CN106123897B - 基于多特征的室内融合定位方法 - Google Patents

Abstract

本发明公开了一种基于多特征的室内融合定位方法。该方法整个过程分成三个大的部分，分别是Wi‑Fi指纹概率计算、惯性导航计算和粒子滤波融合。Wi‑Fi指纹概率计算使用的是余弦相似度匹算法。惯性导航计算又分成三个部分：步数计算、步长计算和行走方向估计。步数计算运用了行走检测、中心移动平均、窗口波峰检测、动态时间规整、导数分析滤波和波峰复活的方法，步长计算运用了步长与步频的关系模型，行走方向估计运用了水平加速度的时频域分析和基于重力方向的调整策略。最后，在粒子滤波融合部分，基于惯性导航和Wi‑Fi指纹概率构建的隐式马尔可夫模型，使用粒子滤波方法，结合地图信息，计算位置概率，最终得到定位结果。

Description

基于多特征的室内融合定位方法

技术领域

本发明涉及一种基于多特征的室内融合定位方法。

背景技术

现阶段，室内定位技术十分多样，如摄像头定位、红外线定位、磁场定位、WIFI定位、蓝牙定位、惯性导航系统定位、超声波定位等等。根据不同的硬件支持,也有不同的测量方法。比如，无线电波定位中有TOA、TDOA和AOA等三角测量方法以及指纹匹配测量方法等等。目前，室内定位的主要问题是成本与精度难以同时兼顾，许多定位方法都需要额外部署定位辅助设备。而Wi-Fi指纹定位作为手机终端定位的常用方法却又无法提供较高的定位精度和稳定性。

发明内容

为了得到一个精确度和稳定性都比较好的手机终端定位方法，本发明提供了一种基于手机加速度、手机线性加速度、手机角速度、磁场、Wi-Fi接收信号强度和地图信息多种特征融合的定位方法：

一种多特征融合的室内定位方法，包括以下步骤：

Wi-Fi指纹概率计算，分成离线训练阶段和在线定位阶段。离线训练阶段收集指纹数据并建立指纹数据库；在线定位阶段实时获取Wi-Fi接收信号强度信息，使用余弦相似度匹配算法计算指纹点的概率。

惯性导航计算，分成步数计算、步长计算、行走方向估计三个阶段：

步数计算，首先加速度传感器和陀螺仪收集加速度和角速度数据，然后计算一定区间内的加速度数据的标准差，根据加速度标准差或角速度大小判断用户是否行走，若行走，则进行窗口波峰检测、动态时间规整、加速度导数分析和波峰复活策略，得到该区间内行走步数；

步长估计，根据前一阶段得到的步数和时间区间，计算得到行走步频，根据步频与步长关系模型，得到行走步长；

行走方向估计，通过水平加速度传感器和线性加速度传感器数据计算得到水平加速度，进行水平加速度的时频域分析及基于重力方向的调整，结合磁场方向得到用户的地理行走方向；

粒子滤波融合，利用以上得到的指纹点概率、步数、步长和行走方向，结合地图的路径信息和墙壁信息，进行粒子滤波，得到用户位置。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1是整个定位方法的过程图，方框表示操作过程，箭头表示过程流向，箭头线上的符号表示前一个过程的输出结果，它作为箭头指向的下一个过程的输入参数。

图2是窗口波峰检测的结果图。

图3展示加速度导数分析的目标特征。

图4是水平加速度频域分析图。

图5是重力方向与前进方向的关系图。

图6是融合定位方法的马尔可夫模型。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

实施例：

如图1所示，基于多特征的室内融合定位方法分成三个大的部分，分别是Wi-Fi指纹概率计算、惯性导航计算和粒子滤波融合。Wi-Fi指纹概率计算使用的是余弦相似度匹算法。惯性导航计算又分成三个部分：步数计算、步长计算和行走方向估计。步数计算运用了行走检测、角速度滤波、中心移动平均、窗口波峰检测、动态时间规整、导数分析滤波和波峰复活的方法，步长计算运用了步长与步频的关系模型，行走方向估计运用了水平加速度的时域、频域分析和基于重力方向的调整策略。最后，在粒子滤波融合部分，基于惯性导航和Wi-Fi指纹概率构建的隐式马尔可夫模型，使用粒子滤波方法，结合地图信息，计算位置概率，最终得到定位结果。

● Wi-Fi指纹概率计算

Wi-Fi指纹概率计算部分为离线训练阶段和在线定位阶段。

离线训练阶段：在进行定位之前进行指纹数据的收集，具体做法是在定位场所内每隔若干米设定一个指纹点，在每一个指纹点位置收集15到30组Wi-Fi接收信号强度信息。接着，将收集到的RSSI信息进行训练，给每一个位置生成指纹。指纹的结构为一条由不同AP区分维度的RSSI向量{AP₁:RSSI₁,AP₂:RSSI₂,AP₃:RSSI₃...}。向量的RSSI值是统计的平均值。

在线定位阶段，用户使用手机扫描附近AP的信号，得到RSSI向量{AP₁:RSSI₁,API₂:RSSI₂,AP₃:RSSI₃...}，将此向量与指纹数据库中的指纹进行相似度匹配，得到最终位置。指纹相似度匹配算法使用如公式1和公式2所示的余弦相似度匹配算法。其中，和分别代表实时扫描到的RSSI向量和指纹向量中AP_j的接收信号强度，m是较长RSSI向量的长度，cosθ是两RSSI向量夹角的余弦值，p为最终的指纹点概率。

●惯性导航计算

惯性导航计算部分分为步数计算、步长计算和行走方向估计三个阶段。

■步数计算

步数计算步骤如下：

1.行走检测：加速度传感器收集加速度数据，计算一定区间内的加速度数据标准差，标准差大于某一阈值，则说明用户正在行走，否则说明用户静止。另外，从陀螺仪获取角速度数据，当角速度大于某一阈值时，用户也将会被判定为静止。若用户静止，该阶段停止，并且输出为0；

2.中心移动平均：若用户正在行走，则对加速度数据进行中心移动平均处理得到平滑的加速度波形，方法如下；

a)设定半平滑窗口大小k。

b)计算从时刻t-k到时刻t+k的加速度平均值，作为时刻t的加速度值。如公式3所示。其中a_j是j时刻加速度值，a′_t是平滑后t时刻加速度值。

3.窗口波峰检测：使用该方法进行波峰检测，检测波峰时两个波峰的距离不小于窗口大小，得到波峰位置(见图2)；另外，为了避免噪声造成的小波峰的影响，算法加入一个波峰的高度阈值，只有波峰高度大于阈值才被认为有效。波峰高度域值根据检测区间的最大加速度设定；

4.动态时间规整：对第i个波与第i-2个波进行动态时间规整得到波形相似度距离，相似度距离小于设定的某一阈值时，第i个波峰记为动态时间规整有效波峰；

5.加速度导数分析：对加速度数据在时域上求导，对第i个波峰时间点与第i-1个波峰时间点之间的加速度导数检测最小值，再检测最小值是否单调递增至该区间内较大的导数值或者是由较大导数值单调递减至该最小值(见图3)，若是，则第i个峰值被认为是导数分析有效峰。

若波峰同时是动态时间规整有效峰和导数分析有效峰，则该波峰被认为是有效步；

6.波峰复活：将相距一定时间内的有效步之间的非有效步波峰也作为有效步，以纠正误差，最终步数为有效步波峰数目n。

■步长计算

经过步数计算阶段得到的步数和时间区间，可以计算出步频。根据步频f与步长l的关系模型,计算得到步长l,如公式4所示。其中a和b的值需要在融合定位过程进行训练。具体方法是记录下最近5到7次的定位结果，计算每一次的移动距离，并记录每一次的步频，通过最小二乘法计算得到最优的a和b的值。

l＝a·f+b(公式4)

■行走方向估计

行走方向估计分成四个步骤：水平加速度频域分析、水平加速度时域分析、基于重力方向的调整和地理方向计算。

1.水平加速度频域分析

通过加速度传感器和线性加速度传感器数据计算得到水平加速度数据，分别对水平加速度的x,y,z分量数据进行傅立叶变换得到频域分布图，x,y,z频域图在步频位置附近的最大值(如图4黑框所示)，记为m_x、m_y、m_z，则基于手机坐标系的行走方向相为(±m_x,±m_y,±m_z)；

2.水平加速度时域分析

分别计算各分量的时域变化趋势，结果如果大于等于0，该分量取正值，否则取负值。趋势变化的计算公式如公式5和公式6所示。其中，a_min和a_max是目标区段中加速度最小值和最大值，是加速度的平均值。

3.基重力方向的调整

基于重力方向对前进方向分量符号作调整。计算单位重力方向在x和y轴上的分量是否大于某一阈值，若大于某一阈值，则前进方向在x或y轴上的分量的符号取与重力对应分量相反的符号。重力方向和前进方向关系示意图如图5所示。

4.地理方向计算

结合磁场传感器得到磁场在手机坐标系上的方向，计算地理坐标系的行走方向夹角θ。

●粒子滤波融合

融合方法基于如图6所示的隐性马尔可夫模型，使用粒子滤波模拟该模型的概率计算，具体步骤步骤如下：

1)初始时刻，根据Wi-Fi指纹定位选取概率最高的k个指纹点，在这些指纹点处生成m个粒子，指纹点概率越高在该指纹点处生成的粒子越多，粒子的权重为1/m。由于初始时刻没有行走过程，直接跳到步骤5计算位置。

2)在非初始时刻，使用惯性导航算法得到步长l，方向角度θ，步数n，使用这些数据，通过以下方法生成新粒子位置:

a)计算粒子的前进距离为:

L＝n(l+G(0,1)·r) (公式7)

其中，G(0,1)是平均值为0标准差为1的高斯分布函数，r是步长误差强度。

b)计算粒子的前进方向为：

α＝θ+G(0,1)·λ (公式8)

其中，G(0,1)是平均值为0标准差为1的高斯分布函数，λ是方向误差强度。

c)计算新的粒子位置为：

x_new＝x_old+Lcosα

y_new＝y_old+Lsinα (公式9)

其中，x_old和y_old是旧粒子的x,y坐标，x_new和y_new是新粒子的x,y坐标

3)通过Wi-Fi指纹定位算法计算得到每一个指纹点的概率，在概率最高的k个指纹点中，找到离粒子位置最近的两个指纹点，进行以下操作确定粒子权重：

a)若粒子离最近指纹点的距离大于某一阈值d，则粒子的权重为0；

b)若粒子的更新路线撞墙，则粒子的权重为0；

c)否则，通过以下公式计算粒子的权重；

其中，d₁和d₂分别是离最近指纹点和第二近指纹点的距离，p₁和p₂分别是这两个指纹点对应的指纹概率，w_old为旧粒子权重，λ是距离影响因子。

4)根据粒子的权重和位置进行粒子重采样，重新生成m个粒子。采样规则为：对于每一个旧粒子，其权重越高，在该粒子位置生成的新粒子越多。每一个新粒子的权重为1/m。

5)计算m个新粒子的聚类中心作为当前定位结果。

6)重复2，3，4，5步骤。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于多特征的室内融合定位方法，其特征包括以下部分：

Wi-Fi指纹概率计算，分成离线训练阶段和在线定位阶段，离线训练阶段收集指纹数据并建立指纹数据库；在线定位阶段实时获取Wi-Fi接收信号强度信息，使用余弦相似度匹配算法计算指纹点的概率；

惯性导航计算，分成步数计算、步长计算、行走方向估计三个阶段：

步数计算，首先加速度传感器和陀螺仪收集加速度和角速度数据，然后计算一定区间内的加速度标准差，根据加速度标准差或角速度大小判断用户是否行走，若行走，则进行窗口波峰检测、动态时间规整、加速度导数分析和波峰复活策略，得到该区间内行走步数；

步长估计，根据前一阶段得到的步数和时间区间，计算得到行走步频，根据步频与步长关系模型，得到行走步长；

行走方向估计，通过水平加速度传感器和线性加速度传感器数据计算得到水平加速度，进行水平加速度的时频域分析及基于重力方向的调整，再结合磁场方向得到用户的地理行走方向；

粒子滤波融合，利用以上得到的指纹点概率、步数、步长和行走方向，结合地图的路径信息和墙壁信息，进行粒子滤波，得到用户位置。

2.如权利要求1所述的基于多特征的室内融合定位方法，其特征在于所述Wi-Fi指纹概率计算步骤为：

离线训练阶段：在进行定位之前进行指纹数据的收集，具体做法是在定位场所内每隔一定距离设定一个指纹点，在每一个指纹点位置收集15到30组Wi-Fi接收信号强度信息，接着，将收集到的RSSI信息进行训练，给每一个位置生成指纹，指纹的结构为一条由不同AP区分维度的RSSI向量{AP₁:RSSI₁,AP₂:RSSI₂,AP₃:RSSI₃...}，向量的RSSI值是统计的平均值；

在线定位阶段：用户使用手机扫描附近AP的信号，得到RSSI向量{AP₁:RSSI₁,API₂:RSSI₂,AP₃:RSSI₃...}，将此向量与指纹数据库中的指纹进行相似度匹配，得到每一个指纹点的概率，指纹相似度匹配算法使用如以下公式所示的余弦相似度匹配算法：

其中，和分别代表实时扫描到的RSSI向量和指纹向量中AP_j的接收信号强度，m是较长RSSI向量的长度，cosθ是两RSSI向量夹角的余弦值，p为最终的指纹点概率。

3.如权利要求1所述的基于多特征的室内融合定位方法，其特征在于所述步数计算步骤为：

首先加速度传感器收集加速度数据，计算一定区间内的加速度数据标准差，标准差大于某一阈值，则说明用户正在行走，否则说明用户静止，另外，从陀螺仪获取角速度数据，当角速度大于某一阈值时，用户也将会被判定为静止，若用户静止，该阶段停止，并且输出为0；

若用户正在行走，则首先对加速度数据进行中心移动平均处理得到平滑的加速度波形，再使用窗口波峰检测得到波峰位置，检测波峰时两个波峰的距离不小于窗口大小；

然后，对第i个波与第i-2个波进行动态时间规整得到波形相似度距离，相似度距离小于设定的某一阈值时，第i个波峰记为动态时间规整有效波峰；

接着，对加速度数据在时域上求导，对第i个波峰时间点与第i-1个波峰时间点之间的加速度导数检测最小值，再检测最小值是否单调递增至该区间内较大的导数值或者是由较大导数值单调递减至该最小值，若是，则第i个峰值被认为是导数分析有效峰；

若波峰同时是动态时间规整有效峰和导数分析有效峰，则该波峰被认为是有效步；

最后，将相距短时间内的有效步之间的非有效步波峰也判为有效步，以纠正误差，最终步数为有效步波峰数目n。

4.如权利要求1所述的基于多特征的室内融合定位方法，其特征在于所述步长估计步骤为：

经过步数计算阶段得到的步数和时间区间，可以计算出步频；

根据步频与步长的关系模型,计算得到步长l。

5.如权利要求1所述的基于多特征的室内融合定位方法，其特征在于所述行走方向估计步骤为：

通过加速度传感器和线性加速度传感器数据计算得到水平加速度数据，分别对水平加速度的x,y,z分量进行傅立叶变换得到频域分布图，x,y,z频域图在步频位置附近的最大值，记为m_x、m_y、m_z,则基于手机坐标系的行走方向为(±m_x,±m_y,±m_z)；

接着，分别计算各分量的时域变化趋势，结果如果大于等于0，该分量取正值，否则取负值；

然后，基于重力方向对前进方向分量符号作调整，计算单位重力方向在x和y轴上的分量是否大于某一阈值，若大于某一阈值，则前进方向在x或y轴上的分量的符号取与重力对应分量相反的符号；

最后结合磁场传感器得到磁场在手机坐标系上的方向，计算地理坐标系的行走方向夹角θ。

6.如权利要求1所述的基于多特征的室内融合定位方法，其特征在于所述粒子滤波融合步骤为：

1)初始时刻，根据Wi-Fi指纹定位选取概率最高的k个指纹点，在这些指纹点处生成m个粒子，指纹点概率越高在该指纹点处生成的粒子越多，粒子的权重为1/m，由于初始时刻没有行走过程，直接跳到步骤5计算位置；

2)在非初始时刻，使用惯性导航算法得到步长l，方向角度θ，步数n，使用这些数据，通过以下方法生成新粒子位置:

a)计算粒子的前进距离为:

L＝n(l+G(0,1)·r)

其中，G(0,1)是平均值为0标准差为1的高斯分布函数，r是步长误差强度；

b)计算粒子的前进方向为：

α＝θ+G(0,1)·λ

其中，G(0,1)是平均值为0标准差为1的高斯分布函数，λ是方向误差强度；

c)计算新的粒子位置为：

x_new＝x_old+Lcosα

y_new＝y_old+Lsinα

其中，x_old和y_old是旧粒子的x,y坐标，x_new和y_new是新粒子的x,y坐标；

3)通过WiFi指纹定位算法计算得到每一个指纹点的概率，在概率最高的k个指纹点中，找到离粒子位置最近的两个指纹点，进行以下操作确定粒子权重：

a)若粒子离最近指纹点的距离大于某一阈值d，则粒子的权重为0；

b)若粒子的更新路线撞墙，则粒子的权重为0；

c)否则，通过以下公式计算粒子的权重

其中，d₁和d₂分别是离最近指纹点和第二近指纹点的距离，p₁和p₂分别是这两个指纹点对应的指纹概率，w_old为旧粒子权重；

4)根据粒子的权重和位置进行粒子重采样，重新生成m个粒子，采样规则为：对于每一个旧粒子，其权重越高，在该粒子位置生成的新粒子越多，每一个新粒子的权重为1/m；

5)计算m个新粒子的聚类中心作为当前定位结果；

6)重复2，3，4，5步骤。