CN107046711A - 一种室内定位的数据库建立方法和室内定位方法及装置 - Google Patents

Abstract

本发明公开了一种室内定位的数据库建立方法和室内定位方法及装置，该方法包括：接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。通过本发明的技术方案，避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

Description

一种室内定位的数据库建立方法和室内定位方法及装置

技术领域

本发明实施例涉及定位技术，尤其涉及一种室内定位的数据库建立方法和室内定位方法及装置。

背景技术

室内定位技术是现有定位技术中的一个重要组成部分，大量满足了人们在室内的定位需求，广泛使用在很多应用软件的功能中。

传统的室内定位技术原理一般是基于室内的无线信号来实现的。众所周知，无线信号的信号强度在空间传播过程中，会随着传播距离的增加而减弱，接收端设备与信号源距离越近，接收到的信号强度就越强；接收端设备与信号源距离越远，接收到的信号强度就越弱。根据接收端设备接收到的信号强度和已知的无线信号衰落模型，可以估算出接收端设备和信号源之间的距离。根据估算出的接收端设备与多个信号源之间的距离，以及各信号源位置，就可以计算出接收端设备的位置。

对于提供室内定位技术的服务商，为了实现室内定位服务，一般需进行两个阶段的工作。第一，需要针对目标建筑物建立其室内定位信息数据库，即预先确定目标建筑物内部的各信号源及其位置，根据目标建筑物的平面位置图，确定各坐标点处能接收到的信号源所发出无线信号的状态，作为该坐标点的信号指纹，与坐标点进行对应存储，逐渐形成室内定位信息数据库。该过程一般需要工作人员进行现场数据采集，驱动专用的采集车辆来进行信号采集。第二、为用户提供室内定位服务，具体是定位服务器接收用户的室内定位请求，其中携带有该用户的终端设备所采集到的无线信号的状态，定位服务器将该用户的无线信号状态与室内定位信息数据库中各坐标点的信号指纹进行匹配，根据匹配结果找到对应的坐标点，作为定位结果反馈给用户。

在研究本发明技术方案的过程中，发明人发现上述实现室内定位技术的过程中，最大的难题来自于信号源的高度不稳定。信号源的不稳定可能体现在提供信号源的商家或个人，可能会更换信号源；即使未更换的信号源，也会由于信号源的性能而使其所发出的无线信号状态不稳定。由于信号源的不稳定，定位精度无法提升，定位效果随时间迅速衰减。现有技术为了达到较好的定位效果，通常需要高密度的采集现场信号，即获得足够多的已知信号源的情况，这样能减少部分信号源不稳定时带来的定位误差。不过显然，采集的工作量大幅增加，人工成本极高。

发明内容

本发明实施例提供一种室内定位的数据库建立方法和室内定位方法及装置，以实现高精度的室内定位，并尽量减少采集的人工工作量。

第一方面，本发明实施例提供了一种室内定位的数据库建立方法，包括：

接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；

根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；

如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

进一步的，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的移动状态和移动距离；

如果所述用户设备为非行走状态，或所述移动距离小于第一距离阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

进一步的，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的姿态；

如果所述用户设备的姿态变化超过设定姿态阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

进一步的，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的移动距离；

如果所述移动距离小于第二距离阈值，则将所述用户设备上报的信号源的标识和信号状态信息，与预设锚点的信号源标识和信号状态信息进行匹配；

如果所述用户设备移动轨迹中的信号源标识和信号状态信息与两个锚点匹配，则截取移动轨迹中与锚点匹配的两个轨迹点之间的轨迹段；

将轨迹点重合的至少两个用户设备各自的轨迹段连续拼合形成一段移动轨迹。

进一步的，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练包括：

根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围；

根据所述信号源的标识和信号状态信息，识别信号源的信号衰变轨迹；

将所述信号衰变轨迹中的中心点确定为预设锚点，且根据目标空间的标志物确定预设锚点；

根据用户设备的移动距离，建立各预设锚点之间的关联关系，形成无线信号网络模型；

根据各所述信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型。

进一步的，所述无线信号网络模型为神经网络模型，所述神经网络模型中的神经元至少包括：建筑标志物、楼层和楼层转换物。

第二方面，本发明实施例还提供了一种室内定位的实现方法，该方法包括：

接收用户设备发送的室内定位请求；

从所述室内定位请求中获取信号源的标识和信号状态信息；

根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；

将匹配的定位结果反馈给所述用户设备。

进一步的，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配之前，还包括：

根据所述信号源的标识和信号状态信息，基于预设神经网络模型对信号进行分类；

按照分类结果，确定在信号指纹数据库中进行匹配时所执行的位置匹配算法。

进一步的，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配包括：

识别所述用户设备的历史时刻定位结果；

根据所述历史时刻定位结果确定信号指纹数据库中坐标点的匹配概率；

根据所述信号源的标识和信号状态信息，以及所述匹配概率，在信号指纹数据库中进行匹配。

第三方面，本发明实施例还提供了一种室内定位的数据库建立装置，该装置包括：

信号接收模块，用于接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；

模型训练模块，用于根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；

模型确定模块，用于如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

第四方面，本发明实施例还提供了一种室内定位的实现装置，该装置包括：

请求接收模块，用于接收用户设备发送的室内定位请求；

信号获取模块，用于从所述室内定位请求中获取信号源的标识和信号状态信息；

信号匹配模块，用于根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；

结果反馈模块，用于将匹配的定位结果反馈给所述用户设备。

本发明通过接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练，如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。本发明实施例的技术方案，利用了海量的用户数据来训练建立无线信号指纹数据库，避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

附图说明

图1是本发明实施例一中的一种室内定位的数据库建立方法的流程图；

图2是本发明实施例二中的一种室内定位的数据库建立方法的流程图；

图3是本发明实施例三中的一种室内定位的数据库建立方法的流程图；

图4是本发明实施例四中的一种室内定位的实现方法的流程图；

图5是本发明实施例五中的一种室内定位的数据库建立装置的结构示意图；

图6是本发明实施例六中的一种室内定位的实现装置的结构示意图；

图7是本发明实施例一中的一种室内定位的数据库建立方法的流程图；

图8是本发明实施例一中的一种室内定位的数据库建立方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种室内定位的数据库建立方法的流程图，本实施例可适用于对室内定位的数据库建立的情况，该方法可以由本发明实施例中的室内定位的数据库建立装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

S110，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息。

其中，所述用户设备可以为手机，也可以为平板电脑等通常能够随用户移动且能够收发无线信号的设备，本实施例对此不进行限制，所述信号源是能够发射无线信号的设备，例如提供WiFi接入的WiFi热点、蜂窝基站和蓝牙设备等。信号源的标识可以为发射WiFi的信号源的WiFi标识，也可以为发射蓝牙的信号源的蓝牙标识，还可以为发射信令的蜂窝基站的标识等，本实施例对此不进行限制。所述信号状态信息是能够表征无线信号在当前位置的状态的参数，典型的是以信号强度来表示信号状态。

在一个具体的例子中，在一个购物商城中接收商场中的所有用户设备在移动轨迹中上报的用户设备能够获取的无线信号的信号源的标识，例如可以是，用户设备获取到第一咖啡厅的WiFi，信号源标识为第一咖啡厅，信号状态信息为用户设备获取的第一咖啡厅的WiFi的强度。同时，该用户设备还可能同时获取蜂窝基站的信号，则一起上报至服务器端。

S120，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练。

其中，所述目标空间的平面地图为需要建立无线信号指纹数据库的室内空间的平面地图。例如某个建筑物，通常这类建筑物是能够预先获得其平面地图的，平面地图中标明了该建筑物空间的标志性物体，例如出入口、楼梯、和店铺等的坐标位置信息，但是无法提供在建筑物空间内各位置处的无线信号情况。

具体的，可以根据初期一定数量的各信号源的标识、各信号源在目标空间中的信号状态信息以及用户设备的移动距离，建立初始的无线信号网络模型。其中，用户设备的移动距离可根据对人步行速度的估算以及移动时间来确定。将初始模型所形成的无线信号网络与目标空间的平面地图叠加在一起。该初始模型中各位置点的无线信号情况可能与该位置点的实际无线信号情况有较大差距，所以需进一步根据之后上报的信号源的标识和信号状态信息对所述建立的初始无线信号网络模型进行训练，逐步缩小模型与实际无线信号情况的差距，趋近于跟实际情况相符。

S130如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

其中，所述收敛条件指的是通过新采集到的无线信号情况对无线信号网络模型进行训练时，无线信号网络模型的参数变化小于设定范围，则说明无线信号网络模型以及趋近于与实际情况相符合，新采集的无线信号不会再大概率的变更该网络模型。

具体作为收敛条件来识别的参数可以是网络模型的拉伸量。具体的，所建立的无线信号网络模型实际上是由多个位置点的信号情况组成的网络，在训练过程中不断的估算各个位置点的无线信号情况，直至收敛。在将初始建立的网络模型与平面地图叠加时，由于无法获知各位置点的准确坐标位置，所以是采用一定的算法将网络模型进行距离拉伸，使其与平面地图的位置范围相匹配。在训练过程中，会不断基于训练数据获知某些点的无线信号情况，从而需要不断改变对原有各位置点的估算位置，相当于在无线网络信号模型中移动位置点，拉伸位置点之间的网络连线。对网络连线的拉伸量可作为收敛条件的参数，当训练过程中，确定网络连线的拉伸量的变化小于设定阈值时，则说明该无线信号网络模型的内部熵状态达到接近稳态，可作为确定的网络模型了。

本实施例的技术方案，无需使用专用的采集车等设备进行人工采集，而是利用在目标建筑物中移动的普通用户设备，进行海量无线信号数据的提取，并基于海量数据进行训练来建立无线信号指纹数据库，避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

在上述技术方案中，为了从海量数据中准确获取有效数据，并能够采用优化的算法来训练形成无线信号网络模型，优选实施如下操作。

首先，在目标建筑物内移动的用户很多，会处于很随机的状态，例如，有人在商场中闲逛，有人在接打电话，有人停留在某处购物。所有这些状态的用户都会上报无线信号状态信息，然而，如果该用户正在使用手机打电话、操作一些应用软件，则手机的信号状态会处于不稳定的状态。或者是将手机从背包中拿出到手上又放回去，也会由于手机相对于人体的位置变化，而改变其接收到的无线信号的强度。所以，优选是获取未使用用户设备，且用户设备相对于人体没有发生明显位置变化的无线信号作为训练用的数据，更为准确。

所以，可选的，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的姿态；

其中，所述用户设备的姿态可以通过用户设备上的陀螺仪和加速度传感器进行姿态识别。

如果所述用户设备的姿态变化超过设定姿态阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

具体的，若用户设备被遮挡，则会导致信号强度变弱，则需要识别用户设备的姿态，如果用户设备的姿态能够导致信号强度变化，则需要丢弃用户设备上报的信号源的标识和信号状态信息，过滤掉这些不确定因素，避免出现上报的信号源的标识和信号状态信息不准确的情况。

其次，若用户设备的移动距离较短，例如，移动了几步之后拿出手机看了一下微信，又继续放回手机，则可能使得该用户设备上报的移动轨迹是断开的短距离移动轨迹。当移动轨迹的距离过短的时候，对移动距离的估算等数据准确性都会下降，所以优选是选择连续稳定移动一定长距离的移动轨迹作为训练用数据。但是，由于用户移动的随机性，可能导致符合条件的长距离移动轨迹较少，不足以进行训练，所以，可以采用如下操作，将短距离移动轨迹进行拼合来作为训练用数据。

可选的，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的移动距离；

如果所述移动距离小于第二距离阈值，则将所述用户设备上报的信号源的标识和信号状态信息，与预设锚点的信号源标识和信号状态信息进行匹配；

如果所述用户设备移动轨迹中的信号源标识和信号状态信息与两个锚点匹配，则截取移动轨迹中与锚点匹配的两个轨迹点之间的轨迹段；

将轨迹点重合的至少两个用户设备各自的轨迹段连续拼合形成一段移动轨迹。

具体的，用户设备的移动距离小于第二距离阈值的情况下，说明用户的移动距离比较短，则将用户设备上报的信号源的标识和信号状态信息与预设锚点的信号源标识和信号状态信息进行匹配。如果用户设备移动轨迹中的信号源标识和信号状态信息与两个锚点匹配，则截取移动轨迹中与锚点匹配的两个轨迹点之间的轨迹段，将轨迹点重合的至少两个用户设备各自的轨迹段连续拼合形成一段移动轨迹。将移动距离较小的轨迹点进行拼合，拼合形成一段移动轨迹。预设锚点是能够初步确定该点的无线信号情况，或者无线信号情况具有某些预设特征的点，将这些点作为拼合短距离移动轨迹的拼接点，能够有效获得长距离的移动轨迹。例如，用户设备路过某个信号源所在位置时，其接收到的无线信号强度会发生从弱到强，再从强到弱的变化，那么，信号强度最强的位置，一般是距离该信号源最近的位置，具备该特征的位置即可作为一个锚点。将各段移动轨迹中具备相同锚点的轨迹段进行拼合，说明不同的用户可能均路过了这个锚点。

在该无线信号网络模型初始建立时，可以利用一些已有的目标物特点来建立初始模型。

可选的，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练包括：

根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围；

根据所述信号源的标识和信号状态信息，识别信号源的信号衰变轨迹；

将所述信号衰变轨迹中的中心点确定为预设锚点，且根据目标空间的标志物确定预设锚点；

根据用户设备的移动距离，建立各预设锚点之间的关联关系，形成无线信号网络模型；

根据各所述信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型。

上述方案中，预设锚点的确定可以有两种方式，一种是基于信号衰变轨迹，将中心点确定为预设锚点，当然，也可以基于其他明显的信号变化特征来确定预设锚点。另一种是基于目标空间内的标志物来确定预设锚点，这些标志物一般也会有明显的信号变化特征。例如，在建筑物与外界连通的出入口，通常用户设备能识别到的GPS卫星信号的强度会有明显的衰减变化，可以据此确定出现这些变化情况的位置是出入口。再例如，当用户设备的无线信号情况有明显变化，但是移动距离没有明显变化时，则该用户有可能改变了楼层，则大概率是位于电梯、自动扶梯处。利用这些特殊位置的信号变化特点，也可以确定预设锚点的位置。

因此，所述无线信号网络模型优选为神经网络模型，所述神经网络模型中的神经元至少包括：建筑标志物、楼层和楼层转换物。即，利用神经网络模型的特点，将各个预设锚点作为神经元，这些神经元中包括具有明显无线信号状态变化特征的位置，例如建筑标志物、楼层和楼层转换物等。建筑标志物例如为出入口、楼层转换物例如为电梯、自动扶梯等。

本实施例使用回归神经网络(RNN，Recurrent Neural Network)建立“信号-网络-结果”模型，使用Crowd Source技术实现众筹式积累训练数据并实时更新模型。具体的实现过程如图7所示，测试数据在已经建立的数据模型及数据集上进行位置判断的过程中，回归式神经网络不仅可以根据当前的测试数据进行类似普通人工神经网络的操作，同时，其每个神经元都可以视为一个时序的类隐马尔科夫模型，将历史中的测试数据包含进内；所以在最初训练该神经网络时，也需将地理位置信息进行输入，简单来说就是将产生的路径作为数据训练出相关联位置对应的神经元节点之间的转移关系。

所以当测试数据输入时，通过当前信号观测结合数据模型通过RNN产生了对于当前观测的概率，同时对于用户产生的连贯的历史数据将假设其位置不会发生跳动式变化，于是将通过其历史位置产生转移概率，且信号层面也逐渐将历史信号与当前信号之间产生关联，来平滑掉信号上的随机噪声。

于是，每一次的定位结果都会作为反馈数据进入对应位置的神经元，产生时序关联，则整个网络虽然需要更多的存储空间，但单次预测的准确率和连续定位中的连续性将会明显提升，适合于在服务端提供位置服务，暂时对客户端来说计算和存储压力都偏大。

如图8所示，同时，同样的神经网络设计模型也应用在楼层的确认区分中，当未知数据输入，将通过时序的关联关系确认用户所在楼层，这部分将不再赘述，同时，将位置判断结果也反馈进楼层区分的网络中，并将地图数据也作为训练依据，也就是说只有楼梯、直梯、扶梯以及电梯等可以发生楼层转换的区域附近的神经元才会具备转换楼层的转移概率，而其余地区将只具备极低的转移概率去发生楼层转换。同时由于扶梯、直梯以及楼梯等可以发生的楼层转化相对比较确定，比如1层至3层的扶梯将使得神经元区别于直梯等可以到达各层的神经元，因此可以建立更加直接具体的连接概率。

实施例二

图2为本发明实施例二中的一种室内定位的数据库建立方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：识别所述用户设备的移动状态和移动距离；如果所述用户设备为非行走状态，或所述移动距离小于第一距离阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

由此，通过限制用户设备的移动状态和移动距离，能够实现对用户设备上报的数据进行初步的筛选，将用户设备为非行走状态，或所述移动距离小于第一距离阈值的数据丢弃，能够提升无线信号网络模型的建立时间，使得无线信号网络模型更加精确。

如图2所示，本实施例的方法具体包括如下步骤：

S210，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息。

S220，识别所述用户设备的移动状态和移动距离。

其中，所述移动状态可以为行走状态，也可以为非行走状态。所述移动距离为用户移动的距离。

其中，所述识别所述用户设备的移动状态可以通过陀螺仪或者加速度传感器等获取，所述移动距离也可以通过GPS定位或者关于测步的应用获取。

S230，如果所述用户设备为非行走状态，或所述移动距离小于第一距离阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

具体的，如果所述用户设备为非行走状态，或所述移动距离小于第一距离阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息，是为了过滤掉一些不必要的数据，若用户没有走动，或者移动距离过小，则无需获取上报的信号源的标识和信号状态信息，因为用户设备上报的信号源的标识和信号状态信息不会有太大的变化。

S240，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练。

S250，如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

本实施例的技术方案，通过限制用户设备的移动状态和移动距离，能够实现对用户设备上报的数据进行初步的筛选，将用户设备为非行走状态，或所述移动距离小于第一距离阈值的数据丢弃，能够提升无线信号网络模型的建立时间，使得无线信号网络模型更加精确。

实施例三

图3为本发明实施例三中的一种室内定位的数据库建立方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练包括：根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围；根据所述信号源的标识和信号状态信息，识别信号源的信号衰变轨迹；将所述信号衰变轨迹中的中心点确定为预设锚点，且根据目标空间的标志物确定预设锚点；根据用户设备的移动距离，建立各预设锚点之间的关联关系，形成无线信号网络模型；根据各所述信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型。

由此，通过确定预设锚点，以及建立预设锚点之间的关系形成无线信号网络模型，并根据各信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型，在无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

如图3所示，本实施例的方法具体包括如下步骤：

S310，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息。

S320，根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围。

具体的，先根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围，例如可以是，所述目标空间为商场，根据商场的平面地图确定无线信号网络模型的地理覆盖范围为商场。

S330，根据所述信号源的标识和信号状态信息，识别信号源的信号衰变轨迹。

由于用户设备在移动，因此识别到的信号源的信号强弱就会随着用户设备的移动而改变，其中，所述信号源的信号衰变轨迹为用户设备识别到的信号源的信号的强弱的变化曲线。

具体的，在用户设备移动的过程中，会出现信号源的信号变强或者变弱的情况，随着用户设备的移动，接收到的信号源的信号的强弱会跟随用户设备距离信号源的距离而变化，例如可以是，用户设备距离信号源比较远，则识别到的信号源的信号就会很弱，用户设备距离信号源比较近，则识别到的信号源的信号就会很强。

S340，将所述信号衰变轨迹中的中心点确定为预设锚点，且根据目标空间的标志物确定预设锚点。

其中，所述预设锚点为构建无线信号网络模型的初始的若干点。其中，所述标志物可以为商场的出口，也可以为商场的入口，本实施例对此不进行限制。

例如，用户设备识别到第一咖啡厅的WiFi信号，并且识别到第一咖啡厅的WiFi信号随着用户设备的移动由信号刚开始很弱，后来慢慢变强，之后又慢慢变弱的过程，通过信号的强弱状态可以得知用户设备在刚开始识别到第一咖啡厅的WiFi信号比较弱的时候，是距离第一咖啡厅有一定的距离的时候，用户设备在慢慢接近第一咖啡厅的时候，第一咖啡厅的WiFi信号渐渐变强，在用户设备识别到的第一咖啡厅的WiFi信号最强的时候是距离第一咖啡厅最近的时候，在用户设备识别到的第一咖啡厅的WiFi信号渐渐变弱的时候，是用户设备渐渐远离第一咖啡厅的时候，因此可以将识别出的信号衰变轨迹中的中心点确定为预设锚点。

在一个具体的例子中，如果所述目标空间为商场，先确定商场的出入口，可以根据用户设备在进入商场后卫星信号会因为被遮挡而失效确定商场的出入口，也可以根据用户设备自动断开定位功能确定商场的出入口，还可以根据用户设备耗电量的变化确定商场的出入口，将商场的出入口确定为预设锚点。

S350，根据用户设备的移动距离，建立各预设锚点之间的关联关系，形成无线信号网络模型。

其中，用户的移动距离可以根据用户设备测得的步速和时间进行估算。其中，建立各预设锚点之间的关联关系为锚点之间的相对距离。

在一个具体的例子中，如果所述用户设备为手机，手机具备测量步速和用户移动的时间的能力，因此可以根据手机测得的用户的步速和移动时间确定用户的移动距离，进而建立锚点之间的相对距离。

S360，根据各所述信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型。

具体的，根据用户设备上报的信号源的标识和信号状态信息对通过预设锚点形成的无线信号网络模型进行修正，使得无线信号网络模型更加精确。

S370，如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

本实施例的技术方案，通过确定预设锚点，以及建立预设锚点之间的关系形成无线信号网络模型，并根据各信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型，在无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

实施例四

图4为本发明实施例四提供的一种室内定位的实现方法的流程图，本实施例可适用于对室内定位的实现的情况，该方法可以由本发明实施例中的室内定位的实现装置来执行，该装置可采用软件和/或硬件的方式实现，如图4所示，该方法具体包括如下步骤：

S410，接收用户设备发送的室内定位请求。

S420，从所述室内定位请求中获取信号源的标识和信号状态信息。

S430，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配。

S440，将匹配的定位结果反馈给所述用户设备。

可选的，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配之前，还包括：

根据所述信号源的标识和信号状态信息，基于预设神经网络模型对信号进行分类；

按照分类结果，确定在信号指纹数据库中进行匹配时所执行的位置匹配算法。

具体的，如果用户设备获取的信号源的标识比较多，则说明用户设备所处的位置比较复杂，相应的位置匹配算法也就比较复杂；如果用户设备获取的信号源的标识比较少，则说明用户设备所处的位置比较简单，相应的位置匹配算法也就比较简单。因此需要根据信号源的标识和信号状态信息对信号进行分类。

例如，2.4G和5G的电磁信号的衰落曲线决定了，当信号强度低于特定阈值之后，其所在定位中能够起到作用的置信度会大幅度降低，所以对于不同的信号的强度状态，可给予不同的置信度用以综合评价。而之前所述特定阈值，又由信号源的型号决定的信源初始发射功率决定，所以对于不同信号标识对应的型号，使用不同的特定阈值去根据信号强度调整信号对于位置产生影响的置信程度。

在实际使用过程中，如果遇到信号标识的数量过多，导致定位计算复杂度过高，可根据信号的强度状态去筛选出置信度较高的一部分信号用于计算，如果这样的筛选依然会导致很大的信号标识数量，则可以根据型号判定筛选初始发射功率强的信号进行计算，以保证置信度不会大幅下落的同时，计算压力变小。而这些，都依赖对于不同信号标识和信号状态的类型区分达成的。

在一个具体的例子中，如果用户所处的位置为信号源1、信号源2、信号源3、信号源4以及信号源5所覆盖区域内，则获取到的用户设备上报的信号源的标识比较多，因此相应的位置匹配算法的输入数据比较多导致位置匹配算法相对比较复杂，如果用户所处的位置为信号源1和信号源2所覆盖区域内，则获取到的用户设备上报的信号源的标识比较少，因此相应的位置匹配算法的输入数据比较少导致位置匹配算法相对比较简单。

可选的，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配包括：

识别所述用户设备的历史时刻定位结果；

根据所述历史时刻定位结果确定信号指纹数据库中坐标点的匹配概率；

根据所述信号源的标识和信号状态信息，以及所述匹配概率，在信号指纹数据库中进行匹配。

其中，所述用户设备的历史时刻定位结果可以为用户设备相距时间比较短的上一时刻的定位结果，也可以为用户设备移动距离比较短的上一时刻的定位结果。

具体的，根据所述历史时刻定位结果确定信号指纹数据库中坐标点的匹配概率，例如可以是，如果历史时刻定位结果为用户设备处于第一咖啡厅，则在比较短的时间内，用户设备一定在第一在咖啡厅附近范围，则可以先在指纹数据库中第一咖啡厅附近进行匹配。具体的，通过识别历史时刻的用户设备的定位结果可以根据历史时刻定位结果在信号指纹数据库中进行匹配，有针对性的进行匹配能够节约数据匹配的时间。

上述操作即基于一定时间周期内有特定行为模式的数据进行更加准确地预测，如当用户在一段历史时间内一直沿着某一直线路径向同一方向行进，则可以不仅基于其上一个历史事件的位置圈定下一个位置可能出现的区域，同时会提升其历史行走方向对应的区域可能出现下一个位置点的概率，在进一步缩减候选位置的指纹集以降低计算压力的同时，也可以提升位置确认的精准度。

本实施例的技术方案，通过接收用户设备发送的室内定位请求；从所述室内定位请求中获取信号源的标识和信号状态信息；根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；将匹配的定位结果反馈给所述用户设备，避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

实施例五

图5为本发明实施例五的一种室内定位的数据库建立装置的结构示意图。本实施例可适用于室内定位的数据库建立的情况，该系统可采用软件和/或硬件的方式实现，该系统可集成在任何提供室内定位的数据库建立的设备中，如图5所示，所述室内定位的数据库建立装置具体包括：信号接收模块510、模型训练模块520和模型确定模块530。

其中，信号接收模块510，用于接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；

模型训练模块520，用于根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；

模型确定模块530，用于如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

本实施例的技术方案，通过信号接收模块接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息，模型训练模块根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练，如果所述无线信号网络模型达到收敛条件，模型确定模块则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

实施例六

图6为本发明实施例六的一种室内定位的实现装置的结构示意图。本实施例可适用于室内定位的实现的情况，该系统可采用软件和/或硬件的方式实现，该系统可集成在任何提供室内定位的实现的设备中，如图6所示，所述室内定位的实现装置具体包括：请求接收模块610、信号获取模块620、信号匹配模块630和结果反馈模块640。

其中，接收模块610，用于接收用户设备发送的室内定位请求；

获取模块620，用于从所述室内定位请求中获取信号源的标识和信号状态信息；

匹配模块630，用于根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；

反馈模块640，用于将匹配的定位结果反馈给所述用户设备。

本实施例的技术方案，通过接收用户设备发送的室内定位请求；从所述室内定位请求中获取信号源的标识和信号状态信息；根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；将匹配的定位结果反馈给所述用户设备，避免了由于信号源不稳定导致过度增加采集的工作量的情况，能够实现高精度的室内定位，并尽量减少采集的人工工作量。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种室内定位的数据库建立方法，其特征在于，包括：

接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；

根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；

如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

2.根据权利要求1所述的方法，其特征在于，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的移动状态和移动距离；

如果所述用户设备为非行走状态，或所述移动距离小于第一距离阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

3.根据权利要求1所述的方法，其特征在于，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的姿态；

如果所述用户设备的姿态变化超过设定姿态阈值，则丢弃该用户设备上报的信号源的标识和信号状态信息。

4.根据权利要求1所述的方法，其特征在于，接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息之后，还包括：

识别所述用户设备的移动距离；

如果所述移动距离小于第二距离阈值，则将所述用户设备上报的信号源的标识和信号状态信息，与预设锚点的信号源标识和信号状态信息进行匹配；

如果所述用户设备移动轨迹中的信号源标识和信号状态信息与两个锚点匹配，则截取移动轨迹中与锚点匹配的两个轨迹点之间的轨迹段；

将轨迹点重合的至少两个用户设备各自的轨迹段连续拼合形成一段移动轨迹。

5.根据权利要求1所述的方法，其特征在于，根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练包括：

根据目标空间的平面地图确定初始的无线信号网络模型的地理覆盖范围；

根据所述信号源的标识和信号状态信息，识别信号源的信号衰变轨迹；

将所述信号衰变轨迹中的中心点确定为预设锚点，且根据目标空间的标志物确定预设锚点；

根据用户设备的移动距离，建立各预设锚点之间的关联关系，形成无线信号网络模型；

根据各所述信号源的标识和信号状态信息对无线信号网络模型进行迭代训练，以修正所述无线信号网络模型。

6.根据权利要求5所述的方法，其特征在于，所述无线信号网络模型为神经网络模型，所述神经网络模型中的神经元至少包括：建筑标志物、楼层和楼层转换物。

7.一种室内定位的实现方法，其特征在于，包括：

接收用户设备发送的室内定位请求；

从所述室内定位请求中获取信号源的标识和信号状态信息；

根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；

将匹配的定位结果反馈给所述用户设备。

8.根据权利要求7所述的方法，其特征在于，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配之前，还包括：

根据所述信号源的标识和信号状态信息，基于预设神经网络模型对信号进行分类；

按照分类结果，确定在信号指纹数据库中进行匹配时所执行的位置匹配算法。

9.根据权利要求7所述的方法，其特征在于，根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配包括：

识别所述用户设备的历史时刻定位结果；

根据所述历史时刻定位结果确定信号指纹数据库中坐标点的匹配概率；

根据所述信号源的标识和信号状态信息，以及所述匹配概率，在信号指纹数据库中进行匹配。

10.一种室内定位的数据库建立装置，其特征在于，包括：

信号接收模块，用于接收各用户设备在移动轨迹中上报的信号源的标识和信号状态信息；

模型训练模块，用于根据所述信号源的标识和信号状态信息，目标空间的平面地图，以及用户设备的移动距离，建立无线信号网络模型并进行训练；

模型确定模块，用于如果所述无线信号网络模型达到收敛条件，则将所述无线信号网络模型作为所述目标空间的信号指纹数据库。

11.一种室内定位的实现装置，其特征在于，包括：

请求接收模块，用于接收用户设备发送的室内定位请求；

信号获取模块，用于从所述室内定位请求中获取信号源的标识和信号状态信息；

信号匹配模块，用于根据所述信号源的标识和信号状态信息，在信号指纹数据库中进行匹配；

结果反馈模块，用于将匹配的定位结果反馈给所述用户设备。