CN110320493A - 室内定位方法、装置、电子设备和计算机存储介质 - Google Patents
室内定位方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN110320493A CN110320493A CN201810294431.1A CN201810294431A CN110320493A CN 110320493 A CN110320493 A CN 110320493A CN 201810294431 A CN201810294431 A CN 201810294431A CN 110320493 A CN110320493 A CN 110320493A
- Authority
- CN
- China
- Prior art keywords
- distance
- fingerprint
- characteristic
- signal
- position coordinates
- 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 41
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000004927 fusion Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Collating Specific Patterns (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例公开了一种室内定位方法、装置、电子设备和计算机存储介质,所述方法包括:确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到,进而实现准确的室内定位。
Description
技术领域
本发明实施例涉及室内定位技术领域,尤其涉及一种室内定位方法、装置、电子设备和计算机存储介质。
背景技术
由于信号的严重衰减和多径效应,通用的室外定位设施,例如GPS(GlobalPositioning System,全球定位系统),并不能在建筑物内有效地工作。但在室内场景下,人们希望得到更精确的室内位置,这需要更精密的地图信息和更高的定位精度。
现有的室内定位算法,首先获取待定位设备所观察到的信号特征,接着,计算该信号特征与指纹库中各指纹的信号特征之间的欧式距离和曼哈顿距离,然后,根据经验的加权值,对计算获得各欧式距离和曼哈顿距离进行加权融合,确定待定位设备的位置坐标。
但是,现有技术在进行室内定位时,其定位不准确。
发明内容
本发明实施例提供一种室内定位方法、装置、电子设备和计算机存储介质,以解决现有室内定位方法定位不准确的问题。
第一方面,本发明实施例提供一种室内定位方法,包括:
确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;
根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
在第一方面的一种可能的实现方式中,所述根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合之前,还包括:
根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中指纹的位置坐标与所述训练集中指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
在第一方面的另一种可能的实现方式中,所述对所述距离加权模型进行归一化训练之前,还包括:
将所述室内定位指纹库中少于一半的指纹划分为所述测试集,将其余的指纹划分为所述训练集。
在第一方面的另一种可能的实现方式中,所述根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,包括:
根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离;
从各所述第一特征距离中获取预设数目个最小的第二特征距离;
将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
在第一方面的另一种可能的实现方式中,所述确定所述第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,包括:
分别确定所述第一信号特征和每个所述第二信号特征之间的欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
在第一方面的另一种可能的实现方式中,所述确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离之前,包括:
获取所述待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备在当前时刻所采集的第一信号特征。
第二方面,本发明实施例提供一种室内定位装置,包括:
确定模块,用于确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;
加权融合模块,用于根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
在第二方面的一种可能的实现方式中,所述装置还包括训练模块,
所述训练模块,用于根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中指纹的位置坐标与所述训练集中指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
在第二方面的另一种可能的实现方式中,所述装置还包括划分模块,
划分模块,用于将所述室内定位指纹库中少于一半的指纹划分为所述测试集,将其余的指纹划分为所述训练集。
在第二方面的另一种可能的实现方式中,所述加权融合模块,具体用于根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离,并从各所述第一特征距离中获取预设数目个最小的第二特征距离,将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
在第二方面的另一种可能的实现方式中,所述确定模块,具体用于分别确定所述第一信号特征和每个所述第二信号特征之间的欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
在第二方面的另一种可能的实现方式中,所述装置还包括获取模块,
所述获取模块,用于获取所述待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备在当前时刻所采集的第一信号特征。
第三方面,本发明实施例提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现第一方面所述的室内定位方法。
第四方面,本发明实施例提供一种计算机存储介质,所述存储介质中存储计算机程序,所述计算机程序用于执行第一方面所述的室内定位方法。
本发明实施例提供的技术方案的效果为:
通过确定待定位设备的第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标。本实施例中,距离加权模型由室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到,由于室内定位指纹库中包括的指纹均为准确的数据,这样根据准确的室内定位指纹库,可以获得精确的距离加权模型,进而基于该精确的距离加权模型,以及第一信号特征和每个第二信号特征之间的特征距离,对待定位设备与每个指纹的位置坐标之间的实际距离进行加权融合,可以准确确定出待定位设备的位置坐标,进而实现室内的精准定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的室内定位方法的流程示例图;
图2为本发明实施例涉及的目标区域的示意图;
图3为本发明实施例二提供的室内定位方法的流程示例图;
图4为本发明实施例一提供的室内定位装置的结构示意图;
图5为本发明实施例二提供的室内定位装置的结构示意图;
图6为本发明实施例三提供的室内定位装置的结构示意图;
图7为本发明实施例四提供的室内定位装置的结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的方法适用于任一需要获取室内定位信息的领域。
本发明实施例提供的技术方案,使用已有的室内指纹库中指纹之间的特征距离和实际距离进行归一化训练,获得距离加权模型,接着,确定待定位设备对应的第一信号特征与室内定位指纹库中各指纹的第二信号特征之间的特征距离,并根据上述的距离加权模型、以及第一信号特征和每个第二信号特征之间的特征距离,对待定位设备与室内定位指纹库中每个指纹的位置坐标之间的实际距离进行加权融合,进而准确确定出待定位设备的位置坐标,实现室内的精确定位。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例一提供的室内定位方法的流程示意图。该如图1所示,本实施例的方法可以包括:
S101、确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息。
本实施例的待定位设备可以是智能手机、计算机、笔记本电脑等任一具有信号接收和/或发送功能的电子设备。
本实施例的执行主体可以是与待定位设备进行通信连接,且可以对待定位设备进行定位的电子设备。
可选的,本实施例的执行主体还可以是待定位设备本身。
本实施例的方法可以基于有线信号或无线信号进行定位。
当基于无线信号进行定位时,可以使用WiFi(Wireless-Fidelity,无线保真)作为基础定位设施。目前,包括智能手机、笔记本电脑在内的大部分移动通信设备都内嵌了WiFi模块。
可选的,本实施例还可以使用蓝牙、RFID(Radio Frequency Identification,射频识别)、移动电话基站信号等进行室内定位。
本实施例以WiFi为基础定位设施为例进行说明,其他的定位设施参照即可。
WiFi广泛使用在家庭、旅馆、咖啡馆、机场、商场等各类大型或小型建筑物内,这样使得WiFi成为定位领域中一个最引人注目的无线技术。通常,一个WiFi系统由一些固定的接入点AP(Wireless Access Point,无线访问接入点)组成,它们部署在在室内一些便于安装的位置,系统或网络管理员通常知道这些AP的位置。能连接WiFi的移动设备(比如笔记本电脑、移动电话)相互之间可以直接或间接地(通过AP)通信,因此可以用于实现定位功能。
本实施例的信号特征可以是某个位置上通信信号的多径结构,或者某个位置上检测到的信号的RSS(Received Signal Strength,接收信号强度)等。
本实施例的室内定位指纹库为待定位设备所在的目标区域的指纹数据,该室内定位指纹库中各指纹的位置坐标和信号特征之间的对应关系在离线阶段已经建立好的。
假设,待定位设备所在的目标区域如图2所示,目标区域被一个4行8列(共32个网格点)的矩形网格所覆盖,该目标区域中有2个AP。在每一个网格点上,每隔一段时间采集一次数据,获得每个网格点来自各个AP的平均RSS,将平均RSS作为信号特征。例如第i个网格点检测到的信号特征为ρi=[ρi1,ρi2],其中ρi1为网格点i检测到的来自第一个AP的RSS的平均值,ρi2为网格点i检测到的来自第二个AP的RSS的平均值。
这些信号特征是在每个网格点所示的区域上采集到的,每个网格点的位置坐标和对应的信号特征组成一个指纹,该目标区域中每个网格点的指纹组成如表1所示的室内定位指纹库。
表1
表2示出了2个AP的指纹库,假设有N个AP,那么信号特征ρ也是一个N维的向量。
这样,当待定位设备位于上述目标区域中,但是不知道它的具体位置时,待定位设备采集当前时刻的第一信号特征,例如,如图2所示,待定位设备采集目标区域中各AP的信号强度,将这些信号强度作为第一信号特征。
在一种示例中,当本实施例的执行主体为与待定位设备进行通信连接的电子设备时,在上述S101之前,本实施例的方法还包括:
获取待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备所采集的第一信号特征。
具体是,待定位设备采集到第一信号特征后,向电子设备发送定位请求,该定位请求中携带待定位设备在当前实例所采集的第一信号特征。
可选的,本实施例的定位请求中还携带有待定位设备所在的目标区域的标识。这样,电子设备接收到定位请求后,可以根据目标区域的标识,从服务器中获取目标区域的室内定位指纹库。
可选的,本实施例的电子设备可以为仅对目标区域服务的服务器,服务器中已经保存有该目标区域的室内定位指纹库。
在另一种示例中,当本实施例的执行主体为待定位设备本身时,待定位设备采集到第一信号特征后,可以向服务器发送请求,获得室内定位指纹库,以确定自身的位置。
由上述可知,室内定位指纹库中包括了目标区域的每个网格点的指纹,每条指纹中包括各网格点的信号特征和位置坐标。
这样,可以确定上述获得的第一信号特征与定位数据库中每个指纹的第二信号特征之间的距离。
假设,目标区域如图2所示,包括2个AP,上述第一信号特征r=[r1,r2]。假设,室内定位指纹库中包括n个指纹,指纹i的第二信号特征ρi=[ρi1,ρi2],这样可以计算出第一信号特征r与室内定位指纹库中每个第二信息特征ρi之间的特征距离。
可选的,本实施例的特征距离为欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
在一种示例中,当特征距离为欧式距离时,可以根据下列公式(1)确定信号特征x=[x1,x2,…xn]和y=[y1,y2,…yn]之间的特征距离:
参照上述例子和公式(1),可以获得上述第一信号特征r=[r1,r2]与指纹i的第二信号特征ρi=[ρi1,ρi2]之间的特征距离
在另一种示例中,当特征距离为曼哈顿距离时,可以根据下列公式(2)确定信号特征x=[x1,x2,…xn]和y=[y1,y2,…yn]之间的特征距离:
Od=|x1-y1|+|x2-y2|+...+|xn-yn|
参照上述例子和公式(2),可以获得上述第一信号特征r=[r1,r2]与指纹i的第二信号特征ρi=[ρi1,ρi2]之间的特征距离Odi=|r1-ρi1|+|r2-ρi2|:
在另一种示例中,当特征距离为马氏距离时,可以根据下列公式(3)确定信号特征x=[x1,x2,…xn]和y=[y1,y2,…yn]之间的特征距离:
其中,T表示转置,S为样本协方差矩阵。
参照上述例子和公式(3),可以获得上述第一信号特征r=[r1,r2]与指纹i的第二信号特征ρi=[ρi1,ρi2]之间的特征距离
在另一种示例中,当特征距离为余弦距离时,可以根据下列公式(4)确定信号特征x=[x1,x2,…xn]和y=[y1,y2,…yn]之间的特征距离:
参照上述例子和公式(3),可以获得上述第一信号特征r=[r1,r2]与指纹i的第二信号特征ρi=[ρi1,ρi2]之间的特征距离
可选的,本实施例还可以根据其他的距离公式,确定出第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,本实施例对此不做限制。
S102、根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
由上述可知,本实施例的两个信号特征之间的特征距离可以根据不同的公式计算,进而获得不同的特征距离。
现有技术,当根据上述S101的步骤获得不同的特征距离时,例如获得欧式距离和曼哈顿距离,工作人员根据经验值进行不同距离的加权融合。这样会造成定位不准确的问题。
为了解决该技术问题,本实施例根据距离加权模型、以及第一信号特征和指纹库中每个指纹的第二信号特征之间的特征距离,对待定位设备与每个指纹的位置坐标之间的实际距离进行加权融合,进而准确确定出待定位设备的位置坐标。
需要说明的是,本实施例的距离加权模型是根据室内定位指纹库中的指纹之间的特征距离和位置坐标距离进行归一化训练得到的。
在一种示例中,根据上述特征距离公式,计算室内定位指纹库中各指纹的第二信号特征之间的欧式距离和曼哈顿距离。同时,计算指纹库中各指纹的位置坐标之间的实际距离。接着,根据上述计算获得的各欧式距离、曼哈顿距离和实际距离,对距离加权模型进行归一化训练,得到距离加权模型。
在另一种示例中,根据上述特征距离公式,计算室内定位指纹库中各指纹的第二信号特征之间的欧式距离和马氏距离。同时,计算指纹库中各指纹的位置坐标之间的实际距离。接着,根据上述计算获得的各欧式距离、马氏距离和实际距离,对距离加权模型进行归一化训练,得到距离加权模型。
在又一种示例中,根据上述特征距离公式,计算室内定位指纹库中各指纹的第二信号特征之间的欧式距离、曼哈顿距离和马氏距离。同时,计算指纹库中各指纹的位置坐标之间的实际距离。接着,根据上述计算获得的各欧式距离、曼哈顿距离、马氏距离和实际距离,对距离加权模型进行归一化训练,得到距离加权模型。
可选的,还可以使用其他方式确定特征距离,来对距离加权模型进行归一化训练,本实施例对此不做限制,具体根据实际需要设定。
由上述可知,本实施例的距离加权模型包括了不同特征距离对应的加权值,例如,当本实施例的特征距离包括欧式距离、曼哈顿距离和马氏距离时,对应的距离加权模型中包括欧式距离的加权值、曼哈顿距离的加权值和马氏距离的加权值。
这样,根据现有的精确的室内定位指纹库可以训练出精确的距离加权模型,进而基于该精确的距离加权模型,可以准确确定出待定位设备的位置坐标,进而实现室内的准确定位。
本发明实施例提供的室内定位方法,确定待定位设备的第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标。本实施例中,距离加权模型由室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到,由于室内定位指纹库中包括的指纹均为准确的数据,这样根据准确的室内定位指纹库,可以获得精确的距离加权模型,进而基于该精确的距离加权模型,以及第一信号特征和每个第二信号特征之间的特征距离,对待定位设备与每个指纹的位置坐标之间的实际距离进行加权融合,进而可以准确确定出待定位设备的位置坐标,进而实现室内的精准定位。
在本实施例的一种可能的实现方式中,在上述S102根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合之前,本实施例的方法还包括:
S100、根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中每个指纹的位置坐标与所述训练集中每个指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
即本实施,在使用距离加权模型确定待定位设备的位置坐标时,首先需要对该距离加权模型进行归一化训练。
具体是,将室内定位指纹库中各指纹分为测试集和训练集,计算测试集中各指纹的信号特征与训练集中各指纹的信号特征之间的特征距离。同时,计算测试集中各指纹的位置坐标与训练集中各指纹的位置坐标之间的实际距离。将上述各特征距离作为特征值,将上述各实际距离作为标签,对距离加权模型进行归一化训练。
接着,使用训练好的距离加权模型,执行上述S102的步骤,进而准确确定出待定位设备的位置坐标。
在一种示例中,在上述对距离加权模型进行训练时,可以将所述室内定位指纹库中少于一半的指纹划分为测试集,将其余的指纹划分为训练集。这样可以保证训练集的数据量,保证对距离加权模型的有效训练,进一步提高了距离加权模型的精确性。
图3为本发明实施例二提供的室内定位方法的流程示例图。在上述实施例的基础上,本实施例涉及的是,根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标的具体过程。如图3所示,上述S102具体可以包括:
S201、根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离。
S202、从各所述第一特征距离中获取预设数目个最小的第二特征距离。
S203、将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
具体是,根据上述训练好的距离加权模型,对第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运行,获得各第一特征距离。
例如,第一信号特征r=[r1,r2],室内定位指纹库中包括10个指纹,10个指纹包括的第二信号特征依次为ρ0=[ρ01,ρ02]、ρ1=[ρ11,ρ12]….ρ9=[ρ91,ρ92],10个指纹包括的位置坐标依次为P0、P1…P9,距离加权模型为k=[k1,k2],其中k1表示欧式距离的加权值,k2表示曼哈顿距离的加权值。
计算第一信号特征与每个第二信号特征之间的欧式距离和曼哈顿距离。例如,第一信号特征r=(r1,r2)和每个第二信号特征之间的欧式距离依次为Do0、Do1…Do9,第一信号特征r=(r1,r2)和每个第二信号特征之间的曼哈顿距离依次为Dh0、Dh1…Dh9。
接着,根据距离加权模块,对第一信号特征与每个第二信号特征之间的特征距离进行加权运算。参照上述例子,根据k=(k1,k2)对各欧式距离Do和各曼哈顿距离Dh进行加权运算,获得新的特征距离,依次为D0=k1*Do0+k2*Dh0、D1=k1*Do1+k2*Dh1、….、D9=k1*Do9+k2*Dh9,将这些新的特征距离记为第一特征距离。
对上述各第一特征距离从小到大进行排序,获得预设数目个最小的第二特征距离。参照上述例子,从上述各第一特征距离中获取3个最小的第一特征距离作为第二特征距离,依次为D1、D5和D9。
即本实施例,先对特征距离进行加权运算,接着对加权运算后的特征距离进行筛选,进而提高了筛选的准确性,从而提高了定位的准确性。
从室内定位指纹库中的各指纹中获得各第二特征距离对应的指纹,并将这些指纹的位置坐标的中心点的位置坐标作为待定位设备的位置坐标。参照上述例子,获得D1对应的指纹的位置坐标为P1(x1,y1),D5对应的指纹的位置坐标为P5(x5,y5),D9对应的指纹的位置坐标为P9(x9,y9)。求得P1、P5和P9的中心点的Pm(xm,ym),将Pm的位置坐标(xm,ym)作为待定位设备的位置坐标。
可选的,xm可以为x1、x5和x9的平均值,ym可以为y1、y5和y9的平均值。
可选的,Pm(xm,ym)可以为P1、P5和P9的几何中心点。
本发明实施例提供的室内定位方法,根据距离加权模型,对第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离,从各第一特征距离中获取预设数目个最小的第二特征距离;将各第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为待定位设备的位置坐标。该方法先对特征距离进行加权运算,对加权运算后的特征距离进行筛选,进而提高了筛选的准确性,从而提高了定位的准确性。
图4为本发明实施例一提供的室内定位装置的结构示意图。如图4所示,本实施例的室内定位装置100可以包括:
确定模块110,用于确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;
加权融合模块120,用于根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
本发明实施例的室内定位装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5为本发明实施例二提供的室内定位装置的结构示意图。如图5所示,本实施例的室内定位装置100可以包括训练模块130:
所述训练模块130,用于根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中指纹的位置坐标与所述训练集中指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
