CN108990148B - 面向室内协作定位的参考点选择方法 - Google Patents

Abstract

本发明属于室内定位方法领域，具体涉及一种面向室内协作定位的参考点选择方法。包括一种面向固定参考点不足的参考点选择算法和一种面向固定参考点冗余的参考点选择算法，本发明针对固定参考点不足的场景，采用近邻加权的参考点选择算法，通过对移动参考点的权值进行分配和择优选取，从而选择出满足权值较大部分的参考点，解决移动参考点位置误差带来的定位结果干扰问题；针对固定参考点冗余的场景，采用特征匹配的参考点选择算法，通过历史选择方案记录和修正后选择记录的信息，进行特征匹配而选择出最为相似的参考点组合方案。这两种算法结合使用，减小了定位误差，提高了定位精度，应用前景广阔。

Description

面向室内协作定位的参考点选择方法

技术领域

本发明属于室内定位方法领域，具体涉及一种面向室内协作定位的参考点选择方法。

背景技术

随着人们对室内位置需求的愈加强烈，目前已经有了很多适合于不同的室内场景的定位技术。其中基于基站的定位方式由于覆盖范围广、可利用已有通信网络基础设施等突出优点，已成为5G时代室内定位的重要方式。由于在定位场景下不但存在基站也存在可以发送定位信号但不进行数据转发的锚节点，一般统称为定位参考点。同时，由于三维定位需要至少接收到4个以上的定位信号，当接收信号数量不足时，无法通过传统的定位方式实现，此时需要进行协作定位。所谓协作定位是指在协作式的定位系统中，终端之间同样可以进行信息的传递，已经完成定位的终端可以起到发射端的作用，辅助未完成定位待定位终端确认位置信息。

参考点可以分为两类：移动参考点和固定参考点，他们的位置坐标已知。移动参考点和固定参考点之间的主要区别之一是移动参考点的自身位置同样存在误差。对于可定位区域中的目标节点，存在有来自某些固定参考点非视距信号的干扰，若不将其过滤，会导致定位精度无法满足实际定位需求。目前针对参考点选择问题较为典型的场景主要有两种：其一是目标节点接收固定参考点信号不满足定位，但可以接收到多个移动参考点的信号，使得整体上满足大于4个信号的条件；其二是目标节点接收多于4个固定参考点的定位信号。

目前与本专利相关的研究主要包括：Wang等人提出了一种基于MDS的大规模WSN稀疏锚节点定位方法，其使用Floyd算法和锚节点选择方法完成定位(Wang X,Qiu J,Fan J,et al.MDS-based localization scheme for large-scale WSNs within sparse anchornodes[C]//IEEE International Conference on Communications.IEEE,2015:6609-6614.)；Zhang等人提出了一种使用GDOP(assisted nodes selection，GDOP)辅助定位锚节点选择算法，降低系统的耗能以及计算复杂度(Zhang Y,Wei D,Fu W,et al.Targetpositioning with GDOP assisted nodes selection algorithm in wireless sensornetworks[J].International Journal of Distributed Sensor Networks,2014,10(6):404812.)；Ahmadi等人提出了一种结合分类和回归方法的新型定位算法，该方法选择接近目标定位点最近的三个锚节点及性能计算(Ahmadi H,Viani F,PoloA,et al.An improvedanchor selection strategy for wireless localization ofWSN nodes[C]//Computersand Communication.IEEE,2016:108-113.)。经检索，关于面向协作定位的参考点选择方法的专利并未涉及面向固定参考点不足情况和充足情况的参考点选择算法。

发明内容

本发明的目的在于提供一种面向室内协作定位的参考点选择方法，其针对固定参考点资源数量的不同，采用不同的算法，定位精度更高。

一种面向室内协作定位的参考点选择方法，包括一种面向固定参考点不足的参考点选择算法和一种面向固定参考点冗余的参考点选择算法，所述固定参考点不足是指参考点信号数量少于最低定位需求的4个信号，但接受到多个移动参考点的信号。

一种面向固定参考点不足的参考点选择算法，具体包括如下步骤：

步骤1、面向误差抑制的节点权值判定；

步骤2、基于近邻加权的参考点选择。

一种面向固定参考点冗余的参考点选择算法，具体包括如下步骤：

步骤1、指纹库建立；

步骤2、指纹匹配。

所述一种面向室内协作定位的参考点选择方法，参考节点即锚节点是指位置坐标已知的参考点，分为移动参考点和固定参考点两种类型，固定参考点是坐标信息已知并且位置固定的节点如通讯基站等，移动参考点是坐标信息已知但位置不固定的节点如手机终端、手环等，而目标节点是坐标信息未知的待定位节点。

所述一种面向室内协作定位的参考点选择方法，面向固定参考点不足的参考点选择算法中步骤1具体包括如下步骤：

步骤1.1、定位数据初始化；包括：构建定位空间节点间的近邻加权有向图G_NW、设置固定节点的初始权值V_P、根据固定参考点测距误差σ_F设置固定参考点和移动参考点的权值衰减因子ω_F、ω_M，设置节点成为参考点的最低权值V_min和权值更新迭代次数K；

步骤1.2、获取近邻加权有向图G_NW中非固定参考点的全部节点集合C_T；

步骤1.3、遍历集合C_T，对于集合中的每一个节点T_i，计算其权值V_Ti，并将其保存至Map类型的t_map中，Map集合存储键值对，一对一对往里存，且要保证键的唯一性；其中key为Ti的id，value为权值V_Ti；

步骤1.4、当前节点T_i得到其权值V_Ti后，若V_Ti>V_min，即当前节点的权值有效，则将其权值信息发送至周围相连的参考点，对于每一个参考点重新计算权值，通过步骤1.2进行权值更新；否则，此参考点的权值过低，不满足作为参考点的条件，进行步骤1.5；

步骤1.5、判断当前协作定位关系图是否稳定，如果稳定，结束，否则，进行步骤1.6；

步骤1.6、判断迭代次数是否等于设定的迭代次数等于K，如果是，终止计算，否则，进行步骤1.2。

所述一种面向室内协作定位的参考点选择方法，面向固定参考点不足的参考点选择算法中步骤2具体包括如下步骤：

步骤2.1、定位数据初始化，包括设置参与定位的参考点的最大数量N_T；

步骤2.2、数据预处理，建立协作定位关系图，并根据面向误差抑制的节点权值判定算法完成节点权值数据预处理；

步骤2.3、对于集合C_T任意一个节点T_i，能够获取到固定参考点信号集合为C_F，并获取其能够接收到定位信号的移动参考点集合C_M；

步骤2.4、根据集合C_F的大小来计算需要额外选择的移动参考点的数量N_M＝N_T-N_F；

步骤2.5、将T_i周围的移动参考点按权值从大到小进行排序，选出前N_M个参考点集合C'_M；

步骤2.6、输出T_i进行后续定位所需的参考点集合C_N，其中C_N＝C_F∪C'_M。

所述一种面向室内协作定位的参考点选择方法，面向固定参考点冗余的参考点选择算法中步骤1具体包括如下步骤：

步骤1.1、初始化特征库，基于室内历史定位日志记录的信息，总结出固定参考节点集合C_F覆盖范围内请求定位热点区域，并在对应的地点进行信号采集，然后基于特征模型M_T分别在对应分区S_i建立特征库D_Si，并将全部特征库集合形成特征库集C_S＝{D_S1，D_S2，…，D_Sn}；

步骤1.2、更新特征库，特征库更新主要分为两种情况：若集合C_F中增加了固定参考点元素，则先将新增参考点加入至忽略匹配的参考点集合C_ignore，基于步骤1.1中的方法将新增参考点的信息加入到C_S的中对应的记录中，完成更新后再将新增参考点移出C_ignore；若集合C_F中移出了固定参考点元素，则将无效参考点补充至集合C_ignore中，更改特征库集C_S中有关删除参考点的指纹记录。

所述一种面向室内协作定位的参考点选择方法，面向固定参考点冗余的参考点选择算法中步骤2具体包括如下步骤：

步骤2.1、设置分区数量距离D，选择再该分区的周围D个分区距离的范围进行指纹匹配，定义差值上限D_max，基于空间分区大小和指纹库C_S中采样点的数量，赋值分区搜索个数D_space，匹配差值上限D_max；

步骤2.2、建立目标节点T_i待匹配指纹序列S_Ti，通过匹配算法进行指纹匹配，在进行匹配时若S_Ti匹配的分区处于更新状态，则C_ignore中的固定参考点的特征不加入匹配过程；

步骤2.3、获取出匹配记录，并根据匹配记录搜索该记录对应的参考点选择方案；

步骤2.4、基于选择出的参考点选择方案依据现有的室内定位方法进行定位，室内定位方法包括四边法、最小二乘法等；

步骤2.5、根据参考点选择方案与提前采样的定位点的实际位置对比并进行误差修正，并加入到特征库记录D_Si中。

所述一种面向室内协作定位的参考点选择方法，面向固定参考点冗余的参考点选择算法中步骤2.1所述分区是空间中一任一区域，指纹序列S_Ti和集合中指纹根据公式：

计算出差值Diff，若Diff_min<D_max，则输出最小差值Diff_min的匹配记录对应的参考点选择方案；否则，输出无满足条件匹配记录。

本发明的有益效果在于：

本发明在协作定位模型的基础上，提出了基于近邻加权的参考点选择算法和基于特征匹配的参考点选择算法，进一步抑制了参考点的误差影响，提升定位精度；本发明针对固定参考点不足的场景，通过对移动参考点的权值进行分配和择优选取，解决移动参考点位置误差带来的定位结果干扰问题；本发明在面临固定参考点冗余时的选择问题时，通过历史选择方案记录，进行特征匹配而选择出最为相似的参考点组合方案。

附图说明

图1为本发明节点权值判定算法流程图；

图2为本发明基于邻近加权的参考点选择算法流程图；

图3为本发明特征匹配算法指纹库建立流程图；

图4为本发明特征匹配算法指纹匹配流程图；

图5为本发明参考点选择定位示意图；

图6为本发明定位模型关系图。

具体实施方式

下面结合附图对本发明做进一步描述：

如图1所示，为本发明一种面向协作定位的参考点选择方法的节点权值判定方法的具体实现流程。首先建立近邻加权模型，目标节点1个为T1，在样本空间中选出距离最近的6个参考点集合C_F＝{F1，F2，F3，F4，M1，M2},C_F每一个参考点对应的权值为V1，V2，V3，V4，V5，V6，表明目标节点T1能够结收到的参考节点集合中的6个信号。构建定位空间节点间的近邻加权有向图G_NW，节点关系如图5所示，其中，固定参考点数量4个；移动参考点数量2个，分别为M1和M2；目标节点数量1个，为T1。其中M1处于直接定位分区，T1和M2处于协作定位分区，三者分别分布在相邻的不同分区中。固定参考点的测距误差服从均值为0，标准差为σ_F＝1的高斯噪声分布。移动参考节点的测距误差默认服从均值为μ_M＝0，标准差分别为σ_M＝1的高斯分布。固定参考点权值Vp均设为100，定位参考点数量N_T为7。根据σ_F和σ_M设置固定参考点和移动参考点的衰减因子ω_F、ω_M分别为0.8和0.8，固定参考点和移动参考点比值δ_F和δ_M分别为0.7和0.3，最低参考点权值Vmin＝60。计算M1和M2的权值V5、V6，并保存到键值对中。当节点权值计算结果大于设定的权值最小值Vmin＝60时，表示当前节点的权值有效，则将其权值信息发送至周围相连的参考点，对于每一个参考点重新计算权值。当节点权值计算结果小于设定的权值最小值为60时，判断当前协作定位关系图稳定或者迭代次数等于设定的迭代次数等于7时终止计算。

