CN106597363A

CN106597363A - 一种室内wlan环境下的行人定位方法

Info

Publication number: CN106597363A
Application number: CN201610955248.2A
Authority: CN
Inventors: 倪业鹏; 刘剑波; 刘杉
Original assignee: Communication University of China
Current assignee: Communication University of China
Priority date: 2016-10-27
Filing date: 2016-10-27
Publication date: 2017-04-26

Abstract

本发明提供了一种室内WLAN环境下行人定位的方法，以行人移动定位的隐马尔科夫模型为基础，运用模糊思维，利用重建的radio map和规划路径通过RSSI变化指标模糊匹配来估算隐马尔科夫模型转移矩阵，最终利用隐马尔科夫转移矩阵配合实际定位时得到的RSSI变化指标估算出用户位置，实现行人移动过程中的定位。其中模糊匹配算法通过无线网络信号衰落与距离的正比关系来估计行人位置，这个模糊匹配算法也可以单独用来实现行人移动定位，但是由于其迭代计算的性质，可能引入较大的定位误差，这也是本发明引入隐马尔科夫模型的原因。本方法可以大大提高行人在室内环境下移动时的定位精度，并具备较好的环境适应性和抗干扰性。

Description

一种室内WLAN环境下的行人定位方法

技术领域

本发明涉及一种室内WLAN环境下的行人定位方法，属于计算机程序技术领域。

背景技术

现阶段室内WLAN环境中主要采用指纹定位算法来估计用户位置。位置指纹定位算法的原理如下：不同物理位置的接收信号强度具有复杂独特、可分辨的特性。根据这一特性，可以构建一个物理位置与RSSI值的映射关系数据库（radio map），当得到用户待测位置的RSSI值时，理论上即可估算出该RSSI值对应的物理位置。

通过原理可知，位置指纹定位算法的关键是能够在建立radio map时和定位时都可以精确测量RSSI值。radio map中的RSSI值主要是依靠人工在参考点位置经过静态测量大量RSSI数据再取均值获得，具有较高的精度和可信度。定位时如果用户处于静态则可以采用建立radio map时的方法来减少噪声与干扰获得可信度较高的RSSI值，但如果用户处于移动状态的话，就很难获得高精度的RSSI值。因为用户在移动时首先限制了待测位置的RSSI值的测量时间，这样就无法得到大量RSSI数据，也就无法采用平均法去除噪声干扰；其次由于用户移动，信号传播路径一直处于时变引起散射衍射和多径效应，使RSSI信号产生较大的波动；最后由于人体本身对无线信号接收会产生影响，也会对RSSI信号带来一定的干扰。

根据实验可知，利用位置指纹算法静态定位时定位精度可达到2米以内置信概率90%，RMSE仅为1.3m，而在用户移动时利用相同位置指纹算法定位，其定位精度降低到8米以内置信概率90%，而RMSE增加到6.7m。

随着当今时代无线网络的普及和移动终端的发展，人们依靠移动应用就能方便的获得基于位置的服务（Location Based Service，简称LBS）。位置信息俨然已经成为大数据、云计算、物联网、O2O等新技术新应用的基石。而想要提供QoE保证的基于位置服务，对用户的准确定位是关键所在。

定位技术主要分为室外与室内两种。室外定位技术相对成熟，主要有卫星导航定位系统和蜂窝定位系统。其中美国的全球定位系统（Global Positioning System，简称GPS）可以为地球表面98%的地区提供精确定位和时间校准。民用GPS系统的精度可以达到15米范围内。蜂窝定位系统要求定位精度为100米内置信概率不低于67%，300米内置信概率不低于95%。对于室外定位而言，数十米的定位精度是非常理想的，卫星导航定位与蜂窝定位完全可以满足室外定位的需要。

但是对室内定位而言，数米的定位精度才能支撑相关应用。为此学术界和工业界在室内定位领域采用不同技术开展了大量研究，研制了包括RFID定位系统、红外定位系统、蓝牙定位系统、ZigBee定位系统、超声波定位系统、视觉定位系统、声音识别定位系统、WLAN定位系统等等。这其中WLAN定位技术由于WLAN信号的普及而成为室内定位领域的研究热点。

离线采集与在线定位工作流程如图6所示。在离线采集阶段，采集人员手持智能手机等终端进入WLAN环境，在每一个参考点位置，记录下位置信息和指纹特征，将位置信息和指纹特征存储到位置指纹数据库中。如图中表格所示，即为位置指纹数据库所存储的三维位置信息和四维指纹特征。在在线定位阶段，定位人员手持智能手机等终端进入WLAN环境，记录其所在待测位置的指纹特征，将此指纹特征与位置指纹数据库中的指纹特征一起通过定位算法计算得到估算位置，即二维或三维空间坐标。

技术缺点1：抗干扰能力差。在室内复杂环境中由人体移动引入的噪声干扰使得采集到的RSSI信号与radio map中的信号有很大的差异，依据传统指纹定位的算法很难得到具备一定精度保证的用户位置。

技术缺点2：技术独立性差。为了提高定位精度，一些方法结合了除wifi芯片外的其他传感器如加速度传感器，方向传感器等提供的信息来修正定位结果，但这种方法增加了实现定位的代价并提高了设备成本。

技术缺点3：环境适应性差。在采集RSSI信号时，不同的移动速度和不同的采集设备都会引起采集到的RSSI信号在相同位置发生变化，这种变化会大大降低传统指纹定位算法的定位精度。

术语解释：

RSSI(Received Signal Strength Indicator):接收信号强度指示;

Radio map:位置指纹数据库，库中建立了定位区域物理位置与测量得到的RSSI值的映射关系;

RMSE(Root Mean Square Error):均方根误差;

HMM(Hidden Markov Model):隐马尔科夫模型;

AP(Access Point):无线接入点。

发明内容

为了克服现有技术的不足,本发明提供一种室内WLAN环境下的行人定位方法。

针对室内WLAN环境中行人移动定位精度降低的问题，提出了一种以行人移动定位的隐马尔科夫模型为基础，运用模糊思维，利用重建的radio map和规划路径通过RSSI变化指标模糊匹配来估算隐马尔科夫模型转移矩阵，最终利用隐马尔科夫转移矩阵配合实际定位时得到的RSSI变化指标估算出用户位置，实现行人移动过程中的定位。实验证明，比较传统的位置指纹定位算法，本人提出的方法在性能方面有了很大的提高，定位精度达到了4米以内置信概率90%，RMSE为1.9m。

本发明提出了一种模糊匹配算法，来解决行人移动时定位精度差的问题，但这种算法由于其迭代的计算方式容易引起误差累积，为了克服误差累积，本发明建立了行人移动的隐马尔科夫模型，寄予利用维特比算法来实现行人移动的定位，维特比算法首先需要得到完备的隐马尔科夫模型参数，在初始位置和混淆矩阵已知的情况下，问题转换成计算位置状态转移矩阵。同样利用模糊匹配算法，本发明用一种较为直观的比例方法估算出了状态转移概率，从而得到了位置状态转移矩阵。

一种室内WLAN环境下行人定位的方法，以行人移动定位的隐马尔科夫模型为基础，运用模糊思维，利用重建的radio map和规划路径通过RSSI变化指标模糊匹配来估算隐马尔科夫模型转移矩阵，最终利用隐马尔科夫转移矩阵配合实际定位时得到的RSSI变化指标估算出用户位置，实现行人移动过程中的定位。

通过维特比算法和模型部分参数来估计行人位置，通过模糊匹配算法来估计模型的位置状态转移矩阵。

radio map重构时要利用模糊匹配算法对静态采样得到的RSSI进行比较计算，比较的方向为由外向内，每个参考点中最多包含有四个方向的RSSI变化矢量，RSSI变化矢量代表了比较的方向和比较结果，RSSI变化矢量比RSSI变化指标多了方向信息。

为了得到状态转移矩阵需要训练数据，在室内环境中按照一定规律规划训练路径，一是包含东南西北四个方向，二是覆盖所有参考点。

建立的隐马尔科夫模型，其观测状态空间由RSSI信号值变为RSSI变化指标；RSSI变化指标定义为RSSI在某一方向上测量得到的信号值的变化趋势。

应用有AP数量的限制，行人移动速度的限制，采样间隔限制，采样时移动速度的限制；参考点间距为行人最大移动速度值且已有静态采样得到的radio map。

以RSSI的变化情况来代替具体的RSSI数值做为判断行人位置的依据；步骤如下：通过静态采样方式获得行人初始位置与RSSI；采样得到行人移动过程中的RSSI；比较两个RSSI得到一个比较结果；比较初始位置与东南西北四个参考点的RSSI，得到四个比较结果；通过异或运算计算这些比较结果的差异性；按照一定比对关系估计出行人位置。

在应用模糊匹配算法于位置状态转移矩阵时，步骤如下：通过静态采样方式获得行人初始位置与RSSI；采样得到行人移动过程中的RSSI；比较两个RSSI得到一个比较结果；查询重构的radio map得到初始点与四个方向参考点的比较结果；通过同或运算获得RSSI不变的个数，把所有不变的个数相加作为分母，分子为每个反向不变的个数，则分数为状态转移概率，所有参考点的状态转移概率即为状态转移矩阵；四个方向的路径有四个方向的训练数据，对四个方向的训练数据得到的状态转移矩阵做算术平均，即为有一定定位精度保证的位置状态转移概率。

本发明主要具备以下优点：

1、抗干扰能力强。在牺牲静态定位精度的条件下，利用RSSI变化指标（矢量）来代替具体RSSI数值作为判断标准，较好的降低了行人移动引入的干扰，相对与传统指纹定位方法大大提高了行人移动的定位精度。

2、环境适应性好。在设定的行人极限速度下，可以较好的屏蔽不同移动速度带来的差异性；对用户设备的敏感性较低。不同设备和不同的移动速度都可以获得稳定的较高的定位精度。

3、计算复杂度低。定位时主要的运算方式都是以比较和简单计算为主，能耗低，适合运用在移动终端。

4、硬件成本低。整个发明中的方法只需要采样获得RSSI信号即可，不需要其他传感器获得其他辅助信息来帮助定位。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：

图1为本发明的模糊匹配算法流程图。

图2为本发明的步骤四比较关系的示意图：

（a）为定位区域示意图；

（b）为比较关系①示意图；

（c）为比较关系②示意图；

（d）为比较关系③第一种情况示意图；

（e）为比较关系③第二种情况示意图；

（f）为比较关系④示意图。

图3为本发明的radio map重构示意图。

图4为本发明的行人移动范围和潜在定位点结构示意图。

图5为KNN算法结构示意图。（现有技术的算法示意图）。

图6为现有技术的位置指纹定位系统工作流程。

下面结合附图和实施例对本发明进一步说明。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例1：如图1、图2、图3、图4、图5所示，

一种室内WLAN环境下的行人定位方法，WLAN定位技术包括基于RSSI、基于信号到达角度（Angle of Arrival，简称AOA）和基于信号到达时间（Time of Arrival，简称TOA）等定位技术。

基于AOA和TOA的定位技术要求额外添加专用硬件设备，而且测量精度存在较大误差，因此在研究和应用中受到很大限制。

本申请基于RSSI的WLAN定位技术，其不要求额外专用设备，硬件成本大大低于AOA和TOA定位技术。

基于RSSI的定位技术按照定位原理可分成两类定位方法：位置指纹法和传播模型法。这两种定位方法不同之处在于无线信号的RSSI与位置信息的关联方式不同。

传播模型法利用无线信号物理规律来构建映射关系，并通过三边定理进行定位，精度较低且对环境的适应性差。

位置指纹法在通过离线采集RSSI来构建位置与RSSI的映射关系，并称RSSI为指纹特征，在线定位阶段利用定位算法来估算待测位置，其精度较高，且方法可以适用于不同的室内环境。

前面已经简单介绍了原理，此处阐述一下该方法流程。

基于位置指纹的室内定位包括两个阶段，离线采集阶段和在线定位阶段。离线采集阶段的主要目的是为了绘制Radio Map。

所谓Radio Map，就是把位置信息与该位置可以收到的各个AP的RSSI相关联，RSSI称之为指纹特征。

在离线采集阶段，采集人员在待测环境中选择若干个参考点，记录在所有参考点所收到的指纹特征，将位置指纹数据通过某种方式存储在数据库中，即完成了Radio Map的绘制。

在线定位阶段在待测环境中进行定位，得到估算位置。

定位用户进入到WLAN环境中，将待测位置收到的指纹特征与RadioMap中的位置指纹特征通过定位算法进行估算，得出估算位置。

本发明在室内复杂环境中（人员走动，信号传输路径中有障碍物存在）对移动行人实现只利用RSSI信号采集不借助其他传感器，环境适应性好的，具备一定精度保证的定位。

室内复杂环境中RSSI信号会受到多种因素的影响，除了信号自身衰落引起的信号强度变化外，信号传播过程中的衍射、散射和多径等现象会引入随机干扰，这种干扰现象在定位目标移动时会变得更加严重，从而大大降低定位精度。

为了减少干扰，提高行人移动时的定位精度，本发明提出了一种以行人移动定位的隐马尔科夫模型为基础，运用模糊思维，利用重建的radiomap和规划路径通过RSSI变化模糊匹配来估算隐马尔科夫模型转移矩阵，最终利用隐马尔科夫转移矩阵配合实际定位时得到的RSSI变化指标估算出用户位置，实现行人移动过程中定位的方法。

RSSI指设备在某一位置接收到某个AP的无线信号强度指示，单位为dBm。RSSI变化指标是本发明引入的一个主要概念，也是模糊匹配的基础，通过RSSI变化指标模糊匹配重建radio map进行移动行人定位，可以屏蔽掉RSSI信号干扰的问题，达到提高定位精度的目的。RSSI变化指标就是指RSSI在某一方向上测量得到的信号值的变化趋势，RSSI变化指标集合用语义表达为{较大，相等，较小}，为了简化处理，用集合{1，0，-1}来代替语义表达。与其相对应的还有RSSI变化矢量，RSSI变化矢量主要表明了两方面的情况，一是表明RSSI信号发生变化的方向，一是表明RSSI信号发生变化的趋势。之所以引入RSSI变化指标的概念，主要是由于在实验中发现，虽然RSSI信号在室内复杂环境中行人移动采集时其数值呈现出较大的不确定性，但是RSSI信号还是符合无线信号本身随距离增大而衰减的特性的，因此在同一方向如果行人移动相对AP的距离不断增大，则行人在移动过程中测得的RSSI信号大部分都表现出依次衰落的现象，反之，当在某一方向行人移动距离某个AP不断减小，则行人在移动过程中测得RSSI大部分都呈现出依次增长的现象。

利用RSSI的随距离衰减的特性，本发明提出了一种模糊匹配算法来进行室内WLAN环境中移动行人的定位。在满足下列条件环境中：

（1）室内环境中具有WLAN信号，AP数量为N，则参考点数量应小于3^N，这样RSSI变化矢量才可以唯一的标示出每一个参考点。

（2）行人移动速度小于等于2m每秒，即7.2km每小时。

（3）参考点间距设置为行人移动最大速度值，此处即2m。

（4）采样间隔为1秒。

（5）定位区域radio map已构建完成。

本发明提出的定位方法可以达到较好的定位精度。

一种基于模糊匹配算法的室内行人定位方法，含有以下步骤；

步骤1、通过静止定位或用户反馈的方式获得用户初始位置和当前t时刻的一组RSSI记为S_t＝(s_1t，s_2t，…s_Nt)。

步骤2、用户移动，在一个采样周期后，即(t+1)时刻采样得到新的一组RSSI记为S_t+1＝(s_1(t+1)，s_2(t+1)，…s_N(t+1))。

步骤3、计算(t+1)时刻相较t时刻的RSSI变化指标，该变化指标定义为O_(t，t+1)＝(0₁，0₂，…0_N)，其中(0₁，0₂，…0_N)分别为S_t+1与S_t中的每一项依次比较得来。

定义i表示定位区域中AP的标号，S_it为t时刻初始位置得到的AP_i的RSSI值，S_i(t+1)为(t+1)时刻用户发生位移后得到的AP_i的RSSI值，O_i为AP_i的RSSI变化指标，是用来表征从(t+1)时刻到t时刻由于物理位置发生变化而引起的采样到AP_i的RSSI值的变化情况。

若(s_i(t+1)＞s_it+1)，则有o_i＝1，代表行人移动的方向上从时刻t到时刻(t+1)采集得到的第i个AP的RSSI呈增加趋势，RSSI变化指标为1，间接说明在欧氏距离上行人从时刻t到时刻(t+1)更趋近与第i个AP。

若(s_i(t+1)＜s_it-1)，则有o_i＝-1，代表行人移动的方向上从时刻t到时刻(t+1)采集得到的第i个AP的RSSI呈衰落趋势，RSSI变化指标为-1，间接说明在欧氏距离上行人从时刻t到时刻(t+1)更远离与第i个AP。

若(s_it-1＜s_i(t+1)＜s_it+1)，则有o_i＝0，代表行人移动的方向上从时刻t到时刻(t+1)采集得到的第i个AP的RSSI未产生明显变化，RSSI变化指标为0，间接说明在欧式距离上上行人从时刻t到时刻(t+1)与第i个AP未产生明显变化。

步骤4、定位区域中每个参考点的东、西、南、北四个方向都有距离相同的参考点，其位置坐标分别为l_e，l_w，l_s，l_n。在初始点位置，分别

与这四个邻近参考点存储在radio map中的RSSI进行步骤3的比较，获得RSSI变化矢量O_e，O_w，O_s，O_n。

步骤5、把之前得到的O(t，t-1)，分别与O_e，O_w，O_s，O_n进行异或运算，可以得到四个长度为N的数列a_e，a_w，a_s，a_n，里面只包含0、1两种元素。对O_(t，t-1)取绝对值可以得到一个长度为N的数列a_m，同样里面仅包含0、1两种元素。异或运算的规则为在同样数位上数值相同则异或运算结果为0，在同样数位上数值相异则异或运算结果为1。

步骤6、对a_e，a_w，a_s，a_n，a_m,中的数值1分别求和对应得到b_e，b_w，b_s，b_n，b_m。定义b_e，b_w，b_s，b_n，b_m为表示a_e，a_w，a_s，a_n，a_m中数值1的个数的5个整数。

步骤7、比较b_e，b_w，b_s，b_n，b_m的大小关系，从而判断估计行人的实时移动位置。

具体比较关系如下：

①若b_m为0或b_m与b_e，b_w，b_s，b_n的差值的绝对值相等，则认为用户此时刻的位置不变；

②若b_m不为0，对b_m与b_e，b_w，b_s，b_n的差值取绝对值，若仅有一个方向的数值最小，则认为数值最小的方向的参考点为用户此时刻的位置；

③若b_m不为0，对b_m与b_e，b_w，b_s，b_n的差值取绝对值，若同时存在且仅有两个方向的数值最小，则有两种情况，一是同时存在的方向为相邻的，则认为此时用户位置为最邻近这两个参考点的对角位置的参考点，二是同时存在的方向为相对的，则认为此时用户位置不变。

④若b_m不为0，对b_m与b_e，b_w，b_s，b_n的差值取绝对值，若同时存在且仅有三个方向的数值最小，则认为中间方向的参考点为此时刻用户位置。

步骤8、此次定位结束，以定位位置为新的初始位置，开始下一时刻定位。

图2其中（a）为定位区域示意，起始位置为l_t；（b）为比较关系①示意图；（c）为比较关系②示意图；（d）为比较关系③第一种情况示意图；（e）为比较关系③第二种情况示意图；（f）为比较关系④示意图。

由以上描述可知，模糊匹配算法是不断以估计位置当做初始位置来进行迭代的定位方法，这种方法的优点是计算复杂度低，环境适应性好，能较好的屏蔽行人移动引入的干扰，在行人移动时定位精度有了较大的提高。但也正是由于这种迭代方式，一旦在定位中出现方向性错误，那么这种错误将会不断累积，造成很大的定位误差。为了减少这种错误发生的概率，本发明在行人移动定位中引入了隐马尔科夫模型，并把模糊匹配算法用在了计算隐马尔科夫模型的状态转移概率上，这种方法即有较好的定位精度，也很大程度上减少了迭代方法可能引起的误差，具体方法如下：

一个隐马尔科夫模型可以表达为一个三元组{π，A，B}，

其中π为初始化概率向量，在行人移动模型中可以理解为行人可能的初始位置，一般由人为指定；

A为位置状态转移矩阵，其中的元素a_ij代表t时刻的位置状态l_i到(t+1)时刻的位置状态l_j的转移概率；

B为混淆矩阵，其中的元素(b_i(S_t)代表t时刻在位置状态l_i得到RSSI为S_t的条件概率。

隐马尔科夫模型有三种应用方法，其中前两个是模式识别的问题：给定隐马尔科夫模型求一个观察序列的概率（评估）；搜索最有可能生成一个观察序列的隐藏状态序列（解码）。第三个问题是给定观察序列生成一个隐马尔科夫模型（学习）。

通过隐马尔科夫模型在移动行人中的定义可知，通过行人移动得到的RSSI序列来估计行人移动位置的模式属于解码问题。在隐马尔科夫模型中，在已知观察序列和隐马尔科夫模型参数时可以用维特比算法用来确定最可能的隐藏状态序列。在行人移动的隐马尔科夫模型中，观察序列即RSSI序列可以通过移动设备在行人移动时采样获得；

初始概率π由人为指定，一般可以采取概率平均的方式指定；

混淆矩阵B可以通过radio map估计得到；

这两个参数在定位区域都是已知的，唯有位置状态转移矩阵A是需要用一些方法计算得到。这里就把行人移动定位的问题转换到了计算隐马尔科夫模型位置状态转移矩阵A的问题，为了减少行人移动对RSSI引入的干扰，本发明提出了一种利用模糊匹配算法来估算位置状态转移矩阵的方法。

为了提高计算效率和估算结果的准确度，在估算前还有两项准备工作需要完成。第一项是对原有radio map进行重构。重构的方式就是利用模糊匹配算法比较当前参考点与四个方向的四个最邻近参考点的RSSI值，从而得到RSSI变化指标，比较的方向是由外向内进行。重构的radio map中存储了每个参考点与其四个方向的邻近参考点的RSSI变化矢量和物理位置坐标信息。图3为radio map重构的例子，为了简单起见，图3中只给出了一个AP的RSSI值。

图3的左图为原始的radio map，其中在存储了每个参考点的位置坐标和AP的RSSI值，右图为重构后的radio map，其中存储了每个参考点的位置坐标和邻近参考点相较它的RSSI变化矢量。

第二项工作是对行人移动的隐马尔科夫模型的训练路径进行规划。行人在室内环境中的移动都是具备一定规律的，比如速度有一定限制，不可以穿墙，以及在走廊中沿直线轨迹行走。利用这些规律可以合理规划行人在室内环境中的路径，用志愿者在规划好的路径上采样得到的数据作为训练样本可以有效提高状态转移矩阵的准确度，从而提高定位精度。规划路径需满足两个条件，一是要覆盖所有参考点，二是保证规划路径包含四个方向，即从南向北，从北向南，从东向西，从西向东。

在满足下列条件的环境中：

（2）行人移动速度小于等于2m每秒，即7.2km每小时。

（3）参考点间距设置为行人移动最大速度值，此处即2m。

（4）采样间隔为1秒。

（5）定位区域radio map已构建完成。

（6）采样速度应近似于极限速度，即2m每秒。

利用模糊匹配算法来估算位置状态转移矩阵的方法可以得到较高的定位精度。因为行人每次采样间隔（1秒）的移动范围被限制在了半径为最大移动速度的圆内。模糊匹配算法就是在一定误差范围内估计当前参考点的四个邻近参考点及其本身为可能的下一时刻的行人移动位置。具体如图4所示。

完成两项准备工作后就可以利用训练路径采样的RSSI值来估算位置状态转移矩阵了。

设V＝{v₁，v₂，…，v_M}为某一条训练路径志愿者得到的采样值，采样间隔为1秒，移动速度大约为2m每秒，则M为该路径经过的参考点个数，v_i表示志愿者在参考点i采样得到的RSSI值，从参考点i到四个邻近参考点的转移概率可以按照以下方法估算：

（1）用模糊匹配算法计算v_i+1相较于v_i的RSSI变化指标O_(i，i+1)。

（2）在重构后的radio map中提取参考点的四个方向RSSI变化矢量O_e，O_w，O_s，O_n。

（3）记录下O_(i，i+1)中0的个数为N_c，N_c代表相较于t时刻的参考点i得到的RSSI，(t+1)时刻在待测位置得到的RSSI值中没发生变化的个数。O_(i，i+1)与O_e，O_w，O_s，O_n进行同或运算，记录同或运算结果中1的个数为N_e，N_w，N_s，N_n。N_sum为N_c，N_e，N_w，N_s，N_n的和，则位置状态转移概率如下：

（4）重复上述步骤，用其他三个方向规划路径的训练样本来计算位置状态转移概率，最终结果可以对不同方向的转移概率取算术平均获得。这样本方法就得到了位置状态转移概率矩阵，也就解决了利用隐马尔科夫模型进行行人移动定位的问题。

隐马尔科夫模型介绍：HMM相关文章索引，发表于2015年03月7号由52nlp；

传统位置指纹定位算法简介：

（1）NNSS（Nearest Neighbor(s)in Signal Space），即信号空间最近邻法，是最经典的确定性定位算法，最早是由RADAR系统提出。NNSS是最近邻分类法应用在信号空间中的形式。其本质仍是被广泛应用于模式识别领域的最近邻分类法。

NNSS应用在基于位置指纹定位系统的算法是，将在线定位阶段需要测得的指纹特征S与离线采集阶段构建的radio map中的指纹特征F做如下欧氏距离计算：

上式中Euclidean distance即为两个位置指纹特征的欧式距离，n代表定位区域中AP的个数，F＝(f₁，f₂，…，f_n)为radio map中的某一参考点的位置指纹，S＝(s₁，s₂，…，s_n)为在线定位阶段采样得到的位置指纹。欧氏距离最小的指纹特征对应的位置即判定为估算位置。

（2）KNN算法

与NNSS类似，但不是取最近的参考点作为估算位置，而是按欧式距离从小到大排列取前kn个位置坐标做算术平均得到用户估算位置。KNN的改进就是取权重的KNN，距离越小权重越大。这类传统算法都是以RSSI值来计算欧式距离为基础的，所以RSSI值是否可信，是否能减少对RSSI的干扰是算法精度提高的关键。

KNN算法如图5所示，

步骤1、开始，定义kn为一个不大于N的整数，N为定位区域的参考点个数，设定位置指纹数据库（radio map）中存储着所有参考点的位置指纹，且已经获得待测指纹。

步骤2、计算待测指纹与位置指纹数据库中每个指纹特征的欧式距离。

步骤3、将欧式距离由小到大排列，取前kn个指纹特征。

步骤4、对前kn个指纹特征对应的位置坐标取均值，得到待测位置的估计坐标，定位结束。

kn的取值是通过多次实验获得最佳值的，且一旦定位环境发生变化，例如定位区域，AP数量，室内环境、甚至定位时间段发生变化，kn都需要再次根据实验结果调整才可以达到较好的定位精度。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims

1.一种室内WLAN环境下行人定位的方法，其特征在于：以行人移动定位的隐马尔科夫模型为基础，运用模糊思维，利用重建的radio map和规划路径通过RSSI变化指标模糊匹配来估算隐马尔科夫模型转移矩阵，最终利用隐马尔科夫转移矩阵配合实际定位时得到的RSSI变化指标估算出用户位置，实现行人移动过程中的定位。

2.根据权利要求1所述的一种室内WLAN环境下的行人定位方法，其特征在于通过维特比算法和模型部分参数来估计行人位置，通过模糊匹配算法来估计模型的位置状态转移矩阵。

3.根据权利要求1所述的一种室内WLAN环境下的行人定位方法，其特征在于radio map重构时要利用模糊匹配算法对静态采样得到的RSSI进行比较计算，比较的方向为由外向内，每个参考点中最多包含有四个方向的RSSI变化矢量，RSSI变化矢量代表了比较的方向和比较结果，RSSI变化矢量比RSSI变化指标多了方向信息。

4.根据权利要求2所述的一种室内WLAN环境下的行人定位方法，其特征在于为了得到状态转移矩阵需要训练数据，在室内环境中按照一定规律规划训练路径，一是包含东南西北四个方向，二是覆盖所有参考点。

5.根据权利要求1所述的一种室内WLAN环境下的行人定位方法，其特征在于建立的隐马尔科夫模型，其观测状态空间由RSSI信号值变为RSSI变化指标；RSSI变化指标定义为RSSI在某一方向上测量得到的信号值的变化趋势。

6.根据权利要求1所述的一种室内WLAN环境下的行人定位方法，其特征在于应用有AP数量的限制，行人移动速度的限制，采样间隔限制，采样时移动速度的限制；参考点间距为行人最大移动速度值且已有静态采样得到的radio map。

7.根据权利要求1所述的一种室内WLAN环境下的行人定位方法，其特征在于以RSSI的变化情况来代替具体的RSSI数值做为判断行人位置的依据；步骤如下：通过静态采样方式获得行人初始位置与RSSI；采样得到行人移动过程中的RSSI；比较两个RSSI得到一个比较结果；比较初始位置与东南西北四个参考点的RSSI，得到四个比较结果；通过异或运算计算这些比较结果的差异性；按照一定比对关系估计出行人位置。

8.根据权利要求2所述的一种室内WLAN环境下的行人定位方法，其特征在于在应用模糊匹配算法于位置状态转移矩阵时，步骤如下：通过静态采样方式获得行人初始位置与RSSI；采样得到行人移动过程中的RSSI；比较两个RSSI得到一个比较结果；查询重构的radio map得到初始点与四个方向参考点的比较结果；通过同或运算获得RSSI不变的个数，把所有不变的个数相加作为分母，分子为每个反向不变的个数，则分数为状态转移概率，所有参考点的状态转移概率即为状态转移矩阵；四个方向的路径有四个方向的训练数据，对四个方向的训练数据得到的状态转移矩阵做算术平均，即为有一定定位精度保证的位置状态转移概率。