CN106304334A - 基于改进粒子滤波的WiFi/WSN混合定位方法 - Google Patents

Abstract

本发明提供了一种基于改进粒子滤波的WiFiWSN混合定位方法，其包括以下步骤：(1)采集无线信号，初始化，根据目标状态先验分布随机采样建立粒子集；(2)粒子迁移，根据状态迁移模型得到新的粒子集；(3)计算粒子权重；(4)估计目标状态；(5)粒子筛选；(6)重采样。本发明的方法定位精度高、可靠性强。

Description

基于改进粒子滤波的WiFi/WSN混合定位方法

技术领域

本发明涉及无线传感定位技术，具体涉及一种基于改进粒子滤波的WiFi/WSN混合定位方法。

背景技术

在信息时代、大数据时代，位置信息帮助我们从多个角度认识事物。BDS(BeiDouNavigation Satellite System，北斗卫星导航系统)/GPS(Global Positioning System，全球定位系统)接收机或者手机提供或记录了我们生活中大部分位置信息，这些信息或者来自卫星定位系统，或者来自移动通信网络，亦或来自WiFi(Wireless Fidelity，无线保真技术)网络。但是人们的社会活动更多集中在室内等信号遮蔽区域，卫星导航定位受到极大的限制、而基于网络的AGPS(Assisted Global Positioning System，辅助全球定位系统)定位精度不够高，这给许多依赖高精度位置的服务与应用带来了不便。

以WiFi为代表的无线电室内外导航定位技术受到青睐，并且得到了商业化的发展，比如Skyhook作为室外无线电定位服务商，拥有北美、欧洲等地移动通信基站、WiFi接入点数据库，会根据用户请求提供定位服务。而因为只涉及提供技术方案和设备，所以基于无线电的室内定位服务商更加数不胜数，比如Ekahau、PinPoint、Zebra等。总的来说，其中采用的定位方法可以分为两大类：位置指纹匹配(Location fingerprinting)和测边交会(Intersection)。两类方法各有优缺点，位置指纹匹配需要建立和维护庞大的数据库，而测边交会虽然需要维护的数据库较小，但是测距易受环境影响而导致定位精度不佳。混合定位结合单一技术和方法的优点，能够提供更高精度、更可靠的定位信息。

“基于UWB和DGPS的混合定位方法研究”一文基于粒子滤波模型提出了结合UWB(Ultra Wide Band，超宽带)室内定位和DGPS(Differential Global PositioningSystem，差分全球定位系统)室外定位的室内外混合定位方法。针对只有一种观测量和两种观测量的情况进行讨论，分别对UWB观测量、DGPS观测量以及两种集成观测量建模。

“基于多运营商基站信号和Wi-Fi信号的混合定位技术探讨”一文利用采集的CDMA2000(Code Division Multiple Access 2000，码分多址2000移动通信标准)、GSM(Global System for Mobile communication，全球移动通信系统)、WCDMA(Wideband CodeDivision Multiple Access，宽带码分多址移动通信标准)和Wi-Fi多模信号位置指纹实现混合定位。同等对待多模信号建立位置指纹，增加了定位可用性和可靠性。但是该技术没有根据信号的特点采取不同的处理方式，没有充分发挥多种信号混合的优势。

发明内容

本发明的目的在于现有技术中存在的问题，克服其缺点和不足，提供一种信号相对稳定、定位精度高、可靠性强的室内定位方法。

为了实现以上目的，本发明提供了一种基于改进粒子滤波的WiFi/WSN混合定位方法，其包括以下步骤：

(1)采集无线信号，初始化，根据目标状态先验分布随机采样建立粒子集其中，N_s表示粒子的数量，以及相应的正则化权重

(2)粒子迁移，根据状态迁移模型X_k＝f_k-1(X_k-1)+ω_k-1，其中，ω_k表示模型噪声，得到新的粒子集；

(3)计算粒子权重，在计算粒子权重时利用k时刻的观测向量Z_k与WiFi位置指纹库中观测值向量之间欧式距离的倒数近似地表达即

$w_k^i=\sqrt{\underset{j=1}{\overset{N}{\Σ}}{({\mathrm{RSS}}_j-{\mathrm{RSS}}_j^0)}^2},$

其中，N为观测向量的维度，RSS_j为WiFi观测向量信号强度值，而是WiFi位置指纹信号强度值；

(4)估计目标状态，可以不断地利用粒子群及相应权重估算，其计算式如下：

${\hat{X}}_k=\underset{i=1}{\overset{N_S}{\Σ}}{X}_k^i{w}_k^i;$

(5)粒子筛选，利用抗干扰性更好的WSN信号辅助粒子筛选，确定以WSN信号源为中心、R为半径的高概率粒子分布区，然后通过欧式距离选取处于分布区内的粒子位置分布Ψ_k，

$D_i=\sqrt{{({\mathrm{Loc}}_x^i-{\mathrm{Loc}}_x^0)}^2+{({\mathrm{Loc}}_y^i-{\mathrm{Loc}}_y^0)}^2},{\mathrm{\&Gamma;}}_D=\{D_i<R\},i=1,\mathrm{...},N_s$

${\mathrm{\&Psi;}}_k=\{{\mathrm{Loc}}_j=({\mathrm{Loc}}_x^j,{\mathrm{Loc}}_y^j):D_j\&Element;{\mathrm{\&Gamma;}}_D,j=1,\mathrm{...},N_k\}$

其中N_k为分布区内粒子数目；

(6)重采样：根据p(x_k|z_1:k)近似离散形式采样N_s次得到新的粒子集并且将权重全部重置为1/N_s，转到所述步骤(2)。

优选地，所述步骤(5)中，R默认为2米，可根据实际定位精度需求设定。

本发明的方法的关键在于：WSN(Wireless Sensor Network，无线传感器网)辅助基于WiFi位置指纹的粒子滤波重采样过程。

WiFi(以IEEE 802.11b为例)和WSN(以IEEE 802.15.4Zigbee为例)由于各自电磁波特性具有互补性。具体表现为WiFi的广泛覆盖和WSN的相对稳定能够使混合定位的精度和可靠性增加。本发明以WiFi为主信号进行粒子滤波、WSN为增强信号，在粒子滤波模型粒子重采样过程中融合二者，从而提升室内定位的精度。特别是，本发明在粒子重采样时首先根据WSN信号源筛选设定半径R范围内的粒子，形成粒子集，然后再从此粒子集中去除权重较小的粒子，保留权重较大的粒子。最后根据p(x_k|z_1:k)近似离散形式采样N_s次得到新的粒子集并且将权重全部重置为1/N_s，进入迭代滤波过程，由此实现精确定位。

重采样的过程有效地减小了粒子退化对于滤波效果的影响。

WiFi(以IEEE 802.11b为例)和WSN(以IEEE 802.15.4Zigbee为例)由于各自电磁波特性具有互补性。具体表现为WiFi的广泛覆盖和WSN的相对稳定能够使混合定位的精度和可靠性增加。由于工作频段都处于接近饱和的2.4GHz附近，这两种信号很容易受到同频段信号如蓝牙、无线USB的干扰；并且2.4GHz也是水的共振频率，所以也容易受到人体的干扰。然而Wi-Fi单个信道带宽较宽(IEEE 802.11b信道带宽为22MHz)，而2.4GHz Zigbee(基于IEEE802.15.4标准的低功耗个域网协议，根据这个协议规定的技术是一种短距离、低功耗的无线通信技术。)单个信道带宽只有2MHz，因此Wi-Fi受到干扰的几率大得多，其信号传输质量也趋于不稳定。

本发明以WiFi为主信号、WSN为增强信号，在粒子滤波模型中融合二者，从而提升室内定位的精度和可靠性。实践结果证明，与现有的室内定位技术相比，本发明的定位精度更高、可靠性更强。

附图说明

图1是根据本发明的基于粒子滤波的WiFi/WSN混合定位方法的流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本发明的基于改进粒子滤波的WiFi/WSN混合定位方法包括以下步骤：

(1)采集无线信号，初始化，根据目标状态先验分布随机采样建立粒子集其中，N_s表示粒子的数量，以及相应的正则化权重

(2)粒子迁移，根据状态迁移模型X_k＝f_k-1(X_k-1)+ω_k-1，其中，ω_k表示模型噪声，得到新的粒子集；

(3)计算粒子权重，在计算粒子权重时利用k时刻的观测向量Z_k与WiFi位置指纹库中观测值向量之间欧式距离的倒数近似地表达即

$w_k^i=\sqrt{\underset{j=1}{\overset{N}{\&Sigma;}}{({\mathrm{RSS}}_j-{\mathrm{RSS}}_j^0)}^2}$

其中，N为观测向量的维度，RSS_j为WiFi观测向量信号强度值，而是WiFi位置指纹信号强度值；

(4)估计目标状态，可以不断地利用粒子群及相应权重估算，其计算式如下：

${\hat{X}}_k=\underset{i=1}{\overset{N_S}{\&Sigma;}}{X}_k^i{w}_k^i$

(5)粒子筛选，利用抗干扰性更好的WSN信号辅助粒子筛选，确定以WSN信号源为中心、R为半径的高概率粒子分布区，然后通过欧式距离选取处于分布区内的粒子位置分布Ψ_k，R默认为2米，可根据实际定位精度需求设定。

$D_i=\sqrt{{({\mathrm{Loc}}_x^i-{\mathrm{Loc}}_x^0)}^2+{({\mathrm{Loc}}_y^i-{\mathrm{Loc}}_y^0)}^2},{\mathrm{\&Gamma;}}_D=\{D_i<R\},i=1,\mathrm{...},N_s$

${\mathrm{\&Psi;}}_k=\{{\mathrm{Loc}}_j=({\mathrm{Loc}}_x^j,{\mathrm{Loc}}_y^j):D_j\&Element;{\mathrm{\&Gamma;}}_D,j=1,\mathrm{...},N_k\}$

其中N_k为分布区内粒子数目；

(6)重采样：根据p(x_k|z_1:k)近似离散形式采样N_s次得到新的粒子集并且将权重全部重置为1/N_s，转到所述步骤(2)。

本发明的方法以WiFi为主信号进行粒子滤波、WSN为增强信号，在粒子滤波模型粒子重采样过程中融合二者，从而提升室内定位的精度。具体地，本发明在粒子重采样时首先筛选WSN信号源设定半径R范围内的粒子，形成粒子集，然后再从此粒子集中去除权重较小的粒子，保留权重较大的粒子。最后根据p(x_k|z_1:k)近似离散形式采样N_s次得到新的粒子集并且将权重全部重置为1/N_s，进入迭代滤波过程，由此实现精确定位。重采样的过程有效地减小了粒子退化对于滤波效果的影响。

本发明以WiFi为主信号、WSN为增强信号，在粒子滤波模型中融合二者，从而提升室内定位的精度和可靠性。经实践结果表明，使用本发明的方法进行室内无线定位，定位精度更高、可靠性更强。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何在未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均因为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种基于改进粒子滤波的WiFi/WSN混合定位方法，包括以下步骤：

(1)采集无线信号，初始化，根据目标状态先验分布随机采样建立粒子集其中，N_s表示粒子的数量，以及相应的正则化权重

(2)粒子迁移，根据状态迁移模型X_k＝f_k-1(X_k-1)+ω_k-1，其中，ω_k表示模型噪声，得到新的粒子集；

(3)计算粒子权重，在计算粒子权重时利用k时刻的观测向量Z_k与WiFi位置指纹库中观测值向量之间欧式距离的倒数近似地表达即

$w_k^i=\sqrt{\underset{j=1}{\overset{N}{\&Sigma;}}{({\mathrm{RSS}}_j-{\mathrm{RSS}}_j^0)}^2},$

其中，N为观测向量的维度，RSS_j为WiFi观测向量信号强度值，而是WiFi位置指纹信号强度值；

(4)估计目标状态，可以不断地利用粒子群及相应权重估算，其计算式如下：

${\hat{X}}_k=\underset{i=1}{\overset{N_S}{\&Sigma;}}{X}_k^i{w}_k^i;$

(5)粒子筛选，利用抗干扰性更好的WSN信号辅助粒子筛选，确定以WSN信号源为中心、R为半径的高概率粒子分布区，然后通过欧式距离选取处于分布区内的粒子位置分布Ψ_k，

$D_i=\sqrt{{({\mathrm{Loc}}_x^i-{\mathrm{Loc}}_x^0)}^2+{({\mathrm{Loc}}_y^i-{\mathrm{Loc}}_y^0)}^2},{\mathrm{\&Gamma;}}_D=\{D_i<R\},i=1,\mathrm{...},N_s$

${\mathrm{\&Psi;}}_k=\{{\mathrm{Loc}}_j=({\mathrm{Loc}}_x^j,{\mathrm{Loc}}_y^j):D_j\&Element;{\mathrm{\&Gamma;}}_D,j=1,...,N_k\}$

其中N_k为分布区内粒子数目；

(6)重采样：根据p(x_k|z_1:k)近似离散形式采样N_s次得到新的粒子集并且将权重全部重置为1/N_s，转到所述步骤(2)。

2.根据权利要求1所述的方法，其特征在于，所述步骤(5)中，R默认为2米，可根据实际定位精度需求设定。