CN107343258A - 一种基于多信道信号强度检测的车内定位方法及系统 - Google Patents
一种基于多信道信号强度检测的车内定位方法及系统 Download PDFInfo
- Publication number
- CN107343258A CN107343258A CN201710439578.0A CN201710439578A CN107343258A CN 107343258 A CN107343258 A CN 107343258A CN 201710439578 A CN201710439578 A CN 201710439578A CN 107343258 A CN107343258 A CN 107343258A
- Authority
- CN
- China
- Prior art keywords
- location
- car
- data
- channel
- intensity detection
- 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
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
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Abstract
本发明公开了一种基于多信道信号强度检测的车内定位方法及系统,其中方法包括如下步骤:在车内不同位置安装蓝牙信标,以使每个蓝牙信标在多个信道上进行广播;接收终端接收多个所述蓝牙信标广播的所述多个信道的无线广播信号数据;将与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。通过本发明能够方便实施车内定位方法,能够使车内定位结果准确、定位精度高。
Description
技术领域
本发明涉及定位技术领域,具体涉及一种基于多信道信号强度检测的车内定位方法及系统。
背景技术
目前基于位置的服务已经越来越重要,室外环境的定位由于GPS的普及也已经变得准确度很高而且便于使用,同样,车内定位也有其重要意义:在物联网的领域中,可以根据乘客在车内的分布自动对车内的空间进行调整;已知乘客在车内的位置,根据用户的位置提供不同的安全管理限制,对于主驾驶位的用户,限制其手机的使用,而其他位置的用户,可以提供更多的娱乐服务;可以说,车内定位对于实现车辆的智能化起到了重要的作用。对比与GPS定位和室内定位方法,车内定位的方法却比较少,近些年来的室内定位进展的如火如荼,但车内环境和普通的室内环境存在着很大差距,导致了室内定位的方法不能完全适用于车内定位的主要有:1、车内和室内相比,空间更加封闭、狭小,资源更加有限,并且汽车经常会处于运动状态,许多方法,例如结合手机传感器(加速度传感器,陀螺仪等)并结合上下文信息,就不能适用于车内定位;2、从应用角度,车辆内部不便于大量部署类似WiFI、RFID等较大型无线设备;3、车辆在出厂之后设备、布线基本固定,不能做过多改动,故对车辆进行修改的方法不适用;4、从实用方法和可操作角度来看,使用蓝牙信号的RSSI是较好的选择,但传统使用蓝牙RSSI的一般精度在1-3m左右,或是定位到房间级别,一般的小客车空间本身比较小,大概在1-3m左右,因此车内定位的精度必须要高于这个精度,传统的方法也不适用于车内。
现有的车内定位主要包括如下技术方式:一、通过使用由蓝牙BLE进行信号传输的控制器和OCD(occupant communication device OCD)的双向接收装置对接收终端是否在主驾驶位进行判断。这种方法在确定位置时只使用了阈值和计数器,在车内这种拥挤,狭窄的环境,多径效应及其严重,得到的波形严重跳变,仅仅使用滤波和阈值比较的方法会导致定位结果的不准确;在使用时使用了多个收发器,空间浪费比较严重,而且在分辨车内的位置时,单单判断了是否处于主驾驶位,分类的精度不够高;二、使用了声波定位的技术,首先使用不同的频率在车内进行测试,找到一个干扰最小的频率,然后对车内的喇叭进行整改,并加入多个喇叭,在喇叭中加入干扰最小的频率的声波,再根据声波的到达接收位置的时间差来对车内的位置进行判断,虽然效果比较好,但是实现起来比较复杂,可部署性比较差,需要对车内原有设备进行改造,并不适用于现有车辆以及降低部署成本;三、在定位区域内布置多个无线信号发射器,以固定的发射功率广播发送无线信号,在定位过程中,将移动目标上的移动终端接收到的无线信号的信号特征与预先测得的信号特征进行匹配,确定出移动目标在定位区域内的位置。但这种方式并不能完全适用于车内,车内由于干扰较重,信号之间干扰和跳变都现象明显,会出现同样的特征匹配不同位置的情况,仅使用特征匹配的方法效果精度不够高。
发明内容
本发明的目的是为了解决上述问题而提出的,提供一种高精度的车内定位方法以及系统。特别是提供了一种有效、可实施的车内定位方法,通过采集位于车内不同位置不同信道的RSSI值对车内位置进行判断,从而分辨出接收终端或持有接收终端的人员的位置信息。
为了实现上述目的,本发明提供了一种基于多信道信号强度检测的车内定位方法,包括如下步骤:
在车内不同位置安装蓝牙信标,以使每个蓝牙信标在多个信道上进行广播;
接收终端接收多个所述蓝牙信标广播的所述多个信道的无线广播信号数据;以及
