CN107666707B - 一种基于距离测量和位置指纹的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于距离测量和位置指纹的室内定位方法，其特征在于，包括以下步骤：在室内的感兴趣区域中部署多个参考点，根据不同参考点的位置构建矩形网格，在矩形网格中构建以WiFi收发器为焦点，长轴为d_k(t)的椭圆，

根据构建的椭圆对矩形网格中的所有参考点进行过滤，即保留落入椭圆覆盖范围内的参考点，以得到过滤后的参考点集合，根据离线位置指纹地图并使用K近邻算法对过滤后的参考点集合进行指纹匹配，以得到匹配结果；本发明通过在进行指纹匹配之前，利用粗定位过滤掉离线指纹库中与目标当前位置不相关的指纹，避免不相干指纹的干扰，从而解决现有被动式指纹室内定位中，由于不相干指纹对指纹匹配造成干扰所导致的定位误差较大的技术问题。

Description

一种基于距离测量和位置指纹的室内定位方法

技术领域

本发明属于无线通信技术领域，更具体地，涉及一种基于距离测量和位置指纹的室内定位方法。

背景技术

随着WiFi网络的迅速普及，基于WiFi的室内定位技术由于成本低、易于实现而受到了广泛关注，其中基于WiFi的被动式指纹室内定位由于不需要待定位目标携带任何设备且具有良好的非侵入性，而逐渐成为室内定位技术研究的热点。

被动式指纹室内定位一般包括离线阶段和在线阶段两部分，其中离线阶段采集相应的信号，构建离线指纹库；在线阶段直接把在线实测指纹与离线指纹库中的所有指纹进行指纹匹配，从而估计目标位置。

然而，该定位方法存在的一个不可忽略的问题在于，在在线阶段，由于离线指纹库中存在着与目标当前位置相隔较远的参考点的指纹，这些不相干指纹可能会对指纹匹配造成干扰，从而导致定位误差较大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于距离测量和位置指纹的室内定位方法，其目的在于，通过在进行指纹匹配之前，利用粗定位过滤掉离线指纹库中与目标当前位置不相关的指纹，避免不相干指纹的干扰，从而解决现有被动式指纹室内定位中，由于不相干指纹对指纹匹配造成干扰所导致的定位误差较大的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于距离测量和位置指纹的室内定位方法，包括以下步骤：

(1)在室内的感兴趣区域中部署多个参考点，根据不同参考点的位置构建矩形网格；

(2)在矩形网格中构建以WiFi收发器为焦点，长轴为d_k(t)的椭圆，

其中d_k(0)表示待定位目标的初始位置(x₀,y₀)到WiFi收发器的距离，v_k(t)表示待定位目标的移动速度，t表示时间；

(3)根据步骤(2)构建的椭圆对矩形网格中的所有参考点进行过滤，即保留落入椭圆覆盖范围内的参考点，以得到过滤后的参考点集合；

(4)根据离线位置指纹地图并使用K近邻算法对过滤后的参考点集合进行指纹匹配，以得到匹配结果。

优选地，步骤(4)包括以下子步骤：

(4-1)计算待定位点与步骤(3)中过滤后的参考点集合中各个参考点之间的欧式距离，其定义为：

其中F_i和F_j分别表示待定位点的指纹对象、以及参考点集合中参考点的指纹对象，且有F_i＝{x_i,y_i,W_1i,W_2i,...,W_mi}，F_j＝{x_j,y_j,W_1j,W_2j,...,W_mj}，其中x和y表示待定位点/参考点的坐标，W表示主成分信号。

(4-2)从得到的多个欧氏距离中选取最小的p个对应的指纹对象作为最终参考点集合；

(4-3)对最终参考点集合进行层次聚类，以得到一个子簇；

(4-4)使用得到的子簇对应的指纹对象对待定位点进行估计，具体为：

其中N为子簇C中指纹对象的个数，F_i.x表示指纹对象F_i的横坐标，F_i.y表示指纹对象F_i的纵坐标。

优选地，步骤(4-3)包括以下子步骤：

(4-3-1)把最终参考点集合中的每个指纹对象作为一个簇，计算每个簇之间的欧式距离；

(4-3-2)将簇间距离最小的两个簇合并为一个簇；

(4-3-3)重新计算该合并后的簇与其他簇之间的欧式距离。

(4-3-4)重复上述步骤(4-3-2)和(4-3-3)，直到将最终参考点集合中的所有指纹对象合并为一个簇为止。

优选地，离线指纹地图是通过以下步骤构建的：

A、利用网卡采集各个参考点的CSI信号，并对采集到的CSI信号进行频域低通滤波，以得到无噪声信号；

B、根据各个参考点的无噪声信号并使用PCA方法构建离线位置指纹地图。

优选地，步骤A中使用的频域低通滤波是采用二阶巴特沃斯低通滤波器。

优选地，步骤B具体包括以下子步骤：

B1、获取第一个参考点对应的PCA方法的输入信号X，并对该输入信号X进行线性变换，以得到降维后的多个信号Y作为该参考点的主成分信号；其中PCA方法的输入信号为X＝(X₁,X₂,X₃,...,X_k)，其包括k个子载波，其中k为正整数，X_k表示输入信号的第k个子载波；

步骤(B1)具体为：首先对输入信号X进行线性变换，转换为另一个变量Y＝(Y₁,Y₂,Y₃,...,Y_k)，Y可以由变量X表示如下：

Y₁＝u₁₁X₁+u₁₂X₂+u₁₃X₃+...+u_1kX_k

Y₂＝u₂₁X₁+u₂₂X₂+u₂₃X₃+...+u_2kX_k

Y_k＝u_k1X₁+u_k2X₂+u_k3X₃+...+u_kkX_k

其中u表示权值，且权值u满足以下条件：

(1)u_i1 ²+u_i2 ²+u_i3 ²+...+u_ik ²＝1，其中i＝1,2,3,...,k；

(2)Y_i与Y_j之间不具有相关性，其中i≠j,i,j＝1,2,3,...k；

(3)Y₁是X₁,X₂,...,X_k的一切满足条件1的线性组合中方差最大者；Y₂是与Y₁不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；...，Y_k是与Y₁,Y₂,...Y_k-1不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；

然后，在Y＝(Y₁,Y₂,Y₃,...,Y_k)中选择方差比较大的m个Y作为主成分信号；

其中m的取值，是使得以下累计贡献率Z的取值大于等于0.85所对应的m值：

其中σ_i表示Y_i的方差；

B2、对于其余的所有参考点，重复上述步骤(B1)，从而得到所有参考点的主成分信号；

B3、为每个参考点的主成分信号分配相应的权重，具体采用以下公式：

B4、将每个参考点、其主成分信号以及对应的权重作为指纹对象存储在数据库中，从而构成离线位置指纹地图；

优选地，权值u满足以下条件：

(1)u_i1 ²+u_i2 ²+u_i3 ²+...+u_ik ²＝1，其中i＝1,2,3,...,k；

(2)Y_i与Y_j之间不具有相关性，其中i≠j,i,j＝1,2,3,...k；

(3)Y₁是X₁,X₂,...,X_k的一切满足条件1的线性组合中方差最大者；Y₂是与Y₁不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；...，Y_k是与Y₁,Y₂,...Y_k-1不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明是基于信道状态信息(Channel State Information，简称CSI)的距离测量算法，其首先使用距离测量算法推算出目标与WiFi收发器之间的距离，然后利用该距离信息确定目标所处位置的区域范围(即粗定位)，由此可以从指纹库中剔除不在该区域范围内的指纹数据；相比于传统被动式指纹室内定位方法在在线阶段直接进行指纹匹配，本发明的粗定位不仅减少了需要匹配的指纹数量，而且可以消除粗定位区域范围外指纹的干扰，从而使得本发明相对于现有基于WiFi的被动式指纹室内定位方法具有更好的定位精度；

(2)本发明通过主成分分析(Principal Component Analysis，简称PCA)从CSI中提取主成分，并对主成分设置相应的权重，从而不仅简化了CSI信号，最大程度地保留了与位置相关的CSI信息，而且消除了部分与目标位置无关的噪声；

(3)本发明通过根据每个主成分对应的方差设置主成分的权重，使用带有权重的主成分生成指纹，相比传统方法直接使用CSI生成指纹，本发明的方法在相同位置生成的指纹具有更好的相似性，在不同位置生成的指纹能够更容易区分开来；

(4)本发明在指纹匹配阶段，使用层次聚类算法对最相关的k个参考点指纹使用指纹的信号域信息与地理位置域信息进行聚类分析，然后选择其中一个子簇进行位置估计，从而实现了比现有的k近邻算法更好的定位精度；

(5)相对于现有的主要室内定位技术，包括红外线室内定位技术、超声波室内定位技术、蓝牙室内定位技术、RFID室内定位技术、ZigBee室内定位技术、以及UWB室内定位技术等，本发明技术成本低，易实现，覆盖范围广，且具有良好的扩展性，因此在实际生活中具有广泛的应用前景。

附图说明

图1是本发明基于距离测量和位置指纹的室内定位方法的流程图；

图2是本发明对选定的参考点进行过滤的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的整体思路在于，提出了一种基于距离测量和位置指纹的室内定位方法(Indoor Localization Method based on Location Fingerprint and RangeMeasurement，简称ILLFRM)，该方法包括离线阶段和在线阶段两部分。其中，离线阶段，使用基于主成分分析(Principal Component Analysis，简称PCA)的指纹生成方法构建离线指纹库；在线阶段，首先通过距离测量算法进行粗定位，过滤离线指纹库，然后通过改进的指纹匹配算法确定目标的具体位置。

如图1所示，本发明基于距离测量和位置指纹的室内定位方法包括以下步骤：

一、构建离线指纹地图过程，具体包括：

(1)在室内的感兴趣区域中部署多个参考点(相邻参考点之间的距离是0到1米之间)，利用网卡采集各个参考点的信道状态信息(channel state information，简称CSI)信号，并对采集到的CSI信号进行频域低通滤波，以得到无噪声信号；

具体而言，本步骤中使用的是Intel 5300AGN无线网卡，使用的频域低通滤波是采用二阶巴特沃斯低通滤波器。

(2)根据各个参考点的无噪声信号并使用主成分分析法(Primary componentanalysis，简称PCA)构建离线位置指纹地图；本步骤具体包括以下子步骤：

(2-1)获取第一个参考点对应的PCA方法的输入信号X，并对该输入信号X进行线性变换，以得到降维后的多个信号Y作为该参考点的主成分信号；

具体而言，PCA方法的输入信号为X＝(X₁,X₂,X₃,...,X_k)，其包括k个子载波(其中k为正整数)，X_k表示输入信号的第k个子载波，本步骤首先对输入信号X进行线性变换，转换为另一个变量Y＝(Y₁,Y₂,Y₃,...,Y_k)，Y可以由变量X表示如下：

Y₁＝u₁₁X₁+u₁₂X₂+u₁₃X₃+...+u_1kX_k

Y₂＝u₂₁X₁+u₂₂X₂+u₂₃X₃+...+u_2kX_k

Y_k＝u_k1X₁+u_k2X₂+u_k3X₃+...+u_kkX_k

其中u表示权值，其满足以下条件：

(1)u_i1 ²+u_i2 ²+u_i3 ²+...+u_ik ²＝1，其中i＝1,2,3,...,k；

(2)Y_i与Y_j(i≠j,i,j＝1,2,3,...k)之间不具有相关性；

(3)Y₁是X₁,X₂,...,X_k的一切满足条件1的线性组合中方差最大者；Y₂是与Y₁不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；...，Y_k是与Y₁,Y₂,...Y_k-1不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者。

