CN109143161B - 基于混合指纹质量评价模型的高精度室内定位方法 - Google Patents

Abstract

本发明属于室内定位技术领域，涉及基于混合指纹质量评价模型的高精度室内定位方法。本发明首先在离线阶段构建群指纹，相比于传统指纹定位方法只使用RSS指纹，本方法还引入了信号强度差指纹和双曲线定位指纹，它们由AP间的相对信息提取得到，对RSS波动更加稳健。在线定位阶段，接收到待定位目标信号后，首先构建多支撑集。然后通过引入混合指纹质量对多支撑集进行概率建模，获得混合指纹质量评价模型。最后利用Gibbs‑EM算法求解模型获得位置估计。相比于传统指纹融合方法，本方法提出的混合指纹质量在线上阶段实时估计，无需离线阶段的权值训练，存储和匹配，因此消除了传统融合方法中的匹配误差并减少了系统负担。

Description

基于混合指纹质量评价模型的高精度室内定位方法

技术领域

本发明属于室内定位技术领域，涉及基于混合指纹质量评价模型的高精度室内定位方法。

背景技术

近年来，位置信息在人们的日常生活扮演着越来越重要的作用，典型的位置服务(Location Based Service，LBS)包括货物跟踪，游客导航，周边资源查找等等。LBS的核心任务是目标的定位，虽然全球定位系统(Global Positioning System，GPS)已广泛应用在室外环境中，但在室内和高楼密布的城市等信号遮挡严重的环境中，用户接收不到足够强度的卫星信号，使得GPS无法进行定位。因此，室内定位技术受到了工业界和学术界的广泛关注并发展迅速。一套完整的室内定位系统需要在固定位置安装发射设备用来发送定位信号，常见的发射设备有WiFi，蓝牙，RFID，UWB等。但是安装大量的发射设备需要大量的人力和物力，因此大多数定位系统倾向于使用已有的被广泛部署的无线设备去实现室内定位。当今社会，WiFi已广泛使用在家庭、商场、机场等各类大型或小型建筑内，这使得WiFi成为室内定位领域中一个最引人注目的无线技术。

基于WiFi的定位方法主要包括两类：基于参数化估计的方法和基于指纹的方法，其中基于指纹的方法由于不需要参数估计以及较好的定位性能而受到广泛关注。但是现有的指纹定位方法使用最优匹配准则来对实测样本进行定位，这种方式易受接收信号强度(Received Signal Strength，RSS)波动的影响，使得利用最优匹配准则进行定位通常会匹配到错误的位置，造成较大的定位误差。其中RSS波动的一个主要原因是室内环境的动态特性，包括人员走动，门窗的开关，AP的发射功率的变化以及室内环境的温度和湿度改变等都会影响测量到的RSS。此外异构设备也是造成RSS波动的重要原因，线上定位时，不同用户可能使用不同的设备，由于不同厂商的硬件规格不同，使得不同设备即使在同一位置，同一环境下也会产生很大的RSS波动。由环境变化和异构设备造成的RSS波动是制约指纹定位方法性能的最大瓶颈。如何寻找一种能够克服复杂室内环境中RSS波动的高精度实时定位系统，已经成为业界的研究重点。

文献“X.Guo,L.Li,N.Ansari,and B.Liao,“Accurate WiFi Localization byFusing a Group of Fingerprints via Global Fusion Profile,”IEEE Transactionson Vehicular Technology,vol.67,no.8,pp.7314-7325,2018.”是一种局部动态加权融合多种指纹的定位方法。该方法需要一组额外的线下数据，这组数据主要有以下两个作用：1)通过最小化一个格点上不同指纹融合后的平均定位误差，得到不同指纹在这个格点上的权值；2)选取获得最小定位误差的指纹为最优指纹，用于线上匹配。在线定位阶段，利用实测数据和最优指纹对其的预测结果匹配选取权向量，最后通过加权多种指纹的输出结果获取最终的定位结果。该方法虽然在一定程度上能够提高单指纹的定位精度，但也包含以下几个缺点：1)估计融合权值需要额外的线下数据，增加了建库负担；2)融合权值在线下阶段获得，需要对权值进行存储，且不能动态的适应环境变化；3)在线匹配时可能存在较大匹配误差，错误的加权不仅难以提升融合后的定位精度，反而会进一步降低融合的精度，因此该方法在RSS波动较大的环境中其缺陷会被逐渐放大。

文献“X.Guo,L.Li,F.Xu and N.Ansari,“Expectation Maximization IndoorLocalization Utilizing Supporting Set for Internet of Things,”IEEE IoT J.,toappear”是一种基于支撑集的EM算法定位方法，该方法在线阶段根据待定位信号动态的构建支撑集，然后使用EM算法通过指纹质量来估计支撑集里的正确位置。该方法虽然不需要存储权值，只需通过线上阶段实时估计的指纹质量进行融合，但是该方法针对每种指纹只估计了一个粗略的指纹质量，不能充分利用不同指纹在不同区域的优势。

因此，这些方法由于上述问题的存在而在复杂的室内环境中很难形成准确、稳定的目标位置估计。

发明内容

本发明的目的是针对技术背景中的传统融合方法的缺陷和指纹质量评估粗略的问题，提出了一种基于混合指纹质量评价模型的高精度室内定位方法。该方法首先在离线阶段通过多种指纹构造群指纹。在线定位阶段，根据待定位型号动态的构建多支撑集，然后通过建立混合指纹质量评价模型，从多支撑集中选出最可信的位置估计。本发明通过在线阶段引入混合指纹质量，一方面能够准确评价不同指纹在不同区域的优势，进而找出可信度最高的位置，同时，混合指纹质量的估计在线上阶段完成，无需离线阶段的权值训练，存储和匹配，因此消除了传统融合方法中的匹配误差并减少了系统负担。从而本发明能够有效的克服RSS波动所带来的性能下降，是一种定位精度高、稳健性好的实时定位方法。

为了实现本发明的目的，将采用以下技术方案：混合指纹质量评价模型的高精度室内定位方法，它利用群指纹，多支撑集和混合指纹质量评价模型对信号源目标进行位置估计，它包括以下步骤：

步骤1.在需要定位的环境中固定好AP的位置并将环境划分为等大小的格点。

步骤2.构建群指纹：

步骤2-1.搭建好WiFi网络，依次将信号源置于定位环境中的各个格点并记录下此时的信号源位置坐标，然后发射信号，记录各AP接收到的信号源发射的RSS。

步骤2-2.将步骤2-1中的得到的各个AP的RSS值存储下来。

步骤2-3.根据步骤2-2得到的RSS指纹形成信号强度差(Signal StrengthDifference，SSD)指纹和双曲线定位指纹(Hyperbolic Location Fingerprinting，HLF)

步骤3.实时定位

步骤3-1.获得待定位的RSS信号，同时将其转换为SSD和HLF信号。

步骤3-2.根据目标信号和对应的离线指纹的相似性构建多支撑集。

步骤3-3.对多支撑集进行概率建模，得到混合指纹质量评价模型，

步骤3-4.使用Gibbs-EM算法从模型中估计正确位置。

其中，步骤1-2为线下阶段，即定位前的准备工作，步骤3为线上阶段，即实际定位阶段。

本发明的有益效果为：

本发明首先提出了群指纹的概念，相比于传统指纹定位方法只使用RSS指纹，本方法引入了SSD和HLF两种指纹，它们通过AP间的相对信息提取得到，因此对RSS波动更加稳健。在线定位阶段，接收到待定位目标信号后，我们首先构建多支撑集，多支撑集中包含了多个可能为正确位置的标签及其对应的信号，提高了在复杂环境下定位的容错性。然后通过引入混合指纹质量对多支撑集进行概率建模，获得混合指纹质量评价模型。最后利用Gibbs-EM算法求解模型获得位置估计。相比于传统指纹融合方法，本方法提出的混合指纹质量在线上阶段实时估计，无需离线阶段的权值训练，存储和匹配，因此消除了传统融合方法中的匹配误差并减少了系统负担。同时，混合指纹质量能够准确评价不同指纹在不同区域的优势，进而帮助模型选取可信度最高的位置估计，因此可以在复杂环境下取得较高的定位精度，从而本发明提出的混合指纹质量评价模型的室内定位方法是一种低成本、自适应、稳健的实时高精度定位方法，具有很强的实际应用价值。

附图说明

图1为本发明的流程图。

图2为技术背景中采用的传统指纹定位方法和本发明方法在环境变化情况下的定位误差对比。

图3为本发明方法估计的混合指纹质量。

具体实施方式

为使本发明的步骤更加详细清楚，以下结合实施例对本发明进一步详细说明。

实施例

1.场地布置

实施例环境位于西班牙一所大学的图书馆，数据由当地的科研人员采集并公开提供“G.Mendoza-Silva,P.Richter,J.Torres-Sospedra,E.Lohan,andJ.Huerta,“Long-termwifi fingerprinting dataset for research on robust indoor positioning,”vol.3,no.1,p.3,2018”，环境由两层楼组成，占地308.2m²，场地被划分为49个格点，448个AP均匀的部署在整个环境中。

2.获取数据并形成离线群指纹

2-1.搭建好WiFi定位环境，将手机置于环境中的任意格点，记录下此时的格点编号和二维坐标，然后发射信号，记录各AP接收到的手机的信号强度，设n时刻第k个AP接收到来自第q个格点的手机发射的RSS测量值为

假设有L₁个AP，采集了H个RSS样本，可以得到在格点k的RSS指纹库D_1k：

2-2.将步骤2-1中的得到的不同格点的指纹库存储下来，得到RSS的指纹库D₁：

D₁＝[D₁₁,D₁₂,…,D_1G] (2)

其中G是环境的格点数。

2-3.将RSS指纹库转换为SSD和HLF指纹库，分别记为D₂和D₃。

2-4.得到离线阶段的群指纹

3.构建多支撑集

3-1.接收到线上RSS测试样本

3-2.将

转换为SSD和HLF测试样本，分别记为

和

3-3.使用欧氏距离d_jk(n)衡量测试样本

和线下RSS样本r_jk(n)的相似度：

因此可以得到距离向量d_j＝[d_j1(1),d_j1(2),…,d_jG(H)]^T。

3-4.选取d_j中距离最小的M个样本和标签(u_ij,x_ij)(i＝1,2,…,M)。其中u_ij是与第j种指纹的线上测试样本距离第i小的线下样本，x_ij是与第j种指纹的线上测试样本距离第i小的线下样本对应的标签。为了顺序的获得(u_ij,x_ij)，先获得最小的距离值和它的索引

[value,index]＝min(d_j) (5)

其中value是最小的距离，index是对应的索引。然后我们可以计算得到线下样本对应的格点索引

其中

的作用是是朝正无穷方向取整。时间索引为

然后支撑集中第一个样本和标签可以通过下式获得

获得(u_1j,x_1j)之后，我们更新距离向量d_j

d_j＝d_j→value (9)

其中→代表从d_j中删除元素。因此，余下的(u_ij,x_ij)可以通过重复式(5)-(9)获得。第j种指纹的支撑集

可以表示为

其中U_j＝[u_1j,u_2j,…,u_Mj]^T，x_j＝[x_1j,x_2j,…,x_Mj]^T。同样的，我们也可以获得其他种指纹的支撑集，令多支撑集

定义为

并令U＝[U₁,U₂,U₃]表示样本空间，令X＝[x₁,x₂,x₃]表示标签空间。

3-5.令b＝{b₁,b₂,…,b_V}为U中出现过的不同的信号测量值，其中V为不同测量值的个数。令y＝{y₁,y₂,…,y_N}为X中出现过的不同的位置，其中N为不同位置的个数。此外，记n＝[n₁,n₂,…,n_N]^T，其中n_l是y_l在X中出现的次数。

4.混合指纹质量评价模型

4-1.首先定义混合指纹质量W

其中w_j表示第j种指纹的指纹质量向量，w_kj表示第j种指纹在第k个区域的指纹质量，描述了这个区域内第j种指纹提供的标签为正确位置的可信度。令Y表示正确的位置，假设现在支撑集

中的正确位置为y_l，令

表示第j种指纹在第k个区域中正确位置出现的次数，

表示第j种指纹在第k个区域中错误位置出现的次数。则w_kj可以定义为

4-2.建模样本空间，首先从狄利克雷分布Dir(α)中产生关于区域的分布θ，即θ～Dir(α)，然后从狄利克雷分布Dir(η)中产生关于区域k中的信号分布

即

在信号测量值相互独立的假设下，第k个区域中第i个最小距离的样本中所有信号值的概率可表示为

其中

表示距离第i小对应的线下样本中第r个信号值出现的次数。同样的，在样本相互独立的假设下，生成样本空间U的概率为

4-3.建模标签空间，在给定区域z_i，细粒度指纹质量W和正确位置标签y_l后，标签为x_ij的概率为

生成标签空间X的概率为

4-4.定义目标函数为

其中第一项是生成样本空间的似然函数，第二项是生成标签空间的似然函数。

5.Gibbs-EM算法

5-1.在公式(13)中我们定义了第j种指纹在区域k的指纹质量w_kj。然而在实际情况中，因为不知道正确的位置，所以不能直接获得w_kj。为了估计w_kj，我们可以使用极大似然估计，然而当支撑集中的位置数量较少时，估计的w_kj会不准确。为了克服这个问题，本发明引入贝塔分布来控制w_kj的先验。贝塔分布有两个参数β₁和β₂，它们的分别代表了区域k中指纹提供的正确位置和错误位置的伪计数。在本发明中，我们设置指纹质量w_kj的初值为贝塔分布概率取最大时的值

5-2.令Y的概率分布为p＝[p₁,p₂,…,p_N]^T，其中p_l＝P(Y＝y_l)(l＝1,2,…,N)代表了正确位置为y_l的概率。本发明提出了基于频率和概率联合初始化的策略，对出现次数越多，越靠近几何中心的位置赋予更大的先验概率。p_l的先验概率可以定义为

其中g(y_l)为位置y_l的二维坐标，g(·)是将位置映射为二维坐标的函数。

5-3.使用Gibbs-EM算法最大化目标函数，Gibbs-EM算法包括两步：期望步(E步)和极大步(M步)，其中E步使用Gibbs采样计算后验分布，M步更新参数θ，

和W。具体流程如下

E步：假设现在迭代到第t步，首先通过Gibbs采样得到第i个样本所在的区域

其中

表示在不考虑样本空间中第i行的样本下第k个区域被采样的次数，

表示在不考虑样本空间中第i行下第r个信号值在第k个区域被采样的次数。

采样完成后，在给定标签空间中第i行中的样本，z_i和指纹质量W^(t-1)后，正确位置为y_l的后验概率可以表示为

其中式(21)中的第二项由伯努利分布产生

其中|x_ij＝y_l|在x_i＝y_l时为1，反之为0。然后，正确标签为y_l的概率更新为

M步：最大化目标函数式(16)来更新θ，

和W，即

求解方法为对

分别关于θ，

和W求导，并使其为0来得到相应的估计。首先更新指纹质量W，对第j种指纹在区域k的指纹质量w_kj求导后可以得到

其中n_k是第k个区域被采样的次数，a_kj为支撑集中第j种指纹在第k个区域的正确标签数量的伪计数

同样的，得到θ和

的估计值

Gibbs-EM算法将会重复E步和M步直至收敛，收敛条件为

其中ε通常设为10^-6。

6.位置估计

假设给定一个实测样本，首先通过步骤3构建多支撑集，然后通过步骤4建立混合指纹质量评价模型并利用步骤5提出的Gibbs-EM算法迭代求解，假设Gibbs-EM算法在第t轮迭代收敛，y的最终概率分布可以表示为

p^(t)中最大的概率对应的下标为

最终的位置估计可以由下式获得

本发明使用公开数据集“G.Mendoza-Silva,P.Richter,J.Torres-Sospedra,E.Lohan,and J.Huerta,“Long-term wifi fingerprinting dataset for research onrobust indoor positioning,”vol.3,no.1,p.3,2018.”来验证提出算法的优越性。在离线阶段使用在49个格点采集的8640个RSS样本作为离线指纹库。在接下来的15个月，每个月又分别采集了3120个样本作为测试集。图2是本方法相比技术背景中方法的定位性能。WiFi-FAGOT和EMSS分别对应技术背景中的[1]和[2]。可以看到本方法不管是在第几个月，表现都好于技术背景中的定位方法，特别是随着时间的增长，我们方法的优势更加明显，其中本方法在15个月的平均均方根差误差为2.42m，而EMSS和WiFi-FAGOT分别为2.52m和2.81m，从而证明了本方法是一种定位精度高、稳健性好的实时定位方法。图3为一个测试样本得到的估计的混合指纹质量，可以看到，本方法提出的混合指纹质量可以准确评价不同指纹在不同区域的优势，从而帮助模型选出可信度最高的位置作为估计结果。

Claims (1)

1.基于混合指纹质量评价模型的高精度室内定位方法，其特征在于，包括以下步骤：

S1、在待定位区域固定AP，并将区域划分为等大小的格点；具体方法为：

在待定位区域部署L个AP，将待定位区域划分为G个格点，每个格点有唯一的标号k，k＝1,2,…,G，并记录每个格点的二维坐标z_k＝[x_k,y_k]^T；

S2、建立离线指纹库：

依次将信号源置于定位区域中的各个格点并记录下此时的信号源位置坐标，然后发射信号，记录各AP接收到的信号源发射的RSS；

根据得到的RSS指纹分别构建信号强度差指纹库SSD和双曲线定位指纹库HLF；具体方法为：

将智能终端置于环境中的任意格点，记录下此时的格点编号和二维坐标，然后发射信号，记录各AP接收到的智能终端的信号强度，设n时刻第k个AP接收到来自第q个格点的智能终端发射的RSS测量值为

设有L₁个AP，采集了H个RSS样本，可以得到在格点k的指纹库D_1k：

依次在G个格点中采集RSS指纹，获得RSS指纹矩阵D₁为：

D₁＝[D₁₁,D₁₂,…,D_1G]

将RSS指纹库转换为SSD和HLF指纹库，分别记为D₂和D₃，得到离线阶段的群指纹

S3、实时定位：

获得待定位的RSS信号，同时将其转换为SSD和HLF信号，根据待定位信号和离线指纹库的相似性构建支撑集，对支撑集进行概率建模，获得混合指纹质量评价模型，使用Gibbs-EM算法从模型中估计正确位置；具体方法为：

S31、构建支撑集：

S311、待定位目标终端扫描其附近的AP的RSS值,得到实时RSS特征向量

S312、将

转换为SSD和HLF测试样本，分别记为

和

S313、使用欧氏距离d_jk(n)衡量测试样本

和线下RSS样本r_jk(n)的相似度：

得到距离向量d_j＝[d_j1(1),d_j1(2),…,d_jG(H)]^T；

S314、选取d_j中距离最小的M个样本和标签(u_ij,x_ij)，i＝1,2,…,M；其中u_ij是与第j种指纹的线上测试样本距离第i小的线下样本，x_ij是与第j种指纹的线上测试样本距离第i小的线下样本对应的标签；为了顺序的获得(u_ij,x_ij)，先获得最小的距离值和它的索引

[value,index]＝min(d_j)

其中value是最小的距离，index是对应的索引，然后计算得到线下样本对应的格点索引

其中

的作用是朝正无穷方向取整，时间索引为

支撑集中第一个样本和标签通过下式获得

获得(u_1j,x_1j)之后，更新距离向量d_j

d_j＝d_j→value

其中→代表从d_j中删除元素，因此，余下的(u_ij,x_ij)可以通过重复上述方法获得，第j种指纹的支撑集

可以表示为

其中U_j＝[u_1j,u_2j,…,u_Mj]^T，x_j＝[x_1j,x_2j,…,x_Mj]^T；同样的，获得其他种指纹的支撑集，令多支撑集S定义为S＝[S₁,S₂,S₃]

并令U＝[U₁,U₂,U₃]表示样本空间，令X＝[x₁,x₂,x₃]表示标签空间；

S315、令b＝{b₁,b₂,…,b_V}为U中出现过的不同的信号测量值，其中V为不同测量值的个数；令y＝{y₁,y₂,…,y_N}为x中出现过的不同的位置，其中N为不同位置的个数；此外，记n＝[n₁,n₂,…,n_N]^T，其中n_l是y_l在x中出现的次数；

S32、建立混合指纹质量评价模型：

S321、定义混合指纹质量W

其中w_j表示第j种指纹的指纹质量向量，w_kj表示第j种指纹在第k个区域的指纹质量，描述了这个区域内第j种指纹提供的标签为正确位置的可信度；令Y表示正确的位置，假设现在支撑集

中的正确位置为y_l，令

表示第j种指纹在第k个区域中正确位置出现的次数，

表示第j种指纹在第k个区域中错误位置出现的次数；则w_kj可以定义为

S322、建模样本空间，首先从狄利克雷分布Dir(α)中产生关于区域的分布θ，即θ～Dir(α)，然后从狄利克雷分布Dir(η)中产生关于区域k中的信号分布

即

设定信号测量值相互独立，第k个区域中第i个最小距离的样本中所有信号值的概率表示为

其中

表示距离第i小对应的离线样本中第r个信号值出现的次数，则生成样本空间U的概率为

S323、建模标签空间，在给定区域z_i，指纹质量w和正确位置标签y_l后，标签为x_i的概率为

生成标签空间x的概率为

S324、定义目标函数为

其中第一项是生成样本空间的似然函数，第二项是生成标签空间的似然函数；

S33、使用Gibbs-EM算法从概率模型中估计正确位置：

S331、采用贝塔分布来控制w_kj的先验，贝塔分布有两个参数β₁和β₂，它们分别代表了区域k中正确位置和错误位置的伪计数；设置指纹质量w_kj的初值为贝塔分布概率取最大时的值

S332、令Y的概率分布为p＝[p₁,p₂,…,p_N]^T，其中p_l＝P(Y＝y_l)，l＝1,2,…,N代表了正确位置为y_l的概率；采用基于频率和概率联合初始化的策略，对出现次数越多，越靠近几何中心的位置赋予更大的先验概率；p_l的先验概率定义为

其中g(y_l)为位置y_l的二维坐标，g(·)是将位置映射为二维坐标的函数；

S333、使用Gibbs-EM算法最大化目标函数，Gibbs-EM算法包括两步：期望步E步和极大步M步，其中E步使用Gibbs采样计算后验分布，M步更新参数θ，

和w；具体流程如下：

E步：假设迭代到第t步，首先通过Gibbs采样得到第i个样本所在的区域

其中

表示在不考虑样本空间中第i行的样本下第k个区域被采样的次数，

表示在不考虑样本空间中第i行下第r个信号值在第k个区域被采样的次数；

采样完成后，给定标签空间中第i行中的样本，z_i和指纹质量W^(t-1)后，正确位置为y_l的后验概率表示为

上式中的第二项由伯努利分布产生

其中|x_ij＝y_l|在x_i＝y_l时为1，反之为0；然后，正确标签为y_l的概率更新为

M步：最大化目标函数来更新θ，

和w，即

求解方法为对

分别关于θ，

和w求导，并使其为0来得到相应的估计；首先更新指纹质量W，对第j种指纹在区域k的指纹质量w_kj求导后得到

其中n_k是第k个区域被采样的次数，a_kj为支撑集中第j种指纹在第k个区域的正确标签数量的伪计数

同样的，得到θ和

的估计值

重复E步和M步直至收敛，收敛条件为

其中ε设为10^-6。

Images