CN109579846B - 基于楼层切换行为识别的混合楼层定位方法 - Google Patents

Abstract

本发明提供一种基于滑动窗口的楼层定位方法一，以及将射频信号预测与气压预测相结合的楼层定位方法二。所述方法一包括：1)在滑动窗口中记录基于楼层定位技术所得到的最新的N个历史预测结果；2)根据滑动窗口中各个楼层出现的次数，确定楼层定位的结果。所述方法二包括：1)基于检测到的射频信号预测当前楼层；2)在基于所述检测到的射频信号的预测结果的置信度大于或等于设定的阈值时，确定当前楼层并根据所述预测结果所对应的高度以及与该高度对应的气压值来更新关于气压与楼层之间的映射关系；或者在基于所述检测到的射频信号的预测结果置信度小于设定的阈值时，基于检测到的气压以及当前的关于气压与楼层之间的映射关系预测当前楼层。

Description

基于楼层切换行为识别的混合楼层定位方法

技术领域

本发明涉及基于通信技术的用户定位，尤其涉及在室内多楼层环境中的用户定位。

背景技术

现如今，以全球定位系统GPS为代表的室外定位技术发展日趋完善，然而由于卫星信号难以穿透钢筋混凝土建筑，使得GPS定位技术难以满足在高楼林立的城市中对室内定位的需求，例如在室内环境中的人员导航、紧急救援等。在多层建筑物中的定位，不仅需要确定用户在平面上的位置，还需要准确地识别出用户在空间上的高度，这使得楼层定位成为了室内定位技术中的关注点。

目前已存在一些涉及楼层定位的现有技术，它们中的绝大多数都是直接基于产生诸如Wi-Fi、红外等射频信号的热点(Access Point,AP)而实现的，例如在中国专利文献CN104202818A中所提供的技术。此类技术的原理在于，射频信号的衰减与传播距离呈正比，信号衰减会使得用户在建筑物的不同楼层上可检测到不同的AP集合、或者可检测到来自同一AP的信号强度产生了符合相应规律的变化，由此实现楼层定位。这是由于射频信号在穿过楼板传播时会发生显著地衰减，以Wi-Fi信号为例，其在通过50厘米厚的混凝土后存在约29dB的衰减，因而可以利用这样的衰减确定楼层高度。然而，在现代大型建筑物中往往存在某几个楼层直接连通的中空区域。在中空区域由于缺少楼板对WiFi信号的阻隔，相邻楼层之间所能收到的WiFi信号强度很接近，单靠WiFi信号难以区分楼层。当用户在该中空区域与非中空区域之间行走时，基于现有的楼层定位方法所获得的定位结果容易频繁地跳变，从而影响用户体验。

还有一部分现有技术提出可以基于气压随海拔高度而下降这一原理来实现楼层定位。目前在许多市售的智能手机中已经集成有气压传感器，这些技术提出可以利用该气压传感器采集气压以评估用户所处的楼层高度，例如在中国专利文献CN106028447A中提出将终端采集的气压与离线训练阶段采集的各个气压数据进行匹配以实现楼层定位，又例如在CN103874200A中提出根据短时间内气压变化确定用户的海拔高度变化再结合WiFi信息实现楼层定位，又例如在CN106851585A中采用众包的方式采集整栋大楼的气压和RSSI数据，在云服务平台校准后进行聚类和分类，对不同设备之间的气压值进行校准，通过对用户轨迹和时间戳的追踪，消除气压由时间波动带来的误差。

然而，气压容易受到天气状况、通风状况、室内温度等因素的影响，上述技术并没有考虑根据实时的实际环境气压状况调整定位策略，仅将用户终端采集到的气压与固定的气压参考值进行比较并不能得到准确的结果。对此，一些现有技术为了获得当前环境中气压的参考值在大楼中布置固定的气压装置，例如在欧洲专利文献EP2182321A1中设置了固定的参考载体来确定楼层中气压值的上下限，其增加了实施室内定位的硬件成本和维护成本，并且该方法也无法在未布置有气压装置的建筑中实施。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种楼层定位方法，包括：

1)在滑动窗口中记录基于楼层定位技术所得到的最新的N个历史预测结果；

2)根据滑动窗口中各个楼层出现的次数，确定楼层定位的结果。

优选地，根据所述方法，在步骤1)之前还包括：

0-a1)检测是否发生了上楼或下楼的行为；

0-a2)在发生了上楼或下楼的行为时，清空滑动窗口中的历史预测结果。

优选地，根据所述方法，在步骤1)之前还包括：

0-b1)检测是否发生了上楼或下楼的行为；

0-b2)在发生了上楼或下楼的行为时，减少所述滑动窗口的计数上限T；或者

在没有发生上楼和下楼的行为时，将所述滑动窗口的计数上限T设置为缺省值或增加所述滑动窗口的计数上限T；

其中，所述滑动窗口的计数上限T为选定的对同一楼层出现次数进行统计的数值上限，T≤N。

优选地，根据所述方法，其中所述滑动窗口包括：

用于记录最新的N个历史预测结果的事件列表；以及

用于统计每个楼层在所述事件列表中的出现次数的计数列表，所述计数列表中每个楼层的出现次数的计数上限为T；

所述步骤0-b2)包括：

在发生了上楼或下楼的行为时，将T修改为减少α，并基于修改后的T值调整所述计数列表中针对每个楼层的计数；

在产生新的历史预测结果时，若没有发生上楼和下楼的行为，将T修改为增加β；

其中，α和β为选定值，0≤α≤T，0≤β≤N-T。

优选地，根据所述方法，其中基于检测到的加速度或加速度及陀螺仪数据来检测是否发生了上楼或下楼的行为。

优选地，根据所述方法，其中采用经过训练的机器模型来检测是否发生了上楼或下楼的行为，所述机器模型的训练样本数据包括以下一种或多种特征值：

水平加速度值、垂直加速度值、加速度的积分值、加速度的相关性值、加速度的傅里叶值、陀螺仪的峰度值、陀螺仪的偏度值、陀螺仪的积分值、陀螺仪的相关性值、陀螺仪的傅里叶值。

优选地，根据所述方法，其中步骤2)将滑动窗口中出现次数最多的楼层作为楼层定位的结果，或者根据历史预测结果的新旧程度为各个历史预测结果设置权重，并基于加权结果确定楼层定位的结果。

一种楼层定位方法，包括：

1)基于检测到的射频信号预测当前楼层；

2)在基于所述检测到的射频信号的预测结果的置信度大于或等于设定的阈值时，确定当前楼层并根据所述预测结果所对应的高度以及与该高度对应的气压值来更新关于气压与楼层之间的映射关系；或者

在基于所述检测到的射频信号的预测结果置信度小于设定的阈值时，基于检测到的气压以及当前的关于气压与楼层之间的映射关系预测当前楼层。

优选地，根据所述方法，其中步骤2)包括：在所述基于所述检测到的射频信号的预测结果的置信度大于或等于设定的阈值时，将与所述预测结果所对应的高度作为参考楼层高度，根据所述参考楼层高度以及高度值与气压值之间的对应关系来确定参考气压，以更新所述关于气压与楼层之间的映射关系。

优选地，根据所述方法，其中步骤2)包括：在所述基于所述检测到的射频信号的预测结果的置信度小于设定的阈值时，根据检测到的气压值、以及由当前的关于气压与楼层之间的映射关系所确定的参考气压之间的差异，确定监测到的气压值与参考气压所对应的楼层之间的高度差，并基于所述高度差以及建筑物的层高确定当前楼层。

优选地，根据所述方法，采用以下方式或它们的组合来得到所述关于气压与楼层之间的映射关系：

根据一个参考楼层的气压推算出各个楼层的气压；

当识别到检测地点由室外变更为建筑物内或识别到检测地点靠近建筑物时，将检测到的气压值作为与所述建筑物入口所在楼层对应的气压。

优选地，根据所述方法，其中步骤2)通过查找表来确定高度值与气压值之间的对应关系。

优选地，根据所述方法，其中步骤2)包括：采用以下计算式来确定高度值与气压值之间的对应关系：

其中，H为海拔高度，P为气压值。

优选地，根据所述方法，其中采用经过训练得到的输出针对各个分类结果的概率的机器学习模型来预测当前楼层，将所述概率作为所述预测的置信度。

一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现如上述任意一项所述的方法。

一种用于楼层定位的系统，包括：

存储装置、以及处理器；

其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现上述任意一项所述的方法。

与现有技术相比，本发明的实施例具有以下优点：

在射频信号可区分度较高的区域利用基于射频信号的定位技术所得到的结果来确定参考楼层和对应的参考气压，根据用户所处的实际环境、实际高度对参考气压进行了校准，避免了受天气、通风、温度、参考高度与实际高度不对等的等各种因素对预测结果的影响。在射频信号可区分度低的区域利用参考气压进行预测，一方面弥补了在建筑中空区域基于射频信号的定位技术效果不理想的缺陷，另一方面该参考气压经过具有高置信度的基于射频信号的定位技术的校准，使得基于该参考气压的预测结果更加准确。同时获得这一准确的结果不需要以在建筑内部部署专用的气压装置为代价，其硬件成本和维护成本相较于在建筑物内部部署专用气压装置的现有技术而言更低。

将频繁跳变的结果输入到滑动窗口中进行进一步的判断，避免将输出单次不可靠的定位结果，改善了用户体验。对于在用户发生了上楼或下楼的行为时，及时调整滑动窗口的尺寸，能够避免滑动窗口带来的污染效应，以尽快输出准确的判断结果。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1是根据本发明的一个实施例的结合射频信号以及气压的楼层定位方法的流程图；

图2a是根据本发明的一个实施例在基于射频信号的预测结果具有高置信度时利用该预测结果对参考气压进行校准的示意图；

图2b是根据本发明的一个实施例在基于射频信号的预测结果的置信度不高时基于参考气压以及检测到的气压值计算楼层预测结果的示意图；

图3是根据本发明的一个实施例通过滑动窗口来避免预测结果频繁跳变的楼层定位方法的流程图；

图4是根据本发明的一个实施例在发生上下楼行为时对滑动窗口的尺寸进行调节的示意图；

图5是现有技术与本发明在识别准确率上的对比图。

具体实施方式

在许多现有的智能终端中都内置有Wi-Fi传感器和气压传感器，因而发明人提出了一种将基于射频信号的定位与基于气压的定位相结合的楼层定位方法来解决背景技术中所提到问题。在Wi-Fi信号可区分度较高的区域利用基于Wi-Fi的定位结果来校准参考气压，建立当前观测气压与对应楼层之间的映射关系。在Wi-Fi信号可区分度较低的区域利用所述映射关系以及基于气压的定位结果来实施楼层定位。通过这样的方式，不仅可以克服气压参考值不准确的缺陷以及克服在信号的中空区域处楼层定位精度较低的缺陷，同时还可避免在建筑内部部署专用的气压装置。

针对前文中提到用户在Wi-Fi信号的中空区域于非中空区域之间行走时楼层定位结果易发生跳变的问题，发明人还提出可以采用计数滑动窗口和投票策略的方式来提高所输出的楼层定位结果的稳定性。

下面结合附图和具体实施方式对本发明作详细说明。

<实施例1>

参考图1，根据本发明的一个实施例，提供了一种结合射频信号以及气压的楼层定位方法，包括：

步骤1.基于检测到的射频信号来预测当前楼层。

在此步骤中，可以采用任意恰当的现有技术实施上述预测过程，只要能够在预测的同时提供针对预测结果的置信度或可靠性即可。

例如，可以采用在CN103874200A中提到的方案，基于贝叶斯模型得到用户可能处于各个楼层的概率，将输出的结果楼层所对应的概率作为预测结果的置信度。

又例如，可以采集关于在不同建筑物的不同楼层处采集到的Wi-Fi信号强度的真实数据作为样本来训练机器学习模型，使得该模型在提供预测结果的同时能够提供该预测结果的置信度。例如，XGBoost中提供了一种训练方法，在预测分类的同时，给出每个分类的概率，可以将此概率作为本系统的置信度。

步骤2.在所述预测的置信度大于或等于设定的阈值时，如图2a所示，将与所述预测结果所对应的高度作为参考楼层高度，根据所述参考楼层高度以及高度值与气压值之间的对应关系来确定所述参考气压；在所述预测的置信度小于设定的阈值时，如图2b所示，根据检测到的气压值所对应的高度和所述当前的参考气压所对应的高度之间的差值，以及与当前的参考气压所对应的楼层，确定当前楼层。

针对建筑物层高具有相应的国家标准，我们可以利用这一标准将预测结果的楼层数转换为楼层高度或海拔高度，再根据高度与气压值之间的对应关系，计算出与该预测结果对应的高度的气压值，并将计算得到的气压值作为参考气压，将预测结果的楼层作为参考楼层。

类似地，也可以根据检测到的气压值计算出对应的高度。将检测到的气压值所对应的高度和参考楼层高度作差，基于该差值以及建筑物层高确定当前楼层。

在背景技术中介绍了大气压强会随着海拔的升高而降低，因而可以利用高度与气压值之间的对应关系，计算与高度对应的气压值，或者计算某一气压值对应的高度。

海拔高度可以作为统一的计算标准，表示为：

其中，n＝1.235为大气过程多方过程的多方指数；μ＝28.96*10^-3kg/mol为空气的摩尔质量；T₀＝288.1K为一个标准大气压时空气温度；P₀＝10.1325*10^4pa为标准大气压强；R＝8.314J/mol；g＝9.800m/s^2；H为海拔高度，P为海拔为H时的大气压强。

基于以上参数可得到气压值与海拔高度值之间的对应关系：

以上通过理论推导得出了高度与气压值之间的对应关系式，我们还可以从另一方面来证实本发明采用上述计算式来计算高度与气压值之间的对应关系具备实际实施的依据。根据F.Zhao等人在2017年发表于IEEE Trans.Ind.Informatics,vol.13,no.1上的“HYFI:Hybrid Floor Identification Based on Wireless Fingerprinting andBarometric Pressure”，其通过实验证实了在用户所处的高度发生改变时气压的变化量与用户高度的变化量基本等同，并且当用户在同一楼层内走动时，短时间内气压波动引起的高度变化不超过1米，而当用户走楼梯或乘坐电梯上下楼时，气压具有明显的快速变化。因而，以上关系式可以用于对用户所处楼层进行定位的计算。

在此步骤2中，既可以利用上述计算式来获取高度值与气压值之间的对应关系，也可以预设一个存储有不同高度值和气压值对应关系的查找表。

由于气压与高度之间的关系是不可导的，所以本发明使用的是最原始的气压与高度之间的关系式，而不采用气压差和高度之间的关系。

下面结合图2b，通过一个具体的实例来说明，如何在基于射频信号的预测结果的置信度不高时，利用上述气压值与海拔高度值之间的关系式、以及测试得到的当前气压值计算当前楼层。假设，在当前位置检测到的气压值为1017.07hpa，根据上式得到高度大概为-35.46m，此时系统中存储的参考气压为1017.91hpa，基于上式计算出参考海拔高度-38.58m，这两者之间的高度差为3.12m，而当前建筑物的层高为3m，这表示当前位置与参考气压对应的楼层相差一层，若参考气压对应的楼层为1楼，那么可以推测出当前位置的高度为2楼。

在此实施例中，直接将预测结果所对应的楼层作为参考楼层，在本发明的其他实施例中，也可以根据需要选择相应的楼层作为参考楼层，只要能够根据预测结果确定与参考楼层对应的参考气压即可。

初始地，可以参考当地气压的均值来设置参考气压的缺省值。

在本发明的一些实施例中，可以在所述预测的置信度小于设定的阈值时，将当前的参考气压和检测到的气压之间的差值带入到上述计算式中，计算当前楼层与参考楼层之间的高度差，并基于该高度差以及建筑物层高预测当前楼层。

在上述实施例中，参考气压指的是与参考楼层对应的气压。根据本发明的另一些实施例，可以针对每个楼层均设置与其对应的参考气压，即建立楼层与当前实际气压之间的映射关系，并在基于射频信号的预测结果的置信度高时通过更新来校准每个楼层所对应的参考气压。

在本发明的一些实施例中，还可以采用以下方式或它们的组合来得到楼层与当前实际气压之间的映射关系：

将用户手工指定的楼层作为参考楼层，根据该参考楼层的气压以及各个楼层的层高信息，推算出各个楼层的参考气压；

识别出用户是处于在建筑物内还是建筑物外，当识别出用户由处于室外变成处于室内时，认为用户进入了建筑物，此时将建筑物入口所在的楼层作为初始楼层，将该初始楼层所对应的气压作为参考气压；

由卫星和室内定位引擎共同实现针对用户的接近楼宇判定，当识别出用户接近楼宇后，将此时所测得的气压作为建筑物入口对应楼层的参考气压。

通过上述实施例，在射频信号可区分度较高的区域利用基于射频信号的定位技术所得到的结果来确定参考楼层和对应的参考气压，根据用户所处的实际环境、实际高度对参考气压进行了校准，避免了受天气、通风、温度、参考高度与实际高度不对等的等各种因素对预测结果的影响。在射频信号可区分度低的区域利用参考气压进行预测，一方面弥补了在建筑中空区域基于射频信号的定位技术效果不理想的缺陷，另一方面该参考气压经过具有高置信度的基于射频信号的定位技术的校准，使得基于该参考气压的预测结果更加准确。同时，上述实施例为获得这一准确的结果不需要以在建筑内部部署专用的气压装置为代价，其硬件成本和维护成本相较于在建筑物内部部署专用气压装置的现有技术而言更低。

<实施例2>

发明人发现，当用户在建筑中空区域及附近行走时，楼层定位的结果容易发生跳变，尤其是对于仅基于射频信号进行楼层定位的技术。单次定位结果并不可靠，而输出频繁跳变的结果也会严重影响用户体验。对此，本发明提出可以将频繁跳变的结果作为初步判定结果划入到滑动窗口中，统计当前滑动窗口中出现次数最多的楼层作为最终的楼层定位结果。

参考图3，根据本发明的一个实施例，提供了一种采用滑动窗口来避免预测结果频繁跳变的楼层定位方法，包括：

步骤1.在滑动窗口中记录基于楼层定位技术所得到的最新的N个历史预测结果，N等于当前滑动窗口的尺寸。

在此步骤中，可以采用任意恰当的现有楼层定位技术来得到所述历史预测结果。优选地，采用<实施例1>中所提供的方式来得到所述历史预测结果。

根据本发明的一个实施例，在检测到基于楼层定位技术所得到的预测结果频繁跳变的情况下实施利用滑动窗口的操作。其中，可以采用任意现有技术来检测预测结果是否在短时间内发生了多次跳变。

步骤2.根据滑动窗口中各个楼层出现的次数，确定楼层定位的结果。

在本发明的一个实施例中，直接将滑动窗口中出现次数最多的楼层作为楼层定位的结果。

根据本发明的又一个实施例，根据历史预测结果的新旧程度为较新的历史预测结果设置更大的权重，并基于所述权重进行加权，找到加权结果最大的楼层作为楼层定位的结果。所述新旧程度可以直接依据各个历史预测结果的产生的先后顺序来确定，也可以根据各个历史预测结果产生的时间间隔的长度来确定，例如为在某一时间段内产生的预测结果设置相应的权重值。

对于采用滑动窗口进行计数的方案而言，当用户的行为导致其所处的楼层发生变化时，例如上下步梯、乘坐扶梯、乘坐电梯，此时由于没有清空滑动窗口内的历史数据，很可能存在滑动窗口中绝大多数结果均为前一楼层的情况，从而使得得出错误的预测结果。我们将这种情况称作为滑动窗口带来的污染效应。

针对这样的情况，根据本发明的一个实施例在检测到用户发生了上楼或下楼的行为时，清空当前滑动窗口中的数据、或者降低滑动窗口的计数上限。例如，参考图4，由系统接收用户行为的事件队列，针对最新的事件判断是否发生了楼层切换。在发生楼层切换时，将滑动窗口的计数上限T修改为T-α，在没有发生楼层切换时，将滑动窗口的计数上限T设置为缺省值或修改为T+β。这里的α和β可以选自经验值。在调整了滑动窗口的计数上限T之后，再实施上述步骤1和2以利用滑动窗口确定楼层定位的结果。根据本发明的一个实施例，基于智能手机扫描Wi-Fi的频率，初始地将楼层定位滑动窗口的计数上限值T控制在[3,8]范围内，当检测到楼层切换行为时，滑动窗口的计数上限减α，α的取值应遵循T-α≥2；否则滑动窗口的计数下限加β，β的取值应遵循β+2≤T。

下面通过一个具体的实例来解释如何调整滑动窗口以克服污染效应。

假设，系统的后台维护了一个长度为N＝8的滑动窗口。滑动窗口的事件列表用于记录基于楼层定位技术所得到的预测结果的事件，在滑动窗口的事件列表中，每次产生新的事件后，均将最新的数据计入最右侧并将较旧的各项数据向左移动。在用户从1层移动到2层时，滑动窗口中的事件列表的变化过程为：[0,0,0,0,0,0,0,0]→[0,0,0,0,0,0,0,1]→[0,0,0,0,0,0,1,1]→[0,0,0,0,0,1,1,1]→[0,0,0,0,1,1,1,1]→[0,0,0,1,1,1,1,1]，其至少需要5次跳变后才得出用户处于2层的预测结果。

可以看到，在没有设置α和β以在发生楼层切换时调整滑动窗口的尺寸的情况下，需要等待多次跳变直到当前的楼层结果在滑动窗口中的比例占多数才能输出准确的结果。

假设，针对上述滑动窗口进行了改进，在判断出用户发生了楼层切换动作后，采用α和β来调整后台的楼层识别滑动窗口的上下限。以一座楼层总数为3的建筑物为例，以滑动窗口的计数列表分别记录针对每个楼层的识别结果在滑动窗口的事件列表中出现的次数，一个楼层出现次数的上限为T＝5,这里的T被设置为小于等于N的整数，当滑动窗口的事件列表中某一楼层出现的次数大于T时，将其次数记作T。在用户一直处于1层时，滑动窗口中的事件列表为[0,0,0,0,0,0,0,0]，此时滑动窗口的计数列表为[5,0,0]，表示在滑动窗口的事件列表的全部8个事件中有至少5个事件为1层。若将α设置为3，β设置为2。在用户从1层移动到2层时，将滑动窗口针对事件列表的计数上限设置为T＝2，此时滑动窗口的计数列表被立刻修改为[2,0,0]，同时将用户判断为处于2楼的预测结果也在累计，在没有检测到用户执行了楼层切换行为的情况下，每次产生新的事件时都将T设置为原值加2。这使得，计数列表可能出现以下变化过程：[2,1,0]→[2,2,0]→[2,3,0]→[2,4,0]，当发现针对2层的计数结果最大时即可得出用户处于2层的预测结果，其仅需2次跳变。

由此可以看出，通过调整滑动窗口的计数值，可以及时有效减少错误楼层污染作用的扩散，同时减少楼层定位的切换时延，使系统更加快速灵活。

根据本发明的一个实施例，基于检测到的加速度或加速度及陀螺仪数据来检测用户是否发生了上楼或下楼的行为。其中，加速度非常有利于反应出人爬楼、乘坐电梯时的超重和失重现象，陀螺仪数据则有利于反应出人实施了爬楼时在楼层间楼梯上平台处的转弯行为。

考虑到人上下步梯、乘坐扶梯、乘坐电梯的行为具有不同的特征，因此可以通过训练诸如XGBoost、SVM等机器模型来检测是否发生了上述行为。例如，基于采用Android系统的终端，分别采集用户未发生楼层切换行为和用户发生楼层切换行为时的加速度和陀螺仪数据，采样频率100Hz，即每10ms采集一条传感器数据。接下来，每2.56秒构建一个数据样本(256条数据)，从而计算出一个特征向量。另外，应用50％重叠的采样窗口，该模块每隔1.28s进行一次预测并输出预测结果。对原始数据进行预处理，并进行基于数据帧的特征计算。在Python端导入特征数据并通过机器学习分类器进行模型训练，经过网格搜索后，选择出最优的参数以作为模型参数。在检测是否发生了上楼或下楼的行为时，对实时采集到的加速度和陀螺仪数据，以同样的方式提取特征并构建样本，导入训练好的用户楼层切换模型，输出用户行为识别结果。

表1给出了训练模型、以及使用模型进行用户行为识别所提取的特征的一个示例，其中包括共58个属性。

表1楼层切换识别提取特征说明

通过上述实施例，将频繁跳变的结果输入到滑动窗口中进行进一步的判断，避免将输出单次不可靠的定位结果，改善了用户体验。对于在用户发生了上楼或下楼的行为时，及时调整滑动窗口的尺寸，能够避免滑动窗口带来的污染效应，以尽快输出准确的判断结果。

为了验证本发明的方案所获得的效果，发明人进行了测试。

首先，比对了采用传统的基于Wi-Fi的楼层识别、以及采用基于本发明<实施例1>的楼层识别的准确率。

图5展示了在某一实际场景中的测试结果，测试的建筑物共有四层，其中地下一层，地上三层且含有大量中空区域。测试结果显示，单独基于Wi-Fi的楼层定位在四层的测试结果分别为：100％、96％、88.5％、97.5％，而基于楼层切换行为识别的混合楼层定位在四层的测试结果分别为：100％、100％、96.7％、100％。可见采用本发明的方案非常有利于改善由于存在建筑中空区域而导致的楼层定位困难的情况。

另外，发明人还测试了采用本发明<实施例2>的方案在多层建筑物中上下楼梯时获得定位结果的耗时。表2示出了一个三层建筑物内，分别由三名测试人员(U1,U2,U3)在F1→F2,F2→F3,F3→F2,F2→F1四条路径上行走的楼层定位时间。

表2楼层定位切换时间测试结果

通过不同人员共5组测试，所得到的在切换楼层时输出结果的平均时间为1.0995秒，实现了快速灵活定位楼层的目的。

需要说明的是，上述实施例中介绍的各个步骤并非都是必须的，本领域技术人员可以根据实际需要进行适当的取舍、替换、修改等。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (15)

1.一种楼层定位方法，包括：

1)在滑动窗口中记录基于楼层定位技术所得到的最新的N个历史预测结果；

2)根据滑动窗口中各个楼层出现的次数，确定楼层定位的结果；

其中，在步骤1)之前还包括：

0-b1)检测是否发生了上楼或下楼的行为；

0-b2)在发生了上楼或下楼的行为时，减少所述滑动窗口的计数上限T；或者

在没有发生上楼和下楼的行为时，将所述滑动窗口的计数上限T设置为缺省值或增加所述滑动窗口的计数上限T；

其中，所述滑动窗口的计数上限T为选定的对同一楼层出现次数进行统计的数值上限，T≤N。

2.根据权利要求1所述的方法，在步骤1)之前还包括：

0-a1)检测是否发生了上楼或下楼的行为；

0-a2)在发生了上楼或下楼的行为时，清空滑动窗口中的历史预测结果。

3.根据权利要求1所述的方法，其中所述滑动窗口包括：

用于记录最新的N个历史预测结果的事件列表；以及

用于统计每个楼层在所述事件列表中的出现次数的计数列表，所述计数列表中每个楼层的出现次数的计数上限为T；

所述步骤0-b2)包括：

在发生了上楼或下楼的行为时，将T修改为减少α，并基于修改后的T值调整所述计数列表中针对每个楼层的计数；

在产生新的历史预测结果时，若没有发生上楼和下楼的行为，将T修改为增加β；

其中，α和β为选定值，0≤α≤T，0≤β≤N-T。

4.根据权利要求1～3中任意一项所述的方法，其中基于检测到的加速度或加速度及陀螺仪数据来检测是否发生了上楼或下楼的行为。

5.根据权利要求4所述的方法，其中采用经过训练的机器模型来检测是否发生了上楼或下楼的行为，所述机器模型的训练样本数据包括以下一种或多种特征值：

水平加速度值、垂直加速度值、加速度的积分值、加速度的相关性值、加速度的傅里叶值、陀螺仪的峰度值、陀螺仪的偏度值、陀螺仪的积分值、陀螺仪的相关性值、陀螺仪的傅里叶值。

6.根据权利要求1所述的方法，其中步骤2)将滑动窗口中出现次数最多的楼层作为楼层定位的结果，或者根据历史预测结果的新旧程度为各个历史预测结果设置权重，并基于加权结果确定楼层定位的结果。

7.根据权利要求1所述的方法，所述楼层定位技术包括：

11)基于检测到的射频信号预测当前楼层；

12)在基于所述检测到的射频信号的预测结果的置信度大于或等于设定的阈值时，确定当前楼层并根据所述预测结果所对应的高度以及与该高度对应的气压值来更新关于气压与楼层之间的映射关系；或者

在基于所述检测到的射频信号的预测结果的置信度小于设定的阈值时，基于检测到的气压以及当前的关于气压与楼层之间的映射关系预测当前楼层。

8.根据权利要求7所述的方法，其中步骤12)包括：在所述基于所述检测到的射频信号的预测结果的置信度大于或等于设定的阈值时，将与所述预测结果所对应的高度作为参考楼层高度，根据所述参考楼层高度以及高度值与气压值之间的对应关系来确定参考气压，以更新所述关于气压与楼层之间的映射关系。

9.根据权利要求7所述的方法，其中步骤12)包括：在所述基于所述检测到的射频信号的预测结果的置信度小于设定的阈值时，根据检测到的气压值、以及由当前的关于气压与楼层之间的映射关系所确定的参考气压之间的差异，确定监测到的气压值与参考气压所对应的楼层之间的高度差，并基于所述高度差以及建筑物的层高确定当前楼层。

10.根据权利要求7所述的方法，采用以下方式或它们的组合来得到所述关于气压与楼层之间的映射关系：

根据一个参考楼层的气压推算出各个楼层的气压；

当识别到检测地点由室外变更为建筑物内或识别到检测地点靠近建筑物时，将检测到的气压值作为与所述建筑物入口所在楼层对应的气压。

11.根据权利要求7所述的方法，其中步骤12)通过查找表来确定高度值与气压值之间的对应关系。

12.根据权利要求7所述的方法，其中步骤12)包括：采用以下计算式来确定高度值与气压值之间的对应关系：

其中，H为海拔高度，P为气压值。

13.根据权利要求7所述的方法，其中采用经过训练得到的输出针对各个分类结果的概率的机器学习模型来预测当前楼层，将所述概率作为所述预测结果的置信度。

14.一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现如权利要求1～13中任意一项所述的方法。

15.一种用于楼层定位的系统，包括：

存储装置、以及处理器；

其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现如权利要求1～13中任意一项所述的方法。

Images