然后，在Y＝(Y₁,Y₂,Y₃,...,Y_k)中选择方差比较大的m个Y作为主成分信号，其中m的取值，是使得以下累计贡献率Z的取值大于等于一阈值(该阈值等于0.85)所对应的m值：

其中σ_i表示Y_i的方差；

这样做的目的，是使得指标数目变少，并且这些主成分比原始数据更具有代表性，既能够提高系统处理效率，又保留了原始数据的大部分信息。

(2-2)对于其余的所有参考点，重复上述步骤(2-1)，从而得到所有参考点的主成分信号；

(2-3)为每个参考点的主成分信号分配相应的权重，具体采用以下公式：

(2-4)将每个参考点、其主成分信号以及对应的权重作为指纹对象存储在数据库中，从而构成离线位置指纹地图；

二、参考点的粗定位过程，包括以下步骤：

(3)根据不同参考点的位置构建矩形网格，如图2所示；

(4)在矩形网格中构建以WiFi收发器为焦点，长轴为d_k(t)的椭圆，如图2所示；

其中

在时间T＝0时，待定位目标在初始位置(x₀,y₀)，该初始位置(x₀,y₀)到WiFi收发器的距离为d_k(0)，经过时间t，目标移动到某一个位置(x,y)，(x,y)到WiFi收发器的距离为d_k(t)，v_k(t)表示待定位目标的移动速度；

(5)根据步骤(4)构建的椭圆对矩形网格中的所有参考点进行过滤，即保留落入椭圆覆盖范围内的参考点，以得到过滤后的参考点集合；

三、参考点的精确定位，包括以下步骤：

(6)根据离线位置指纹地图并使用K近邻算法对过滤后的参考点集合进行指纹匹配，以得到匹配结果。

具体而言，本步骤包括以下子步骤：

(6-1)计算待定位点与步骤(5)中过滤后的参考点集合中各个参考点之间的欧式距离，其定义为：

其中F_i和F_j分别表示待定位点的指纹对象、以及参考点集合中参考点的指纹对象，且有F_i＝{x_i,y_i,W_1i,W_2i,...,W_mi}，F_j＝{x_j,y_j,W_1j,W_2j,...,W_mj}，其中x和y表示待定位点/参考点的坐标，W表示主成分信号。

(6-2)从得到的多个欧氏距离中选取最小的p个对应的指纹对象作为最终参考点集合；

(6-3)对最终参考点集合进行层次聚类，以得到一个子簇；

本步骤具体包括以下子步骤：

(6-3-1)把最终参考点集合中的每个指纹对象作为一个簇，计算每个簇之间的欧式距离；

(6-3-2)将簇间距离最小的两个簇合并为一个簇；

(6-3-3)重新计算该合并后的簇与其他簇之间的欧式距离。

(6-3-4)重复上述步骤(6-3-2)和(6-3-3)，直到将最终参考点集合中的所有指纹对象合并为一个簇为止。

(6-4)使用得到的子簇对应的指纹对象对待定位点进行估计，具体为：

其中N为子簇C中指纹对象的个数，F_i.x表示指纹对象F_i的横坐标，F_i.y表示指纹对象F_i的纵坐标。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于距离测量和位置指纹的室内定位方法，其特征在于，包括以下步骤：

(1)在室内的感兴趣区域中部署多个参考点，根据不同参考点的位置构建矩形网格；

(2)在矩形网格中构建以WiFi收发器为焦点，长轴为d_k(t)的椭圆，

其中d_k(0)表示待定位目标的初始位置(x₀,y₀)到WiFi收发器的距离，v_k(t)表示待定位目标的移动速度，t表示时间；

(3)根据步骤(2)构建的椭圆对矩形网格中的所有参考点进行过滤，即保留落入椭圆覆盖范围内的参考点，以得到过滤后的参考点集合；

(4)根据离线位置指纹地图并使用K近邻算法对过滤后的参考点集合进行指纹匹配，以得到匹配结果。

2.根据权利要求1所述的室内定位方法，其特征在于，步骤(4)包括以下子步骤：

(4-1)计算待定位点与步骤(3)中过滤后的参考点集合中各个参考点之间的欧式距离，其定义为：

其中F_i和F_j分别表示待定位点的指纹对象、以及参考点集合中参考点的指纹对象，且有F_i＝{x_i,y_i,W_1i,W_2i,...,W_mi}，F_j＝{x_j,y_j,W_1j,W_2j,...,W_mj}，其中x和y表示待定位点/参考点的坐标，W表示主成分信号；

(4-2)从得到的多个欧氏距离中选取最小的p个对应的指纹对象作为最终参考点集合；

(4-3)对最终参考点集合进行层次聚类，以得到一个子簇；

(4-4)使用得到的子簇对应的指纹对象对待定位点进行估计，具体为：

其中N为子簇C中指纹对象的个数，F_i.x表示指纹对象F_i的横坐标，F_i.y表示指纹对象F_i的纵坐标。

3.根据权利要求2所述的室内定位方法，其特征在于，步骤(4-3)包括以下子步骤：

(4-3-1)把最终参考点集合中的每个指纹对象作为一个簇，计算每个簇之间的欧式距离；

(4-3-2)将簇间距离最小的两个簇合并为一个簇；

(4-3-3)重新计算该合并后的簇与其他簇之间的欧式距离；

(4-3-4)重复上述步骤(4-3-2)和(4-3-3)，直到将最终参考点集合中的所有指纹对象合并为一个簇为止。

4.根据权利要求1所述的室内定位方法，其特征在于，离线指纹地图是通过以下步骤构建的：

A、利用网卡采集各个参考点的CSI信号，并对采集到的CSI信号进行频域低通滤波，以得到无噪声信号；

B、根据各个参考点的无噪声信号并使用PCA方法构建离线位置指纹地图。

5.根据权利要求4所述的室内定位方法，其特征在于，步骤A中使用的频域低通滤波是采用二阶巴特沃斯低通滤波器。

6.根据权利要求4所述的室内定位方法，其特征在于，步骤B具体包括以下子步骤：

B1、获取第一个参考点对应的PCA方法的输入信号X，并对该输入信号X进行线性变换，以得到降维后的多个信号Y作为该参考点的主成分信号；其中PCA方法的输入信号为X＝(X₁,X₂,X₃,...,X_k)，其包括k个子载波，其中k为正整数，X_k表示输入信号的第k个子载波；

步骤(B1)具体为：首先对输入信号X进行线性变换，转换为另一个变量Y＝(Y₁,Y₂,Y₃,...,Y_k)，Y可以由变量X表示如下：

Y₁＝u₁₁X₁+u₁₂X₂+u₁₃X₃+...+u_1kX_k

Y₂＝u₂₁X₁+u₂₂X₂+u₂₃X₃+...+u_2kX_k

Y_k＝u_k1X₁+u_k2X₂+u_k3X₃+...+u_kkX_k

其中u表示权值，且权值u满足以下条件：

(1)u_i1 ²+u_i2 ²+u_i3 ²+...+u_ik ²＝1，其中i＝1,2,3,...,k；

(2)Y_i与Y_j之间不具有相关性，其中i≠j,i,j＝1,2,3,...k；

(3)Y₁是X₁,X₂,...,X_k的一切满足条件1的线性组合中方差最大者；Y₂是与Y₁不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；...，Y_k是与Y₁,Y₂,...Y_k-1不相关的X₁,X₂,...,X_k的所有线性组合中方差最大者；

然后，在Y＝(Y₁,Y₂,Y₃,...,Y_k)中选择方差比较大的m个Y作为主成分信号；

其中m的取值，是使得以下累计贡献率Z的取值大于等于0.85所对应的m值：

其中σ_i表示Y_i的方差；

B2、对于其余的所有参考点，重复上述步骤(B1)，从而得到所有参考点的主成分信号；

B3、为每个参考点的主成分信号分配相应的权重，具体采用以下公式：

B4、将每个参考点、其主成分信号以及对应的权重作为指纹对象存储在数据库中，从而构成离线位置指纹地图。

Images