CN106125044B - 基于梯度下降的离线定位方法 - Google Patents
基于梯度下降的离线定位方法 Download PDFInfo
- Publication number
- CN106125044B CN106125044B CN201610510376.6A CN201610510376A CN106125044B CN 106125044 B CN106125044 B CN 106125044B CN 201610510376 A CN201610510376 A CN 201610510376A CN 106125044 B CN106125044 B CN 106125044B
- Authority
- CN
- China
- Prior art keywords
- access point
- rssi
- value
- distance
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
Abstract
本发明提供的一种基于梯度下降的离线定位方法,其通过持续测量用户所在位置各个WiFi接入点的信号强度,运用梯度滤波算法对测量的RSS进行滤波处理,滤去非正常变化的RSSI值,再使用这些处理过的RSSI值应用梯度下降算法得到用户的位置,能够提高定位精度。
Description
技术领域
本发明涉及通信、导航定位技术领域,具体地,涉及一种基于梯度下降的离线定位方法。
背景技术
WiFi和BLE(低功耗蓝牙)目前是无线网络的重要组成部分。在家庭和公共场合,越来越多的WiFi热点出现在人们的智能设备里。BLE虽然至今未被普及,但是凭借着其低功耗的特点,将来的发展前景同样很好,在室内的定位方面有着广泛的应用。WiFi和BLE本身并不具备定位功能,但是通过收集室内各个WiFi和BLE的信号强度、传播时间等数据,理论上只需要三个接入点,通过信号的传输模型进行计算,得到与对应AP(无线访问接入点)的相对距离,应用传统的三角定位技术,就可以定位用户的位置。
但是传统的离线定位算法存在两点问题:一是传统的三角定位算法,由于是采用通过得到的与AP的相对距离,再以各AP为圆心,相对距离为半径作圆,通过三圆的交点得到定位的位置。但是三个圆的交点并不是一定存在,同时在AP数目大于3的情况下传统的三点定位就不再有效。另一个不足之处在于,WiFi信号和BLE信号的传播受到环境的影响较大,比如在传播的路径上有人的经过,收到的RSSI值就会出现明显的变化。同时在同一个位置上的信号强度呈现高斯分布,信号强度的变化就会影响相对距离的计算,导致定位的误差。
现在的离线定位技术并没有考虑到对于信号的波动的处理,仅仅是简单的直接对RSSI值进行计算,本发明对于离线定位算法进行了改进,先通过滤波器对于获得的RSSI值进行处理,滤去非正常变化的值,减少环境的干扰,再对于处理过的RSSI值使用梯度下降的算法进行定位,是一种有效的离线定位算法,有利于提高定位精度。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于梯度下降的离线定位方法。本发明通过用户持续检测的RSSI值运用梯度滤波算法筛除异常值,再将筛选后的RSSI值转换为距离,运用梯度下降算法确定用户所在位置。
根据本发明提供的一种基于梯度下降的离线定位方法,包括:
步骤一,获取已确定的AP接入点的相对位置;
步骤二,针对每一个AP接入点,用户持续测量自身所在位置处AP接入点的RSSI值,根据已测RSSI值序列得到各个时刻的RSSI预测值,将属于异常值的RSSI预测值筛除后更新已测RSSI值序列;
步骤三,将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量;
步骤四,根据距离向量得到定位位置。
优选地,所述步骤二包括:
将偏离第k时刻最终滤波值xk的程度超过阈值的第k时刻的RSSI预测值判定为异常值;其中,假设已测RSSI值序列x为x=[x0,x1,......,xn],则第k时刻最终滤波值xk及第k时刻的RSSI预测值的计算方式如下:
其中,xk表示第k时刻最终滤波值,表示第k时刻的RSSI预测值,表示将xk-1与的差值代入sign函数,sign函数为符号函数,xk-1表示第k时刻的前一时刻最终滤波值,表示计算xk-1与的标准差,表示已测RSSI值序列x在单位时间t内的平均梯度,Δt表示第k时刻的RSSI预测值所在的时刻与x0所在时刻的差值,表示在单位时间t内相邻RSSI值之间的梯度,表示xk+1与xk的RSSI差值,表示xk+1与xk的时间差值。
优选地,阈值为30%,若则判定第k时刻的RSSI预测值偏离第k时刻最终滤波值xk的程度超过阈值。
优选地,所述步骤二中更新已测RSSI值序列的步骤包括:
若第k时刻的RSSI预测值不是异常值,即第k时刻的RSSI预测值为正常值,则将第k时刻的RSSI预测值加入已测RSSI值序列x的队列开头位处,并将已测RSSI值序列x的队列末尾的元素出队;
若第k时刻的RSSI预测值为异常值,则将第k时刻最终滤波值xk加入已测RSSI值序列x的队列开头处,并将已测RSSI值序列x的队列末尾的元素出队;
其中,队列末尾的元素是指已测RSSI值序列x中对应时刻最早的元素。
优选地,所述步骤三包括:
计算用户自身所在位置与第i个AP接入点的距离ri:
其中,RSSI0i表示在第i个AP接入点的基准距离r0处测得的基准RSSI值,RSSIi表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值;i=1,2,……,m;m表示AP接入点的数量;
得到距离向量r为r=[r0,r1,.....,rm]。
优选地,所述步骤四包括:
根据已确定的AP接入点的相对位置,确定相对于AP接入点的相对直角坐标系,并随机取一点θ,θ=(θ1,θ2),则点θ与各个AP接入点的距离为:
其中,hθ(x(i))表示点θ与第i个AP接入点的距离,θ1表示相对直角坐标系中点θ的横坐标,θ2表示相对直角坐标系中点θ的纵坐标,x1 (i)表示相对直角坐标系中第i个AP接入点的横坐标,x2 (i)表示相对直角坐标系中第i个AP接入点的纵坐标;
持续改变当前点θ坐标(θ1,θ2),使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小,计算公式为:
其中,J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和,y(i)表示当前时刻测得的与第i个接入点之间的距离向量;m表示AP接入点的数量;
反复迭代以下公式,直到收敛或者迭代次数超过设定值后,将点θ作为定位位置:迭代后的θj等于迭代前的θj减
其中,α为梯度下降的步长,θj表示相对直角坐标系中点θ的第j维坐标,表示相对直角坐标系中第i个AP接入点的第j维坐标。
与现有技术相比,本发明具有如下的有益效果:
本发明通过持续测量用户所在位置各个WiFi接入点的信号强度,运用梯度滤波算法对测量的RSS进行滤波处理,滤去非正常变化的RSSI值,再使用这些处理过的RSSI值应用梯度下降算法得到用户的位置,提高定位精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所提供方法的步骤流程图。
图2为本发明优选例中的原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供了一种基于梯度下降的离线定位方法,包括如下步骤:系统通过本地数据库确定附近AP接入点(ACCESS POINT)的相对位置;用户持续检测所在位置处各个AP接入点的RSSI(Received Signal Strength Indication接收的信号强度指示)值;系统根据梯度滤波算法筛除异常值;更新本地已测RSSI值数据库;根据各AP一定距离处的基准RSSI值,系统将当前RSSI值转换为距离向量;通过梯度下降算法确定当前最优位置,并将结果返回给用户。本算法在脱离在线数据库的情况下,通过筛除RSSI值波动带来的异常数据,利用梯度下降算法进行最优化处理,得到相对精确的定位效果。
本实例基于梯度下降的离线定位方法,在用户无法连接网络,无法利用在线数据库的情况下,利用测量得到的RSSI值,通过一定的滤波算法来剔除其中因为波动而导致的异常数据,通过信号衰减公式得到距离,利用梯度下降算法进行最优化处理,得到定位位置,进一步减小定位误差,得到相对精确的定位效果。
根据本发明提供的一种基于梯度下降的离线定位方法,包括:
步骤一,获取已确定的AP接入点的相对位置;
步骤二,针对每一个AP接入点,用户持续测量自身所在位置处AP接入点的RSSI值,根据已测RSSI值序列得到各个时刻的RSSI预测值,将属于异常值的RSSI预测值筛除后更新已测RSSI值序列;
步骤三,将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量;
步骤四,根据距离向量得到定位位置。
所述步骤二包括:
将偏离第k时刻最终滤波值xk的程度超过阈值的第k时刻的RSSI预测值判定为异常值;其中,假设已测RSSI值序列x为x=[x0,x1,......,xn],则第k时刻最终滤波值xk及第k时刻的RSSI预测值的计算方式如下:
其中,xk表示第k时刻最终滤波值,表示第k时刻的RSSI预测值,表示将xk-1与的差值代入sign函数,sign函数为符号函数,xk-1表示第k时刻的前一时刻最终滤波值,表示计算xk-1与的标准差,表示已测RSSI值序列x在单位时间t内的平均梯度,Δt表示第k时刻的RSSI预测值所在的时刻与x0所在时刻的差值,表示在单位时间t内相邻RSSI值之间的梯度,表示xk+1与xk的RSSI差值,表示xk+1与xk的时间差值。
阈值为30%,若则判定第k时刻的RSSI预测值偏离第k时刻最终滤波值xk的程度超过阈值。
