CN109945865A - 基于WiFi与地磁融合的室内定位方法 - Google Patents
基于WiFi与地磁融合的室内定位方法 Download PDFInfo
- Publication number
- CN109945865A CN109945865A CN201910138838.XA CN201910138838A CN109945865A CN 109945865 A CN109945865 A CN 109945865A CN 201910138838 A CN201910138838 A CN 201910138838A CN 109945865 A CN109945865 A CN 109945865A
- Authority
- CN
- China
- Prior art keywords
- wifi
- geomagnetic
- positioning
- measured
- reference points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005389 magnetism Effects 0.000 title abstract 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims description 36
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
本发明属于室内定位技术领域，为提出基于动态权重的WiFi与地磁深度融合的室内定位算法MagWi，通过定位精度和聚集度的关系模型动态确定WiFi信号强度与二维地磁强度定位结果的权重，定位精度较高。为此，本发明采取的技术方案是，基于WiFi与地磁融合的室内定位方法，先使用行动热点WiFi信号定位出粗略的位置范围，再联合使用WiFi和地磁信号进行精确定位。本发明主要应用于使用WiFi和地磁信号进行室内精确定位场合。
Description
技术领域
本发明属于室内定位技术领域，涉及一种基于动态权重分配的多方法融合室内定位算法的设计与实现。
背景技术
随着无线通信技术的日益发展和成熟，智能手机技术的进步与普及，各种基于智能手机的需求层出不穷。其中，基于位置的服务(Location-based service，LBS)旨在提供准确和便捷的室内定位服务，可以显著改善我们的日常生活。例如在商场搜索感兴趣的商店的位置，在不熟悉的办公楼中寻找会议室的具体位置，在地下停车场找到停车位等基于室内位置的服务。
使用无线网WiFi的接收信号强度指示RSSI进行定位的研究很多。但是在只使用现有无线设备的情况下，由于室内环境复杂，墙壁、楼板、门窗和人员的流动等对WiFi信号的传播产生影响，导致单一的WiFi信号不稳定且易形成多径传播效应。现有的基于WiFi信号强度的定位方法在不额外部署设备的情况下定位精度较差，误差在3m-10m[1][2][3][4][20]，室内定位的体验较差。
地磁信号不需要依赖任何设施就可以进行室内定位。现有的基于地磁的定位方法多是基于地磁信号强度序列匹配算法[8][9][21]，有些依赖于自制实验设备采集精确的地磁信号强度[5][6][7]。虽然在局部可以达到厘米级的定位精度，但由于地磁数据本身不具有标签性，在大范围物理空间内位置区分度较低，导致整体定位精度较低。而且，这些方法都采用了一维地磁信息，即地磁强度。地磁强度综合了地磁在三维空间中各个维度的信息，因此信息粒度较粗，是影响定位精度的一个重要因素。
将WiFi与地磁信号融合进行定位可以充分利用二者的特征提高定位的精度[10]。现有的定位系统只是将两种特征进行简单的融合。其中，发明专利201310632930.4将WiFi和地磁特征融合在一起形成多维特征值，针对每一维特征，统计所有参考点的特征值并计算协方差，去掉协方差较小的10％的特征，以此方法来忽略区分度较小的特征，提高定位精度。这种融合方法将WiFi与地磁特征融合在一起，只是增加了特征的维度，没有考虑WiFi特征与地磁特征本身的差异性；发明专利201410843968.0在定位过程中针对WiFi和地磁特征分别定位，若两种定位方法定位结果相同则输出定位结果，反之，比较出在多次定位结果中波动幅度较小的定位方法，输出定位结果。这种融合方式对前一个位置的定位精度依赖较高，定位精度在3～5m；发明专利201610379059.5分别为每一个参考点的WiFi和地磁两种特征按照特征距离的大小赋予权重，两种权重相乘作为每一个参考点的最终权重，按照权重的大小使用KNN(K近邻)分类算法得到定位结果。这种融合方法没有考虑WiFi和地磁定位误差较大的情况，一旦存在某个参考点的两种特征距离都很小，权重分配很大的情况，就会严重影响定位精度。
发明内容
为克服现有技术的不足，本发明旨在提出基于动态权重的WiFi与地磁深度融合的室内定位算法MagWi，通过定位精度和聚集度的关系模型动态确定WiFi信号强度与二维地磁强度定位结果的权重，定位精度较高。为此，本发明采取的技术方案是，基于WiFi与地磁融合的室内定位方法，先使用行动热点WiFi信号定位出粗略的位置范围，再联合使用WiFi和地磁信号进行精确定位。
联合使用WiFi和地磁信号进行精确定位，具体是采用指纹特征的融合方式，进行带权重的指纹特征融合，所述权重由从指纹库训练出的定位误差和聚集度的关系模型来确定，其中，对每个待测点分别用WiFi信号强度和二维地磁信号强度为指纹特征，采用KNN算法算出与其特征距离最相近的前K个参考点，这K个参考点的质心所在的位置即为待测点的位置，聚集度则定义为这K个参考点在物理位置上的两两欧氏距离的平均值。
使用WiFi信号定位出粗略的位置范围具体地，计算待测位置的WiFi信号强度RSSI向量与指纹库中所有参考点的RSSI向量的欧氏距离，RSSI向量由该位置所测得的所有AP的RSSI组成，使用KNN算法取前3个参考点所组成的三角形的质心作为WiFi定位的位置，以该位置为圆心，以某个固定值为半径画圆，圆内所有参考点的集合作为候选集，候选集内的参考点所在范围就是待测点可能的位置范围；
联合使用WiFi和地磁信号进行精确定位具体是，在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位，对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置。
具体地：
1、离线训练
使用定位功能前，需要离线建立指纹库并训练出定位误差和聚集度的关系模型，该模型用于在线定位阶段确定WiFi和地磁特征距离的权重；
1.1指纹库的建立
将待定位区域划分成网格，采集网格点即参考点上的WiFi信号强度RSSI和三维地磁强度，把三维地磁强度变换成二维地磁强度，建立RSSI和二维地磁强度的指纹库，二维地磁强度其中分别表示参考点i的地磁信号在地理坐标系水平方向和垂直方向上的分量，二维地磁强度中水平面地磁强度可以用式(1)由三维地磁强度中和转换得到：
1.2定位误差与聚集度的关系模型
使用指纹库的部分参考点作为待测点，其它点为参考点。对每个待测点分别用WiFi信号强度和二维地磁信号强度为指纹特征，采用KNN算法算出与其特征距离最相近的前K个参考点，这K个参考点的质心所在的位置即为待测点的位置，聚集度P则定义为这K个参考点在物理位置上的两两欧氏距离的平均值，如式(2)所示：
其中，(xi，yi)为参考点i的物理坐标；
使用WiFi信号特征计算所得的聚集度称为“WiFi聚集度”，表示为Pw，用二维地磁特征计算所得的聚集度称为“地磁聚集度”，表示为Pm；
使用ew表示用WiFi信号强度指纹定位的误差，称为“WiFi预测误差”，用所有待测点拟合出WiFi定位误差ew和聚集度Pw的关系模型，用线性模型(3)表示，即：
ew＝aw·Pw+bw (3)
其中，aw、bw是拟合出的线性模型的系数；
同理，使用二维地磁强度指纹定位方法所得的地磁预测误差em和聚集度Pm的线性模型(4)：
em＝am·Pm+bm (4)
其中，am、bm为线性拟合系数；
在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位，对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置，
Df的定义为：
Df＝α×Dw+β×Dm (5)
其中，Dw为待测点与该参考点的WiFi信号强度的欧式距离，Dm为待测点与候选集中参考点的二维地磁强度的欧式距离，Dw，Dm在使用时都做归一化处理，α，β分别为二者的权重，动态权重的分配方法如下：
先根据式(2)分别计算参考点的WiFi聚集度Pw和地磁聚集度Pm，然后把WiFi聚集度Pw代入式(3)计算出参考点i的WiFi预测误差ew，把地磁聚集度Pm代入式(4)计算出参考点的地磁预测误差em，参考点处WiFi和地磁特征权重的分配如式(6)(7)所示：
本发明的特点及有益效果是：
本发明提出了基于动态权重的WiFi与地磁深度融合的室内定位算法MagWi，通过定位精度和聚集度的关系模型动态确定WiFi信号强度与二维地磁强度定位结果的权重，定位精度较高。同时，本发明还具有较低成本、易于推广应用。
附图说明：
图1为本实例教学楼室内走廊场景数据采集网格点平面图；
图2为本实例两阶段二维地磁定位候选集筛选方法图；
图3为本实例地磁定位误差与聚集度关系模型拟合结果图；
图4为本实例WiFi定位误差与聚集度关系模型拟合结果图；
图5为本实例基于WiFi与地磁融合的室内定位算法的流程图。
具体实施方式
本发明提出了一种基于WiFi信号强度RSSI与二维地磁强度深度融合的室内定位算法MagWi。与常规方法使用一维地磁强度不同，MagWi采用二维地磁强度，并且提出了WiFi信号强度和二维地磁强度深度融合的方法。
WiFi信号强度和二维地磁强度的深度融合包括两个层面：首先是定位结果的融合，即先使用WiFi信号定位出粗略的位置范围，再联合使用WiFi和地磁信号进行精确定位。其次是指纹特征的融合，提出了带权重的指纹特征融合方法，该权重由从指纹库训练出的定位误差和聚集度的关系模型来确定，能充分利用同一区域WiFi和地磁信号定位精度的差异。下面详细说明。
1、离线训练
使用定位功能前，需要离线建立指纹库并训练出定位误差和聚集度的关系模型，该模型用于在线定位阶段确定WiFi和地磁特征距离的权重。
1.1指纹库的建立
将待定位区域划分成网格，采集网格点(即：参考点)上的WiFi信号强度RSSI和三维地磁强度。把三维地磁强度变换成二维地磁强度，建立RSSI和二维地磁强度的指纹库。二维地磁强度其中分别表示参考点i的地磁信号在地理坐标系水平方向和垂直方向上的分量。二维地磁强度中水平面地磁强度可以用式(1)由三维地磁强度中和转换得到。
1.2定位误差与聚集度的关系模型
使用指纹库的部分参考点作为待测点，其它点为参考点。对每个待测点分别用WiFi信号强度和二维地磁信号强度为指纹特征，采用KNN算法算出与其特征距离最相近的前K个参考点。这K个参考点的质心所在的位置即为待测点的位置。聚集度P则定义为这K个参考点在物理位置上的两两欧氏距离的平均值，如式(2)所示：
其中，(xi，yi)为参考点i的物理坐标。
使用WiFi信号特征计算所得的聚集度称为“WiFi聚集度”，表示为Pw，用二维地磁特征计算所得的聚集度称为“地磁聚集度”，表示为Pm。
使用ew(单位：m)表示用WiFi信号强度指纹定位的误差，称为“WiFi预测误差”。用所有待测点拟合出WiFi定位误差ew和聚集度Pw的关系模型，大量实验结果发现可以用线性模型(3)表示，即：
ew＝aw·Pw+bw (3)
其中，aw、bw是拟合出的线性模型的系数。
同理可以拟合出使用二维地磁强度指纹定位方法所得的地磁预测误差em(单位：m)和聚集度Pm的线性模型(4)：
em＝am·Pm+bm (4)
其中，am、bm为线性拟合系数。
2、在线定位
本发明WiFi与地磁深度融合的室内定位算法分为两个阶段：粗定位和细定位。粗定位阶段先使用WiFi信号强度RSSI指纹进行粗略定位，确定用户的大致位置。细定位阶段联合使用RSSI和二维地磁信号进行定位，给出用户的精确位置。下面做详细说明。
2.1粗定位阶段
计算待测位置的RSSI向量(由该位置所测得的所有AP的RSSI组成)与指纹库中所有参考点的RSSI向量的欧氏距离，使用KNN算法取前3个参考点所组成的三角形的质心作为WiFi定位的位置。以该位置为圆心，以某个固定值为半径画圆，圆内所有参考点的集合作为候选集。候选集内的参考点所在范围就是待测点可能的位置范围，因此称为粗定位。
2.2细定位阶段
在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位。对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置。
Df的定义为：
Df＝α×Dw+β×Dm (5)
其中，Dw为待测点与该参考点的WiFi信号强度的欧式距离，Dm为待测点与候选集中参考点的二维地磁强度的欧式距离。由于WiFi信号强度和地磁强度的量纲不同，Dw，Dm在使用时都做归一化处理。α，β分别为二者的权重，它们的取值直接决定了定位的精度。设计了动态权重的分配方法如下。
先根据式(2)分别计算参考点的WiFi聚集度Pw和地磁聚集度Pm，然后把WiFi聚集度Pw代入式(3)计算出参考点i的WiFi预测误差ew，把地磁聚集度Pm代入式(4)计算出参考点的地磁预测误差em。参考点处WiFi和地磁特征权重的分配如式(6)(7)所示：
为验证本发明提出的基于WiFi与地磁融合的室内定位算法MagWi，本发明一共在三个典型的室内场景进行了实验：办公楼走廊、图书馆、会议室。实验的总体测试面积超过1000平方米。
在本发明中，为确定用户的位置，使用动态分配权重后选择与用户采集到的WiFi和地磁特征距离最接近的前3个参考点，取3点形成的三角形质心作为定位位置。
为了评估本发明的定位性能，选取具有代表性的WiFi定位、地磁定位以及WiFi与地磁融合的室内定位算法进行比较。
表1定位性能比较
下面结合附图和具体实例对本发明进行详细描述。
本实例详细描述了在教学楼走廊室内环境中实现WiFi与地磁融合定位算法MagWi的全部过程，具体实现由四部分组成：
1.指纹库构建
在离线训练阶段，构建WiFi与地磁指纹库。首先根据室内环境实际情况将教学楼走廊区域划分为等间距80cm网格，如图1所示。
使用智能手机对教学楼走廊区域进行WiFi数据和地磁数据采集，在网格点上同时采集WiFi数据和地磁数据一段时间，其中，采集WiFi数据的时长为60s，采集地磁数据的时长为10s。
本实例中，数据采集工作统一使用vivo x5m手机。
把三维地磁强度变换成二维地磁强度，对每个网格点上采集的WiFi数据和地磁数据求均值，建立RSSI和二维地磁强度的指纹库；在网格中心及网格线中点上对WiFi数据和二维地磁数据进行插值，建立RSSI和二维地磁强度的插值指纹库。
2.预测定位误差与预测点间距离线性变换模型
首先，通过实验验证，在教学楼走廊区域内，使用KNN分类算法时，K取3的时候定位精度最高。
然后计算出待测位置与候选集中各参考点间的二维地磁特征欧式距离Dm，找到与待测位置特征距离最小的前3个参考点，并在指纹库中找到它们的物理空间坐标。
聚集度P则定义为这3个参考点在物理位置上的两两欧氏距离的平均值，如式(1)所示：
其中，(xi，yi)为参考点i的物理坐标。
在本实例中，根据Pm的大小，将分为Pm低和Pm高两类，对应的定位误差是较小和较大。以Pm小于1.6m为低类，平均误差较小为1.41m；Pm高类平均误差较大为1.98m，显然Pm与em之间存在对应关系。
在教学楼走廊区域内，针对二维地磁特征使用线性变换em＝am·Pm+bm预测前3个参考点聚集度Pm与定位误差em之间的关系。其中，em(单位：m)为使用KNN算法得到的地磁定位平均定位误差。
选取若干待测点进行实验，得到若干Pm与em的值，通过拟合得到预测模型公式em＝0.2·Pm+1，如图3。
同理，为预测WiFi特征的定位误差ew与聚集度Pw，的线性变换模型，在教学楼走廊区域内使用线性变换ew＝am·Pw+bw。
选取若干待测点进行实验，首先计算出待测位置与候选集中各参考点间的WiFi特征欧式距离Dw，找到与待测位置特征距离最小的前3个参考点，并在指纹库中找到它们的物理空间坐标，得到若干Pw与ew的值，通过拟合得到预测模型公式ew＝0.2·Pw+1.5，如图4。
显然WiFi定位误差ew和二维地磁定位误差em与聚集度P的线性变换模型反映了它们之间的趋势变化，为动态分配权重提供了重要的参考依据。
3.在线动态权重分配算法
在在线定位阶段，首先，用户使用手机采集当前位置的WiFi信号强度(RSSI)值和二维地磁信号强度(Mxy和Mz)不少于5s，并取均值作为当前位置的指纹特征。
针对二维地磁特征，使用KNN分类算法，预测与待测位置二维地磁特征欧氏距离Dm最相似的前3个物理位置，计算它们之间的平均物理距离Pm(单位m)。
根据当前教学楼走廊区域内的地磁定位误差与预测点间距离线性变换模型em＝0.2·Pm+1得到用户所在位置的地磁指纹特征平均定位误差预测值em。
同理，针对WiFi指纹特征，使用KNN分类算法，预测与待测点WiFi特征欧氏距离Dw最相似的前3个物理位置，计算它们之间的平均物理距离Pw，(单位m)。
根据当前教学楼走廊区域内的WiFi定位误差与预测点间距离线性变换模型ew＝0.2·Pw+1.5得到用户所在位置的WiFi指纹特征平均定位误差预测值ew。
由WiFi和地磁定位的平均定位误差预测值ew和em，根据权重分配方法得到WiFi特征距离权重α和地磁特征距离权重β。
4.在线定位
在动态分配了二维地磁指纹欧氏距离与WiFi指纹欧氏距离的权重后，在融合二维地磁和WiFi指纹特征距离时分配权重，从而得到融合的定位结果。
本发明WiFi与地磁深度融合的室内定位算法分为两个阶段：粗定位和细定位。粗定位阶段先使用WiFi信号强度RSSI指纹进行粗略定位，确定用户的大致位置。细定位阶段联合使用RSSI和二维地磁信号进行定位，给出用户的精确位置。
粗定位阶段，计算待测位置的RSSI向量(由该位置所测得的所有AP的RSSI组成)与指纹库中所有参考点的RSSI向量的欧氏距离，使用KNN算法取前3个参考点所组成的三角形的质心作为WiFi定位的位置。以该位置为圆心，以某个固定值为半径画圆，圆内所有参考点的集合作为候选集，如图2所示。
细定位阶段，在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位。混合使用特征时，由于量纲不同，要先对地磁和WiFi特征距离标准化，再计算融合特征距离。
对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，使用KNN分类算法选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置。
【参考文献】
[1]He S,Hu T,Chan S H G.Contour-based Trilateration for IndoorFingerprinting Localization[C]//ACM Conference on Embedded Networked SensorSystems.ACM,2015:225-238.
[2]Lim H,Kung L C,Hou J C,et al.Zero-Configuration,Robust IndoorLocalization:Theory and Experimentation[C]//INFOCOM 2006.IEEE InternationalConference on Computer Communications.Proceedings.IEEE,2005:1-12.
[3]Chintalapudi K,Iyer A P,Padmanabhan V N.Indoor localizationwithout the pain[C]//Sixteenth International Conference on Mobile Computingand NETWORKING.ACM,2010:173-184.
[4]Kotaru M,Joshi K,Bharadia D,et al.SpotFi:Decimeter LevelLocalization Using WiFi[C]//ACM,2015:269-282.
[5]Chung J,Donahoe M,Schmandt C,et al.Indoor location sensing usinggeo-magnetism[C]//International Conference on Mobile Systems,Applications,andServices.DBLP,2011:141-154.
[6]Afzal M H,Renaudin V,Lachapelle G.Magnetic field based headingestimation for pedestrian navigation environments[C]//InternationalConference on Indoor Positioning and Indoor Navigation.IEEE,2011:1-10.
[7]Angermann M,Frassl M,Doniec M,et al.Characterization of the indoormagnetic field for applications in Localization and Mapping[C]//InternationalConference on Indoor Positioning and Indoor Navigation.IEEE,2012:1-9.
[8]Gozick B,Subbu K P,Dantu R,et al.Magnetic Maps for IndoorNavigation[J].IEEE Transactions on Instrumentation&Measurement,2011,60(12):3883-3891.
[9]Shu Y,Kang G S,He T,et al.Last-Mile Navigation Using Smartphones[C]//International Conference on Mobile Computing and NETWORKING.ACM,2015:512-524.
[10]Shu Y,Bo C,Shen G,et al.Magicol:Indoor Localization UsingPervasive Magnetic Field and Opportunistic WiFi Sensing[J].IEEE Journal onSelected Areas in Communications,2015,33(7):1443-1457.
[11]Bahl P,Padmanabhan V N.RADAR:an in-building RF-based userlocation and tracking system[C]//INFOCOM 2000.Nineteenth Joint Conference ofthe IEEE Computer and Communications Societies.Proceedings.IEEE.IEEE Xplore,2000:775-784vol.2.
[12]Youssef M,Agrawala A.The Horus WLAN location determination system[C]//International Conference on Mobile Systems,Applications,andServices.ACM,2005:205-218.
[13]Madigan D,Einahrawy E,Martin R P,et al.Bayesian indoorpositioning systems[C]//INFOCOM 2005.Joint Conference of the IEEE Computerand Communications Societies.Proceedings IEEE.IEEE,2005:1217-1227vol.2.
[14]Wang J,Jiang H,Xiong J,et al.LiFS:low human-effort,device-freelocalization with fine-grained subcarrier information[C]//InternationalConference on Mobile Computing and NETWORKING.ACM,2016:243-256.
[15]Xiong J,Sundaresan K,Jamieson K.ToneTrack:Leveraging Frequency-Agile Radios for Time-Based Indoor Wireless Localization[J].2015:537-549.
[16]Kumar S,Kumar S,Katabi D.Decimeter-level localization with asingle WiFi access point[C]//Usenix Conference on Networked Systems Designand Implementation.USENIX Association,2016:165-178.
[17]Ye X,Wang Y,Hu W,et al.WarpMap:Accurate and Efficient IndoorLocation by Dynamic Warping in Sequence-Type Radio-Map[C]//IEEE InternationalConference on Sensing,Communication,and NETWORKING.IEEE,2016:1-9.
[18]Li B,Gallagher T,Dempster A G,et al.How feasible is the use ofmagnetic field alone for indoor positioning？[C]//International Conference onIndoor Positioning and Indoor Navigation.IEEE,2013:1-9.
[19]Feher K.Wired and mobile WiFi networks,cellular,GPS and otherposition finding systems:US,US 7937094 B2[P].2011.
[20]胡扬,王可,祝锋,等.一种基于指纹匹配的WiFi室内定位方法:,CN102883262 A[P].2013.
[21]杜益亮,董志君.一种利用智能手机传感器实现地磁室内定位导航的方法:,CN 103363988 A[P].2013.
[22]牛晓光,李蒙,魏川博,等.一种室内行人行走模式识别和轨迹追踪的方法:,CN103471589A[P].2013.
[23]涂岩恺,黄家乾,陈典全,等.融合地磁场与WIFI信号的室内定位方法:,CN103630873A[P].2014.
[24]马永涛,窦智.一种基于地磁辅助WiFi的智能手机用户室内定位方法:,CN106093843 A[P].2016。
Claims (4)
1.一种基于WiFi与地磁融合的室内定位方法，其特征是，先使用行动热点WiFi信号定位出粗略的位置范围，再联合使用WiFi和地磁信号进行精确定位。
2.如权利要求1所述的基于WiFi与地磁融合的室内定位方法，其特征是，联合使用WiFi和地磁信号进行精确定位，具体是采用指纹特征的融合方式，进行带权重的指纹特征融合，所述权重由从指纹库训练出的定位误差和聚集度的关系模型来确定，其中，对每个待测点分别用WiFi信号强度和二维地磁信号强度为指纹特征，采用KNN算法算出与其特征距离最相近的前K个参考点，这K个参考点的质心所在的位置即为待测点的位置，聚集度则定义为这K个参考点在物理位置上的两两欧氏距离的平均值。
3.如权利要求1所述的基于WiFi与地磁融合的室内定位方法，其特征是，使用WiFi信号定位出粗略的位置范围具体地，计算待测位置的WiFi信号强度RSSI向量与指纹库中所有参考点的RSSI向量的欧氏距离，RSSI向量由该位置所测得的所有AP的RSSI组成，使用KNN算法取前3个参考点所组成的三角形的质心作为WiFi定位的位置，以该位置为圆心，以某个固定值为半径画圆，圆内所有参考点的集合作为候选集，候选集内的参考点所在范围就是待测点可能的位置范围；
联合使用WiFi和地磁信号进行精确定位具体是，在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位，对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置。
4.如权利要求1所述的基于WiFi与地磁融合的室内定位方法，其特征是，具体步骤细化如下：
离线训练
使用定位功能前，需要离线建立指纹库并训练出定位误差和聚集度的关系模型，该模型用于在线定位阶段确定WiFi和地磁特征距离的权重；
1.1指纹库的建立
将待定位区域划分成网格，采集网格点即参考点上的WiFi信号强度RSSI和三维地磁强度，把三维地磁强度变换成二维地磁强度，建立RSSI和二维地磁强度的指纹库，二维地磁强度其中分别表示参考点i的地磁信号在地理坐标系水平方向和垂直方向上的分量，二维地磁强度中水平面地磁强度可以用式(1)由三维地磁强度中和转换得到：
1.2定位误差与聚集度的关系模型
使用指纹库的部分参考点作为待测点，其它点为参考点。对每个待测点分别用WiFi信号强度和二维地磁信号强度为指纹特征，采用KNN算法算出与其特征距离最相近的前K个参考点，这K个参考点的质心所在的位置即为待测点的位置，聚集度P则定义为这K个参考点在物理位置上的两两欧氏距离的平均值，如式(2)所示：
其中，(xi，yi)为参考点i的物理坐标；
使用WiFi信号特征计算所得的聚集度称为“WiFi聚集度”，表示为Pw，用二维地磁特征计算所得的聚集度称为“地磁聚集度”，表示为Pm；
使用ew表示用WiFi信号强度指纹定位的误差，称为“WiFi预测误差”，用所有待测点拟合出WiFi定位误差ew和聚集度Pw的关系模型，用线性模型(3)表示，即：
ew＝aw·Pw+bw (3)
其中，aw、bw是拟合出的线性模型的系数；
同理，使用二维地磁强度指纹定位方法所得的地磁预测误差em和聚集度Pm的线性模型(4)：
em＝am·Pm+bm (4)
其中，am、bm为线性拟合系数；
在候选集上使用RSSI和二维地磁强度的融合特征距离进行精确定位，对候选集中的每一个参考点，计算待测点到该点的融合特征距离Df，选取融合特征距离最小的前N个参考点，把这N个参考点所在物理位置的质心位置作为待测点的位置，
Df的定义为：
Df＝α×Dw+β×Dm (5)
其中，Dw为待测点与该参考点的WiFi信号强度的欧式距离，Dm为待测点与候选集中参考点的二维地磁强度的欧式距离，Dw，Dm在使用时都做归一化处理，α，β分别为二者的权重，动态权重的分配方法如下：
先根据式(2)分别计算参考点的WiFi聚集度Pw和地磁聚集度Pm，然后把WiFi聚集度Pw代入式(3)计算出参考点i的WiFi预测误差ew，把地磁聚集度Pm代入式(4)计算出参考点的地磁预测误差em，参考点处WiFi和地磁特征权重的分配如式(6)(7)所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138838.XA CN109945865B (zh) | 2019-02-25 | 2019-02-25 | 基于WiFi与地磁融合的室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138838.XA CN109945865B (zh) | 2019-02-25 | 2019-02-25 | 基于WiFi与地磁融合的室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109945865A true CN109945865A (zh) | 2019-06-28 |
| CN109945865B CN109945865B (zh) | 2023-02-28 |
Family
ID=67006972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910138838.XA Active CN109945865B (zh) | 2019-02-25 | 2019-02-25 | 基于WiFi与地磁融合的室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109945865B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111399013A (zh) * | 2020-03-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 定位方法、装置、终端及存储介质 |
| CN111445593A (zh) * | 2020-03-27 | 2020-07-24 | 中国工商银行股份有限公司 | 签到方法和电子设备 |
| CN112037534A (zh) * | 2020-09-04 | 2020-12-04 | 深圳华强技术有限公司 | 综合地磁数据和nb信号的检车方法及装置 |
| CN112437400A (zh) * | 2020-11-23 | 2021-03-02 | 维沃移动通信有限公司 | 位置确定方法、装置及电子设备 |
| WO2021093872A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN115507850A (zh) * | 2021-06-07 | 2022-12-23 | 中移(上海)信息通信科技有限公司 | 一种定位方法、装置及电子设备 |
| CN116222546A (zh) * | 2023-05-10 | 2023-06-06 | 北京白水科技有限公司 | 群组导航定位中的地图信息的生成方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093843A (zh) * | 2016-05-31 | 2016-11-09 | 天津大学 | 一种基于地磁辅助WiFi的智能手机用户室内定位方法 |
| CN106412839A (zh) * | 2016-09-12 | 2017-02-15 | 南京邮电大学 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
| CN107635204A (zh) * | 2017-09-27 | 2018-01-26 | 深圳大学 | 一种运动行为辅助的室内融合定位方法及装置、存储介质 |
| CN108344411A (zh) * | 2018-02-09 | 2018-07-31 | 湖南人文科技学院 | 室内高精度定位系统 |
| CN108521627A (zh) * | 2018-03-14 | 2018-09-11 | 华南理工大学 | 基于HMM的wifi和地磁融合的室内定位系统及方法 |
| CN108668245A (zh) * | 2018-04-13 | 2018-10-16 | 哈尔滨工业大学 | 一种基于WiFi与地磁场数据库的室内定位方法 |
| CN109029429A (zh) * | 2018-09-04 | 2018-12-18 | 电子科技大学 | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 |
| CN109115205A (zh) * | 2018-07-20 | 2019-01-01 | 上海工程技术大学 | 一种基于地磁传感器阵列的室内指纹定位方法及系统 |
-
2019
- 2019-02-25 CN CN201910138838.XA patent/CN109945865B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093843A (zh) * | 2016-05-31 | 2016-11-09 | 天津大学 | 一种基于地磁辅助WiFi的智能手机用户室内定位方法 |
| CN106412839A (zh) * | 2016-09-12 | 2017-02-15 | 南京邮电大学 | 基于二级分区与指纹梯度匹配的室内定位与跟踪方法 |
| CN107635204A (zh) * | 2017-09-27 | 2018-01-26 | 深圳大学 | 一种运动行为辅助的室内融合定位方法及装置、存储介质 |
| CN108344411A (zh) * | 2018-02-09 | 2018-07-31 | 湖南人文科技学院 | 室内高精度定位系统 |
| CN108521627A (zh) * | 2018-03-14 | 2018-09-11 | 华南理工大学 | 基于HMM的wifi和地磁融合的室内定位系统及方法 |
| CN108668245A (zh) * | 2018-04-13 | 2018-10-16 | 哈尔滨工业大学 | 一种基于WiFi与地磁场数据库的室内定位方法 |
| CN109115205A (zh) * | 2018-07-20 | 2019-01-01 | 上海工程技术大学 | 一种基于地磁传感器阵列的室内指纹定位方法及系统 |
| CN109029429A (zh) * | 2018-09-04 | 2018-12-18 | 电子科技大学 | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021093872A1 (zh) * | 2019-11-14 | 2021-05-20 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
| CN111399013A (zh) * | 2020-03-20 | 2020-07-10 | Oppo广东移动通信有限公司 | 定位方法、装置、终端及存储介质 |
| CN111445593A (zh) * | 2020-03-27 | 2020-07-24 | 中国工商银行股份有限公司 | 签到方法和电子设备 |
| CN112037534A (zh) * | 2020-09-04 | 2020-12-04 | 深圳华强技术有限公司 | 综合地磁数据和nb信号的检车方法及装置 |
| CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
| CN112437400A (zh) * | 2020-11-23 | 2021-03-02 | 维沃移动通信有限公司 | 位置确定方法、装置及电子设备 |
| CN115507850A (zh) * | 2021-06-07 | 2022-12-23 | 中移(上海)信息通信科技有限公司 | 一种定位方法、装置及电子设备 |
| CN116222546A (zh) * | 2023-05-10 | 2023-06-06 | 北京白水科技有限公司 | 群组导航定位中的地图信息的生成方法、装置及设备 |
| CN116222546B (zh) * | 2023-05-10 | 2023-07-25 | 北京白水科技有限公司 | 群组导航定位中的地图信息的生成方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109945865B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109945865B (zh) | 基于WiFi与地磁融合的室内定位方法 | |
| CN108534779B (zh) | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 | |
| KR101730269B1 (ko) | 실내 디바이스 위치를 추정하는 방법 | |
| CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
| Xue et al. | A new weighted algorithm based on the uneven spatial resolution of RSSI for indoor localization | |
| CN106093852A (zh) | 一种提高WiFi指纹定位精度与效率的方法 | |
| CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
| CN110557716A (zh) | 一种基于对数正态模型的室内定位方法 | |
| CN105142216B (zh) | 基于特征信号指纹库的室内外定位切换方法 | |
| Zhang et al. | Indoor 2.5 D positioning of WiFi based on SVM | |
| CN110933604B (zh) | 基于位置指纹时序特征的knn室内定位方法 | |
| CN106686722B (zh) | 基于css技术的大型室内环境定位的微基站及工作方法 | |
| CN104038901A (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
| CN103888979B (zh) | 一种基于无线局域网的室内定位方法 | |
| Gong et al. | A usability-enhanced smartphone indoor positioning solution using compressive sensing | |
| CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
| KR20140102450A (ko) | 기지국 위치추정 시스템 및 이의 기지국 위치추정 방법 | |
| Dong et al. | A wifi fingerprint augmentation method for 3-d crowdsourced indoor positioning systems | |
| Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
| Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
| Juri et al. | Obstruction-aware bluetooth low energy indoor positioning | |
| Kawauchi et al. | FineMesh: High-Density Sampling Platform Using an Autonomous Robot | |
| Yuan et al. | MagWi: Practical indoor localization with smartphone magnetic and WiFi sensors | |
| CN110798806B (zh) | 一种基于地磁强度的卡尔曼滤波室内轨迹跟踪算法 | |
| Hou et al. | Positioning by floors based on WiFi fingerprint |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |