CN111174784A - 一种室内停车场可见光与惯导融合定位方法 - Google Patents

Abstract

本发明涉及一种室内停车场可见光与惯导融合定位方法，属于光通信技术领域。本发明所述的方法通过对室内停车场建图，基于地图与可见光信号强度，再结合位移与角度测量，建立隐马尔科夫模型，将定位问题转化为参考节点间的转移问题，提升定位性能。在本发明中，建立了室内停车场地图，在此环境基础上，采用可见光接收信号强度、角度和位移作为转移概率建模依据，设计了隐马尔科夫模型的转移概率和观察序列；在定位阶段，利用用户最大移动速度对候选集的选取进行改进，提高定位速度。在移动定位的速度有保证的基础上，设计维特比解码算法求得最优路径，即定位结果，提高定位精度。

Description

一种室内停车场可见光与惯导融合定位方法

技术领域

本发明属于光通信技术领域，涉及一种室内停车场可见光与惯导融合定位方法。

背景技术

随着各种智能移动终端的普及以及基于位置服务需求的增加，定位技术进入了一个飞速发展的时代。基于GPS的室外定位导航已经大面积的普及，而在商场，图书馆和地下停车场等大型室内场馆的定位导航服务尚处于技术的累积期，还未大面积的使用，特别在大型的地下停车场，出于寻找车位和寻车离场的需要，对于定位导航的需求更加迫切。近年来，针对室内的定位，国内外根据无线通信技术已经开发出多种室内定位技术，比如WiFi、蓝牙、RFID、超宽带等，但都有各自的一些缺点和局限性，WiFi容易受到周围环境的影响，定位精度较低；蓝牙定位的问题主要在硬件设备电池更换和定位精度不高；RFID的局限性在于不具有通信能力和抗干扰能力差；超宽带的缺点则是占用过多的频谱资源。可见光通信技术凭借自身低功耗、高安全性、无电磁干扰、精度高等优势成为下一代无线通信网络的关键技术，特别是在大面积室内停车场环境下，安装额外的无线设备会浪费资源，可见光技术可以实现照明与定位同时进行，节约资源。

目前针对室内可见光通信室内定位方法研究大致有指纹定位、三边定位法和智能优化算法等，大多基于朗伯辐射模型，接收到可见光信号之后估算出距离。但是在面积较大的环境下，例如室内停车场、图书馆、医院等，可见光链路较长，房间墙壁使得可见光产生多径反射干扰，可见光链路被遮挡等，都会导致接收信号不稳定或产生误差，甚至接收不到，用户移动时接收的信号强度也十分不稳定，这些都会导致定位精度降低，且不能满足一定速度的移动定位需求。可见光指纹定位法是一种有效的定位方法，他不需要利用复杂的朗伯辐射模型计算LED灯到接收器之间的距离，通过离线建库阶段采集预设点对所有AP的接收信号强度，在线定位阶段进行匹配。但在大面积移动定位中，单一的可见光信号强度的接收并不是十分稳定，容易造成定位点的跳跃，且定位速度提升很困难。

发明内容

有鉴于此，本发明提供一种室内停车场可见光与惯导融合定位方法，该方法基于隐马尔科夫模型和可见光接收信号作为指纹，并加入测距模块和测角度模块，离线建库阶段，建立室内停车场地图，并根据出入口、人员通道、电梯口等地图信息建立隐马尔科夫模型的参考点，然后根据每个参考点采集接收信号强度指纹信息，结合参考点的位置信息，再根据测距模块，训练各参考节点之间的转移概率，形成状态转移矩阵。在线定位阶段，用户持有信号接收器接收可见光信号，根据用户的最大速度，乘以采样时间，缩小用户的候选集，再根据维特比算法，将用户状态转移概率与发射概率相乘，选取最大概率的状态作为定位结果。

为达到上述目的，本发明提供如下技术方案：

一种室内停车场可见光与惯导融合定位方法，建立室内地图，加入位移测距模块建立隐马尔科夫模型，将定位转化为隐马尔科夫模型参考点之间的转移问题。该方法首先建立室内停车场地图，以一个室内停车场为例，包括车辆入口出口、3个人员通道、2个电梯、1个值班室和52个停车位。

进一步地，在可到达区域设立参考点，保证参考点可以对应每个车位与出入口、人员通道等地标并测量参考点之间的距离，创立距离矩阵。

进一步地，根据用户的需求，选择行人定位或者车辆定位，如果是行人定位，测距模块包括步态检测和步长估计，以此来计算行人在采样时间内的位移，测角度模块则得到用户角度的变化；如果是车辆定位，根据加速度计，求积分得到速度，再在采样时间内获得位移。

进一步地，在离线建库阶段，行人手持可见光信号接收器，或安装在车辆顶部，采集每个参考点的可见光信号强度，参考点的指纹包括其坐标和可见光信号强度两部分；再根据步骤3的测距模块和测角度模块，根据位移建立每个参考点之间的转移概率矩阵：

其中s_i与s_j为节点i和j，表示节点i到节点j的位移转移概率，m为位移，d_ij为节点之间的距离，σ_m是位移范围平均误差。

其中s_i与s_j为节点i和j，表示节点i到节点j的角度转移概率，θ为角度，h_ij为节点之间的角度，θ_m是角度范围平均误差。

进一步地，设定用户最大移动速度，乘以设定的采样时间，得到用户采样时间内可能移动的范围，选取范围内的点作为候选状态集。

最后，用户在移动定位过程中持有信号接收器接收可见光信号，根据采集到的信号强度，计算发射概率：

其中R为实时指纹，σ_ix为节点i处的标准RSS偏差，q为AP数量。f_ix和r_x分别是参考指纹和实时指纹。

维特比解码算法用于计算定位结果：

δ_t(j)＝max(δ_t-1(i)*P(s_i|s_j,m)*P(s_i|s_j,θ)P(R_t|s_j)) (4)

其其中δ_t-1(i)是上一时刻的概率，P(s_i|s_j,m)、P(s_i|s_j,θ)和P(R_t|s_j)是转移概率和发射概率。

选取概率最大的状态，所对应的坐标即为定位结果。

本发明的有益效果在于：本发明提供的一种室内停车场可见光与惯导融合定位方法，为明确室内停车场环境，建立了停车场地图，并根据车辆和行人可到达区域建立定位参考节点。此外设计选取位移作为状态转移概率矩阵建立的标准。同时设定最大移动速度来减小状态候选集。最后，选取维特比解码算法作为定位算法，实现大面积移动定位，提升定位速度，提高定位精度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1定位流程图；

图2室内停车场地图；

图3基于隐马尔可夫模型的室内停车场地图；

图4隐马尔科夫模型示意图；

图5基于最大速度的状态转移矩阵示意图；

具体实施方式

下面将结合附图，对本发明的实施方式进行详细的描述。

本发明提供的一种室内停车场可见光与惯导融合定位方法，该方法基于隐马尔科夫模型和可见光接收信号作为指纹，并加入测距模块和测角度模块，离线建库阶段，建立室内停车场地图，并根据出入口、人员通道、电梯口等地图信息建立隐马尔科夫模型的参考点，然后根据每个参考点采集接收信号强度指纹信息，结合参考点的位置信息，再根据测距模块和测角度模块，训练各参考节点之间的转移概率，形成状态转移矩阵。在线定位阶段，用户持有信号接收器接收可见光信号，根据用户的最大速度，乘以采样时间，缩小用户的候选集，再根据维特比算法，将用户状态转移概率与发射概率相乘，选取最大概率的状态作为定位结果。本发明首先建立室内停车场地图，地图中包括入口、出口，三个人员通道、两个电梯一个值班室和52个车位作为标志，为了直观的表示停车场地图，在附图2中给出了室内停车场地图。

基于此地图，建立定位的隐马尔可夫模型，首先对所有车位进行编号，接下来设立可到达区域的参考节点，保证参考节点能到达每一个车位与标志出口，这个参考节点就是最终的定位点。并建立每个参考点之间的距离矩阵和角度矩阵：

D＝{d_ij|i,j∈S},1＜i,j≤N (1)

公式(1)中D_ij为节点i到节点j的距离，i，j都属于参考节点。

θ＝{θ_ij|i,j∈W},1＜i,j≤N (2)

公式(2)中θ_ij为节点i到节点j的角度，i，j都属于参考节点

在附图3中给出了基于隐马尔科夫模型的室内停车场地图。

基于此隐马尔科夫模型的室内停车场建图，首先，根据用户的需求，选择行人定位或者车辆定位，如果是行人定位，测距模块包括步态检测和步长估计，以此来计算行人在采样时间内的位移，参考经典的Kim方法来估计一般步行者的步幅S_k，步幅不是一个常数值，而是与步行速度、步行频率、和加速度有关。在典型的行走行为中，随着步行速度的增加，一步的时间变短，步幅变大，垂直冲击变大。下面(3)式是从步行测试中获得的实验方程，表示加速度和步幅之间的关系：

式中Stride(m)表示步幅，A_k表示步幅。

如果是车辆定位，根据加速度计得到当前加速度值，求积分得到速度，再在采样时间内获得位移。

在离线建库阶段，行人手持可见光信号接收器，或安装在车辆顶部，采集每个参考点的可见光信号强度，参考点的指纹包括其坐标和可见光信号强度两部分；再根据上一步的测距模块，根据位移建立每个参考点之间的转移概率矩阵。然后建立定位问题中的隐马尔科夫模型。隐马尔科夫模型包含5个参数，隐藏状态S，为图4中的节点，即定位点，不能被直接计算出；观测状态O，在本方法中为VLC-RSS测量值和位移值m；状态转移矩阵A和发射矩阵B，初始概率矩阵π。图4是隐马尔科夫模型示意图。

转移概率矩阵：

其中s_i与s_j为节点i和j，m为位移，d_ij为节点之间的距离，σ_m是位移范围平均误差。

其中s_i与s_j为节点i和j，θ为角度，h_ij为节点之间的角度，θ_m是角度范围平均误差。

进一步地，设定用户最大移动速度m，乘以设定的采样时间τ，得到用户采样时间内可能移动的范围，选取范围内的点作为候选状态集，图5为基于最大速度的状态转移矩阵示意图。

在线定位阶段，用户在移动定位过程中持有信号接收器接收可见光信号，根据采集到的信号强度，计算发射概率：

其中R为实时指纹，σ_ix为节点i处的标准RSS偏差，q为AP数量。f_ix和r_x分别是参考指纹和实时指纹。

根据观察序列O，离线阶段建立的初始概率、转移概率矩阵A与发射矩阵B，得到隐藏序列S。维特比解码算法用于计算定位轨迹：

δ_t(j)＝max(δ_t-1(i)*P(s_i|s_j,m)*P(s_i|s_j,θ)P(R_t|s_j)) (7)

其中第一部分是上一时刻的概率，第二、三部分是转移概率和发射概率。

当t＝1时，轨迹还不存在，初始位置概率为初始概率和发射概率乘积：

δ₁(i)＝π_i*P(R_t|s_i) (8)

当t>1时，t处的概率从上一时刻t-1位置处的概率乘以状态转移概率和发射概率，即式(7)。

下面将结合附图1对本发明的室内停车场可见光与惯导融合定位方法进行更为具体地介绍，具体流程可分为以下几个步骤：

输入：室内停车场地图(包括：出口、入口、3个人员通道、2个电梯、1个值班室、52个车位)和定位的隐马尔科夫模型，可见光信号，位移测距、角度测量和参考点的坐标信息。

输出：移动用户定位结果。

步骤1：建立室内停车场地图；

步骤2：根据步骤1得到的停车场地图，建立隐马尔科夫模型中的参考点，即发明中的定位点，得到室内停车场指纹地图；

步骤3：初创立参考节点的距离矩阵D_ij和角度矩阵θij；

步骤4：根据用户的需求，选择行人定位或者车辆定位，如果是行人定位，测距模块包括步态检测和步长估计，以此来计算行人在采样时间内的位移；如果是车辆定位，根据加速度计，求积分得到速度，再在采样时间内获得位移；

步骤5：根据位移和角度，在离线阶段进行建库，计算参考节点之间状态转移概率：

步骤6：设定初始概率分布，建立隐马尔科夫模型；

步骤7：在线定位阶段，开始；

步骤8：接收VLC-RSS信号；

步骤9：设定用户最大移动速度，乘以采样时间，等于最大移动范围，以此范围确定候选集，减小定位时间；

步骤10：计算候选集中参考节点的发射概率B；

步骤11：基于步骤6的隐马尔科夫模型和步骤10的在线阶段获得的发射概率B，设计维特比算法；

步骤12：维特比算法得出最大概率参考节点；

步骤13：算法结束，将概率最大的对应指纹库中的坐标作为定位结果输出。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过上述实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种室内停车场可见光与惯导融合定位方法，其特征在于：可采用卡尔曼滤波算法将可见光三边定位算法与惯性导航定位算法的结果相融合，得到定位结果；采用智能优化算法在空间中找到最佳定位点；也可将可见光信号作为指纹，采用指纹法定位；基于室内地图的定位方法主要采用粒子滤波算法，使定位点更加合理准确；或加入位移测距模块和角度测量模块，建立隐马尔科夫模型，将定位问题转化为隐马尔科夫模型参考点之间的转移问题。包括以下步骤：

步骤1：建立室内停车场地图；

步骤2：根据步骤1得到的停车场地图，建立可见光与惯性导航的定位模型，将定位点加入到模型中，采用如隐马尔科夫模型、地标匹配模型等)，建立室内停车场指纹地图(包含可见光接收信号信息和惯性导航信息等)，并创立定位节点的信息(如距离矩阵、角度矩阵等)；

步骤3：根据用户需求，选择是行人定位或车辆定位，并基于此将接收器和惯性导航模块加入到用户中(如测距模块和测角度模块)；

步骤4：离线建库阶段，采集定位信息(可见光接收信号强度和惯性导航的距离、角度等)，计算每个定位参考点之间的关系(转移概率矩阵和发射概率矩阵等)，建立定位模型(如隐马尔科夫模型、地图匹配模型等)。

步骤5：在线定位阶段，用户在停车场进行移动，用可见光信号接收器和惯导模块接收信号进行定位。

2.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤1具体通过以下方式实现：建立室内停车场地图，并包括车辆入口出口、人员通道、电梯、值班室、存储室和停车位等。

3.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤2具体通过以下方式实现：基于建立好的停车场地图，在可到达区域设立参考点建立定位模型，保证参考点可以对应每个车位与出入口、人员通道等地标并测量参考点之间的距离和角度，创立距离、角度矩阵。

4.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤3具体通过以下方式实现：根据用户的需求，选择行人定位或者车辆定位，如果是行人定位，测距模块包括步态检测和步长估计，以此来计算行人在采样时间内的位移；如果是车辆定位，根据加速度计，得到当前加速度值，求积分得到速度，再在采样时间内获得位移。获得位移之后，再结合测角度模块，得到用户在采样间隔中的角度变化量。

5.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤4具体通过以下方式实现：结合步骤2得到的室内停车场指纹地图，在离线建库阶段，行人手持可见光信号接收器，或安装在车辆顶部，采集每个参考点的可见光信号强度，参考点的指纹包括其坐标和可见光信号强度两部分；再根据步骤3的测距模块和测角度模块，根据位移建立每个参考点之间的转移概率矩阵：

其中s_i与s_j为节点i和j，表示节点i到节点j的位移转移概率，m为位移，d_ij为节点之间的距离，σ_m是位移范围平均误差。

其中s_i与s_j为节点i和j，表示节点i到节点j的角度转移概率，θ为角度，h_ij为节点之间的角度，θ_m是角度范围平均误差。

6.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤5具体通过以下方式实现：设定用户最大移动速度，乘以设定的采样时间，得到用户采样时间内可能移动的范围，选取范围内的点作为候选状态集。

7.根据权利要求1所述的一种室内停车场可见光与惯导融合定位方法，其特征在于：所述的步骤5具体通过以下方式实现：用户在移动定位过程中持有信号接收器接收可见光信号，根据采集到的信号强度，计算发射概率：

其中R为实时指纹，σ_ix为节点i处RSS的标准偏差，q为AP数量。f_ix和r_x分别是参考指纹和实时指纹。

维特比解码算法用于计算定位结果：

δ_t(j)＝max(δ_t-1(i)*P(s_i|s_j,m)*P(s_i|s_j,θ)P(R_t|s_j)) (4)

其中δ_t-1(i)是上一时刻的概率，P(s_i|s_j,m)、P(s_i|s_j,θ)是转移概率，P(R_t|s_j)是发射概率。

选取概率最大的状态，所对应的坐标即为定位结果。

Images