CN110035384A - 一种融合多传感器信号滤波优化的室内定位方法 - Google Patents

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

一种融合多传感器信号滤波优化的室内定位方法

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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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),···(x_k,y_k)，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d_1j，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d_1i<d_i，保留参考点；如果d_1i>d_i，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(x_i,y_i)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，d_i、d_j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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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(x_i,y_j)，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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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),···(x_k,y_k)，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d_1j，

(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d_1i<d_i，保留参考点；如果d_1i>d_i，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(x_i,y_i)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，d_i、d_j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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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(x_i,y_j)，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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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),···(x_k,y_k)，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d_1j，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d_1i<d_i，保留参考点；如果d_1i>d_i，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(x_i,y_i)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，d_i、d_j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AP_j的接收信号强度和指纹矢量中AP_j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，AP_j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(x_i,y_j)，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)。