CN110351666B - 一种消除无线指纹地图二义性的方法 - Google Patents

Abstract

本发明公开了一种消除无线指纹地图二义性的方法，涉及定位服务技术领域，其包括以下步骤：S1，确定移动端的的最低采样周期，采集移动端的惯性传感器数据和RSSI数据；S2，通过粒子滤波将惯性传感器数据转换为逻辑轨迹和它的终点集合；S3，对终点集合按照权重分为A、B、C类，对应的形成A、B、C类轨迹簇：S4，将获得的A、B、C类轨迹簇形成队列；S5，消除指纹二义性，生成室内无线指纹地图，本发明的有益效果是：利用轨迹联合约束消除轨迹二义性，提高轨迹利用率，将数量巨大的短轨迹利用起来，通过提高轨迹利用率的方式不仅提升了数据的使用效率，也弥补因低频采样带来的数据总量不足。

Description

一种消除无线指纹地图二义性的方法

技术领域

本发明涉及定位服务技术领域，具体是一种消除无线指纹地图二义性的方法。

背景技术

随着物联网的兴起，万物互联的浪潮席卷全球，作为物联网关键应用，基于位置的服务(Location-based Service，LBS)受到越来越广泛的重视。相比于成熟的室外定位技术，室内定位技术也受到相当的关注。一方面，在大型室内空间(地下停车场，机场，车站等)中，对定位服务的需求越来越大，另一方面，基于位置的广告营销，精准服务也展示出这项服务的广阔市场。近年来，随着人工智能的发展，服务无人化蔚然成风。得到用户或商品的实时位置成为服务无人化的重要基础。

近二十年，室内定位已受到工业界和学术界广泛而深入研究。涌现出众多解决方案，利用包括Wi-Fi、RFID、声音信号、超声波等多种信号，近来的研究中图像信号也越来越多的整合进定位系统中。

其中，由于部署广泛和可用性强，基于Wi-Fi指纹的室内定位技术受到到广泛的关注。尽管有重大的研究进展，开发一种可以广泛部署的室内定位系统仍然面临诸多挑战。制约其广泛部署的难题之一就是劳动密集型的现场调查和维护。

通常，基于Wi-Fi指纹的定位系统都需要一个专门的离线勘测阶段来为定位空间构建一个射频指纹地图。勘测过程要求在多个位置的手工测量位置对应的指纹，并且需要在重复测量来保证数据的准确性。此外，由于室内环境会发生变化，射频指纹地图还需要定期更新。耗时严重的勘测和维护工作使得现有采用人工勘测离线构造无线指纹地图的方法存在人工开销过大和可扩展性较差的问题。利用群智感知方式，可以大大降低人工勘测的开销，并提高系统可扩展性。然而现有的群智感知方式受限于设备多样性和商用设备精度约束，存在严重的轨迹二义性和无线指纹二义性问题，这些问题严重制约了系统的广泛部署。

基于此，本申请提出了一种消除无线指纹地图二义性的方法。

发明内容

本发明的目的在于提供一种消除无线指纹地图二义性的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种消除无线指纹地图二义性的方法，包括以下步骤：

S1，确定移动端的的最低采样周期，采集移动端的惯性传感器数据和RSSI数据；

S2，通过粒子滤波将惯性传感器数据转换为逻辑轨迹和它的终点集合；

S3，对终点集合按照权重分为A、B、C类，对应的形成A、B、C类轨迹簇，其中，每类轨迹簇至少包括以下信息：

逻辑轨迹，反映轨迹在2D平面上的形状；

终点集，轨迹重点所组成的集合；

权重，与轨迹簇类别相关联；

废弃位，用于记录轨迹在轨迹筛选中落选的次数，初始是0，废弃位等于3会让当前轨迹被废弃；

MAC地址集，记录指纹中RSSI强度高于设定阈值的移动端的MAC地址；

S4，将获得的A、B、C类轨迹簇形成队列，以队列中第一个非C类轨迹簇作为启动轨迹簇，之后队列中的轨迹簇依次出队与启动轨迹簇进行比较，当启动轨迹簇为B类轨迹时，选择非C类轨迹与启动轨迹簇相比，直到启动轨迹簇为A类轨迹；之后对启动轨迹簇和与之相比较的轨迹簇判定两者是否相邻，若相邻，进行联合约束算法和拼接算法；若不相邻，进行轨迹簇分发算法；

S5，消除指纹二义性，生成室内无线指纹地图。

作为本发明进一步的方案：判定启动轨迹簇和与之相比较的轨迹簇是否相邻的方法是：设定相似度d_TC，

式中，M₁、M₂是两条轨迹簇的MAC地址集合，当d_TC大于0时，判定启动轨迹簇和与之相比较的轨迹簇相邻。

作为本发明再进一步的方案：所述联合约束算法包括以下步骤：

(1)A类轨迹簇与A类轨迹簇

直接拼接即可；

(2)A类轨迹簇与B类轨迹簇、B类轨迹簇与A类轨迹簇

当启动轨迹簇为A类，与之比较的轨迹簇为B类时，只确定B类轨迹簇的终点；

通过欧氏距离找到启动轨迹簇和与之比较的轨迹簇为B类指纹之间最近的点，分别标记为h_launch和h_current，其在逻辑轨迹上的坐标分别为r_launch和r_current，滤波后分别得到终点的e_launch和e_current；

e_current＝argmind(r_launch+e_launch,r_launch+e_i)

式中，e_i来自启动轨迹簇的终点集，e_current是符合约束条件的终点；

B类轨迹簇与A类轨迹簇的拼接与上述同理；

(3)A类轨迹簇与C类轨迹簇

首先，通过(2)中的方式得到h_launch和h_current，然后找到距离h_current最近的3个点，根据以下公式计算每个点的权重：

式中，d_i表示h_current与临时点集中每个点的指纹的相似度,p_i表示第i个点的权重，用下式估计的e_current实际位置：

其中，e_current为与A类轨迹簇拼接的C类轨迹簇的终点，r_hi是逻辑轨迹上h_i的坐标，e_current是指满足条件的实际位置；

(4)B类轨迹簇与B类轨迹簇

通过下式计算

e_i',e_j'＝argmind(r_launch+e_i,r_current+e_i)

式中，e_i来自TC_launch的重点集合，记作E_launch,e_j来自TC_current的终点集合，记作E_current，得到e_i'和e_j'即所需的e_launch和e_current。

作为本发明再进一步的方案：若任一条轨迹簇在进行联合约束算法之后没有得到唯一的终点，将启动轨迹簇标记为错误轨迹簇，并将其放回队列中，用于下一次拼接。

作为本发明再进一步的方案：所述拼接算法包括以下步骤：

确定拼接后轨迹簇的终点：以e_launch作为新的终点，不保留e_current；

然后带拼接的轨迹簇根据以下公式计算逻辑轨迹R：

r_i＝r_i'-(e_launch-e_launch),r_i∈R_current

式中，r_i为R_current中点的坐标，r_i'为i点经过计算后新的坐标；

向R_launch中添加更新后的R_current，更新其权值和废弃位；

最后，MAC地址集取两个MAC地址集的并集；

经过轨迹簇拼接后，新的轨迹簇将作为启动继续执行算法，直到队列为空。

作为本发明再进一步的方案：所述轨迹簇分发算法包括以下步骤：

首先对比两个轨迹簇的权重，选择权重高的作为优势轨迹簇，另一个为重用轨迹簇，若两个轨迹簇的权重相同，则以两者中MAC地址集合较大的那个作为优势轨迹簇，优势轨迹簇作为启动轨迹簇参与下一次拼接，重用轨迹簇继续返回队列中，并为其废弃位增加1，直至其废弃位达到3时，舍弃该重用轨迹簇。

作为本发明再进一步的方案：若两个轨迹簇的权重、MAC地址集合均相同，则将作为启动轨迹簇的那个轨迹簇作为优势轨迹簇。

作为本发明再进一步的方案：步骤S5中，指纹二义性的消除方法为：

对得到的轨迹簇进行平滑处理，建立对应轨迹簇每个位置的指纹库，用于保留对应该位置的有效指纹数据，并在指纹库填充满后，替换掉使用次数最少的指纹。

与现有技术相比，本发明的有益效果是：使用了低频采样技术，将对用户的额外要求降至最低，不需要用户事前训练亦不需要特定设备，同时生成的是通用的射频指纹地图，可以作为中间件辅助其他定位系统，极大的增强了系统的易部署性；利用轨迹联合约束消除轨迹二义性，提高轨迹利用率，将数量巨大的短轨迹利用起来，通过提高轨迹利用率的方式不仅提升了数据的使用效率，也弥补因低频采样带来的数据总量不足；同时提出一个基于局部空间轨迹的指纹净化方法，在不舍弃数据情况下消除指纹的二义性，充分利用指纹信息，通过建立地图和定位是指纹使用次数来筛选可靠的指纹数据，提高指纹地图的指纹精度。

附图说明

图1为一种消除无线指纹地图二义性的方法的工作原理图。

图2为室内空间区域划分示意图。

图3为用户沿ABCD移动时用户位置可能性的变化示意图。

图4为轨迹二义性消除流程图。

图5为轨迹相邻但是不相交的情况的示意图。

图6为轨迹平滑和指纹投影示意图。

图7为射频指纹地图示意图。

图8为定位精度试验中的实验楼平面图。

图9为定位精度结果示意图。

图10为系统健壮性试验中的医院大厅平面图。

图11为系统健壮性试验中的商场平面图。

图12为系统在三个环境的定位精度结果示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本实施例公开的一些方面相一致的装置和方法的例子。

实施例1

请参阅图1～12，本发明实施例中，一种消除无线指纹地图二义性的方法，包括以下步骤：

S1，确定移动端的的最低采样周期，采集移动端的惯性传感器数据和RSSI数据，由于用户的设备有不同的采样频率(由固件和硬件引起)，因此需要考虑惯性导航数据和Wi-Fi数据的采样频率的差异，由于事先是不知道移动端的最低采样频率，因此在最开始的采样时，会进行最多10s的高频采样，通过检测两次不同的采样结果的时间差，确定设备最低采样周期t，那么采样周期T应符合以下公式：

T＝min(n)*t；

s.t.n*t＞3，n＝1,2,3……；

式中，T是t的整倍数，T的最小值应大于3s，原因是用户3s内的移动距离(2～4m)会导致Wi-Fi读数有显著变化。

本实施例计步采用FSM方法，而方向获取采取多种方式，用户在移动中移动端的姿态是不可确定的，最理想的状态是在记录运动数据时移动端处于日常使用的手持状态，这个状态下可以通过电子罗盘读数来确定运动方向，其他状态下采用加速分析法，通过将加速投影到世界坐标系的来确定移动方向，这种做法获取到的方向精度有限，因此需要借助粒子滤波得到方式来进行修正。

此处，移动端(如手机)内置的陀螺仪计、磁力计、加速度计等原有硬件可以满足惯性传感器数据和RSSI数据的采集。

因为室内空间环境并不是规则的，因此在进行轨迹生成之前，需要对地图进行区域划分。沿着墙壁走向将空间划分成多个矩形空间，如图2所示。

以地图右下角为原点，以线段的方式标注墙壁的位置，如图中p和q两个点在的墙壁上，坐标分别为p(x₁,y₁)，q(x₂,y₂)，则墙壁位置记做wall_pq＝{(x₁,y₁),(x₂,y₂)}。这样由墙壁组成的集合为记做WallSet。之后，根据墙壁的走向将室内空间划分成不同区域，如图2中虚线边框标记。其中，走廊的拐角和交汇处(B区域)划分成独立区域。这些区域使用其顶点集合表示，顶点在集合中按顺时针排序即可，起点不限，如区域B的集合可以记做{a,b,d,c}。

S2，通过粒子滤波将惯性传感器数据转换为逻辑轨迹和它的终点集合

本方法通过粒子滤波将惯导数据转换为逻辑轨迹和它的终点集合。为了得到更准确地逻辑轨迹，使用增强粒子滤波(Enhance Particle Filter，EPF)。EPF启动与轨迹起点位置无关，而且可以在对位置估计的同时也将步长和方向都进行修正。设本系统持有n个粒子p，p_i＝{x_i,y_i,s_i,d_i}，其中(x_i,y_i)是粒子在2D平面上的位置，s是步长，d是每一步的移动方向。粒子滤波主要分为初始化、更新和重采样三个步骤，三个步骤循环进行，直到粒子滤波完成。

具体的来说：

初始化，由于初始位置未知，将粒子随机分布在室内。将s和d的初始值都设置为0；

更新，同于已有的方法中每个粒子的数据相对独立的设计，本实施例的增强粒子滤波使用统一的步长和方向作为基底，由基底和偏移量组成每个粒子的数据。设s'为在算法中统一使用的步长，s'初始值是60cm。由于随着粒子滤波会不断更新，理论上s'在初始时使用任何数据都可以，但是为了加速收敛，选用一个接近大多数人步长的数据做初始值。而统一是使用方向为d'，其初始值是方向集合D中的第一个元素，即d'＝D[0]。当算法开始时，当用户走到第k步时，第i个粒子的更新遵循以下公式：

其中，Δs是第k步的步长偏移，取值范围在±20cm，Δd是第k步的方向偏移，取值范围在±10°，两个偏移分布量遵从标准正态分布；

当一步的计算完成时，根据无效粒子去除算法来剔除无效的粒子，同时更新s和d，粒子去除算法的核心是如果一个粒子的位移中穿过了墙壁，那么说明它的移动的方向或步长有错误，因此是无效粒子。剔除无效粒子后剩下的就是有效粒子，有效粒子的方向和步长组成有效方向D'和步长集合S'。新的s'和d'由以下公式生成：

其中，T₂是自由度为2的Student T分布。s'是修正后的步长，投入到下一次更新中，当算法结束后，经过多次迭代后的s'将作为修正后的步长保留下来。d'是第k-1步修正后的方向，用来更新方向集合D。之后将D中第k步的方向赋值给d'，用于下一次的运算。方向更新如而方向的更新如以下公式，而当k等于步数n时，代表已经完成这一组数据的粒子滤波。

重采样，在每次更新后，都会有粒子损失，如果不进行补充，可能由于粒子数目太少无法完成算法，因此再次更新后，会在更新后的粒子集合中随机抽取粒子，用其副本补充粒子集合，保证粒子集合的数目不变。然后开始下一次更新。

时间复杂度，增强粒子滤波中的初始粒子数目为定值，在重采样后可以保证粒子数目没有变化，因此算法时间复杂度取决于轨迹中的步数n。其时间复杂度为O(n)。经过统计步数最大值n一般在200左右，是一个可接受的复杂度。

EPF结果，在粒子滤波进行中，粒子会逐渐收束在一个位置。本系统在完成一组数据的EPF后，最终会输出一个步长数值s，一个方向的序列D以及一个经过粒子滤波后的粒子集合P，通过步长和方向序列可以计算获得一条轨迹，但是这条轨迹缺少确定其位置的信息，只能反映其轨迹的形态，因此这是一条逻辑轨迹。轨迹的位置需要通过粒子集合P来计算。一般情况下粒子集合P的位置会可能会出现以下几种形式：a)代表轨迹只有一个终点；b)代表有两个终点；c)代表这个终点是一个取值范围。这就带来了轨迹二义性的问题。

粒子滤波在PDR中应用的核心思想是，当用户继续在室内环境中行走，在走廊中穿行并在角落里转弯时，用户的路径和位置的可能性会逐渐缩小。因此用户可以将PDR获得的移动轨迹映射到物理空间的某一区域。使用粒子滤波获取轨迹位置不需要起始位置，只需要室内建筑结构图即可。但是，在起点位置未知的情况下，同一室内建筑结构的局部相似性使得轨迹映射可能产生多种结果，即存在轨迹二义性。产生轨迹二义性的原因主要有有两个：轨迹过于简单和物理空间中存在粒子盲区。

(1)轨迹过于简单

这里的简单有两个含义：距离短，拐角少。一方面，过短的轨迹不能为粒子滤波的收束提供足够的数据量。数据量不足，粒子滤波结果也将不准确。另一方面，拐角越少意味着轨迹能映射到物理空间的区域越多，因为建筑物中直线的路径最多。对于这些简单的轨迹，常用做法是丢弃掉。但是实际应用时，用户在建筑中的轨迹多数是简单的。比如在办公楼中，用户的主要轨迹集中在办公室到洗手间，办公室到楼梯间；在医院用户会在休息区和窗口以及科室间移动。而且，人们通常会选择离自己最近的楼梯间和洗手间。这些原因导致用户日常轨迹中有大量的简单轨迹。同时简单轨迹中的指纹信息并没有很显然简单的舍弃这些数据并不是最好的选择，这将浪费大量宝贵的数据。

(2)物理空间中存在粒子盲区

即使不是简单轨迹，也不是一定可以寻找到轨迹在物理空间的唯一位置。如果地图只是有两部分相似组成，且仅存在一个对称轴，那么对称轴位置会形成粒子盲区(图3a)中的虚线区域)，穿过粒子盲区的轨迹即使不是简单轨迹依旧无法获得唯一的轨迹映射。如图3中的场景，室内地图只有一个对称轴，用户沿着ABCD顺序移动。在起点未知的情况下，用户由A移动到B用户可能的位置(阴影区域)随着用户移动而缩小，由图3a)阴影区域缩小到图3b)。随着用户移动到D点，用户可能的位置如图3d)中，出现在两个集中的区域。但是这种情况下我们可以观察到即使用户继续沿CD移动，依旧不能消除错误定位估计。而且可以观察到，如果轨迹穿过虚线包围的区域，那么这条轨迹无法通过粒子滤波的方式得到唯一终点，些区域被称为粒子盲区。如果简单的舍弃掉这类轨迹，那么粒子盲区内将无法采集到数据。

以上两种轨迹由于产生了轨迹二义性，不能直接进行地图构建，但是本实施例并没有简单舍弃这些产生了二义性的轨迹，而是对它们加以利用，具体见下方描述：

S3，对终点集合按照权重分为：

A类：P只集中在一个区域或多个相邻区域，且轨迹中包含存在转弯，权重设置为3，是最高权重；

B类：P分布在多个不相邻区域，但是存在转弯，权重设置位2，是次高权重；

C类：轨迹是直线，没有转弯，权重设置为1，是最低权重；

将分类后的数据称为轨迹簇轨迹簇(Trajectory Cluster，简称TC)。在后文中，除非特殊强调，轨迹分类相当于轨迹簇分类。一个轨迹簇包含以下信息:

(1)逻辑轨迹R：逻辑轨迹反映的是轨迹在2D平面上的形状，其终点是原点。因此只当得到新终点是，如图进行平移即可得到轨迹在平面的新的位置。由于本实施例采取的是低频采样，有部分点是带有指纹数据的。指纹数据由MAC地址和对应的强度组成，一个点记录多对数据，这些数据组成对应点的指纹信息；

(2)终点集E：对于A类和B类轨迹，粒子集P在相邻区域的点求加权均值，即可得到终点。由于一个组轨迹数据可能有多个终点，因此使用集合表示。C类轨迹的终点使用区域的方式记录，其终点集由其取值范围的顶点集组成；

(3)权重w：根据轨迹的类别得到；

(4)废弃位b：用于记录轨迹在轨迹筛选中落选的次数，初始值是0，废弃位等于3会让当前轨迹被废弃；

(5)MAC地址集M：记录指纹中RSSI强度高于-60db的AP的MAC地址。

S4，将获得的A、B、C类轨迹簇形成队列，以队列中第一个非C类轨迹簇作为启动轨迹簇，之后队列中的轨迹簇依次出队与启动轨迹簇进行比较，当启动轨迹簇为B类轨迹时，选择非C类轨迹与启动轨迹簇相比，直到启动轨迹簇为A类轨迹；之后对启动轨迹簇和与之相比较的轨迹簇判定两者是否相邻，若相邻，进行联合约束算法和拼接算法；若不相邻，进行轨迹簇分发算法。

轨迹簇的包含着一个区域内的射频指纹信息，因此为了得到整个物理空间的射频指纹地图，本实施例需要将所有轨迹簇根据物理位置拼接到一起。但是本实施例中有众多轨迹簇，且许多轨迹簇具有轨迹二义性，不能直接进行拼接，因此在拼接前首先要消除轨迹二义性。轨迹簇消除二义性的过程如图4所示。

如图4，轨迹簇队列(TC_queue)中保存的是经过粒子滤波处理后得到的轨迹簇。由于拼接需要两个轨迹簇进行比较，需要一个轨迹簇作为比较的基础，这个轨迹簇被称为启动轨迹簇(TC_launch)。之后进入的轨迹簇(TC_current)都需要和启动轨迹簇进行比较。选择一个合理的启动轨迹簇(TC_launch)能有效提高轨迹拼接的效率和准确度，很明显A、B类轨迹比C类更加可靠，因此选择轨迹簇队列(TC_queue)中第一个非C类轨迹的轨迹簇做启动轨迹簇(TC_launch)。之后轨迹簇队列(TC_queue)中的数据依次出队，作为启动轨迹簇(TC_launch)。当启动轨迹簇(TC_launch)时是B类轨迹时，选择非C类轨迹作为TC_current，直到TC_launch成为A类轨迹。TC_launch和TC_current按照下述的相似度判定方法判定是否相邻，如果相邻，那么进行轨的联合约束算法和拼接算法，具体算法也将在后续进行说明；如果不相邻或者拼接失败，将会运行轨迹簇分发算法，具体见下方表述。

轨迹簇之间的相似度判定方法

由于轨迹簇可能存在多个终点，使得逻辑轨迹映射不唯一，即产生轨迹二义性问题。为了找出一个轨迹簇所对应的唯一准确的终点，考虑利用轨迹相关性来消除轨迹二义性。

根据对数损耗模型(LDPL)可知，理想状态下一个AP有效覆盖的范围(RSSI强度大于-60db)大约是半径10米。但是由于室内的复杂的环境，多数情况下有效覆盖范围不足半径5米。这意味着，假设两个轨迹簇有1个相同的MAC地址，那么两条轨迹对应的实际位置上存在一对点，他们的距离可能小于等于10m。进一步，如果MAC地址相似的数目足够多，那么两个轨迹簇肯定相邻。极端情况下可能出现两条轨迹簇有存在着的相同的MAC地址，但是被一堵墙隔开。尽管如此两条轨迹依旧是相邻的，这里的两条相邻轨迹并不一定相交。

根据以上的理论，本实施例设定或认为两个轨迹簇，它们的MAC地址集合中相同部分越大，轨迹簇对应的实际轨迹距离越小。轨迹簇间距离可以使用两条轨迹簇的MAC地址集的Jaccard相似度来计算，如公式：

在上述公式中，M₁、M₂是两条轨迹簇的MAC地址集合，这里定义轨迹簇的相邻是指轨迹簇相似度d_TC大于0。

轨迹簇的联合约束算法

轨迹簇的联合约束的目的是将队列中所有TC合并成一个TC，进而形成可以全局优化的点集，提高众包数据的利用率，实现准确实时的射频指纹地图构建。

由于没有地标和其他位置信息，B类轨迹簇和C类轨迹簇不能独自消除轨迹的二义性。因此本实施例使用轨迹簇间的相关性来自我校准。该方法的基本假设是将不同轨迹簇之间的相关性转化为空间点的Wi-Fi指纹相关性。由于每一类轨迹簇的终点集约束不同，本实施例通过联合不同轨迹簇的约束，生成更强的约束来确定轨迹簇的位置。

根据最初所述，TC_launch与TC_current的相关性只需要考虑五种情况:A类轨迹簇与A类轨迹簇、A类轨迹簇与B类轨迹簇、A类轨迹簇与C类轨迹簇、B类轨迹簇与A类轨迹簇、B类轨迹簇与B类轨迹簇。轨迹滤波后得到终点的e_launch和e_current。

(1)A类轨迹簇与A类轨迹簇

在本例中，这两个轨迹簇都是A类的，并且位置已经确定，所以不需要联合约束来获得e_launch和e_current，只需要直接拼接它们即可。

(2)A类轨迹簇与B类轨迹簇、B类轨迹簇与A类轨迹簇

当TC_launch为A类时，TC_current为B类时，只确定TC_current的终点。首先通过欧氏距离找到TC_launch和TC_current指纹之间最近的点，分别为h_launch和h_current，它们在逻辑轨迹上的坐标分别为r_launch和r_current。根据轨迹簇定义，要获得物理空间中位置的坐标需要将逻辑轨迹上的点按照终点坐标平移，即r+e。由于TC_launch是A类轨迹簇，它的位置已经确定，也就是说e_launch是已知的。因此，只需要找到h_current的坐标，它距离h_launch最近，并且受到TC_current的约束，e_current可由以下公式得到：

e_current＝argmind(r_launch+e_launch,r_launch+e_i)

式中，e_i来自TC_current的终点集。e_current是符合约束条件的终点。B类轨迹簇与A类轨迹簇、A类轨迹簇与B类轨迹簇类似，只需要TC_launch和互换即可。

(3)A类轨迹簇与C类轨迹簇TC_current

与A类轨迹簇与B类轨迹簇相比，由于此时TC_current是一个C类轨迹簇，其终点的约束是一个矩形的值范围(可能是多个)。因此，在A类轨迹簇与B类轨迹簇方式的基础上，选取TC_launch上接近h_current的三个点。采用加权K近邻法来求TC_current的终点。

首先，参照A类轨迹簇与B类轨迹簇中的方法得到h_launch和h_current，然后找到距离h_current最近的3个点(包括h_launch)，根据以下公式计算每个点的权重：

式中，d_i表示h_current与临时点集中每个点的指纹的相似度,p_i表示第i个点的权重。之后用以下公式估计的e_current实际位置：

其中，e_current为待估TC_current的终点，取值范围为TC_current。r_hi是逻辑轨迹上h_i的坐标。e_current是指满足条件的实际位置；

(4)B类轨迹簇与B类轨迹簇

与A类轨迹簇与B类轨迹簇相比，B类轨迹簇与B类轨迹簇中的TC_launch也是B类轨迹簇。因此，只需要修改A类轨迹簇与B类轨迹簇方式，将TC_launch的e_launch引入计算，得以下公式：

e_i',e_j'＝argmind(r_launch+e_i,r_current+e_i)

式中，e_i来自TC_launch的重点集合，记作E_launch,e_j来自TC_current的终点集合，记作E_current。得到e_i'和e_j'即所需的e_launch和e_current。

在确定e_launch和e_current时，消除了B类轨迹簇和C类轨迹簇的二义性。如果任一条轨迹簇在上述五种情况之后没有得到唯一的终点，TC_current将被标记为TC_reusu，即错误轨迹簇，并将其放回队列中，用于下一次拼接。

轨迹簇拼接方法

当TC_launch和TC_current确定终点后，就可以开始进行轨迹簇的拼接。首先，需要确定新轨迹簇的终点。选择e_launch作为新的终点，不保留e_current。然后TC_current根据以下公式计算逻辑轨迹R：

r_i＝r_i'-(e_launch-e_launch),r_i∈R_current

式中，r_i为R_current中点的坐标，r_i'为i点经过计算后新的坐标。此外还要向R_launch中添加更新后的R_current。然后更新权值和废弃位。由于组合轨迹终点是唯一的，因此权重被更新为A类权重。废弃位设置为两个轨迹簇中的较小值。最后，MAC地址集取两个MAC地址集的并集。经过轨迹簇拼接后，新的轨迹簇将作为TC_launch继续执行算法，直到TC_queue为空。

轨迹簇的分发算法

当两个轨迹簇不符合拼接的条件时，会使用轨迹簇分发算法重新决定谁来做TC_launch。轨迹簇的分发算法目的是对比参与对比的两个轨迹簇哪一个更可靠。这里的可靠是指更适合作为启动轨迹簇，更适合作为启动轨迹簇的称之为优势轨迹簇TC_hit，另一个因为在算法完成后将回到轨迹簇队列，因此称之为重用轨迹簇TC_reuse。首先需要对比两个轨迹簇的权重，高权重的作为优势轨迹。因为在系统开始是赋予可靠的轨迹簇更高的权重。如果两个轨迹簇权重相同，则对比两个轨迹簇的MAC地址集合的大小，MAC地址集中数量大的作为优势轨迹簇。更多的MAC地址，意味着轨迹簇更有可能寻找到相邻轨迹簇。如果两次比较均相同，那么则按照先后顺序，将原来是启动轨迹簇的作为优势轨迹簇。

经过轨迹簇分发算法后，两个轨迹簇就分为优势轨迹簇和重用轨迹簇。优势轨迹簇继续作为启动轨迹簇参与下一次轨迹拼接。重用轨迹在废弃位增加1，然后查看废弃位是否已经为3。如果小于3，那么重用轨迹簇重新回到轨迹簇队列。如果废弃位是3，意味着这个轨迹簇已经3次和启动轨迹不相邻且被轨迹簇分发算法认为是不可靠轨迹。启动轨迹簇在多次参与轨迹簇筛选和轨迹簇拼接后，必定会覆盖越来越广的室内空间，如果一个轨迹簇3次队列循环后仍旧不能与启动轨迹簇相邻，则会被分发算法认定为不可靠，那么意味着这个轨迹簇很有可能存在错误，会将其抛弃。

最后，启动轨迹簇会成为拼接整个队列的一个大的轨迹簇，实际上系统运行时，新的轨迹簇随时会进入队列，因此系统定时将启动轨迹输出。

轨迹二义性消除的时间复杂度

整个轨迹二义性中，复杂计算集中在轨迹簇联合约束算法上。设TC_queue中有l个轨迹簇，每个轨迹簇的逻辑轨迹最多有n个点，所有轨迹簇的MAC地址集合的并集中有m个地址。则一次轨迹联合约束中，计算一次指纹点间的欧氏距离的时间复杂度为O(m)，计算两个轨迹簇间最近点的的时间复杂度为O(nlog₂n)，则一次轨迹联合约束算法的时间复杂度为O(mnlog₂n)。则完成整个轨迹联合约束计算的时间复杂度为O(lmnlog₂n)。

根据经验，m的最大值不会超过100，n最大值不会超过300。一次轨迹联合约束计算的时间复杂度在在万次级别。但是实际上轨迹中低于100步的轨迹占大多数，实际复杂度会更低。

S5，消除指纹二义性，生成室内无线指纹地图，对得到的轨迹簇进行平滑处理，建立对应轨迹簇每个位置的指纹库，用于保留对应该位置的有效指纹数据，并在指纹库填充满后，替换掉使用次数最少的指纹。

(1)轨迹平滑

轨迹簇队列完成拼接后，系统会输出一个包含所有轨迹簇信息的轨迹簇，称为全局轨迹簇。全局轨迹簇虽然确定了逻辑轨迹的具体位置，但是还存在一些问题：惯性传感器的不稳定性导致由惯导数据得到轨迹大多不是平滑，但是日常生活中，人的活动轨迹大多为平滑线段；Wi-Fi指纹是很容易受到环境影响的，单个指纹做定位时并不可靠，由于指纹点的坐标是通过轨迹得到的，更平滑的轨迹有利于得到更准确的指纹点坐标，因此本系统需要通过平滑轨迹来修正指纹点坐标。

建筑物结构的不规则为轨迹平滑带来很大麻烦。利用图2中的分区，采用分治策略实现对全局估计簇的平滑。首先需要知道在这个区域内轨迹的边界点，因为分区中的点可能是轨迹的一部分而不是全部，所以并不知道区域内这段轨迹的起点和终点的位置，而这些边界点最有可能是轨迹的起点或终点。使用凸包来获取分区内轨迹的边界点，获得凸包的顶点集S。之后对S进行筛选，满足以下条件就进行保留下来：

没有前置点或者后继点，由于轨迹是实际上是一系列点组成的，点按照从起点到终点的顺序排列，因此每个点都有前置的点或者后继的点，假设轨迹中存在点序列[A,B,C]，那么A为B的前置点，C为B的后继点。如果没有前置点或后继点，这意味着这是整条轨迹的起点或终点；

轨迹的前置点或后继点不在本区域内，这意味着这个点是处于区域边缘，且连通着其他区域。

如图6a所示，P₁和P₂有三个出口和两条轨迹，分别用空心圈和实心圈绘制。凸包得到的顶点集合为{f₁,f₂,f₃,f₄,f₅,f₆}。经过过滤之后，点集变为{f₁,f₂,f₅,f₆}，最终可分为三个部分:{f₁,f₂}、{f₅}和{f₆}。将相同的一组点合并到一个新的点上，这个点的坐标为集合的均值。如图6b所示，被黑色虚线圆圈标记的f₁和f₂合并到一个新的点f₁'中，这个点被黑色实线圆圈标记。然后f₁'替换逻辑轨迹中的f₁和f₂。最后从{f₁',f₅,f₆}中生成三条轨迹:f₁'f₅、f₁'f₆和f₅f₆。

由于使用的低频采样，轨迹上只有部分点都有相应位置的Wi-Fi指纹(如图6b)中的t₁)。这样的点需要映射到最近的轨迹，并生成一个新的坐标。在图6中，t₁的新位置被映射到t₁'中。

室内无线指纹地图的生成

经过轨迹平滑后，在一个位置上可能存在多个指纹数据。这些数据虽然不相同，但是都是在这个位置的有效指纹数据。本实施例选择将这些指纹全部保留。随着数据的增多，每个位置的指纹会越来越多。很明显，不可能保留所有的指纹。本实施例在每个位置上保存10个指纹，当新的指纹来到时采取一定策略去替换旧的指纹。每个位置的指纹集合并没有满时，指纹会直接进入集合。新的指纹在进入前会计算与集合中已有指纹的相似度，相似度最高的指纹的使用次数增加1。当集合已经填充满的时候，会优先替换使用次数最少的指纹。当使用次数最少的指纹不止一个的时候，选择进入集合时间最早的。最终生成射频指纹地图如图7所示。

当所有数据都进入集合后，需要将全部指纹的使用次数重置为0。之后利用这个数据集合生成射频指纹地图。之后地图在使用时，可以重新记录指纹的使用次数。在下一个周期开始前，可以去除每个位置的指纹集合中没有使用次数的指纹(每个位置至少保留一个)。

指纹二义性消除的时间复杂度

设全局轨迹簇中逻辑轨迹中点有n个，其中带有指纹的点有m个，空间区域被分为k个。在一个区域内凸包计算的时间复杂度为

这个区域内指纹点映射复杂度为

综上所述，指纹二义性消除的时间复杂度为

在实际应用时，n的最大值不会超过10000。另外由于采用分治算法，实际运行中可以采用多线程的方式进一步降低时间复杂度，保证系统运行的实时性。

定位精度测试

本组实验评估本系统生成的射频指纹地图的定位性能。测试环境如图8所示。为了直观的展现本系统的定位性能，实验首先使用网格采样(Grid sampling)的方法手动收集了办公楼中的射频指纹，采样间隔为1.2m。之后以1.2m，2.4m和3.6m为间隔建立了三张网格射频指纹地图作为定位精度比较的基，分别记做G(1.2m),G(2.4m)和G(3.6m)。同时为了更好的对比本系统的性能，本组实验还实现了同样基于群智感知的Zee算法和Walkie-Markie算法。它们与本系统使用相同的数据生成射频指纹地图，分别记做Z(Zee)，W(Walkie-Markie)和L(本系统)。之后，使用Horus算法在6张射频指纹地图的基础上建立对应模型用于定位。实验在办公楼内随机选取了20个点作为定位的评估点，评估点位置如图8所示。在评估点获取的指纹信息提交给6个已生成的定位模型，获取到对应的位置估算。每一个评估点重复进行10次这种定位操作，取其平均值作为这个点的最终位置估算。最终在1个评估点获得6个位置估计，对应6中方法的定位结果。定位误差为位置结果和实际位置的欧氏距离。以上6种方法的定位精度结果如图9所示。H+G(1.2m)代表在G(1.2m)地图上使用Horus定位算法的定位精度，以此类推。

图9中，可以观察到Zee中存在部分点误差巨大，这是因为在粒子盲区中，Zee无法采样，所以没有对应的指纹数据。而本系统与Zee在非粒子盲区内的点表现相似，而且更加稳定。另外整体精度上，本系统的精度虽然不如1.2m间隔的网格采样，但是已经和2.4m间隔的网格采样十分接近。当网格间隔继续增大，本系统的精度就开始全面超越网格采样。值得注意的是Walkie-Markie，它整体的表现都非常差，这是因为数据是低频采样获得的，计算RSSI变化的趋势相当困难。

健壮性测试

实验首先评估了本系统在不同的公共场合的表现，为此在办公楼中，医院大厅(图10)和商场(图11)运行本系统。实验中在每个场景中安排10名志愿者，在实验场景中模拟众包用户收集数据，比如在办公楼中用户主要在办公室与楼梯口和卫生间之间移动，在商场中用户会没有目的闲逛，医院中用户会往返于各个窗口，科室和休息区。之后在实验场景中随机选择40个位置作为定位精度的测量点，在这40个点进行10次定位取它们的平均误差作为最终结果。最终实验结果的如图12所示。

图12中可以可以观察到在办公楼和商场中，定位的误差分布较为集中。这是因为在两个场景的定位区域中，走廊占据了主要部分，而医院大厅则是空旷区域较多，因此定位误差分布比较广。从中可以得知本系统的精度受到实际场景的面积和空旷程度影响比较严大:面积越小，室内空旷面积越小，定位精度越可靠。办公楼中的精度最高，平均误差为2.5m，90％的数据误差小于3.3m，商场是3m和3.8m，而医院最差，分别为4.6m和5.0m。这表明不同的环境本系统确实存在影响，但是影响不大，精度依旧符合日常使用标准。

需要特别说明的是，本技术方案中，使用了低频采样技术，将对用户的额外要求降至最低，不需要用户事前训练亦不需要特定设备，同时生成的是通用的射频指纹地图，可以作为中间件辅助其他定位系统，极大的增强了系统的易部署性；利用轨迹联合约束消除轨迹二义性，提高轨迹利用率，将数量巨大的短轨迹利用起来，通过提高轨迹利用率的方式不仅提升了数据的使用效率，也弥补因低频采样带来的数据总量不足；同时提出一个基于局部空间轨迹的指纹净化方法，在不舍弃数据情况下消除指纹的二义性，充分利用指纹信息，通过建立地图和定位是指纹使用次数来筛选可靠的指纹数据，提高指纹地图的指纹精度。

本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (4)

1.一种消除无线指纹地图二义性的方法，其特征在于，包括以下步骤：

S1，确定移动端的的最低采样周期，采集移动端的惯性传感器数据和RSSI数据；

S2，通过粒子滤波将惯性传感器数据转换为逻辑轨迹和它的终点集合；

S3，对终点集合按照权重分为A、B、C类，对应的形成A、B、C类轨迹簇；

A类：粒子集合P只集中在一个区域或多个相邻区域，且轨迹中包含存在转弯，权重设置为3，是最高权重；

B类：粒子集合P分布在多个不相邻区域，但是存在转弯，权重设置位2，是次高权重；

C类：轨迹是直线，没有转弯，权重设置为1，是最低权重；

其中，每类轨迹簇至少包括以下信息：

逻辑轨迹，反映轨迹在2D平面上的形状；

终点集，轨迹重点所组成的集合；

权重，与轨迹簇类别相关联；

废弃位，用于记录轨迹在轨迹筛选中落选的次数，初始是0，废弃位等于3会让当前轨迹被废弃；

MAC地址集，记录指纹中RSSI强度高于设定阈值的移动端的MAC地址；

S4，将获得的A、B、C类轨迹簇形成队列，以队列中第一个非C类轨迹簇作为启动轨迹簇，之后队列中的轨迹簇依次出队与启动轨迹簇进行比较，当启动轨迹簇为B类轨迹时，选择非C类轨迹与启动轨迹簇相比，直到启动轨迹簇为A类轨迹；之后对启动轨迹簇和与之相比较的轨迹簇判定两者是否相邻，若相邻，进行联合约束算法和拼接算法；若不相邻，进行轨迹簇分发算法；

所述联合约束算法包括以下步骤：

(1)A类轨迹簇与A类轨迹簇

直接拼接即可；

(2)A类轨迹簇与B类轨迹簇、B类轨迹簇与A类轨迹簇

当启动轨迹簇为A类，与之比较的轨迹簇为B类时，只确定B类轨迹簇的终点；

通过欧氏距离找到启动轨迹簇和与之比较的轨迹簇为B类指纹之间最近的点，分别标记为h_launch和h_current，其在逻辑轨迹上的坐标分别为r_launch和r_current，滤波后分别得到终点的e_launch和e_current；

e_current＝arg min d(r_launch+e_launch,r_launch+e_i)

式中，e_i来自启动轨迹簇的终点集，e_current是符合约束条件的终点；

B类轨迹簇与A类轨迹簇的拼接与上述同理；

(3)A类轨迹簇与C类轨迹簇

首先，通过(2)中的方式得到h_launch和h_current，然后找到距离h_current最近的3个点，根据以下公式计算每个点的权重：

式中，d_i表示h_current与临时点集中每个点的指纹的相似度,p_i表示第i个点的权重，用下式估计的e_current实际位置：

其中，e_current为与A类轨迹簇拼接的C类轨迹簇的终点，r_hi是逻辑轨迹上h_i的坐标，e_current是指满足条件的实际位置；

(4)B类轨迹簇与B类轨迹簇

通过下式计算

e_i',e_j'＝arg min d(r_launch+e_i,r_current+e_i)

式中，e_i来自E_launch,E_launch为TC_launch的终点集合，e_j来自E_current，E_current为TC_current的终点集合，得到e_i'和e_j'即所需的e_launch和e_current；

判定启动轨迹簇和与之相比较的轨迹簇是否相邻的方法是：

设定相似度d_TC，

式中，M₁、M₂是两条轨迹簇的MAC地址集合，当d_TC大于0时，判定启动轨迹簇和与之相比较的轨迹簇相邻；所述拼接算法包括以下步骤：

确定拼接后轨迹簇的终点：以e_launch作为新的终点，不保留e_current；

然后带拼接的轨迹簇根据以下公式计算逻辑轨迹R：

r_i＝r_i'-(e_launch-e_launch),r_i∈R_current

式中，r_i为R_current中点的坐标，r_i'为i点经过计算后新的坐标；

向R_launch中添加更新后的R_current，更新其权值和废弃位；

最后，MAC地址集取两个MAC地址集的并集；

经过轨迹簇拼接后，新的轨迹簇将作为启动继续执行算法，直到队列为空；

所述轨迹簇分发算法包括以下步骤：

首先对比两个轨迹簇的权重，选择权重高的作为优势轨迹簇，另一个为重用轨迹簇，若两个轨迹簇的权重相同，则以两者中MAC地址集合较大的那个作为优势轨迹簇，优势轨迹簇作为启动轨迹簇参与下一次拼接，重用轨迹簇继续返回队列中，并为其废弃位增加1，直至其废弃位达到3时，舍弃该重用轨迹簇；

S5，消除指纹二义性，生成室内无线指纹地图。

2.根据权利要求1所述的一种消除无线指纹地图二义性的方法，其特征在于，若任一条轨迹簇在进行联合约束算法之后没有得到唯一的终点，将启动轨迹簇标记为错误轨迹簇，并将其放回队列中，用于下一次拼接。

3.根据权利要求1所述的一种消除无线指纹地图二义性的方法，其特征在于，若两个轨迹簇的权重、MAC地址集合均相同，则将作为启动轨迹簇的那个轨迹簇作为优势轨迹簇。

4.根据权利要求1所述的一种消除无线指纹地图二义性的方法，其特征在于，步骤S5中，指纹二义性的消除方法为：步骤S5中，指纹二义性的消除方法为：

对得到的轨迹簇进行平滑处理，建立对应轨迹簇每个位置的指纹库，用于保留对应该位置的有效指纹数据，并在指纹库填充满后，替换掉使用次数最少的指纹。

Images