图2展示了一种面向协作定位的参考点选择方法的基于邻近加权的参考点选择方法的具体实现流程。首先设置参与定位的参考点的最多数量为7，建立写作定位关系图，根据上述节点权值判定方法完成权值数据的预处理。对于集合C_T任意一个节点T₁，能够获取到固定参考点信号集合为C_F，并获取其能够接收到定位信号的移动参考点集合C_M。然后根据集合C_F的大小来计算需要额外选择的移动参考点的数量N_M＝N_T-N_F，即N_M＝7-6＝1，将T₁周围的移动参考点按权值从大到小进行排序，选出前1个参考点集合C'_M。最后输出T₁进行后续定位所需的参考点集合C_N，其中C_N＝C_F∪C'_M。

图3和图4展示了一种面向协作定位的参考点选择方法的特征匹配方法的具体实现流程。室内空间场景为两层小楼建筑，每层包含两个隔断，共计六个和房间，建筑整体尺寸为长19m、款5m、高6m。室内空间物体材质主要包括：木制、混凝土和玻璃。根据建筑面积确定空间分区数目为20，将定位空间划分成20个矩形立体网格。节点之间关系如图6所示。其中，指纹匹配搜索分区数量距离D＝7，即搜索附近7个分区的距离。目标节点为T1，处于直接定位分区；固定参考点数量为7个，其中非视距的固定参考点为2个，分布为F6和F7，其中，普通固定参考点的测距误差服从均值为0，标准差为σ_F＝1的高斯噪声分布；非视距普通固定参考点的测距误差服从σ_NLOS＝5的均值分布。

步骤1、匹配过程数据初始化。具体包括：初始化分区搜索7个，匹配差值上限为2；

步骤2、对于目标节点T1，判断目标节点所处的空间分区S2，并从数据库中获取该分区中周围距离为7之内1个分区的特征数据集合{7，6，5，…，1}；

步骤3、目标节点T1将接收到7个固定参考点集合{F1，F2，…，F7}转换为待匹配指纹序列S_T1；

步骤4、将指纹序列S_T1和集合{7，6，5，…，1}中指纹根据公式计算出差值1，并更新最小差值；

步骤5、若最小差值小于2，则输出最小差值1的匹配记录对应的参考点选择方案；否则，输出无满足条件匹配记录。

本发明在协作定位模型的基础上，提出了基于近邻加权的参考点选择算法和基于特征匹配的参考点选择算法；进一步抑制了参考点的误差影响，提升定位精度；针对固定参考点不足的场景，通过对移动参考点的权值进行分配和择优选取，解决移动参考点位置误差带来的定位结果干扰问题；面临固定参考点冗余时的选择问题，通过历史选择方案记录，进行特征匹配而选择出最为相似的参考点组合方案。

Claims (3)

1.一种面向室内协作定位的参考点选择方法，包括一种面向固定参考点不足的参考点选择算法和一种面向固定参考点冗余的参考点选择算法，其特征在于，所述固定参考点不足是指参考点信号数量少于最低定位需求的4个信号，但接受到多个移动参考点的信号，

一种面向固定参考点不足的参考点选择算法，具体包括如下步骤：

步骤1、面向误差抑制的节点权值判定；

步骤2、基于近邻加权的参考点选择；

一种面向固定参考点冗余的参考点选择算法，具体包括如下步骤：

步骤(1)、指纹库建立；

步骤(2)、指纹匹配；

面向固定参考点不足的参考点选择算法中所述步骤1具体包括如下步骤：

步骤1.1、定位数据初始化；包括构建定位空间节点间的近邻加权有向图G_NW、设置固定节点的初始权值V_P、根据固定参考点测距误差σ_F设置固定参考点和移动参考点的权值衰减因子ω_F、ω_M，设置节点成为参考点的最低权值V_min和权值更新迭代次数K；

步骤1.2、获取近邻加权有向图G_NW中非固定参考点的全部节点集合C_T；

步骤1.3、遍历集合C_T，对于集合中的每一个节点T_i，计算其权值V_Ti，并将其保存至Map类型的t_map中，Map集合存储键值对，一对一对往里存，且要保证键的唯一性；其中key为Ti的id，value为权值V_Ti；

步骤1.4、当前节点T_i得到其权值V_Ti后，若V_Ti>V_min，即当前节点的权值有效，则将其权值信息发送至周围相连的参考点，对于每一个参考点重新计算权值，通过步骤1.2进行权值更新；否则，此参考点的权值过低，不满足作为参考点的条件，进行步骤1.5；

步骤1.5、判断当前协作定位关系图是否稳定，如果稳定，结束，否则，进行步骤1.6；

步骤1.6、判断迭代次数是否等于设定的迭代次数等于K，如果是，终止计算，否则，进行步骤1.2；

面向固定参考点不足的参考点选择算法中所述步骤2具体包括如下步骤：

步骤2.1、定位数据初始化，包括设置参与定位的参考点的最大数量N_T；

步骤2.2、数据预处理，建立协作定位关系图，并根据面向误差抑制的节点权值判定算法完成节点权值数据预处理；

步骤2.3、对于集合C_T任意一个节点T_i，能够获取到固定参考点信号集合为C_F，并获取其能够接收到定位信号的移动参考点集合C_M；

步骤2.4、根据集合C_F的大小来计算需要额外选择的移动参考点的数量N_M＝N_T-N_F；

步骤2.5、将T_i周围的移动参考点按权值从大到小进行排序，选出前N_M个参考点集合C'_M；

步骤2.6、输出T_i进行后续定位所需的参考点集合C_N，其中C_N＝C_F∪C'_M；

面向固定参考点冗余的参考点选择算法中所述步骤(1)具体包括如下步骤：

步骤(1.1)、初始化特征库，基于室内历史定位日志记录的信息，总结出固定参考节点集合C_F覆盖范围内请求定位热点区域，并在对应的地点进行信号采集，然后基于特征模型M_T分别在对应分区S_i建立特征库D_Si，并将全部特征库集合形成特征库集C_S＝{D_S1，D_S2，…，D_Sn}；

步骤(1.2)、更新特征库，特征库更新主要分为两种情况：若集合C_F中增加了固定参考点元素，则先将新增参考点加入至忽略匹配的参考点集合C_ignore，基于步骤(1.1)中的方法将新增参考点的信息加入到C_S中对应的记录中，完成更新后再将新增参考点移出C_ignore；若集合C_F中移出了固定参考点元素，则将无效参考点补充至集合C_ignore中，更改特征库集C_S中有关删除参考点的指纹记录；

面向固定参考点冗余的参考点选择算法中所述步骤(2)具体包括如下步骤：

步骤(2.1)、设置分区数量距离D，选择再该分区的周围D个分区距离的范围进行指纹匹配，定义差值上限D_max，基于空间分区大小和指纹库C_S中采样点的数量，赋值分区搜索个数D_space，匹配差值上限D_max；

步骤(2.2)、建立目标节点T_i待匹配指纹序列S_Ti，通过匹配算法进行指纹匹配，在进行匹配时若S_Ti匹配的分区处于更新状态，则C_ignore中的固定参考点的特征不加入匹配过程；

步骤(2.3)、获取出匹配记录，并根据匹配记录搜索该记录对应的参考点选择方案；

步骤(2.4)、基于选择出的参考点选择方案依据现有的室内定位方法进行定位，室内定位方法包括四边法、最小二乘法等；

步骤(2.5)、根据参考点选择方案与提前采样的定位点的实际位置对比并进行误差修正，并加入到特征库记录D_Si中。

2.根据权利要求1所述一种面向室内协作定位的参考点选择方法，其特征在于：所述参考节点即锚节点是指位置坐标已知的参考点，分为移动参考点和固定参考点两种类型，固定参考点是坐标信息已知并且位置固定的节点，移动参考点是坐标信息已知但位置不固定的节点，而目标节点是坐标信息未知的待定位节点。

3.根据权利要求1所述一种面向室内协作定位的参考点选择方法，其特征在于，面向固定参考点冗余的参考点选择算法中步骤(2.1)所述分区是空间中一任一区域，指纹序列S_Ti和集合中指纹根据公式：

计算出差值Diff，若Diff_min<D_max，则输出最小差值Diff_min的匹配记录对应的参考点选择方案；

否则，输出无满足条件匹配记录。

Images