CN111885703B - 一种室内定位方法 - Google Patents
一种室内定位方法 Download PDFInfo
- Publication number
- CN111885703B CN111885703B CN202010704495.1A CN202010704495A CN111885703B CN 111885703 B CN111885703 B CN 111885703B CN 202010704495 A CN202010704495 A CN 202010704495A CN 111885703 B CN111885703 B CN 111885703B
- Authority
- CN
- China
- Prior art keywords
- data
- target domain
- domain data
- source
- domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013507 mapping Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 7
- 238000013526 transfer learning Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于室内定位技术领域，具体涉及一种室内定位方法。本发明公开了基于混构域迁移学习的室内定位方法，其中混构域是指源域和目标域共享一部分特征空间，但又独有部分特征的数据域，该方法能充分利用源域和目标域中的共有AP，对目标域中缺失的AP数据进行补充，既维持了源域和目标域的特征一致性，也保证了各特征数据之间不发生混叠，有效的提高了定位样本特征数据不足情况下的定位精度，因此，本发明可以在待定位样本特征数据不足的混合域中发挥非常重要的作用。
Description
技术领域
本发明属于室内定位技术领域，具体涉及一种室内定位方法。
背景技术
近年来，随着感知、通信、计算机技术的发展，基于室内位置服务极大的改善了目前的智能系统的服务体验。基于WiFi指纹定位的室内定位系统是目前广泛采用的室内定位技术，具有网络广泛部署、成本低、通信能力强等优点，但却极易受环境变化、AP变化等因素的影响。随着传感器种类的增多，基于多种类别数据，如蓝牙、地磁、UWB等的融合定位也应运而生。融合定位算法相对于单一定位算法具有更好的稳健性，但是要求能在同一时间内采集两种以上的定位数据。
无论是单一的WiFi指纹定位还是复杂的融合定位，都会涉及在线定位阶段无法获取足够的特征数据的问题。
基于指纹的定位技术通常在离线阶段构建接收信号强度(RSS)等指纹数据库，在定位阶段将检测样本与离线指纹进行匹配，实现目标定位。由于人为关闭传感器或传感器发生故障等原因，离线建立的指纹数据库中记录的AP在在线定位阶段可能无法被探测到，从而导致定位样本特征数据不足，定位精度降低。同样的，在融合定位中也存在传感器故障导致定位精度下降的问题。融合定位方法利用不同来源的信息，提高了定位精度和稳定性。然而，在复杂的融合定位系统中，任何一种信号源的传感器故障都会导致融合定位算法无法实现。
迁移学习是利用源域标记训练数据中的知识来提高模型在目标域中的性能的中方法。文献[1]提出了一种通用的框架，用于减小域间在域适应的潜在空间中的距离。该方法通过最大均值差异(maximum mean difference,MMD)准则将源域和目标域映射到一个子空间，在这个子空间中边缘分布差距最小。该方法在跨域WiFi室内定位和跨域文本分类中被证明是有效的。该方法包括以下几个步骤：1)将待定位区域划分为均匀格点；2)在每个格点采集信号强度(Received Signal Strength，RSS)，并记录对应坐标值，建立线下指纹库，作为源域数据；3)改变实验环境后采集RSS数据，作为目标域数据。为保证与源域维度一致，对于在源域中出现但在目标域未探测到的AP以-100dB作为填充值；4)利用文献[1]中的TCA方法，求解一个共有映射，将源域数据和目标域数据映射到一个新的潜在空间进行对齐；5)在新的空间，利用目标域数据和源域数据进行欧氏距离匹配，获取最终的定位结果。该方法在一定程度上能够缓解由于AP数据缺失带来的定位误差，但是其缺点也较为明显，主要表现在以下两个方面：1)为了保证源域和目标域的维度一致而添加-100dB，在一定程度上加入了错误数据，会带来一定的定位误差；2)由于该方法需要将源域和目标域映射到新的公共空间，会导致各不同传感器的数据混叠而无法再使用融合定位算法，因此不适用于融合定位中某信号源数据缺失的情况。因此，该类方法由于上述问题的存在而在定位特征数据不足的室内环境中很难形成准确、稳定的位置估计。
[1]Pan S J,Tsang I W,Kwok J T,et al.Domain Adaptation via TransferComponent Analysis[J].IEEE Transactions on Neural Networks,2011,22(2):199-210.
发明内容
本发明的目的是针对技术背景中的方法在数据发生特征缺失时存在的缺陷，提出了一种基于混构域迁移学习的室内定位方法，其中混构域是指源域和目标域共享一部分特征空间，但又独有部分特征的数据域。该方法能充分利用源域和目标域中的共有AP，对目标域中缺失的AP数据进行补充，既维持了源域和目标域的特征一致性，也保证了各特征数据之间不发生混叠，有效的提高了定位样本特征数据不足情况下的定位精度。
为了实现本发明的目的，将采用以下技术方案：一种适用于环境变化导致特征数据不足的室内定位方法，利用源域和目标域共有的特征作为桥梁，对目标域中的缺失的数据进行补充，然后再利用完整的源域和目标域数据进行位置估计，如图1所示，包括以下步骤：
S1、在目标定位区域固定好路由器的位置，并将区域划分为等大小的格点，记录每个格点的坐标位置；
S2、采集源域数据：
按照步骤S1中划分的格点，依次将探测设备置于各个格点中，记录下探测设备的位置坐标，然后在所有信号源设备正常工作的条件下，通过探测器探测所有信号源的信号，记录每个信号源的RSS值，所述信号源设备至少包括路由器(如果是融合定位算法，还需要接收算法中所包含的其他信号源的RSS数据，如地磁数据)，将所有信号源的RSS值以及格点位置进行存储，作为源域数据；
S3、采集目标域数据：
在进行室内定位时(由于环境的改变，此时能探测到的路由器和采集源域数据阶段探测到的路由器出现差异，部分路由器可能因故障或关闭无法被再次探测到)，将探测器设备随机置于定位区域并记录接收到的各个路由器的RSS值。将各路由器的RSS值进行存储，作为采集的目标域数据，同时，这些数据也是待定位的样本数据；
S4、利用源域数据和目标域数据中的路由器的RSS值，计算出未探测到的路由器的RSS值和未采集的其他信号源的值，并对目标域数据进行补充，得到补充后的目标域数据；具体方法为：
假设源域数据为
其中
是第i个路由器的所有RSS向量，ms是其他信号源的RSS向量，目标域数据为
其中
是第j个路由器的所有RSS向量，J<I，将源域数据划分为
和
两部分，并记目标域数据为
以及目标域数据中缺失的数据为Ta，假设Sc到Ss之间，Tc到Ta之间有一个共同的映射ψ，计算出这个映射就能通过计算得到缺失的数据：
利用Sc和Ss学习ψ，计算得到映射后，通过计算式Ta＝ψ(Tc)得到估计的目标域缺失数据；
S5、利用源域样本数据和对应坐标位置训练分类器，使用补充后的目标域数据通过该分类器对目标域每条样本数据的位置进行计算，获得目标域每条样本的定位结果。
本发明的有益效果是：本发明充分利用源域的和目标域的共有信息来补充目标域的缺失信息，从而提高了定位精度；在多源联合定位算法中，很容易在离线阶段获得来自不同传感器的丰富数据来建立数据库，但是实际定位阶段，由于环境变化或传感器失效，很难获得与源域特征完全一致的样本数据，因此，本发明可以在这种待定位样本特征数据不足的混合域中发挥非常重要的作用。
附图说明
图1为本发明的流程图和示意图；
图2为技术背景中采用的方法和本发明方法的定位误差性能比较图；
图3为技术背景中采用的方法和本发明方法的定位误差累积百分比。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行进一步的说明。
1.实验场地布置
实验环境为5.6m×16.8m的一间办公室和与其相连的0.8m×52.8m的走廊，是真实办公环境。先将定位区域划分为210个格点，每个格点与邻近格点间隔为0.8m。由于办公室内桌椅等设施的阻挡，定位环境不是规则矩形。该环境已经部署好40个无线路由器，具体位置未知。
2.获取数据并构造源域
将手机置于定位环境中的每个格点，记录下此时的格点编号和二维坐标，然后探测周围路由器的信号强度并记录数据，同时记录此刻手机所在位置的地磁强度数据，最终得到的源域数据为
其中
是源域样本集中第i个路由器的所有RSS值的向量，
分别是源域样本集中x方向和y方向上的地磁信号强度的向量。在每个格点采样10次，最终得到的源域数据是一个大小为2100×42的矩阵。
3.改变实验环境，获取数据并构造目标域
为了模拟路由器关闭或故障导致的定位环境改变，随机关闭定位环境中的10个路由器。将手机置于定位环境中，然后探测周围路由器的信号强度并记录数据，最终得到的目标域数据为
其中
是目标域样本集中第i个路由器的所有RSS的向量。经过多次采集，共收集到1050条数据，最终得到的目标域数据是一个大小为1050×30的矩阵。
4.计算映射补充目标域缺失数据
4-1.根据是否与目标域有相同的特征，将源域划分为
和
两部分，并记目标域为
以及目标域中缺失的数据为Ta。
mc为源域和目标域共有特征的维数，即30，ns为源域样本个数，即2100；
其中ms为源域独有特征数，即12维；
其中nt为目标域样本数，即1050。为了补充数据，假设Sc到Ss之间，Tc到Ta之间有一个共同的映射ψ，因此，通过计算这个映射就能通过计算得到缺失的数据。
4-2.基本映射约束
以特征映射ψ为桥梁，将公共特征与源域独有的特征连接起来。利用源域部分的Sc和Ss学习ψ，其目标函数为：
得到这个映射后，通过计算式Ta＝ψ(Tc)得到估计的目标域缺失数据，
假设映射为线性的情况下映射矩阵为W，则有
将补充数据后的目标域和原有的源域重写为如下：
Xs_new＝[Sc；Ss] Xt_new＝[Tc；Ta] (3)
为了使得计算的映射更具有普适性，避免出现过拟合的情况，可加入了其他约束来限制这个映射，即①条件分布和边缘分布自适应约束；②类内散度与类间散度约束；③映射复杂度约束，具体如下文所述。
4-3.条件分布和边缘分布自适应
通过对齐源域和目标域的边缘分布和条件分布，特征映射更加具有通用性，以防止出现过拟合的情况。利用MMD准则来比较两个域的分布，使源数据的样本的均值与目标数据的均值距离最小。
最小化边缘分布，得到下式:
最小化条件分布，得到下式：
其中C为样本类别总数，即210。
分别为类别为c的源域样本总数和目标域样本总数。
由于目标域是没有标签的数据，通过源域和目标域的共有特征利用KNN算法计算伪标签。通过结合边缘分布和条件分布最小化项，即式(4)和式(5)，可以将最终分布差异最小化项改写为
其中，X＝[Xs_new,Xt_new]，M的定义如下
其中，
分别是类别为c的源域样本集和目标域样本集。
4-4.类内散度与类间散度
计算映射后得到的伪数据的几何特性，使得其类内散度最小，类间散度最大，即：
Sw为数据的类内散度矩阵，Sb为数据的类间散度矩阵。其定义如下，
其中
是Tc中类别为c的数据集，
和
分别是
和Tc的样本均值，
是类别为c的数据集的中心矩阵，
是单位矩阵，
是全1列向量，
是目标域中类别为c的样本数。
4-5.最终约束条件框架
结合上述所有约束条件，得到最终的目标函数如下：
第一项为基本的映射约束，第二项为边缘分布和条件分布最小化约束，第三项为正则化项，用于控制映射的复杂性，第四项为类内类间约束。α、β和θ是参数，来平衡每一项约束的重要性。
定义最终的目标函数为L，并且定义L＝L1+L2+L3+L4，其中
对上式求导数，
令
计算可得
在实际复杂多变的环境中，可能映射难以用简单的线性关系来表示。为了计算非线性的映射情况，本发明通过核函数
将映射和原始数据拓展到再生希尔伯特空间中，即ψ＝QTΦ(Sc)T，Sc→Φ(Sc)，Tc→Φ(Tc)。最终通过计算可得：
其中，Kss＝Φ(Sc)TΦ(Sc)，Kst＝Φ(Sc)TΦ(Tc)，Sw,Sb为在核空间Kst中计算得到的的类内类间散度。
4-5.补充数据
通过式(3)和式(18)，可以计算得到新的源域和目标域空间，在这个特征空间中，源域和目标域具有完全相同的特征。
5.训练分类器，进行位置估计
使用源域数据训练KNN分类器，然后将补充数据后的目标域数据通过分类器进行位置估计。由于此时源域和目标域有一致的特征，因此不需要像背景技术中添加-100dB填充。
本发明经对实验场地中1050个测试样本(即每个格点5个样本)进行实测定位。图2为技术背景中采用的方法和本发明方法的定位误差性能比较图，从图中可以看出，平均定位误差为2.30m；图3为技术背景中采用的方法和本发明方法的定位误差累积百分比，从图中可以看出，定位误差小于1米的样本占26％，定位误差小于2米的样本占56％。其中技术背景中的方法在数据发生缺失的情况下定位效果要差于本发明的方法，这是因为背景方法在发生数据缺失时，添加了-100dB的错误数据来保持源域和目标域的维度一致，虽然通过对齐两个域来降低定位误差，但是最终效果不够理想。而本发明提出的方法充分利用源域和目标域现有数据，对目标域缺失的数据进行了补充，既防止了添加-100dB带来的定位误差，又保证了源域和目标域的维度一致，可以使用传统的定位方法进行位置估计。实验结果证明了本发明提出的算法是一种定位精度高、稳健性好的定位方法。
Claims (1)
1.一种室内定位方法，其特征在于，包括以下步骤：
S1、在目标定位区域固定好路由器的位置，并将区域划分为等大小的格点，记录每个格点的坐标位置；
S2、采集源域数据：
按照步骤S1中划分的格点，依次将探测设备置于各个格点中，记录下探测设备的位置坐标，然后在所有信号源设备正常工作的条件下，通过探测器探测所有信号源的信号，记录每个信号源的RSS值，所述信号源设备至少包括路由器，将所有信号源的RSS值以及格点位置进行存储，作为源域数据；
S3、采集目标域数据：
在进行室内定位时，将探测器设备置于定位区域并记录接收到的各个路由器的RSS值，将各路由器的RSS值进行存储，作为采集的目标域数据，目标域数据也是待定位的样本数据；
S4、利用源域数据和目标域数据中的路由器的RSS值，计算出未探测到的路由器的RSS值和未采集的其他信号源的值，并对目标域数据进行补充，得到补充后的目标域数据；具体方法为：
假设源域数据为
其中
是第i个路由器的所有RSS向量，I为源域探测到的路由器个数，ms是其他信号源的RSS向量，目标域数据为
其中
是第j个路由器的所有RSS向量，J为目标域探测到的路由器个数，J<I，将源域数据划分为
和
两部分，并记目标域数据为
以及目标域数据中缺失的数据为Ta，假设Sc到Ss之间，Tc到Ta之间有一个共同的映射ψ，计算出这个映射就能通过计算得到缺失的数据：
利用Sc和Ss学习ψ，目标函数为：
得到映射后，通过计算式Ta＝ψ(Tc)得到估计的目标域缺失数据；
S5、利用源域数据和对应坐标位置训练分类器，使用补充后的目标域数据通过训练后的分类器对目标域每条样本数据的位置进行计算，获得目标域每条样本的室内定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010704495.1A CN111885703B (zh) | 2020-07-21 | 2020-07-21 | 一种室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010704495.1A CN111885703B (zh) | 2020-07-21 | 2020-07-21 | 一种室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111885703A CN111885703A (zh) | 2020-11-03 |
| CN111885703B true CN111885703B (zh) | 2021-04-23 |
Family
ID=73155051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010704495.1A Active CN111885703B (zh) | 2020-07-21 | 2020-07-21 | 一种室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111885703B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731285B (zh) * | 2020-12-22 | 2023-12-08 | 成都中科微信息技术研究院有限公司 | 一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法 |
| CN112954632B (zh) * | 2021-01-26 | 2022-01-28 | 电子科技大学 | 一种基于异构迁移学习的室内定位方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101742545B (zh) * | 2009-12-15 | 2012-11-14 | 中国科学院计算技术研究所 | WiFi环境中的定位方法及其系统 |
| CN104936287A (zh) * | 2015-06-09 | 2015-09-23 | 南京邮电大学 | 基于矩阵补全的传感网室内指纹定位方法 |
| KR20180058428A (ko) * | 2016-11-24 | 2018-06-01 | 숭실대학교산학협력단 | Wifi ap와 ibeacon 복합 기반의 무선 측위 방법 |
| CN110536257B (zh) * | 2019-08-21 | 2022-02-08 | 成都电科慧安科技有限公司 | 一种基于深度自适应网络的室内定位方法 |
-
2020
- 2020-07-21 CN CN202010704495.1A patent/CN111885703B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111885703A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Real-time faulted line localization and PMU placement in power systems through convolutional neural networks | |
| CN110246112B (zh) | 基于深度学习的激光扫描slam室内三维点云质量评价方法 | |
| CN112766103B (zh) | 一种机房巡检方法及装置 | |
| CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
| Olson | Recognizing places using spectrally clustered local matches | |
| CN104615977B (zh) | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 | |
| Lo | Population estimation using geographically weighted regression | |
| CN111885703B (zh) | 一种室内定位方法 | |
| CN111522835B (zh) | 一种基于数据库特征匹配的多磁性目标位置探测方法 | |
| CN109522948A (zh) | 一种基于正交局部保持投影的故障检测方法 | |
| CN104853435A (zh) | 一种基于概率的室内定位方法和装置 | |
| CN109348410B (zh) | 基于全局和局部联合约束迁移学习的室内定位方法 | |
| CN112927565B (zh) | 提升机坪综合航迹监视数据精度的方法、装置及系统 | |
| CN105975979A (zh) | 一种基于机器视觉的仪表检测方法 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| CN111242996A (zh) | 一种基于Apriltag标签与因子图的SLAM方法 | |
| CN109508661A (zh) | 一种基于物体检测和姿态估计的举手者检测方法 | |
| CN109143161A (zh) | 基于混合指纹质量评价模型的高精度室内定位方法 | |
| CN111524183A (zh) | 一种基于透视投影变换的目标行列定位方法 | |
| CN102819838B (zh) | 基于多源目标特征支持的高光谱遥感图像变化检测方法 | |
| Xia et al. | [Retracted] Gesture Tracking and Recognition Algorithm for Dynamic Human Motion Using Multimodal Deep Learning | |
| CN112802104B (zh) | 一种基于rgb-d相机的回环检测方法 | |
| CN117853485A (zh) | 骨髓水肿图像检测模型训练方法、装置、服务器及存储介质 | |
| CN105631849B (zh) | 多边形目标的变化检测方法及装置 | |
| CN106683116B (zh) | 一种基于支持向量机的粒子滤波联合跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |