CN110035384A - 一种融合多传感器信号滤波优化的室内定位方法 - Google Patents
一种融合多传感器信号滤波优化的室内定位方法 Download PDFInfo
- Publication number
- CN110035384A CN110035384A CN201910385579.0A CN201910385579A CN110035384A CN 110035384 A CN110035384 A CN 110035384A CN 201910385579 A CN201910385579 A CN 201910385579A CN 110035384 A CN110035384 A CN 110035384A
- Authority
- CN
- China
- Prior art keywords
- rssi
- fingerprint
- location
- value
- point
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种融合多传感器信号滤波优化的室内定位方法,1)在需要定位的场地内设置蓝牙设备,用户使用定位系统扫描实场地附近的蓝牙设备,得到iBeacon的RSSI值;2)判断步骤1)得到的iBeacon的RSSI值与设定的信号强度阈值进行比对,根据信号强度判断需要进行点定位还是区域定位;3)若扫描过程中有多个iBeacon,且有一个或多个RSSI值超过阈值,根据多个iBeacon的RSSI值计算用户所在位置的质心,若所有被扫描的iBeacon的RSSI值都小于阈值,则将iBeacon覆盖区域的并集作为Wi‑Fi指纹定位的搜索区域;4)Wi‑Fi指纹定位的搜索区域内,设置Wi‑Fi节点和RFID标签,结合Wi‑Fi和RFID定位信号对用户进行定位,获得用户精确的位置坐标。该定位方法定位精度高,定位误差小,效果好。
Description
技术领域
本发明涉及室内定位技术领域,具体是一种融合多传感器信号滤波优化的室内定位方法。
背景技术
据不完全统计,约80%的人的活动时间是在室内进行的,因此人们对室内定位信息的需求日益增加,推动了室内定位服务市场的快速发展。
目前室内定位技术有很多,如红外定位、WiFi定位、射频识别(RFID)技术定位、无线传感器网络(WSN)定位、蓝牙低功耗(BLE)技术定位、超宽带(UWB)技术定位等。根据不同的定位要求可以采用不同的定位技术,从而提出不同的定位解决方案,例如:Wi-Fi技术通信距离长,信号覆盖面积宽;BLE技术能耗低,不需要外部电源;超宽带技术通信速度快,定位精度高。
基于超宽带(UWB)的室内定位方法能够实现较高的定位精度与稳定性,但需要特殊的基础设施安装,硬件成本较高;基于蓝牙的室内定位方法安全性好、低功耗、传输不受视距,但其定位稳定性一般,在复杂的室内环境中,易受噪声干扰,需要进行较多的硬件布置,维护成本比较高,所以主要应用于小范围的定位;基于Wi-Fi的室内定位方法布置成本相对较低,易于推广,但稳定性较差;基于RFID的室内定位方法定位精度较高,但在大范围内定位需要布置大量标签,成本较高;基于地磁场的室内定位方法无需部署任何额外设备,成本很低,数据稳定性也较好;但磁场特征相较于其他信号较少,单独作为特征点使用比较难获得较高的精准度,而许多结合滤波器进行定位的方法又会带来较大的计算成本。总体来说,目前的室内定位方法难以在成本、准确度、稳定性上进行兼顾。
针对以上问题,本论文提出了一种基于Wi-Fi、蓝牙和RFID的多传感器信号滤波优化室内定位方法。本方法可以在不需要额外设备部署的情况下进行定位,且受环境影响较小,比较稳定,运维成本较低,推广前景较好。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种融合多传感器信号滤波优化的室内定位方法,该定位方法定位精度高,定位误差小,效果好。
实现本发明目的的技术方案是:
一种融合多传感器信号滤波优化的室内定位方法,包括如下步骤:
1)在需要定位的场地内设若干个蓝牙设备,用户使用定位系统扫描场地附近的蓝牙设备,对附近的iBeacon进行连续扫描,扫描到附近iBeacon,完成一次扫描,得到iBeacon的RSSI值;
2)判断步骤1)得到的iBeacon的RSSI值与设定的信号强度阈值进行比对,根据信号强度判断需要进行点定位还是区域定位;若iBeacon的RSSI值满足设定的信号强度阈值,则进行点定位,即感知蓝牙设备附近的用户,并抓取用户位置;若不满足信号强度阈值,则进行区域定位,即在附近寻找指纹点;
3)若扫描过程中有多个iBeacon,且有一个或多个RSSI值超过阈值,则根据多个iBeacon的RSSI值计算用户所在位置的质心,若所有被扫描的iBeacon的RSSI值都小于阈值,则将iBeacon覆盖区域的并集作为Wi-Fi指纹定位的搜索区域;
4)在步骤3)中得到的Wi-Fi指纹定位的搜索区域内,设置Wi-Fi节点和RFID标签,结合Wi-Fi和RFID定位信号使用KILA算法对用户进行定位,首先基于KFASVJ算法对无线信号的RSSI值进行优化,然后利用三边测量方法计算用户与Wi-Fi设备距离,最后结合Wi-Fi信号和RFID信号对用户位置进行综合位置估计,将用户位置设为MO点,获得MO点精确的位置坐标。
步骤3)中,所述的Wi-Fi指纹定位,分为离线采集阶段和在线定位阶段两个阶段,实现方法为:
3-1)离线采集阶段:在整个室内场景中划分多个位置,在每个位置收集足够的Wi-Fi RSSI样本,并对这些信号样本进行特定的训练,得到训练结果和当前位置的坐标信息,将训练结果和当前位置的坐标信息存储在数据库中作为训练数据,当所有训练点完成后,构建Wi-Fi指纹图谱;
3-2)在线定位阶段:用户使用手机扫描附近Wi-Fi热点AP的信号,得到RSSI向量为:AP1:RSSI1,AP2:RSSI2,AP3:RSSI3…,将矢量与指纹库中的指纹进行匹配,得到用户的最终位置结果;
所述的在线定位阶段,使用相似度匹配算法,将指纹定位算法分为两个步骤:
3-2-1)指纹图谱相似度匹配:通过指纹的相似性,得到定位位置和定位结果的可信度,利用向量的欧氏距离计算指纹的相似度,计算公式如下:
上述公式(1)中,D为向量的欧氏距离,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数,计算结果D的值越小,两个向量越相似;
3-2-2)基于指纹相似度计算位置:获取指纹相似度后,从取指纹相似度中获取用户的位置,采用改进WKNN算法获取高精度定位,步骤如下:
(a)在线定位匹配阶段,WKNN算法用于匹配和定位,选取与锚点加权相似度最大的k个参考点,按相似度提交顺序排列k个参考点坐标(x1,y1),(x2,y2),(x3,y3),···(xk,yk),其中(x1,y1)为加权相似度最高的参考点;
(b)计算加权相似极大值点(x1,y1)与其他k–1个参考点之间的欧式坐标距离,该点与第j个参考点之间的距离为d1j,公式如下:
(c)确定每个点之间的距离,选择合适的距离阈值di来过滤参考点,如果d1i<di,保留参考点;如果d1i>di,超过了阈值,不适合的定位点,并删除该点位;
(d)对滤波后剩余z(z≤k)个参考点坐标(xi,yi)进行加权,得到定位点坐标(x,y),坐标的表达式为:
上述公式(3)中,di、dj为第i、第j个参考点到锚点的RSSI欧式距离。
步骤3-2-1)中,由于天线和硬件的设计和驱动的不同,不同的设备可能会对相同的信号反馈不同的RSSI值,不同的设备使用欧氏距离来计算相似度可能会得到不同的值,这可能会导致定位结果出现偏差,这种现象称为设备依赖;
为解决设备依赖的问题,采用余弦相似度算法:取RSSI矢量和指纹矢量之间的夹角作为相似性,角度越小,相似度越高,角的角度由向量的余弦值反映,公式如下:
上述公式(4)中,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数;
余弦值的取值范围为[-1,1],转化为区间[0,1]的指纹相似度,公式如下:
上述公式(5)中,P为指纹相似度,P值区间为[0,1],P值越大,相似度越高。
步骤4)中,所述的Wi-Fi节点,分布在一个近似等边三角形中。
步骤4)中,所述的MO点,定位MO点时,选择Wi-Fi指纹定位的搜索区域内所有可以形成等边三角形的Wi-Fi节点组进行位置估计,具体是:
4-1)当MO只能接收到Wi-Fi信号时,假设一共可以接收到n个Wi-Fi节点,在n个Wi-Fi节点中,将三个MO点能够接收到信号的Wi-Fi节点分组,形成一组分量,选取所有的分量组成近似等边;一组三角形Wi-Fi节点,共有n′组,利用KFASVJ算法对所有Wi-Fi信号的RSSI值进行优化,使用三边测量方法,估计定位坐标(x′i,y′j)计算根据n′组无线网络节点和其他组无线节点符合等边三角形分布,然后求所有估计定位坐标的平均值,得到定位坐标(x,y),定位坐标表达式为:
4-2)当MO只能接收射频识别信号,根据相应的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到坐标值(xi,yj),最后对得到的坐标值求平均值,得到定位坐标(x,y),定位坐标表达式为:
4-3)当MO同时接收Wi-Fi信号和RFID信号时,根据RFID信号的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到基于RFID的位置估计坐标(x′,y′),然后选择所有近似等边三角形的Wi-Fi节点组,利用KFASVJ算法对其RSSI值进行优化,并进行三边测量定位,得到基于Wi-Fi的位置估计坐标(x″,y″),然后对上述(x′,y′)、(x″,y″)两个坐标求平均值,得到MO的定位坐标(x,y)。
本发明提供的一种融合多传感器信号滤波优化的室内定位方法,该方法采用蓝牙、WIFI和RFID定位进行数据融合策略,并利用KILA算法和改进的卡尔曼滤波算法提供多种融合定位方案。测试结果表明,与单次定位方法和传统的滤波算法相比,室内融合定位效果大大提高,定位误差显著降低。
附图说明
图1为本发明的整体流程图;
图2为本发明的融合策略流程图;
图3为实验测试场地蓝牙标签分布图;
图4为指纹定位的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
如图1、图2所示,一种融合多传感器信号滤波优化的室内定位方法,包括如下步骤:
1)在需要定位的实验测试场地内设若干个蓝牙设备,如图3所示,用户使用定位系统扫描实验测试场地附近的蓝牙设备,对附近的iBeacon进行连续扫描,扫描到附近iBeacon,完成一次扫描,得到iBeacon的RSSI值;
2)判断步骤1)得到的iBeacon的RSSI值与设定的信号强度阈值进行比对,根据信号强度判断需要进行点定位还是区域定位;若iBeacon的RSSI值满足设定的信号强度阈值,则进行点定位,即感知蓝牙设备附近的用户,并抓取用户位置;若不满足信号强度阈值,则进行区域定位,即在附近寻找指纹点;
3)若扫描过程中有多个iBeacon,且有一个或多个RSSI值超过阈值,则根据多个iBeacon的RSSI值计算用户所在位置的质心,若所有被扫描的iBeacon的RSSI值都小于阈值,则将iBeacon覆盖区域的并集作为Wi-Fi指纹定位的搜索区域;
4)在步骤3)中得到的Wi-Fi指纹定位的搜索区域内,设置Wi-Fi节点和RFID标签,结合Wi-Fi和RFID定位信号使用KILA算法对用户进行定位,首先基于KFASVJ算法对无线信号的RSSI值进行优化,然后利用三边测量方法计算用户与Wi-Fi设备距离,最后结合Wi-Fi信号和RFID信号对用户位置进行综合位置估计,将用户位置设为MO点,获得MO点精确的位置坐标。
步骤3)中,所述的Wi-Fi指纹定位,如图4所示,分为离线采集阶段和在线定位阶段两个阶段,实现方法为:
3-1)离线采集阶段:在整个室内场景中划分多个位置,在每个位置收集足够的Wi-Fi RSSI样本,并对这些信号样本进行特定的训练,得到训练结果和当前位置的坐标信息,将训练结果和当前位置的坐标信息存储在数据库中作为训练数据,当所有训练点完成后,构建Wi-Fi指纹图谱;
3-2)在线定位阶段:用户使用手机扫描附近Wi-Fi热点AP的信号,得到RSSI向量为:AP1:RSSI1,AP2:RSSI2,AP3:RSSI3…,将矢量与指纹库中的指纹进行匹配,得到用户的最终位置结果;
所述的在线定位阶段,使用相似度匹配算法,将指纹定位算法分为两个步骤:
3-2-1)指纹图谱相似度匹配:指纹图谱相似度匹配这一阶段是指纹定位的关键,通过指纹的相似性,不仅可以得到定位位置,还可以得到定位结果的可信度,利用向量的欧氏距离计算指纹的相似度,计算公式如下:
上述公式(1)中,D为向量的欧氏距离,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数,计算结果D的值越小,两个向量越相似;
3-2-2)基于指纹相似度计算位置:获取指纹相似度后,从取指纹相似度中获取用户的位置,采用改进WKNN算法获取高精度定位,步骤如下:
(a)在线定位匹配阶段,WKNN算法用于匹配和定位,选取与锚点加权相似度最大的k个参考点,按相似度提交顺序排列k个参考点坐标(x1,y1),(x2,y2),(x3,y3),···(xk,yk),其中(x1,y1)为加权相似度最高的参考点。
(b)计算加权相似极大值点(x1,y1)与其他k–1个参考点之间的欧式坐标距离,该点与第j个参考点之间的距离为d1j,
(c)确定每个点之间的距离,选择合适的距离阈值di来过滤参考点,如果d1i<di,保留参考点;如果d1i>di,超过了阈值,不适合的定位点,并删除该点位;
(d)对滤波后剩余z(z≤k)个参考点坐标(xi,yi)进行加权,得到定位点坐标(x,y),坐标的表达式为:
上述公式(3)中,di、dj为第i、第j个参考点到锚点的RSSI欧式距离。
步骤3-2-1)中,由于天线和硬件的设计和驱动的不同,不同的设备可能会对相同的信号反馈不同的RSSI值,不同的设备使用欧氏距离来计算相似度可能会得到不同的值,这可能会导致定位结果出现偏差,这种现象称为设备依赖;
为了解决设备依赖的问题,采用余弦相似度算法:取RSSI矢量和指纹矢量之间的夹角作为相似性,角度越小,相似度越高,角的角度由向量的余弦值反映,公式如下:
上述公式(4)中,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数;
余弦值的取值范围为[-1,1],转化为区间[0,1]的指纹相似度,公式如下:
上述公式(5)中,P为指纹相似度,P值区间为[0,1],P值越大,
相似度越高。
步骤4)中,所述的Wi-Fi节点,分布在一个近似等边三角形中。
步骤4)中,所述的MO点,定位MO点时,选择Wi-Fi指纹定位的搜索区域内所有可以形成等边三角形的Wi-Fi节点组进行位置估计,具体是:
4-1)当MO只能接收到Wi-Fi信号时,假设一共可以接收到n个Wi-Fi节点,在n个Wi-Fi节点中,将三个MO点能够接收到信号的Wi-Fi节点分组,形成一组分量,选取所有的分量组成近似等边;一组三角形Wi-Fi节点,共有n′组,利用KFASVJ算法对所有Wi-Fi信号的RSSI值进行优化,使用三边测量方法,估计定位坐标(x′i,y′j)计算根据n′组无线网络节点和其他组无线节点符合等边三角形分布,然后求所有估计定位坐标的平均值,得到定位坐标(x,y),定位坐标表达式为:
4-2)当MO只能接收射频识别信号,根据相应的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到坐标值(xi,yj),最后对得到的坐标值求平均值,得到定位坐标(x,y),定位坐标表达式为:
4-3)当MO同时接收Wi-Fi信号和RFID信号时,根据RFID信号的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到基于RFID的位置估计坐标(x′,y′),然后选择所有近似等边三角形的Wi-Fi节点组,利用KFASVJ算法对其RSSI值进行优化,并进行三边测量定位,得到基于Wi-Fi的位置估计坐标(x″,y″),然后对上述(x′,y′)、(x″,y″)两个坐标求平均值,得到MO的定位坐标(x,y)。
Claims (5)
1.一种融合多传感器信号滤波优化的室内定位方法,其特征在于,包括如下步骤:
1)在需要定位的场地内设若干个蓝牙设备,用户使用定位系统扫描场地附近的蓝牙设备,对附近的iBeacon进行连续扫描,扫描到附近iBeacon,完成一次扫描,得到iBeacon的RSSI值;
2)判断步骤1)得到的iBeacon的RSSI值与设定的信号强度阈值进行比对,根据信号强度判断需要进行点定位还是区域定位;若iBeacon的RSSI值满足设定的信号强度阈值,则进行点定位,即感知蓝牙设备附近的用户,并抓取用户位置;若不满足信号强度阈值,则进行区域定位,即在附近寻找指纹点;
3)若扫描过程中有多个iBeacon,且有一个或多个RSSI值超过阈值,则根据多个iBeacon的RSSI值计算用户所在位置的质心,若所有被扫描的iBeacon的RSSI值都小于阈值,则将iBeacon覆盖区域的并集作为Wi-Fi指纹定位的搜索区域;
4)在步骤3)中得到的Wi-Fi指纹定位的搜索区域内,设置Wi-Fi节点和RFID标签,结合Wi-Fi和RFID定位信号使用KILA算法对用户进行定位,首先基于KFASVJ算法对无线信号的RSSI值进行优化,然后利用三边测量方法计算用户与Wi-Fi设备距离,最后结合Wi-Fi信号和RFID信号对用户位置进行综合位置估计,将用户位置设为MO点,获得MO点的位置坐标。
2.根据权利要求1所述的一种融合多传感器信号滤波优化的室内定位方法,其特征在于,步骤3)中,所述的Wi-Fi指纹定位,分为离线采集阶段和在线定位阶段两个阶段,实现方法为:
3-1)离线采集阶段:在整个室内场景中划分多个位置,在每个位置收集足够的Wi-FiRSSI样本,并对这些信号样本进行特定的训练,得到训练结果和当前位置的坐标信息,将训练结果和当前位置的坐标信息存储在数据库中作为训练数据,当所有训练点完成后,构建Wi-Fi指纹图谱;
3-2)在线定位阶段:用户使用手机扫描附近Wi-Fi热点AP的信号,得到RSSI向量为:AP1:RSSI1,AP2:RSSI2,AP3:RSSI3…,将矢量与指纹库中的指纹进行匹配,得到用户的最终位置结果;
所述的在线定位阶段,使用相似度匹配算法,将指纹定位算法分为两个步骤:
3-2-1)指纹图谱相似度匹配:通过指纹的相似性,得到定位位置和定位结果的可信度,利用向量的欧氏距离计算指纹的相似度,计算公式如下:
上述公式(1)中,D为向量的欧氏距离,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数,计算结果D的值越小,两个向量越相似;
3-2-2)基于指纹相似度计算位置:获取指纹相似度后,从取指纹相似度中获取用户的位置,采用改进WKNN算法获取高精度定位,步骤如下:
(a)在线定位匹配阶段,WKNN算法用于匹配和定位,选取与锚点加权相似度最大的k个参考点,按相似度提交顺序排列k个参考点坐标(x1,y1),(x2,y2),(x3,y3),···(xk,yk),其中(x1,y1)为加权相似度最高的参考点;
(b)计算加权相似极大值点(x1,y1)与其他k–1个参考点之间的欧式坐标距离,该点与第j个参考点之间的距离为d1j,公式如下:
(c)确定每个点之间的距离,选择合适的距离阈值di来过滤参考点,如果d1i<di,保留参考点;如果d1i>di,超过了阈值,不适合的定位点,并删除该点位;
(d)对滤波后剩余z(z≤k)个参考点坐标(xi,yi)进行加权,得到定位点坐标(x,y),坐标的表达式为:
上述公式(3)中,di、dj为第i、第j个参考点到锚点的RSSI欧式距离。
3.根据权利要求2所述的一种融合多传感器信号滤波优化的室内定位方法,其特征在于,步骤3-2-1)中,由于天线和硬件的设计和驱动的不同,不同的设备可能会对相同的信号反馈不同的RSSI值,不同的设备使用欧氏距离来计算相似度可能会得到不同的值,这可能会导致定位结果出现偏差,这种现象称为设备依赖;
为解决设备依赖的问题,采用余弦相似度算法:取RSSI矢量和指纹矢量之间的夹角作为相似性,角度越小,相似度越高,角的角度由向量的余弦值反映,公式如下:
上述公式(4)中,和分别表示实时扫描的RSSI矢量中APj的接收信号强度和指纹矢量中APj的接收信号强度,其中a为实时扫描阶段数据,b为指纹库中对应数据,APj代表第j个Wi-Fi热点AP,m为两个矢量中较长矢量的元素个数;
余弦值的取值范围为[-1,1],转化为区间[0,1]的指纹相似度,公式如下:
上述公式(5)中,P为指纹相似度,P值区间为[0,1],P值越大,相似度越高。
4.根据权利要求1所述的一种融合多传感器信号滤波优化的室内定位方法,其特征在于,步骤4)中,所述的Wi-Fi节点,分布在一个近似等边三角形中。
5.根据权利要求1所述的一种融合多传感器信号滤波优化的室内定位方法,其特征在于,步骤4)中,所述的MO点,定位MO点时,选择Wi-Fi指纹定位的搜索区域内所有可以形成等边三角形的Wi-Fi节点组进行位置估计,具体是:
4-1)当MO只能接收到Wi-Fi信号时,假设一共可以接收到n个Wi-Fi节点,在n个Wi-Fi节点中,将三个MO点能够接收到信号的Wi-Fi节点分组,形成一组分量,选取所有的分量组成近似等边;一组三角形Wi-Fi节点,共有n′组,利用KFASVJ算法对所有Wi-Fi信号的RSSI值进行优化,使用三边测量方法,估计定位坐标(x′i,y′j)计算根据n′组无线网络节点和其他组无线节点符合等边三角形分布,然后求所有估计定位坐标的平均值,得到定位坐标(x,y),定位坐标表达式为:
4-2)当MO只能接收射频识别信号,根据相应的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到坐标值(xi,yj),最后对得到的坐标值求平均值,得到定位坐标(x,y),定位坐标表达式为:
4-3)当MO同时接收Wi-Fi信号和RFID信号时,根据RFID信号的RSSI值,采用三边测量定位的方法对MO进行位置估计,得到基于RFID的位置估计坐标(x′,y′),然后选择所有近似等边三角形的Wi-Fi节点组,利用KFASVJ算法对其RSSI值进行优化,并进行三边测量定位,得到基于Wi-Fi的位置估计坐标(x″,y″),然后对上述(x′,y′)、(x″,y″)两个坐标求平均值,得到MO的定位坐标(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385579.0A CN110035384A (zh) | 2019-05-09 | 2019-05-09 | 一种融合多传感器信号滤波优化的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385579.0A CN110035384A (zh) | 2019-05-09 | 2019-05-09 | 一种融合多传感器信号滤波优化的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110035384A true CN110035384A (zh) | 2019-07-19 |
Family
ID=67241740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385579.0A Pending CN110035384A (zh) | 2019-05-09 | 2019-05-09 | 一种融合多传感器信号滤波优化的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110035384A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320495A (zh) * | 2019-08-01 | 2019-10-11 | 桂林电子科技大学 | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 |
CN110493719A (zh) * | 2019-08-30 | 2019-11-22 | 北京百度网讯科技有限公司 | 基于ble的室内定位方法、装置、计算机设备及存储介质 |
CN110839201A (zh) * | 2019-10-28 | 2020-02-25 | 宜通世纪科技股份有限公司 | 管道数据处理方法、发送装置、接收装置和存储介质 |
CN112135250A (zh) * | 2020-08-12 | 2020-12-25 | 浙江大华技术股份有限公司 | 室内定位方法、装置、计算机设备和可读存储介质 |
CN112188388A (zh) * | 2020-08-25 | 2021-01-05 | 海盐南原电力工程有限责任公司 | 一种基于机器学习的混合室内定位方法 |
CN112351385A (zh) * | 2020-10-26 | 2021-02-09 | 维沃移动通信有限公司 | 定位方法、装置及电子设备 |
CN112423387A (zh) * | 2020-11-23 | 2021-02-26 | 刘秀萍 | 多种传感器融合的终端设备室内定位方法 |
CN113051976A (zh) * | 2019-12-27 | 2021-06-29 | 广东博智林机器人有限公司 | 指纹定位方法、装置、电子设备及存储介质 |
CN113347661A (zh) * | 2021-08-05 | 2021-09-03 | 浙江口碑网络技术有限公司 | 无线信号的特征提取方法及基于无线信号的定位方法 |
CN114698094A (zh) * | 2020-12-29 | 2022-07-01 | 华为技术有限公司 | 一种数据处理方法及装置 |
CN115497238A (zh) * | 2022-06-20 | 2022-12-20 | 中国矿业大学 | 基于Wi-Fi探针的被动定位与疏散引导方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104640076A (zh) * | 2015-02-03 | 2015-05-20 | 南京邮电大学 | 一种基于无线信号数据融合的室内定位方法 |
CN104869641A (zh) * | 2015-06-18 | 2015-08-26 | 重庆大学 | 基于AP优化的Wi-Fi室内定位方法 |
CN105025439A (zh) * | 2015-06-26 | 2015-11-04 | 上海汇纳信息科技股份有限公司 | 室内定位系统及所应用的数据库、方法和装置 |
CN105933975A (zh) * | 2016-04-11 | 2016-09-07 | 南京邮电大学 | 一种基于WiFi指纹的精度改善的室内定位方法 |
CN106658703A (zh) * | 2016-10-12 | 2017-05-10 | 南京邮电大学 | 一种基于余弦相似度的rss检测差异补偿方法 |
US20180332558A1 (en) * | 2015-11-19 | 2018-11-15 | The Hong Kong University Of Science And Technology | Facilitation of indoor localization and fingerprint updates of altered access point signals |
CN109672973A (zh) * | 2018-09-21 | 2019-04-23 | 云南大学 | 一种基于最强ap法的室内定位融合算法 |
-
2019
- 2019-05-09 CN CN201910385579.0A patent/CN110035384A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104640076A (zh) * | 2015-02-03 | 2015-05-20 | 南京邮电大学 | 一种基于无线信号数据融合的室内定位方法 |
CN104869641A (zh) * | 2015-06-18 | 2015-08-26 | 重庆大学 | 基于AP优化的Wi-Fi室内定位方法 |
CN105025439A (zh) * | 2015-06-26 | 2015-11-04 | 上海汇纳信息科技股份有限公司 | 室内定位系统及所应用的数据库、方法和装置 |
US20180332558A1 (en) * | 2015-11-19 | 2018-11-15 | The Hong Kong University Of Science And Technology | Facilitation of indoor localization and fingerprint updates of altered access point signals |
CN105933975A (zh) * | 2016-04-11 | 2016-09-07 | 南京邮电大学 | 一种基于WiFi指纹的精度改善的室内定位方法 |
CN106658703A (zh) * | 2016-10-12 | 2017-05-10 | 南京邮电大学 | 一种基于余弦相似度的rss检测差异补偿方法 |
CN109672973A (zh) * | 2018-09-21 | 2019-04-23 | 云南大学 | 一种基于最强ap法的室内定位融合算法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320495A (zh) * | 2019-08-01 | 2019-10-11 | 桂林电子科技大学 | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 |
CN110493719A (zh) * | 2019-08-30 | 2019-11-22 | 北京百度网讯科技有限公司 | 基于ble的室内定位方法、装置、计算机设备及存储介质 |
CN110839201A (zh) * | 2019-10-28 | 2020-02-25 | 宜通世纪科技股份有限公司 | 管道数据处理方法、发送装置、接收装置和存储介质 |
CN110839201B (zh) * | 2019-10-28 | 2021-01-15 | 宜通世纪科技股份有限公司 | 管道数据处理方法、发送装置、接收装置和存储介质 |
CN113051976A (zh) * | 2019-12-27 | 2021-06-29 | 广东博智林机器人有限公司 | 指纹定位方法、装置、电子设备及存储介质 |
CN112135250A (zh) * | 2020-08-12 | 2020-12-25 | 浙江大华技术股份有限公司 | 室内定位方法、装置、计算机设备和可读存储介质 |
CN112188388A (zh) * | 2020-08-25 | 2021-01-05 | 海盐南原电力工程有限责任公司 | 一种基于机器学习的混合室内定位方法 |
CN112351385A (zh) * | 2020-10-26 | 2021-02-09 | 维沃移动通信有限公司 | 定位方法、装置及电子设备 |
CN112423387A (zh) * | 2020-11-23 | 2021-02-26 | 刘秀萍 | 多种传感器融合的终端设备室内定位方法 |
CN114698094A (zh) * | 2020-12-29 | 2022-07-01 | 华为技术有限公司 | 一种数据处理方法及装置 |
WO2022143711A1 (zh) * | 2020-12-29 | 2022-07-07 | 华为技术有限公司 | 一种数据处理方法及装置 |
CN113347661A (zh) * | 2021-08-05 | 2021-09-03 | 浙江口碑网络技术有限公司 | 无线信号的特征提取方法及基于无线信号的定位方法 |
CN113347661B (zh) * | 2021-08-05 | 2021-11-02 | 浙江口碑网络技术有限公司 | 无线信号的特征提取方法及基于无线信号的定位方法 |
CN115497238A (zh) * | 2022-06-20 | 2022-12-20 | 中国矿业大学 | 基于Wi-Fi探针的被动定位与疏散引导方法及系统 |
CN115497238B (zh) * | 2022-06-20 | 2023-09-01 | 中国矿业大学 | 基于Wi-Fi探针的被动定位与疏散引导方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110035384A (zh) | 一种融合多传感器信号滤波优化的室内定位方法 | |
Hu et al. | Experimental Analysis on Weight ${K} $-nearest neighbor indoor fingerprint positioning | |
EP3596486A1 (en) | Wifi multi-band fingerprint-based indoor positioning | |
CN103209478B (zh) | 基于分类阈值及信号强度权重的室内定位方法 | |
CN105137390B (zh) | 一种基于可调发射功率ap的室内定位方法 | |
CN104869639B (zh) | 一种室内定位方法和装置 | |
CN103905992B (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN103634901B (zh) | 基于核密度估计的新型定位指纹采集提取方法 | |
CN106793086A (zh) | 一种室内定位方法 | |
CN104735781B (zh) | 一种室内定位系统及其定位方法 | |
CN107360549A (zh) | 一种基于蓝牙5的室内定位导航方法 | |
CN1920593A (zh) | 一种位置指纹识别定位方法 | |
CN108882151A (zh) | 基于csi信息区域化标注的室内定位方法 | |
CN103197280A (zh) | 一种基于射频信号强度的ap位置估计方法 | |
CN108668246B (zh) | 一种可在超大型展会场馆快速部署的室内定位方法 | |
CN110351660B (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN103338509A (zh) | 一种基于隐含马尔可夫模型的wsn室内定位方法 | |
CN109490826A (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
Lin et al. | An indoor Wi-Fi localization algorithm using ranging model constructed with transformed RSSI and BP neural network | |
CN109819394A (zh) | 基于WiFi与超声波混合的室内定位方法及其系统 | |
CN105223547B (zh) | 一种IOS设备的集中式Wifi室内定位方法 | |
CN104640205A (zh) | 宏基站条件下利用场强和差分指纹的手机定位系统和方法 | |
CN112135344B (zh) | 一种基于csi和dcnn的无设备目标定位方法 | |
CN108769910A (zh) | 一种WiFi定位的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |