CN110320495A - 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于Wi‑Fi、蓝牙和PDR融合定位的室内定位方法，步骤为：1）在待定位区域内部署Wi‑Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi‑Fi信号强度值RSSI，建立Wi‑Fi离线指纹数据库；2）在线阶段采集Wi‑Fi信号RSSI值，通过改进加权质心定位算法实现Wi‑Fi定位；3）在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；4）通过平均加权实现Wi‑Fi和蓝牙融合定位；5）利用步长模型匹配加速度传感器结果，进行PDR定位；6）通过UKF算法将Wi‑Fi、蓝牙和PDR进行融合得到最终定位结果。该定位方法定位精度高，定位误差小，效果好。

Description

一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法

技术领域

本发明涉及室内定位技术领域，具体是一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法。

背景技术

随着位置服务行业的迅速发展，人们对位置服务的需求增加，目前比较成熟的GPS、北斗定位仅仅支持室外定位，由于室内环境的复杂性，室内定位从实施成本、定位复杂度、定位精度等方面都有待提高。主流的室内定位技术有Wi-Fi定位、蓝牙定位、PDR定位、超宽带定位及地磁定位等，各种定位技术由于定位手段不同因此优缺点不一样，表1展示了几种主流室内定位技术的优缺点。

表1不同室内定位技术对比

Wi-Fi定位主要通过构建Wi-Fi指纹数据库实现Wi-Fi定位，但由于Wi-Fi信号不稳定，因此Wi-Fi定位也不稳定。蓝牙Beacon通过蓝牙向周围广播自身的ID,手机终端获得附近Beacon的ID后会采取相应的动作，如从云端服务器获取此ID对应的位置信息等，终端测量其所在位置的接收信号强度，以此估算与Beacon之间的距离。PDR定位是利用手机内置陀螺仪、加速度计、方向传感器等组成测量单元，通过行人航迹推算，对目标进行定位和追踪，但PDR定位中累计误差较大。融合定位是指融合多种定位技术、多传感器的信息进行综合定位，以达到有事互补，提高定位精度、鲁棒性、降低定位成本。不管是Wi-Fi、蓝牙Beacon或者PDR，因为室内和室外环境不一样，室内环境相对复杂，不同场所特征完全不一样，目前来看，单一技术无法同时满足精度、部署、成本这些需要的，融合定位必将成为室内定位的发展方向。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，该定位方法定位精度高，定位误差小，定位效果好。

实现本发明目的的技术方案是：

一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，包括如下步骤：

1)在待定位区域内部署Wi-Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi-Fi信号强度值RSSI，建立Wi-Fi离线指纹数据库；

2)在线阶段采集Wi-Fi信号RSSI值，通过改进加权质心定位算法实现Wi-Fi定位；

3)在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；

4)通过平均加权实现Wi-Fi和蓝牙融合定位；

5)利用步长模型匹配加速度传感器结果，进行PDR定位；

6)通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果。

步骤1)中，所述离线阶段，是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；设在待定位区域划分好的某个小区域在一段时间t内多次采集Wi-Fi信号为：其中p为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的Wi-Fi信号强度，所构建Wi-Fi离线指纹数据库为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)为来自M个Wi-Fi热点的RSSI，o_i＝(x,y)∈R²为RSSV_i对应的位置，x，y为该位置的位置信息。

步骤2)中，所述的在线阶段，是指Wi-Fi离线指纹数据库建立后，计算出Wifi数据库所有样本两两之间的欧氏距离，欧氏距离表达式为：

其中D_ij表示样本i与样本j的实际距离；

根据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，通过设置一个阈值T，当距离最小的两个类间的距离D>T时，聚类结束，根据聚类的结果，计算出每个类质心的信号特征向量为

设在线获取的RSSI样本记为T＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP的RSSI，位置向量o＝(x,y)表示在线获取的RSSI的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；

计算在线获取的RSSI样本T与所有类的质心M_K的欧式距离，找出与T的指纹距离最近的质心点所在的类P，通过最近邻算法计算出与T在欧式距离上最相近的K个点，其中，K个点的位置信息为(x_i,y_i)，若P中的指纹点数目小于K，则提取类P中所有点的物理位置，根据T与K个点的指纹欧氏距离来确定坐标权值的分配，权值的计算公式如下：

其中w_s'_j是一个权值的过度函数，w_sj是样本j分配到的坐标权值，K表示P中与S在欧式距离上最近的K个点；

通过下式得到Wi-Fi定位结果，

步骤3)中，所述的通过改进加权质心定位算法实现蓝牙定位，是在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m)，对m个位置测得的信号强度为S₁,S₂,...S_m，设则权值为最终得到的定位结果为

步骤4)中，所述的通过平均加权实现Wi-Fi和蓝牙融合定位，是在待定位区域内部署12个Wi-Fi路由器来部署Wi-Fi定位环境，将待定位区域内划分为若干个2*2m的小网格，每隔2s采集一次Wi-Fi信号强度值，共采集10次，记录采集点的位置信息，通过均值滤波法构架Wi-Fi离线指纹数据库；

同时在待定位区域内部署12个发射蓝牙信号的蓝牙节点，由于蓝牙输出频率高于Wi-Fi输出频率，即通常获得一次Wi-Fi定位结果时，获得3-5次蓝牙定位结果，因此在实际定位中，通过平均加权实现Wi-Fi和蓝牙融合定，即某次定位中Wi-Fi定位结果为：

L_Wifi＝(x,y)

此时间段内，蓝牙定位结果为：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

蓝牙定位的平均加权坐标为：

此时加入一个距离阈值σs判定，将得出的Wi-Fi定位坐标L_Wifi与蓝牙加权坐标的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定；当d≤σs时，即两者定位结果接近，说明蓝牙和Wi-Fi定位结果均在正常范围内，当d>σs时，即两者的定位结果相差较大，可能定位误差较大，自适应权值规则为：

L_wifibeacon即为Wi-Fi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定。

步骤5)中，所述的利用步长模型匹配加速度传感器结果，进行PDR定位，PDR定位所系统模型如下：

其中K为步数，行走后的位置信息x_k,y_k为行走后的位置信息，q_k表示K步后的方位角，W_k-1为噪声，为步长平均值，利用步长模型匹配加速度传感器结果，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得，Δq_k表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取，q_k表示行人行走后的第k步的朝向角；V_k表示噪声。

步骤6)中，所述的通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果，具体是构建行人行走的系统模型，PDR定位的初始位置坐标通过Wi-Fi定位获得，融合Wi-Fi定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得行人完成一步后的位置，使用量测方程更新状态信息和位置信息；

UKF算法设系统方程和两侧方程具有离散形式，即

其中，X是n维随机向量且Z是m维随机观测向量，f和h为非线性向量函数，W_k和VV_k为互不相关的零均值白噪声序列；u_k-1为确定性控制项；Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为根据设计一系列的点ξ_i(i＝1,2,..,L)，称其为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算通常Sigma点的数量去2n+1

PDR定位所述行人行走的系统模型建模如下：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，q_k表示K步后的方位朝向角，W_k-1表示噪声，s为步长平均值，采用步长模型匹配加速度传感器结果，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得；Δq_k表示行人行走后的第k步的朝向角变化量，通过智能终端内置陀螺仪获取；q_k表示行人行走后的第k步的朝向角；V_k表示噪声，通过UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由Wi-Fi蓝牙融合定位结果给出，初始方位朝向角q₀由PDR处理模块给出，利用UKF算法进行融合定位得出最终定位坐标。

本发明提供的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，首先通过改进加权质心法实现Wi-Fi定位和蓝牙定位，通过平均加权进行Wi-Fi和蓝牙融合定位，并通过权值自适应约束融合定位结果，解决了Wi-Fi信号不稳定的问题，利用融合定位结果和PDR定位融合通过UKF实现融合定位，解决了PDR定位中累计误差大的问题。实验证明，Wi-Fi、蓝牙和PDR融合定位结果比单独定位的定位精度高，解决了Wi-Fi定位信号不稳定，PDR累计误差大的问题。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。

附图说明

图1为本发明的整体流程图；

图2为Wi-Fi指纹定位的流程图；

图3为待定位区域Wi-Fi分布图；

图4为待定位区域蓝牙标签分布图。

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所示，一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，包括如下步骤：

1)在待定位区域内部署Wi-Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi-Fi信号强度值RSSI，建立Wi-Fi离线指纹数据库；

2)在线阶段采集Wi-Fi信号RSSI值，通过改进加权质心定位算法实现Wi-Fi定位；

3)在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；

4)通过平均加权实现Wi-Fi和蓝牙融合定位；

5)利用步长模型匹配加速度传感器结果，进行PDR定位；

6)通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果。

步骤1)中，如图2所示，所述离线阶段，是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；设在待定位区域划分好的某个小区域在一段时间t内多次采集Wi-Fi信号为：其中p为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的Wi-Fi信号强度，所构建Wi-Fi离线指纹数据库为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)为来自M个Wi-Fi热点的RSSI，o_i＝(x,y)∈R²为RSSV_i对应的位置，x，y为该位置的位置信息。

步骤2)中，所述的在线阶段，是指Wi-Fi离线指纹数据库建立后，计算出Wifi数据库所有样本两两之间的欧氏距离，欧氏距离表达式为：

其中D_ij表示样本i与样本j的实际距离；

根据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，通过设置一个阈值T，当距离最小的两个类间的距离D>T时，聚类结束，根据聚类的结果，计算出每个类质心的信号特征向量为

设在线获取的RSSI样本记为T＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP的RSSI，位置向量o＝(x,y)表示在线获取的RSSI的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；

计算在线获取的RSSI样本T与所有类的质心M_K的欧式距离，找出与T的指纹距离最近的质心点所在的类P，通过最近邻算法计算出与T在欧式距离上最相近的K个点，其中，K个点的位置信息为(x_i,y_i)，若P中的指纹点数目小于K，则提取类P中所有点的物理位置，根据T与K个点的指纹欧氏距离来确定坐标权值的分配，权值的计算公式如下：

其中w_s'_j是一个权值的过度函数，w_sj是样本j分配到的坐标权值，K表示P中与S在欧式距离上最近的K个点；

通过下式得到Wi-Fi定位结果，

步骤3)中，所述的通过改进加权质心定位算法实现蓝牙定位，是在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m)，对m个位置测得的信号强度为S₁,S₂,...S_m，设则权值为最终得到的定位结果为

步骤4)中，所述的通过平均加权实现Wi-Fi和蓝牙融合定位，是在待定位区域内部署12个Wi-Fi路由器来部署Wi-Fi定位环境，如图3所示，将待定位区域内划分为若干个2*2m的小网格，每隔2s采集一次Wi-Fi信号强度值，共采集10次，记录采集点的位置信息，通过均值滤波法构架Wi-Fi离线指纹数据库；

同时在待定位区域内部署12个发射蓝牙信号的蓝牙节点，如图4所示，由于蓝牙输出频率高于Wi-Fi输出频率，即通常获得一次Wi-Fi定位结果时，获得3-5次蓝牙定位结果，因此在实际定位中，通过平均加权实现Wi-Fi和蓝牙融合定，即某次定位中Wi-Fi定位结果为：

L_Wifi＝(x,y)

此时间段内，蓝牙定位结果为：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

蓝牙定位的平均加权坐标为：

此时加入一个距离阈值σs判定，将得出的Wi-Fi定位坐标L_Wifi与蓝牙加权坐标的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定；当d≤σs时，即两者定位结果接近，说明蓝牙和Wi-Fi定位结果均在正常范围内，当d>σs时，即两者的定位结果相差较大，可能定位误差较大，自适应权值规则为：

L_wifibeacon即为Wi-Fi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定。

步骤5)中，所述的利用步长模型匹配加速度传感器结果，进行PDR定位，PDR定位所系统模型如下：

其中K为步数，行走后的位置信息x_k,y_k为行走后的位置信息，q_k表示K步后的方位角，W_k-1为噪声，为步长平均值，利用步长模型匹配加速度传感器结果，设步长是60cm，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得，Δq_k表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取，q_k表示行人行走后的第k步的朝向角；V_k表示噪声。

步骤6)中，所述的通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果，具体是构建行人行走的系统模型，PDR定位的初始位置坐标通过Wi-Fi定位获得，融合Wi-Fi定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得行人完成一步后的位置，使用量测方程更新状态信息和位置信息；

UKF算法设系统方程和两侧方程具有离散形式，即

其中，X是n维随机向量且Z是m维随机观测向量，f和h为非线性向量函数，W_k和VV_k为互不相关的零均值白噪声序列；u_k-1为确定性控制项；Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为根据设计一系列的点ξ_i(i＝1,2,..,L)，称其为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算通常Sigma点的数量去2n+1

PDR定位所述行人行走的系统模型建模如下：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，q_k表示K步后的方位朝向角，W_k-1表示噪声，为步长平均值，采用步长模型匹配加速度传感器结果，设步长是60cm，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得；Δq_k表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取；q_k表示行人行走后的第k步的朝向角；V_k表示噪声，通过UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由Wi-Fi蓝牙融合定位结果给出，初始方位朝向角q₀由PDR处理模块给出，利用UKF算法进行融合定位得出最终定位坐标。

Claims (7)

1.一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，包括如下步骤：

1)在待定位区域内部署Wi-Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi-Fi信号强度值RSSI，建立Wi-Fi离线指纹数据库；

2)在线阶段采集Wi-Fi信号RSSI值，通过改进加权质心定位算法实现Wi-Fi定位；

3)在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；

4)通过平均加权实现Wi-Fi和蓝牙融合定位；

5)利用步长模型匹配加速度传感器结果，进行PDR定位；

6)通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果。

2.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤1)中，所述离线阶段，是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；设在待定位区域划分好的某个小区域在一段时间t内多次采集Wi-Fi信号为：其中p为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的Wi-Fi信号强度，所构建Wi-Fi离线指纹数据库为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)为来自M个Wi-Fi热点的RSSI，o_i＝(x,y)∈R²为RSSV_i对应的位置，x，y为该位置的位置信息。

3.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤2)中，所述的在线阶段，是指Wi-Fi离线指纹数据库建立后，计算出Wifi数据库所有样本两两之间的欧氏距离，欧氏距离表达式为：

其中D_ij表示样本i与样本j的实际距离；

根据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，通过设置一个阈值T，当距离最小的两个类间的距离D>T时，聚类结束，根据聚类的结果，计算出每个类质心的信号特征向量为

设在线获取的RSSI样本记为T＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP的RSSI，位置向量o＝(x,y)表示在线获取的RSSI的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；

计算在线获取的RSSI样本T与所有类的质心M_K的欧式距离，找出与T的指纹距离最近的质心点所在的类P，通过最近邻算法计算出与T在欧式距离上最相近的K个点，其中，K个点的位置信息为(x_i,y_i)，若P中的指纹点数目小于K，则提取类P中所有点的物理位置，根据T与K个点的指纹欧氏距离来确定坐标权值的分配，权值的计算公式如下：

其中w_s'_j是一个权值的过度函数，w_sj是样本j分配到的坐标权值，K表示P中与S在欧式距离上最近的K个点；

通过下式得到Wi-Fi定位结果，

4.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤3)中，所述的通过改进加权质心定位算法实现蓝牙定位，是在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m)，对m个位置测得的信号强度为S₁,S₂,...S_m，设则权值为最终得到的定位结果为

5.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤4)中，所述的通过平均加权实现Wi-Fi和蓝牙融合定位，是在待定位区域内部署12个Wi-Fi路由器来部署Wi-Fi定位环境，将待定位区域内划分为若干个2*2m的小网格，每隔2s采集一次Wi-Fi信号强度值，共采集10次，记录采集点的位置信息，通过均值滤波法构架Wi-Fi离线指纹数据库；

同时在待定位区域内部署12个发射蓝牙信号的蓝牙节点，由于蓝牙输出频率高于Wi-Fi输出频率，即通常获得一次Wi-Fi定位结果时，获得3-5次蓝牙定位结果，因此在实际定位中，通过平均加权实现Wi-Fi和蓝牙融合定，即某次定位中Wi-Fi定位结果为：

L_Wifi＝(x,y)

此时间段内，蓝牙定位结果为：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

蓝牙定位的平均加权坐标为：

此时加入一个距离阈值σs判定，将得出的Wi-Fi定位坐标L_Wifi与蓝牙加权坐标的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定；当d≤σs时，即两者定位结果接近，说明蓝牙和Wi-Fi定位结果均在正常范围内，当d>σs时，即两者的定位结果相差较大，可能定位误差较大，自适应权值规则为：

L_wifibeacon即为Wi-Fi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定。

6.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤5)中，所述的利用步长模型匹配加速度传感器结果，进行PDR定位，PDR定位所系统模型如下：

其中K为步数，行走后的位置信息x_k,y_k为行走后的位置信息，q_k表示K步后的方位角，W_k-1为噪声，为步长平均值，利用步长模型匹配加速度传感器结果，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得，Δq_k表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取，q_k表示行人行走后的第k步的朝向角；V_k表示噪声。

7.根据权利要求1所述的一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法，其特征在于，步骤6)中，所述的通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果，具体是构建行人行走的系统模型，PDR定位的初始位置坐标通过Wi-Fi定位获得，融合Wi-Fi定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得行人完成一步后的位置，使用量测方程更新状态信息和位置信息；

UKF算法设系统方程和两侧方程具有离散形式，即

其中，X是n维随机向量且Z是m维随机观测向量，f和h为非线性向量函数，W_k和VV_k为互不相关的零均值白噪声序列；u_k-1为确定性控制项；Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为根据设计一系列的点ξ_i(i＝1,2,..,L)，称其为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算通常Sigma点的数量去2n+1

PDR定位所述行人行走的系统模型建模如下：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，q_k表示K步后的方位朝向角，W_k-1表示噪声，为步长平均值，采用步长模型匹配加速度传感器结果，为朝向角变化量；模拟量测方程如下所示：

其中，x_k,y_k表示通过Wi-Fi和蓝牙融合定位获得的行人位置；s_k表示行人第k步行走步长，通过加速度传感器结果获得；Δq_k表示行人行走后的第k步的朝向角变化量，通过智能终端内置陀螺仪获取；q_k表示行人行走后的第k步的朝向角；V_k表示噪声，通过UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由Wi-Fi蓝牙融合定位结果给出，初始方位朝向角q₀由PDR处理模块给出，利用UKF算法进行融合定位得出最终定位坐标。