将与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。
本发明还提供了一种基于多信道信号强度检测的车内定位系统,包括
信号生成单元,在车内不同位置安装蓝牙信标,以使每个蓝牙信标在多个信道上进行广播;
信号接收单元,接收所述信号生成单元使用多个所述蓝牙信标广播的所述多个信道的无线广播信号数据;以及
信号处理单元,将通过所述信号接收单元接收到的与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。
根据本发明,能够方便实施车内定位方法。
根据本发明,能够使车内定位结果准确、定位精度高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1A、图1B为本发明所述的基于多信道信号强度检测的车内系统的框架结构示意图;
图2为本发明所述的基于多信道信号强度检测的车内定位方法的具体实施方式的流程示意图;
图3为本发明所述的基于多信道信号强度检测的车内定位方法的具体实施方式中S103的流程示意图;
图4为应用本发明所述的基于多信道信号强度检测的车内定位系统一个实施例的系统框架结构示意图;
图5为应用本发明所述的基于多信道信号强度检测的车内系统一个实施例的系统的流程原理示意图;
图6为应用本发明所述的基于多信道信号强度检测的车内系统的车辆结构示意图;
图7为应用本发明所述的基于多信道信号强度检测的车内系统另一个的系统框架结构示意图;
图8为应用本发明所述的基于多信道信号强度检测的车内系统另一个的系统流程示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
在蓝牙4.0通信的技术中,发射设备首先在广播信道上进行数据广播,接收设备接收到广播数据后,回应发射设备,进而进行下一步的设备配对、连接等操作。为了使得接收设备能够更大概率的接收到广播信号以及避免某个广播信道收到同频无线信号的干扰,发射设备会在三个信道上同时进行数据广播,接收设备接收5到任何一个信道的广播数据包后,即可进行相应的响应。通常对接收广播信号的技术处理方法是通过时间来对数据包进行接收:在一定的时间段内,只接收一个数据包。或者,接收设备的底层将接收到的所有信道上的数据包都送往应用层,由应用层进行过滤。在普通的使用方法中,在接收设备的应用层会认为接收到的不同信道上的蓝牙广播数据包为同一个数据包,而忽略了信道信息。在本发明中,申请人经过潜心研究,注意到在相同环境下不同信道的广播数据包的接收信号强度(RSSI)值是有区别的,如果按照正常的接收方式而不考虑其中的信道信息,会对确定利用RSSI信息定位的接收终端位置有较大的负面影响。而如果利用了蓝牙4.0技术中多个信道广播的这一特性,将多个信道上的广播数据包都作为定位数据,一方面降低了不区分信道时多个信道上的数据包对定位精度的影响,另一方面也增加了定位数据的数据量和信息量,对提高定位精度会有很大帮助。因此发明人在本发明中,提出了利用多个信道的信号强度来进行接收终端定位的方法。
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
如图1A、图1B所示,本发明提供了一种基于多信道信号强度检测的车内定位系统,包括信号生成单元10、信号接收单元20、信号处理单元30和结果输出单元40。
其中,信号生成单元10为在车内不同位置安装蓝牙信标,部署配置多个蓝牙信标并使用其所有广播信道进行接收终端的定位。
信号接收单元20接收所述信号生成单元10使用多个所述蓝牙信标广播的所述多个信道的无线广播5信号数据。所述信号接收单元20采集当前位置接收到的定位数据,其中,定位数据为不同的蓝牙信标发射的不同信道的无线广播信号数据。
信号处理单元30将通过所述信号接收单元接收到的与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。
例如,信号处理单元能够对于定位数据进行滤波、预分类、拟合、校正判断处理,计算定位数据对应的定位位置。可以在实际定位之前进行标准模型库的建立。在车内的各个位置收集不同蓝牙信标的RSSI值,对于这些RSSI值进行滤波处理,并根据这些滤波后的RSSI值,建立第一分类器模型、拟合参数和第二分类器模型,在后续定位的过程中,与这些模型进行匹配。在进行预分类、拟合、校正判断时,需要与预先建立的标准模型进行匹配来计算概率,所使用的第一分类器、拟合参数、第二分类器都是由标准库得到的。当然也可以使用其他方式,只要能够使用多信道上的所有数据判断出位于车内位置的概率即可。
结果输出单元40将定位位置作为定位结果进行输出。
进一步,如图1B所示,所述信号处理单元30还可以包括滤波子单元 301、预分类子单元302、拟合子单元303。其中,所述滤波子单元301(相当于滤波单元)用于将定位数据进行滤波处理,在保留原有数据特征的基础上,去掉干扰较重的RSSI值。预分类子单元302将RSSI值输入至预设的第一分类器,根据第一分类器对RSSI值的分类结果得到RSSI值在车内的排数;拟合子单元303用于将RSSI值进行函数拟合,计算RSSI值在车内各个位置的分布概率,选定该排数中分布概率最大的值对应的位置为定位位置。其中,预分类子单元302和拟合子单元303相当于第一定位单元。
为了使定位位置更加准确,信号处理单元或车内定位系统还可以包括二次分类子单元304(相当于校验定位单元)、结果综合子单元305(相当于第二定位单元)。所述二次分类子单元304利用预设的第二分类器将RSSI值进行分类,获得校验定位位置。所述结果综合子单元305统计根据多个定位数据确定的定位位置和校验定位位置,判断所有定位位置和所有校验定位位置中确定的次数最多的位置,将次数最多的位置作为定位位置。
本发明的蓝牙信标节点的配置简单方便,操作方便。蓝牙信标(BLE信号发射器)的体积较小,设备的封装可以做到几厘米范围内,不会占用车内太大体积。发射器放置的位置也不会干扰到驾驶员正常驾驶或车内乘客在车内的动作。采集终端在采集到处于不同位置不同信道BLE的RSSI值之后,例如对其进行滤波处理,并作为其后步骤预分类、函数拟合、分类校正的特征。
以下使用所述车内定位系统,参照图2以及图3说明基于多信道信号强度检测的车内定位方法。
图2为本发明所述的基于多信道信号强度检测的车内定位方法的具体实施方式的流程示意图。
在S101中,信号生成单元10为在车内不同位置安装蓝牙信标,对多个蓝牙信标进行设置,以使得每个蓝牙信标在多个信道上进行广播,具体而言,例如,在车内不同位置安装蓝牙信标,按照蓝牙信标的数量设置每个蓝牙信标发射无线广播信号的信道数量。
在S102中,信号接收单元20接收信号生成单元10使用多个所述蓝牙信标广播的所述多个信道的无线广播信号数据。
在S103中,信号处理单5元30将与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置;
在S104中,结果输出单元40将定位位置作为定位结果进行输出。
图3为计算接收终端的定位位置时的具体流程示意图的一个例子。
例如在S103中包括步骤S1031-S1035。
在S1031中,滤波子单元301对定位数据进行滤波处理,在保留原有数据特征的基础上,去掉干扰较重的RSSI值然后输入到第一分类器。定位数据包括多个定位数据包。在实际进行定位时,为使得信号稳定,能够获得多个蓝牙信标发送的无线广播信号的数据包,最终对定位结果进行一次输出。当然,该滤波处理在信号条件好的时候也可以省略。
具体实施时,可采用常见的滤波方法,如限幅滤波法、卡尔曼滤波法、小波滤波法、中位值滤波法、递推平均滤波法等。
在S1032中,预分类子单元302将定位数据的RSSI值输入至预设的第一分类器,根据第一分类器对RSSI值的分类结果得到RSSI值在车内的排数。考虑到信号发射端的分布,对于排数的区分度比较高,所以在预分类时选择了预先区分前排、后排或中排的方式,具体地,可以使用的分类器进行分类的方法包括:Adaboost分类、KNN、朴素贝叶斯等。
在S1033中,拟合子单元303将RSSI值进行函数拟合,计算RSSI值在车内各个位置的分布概率,选定与该排数中分布概率最大的值对应的位置为定位位置。具体而言,例如,对收集到的数据使用函数分布进行拟合,将得到的参数作为标准分布,用在实际定位数据上,对定位数据使用拟合参数计算信号处于不同节点的概率。具体地,可以使用的拟合函数包括正态分布拟合,函数拟合,韦伯分布拟合等,本发明不一一列举。
通过到此为止的步骤,能够计算出准确的定位位置。为了保证结果更准确,本发明还使用了另一种分类方法对接收到的数据进行再分类。例如,还可以通过S1034、S1035进行加强验证。
在S1034中,二次分类子单元304利用预设的第二分类器将RSSI值进行分类,获得校验定位位置。所采用的分类器与第一分类器的分类方法不一致,得到的结果作为校正。具体地,可以使用的分类方法包括:决策树、SVM、神经网络、随机森林等。
在S1035中,结果综合子单元统计根据多个定位数据确定的定位位置和校验定位位置,判断所有定位位置和所有校验定位位置中确定的次数最多的位置,将次数最多的位置作为定位位置。例如,统计根据N个定位数据确定的基于所述第一分类器的定位位置和基于所述第二分类器的校验定位位置,得到 2*N个定位位置,判断在这2*N个定位位置中被定位次数最多的位置,将该位置作为定位位置。本发明对所接收到的多个数据包进行一次结果判断,取所判断的概率最大的位置作为本次定位位置,进一步提高了定位的准确性。
另外,还可以在实际定位之前进行标准模型库的建立,在车内的各个位置收集不同蓝牙信标的RSSI值,对于这些RSSI值,首先进行滤波处理,并根据这些滤波后的RSSI值,建立第一分类器模型,拟合参数和第二分类器模型,在后续定位的过程中,即与这些模型进行匹配。在进行分类、拟合、校正判断时,需要与预先建立的标准模型进行匹配来计算概率,所使用的第一分类器、拟合参数、第二分类器都是由标准库得到的。
本发明利用在同一场景下,相同或类似的环境对不同频率的无线信号的折射、反射会有不同的响应的原理,使用不同位置的蓝牙信标在不同信道进行无线广播,以便接收设备对接收到的信号强度值作为定位的特征。
本发明分别采集处于不同位置的蓝牙信标(BLE信号发射器)并根据广播信道对其进行区分,并使用不同信道的RSSI值作为拟合和分类的特征。在采集到不同BLE信号发射器不同信道的RSSI值后,对于采集到的信号进行滤波、预分类、拟合、二次分类校正的方法。在实际实验结果中,主驾驶、二排左位置和二排右位置正确率可以达到97%左右,副驾驶达到95%左右,一排中间位置和二排中间位置正确率在90%左右。
进一步,所述定位数据包括多个定位数据包。由接收终端判断定位数据包的数量是否达到阈值,如果未达到阈值,则继续接收定位数据包。
进一步,所述利用预设的第二分类器将RSSI值进行分类,获得校验定位位置之前还可以包括以下步骤:信号处理单元30设置训练数据集,训练数据集中包括车内各个位置接收到的不同蓝牙信标发送的不同信道的无线广播信号数据;信号处理单元30将训练数据集输入至第二分类器,按照车内位置将第二分类器进行训练,得到N分类器,其中,N为大于1的自然数。
以下就应用了本发明的基于多信道信号强度检测的车内定位系统的具体实施例进行说明。
第一实施例
如图4所示为应用本发明所述的基于多信道信号强度检测的车内定位系统的一个实施例的系统结构框架示意图。如图4所示,其中最下端的为信号生成单元100,中间的为信号接收单元和结果输出单元200,远程的服务器为信号处理单元300。
本实施例采用了服务器-客户端模式,使用移动终端作为接收信号的接收终端(信号接收单元),并作为客户端,远程计算机作为服务器(信号处理单元),计算机的运算能力和响应速度要远优于接收终端,这种架构的优点是可以使用更复杂的滤波方法和机器学习算法,更准确地计算出终端所处位置。本实施例的系统构成如图4所示,工作流程如图5所示,下面结合这两幅图,对本实施例进行详细说明。
步骤S401,信号数据采集。主要完成的是使用接收终端接收发射装置(信号生成单元、蓝牙信标、BLE信号发射器)发射的蓝牙信号,并计算所接收到的蓝牙信号的RSSI值。图4中的最下端显示了蓝牙信标将信号发送给信号接收端的过程。
发射装置(蓝牙信标、BLE信号发射器)主要发射BLE信号,在本实施例中,汽车内部共有两排座位,在车内一共配置了三个发射装置:分别处于主驾驶位车顶端把手凹槽处,副驾驶位车顶端把手凹槽处和二排车顶阅读灯处,这三个位置在图6中用实心圆点标记出来。
接收终端可以接收处于不同蓝牙广播信道的RSSI值,为了更好地区分接收终端在车内的位置,本发明在采集数据时,分别采集了主驾驶、副驾驶、一排中间、二排左、二排右和二排中间六个位置的RSSI值,这六个位置在车内的分布如图6所示。对于BLE来说,其三个广播信道存在着一定的频率差(本发明使用37信道:2402MHz,38信道:2426MHz,39信道2480MHz),多反射条件下接收端的功率估计公式如下:
其中主要的参数包括:Ptx和Prx分别表示发射功率和接收功率,l表示发射节点和接收节点的距离;L表示由于发射节点和接收节点的阻抗不匹配导致的损失,λ=c/f表示信号的波长,γ是路径损耗系数,表示在视距方向上发射和接收天线场的辐射模式,r和r'表示信号在发射和反射经过的路径长度,则表示在分别在和方向上发射和接收天线场的辐射模式的乘积,Δφ=2π(r'+r-l)/λ是两个接收到信号的相位差。通过此公式可以看出,当发射端的功率相同时,信号接收端的功率也会因频率的不同而不同。基于此理论,本发明在定位时,选择了在采集每个位置的RSSI值时分别记录了蓝牙信标在三个广播信道的RSSI值,故接收终端在每个接收位置都有9组数据,分别对应三个位置蓝牙信标的三个信道的RSSI值。
步骤S402,接收终端将数据发送到服务器,可以通过网络进行接收终端和服务器之间的通信。
本实施例中S403-S408都是在服务器端完成的工作。
步骤S403,本实施例使用了卡尔曼滤波方法,由于接收到的RSSI值很容易受到周围环境的影响,包括多径、折射、反射等,为了消除这些因素对接收值的影响,对接收到的数据进行卡尔曼滤波。
卡尔曼滤波主要用于信号处理和控制系统中,它的一个典型实例是从一组有限的,包含噪声的,通过对物体某个特征的观察序列和对于该特征的测量值,预测出物体的下一个时段的特征。卡尔曼滤波器的基本假设如下:
其后验概率分布p(xk-1|yk-1)为高斯分布
动态系统是线性的:
xk=Axk-1+Buk-1+qk-1
yk=Hxk+rk。
系统噪声和测量噪声都是高斯分布的。
在上述公式中,x(k)是k时刻的系统状态,u(k)是k时刻对系统的控制量。A和B是系统参数。y(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统,H为矩阵。q(k)和r(k)分别表示过程和测量的噪声。它们被假设成高斯白噪声(White Gaussian Noise),它们的协方差分别是Q, R。由于RSSI值符合上述标准,因此可以使用卡尔曼滤波对收到的信号进行滤波。
在具体使用时,通过给定上一时段的测量值、真实值、当前时刻的测量值和系统的过程噪声、测量噪声,即可预测当前时刻的真实值。
步骤S404,本实施例使用Adaboost预分类方法作为第一分类器的分类方法。因为这次预分类的结果会影响到后续的结果,所以选择了Adaboost 算法,这是因为Adaboost算法是一种效果比较好的提升算法,所谓“提升算法”就是把“弱学习算法”提升为“强学习算法”,它的主要思想是在初始时,每个样本的权重都相同,在每次训练时都使用弱分类器进行分类,对于分类结果错的样本,权重加重,如此迭代反复,直到得到最优结果或者达到了预定的迭代次数,将所有弱分类器的结果进行整合作为最终的分类结果。
在实际定位时,会根据模型对收集到的RSSI值进行分类,如果分类结果是1则认为该组值是由在前排的收集终端收集到的,反之,如果分类结果是2则认为该组值是由在后排的收集终端收集到的。
步骤S405,本实施例使用伽马分布拟合:伽马分布常用于为多径衰落信号建模和船舶检测或有偏分布,根据收集到的RSSI数据分布,可以发现得到的数据为一种有偏数据,恰好可以使用伽马分布来拟合,伽马分布的密度函数为:
每个伽马分布有两个参数:α称为形状参数,θ称为尺度参数。单独使用这两个参数可以确定一个伽马分布。
对于训练集中的数据,接收端的六个位置都可以根据其接收到的9组信号进行拟合分别得到9个伽马分布,计算出每个伽马函数的形状参数α和尺度参数θ,使用这两个参数,我们可以得到伽马分布的 PDF(Probability distribution function,概率分布函数),其PDF的概率密度如下:
这样,得到的伽马分布可以作为该位置的标准分布。
对于用于定位的数据,每组都有9个RSSI值:
其中,代表beaconi在信道j上所接受到的RSSI值,其中bi代表 beaconi,cj代表信道36+j,可以认定不同位置不同信道的RSSI之间没有相关性,根据朴素贝叶斯理论和之前得到的伽马分布,分别计算这9个RSSI 值处于六个位置的概率:
由于之前已经使用Adaboost对收集到的RSSI值进行预分类,已经可以确定出改值处于前排或是后排,所以在比较时,可以去该排三个位置的最大值作为定位的位置:
J使
步骤S406,本实施例使用SVM(Support Vector Machine,自动支持向量机)进行数据分类校正:为了防止预分类过程中的错误分类而导致的后续结果错误,在正式结果输出之前,使用了SVM来对分类结果进行校正。
SVM是一个常用的分类器,有着效果好,速度快的特点,其主要思想是使用一个直线将数据分成两部分,如果数据是线性可分的,直接将其分开即可,而在线性不可分的情况下,支持向量机首先在低维空间中完成计算,然后通过核函数将输入空间映射到高维特征空间,最终在高维特征空间中构造出最优分离超平面,从而把平面上本身不好分的非线性数据分开。
与之前Adaboost的方法类似,该步骤中第二分类器也是使用3个 beacon在3个信道上的RSSI值(9个维度)来作为特征,不同的是,此处进行的是6分类,即判断该接受信号处于车内的位置而非前后排。虽然传统的SVM是一个二值分类器,但可以通过迭代多次使用二值分类器,可以最终实现6分类。
步骤S407,本实施例中每收到6组数据包,进行一次结果输出。在本发明中,发射终端被设定为500ms发送一个数据包,为了良好的用户体验和结果输出的准确度,每收到6组数据包进行一次结果输出,在输出结果时,分别统计这6次判定中处于6个位置的次数,包括使用拟合方法得到的结果与使用SVM方法得到的结果,选择判定次数最多的位置作为本次的判定结果。
步骤S408,服务器将结果回传给客户端:到此步骤为止,服务器的任务完成。
步骤S409,客户端从服务器获得定位的结果。
步骤S410,当所有请求都处理完结束后,定位结束。
第二实施例
如图7所示为本发明所述的应用本发明所述的多信道信号强度检测的车内定位系统的另一个实施例的系统结构示意图。其中最下端的为信号生成单元,上端为信号接收单元、信号处理单元和结果输出单元。本实施例采用了本地模式,即移动终端同时作为信号接收单元、信号处理单元以及结果输出单元。
直接运用接收终端做计算,这种架构的优点是速度快,能确保得到计算结果。在车辆运行过程中,会出现网络环境不好的情况,但本实施例仍可返回定位结果,但由于接收终端的计算能力有限,在选择算法时应该选择计算复杂度较低的算法。本实施例的工作流程如图8所示。
下面结合图7和图8,对本实施例进行详细说明。
步骤S701,获得数据。主要完成的是使用接收终端接收发射装置发射的蓝牙信号的RSSI值。图7中的最下端显示了发射装置将信号发送给信号接收端的过程。具体步骤与实施例一中的S401相同,选择了在采集每个位置的RSSI值时分别记录了蓝牙信标在三个广播信道的RSSI值,故接收终端在每个接收位置都有9组数据,分别对应三个位置蓝牙信标的三个信道的RSSI值。
步骤S702,本实施例使用递推均值滤波处理。为了兼顾计算速度和计算结果,此处采用了递推均值滤波处理,递推均值滤波的思想是使用一个大小为n的滑动窗口,求其均值作为滤波后的值:
rssii=avg(rssii-n,rssii-n+1,...,rssii)。
在定位过程中,可以记录最近的n次结果,计算其均值即可。
步骤S703,KNN方法区分前后排。在数据采集阶段,已经得到了在6 个位置的3个发射终端3个信道上的RSSI值,将所有前排的数据归成一类,所有后排的数据归成一类,分别计算前排类和后排类采集到的这6个位置每个位置的9个值的平均值作为类心:
Ci=1,2(r1,r2,r3,r4,r5,r6,r7,r8,r9)其中ri=avg(ri)。
当计算前排的类心时,计算的是所有处于位置1-3的平均值;在计算后排的类心时,计算是所有处于4-6位置的平均值。
在实际定位时,分别计算接收值到2个类的距离,可以使用欧几里得距离作为比较对象:
距离较近的作为定位结果。
步骤S704,使用正态分布对各个位置的信号分布进行拟合:正态分布是信号拟合中常用的分布,又称高斯分布,确定一个分布需要两个参数:均值μ和标准差σ,通过采集到的数据,可以计算出6个位置的μ和σ,进而得到6个位置的标准分布,正态分布的概率密度函数如下:
在定位的时候,每组都有9个RSSI值:
根据朴素贝叶斯理论和之前得到的正态布,分别计算这9个RSSI值处于六个位置的概率:
由于之前已经使用聚类方法对收集到的RSSI值进行预分类,已经可以确定出改值处于前排或是后排,所以在比较时,可以去该排三个位置的最大值作为定位的位置:
J使
步骤S705,使用SVM分类器对位置进行再次判断,作为校正。SVM分类算法在各个系统上的实现速度都比较快,所以在终端上仍可使用此方法作为分类的校正,具体实现方法与S406相同,此处不再进行叙述。
步骤S706,每收到6个数据包,进行一次结果输出。在输出结果时,分别统计这6次判定中处于6个位置的次数,包括使用拟合方法得到的结果与使用SVM方法得到的结果,选择判定次数最多的位置作为本次的判定结果。终端计算结束,将结果输出即可。
步骤S707,结果输出。
本发明的上述实施例中使用具有两排座位的小客车座位具体实例,对于具有三排或者多排座位的小客车,方法同样适用。
通过本发明可方便地实施车内定位方法。另外,通过本发明提高了结
果的准确度。另外,通过本发明提高了结果的精度。
通过蓝牙信标节点的配置,方便安装,操作方便,且BLE信号发射器的体积较小,设备的封装可以做到几厘米范围内,不会占用车内太大体积,也不会干扰到驾驶员正常驾驶或车内乘客在车内的动作。
在实际实验结果中,主驾驶、二排左位置和二排右位置正确率可以达到97%左右,副驾驶达到95%左右,一排中间位置和二排中间位置正确率在 90%左右。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种基于多信道信号强度检测的车内定位方法,其特征在于,包括如下步骤:
在车内不同位置安装蓝牙信标,以使每个蓝牙信标在多个信道上进行广播;
接收终端接收多个所述蓝牙信标广播的所述多个信道的无线广播信号数据;
将与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。
2.根据权利要求1所述的基于多信道信号强度检测的车内定位方法,其特征在于,在计算接收终端的定位位置时,具备如下步骤:
将定位数据的RSSI值输入到第一分类器来判定接收终端在车内的排数,并通过将RSSI值进行函数拟合,选定与所述排数中分布概率最大的值对应的位置作为定位位置。
3.根据权利要求2所述的基于多信道信号强度检测的车内定位方法,其特征在于,在计算接收终端的定位位置时,还具备如下步骤:
利用预设的第二分类器将RSSI值进行分类,获得校验定位位置。
4.根据权利要求3所述的基于多信道信号强度检测的车内定位方法,其特征在于,在计算接收终端的定位位置时,还具备如下步骤:
统计根据多个定位数据确定的基于所述第一分类器的定位位置和基于所述第二分类器的校验定位位置,判断所有定位位置和所有校验定位位置中确定的次数最多的位置,将次数最多的位置作为定位位置。
5.根据权利要求1-4中任一项所述的基于多信道信号强度检测的车内定位方法,其特征在于,在将所述定位数据的RSSI值输入到所述第一分类器之前,还具备如下步骤:
将定位数据进行滤波处理,在保留原有数据特征的基础上,去掉干扰较重的RSSI值然后输入到第一分类器的步骤。
6.一种基于多信道信号强度检测的车内定位系统,其特征在于,包括
信号生成单元,在车内不同位置安装蓝牙信标,以使每个蓝牙信标在多个信道上进行广播;
信号接收单元,接收所述信号生成单元使用多个所述蓝牙信标广播的所述多个信道的无线广播信号数据;以及
信号处理单元,将通过所述信号接收单元接收到的与每一个所述蓝牙信标对应的多个信道的每个信道的无线广播信号数据作为定位数据,计算接收终端的定位位置。
7.根据权利要求6所述的基于多信道信号强度检测的车内定位系统,其特征在于,所述信号处理单元包括:
第一定位单元,根据输入到第一分类器的定位数据的RSSI值判定接收终端在车内的排数,并通过将RSSI值进行函数拟合,选定与所述排数中分布概率最大的值对应的位置作为定位位。
8.根据权利要求7所述的基于多信道信号强度检测的车内定位系统,其特征在于,所述信号处理单元还包括:
校验定位单元,利用预设的第二分类器将RSSI值进行分类,获得校验定位位置。
9.根据权利要求8所述的基于多信道信号强度检测的车内定位系统,其特征在于,所述信号处理单元还包括:
第二定位单元,用于统计根据多个定位数据确定的基于所述第一定位单元的定位位置和基于所述校验定位单元的校验定位位置,判断所有定位位置和所有校验定位位置中确定的次数最多的位置,将次数最多的位置作为定位位置。
10.根据权利要求6-9中的任一项所述的基于多信道信号强度检测的车内定位系统,其特征在于,
所述信号处理单元还包括:
滤波单元,对定位数据进行滤波处理,在保留原有数据特征的基础上,去掉干扰较重的RSSI值,然后输入到第一分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439578.0A CN107343258B (zh) | 2017-06-12 | 2017-06-12 | 一种基于多信道信号强度检测的车内定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439578.0A CN107343258B (zh) | 2017-06-12 | 2017-06-12 | 一种基于多信道信号强度检测的车内定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107343258A true CN107343258A (zh) | 2017-11-10 |
CN107343258B CN107343258B (zh) | 2021-03-16 |
Family
ID=60220602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439578.0A Active CN107343258B (zh) | 2017-06-12 | 2017-06-12 | 一种基于多信道信号强度检测的车内定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107343258B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710121A (zh) * | 2018-05-30 | 2018-10-26 | 佛山市顺德区中山大学研究院 | 一种基于相位差的kNN指纹定位算法 |
CN109451579A (zh) * | 2018-12-24 | 2019-03-08 | 京信通信系统(中国)有限公司 | 一种基于蓝牙的定位方法及设备 |
CN111356088A (zh) * | 2020-03-16 | 2020-06-30 | 深圳市铖月控股有限公司 | 设备控制方法、设备、通信控制电路及存储介质 |
CN111385749A (zh) * | 2019-09-23 | 2020-07-07 | 合肥炬芯智能科技有限公司 | 蓝牙广播方法、蓝牙广播接收方法及其相关设备 |
CN111818636A (zh) * | 2020-06-03 | 2020-10-23 | 哈尔滨工业大学(威海) | 一种车载蓝牙定位系统及其定位方法 |
CN112929821A (zh) * | 2021-02-07 | 2021-06-08 | 上汽大通汽车有限公司 | 一种车辆控制终端及其控制方法 |
CN116614776A (zh) * | 2022-12-29 | 2023-08-18 | 摩斯智联科技有限公司 | 一种驾驶员识别系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994767A (zh) * | 2014-05-12 | 2014-08-20 | 东北大学 | 一种救援人员室内协同定位装置及方法 |
CN104144498A (zh) * | 2014-07-28 | 2014-11-12 | 北京升哲科技有限公司 | 基于蓝牙信标设备的室内定位方法及系统 |
CN105093177A (zh) * | 2014-05-14 | 2015-11-25 | 中国科学院沈阳自动化研究所 | 一种基于跳频技术的rssi定位方法 |
CN105516887A (zh) * | 2014-09-25 | 2016-04-20 | 阿里巴巴集团控股有限公司 | 基于蓝牙的定位方法及其装置 |
US20160131750A1 (en) * | 2014-11-06 | 2016-05-12 | Ricoh Company, Ltd. | Distance estimation method and device as well as node localization method and apparatus |
CN106804028A (zh) * | 2016-12-29 | 2017-06-06 | 上海蔚来汽车有限公司 | 基于ibeacon的车内定位装置、方法和车内设备控制系统 |
-
2017
- 2017-06-12 CN CN201710439578.0A patent/CN107343258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103994767A (zh) * | 2014-05-12 | 2014-08-20 | 东北大学 | 一种救援人员室内协同定位装置及方法 |
CN105093177A (zh) * | 2014-05-14 | 2015-11-25 | 中国科学院沈阳自动化研究所 | 一种基于跳频技术的rssi定位方法 |
CN104144498A (zh) * | 2014-07-28 | 2014-11-12 | 北京升哲科技有限公司 | 基于蓝牙信标设备的室内定位方法及系统 |
CN105516887A (zh) * | 2014-09-25 | 2016-04-20 | 阿里巴巴集团控股有限公司 | 基于蓝牙的定位方法及其装置 |
US20160131750A1 (en) * | 2014-11-06 | 2016-05-12 | Ricoh Company, Ltd. | Distance estimation method and device as well as node localization method and apparatus |
CN106804028A (zh) * | 2016-12-29 | 2017-06-06 | 上海蔚来汽车有限公司 | 基于ibeacon的车内定位装置、方法和车内设备控制系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710121A (zh) * | 2018-05-30 | 2018-10-26 | 佛山市顺德区中山大学研究院 | 一种基于相位差的kNN指纹定位算法 |
CN109451579A (zh) * | 2018-12-24 | 2019-03-08 | 京信通信系统(中国)有限公司 | 一种基于蓝牙的定位方法及设备 |
CN111385749A (zh) * | 2019-09-23 | 2020-07-07 | 合肥炬芯智能科技有限公司 | 蓝牙广播方法、蓝牙广播接收方法及其相关设备 |
CN111385749B (zh) * | 2019-09-23 | 2021-02-26 | 合肥炬芯智能科技有限公司 | 蓝牙广播方法、蓝牙广播接收方法及其相关设备 |
CN111356088A (zh) * | 2020-03-16 | 2020-06-30 | 深圳市铖月控股有限公司 | 设备控制方法、设备、通信控制电路及存储介质 |
CN111818636A (zh) * | 2020-06-03 | 2020-10-23 | 哈尔滨工业大学(威海) | 一种车载蓝牙定位系统及其定位方法 |
CN111818636B (zh) * | 2020-06-03 | 2022-01-28 | 哈尔滨工业大学(威海) | 一种车载蓝牙定位系统及其定位方法 |
CN112929821A (zh) * | 2021-02-07 | 2021-06-08 | 上汽大通汽车有限公司 | 一种车辆控制终端及其控制方法 |
CN116614776A (zh) * | 2022-12-29 | 2023-08-18 | 摩斯智联科技有限公司 | 一种驾驶员识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107343258B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107343258A (zh) | 一种基于多信道信号强度检测的车内定位方法及系统 | |
Duarte et al. | Vehicle classification in distributed sensor networks | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN108790674B (zh) | 一种车载空调的控制方法及系统 | |
CN104185275B (zh) | 一种基于wlan的室内定位方法 | |
CN101882303B (zh) | 一种自适应滤波器实现多波段图像自动分割的方法 | |
CN106102161A (zh) | 基于聚类算法分析数据优化的室内定位方法 | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
CN105526939B (zh) | 道路匹配方法和装置 | |
CN106412839A (zh) | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 | |
CN106227204A (zh) | 车载装置及用于控制无人驾驶车辆的系统、方法和装置 | |
CN103477597A (zh) | 在应用环境传感器系统的测量结果的情况下为车辆和其他通信参与者之间的无线通信时进行自适应的信道评估的方法 | |
CN113596989B (zh) | 一种用于智慧车间的室内定位方法及系统 | |
CN109313273A (zh) | 记录有室内外判断程序的记录介质、室内外判断系统、室内外判断方法、移动终端和室内外环境分类判断单元 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN104039008B (zh) | 一种混合定位方法 | |
CN113037410A (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN110062326A (zh) | 一种车用蓝牙智能钥匙的定位与内外部辨识方法 | |
CN112040400A (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
CN107396309B (zh) | 一种无线传感器网络森林定位方法 | |
CN115685102A (zh) | 一种基于目标跟踪的雷视自动标定方法 | |
CN107662613A (zh) | 一种基于移动群智感知的极端驾驶行为识别方法及系统 | |
CN110596734A (zh) | 一种基于多模态q学习的无人机定位干扰源系统及方法 | |
Haferkamp et al. | A low cost modular radio tomography system for bicycle and vehicle detection and classification | |
CN114051468A (zh) | 改进的访问设备本地化 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |