CN108235248B - 一种多模态智能感知室内定位方法 - Google Patents
一种多模态智能感知室内定位方法 Download PDFInfo
- Publication number
- CN108235248B CN108235248B CN201810007177.2A CN201810007177A CN108235248B CN 108235248 B CN108235248 B CN 108235248B CN 201810007177 A CN201810007177 A CN 201810007177A CN 108235248 B CN108235248 B CN 108235248B
- Authority
- CN
- China
- Prior art keywords
- positioning
- rssi
- distance
- intelligent sensing
- optimizing
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于多模态智能感知的室内精确定位方法,使用模糊神经网络对不同定位方法的特征空间进行最优化整合,融合基于距离的定位、基于RSSI和LQI的位置指纹定位,最大程度上消除外界环境对定位精度影响。
Description
技术领域
本发明是一种基于智能感知技术的室内定位方法,涉及室内定位技术、无线传感器网络、无线信号传输、智能终端、优化算法、神经网络等多个领域。
背景技术
随着现代社会的不断发展,城镇化进程加快,大型建筑日益增多,人们活动的室内空间越来越庞大、复杂。全球超50亿的手机用户,超10亿的空巢老人和学龄儿童,每年超过百万起的各类灾害以及人们的衣食住行等方面对室内定位服务的需求日趋强烈。室内定位技术是传统零售业整合线上线下精准营销的利器,是智能制造、机器人、无人驾驶的必然需求,是解决医疗护理人员缺乏难题的有效工具。同时公共安全、工业生产、应急救援、公共卫生、大型展会或者场馆管理、新兴智慧城市建设等领域也急切需要精确的室内定位信息。快速、实时、精确的室内定位能力,能够将真实世界的物理对象,与虚拟空间的数据信息结合,从而大幅改变零售、制造、物流、急救等行业的运作方式,令人与人、人与物、物与物之间的联系变得更加紧密,真正实现万物互联的理想。
目前基于无线测距的定位技术被广泛使用。Wi-Fi定位技术,基于现有的WALN网络,采用RSSI定位。蓝牙定位技术,以苹果公司推出的iBeacon标准为代表,采用三角定位技术。超宽带定位技术,采用UWB(超宽带)脉冲信号,由传感器采用TDOA和AOA算法定位。但是,由于无线信号在传播时受多径效应、人体和建筑物对信号的吸收等影响,造成信号强度波动;室内环境的多变性、复杂性以及相关算法的复杂度较大并且对环境的依赖性较强,环境的变换很大程度上影响定位的精度;因此,目前的室内定位精度还有待提高。
发明内容
本发明提出了一种基于多模态智能感知的室内精确定位方法,使用模糊神经网络对不同定位方法的特征空间进行最优化整合,融合基于距离的定位、基于RSSI和LQI的位置指纹定位,最大程度上消除外界环境对定位精度影响。
主要包括:1)建立无线传感器网络,获取参考节点与目标节点之间的RSSI和LQI信息;2)优化获取到的参考节点和目标节点之间的RSSI值,优化距离与信号强度的关系模型,实现基于距离的定位;3)使用获取到的参考节点和目标节点之间的RSSI和LQI,基于RSSI和LQI的位置实现指纹定位;4)使用模糊神经网络对不同定位方法的特征空间进行最优化整合。
附图说明
图1为本发明的结构框图。
图2为本发明的模糊神经网络结构图。
具体实施方式
1.基于ZigBee建立无线传感器网络,获取参考节点与目标节点之间的RSSI和LQI信息
建立ZigBee无线传感器网络,保证参考节点和目标节点之间的数据传送畅通,目标节点智能终端能够接受信号数据,进行数据处理创建指纹库,实时高效计算。根据参考节点和目标节点之间传输信号的特点定义相应的无线数据传输协议,保证目标节点接受信号获取到RSSI和LQI。
2.优化获取到的参考节点和目标节点之间的RSSI值,优化距离与信号强度的关系模型,完成基于距离的定位:
(1)使用滤波算法,提高RSSI的测量精度
通过在不同位置对RSSI测量,使用平均值或者高斯滤波的方法,先大致确定一定位置上RSSI的变化范围,为下一步优化距离与RSSI的关系模型做准备。
(2)根据获取到的RSSI值优化距离转换公式的参数,使用距离转换公式得到参考节点和目标节点直接距离,完成基于距离的定位,主要包括:
①优化距离转换公式参数
在定位之前,计算已知位置节点和参考节点之间的距离,根据接收到的对应的RSSI值进行多项式拟合距离转换公式,优化参数,确定当前环境下的参数。距离转换公式如下:
RSSI表示接收节点接收到的信号强度,其中P0(d0)表示在距离发射节点d0处测得的信号强度;Xσ表示由环境干扰引起的分量;np表示信号的路径衰减系数。
②使用定位算法
根据已经确定的距离转换公式,根据获取到的RSSI得到参考节点和目标节点直接的距离,选择质量好的三个RSSI值对应参考节点的位置和距离根据如下公式得到定位坐标:
其中三个参考节点的坐标分别为(xa,ya)、(xb,yb)、(xc,yc),目标节点M的坐标为(x,y),三个参考节点A、B、C,它们离目标节点M的距离分别为ma、mb、mc。
3.使用获取到的参考节点和目标节点之间的RSSI和LQI,基于RSSI和LQI的位置指纹定位
基于RSSI和LQI信号,对场景进行建模,首先分析LQI和RSSI之间的关系,判断利用一个量对另一个量进行校正的可能性,是它们之间进行互补,降低测量误差带来的定位误差。
(1)离线采样阶段
在定位区域内设置若干采样位置,并在每个位置上记录所有接收到的参考点的RSSI和LQI数据,对每一个采样位置多次采样计算其均值和方差,由全部采样位置的RSSI和LQI建立一个关于信号强度和链路质量采样位置关系的数据库。
(2)实时定位阶段
移动终端设备在未知位置获得一个关于各参考点的指纹向量,包括了信号强度RSSI和链路质量LQI,首先使用指纹向量缩小搜索范围,然后使用k-means法进行模式分类,从而判断待测节点所处的位置。
4.利用模糊加权神经网络对不同定位方法的特征空间进行最优化整合。空间特征整合方法将在不同场景发挥各自的优势,根据各种不同场景的需求,利用模糊神经网络对特征空间描述进行最优化整合,是实现最终定位结果的重要环节,需要根据不同的场景优化不同的参数,从而达到最优的定位效果,本发明将不同定位场景特征的模糊空间划分及其生成的模糊规则库转换成等价的神经网络形式。
Claims (4)
1.一种多模态智能感知的室内定位方法,包括以下步骤:
步骤1:建立基于ZigBee的无线传感器网络,获取参考节点与目标节点之间的RSSI和LQI信息;
步骤2:使用滤波算法优化获取到的参考节点和目标节点之间的RSSI值,优化距离与信号强度的关系模型,实现基于距离的定位;
步骤3:使用获取到的参考节点和目标节点之间的RSSI和LQI,实现基于RSSI和LQI的位置指纹定位;
其特征在于,还包括步骤4:使用模糊加权神经网络对不同定位方法的特征空间进行最优化整合。
2.根据权利要求1所述的一种多模态智能感知的室内定位方法,其特征在于:所述的步骤2使用滤波算法优化获取到的参考节点和目标节点之间的RSSI值,再优化距离与信号强度的关系模型,选取质量好的RSSI转换成距离,使用定位算法完成基于距离的定位。
3.根据权利要求1所述的一种多模态智能感知的室内定位方法,其特征在于:所述步骤4使用模糊加权神经网络对不同定位方法的特征空间进行最优化整合,是通过将多特征空间的模糊空间划分及其生成的模糊规则库转换成等价的神经网络形式,实现最优化整合。
4.根据权利要求1所述的一种多模态智能感知的室内定位方法,其特征在于:所述步骤2使用的滤波算法为高斯滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007177.2A CN108235248B (zh) | 2018-01-04 | 2018-01-04 | 一种多模态智能感知室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007177.2A CN108235248B (zh) | 2018-01-04 | 2018-01-04 | 一种多模态智能感知室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108235248A CN108235248A (zh) | 2018-06-29 |
CN108235248B true CN108235248B (zh) | 2020-07-31 |
Family
ID=62642775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810007177.2A Active CN108235248B (zh) | 2018-01-04 | 2018-01-04 | 一种多模态智能感知室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108235248B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005510B (zh) * | 2018-07-20 | 2020-07-24 | 东北电力大学 | 基于区域划分的无线传感器网络室内移动目标跟踪方法 |
CN109640255B (zh) * | 2019-01-25 | 2020-12-15 | 电子科技大学 | 位置指纹室内定位系统及方法 |
CN109922432B (zh) * | 2019-03-28 | 2021-07-16 | 南京邮电大学 | 无线通信环境下通过优化指纹元素个数的目标定位方法 |
CN115474958B (zh) * | 2022-09-15 | 2023-09-08 | 瑞石心禾(河北)医疗科技有限公司 | 一种双模态医学成像中引导检查床自动摆位的方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101715232A (zh) * | 2009-11-20 | 2010-05-26 | 西安电子科技大学 | 基于rssi和lqi加权的无线传感器网络节点定位方法 |
WO2011157087A1 (zh) * | 2010-06-18 | 2011-12-22 | 西安电子科技大学 | 无线传感器网络中的快速切换方法和系统 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN105301558A (zh) * | 2015-09-22 | 2016-02-03 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位方法 |
CN106162871A (zh) * | 2016-08-16 | 2016-11-23 | 浙江工业大学 | 一种基于插值的室内指纹定位方法 |
CN106993319A (zh) * | 2017-03-20 | 2017-07-28 | 吕皓 | 一种实现gnss和wifi系统无缝垂直切换的算法 |
-
2018
- 2018-01-04 CN CN201810007177.2A patent/CN108235248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101715232A (zh) * | 2009-11-20 | 2010-05-26 | 西安电子科技大学 | 基于rssi和lqi加权的无线传感器网络节点定位方法 |
WO2011157087A1 (zh) * | 2010-06-18 | 2011-12-22 | 西安电子科技大学 | 无线传感器网络中的快速切换方法和系统 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN105301558A (zh) * | 2015-09-22 | 2016-02-03 | 济南东朔微电子有限公司 | 一种基于蓝牙位置指纹的室内定位方法 |
CN106162871A (zh) * | 2016-08-16 | 2016-11-23 | 浙江工业大学 | 一种基于插值的室内指纹定位方法 |
CN106993319A (zh) * | 2017-03-20 | 2017-07-28 | 吕皓 | 一种实现gnss和wifi系统无缝垂直切换的算法 |
Non-Patent Citations (2)
Title |
---|
基于RSSI 的无线传感器网络节点定位算法研究;蔡晓宇,张爱清,叶新荣;《通信技术》;20140630;第47卷(第6期);正文第634-638页 * |
基于ZigBee网络的定位追踪研究与实现;张洁颖;《中国优秀硕士学位论文全文数据库信息科技辑》;20080430(第4期);正文第27、35-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108235248A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108235248B (zh) | 一种多模态智能感知室内定位方法 | |
Yuan et al. | Estimating crowd density in an RF-based dynamic environment | |
WO2016165459A1 (zh) | 一种室内定位方法和设备 | |
CN105163282B (zh) | 一种基于蓝牙位置指纹的室内定位系统及定位方法 | |
CN107333238B (zh) | 一种基于支持向量回归的室内指纹快速定位方法 | |
CN101860959A (zh) | 基于rssi的无线传感器网络的定位方法 | |
Nguyen et al. | Deep gated recurrent unit-based 3D localization for UWB systems | |
CN106954187A (zh) | 一种基于异构网络的室内定位方法 | |
CN110351660A (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
CN112135249A (zh) | 一种基于rssi的加权质心定位算法的改进方法 | |
CN108225332B (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN109541537B (zh) | 一种基于测距的普适室内定位方法 | |
Khan et al. | Experimental testbed evaluation of cell level indoor localization algorithm using Wi-Fi and LoRa protocols | |
Wang et al. | UWB-based indoor localization using a hybrid WKNN-LSTM algorithm | |
Zhu et al. | A deep learning based bluetooth indoor localization algorithm by rssi and aoa feature fusion | |
CN113453148B (zh) | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 | |
CN110769499A (zh) | 一种基于双射频混合rssi指纹定位方法 | |
Konings et al. | Improved distance metrics for histogram-based device-free localization | |
CN110611952A (zh) | 指纹匹配定位方法 | |
Kumar et al. | Localization estimation using artificial intelligence technique in wireless sensor networks | |
Baldini et al. | Room occupancy detection: Combining RSS analysis and fuzzy logic | |
CN116095600A (zh) | 一种基于5g时空大数据协同的室内定位方法 | |
Kanan et al. | A combined batteryless radio and WiFi indoor Positioning System | |
Qiu et al. | Cooperation among smartphones to improve indoor position information | |
Mohammed | Real-time RSS-based positioning system using neural network algorithm |
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 |