CN110933599B

CN110933599B - 一种融合uwb与wifi指纹的自适应定位方法

Info

Publication number: CN110933599B
Application number: CN201911304602.5A
Authority: CN
Inventors: 武楠; 杨吕骁; 崔姬石; 李彬; 杨碧珩
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2020-10-30
Anticipated expiration: 2039-12-17
Also published as: CN110933599A

Abstract

本发明公开了一种融合UWB与WIFI指纹的自适应定位方法，首先采用众包方式训练指纹数据库，免去了人工收集和更新指纹数据库的繁琐流程，增强了指纹定位的实用性；定位时，先进行指纹定位，获得指纹定位结果，再基于指纹定位结果、UWB测距信息以及惯导传感器数据进行多源信息融合室内定位，本发明将WIFI指纹与UWB测距等信息进行融合定位，实际情况下只需要布设极少数的UWB节点即可实现高精度定位，解决了WIFI指纹定位精确度不高与UWB节点布设成本高的问题。

Description

一种融合UWB与WIFI指纹的自适应定位方法

技术领域

本发明涉及室内定位技术领域，涉及一种融合UWB与WIFI指纹的自适应定位方法。

背景技术

近年来，随着移动端设备与生活信息化的发展，用户对室内定位的需求不断上升，其商业价值与社会价值也愈发的凸显出来。尤其在某些大型公共室内场所如地下停车场、商场、火车站、机场等，用户更需要获得自己的确切位置，进而通过地图或导航系统到达目的地。

目前技术比较成熟的室内定位方法有WIFI指纹定位、蓝牙定位、红外线定位、超宽带定位、射频识别定位与超声波定位。

WIFI指纹定位方法是在待定位空间布置多个WIFI无线接入点，WIFI设备接收WIFI信号获得接收信号强度(RSS)数据向量，接收到的所有RSS数据向量构成一条指纹。预先存储RSS数据向量与位置之间的映射关系，形成指纹数据库。应用时，采用在线RSS数据向量匹配指纹孔来实现定位。WIFI指纹定位方法的优点是WIFI无线接入点随处可见，基本不需要布设成本，缺点是WIFI信号易被干扰，定位很容易出现米级的误差从而导致房间或楼层的错误。同时，基于WIFI的指纹定位方法需要在训练阶段构建指纹数据库，指纹数据库构建比较费时，待定位区域每个点都要测量，并在后续使用中保持指纹数据库的更新，这是一件费时费力的工作。

蓝牙定位功耗低、通信距离短，只适用于简单环境下的小范围定位。红外定位技术具有较高的定位精度，但由于光线不能穿过障碍物，使得红外射线仅能视距传播，因此需要安装大量接收天线，导致定位成本较高。射频识别定位技术精度高、成本低，但其不便于整合到移动设备中以及存在对用户的安全隐私保护性差等弊端。

超声波定位系统结构简单，但其信号容易受多径和非视距传播的影响，导致定位精度下降。

超宽带(UWB Ultra Wideband)定位具有精度高、穿透能力强、功耗低、抗多径效果好等优点，由于UWB使用的是纳秒至微秒级的窄脉冲信号，所以其使用的基于到达时间(TOAtime of arrival)的定位方法能够获得厘米级的定位精度，此外，UWB定位不需要构建和更新复杂的指纹数据库。但是UWB的不足在于其信号非视距或穿墙后的测距精度有所下降，并且节点布设成本较高。

综合考虑通信距离、布设成本、定位精度、信息安全与便于集成等因素，本发明将WIFI指纹定位方法与UWB室内定位方法相结合，实现了一种能够高效构建和更新指纹数据库，并且融合WIFI指纹和UWB测距信息的高精度低成本定位系统，进而提高用户所需室内定位服务的效率和准确性，同时大大减少了人工收集指纹数据所带来的时间消耗。

发明内容

有鉴于此，本发明提供了一种融合UWB与WIFI指纹的自适应定位方法，降低布设成本，提高室内定位服务的效率和准确性，大大减少了人工收集指纹数据所带来的时间消耗。

为了解决上述技术问题，本发明是这样实现的：

一种融合UWB与WIFI指纹的自适应定位方法，包括：

步骤一、在待定位区域布设WIFI无线接入点和UWB发射机；用户终端集成WIFI接收机、UWB接收机和惯性传感器；

步骤二、用户终端在待定位区域移动，按照固定时间间隔收集数据并生成一系列众包数据；每条众包数据包括WIFI接收机接收的RSS数据向量r、UWB测距信息d，以及根据惯性传感器数据计算的相邻两时间点之间的计步距离dl；

步骤三、基于众包数据，估计产生众包数据的地理位置x；众包数据及其地理位置x构成一条指纹，从而形成指纹数据库；

步骤四、定位时，在线收集待定位用户终端的RSS数据向量r、UWB测距信息d和惯性传感器数据；

步骤五、根据在线获得的RSS数据向量r匹配指纹数据库，匹配的地理位置x即为指纹定位结果

步骤六、利用指纹定位结果

以及在线获得的UWB测距信息d和惯性传感器数据进行多源信息融合定位。

优选地，所述步骤三为：使用因子图表示众包数据的位置估计问题，根据RSS数据向量r、UWB测距信息d，以及计步距离dl设计因式节点，利用基于因子图上的BP算法，估计产生众包数据的地理位置x。

优选地，所述利用基于因子图上的BP算法，估计产生众包数据的地理位置x包括如下步骤：

步骤31、对RSS数据向量r做K均值聚类，得到多个聚类簇；

步骤32、设因子图的变量节点为指纹中的地理位置x_i，i∈(1,N)，N为众包数据的个数；因子图的因式节点包括变量节点的地图先验信息和UWB测距先验信息，以及计步距离信息提供的变量节点间似然信息和聚类提供的变量节点间似然信息；其中

所述地图先验信息p_map(x_i)：

其中，S为待定位区域的面积；

所述UWB测距先验信息p_uwb(x_i)：

其中，

为第k个UWB发射机的坐标，d_k为UWB接收机与第k个UWB发射机间的UWB测距信息；σ_UWB为UWB测距信息的测距方差，UWB_k表示第k个UWB发射机，A为归一化因子；

计步信息提供的相邻变量节点(i,j)间似然信息p_ped(x_i,x_j)：

其中，dl_ij为相邻变量节点(i,j)间的计步距离；σ_ped为计步距离引入的方差；

同一聚类簇中任意两变量节点(i,j)的变量节点间似然p_clu(x_i,x_j)：

其中，σ_clu为簇内变量节点间距离关系引入的方差；

步骤33、在因子图上采用置信传播BP算法解出众包数据中地理位置的最大后验概率MAP估计，即为所需求取的地理位置x。

优选地，所述K均值聚类的簇数取待定位区域面积的1/10到1倍。

优选地，所述步骤五为：将在线获得的RSS数据向量r与指纹数据库进行对比，找到指纹数据库中与在线RSS数据向量r距离最近的K₁条指纹，计算这K₁条指纹中地理位置的平均值，即为所述指纹定位结果

优选地，所述步骤六为：将指纹定位结果

以及在线获得的UWB测距信息d和惯性传感器数据，输入粒子滤波估计算法进行多源信息融合定位：

在进行粒子滤波估计时，根据惯性传感器数据提供的计步距离对粒子进行移动，得到移动后的粒子(x_pm,y_pm)；根据UWB测距信息d和指纹定位结果

计算每个粒子(x_pm,y_pm)的粒子权值，根据粒子权值计算粒子位置坐标的加权平均值(x_pf,y_pf)，即为估计的用户位置坐标；

在进行粒子的迭代计算时，进行粒子重采样，重新执行步骤四和步骤五，将新获取的数据代入粒子滤波算法，进行下一轮计算，即可实现对用户位置的不断更新。

优选地，步骤六中，所述根据惯性传感器数据提供的计步距离对粒子进行移动为：

利用惯性传感器数据计算相邻两时间点之间的计步距离dl，利用计步距离dl对粒子进行移动：

其中，M为粒子总个数，(x_pm,y_pm)移动后的粒子位置，(x_pm',y_pm')为移动前的粒子位置，Θ为0-2π均匀分布的随机变量。

优选地，利用惯性传感器数据计算相邻两时间点之间的计步距离dl为：

获得相邻两时间点之间内用户行走的步数为N_step，并对第n步与第n-1步之间所有角加速度的数值进行累加，得到第n步相对于第n-1步的方向改变量为θ_n；设用户的步长为常数L，则在该时间间隔内用户的计步距离dl为：

优选地，步骤六中，所述根据UWB测距信息d和指纹定位结果

计算每个粒子(x_pm,y_pm)的粒子权值，根据粒子权值计算粒子位置坐标的加权平均值(x_pf,y_pf)为：

首先，更新所有粒子的权值w_1m和w_2m：

式中，w_1mk为基于第k个UWB测距得到的第m个粒子的权值，表征UWB测距对权值的影响；w_2m为基于在线RSS数据向量得到的第m个粒子的权值，表征WIFI信号对权值的影响；(x_pm,y_pm)为第m个粒子的位置坐标，

为第k个UWB发射机的坐标，d_k为UWB接收机与第k个UWB发射机的测距；σ₁为UWB测距信息的测距方差；σ₂为指纹定位的方差。w_m为第m个粒子的权值；

根据当前获得的粒子权值计算粒子位置坐标的加权平均值(x_pf,y_pf)：

其中，

是对w_m做归一化后的结果；

输出(x_pf,y_pf)，即为当前定位结果。

优选地，所述WIFI接收机和惯性传感器采用具有WIFI接收机和计步器的Android手机实现。

优选地，UWB发射机采用稀疏布设，以用户终端在每个位置能够收到至少1个UWB测距信号为准。

有益效果：

(1)本发明提出一种众包训练指纹数据库的方法，使用户在使用定位服务的过程的同时可以向服务器进行反馈，免去了人工收集和更新指纹数据库的繁琐流程，增强了指纹定位的实用性。

(2)本发明基于指纹定位结果、UWB测距信息以及惯导传感器数据的高精度多源信息融合室内定位方法，利用指纹定位算法与粒子滤波算法将WIFI指纹与UWB测距等信息进行融合定位，实际情况下只需要布设极少数的UWB节点即可实现高精度定位，解决了WIFI指纹定位精确度不高与UWB节点布设成本高的问题，搭建了一个适用性更强，更加符合实际使用环境的室内定位方法。

(3)本发明将室内普遍存在的WIFI信息以及Android手机自身携带的惯性传感器信息充分利用，同时融入了UWB厘米级的精准测距，避免了传统指纹定位方法精度和覆盖范围上的局限性，使指纹定位方法具有了更好的性能和更广泛的适用性。

附图说明

图1为本发明实施例中的设备使用图。

图2为本发明流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

现有的室内定位方法中，WIFI指纹法存在着信号易被干扰、定位精度不高以及繁琐的构建和更新指纹数据库等问题，而UWB存在着信号非视距时定位精度下降与节点布设成本高等问题，两者均存在着一定的局限性，单独使用难以实现实际应用场景中的高效精准定位。针对现有技术方法存在的缺陷，本发明提出一种实际应用场景下基于WIFI指纹、UWB测距以及惯性传感器的多源信息融合室内定位方法。利用众包训练方法构建和更新WIFI指纹数据库，之后利用WIFI指纹对待定位目标位置进行初步估计，在此基础上，利用UWB提供的精准测距与惯性传感器提供的信息进行多源信息融合对指纹定位算法的估计结果进行修正和更新，进一步提高WIFI指纹定位的准确性。

本发明方法是通过下述技术方案实现的：

一种融合UWB与WIFI指纹的自适应定位方法，其基本实施过程如下：

步骤一：众包方法训练指纹数据库。

本发明采用众包方式收集用户记录的WIFI接收信号强度(RSS)、UWB测距、惯性传感器数据等信息源。本发明实施例使用因子图表示众包数据位置标定问题，结合各类信息源的特点设计相应的因式，在因子图上采用BP算法解出众包数据位置的MAP估计，从而得到指纹数据库。基于众包方法构建和更新指纹数据库是该定位算法的基础部分，为指纹定位提供了足够的参考点，并且由于众包算法通过用户反馈来持续更新指纹数据库的机制，尽可能减少了该定位方法在后续使用过程中由于环境改变所受到的影响。

如图2所示，指纹数据库构建过程包含如下步骤：

步骤11、设备布置：在待定位区域布设WIFI无线接入点并稀疏布设K个UWB发射机；用户终端集成WIFI接收机、UWB接收机和惯性传感器。在实际中，如图1所示，可以采用安卓手机作为WIFI接收机和惯性传感器的承载设备，再加入UWB接收机即可。当然，也可以采用独立的WIFI接收机、UWB接收机和惯导传感器来收集数据。其中，稀疏布设是指在待定位区域内布设少数个UWB接收机，只要保证用户终端在每个位置能够收到至少1个UWB测距信号即可。简单地，可以按照每个房间或走廊最多布设一个。

步骤12、数据收集：用户手持安卓手机和UWB接收机，在待定位区域随意走动并按照固定时间间隔收集数据，形成一系列众包数据。每条众包数据包括WIFI接收机接收的RSS数据向量r、UWB测距信息d，以及根据惯性传感器数据计算的相邻两时间点之间的计步距离dl。惯性传感器可以测量得到加速度和方位数据，利用现有的计步模型可以得到计步距离，由于为现有技术，这里不详述。时间上连续的多组数据构成一系列众包数据表示为：{{r₁,d₁,dl₁},…,{r_N,d_N,dl_N}}。

步骤13、对RSS数据向量r做K均值聚类，得到多个聚类簇。其中，聚类簇数与待定位区域面积相关，可取定位区域面积(单位为平方米)的1/10到1倍并向上取整，记录每条RSS向量数据所属于的簇。本发明想在下面的估计算法中采用簇信息，因此这里做了聚类的操作。

步骤14、利用估计算法产生众包数据的地理位置x；众包数据及其地理位置x构成一条指纹，从而形成指纹数据库。估计算法可以采用凸优化算法或者基于概率的估计算法。其中，基于概率的估计算法包括隐马尔可夫模型中维特比算法、粒子滤波算法和因子图法等。

本实施例使用因子图(Factor Graphs)表示众包数据的位置估计问题。因子图能够表示包含大量变量的复杂函数的因式分解，在因子图上通过消息传递(MessagePassing)算法能够有效计算所有变量的边缘函数。一般的，因子图包含“因式节点”、“变量节点”和“边”。对于众包数据的位置估计，因子图的变量节点为众包数据位置x_i＝(x_i,y_i)，i为众包数据的标号，i∈(1,N)；同时可以较为容易的获得如下概率信息，包括：变量节点的地图先验信息和变量节点的UWB测距先验信息(提供的一个变量节点的信息)，以及计步距离信息提供的变量节点间似然信息和聚类提供的变量节点间似然信息(提供了变量之间节点的关系)，因此将这些概率信息作为因子图的因式节点。

地图先验信息p_map(x_i)：

其中，S为待定位区域的面积。

UWB测距先验信息p_uwb(x_i)：

其中，

为第k个UWB发射机的坐标，d_k为UWB接收机与第k个UWB发射机间的UWB测距信息，k＝1,2,3…，K；σ_UWB为UWB的测距方差，UWB_k表示第k个UWB发射机，A为归一化因子。是否为视距关系可以通过平面图或者信号强度等现有技术手段来判断。

计步信息提供的相邻变量节点(i,j)间似然信息p_ped(x_i,x_j)：

其中，dl_ij为相邻变量节点(i,j)间的计步距离；σ_ped为该距离引入的方差；所述节点是指收集数据的时间点，则相邻节点是指相邻两时间点所记录的数据所形成的节点。

其中，σ_clu为簇内变量节点间距离关系引入的方差。

接着，在因子图上采用置信传播(belief propagation，BP)算法解出众包数据位置的最大后验概率(Maximum a posteriori estimation，MAP)估计，从而解算出众包数据中地理位置的最大后验概率MAP估计，即为所需求解的众包数据的地理位置x_i。

BP算法是常规技术手段，其具体步骤包括：

步骤①对每一个变量节点x_i，根据先验p_map(x_i)和p_uwb(x_i)初始化置信信息(belief)——b⁰(x_i)，

b⁰(x_i)＝p_map(x_i)p_uwb(x_i)

步骤②循环执行以下两步I和II，直到满足收敛条件或达到最大循环次数，

I.对与x_i相邻或在同一聚类簇内的节点x_j按照p_ped(x_i,x_j)或p_clu(x_i,x_j)的表达式计算其传递给x_i的消息μ，这里的消息指因子图中的Massage，是一个概率密度函数的一部分。节点x_j按照p_ped(x_i,x_j)或p_clu(x_i,x_j)处理是指：若该节点有相邻节点就使用惯性传感器所提供的似然，若没有就是用簇内信息提供的似然。

其中，l表示迭代次数。p(x_i,x_j)＝p_ped(x_i,x_j)或p_clu(x_i,x_j)

II.更新x_i的belief，

步骤③根据x_i的belief给出其MAP估计，

其中，上式表示使b(x_i)取最大值的x_i。

经上述估计过程最终获得

则指纹数据库中包含的指纹就由众包数据和对应的地理位置

构成。

指纹数据库中的数据可以定期进行更新。更新数据来源于定位用户在线产生的实时数据，还可以附加为了更新而集中获取的数据。

步骤二：多源融合定位算法

步骤21、定位时，在线收集待定位用户终端的RSS数据向量r、UWB测距信息d和惯性传感器数据。

步骤22、根据在线获得的RSS数据向量r匹配指纹数据库，匹配的地理位置x即为指纹定位结果

本步骤在匹配时，将在线获得的RSS数据向量r输入KNN算法(K近邻算法)，即将在线获得的RSS数据向量r与指纹数据库进行对比，找到指纹数据库中与在线RSS数据向量r距离最近的K₁(K₁≥2)条指纹。KNN算法输出这K₁条指纹，计算这K条指纹中的地理位置平均值，即为估计出的位置初步估计

式中，R＝(or₁,or₂,...,or_W)为用户在线获取的RSS数据向量，其中W为WIFI无线接入点的数量。r＝(r₁,r₂,...,r_W)为指纹数据库中的RSS数据向量，D_i为WIFI接收机接收到的在线RSS向量R与数据库中第i个指纹位置参考点的欧式距离。

步骤23、将所述指纹定位结果

UWB测距信息d以及惯性传感器数据，输入基于粒子滤波估计算法实现多源信息融合定位，该算法适用于UWB发射机布设稀疏情况下的多源信息融合室内定位。

本发明利用每一时刻输入的信息组更新粒子的位置和权值，再用位置和权值得到粒子滤波的位置估计。其中，根据惯性传感器数据提供的计步距离dl对粒子进行移动，得到移动后的粒子(x_pm,y_pm)；根据UWB测距信息d和指纹定位结果

计算每个粒子(x_pm,y_pm)的粒子权值，根据粒子权值计算粒子位置坐标的加权平均值(x_pf,y_pf)，即为估计的用户位置坐标。

粒子滤波算法的过程为：

①第一次定位之前需初始化粒子，即在地图可定位范围内按均匀分布散布粒子。假设表示粒子坐标的二维随机变量为(X_P,Y_P)，其联合概率密度函数为f(x_p,y_p)

其中，S_D为室内区域可定位区域D的面积。

②利用在线收集到的惯性传感器数据对粒子进行移动。

使用惯性传感器数据获得的相邻两时间点之间的用户行走的步数为N_Step，并对第n步与第n-1步之间所有角加速度的数值进行累加，得到第n步相对于第n-1步的方向改变量为θ_n。设用户的步长为常数L，则在该时间间隔内用户的计步距离dl为：

③利用计步距离dl对粒子进行移动：

④利用UWB测距信息d对粒子权值进行进一步更新。

首先，更新所有粒子的权值。

式中，w_1mk为基于第k个UWB测距得到的第m个粒子的权值，表征UWB测距对权值的影响；w_2m为基于在线RSS向量得到的第m个粒子的权值，表征WIFI信号对权值的影响；(x_pm,y_pm)为第m个粒子的位置坐标，

为第k个UWB发射机的坐标，d_k为UWB接收机与第k个UWB发射机的测距。σ₁为UWB测距信息的测距方差；σ₂为指纹定位的方差。w_m为第m个粒子的权值。

⑤根据当前获得的粒子权值计算粒子位置坐标的加权平均值(x_pf,y_pf)即可更新用户的位置坐标。

其中，

是对w_m做归一化后的结果。

输出(x_pf,y_pf)，即为当前定位结果。

⑥对加权后的粒子进行重采样：丢弃权值小的粒子，同时复制权值较大的粒子，保持粒子总数不变。具体做法为对每个粒子产生一个[0,1]区间内的随机数作为重采样阈值，当该粒子的权值大于重采样阈值时就保留并复制这些粒子，权值小于重采样阈值的粒子就丢弃。这样一来，权值大的粒子就更可能会被多次复制，而权值小对位置计算贡献非常小的粒子大概率会被剔除。

⑦在线获得新的RSS数据向量r、UWB测距信息d和惯性传感器数据，利用新的在线RSS数据向量r计算指纹定位结果

再执行步骤②～⑥进行粒子移动和利用UWB测距信息更新粒子权值，并进行重采样，从而实现对用户位置的不断迭代更新。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。