CN106412839A - 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 - Google Patents
基于二级分区与指纹梯度匹配的室内定位与跟踪方法 Download PDFInfo
- Publication number
- CN106412839A CN106412839A CN201610819921.XA CN201610819921A CN106412839A CN 106412839 A CN106412839 A CN 106412839A CN 201610819921 A CN201610819921 A CN 201610819921A CN 106412839 A CN106412839 A CN 106412839A
- Authority
- CN
- China
- Prior art keywords
- partition
- fingerprint
- positioning
- reference point
- gradient
- 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.)
- Granted
Links
- 238000005192 partition Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000033001 locomotion Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000737 periodic effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 57
- 239000002245 particle Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000005021 gait Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G01S5/0252—Radio frequency fingerprinting
-
- 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
- G01S5/0278—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 involving statistical or probabilistic considerations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了基于二级分区与指纹梯度匹配的室内定位与跟踪方法，主要步骤为获取底层特征指纹库，获取一级分区词典；得到梯度指纹图谱，根据训练参考点的特征指纹得到多级分区分类器，预测得到测试所属分区；定位步骤，利用多级分区分类器获取所属分区，预测待定位点的位置坐标；最后是跟踪步骤，对各种运动模式进行跟踪定位，利用室内运动测距算法和前一步参考位置坐标，预测当前位置坐标和运动轨迹，完成指纹定位的周期性位置联合跟踪定位。本发明生成的梯度指纹图谱能够处理随时间变化的影响和异构设备的RSS测量的多样性，大大降低了指纹图定期维护的开销，梯度指纹图谱不仅能够保证高精度指纹定位，而且还压缩移动终端数据库并提高了性能。
Description
技术领域
本发明属于室内定位领域，具体涉及基于二级分区与指纹梯度匹配的室内定位与跟踪方法。
背景技术
近年来，由于移动互联网的发展和基于位置服务(LBS，Location-Based Service)需求的日益增加,室内定位已经在学术界和工业界备受关注，室内位置跟踪和定位渐渐成为了室内环境位置感知领域的研究热点之一。
室内定位技术主要包括基于Wi-Fi、红外线、射频识别(RFID)、超声波、基于ZigBee(IEEE 802.15.4标准的低功耗局域网协议)、蓝牙、室内麦克风阵列、基于运动传感器的惯性跟踪等技术。其中，Wi-Fi是基于IEEE 802.11标准的一种无线局域网，它具有高带宽、高速率、高覆盖率的特点，在中短距离的应用范围内具有无可比拟的优势。如今无线局域网络的广泛部署和智能手机的迅速普及，作为室内定位研究的一个分支，基于信号接收强度的Wi-Fi的室内定位技术凭借其使用范围广、低成本、便携性等优势成为了室内环境位置感知领域的研究热点。Wi-Fi热点的遍布性，使得Wi-Fi定位技术的应用节约了大量成本。考虑到成本及实施复杂度问题，Wi-Fi定位跟踪技术具有较大优势，其中信号传输耗损法和位置指纹定位法是基于RSS(Received Signal Strength,接收信号强度)测量的两个主要Wi-Fi定位方法。信号传输损耗法进行定位的条件是建立精确的信号传播模型，指纹定位算法则是建立信号强度与位置关系的数据库，后者在室内环境下更容易实现，定位精度也更高。现有的技术方案中，如专利名为“一种基于区域分割和曲面拟合的室内定位方法”(申请号为201310180007.1)，该方法在离线阶段，将整个室内环境分成若干分区和每个分区创建指纹库。然后将曲线拟合技术为各分区的每个AP发出信号强度构建一个过滤的RSS-distance关系函数。在线定位阶段由2个步骤组成。在第一步，该方法确定了移动设备属于哪个分区。第二步，该方法提出了两个位置搜索算法，即穷举搜索和梯度下降搜索，在选定的分区去确定距离误差的总和可以最小化的定位。该定位方法提高了定位精度，利用空间分区方法，大大减少定位过程中的运算量。
在室内位置识别领域，现在的最流行的方法是基于信号接收强度的Wi-Fi指纹位置定位方法，该方法通过Wi-Fi接收信号强度(RSS)的和一个预先确定的特定位置的指纹图。然而，由于时变性的无线信号强度，人体的遮挡，采集和测试设备的异质性等影响，导致位置点之间的建模变得困难，RSS指纹地图需要定期进行校准，提高劳动和时间成本。目前的室内位置识别算法仍集中于构建RSS(Received Signal Strength,接收信号强度)与距离的线性关系或者直接对参考点采样建立对应指纹库并用于定位，造成较大定位精度误差和鲁棒性，庞大的指纹数据库导致指纹位置定位效率低下，复杂的Wi-Fi环境使室内定位抗干扰性受到巨大挑战。
发明内容
本发明要解决的技术问题是解决在室内的定位跟踪过程中，由于室内定位受到非视距、反射、多径效应干扰等因素造成固定参考点接收信号强度值的抖动导致定位精度低，指纹数据量大导致的定位速度慢，预处理复杂，局部极端室内环境的定位，后期维护成本高等问题。
为解决上述问题，本发明提出通过多级分区和多进制指纹图谱梯度匹配方法，对复杂指纹数据快速提取特征指纹，多级分区、多进制梯度化处理，提高定位精度和匹配效率。具体的技术方案如下：基于二级分区与指纹梯度匹配的室内定位与跟踪方法，包括如下步骤：
步骤1：获取底层特征指纹库，此指纹库主要是用来获得参考点的特征指纹，包含采集和处理参考点数据，获取一级分区词典，划分AP聚类二级分区和提取二级分区中心标识索引，对人工标记训练参考点属性，聚类过程；
步骤2：得到梯度指纹图谱，所述的梯度图谱主要是获得基于AP聚类二级分区中心的标识索引的各参考点特征指纹的多进制梯度特征指纹向量，包含获取多级分区内各个参考点的多进制梯度特征向量，根据训练参考点的特征指纹得到多级分区分类器，预测得到测试所属分区；
步骤3：定位步骤，采集待定位点的指纹进行位置预测，包含得到所有分区内参考点的多进制梯度特征向量的梯度指纹图谱，利用多级分区分类器获取所属分区，获取该AP聚类二级分区中心的标识索引的标识索引，通过多进制梯度KNN匹配算法，预测待定位点的位置坐标；
步骤4：跟踪步骤，对各种运动模式进行跟踪定位，包含得到指纹定位的位置坐标，传感器采集和处理的数据，利用室内运动测距算法和前一步参考位置坐标，预测当前位置坐标和运动轨迹，完成指纹定位的周期性位置联合跟踪定位。
进一步，上述步骤1具体包括：
步骤11：获取室内地图数据：获取全区域的室内空间平面矢量图，确定参与定位的所有AP信息并建立AP库，对全区域根据已存在的墙壁等障碍物分成大小不一的一级分区并标示编号，保证全区域90％以上的Wi-Fi覆盖；
步骤12：提取参考点指纹：确定所有一级分区内所有网格参考点的设置，包括特殊地点设置参考点，对每个参考点标注基于室内地图的二维坐标(x,y)和数字编号，对包含一级分区内对已设置的参考点进行信号强度采集并处理，获得6组来自参与定位AP的最强RSS排序序列向量，该参考点位置特征指纹；
步骤13：提取一级分区词典：对于一级分区内的每一个参考点，利用特征指纹提取参考点的最强RSS的AP及其RSS，每个一级分区包含所属空间编号和最强特征AP，建立一级分区词典；
步骤14：提取AP聚类二级分区中心的标识索引：提取的AP聚类二级分区中心的标识索引有两个方面，一个是根据一级分区内所有参考点有相同的AP组合序列向量进行聚类，同时根据组合聚类得到该一级分区内的多个含有参考点数量不一的AP聚类二级分区；另外一个是根据AP聚类二级分区的所有参考点信号强度，得到信号强度的均值向量,聚类得到一个关于该分区中心的标识索引；
步骤15：得到特征指纹库:对全区域每个参考点的所属的多级分区，一级分区词典和所有AP聚类二级分区标识索引，对于全区域所有一级分区内的所有AP聚类二级分区中的参考点特征指纹进行聚类，形成特征指纹库。
又进一步，提取参考点特征指纹包括：利用Wi-Fi信号强度指纹采集器，在成功部署无线节点的室内划分网格，将网络中心点作为参考点，在第k个参考点进行信号强度连续采集60s并标注位置坐标信息，得到20组信号强度数据,离线训练后可以得到一定范围内某个AP在不同参考位置检测到的信号强度，利用对每个参考点的多组数据中来自同一个Wi-Fi发射器的RSS过滤，去剔除奇异值并求均值，得到位置指纹，对原始指纹按信号强度排序，得到该参考点排序指纹并选取前6位信号强度较大的指纹序列向量，获得第k个参考点特征指纹。
上述步骤2具体包括以下步骤：
步骤21：提取多进制梯度图谱：每个AP聚类二级分区内所有参考点和标识索引进行梯度对比，得到一组多进制数值的特征向量，这些向量与AP聚类二级分区标识索引聚类，形成多进制梯度图谱；
步骤22：得到多级分区分类器：一级多级分区分类器，根据步骤1中一级分区词典比对，可以初步缩小定位范围，根据和AP聚类二级分区中心的标识索引中的AP序列向量及标识索引匹配，确定所属AP聚类二级分区，形成多级分区分类器。
进一步，上述提取多进制梯度图谱对于所有AP聚类二级分区，其拥有通过独一无二的标识索引，标识索引与该分区内所有参考点特征指纹相比较，如果在参考点指纹对应AP的RSS值与标识索引中对应AP下的RSS值之间的差大于阈值δ且小于2δ，则生成一个输出1，当差小于-δ且大于-2δ时，输出-1，以此递推，两者对应的RSS值之间的差大于阈值3δ，则生成一个输出3，当差小于-3δ时，则生成一个输出-3，通过这种方式，将RSS增大和减小分别由1，2，3和-1，-2，-3表示，若没有明显的变化时产生时候产生一个0，将每个参考点提取到的多进制向量和标识索引根据多级分区提取并构建分区的多进制梯度图谱。
进一步，还在于得到AP聚类二级分区特征标识索引，在得到一级分区内所有参考点特征指纹并提取AP序列进行聚类后，得到若干个大小不一的AP序列聚类分区，即AP聚类二级分区，每个AP聚类二级分区内的参考点指纹拥有6个相同的AP序列，对该二级分区内所有参考点指纹接收信号强度向量求均值，得到一组信号强度序列的特征向量并与AP序列聚类，得到AP聚类二级分区特征标识索引，位置指纹可以通过。
同理，还可以得到多级分区分类器，多级分区分类器是通过一级分区词典和二级分区标识索引聚合得到的分类模型。
进一步，上述步骤3具体包括：
步骤31：得到基于待测点的特征指纹:采集当前时间节点的位置指纹，得到了原始RSS排序序列向量及对应AP聚类组合并且所有AP都在AP库中存在；
步骤32：确定所属分区:提取前3个最强信号强度的AP，利用步骤22中多级分区分类器，得到所在的一级分区和二级分区；
步骤33：识别定位:对于室内位置预测，待定位点提取相对于标识索引的位置指纹并多进制梯度化，与所属AP聚类二级分区内其他参考点梯度图谱匹配并设置得分，通过得分和KNN加权算法得到室内位置坐标。
上述步骤4具体包括：
步骤41：新型运动检测模块实时检测用户移动状态:获取步骤3的位置坐标，首先，利用加速度计获取加速度信息，以此通过步态检测算法判断运动移动状态；然后，利用陀螺仪、磁力计分别获得终端的地磁方向和旋转速率，并据此采用航向计算算法得到运动的运动方向，室内参考点坐标信息和运动检测数据相结合，通过地图匹配的粒子滤波算法得到运动的估算位置；
步骤42：周期性Wi-Fi联合位置评估:位置辅助定位周期T设为20秒，每20秒Wi-Fi指纹采集触发器触发一级，启动Wi-Fi指纹采集定位来匹配当前坐标，通过与传感器位置估计的联合质量评估，确定最终目标室内坐标。
与现有技术相比，本发明的优势在于：
1，对环境变化和设备的多样性导致RSS变化模型在本发明中没有做出假设(例如，线性关系)。相反，本发明建立底层特征指纹库，从RSS底层特征指纹库中提取局部特征指纹并多进制梯度化处理，得到RSS梯度图谱，即梯度指纹图谱。这样的梯度指纹图谱是能够处理随时间变化的影响和异构设备的RSS测量的多样性，从而大大降低了指纹图定期维护的开销，在定位阶段，梯度指纹图谱不仅能够保证高精度指纹定位，而且还压缩移动终端数据库并提高性能。
2，除了梯度指纹图谱，本发明还设计了一个基于惯性传感器的扩展运动检测模块，同时检测用户的移动和跟踪用户的室内位置。本方法不需要使用复杂的模型并且其实施简单，能够很好的识别室内位置并跟踪，对于未来室内位置跟踪定位具有重要作用。
附图说明：
图1是指纹匹配流程图。
图2是航向角θN计算流程图。
图3是一个具体实施例中的室内环境及参考点部署图。
图4是本发明的主要步骤流程图。
图5是本发明的主要步骤流程图的展开图。
具体实施方式：
下面结合附图和实例对本发明做进一步的说明，应该指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
基于二级分区与指纹梯度匹配的室内定位与跟踪方法，主要步骤流程及其展开如图4和图5所示，包括如下步骤：
步骤1：获取底层特征指纹库，此指纹库主要是用来获得参考点的特征指纹，包含采集和处理参考点数据，获取一级分区词典，划分AP聚类二级分区和提取二级分区中心的标识索引，对人工标记训练参考点属性，聚类过程；
步骤2:得到梯度指纹图谱，所述的梯度图谱主要是获得基于AP聚类二级分区中心的标识索引的多进制梯度特征向量，包含获取多级分区内各个参考点的多进制梯度特征向量，根据训练参考点的特征指纹得到多级分区分类器，预测得到测试所属分区；
步骤3：定位步骤，采集待定位点的指纹进行位置预测，包含得到所有分区内参考点的多进制梯度特征向量的梯度指纹图谱，利用多级分区分类器获取所属分区，获取该AP聚类二级分区中心的标识索引的标识索引，通过多进制梯度KNN匹配算法，预测待定位点的位置坐标；
步骤4：跟踪步骤，对各种运动模式进行跟踪定位，包含得到指纹定位的位置坐标，传感器采集和处理的数据，利用室内运动测距算法和前一步参考位置坐标，预测当前位置坐标和运动轨迹，完成指纹定位的周期性位置联合跟踪定位。
步骤1获取底层特征指纹库
步骤11获取室内地图数据：获取全区域的室内空间平面矢量图，如图3所示，对全区域内的所有以墙壁、门等障碍物统一对其划分得到一级分区。确定所有参与定位的所有AP信息并建立AP库，保证全区域90％以上的Wi-Fi覆盖并且每个位置的可以接收到的信号强度的AP个数大于6个。
步骤12参考点设置及指纹提取；具体的操作是：
虽然可以选择任意的参考点作为每个一级分区的参考点数目，但是取参考点间距为1.6米,高度为1.2米，可以得到最好的结果，一般情况下用户平均拿手机的高度在1.2米左右，这可以更好的完成一个指纹的匹配定位,如图1所示。
由于本发明中使用315个参考点，可以利用这315个参考点来检测信号强度采集，奇异值剔除和求均值过滤，得到参考点k的20组降序排序的RSS指纹fki,fki包括RSS向量及其AP序列向量i∈[1,20]。先将20组指纹剔除奇异值再求均值处理，然后提取特征指纹Fk。先剔除奇异值，步骤如下
对于第k个参考点指纹数据RSS向量集合fk＝{fki},median(fk)表示中值向量，MADFM表示中值和偏离中值绝对值的中值(median absolute deviate from median,MADFM)，对来自同一个AP的接收信号强度RSS求均值med，公式如下：
得到中值向量median(fk)，然后计算中值和偏离中值绝对值的中值MADFM，计算如下
MADFM＝1.4824×median{[fki-median(fk)]} (2)
MADFM规模分mi计算如下
MADFM规模分是数据集样本偏离中值的程度，将Hampel滤波器与KDE概率密度估计联合起来可得到可信度ci
pro(fki)由评估随机变量概率密度函数的核密度方法估计算得到。
当概率密度较大、MADFM规模分较低，可信指标值较高，数据可信，当概率密度较小、MADFM规模分较高，可信指标较低，数据不可信。在指纹定位算法离线训练阶段，设定某阈值，对上式计算得到的可信度进行检测，小于门限值的接收点信号强度视为奇异值剔除。
获得6个来自参与定位AP的最强RSS排序序列向量并设置为参考点位置特征指纹，包含其参考点的位置坐标，id和所属一级分区号，id是在0到314之间的。由于在空间上已经得到了划分，还需要在时间上进行划分，由于不同时间，在同一个位置可能接收来自同一个AP有不同的信号强度，因此选取每个参考点位置的一个组数为20组指纹进行过滤和处理，因此最终可以得到参考点最真实的位置指纹得到每个参考点最终特征指纹Fk，形如
其中Spacej表示该参考点所在的第j个一级分区id，(xk,yk)表示参考点k的位置坐标，特征指纹的RSS向量及其AP序列向量
步骤13提取一级分区词典；具体的操作是：
考虑得到一级分区内所有参考点的特征指纹，把所有特征指纹的最强RSS的取值范围以及对应AP进行聚类可以得到一级分区词典，因此可以通过提取位置指纹最强RSS的值和AP确定所属一级分区。
步骤14提取AP聚类二级分区中心的标识索引；具体的操作是：
已经得到一级分区内k个参考点的特征指纹，提取多组有相同AP序列的参考点聚类组成二级分区，得到信号强度的均值向量,提取二级分区内的特征指纹的特征值，得到一个关于该二级分区中心的标识索引Flagi。Flagi包括RSS向量及其AP序列向量公式如下。
其中，表示第i个二级分区内第j个参考点特征指纹RSS向量，Ni表示第i个二级分区内所有参考点数量。
步骤15得到特征指纹库；具体的操作是：
对全区域划分的一级分区，一级分区内所有AP聚类二级分区和一级分区词典，AP聚类二级分区内所有参考点的特征指纹进行聚类，形成特征指纹库。
步骤2得到多进制梯度图谱
步骤21提取多进制梯度图谱；具体的操作是：
得到二级分区中心的标识索引Flagi及其对应的多个参考点特征指纹Fij，然后对特征指纹Fij进行多进制梯度化处理，为自定义函数，功能是对向量其数值ei，若10dBm>ei>5dBm，则ei＝1；若15dBm<ei<10dBm，则ei＝2；若15dBm<＝ei，则ei＝3；若-10dBm<ei<-5dBm,则ei＝-1；若-10dBm>＝ei,则ei＝-3；若-15dBm<ei<-10dBm,则ei＝-2；若-5dBm<＝ei<＝5dBm,则ei＝0。对于标识索引Flagi所在二级分区的所有参考点，对相同AP序列向量的参考点Fk多进制梯度化处理，即两者指纹RSS向量求差值向量数值ei是向量的向量值，梯度化公式如下
其中，向量多进制梯度化公式如下：
其中，是第i个二级分区内的第j个参考点指纹Fij的多进制梯度指纹向量，表示第i个二级分区，表示第i个二级分区内第j个参考点特征指纹RSS向量。
每个AP聚类二级分区内所有参考点和标识索引进行梯度对比，得到一组多进制数值的特征向量，这些向量与AP聚类二级分区标识索引聚类，形成多进制梯度图谱。
步骤22得到多级分区分类器，由于在步骤1中已经得到了一级分区词典和二级分区中心的标识索引，对于Wi-Fi指纹而言，利用基于一级分区的词典，可以得到一个一级分区位置的确定，同时利用AP聚类也可以得到一个二级分区图，把这两个分区过程连接起来归一化，就可以得到Wi-Fi指纹的所属的多级分区分类器。
步骤3定位步骤；
步骤31得到基于待测点的特征指纹；具体操作如下：
启动Wi-Fi采集模块扫描AP，获取该位置信号接收强度向量，剔除非定位AP及其信号强度值，得到按信号强度值排序序列的当前位置指纹FPm。
步骤32确定所属分区；具体操作如下：
得到当前位置指纹FPm，提取AP序列组合并获取最强AP及其信号强度值，通过多级分区分类器中以及分区词典得到当前位置指纹FPm所属一级分区Roomi，获取区内所有二级分区标识索引Flagij，计算其与各个标识索引间的欧式距离dij，如式(8)。选取最小的欧氏距离dmin，这就得到当前指纹FPm所在的一级分区和二级分区。
其中，为当前指纹FPm根据的过滤得到特征RSS向量，为特征指纹库中第i个一级分区内第j个二级分区标识索引的RSS向量，每个一级分区内的标识索引数量由该一级分区内二级分区数量决定。
步骤33识别定位；具体的操作步骤如下：
已经得到当前待定位指纹所属的二级分区Flagk，将二级分区的Flagk相对应的特征指纹如步骤21多进制梯度化后得到梯度指纹与对应二级分区的多进制指纹图谱内参考点多进制梯度指纹进行匹配，找到最接近的k个位置。所谓“接近”可通过平均距离最小来确定。平均距离计算公式为：
MAD值越小表示待定位点距离该参考点位置越近，是测量待位点的多进制梯度化特征指纹；为二级AP聚类分区确定的搜索区域内候选的id为i的参考点位置多进制梯度指纹向量。
最后取m个MAD(i)值最小的点并计算待定位点。然后通过加权m近邻算，计算这些点的加权平均位置，将其作为位置估计点Pw，如式(10)所示。
其中，m的值一般设为5，k为一个数值很小的正数，防止公式中分母出现0的情况，Pi为选取的m个MAD值最小的点中第i个参考点指纹的位置。
步骤4跟踪步骤：
步骤41实时用户移动状态检测；具体操作如下：
首先通过加速度计，测算步长，公式如下
为了滤除加速度信号中的噪声，把加速度信号v(k)通过时间窗口大小周期Ts为0.2秒的短时间移动平均滤波器，得到加速度信号的实时平均值为
其中，Ts时间内的加速度值采样数N＝Ts/Δt，0.2秒是Ts的典型值，Δt为加速度计采样时间间隔。
把短时间移动平均滤波器输出信号W(k)通过窗口大小Tl周期为1秒的长时间移动平均滤波器，得到加速度信号的实时平均值为
其中，Ts秒内加速度值采样数M＝Tl/Δt，这里1秒是Ts的典型值。类似地，采用上述方法处理移动终端Y轴加速度信号，得到实时平均值Sy范围在0.3—3之间。
本方法把满足判别条件：若k时刻S(k)＝L(k)，且k-Δt时，S(k-Δt)＞L(k-Δt)的交叉点称为候选步态或者可能的脚步落地时刻。
为了区分轻微抖动与正常移动，本方法采用功率阈值滤波器，通过比较相邻候选步态间累积功率值P与当前功率阈值Th的大小，以此判断运动是否走步。假设两相邻候选步态时刻分别为k和t，累计功率值P定义如下
采用如下条件判断运动正确步态或运动脚步落地时刻：1)运动步态为候选步态；2)累计功率P大于功率阈值Th；3)Y轴加速度实时平均值Sy在0.3—3之间。若某一时刻的加速度值满足上述三个条件，则判定该时刻步态为正确步态。
我们把磁力计和陀螺仪相结合，通过互补滤波器处理两者输入信号，得到运动航偏角。首先，通过低通滤波器滤除磁力计信号噪声，然后通过对磁力计信号和陀螺仪信号进行加权，如图2所示，得到运动航偏角θN
θN＝(1-a)×θab+a×θr (14)
其中，θr是终端相对地球北极方向夹角，θab为陀螺仪绝对角度，补偿参数a＝Δt/(Δt+Th)，Th为低通滤波器滤波时间，Δt为终端信号采样时间间隔。
粒子状态以向量形式表示为V＝[x,y,h,l]，其中，x表示粒子横坐标，y表示粒子纵坐标，h表示粒子方向，l表示运动步长。通过步态事件和移动方向θN，对粒子状态进行更新获得惯性跟踪推算位置Pdk，所提地图匹配粒子滤波算法流程及其具体公式如下。
1)获取当前位置坐标(xk-1,yk-1)并初始化粒子，生成k个粒子集。
2)当检测到步态事件，对该粒子进行状态更新，状态更新方程式如下
其中，xk和yk分别为粒子k时刻状态横纵坐标，lk为步长，hk为粒子方向，θN为终端当前方向。
3)判断粒子状态更新后是否穿过墙壁，并滤除穿过墙壁的粒子。
4)计算粒子平均坐标(xavg,yavg)
其中，(xi,yi)表示第i个粒子的坐标，m为当前存活粒子总数。
5)根据如式(17),计算各个粒子与平均坐标(xavg,yavg)的偏离距离di，并将偏离距离大于4米的粒子剔除。
6)若存活粒子数小于总粒子数的70％，则补充粒子，生成与被滤除粒子数相同的粒子。
步骤42周期性Wi-Fi联合位置评估步骤；具体操作如下：
随着传感器惯性导航时间的增加，其累计误差也不断增大，当累计误差过大，惯性导航估算的位置将不能准确表示目标位置把位置校正周期T设为20秒，即当传感器惯性导航时间达到校正周期T时，启动Wi-Fi定位模块扫描当前位置Wi-Fi信号强度，指纹定位来辅助校正室内位置，计算当前信号位置与传感器剩余跟踪粒子位置的欧式距离d，选出指纹定位位置与粒子位置Pdk距离最小的欧式距离d。
通过数据分析得到，当欧式距离d小于某一阈值δmin时，Wi-Fi定位结果可信度较高。反之，欧式距离d大于某一阈值δmax时，Wi-Fi定位结果可信度较低。根据最小欧氏距离d的大小，本方法将实时位置跟踪定位分为以下三种情况，确定最终位置P。
1)若最小欧式距离d小于或等于最小阈值δmin,方法中δmin取值为110，表示惯性跟踪推算位置可信度较高，把其粒子坐标Pdk设为当前位置P。
2)若最小欧式距离d大于或等于最大阈值δmax,方法中δmax取值为140，表示惯性跟踪推算位置可信度较低，重新扫描RSS进行定位。若重新三次都是欧式距离d大于或等于最大阈值δmax，则校正位置，定位位置Pw设为当前位置P。
3)若最小欧式距离d满足δmin，则采用联合定位算法将Wi-Fi定位位置Pw与惯性跟踪推算位置Pdk进行加权计算，得到运动最终位置P，如式(18)所示。
P＝1/w(α×Pdk+β×Pw) (18)
其中，加权权重w＝α+β，L为前一级位置辅助定位与本次辅助定位时间间隔内运动移动距离。α为惯性跟踪位置加权系数，如式(19)所示，β为Wi-Fi定位位置加权系数，如式(20)所示。
β＝1/(d-σmin)110＜β＜140 (20)
然后结合室内地图，在室内地图上实时显示用户位置P。
Claims (9)
1.基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征在于包括如下步骤：
步骤1：获取底层特征指纹库，此指纹库主要是用来获得参考点的特征指纹，包含采集和处理参考点数据，获取一级分区词典，划分AP聚类二级分区和提取二级分区中心标识索引，对人工标记训练参考点属性，聚类过程；
步骤2：得到梯度指纹图谱，所述的梯度图谱主要是获得基于AP聚类二级分区中心的标识索引的各参考点特征指纹的多进制梯度特征指纹向量，包含获取多级分区内各个参考点的多进制梯度特征向量，根据训练参考点的特征指纹得到多级分区分类器，预测得到测试所属分区；
步骤3：定位步骤，采集待定位点的指纹进行位置预测，包含得到所有分区内参考点的多进制梯度特征向量的梯度指纹图谱，利用多级分区分类器获取所属分区，获取该AP聚类二级分区中心的标识索引的标识索引，通过多进制梯度KNN匹配算法，预测待定位点的位置坐标；
步骤4：跟踪步骤，对各种运动模式进行跟踪定位，包含得到指纹定位的位置坐标，传感器采集和处理的数据，利用室内运动测距算法和前一步参考位置坐标，预测当前位置坐标和运动轨迹，完成指纹定位的周期性位置联合跟踪定位。
2.根据权利要求1所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，所述步骤1包括：
步骤11：获取室内地图数据：获取全区域的室内空间平面矢量图，确定参与定位的所有AP信息并建立AP库，对全区域根据已存在的墙壁等障碍物分成大小不一的一级分区并标示编号，保证全区域90％以上的Wi-Fi覆盖；
步骤12：提取参考点指纹：确定所有一级分区内所有网格参考点的设置，包括特殊地点设置参考点，对每个参考点标注基于室内地图的二维坐标(x,y)和数字编号，对包含一级分区内对已设置的参考点进行信号强度采集并处理，获得6组来自参与定位AP的最强RSS排序序列向量，该参考点位置特征指纹；
步骤13：提取一级分区词典：对于一级分区内的每一个参考点，利用特征指纹提取参考点的最强RSS的AP及其RSS，每个一级分区包含所属空间编号和最强特征AP，建立一级分区词典；
步骤14：提取AP聚类二级分区中心的标识索引：提取的AP聚类二级分区中心的标识索引有两个方面，一个是根据一级分区内所有参考点有相同的AP组合序列向量进行聚类，同时根据组合聚类得到该一级分区内的多个含有参考点数量不一的AP聚类二级分区；另外一个是根据AP聚类二级分区的所有参考点信号强度，得到信号强度的均值向量,聚类得到一个关于该分区中心的标识索引；
步骤15：得到特征指纹库:对全区域每个参考点的所属的多级分区，一级分区词典和所有AP聚类二级分区标识索引，对于全区域所有一级分区内的所有AP聚类二级分区中的参考点特征指纹进行聚类，形成特征指纹库。
3.根据权利要求2所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，提取参考点特征指纹进一步包括：利用Wi-Fi信号强度指纹采集器，在成功部署无线节点的室内划分网格，将网络中心点作为参考点，在第k个参考点进行信号强度连续采集60s并标注位置坐标信息，得到20组信号强度数据,离线训练后可以得到一定范围内某个AP在不同参考位置检测到的信号强度，利用对每个参考点的多组数据中来自同一个Wi-Fi发射器的RSS过滤，去剔除奇异值并求均值，得到位置指纹，对原始指纹按信号强度排序，得到该参考点排序指纹并选取前6位信号强度较大的指纹序列向量，获得第k个参考点特征指纹。
4.根据权利要求1所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，所述步骤2具体包括以下步骤：
步骤21：提取多进制梯度图谱：每个AP聚类二级分区内所有参考点和标识索引进行梯度对比，得到一组多进制数值的特征向量，这些向量与AP聚类二级分区标识索引聚类，形成多进制梯度图谱；
步骤22：得到多级分区分类器：一级多级分区分类器，根据步骤1中一级分区词典比对，可以初步缩小定位范围，根据和AP聚类二级分区中心的标识索引中的AP序列向量及标识索引匹配，确定所属AP聚类二级分区，形成多级分区分类器。
5.根据权利要求4所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是所述提取多进制梯度图谱对于所有AP聚类二级分区，其拥有通过独一无二的标识索引，标识索引与该分区内所有参考点特征指纹相比较，如果在参考点指纹对应AP的RSS值与标识索引中对应AP下的RSS值之间的差大于阈值δ且小于2δ，则生成一个输出1，当差小于-δ且大于-2δ时，输出-1，以此递推，两者对应的RSS值之间的差大于阈值3δ，则生成一个输出3，当差小于-3δ时，则生成一个输出-3，通过这种方式，将RSS增大和减小分别由1，2，3和-1，-2，-3表示，若没有明显的变化时产生时候产生一个0，将每个参考点提取到的多进制向量和标识索引根据多级分区提取并构建分区的多进制梯度图谱。
6.根据权利要求4所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，得到AP聚类二级分区特征标识索引，在得到一级分区内所有参考点特征指纹并提取AP序列进行聚类后，得到若干个大小不一的AP序列聚类分区，即AP聚类二级分区，每个AP聚类二级分区内的参考点指纹拥有6个相同的AP序列，对该二级分区内所有参考点指纹接收信号强度向量求均值，得到一组信号强度序列的特征向量并与AP序列聚类，得到AP聚类二级分区特征标识索引，位置指纹可以通过。
7.根据权利要求4所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，得到多级分区分类器，多级分区分类器是通过一级分区词典和二级分区标识索引聚合得到的分类模型。
8.根据权利要求1所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，所述步骤3具体包括：
步骤31：得到基于待测点的特征指纹:采集当前时间节点的位置指纹，得到了原始RSS排序序列向量及对应AP聚类组合并且所有AP都在AP库中存在；
步骤32：确定所属分区:提取前3个最强信号强度的AP，利用步骤22中多级分区分类器，得到所在的一级分区和二级分区；
步骤33：识别定位:对于室内位置预测，待定位点提取相对于标识索引的位置指纹并多进制梯度化，与所属AP聚类二级分区内其他参考点梯度图谱匹配并设置得分，通过得分和KNN加权算法得到室内位置坐标。
9.根据权利要求1所述的基于二级分区与指纹梯度匹配的室内定位与跟踪方法，其特征是，所述步骤4具体包括：
步骤41：新型运动检测模块实时检测用户移动状态:获取步骤3的位置坐标，首先，利用加速度计获取加速度信息，以此通过步态检测算法判断运动移动状态；然后，利用陀螺仪、磁力计分别获得终端的地磁方向和旋转速率，并据此采用航向计算算法得到运动的运动方向，室内参考点坐标信息和运动检测数据相结合，通过地图匹配的粒子滤波算法得到运动的估算位置；
步骤42：周期性Wi-Fi联合位置评估:位置辅助定位周期T设为20秒，每20秒Wi-Fi指纹采集触发器触发一级，启动Wi-Fi指纹采集定位来匹配当前坐标，通过与传感器位置估计的联合质量评估，确定最终目标室内坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819921.XA CN106412839B (zh) | 2016-09-12 | 2016-09-12 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819921.XA CN106412839B (zh) | 2016-09-12 | 2016-09-12 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106412839A true CN106412839A (zh) | 2017-02-15 |
| CN106412839B CN106412839B (zh) | 2019-09-10 |
Family
ID=57999902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610819921.XA Active CN106412839B (zh) | 2016-09-12 | 2016-09-12 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106412839B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106878955A (zh) * | 2017-04-27 | 2017-06-20 | 京信通信系统（广州）有限公司 | 一种室内楼层定位方法及定位设备 |
| CN107616798A (zh) * | 2017-09-19 | 2018-01-23 | 北京工业大学 | 一种基于重力加速度的步态不对称性检测方法 |
| CN107702712A (zh) * | 2017-09-18 | 2018-02-16 | 哈尔滨工程大学 | 基于惯性测量双层wlan指纹库的室内行人组合定位方法 |
| CN108195379A (zh) * | 2017-12-25 | 2018-06-22 | 浙江大学 | 一种基于WiFi接收信号强度梯度值的室内导航方法 |
| CN109040948A (zh) * | 2018-06-04 | 2018-12-18 | 电子科技大学 | 一种位置候选集合生成方法及其高精度融合定位方法 |
| CN109031202A (zh) * | 2018-06-03 | 2018-12-18 | 桂林电子科技大学 | 基于听觉场景分析的室内环境区域定位系统及方法 |
| CN109342998A (zh) * | 2018-12-06 | 2019-02-15 | 吉林大学 | 一种基于仿生学的位置指纹室内定位系统及方法 |
| CN109490824A (zh) * | 2018-10-23 | 2019-03-19 | 普联技术有限公司 | 位置指纹信息匹配方法、装置、存储介质及终端设备 |
| WO2019102323A1 (en) * | 2017-11-21 | 2019-05-31 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
| CN109945865A (zh) * | 2019-02-25 | 2019-06-28 | 天津大学 | 基于WiFi与地磁融合的室内定位方法 |
| CN110248309A (zh) * | 2019-05-14 | 2019-09-17 | 上海交通大学 | 基于动态滑动窗的无线信号指纹恢复方法 |
| CN110636437A (zh) * | 2019-09-05 | 2019-12-31 | 哈尔滨工程大学 | 一种基于指纹对的辅助定位方法 |
| CN111093268A (zh) * | 2019-12-26 | 2020-05-01 | 广东工业大学 | 一种离线指纹库区域划分方法、计算机设备、存储介质 |
| CN111654843A (zh) * | 2019-03-04 | 2020-09-11 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
| CN112055308A (zh) * | 2020-08-21 | 2020-12-08 | 中通服咨询设计研究院有限公司 | 一种多层级高鲁棒指纹定位方法 |
| CN112312541A (zh) * | 2020-10-09 | 2021-02-02 | 清华大学 | 一种无线定位方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103292805A (zh) * | 2013-05-28 | 2013-09-11 | 武汉理工大学 | 一种室内导航系统及其室内导航方法 |
| 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 |
| CN105157699A (zh) * | 2015-06-18 | 2015-12-16 | 南京邮电大学 | 一种基于WiFi和传感网技术融合的室内停车场导航方法 |
| CN105556328A (zh) * | 2013-09-19 | 2016-05-04 | 高通股份有限公司 | 用于室内定位的更好的用户体验的动态位置分区 |
| CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
| CN105813194A (zh) * | 2016-05-06 | 2016-07-27 | 西安电子科技大学昆山创新研究院 | 基于指纹数据库二次校正的室内定位方法 |
-
2016
- 2016-09-12 CN CN201610819921.XA patent/CN106412839B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103292805A (zh) * | 2013-05-28 | 2013-09-11 | 武汉理工大学 | 一种室内导航系统及其室内导航方法 |
| CN105556328A (zh) * | 2013-09-19 | 2016-05-04 | 高通股份有限公司 | 用于室内定位的更好的用户体验的动态位置分区 |
| CN105157699A (zh) * | 2015-06-18 | 2015-12-16 | 南京邮电大学 | 一种基于WiFi和传感网技术融合的室内停车场导航方法 |
| 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 |
| CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
| CN105813194A (zh) * | 2016-05-06 | 2016-07-27 | 西安电子科技大学昆山创新研究院 | 基于指纹数据库二次校正的室内定位方法 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106878955A (zh) * | 2017-04-27 | 2017-06-20 | 京信通信系统（广州）有限公司 | 一种室内楼层定位方法及定位设备 |
| CN106878955B (zh) * | 2017-04-27 | 2019-11-19 | 京信通信系统（中国）有限公司 | 一种室内楼层定位方法及定位设备 |
| CN107702712A (zh) * | 2017-09-18 | 2018-02-16 | 哈尔滨工程大学 | 基于惯性测量双层wlan指纹库的室内行人组合定位方法 |
| CN107616798A (zh) * | 2017-09-19 | 2018-01-23 | 北京工业大学 | 一种基于重力加速度的步态不对称性检测方法 |
| CN107616798B (zh) * | 2017-09-19 | 2020-06-19 | 北京工业大学 | 一种基于重力加速度的步态不对称性检测方法 |
| GB2582514B (en) * | 2017-11-21 | 2022-06-15 | Ibm | Fingerprint data pre-process method for improving localization model |
| US11856549B2 (en) | 2017-11-21 | 2023-12-26 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
| WO2019102323A1 (en) * | 2017-11-21 | 2019-05-31 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
| CN111279209B (zh) * | 2017-11-21 | 2023-10-13 | 国际商业机器公司 | 用于改进定位模型的指纹数据预处理方法 |
| GB2582514A (en) * | 2017-11-21 | 2020-09-23 | Ibm | Fingerprint data pre-process method for improving localization model |
| US11039414B2 (en) | 2017-11-21 | 2021-06-15 | International Business Machines Corporation | Fingerprint data pre-process method for improving localization model |
| CN111279209A (zh) * | 2017-11-21 | 2020-06-12 | 国际商业机器公司 | 用于改进定位模型的指纹数据预处理方法 |
| CN108195379A (zh) * | 2017-12-25 | 2018-06-22 | 浙江大学 | 一种基于WiFi接收信号强度梯度值的室内导航方法 |
| CN108195379B (zh) * | 2017-12-25 | 2020-10-09 | 浙江大学 | 一种基于WiFi接收信号强度梯度值的室内导航方法 |
| CN109031202A (zh) * | 2018-06-03 | 2018-12-18 | 桂林电子科技大学 | 基于听觉场景分析的室内环境区域定位系统及方法 |
| CN109031202B (zh) * | 2018-06-03 | 2022-10-04 | 桂林电子科技大学 | 基于听觉场景分析的室内环境区域定位系统及方法 |
| CN109040948A (zh) * | 2018-06-04 | 2018-12-18 | 电子科技大学 | 一种位置候选集合生成方法及其高精度融合定位方法 |
| CN109490824A (zh) * | 2018-10-23 | 2019-03-19 | 普联技术有限公司 | 位置指纹信息匹配方法、装置、存储介质及终端设备 |
| CN109342998A (zh) * | 2018-12-06 | 2019-02-15 | 吉林大学 | 一种基于仿生学的位置指纹室内定位系统及方法 |
| CN109945865A (zh) * | 2019-02-25 | 2019-06-28 | 天津大学 | 基于WiFi与地磁融合的室内定位方法 |
| CN109945865B (zh) * | 2019-02-25 | 2023-02-28 | 天津大学 | 基于WiFi与地磁融合的室内定位方法 |
| CN111654843B (zh) * | 2019-03-04 | 2024-04-30 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
| CN111654843A (zh) * | 2019-03-04 | 2020-09-11 | 深圳光启空间技术有限公司 | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
| CN110248309A (zh) * | 2019-05-14 | 2019-09-17 | 上海交通大学 | 基于动态滑动窗的无线信号指纹恢复方法 |
| CN110636437B (zh) * | 2019-09-05 | 2021-02-02 | 哈尔滨工程大学 | 一种基于指纹对的辅助定位方法 |
| CN110636437A (zh) * | 2019-09-05 | 2019-12-31 | 哈尔滨工程大学 | 一种基于指纹对的辅助定位方法 |
| CN111093268A (zh) * | 2019-12-26 | 2020-05-01 | 广东工业大学 | 一种离线指纹库区域划分方法、计算机设备、存储介质 |
| CN112055308B (zh) * | 2020-08-21 | 2024-02-27 | 中通服咨询设计研究院有限公司 | 一种多层级高鲁棒指纹定位方法 |
| CN112055308A (zh) * | 2020-08-21 | 2020-12-08 | 中通服咨询设计研究院有限公司 | 一种多层级高鲁棒指纹定位方法 |
| CN112312541B (zh) * | 2020-10-09 | 2022-01-18 | 清华大学 | 一种无线定位方法及系统 |
| CN112312541A (zh) * | 2020-10-09 | 2021-02-02 | 清华大学 | 一种无线定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106412839B (zh) | 2019-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106412839B (zh) | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 | |
| CN109298389B (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
| CN109413578B (zh) | 一种基于wifi与pdr融合的室内定位方法 | |
| CN109525935B (zh) | 一种针对普适室内环境的智能楼层感知方法及控制系统 | |
| CN110602647B (zh) | 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法 | |
| CN106714110B (zh) | 一种Wi-Fi位置指纹地图自动构建方法及系统 | |
| CN110118549B (zh) | 一种多源信息融合定位方法和装置 | |
| CN110958575B (zh) | 一种基于WiFi融合预测的定位方法及系统 | |
| CN105424030B (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
| CN110320495A (zh) | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 | |
| CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
| CN105263113A (zh) | 一种基于众包的WiFi位置指纹地图构建方法及其系统 | |
| CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
| CN106908821A (zh) | 一种室内外无缝定位切换方法 | |
| CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
| CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
| Yu et al. | An accurate WiFi indoor positioning algorithm for complex pedestrian environments | |
| CN110388926B (zh) | 一种基于手机地磁和场景图像的室内定位方法 | |
| CN112729301A (zh) | 一种基于多源数据融合的室内定位方法 | |
| CN110401977B (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
| Shao et al. | Floor identification in large-scale environments with wi-fi autonomous block models | |
| Gong et al. | An enhanced indoor positioning solution using dynamic radio fingerprinting spatial context recognition | |
| CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
| Xingli et al. | Indoor positioning technology based on deep neural networks | |
| CN109541537B (zh) | 一种基于测距的普适室内定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |