所述的室内定位方法，其中所述初始位置为紧接着用户当前位置之前被定位的结果位置。

5.根据权利要求2或3所述的室内定位方法，其中所述指纹数据库构建包括：

在具体定位区域内设定多个参考节点；

由所述定位装置在每个参考节点中采集多组RSS向量；以及

基于每个参考节点的多组RSS向量，计算每个参考节点的RSS平均向量以及RSS方差向量，并将其作为该参考节点的指纹数据保存在指纹数据库中。

6.一种室内定位设备，其包括：

指纹数据采集单元，采集用户所在位置的指纹数据；

初始位置获取单元，接收来自指纹数据采集单元所采集的用户所在位置的第一组指纹数据，并基于指纹数据库中的指纹数据，通过K邻近算法获取用户的初始位置；

可能位置估算单元，基于所述初始位置并根据所述用户的运动信息估算用户的多个可能位置；

位置概率估计单元，估计所述多个可能位置相对于用户所在位置的位置概率；以及

当前位置估算单元：根据所述位置概率和所述多个可能位置估算出用户的当前位置以完成用户室内定位。

7.根据权利要求6所述的室内定位设备，其中所述位置概率估计单元根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率作为所述位置概率。

8.根据权利要求6所述的室内定位设备，其中

所述可能位置估算步单元基于所述初始位置并根据所述用户的运动信息计算用户当前处于每个参考位置的分布概率并将分布概率大于一阈值的多个参考位置设置为所述多个可能位置；

所述位置概率估计单元根据所述指纹数据库和当前指纹数据，计算在所述多个可能位置中的每一个上接收到所述当前指纹数据的接收概率，并且将每个可能位置的分布概率与所述接收概率的乘积作为该可能位置的位置概率。

9.根据权利要求8所述的室内定位设备，其中所述初始位置为紧接着用户当前位置之前被定位的结果位置。

10.根据权利要求6或7所述的室内定位设备，其还包括指纹数据库构建单元，基于指纹数据采集单元在具体定位区域内的每个参考节点中采集的多组RSS向量，计算每个参考节点的RSS平均向量以及RSS方差向量，并将其作为该参考节点的指纹数据保存在指纹数据库中。