CN108761385A

CN108761385A - 一种基于ap虚拟坐标进行指纹点聚类的室内位置定位方法

Info

Publication number: CN108761385A
Application number: CN201810465495.3A
Authority: CN
Inventors: 薛卫星; 花向红; 李清泉; 邱卫宁; 韩浩然
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2018-05-16
Filing date: 2018-05-16
Publication date: 2018-11-06

Abstract

本发明公开了一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，包括：步骤1、在室内环境中选取若干校准点和若干测试点；步骤2、对于各校准点分别提取位置指纹，得到位置指纹库；步骤3、对于所有校准点，采用KNN方法对同一房间内的所有校准点进行基于AP虚拟坐标的聚类分析，把同一房间内的所有校准点分成不同的小集群；求每个小集群内校准点的RSSI向量平均值，作为该区域RSSI向量的代表；步骤4、计算所有校准点集群和测试点间的信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的校准点集群；步骤5、采用该集群中的校准点计算该测试点的估计位置。本发明方法的实用性和定位精度显著优于传统校准点聚类方法。

Description

一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法。

背景技术

基于Wi-Fi的接收信号强度指示(RSSI)的指纹定位算法既不需要Wi-Fi接入点的位置，也不需要信道传播模型，成本低，覆盖范围广，逐渐成为室内定位导航的主流方法。一般说来，无线信号衰减与传播介质有很大关系，换句话说，不同的传播介质具有不同的路径损耗。而我们定位的室内空间都在同一介质(即空气)的范围内，既不在墙上，也不在窗户里。所以，在很大程度上，只有一个传播媒介在位置空间。因此，我们需要做的是将位置区域划分为较小的区域，例如房间或走廊。在这种区域中，无线信号可以被认为是在同一介质中传播。因此，为了提高传统定位算法的定位精度，本文提出了一种基于AP虚拟坐标的室内开放区域定位的指纹点聚类算法。实验结果表明，室内开放区域定位的校准点可以很好地进行聚类，提出的室内定位方法不仅克服了开放区域内的室内定位难题。同时，基于虚拟AP坐标的聚类方法不需要进行大量数据采集工作来确定不同室内环境的衰减因子，既简化了无线信号衰减模型，节省了大量的时间和成本，又同时保证了RSS室内定位的精度。

发明内容

本发明要解决的技术问题在于针对现有技术中室内定位精度较低的缺陷，提供一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，该方法包括以下步骤：

步骤1、在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据；

步骤2、对于各校准点，分别根据校准点数据提取位置指纹，得到位置指纹库；

步骤3、对于位置指纹库中的所有校准点，采用KNN方法对同一房间内的所有校准点的位置指纹进行基于AP虚拟坐标的聚类分析，把同一房间内的所有校准点聚类成多个不同的小集群；求每个小集群内校准点的RSSI向量平均值，作为该小集群RSSI向量的代表；

步骤4、计算测试点和所有小集群之间信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的小集群；

步骤5、采用该小集群聚类中的所有校准点计算该测试点的估计位置。

进一步地，本发明的步骤2中对于各校准点分别提取位置指纹的实现方式为：

对于各校准点的RSSI数据从强到弱依次排序，计算排序靠前的若干个校准点的RSSI数据的平均值作为RSSI估计值，将RSSI估计值与校准点的位置信息关联起来组成位置指纹。

进一步地，本发明的步骤3中求每个小集群内校准点的RSSI向量平均值的计算公式为：

其中，是观察到的第i个小集群内第j个AP的RSSI向量，假定第i个小集群的簇中含有H个校准点。

进一步地，本发明的步骤3中采用KNN方法对同一房间内的所有校准点的位置指纹进行基于AP虚拟坐标的聚类分析，把同一房间内的所有校准点聚类成多个不同的小集群的方法具体为：

步骤3.1、根据KNN方法的定位误差，设置最近邻居数量的K值；

步骤3.2、对于各个校准点，根据KNN方法匹配的K个最近邻居校准点的坐标，利用最小二乘平差计算得到该校准点对应的AP虚拟坐标：

计算虚拟坐标的公式为：

其中，(x_i,y_i)表示第i个临近校准点的几何坐标，η是RSSI信号强度衰减因子，RSSI(d₀)是距离AP信号源1m处接收的信号强度值，RSSI(d_i)是在第i个临近校准点处接收的信号强度值；

步骤3.3、对于某一AP_j，对所有校准点对应的该AP虚拟坐标进行聚类，根据聚类结果得到多个小集群：

进行AP_j虚拟坐标聚类的判定公式为：

其中，(x_j1,y_j1)表示第一个校准点对应AP_j虚拟的坐标，(x_ji,y_ji)表示第i个临近校准点对应AP_j虚拟的坐标；

以第一个校准点对应AP_j虚拟的坐标聚类之后，继续以同样的方法对剩下的校准点进行聚类，直到所有校准点聚类完成。

进一步地，本发明的步骤5中计算测试点的估计位置的方法为：

计算估计位置的公式为：

其中，(x,y)表示测试点的估计位置坐标，(x_i,y_i)表示第i个临近校准点的几何坐标，ω_i表示第i个校准点的加权系数；

其中，M表示AP的个数。

本发明产生的有益效果是：本发明的基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，基于校准点对应的AP虚拟坐标的聚类结果对指纹点进行聚类，无需对聚类个数进行设置，实现了指纹点聚类的自动化；同时，聚类的结果有效地反映了指纹点在RSSI信号空间之间的聚类关系，从理论上来说，新方法就具有更好的实用性；并且本发明的改进聚类定位方法具有更高的精度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的流程图；

图2是本发明实施例的实验方案分布示意图；

图3是本发明实施例的定位的累积分布函数(CDF)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用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的基于AP虚拟坐标进行指纹点聚类的室内开阔区域的位置定位方法，包括以下步骤：

步骤1：在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据。

实施例在室内环境中选取63个校准点(图2中实心圆形标识)，随机选取63个测试点，先后采集各校准点处和各测试点处的WiFi接收信号强度指标(RSSI)，采用1秒的采样率，采集约40秒，将采集的RSSI数据储存到移动端，移动端可利用现有设备，例如手机。

步骤2：对于各校准点，分别执行以下操作，提取位置指纹库：

剔除RSSI数据丢失率较高的WiFi信号源，剔除RSSI数据丢失率较高的WiFi信号源；对RSSI观测值数据从强到弱依次排序，计算前若干(实施例优选取5)个RSSI观测值的平均值作为RSSI估计值；将RSSI估计值和校准点的位置信息关联起来组成该校准点的位置指纹。

提取所有校准点的位置指纹完成后，得到位置指纹库。

步骤3：对于所有校准点，采用KNN方法对同一房间内的所有校准点进行基于AP虚拟坐标的聚类分析，把同一房间内的所有校准点分成不同的小集群；求每个小集群内指纹的RSSI向量平均值，作为该区域RSSI向量的代表；

对位于同一个房间内的校准点，其具体实现包括以下子步骤：

步骤3.1：为了比较分析，需要设定不同的K值(实施例选取从2，3，4，…，10等九个数值)，根据KNN的定位误差确定K的具体数值；

步骤3.2：K值确定之后，该校准点对应的AP的虚拟坐标则有KNN匹配的K校准点坐标利用最小二乘平差进行计算得到；

计算虚拟坐标的公式为：

步骤3.3：对校准点对应的AP的虚拟坐标进行聚类，根据校准点对应的AP的虚拟坐标的聚类结果对校准点进行聚集，于某一AP_j，对所有校准点对应的该AP虚拟坐标进行聚类，根据聚类结果得到多个小集群：

进行AP_j虚拟坐标聚类的判定公式为：

步骤4，计算测试点和所有小集群之间信号空间欧氏距离，并筛选出距离测试点信号空间欧氏距离最近的校准点小集群；

步骤5，基于步骤4筛选的H个临近校准点，计算该测试点的估计位置，采用如下公式计算：

其中，M表示AP的个数。

本实施例的测试点的真实位置(x,y)与估计位置的误差err计算如下：

运用以上流程，可以估计任意测试点的位置。具体实施时，可采用计算机软件技术实现以上流程的自动运行。

为验证估计结果的可靠性，本实施例的实验结果如下，其中不同环境衰减因子对CDF的影响请见表1：

表1五种算法定位误差对比分析

在某大学4号楼101机房进行了实验用来评估提出的新方法的性能。实验区域总面积大小约为20.28m²(5.2m*3.9m)。总共采集了63个校准点和63个测试点。校准点和测试点的物理位置请见图2，其中实心圆形代表校准点，测试点在校准点之间随机选取。

首先分析不同K值对定位精度的影响。

当K值取不同值时，会对定位精度产生影响。因此，了解K对定位精度的影响是很重要的。然后可以选择合适的K值来实现良好的定位性能。表2显示了当K取2到10的不同数值时对应WKNN的定位误差统计。从表2中，我们可以看到，随着K的增大，WKNN的定位误差先增加后减小；当K等于5时，WKNN的定位误差最小。因此，5被认为是k最合适的值。

表2基于WKNN的定位误差统计

接下来，研究不同路径衰减因子值对定位精度的影响。

根据无线信号衰减公式，当路径衰减因子取值不同时，可能会对AP的虚拟坐标产生影响。因此，了解路径衰减因子对AP的虚拟坐标的影响是很重要的。一般来说，无线信号在自由空间甚至空气中的路径衰减因子指数是2。根据相关研究结果，在有混凝土墙和走廊隔开的办公楼中的路径衰减因子大约是3。表3给出了当路径衰减因子从2到4范围变化时得到的AP的虚拟坐标，这里以AP1的x坐标为例。

表3基于不同路径衰减因子得到的AP1的x坐标

从表3中我们可以看到，当它路径衰减因子取不同值时，路径损耗对AP的虚拟坐标的影响是显著的。然而，校准点的聚类趋势没有随着路径衰减因子改变。我们把这种集群趋势总结一下，如表4所示。

表4基于不同路径衰减因子得到的AP1的x坐标的集群趋势

最后，研究不同算法对定位精度的影响。

现在让我们来研究五种不同算法对定位精度的影响。包括KNN算法，WKNN算法，RPLC(基于校准点几何位置聚类)算法，SDC(基于校准点信号距离聚类)算法和本发明的基于AP虚拟坐标进行指纹点聚类的方法。精确度是测试点真实坐标和估计坐标之间距离误差的累积分布函数(CDF)。本实例中，总共测试了63个测试点，分别选择了0.3m、0.5m、0.8m、1m、1.5、2m、2.5m和3m等8个值作为CDF统计的阈值。从图3所示的结果可以看出，本发明的方法比KNN算法，WKNN算法，RPLC算法和SDC算法得到了更好的定位精度。

本发明具有的特点：

(1)通常的指纹点聚类方法需要对聚类的个数进行设置，而根据不同的数学评价模型又有不同的评价策略，而不同的评价策略又会产生不同的聚类结果，从而导致其实用性降低。

本发明所提出新的基于AP虚拟坐标进行室内开阔区域指纹点聚类的技术方案基于校准点对应的AP虚拟坐标的聚类结果对指纹点进行聚类，无需对聚类个数进行设置，实现了指纹点聚类的自动化；同时，聚类的结果有效地反映了指纹点在RSSI信号空间之间的聚类关系，从理论上来说，新方法就具有更好的实用性；

(2)实验分析表明：新的改进聚类定位方法具有更高的精度。新方法的定位精度明显优于通常的基于几何位置或基于RSSI信号距离的指纹点聚类方法。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于AP虚拟坐标进行校准点聚类的室内位置定位方法，其特征在于，步骤2中对于各校准点分别提取位置指纹的实现方式为：

3.根据权利要求1所述的基于AP虚拟坐标进行校准点聚类的室内位置定位方法，其特征在于，步骤3中求每个小集群内校准点的RSSI向量平均值的计算公式为：

4.根据权利要求1所述的基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，其特征在于，步骤3中采用KNN方法对同一房间内的所有校准点的位置指纹进行基于AP虚拟坐标的聚类分析，把同一房间内的所有校准点聚类成多个不同的小集群的方法具体为：

步骤3.1、根据KNN方法的定位误差，设置最近邻居数量的K值；

计算虚拟坐标的公式为：

进行AP_j虚拟坐标聚类的判定公式为：

5.根据权利要求3所述的基于AP虚拟坐标进行指纹点聚类的室内位置定位方法，其特征在于，步骤5中计算测试点的估计位置的方法为：

计算估计位置的公式为：

其中，M表示AP的个数。