CN109743680A - 一种基于pdr结合隐马尔可夫模型的室内在线定位方法 - Google Patents

Abstract

一种基于PDR结合隐马尔可夫模型的室内在线定位方法，包括如下步骤：S1：获取PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值；S2：将待定位区域划分为若干小网格；S3：确定PDR起始位置；S4：绘制用户原始行走轨迹；S5：确定网格地图上PDR定位概率最大区域；S6：获取若干WiFi定位概率最大的位置和最终定位区域；S7：构建隐马尔可夫模型并确定隐马尔可夫模型的参数；S8：确定最终定位位置；S9：重新绘制PDR最终定位轨迹并确定当前定位位置；本发明解决了现有技术存在的基于智能手机的PDR和WiFi定位技术中因传感器累积误差或WiFi信号不稳定造成定位精度低的问题。

Description

一种基于PDR结合隐马尔可夫模型的室内在线定位方法

技术领域

本发明属于在线定位技术领域，具体涉及一种基于PDR结合隐马尔可夫模型的室内在线定位方法。

背景技术

现有的研究较为广泛的基于智能手机室内定位技术包含有PDR(Pedestrian DeadReckoning)和WiFi两大技术。PDR技术是一种依赖于智能手机内置运动传感器信息来获得用户运动轨迹，从而实时确定用户位置的一种定位技术。该种定位方式成本较低，定位算法简单，但因智能手机内置传感器精度较低且存在累积误差现象，造成在采用单一PDR技术定位时精度不高，随定位时间增大定位误差逐渐增大，无误差纠正时难以长时间定位。WiFi定位技术通过手机接收到的WiFi RSSI(Received Signal Strength Indication)信息进行定位，存在离线和在线定位两个阶段。WiFi定位不依赖于其他设备，定位成本相对较低，但由于WiFi信号不稳定，单一使用WiFi技术进行定位时定位精度不高。

现有的基于WiFi和PDR定位技术大都是采用其中单一技术进行定位，定位精度不高，而采用PDR和WiFi进行融合的定位技术又大多是将这两种单一定位技术的定位结果进行简单加权所得，定位的效果也不是十分理想。

发明内容

针对现有技术中的上述不足，本发明提出一种基于PDR结合隐马尔可夫模型的室内在线定位方法，用于解决现有技术存在的基于智能手机的PDR和WiFi定位技术中因传感器累积误差或WiFi信号不稳定造成定位精度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于PDR结合隐马尔可夫模型的室内在线定位方法，包括如下步骤：

S1：根据历史数据，获取PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值；

S2：根据地图约束将待定位区域划分为若干小网格，并获取网格地图；

S3：使用WiFi定位方法确定PDR起始位置；

S4：使用PDR方法在网格地图上从PDR起始位置起绘制用户原始行走轨迹；

S5：根据PDR起始位置、PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值，确定网格地图上PDR定位概率最大区域；

S6：使用WiFi定位方法获取若干WiFi定位概率最大的位置，并结合PDR定位概率最大区域获取最终定位区域；

S7：根据最终定位区域，构建隐马尔可夫模型并确定隐马尔可夫模型的参数；

S8：根据隐马尔可夫模型的参数，确定最终定位位置；

S9：根据最终定位位置和用户原始行走轨迹，重新绘制PDR最终定位轨迹并确定当前定位位置。

进一步地，步骤S1中，每时刻陀螺仪角度偏差最大值的公式为：

θ_max＝β/t

式中，θ_max为每时刻陀螺仪角度偏差最大值；β为单位时间内角度偏差之和；t为单位时间。

进一步地，步骤S4包括如下步骤：

S4-1：使用移动终端的加速度计获取行走的步长，使用移动终端的方向传感器和陀螺仪获取航向角；

S4-2：使用粒子滤波结合地图约束提高定位轨迹精度；

S4-3：根据步长和航向角在网格地图上从PDR起始位置起绘制用户原始行走轨迹。

进一步地，步骤S5的具体方法为：

使用PDR方法，保持步长为L，将航向角改变为θ±θ_max，其中θ_max为每时刻陀螺仪角度偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，保持航向角θ不变，将步长改变为L±L_max，其中L_max为PDR步长偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L+L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L-L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

依次连接上述所有新的PDR轨迹的末端，得到PDR定位概率最大区域。

进一步地，步骤S7中，隐马尔可夫模型的参数包括隐含状态、观测状态、初始概率、转移概率以及观测概率。

进一步地，隐马尔可夫模型的参数的公式为：

初始概率的公式为：

P_o＝1/N

式中，P_o为最终定位区域的每个隐含状态即每个小网格的初始概率；N为总隐含状态数，即最终定位区域中小网格的数目；

转移概率包括PDR定位概率最大区域内隐含状态数转移概率和最终定位区域内其他隐含状态转移概率；

PDR定位概率最大区域内隐含状态数转移概率的公式为：

P_t＝0.8/m

式中，P_t为PDR定位概率最大区域内隐含状态数转移概率；m为PDR定位概率最大区域内隐含状态数；

最终定位区域内其他隐含状态转移概率的公式为：

P_t'＝0.2/(M-m)

式中，P_t'为最终定位区域的其他隐含状态转移概率；M为最终定位区域的隐含状态数；m为PDR定位概率最大区域内隐含状态数；

观测概率的公式为：

式中，P_s为最终定位区域的观测概率；δ(·)为观测概率获取公式；为最终定位区域内当前小网格的相对均值指纹与用户采集WiFi相对指纹L的指纹相似度。

进一步地，步骤S8包括如下步骤：

S8-1：根据隐马尔可夫模型的参数，确定用户定位的网格位置；

S8-2：将用户采集WiFi相对指纹与用户最终定位的网格位置内的所有WiFi相对指纹进行相似度比较，使用WKNN算法获得最终定位位置的坐标。

进一步地，步骤S8-1中，用户最终定位概率最大值对应的小网格为用户最终定位的网格位置；

用户最终定位概率最大值的公式为：

式中，P_max为用户最终定位概率最大值；P_t ^k、分别为第k个小网格的初始概率、转移概率和观测概率；k为小网格指示量；N为总隐含状态数，即最终定位区域中小网格的数目。

本方案的有益效果：

本方案提供的方法将PDR和基于WiFi定位的隐马尔可夫定位技术融合，可避免因传感器累积误差或WiFi信号不稳定造成定位精度低的问题，进一步提高室内定位精度。

附图说明

图1为基于PDR结合隐马尔可夫模型的室内在线定位方法流程图；

图2为最终定位区域示意图；

图3为最终定位轨迹示意图。

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，一种基于PDR结合隐马尔可夫模型的室内在线定位方法，包括如下步骤：

S1：根据历史数据，获取PDR步长偏差最大值L_max和每时刻陀螺仪角度偏差最大值θ_max；

每时刻陀螺仪角度偏差最大值的公式为：

θ_max＝β/t

式中，θ_max为每时刻陀螺仪角度偏差最大值；β为单位时间内角度偏差之和；t为单位时间；

S2：根据地图约束将待定位区域划分为若干小网格，并获取网格地图，以便采用隐马尔可夫模型算法进行定位；

S3：使用WiFi定位方法确定PDR起始位置；

WiFi定位方法需要离线建库部分，且WiFi数据采集存在设备异构性问题，在采用众包方式构建指纹数据库的情况下，为了消除设备异构性的影响，WiFi数据库中存储的是WiFi相对指纹数据，离线阶段在位置(x₀,y₀)处采集的一组指纹为{rssi₁,rssi₂,..,rssi_n}，其中n是AP的个数。其相对指纹设计为： 其中i,j＝{1,2,...,n}，ε为设定的一个RSSI阈值；

使用WKNN定位算法确定PDR起始位置，减少复杂度，包括如下步骤：

S3-1：根据用户采集到的WiFi指纹数据获取对应的相对指纹；

S3-2：将获取的相对指纹与数据库中的所有相对指纹进行相似度计算，获取K个最相似的相对指纹；

S3-3：根据K个相对指纹所对应的位置坐标进行加权，得到WiFi定位位置坐标，即PDR起始位置；

S4：使用PDR方法在网格地图上从PDR起始位置起绘制用户原始行走轨迹，PDR方法中移动终端内置加速度计、方向传感器和陀螺仪，在用户突然转弯时采用方向传感器确定航向，受磁场干扰严重时采用陀螺仪确定航向，正常情况下两种传感器共同确定航向，包括如下步骤：

S4-1：使用移动终端的加速度计获取行走的步长，使用移动终端的方向传感器和陀螺仪获取航向角；

S4-2：使用粒子滤波结合地图约束提高定位轨迹精度；

S4-3：根据步长和航向角在网格地图上从PDR起始位置起绘制用户原始行走轨迹；

S5：根据PDR起始位置、PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值，确定网格地图上PDR定位概率最大区域，其具体方法为：

使用PDR方法，保持步长为L，将航向角改变为θ±θ_max，其中θ_max为每时刻陀螺仪角度偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，保持航向角θ不变，将步长改变为L±L_max，其中L_max为PDR步长偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L+L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L-L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

依次连接上述所有新的PDR轨迹的末端，得到PDR定位概率最大区域；

S6：使用WiFi定位方法获取若干WiFi定位概率最大的位置，并结合PDR定位概率最大区域V获取最终定位区域R，如图2所示；

使用WKKN算法获取若干WiFi定位概率最大的位置；

S7：根据最终定位区域，构建隐马尔可夫模型并确定隐马尔可夫模型的参数；

隐马尔可夫模型的参数包括隐含状态、观测状态、初始概率、转移概率以及观测概率；

隐马尔可夫模型的参数的公式为：

初始概率的公式为：

P_o＝1/N

式中，P_o为最终定位区域的每个隐含状态即每个小网格的初始概率；N为总隐含状态数，即最终定位区域中小网格的数目；

转移概率根据PDR进行确定，PDR定位概率最大区域内隐含状态的转移概率比最终定位区域中非PDR定位概率最大区域的其他隐含状态的转移概率大，设定其他非最终定位区域隐含状态的转移概率为0，转移概率包括PDR定位概率最大区域内隐含状态数转移概率和最终定位区域内其他隐含状态转移概率；

PDR定位概率最大区域内隐含状态数转移概率的公式为：

P_t＝0.8/m

式中，P_t为PDR定位概率最大区域内隐含状态数转移概率；m为PDR定位概率最大区域内隐含状态数；

最终定位区域内其他隐含状态转移概率的公式为：

P_t'＝0.2/(M-m)

式中，P_t'为最终定位区域的其他隐含状态转移概率；M为最终定位区域的隐含状态数；m为PDR定位概率最大区域内隐含状态数；

{rssi₁,rssi₂,..,rssi_n}，其中n是AP的个数。其相对指纹设计为：

观测概率根据用户采集的WiFi数据进行确定，离线阶段对最终定位区域的每个小网格内的所有相对指纹进行求均值，得到一组相对均值指纹其中r是相对均值指纹中第i个元素向量内所含的AP个数，则小网格L内的相对均值指纹为：

式中，

对用户采集WiFi相对指纹和最终定位区域内每个小网格的相对均值指纹求指纹相似度S，根据指纹相似度求得每个小方格区域的观测概率并对其进行归一化，指纹相似度越高则对应的观测概率就越大，其中指纹相似度的计算可提取两组相对指纹的共有AP，非共有AP，斯皮尔曼等级系数以及RSSI等级系数等WiFi数值特征进行求得，观测概率的公式为：

式中，P_s为最终定位区域的观测概率；δ(·)为观测概率获取公式；为最终定位区域内当前小网格的相对均值指纹与用户采集WiFi相对指纹L的指纹相似度；

S8：根据隐马尔可夫模型的参数，确定最终定位位置，包括如下步骤：

S8-1：根据隐马尔可夫模型的参数，确定用户定位的网格位置；

用户最终定位概率最大值对应的小网格为用户最终定位的网格位置；

用户最终定位概率最大值的公式为：

式中，P_max为用户最终定位概率最大值；P_t ^k、分别为第k个小网格的初始概率、转移概率和观测概率；k为小网格指示量；N为总隐含状态数，即最终定位区域中小网格的数目；

S8-2：将用户采集WiFi相对指纹与用户最终定位的网格位置内的所有WiFi相对指纹进行相似度比较，使用WKNN算法获得最终定位位置的坐标；

S9：根据最终定位位置和用户原始行走轨迹，重新绘制PDR最终定位轨迹并确定当前定位位置，并获取当前定位位置；

由于硬件因素的影响，移动终端采集的WiFi数据约在3秒左右才发生变化，而传感器数据变化的间隔小于3秒，因此WiFi定位间隔内采用PDR进行定位，WiFi信号采集时刻设为t₁和得到最终定位结果时刻设为t₂，当t₁和t₂相差较大时，用户可能已经离WiFi数据采集的位置相距较远，为了相对精准得到用户当前位置，将t₁时刻PDR结合隐马尔可夫模型得到的最终定位位置作为PDR轨迹的新起始点，并根据t₁至t₂时刻的传感器数据绘制用户最终运动轨迹即最终定位轨迹，如图3所示，确定用户当前定位位置，用户原始行走轨迹用于填补两次WiFi数据采集发生变化时间间隔内定位轨迹的空白，即WiFi数据采集发生变化时间间隔内采用PDR进行定位。

本实施例中，在地图上用户密集的区域设置为地标点，例如多路径交叉位置、入口以及楼梯口等位置，在地标点周围提前采集传感器数据和WiFi数据，当用户定位经过这些地标点时，进一步纠正PDR累积误差，提高定位精度。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，包括如下步骤：

S1：根据历史数据，获取PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值；

S2：根据地图约束将待定位区域划分为若干小网格，并获取网格地图；

S3：使用WiFi定位方法确定PDR起始位置；

S4：使用PDR方法在网格地图上从PDR起始位置起绘制用户原始行走轨迹；

S5：根据PDR起始位置、PDR步长偏差最大值和每时刻陀螺仪角度偏差最大值，确定网格地图上PDR定位概率最大区域；

S6：使用WiFi定位方法获取若干WiFi定位概率最大的位置，并结合PDR定位概率最大区域获取最终定位区域；

S7：根据最终定位区域，构建隐马尔可夫模型并确定隐马尔可夫模型的参数；

S8：根据隐马尔可夫模型的参数，确定最终定位位置；

S9：根据最终定位位置和用户原始行走轨迹，重新绘制PDR最终定位轨迹并确定当前定位位置。

2.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S1中，每时刻陀螺仪角度偏差最大值的公式为：

θ_max＝β/t

式中，θ_max为每时刻陀螺仪角度偏差最大值；β为单位时间内角度偏差之和；t为单位时间。

3.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S4包括如下步骤：

S4-1：使用移动终端的加速度计获取行走的步长，使用移动终端的方向传感器和陀螺仪获取航向角；

S4-2：使用粒子滤波结合地图约束提高定位轨迹精度；

S4-3：根据步长和航向角在网格地图上从PDR起始位置起绘制用户原始行走轨迹。

4.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S5的具体方法为：

使用PDR方法，保持步长为L，将航向角改变为θ±θ_max，其中θ_max为每时刻陀螺仪角度偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，保持航向角θ不变，将步长改变为L±L_max，其中L_max为PDR步长偏差最大值，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L+L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

使用PDR方法，将步长改变为L-L_max，将航向角改变为θ±θ_max，在网格地图上从PDR起始位置起绘制得到两条新的PDR轨迹；

依次连接上述所有新的PDR轨迹的末端，得到PDR定位概率最大区域。

5.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S7中，隐马尔可夫模型的参数包括隐含状态、观测状态、初始概率、转移概率以及观测概率。

6.根据权利要求5所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述隐马尔可夫模型的参数的公式为：

所述初始概率的公式为：

P_o＝1/N

式中，P_o为最终定位区域的每个隐含状态即每个小网格的初始概率；N为总隐含状态数，即最终定位区域中小网格的数目；

所述转移概率包括PDR定位概率最大区域内隐含状态数转移概率和最终定位区域内其他隐含状态转移概率；

所述PDR定位概率最大区域内隐含状态数转移概率的公式为：

P_t＝0.8/m

式中，P_t为PDR定位概率最大区域内隐含状态数转移概率；m为PDR定位概率最大区域内隐含状态数；

所述最终定位区域内其他隐含状态转移概率的公式为：

P_t'＝0.2/(M-m)

式中，P_t'为最终定位区域的其他隐含状态转移概率；M为最终定位区域的隐含状态数；m为PDR定位概率最大区域内隐含状态数；

所述观测概率的公式为：

式中，P_s为最终定位区域的观测概率；δ(·)为观测概率获取公式；为最终定位区域内当前小网格的相对均值指纹与用户采集WiFi相对指纹L的指纹相似度。

7.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S8包括如下步骤：

S8-1：根据隐马尔可夫模型的参数，确定用户定位的网格位置；

S8-2：将用户采集WiFi相对指纹与用户最终定位的网格位置内的所有WiFi相对指纹进行相似度比较，使用WKNN算法获得最终定位位置的坐标。

8.根据权利要求1所述的基于PDR结合隐马尔可夫模型的室内在线定位方法，其特征在于，所述步骤S8-1中，用户最终定位概率最大值对应的小网格为用户最终定位的网格位置；

所述用户最终定位概率最大值的公式为：

式中，P_max为用户最终定位概率最大值；分别为第k个小网格的初始概率、转移概率和观测概率；k为小网格指示量；N为总隐含状态数，即最终定位区域中小网格的数目。