所述步骤二中更新已测RSSI值序列的步骤包括:
若第k时刻的RSSI预测值不是异常值,即第k时刻的RSSI预测值为正常值,则将第k时刻的RSSI预测值加入已测RSSI值序列x的队列开头位处,并将已测RSSI值序列x的队列末尾的元素出队;
若第k时刻的RSSI预测值为异常值,则将第k时刻最终滤波值xk加入已测RSSI值序列x的队列开头处,并将已测RSSI值序列x的队列末尾的元素出队;
其中,队列末尾的元素是指已测RSSI值序列x中对应时刻最早的元素。例如,对于已测RSSI值序列x=[x0,x1,......,xn],则队列末尾的元素是x0。存储更新后的已测RSSI值序列用来判断下一次或下一时刻RSSI测量值是否是异常值。
所述步骤三包括:
计算用户自身所在位置与第i个AP接入点的距离ri:
其中,RSSI0i表示在第i个AP接入点的基准距离r0处测得的基准RSSI值,RSSIi表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值;i=1,2,……,m;m表示AP接入点的数量;
得到距离向量r为r=[r0,r1,.....,rm]。
所述步骤四包括:
根据已确定的AP接入点的相对位置,确定相对于AP接入点的相对直角坐标系,并随机取一点θ,θ=(θ1,θ2),则点θ与各个AP接入点的距离为:
其中,hθ(x(i))表示点θ与第i个AP接入点的距离,θ1表示相对直角坐标系中点θ的横坐标,θ2表示相对直角坐标系中点θ的纵坐标,x1 (i)表示相对直角坐标系中第i个AP接入点的横坐标,x2 (i)表示相对直角坐标系中第i个AP接入点的纵坐标;
持续改变点θ的位置,使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小,计算公式为:
其中,J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和,y(i)表示当前时刻测得的与第i个接入点之间的距离向量;m表示AP接入点的数量;
反复迭代以下公式,直到收敛或者迭代次数超过设定值后,将点θ作为定位位置:迭代后的θj等于迭代前的θj减
其中,α为梯度下降的步长,θj表示相对直角坐标系中点θ的第j维坐标,表示相对直角坐标系中第i个AP接入点的第j维坐标。
所述步骤一中,所述AP接入点的相对位置是在环境搭建中已经获得的确定的参数,在之后的步骤四中需要运用这些相对位置计算出用户所处的位置。
所述步骤二中,用户通过手机上的软件持续检测各个AP接入点的信号强度,在固定的时间间隔(单位时间)之内对于每个AP接入点的RSSI值进行取样记录,并保存在本地中。每一次检测到的每一个的RSSI值都会滤去异常值,所述异常值是指周围环境变化引起的RSSI值非正常变化或者是RSS自身的波动。
在一个优选的实施例中的环境参数:
4m*4m的室内环境,布置了四个BLE设备,如图2为该定位系统的实验环境。本实验选择的是一段连续的空间。由于BLE设备信号的覆盖范围在四米左右,为了保证区域内每个点都能测得四个BLE设备的信号强度,同时满足通过离线定位的要求,将BLE设备布置间隔取为4m。
移动终端设备:一部Android智能手机,型号为三星i9300,配置是1.4GHz三星Exynos 4412cpu和1G RAM,手机的操作系统是android 4.4。这部手机用来测试用户实际离线定位操作。
BLE设备:富士康inFocus低功耗蓝牙
本实施例包括如下具体步骤:
步骤一、在所选定的区域中,合理布置定位所用的BLE蓝牙,记录它们的相对位置,建立合适的坐标系。然后,对每个蓝牙BLE在基准点r0(本次实例时为1m)处的RSSI值(约-95dB左右,每个BLE之间存在一定的差异)进行定标。
步骤二、RSSI值的采样间隔为1s,在所选定的区域内,测试人员在初始位置,经过一段时间的初始数据的积累,以常规步速沿着一定的轨迹出发移动,这样手机终端会不停地测量各个蓝牙BLE反馈来的RSSI值。
步骤三、预设进行滤波处理时存储在本地的RSSI数组容量为20(可进行人为调整),对步骤二测量得到的RSSI值进行梯度滤波处理,实时更新RSSI数组。
步骤三、将经过滤波比对后的RSSI值代入衰减公式,计算出当前位置对于每个BLE的相对距离,得到x=[x0,x1,x2,x3]
步骤四、利用梯度下降算法,将预估位置进行反复迭代,直到达到最优解或者迭代次数到达一定的上限。
步骤五、得出用户所在位置,并将结果返回值用户端。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (2)
1.一种基于梯度下降的离线定位方法,其特征在于,包括:
步骤一,获取已确定的AP接入点的相对位置;
步骤二,针对每一个AP接入点,用户持续测量自身所在位置处AP接入点的RSSI值,根据已测RSSI值序列得到各个时刻的RSSI预测值,将属于异常值的RSSI预测值筛除后更新已测RSSI值序列;
步骤三,将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量;
步骤四,根据距离向量得到定位位置;
所述步骤四包括:
根据已确定的AP接入点的相对位置,确定相对于AP接入点的相对直角坐标系,并随机取一点θ,θ=(θ1,θ2),则点θ与各个AP接入点的距离为:
其中,hθ(x(i))表示点θ与第i个AP接入点的距离,θ1表示相对直角坐标系中点θ的横坐标,θ2表示相对直角坐标系中点θ的纵坐标,x1 (i)表示相对直角坐标系中第i个AP接入点的横坐标,x2 (i)表示相对直角坐标系中第i个AP接入点的纵坐标;
持续改变当前点θ坐标(θ1,θ2),使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小,计算公式为:
其中,J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和,y(i)表示当前时刻测得的与第i个接入点之间的距离向量;m表示AP接入点的数量;
反复迭代以下公式,直到收敛或者迭代次数超过设定值后,将点θ作为定位位置:
迭代后的θj等于迭代前的θj减
其中,α为梯度下降的步长,θj表示相对直角坐标系中点θ的第j维坐标,表示相对直角坐标系中第i个AP接入点的第j维坐标。
2.根据权利要求1所述的基于梯度下降的离线定位方法,其特征在于,所述步骤三包括:
计算用户自身所在位置与第i个AP接入点的距离ri:
其中,RSSI0i表示在第i个AP接入点的基准距离r0处测得的基准RSSI值,RSSIi表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值;i=1,2,……,m;m表示AP接入点的数量;
得到距离向量r为r=[r0,r1,.....,rm]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510376.6A CN106125044B (zh) | 2016-06-30 | 2016-06-30 | 基于梯度下降的离线定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510376.6A CN106125044B (zh) | 2016-06-30 | 2016-06-30 | 基于梯度下降的离线定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106125044A CN106125044A (zh) | 2016-11-16 |
CN106125044B true CN106125044B (zh) | 2018-11-16 |
Family
ID=57469085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610510376.6A Active CN106125044B (zh) | 2016-06-30 | 2016-06-30 | 基于梯度下降的离线定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106125044B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535688B (zh) * | 2018-03-06 | 2019-12-06 | 西安大衡天成信息科技有限公司 | 一种基于无线电频谱监测大数据处理的辐射源定位方法 |
CN108966265A (zh) * | 2018-06-01 | 2018-12-07 | 北京万相融通科技股份有限公司 | 一种车站客流量预测和统计分析的方法及其系统 |
CN110430533A (zh) * | 2019-08-26 | 2019-11-08 | 浙江三维通信科技有限公司 | 移动终端定位方法、装置、系统、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102209216A (zh) * | 2010-03-31 | 2011-10-05 | 硅实验室公司 | 用于通过线缆、卫星和地面网络的电视信号广播的多标准数字解调器 |
CN102890263A (zh) * | 2012-09-18 | 2013-01-23 | 上海交通大学 | 基于rssi的共振梯度法自适应定位方法及系统 |
CN105043380A (zh) * | 2015-06-29 | 2015-11-11 | 武汉大学 | 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法 |
CN105636197A (zh) * | 2014-11-06 | 2016-06-01 | 株式会社理光 | 距离估计方法和装置、以及节点定位方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI402532B (zh) * | 2008-09-09 | 2013-07-21 | Architecture And Building Res Inst Ministry Of The Interior | RFID tag positioning and calculus method |
-
2016
- 2016-06-30 CN CN201610510376.6A patent/CN106125044B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102209216A (zh) * | 2010-03-31 | 2011-10-05 | 硅实验室公司 | 用于通过线缆、卫星和地面网络的电视信号广播的多标准数字解调器 |
CN102890263A (zh) * | 2012-09-18 | 2013-01-23 | 上海交通大学 | 基于rssi的共振梯度法自适应定位方法及系统 |
CN105636197A (zh) * | 2014-11-06 | 2016-06-01 | 株式会社理光 | 距离估计方法和装置、以及节点定位方法和设备 |
CN105043380A (zh) * | 2015-06-29 | 2015-11-11 | 武汉大学 | 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法 |
Non-Patent Citations (1)
Title |
---|
基于信号强度的WLAN室内定位跟踪系统研究;陈淼;《中国博士学位论文全文数据库 信息科技辑》;20130615(第06期);正文第25-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106125044A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105004340B (zh) | 结合惯性导航技术和指纹定位技术的定位误差修正方法 | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN109782227A (zh) | 一种基于蓝牙信号rssi的室内定位方法 | |
CN103905992B (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN108307301B (zh) | 基于rssi测距和轨迹相似性的室内定位方法 | |
CN106814367B (zh) | 一种超宽带定位节点的自主位置测量方法 | |
CN109141427B (zh) | 在非视距环境下基于距离和角度概率模型的ekf定位方法 | |
CN106125044B (zh) | 基于梯度下降的离线定位方法 | |
CN101352061A (zh) | 用于确定移动对象的所在地的方法和装置 | |
CN104066172B (zh) | 一种对无线局域网中的ap进行定位的方法 | |
CN103796163A (zh) | 一种接收信号强度排序指纹的室内定位方法 | |
CN108966121A (zh) | 一种适用于指纹定位算法的指纹库更新方法 | |
CN107861509A (zh) | 一种锚点坐标校正方法及用于提高机器人定位精度的方法 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
CN102340806A (zh) | 一种确定天线方向角的方法和设备 | |
CN103987118A (zh) | 基于接收信号强度信号ZCA白化的接入点k-means聚类方法 | |
CN104363649A (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
CN109451424A (zh) | 一种基于蓝牙的定位方法 | |
CN106686720A (zh) | 一种基于时间维度的无线指纹定位方法及其系统 | |
CN106211318A (zh) | 一种基于WiFi的路径损耗定位方法和系统 | |
CN110130168A (zh) | 一种铁路轨道控制网三角高程数据改正处理方法 | |
CN103200674B (zh) | 面向无人值守变电站的移动对象定位跟踪方法 | |
CN106971601A (zh) | 一种基于WiFi的智能泊车及找回的系统与方法 | |
CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
CN104101861B (zh) | 测距定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |