CN109640255B - 位置指纹室内定位系统及方法 - Google Patents

Abstract

本发明公开了位置指纹室内定位方法，方法包括如下步骤，步骤S1：对wifi强度信息进行离线训练处理，得到地图中位置的AP信息；步骤S2：根据地图中位置的AP信息进行在线训练处理，得到室内定位信息，解决了以往获取位置AP信号不稳定引起的数据误差和进行处理训练集信号的异常点问题。

Description

位置指纹室内定位系统及方法

技术领域

本发明涉及定位系统领域，特别是位置指纹室内定位系统及方法。

背景技术

目前的WiFi室内定位系统大多采用三角测量法定位，但是这种定位精度不及位置指纹库定位，目前主流的位置指纹定位是采用K-Means(K均值)算法，K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。在K-means算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。这个初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果；若簇中含有异常点，将导致均值偏离严重即对噪声和孤立点数据敏感。

因此，基于目前高速发展的人工智能技术，提出一种修正高斯滤波和基于神经网络的WiFi室内定位系统，一方面，修正高斯滤波可以处理训练集信号中异常的数据点；另一方面，特征集完善的神经网络可以在定位阶段应对AP 信号不稳定造成的定位误差。WiFi采用802.11b标准，当时标准的提出并未考虑到WiFi用于室内定位，因此AP的RSSI随着时间变化波动较大，要想得到准确的定位数据，就需要对数据做预处理，否则对于神经网络的输入将会生成垃圾特征，系统中提出的修正高斯滤波能很好的处理信号波动的问题。另外神经网络相比于k-means不需要事先对初始信号分簇，只需要将经过预处理的信号输入网络，网络会自适应调节权重生成一个适用于新场景的新网络，有很好的复用性。

发明内容

为解决现有技术中存在的问题，本发明提供了位置指纹室内定位系统及方法，解决了以往获取位置AP信号不稳定引起的数据误差和进行处理训练集信号的异常点问题。

本发明采用的技术方案是，位置指纹室内定位方法，方法包括如下步骤，

步骤S1：对wifi强度信息进行离线训练处理；

步骤S2：对离线训练处理后的信息进行在线定位处理。

优选地，骤S1包括如下步骤：

步骤S11：对wifi强度信息进行AP布置，得到不同地点AP的BSSID地址及RSSI；

步骤S12：对不同地点AP的BSSID地址及RSSI进行数据采集得到采集后的信息；

步骤S13：将采集后的信息进行边缘AP滤波以得到修正好的RSSI；

步骤S14：对边缘AP滤波后的信息进行修正高斯滤波；

步骤S15：对修正好的RSSI进行监督式学习的bp神经网络训练，特征为地图点位所有RSSI信息，标签地图的坐标信息one-hot数据，训练得到健全的神经网络。

优选地，步骤S13包括如下步骤：

步骤S131：对原始信号进行分析，若出现时有时无的点，解析出消失点所占比例；

步骤S132：对于消失的点大于所设阈值的点进行边缘AP滤波；

优选地，步骤S15包括如下步骤：

步骤S151：把滤波后的RSSI信息作为输入层的特征向量，输出层为房间编号为坐标one-hot数据，隐藏层为

将此训练模型进行训练，得到的网络为指纹库信息。

其中，m为输入层节点数，n为输出层节点数，a为1～10的数。

优选地，步骤S2包括如下步骤：

步骤S21：获取地图位置的AP信息；

步骤S22：对地图位置的AP信息进行数据预处理得到稳定的RSSI数据；

步骤S23：将稳定的RSSI数据放入训练好的神经网络，映射得到室内定位坐标信息。

优选地，步骤S23的数据预处理包括如下步骤：

步骤S231：对稳定的RSSI信息进行边缘AP滤波及修正高斯滤波处理，得到修正后的位置RSSI信息数据；

步骤S232：对修正的RSSI信息直接放入神经网络，得到的输出信息即为坐标值。

优选地，高斯滤波为概率分布，概率分布函数为，若随机变量X服从一个数学期望为μ、标准方差为σ²的高斯分布，记为：

X～N(μ，σ²)

则其概率密度函数为：

式中，μ表示高斯分布的均值，σ表示高斯分布的标准差，e表示自然数。

本发明指纹室内定位系统及方法的有益效果如下：

离线训练阶段对原始未滤波的数据与滤波后的数据做相同的神经网络训练，验证各自的准确率。

附图说明

图1为本发明指纹室内定位系统及方法的总原理框图。

图2为本发明指纹室内定位系统及方法的主控单元电路图。

图3为本发明指纹室内定位系统及方法的主控单元分支电路图。

图4为本发明指纹室内定位系统及方法的电源单元电路图。

图5为本发明指纹室内定位系统及方法的存储单元电路图。

图6为本发明指纹室内定位系统及方法的方法步骤图。

图7为本发明指纹室内定位系统及方法的修正前边缘AP修正高斯滤波图。

图8为本发明指纹室内定位系统及方法的修正后边缘AP修正高斯滤波图。

图9为本发明指纹室内定位系统及方法的RSSI高斯分布图。

图10为本发明指纹室内定位系统及方法的修正高斯滤波图。

图11为本发明指纹室内定位系统及方法的修正后高斯滤波图。

图12为本发明指纹室内定位系统及方法的神经网络训练输入层样式图。

图13为本发明指纹室内定位系统及方法的室内地图区域划分示例图。

图14为本发明指纹室内定位系统及方法的输入层与输出层示例图。

图15为本发明指纹室内定位系统及方法的相同数据滤波前准确率示意图。

图16为本发明指纹室内定位系统及方法的相同数据滤波后准确率示意图。

图17为本发明指纹室内定位系统及方法的代价函数下降曲线示意图。

图18为本发明指纹室内定位系统及方法的代价函数下降滤波示意图。

图19为本发明指纹室内定位系统及方法的实验室环境示意图。

图20为本发明指纹室内定位系统及方法的未使用数据预处理的网络，在输入在线定位数据得到的定位图。

图21为本发明指纹室内定位系统及方法的使用数据预处理的网络，在输入在线定位数据得到的定位图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，位置指纹室内定位系统，包括主控单元、电源单元和存储子单元；所述主控单元分别与电源单元和存储单元连接。

如图2所示，主控单元的主控芯片为芯片ESP8266，所述主控单元包括芯片ESP8266、电阻、电容、电感和晶振；所述芯片ESP8266的VDDA[LAN] 引脚连接电容C11的一端、芯片ESP8266的VDDA[ANALOG]引脚、芯片 ESP8266的VDDA[XTALPLL]引脚和电源，所述电容的另一端连接地；所述芯片ESP8266的LNA引脚分别连接电容C12的一端、电感L2的一端，所述电感L2的另一端连接地，所述电容C12的另一端连接电感L1的一端，所述电感L1的另一端分别连接天线的正极，所述天线的负极连接地；所述芯片 ESP8266的VDD3P3[PA-BALUN]引脚连接芯片ESP8266的VDD3P3[PA-STO1] 引脚、电容C13的一端、电容C14的一端和电源；所述电容C13的另一端和电容C14的另一端接地；所述芯片ESP8266的VDDPST引脚连接电源；所述芯片ESP8266的CHIP-EN引脚连接电阻R17的一端，电阻R17的另一端连接地；所述芯片ESP8266的MTDO引脚连接电阻R20的一端，所述电阻R20 的另一端连接地；所述芯片ESP8266的SDCLK引脚连接电阻R18的一端；所述芯片ESP8266的GPIO0连接电阻R15的一端和开关SW-PB的一端，所述电阻R15的另一端连接电源，所述开关SW-PB的另一端连接地；所述芯片ESP8266的GPIO2连接电阻R16的一端，所述电阻R16的另一端连接电源；所述芯片ESP8266的U0RXD引脚连接接线口CON2的第2引脚，所述芯片 ESP8266的U0TXD引脚连接接线口CON2的第3引脚，所述接线口CON2的第1引脚连接电源，所述接线口CON2的第4引脚连接地；所述芯片ESP8266 的XTALP引脚连接晶振XTAL-4的第3引脚和电容C8的一端，所述晶振 XTAL-4的第2引脚和第4引脚连接地，所述电容C8的另一端连接地，所述晶振XTAL-4的第1引脚连接电容C7的一端和芯片ESP8266的XTALN引脚，所述电容C7的另一端接地；所述芯片ESP8266的RST12K引脚连接电阻R13 的一端，所述电阻R13的另一端连接地；所述芯片ESP8266的EXT-RSTB引脚连接电阻R12的一端和电阻R11的一端，所述电阻R11的另一端连接电源；所述电阻R12的另一端连接开关SW-PB的一端，所述开关SW-PB的另一端连接地。

如图3所示，电源单元的主控芯片为芯片bp24074，所述电源单元包括芯片bp24074、电阻、电容、电源、地、发光二极管、微型USB和芯片RT9193；所述芯片bp24074的BAT引脚连接电池的正极，所述电池的负极连接地和电感的一端，所述电感的另一端连接芯片bp24074的TS引脚，所述芯片bp24074 的TERM引脚连接电阻R8的一端，所述电阻R8的另一端接地，所述芯片bp24074的ITIM引脚连接电阻R6的一端，所述电阻R6的另一端接地，所述芯片bp24074的ISET引脚连接电阻R7的一端，所述电阻R7的另一端连接地，所述芯片bp24074的CE引脚、TMR引脚、EN1引脚连接地；所述芯片bp24074 的EN2引脚连接OUT引脚，所述芯片bp24074的EN2引脚连接芯片RT9193 的VIN引脚，所述芯片RT9193的GND引脚连接地，所述芯片RT9193的EN 引脚连接电容C4的一端，所述电容C4的另一端连接地，所述芯片RT9193 的BP引脚连接电容C5引脚，所述电容C5引脚连接地，所述芯片RT9193的 VOUT引脚连接电源和电容C6的一端，所述电容C6的另一端连接地，所述芯片bp24074的CHG引脚连接发光二极管D3的负极，所述发光二极管D3 的正极连接电阻R1的一端，所述电阻R1的另一端连接芯片bp24074的OUT 引脚，所述芯片bp24074的PGOOD引脚连接发光二极管D1的负极，所述发光二极管D1的正极连接电阻R2的一端，所述电阻R2的另一端连接芯片 bp24074的OUT引脚，所述芯片bp24074的VSS引脚连接地，所述芯片bp24074 的IN引脚连接电容C2的一端和微型USB的VUSB引脚，所述微型USB的 GND引脚连接地。

如图4所示，存储单元的主控芯片为芯片W25Q32，所述存储单元包括芯片W25Q32、电阻、电容；所述芯片W25Q32的nCS引脚连接芯片ESP8266 的SD-CMD引脚，所述芯片W25Q32的CLK引脚连接芯片ESP8266的SD-CLK 引脚，所述芯片W25Q32的nHOLD/IO引脚连接电阻R5的一端和电阻R9的一端，所述电阻R5的另一端连接电源，所述电阻R9的另一端连接芯片ESP8266的SD-D2引脚，所述芯片W25Q32的nWP/IO2引脚连接电阻R10的一端，所述电阻R10的另一端连接芯片ESP8266的SD-D3引脚，所述芯片 ESP8266的D0/IO1引脚连接芯片ESP8266的SD-D0引脚，所述芯片ESP8266 的D0/IO0引脚连接芯片ESP8266的SD-D1引脚，所述芯片W25Q32的VCC 引脚连接电源和电容C1的一端，所述电容C1的另一端接地。

位置指纹室内定位方法，方法包括如下步骤，

步骤S1：对wifi强度信息进行离线训练处理，得到地图中位置的AP信息；

步骤S2：根据地图中位置的AP信息进行在线训练处理，得到室内定位信息。

如图6所示，步骤S1包括如下步骤：

步骤S11：对wifi强度信息进行AP布置，得到不同地点AP的BSSID地址及RSSI；

步骤S12：对不同地点AP的BSSID地址及RSSI进行数据采集得到采集后的信息；

步骤S13：将采集后的信息进行数据预处理得到修正好的RSSI；

步骤S14：对修正好的RSSI进行神经网络训练得到地图中位置的AP信息。

步骤S13包括如下步骤：

步骤S131：对采集后的信息进行边缘AP滤波处理，得到修正后的边缘 AP滤波信息；

步骤S132：对边缘AP滤波处理后的信息进行修正高斯滤波，得到修正好的RSSI。

步骤S2包括如下步骤：

步骤S21：获取地图位置的AP信息；

步骤S22：对地图位置的AP信息进行数据预处理得到稳定的RSSI数据；

步骤S23：将稳定的RSSI数据进行神经网络训练，得到室内定位信息。

步骤S23的数据预处理包括如下步骤：

步骤S231：对稳定的RSSI信息进行边缘AP滤波及修正高斯滤波处理，得到修正后的位置RSSI信息数据；

步骤S232：把滤波后的RSSI信息作为输入层的特征向量，输出层为房间编号为坐标one-hot数据，隐藏层为

将此训练模型进行训练，得到的网络为指纹库信息。

其中，m为输入层节点数，n为输出层节点数，a为1～10的数。

高斯滤波为概率分布，概率分布函数为，若随机变量X服从一个数学期望为μ、标准方差为σ²的高斯分布，记为：

X～N(μ，σ²)

则其概率密度函数为：

式中，u表示高斯分布的均值，σ表示高斯分布的标准差，e表示自然数。

本实施方案在实施时，WiFi神经网络定位系统框图，主要包含离线训练阶段和在线定位阶段两个部分。离线训练阶段包含AP的布置，采集数据，数据预处理，神经网络训练。在线定位阶段包含有获取附近AP的RSSI，数据预处理，输入神经网络，位置映射等，其中，步骤S232为将实际房间划分为二维坐标系的格子，在训练时把二维坐标转化为k＝(x-1)·max(x，y)+y， k即为一维坐标系，再将k转换为one-hot类型。进行bp神经网络训练，激活函数采用ReLU，二维坐标转化为one-hot例：(1,1)→1→[1,0,0,0…]， (2,1)→5→[0,0,0,0,1,0,…]。

系统的AP是STM32+ESP8266，首先对系统中的所有AP的不同BSSID 地址预先做一个结构表，再让采用每100ms发射一次WiFi信息，对地图中不同的点采用二维坐标标记，如图13所示，在不同地点采集AP的BSSID地址及RSSI，将RSSI填入对应的位置，然后对数据做修正高斯滤波，AP选择滤波等，最后把处理好的RSSI作为神经网络的输入层的特征值，把位置的二维坐标信息作为输出层，采用3层BP神经网络进行训练。待训练完成后，就可以在地图中任意位置获取AP信息，把获取的AP信息做修正高斯滤波，在输入到训练好的网络得到输出值，对输出值做卡尔曼滤波后进行位置的修正，最后把输出的数据做地图的映射就可以得到定位信息。

AP布置部分，系统的AP采用ESP8266固件，设定发射功率为20dBm，广播频率为100ms。

边缘AP滤波，AP滤波器的工作原理为：当AP信号时有时无时，如果对这样的信号采用加权高斯滤波会造成很大的误差。所以对于信号，设定一个阈值α，当在任意地点-100dBm的样本数高于α时，这个点对于定位的影响已经不大，所以将这类的点所有数据都置为-100dBm。例如α＝0.4，则选择一个位置采集100个数据点，当收到超过40次的信号都为-100dBm时，对此处所有 RSSI都置为-100dBm。若该点-100dBm的点占比均值小于此阈值，才作为有效指纹输入下一级运算。这里的α取值根据实际情况所定。

如图7和图8所示，边缘AP滤波，对于处于WiFi信号较强的地点，使用加权高斯滤波能达到很好的效果，但是对于WiFi信号较弱，例如WiFi信号时有时无的位置，此时使用加权高斯滤波将会得到很差的效果，而对于这样的点如图11和12，就需要找一个阈值判断一个点是属于信号强的点还是信号弱的点，这里用到的滤波器称为边缘AP滤波器。

修正高斯滤波，对于AP的RSSI在同一地点随着时间变换的采集样本基本符合正态分布是综合大量实验的经验以及实验数据所得。高斯滤波器是一种平滑线性滤波器，目前常用的高斯滤波器是二维高斯滤波，用来对图像进行滤波。因为高斯滤波对于抑制服从正态分布的噪声效果非常好，然而在滤除噪声的同时，图片也会变得模糊。然而，有时对图像有很多尖锐的噪点脱离的图片本身的色域，进行平滑滤波的目的就是让图像变得模糊。基于这个思路，由于受到多径干扰，阴影遮挡等原因，AP的RSSI在获取时总是存在波动，这对于定位精度将造成很大的影响，为了在一个点获取到稳定的RSSI，就需要对数据中的噪声消除，在信号均值附近的RSSI都是有效值，因此采用一维高斯滤波，保留均值附近一定比例的数据以保证信号的稳定。

在经过大量的实验数据的总结发现，AP的RSSI分布不总是完全吻合正态分布，由于WiFi的工作频段为2.4GHz，微波炉，蓝牙等常见设备也在此工作频段，此外室内人密度较大，对WiFi的影响也较大。所以实际生活环境中， RSSI的分布会呈现出低于正态峰值的数据比高于正态峰值的数据多，这也会导致最后得到的均值一般会比峰值小，因此需要对高斯滤波做一定的修正，使得符合实际生活场景。

从图9中可以看出，RSSI分布低于-53dBm占35.70％，高于-53dBm占 21.20％，并非对称的，因此对于实际场景中，RSSI的高斯滤波需要引入更少的低分量，更多的高分量；根据当前RSSI分布的均值以及方差作出的正态分布图也和原始数据还有一定差距，除了上述原因，还有就是主瓣集中了大部分的数据43.10％，另外[-54,-52]dBm区间集合了83.2％的数据，所以实际想作出的正态分布图方差并没有数据中显示的那么大。这里提出一种新的修正高斯滤波：

图10中的曲线表示修正高斯滤波，很明显的可以看出，修正后的滤波器更符合实际的模型，这里用到的正态分布满足于：

X～N(μ′，σ′²)

这里的μ′表示RSSI分布的峰值所对应的RSSI，

其中m表示峰值。

经过修正高斯滤波对数据的处理后，取阈值为85％落入正态分布区间的数据为有效数据，得到的数据分布情况如图6和图7所示：

图10和图11中，图10的为修正前的高斯滤波，图11为修正后的高斯滤波，粗点表示滤波后保留的数据，细点表示被滤除后的数据且被填充为滤波后 RSSI的均值，x点表示原始数据，o点表示滤波后保留的数据，可以看出2种滤波器都使得最后获取到的数据更加稳定，滤除了偏离正常值的点。不过对于相同的阈值情况下，修正高斯滤波更好的处理了位于峰值处的点，落入区间的点数更加符合我们的预期，使得数据更加稳定。

如图13和图14所示，神经网络训练本系统中对于位置指纹的匹配使用的是神经网络训练，采用3层BP网络。每个AP的BSSID是唯一的，系统中将部署的AP按照BSSID的不同建立一个key-value表单，key即为BSSID，value 为RSSI，且表单有序，每次滤波后的数据将RSSI填入表单作为网络的输入层，对于AP信号的位置，将RSSI置为默认值-100dBm。

图15所示，输出层则是将地图划为一个二维坐标区域，再将二维坐标划为one-hot类型，采用监督式学习的方法将输入层与输出层建立联系。

神经网络中采用ReLU的激活函数，训练后的网络在定位阶段根据采集的 RSSI值就可以得到位置信息。

首先验证离线阶段数据预处理的效果。离线阶段对原始未滤波的数据与滤波后的数据做相同的神经网络训练，验证各自的准确率。

图16左图是未滤波的原始数据直接进行神经网络训练并加入测试集进行训练生成的准确率曲线，图16右图是经过修正高斯滤波以及边缘AP滤波后的数据训练结果。可以看到在相同的网络参数以及训练步数下，滤波后的数据因为已经过滤了噪声数据，所以在拟合过程中有更高的准确率以及更快的准确率上升曲线。

图18和图19对比图，显示了代价函数下降曲线，在相同的迭代情况下，经过滤波后的数据有更快的下降曲线。说明了在去除了噪声数据后的RSSI信息具有更好的拟合效果。

如图20训练完成后在线定位阶段，选择实验室环境，将测试房间每2*2m 划分为9个空间，分别在9个点收集20个RSSI信息，并输入之前训练好的网络中，测试系统准确率。

图20中圆点代表区域的中心，四个角分别放置4个AP。采集数据后输入神经网络得到预测的输出值如图。图20为未使用数据预处理的网络，在输入在线定位数据得到的定位图，图21为使用数据预处理的网络，在输入在线定位数据得到的定位图。

从实验结果表明，无论是在平均误差还是最大误差，通过修正高斯滤波器后定位都有显著的提升。同时从图中可以看出，最终定位的稳定性也大大提升。

Claims (2)

1.位置指纹室内定位方法，其特征在于，方法包括如下步骤，

步骤S1：对wifi强度信息进行离线训练处理，得到地图中位置的AP信息；

所述步骤S1包括如下步骤：

步骤S11：对wifi强度信息进行AP布置，得到不同地点AP的BSSID地址及RSSI；

步骤S12：对不同地点AP的BSSID地址及RSSI进行数据采集得到采集后的信息；

步骤S13：将采集后的信息进行边缘AP滤波以得到修正好的RSSI；

所述步骤S13包括如下步骤：

步骤S131：对原始信号进行分析，若出现时有时无的点，解析出消失点所占比例；

步骤S132：对于消失的点大于所设阈值的点进行边缘AP滤波；

步骤S14：对边缘AP滤波后的信息进行修正高斯滤波；

步骤S15：对修正好的RSSI进行神经网络训练得到地图中位置的AP信息；

步骤S2：根据地图中位置的AP信息进行在线训练处理，得到室内定位信息；

所述步骤S2包括如下步骤：

步骤S21：获取地图位置的AP信息；

步骤S22：对地图位置的AP信息进行数据预处理得到稳定的RSSI数据；

步骤S23：将稳定的RSSI数据进行神经网络训练，得到室内定位信息；

所述步骤S23的数据预处理包括如下步骤：

步骤S231：对稳定的RSSI信息进行边缘AP滤波及修正高斯滤波处理，得到修正后的位置RSSI信息数据；

步骤S232：把滤波后的RSSI信息作为输入层的特征向量，输出层为房间编号，隐藏层为

将此训练模型进行训练，得到的网络为指纹库信息，其中，房间编号为坐标one-hot数据；

其中，m为输入层节点数，n为输出层节点数，a为1～10的数；

其中，对AP信号设定阈值α，并判断任意地点-100dBm的样本数是否大于阈值α，若是，则将该地点的所有数据都置为-100dBm，否则，将信号强度作为有效指纹输入。

2.根据权利要求1所述的位置指纹室内定位方法，其特征在于，所述高斯滤波为概率分布，概率分布函数为，若随机变量X服从一个数学期望为μ、标准方差为σ²的高斯分布，记为：

X～N(μ，σ²)

则其概率密度函数为：

式中，u表示高斯分布的均值，σ表示高斯分布的标准差，e表示自然数。

Images