CN110519693A - 一种面向智能移动终端的融合定位方法 - Google Patents

Abstract

本发明属于无线通信技术领域，尤其涉及一种面向智能移动终端的融合定位方法。该方法包括：基于PDR定位方法，获取目标在当前时刻k的PDR定位位置基于WiFi定位方法，得到目标在当前时刻k的指纹值R_k，根据所述指纹值R_k，获取目标在当前时刻k的WiFi定位位置根据所述PDR定位位置和WiFi定位位置得到定位位置差值将所述定位位置差值作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置X_a,k。该方法基于长短期记忆网络算法，将WIFI指纹定位与PDR定位方法相融合，构建融合定位模型，得到的融合定位模型具有很好的定位效果和定位稳定性。

Description

一种面向智能移动终端的融合定位方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种面向智能移动终端的融合定位方法。

背景技术

近年来，随着无线网络、移动通信、嵌入式和微电子等技术的飞速发展及应用领域的不断扩大，位置信息的重要性日渐凸显。精准、及时的位置信息不但能够辅助社会生产和人们生活，更是智慧城市建设的重要基础。结合先进移动通信网络和移动智能终端技术的位置服务(Location based Service,LBS)成为最具市场前景和发展潜力的移动互联网增值业务之一，引起了电信运营商与服务提供商的强烈关注。

从技术角度来讲，LBS的核心任务是目标物或人的定位。无论是在空旷还是遮挡的室内外环境下，快速准确地获得移动终端位置并继而提供相应定制化、高质量的信息和服务是LBS能够迅速推广的关键。全球定位系统(Global Positioning System,GPS)通过GPS卫星信号接收机捕获、测量来自至少4颗在轨卫星的广播信号到达时间来估算终端位置，可以提供覆盖全球范围以及高精度、全天候的连续定位能力，已成为迄今应用最为成功的定位技术。但是，目前GPS定位技术还存在以下缺陷：(1)在室内和高楼密布的城区等信号遮挡严重的密集环境中，卫星信号容易被高层建筑等各种障碍物所阻挡，导致接收机捕获不到足够强度的卫星信号；(2)卫星信号在遇到建筑物、车辆以及其他物体时还会发生反射，造成多径效应，导致接收端难于筛选出有效信息完成精确的信号测量和准确的位置估计；(3)GPS技术存在定位功耗过大等缺憾，而移动便携终端的能量受限，导致其可用性受到制约。

基于IEEE 802.11a/b/g/n通信协议、具有灵活拓扑架构的WIFI接入在机场、校园、医院、商业区、餐饮娱乐场所和住宅小区等各种场景中泛在分布，已成为移动通信系统的重要补充。相比卫星GPS信号而言，WIFI系统中的无线信号强度受到障碍物的影响较小，可以满足密集城区、室内等环境下对信号强度的要求。随着当前IPAD、笔记本、智能手机等移动终端设备对WIFI接入的广泛支持，使得基于WIFI的定位研究得以兴起并迅速成为国内外研究的热点。WIFI定位技术中尤以基于接收信号强度的指纹定位为其主要研究和应用方向，与基于信号到达时间(TOA)和信号到达角度(AOA)等传统几何原理的定位技术相比，WIFI不需要添加额外的硬件设备来进行时间和角度的精确同步与测量，能够充分利用现有覆盖广泛的无线局域网设施，便捷高效地将高质量定位的应用范围延伸到密集城区和室内，进一步降低定位系统的部署与实施成本。然而，现有的WIFI指纹定位容易受到信号不稳定等影响，且不支持运动过程中的物体定位与追踪，定位性能还有待进一步提高。

随着加速度计、陀螺仪、及磁力计等惯性电子元件在智能移动终端上的日益普及，步行者航位推算(Pedestrian Dead Reckoning，PDR)作为一种新的位置计算方法，正引起研究的关注。这种方法一般通过对步行者行走的步数、步长、方向进行测量和统计，并最终推算出步行者行走轨迹和位置等信息。然而，由于该方法一般需要准确估计终端的迈步时刻，并计算每次迈步的步长与方位信息，由于上述计算过程中会带来计算误差。随着时间的累计，这种误差的累计最终会引起估计航位的偏移，影响定位的效果。

为此，有部分研究开始将WIFI指纹定位与航位推算过程进行融合，并基于卡尔曼滤波或粒子滤波的方法实时计算用户的位置信息，但卡尔曼滤波及粒子滤波过程中一般需要经验值对滤波方程中的协方差矩阵等进行估计，上述方法并不具备普适性。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种面向智能移动终端的融合定位方法，该方法基于长短期记忆网络算法，将WIFI指纹定位与PDR定位方法相融合，构建融合定位模型。该融合定位模型具有很好的定位效果和定位稳定性。

(二)技术方案

本发明提供一种面向智能移动终端的融合定位方法，包括如下步骤：

A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置

A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值R_k，根据所述指纹值R_k，获取目标在当前时刻k的WiFi定位位置

A3、根据所述PDR定位位置和WiFi定位位置得到定位位置差值将所述定位位置差值作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置X_a,k；

其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，采用长短期记忆网络算法进行训练后的模型。

进一步地，所述步骤A3中，

进一步地，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；

所述输入层用于输入输入数据

所述输出层用于输出输出数据

进一步地，所述步骤A2中，其中，f为WiFi定位方法中的映射函数。

进一步地，所述融合定位模型的训练过程包括：

S1、基于滑动窗口方式构建长短期记忆网络的样本集，所述样本集包括训练集和测试集；

S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；

所述采样路径根据路径起始点和路径终止点确定；

S3、设置采样计数器i＝1；

S4、获取采样时刻t的采样点位置X_a,i＝X_a,t；

S5、基于PDR定位方法，获取采样点的PDR定位位置

S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值R_t，根据所述指纹值R_t，获取采样点的WiFi定位位置

S7、根据所述采样点位置X_ai、采样点的PDR定位位置和采样点的WiFi定位位置得到和

S8、判断所述采样点位置X_a,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；

S9、基于采样计数器i，分别设置序列和

S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第m条指纹为：

S11、对特征数据中的每个数据进行处理，得到训练集；

S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型K_t，最终实现从w-1个输入到单一输出数据的映射。

(三)有益效果

考虑到深度学习方法在多因素融合中的优势，本发明通过综合消除WIFI指纹信号的不确定性，以时间序列特征对WIFI指纹信号与PDR信号进行统一的模型的构建，同时，考虑长短期记忆网络(LSTM，Long Short-Term Memory)在时间序列模型构建中的优势，提出基于LSTM的融合定位方法，能取得比现有定位算法更好的定位效果与定位稳定性。

附图说明

图1为本发明提供的面向智能移动终端的融合定位方法的流程图；

图2为本发明中采样的测试环境；

图3为本发明的融合定位方法与传统定位方法的性能对比图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明提供一种面向智能移动终端的融合定位方法，如图1所示，包括如下步骤：

A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置

A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值R_k，根据所述指纹值R_k，获取目标在当前时刻k的WiFi定位位置

A3、根据所述PDR定位位置和WiFi定位位置得到定位位置差值将所述定位位置差值作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置X_a,k；

其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，采用长短期记忆网络算法进行训练后的模型。

进一步地，

进一步地，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；

所述输入层用于输入输入数据

所述输出层用于输出输出数据

进一步地，所述步骤A2中，其中，f为WiFi定位方法中的映射函数。

具体地，假设运动用户需要在任意t时刻对自身位置进行估计，并同时使用PDR定位及WiFi定位方法。

当采用PDR进行定位时，设定t时刻PDR估计的用户位置为则t+1时刻PDR确定的用户位置可表示为：

式中：为t时刻到t+1时刻用户的位移。

假设t+1时刻用户获取的WiFi指纹值为R_t+1，基于WiFi定位算法，可计算得到用户基于WiFi定位获得的位置可表示为：

定义t+1时刻用户的实际位置为X_a,t+1，则根据卡尔曼滤波关系，则融合实际位置、PDR定位位置及WiFi定位位置的定位模型可表示为：

式中：K_t+1为t+1时刻卡尔曼模型的增益，σ_t+1为定位过程中引入的随机误差。

设置及则融合定位模型可表示为：

进一步地，所述融合定位模型的训练过程包括：

S1、基于滑动窗口方式构建长短期记忆网络的样本集，如图2所示，所述样本集包括训练集和测试集；

S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；

所述采样路径根据路径起始点和路径终止点确定；

S3、设置采样计数器i＝1；

S4、获取采样时刻t的采样点位置X_a,i＝X_a,t；

S5、基于PDR定位方法，获取采样点的PDR定位位置

S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值R_t，根据所述指纹值R_t，获取采样点的WiFi定位位置

S7、根据所述采样点位置X_a,i、采样点的PDR定位位置和采样点的WiFi定位位置得到和

S8、判断所述采样点位置X_a,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；

S9、基于采样计数器i，分别设置序列和

S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第m条指纹为：

S11、对特征数据中的每个数据进行处理，得到训练集；

S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型K_t，最终实现从w-1个输入到单一输出数据的映射。

将本发明提供的融合定位方法与传统基于滤波的定位方法进行对比，如图3所示，可见本发明方法具有更高的定位精度。需要注意的是，由于区域的分离，使得训练集与测试集中的节点具有不同的位置坐标，如果采用传统的位置作为输出，测试集中的所有数据经映射后其坐标范围不能满足需求。本发明由于直接采用位置的差值，即实际位置与估计PDR位置之间的位移作为输出，可在完成计算后，将PDR位置加上估计的位移值，从而最终确定用户的位置，从而更具备普适性。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (5)

1.一种面向智能移动终端的融合定位方法，其特征在于，包括如下步骤：

A1、基于PDR定位方法，获取目标在当前时刻k的PDR定位位置

A2、基于WiFi定位方法，得到目标在当前时刻k的指纹值R_k，根据所述指纹值R_k，获取目标在当前时刻k的WiFi定位位置

A3、根据所述PDR定位位置和WiFi定位位置得到定位位置差值将所述定位位置差值作为输入数据，输入预先训练的融合定位模型，得到目标在当前时刻k的实际位置X_a,k；

其中，所述预先训练的融合定位模型为根据历史时间段内的预设目标的PDR定位位置、WiFi定位位置和实际位置，采用长短期记忆网络算法进行训练后的模型。

2.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A3中，所述定位位置差值定位位置定位位置

3.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A3中，所述预先训练的融合定位模型包括输入层和输出层；

所述输入层用于输入输入数据

所述输出层用于输出输出数据所述输出数据＝实际位置X_a,k-PDR定位位置

4.根据权利要求1所述的融合定位方法，其特征在于，所述步骤A2中，其中，f为WiFi定位方法中的映射函数。

5.根据权利要求1所述的融合定位方法，其特征在于，所述融合定位模型的训练过程包括：

S1、基于滑动窗口方式构建长短期记忆网络的样本集，所述样本集包括训练集和测试集；

S2、根据预设的定位区域，设置定位区域的采样路径、路径起始点、路径终止点和采样周期Δt；

所述采样路径根据路径起始点和路径终止点确定；

S3、设置采样计数器i＝1；

S4、获取采样时刻t的采样点位置X_a,i＝X_a,t；

S5、基于PDR定位方法，获取采样点的PDR定位位置

S6、基于WiFi定位方法，得到采样点在采样时刻t的指纹值R_t，根据所述指纹值R_t，获取采样点的WiFi定位位置

S7、根据所述采样点位置X_a,i、采样点的PDR定位位置和采样点的WiFi定位位置得到和

S8、判断所述采样点位置X_a,t是否为路径终止点，若是，继续执行步骤S9；若不是，返回步骤S3，设置采样计数器i＝i+1，采样时刻t＝t+Δt；

S9、基于采样计数器i，分别设置序列和

S10、设置滑动窗口的大小为w，按照滑动采样方式构建大小为i-w+1条特征数据，其中第m条指纹为：

S11、对特征数据中的每个数据进行处理，得到训练集；

S12、基于训练集，将前w-1个数据作为输入数据，将最后一个数据作为输出数据，采用LSTM网络对融合定位模型进行训练，得到训练好的融合定位模型K_t，最终实现从w-1个输入到单一输出数据的映射。