CN111148057B

CN111148057B - 室内定位方法、系统、计算机设备及可读存储介质

Info

Publication number: CN111148057B
Application number: CN201911229232.3A
Authority: CN
Inventors: 钱建文; 尹勇芹; 李伟锋; 郑木勇
Original assignee: Guangzhou Zhongzhi Internet Of Things Technology Co ltd
Current assignee: Guangzhou Zhongzhi Internet Of Things Technology Co ltd
Priority date: 2019-12-04
Filing date: 2019-12-04
Publication date: 2021-03-02
Anticipated expiration: 2039-12-04
Also published as: CN111148057A

Abstract

本发明公开了一种室内定位方法，包括：定位标签周期性发射标签信号；定位基站接收所述定位标签所发射的标签信号；定位基站将标签信号发送至后台服务器；后台服务器通过定位算法分析所述标签信号以求出所述定位标签的位置。本发明还公开了一种室内定位系统，包括：定位标签，设于被定位物体上，用于发射标签信号；定位基站，设于定位区域的对应位置，用于接收所述标签信号；后台服务器，用于通过定位算法对所述标签信号进行处理进而获得所述定位标签的位置。采用本发明，能够解决现有RFID定位技术中存在的定位误差问题。

Description

室内定位方法、系统、计算机设备及可读存储介质

技术领域

本发明涉及室内定位领域，尤其涉及室内定位方法、系统、计算机设备及可读存储介质。

背景技术

随着移动互联网和智能手机的普及，基于位置的服务得到大众的广泛关注，带动了各种定位技术的发展，除了大众比较熟知的室外定位技术GPS之外，近年来出现了很多基于无线网络的室内定位技术，如WIFI定位、蓝牙定位、ZigBee定位和RFID定位等。而物联网技术的飞速发展使得RFID技术开始广泛应用于生产、物流、物资及人资等的定位与回溯。在室内定位方面除了具有低成本，定位精准读高和识别速度快，安装方便等特点，还有非接触、非视距的优点，这使其逐渐成为室内定位的首选。

基于RSSI(信号强度)的定位算法，利用已知发射信号强度和接受节点收到的信号强度计算在传输过程中的损耗，使用信号模型将损耗转为待定标签与已知位置阅读器之间的距离，从而计算出标签的位置。基于TOA(到达时间)的定位算法，通过获得发射机的信号到达目标再返回发射机的时间，由传播时间得出标签到阅读器的距离，然后根据三边定位法或者多边定位法解出目标变迁的位置。

然而在现有技术中，要求标签和阅读器要同步，其次环境的复杂性会导致多径效应并降低系统的定位精度，阻挡物和空间的复杂性使得阅读器可能接收不到标签发出的信号，存在非常严重的非视距效应。

发明内容

本发明所要解决的技术问题在于，提供室内定位方法、系统、计算机设备及可读存储介质，能够解决现有RFID定位技术中存在的定位误差问题。

为了解决上述技术问题，本发明提供了一种室内定位方法，包括：定位标签周期性发射标签信号；定位基站接收所述标签信号并将所述标签信号上传至后台服务器；所述后台服务器通过多重定位算法分析所述标签信号以求出所述定位标签的位置，其中，所述多重定位算法包括第一算法、第二算法、第三算法以及第四算法，所述第一算法为基于RSSImax的定位算法，所述第二算法为基于RTimesmax的定位算法，所述第三算法为基于RTimesLis最大概率的定位算法，所述第四算法为基于RSSI指纹库的定位算法，当所述第一算法与第二算法输出的位置一致时，表明定位标签处于定位基站附近，RSSI受环境的干扰小，如果第三算法输出的位置的概率值大于55％，表明指纹库覆盖到此时的标签，则选择第四算法输出的位置作为定位标签的位置，否则选择第一算法输出的位置作为定位标签的位置，当所述第二算法与第三算法输出的位置不一致时，表明定位标签离定位基站较远，此时RSSI受环境的干扰大，如果所述第三算法输出的位置的概率值大于55％，此时第三算法的结果比第二算法的结果准确，则选择第三算法输出的位置作为定位标签的位置，否则选择第二算法输出的位置作为定位标签的位置。

优选地，所述第一算法包括：

取N秒内各定位基站收到同一标签的RSSI数据；

去掉所述RSSI数据的最大值与最小值，取剩余所述RSSI数据的均值；

将所述均值进行大小排序，取最大均值对应定位基站的位置作为定位标签的位置。

优选地，所述第一算法在所述取剩余所述RSSI数据的均值步骤之前还包括：

计算所述定位基站N秒内接收到同一标签数据的次数为cont；

当cont<n时，用最小的RSSI数据补充(n-cont)个缺省值，去掉一个最大值和一个最小值，

当cont≥n时，直接去掉一个最大值和一个最小值。

优选地，所述第二算法包括：

记录N秒内各定位基站接收到同一标签信号的次数，

对所述次数进行大小排序，取最大的所述次数对应定位基站的位置作为定位标签的位置。

优选地，所述第三算法包括：

记录N秒内各定位基站接收到同一标签信号的次数；

将定位基站按照接收次数从大到小的顺序排列，取最靠前的M个定位基站，记录每个定位基站的位置；

计算每个位置的概率值，选择概率值最大的位置作为定位标签的位置，如果出现概率值相等的情况，选择最靠前的定位基站对应的位置作为定位标签的位置。

优选地，所述第四算法包括；

取N秒内各定位基站收到同一标签的RSSI数据；

将所述均值按指纹库中定位基站的顺序进行排序以获得定位标签数据集；

将定位标签数据集与指纹库中的参考点数据集进行欧式距离计算；

对所有欧式距离进行排序，取欧式距离最小的参考点的位置作为定位标签的位置；

其中，所述指纹库包含定位区域内各参考点数据集，所述参考点数据集包含各定位基站接收到所述参考点的RSSI数据的均值。

优选地，所述计算欧式距离的公式为：

d＝sqrt(∑(x_i-y_i)^2)，其中，d为欧式距离，x_i为定位基站接收到所述定位标签的RSSI数据的均值，y_i为定位基站接收到所述参考点的RSSI数据的均值。

本发明还提供了一种室内定位系统，包括：

定位标签，设于被定位物体上，用于发射标签信号；

定位基站，设于定位区域的对应位置，用于接收所述标签信号；

后台服务器，用于通过多重定位算法对所述标签信号进行处理进而获得所述定位标签的位置。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时上述室内定位方法的步骤。本发明还提供了一种计算机可读存储介质，其存储有计算机指令，该程序被处理器执行时实现上述室内定位方法的步骤。

实施本发明的有益效果在于：

本发明提供的室内定位方法、系统、计算机设备及可读存储介质能够克服环境的复杂性所导致多径效应进而降低系统的定位精度的缺陷，通过多重算法对定位标签的数据进行分析，为定位标签提供精准的定位。

附图说明

图1是本发明提供的室内定位方法流程图；

图2是本发明提供的第一算法流程图；

图3是本发明提供的第一算法优化流程图；

图4是本发明提供的第二算法流程图；

图5是本发明提供的第三算法流程图；

图6是本发明提供的第四算法流程图；

图7是本发明提供的室内定位系统示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

如图1所示，本发明公开了本发明提供了一种室内定位方法，包括：

S101，定位标签周期性发射标签信号。

定位标签设于被定位物体上，所述定位标签采用有源RFID电子标签，可根据具体情况设置合适的发射周期并自主地发射标签信号，本发明设置定位标签的发射周期为3分钟，但不限于此，这样设置的发射周期既能满足定位的要求，又能数据处理与存储的负担。

S102，定位基站接收所述标签信号并将所述标签信号上传至后台服务器。

所述定位基站是一种能阅读电子标签数据的自动识别设备，定位基站设于定位区域，定位区域可为室内某个楼层、房间、走廊或电梯间等需要定位的区域，对于较大的定位区域则需要设置多个定位基站，才能提供较高的定位精度。

所述定位基站接收到定位标签信号后通过通信模块将标签信号上传至后台服务器，所述通信模块优先选择NB101模块，但不限于此，所述NB101模块通过IOT云平台将数据上传至后台服务器，所述NB101模块结合IOT云平台的无线通信方式，具有低功耗与覆盖面积广等优点。

S103，后台服务器通过多重定位算法分析所述标签信号以求出所述定位标签的位置。

所述后台服务器获取各定位基站的标签信号后，通过内置的算法引擎对标签数据进行定位分析，最终实现精确定位的目的。其中，所述多重定位算法包括第一算法、第二算法、第三算法以及第四算法，所述第一算法为基于RSSImax的定位算法，所述第二算法为基于RTimesmax的定位算法，所述第三算法为基于RTimesLis最大概率的定位算法，所述第四算法为基于RSSI指纹库的定位算法，当所述第一算法与第二算法输出的位置一致时，表明定位标签处于定位基站附近，RSSI受环境的干扰小，如果第三算法输出的位置的概率值大于55％，表明指纹库覆盖到此时的标签，则选择第四算法输出的位置作为定位标签的位置，否则选择第一算法输出的位置作为定位标签的位置，当所述第二算法与第三算法输出的位置不一致时，表明定位标签离定位基站较远，此时RSSI受环境的干扰大，如果所述第三算法输出的位置的概率值大于55％，此时第三算法的结果比第二算法的结果准确，则选择第三算法输出的位置作为定位标签的位置，否则选择第二算法输出的位置作为定位标签的位置。

优选地，如图2所示，所述第一算法包括：

S201，取N秒内各定位基站收到同一标签的RSSI数据。

定位区域内各个定位基站接收到的标签信号强度(RSSI)数据各有不同，另外，不同时间点同一定位基站接收到同一标签的RSSI数据也各有不同，这种情况是标签信号在传输过程中受传输距离、传输路径以及环境实时变化所导致的。

S202，去掉所述RSSI数据的最大值与最小值，取剩余所述RSSI数据的均值。

为了去除偶然误差，在处理标签数据时，需要去掉所述RSSI数据的最大值与最小值，并取剩余所述RSSI数据的均值。

S203，将所述均值进行大小排序，取最大均值对应定位基站的位置作为定位标签的位置。

由于定位基站接收到标签数据信号强度(RSSI)在传输路径中会衰减，距离越长衰减程度越大，因此可根据RSSI数据的大小来判断离定位标签最近的定位基站，并将该定位基站的位置作为定位标签的位置。

更佳地，如图3所示，所述第一算法在所述取剩余所述RSSI数据的均值步骤之前还包括：计算所述定位基站N秒内接收到同一标签数据的次数为cont；当cont＜n时，用最小的RSSI数据补充(n-cont)个缺省值，去掉一个最大值和一个最小值，当cont≥n时，直接去掉一个最大值和一个最小值。

其有益效果是：定位基站接收到的定位标签信号存在环境干扰误差以及偶然误差，因此需要对所述RSSI数据进行去最值，并且针对数据过少的进行地位补充，通过求取平均值来减少干扰误差以及偶然误差，提高算法的定位精度。

具体地，通过举例来进一步阐述所述第一算法的定位分析过程，现有定位基站3个，定位标签一个，每个基站各代表一个定位区域，三个定位基站N秒内收到的信息如下，取n＝10，

定位基站1：BS1＝{50，54，53，57，55，60，70，68，67，80}

定位基站2：BS2＝{40，70，12，42，50，33，40，43，}；

定位基站3：BS3＝{12，11，14，15，15，16，14，17，18}。

接下来，减去最大最小值，对不足10次的基站数据进行最小数据填充，并计算各个定位基站接收的RSSI数据总和如下，

定位基站1：BS1_TMP＝Σ(BS1_i)-BS1_min-BS1_max

定位基站2：BS2_TMP＝Σ(BS2_i)+BS2_min*(n-cont2-1)-BS2_max

定位基站2：BS3_TMP＝Σ(BS3_i)+BS3_min*(n-cont3-1)-BS3_max

然后，对已减去最大、最小值的RSSI数据总和求取均值如下，

定位基站1：BS1_AVG＝BS1_TMP/(n-2)；

定位基站2：BS2_AVG＝BS2_TMP/(n-2)；

定位基站3：BS3_AVG＝BS3_TMP/(n-2)。

下一步，将所述均值进行大小排序：Sort(BS1_AVG,BS2_AVG,BS3_AVG)。

最后，输出最大均值对应定位基站1，并将定位基站1的位置作为定位标签的位置。

如图4所示，所述第二算法包括：

S401，记录N秒内各定位基站接收到同一标签信号的次数。

S402，对所述次数进行大小排序，取最大的所述次数对应定位基站的位置作为定位标签的位置。

具体地，通过举例来进一步阐述所述第二算法的定位分析过程，现有定位基站有10个(BS1、BS2、BS3、BS4、BS5、BS6、BS7、BS8、BS9)，定位标签一个，每个基站各代表一个定位区域，10个定位基站N秒内收到定位标签信号的次数为：BS0＝10，BS1＝9，BS2＝8，BS3＝3，BS4＝4，BS5＝7，BS6＝2，BS7＝7，BS8＝1，BS9＝1。

对所有定位基站收到的标签信号次数进行排序：Sort(BS0～BS9)。

输出接收次数最大的定位基站BS0，并将定位基站BS0的位置作为定位标签的位置。

如图5所示，所述第三算法包括：

S501，记录N秒内各定位基站接收到同一标签信号的次数。

S502，将定位基站按照接收次数从大到小的顺序排列，取最靠前的M个定位基站，记录每个定位基站的位置。

S503，计算每个位置的概率值，选择概率值最大的位置作为定位标签的位置，如果出现概率值相等的情况，选择最靠前的定位基站对应的位置作为定位标签的位置。

具体地，通过举例来进一步阐述所述第二算法的定位分析过程，现有定位基站10个(BS1、BS2、BS3、BS4、BS5、BS6、BS7、BS8、BS9)，标签一个，其中BS1、BS5为房间1内定位基站，BS0、BS2为房间2内定位基站，BS7为房间3内定位基站，BS3、BS4为房间4内定位基站，其余为房间5内定位基站。10个定位基站N＝10秒内收到的信息次数为：BS0＝10，BS1＝7，BS2＝10，BS3＝3，BS4＝4，BS5＝7，BS6＝2，BS7＝5，BS8＝1，BS9＝1。

将定位基站按照接收次数从大到小的顺序排列：Sort(BS0～BS9)。

取前M＝5个最大的值，BS0，BS2，BS1，BS5，BS7。

记录每个定位基站的位置，由于BS1、BS5为房间1，BS0、BS2为房间2，BS7为房间3，所以在房间1的概率为40％，在房间2的概率为40％，在房间3的概率为20％。

选择概率值最大的位置作为定位标签的位置，如果出现概率值相等的情况，选择最靠前的定位基站对应的位置作为定位标签的位置，因此，房间2为定位标签的位置。

优选地，如图6所示，所述定位算法还包括第四算法；

所述第四算法包括：

S601，取N秒内各定位基站收到同一标签的RSSI数据。

S602，去掉所述RSSI数据的最大值与最小值，取剩余所述RSSI数据的均值。

S603，将所述均值按指纹库中定位基站的顺序进行排序以获得定位标签数据集。

S604，将定位标签数据集与指纹库中的参考点数据集进行欧式距离计算。

S605，对所有欧式距离进行排序，取欧式距离最小的参考点的位置作为定位标签的位置，优选地，所述计算欧式距离的公式为：d＝sqrt(∑(x_i-y_i)^2)，其中，d为欧式距离，x_i为定位基站接收到所述定位标签的RSSI数据的均值，y_i为定位基站接收到所述参考点的RSSI数据的均值。

指纹库的建立过程为：

假设在1楼有一个参考点，三个定位基站N秒内收到的参考点标签均值信息为：BSB1＝{55}，BSB2＝{39}，BSB3＝{9}；

假设在2楼有一个参考点，三个基站N秒内收到的参考点标签均值信息为：BSB1＝{39}，BSB2＝{58}，BSB3＝{38}；

假设在3楼有一个参考点，三个基站N秒内收到的参考点标签均值信息为：BSB1＝{9}，BSB2＝{30}，BSB3＝{50}；

则指纹库为：Rspi＝{[Rsp1＝(55，39，9)]，[Rsp2＝(40,58,30)]，[Rsp3＝(24,38,50)]},指纹库分别对应1，2，3楼。

依据上述建立过程，建立指纹库，指纹库为N个基站N秒内收到的多个参考点标签均值信息的集合。

具体地，通过举例来进一步阐述所述第四算法的定位分析过程：采集参考点的Rspi＝{[Rsp1＝(Rs1,1；Rs1,2,Rs1,3)]；[Rsp2]；……Rspn}作为指纹库；采集待测点的Rspk＝(Rsk,1；Rsk,2；Rsk,3)；通过匹配算法(欧氏距离)查找指纹库Rspi中Rspk最相近的标点位置作为标签的位置。

假设有定位基站3个分别放在1、2、3楼，定位标签一个，三个定位基站N秒内收到待测标签的信息为：

BS1＝{50，54，53，57，55，60，70，68，67，80}

BS2＝{40，70，12，42，50，33，40，43，44，21}

BS3＝{12，11，14，15，15，16，14，17，18，19}

去掉所述RSSI数据的最大值与最小值，取剩余所述RSSI数据的均值，得

对应指纹库的结果分别为：5.9，27.3，38。

对所有欧式距离进行排序Sort(5.9，27.3，38)。

取欧式距离最小的参考点的位置(1楼)作为定位标签的位置。

需要说明的是，当所述第二算法与第三算法输出的位置一致时，如果所述第三算法输出的位置的概率值大于55％，则选择第四算法输出的位置作为定位标签的位置，否则选择所述第一算法输出的位置作为定位标签的位置；当所述第二算法与第三算法输出的位置不一致时，如果所述第三算法输出的位置的概率值大于55％，则选择所述第三算法输出的位置作为定位标签的位置，否则选择所述第二算法输出的位置作为定位标签的位置。比如，假设第二算法输出的位置是房间1，第三算法输出的位置是房间1(概率值为60％)，则选择第四算法输出的位置(房间1)作为定位标签的位置。这样分析处理的原因为：当所述第二算法与第三算法输出的位置一致时，表明定位标签处于定位基站附近，此时RSSI受环境干扰小，如果第三算法输出的位置的概率值大于55％，表明指纹库覆盖到此时的标签，则选择第四算法输出的位置作为定位标签的位置，否则选择第一算法输出的位置作为定位标签的位置；当所述第二算法与第三算法输出的位置不一致时，表明定位标签离定位基站较远，此时RSSI会受环境干扰，因而不能采用第一算法和第四算法的结果，如果所述第三算法输出的位置的概率值大于55％，此时第三算法的结果比第二算法的结果准确，则选择第三算法输出的位置作为定位标签的位置，否则选择第二算法输出的位置作为定位标签的位置。

如图6所示，本发明还公开了一种室内定位系统，包括：定位标签101，设于被定位物体上，用于发射标签信号；定位基站102，设于定位区域的对应位置，用于接收所述标签信号；后台服务器103，用于通过定位算法对所述标签信号进行处理进而获得所述定位标签的位置。

需要说明的是，本发明提供的室内定位系统主要包括三个部分，定位标签101、定位基站102以及后台服务器103。所述定位标签101设于被定为物体上，是能够自主发射标签信号的有源RFID电子标签，当需要开启定位时，所述定位标签按照设定周期向外发射标签信号。所述定位基站102设于室内的定位区域，例如，楼梯间、电梯间、房门以及其他需要覆盖定位的区域，可根据定位区域的大小设置不同数量的定位基站，以满足相应的定位效果。所述定位基站能够接收到定位标签的信号并阅读标签信号包含的信息，并上传至后台服务器103。所述后台服务器103，通过定位算法软件对所述标签信号进行处理进而获得所述定位标签的位置。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现上述室内定位方法的步骤。

本发明还提供了一种计算机可读存储介质，其存储有计算机指令，其特征在于，该程序被处理器执行时实现上述室内定位方法的步骤。

综上所述，本发明提供的室内定位方法、系统、计算机设备及可读存储介质，能够解决现有RFID定位的缺陷，克服环境的复杂性所导致多径效应而降低定位精度的难题，解决非视距效应所带来的误差，通过多重算法分析标签信号，提高室内定位的精度。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims

1.一种室内定位方法，其特征在于，包括：

定位标签周期性发射标签信号；

定位基站接收所述标签信号并将所述标签信号上传至后台服务器；

所述后台服务器通过多重定位算法分析所述标签信号以求出所述定位标签的位置，其中，

所述多重定位算法包括第一算法、第二算法、第三算法以及第四算法，所述第一算法基于接收信号强度的大小进行定位，所述第二算法基于接收信号次数的大小进行定位，所述第三算法基于接收信号概率值的大小进行定位，所述第四算法基于RSSI指纹库进行定位，

当所述第一算法与第二算法输出的位置一致时，表明定位标签处于定位基站附近，RSSI受环境的干扰小，如果第三算法输出的位置的概率值大于55％，表明指纹库覆盖到此时的标签，则选择第四算法输出的位置作为定位标签的位置，否则选择第一算法输出的位置作为定位标签的位置，

当所述第二算法与第三算法输出的位置不一致时，表明定位标签离定位基站较远，此时RSSI受环境的干扰大，如果所述第三算法输出的位置的概率值大于55％，此时第三算法的结果比第二算法的结果准确，则选择第三算法输出的位置作为定位标签的位置，否则选择第二算法输出的位置作为定位标签的位置。

2.如权利要求1所述的室内定位方法，其特征在于，所述第一算法包括：

取N秒内各定位基站收到同一标签的RSSI数据；

3.如权利要求2所述的室内定位方法，其特征在于，所述第一算法在所述取剩余所述RSSI数据的均值步骤之前还包括：

计算所述定位基站N秒内接收到同一标签数据的次数为cont；

当cont≥n时，直接去掉一个最大值和一个最小值。

4.如权利要求1所述的室内定位方法，其特征在于，所述第二算法包括：

记录N秒内各定位基站接收到同一标签信号的次数，

5.如权利要求1所述的室内定位方法，其特征在于，所述第三算法包括：

记录N秒内各定位基站接收到同一标签信号的次数；

计算每个所述位置的概率值，选择概率值最大的位置作为定位标签的位置，如果出现概率值相等的情况，选择最靠前的定位基站对应的位置作为定位标签的位置。

6.如权利要求1所述的室内定位方法，其特征在于，所述第四算法包括；

取N秒内各定位基站收到同一标签的RSSI数据；

7.如权利要求6所述的室内定位方法，其特征在于，所述计算欧式距离的公式为：

8.一种室内定位系统，其特征在于，包括：

定位标签，设于被定位物体上，用于发射标签信号；

后台服务器，用于通过多重定位算法对所述标签信号进行处理进而获得所述定位标签的位置，其中，

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1-7任意一项所述方法的步骤。

10.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-7任意一项所述方法的步骤。