图6为本发明实施例三提供的室内定位装置的结构示意图。如图6所示,本实施例的室内定位装置100可以包括划分模块140:
划分模块140,用于将所述室内定位指纹库中少于一半的指纹划分为所述测试集,将其余的指纹划分为所述训练集。
在本实施例的一种可能的实现方式中,所述加权融合模块120,具体用于根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离,并从各所述第一特征距离中获取预设数目个最小的第二特征距离,将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
在本实施例的另一种可能的实现方式中,所述确定模块110,具体用于分别确定所述第一信号特征和每个所述第二信号特征之间的欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
本发明实施例的室内定位装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图7为本发明实施例四提供的室内定位装置的结构示意图。如图7所示,本实施例的室内定位装置100可以包括获取模块150:
所述获取模块150,用于获取所述待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备在当前时刻所采集的第一信号特征。
本发明实施例的室内定位装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本发明实施例提供的电子设备的结构示意图,如图8所示,本实施例的电子设备200包括:
存储器220,用于存储计算机程序;
处理器230,用于执行所述计算机程序,以实现上述室内定位方法,其实现原理和技术效果类似,此处不再赘述。
进一步的,当本发明实施例中室内定位方法的至少一部分功能通过软件实现时,本发明实施例还提供一种计算机存储介质,计算机存储介质用于储存为上述对室内定位的计算机软件指令,当其在计算机上运行时,使得计算机可以执行上述方法实施例中各种可能的室内定位方法。在计算机上加载和执行所述计算机执行指令时,可全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机指令可以存储在计算机存储介质中,或者从一个计算机存储介质向另一个计算机存储介质传输,所述传输可以通过无线(例如蜂窝通信、红外、短距离无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
1.一种室内定位方法,其特征在于,包括:
确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;
根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
2.根据权利要求1所述的方法,其特征在于,所述根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合之前,还包括:
根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中每个指纹的位置坐标与所述训练集中每个指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
3.根据权利要求2所述的方法,其特征在于,所述对所述距离加权模型进行归一化训练之前,还包括:
将所述室内定位指纹库中少于一半的指纹划分为所述测试集,将其余的指纹划分为所述训练集。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,包括:
根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离;
从各所述第一特征距离中获取预设数目个最小的第二特征距离;
将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
5.根据权利要求1所述的方法,其特征在于,所述确定所述第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,包括:
分别确定所述第一信号特征和每个所述第二信号特征之间的欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
6.根据权利要求1所述的方法,其特征在于,所述确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离之前,包括:
获取所述待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备在当前时刻所采集的第一信号特征。
7.一种室内定位装置,其特征在于,包括:
确定模块,用于确定第一信号特征与室内定位指纹库中每个指纹的第二信号特征之间的特征距离,其中,所述第一信号特征用于表示待定位设备的位置信息;
加权融合模块,用于根据距离加权模型、以及所述第一信号特征和每个所述第二信号特征之间的特征距离,对所述待定位设备与每个所述指纹的位置坐标之间的实际距离进行加权融合,确定所述待定位设备的位置坐标,其中,所述距离加权模型由所述室内定位指纹库中指纹之间的特征距离和位置坐标距离进行归一化训练得到。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括训练模块,
所述训练模块,用于根据所述室内定位指纹库中的测试集中每个指纹的信号特征与训练集中每个指纹的信号特征之间的特征距离,以及所述测试集中指纹的位置坐标与所述训练集中指纹的位置坐标之间的实际距离,对所述距离加权模型进行归一化训练。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括划分模块,
