CN108919177A - 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 - Google Patents

Abstract

本发明公开了一种基于虚拟信源估计与轨迹校正的定位地图构建方法，包括：在定位场景中设置N个信号源，划分P个子区域，利用众包样本数据重构用户粗行走轨迹，获得用户粗行走轨迹中的定位样本，计算定位样本中的指纹中每一信号强度的权值；利用筛选后的定位样本建立指纹库。同时已构建的指纹库又可在用户轨迹重建阶段对用户轨迹进行校正，进一步提高众包样本数据的准确性。通过在每个子区域中，针对每一个信号源，通过虚拟信源估计方法来重构信号源在子区域内的虚拟信号传播曲面实现。本发明能够解决现有定位地图构建方法中，众包样本使用不合理，引致指纹库构建不准确，定位精度低下，且构建的指纹库臃肿，占用大量空间的问题。

Description

一种基于虚拟信源估计与轨迹校正的定位地图构建方法

技术领域

本发明属于通信和无线网络技术领域，更具体地，涉及一种基于虚拟信源估计与轨迹校正的定位地图构建方法。

背景技术

随着信息时代的爆炸发展，人们对于定位信息的需求也日益增加。由于GPS定位技术基于卫星信号定位的技术，其应用场景被仅仅限制于了没有信号阻挡的室外。面对大型的室内环境，如机场、商场、学校，人们有着非常迫切的高精度室内定位需求。近些年来室内定位技术被广泛研究，诞生出了包括WiFi定位、蓝牙定位、超宽带定位、红外定位等的多种室内定位技术。伴随城市的智能化发展，城市内大多场景都实现了WLAN覆盖。基于WiFi技术的室内定位由于无需额外布置定位信标，用户无需额外购置定位硬件设备，受到广泛青睐，并在近年成为了室内定位研究的重要对象。

目前在国内外，常用的WiFi定位技术可分为两种：基于传播模型的定位技术和基于指纹的定位技术。前者通过利用在接收机所接收的到达时间(TOA，Time of Arrival)、到达往返时间(TDOA，Time Difference of Arrival)或者信号强度(RSSI，Received SignalStrength Indicator)，从而推算出目标和信号源之间的距离。当信号源存在多个且已知信源物理位置时，即可通过三角定位得到目标的大致位置。但由于室内环境的复杂多变性，使得普适传播模型不可能精确得到，且在室内家具、物体的遮蔽与多径反射作用下导致该技术定位精度不是很高。而后者则基于在室内不同位置上所接受到的信号源信号强度具有唯一性，从而称作信号强度(RSS，Received Signal Strength)指纹定位。该技术可分为两个阶段，一是训练阶段，二是动态定位阶段。在训练阶段，需要在室内预设参考点，通常为均匀分布的栅格点，并在每个点处进行长时间的指纹采样，在采样完毕后存储到指纹数据库中；在动态定位阶段，将当前接收到的指纹与指纹数据库中的指纹进行比较，选择最近的指纹位置得出精确的目标位置。

两种方法对比下，前者通常需要加装特殊的WLAN模块，而后者所需要的硬件设备则相对简单(只需日常所用的智能手机即可)，且定位精度高。因此指纹定位方法成为了一种最常用的非基于测距的室内定位方法。但其代价是需要耗费大量人力物力人工采样数据点，并且指纹数据库存储量巨大。因此最近有相关研究提出利用大量用户所收集的WLAN信号强度数据，也称作众包数据，进行更加快捷方便地指纹数据库构建。

这些研究方法通过收集用户的移动轨迹，并实时采集移动轨迹上设备接收到的WLAN信号强度数据。用户移动轨迹可通过实时的WLAN室内定位方法获取，或通过用户手机惯性传感器采集的运动信息计算而得。然而WLAN室内定位结果误差较大，用户使用手机姿态多变，给移动轨迹的精确获取带来了巨大的挑战。同时已有的指纹库构建方法所构建的指纹库臃肿复杂，不便于实时的室内定位。如何能精确获取用户移动轨迹，收集众包数据，并构建合适的指纹库成为了一个很重要的研究课题。

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虚拟信源估计与轨迹校正的定位地图构建方法，其目的在于通过虚拟信源参数估计构建准确的轻量化指纹库并能据此获取精确用户移动轨迹，由此解决现有定位技术中获取用户轨迹粗糙，构建指纹库臃肿且误差较大的技术问题。

为实现上述目的，本发明提供了一种基于虚拟信源估计与轨迹校正的定位地图构建方法，包括：

(1)在定位场景中设置N个信号源，划分P个子区域，采集定位场景中用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，构成众包样本数据；

(2)利用众包样本数据重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本，定位样本包括位置坐标和指纹，计算定位样本中的指纹中每一信号强度的权值；

(3)在构建指纹库前，利用位置坐标将定位样本分配至子区域，在构建指纹库后，则利用评估的每个信号源在各子区域的定位重要度和定位样本的指纹对定位样本进行区域定位，得到定位样本所在的子区域，利用定位样本所在的子区域的信号源的虚拟信源传播曲面拟合函数、估计的虚拟信源传播参数的确定度和定位样本中的指纹中每一信号强度的权值进行指纹定位，得到定位样本所在子区域内的位置坐标；

(4)利用熵值法评估每个信号源在各子区域的定位重要度，利用各子区域中定位样本的物理空间簇和信号空间簇之间的交集计算定位样本的权值；

(5)筛选出权值大于等于权值阈值的定位样本，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，得到估计的虚拟信源传播参数，计算估计的虚拟信源传播参数的确定度；

(6)将各子区域内所有信号源的虚拟信源传播曲面函数通过等距栅格采样，构建各子区域的区域指纹，利用各子区域内每个信号源的估计的虚拟信源传播参数和各子区域的区域指纹构建定位场景的指纹库；

(7)对于定位场景中除步骤(1)之外的其他用户行走轨迹，采集其他用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，更新众包样本数据，然后执行步骤(2)-(6)，更新定位场景的指纹库。

进一步地，步骤(2)包括：

利用众包样本数据中的加速度值计算用户行走过的步数T′与步长l_t，将步数T′、步长l_t与航向角θ_t结合，通过步行者航位推算算法重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本定位样本包括位置坐标和指纹计算定位样本中的指纹中每一信号强度的权值。

进一步地，定位样本中的指纹中每一信号强度的权值为：

其中，r_ij代表定位样本中的指纹中从第j个信号源接收到的信号强度，θ_ij代表定位样本中的指纹和从第j个信号源接收到的信号强度的权值。

进一步地，区域定位的具体实现方式为：

计算定位样本的指纹与各个子区域的指纹差异度，指纹差异度最小时，定位样本的指纹位于该子区域中，所述指纹差异度为：

其中，为评估的第n个信号源在各子区域的定位重要度，f_sn为区域指纹，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，表示区域指纹和定位样本的指纹中共同接收到的信号源集合。

进一步地，定位样本所在的子区域的位置坐标为：

其中，为定位样本所在的子区域的位置坐标，φ_n(P_C，β，x_i，y_i，x₀，y₀，h₀)为定位样本所在的子区域的第n个信号源的虚拟信源传播曲面拟合函数，为定位样本所在的子区域的第n个信号源的估计的虚拟信源传播参数的确定度，θ_tn为第t步定位样本所在的子区域从第n个信号源收到的信号强度的权值，(x，y)为定位样本所在的子区域的任意坐标。

进一步地，步骤(3)还包括：利用粒子滤波算法对用户粗行走轨迹进行校正。

进一步地，步骤(5)包括：

当定位样本的权值大于等于权值阈值时，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，利用信赖域映射算法，当子区域中第n个信号源的虚拟信源传播曲面拟合函数φ_n(P_C，β，x_i，y_i，x₀，y₀，h₀)与第i步定位样本的指纹中接收到的第n个信号源的信号强度r_in之间的平方差最小时，得到估计的虚拟信源传播参数，即：

其中，ω_i为第i步定位样本的权值，θ_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度的权值，M′_j表示定位样本的权值大于等于权值阈值时的所有定位样本。

进一步地，计算估计的虚拟信源传播参数的确定度包括：

令第k个虚拟信源的估计的虚拟信源传播参数P_C′，β′，h₀′不变，将第k个虚拟信源置于任意位置(x₀，y₀)时的代价函数H_k(x₀，y₀)为：

其中，ω_i为第i步定位样本的权值，θ_i为第i步定位样本的指纹中接收到的信号源的信号强度的权值，φ_n(P_C′，β′，x_i，y_i，x₀，y₀，h₀′)为第k个虚拟信源的虚拟信源传播曲面拟合函数，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，S′为采样点集合；

代价函数H_k(x₀，y₀)在(x₀′，y₀′)处取得最小值，代价函数H_k(x₀，y₀)在(x₀′，y₀′)处的斜率平均值为：

其中，表示距离点(x₀′，y₀′)长度为l的点，K表示采样点总数，L为采样点总长度，为的代价函数，H_k(x′₀，y′₀)为(x₀′，y₀′)的代价函数；

将子区域内虚拟信源计算得的斜率平均值按下式归一化，得到第k个信号源的确定度

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)本发明利用众包样本数据重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本，定位样本包括位置坐标和指纹，计算定位样本中的指纹中每一信号强度的权值；将由于多径效应造成分布不均的信号强度，依据其对定位的重要性重新进行了加权分配，减少了大量无用样本对定位结果的影响。

(2)本发明对通过用户众包数据生成的粗行走轨迹进行了校正，减少了众包样本的定位误差，使得在后续步骤中构建的指纹库更加精确；由于利用各子区域中定位样本的物理空间簇和信号空间簇之间的交集计算定位样本的权值，评估了带噪音的众包数据的真实性，选取了较合理且具有代表性的数据赋予较高的权值，同样使得构建的指纹数据库更加准确，提高了定位精度。

(3)本发明在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，得到估计的虚拟信源传播参数，据此参数可以计算出子空间内信号源在任意位置的信号强度的分布，将子空间内所有信号源的虚拟信源传播曲面参数汇总即可得到子空间的指纹库。此指纹库只需少量虚拟信源参数即可构建，且能获得任意位置点的指纹，使得构建的指纹库不仅轻量化，且存储信息丰富。

(4)本发明构建了信号源的虚拟信源传播曲面，更加准确地反映了信号强度在子空间内的分布情况，更加有效地预测子区域中所有位置的指纹信息，极大地提高了指纹库的精确度。本发明评估了估计的虚拟信源参数的确定度，为指纹库中信号源的重要性划分了层次，进一步提高了指纹库的精确度。

(5)本发明通过先前构建好的指纹库进行指纹定位，对后续上传的用户轨迹数据进行粒子滤波校正，能获得高精度的用户轨迹校正结果。精确的用户轨迹结果在很多场合，譬如轨迹记录、用户行为分析等，都具有很强的实用性。

附图说明

图1是本发明实施例提供的一种基于虚拟信源估计与轨迹校正的定位地图构建方法的流程图；

图2是本发明实施例提供的定位样本权值确定算法的流程图；

图3是本发明实施例提供的粒子群算法的流程图；

图4是本发明实施例1提供的的定位场景图；

图5是本发明实施例1提供的三种类似的曲面拟合定位方法栅格曲面定位法、原始曲面定位法、聚类曲面定位法以及本发明选择样本曲面定位方法在图4的A房间内建立的关于信号源3的信号强度拟合曲面；

图6本发明实施例1提供的所有房间使用不同的众包样本数据量时，近邻栅格定位、栅格曲面定位、原始曲面定位、聚类曲面定位及选择样本曲面定位的定位效果对比；

图7本发明实施例1提供的当所有房间的众包样本数据包含不同大小的噪声干扰时，近邻栅格定位、栅格曲面定位、原始曲面定位、聚类曲面定位及选择样本曲面定位的定位效果对比；

图8本发明实施例1提供的所有房间的众包样本数据量和包含的噪声干扰固定时，近邻栅格定位、栅格曲面定位、原始曲面定位、聚类曲面定位及选择样本曲面定位的定位误差累积分布示意图；

图9本发明实施例1提供的在建立指纹库后，用户静态站立收集样本指纹后，利用现有指纹库分别进行原始栅格定位、曲线拟合定位、带权曲线拟合定位、虚拟信源估计定位及带权虚拟信源估计定位后的定位误差累积分布示意图。

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。

如图1所示，本发明提供了一种基于虚拟信源估计与轨迹校正的定位地图构建方法，包括：

(1)在定位场景中设置N个信号源，划分P个子区域，采集定位场景中用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，构成众包样本数据；

(2)利用众包样本数据重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本，定位样本包括位置坐标和指纹，计算定位样本中的指纹中每一信号强度的权值；

(3)在构建指纹库前，利用位置坐标将定位样本分配至子区域，在构建指纹库后，则利用评估的每个信号源在各子区域的定位重要度和定位样本的指纹对定位样本进行区域定位，得到定位样本所在的子区域，利用定位样本所在的子区域的信号源的虚拟信源传播曲面拟合函数、估计的虚拟信源传播参数的确定度和定位样本中的指纹中每一信号强度的权值进行指纹定位，得到定位样本所在子区域内的位置坐标；

(4)利用熵值法评估每个信号源在各子区域的定位重要度，利用各子区域中定位样本的物理空间簇和信号空间簇之间的交集计算定位样本的权值；

(5)筛选出权值大于等于权值阈值的定位样本，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，得到估计的虚拟信源传播参数，计算估计的虚拟信源传播参数的确定度；

(6)将各子区域内所有信号源的虚拟信源传播曲面函数通过等距栅格采样，构建各子区域的区域指纹其中N′是该子区域中可监测到的信号源数目。

具体地，所述区域指纹由建立。其中f_gn＝φ_n(g_x，g_y)，表示区域中第n个信号源在位置(g_x，g_y)的信号强度，而(g_x，g_y)是等距采样的栅格中心。

利用各子区域内每个信号源的估计的虚拟信源传播参数和各子区域的区域指纹构建定位场景的指纹库；

(7)对于定位场景中除步骤(1)之外的其他用户行走轨迹，采集其他用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，更新众包样本数据，然后执行步骤(2)-(6)，更新定位场景的指纹库。

进一步地，步骤(1)包括：

在定位场景中设置N个信号源，保证定位场景中任何位置都能使终端设备接收到来自至少一个信号源的信号，并将给定的定位场景按照是否有明显墙壁遮挡划分为P个开阔子区域。采集定位场景中用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，构成众包样本数据；令用户手持终端设备在定位场景中任意走动，可以随意穿越多个开阔子区域，不限制用户的运动。以用户开始行走时为0时刻，终端设备以一定的采样频率f采集数据。令表示终端设备在时刻t接收到的原始样本，其中分别表示终端设备传感器在时刻t接收到的总加速度值与航向角和接收到的N个信号源的信号强度指纹。r_tn表示时刻t接收到的指纹中从第n个信号源接收到的信号强度大小，其中n＝1，2，...，N，t＝1，2，...，T，T为用户一段完整行走轨迹中收集的数据总数，M，P，N都是自然数。

进一步地，步骤(2)包括：

利用众包样本数据中的加速度值计算用户行走过的步数T′与步长l_t，将步数T′、步长l_t与航向角θ_t结合，通过步行者航位推算算法重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本定位样本包括位置坐标和指纹计算定位样本中的指纹中每一信号强度的权值。

具体地，由于多径效应，接收到的信号强度弱的样本较多，而接收到信号强度强的样本较少，因此样本信号强度越强，其定位贡献度越高，因此其权值应更高。对于中接收到的每个信号源信号强度值，通过下式计算信号强度权值：

其中，r_ij代表定位样本中的指纹中从第j个信号源接收到的信号强度，θ_ij代表定位样本中的指纹中从第j个信号源接收到的信号强度的权值。

进一步地，区域定位的具体实现方式为：

计算定位样本的指纹与各个子区域的指纹差异度，指纹差异度最小时，定位样本的指纹位于该子区域中，所述指纹差异度为：

其中，为评估的第n个信号源在各子区域的定位重要度，f_sn为区域指纹，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，表示区域指纹和定位样本的指纹中共同接收到的信号源集合。

进一步地，定位样本所在的子区域的位置坐标为：

其中，为定位样本所在的子区域的位置坐标，为定位样本所在的子区域的第n个信号源的虚拟信源传播曲面拟合函数，为定位样本所在的子区域的第n个信号源的估计的虚拟信源传播参数的确定度，θ_tn为第t步定位样本所在的子区域从第n个信号源收到的信号强度的权值，(x，y)为定位样本所在的子区域的任意坐标。

具体地，利用熵值法评估每个信号源在各子区域的定位重要度包含以下子步骤：

用表示子区域A_j中信号源S_k所接收到的所有信号强度值，其中j＝1，2，...，P，k＝1，2，...，N_j。表示在子区域A_j中从信号源S_k接收到的所有信号强度值的总数，通过下式将信号强度值归一化处理：

利用熵值函数计算该信号源的信号强度分布情况：

依据熵信，计算下列两个权信：

其中代表评估的第n个信号源在各子区域的定位重要度。

本步骤的优点在于通过熵值法评估了每个区域中每个信号源所提供的信号强度值包含的信息量，从而决定了每个信号源在定位时的重要度，而不是将所有信号源一视同仁。该步骤提高了在区域粗定位阶段时的精度。

如图2所示，随机挑选K个样本作为K个物理空间簇中心点，依据样本之间的物理空间距离将样本划分到这K个中心点所在的簇中；依据样本之间信号空间距离将样本同样K个中心点所在的簇中，最终得到K个物理空间簇与K个信号空间簇

对于第i个定位样本找出其所在的物理空间簇和信号空间簇依据两簇之间交集的大小计算该样本的可信度与权值，如公式所示：

其中，γ_i为第i个定位样本的可信度，ω_i为第i个定位样本的权值，s_j为信号空间簇中的第j个定位样本。

本步骤的优点在于：通过评估带噪音的众包数据的真实性，选取了较合理且具有代表性的数据赋予较高的权值，使得构建的指纹库更加准确，提高了定位精度。

所述根据样本权值进行样本筛选包括：

设定百分比阈值p_th与权值阈值ω_th，其中p_th，ω_th∈[0，1]。将所有样本权值从小到大排列成找出在百分比为p_th处的权值大小ω_k。若ω_k≥ω_th时不需要筛选样本，否则将中前个样本删除。选地p_th＝50％，ω_th＝0.25。

如图3所示，所述粒子滤波算法包含如下子步骤：

在用户初始位置附近生成M个粒了粒子位置为以用户初始位置为均值，方差为σ_p的高斯分布随机变量，粒子初始行进角度为以用户初始行进角度为均值，方差为σ_ang的高斯分布随机变量，设置为均匀概率优选地，σ_p＝1.5m，σ_ang＝2°。

根据行走步长l_t与航向角θ_t，通过下式更新每个粒子所处的位置：

其中，为上一步时的第k个粒子的所在位置，为当前步与上一步的航向角之差。

在用户每一步行进过程中，利用获取指纹位置计算上一步位置(x_t-1，y_t-1)与指纹位置间的距离与角度考虑指纹位置的不可靠性，仅当且才认为与均比较合理且指纹位置可用于粒子滤波，否则计算粒子的质心，作为用户当前步的校正位置(x_t，y_t)：

优选地，l_min＝0.3m，l_max＝2m，θ_min＝-120°，θ_max＝120°。

若指纹位置可靠，则用指纹位置对粒子重采样，使粒子朝指纹位置微调，实现对用户粗行走轨迹的校正。得到指纹位置后，利用下式计算所有粒子的概率权重：

其中，表示第k个粒子距离指纹位置的欧式距离，σ_q表示指纹定位的标准方差。在归一化后，即可得到每个粒子的实际概率

计算粒子的质心得到计算上一步位置(x_t-1，y_t-1)与间的距离与角度当时，该校正位置属于用户可达位置，校正结果较可靠，可保留为最终校正位置，否则利用角度与PDR估测的行走步长更新用户位置(x_t，y_t)：

优选地，ρ＝0.8。

粒子筛选是在粒子重采样后，对权值较低的样本剔除并重生成的过程。本例中将概率向粒子全部删除，并替换为位置为以用户初始位置为均值，方差为σ_p的高斯分布随机变量，初始行进角度为以用户初始行进角度为均值，方差为σ_ang的高斯分布随机变量的新粒子。由于概率将会在下次重采样时重新计算，因此不重新赋予新概率。

进一步地，步骤(5)包括：

当定位样本的权值大于等于权值阈值时，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，利用信赖域映射算法，当子区域中第n个信号源的虚拟信源传播曲面拟合函数φ_n(P_C，β，x_i，y_i，x₀，y₀，h₀)与第i步定位样本的指纹中接收到的第n个信号源的信号强度r_in之间的平方差最小时，得到估计的虚拟信源传播参数，即：

其中，ω_i为第i步定位样本的权值，θ_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度的权值，M′_j表示定位样本的权值大于等于权值阈值时的所有定位样本。

进一步地，计算估计的虚拟信源传播参数的确定度包括：

令第k个虚拟信源的估计的虚拟信源传播参数P_C′，β′，h₀′不变，将第k个虚拟信源置于任意位置(x₀，y₀)时的代价函数H_k(x₀，y₀)为：

其中，ω_i为第i步定位样本的权值，θ_i为第i步定位样本的指纹中接收到的信号源的信号强度的权值，φ_n(P_C′，β′，x_i，y_i，x₀，y₀，h₀′)为第k个虚拟信源的虚拟信源传播曲面拟合函数，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，S′为采样点集合；

代价函数H_k(x₀，y₀)在(x₀′，y₀′)处取得最小值，代价函数H_k(x₀，y₀)在(x₀′，y₀′)处的斜率平均值为：

其中，表示距离点(x₀′，y₀′)长度为l的点，K表示采样点总数，L为采样点总长度，为的代价函数，H_k(x′₀，y′₀)为(x₀′，y₀′)的代价函数；优选地，l∈L＝{2，4}，K＝100。

将子区域内虚拟信源计算得的斜率平均值按下式归一化，得到第k个信号源的确定度

本步骤的优点在于考虑到了众包数据的不可靠性，评估了通过众包数据进行虚拟信源参数估计的确定性，而不是将所得到的所有虚拟信源都认为同等正确，为虚拟信源划分了层次，一定程度上提高了指纹库的精确性。

实施例1

如图4所示，本发明实施例1的场景根据有无明显墙壁遮挡，可划分为3个子区域，包括两端的直走廊与目标区域中心的正方形区域。其中中心正方形区域内为空心栏杆并非实心墙壁，因此可划分为一开阔子区域。其中两端直走廊长29.7m，宽2.4m，中心正方形区域长15.6m，宽18m。在场景内可测得N＝492个信号源，该场景中任意位置均可接收到至少一个信号源的信号强度。每个子区域内划分的物理空间簇和信号空间簇的数目分别为49(两端直走廊)与42(中心正方形区域)。

使用小米6智能手机作为终端进行信号强度的测量。采样数据分为两大部分，一类为动态行走采样数据，另一类为静态站立采样数据。动态行走采样数据用于实时构建指纹库，共行走采集了5种用户轨迹，如图4走廊上的行走轨迹所示。其中黑色实线轨迹采集了5条，作为指纹库建立所用训练轨迹，灰色虚线轨迹采集了9条，作为测试指纹库建立效果的测试轨迹。静态站立采样数据用于测试指纹库的准确性，在场景中以1m为间隔均匀站立采样，共采集了602个静态点数据。

本应用实例中，共设置了五种实验方案进行测试。

(a)PDR(Pedestrian Dead Reckoning，步行者航位推算算法)粗行走轨迹。仅根据采集的用户行走时的加速度及航向角重构的用户粗行走轨迹。

(b)PDR+曲线拟合。根据采集的用户行走时的加速度及航向角重构的用户粗行走轨迹，不设定样本权值与信号源重要度，利用曲线拟合算法拟合虚拟信源的信号强度分布与到虚拟信源距离的关系生成指纹库，并用粒子滤波算法校正用户粗行走轨迹。

(c)PDR+带权曲线拟合。根据采集的用户行走时的加速度及航向角重构的用户粗行走轨迹，按照上述实施方式设定权值，利用曲线拟合算法拟合虚拟信源的信号强度分布与到虚拟信源距离的关系生成指纹库，并用粒子滤波算法校正用户粗行走轨迹。

(d)PDR+虚拟信源估计。根据采集的用户行走时的加速度及航向角重构的用户粗行走轨迹，不设定样本权值与信号源重要度，利用上述虚拟信源估计算法估计虚拟信源参数生成指纹库，并用粒子滤波算法校正用户粗行走轨迹。

(e)PDR+带权虚拟信源估计。根据采集的用户行走时的加速度及航向角重构的用户粗行走轨迹，按照上述实施方式设定权值，利用上述虚拟信源估计算法估计虚拟信源参数生成指纹库，并用粒子滤波算法校正用户粗行走轨迹。

图5示出了在使用训练轨迹建立指纹库过程中，18条训练轨迹在通过粒子滤波算法校正后的定位误差结果随训练轨迹序号的变化关系。其中PDR粗行走轨迹的平均定位误差为2.427m，PDR+曲线拟合的平均定位误差为2.144m，PDR+带权曲线拟合的为2.027m，PDR+虚拟信源估计的为1.667m，PDR+带权虚拟信源估计的为1.563m。从图上可以看出PDR粗行走轨迹定位误差基本为最高，而其他四种定位算法的定位误差依次下降，本发明提出的带权虚拟信源估计方法校正后的轨迹误差基本最小。

图6示出在指纹库建立后，利用现有指纹库对测试轨迹进行校正后的平均定位误差随轨迹序号的变化关系。其中PDR粗行走轨迹的平均定位误差为1.437m，PDR+曲线拟合的平均定位误差为1.4663m，PDR+带权曲线拟合的为1.332m，PDR+虚拟信源估计的为1.211m，PDR+带权虚拟信源估计的为1.138m。从图上可以看出本发明提出的带权虚拟信源估计方法校正后的轨迹误差普遍最小。

图7示出了在建立指纹库过程中18条轨迹的PDR粗行走轨迹，及分别经过PDR+曲线拟合、PDR+带权曲线拟合、PDR+虚拟信源估计、PDR+带权虚拟信源估计方法校正后的定位误差结果累积分布示意图。

通过该对比结果可以看出，本发明提出的带权虚拟信源估计方法校正后的轨迹误差最小。

图8示出在建立指纹库后，测试轨迹的PDR粗行走轨迹，及利用现有指纹库分别经过PDR+曲线拟合、PDR+带权曲线拟合、PDR+虚拟信源估计、PDR+带权虚拟信源估计方法进行校正后的累积分布示意图。

通过该对比结果可以看出，本发明提出的指纹库建立方法构建的指纹库对用户粗行走轨迹的校正效果显著，取得了最小的定位误差，也即构建的指纹库更加精准。

图9示出在建立指纹库后，用户静态站立收集样本指纹后，利用现有指纹库分别进行原始栅格定位、曲线拟合定位、带权曲线拟合定位、虚拟信源估计定位及带权虚拟信源估计定位后的定位误差累积分布示意图。

通过该对比结果可以看出，本发明提出的指纹库建立方法构建的指纹库的指纹定位结果取得了最小的定位误差，也即构建的指纹库更加精准。

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 (8)

1.一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，包括：

(1)在定位场景中设置N个信号源，划分P个子区域，采集定位场景中用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，构成众包样本数据；

(2)利用众包样本数据重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本，定位样本包括位置坐标和指纹，计算定位样本中的指纹中每一信号强度的权值；

(3)在构建指纹库前，利用位置坐标将定位样本分配至子区域，在构建指纹库后，则利用评估的每个信号源在各子区域的定位重要度和定位样本的指纹对定位样本进行区域定位，得到定位样本所在的子区域，利用定位样本所在的子区域的信号源的虚拟信源传播曲面拟合函数、估计的虚拟信源传播参数的确定度和定位样本中的指纹中每一信号强度的权值进行指纹定位，得到定位样本所在子区域内的位置坐标；

(4)利用熵值法评估每个信号源在各子区域的定位重要度，利用各子区域中定位样本的物理空间簇和信号空间簇之间的交集计算定位样本的权值；

(5)筛选出权值大于等于权值阈值的定位样本，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，得到估计的虚拟信源传播参数，计算估计的虚拟信源传播参数的确定度；

(6)将各子区域内所有信号源的虚拟信源传播曲面函数通过等距栅格采样，构建各子区域的区域指纹，利用各子区域内每个信号源的估计的虚拟信源传播参数和各子区域的区域指纹构建定位场景的指纹库；

(7)对于定位场景中除步骤(1)之外的其他用户行走轨迹，采集其他用户行走轨迹中每一时刻的加速度值、航向角和N个信号源的信号强度指纹，更新众包样本数据，然后执行步骤(2)-(6)，更新定位场景的指纹库。

2.如权利要求1所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述步骤(2)包括：

利用众包样本数据中的加速度值计算用户行走过的步数T′与步长l_t，将步数T′、步长l_t与航向角θ_t结合，通过步行者航位推算算法重构用户粗行走轨迹，获得用户粗行走轨迹中每一步的定位样本定位样本包括位置坐标和指纹计算定位样本中的指纹中每一信号强度的权值。

3.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述定位样本中的指纹中每一信号强度的权值为：

其中，r_ij代表定位样本中的指纹中从第j个信号源接收到的信号强度，θ_ij代表定位样本中的指纹中从第j个信号源接收到的信号强度的权值。

4.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述区域定位的具体实现方式为：

计算定位样本的指纹与各个子区域的指纹差异度，指纹差异度最小时，定位样本的指纹位于该子区域中，所述指纹差异度为：

其中，为评估的第n个信号源在各子区域的定位重要度，f_sn为区域指纹，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，表示区域指纹和定位样本的指纹中共同接收到的信号源集合。

5.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述定位样本所在的子区域的位置坐标为：

其中，为定位样本所在的子区域的位置坐标，φ_n(P_C，β，x_i，y_i，x₀，y₀，h₀)为定位样本所在的子区域的第n个信号源的虚拟信源传播曲面拟合函数，为定位样本所在的子区域的第n个信号源的估计的虚拟信源传播参数的确定度，θ_tn为第t步定位样本所在的子区域从第n个信号源收到的信号强度的权值，(x，y)为定位样本所在的子区域的任意坐标。

6.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述步骤(3)还包括：利用粒子滤波算法对用户粗行走轨迹进行校正。

7.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述步骤(5)包括：

当定位样本的权值大于等于权值阈值时，通过定位样本的指纹，在各子区域内对每个信号源建立一个虚拟信源传播曲面拟合函数，利用信赖域映射算法，当子区域中第n个信号源的虚拟信源传播曲面拟合函数φ_n(P_C，β，x_i，y_i，x₀，y₀，h₀)与第i步定位样本的指纹中接收到的第n个信号源的信号强度r_in之间的平方差最小时，得到估计的虚拟信源传播参数，即：

其中，ω_i为第i步定位样本的权值，θ_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度的权值，M′_j表示定位样本的权值大于等于权值阈值时的所有定位样本。

8.如权利要求1或2所述的一种基于虚拟信源估计与轨迹校正的定位地图构建方法，其特征在于，所述计算估计的虚拟信源传播参数的确定度包括：

令第k个虚拟信源的估计的虚拟信源传播参数P_C′，β′，h₀′不变，将第k个虚拟信源置于任意位置(x₀，y₀)时的代价函数H_k(x₀，y₀)为：

其中，ω_i为第i步定位样本的权值，θ_i为第i步定位样本的指纹中接收到的信号源的信号强度的权值，φ_n(P_C′，β′，x_i，y_i，x₀，y₀，h₀′)为第k个虚拟信源的虚拟信源传播曲面拟合函数，r_in为第i步定位样本的指纹中接收到的第n个信号源的信号强度，S′为采样点集合；

代价函数H_k(x₀，y₀)在(x₀′，y₀′)处取得最小值，代价函数H_k(x₀，y₀)在(x₀′，y₀′)处的斜率平均值为：

其中，表示距离点(x₀′，y₀′)长度为l的点，K表示采样点总数，L为采样点总长度，为的代价函数，H_k(x′₀，y′₀)为(x₀′，y₀′)的代价函数；

将子区域内虚拟信源计算得的斜率平均值按下式归一化，得到第k个信号源的确定度