CN111277946A - 一种蓝牙室内定位系统中指纹库自适应更新方法 - Google Patents

Abstract

本发明提出了一种基于众包信息的指纹库自适应更新方法，该方法包含以下三个步骤：首先，从众包数据中提取出信号强度(Received Signal Strength，RSS)序列、航向和速度信息。然后，将这些信息导入修正的行人航迹推算(Pedestrian Dead Reckoning Modification，PDRM)算法，消除用户定位过程中的累积误差，并根据修正后的PDR轨迹上各点位置坐标与用户上传对应的RSS数据生成待更新指纹数据。最后，利用标准指纹、负指数时效模型和相似性过滤概念处理待更新指纹数据，以获得更新后的指纹库。相比于传统指纹库维护技术，本发明不需要耗费大量的人力和时间成本去重复采集数据维持指纹库的稳定性，仅需利用大量用户上传的定位数据便可完成指纹库的更新，有效减少了资源开销。

Description

一种蓝牙室内定位系统中指纹库自适应更新方法

技术领域

本发明涉及无线定位技术领域，涉及一种基于众包信息的指纹库自适应更新方法。

背景技术

蓝牙指纹定位技术具有低功耗、低成本和长时高精度等优点。在室内环境下，无线信号的传播环境不断变化，因此指纹库需要定期更新。而传统采用专人定期更新指纹库的方法，非常耗费人力。

在大数据的背景下，众包方法为解决指纹库的更新维护提供了新的思路，并被视作是未来的发展趋势。众包数据更新方法按照用户是否主动参与，可分为主动众包方法和被动式众包方法。

主动式众包方法是使用交互界面让用户主动参与进行指纹库更新，如ParkJ，CharrowB 等人提出了一种完全由用户自主更新指纹库的方法，基于已有参考点对整个区域的覆盖度决定是否提醒用户标记位置，几乎不需要专业人员参与建库和维护，但是对于较大的室内环境，用户最初使用该系统时会被频繁打扰，增加了用户的负担，基本没有用户体验。

被动式众包则通过分析用户上传的数据在不干扰用户的情况下自动完成数据库的更新工作。如WIFISLAM方法不需要事先测绘，通过用户手机传感器信息可以在导航过程中完成指纹库更新的工作。但从此类方法就最终的实验结果来看，更新后指纹库定位精度上限较低。

发明内容

为了优化蓝牙指纹的室内定位系统，解决指纹采样耗费大且需要定期采样的问题，本发明提出了一种基于众包数据更新指纹库的方法。相比于传统指纹库更新技术，本发明不需要用户主动参与且更新效果较好。此外，本发明工程可实现性强，适用于各类室内定位场景。

为达到上述目的，本发明提供如下技术方案：

一种蓝牙室内定位系统中指纹库自适应更新方法，包括以下步骤：

S1：记录定位区域中接入点(Access Point，AP)坐标及转角坐标作为轨迹修正信标，并且在每个转角采集位置指纹信息用于转角识别。

S2：配置无线局域网，目标在定位区域中行走并上传数据，AP接收到达的数据，并且从接收数据中提取信号强度(Received Signal Strength，RSS)序列、陀螺仪模值、速度和航向。

S3：利用所述步骤S2得到的信号强度序列，识别RSS波峰结合步骤S1中AP的坐标生成RSS波峰信标。利用陀螺仪的模值变化对行人拐弯行为进行判别，然后使用步骤S1中提前采集的转角位置指纹信息进行转角识别最后结合步骤S1中相应转角的坐标生成转角信标。

S4：利用步骤S2得到的速度与航向进行行人航迹推导(Pedestrian DeadReckoning，PDR) 获取行人轨迹后，使用步骤S3得到转角信标按其时间顺序将PDR轨迹分割为小段直线轨迹

S5：使用步骤S3中获取的RSS波峰信标及转角信标结合行人轨迹推算修正算法(Pedestrian Dead Reckoning Modification，PDRM)对步骤S4中分割后的PDR轨迹进行修正，减小PDR轨迹长时间的累计误差，提取修正后的PDR定位结果的地理坐标并结合对应时刻的RSSI生成指纹信息。

S6：首先将定位区域栅格化生成布满定位区域的参考点，然后根据步骤S5生成的指纹信息的地理坐标通过最临近参考点匹配将RSS序列匹配至相应参考点坐标中，生成待更新指纹数据。

S7：累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新。

进一步，在步骤S3中，所述RSS波峰信标识别及转角信标识别的具体方法为：

首先，由公式1信号的传播模型，智能手机离AP越远RSS信号强度越弱，当智能手机处于AP正下方时RSS信号强度最大。

RSS＝-(10nlogd+A) (1)

当行人经过了某个AP时波峰必须大于阈值RSS_min，且由于行人一般沿着走廊前进不可能在较短时间内连续经过同一AP，因此该AP的波峰出现时间间隔必须大于阈值T_min。综上所述，根据波峰判别阈值条件可识别出行人何时经过AP，此时可将AP的坐标作为行人当前位置，本方法称其为RSS波峰信标。

其次，计算三轴陀螺仪的总模值并根据陀螺仪的模值变化对行人进行转角行为进行判别。当行人平缓前进的时候陀螺仪模值一直在一个较小的值上下轻微波动，一旦行人进行转角行为陀螺仪模值会出现突变，且拐动角度越大陀螺仪模值变化幅度越大。

根据行人进行转角行为的具体时刻，将该时刻采集的RSS与离线阶段在各转角信标点采集的RSS信息进行匹配，确定转角具体位置。此时可将转角的坐标作为行人当前位置，本方法称其为转角信标。

进一步，在步骤S5中，所述利用信标修正PDR轨迹生成指纹信息的PDRM具体方法为：

首先，计算PDR推算结果与相应信标位置之间的误差，再根据行人每秒的前进速度计算每秒PDR推算存在的误差，其表示形式为：

式中，v_i、θ_i分别为每秒的速度与航向，ε_xi、ε_yi分别为x、y方向每秒的误差，L为真实轨迹长度而

为PDR算法推算出来的轨迹长度。角度ψ₁为后一个信标坐标 (x_end,y_end)与前一个信标坐标(x₀,y₀)的夹角，角度ψ₂为PDR推算的终点坐标(x,y)与起点坐标(x₀,y₀)的夹角。

其次，按时间顺序对每秒的PDR推算结果进行修正，其表示形式为：

式中，x_i及y_i为修正后PDR轨迹每秒的坐标，ε_xn及ε_yn由式(2)获得。

最后，PDR推算经上述修正方式修正后较为贴合真实轨迹。将修正后的PDR结果结合相应时刻采集的RSS生成指纹信息，设其中第i条表现形式为：

进一步，在步骤S6中，所述最近临近参考点匹配生成待更新指纹的具体方法为：

在待定位区域选取一系列均匀分布的参考点，将步骤S5中生成的指纹信息的地理坐标(x,y)通过最临近参考点匹配(离某个参考点欧式距离最小)将RSS序列匹配至相应参考点坐标(x_RF,y_RF)中,具体匹配方式的表现形式为：

进一步，在步骤S7中，所述累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新具体方法为：

首先，根据待更新指纹与原始指纹计算标准指纹，设原始指纹库中某个参考点的已包含 M个指纹序列

其中第m个指纹序列的表现形式为：

设步骤S6最临近参考点匹配后该参考点包含K个的指纹序列

其中第k个指纹序列的表现形式为：

那么该参考点的标准指纹可定义为式8。标准指纹可用于与指纹库及新采集的指纹进行相似度计算以规范该参考点的指纹数据，通过滤除低相似度指纹及保留高相似度指纹，可动态的保持指纹库的准确性与稳定性。

然后，当采集到的更新数据

量较少时，由公式8更新数据

对标准指纹影响较小，导致标准指纹依旧偏相似于指纹库中的原始指纹，很难准确反应环境变化对指纹库的影响。因此，本发明引入了负指数时效性模型，随着时间的增长老旧的指纹信息会逐渐降低权重，减少其对标准指纹的影响。从而重新定义标准指纹为公式9，其中R(t)为负指数时效性模型。 R(t)具体定义为公式10，其中t₀为每一条指纹的采集时间，t为系统当前时间，而α及T为经验值，可根据具体环境做调整。

最后，根据指纹间的相似性进行相似性过滤，设S_i为

及

的集合，将S_i中所有指纹与标准指纹进行相似度计算。指纹间的相似性与指纹间信号强度的欧氏距离相关，具体表现形式为：

Sim_i＝(|S_i-S_S|)^-1 (11)

式中，|S_i-S_S|为指纹与标准指纹间信号强度的欧式距离，|S_i-S_S|越大指纹间相似性越小，|S_i-S_S|越小指纹间相似性越高。按相似度从高到低的顺序保留一定数量高相似性指纹，滤除低相似性指纹。本方案设定每个参考点最多保存X组RSS序列(X值可根据实际情况做调整)，若S_i中指纹数量不足X组则不进行滤除直接保存。

本发明的有益效果在于：提供了一种基于一种基于众包信息的指纹库自适应更新方法，该方法相比于传统指纹库维护技术不需要耗费大量的人力和时间成本去重复采集数据维持指纹库的稳定性，仅需利用大量用户上传的定位数据便可完成指纹库的更新，有效减少了资源开销。

附图说明

为了使本发明的目的、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的详细描述，其中：

图1为步骤S4利用转角信标分割后的PDR轨迹；

图2为步骤S5利用信标对PDR轨迹修正后的结果与原始PDR轨迹对比图；

图3为步骤S6中最临近参考点匹配示意图。

具体实施方式

为了使本技术领域人员能更好地理解本发明的目的、技术方案和有益效果，下面结合具体实施例和说明附图来进行完整的描述。

S1：记录定位区域中接入点AP坐标及转角坐标作为轨迹修正信标，并且在每个转角采集位置指纹信息用于转角识别。

S2：在该定位场景中配置无线局域网，目标在定位区域中行走并上传数据，AP接收到达的数据，并且从接收数据中提取信号强度RSS序列、陀螺仪模值、速度和航向。

S3：利用所述步骤S2得到的信号强度序列，识别RSS波峰结合步骤S1中AP的坐标生成RSS波峰信标。利用陀螺仪的模值变化对行人拐弯行为进行判别，然后使用步骤S1中提前采集的转角位置指纹信息进行转角识别最后结合步骤S1中相应转角的坐标生成转角信标。

其中，所述RSS波峰信标识别及转角信标识别的具体方法为：

首先，由公式12信号的传播模型，智能手机离AP越远RSS信号强度越弱，当智能手机处于AP正下方时RSS信号强度最大。

RSS＝-(10nlogd+A) (12)

当行人经过了某个AP时波峰必须大于阈值RSS_min，且由于行人一般沿着走廊前进不可能在较短时间内连续经过同一AP，因此该AP的波峰出现时间间隔必须大于阈值T_min。综上所述，根据波峰判别阈值条件可识别出行人何时经过AP，此时可将AP的坐标作为行人当前位置，本方法称其为RSSI波峰信标。

其次，计算三轴陀螺仪的总模值并根据陀螺仪的模值变化对行人进行转角行为进行判别。当行人平缓前进的时候陀螺仪模值一直在一个较小的值上下轻微波动，一旦行人进行转角行为陀螺仪模值会出现突变，且拐动角度越大陀螺仪模值变化幅度越大。

根据行人进行转角行为的具体时刻，将该时刻采集的RSS与离线阶段在各转角信标点采集的RSS信息进行匹配，确定转角具体位置。此时可将转角的坐标作为行人当前位置，本方法称其为转角信标。

S4：利用步骤S2得到的速度与航向进行PDR推导获取行人轨迹后，使用步骤S3得到转角信标按其时间顺序将PDR轨迹分割为小段直线轨迹。

如图1为利用转角信标分割后的PDR轨迹，其中不同的标记表示不同的分割后的小段直线轨迹，而分割后的小段直线轨迹较为容易修正。

S5：使用步骤S3中获取的RSS波峰信标及转角信标结合PDRM算法对步骤S4中分割后的PDR轨迹进行修正，减小PDR轨迹长时间的累计误差，提取修正后的PDR定位结果的地理坐标并结合对应时刻的RSS生成指纹信息。

其中，所述利用信标修正PDR轨迹生成指纹信息的PDRM具体方法为：

首先，计算PDR推算结果与相应信标位置之间的误差，再根据行人每秒的前进速度计算每秒PDR推算存在的误差，其表示形式为：

式中，v_i、θ_i分别为每秒的速度与航向，ε_xi、ε_yi分别为x、y方向每秒的误差，L为真实轨迹长度而

为PDR算法推算出来的轨迹长度。角度ψ₁为后一个信标坐标 (x_end,y_end)与前一个信标坐标(x₀,y₀)的夹角，角度ψ₂为PDR推算的终点坐标(x,y)与起点坐标(x₀,y₀)的夹角。

其次，按时间顺序对每秒的PDR推算结果进行修正，其表示形式为：

式中，x_i及y_i为修正后PDR轨迹每秒的坐标，ε_xn及ε_yn由式(13)获得。

参考图2为修正前后的PDR轨迹对比图，其中“o”标记轨迹为原始PDR轨迹，而“*”标记轨迹为修正后的PDR轨迹，黑色实线行人真实行走轨迹。经步骤S6所述修正方案修正后的PDR轨迹已较为贴近真实轨迹。

最后，PDR推算经上述修正方式修正后较为贴合真实轨迹。将修正后的PDR结果结合相应时刻采集的RSS生成指纹信息，设其中第i条表现形式为：

S6：首先将定位区域栅格化生成布满定位区域的参考点，然后根据步骤S5生成的指纹信息的地理坐标通过最临近参考点匹配将RSS序列匹配至相应参考点坐标中，生成待更新指纹数据。

其中，所述最近临近参考点匹配生成待更新指纹的具体方法参考图3为：

待定位区域选取一系列均匀分布的参考点，将步骤S5中生成的指纹信息的地理坐标(x,y) 通过最临近参考点匹配(离某个参考点欧式距离最小)将RSS序列匹配至相应参考点坐标 (x_RF,y_RF)中,具体匹配方式的表现形式为：

例如图3中点1将被匹配至参考点a，而点2和3将被匹配至点参考点b，点4将被匹配至参考点c。

S7：累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新。

其中，所述累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新具体方法为：

首先，根据待更新指纹与原始指纹计算标准指纹，设原始指纹库中某个参考点的已包含 M个指纹序列

其中第m个指纹序列的表现形式为：

设步骤S6最临近参考点匹配后该参考点包含K个的指纹序列

其中第k个指纹序列的表现形式为：

那么该参考点的标准指纹可定义为式8。标准指纹可用于与指纹库及新采集的指纹进行相似度计算以规范该参考点的指纹数据，通过滤除低相似度指纹及保留高相似度指纹，可动态的保持指纹库的准确性与稳定性。

然后，当采集到的更新数据

量较少时，由公式8更新数据

对标准指纹影响较小，导致标准指纹依旧偏相似于指纹库中的原始指纹，很难准确反应环境变化对指纹库的影响。因此，本发明引入了负指数时效性模型，随着时间的增长老旧的指纹信息会逐渐降低权重，减少其对标准指纹的影响。从而重新定义标准指纹为公式9，其中R(t)为负指数时效性模型。 R(t)具体定义为公式10，其中t₀为每一条指纹的采集时间，t为系统当前时间，而α及T为经验值，可根据具体环境做调整。

最后，根据指纹间的相似性进行相似性过滤，设S_i为

及

的集合，将S_i中所有指纹与标准指纹进行相似度计算。指纹间的相似性与指纹间信号强度的欧氏距离相关，具体表现形式为：

Sim_i＝(|S_i-S_S|)^-1 (22)

式中，|S_i-S_S|为指纹与标准指纹间信号强度的欧式距离，|S_i-S_S|越大指纹间相似性越小，|S_i-S_S|越小指纹间相似性越高。按相似度从高到低的顺序保留一定数量高相似性指纹，滤除低相似性指纹。本方案设定每个参考点最多保存X组RSS序列(X值可根据实际情况做调整)，若S_i中指纹数量不足X组则不进行滤除直接保存。

Claims (4)

1.一种蓝牙室内定位系统的指纹库自适应更新方法，其特征在于，该方法包括以下步骤：

S1：记录定位区域中接入点(Access Point，AP)坐标及转角坐标作为轨迹修正信标，并且在每个转角采集位置指纹信息用于转角识别；

S2：配置无线局域网，目标在定位区域中行走并上传数据，AP接收到达的数据，并且从接收数据中提取信号强度(Received Signal Strength，RSS)序列、陀螺仪模值、速度和航向；

S3：利用所述步骤S2得到的信号强度序列，识别RSS波峰结合步骤S1中AP的坐标生成RSS波峰信标。利用陀螺仪的模值变化对行人拐弯行为进行判别，然后使用步骤S1中提前采集的转角位置指纹信息进行转角识别最后结合步骤S1中相应转角的坐标生成转角信标；

S4：利用步骤S2得到的速度与航向进行行人轨迹推算算法(Pedestrian DeadReckoning，PDR)获取行人轨迹后，使用步骤S3得到转角信标按其时间顺序将PDR轨迹分割为小段直线轨迹；

S5：使用步骤S3中获取的RSS波峰信标及转角信标结合行人轨迹推算修正算法(Pedestrian Dead Reckoning Modification，PDRM)对步骤S4中分割后的PDR轨迹进行修正，减小PDR轨迹长时间的累计误差，提取修正后的PDR定位结果的地理坐标并结合对应时刻的RSSI生成指纹信息；

S6：根据步骤S5生成的指纹信息的地理坐标通过最临近参考点匹配将RSS序列匹配至相应参考点坐标中，生成待更新指纹数据；

S7：累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新。

2.根据权利要求1所述的一种蓝牙室内定位系统中指纹库自适应更新方法，其特征在于：

所述步骤S3中RSS波峰信标识别及转角信标识别的具体方法为：首先，由公式1信号的传播模型，智能手机离AP越远RSS信号强度越弱，当智能手机处于AP正下方时RSS信号强度最大；

RSS＝-(10n log d+A) (1)

当行人经过了某个AP时波峰必须大于阈值，且由于行人一般沿着走廊前进不可能在较短时间内连续经过同一AP，因此该AP的波峰出现时间间隔必须大于阈值。综上所述，根据波峰判别阈值条件可识别出行人何时经过AP，此时可将AP的坐标作为行人当前位置，本方法称其为RSS波峰信标；

其次，计算三轴陀螺仪的总模值并根据陀螺仪的模值变化对行人进行转角行为进行判别；当行人平缓前进的时候陀螺仪模值一直在一个较小的值上下轻微波动，一旦行人进行转角行为陀螺仪模值会出现突变，且拐动角度越大陀螺仪模值变化幅度越大；

根据行人进行转角行为的具体时刻，将该时刻采集的RSS与离线阶段在各转角信标点采集的RSS信息进行匹配，确定转角具体位置；此时可将转角的坐标作为行人当前位置，本方法称其为转角信标。

3.根据权利要求1所述的一种蓝牙室内定位系统中指纹库自适应更新方法，其特征在于

所述步骤S5中利用信标修正PDR轨迹生成指纹信息的PDRM具体方法为：首先，计算PDR推算结果与相应信标位置之间的误差，再根据行人每秒的前进速度计算每秒PDR推算存在的误差，其表示形式为：

式中，v_i、θ_i分别为每秒的速度与航向，ε_xi、ε_yi分别为x、y方向每秒的误差，L为真实轨迹长度而

为PDR算法推算出来的轨迹长度。角度ψ₁为后一个信标坐标(x_end,y_end)与前一个信标坐标(x₀,y₀)的夹角，角度ψ₂为PDR推算的终点坐标(x,y)与起点坐标(x₀,y₀)的夹角；

其次，按时间顺序对每秒的PDR推算结果进行修正，其表示形式为：

式中，x_i及y_i为修正后PDR轨迹每秒的坐标，ε_xn及ε_yn由式(2)获得。

4.根据权利要求1所述的一种蓝牙室内定位系统中指纹库自适应更新方法，其特征在于所述步骤S7中累计大量步骤S6生成的待更新指纹数据后，结合标准指纹、负指数时效性模型和相似性过滤准则对指纹库进行更新具体方法为：先，根据待更新指纹与原始指纹计算标准指纹，设原始指纹库中某个参考点的已包含M个指纹序列

其中第m个指纹序列的表现形式为：

设步骤S6最临近参考点匹配后该参考点包含K个的指纹序列

其中第k个指纹序列的表现形式为：

那么该参考点的标准指纹可定义为式6。标准指纹可用于与指纹库及新采集的指纹进行相似度计算以规范该参考点的指纹数据，通过滤除低相似度指纹及保留高相似度指纹，可动态的保持指纹库的准确性与稳定性。

然后，当采集到的更新数据

量较少时，由公式8更新数据

对标准指纹影响较小，导致标准指纹依旧偏相似于指纹库中的原始指纹，很难准确反应环境变化对指纹库的影响；因此，本发明引入了负指数时效性模型，随着时间的增长老旧的指纹信息会逐渐降低权重，减少其对标准指纹的影响；从而重新定义标准指纹为公式9，其中R(t)为负指数时效性模型；R(t)具体定义为公式10，其中t₀为每一条指纹的采集时间，t为系统当前时间，而α及T为经验值，可根据具体环境做调整；

最后，根据指纹间的相似性进行相似性过滤，设S_i为

及

的集合，将S_i中所有指纹与标准指纹进行相似度计算。指纹间的相似性与指纹间信号强度的欧氏距离相关，具体表现形式为：

Sim_i＝(|S_i-S_S|)^-1 (9)

式中，|S_i-S_S|为指纹与标准指纹间信号强度的欧式距离，|S_i-S_S|越大指纹间相似性越小，|S_i-S_S|越小指纹间相似性越高。按相似度从高到低的顺序保留一定数量高相似性指纹，滤除低相似性指纹。本方案设定每个参考点最多保存X组RSS序列(X值可根据实际情况做调整)，若S_i中指纹数量不足X组则不进行过滤直接保存。

Images