划分模块,用于将所述室内定位指纹库中少于一半的指纹划分为所述测试集,将其余的指纹划分为所述训练集。
10.根据权利要求7-9任一项所述的装置,其特征在于,
所述加权融合模块,具体用于根据所述距离加权模型,对所述第一信号特征与所述室内定位指纹库中每个指纹的第二信号特征之间的特征距离进行加权运算,获得各第一特征距离,并从各所述第一特征距离中获取预设数目个最小的第二特征距离,将各所述第二特征距离对应的指纹的位置坐标的中心点的位置坐标,作为所述待定位设备的位置坐标。
11.根据权利要求7所述的装置,其特征在于,所述确定模块,具体用于分别确定所述第一信号特征和每个所述第二信号特征之间的欧式距离、曼哈顿距离、马氏距离和余弦距离中的至少两个。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括获取模块,
所述获取模块,用于获取所述待定位设备发出的定位请求,所述定位请求中包括:所述待定位设备在当前时刻所采集的第一信号特征。
13.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1-6中任一项所述的室内定位方法。
14.一种计算机存储介质,其特征在于,所述存储介质中存储计算机程序,所述计算机程序在执行时实现如权利要求1-6中任一项所述的室内定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294431.1A CN110320493B (zh) | 2018-03-30 | 2018-03-30 | 室内定位方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294431.1A CN110320493B (zh) | 2018-03-30 | 2018-03-30 | 室内定位方法、装置、电子设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320493A true CN110320493A (zh) | 2019-10-11 |
CN110320493B CN110320493B (zh) | 2023-11-14 |
Family
ID=68112357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810294431.1A Active CN110320493B (zh) | 2018-03-30 | 2018-03-30 | 室内定位方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320493B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110856253A (zh) * | 2019-11-15 | 2020-02-28 | 北京三快在线科技有限公司 | 定位方法、装置、服务器及存储介质 |
CN111726860A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 基于poi空间距离的定位方法、装置、设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888979A (zh) * | 2014-03-17 | 2014-06-25 | 南京邮电大学 | 一种基于无线局域网的室内定位方法 |
CN104394588A (zh) * | 2014-11-15 | 2015-03-04 | 北京航空航天大学 | 基于Wi-Fi指纹和多维尺度分析的室内定位方法 |
CN105050052A (zh) * | 2015-06-04 | 2015-11-11 | 大连理工大学 | 一种基于卡方距离及灵敏度法则的无线局域网室内定位方法 |
US20160183050A1 (en) * | 2014-12-23 | 2016-06-23 | Alcatel-Lucent Usa Inc. | Systems And Methods For Localization |
CN106610487A (zh) * | 2015-10-22 | 2017-05-03 | 北京金坤科创技术有限公司 | 一种融合的室内定位方法 |
CN106646339A (zh) * | 2017-01-06 | 2017-05-10 | 重庆邮电大学 | 一种无线位置指纹室内定位中在线匹配定位方法 |
WO2017181952A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 定位方法和装置 |
WO2017185828A1 (zh) * | 2016-04-26 | 2017-11-02 | 中兴通讯股份有限公司 | 指纹定位方法及装置 |
CN107526058A (zh) * | 2017-09-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 室内定位方法、装置及系统 |
-
2018
- 2018-03-30 CN CN201810294431.1A patent/CN110320493B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103888979A (zh) * | 2014-03-17 | 2014-06-25 | 南京邮电大学 | 一种基于无线局域网的室内定位方法 |
CN104394588A (zh) * | 2014-11-15 | 2015-03-04 | 北京航空航天大学 | 基于Wi-Fi指纹和多维尺度分析的室内定位方法 |
US20160183050A1 (en) * | 2014-12-23 | 2016-06-23 | Alcatel-Lucent Usa Inc. | Systems And Methods For Localization |
CN105050052A (zh) * | 2015-06-04 | 2015-11-11 | 大连理工大学 | 一种基于卡方距离及灵敏度法则的无线局域网室内定位方法 |
CN106610487A (zh) * | 2015-10-22 | 2017-05-03 | 北京金坤科创技术有限公司 | 一种融合的室内定位方法 |
WO2017181952A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 定位方法和装置 |
WO2017185828A1 (zh) * | 2016-04-26 | 2017-11-02 | 中兴通讯股份有限公司 | 指纹定位方法及装置 |
CN106646339A (zh) * | 2017-01-06 | 2017-05-10 | 重庆邮电大学 | 一种无线位置指纹室内定位中在线匹配定位方法 |
CN107526058A (zh) * | 2017-09-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 室内定位方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
林方旭: "基于无线传感网的室内定位技术研究", no. 2016, pages 27 - 50 * |
毕京学;甄杰;汪云甲;刘笑笑;: "高斯函数定权的改进KNN室内定位方法", 测绘通报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110856253A (zh) * | 2019-11-15 | 2020-02-28 | 北京三快在线科技有限公司 | 定位方法、装置、服务器及存储介质 |
CN111726860A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 基于poi空间距离的定位方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110320493B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436388B2 (en) | Methods and apparatus for procedure tracking | |
JP6463263B2 (ja) | モバイル・デバイスの位置決め | |
CN108605205B (zh) | 用于确定电子装置的位置的设备和方法 | |
KR102129400B1 (ko) | 라디오 맵 구축 방법 | |
CN106461786B (zh) | 室内全球定位系统 | |
CN109212476B (zh) | 一种基于ddpg的rfid室内定位算法 | |
CN107787459A (zh) | 提供、组织及管理移动装置的位置历史记录 | |
US20170238146A1 (en) | Systems and Methods for Improving Indoor Position Detection | |
CN104620642A (zh) | 便携式资源管理系统和方法 | |
US10171942B2 (en) | Methods, apparatuses, systems, and computer readable media for changing settings of mobile terminals using cell identification information | |
Adege et al. | Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm | |
US10932087B2 (en) | Motion detection for passive indoor positioning system | |
CN110362492A (zh) | 人工智能算法测试方法、装置、服务器、终端及存储介质 | |
KR20180063538A (ko) | Poi 정보를 제공하는 방법 및 이를 지원하는 전자 장치 | |
CN108235234A (zh) | 提供位置数据的电子设备和方法 | |
CN109068272A (zh) | 相似用户识别方法、装置、设备及可读存储介质 | |
Nguyen et al. | A novel architecture using iBeacons for localization and tracking of people within healthcare environment | |
KR102514593B1 (ko) | Rf 핑거프린트 구축 방법 및 장치 | |
CN110320493A (zh) | 室内定位方法、装置、电子设备和计算机存储介质 | |
US20170248424A1 (en) | Electronic device for determining position and method for operating the same | |
KR102472551B1 (ko) | 전자 장치 및 전자 장치에서의 위치 추정 방법 | |
KR102052519B1 (ko) | 저전력 블루투스 기반의 실내 측위 방법 및 장치 | |
KR102612792B1 (ko) | 전자 장치 및 전자 장치의 관심 영역 진입 판단 방법 | |
Wang et al. | Design of a TDOA location engine and development of a location system based on chirp spread spectrum | |
KR20180045393A (ko) | 타일 기반 poi 관리 방법 및 장치 |
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 |