CN108882169B - 一种WiFi位置指纹数据的获取方法及装置和机器人 - Google Patents

Abstract

本申请提供一种WiFi位置指纹数据的获取方法及装置、机器人和计算机可读存储介质。其中，WiFi位置指纹数据的获取方法包括：基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置；基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置；采集WiFi指纹数据；将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据。本申请实施例基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置，以提高位置的自动标注精度，并将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据，从而为提高WiFi的定位精度提供了条件。

Description

一种WiFi位置指纹数据的获取方法及装置和机器人

技术领域

本申请涉及定位技术，尤其涉及一种WiFi位置指纹数据的获取方法及装置、机器人和计算机可读存储介质。

背景技术

无线保真(Wireless-Fidelity，简称WiFi)定位是目前比较容易实施的室内定位方法。因为室内一般都覆盖有WiFi，因此不需要额外铺设设备，就可以完成室内定位功能。

相关技术中，通过将获得的运动设备的预测位置和采集的WiFi数据作为WiFi位置指纹数据，但是这种实现方式获取的预测位置精度低，从而导致WiFi的定位精度低。

发明内容

有鉴于此，本申请提供一种WiFi位置指纹数据的获取方法及装置、机器人和计算机可读存储介质。

具体地，本申请是通过如下技术方案实现的：

根据本公开实施例的第一方面，提供一种WiFi位置指纹数据的获取方法，所述方法包括：

基于预设运动模型和运动设备的起始位置，获得所述运动设备的预测位置；

基于获取的传感器数据对所述预测位置进行处理，得到所述运动设备的标注位置；

采集WiFi指纹数据；

将所述WiFi指纹数据与所述标注位置进行关联，得到WiFi位置指纹数据。

在一实施例中，基于获取的传感器数据对所述预测位置进行处理，得到所述运动设备的标注位置，包括：

基于所述传感器数据，获得所述运动设备的测量位置；

确定每个测量位置的权重和所述预测位置的权重；

基于所述每个测量位置的权重和所述预测位置的权重，对所有测量位置和所述预测位置进行加权运算；

基于加权运算结果得到所述标注位置。

在一实施例中，所述确定每个测量位置的权重和所述预测位置的权重，包括：

根据与所述预测位置对应的第一协方差矩阵和所有测量位置对应的第二协方差矩阵，计算出卡尔曼增益；

根据所述卡尔曼增益确定所述每个测量位置的权重和所述预测位置的权重。

在一实施例中，所述获得所述运动设备的预测位置，包括：

按照预设频率获得所述运动设备的预测位置，其中，所述预设频率大于或等于所述传感器数据的输出频率和所述WiFi指纹数据的采集频率的最大值。

在一实施例中，所述将所述WiFi指纹数据与所述标注位置进行关联，得到WiFi位置指纹数据，包括：

将所述WiFi指纹数据与所述标注位置按时间戳进行同步。

在一实施例中，所述采集WiFi指纹数据，包括：

基于随机路径采集WiFi指纹数据。

在一实施例中，所述方法还包括：

在所述采集WiFi指纹数据之后，对所述WiFi指纹数据进行过滤。

在一实施例中，所述对所述WiFi指纹数据进行过滤，包括：

若所述WiFi指纹数据通过离线方式采集，则采用第一预设滤波算法对所述WiFi指纹数据进行过滤，所述第一预设滤波算法包括平均滤波算法或高斯滤波算法；或者

若所述WiFi指纹数据通过在线方式采集，则采用第二预设滤波算法进行过滤，所述第二预设滤波算法包括过门限检测算法。

根据本公开实施例的第二方面，提供一种WiFi位置指纹数据的获取装置，所述装置包括：

获得模块，用于基于预设运动模型和运动设备的起始位置，获得所述运动设备的预测位置；

处理模块，用于基于获取的传感器数据对所述获得模块获得的所述预测位置进行处理，得到所述运动设备的标注位置；

采集模块，用于采集WiFi指纹数据；

关联模块，用于将所述采集模块采集的所述WiFi指纹数据与所述处理模块得到的所述标注位置进行关联，得到WiFi位置指纹数据。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述WiFi位置指纹数据的获取方法。

根据本公开实施例的第四方面，提供一种机器人，包括传感器、处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述WiFi位置指纹数据的获取方法。

在一实施例中，所述传感器包括以下至少一种传感器：码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器。

本申请实施例，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置，以提高位置的自动标注精度，并将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据，从而为提高WiFi的定位精度提供了条件。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请一示例性实施例示出的一种WiFi位置指纹数据的获取方法的流程图；

图2是本申请一示例性实施例示出的基于获取的传感器数据对预测位置进行处理的流程图；

图3是本申请一示例性实施例示出的另一种WiFi位置指纹数据的获取方法的流程图；

图4是本申请一示例性实施例示出的WiFi位置指纹数据的获取装置所在机器人的一种硬件结构图；

图5是本申请一示例性实施例示出的一种WiFi位置指纹数据的获取装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1是本申请一示例性实施例示出的一种WiFi位置指纹数据的获取方法的流程图，位置指纹是把实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹。位置指纹可以是多种类型的，任何“位置独特”的特征都能被用来作为一个位置指纹。比如，某个位置上检测到的来自基站信号的接收信号强度(RSS)可以作为一个位置指纹，也可以使用来自多个发射源或者多个接收器的RSS组成一个RSS向量，作为和位置相联系的指纹。这个就是本文描述的典型的WiFi位置指纹。

该实施例从运动设备侧进行描述，如图1所示，该WiFi位置指纹数据的获取方法包括：

步骤S101，基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

其中，预设运动模型可以包括但不局限于恒定转率和速度模型(constant turnrate and velocity，简称CTRV)模型。

运动设备并不局限于类型，包括机器人、无人车等。

运动设备例如机器人、无人车可以基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

在该实施例中，预测位置是指根据上一时刻的运动状态计算得到的当前时刻的位置，其中，运动状态可以包括但不局限于运动设备的位置和速度，还可以包括加速度或角度等。步骤S102，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置。

其中，传感器数据可以由以下至少一种传感器采集获得：码盘、惯性测量组件(IMU)、视觉里程计(VO)、激光雷达自适应蒙特卡罗(amcl)定位和超宽带(UWB)传感器等。

由于获得的预测位置不准确，故需要对预测位置进行处理，以得到准确的标注位置。

在该实施例中，可以基于获取的传感器数据对预测位置进行处理，如图2所示，基于获取的传感器数据对预测位置进行处理的过程可以包括：

步骤S201，基于传感器数据，获得运动设备的测量位置。

其中，测量位置是指由传感器直接输出的位置或根据匹配定位算法间接得到的位置，例如由码盘传感器直接输出的位置或者由VO根据匹配定位算法间接得到的位置。

步骤S202，确定每个测量位置的权重和预测位置的权重。

权重值的大小取决于观测位置和预测位置的不确定性程度，当预测过程和观测过程都是线性高斯时，按照卡尔曼做加权是最优的。

因此，优选的，可以根据与预测位置对应的第一协方差矩阵和所有测量位置对应的第二协方差矩阵，计算出卡尔曼增益，然后，根据卡尔曼增益确定每个测量位置的权重和预测位置的权重。

步骤S203，基于每个测量位置的权重和预测位置的权重，对所有测量位置和预测位置进行加权运算。

例如，可以基于每个测量位置的权重和预测位置的权重，对所有测量位置和预测位置进行加权求和。

步骤S204，基于加权运算结果得到标注位置。

该实施例中，通过计算每个测量位置的权重和预测位置的权重，并基于每个测量位置的权重和预测位置的权重，对所有测量位置和预测位置进行加权运算，然后基于加权运算结果得到标注位置，使得获得的标注位置更准确。

步骤S103，采集WiFi指纹数据。

在该实施例中，可以打点采集WiFi指纹数据，也可以基于随机路径采集WiFi指纹数据。

优选地，基于随机路径采集WiFi指纹数据，即不需要按照设定路线采集WiFi指纹数据，以提高WiFi指纹采集效率。

其中，采集的WiFi指纹数据可以包括但不局限于扩展的服务集标识(ESSID)、地址(address)、采集频率(frequency)、信号强度(signal level)和加密算法中的至少一项。

因为采集到的信号还是会收到各种干扰，比如人的走动，环境信号噪声等，需要对此采集到的信号进行滤波。

在该实施例中，在采集WiFi指纹数据后，还可以采用预设滤波算法对WiFi指纹数据进行过滤，其中，在离线数据采集的情况下，可以采集比较多的数据，再采用平均滤波，高斯滤波等方式对WiFi指纹数据进行过滤。如果机器人或无人车设备处于在线实时定位的状态时不可能采集很多点再进行滤波，优选的可以采用过门限检测算法配合滑动加权滤波进行过滤，例如只保留WiFi信号强度高于指定门限的WiFi指纹数据，以消除或降低微弱WiFi信号或噪声信号，其中，指定门限可以根据需要灵活设置，例如可以为-90dB等。

需要说明的是，上面列举的滤波算法仅为示例，在实际应用中可以根据需要采用其他滤波算法。

为了进一步提高标注位置的准确率，运动设备可以按照预设频率获得运动设备的预测位置，其中，预设频率大于或等于传感器数据的输出频率和WiFi指纹数据的采集频率的最大值。

例如，该实施例中获取的传感器数据来自传感器1和传感器2，假设传感器1的输出频率为30Hz，传感器2的输出频率为100Hz，WiFi指纹数据的采集频率为10Hz，则该预设频率至少为100Hz。

步骤S104，将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据。

在该实施例中，可以将WiFi指纹数据与标注位置按时间戳进行同步，以完成二者的关联，得到WiFi位置指纹数据。之后，还可以将关联的WiFi指纹数据和标注位置即WiFi位置指纹数据写入数据库中。

上述实施例，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置，以提高位置的自动标注精度，并将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据，从而为提高WiFi的定位精度提供了条件。

图3是本申请一示例性实施例示出的另一种WiFi位置指纹数据的获取方法，该实施例从运动设备侧进行描述，如图3所示，该方法包括：

步骤S301，采集WiFi指纹数据。

在该实施例中，可以打点采集WiFi指纹数据，也可以基于随机路径采集WiFi指纹数据。

优选地，基于随机路径采集WiFi指纹数据，即不需要按照设定路线采集WiFi指纹数据，以提高WiFi指纹采集效率。

其中，采集的WiFi指纹数据可以包括但不局限于扩展的服务集标识(ESSID)、地址(address)、采集频率(frequency)、信号强度(signal level)和加密算法中的至少一项。

因为采集到的信号还是会收到各种干扰，比如人的走动，环境信号噪声等，需要对此采集到的信号进行滤波。

在该实施例中，在采集WiFi指纹数据后，还可以采用预设滤波算法对WiFi指纹数据进行过滤，其中，在离线数据采集的情况下，可以采集比较多的数据，再采用平均滤波，高斯滤波等方式对WiFi指纹数据进行过滤。如果机器人或无人车设备处于在线实时定位的状态时不可能采集很多点再进行滤波，优选的可以采用过门限检测算法配合滑动加权滤波进行过滤，例如只保留WiFi信号强度高于指定门限的WiFi指纹数据，以消除或降低微弱WiFi信号或噪声信号，其中，指定门限可以根据需要灵活设置，例如可以为-90dB等。

需要说明的是，上面列举的滤波算法仅为示例，在实际应用中可以根据需要采用其他滤波算法。

步骤S302，基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

其中，预设运动模型可以包括但不局限于恒定转率和速度模型(constant turnrate and velocity，简称CTRV)模型。

运动设备并不局限于类型，包括机器人、无人车等。

运动设备例如机器人、无人车可以基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

在该实施例中，预测位置是指根据上一时刻的运动状态计算得到的当前时刻的位置，其中，运动状态可以包括但不局限于运动设备的位置和速度，还可以包括加速度或角度等。

步骤S303，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置。

其中，传感器数据可以由以下至少一种传感器采集获得：码盘、惯性测量组件(IMU)、视觉里程计(VO)、激光雷达自适应蒙特卡罗(amcl)定位和超宽带(UWB)传感器等。

由于获得的预测位置不准确，故需要对预测位置进行处理，以得到准确的标注位置。

在该实施例中，可以基于获取的传感器数据对预测位置进行处理，处理的过程可以参见图2所示实施例，此处不赘述。

为了进一步提高标注位置的准确率，运动设备可以按照预设频率获得运动设备的预测位置，其中，预设频率大于或等于传感器数据的输出频率和WiFi指纹数据的采集频率的最大值。

例如，该实施例中获取的传感器数据来自传感器1和传感器2，假设传感器1的输出频率为30Hz，传感器2的输出频率为100Hz，WiFi指纹数据的采集频率为10Hz，则该预设频率至少为100Hz。

步骤S304，将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据。

在该实施例中，可以将WiFi指纹数据与标注位置按时间戳进行同步，以完成二者的关联，从而得到WiFi位置指纹数据。

上述实施例，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置，以提高位置的自动标注精度，并将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据，从而为提高WiFi的定位精度提供了条件。

与前述WiFi位置指纹数据的获取方法的实施例相对应，本申请还提供了WiFi位置指纹数据的获取装置的实施例。

本申请WiFi位置指纹数据的获取装置的实施例可以应用在机器人上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。如图4所示，为本申请WiFi位置指纹数据的获取装置所在机器人的一种硬件结构图，该机器人包括传感器400、处理器410、存储器420及存储在存储器420上并可在处理器410上运行的计算机程序，该处理器410执行该计算机程序时实现上述WiFi位置指纹数据的获取方法。除了图4所示的处理器410及存储器420之外，实施例中装置所在的电子设备通常根据采集数据的实际功能，还可以包括其他硬件，对此不再赘述。

其中，上述传感器400可以包括以下至少一种传感器：码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器。

由于上述传感器可以包括码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器中的至少一种，故实现方式灵活多样。

图5是本申请一示例性实施例示出的一种WiFi位置指纹数据的获取装置的框图，如图5所示，该装置包括：获得模块51、处理模块52、采集模块53和关联模块54。

获得模块51用于基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

其中，预设运动模型可以包括但不局限于恒定转率和速度模型(constant turnrate and velocity，简称CTRV)模型。

运动设备并不局限于类型，包括机器人、无人车等。

运动设备例如机器人、无人车可以基于预设运动模型和运动设备的起始位置，获得运动设备的预测位置。

在该实施例中，预测位置是指根据上一时刻的运动状态计算得到的当前时刻的位置，其中，运动状态可以包括但不局限于运动设备的位置和速度，还可以包括加速度或角度等。

处理模块52用于基于获取的传感器数据对获得模块51获得的预测位置进行处理，得到运动设备的标注位置。

其中，传感器数据可以由以下至少一种传感器采集获得：码盘、惯性测量组件(IMU)、视觉里程计(VO)、激光雷达自适应蒙特卡罗(amcl)定位和超宽带(UWB)传感器等。

由于获得的预测位置不准确，故需要对预测位置进行处理，以得到准确的标注位置。具体地，处理模块52得到运动设备标注位置的过程可以如图2所示，此处不赘述。

采集模块53用于采集WiFi指纹数据。

在该实施例中，可以打点采集WiFi指纹数据，也可以基于随机路径采集WiFi指纹数据。优选地，基于随机路径采集WiFi指纹数据，即不需要按照设定路线采集WiFi指纹数据，以提高WiFi指纹采集效率。

其中，采集的WiFi指纹数据可以包括但不局限于扩展的服务集标识(ESSID)、地址(address)、采集频率(frequency)、信号强度(signal level)和加密算法中的至少一项。

因为采集到的信号还是会收到各种干扰，比如人的走动，环境信号噪声等，需要对此采集到的信号进行滤波。

在该实施例中，在采集WiFi指纹数据后，还可以采用预设滤波算法对WiFi指纹数据进行过滤，其中，在离线数据采集的情况下，可以采集比较多的数据，再采用平均滤波，高斯滤波等方式对WiFi指纹数据进行过滤。如果机器人或无人车设备处于在线实时定位的状态时不可能采集很多点再进行滤波，优选的可以采用过门限检测算法配合滑动加权滤波进行过滤，例如只保留WiFi信号强度高于指定门限的WiFi指纹数据，以消除或降低微弱WiFi信号或噪声信号，其中，指定门限可以根据需要灵活设置，例如可以为-90dB等。

需要说明的是，上面列举的滤波算法仅为示例，在实际应用中可以根据需要采用其他滤波算法。

为了进一步提高标注位置的准确率，运动设备可以按照预设频率获得运动设备的预测位置，其中，预设频率大于或等于传感器数据的输出频率和WiFi指纹数据的采集频率的最大值。

例如，该实施例中获取的传感器数据来自传感器1和传感器2，假设传感器1的输出频率为30Hz，传感器2的输出频率为100Hz，WiFi指纹数据的采集频率为10Hz，则该预设频率至少为100Hz。

关联模块54用于将采集模块53采集WiFi指纹数据与处理模块52得到的标注位置进行关联，得到WiFi位置指纹数据。

在该实施例中，可以将WiFi指纹数据与标注位置按时间戳进行同步，以完成二者的关联，得到WiFi位置指纹数据。之后，还可以将关联的WiFi指纹数据和标注位置即WiFi位置指纹数据写入数据库中。

上述WiFi位置指纹数据的获取装置采集WiFi指纹数据的过程可参见图1所示的WiFi位置指纹数据的获取方法。

上述实施例，基于获取的传感器数据对预测位置进行处理，得到运动设备的标注位置，以提高位置的自动标注精度，并将WiFi指纹数据与标注位置进行关联，得到WiFi位置指纹数据，从而为提高WiFi的定位精度提供了条件。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述WiFi位置指纹数据的获取方法，其中，计算机可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光数据存储设备等。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (11)

1.一种WiFi位置指纹数据获取方法，其特征在于，所述方法包括：

基于预设运动模型和运动设备的起始位置，获得所述运动设备的预测位置；所述预设运动模型包括恒定转率和速度CTRV模型；

基于传感器数据，获得所述运动设备的测量位置；传感器数据由以下至少一种传感器采集获得：码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器；

确定每个测量位置的权重和所述预测位置的权重；

基于所述每个测量位置的权重和所述预测位置的权重，对所有测量位置和所述预测位置进行加权运算；

基于加权运算结果得到标注位置；

采集WiFi指纹数据；

将所述WiFi指纹数据与所述标注位置进行关联，得到WiFi位置指纹数据。

2.根据权利要求1所述的方法，其特征在于，所述确定每个测量位置的权重和所述预测位置的权重，包括：

根据与所述预测位置对应的第一协方差矩阵和所有测量位置对应的第二协方差矩阵，计算出卡尔曼增益；

根据所述卡尔曼增益确定所述每个测量位置的权重和所述预测位置的权重。

3.根据权利要求1所述的方法，其特征在于，所述获得所述运动设备的预测位置，包括：

按照预设频率获得所述运动设备的预测位置，其中，所述预设频率大于或等于所述传感器数据的输出频率和所述WiFi指纹数据的采集频率的最大值。

4.根据权利要求1所述的方法，其特征在于，所述将所述WiFi指纹数据与所述标注位置进行关联，得到WiFi位置指纹数据，包括：

将所述WiFi指纹数据与所述标注位置按时间戳进行同步。

5.根据权利要求1-4任一所述的方法，其特征在于，所述采集WiFi指纹数据，包括：

基于随机路径采集WiFi指纹数据。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

在所述采集WiFi指纹数据之后，对所述WiFi指纹数据进行过滤。

7.根据权利要求6所述的方法，其特征在于，所述对所述WiFi指纹数据进行过滤，包括：

若所述WiFi指纹数据通过离线方式采集，则采用第一预设滤波算法对所述WiFi指纹数据进行过滤，所述第一预设滤波算法包括平均滤波算法或高斯滤波算法；或者

若所述WiFi指纹数据通过在线方式采集，则采用第二预设滤波算法进行过滤，所述第二预设滤波算法包括过门限检测算法。

8.一种WiFi位置指纹数据的获取装置，其特征在于，所述装置包括：

获得模块，用于基于预设运动模型和运动设备的起始位置，获得所述运动设备的预测位置；所述预设运动模型包括恒定转率和速度CTRV模型；

处理模块，用于基于传感器数据，获得所述运动设备的测量位置；传感器数据由以下至少一种传感器采集获得：码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器；确定每个测量位置的权重和所述预测位置的权重；基于所述每个测量位置的权重和所述预测位置的权重，对所有测量位置和所述预测位置进行加权运算；基于加权运算结果得到标注位置；

采集模块，用于采集WiFi指纹数据；

关联模块，用于将所述采集模块采集的所述WiFi指纹数据与所述处理模块得到的所述标注位置进行关联，得到WiFi位置指纹数据。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的WiFi位置指纹数据的获取方法。

10.一种机器人，其特征在于，包括传感器、处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一所述的WiFi位置指纹数据的获取方法。

11.根据权利要求10所述的机器人，其特征在于，所述传感器包括以下至少一种传感器：码盘、惯性测量组件IMU、视觉里程计VO、激光雷达自适应蒙特卡罗amcl定位和超宽带UWB传感器。

Images