CN106125037A - 基于WiFi信号强度和Micro‑Model的室内无线热点回溯定位方法 - Google Patents

Abstract

基于WiFi信号强度和Micro‑Model的室内无线热点回溯定位方法，该方法通过对目标建筑内环境衰减因子矩阵的精确描述，在传统三边定位方法的基础上进行热点回溯，实时对移动热点实施定位。该方法可以在传统位置指纹算法进行离线训练时更新衰减因子库，无需额外定位步骤，同时却可以提高热点回溯的精度。本方法工作的主要流程为：在离线训练阶段，采集常规指纹库并建立Micro‑LDPL‑Model；在线测量阶段，配合移动智能终端和服务器对移动热点进行精确定位，通过精确回推、三边测量和聚类优化等方法，最大程度上对定位结果实现了优化，使其更加精确合理。应用了本方法的系统不仅具备了对移动热点进行实时精确回溯的能力，还能够将定位误差限制在一个较小的范围内。

Description

基于WiFi信号强度和Micro-Model的室内无线热点回溯定位 方法

技术领域

本发明涉及一种基于WiFi信号强度采集、精确环境衰减因子模型(Micro-Model)的室内无线热点回溯的方法。该方法通过对目标建筑内环境衰减因子矩阵的精确描述，在传统三边定位方法的基础上进行热点回溯，实时对移动热点实施定位。该方法可以在传统位置指纹算法进行离线训练时更新衰减因子库，无需额外定位步骤，同时却可以提高热点回溯的精度，属于基于WiFi信号强度的室内无线热点回溯方法研究的相关领域。

背景技术

传统的位置指纹定位方法在与多种新技术结合之后产生了较为理想的定位效果，其精度已被大幅提升至厘米级，且均不需要过多外设的支持即可实现。(号称可以定到39cm/17cm(Modellet)或0.1m(Luxapose)，其中Modellet似乎需要插一块网卡，Luxapose用普通手机就行。)在实际应用中，可以假设用户在进入某建筑物后首先使用这些系统对自身进行定位，我们将其称之为“第一次定位”。第一次定位是本实验的前提，本研究将始终在第一次定位稳定实现的条件下进行，并默认这个过程中的一些重要数据可以在终端和服务器之间共享，为本研究所用。

相对地，第二次定位指的是在已有室内无线定位系统的基础上进行热点回溯定位或移动热点定位，这是一个反向定位的过程。前者主要是为了准确判断静止热点所在的位置，后者则可以实时为配备了热点功能的移动终端提供定位服务。当用户进入到某一物理空间后，首先使用该空间内原有的指纹库进行定位。当新的热点出现时，该空间内每一个被定位的用户都能接收到其信号，从而描绘出一个关于当前热点的新指纹库，这个新指纹库可以用来对该热点进行定位。这样一来或许可以实现在定位环境中动态添加热点辅助定位的功能。第二次定位的主要思想就是利用信号在视距空间中传播符合log路径损耗模型的特点，在特定位置进行以模型公式为基础的热点回溯。

传统三边热点回溯方法工作原理是使用传统的global-model进行回溯定位，无论怎样改变权重等系数，该方案都显得不够合理，其定位误差较大。梯度热点回溯方法工作原理是：每个热点发出的信号在三维空间内传播时都会产生一定的衰减，将这种衰减直观地以图像的形式表现出来就可以得到不同方向上该热点发出信号的梯度。图1是一个简单示意图，其中红色部分表示信号强度较大的区域，蓝色表示信号强度较小的区域。因此，只要获得一定数量的参考标签(包含信号强度和位置信息)，梯度定位法就可以完成对目标热点的定位。该方法是一个反向定位方法，即已知指纹库或新指纹库反向推出热点的准确位置，而不是正向定位。该算法的流程是：

第一步：按公式计算出梯度指纹库

$\left\{\begin{array}{c}gr{a}_x(x,y)=r(x+1,y)-r(x-1,y)\\ gr{a}_y(x,y)=r(x,y+1)-r(x,y-1)\end{array}\right.$

其中gra_x(x,y)代表x轴方向上的梯度向量，gra_y(x,y)代表y轴方向上的梯度向量，r(x,y)表示若将整个物理空间划分为p行q列，第x行y列区块上的信号强度。

第二步：剔除奇异数据

梯度分布图绘制完成后，将明显不符合规律的点(与目标区域相差超过90度以上)剔除出去，其中目标区域是一开始就确定好了的，信号强度最强的那个区域。

第三步：聚类

使用较优的聚类算法对梯度向量进行聚类，聚类中心的个数视情况而定聚类的结果就是估计后的热点所在位置。多个聚类中心可以直接作为结果输出，也可以经过相应的计算后合并成一个结果再进行输出。但是这样将聚类中心的个数简单地设为一个固定值显然是不合理的。

梯度定位法最大的问题在于：由于只对特定环境下该方法的性能进行了检验，一些本领域比较重要的因素均被不同程度地忽略掉了。首先，不难想象，如果存在一个如下图所示的物理空间，则大部分梯度向量都将被当做奇异点而剔除掉。

换句话说，梯度定位方法的工作前提是存在一定数量的符合log衰减模型(至少趋势符合)的参考标签。然而在实际测试中，尽管是轻微的墙壁遮挡也可能造成反趋势点的出现。图中1、2的信号强度在实测极有可能小于3、4、5、6，且AP发射频率越高，这个现象就越明显，这样一来，上述区域的梯度向量将全部变成奇异向量从而被剔除掉，有效数据点的数量将变得非常至少，大大影响算法的精度。

其次，当指纹库划分不规则时，梯度回溯方法无法按定义计算各梯度向量，导致其无法正常运行，而实际情况中指纹库往往又是根据实际情况划定的，很少出现特别规则的物理空间。

再次，原文实验在一个固定空间内进行，因此默认传播模型系数为定值，这样的假设是不严谨的。论文[Experiencing and Handling the Diversity in Data Density andEnvironmental Locality in an Indoor Positioning Service]的研究显示，当建筑面积达到某个临界值时，采用两套以上的传播模型参数将变得非常必要。

最后，聚类中心的个数理应根据建筑模型及环境变化设置为变量，同样不应设置为某个经验值或常量。因此，梯度定位方法不能完全满足二次定位的需求，需要一个新的方法完成定位。

发明内容

针对上文提及的本领域部分方法存在的一些问题，本发明将传统的Global-LDPL-Model和Local-LDPL-Model进行了改进，首次提出了Micro-LDPL-Model，并将其应用到移动热点回溯这一热门领域中，通过精确测量物理空间内环境衰减因子，描绘其特征矩阵，实现对移动AP的精确位置回溯。

为实现上述目的，本方法工作的主要流程为：在离线训练阶段，采集常规指纹库并建立Micro-LDPL-Model；在线测量阶段，配合移动智能终端和服务器对移动热点进行精确定位，通过精确回推、三边测量和聚类优化等方法，最大程度上对定位结果实现了优化，使其更加精确合理。实验结果表明，应用了本方法的系统不仅具备了对移动热点进行实时精确回溯的能力，还能够将定位误差限制在一个较小的范围内，总体上取得了令人满意的效果。

附图说明

图1，梯度分布示意图。

图2，可能造成梯度回溯方法失效的物理空间示意图。

图3，可能的热点真实位置示意图。

图4，经过一次优化后的热点区域。

图5，经过二次优化后的热点区域。

图6，最终定位结果示意图。

具体实施方式

本发明提出了一种基于local-LDPL-model(LDPL)的移动热点回溯方法，该方法主要是将位置指纹定位与RSSI定位结合起来，利用位置指纹提供的环境和位置信息与log衰减模型提供的信号强度-距离转化公式对热点进行定位。这个过程中包含了滤波、聚类等算法，该算法可以获得更加良好的定位效果。该方法分为离线训练和在线测试两个阶段。(off-line training stage and on-line testing stage)

S1、离线训练阶段

系统在离线训练阶段的任务是：完成对MM模型的构建；完成对基本指纹库的构建。

首先，本发明提出了一套Micro-LDPL-Model(MM)作为本方法的核心。该模型在离线训练阶段系统描绘指纹库的同时，描绘出一个环境衰减因子矩阵。其具体表达形式为

其中Y是衰减因子矩阵，衰减因子矩阵Y的各元素y_pq表示不同建筑空间上(p行q列)相邻区块之间的衰减因子，其实质是一个一维向量，不同的项表示不同方向通路上的测量结果。分别表示该区块(坐标(p,q))与相邻区块(坐标(a,b)、(c,d)或其他)。l_pq是矩阵L中的元素，L是位置坐标矩阵，它表示了该元素的物理位置，在实际应用中，这一部分将以坐标的形式出现。

在本方法中，指纹库的构建参考传统指纹库的构建方式即可，因为现有的方法已经完全可以满足要求，本方法的重点不在于此只要能够满足相应的精度即可。其中，系统主要参数均根据LDPL模型得出，LDPL模型的表达式为

RSSI＝-(10γlog₁₀(d)-a)

RSSI表示接收信号强度。d是测量点与热点间距离。衰减因子矩阵γ以矩阵形式表达在MM模型中，a是信号强度偏移量，信号强度偏移量a与热点型号有关，通过读取热点型号获取信号强度偏移量参数的具体信息。

在进行完整定位的过程中，本方法将使用两套不同的指纹库，第一套指纹库主要用于第一次定位，它的内容由离线测试阶段决定；第二套用于第二次定位即回溯，它的内容需要在在线测试阶段进行更新。它们的形式分别为

其中er_ij＝<AP₁,AP₂,...,AP_n>表示测量得到的信号强度，AP_n表示测量到的信号强度来自第n个AP。γ_pq是衰减因子矩阵，l_pq是区块物理坐标。其中or_pq表示在线测试阶段获得的信号强度，k_pq＝max{AP₁,AP₂,...,AP_n}用来表示Wireless Link Quality(WLQ)，这一指标将用来衡量用户使用哪条通信链路将数据上传至云端，简单来说，当用户需要将自己的数据上传至云端时，使用其当前正在接入的AP未必是最优选择，理论上讲，信号强度较大的AP将更加适合完成这一任务。因此，本方法在第二套指纹库中加入了WLQ标志这一元素，旨在优化系统性能，提高算法运行速度并缩短定位周期。

S2在线测试阶段

第一步：寻找Interest Feild

反向定位时，待定位目标一般情况下必然位于参考标签信号强度最大的一个或多个区域中，这一过程可大致分为三个部分。

S2.1、假设指纹库为矩形且各参考标签划分大小一致(方便用公式描述)，设A＝(a_ij)_m×n∈C^m×n,W＝(w_ij)_m×n∈C^m×n其中A为指纹库中的参考标签矩阵，W为方形窗矩阵，用来对参考标签矩阵进行相应的处理。设范数

$\left|\right|A|{|}_{LS}=\underset{x,y}{max}\underset{x=2}{\overset{m-1}{\&Sigma;}}\underset{y=2}{\overset{n-1}{\&Sigma;}}\&lsqb;\underset{s=-a}{\overset{a}{\&Sigma;}}\underset{t=-b}{\overset{b}{\&Sigma;}}{w}_{s+a,t+b}{a}_{x+s,y+t}\&rsqb;,$

该范数用来对参考标签矩阵进行加窗处理从而寻找信号强度最大的区域。其中系数k₁k₂k₃根据试验情况而定，一般来说设k₁＝1k₂＝0k₃＝0即可。

同时设参考标签区域边长为S，设

$I_{ij}=\left\{(x,y)\right|x_{a_{ij}}-\frac{S}{2}<x<x_{a_{ij}}+\frac{S}{2},y_{a_{ij}}-\frac{S}{2}<y<y_{a_{ij}}+\frac{S}{2}\},$

为每个参考标签区域的表达式。

实际上，若每个方形参考标签边长为5m，则5m之内信号会产生相应的衰减，这种衰减表现的比较明显，除非热点刚好位于两个或多个参考标签的边界上，因此暂时将上述范数简化成如下形式

$\left|\right|A|{|}_{LS}=\underset{x,y}{max}\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}{a}_{xy},$

即这样一来能够大大降低算法复杂度，而两个或多个参考标签信号强度相近的情况将在后面的步骤中加以考虑。该步骤将得到一个区域坐标作为结果，暂时称之为I_pq，对应的参考标签为a_pq。受遍历方式的影响，I_pq可能不唯一，但其至少会处于真实热点所在参考标签区域的邻域之中。

S2.2、事实上，虽然两个或多个参考标签信号强度完全相同且强于其他参考标签信号强度的概率较低，但在Interest Field附近各参考标签信号强度相近的情况却有可能出现，因此需要对S2.1中得到的结果进行进一步处理。真实热点的位置理论上可分为以下三种情况：位于某个参考标签中，位于两个参考标签交界处和位于四个或多个参考标签交界处。因此，需要在找到I₁区域之后进一步确定当前信号强度分布，设I_α为I_pq的八邻域与I_pq的并集，其表达式

I_α＝{I_ij|p-1≤i≤p+1,q-1≤j≤q+1}，

其可能的存在情况如附图4所示。

S2.3、通过在I_α区域中进行相应的计算，最终可以确定一个I_β，它表示参考标签信号强度相近且强于其他参考标签信号强度的区域的并集。设D＝(d_ij)_3×3∈C^3×3为在I_α区域内求取各参考标签到a_pq距离的距离换算窗。其中

$d_{ij}=\sqrt{{a_{p+m,q+n}}^2-{a_{pq}}^2},(-1\&le;m\&le;1,-1\&le;n\&le;1),$

则

I_β＝{I_ij|d_ij＜T,p-1≤i≤p+1,q-1≤j≤q+1}，

其中T是距离阈值，该值需要取得很小来排除建筑等因素的干扰，理论依据是距离与信号强度转化公式。

最后I_β简化为附图5中的白色区域I_γ，这就是最终求取的Interest Field，实际情况中，由于存在障碍物遮挡等因素，橙色区域可能是不规则的：两格由于遮挡可能直接退化为一格，四格可能退化为三格、两格或一格等等。

第二步：利用三边测量法估计热点位置

筛选出视距参考标签之后利用log衰减模型进行热点位置估计了。设热点位置坐标为(x₀,y₀)，根据log路径损耗模型

RSSI＝-(10γlog₁₀(d)-n)，

$d={10}^{\frac{RSSI+n}{-10\mathrm{\&gamma;}}},$

将热点位置坐标带入上式中进行联立即可求解出多组位置坐标

$\left\{\begin{array}{c}{d_1}^2={(x-x_1)}^2+{(y-y_1)}^2\\ .\\ .\\ .\\ {d_h}^2={(x-x_h)}^2+{(y-y_h)}^2\end{array}\right.,$

其中RSSI取自第二次定位获得的指纹矩阵，偏移量n是距离热点1m处的信号强度，它的值需要在计算出衰减因子矩阵γ后进行一次估计，距离d₁…d_h是未知值分别表示目标热点与第1至第h个区块中心的距离，当求解出至少两个距离之后就可以估计出热点的位置了。

最后，使用k-means聚类算法对得到的位置结果进行分析处理，拟合出最终结果。值得一提的是，并非所有定位结果都适合参与聚类，例如，当某区块环境衰减因子偏离正常值较多时，该区域被某些物体遮挡的几率就大大增加了。此时，如果将该区域定位结果带入联立方程组，就有可能产生一个较大的干扰噪声。因此，本发明在经过反复试验和研究后，决定在聚类过程中只应用由环境衰减因子偏差值不大于0.2的区域计算得到的结果，其余一律视作噪声点予以剔除。当可用数据不足以或不必要进行聚类时，则直接使用连立方程组求解出的结果。

Claims (1)

1.基于WiFi信号强度和Micro-Model的室内无线热点回溯定位方法，该方法主要是将位置指纹定位与RSSI定位结合起来，利用位置指纹提供的环境和位置信息与log衰减模型提供的信号强度-距离转化公式对热点进行定位；这个过程中包含了滤波、聚类算法，该算法可以获得更加良好的定位效果；该方法分为离线训练和在线测试两个阶段，其特征在于：

S1、离线训练阶段

系统在离线训练阶段的任务是：完成对MM模型的构建；完成对基本指纹库的构建；

首先，本发明提出了一套Micro-LDPL-Model(MM)作为本方法的核心；该模型在离线训练阶段系统描绘指纹库的同时，描绘出一个环境衰减因子矩阵；其具体表达形式为

其中Y是衰减因子矩阵，衰减因子矩阵Y的各元素y_pq表示不同建筑空间上(p行q列)相邻区块之间的衰减因子，其实质是一个一维向量，不同的项表示不同方向通路上的测量结果；分别表示该区块(坐标(p,q))与相邻区块(坐标(a,b)、(c,d))；l_pq是矩阵L中的元素，L是位置坐标矩阵，它表示了该元素的物理位置，在实际应用中，这一部分将以坐标的形式出现；

在本方法中，指纹库的构建参考传统指纹库的构建方式即可，因为现有的方法已经完全可以满足要求，本方法的重点不在于此只要能够满足相应的精度即可；其中，系统主要参数均根据LDPL模型得出，LDPL模型的表达式为

RSSI＝-(10γlog₁₀(d)-a)

RSSI表示接收信号强度；d是测量点与热点间距离；衰减因子矩阵γ以矩阵形式表达在MM模型中，a是信号强度偏移量，信号强度偏移量a与热点型号有关，通过读取热点型号获取信号强度偏移量参数的具体信息；

在进行完整定位的过程中，本方法将使用两套不同的指纹库，第一套指纹库主要用于第一次定位，它的内容由离线测试阶段决定；第二套用于第二次定位即回溯，它的内容需要在在线测试阶段进行更新；它们的形式分别为

其中er_ij＝<AP₁,AP₂,...,AP_n>表示测量得到的信号强度，AP_n表示测量到的信号强度来自第n个AP；γ_pq是衰减因子矩阵，l_pq是区块物理坐标；其中or_pq表示在线测试阶段获得的信号强度，k_pq＝max{AP₁,AP₂,...,AP_n}用来表示Wireless Link Quality(WLQ)，这一指标将用来衡量用户使用哪条通信链路将数据上传至云端，简单来说，当用户需要将自己的数据上传至云端时，使用其当前正在接入的AP未必是最优选择，理论上讲，信号强度较大的AP将更加适合完成这一任务；因此，本方法在第二套指纹库中加入了WLQ标志这一元素，旨在优化系统性能，提高算法运行速度并缩短定位周期；

S2在线测试阶段

第一步：寻找Interest Feild

反向定位时，待定位目标一般情况下必然位于参考标签信号强度最大的一个或多个区域中，这一过程可大致分为三个部分；

S2.1、假设指纹库为矩形且各参考标签划分大小一致(方便用公式描述)，设A＝(a_ij)_m×n∈C^m×n,W＝(w_ij)_m×n∈C^m×n其中A为指纹库中的参考标签矩阵，W为方形窗矩阵，用来对参考标签矩阵进行相应的处理；设范数

$\left|\right|A|{|}_{LS}=\underset{x,y}{max}\underset{x=2}{\overset{m-1}{\&Sigma;}}\underset{y=2}{\overset{n-1}{\&Sigma;}}\&lsqb;\underset{s=-a}{\overset{a}{\&Sigma;}}\underset{t=-b}{\overset{b}{\&Sigma;}}{w}_{s+a,t+b}{a}_{x+s,y+t}\&rsqb;,$

该范数用来对参考标签矩阵进行加窗处理从而寻找信号强度最大的区域；其中系数k₁ k₂ k₃根据试验情况而定，一般来说设k₁＝1 k₂＝0 k₃＝0即可；

同时设参考标签区域边长为S，设

$I_{ij}=\left\{(x,y)\right|x_{a_{ij}}-\frac{S}{2}<x<x_{a_{ij}}+\frac{S}{2},y_{a_{ij}}-\frac{S}{2}<y<y_{a_{ij}}+\frac{S}{2}\},$

为每个参考标签区域的表达式；

实际上，若每个方形参考标签边长为5m，则5m之内信号会产生相应的衰减，这种衰减表现的比较明显，除非热点刚好位于两个或多个参考标签的边界上，因此暂时将上述范数简化成如下形式

$\left|\right|A|{|}_{LS}=\underset{x,y}{max}\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}{a}_{xy},$

即这样一来能够大大降低算法复杂度，而两个或多个参考标签信号强度相近的情况将在后面的步骤中加以考虑；该步骤将得到一个区域坐标作为结果，暂时称之为I_pq，对应的参考标签为a_pq；受遍历方式的影响，I_pq可能不唯一，但其至少会处于真实热点所在参考标签区域的邻域之中；

S2.2、事实上，虽然两个或多个参考标签信号强度完全相同且强于其他参考标签信号强度的概率较低，但在Interest Field附近各参考标签信号强度相近的情况却有可能出现，因此需要对S2.1中得到的结果进行进一步处理；真实热点的位置理论上可分为以下三种情况：位于某个参考标签中，位于两个参考标签交界处和位于四个或多个参考标签交界处；因此，需要在找到I₁区域之后进一步确定当前信号强度分布，设I_α为I_pq的八邻域与I_pq的并集，其表达式

I_α＝{I_ij|p-1≤i≤p+1,q-1≤j≤q+1}，

S2.3、通过在I_α区域中进行相应的计算，最终可以确定一个I_β，它表示参考标签信号强度相近且强于其他参考标签信号强度的区域的并集；设D＝(d_ij)_3×3∈C^3×3为在I_α区域内求取各参考标签到a_pq距离的距离换算窗；其中

$d_{ij}=\sqrt{{a_{p+m,q+n}}^2-{a_{pq}}^2},(-1\&le;m\&le;1,-1\&le;n\&le;1),$

则

I_β＝{I_ij|d_ij＜T,p-1≤i≤p+1,q-1≤j≤q+1}，

其中T是距离阈值，该值需要取得很小来排除建筑等因素的干扰，理论依据是距离与信号强度转化公式；

最后I_β简化为I_γ，这就是最终求取的Interest Field，实际情况中，由于存在障碍物遮挡因素，橙色区域可能是不规则的：两格由于遮挡可能直接退化为一格，四格可能退化为三格、两格或一格；

第二步：利用三边测量法估计热点位置

筛选出视距参考标签之后利用log衰减模型进行热点位置估计了；设热点位置坐标为(x₀,y₀)，根据log路径损耗模型

RSSI＝-(10γlog₁₀(d)-n)，

$d={10}^{\frac{RSSI+n}{-10\mathrm{\&gamma;}}},$

将热点位置坐标带入上式中进行联立即可求解出多组位置坐标

$\left\{\begin{array}{c}{d_1}^2={(x-x_1)}^2+{(y-y_1)}^2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {d_h}^2={(x-x_h)}^2+{(y-y_h)}^2\end{array}\right.,$

其中RSSI取自第二次定位获得的指纹矩阵，偏移量n是距离热点1m处的信号强度，它的值需要在计算出衰减因子矩阵γ后进行一次估计，距离d₁…d_h是未知值分别表示目标热点与第1至第h个区块中心的距离，当求解出至少两个距离之后就可以估计出热点的位置。