CN109547933A - 一种基于iBeacon的室内定位方法 - Google Patents
一种基于iBeacon的室内定位方法 Download PDFInfo
- Publication number
- CN109547933A CN109547933A CN201710850668.9A CN201710850668A CN109547933A CN 109547933 A CN109547933 A CN 109547933A CN 201710850668 A CN201710850668 A CN 201710850668A CN 109547933 A CN109547933 A CN 109547933A
- Authority
- CN
- China
- Prior art keywords
- subregion
- region
- access point
- point
- regions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于iBeacon的室内定位方法,该方法对待测区域进行合理划分,以子区域内每一个接入点AP的最终信号强度RSSI值作为输入,参考点相对于坐标原点的相对坐标作为输出构建BP人工神经网络并对其进行训练,随后进行定位。本发明的室内定位方法,训练阶段仅需要对不同类型的子区域中的一个子区域进行训练,大量减少了训练成本,实时定位阶段不需要遍历所有的参考点,只需根据训练好的参数进行预测即可。
Description
技术领域
本发明涉及室内定位领域,特别是一种基于iBeacon的室内定位方法。
背景技术
由于传统的GPS在室内环境中信号较差,无法精准定位,室内定位技术在许多大型室内场所中急于得到应用,如:博物馆、大型商场、地下停车场等。室内定位技术的研究,从网络覆盖范围上来划分,主要有两个方向:局域和广域室内定位。利用WiFi、蓝牙、ZigBee和RFID等技术进行室内定位的定位方案,都是局域室内定位,这些网络覆盖范围较小,因此都以局域网为基础实现室内定位;而广域室内定位技术通常需要设计专门的芯片,甚至要改造相关的基站等。因此,基于广域网的室内定位技术研发和实现的时间周期较长、成本巨大。而局域室内定位技术研发和实现的周期短、成本较低,考虑到商业化推广,局域室内定位技术是更好的方案。
在局域室内定位中,蓝牙室内定位由于其低功耗、低成本、体积小易于铺设的特点而成为了近年来的热点话题。iBeacon是苹果在2013年WWDC上推出一项基于蓝牙4.0(Bluetooth LE)的进场感知技术,当移动设备靠近一个Beacon基站时,设备就能够感应并获取蓝牙信号强度,范围可以从几毫米到50米。基于iBeacon的定位方法目前有基于AOA(到达角度)的定位算法、基于TOA(到达时间)的定位算法、基于TDOA(到达时间差)的定位算法、基于信号传播模型的三角质心法等改进算法、位置指纹定位算法等。AOA、TOA、TDOA等方法虽然精度很高,但是对设备要求较高,实现定位的成本很高,不适宜于大规模定位。
由于RSSI值与实际距离常常没有准确的对应关系且易受环境因素干扰,基于信号传播模型的一系列定位方法存在精度较差的问题。而位置指纹算法对待测区域进行位置指纹采集,实时定位阶段进行指纹匹配,具有较高的定位精度。然而,当室内规模较大时,在指纹采集(即训练)阶段需要进行大量的信号采集,耗费时间。
发明内容
本发明提出了一种一种基于iBeacon设备的室内定位方法。
实现本发明的技术解决方案为:一种基于iBeacon设备的室内定位方法,包括以下步骤:
步骤1、将整个区域划分为多个多边形子区域并为每个子区域编号,其中,完全相同的子区域为同一种子区域;
步骤2、在各个多边形子区域的顶点处摆放iBeacon设备,每个iBeacon设备为一个接入点AP,并为每个接入点AP编号;
步骤3、在每个子区域内等间距设置参考点,每个子区域选取一个参考点作为子区域坐标原点,并记录该坐标原点的在整个区域内的绝对位置(xo,yo),其中,相同种类的各个子区域的参考点设置及坐标原点的选取位置均相同;
步骤4、在每种子区域中随机选取一个子区域构建BP人工神经网络并对该BP人工神经网络进行训练;
步骤5、在待测点用移动设备检测所有接入点AP的信号强度RSSI值;
步骤6、选取RSSI值最大的n个接入点AP,计算待测位置位于每一个子区域的总概率Pt,选取总概率Pt最大的子区域为待测点的初步位置;
步骤7、将待测点获取的接入点AP信号强度RSSI值导入初步位置子区域类型对应的训练好的神经网络,获得待测点在该子区域内的相对位置(xr,yr);
步骤8、根据待测点在该子区域的相对位置(xr,yr)和不同坐标原点在整个区域内的绝对位置(xo,yo),获得待测点最终的绝对位置(xa,ya)。
本发明与现有技术相比,其显著优点为:1)无需采集地图上所有位置的数据,通过对待测区域进行合理的划分,训练阶段仅需要对不同类型的子区域进行训练,在区域空旷面积较大时,相同类型的区域很多,可以节省大量的时间和资源;2)该方法采用神经网络进行位置的预测,神经网络是非线性输入输出映射的有效方法,可以逼近任意复杂的非线性关系,使用架构较为简单的BP神经网络,相比于K邻近(KNN)、K阶类聚算法,加权K阶类聚算法,在实时定位阶段不需要遍历所有的参考点,只需根据训练好的参数进行预测即可。当子区域面积较大时,可以节省时间,做到实时定位;3)由于先进行了子区域的粗略定位,确定子区域后可以消除距离较远的iBeacon对定位精度的影响,提高神经网络输出的准确性。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明一种基于iBeacon设备的室内定位方法的流程图。
图2为本发明实施例1展览厅子区域的划分图。
图3为本发明实施例1中某子区域参考点选取及iBeacon摆放示意图。
图4为本发明一种基于iBeacon设备的室内定位方法中BP人工神经网络的基本结构。
具体实施方式
结合图1,一种基于iBeacon设备的室内定位方法,包括以下步骤:
步骤1、将整个区域划分为多个多边形子区域并为每个子区域编号,其中,完全相同的子区域为同一种子区域;
将整个区域划分为多个多边形子区域的具体划分方法:
(1)在整个区域中划分出若干相同的正方形;
(2)判断是否存在未划分的区域,若无则执行步骤3,若还有未划分区域,在未划分区域中再划分出若干相同的矩形;
(3)判断是否存在未划分区域,若无则执行步骤3,若还有未划分区域,在未划分区域中划分出若干相同的等腰直角三角形,直至未划分区域中各分散区域的面积均小于13m2。
例如,在大型的不规则室内区域,我们优先从中划分出统一的较大的正方形区域,若能以正方形区域划分完,则尽量划分为正方形区域,先划分出较大的正方形区域,但边长不超过20m,再根据剩余区域的实际大小划分出较小的正方形区域;倘若还有未划分区域,则根据剩余区域的大小划分出统一的较大的矩形区域,倘若仍然还有未划分区域,则在未划分区域中划分出统一的较大的等腰直角三角形区域,直到未划分的区域各个分散区域的面积均小于13m2。划分过程中保证相邻子区域之间无空隙,即当存在两个及以上子区域时,相邻区域间存在共同的边。
步骤2、在各个多边形子区域的顶点处摆放iBeacon设备,每个iBeacon设备为一个接入点AP,并为每个接入点AP编号;
步骤3、在每个子区域内等间距设置参考点,间距取值为1m~4m,每个子区域选取一个参考点作为子区域坐标原点,并记录该坐标原点的在整个区域内的绝对位置(xo,yo),其中,相同种类的各个子区域的参考点设置及坐标原点的选取位置均相同;
步骤4、在每种子区域中随机选取一个子区域构建BP人工神经网络并对该BP人工神经网络进行训练,具体步骤为:
步骤4-1、在每种子区域中随机选取一个子区域;
步骤4-2、在该子区域的每个参考点上利用可接收蓝牙信号设备每隔1S采集一组来自子区域内每一个接入点AP的信号强度RSSI值,总共采集10组信号强度RSSI值,取其平均值作为每一个接入点AP的最终信号强度RSSI值;
步骤4-3、以子区域内每一个接入点AP的最终信号强度RSSI值作为输入,参考点相对于该子区域坐标原点的相对坐标作为输出构建BP人工神经网络并对其进行训练。
步骤5、在待测点用移动设备检测所有接入点AP的信号强度RSSI值;
步骤6、选取RSSI值最大的n个接入点AP,计算待测位置位于每一个子区域的总概率Pt,选取总概率Pt最大的子区域为待测点的初步位置,其中,待测位置位于每一个子区域的总概率Pt具体为:
式中,m为接入点AP的编号,maxn表示信号强度RSSI值最大的n个接入点AP的编号;n的初值为3,当出现总概率Pt最大值不唯一时,n=n+1,直至总概率Pt最大值唯一;Pm→t为接入点AP从属于子区域t的概率,Pm→t具体为:
式中,APm表示编号为m的接入点AP,r表示与编号为m的接入点AP相邻的子区域的个数。
步骤7、将待测点获取的接入点AP信号强度RSSI值导入初步位置子区域类型对应的训练好的神经网络,获得待测点在该子区域内的相对位置(xr,yr);
步骤8、根据待测点在该子区域的相对位置(xr,yr)和不同坐标原点在整个区域内的绝对位置(xo,yo),获得待测点最终的绝对位置(xa,ya),具体为:
xa=xo+xr
ya=yo+yr。
从而,本发明公开的一种基于iBeacon设备的室内定位方法,解决了大规模室内场所训练量过大的问题,实现大规模室内场所的定位。本发明公开的室内定位方法,训练量小,训练成本低,可以节省时间,做到实时定位。
下面结合实施例进行更详细的描述。
实施例1
步骤1、将整个区域划分为多个多边形子区域并为每个子区域编号,其中,完全相同的子区域为同一种子区域;
将整个区域划分为多个多边形子区域的具体划分方法:
(1)在整个区域中划分出若干相同的正方形;
(2)判断是否存在未划分的区域,若无则执行步骤3,若还有未划分区域,在未划分区域中再划分出若干相同的矩形;
(3)判断是否存在未划分区域,若无则执行步骤3,若还有未划分区域,在未划分区域中划分出若干相同的等腰直角三角形,直至未划分区域中各分散区域的面积均小于13m2。
结合图2所示,本实施例给出了一种划分方法,并在每个多边形的顶点铺设iBeacon设备,图中,每条实线围成的区域为一个子区域,经过划分,得到了14个子区域,分别标注为<1>至<14>,这14个子区域为四种不同的子区域,分别标注为①、②、③、④,其中,①区域为20×20m的正方形区域,②区域为10×5m的长方形区域,③区域为底和高都为5m的直角三角形区域,④区域为20×10m的长方形区域。本实施例中子区域的划分是根据展厅本身的特点结合划分原则进行划分,在实际运用中,根据整体区域的特点以及不同位置的精度要求做相应的区域划分。
步骤2、在各个多边形子区域的顶点处摆放iBeacon设备,每个iBeacon设备为一个接入点AP,并为每个接入点AP编号;
步骤3、结合图3所示,在每个子区域内等间距设置参考点,间距取值为1m~4m,每个子区域选取一个参考点作为子区域坐标原点,并记录该坐标原点的在整个区域内的绝对位置(xo,yo),其中,相同种类的各个子区域的参考点设置及坐标原点的选取位置均相同;
步骤4、在每种子区域中随机选取一个子区域构建BP人工神经网络并对该BP人工神经网络进行训练,具体步骤为:
步骤4-1、在每种子区域中随机选取一个子区域;
步骤4-2、在该子区域的每个参考点上利用可接收蓝牙信号设备每隔1S采集一组来自子区域内每一个接入点AP的信号强度RSSI值,总共采集10组信号强度RSSI值,取其平均值作为每一个接入点AP的最终信号强度RSSI值;
步骤4-3、以子区域内每一个接入点AP的最终信号强度RSSI值作为输入,参考点相对于该子区域坐标原点的相对坐标作为输出构建BP人工神经网络并对其进行训练。
本实施例构建的BP神经网络架构如图4所示,总共有三层,分别为输入层、隐藏层、输出层,并采用梯度下降法进行迭代。学习速率、迭代次数等设置由实际训练效果决定。图3所示子区域构建的BP神经网络架构的输入矩阵、输出矩阵为:
式中,输入矩阵中的向量为子区域内在每个参考点处测得的每一个接入点AP的最终信号强度RSSI值,输出矩阵中的向量表示参考点相对于坐标原点的相对坐标;
步骤5、在待测点用移动设备检测所有接入点AP的信号强度RSSI值;
步骤6、选取RSSI值最大的n个接入点AP,计算待测位置位于每一个子区域的总概率Pt,选取总概率Pt最大的子区域为待测点的初步位置,其中,待测位置位于每一个子区域的总概率Pt具体为:
式中,m为接入点AP的编号,maxn表示信号强度RSSI值最大的n个接入点AP的编号;n的初值为3,当出现总概率Pt最大值不唯一时,n=n+1,直至总概率Pt最大值唯一;Pm→t为接入点AP从属于子区域t的概率,Pm→t具体为:
式中,APm表示编号为m的接入点AP,r表示与编号为m的接入点AP相邻的子区域的个数。
以图2中P点为例,P点属于<2>、<3>、<4>子区域的概率均为属于其余子区域的概率均为0。
步骤7、将待测点获取的接入点AP信号强度RSSI值导入初步位置子区域类型对应的训练好的神经网络,获得待测点在该子区域内的相对位置(xr,yr);
步骤8、根据待测点在该子区域的相对位置(xr,yr)和不同坐标原点在整个区域内的绝对位置(xo,yo),获得待测点最终的绝对位置(xa,ya),具体为:
xa=xo+xr
ya=yo+yr。
本实施例中,展厅中待定位区域的总面积为2050平方米。经过区域划分后①、②、③、④四种子区域中需要训练的总面积为662.5平方米,需要训练的区域减少了67.68%,节省了大量的采样时间,效率更高。
Claims (7)
1.一种基于iBeacon设备的室内定位方法,其特征在于,包括以下步骤:
步骤1、将整个区域划分为多个多边形子区域并为每个子区域编号,其中,完全相同的子区域为同一种子区域;
步骤2、在各个多边形子区域的顶点处摆放iBeacon设备,每个iBeacon设备为一个接入点AP,并为每个接入点AP编号;
步骤3、在每个子区域内等间距设置参考点,每个子区域选取一个参考点作为子区域坐标原点,并记录该坐标原点的在整个区域内的绝对位置(xo,yo),其中,相同种类的各个子区域的参考点设置及坐标原点的选取位置均相同;
步骤4、在每种子区域中随机选取一个子区域构建BP人工神经网络并对该BP人工神经网络进行训练;
步骤5、在待测点用移动设备检测所有接入点AP的信号强度RSSI值;
步骤6、选取RSSI值最大的n个接入点AP,计算待测位置位于每一个子区域的总概率Pt,选取总概率Pt最大的子区域为待测点的初步位置;
步骤7、将待测点获取的接入点AP信号强度RSSI值导入初步位置子区域类型对应的训练好的神经网络,获得待测点在该子区域内的相对位置(xr,yr);
步骤8、根据待测点在该子区域的相对位置(xr,yr)和不同坐标原点在整个区域内的绝对位置(xo,yo),获得待测点最终的绝对位置(xa,ya)。
2.根据权利要求1所述的基于iBeacon设备的室内定位方法,其特征在于,步骤1中将整个区域划分为多个多边形子区域的具体划分方法:
(1)在整个区域中划分出若干相同的正方形;
(2)判断是否存在未划分的区域,若无则执行步骤3,若还有未划分区域,在未划分区域中再划分出若干相同的矩形;
(3)判断是否存在未划分区域,若无则执行步骤3,若还有未划分区域,在未划分区域中划分出若干相同的等腰直角三角形,直至未划分区域中各分散区域的面积均小于13m2。
3.根据权利要求1所述的基于iBeacon设备的室内定位方法,其特征在于,步骤3中在每个子区域内等间距设置参考点,间距范围为1m~4m。
4.根据权利要求1所述的基于iBeacon设备的室内定位方法,其特征在于,步骤4中在每种子区域中随机选取一个子区域构建BP人工神经网络并对该BP人工神经网络进行训练,具体步骤为:
步骤4-1、在每种子区域中随机选取一个子区域;
步骤4-2、在该子区域的每个参考点上利用可接收蓝牙信号设备每隔1S采集一组来自子区域内每一个接入点AP的信号强度RSSI值,总共采集10组信号强度RSSI值,取其平均值作为每一个接入点AP的最终信号强度RSSI值;
步骤4-3、以子区域内每一个接入点AP的最终信号强度RSSI值作为输入,参考点相对于该子区域坐标原点的相对坐标作为输出构建BP人工神经网络并对其进行训练。
5.根据权利要求1所述的基于iBeacon设备的室内定位方法,其特征在于,步骤6中待测位置位于每一个子区域的总概率Pt具体为:
式中,maxn表示信号强度RSSI值最大的n个接入点AP的编号,Pm→t为接入点AP从属于子区域t的概率,Pm→t具体为:
式中,APm表示编号为m的接入点AP,r表示与编号为m的接入点AP相邻的子区域的个数。
6.根据权利要求5所述的基于iBeacon设备的室内定位方法,其特征在于,n的初值为3,当出现总概率Pt最大值不唯一时,n=n+1,直至总概率Pt最大值唯一。
7.根据权利要求1所述的基于iBeacon设备的室内定位方法,其特征在于,步骤8中待测点最终的绝对位置(xa,ya)与待测点在该子区域的相对位置(xr,yr)和不同坐标原点在整个区域内的绝对位置(xo,yo)的关系为:
xa=xo+xr
ya=yo+yr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710850668.9A CN109547933A (zh) | 2017-09-20 | 2017-09-20 | 一种基于iBeacon的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710850668.9A CN109547933A (zh) | 2017-09-20 | 2017-09-20 | 一种基于iBeacon的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109547933A true CN109547933A (zh) | 2019-03-29 |
Family
ID=65827348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710850668.9A Pending CN109547933A (zh) | 2017-09-20 | 2017-09-20 | 一种基于iBeacon的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109547933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242518A (zh) * | 2021-05-08 | 2021-08-10 | 电子科技大学 | 一种基于水晶型信标布局的改进位置指纹定位方法 |
-
2017
- 2017-09-20 CN CN201710850668.9A patent/CN109547933A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242518A (zh) * | 2021-05-08 | 2021-08-10 | 电子科技大学 | 一种基于水晶型信标布局的改进位置指纹定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105474031B (zh) | 用于移动终端的3d定位的3d扇区化路径损耗模型 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN103747524B (zh) | 一种基于云平台的Android终端室内定位方法 | |
CN104469676B (zh) | 一种移动终端的定位方法及系统 | |
CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN104301995B (zh) | 混合定位方法和装置 | |
CN103905992A (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN108459298A (zh) | 一种基于LoRa技术的室外定位方法 | |
CN106714302A (zh) | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 | |
CN106793080A (zh) | 一种基于无线热点的可离线定位方法 | |
CN105142239A (zh) | 基于数据价值动态估计的无线传感网移动sink数据收集方法 | |
CN103428629A (zh) | 混合定位实现方法及系统 | |
CN102621522A (zh) | 一种水下无线传感器网络的定位方法 | |
CN101561495A (zh) | 一种无线传感器网络节点三维定位方法 | |
CN103249144A (zh) | 一种基于c型的无线传感器网络节点定位方法 | |
CN103258001A (zh) | 一种基于局部线性嵌入算法的射频地图无监督分类方法 | |
CN107179525A (zh) | 一种基于泰森多边形的克里金插值的位置指纹构建方法 | |
CN103929717A (zh) | 一种基于权重Voronoi图的无线传感器网络定位方法 | |
TW201128213A (en) | A method of positioning a RFID tag using spatial mesh algorithm | |
CN105203994B (zh) | 一种电子标签定位方法、装置、服务器及系统 | |
CN108828512A (zh) | 基于lbs基站的精确定位方法及设备 | |
CN103913720A (zh) | 一种面向非特定Wi-Fi设备的室内定位方法 | |
CN107884746A (zh) | 一种无线电网格化中多站无源时差定位技术自动选站方法 | |
CN108416514A (zh) | 基于地理信息系统的邻区规划方法及装置 | |
CN109547933A (zh) | 一种基于iBeacon的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |