CN111818446A - 一种基于位置指纹的室内定位优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于位置指纹的室内定位优化方法及系统，该方法包括离线采样阶段和在线定位阶段，在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；在线定位阶段包括：考虑人对AP点到待测点位置的影响，将更新后的值存储到RSS_N中；将RSS_N中的值和离线采样阶段构建的位置指纹库值，通过WKNN算法进行匹配，得到匹配后的定位轨迹；采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置；在线阶段待定位目标进行在线实时测量时，解决了人员自身对定位设备的干扰的问题，提高了定位精度。

Description

一种基于位置指纹的室内定位优化方法及系统

技术领域

本发明属于无线通信技术领域，具体涉及一种基于位置指纹的室内定位优化方法及系统。

背景技术

如今，随着移动智能设备的广泛普及，人们对基于位置的服务需求(LBS)也愈加强烈。移动设备，如智能手机或平板电脑，无处不在地协助我们进行日常活动。它们体积小，价格实惠，配备各种传感器，可以感知环境并监控用户的活动。在人们常用的定位系统中，基本上都是依靠卫星实现定位。其中，全球定位系统(GPS)技术被最为广泛地用于导航与定位中。但是由于信号的散射、衰减、严重的多径传播效应以及比定位空间本身更大的边际误差，使得GPS信号太弱而无法穿透墙壁和建筑物，因此在室内环境中无法使用GPS来实现定位与精准导航。有研究表明，人类有超过80％的时间是处于室内的环境中，而在GPS无法使用的情况下，室内定位技术具有更高的研究价值。

近些年来，在众多室内定位方法中，基于无线局域网(WLAN)的位置指纹定位方法由于无线基础设施的广泛覆盖以及WIFI技术的快速更新而成为一项研究热点。尽管基于WLAN的定位方法中存在着若干挑战，但因其具有常规、实用、低成本的特点，它仍然是未来可能会普及应用的最有研究意义的方法。

基于WIFI的位置指纹识别方法在大多数情况下具有很高的可行性。但是，目前基于RSSI的方法仍存在以下亟待解决的问题。第一，WIFI工作于2.4GHz和5GHz，这是许多设备同时工作的空闲频段，这使RSSI具有很高的噪声，在实际应用中，同信道干扰和小尺度衰落导致RSSI的剧烈波动，从而引起测量值的不精确；第二在离线阶段，手动采集指纹需要巨大的工作量，前期指纹的数量以及构成的无线电地图网格密度对定位精度起着决定性作用；第三，在室内环境下的定位需求中，人和物体往往会处于运动中，实现实时匹配的定位就需要考虑到待定位物体的运动模型等问题，否则，RSSI的实时测量误差会导致定位精度的下降。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于位置指纹的室内定位优化方法，该方法可以解决传统的WKNN匹配定位算法会出现的位置漂移、轨迹分布错乱等问题，严重影响定位精度、手动采集RSS值的工作量大、收集误差大，需要消耗较多人力物力等问题，本发明还提供一种基于位置指纹的室内定位优化系统。

技术方案：本发明所述的基于位置指纹的室内定位优化方法，该方法包括离线采样阶段和在线定位阶段，其中，所述离线采样阶段包括：

(1)在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；

在线定位阶段包括：

(2)在移动一个网格长度的标准下，测量各AP点到待测点位置的信号强度值，并记为实测数据存储到集合RSS_i，i的值取决于室内环境中AP的个数；

(3)考虑人对AP点到待测点位置的影响，对RSS_i进行更新，并将更新后的值存储到RSS_N中；

(4)将RSS_N中的值和离线采样阶段构建的位置指纹库值通过WKNN算法进行匹配，得到匹配后的定位轨迹；

(5)采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置。

进一步的，包括：

步骤(1)中，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到，具体包括：

(11)分别计算两条垂直反射路径、四条水平反射路径以及一条直射路径的叠加损耗，其中，两条垂直反射路径即上平面反射路径和下平面反射路径，四条水平反射路径即左平面反射路径、右平面反射路径、前平面反射路径和后平面反射路径；

(12)计算参考天线增益，具体的，使用偶记天线代替参考天线；

(13)所述叠加损耗值为所有反射路径的叠加损耗值的总和减去参考天线增益。

进一步的，包括：

所述直射路径的损耗基于自由空间损耗模型，其路径损耗值表示为：

其中，d为AP与移动设备之间的欧几里得距离，λ为工作波长。

进一步的，包括：

步骤(3)中，所述考虑人对AP点到待测点位置的影响，对RSS_i进行更新，具体包括：

如果人位于该AP和移动测量设备的非视线传输NLOS位置处，则添加0.5dBm的信号强度值到所述实测数据中，否则，如果人员处于在该AP和移动设备的视线传输LOS位置处，则添加5dBm值到实测数据中，在此过程中，更新集合RSS_i的值到集合RSS_N。

进一步的，包括：

步骤(5)中，所述采用卡尔曼滤波算法对得到的定位轨迹进行修正，具体包括：

(51)假设待定位目标的运动是连续且基本匀速的，用位置指纹法得到一个位置估计作为观测值，根据由上一时刻的位置和速度来预测出当前位置的值作为预测值，此时可以将待定位目标的运动速度分解为水平速度分量和垂直速度分量，根据卡尔曼滤波位置的状态方程，p_x和p_y表示待定位目标的实时位置坐标，初始化为观测值；v_x和v_y表示在某时刻的水平速度分量和垂直速度分量，初始化为0，定义待定位目标的状态向量：

x＝[p_x,p_y,v_x,v_y]^T

(52)预测机制是上一刻的位置加上位移等于当前时刻的位置，而速度本身保持不变，Δt为当前时刻与上一时刻的时间间隔，状态转移矩阵A为：

系统的状态方程为：

(53)

为k时刻通过位置指纹定位的观测值，因为系统状态为[p_x,p_y,v_x,v_y]^T，观测值为[p_x,p_y]^T，因此，观测矩阵

观测方程Z(k)为：

(54)确定系统的状态噪声W的协方差矩阵Q和观测噪声V的协方差矩阵R，q值取决于对预测过程的信任程度，r值取决于对预测过程的信任程度：

(55)初始状态向量设为X(0)＝[p_x0,p_y0,0,0]^T，其中，(p_x0,p_y0)为初始的观测值坐标，初始协方差P(0)设为零矩阵；

(56)更新KG(k)为k时刻的卡尔曼增益：

(57)根据以上六步的计算，可完成上一时刻状态对当前状态的预测，再将k时刻的观测值与之结合，计算得到k时刻的卡尔曼最佳优化估计值X(k|k)，即状态更新方程：

X(k|k)＝X(k|k-1)+KG(k)(Z(k)-HX(k|k-1))

(58)对协方差进行更新，更新后的协方差方程P(k|k)为：

P(k|k)＝(I-KG(k)H)P(k|k-1)

(59)不断更新这一过程，使其不断递推更新下去，从而完成对定位轨迹的修正。

进一步的，包括：

步骤(1)中，所述反射路径的叠加损耗值决定于收发路径上一条直射路径、两条垂直反射路径，以及四条水平反射路径的叠加损耗，其中，两条垂直反射路径包括上平面反射路径、下平面反射路径，四条水平反射路径即左平面反射路径、右平面反射路径、前平面反射路径、后平面反射路径。

进一步的，包括：

上平面反射路径、下平面反射路径、左平面反射路径、右平面反射路径、前平面反射路径和后平面反射路径损耗分别记为PL₁(dB)、PL₂(dB)、PL₃(dB)、PL₄(dB)、PL₅(dB)、PL₆(dB)，

其中，Γ_‖为水平极化波的反射系数，Γ_⊥为垂直极化波的反射系数，

其中，ε_c为反射介质表面的等效复介电常数，入射角和反射角均为θ_i。

进一步的，包括：

所述直射路径的损耗表示为：

其中，d为AP与移动设备之间的欧几里得距离，λ为工作波长。

进一步的，包括：

所述最终叠加损耗值，表示为：

PL(dB)＝PL₀(dB)+PL₁(dB)+PL₂(dB)+PL₃(dB)+PL₄(dB)+PL₅(dB)+PL₆(dB)-Z

其中，Z为天线增益，其天线增益为2×2.15dBi。

另一方面，本发明还提供一种基于位置指纹的室内定位优化系统，包括离线采样阶段和在线定位阶段，其中，所述离线采样阶段包括：

离线指纹库构建模块，用于在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；

在线定位阶段包括：

信号强度测量模块，用于在移动一个网格长度的标准下，测量各AP点到待测点位置的信号强度值，并记为实测数据存储到集合RSS_i，i的值取决于室内环境中AP的个数；

更新模块，用于考虑人对AP点到待测点位置的影响，对RSSi进行更新，并将更新后的值存储到RSS_N中；

轨迹定位模块，用于将RSS_N中的值和离线采样阶段构建的位置指纹库值通过WKNN算法进行匹配，得到匹配后的定位轨迹；

轨迹修正模块，用于采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置。

有益效果：本发明与现有技术相比，其显著优点是：1、在离线采样阶段，自动采集RSS值，极大地减少了定位过程中人力物力的消耗；2、在线阶段待定位目标进行在线实时测量时，解决了人员自身对定位设备的干扰的问题，提高了定位精度；3、对WKNN匹配定位算法作出改进，使得在线匹配过程相比较传统算法而言有效地改善了定位精度。

附图说明

图1是本发明所述的RSS自适应流程图；

图2是本发明所述的使用卡尔曼滤波对定位轨迹进行后处理的流程图；

图3是本发明所述的基于位置指纹的室内优化算法总流程图；

图4是本发明所述的定位服务器结构图。

具体实施方式

本发明所提出的基于位置指纹的室内定位优化方法，具体分为三个步骤：1.在离线采样阶段，自动构建离线位置指纹数据库；2.将实测RSS值进行自适应调整；3.在线匹配过程，对实时定位过程进行位置匹配，所以我们下面分别进行阐述。

如图3所示，第一步：构建离线位置指纹库。具体包括以下子步骤：

首先，在室内布置多个AP点，将接收设备连入WIFI并在每个采样点执行采样，记录采样点的位置以及相对应的接收信号强度指示值和基本服务集标识符，其采样值构成一组位置指纹向量。一般来说，每个参考点对应一组唯一的位置指纹向量，代表了该点独特的场景特征，最终生成定位区域的参考点构成位置指纹并将指纹数据库存储在定位服务器上，存储后的数据用来与在线阶段实时测量值进行匹配，参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到。具体的：

Step1：基于自由空间路径损耗的模型算法结合信号的反射、衍射和折射，每一个位置指纹点的最终接收信号强度值，决定于收发路径上一条直射路径、两条垂直反射路径(上平面反射路径、下平面反射路径)以及四条水平反射路径(左平面反射路径、右平面反射路径、前平面反射路径、后平面反射路径)的叠加损耗，加上天线增益，合成最终信号强度值。

Step2：计算反射路径损耗。设入射介质材料介电常数为ε₂，反射介质材料介电常数为ε₂，入射角和反射角均为θ_i，水平极化波与垂直极化波的反射系数分别为：

其中，ε_c称为反射介质表面的等效复介电常数，与反射介质的相对介电常数ε_r、电导率σ和工作波长λ有关，可由ε_c＝ε_r-j60λσ计算得到。

设六条反射路径的路径损耗分别为PL₁(dB)、PL₂(dB)、PL₃(dB)、PL₄(dB)、PL₅(dB)、PL₆(dB)，以左平面反射路径为例，设s为AP与移动设备之间的反射路径的总长度，代入水平极化波的反射系数，则

其余几条反射路径损耗同理得出。

Step3：计算直射路径损耗。直射路径损耗基于自由空间损耗模型，d为AP与移动设备之间的欧几里得距离，其路径损耗值为：

Step4：计算天线增益。使用偶记天线代替参考天线。偶极天线其本身就有2.15dBi的增益，其天线增益为2×2.15dBi。

Step5：计算最终叠加损耗值。

PL(dB)＝PL₀(dB)+PL₁(dB)+PL₂(dB)+PL₃(dB)+PL₄(dB)+PL₅(dB)+PL₆(dB)-2×2.15

Step6：服务器通过计算发射信号的无线信号强度值与叠加损耗值的差值，确定最终每一个参考点位置指纹的信号强度值。

第二步：对实时测量RSS值进行自适应调整并进行在线匹配。具体包括以下子步骤：

Step1：如图1所示，人员手持移动设备在室内场景中移动，每在移动一个网格长度通过测量无线信号强度的手机软件记录一次实时测量各AP到该点的信号强度值，记为RSS_i，i的值取决于室内环境中AP的个数。

Step2：如果人员位于该AP和移动设备的NLOS位置处，则添加0.5dBm的信号强度值到实测数据中；如果人员处于在该AP和移动设备的LOS位置处，则添加5dBm值到实测数据中。在此过程中，更新RSS_i的值到RSS_N。具体自适应流程图如图2所示。

Step3：将RSSN的值和第一步中自动构建的位置指纹库值通过WKNN算法，(传统加权K邻近(Weighted K-nearest Neighbor,WKNN)进行匹配，得到匹配后的定位轨迹。

第三步：通过卡尔曼滤波对定位轨迹进行修正。

Step1：如图2所示，将卡尔曼滤波运用到基于WKNN算法的实时指纹定位中，假设待定位目标的运动是连续且基本匀速的，用位置指纹法得到一个位置估计作为我们的观测值，根据由上一时刻的位置和速度来预测出当前位置的值作为预测值，此时可以将待定位目标的运动速度分解为水平速度分量和垂直速度分量，根据卡尔曼滤波位置的状态方程，p_x和p_y表示待定位目标的实时位置坐标，初始化为观测值；v_x和v_y表示在某时刻的水平速度分量和垂直速度分量，初始化为0，定义待定位目标的状态向量：

x＝[p_x,p_y,v_x,v_y]^T

Step2：确定系统的状态方程。预测机制是上一刻的位置加上位移等于当前时刻的位置，而速度本身保持不变，Δt为当前时刻与上一时刻的时间间隔，在本发明中Δt取值为1。状态转移矩阵A为：

系统的状态方程为：

Step3：确定系统的状态方程。

为k时刻通过位置指纹定位的观测值，因为在本发明中系统状态为[p_x,p_y,v_x,v_y]^T，观测值为[p_x,p_y]^T，因此观测矩阵

观测方程Z(k)为：

Step4：确定系统的状态噪声W的协方差矩阵Q和观测噪声V的协方差矩阵R。q值取决于对预测过程的信任程度，r值取决于对预测过程的信任程度。

Step5：对定位系统进行初始化。初始状态向量设为X(0)＝[p_x0,p_y0,0,0]^T。其中(p_x0,p_y0)为初始的观测值坐标。初始协方差P(0)设为零矩阵。

Step6：更新KG(k)为k时刻的卡尔曼增益：

Step7：根据以上几步的计算，可完成上一时刻状态对当前状态的预测，再将k时刻的观测值与之结合，计算得到k时刻的卡尔曼最佳优化估计值X(k|k)，即状态更新方程：

X(k|k)＝X(k|k-1)+KG(k)(Z(k)-HX(k|k-1))

Step8：对协方差进行更新，更新后的协方差方程P(k|k)为：

P(k|k)＝(I-KG(k)H)P(k|k-1)

Step9：不断更新这一过程，使其不断递推更新下去，从而完成对定位轨迹的修正。

本发明所提出的基于位置指纹的室内定位优化方法及装置，通过三步改进过程，离线阶段极大地减少了定位过程中人力物力的消耗，在线匹配过程相比较传统算法而言有效地改善了定位精度。

另一方面，本发明还提供一种基于位置指纹的室内定位优化系统，包括离线采样阶段和在线定位阶段，其中，所述离线采样阶段包括：

离线指纹库构建模块，用于在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；

在线定位阶段包括：

信号强度测量模块，用于在移动一个网格长度的标准下，测量各AP点到待测点位置的信号强度值，并记为实测数据存储到集合RSS_i，i的值取决于室内环境中AP的个数；

更新模块，用于考虑人对AP点到待测点位置的影响，对RSS_i进行更新，并将更新后的值存储到RSS_N中；

轨迹定位模块，用于将RSS_N中的值和离线采样阶段构建的位置指纹库值通过WKNN算法进行匹配，得到匹配后的定位轨迹；

轨迹修正模块，用于采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置。

对于方法实施例而言，由于其基本相似于系统实施例，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

如图4所示，本发明实施例如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实例不限制于任何特定的硬件和软件结合。

相应的，本发明的实施例还提供了一种计算机存储介质，其上存储有计算机程序。当所述计算机程序由处理器执行时，可以实现前述基于位置指纹的室内定位优化方法。例如，该计算机存储介质为计算机可读存储介质。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于位置指纹的室内定位优化方法，其特征在于，该方法包括离线采样阶段和在线定位阶段，其中，所述离线采样阶段包括：

(1)在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；

在线定位阶段包括：

(2)在移动一个网格长度的标准下，测量各AP点到待测点位置的信号强度值，并记为实测数据存储到集合RSS_i，i的值取决于室内环境中AP的个数；

(3)考虑人对AP点到待测点位置的影响，对RSS_i进行更新，并将更新后的值存储到RSS_N中；

(4)将RSS_N中的值和离线采样阶段构建的位置指纹库值通过WKNN算法进行匹配，得到匹配后的定位轨迹；

(5)采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置。

2.根据权利要求1所述的基于位置指纹的室内定位优化方法，其特征在于，步骤(1)中，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到，具体包括：

(11)分别计算两条垂直反射路径、四条水平反射路径以及一条直射路径的叠加损耗，其中，两条垂直反射路径即上平面反射路径和下平面反射路径，四条水平反射路径即左平面反射路径、右平面反射路径、前平面反射路径和后平面反射路径；

(12)计算参考天线增益，具体的，使用偶记天线代替参考天线；

(13)所述叠加损耗值为所有反射路径的叠加损耗值的总和减去参考天线增益。

3.根据权利要求2所述的基于位置指纹的室内定位优化方法，其特征在于，所述直射路径的损耗基于自由空间损耗模型，其路径损耗值表示为：

其中，d为AP与移动设备之间的欧几里得距离，λ为工作波长。

4.根据权利要求1所述的基于位置指纹的室内定位优化方法，其特征在于，步骤(3)中，所述考虑人对AP点到待测点位置的影响，对RSS_i进行更新，具体包括：

如果人位于该AP和移动测量设备的非视线传输NLOS位置处，则添加0.5dBm的信号强度值到所述实测数据中，否则，如果人员处于在该AP和移动设备的视线传输LOS位置处，则添加5dBm值到实测数据中，在此过程中，更新集合RSS_i的值到集合RSS_N。

5.根据权利要求1所述的基于位置指纹的室内定位优化方法，其特征在于，步骤(5)中，所述采用卡尔曼滤波算法对得到的定位轨迹进行修正，具体包括：

(51)假设待定位目标的运动是连续且基本匀速的，用位置指纹法得到一个位置估计作为观测值，根据由上一时刻的位置和速度来预测出当前位置的值作为预测值，此时可以将待定位目标的运动速度分解为水平速度分量和垂直速度分量，根据卡尔曼滤波位置的状态方程，p_x和p_y表示待定位目标的实时位置坐标，初始化为观测值；v_x和v_y表示在某时刻的水平速度分量和垂直速度分量，初始化为0，定义待定位目标的状态向量：

x＝[p_x,p_y,v_x,v_y]^T

(52)预测机制是上一刻的位置加上位移等于当前时刻的位置，而速度本身保持不变，Δt为当前时刻与上一时刻的时间间隔，状态转移矩阵A为：

系统的状态方程为：

(53)

为k时刻通过位置指纹定位的观测值，因为系统状态为[p_x,p_y,v_x,v_y]^T，观测值为[p_x,p_y]^T，因此，观测矩阵

观测方程Z(k)为：

(54)确定系统的状态噪声W的协方差矩阵Q和观测噪声V的协方差矩阵R，q值取决于对预测过程的信任程度，r值取决于对预测过程的信任程度：

(55)初始状态向量设为X(0)＝[p_x0,p_y0,0,0]^T，其中，(p_x0,p_y0)为初始的观测值坐标，初始协方差P(0)设为零矩阵；

(56)更新KG(k)为k时刻的卡尔曼增益：

(57)根据以上六步的计算，可完成上一时刻状态对当前状态的预测，再将k时刻的观测值与之结合，计算得到k时刻的卡尔曼最佳优化估计值X(k|k)，即状态更新方程：

X(k|k)＝X(k|k-1)+KG(k)(Z(k)-HX(k|k-1))

(58)对协方差进行更新，更新后的协方差方程P(k|k)为：

P(k|k)＝(I-KG(k)H)P(k|k-1)

(59)不断更新这一过程，使其不断递推更新下去，从而完成对定位轨迹的修正。

6.根据权利要求2所述的基于位置指纹的室内定位优化方法，其特征在于，步骤(1)中，所述反射路径的叠加损耗值决定于收发路径上一条直射路径、两条垂直反射路径，以及四条水平反射路径的叠加损耗，其中，两条垂直反射路径包括上平面反射路径、下平面反射路径，四条水平反射路径即左平面反射路径、右平面反射路径、前平面反射路径、后平面反射路径。

7.根据权利要求6所述的基于位置指纹的室内定位优化方法，其特征在于，左平面反射路径、右平面反射路径、前平面反射路径、后平面反射路径、上平面反射路径和下平面反射路径损耗分别记为PL₁(dB)、PL₂(dB)、PL₃(dB)、PL₄(dB)、PL₅(dB)、PL₆(dB)，

其中，Γ_‖为水平极化波的反射系数，Γ_⊥为垂直极化波的反射系数，

其中，ε_c为反射介质表面的等效复介电常数，入射角和反射角均为θ_i。

8.根据权利要求7所述的基于位置指纹的室内定位优化方法，其特征在于，所述直射路径的损耗表示为：

其中，d为AP与移动设备之间的欧几里得距离，λ为工作波长。

9.根据权利要求8所述的基于位置指纹的室内定位优化方法，其特征在于，所述最终叠加损耗值，表示为：

PL(dB)＝PL₀(dB)+PL₁(dB)+PL₂(dB)+PL₃(dB)+PL₄(dB)+PL₅(dB)+PL₆(dB)-Z

其中，Z为天线增益，其天线增益为2×2.15dBi。

10.一种基于位置指纹的室内定位优化系统，其特征在于，包括离线采样阶段和在线定位阶段，其中，所述离线采样阶段包括：

离线指纹库构建模块，用于在室内布置多个AP，并在每个采样点执行采样，记录每个采样点的位置以及参考点位置指纹的强度值，从而构建离线位置时指纹库，所述参考点位置指纹的强度值通过发射信号的无线信号强度值与叠加损耗值计算得到；

在线定位阶段包括：

信号强度测量模块，用于在移动一个网格长度的标准下，测量各AP点到待测点位置的信号强度值，并记为实测数据存储到集合RSS_i，i的值取决于室内环境中AP的个数；

更新模块，用于考虑人对AP点到待测点位置的影响，对RSS_i进行更新，并将更新后的值存储到RSS_N中；

轨迹定位模块，用于将RSS_N中的值和离线采样阶段构建的位置指纹库值通过WKNN算法进行匹配，得到匹配后的定位轨迹；

轨迹修正模块，用于采用卡尔曼滤波算法对得到的定位轨迹进行修正，得到最终定位位置。

Images