CN107396321A - 基于手机传感器和iBeacon的无监督式室内定位方法 - Google Patents
基于手机传感器和iBeacon的无监督式室内定位方法 Download PDFInfo
- Publication number
- CN107396321A CN107396321A CN201710653854.3A CN201710653854A CN107396321A CN 107396321 A CN107396321 A CN 107396321A CN 201710653854 A CN201710653854 A CN 201710653854A CN 107396321 A CN107396321 A CN 107396321A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- mtd
- mtr
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于手机传感器和iBeacon的无监督式室内定位方法，包括如下步骤：(1)初始定位：通过用户手中的智能手机获取环境中iBeacon的信号强度，然后初始定位模块会估算出初始位置坐标；(2)行人手持智能手机终端实时采集MEMS惯性传感器数据，提供计步信息和运动方向信息；(3)将行人的运动步长属性和运动方向属性结合在粒子滤波中的粒子属性中，然后使用在行人航位推算算法中提供位置输出；(4)当行人接近地标点时，可靠性定位算法会启动并对位置坐标进行矫正。本发明融合手机惯性传感器数据与iBeacon数据，不需要离线阶段的大量采样工作，并且解决了指纹定位中定位波动的问题，而且减小了地标矫正的边界误差，能保持稳定的、高精度的位置估计。
Description
技术领域
本发明涉及室内定位算法领域，具体涉及一种基于手机传感器和iBeacon的无监督式室内定位方法。
背景技术
室内定位研究在过去几十年中一直很受欢迎，人们已经开发了基于Wi-Fi、RFID等定位方法。但Wi-Fi会容易受环境影响和电源的限制，RFID需要专门的设备来实现定位。低能耗蓝牙(BLE)是低能耗，低成本的技术，iBeacon使用纽扣电池可以工作六个月至两年。iBeacon可以帮助人们轻松地建立适合室内定位的无线网络。
现在常用的指纹法定位算法都是在最近邻算法和朴素贝叶斯概率分类算法的基础上加以改进的。这种纯指纹法方式的室内定位算法虽然能够提供较为准确的位置估计，但是建立指纹数据库和指纹数据库的维护更新工作需要大量的时间和人力成本；而基于MEMS惯性传感器技术的定位算法，首先无法确定初始位置且航位推算的方式存在严重的累积误差问题；近年来，有定位方式使用WiFi在某些位置设置地标点来矫正累积误差的问题，但是这类定位方式普遍存在重复矫正引起误差及识别范围受信号波动影响大的问题。
发明内容
针对现有室内定位方法技术上的缺陷与不足，本发明提供了一种基于手机传感器和iBeacon的无监督式室内定位方法，通过融合MEMS传感器数据与蓝牙数据，此方法不需要离线阶段的大量采样工作，并且解决了指纹定位中定位波动的问题，而且减小了地标矫正的边界误差，能保持稳定的、高精度的位置估计。
基于手机传感器和iBeacon的无监督式室内定位方法，其步骤包括如下：
(1)通过用户手中的智能手机获取环境中若干iBeacon的信号信息，然后初始定位模块会估算出初始位置坐标；其中所有的iBeacon部署的位置都是已知的，具体的步骤如下：
a)通过智能手机获取各个iBeacon对应的UUID和RSSI数据；
b)通过在实际环境中采集的RSSI和距离数据，采用多项式拟合出RSSI和距离的映射关系，将RSSI转换成距离；
c)使用最小二乘法，求出行人初始位置坐标的最优估计；
(2)行人手持智能手机终端实时采集MEMS惯性传感器数据，通过分析加速度数据分析计步信息，然后陀螺仪和磁场传感器可以提供行人的大致运动方向数据，最后的计步信息和运动方向信息将会提供给行人航位推算算法中使用；
(3)在行人航位推算的算法中普遍存在累积误差的问题，主要的原因是由于运动步长和运动方差的误差累积引起的，本方法中将行人的运动步长属性和运动方向属性结合在粒子滤波中的粒子属性中，然后结合室内地图数据对步长和运动方向进行矫正；具体的步骤如下：
a)将步骤(2)中获取的观测方向放入粒子滤波算法中计算；
b)通过粒子滤波后得出矫正后的运动步长和运动方向；
c)在上一时刻的位置基础上进行航位推算得出当前时刻的位置坐标；
(4)在运动过程中行人航位推算难免会有累积误差，当行人接近地标点时，可靠性定位算法会启动并对位置坐标进行矫正；其中我们的地标都是设置在行人的必经点的地方，具体的步骤如下：
a)当识别到行人进入了地标识别区域后，将信号强度映射为距离信息，然后结合此时刻的运动方向信息和距离关系，通过地标的位置反推出行人的位置坐标，并标识为进入地标区域；
b)在地标区域内的时候采用两级信号滤波算法，提高蓝牙信号的稳定性；
c)为了减小地标的重复矫正引起的误差，在地标区域内运动时使用航位推算进行位置估计；
d)当测量到蓝牙信号值小于某阈值时，则将某地标区域的标识位取消，以便可以重新进行地标矫正。
步骤(1)中RSSI与距离之间的映射公式如下：
Distance＝0.56778245×rssi+0.00788862×(rssi2)+10.2
步骤(2)中MEMS惯性传感器提供的数据包括加速度数据、陀螺仪数据和磁场强度数据。
步骤(3)中，为了矫正步长值与运动方向的值，采用粒子滤波的方式提供步长和运动方向的估计，其中粒子滤波的具体矫正步骤如下：
首先定义每个粒子的步长和方向属性，定义的方程：
然后位置更新的方程为：
然后结合地图数据，粒子权重的更新方程为：
然后需要对粒子权重进行归一化处理：
最后坐标的位置估计可以表示为：
步骤(4)中，所述在地标区域内需要对蓝牙信号进行两级滤波，其具体的步骤如下：
首先，在10Hz的采样窗口中，会有异常值的影响，需要对这部分信号值进行过滤，具体的公式如下：
然后为了进一步减小高斯噪声对定位的影响，这里使用了kalman滤波对数据进行平滑处理：
预测过程：
更新过程：
实施本发明的融合手机传感器和iBeacon的无监督式室内定位方法，具有以下有益效果：首先使用了iBeacon作为地标点来矫正航位推算过程中的累积误差问题；然后使用粒子滤波对步长和运动方向进行实时的矫正，减小了累积误差；最后提出了可靠性定位算法，针对地标点的重复矫正问题和识别边界的误差有显著改善，明显增强了定位稳定性，提高了定位精度。
附图说明
图1是本发明室内定位系统的框架图。
图2是粒子滤波模块的滤波原理图。
图3是可靠性定位算法的架构图。
图4是可靠性定位算法中两级滤波的效果图。
图5是室内环境及iBeacon的部署图。
图6是实验环境下各个算法的真实定位效果图。
图7是实验中各个定位算法的实时定位误差效果图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示，本发明的融合手机传感器和iBeacon的无监督式室内定位方法中主要包含三大模块：手机传感器模块、运动估计模块和定位算法模块，其中手机传感器模块主要用于获取手机惯性传感器数据包括加速度数据、陀螺仪数据和磁场强度数据；运动估计模块主要的任务是进行计步检测和提供步长和运动方向数据；定位算法模块中行人航位推算和粒子滤波模块是可以提供稳定的位置估计，然后iBeacon定位模块主要的功能是初始定位和位置精确矫正。本发明硬件设备只需要智能手机和iBeacon，其中智能手机是广泛使用的设备，iBeacon具有低功耗、成本低、部署简单、无需固定电源且功率可调等优势。本发明具有结构简单、部署扩展容易且无需离线采样等优点。
具体实现步骤如下：
(1)通过用户手中的智能手机获取环境中若干iBeacon的信号信息，然后初始定位模块会估算出初始位置坐标；其中所有的iBeacon部署的位置都是已知的，具体的步骤如下：
a)通过智能手机获取各个iBeacon对应的UUID和RSSI数据；
b)通过在实际环境中采集的RSSI和距离数据，采用多项式拟合出RSSI和距离的映射关系，将RSSI转换成距离；
RSSI与距离之间的映射公式如下：
Distance＝0.56778245×rssi+0.00788862×(rssi2)+10.2
c)使用最小二乘法，求出行人初始位置坐标的最优估计；
(2)行人手持智能手机终端实时采集MEMS惯性传感器数据，这里MEMS惯性传感器提供的数据包括加速度数据、陀螺仪数据和磁场强度数据；通过分析加速度数据分析计步信息，计算三轴加速度幅值数据，随着人体的运动加速度幅值整体会呈现周期性的波峰与波谷，本发明中使用的计步算法是差分有限状态机计步算法(AD-FSM)；然后陀螺仪和磁场传感器可以提供行人的大致运动方向数据，此时的方向数据因为手机的摆放偏差会有一定的角度偏差；最后的计步信息和运动方向信息将会提供给行人航位推算算法中使用；
(3)在行人航位推算的算法中普遍存在累积误差的问题，主要的原因是由于运动步长和运动方差的误差累积引起的，本方法中将行人的运动步长属性和运动方向属性结合在粒子滤波中的粒子属性中，然后结合室内地图数据对步长和运动方向进行矫正；具体的步骤如下：
a)将步骤(2)中获取的观测方向放入粒子滤波算法中计算；
本发明中为每个粒子增加步长和方向属性，定义的方程为：
这里θt表示t时刻的观测运动方向，θdrift是每个粒子需要维护更新的固定角度偏差，然后每次更新粒子的时候需要增加的方向角度高斯噪声来增加一定的随机性。t时刻的步长Lt是每个粒子维护和更新的步长属性，所有粒子的步长均值就是表示当前的步长估计值，然后表示的是高斯噪声值。
b)通过粒子滤波后得出矫正后的运动步长和运动方向；
然后每次形成计步后所有粒子的位置更新的方程为：
然后结合地图数据，粒子权重的更新方程为：
然后需要对粒子权重进行归一化处理：
这个时候步长和方向的更新方程如下：
此时的基本原理如图2(a)所示，因为粒子中步长加了高斯噪声增强了步长的随机性，当步长过长或过短时，行人转弯后不符合要求的步长的粒子会发生撞墙死亡的现象，此时留下的粒子就是步长合理的粒子；同理如图2(b)所示，如果传感器或手机的固有偏差角度过大，此时同样会发生撞墙死亡。
c)在上一时刻的位置基础上进行航位推算得出当前时刻的位置坐标；
最后坐标的位置估计可以表示为：
(4)在运动过程中行人航位推算难免会有累积误差，当行人接近地标点时，可靠性定位算法会启动并对位置坐标进行矫正；如图3所示，是本发明方法中的可靠性定位模块的模型，其中主要的组成部分是边界运动检测、两级滤波模块和行人航位推算模块；其中我们的地标都是设置在行人的必经点的地方，具体的步骤如下：
a)当识别到行人进入了地标识别区域后，将信号强度映射为距离信息，然后结合此时刻的运动方向信息和距离关系，通过地标的位置反推出行人的位置坐标，并标识为进入地标区域；此时由于我们蓝牙的采样频率是10Hz，所以我们滑动平均滤波的窗口也设置为10；然后在判断行人进入地标区域的时候我们采用的是一个实验值为-48dB；
b)在地标区域内的时候采用两级信号滤波算法，提高蓝牙信号的稳定性；其具体的步骤如下：
首先，如图4(a)所示，原始蓝牙信号的波动很剧烈，在这种情况下信号中的这些异常值会造成地标的重复矫正，进而引起矫正误差，所以需要对这部分异常信号值进行过滤，具体一级滤波的公式如下：
一级滤波后的效果如图4(b)所示，为了进一步减小高斯噪声对定位的影响，这里使用了kalman滤波作为二级滤波对数据进行平滑处理，主要的过程分为预测和更新阶段：
预测过程：
更新过程：
经过二级滤波后的效果如图4(c)所示。
c)为了减小地标的重复矫正引起的误差，在地标区域内运动时使用航位推算进行位置估计；
d)当测量到蓝牙信号值小于某阈值时，实验中我们采用的是-65dB，则将某地标区域的标识位取消，以便可以重新进行地标矫正。
本发明是一种基于手机传感器和iBeacon的无监督式室内定位方法，下面通过部分实验验证本发明的有益效果。
实验中，我们将环境选在江南大学物联网学院的C区，整个区域的大小约为3000平方米(60米×50米)，如图5所示为室内布局图，我们在实验区域内共部署了18个iBeacon(平均每10米1个)，iBeacon设备都是安装在墙上约1.5米的高度。然后实验中我们安排行人在室内环境中从图5中左上点逆时针走到原点，并且我们实验区域也是大家的教学办公区域。
图6为各个算法的实际定位效果图，图7为各个算法实时定位误差的折线图，其中方法一为行人航位推算算法、方法二为融合了航位推算和地标矫正的算法；从图中可以看出方法一中由于行人航位推算有着严重的累积误差问题，所以和真是路径很不匹配，然后方法二中使用地标对航位推算的累积误差进行矫正，可以看出每次经过地标点的时候都会矫正到地标位置，但是地标间的定位误差还是比较大的；然后本发明的定位方法能长时间的提供稳定的高精度的位置估计，且平均的定位误差达到1.15米。
通过实验分析，本发明能很好的解决累积误差引起的定位漂移问题、并且能有效的提供高精度的地标矫正算法。
Claims (5)
1.一种基于手机传感器和iBeacon的无监督式室内定位方法，其特征在于，包括如下步骤：
(1)通过用户手中的智能手机获取环境中若干iBeacon的信号信息，然后初始定位模块会估算出初始位置坐标；其中所有的iBeacon部署的位置都是已知的，具体的步骤如下：
a)通过智能手机获取各个iBeacon对应的UUID和RSSI数据；
b)通过在实际环境中采集的RSSI和距离数据，采用多项式拟合出RSSI和距离的映射关系，将RSSI转换成距离；
c)使用最小二乘法，求出行人初始位置坐标的最优估计；
(2)行人手持智能手机终端实时采集MEMS惯性传感器数据，通过分析加速度数据分析计步信息，然后陀螺仪和磁场传感器可以提供行人的大致运动方向数据，最后的计步信息和运动方向信息将会提供给行人航位推算算法中使用；
(3)在行人航位推算的算法中普遍存在累积误差的问题，主要的原因是由于运动步长和运动方差的误差累积引起的，本方法中将行人的运动步长属性和运动方向属性结合在粒子滤波中的粒子属性中，然后结合室内地图数据对步长和运动方向进行矫正；具体的步骤如下：
a)将步骤(2)中获取的观测方向放入粒子滤波算法中计算；
b)通过粒子滤波后得出矫正后的运动步长和运动方向；
c)在上一时刻的位置基础上进行航位推算得出当前时刻的位置坐标；
(4)在运动过程中行人航位推算难免会有累积误差，当行人接近地标点时，可靠性定位算法会启动并对位置坐标进行矫正；其中我们的地标都是设置在行人的必经点的地方，具体的步骤如下：
a)当识别到行人进入了地标识别区域后，将信号强度映射为距离信息，然后结合此时刻的运动方向信息和距离关系，通过地标的位置反推出行人的位置坐标，并标识为进入地标区域；
b)在地标区域内的时候采用两级信号滤波算法，提高蓝牙信号的稳定性：
c)为了减小地标的重复矫正引起的误差，在地标区域内运动时使用航位推算进行位置估计；
d)当测量到蓝牙信号小于某阈值时，则将某地标区域的标识位取消，以便可以重新进行地标矫正。
2.根据权利要求1所述的基于手机传感器和iBeacon的无监督式室内定位方法，其特征在于：步骤(1)中RSSI与距离之间的映射公式如下：
Distance＝0.56778245×rssi+0.00788862×(rssi2)+10.2
3.根据权利要求1所述的基于手机传感器和iBeacon的无监督式室内定位方法，其特征在于：步骤(2)中MEMS惯性传感器提供的数据包括加速度数据、陀螺仪数据和磁场强度数据。
4.根据权利要求1所述的基于手机传感器和iBeacon的无监督式室内定位方法，其特征在于：步骤(3)中，为了矫正步长值与运动方向的值，采用粒子滤波的方式提供步长和运动方向的估计，其中粒子滤波的具体矫正步骤如下：
首先定义每个粒子的步长和方向属性，定义的方程：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&theta;</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>d</mi>
<mi>r</mi>
<mi>i</mi>
<mi>f</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>n</mi>
<mi>&theta;</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>n</mi>
<mi>&theta;</mi>
<mi>i</mi>
</msubsup>
<mo>~</mo>
<msub>
<mi>N</mi>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>&theta;</mi>
</msub>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>L</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>L</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>n</mi>
<mi>L</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>n</mi>
<mi>L</mi>
<mi>i</mi>
</msubsup>
<mo>~</mo>
<msub>
<mi>N</mi>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>L</mi>
</msub>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
然后位置更新的方程为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>L</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<msubsup>
<mi>cos&theta;</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>y</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>L</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<msubsup>
<mi>sin&theta;</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
然后结合地图数据，粒子权重的更新方程为：
<mrow>
<msubsup>
<mi>w</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi> </mi>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
<mi>t</mi>
<mi>i</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
<mi> </mi>
<mi>h</mi>
<mi>i</mi>
<mi>t</mi>
<mi> </mi>
<mi>a</mi>
<mi> </mi>
<mi>w</mi>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
然后需要对粒子权重进行归一化处理：
<mrow>
<msubsup>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>w</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>w</mi>
<mi>t</mi>
<mi>j</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
最后坐标的位置估计可以表示为：
<mrow>
<mover>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mo>^</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>S</mi>
<mi>t</mi>
<mi>i</mi>
</msubsup>
<mo>*</mo>
<msubsup>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
<mi>i</mi>
</msubsup>
</mrow>
5.根据权利要求1所述的基于手机传感器和iBeacon的无监督式室内定位方法，其特征在于：步骤(4)中，所述在地标区域内需要对蓝牙信号进行两级滤波，其具体的步骤如下：
首先，在10Hz的采样窗口中，会有异常值的影响，需要对这部分信号值进行过滤，具体的公式如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mo>=</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>rss</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>9</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>rss</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>8</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>rss</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>RSS</mi>
<mrow>
<mi>s</mi>
<mi>o</mi>
<mi>r</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>s</mi>
<mi>o</mi>
<mi>r</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>rss</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>rss</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
然后为了进一步减小高斯噪声对定位的影响，这里使用了kalman滤波对数据进行平滑处理：
预测过程：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>rss</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>Arss</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>Bu</mi>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>AP</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
更新过程：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>H</mi>
<mi>t</mi>
<mi>T</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>H</mi>
<mi>t</mi>
<mi>T</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>rss</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>rss</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>rssi</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
<msub>
<mi>rss</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653854.3A CN107396321B (zh) | 2017-08-02 | 2017-08-02 | 基于手机传感器和iBeacon的无监督式室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653854.3A CN107396321B (zh) | 2017-08-02 | 2017-08-02 | 基于手机传感器和iBeacon的无监督式室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107396321A true CN107396321A (zh) | 2017-11-24 |
| CN107396321B CN107396321B (zh) | 2020-08-21 |
Family
ID=60344653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710653854.3A Active CN107396321B (zh) | 2017-08-02 | 2017-08-02 | 基于手机传感器和iBeacon的无监督式室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107396321B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109164411A (zh) * | 2018-09-07 | 2019-01-08 | 中国矿业大学 | 一种基于多数据融合的人员定位方法 |
| CN109195099A (zh) * | 2018-07-06 | 2019-01-11 | 广东工业大学 | 一种基于iBeacon和PDR融合的室内定位方法 |
| CN109540149A (zh) * | 2018-12-19 | 2019-03-29 | 北京交通大学 | 一种利用VeTrack系统对室内汽车进行实时追踪的方法 |
| CN109725287A (zh) * | 2019-02-14 | 2019-05-07 | 广东小天才科技有限公司 | 定位方法、装置、可穿戴设备和存储介质 |
| CN110602639A (zh) * | 2018-06-12 | 2019-12-20 | 中国电信股份有限公司 | 定位方法、定位平台及定位系统 |
| WO2020088644A1 (zh) * | 2018-11-01 | 2020-05-07 | 华为技术有限公司 | 定位方法及装置 |
| CN111556432A (zh) * | 2020-04-21 | 2020-08-18 | 西安交通大学 | 一种基于地图信息筛选匹配的众包指纹库构建方法 |
| CN111561921A (zh) * | 2019-02-14 | 2020-08-21 | 华为技术有限公司 | 定位方法及装置 |
| CN112468959A (zh) * | 2020-11-24 | 2021-03-09 | 宏景科技股份有限公司 | 位置确定方法、装置、计算机设备和存储介质 |
| CN113155131A (zh) * | 2021-04-14 | 2021-07-23 | 浙江工业大学 | 一种基于粒子滤波的iBeacon和PDR融合室内定位方法 |
| CN113271537A (zh) * | 2021-05-20 | 2021-08-17 | 北京智慧图科技有限责任公司 | 一种混合室内定位系统 |
| CN114383618A (zh) * | 2022-01-29 | 2022-04-22 | 南京北路智控科技股份有限公司 | 一种基于图模型的定位方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100164788A1 (en) * | 2008-12-27 | 2010-07-01 | Trimble Navigation Ltd. | Position bias amelioration method and apparatus in GNSS receiver |
| CN104215238A (zh) * | 2014-08-21 | 2014-12-17 | 北京空间飞行器总体设计部 | 一种智能手机室内定位方法 |
| CN104501796A (zh) * | 2014-12-16 | 2015-04-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
| CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位系统及方法 |
| CN106441302A (zh) * | 2016-09-23 | 2017-02-22 | 上海交通大学 | 大型开放式区域内的室内定位方法 |
-
2017
- 2017-08-02 CN CN201710653854.3A patent/CN107396321B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100164788A1 (en) * | 2008-12-27 | 2010-07-01 | Trimble Navigation Ltd. | Position bias amelioration method and apparatus in GNSS receiver |
| CN104215238A (zh) * | 2014-08-21 | 2014-12-17 | 北京空间飞行器总体设计部 | 一种智能手机室内定位方法 |
| CN104501796A (zh) * | 2014-12-16 | 2015-04-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
| CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位系统及方法 |
| CN106441302A (zh) * | 2016-09-23 | 2017-02-22 | 上海交通大学 | 大型开放式区域内的室内定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| MILUTIN PAJOVIC ET.AL: "An Unsupervised Indoor Localization Method Based on Received Signal Strength (RSS) Measurements", 《2015 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 * |
| 胡伟娅 等: "基于RSSI与惯性测量的室内定位系统", 《计算机工程》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110602639A (zh) * | 2018-06-12 | 2019-12-20 | 中国电信股份有限公司 | 定位方法、定位平台及定位系统 |
| CN110602639B (zh) * | 2018-06-12 | 2021-07-27 | 中国电信股份有限公司 | 定位方法、定位平台及定位系统 |
| CN109195099B (zh) * | 2018-07-06 | 2020-09-08 | 广东工业大学 | 一种基于iBeacon和PDR融合的室内定位方法 |
| CN109195099A (zh) * | 2018-07-06 | 2019-01-11 | 广东工业大学 | 一种基于iBeacon和PDR融合的室内定位方法 |
| CN109164411A (zh) * | 2018-09-07 | 2019-01-08 | 中国矿业大学 | 一种基于多数据融合的人员定位方法 |
| CN109164411B (zh) * | 2018-09-07 | 2023-07-11 | 中国矿业大学 | 一种基于多数据融合的人员定位方法 |
| WO2020088644A1 (zh) * | 2018-11-01 | 2020-05-07 | 华为技术有限公司 | 定位方法及装置 |
| CN109540149A (zh) * | 2018-12-19 | 2019-03-29 | 北京交通大学 | 一种利用VeTrack系统对室内汽车进行实时追踪的方法 |
| CN111561921A (zh) * | 2019-02-14 | 2020-08-21 | 华为技术有限公司 | 定位方法及装置 |
| CN109725287A (zh) * | 2019-02-14 | 2019-05-07 | 广东小天才科技有限公司 | 定位方法、装置、可穿戴设备和存储介质 |
| CN111556432B (zh) * | 2020-04-21 | 2022-02-01 | 西安交通大学 | 一种基于地图信息筛选匹配的众包指纹库构建方法 |
| CN111556432A (zh) * | 2020-04-21 | 2020-08-18 | 西安交通大学 | 一种基于地图信息筛选匹配的众包指纹库构建方法 |
| CN112468959A (zh) * | 2020-11-24 | 2021-03-09 | 宏景科技股份有限公司 | 位置确定方法、装置、计算机设备和存储介质 |
| CN112468959B (zh) * | 2020-11-24 | 2023-05-16 | 宏景科技股份有限公司 | 位置确定方法、装置、计算机设备和存储介质 |
| CN113155131B (zh) * | 2021-04-14 | 2022-06-17 | 浙江工业大学 | 一种基于粒子滤波的iBeacon和PDR融合室内定位方法 |
| CN113155131A (zh) * | 2021-04-14 | 2021-07-23 | 浙江工业大学 | 一种基于粒子滤波的iBeacon和PDR融合室内定位方法 |
| CN113271537A (zh) * | 2021-05-20 | 2021-08-17 | 北京智慧图科技有限责任公司 | 一种混合室内定位系统 |
| CN114383618A (zh) * | 2022-01-29 | 2022-04-22 | 南京北路智控科技股份有限公司 | 一种基于图模型的定位方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107396321B (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107396321A (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
| CN111491367B (zh) | 一种基于群智感知和多融合技术的室内定位方法 | |
| Chen et al. | Smartphone inertial sensor-based indoor localization and tracking with iBeacon corrections | |
| CN110501011B (zh) | 确定移动设备在地理区域中的位置 | |
| CN109413578B (zh) | 一种基于wifi与pdr融合的室内定位方法 | |
| CN105115487B (zh) | 一种基于信息融合的超市内定位导航方法 | |
| US11885900B2 (en) | Method and system for tracking a mobile device | |
| CN104482933B (zh) | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 | |
| Yu et al. | Comparison of pedestrian tracking methods based on foot-and waist-mounted inertial sensors and handheld smartphones | |
| Li et al. | WiFi-RITA positioning: Enhanced crowdsourcing positioning based on massive noisy user traces | |
| CN104215238A (zh) | 一种智能手机室内定位方法 | |
| CN104808174B (zh) | 基于卡尔曼滤波器和航位推测法的核电站无线定位系统 | |
| CN109916396B (zh) | 一种基于多维地磁信息的室内定位方法 | |
| CN109164411A (zh) | 一种基于多数据融合的人员定位方法 | |
| CN109743680A (zh) | 一种基于pdr结合隐马尔可夫模型的室内在线定位方法 | |
| CN110300385A (zh) | 一种基于自适应粒子滤波的室内定位方法 | |
| Wang et al. | Tightly coupled integration of pedestrian dead reckoning and Bluetooth based on filter and optimizer | |
| Pei et al. | Using motion-awareness for the 3D indoor personal navigation on a Smartphone | |
| Gobana | Survey of Inertial/magnetic Sensors Based pedestrian dead reckoning by multi-sensor fusion method | |
| CN109541612A (zh) | 基于单线激光雷达识别柱状物的机器人室内自定位系统 | |
| Liu et al. | A novel minimum distance constraint method enhanced dual-foot-mounted inertial navigation system for pedestrian positioning | |
| Shi et al. | Indoor localization scheme using magnetic map for smartphones | |
| Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
| Kuusniemi et al. | Multi-sensor multi-network seamless positioning with visual aiding | |
| Qiu et al. | Indoor geomagnetic positioning based on a joint algorithm of particle filter and dynamic time warp |
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 |