CN106125045A - 一种基于Wi‑Fi的自适应混合室内定位方法 - Google Patents

Abstract

本发明公开了一种基于Wi‑Fi的自适应混合室内定位方法，包括：采集室内中心区域少量样本点的位置坐标和对应的信号强度信息，以及室内边界区域大量样本点的位置坐标和对应的信号强度信息；采用三边定位算法计算测试点的三边定位坐标，采用位置指纹定位算法计算测试点的指纹定位坐标；将测试点与所有样本点之间的欧式距离进行排序并选出距离最小的前M组数据；根据M组数据中室内中心区域样本点数量确定三边定位坐标的权重系数，根据M组数据中边界区域的样本点数量确定指纹定位坐标的权重系数，最终得到测试点的最终定位坐标。该定位方法可以在减少室内中心区域采样数量的同时，保持较高的定位精度。

Description

一种基于Wi-Fi的自适应混合室内定位方法

技术领域

本发明涉及室内定位技术领域，具体涉及一种基于Wi-Fi的自适应混合室内定位方法。

背景技术

近年来，在互联网的迅速发展的浪潮下，以智能手机、平板电脑为代表的移动智能终端快速普及，给我们的生活带来了诸多便捷，人们对移动智能终端的依赖性也越来越高。现代都市里的人们日常工作生活大部分时间都是在室内，所以室内定位及基于室内定位而产生的应用服务倍受关注。无线网络、移动通信、终端数据处理等技术，结合基于位置服务(LocationBasedServices,LBS)及位置感知计算(LocationComputing)，具有广阔的应用市场。移动设备的基于位置服务支持多种应用场景，如室内导航、室内救援、智能调度、商业增值服务等，基于位置服务正在改变移动设备的传统使用模式，成为最具市场前景和发展潜力的移动互联网增值业务之一。

室外定位已经成熟，若将卫星定位应用于楼宇内等复杂环境，卫星信号会受到阻隔，造成定位精度明显下降。室内定位的发展，弥补了卫星定位在楼宇中精度不高的缺陷。Wi-Fi是基于IEEE802.11标准的一种无线局域网，它具有覆盖范围广阔、无需布线、高速率、低成本等技术优势。随着Wi-Fi技术应用的普及和Wi-Fi热点的广泛部署，使得Wi-Fi信号覆盖楼宇环境中的大多数角落。本发明所提出的工作旨在提供一种室内定位服务。

室内定位从1992年开始出现相关研究，国外已出现以上所述的诸多据有代表性的研究成果。2000年，Microsoft公司开发的RADAR定位系统，是基于RSSI技术的室内无线射频定位系统，该系统利用指纹识别技术进行定位，是位置指纹定位法的先驱。但该系统需要采集大量样本点数据，且一旦环境发生变化，则需要重采样。

目前，基于Wi-Fi的室内定位方法较多使用三边定位算法和位置指纹定位算法，两种方法各有优劣。三边定位算法是已知三个非共线AP(无线访问接入点WirelessAccessPoint)的位置坐标，利用测试点与AP间的信号强度和已知测距模型来估计测试点与AP之间的距离，以距离为半径画出圆，三个圆的重叠部分即测试点的位置。三边定位算法在室内空旷区域内定位精确，其缺点是在遮挡物多的情况下，信号受多径效应影响较大，信号强度测距不准确，会对定位精确度造成影响。位置指纹定位算法分为离线阶段和在线阶段。离线阶段，采集样本点坐标和对应信号强度信息。在线阶段，将测量到的测试点的信号强度样本点进行比较，运用匹配算法计算出测试点的位置坐标。位置指纹定位算法优势为定位精度高，能达到1至5米，定位精确度随样本密度增大而增加。其劣势在于离线阶段需收集大量采样点数据，耗费量大时间和人力。因此，融合三边定位算法和位置指纹定位算法的优势，在收集较少位置指纹数据的情况下保持较高的定位精度，是室内定位算法中值得考虑的。

发明内容

本发明的目的在于提供一种可以利用较少样本点数据并同时保持较高定位精度的一种基于Wi-Fi的自适应混合室内定位方法。技术方案如下：

一种基于Wi-Fi的自适应混合室内定位方法，包括：

1)采集室内所有AP的位置坐标；

2)确定测距模型，用于将接收点对应AP的RSSI值转换为其到相应AP的距离；

3)将室内区域划分为室内中心区域和室内边界区域，在各区域内规划样本点的位置，并采集各样本点的位置坐标、区域标志及RSSI值，建立样本点指纹数据库；

4)获取测试点对应于各AP的实时RSSI值，构成测试点信号强度集合set_S：

set_S＝[S₁ S₂ S₃ … S_m]

其中，m表示AP编号，S_m表示测试点对应编号为m的AP的信号强度；

5)根据测试点信号强度集合set_S选取信号强度最强的三个AP，根据测距模型将对应的三个RSSI值转换成距离，并读取上述三个AP的位置坐标，利用三边定位算法计算测试点的三边定位坐标(x₁,y₁)；

6)从样本点指纹数据库中读取各样本点的RSSI值，构成样本点信号强度集合set_R：

其中，n表示样本点编号；R_nm表示编号为n的样本点对应编号为m的AP的信号强度；

7)根据测试点信号强度集合set_S和样本点信号强度集合set_R，计算测试点与每个样本点信号强度间的欧氏距离，构成欧氏距离集合set_D：

set_D＝[D₁ D₂ D₃ … D_n]；

8)将集合set_D中的欧氏距离按从小到大进行排序，选出前K组数据，从样本点指纹数据库中读取该K组数据对应的K个样本点的位置坐标，利用位置指纹算法计算测试点的指纹定位坐标(x₂,y₂)；

9)将集合set_D中的欧氏距离按从小到大进行排序，选出前M组数据，从样本点指纹数据库中读取该M组数据对应的M个样本点的区域标志，计算区域标志为室内中心区域的样本点的数量p，以及区域标志为室内边界区域的样本点的数量q，则三边定位坐标和指纹定位坐标的权重系数分别为：

$W_1=\frac{p}{M},W_2=\frac{q}{M}$

则测试点的最终定位坐标为：(x,y)＝(W₁x₁+W₂x₂,W₁y₁+W₂y₂)。

进一步的，所述室内中心区域样本点的间距为4-6米，室内边界区域样本点的间距为2-3米。

更进一步的，所述利用三边定位算法计算测试点三边定位坐标(x₁,y₁)的方法如下：

a)分别以A、B、C为圆心，以R_A、R_B、R_C为半径画圆，其中，A、B、C分别为所述信号强度最强的三个AP的位置坐标A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，R_A、R_B、R_C分别为由所述对应三个RSSI值转换的距离；

b)根据每两个圆间的位置关系确定定位三角形的顶点坐标D(x_D,y_D)，E(x_E,y_E)，F(x_F,y_F)；

c)则测试点的三边定位坐标(x₁,y₁)为：

$(x_1,y_1)=(\frac{x_D+x_E+x_F}{3},\frac{y_D+y_E+y_F}{3}).$

更进一步的，所述确定定位三角形的顶点的方法为：

当两圆相交时，取距离第三个圆最近的交点作为定位三角形的顶点；

当两圆相切时，取两圆切点为定位三角形的顶点；

当两圆相离时，取两圆心连线的中点作为定位三角形的顶点。

更进一步的，所述测试点与样本点信号强度间的欧氏距离为：

$D_n=\sqrt{\underset{i=1}{\overset{m}{\Σ}}{(S_i-R_{ni})}^2}.$

更进一步的，所述利用位置指纹算法计算测试点的指纹定位坐标(x₂,y₂)的方法包括：

计算K个样本点各自的权重系数v_i：

$v_i=\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}};$

则测试点的指纹定位坐标(x₂,y₂)为：

$(x_2,y_2)=\underset{i=1}{\overset{K}{\Σ}}\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}}(x_i,y_i)$

其中，(x_i,y_i)为样本点的位置坐标。

本发明的有益效果是：

(1)本发明充分利用三边定位算法在室内中心区域定位精确的优势，室内中心区域采集少量样本点的位置指纹数据，在室内边界区域采集大量集样本点的位置指纹数据，大大减少了在室内中心区域的采样数量，弥补了位置指纹算法离线阶段需要大量采样的缺陷。

(2)本发明融合三边定位算法和位置指纹定位算法的计算结果，引入权重系数表示两种算法计算得出的结果对于测试点实际坐标的影响力，融合两种算法的结果进行位置坐标计算，有较高的定位精度。

附图说明

图1为本发明样本点位置规划示意图。

图2为本发明三边定位算法示意图。

图3-1为三边定位算法中三圆两两相交时定位三角形顶点确定方法示意图。

图3-2为三边定位算法中三圆两两相离时定位三角形顶点确定方法示意图。

图3-3为三边定位算法中三圆两两相切时定位三角形顶点确定方法示意图。

图3-4为三边定位算法中两圆相交并同时与第三圆相切时定位三角形顶点确定方法示意图。

图3-5为三边定位算法中两圆相交并同时与第三圆相离时定位三角形顶点确定方法示意图。

图3-6为三边定位算法中两圆相切并同时与第三圆相交时定位三角形顶点确定方法示意图。

图3-7为三边定位算法中两圆相切并同时与第三圆相离时定位三角形顶点确定方法示意图。

图3-8为三边定位算法中两圆相离并同时与第三圆相交时定位三角形顶点确定方法示意图。

图3-9为三边定位算法中两圆相离并同时与第三圆相切时定位三角形顶点确定方法示意图。

图3-10为三边定位算法中两圆相离，两圆相交，两圆相切时定位三角形顶点确定方法示意图。

图4为本发明位置指纹定位算法的示意图。

图5为本发明自适应混合室内定位方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。一种基于Wi-Fi的自适应混合室内定位方法，具体步骤如下：

1)采集室内所有AP的位置坐标。其中，室内AP的部署要保证每个区域至少收到三个AP的信号。

2)确定测距模型，用于将接收点对应AP的RSSI值转换为其到相应AP的距离。

首先在室内中心区域测量接收点对应各AP的RSSI(ReceivedSignalStrengthIndication接收信号强度指示)值，以及接收点到各AP的距离，分析对应的RSSI值与距离的关系，选取相应的测距模型，并确定试验环境中环境对信号传播的影响因子。该测距模型用于将接收点对应AP的RSSI值转换为其到相应AP的距离。

3)将室内区域划分为室内中心区域和室内边界区域，在各区域内规划样本点的位置，并采集各样本点的位置坐标、区域标志及RSSI值，建立样本点指纹数据库。

将室内遮挡物较少的区域划分为室内中心区域，其余遮挡物较多的区域划分为室内边界区域，如图1所示，为了减少样本点的布局及样本点数据的采集，样本点均匀分布且避免过于集中。室内边界区域选取较多数量的样本点，样本点的间距可为2-3米。室内中心区域选取少量的样本点，样本点的间距可为4-6米。

样本点位置指纹的特征参数包含：区域标志、样本点编号、位置坐标、对应于各AP的信号强度RSSI值。所述位置指纹构成的集合如下：

其中：m表示AP编号，n表示样本点编号；x_n,y_n表示样本点的位置坐标；R_nm表示编号为n的样本点对应编号为m的AP的信号强度。F为区域标志，表明样本点落在中心区域或边界区域；

4)获取测试点对应于各AP的实时RSSI值，构成测试点信号强度集合set_S：

set_S＝[S₁ S₂ S₃ … S_m]

其中，S_m表示测试点对应编号为m的AP的信号强度。

5)根据测试点信号强度集合set_S选取信号强度最强的三个AP，根据测距模型将对应的三个RSSI值转换成距离，并读取上述三个AP的位置坐标，利用三边定位算法计算测试点的三边定位坐标(x₁,y₁)。

如图2所示，A,B,C三点分别代表信号强度最强的三个AP的位置，其坐标分别为A(x_A,y_A)，B(x_B,y_B)，C(x_C,y_C)，R_A、R_B、R_C分别为由对应三个RSSI值转换的距离，即测试点分别到各AP的距离。

分别以A、B、C为圆心，以R_A、R_B、R_C为半径画圆，根据三个圆中每两个圆间的位置关系确定定位三角形DEF的顶点坐标D(x_D,y_D)，E(x_E,y_E)，F(x_F,y_F)。

把三个圆的方程两两联立：

$\left\{\begin{array}{c}{(x-x_A)}^2+{(y-y_A)}^2={R_A}^2\\ {(x-x_B)}^2+{(y-y_B)}^2={R_B}^2\end{array}\right.$

$\left\{\begin{array}{c}{(x-x_A)}^2+{(y-y_A)}^2={R_A}^2\\ {(x-x_C)}^2+{(y-y_C)}^2={R_C}^2\end{array}\right.$

$\left\{\begin{array}{c}{(x-x_B)}^2+{(y-y_B)}^2={R_B}^2\\ {(x-x_C)}^2+{(y-y_C)}^2={R_C}^2\end{array}\right.$

然后判断各方程组是否有解：若方程组有两个解，说明两圆相交；若方程组有一个解，说明两圆相切；若方程组有无解，说明两圆相离。当两圆相交时，取距离第三个圆最近的交点作为定位三角形的顶点；当两圆相切时，取两圆切点为定位三角形的顶点；当两圆相离时，取两圆心连线的中点作为定位三角形的顶点。

三个圆的位置关系可能出现的10种情况及定位三角形顶点的选取方法如图3-1到图3-10所示。

则测试点的三边定位坐标(x₁,y₁)为：

$(x_1,y_1)=(\frac{x_D+x_E+x_F}{3},\frac{y_D+y_E+y_F}{3}).$

6)从样本点指纹数据库中读取各样本点的RSSI值，构成样本点信号强度集合set_R：

7)根据测试点信号强度集合set_S和样本点信号强度集合set_R，计算测试点与各样本点信号强度间的欧氏距离。釆用欧氏距离来衡量信号强度的近似性，记为D，所述测试点与样本点信号强度间的欧氏距离为：

$D_n=\sqrt{\underset{i=1}{\overset{m}{\Σ}}{(S_i-R_{ni})}^2}$

将上述计算结果构成欧氏距离集合set_D：

set_D＝[D₁ D₂ D₃ … D_n]。

8)将集合set_D中的欧氏距离按从小到大进行排序，选出前K组数据，从样本点指纹数据库中读取该K组数据对应的K个样本点的位置坐标，利用位置指纹算法计算测试点的指纹定位坐标(x₂,y₂)。

权重系数与欧氏距离的倒数相关，权重系数v_i与欧氏距离D_i成反比。欧氏距离数值越小，信号强度越近似，其权重系数就越大，即该算法的计算结果对待测点位置的决定权就越大。K个样本点各自的权重系数v_i为：

$v_i=\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}}$

则测试点的指纹定位坐标(x₂,y₂)为：

$(x_2,y_2)=\underset{i=1}{\overset{K}{\Σ}}\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}}(x_i,y_i)$

其中，(x_i,y_i)为上述K个样本点中第i个样本点的位置坐标。

9)将集合set_D中的欧氏距离按从小到大进行排序，选出前M组数据，从样本点指纹数据库中读取该M组数据对应的M个样本点的区域标志。若区域标志为01则表示该点为室内中心区域的样本点，若区域标志为02则表示该点为室内边界区域的样本点。计算区域标志为01的样本点的数量p，以及区域标志为02的样本点的数量q，且p+q＝M。则三边定位坐标和指纹定位坐标的权重系数分别为：

$W_1=\frac{p}{M},W_2=\frac{q}{M}$

权重系数表示两种算法计算得出的结果对于测试点实际坐标的影响力，则测试点的最终定位坐标为：(x,y)＝(W₁x₁+W₂x₂,W₁y₁+W₂y₂)。

其中，(x₁,y₁)为三边定位算法计算出的三边定位坐标，(x₂,y₂)为位置指纹算法计算出的指纹定位坐标。

本发明融合了三边定位算法和位置指纹定位算法，利用三边定位算法在室内中心区域定位精确的优势，大大减少室内中心区域采集Wi-Fi位置指纹数据的数量，弥补了位置指纹算法离线阶段需要大量采样的缺陷；同时引入权重系数表示三边定位算法和位置指纹定位算法的计算结果对于测试点实际坐标的影响力，融合两种算法的结果进行位置坐标计算，有较高的定位精度。

Claims (6)

1.一种基于Wi-Fi的自适应混合室内定位方法，其特征在于，包括：

1)采集室内所有AP的位置坐标；

2)确定测距模型，用于将接收点对应AP的RSSI值转换为其到相应AP的距离；

3)将室内区域划分为室内中心区域和室内边界区域，在各区域内规划样本点的位置，并采集各样本点的位置坐标、区域标志及RSSI值，建立样本点指纹数据库；

4)获取测试点对应于各AP的实时RSSI值，构成测试点信号强度集合set_S：

set_S＝[S₁ S₂ S₃ … S_m]

其中，m表示AP编号，S_m表示测试点对应编号为m的AP的信号强度；

5)根据测试点信号强度集合set_S选取信号强度最强的三个AP，根据测距模型将对应的三个RSSI值转换成距离，并读取上述三个AP的位置坐标，利用三边定位算法计算测试点的三边定位坐标(x₁,y₁)；

6)从样本点指纹数据库中读取各样本点的RSSI值，构成样本点信号强度集合set_R：

其中，n表示样本点编号；R_nm表示编号为n的样本点对应编号为m的AP的信号强度；

7)根据测试点信号强度集合set_S和样本点信号强度集合set_R，计算测试点与每个样本点信号强度间的欧氏距离，构成欧氏距离集合set_D：

set_D＝[D₁ D₂ D₃ … D_n]；

8)将集合set_D中的欧氏距离按从小到大进行排序，选出前K组数据，从样本点指纹数据库中读取该K组数据对应的K个样本点的位置坐标，利用位置指纹算法计算测试点的指纹定位坐标(x₂,y₂)；

9)将集合set_D中的欧氏距离按从小到大进行排序，选出前M组数据，从样本点指纹数据库中读取该M组数据对应的M个样本点的区域标志，计算区域标志为室内中心区域的样本点的数量p，以及区域标志为室内边界区域的样本点的数量q，则三边定位坐标和指纹定位坐标的权重系数分别为：

$W_1=\frac{p}{M},W_2=\frac{q}{M}$

则测试点的最终定位坐标为：(x,y)＝(W₁x₁+W₂x₂,W₁y₁+W₂y₂)。

2.根据权利要求1所述的基于Wi-Fi的自适应混合室内定位方法，其特征在于，所述室内中心区域样本点的间距为4-6米，室内边界区域样本点的间距为2-3米。

3.根据权利要求1所述的基于Wi-Fi的自适应混合室内定位方法，其特征在于，所述利用三边定位算法计算测试点三边定位坐标(x₁,y₁)的方法如下：

a)分别以A、B、C为圆心，以R_A、R_B、R_C为半径画圆，其中，A、B、C分别为所述信号强度最强的三个AP的位置坐标A(x_A,y_A)、B(x_B,y_B)、C(x_C,y_C)，R_A、R_B、R_C分别为由所述对应三个RSSI值转换的距离；

b)根据每两个圆间的位置关系确定定位三角形的顶点坐标D(x_D,y_D)，E(x_E,y_E)，F(x_F,y_F)；

c)则测试点的三边定位坐标(x₁,y₁)为：

$(x_1,y_1)=(\frac{x_D+x_E+x_F}{3},\frac{y_D+y_E+y_F}{3}).$

4.根据权利要求3所述的基于Wi-Fi的自适应混合室内定位方法，所述确定定位三角形的顶点的方法为：

当两圆相交时，取距离第三个圆最近的交点作为定位三角形的顶点；

当两圆相切时，取两圆切点为定位三角形的顶点；

当两圆相离时，取两圆心连线的中点作为定位三角形的顶点。

5.根据权利要求1所述的基于Wi-Fi的自适应混合室内定位方法，其特征在于，所述测试点与样本点信号强度间的欧氏距离为：

$D_n=\sqrt{\underset{i=1}{\overset{m}{\Σ}}{(S_i-R_{ni})}^2}.$

6.根据权利要求1所述的基于Wi-Fi的自适应混合室内定位方法，其特征在于，所述利用位置指纹算法计算测试点的指纹定位坐标(x₂,y₂)的方法包括：

计算K个样本点各自的权重系数v_i：

$v_i=\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}};$

则测试点的指纹定位坐标(x₂,y₂)为：

$(x_2,y_2)=\underset{i=1}{\overset{K}{\Σ}}\frac{\frac{1}{D_i}}{\underset{j=1}{\overset{K}{\Σ}}\frac{1}{D_j}}(x_i,y_i)$

其中，(x_i,y_i)为样本点的位置坐标。