CN111970633A - 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法，其特征在于，包括如下步骤：1）划分定位区域、建立WiFi离线指纹数据库：(1)划分定位区域，建立WiFi离线指纹数据库；2）聚类训练样本得到类质心向量：3）采用层次聚类算法得到定位坐标；4）采用改进加权质心算法实现蓝牙定位；5）融合WiFi和蓝牙定位得到WiFi和蓝牙融合定位坐标；6）融合PDR得到最终定位坐标。这种方法具有定位精度高、软件运算量低的特点，可满足实时定位精度要求。

Description

基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及一种基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法。

背景技术

GPS定位技术以其全天候、高精度、高效率和多功能等特点，已广泛应用在各行各业中，给我们的日常生活带来了极大的便利，室外定位技术的成熟和广泛应用也促进了室内定位的研究和发展。

据统计，人们平均约有70％—80％的时间都在室内度过，基于位置的服务(LBS)也逐渐为大众熟悉，室内定位的重要性日益显著。目前主流的室内定位技术包括有红外线定位技术、超声波定位技术、超宽带定位技术、射频识别定位、蓝牙定位、WiFi定位等技术。

WiFi定位通常使用下面两种模型进行定位:第一种是使用距离模型，通过相应的模型公式由信号强度计算出距离，使用三边交会计算待定点坐标；第二种是应用位置指纹模型，由待定点上接收到的信号强度和位置指纹数据库中的已知点进行匹配，使用KNN或WKNN等算法计算坐标，其中位置指纹定位算法比距离传播模型更为简单，但需要事先采集大量的指纹数据，并且数据的更新也是一个问题，而且WiFi定位目前的主要难点在于WiFi信号不稳定，易受环境干扰，定位精度低，在3—5m。

蓝牙技术经过20多年的发展，各项指标已经比较成熟，在性能以及传输速度和稳定性上已经可以满足很多通信的需要，但基于路径损耗模型的蓝牙室内定位中能否建立于当前环境相匹配的路径损耗模型直接决定了定位结果的精度优劣，对于Beacon来说，环境对强度值的影响非常大。在固定环境中，虽然信号强度值相同，但是不同点对Beacon的距离有可能是不容的，相应的权重也不相同，所以在计算Beacon位置时，仅考虑收集到的强度值的影响，导致定位误差变大。因此，只利用蓝牙技术进行室内定位无法满足人满的需求。

利用智能终端进行室内定位过程中，由于移动终端普遍配有陀螺仪、加速度传感器、电子罗盘等运动传感器，这使得移动终端的惯性导航技术具有较好的推广性，具有不易受环境影响、稳定性高等优势。但是，由于电子罗盘容易受到环境干扰，会导致航向角出现偏差，且步态判断误差和步长估计误差会导致行走距离误差，造成的累积误差会导致惯性系统无法长时间进行精确定位，如何有效消除累积误差成为解决问题的关键。

发明内容

本发明的目的是针对现有技术的不足，而提供基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法。这种方法具有定位精度高、软件运算量低的特点，可满足实时定位精度要求。

实现本发明目的的技术方案是：

基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法，包括如下步骤：

1)划分定位区域、建立WiFi离线指纹数据库：将待定位区域划分为N个网状节点，分别计算各个节点的实际位置，在待定位区域布置M个AP节点，用来发射WiFi热点，采集N个网状节点中来自各个AP节点的接收信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立WiFi离线指纹数据库，所述训练样本的数集表示为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中，向量RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)表示来自M个WiFi热点的RSSI向量，位置向量o_i＝(x,y)∈R²表示RSSV_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，训练样本的RSSI向量RSSC_i和位置向量o_i都是已知的，i＝1,2,...N；

2)聚类训练样本得到类质心向量：

指纹数据库建立后，计算出数据库所有样本两两之间物理位置的欧氏距离，表示如公式(1)所示：

其中，D_ij表示样本i与样本j的实际距离，依据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，设置一个阈值T，当距离最小的两个类间的距离D＞T时，其中，0<T<1，聚类结束，依据聚类的结果，计算出每个类质心的信号特征向量为公式(2)所示：

3)采用层次聚类算法得到定位坐标：在线获取的接收信号强RSSI样本记为R＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP节点的接收信号强度RSSI，位置向量o＝(x,y)表示在线获取的接收信号强度RSSI的位置信息，其中在线获取的接收信号强度RSSI向量已知，位置向量(x,y)未知，依据公式(1)计算在线获取的接收信号强度RSSI样本R与所有类的质心M_K进行欧式距离的运算找出与R的指纹距离最近的质心点所在的类P，抽取类P中所有点的指纹特征向量，采用最近邻算法计算出与R在指纹欧式距离上最相近的K个点，抽取这K个点的位置信息(x_i,y_i)，若类P中的指纹点数目小于K，则提取类P中所有点的物理位置，在计算R的物理位置之前，根据R与K个点的指纹欧氏距离来确定坐标权值的分配,权值的计算公式如公式(3)、公式(4)所示：

其中：w'_sj是一个权值的过度函数，w_sj是样本j分配到的坐标权值，K表示类P中与S在欧式距离上最近的K个点，依据公式(5)得到WiFi定位最终物理位置：

4)采用改进加权质心算法实现蓝牙定位：布置m个发射蓝牙信号的蓝牙节点，采用改进的加权质心定位算法实现蓝牙定位，对于任意的接收端与发射端之间的距离，路径损耗为公式(6)：

依据路径损耗推导出信号强度与测距信号源距离的关系为公式(7)：

可得：

其中，PL(d₀)为参考距离d₀处的路径损耗，r为路径传播损耗指数，d为接收端与发射端的实际距离，d₀为参考距离，Pr(d)为接收端距发射端d处的信号强度，Pr(d₀)为接收端距发射端d₀处的信号强度，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m),路由器发送广播的频率即信标间隔时槽

对m个位置测得的信号强度为S₁,S₂,...S_m，假设：

则权值为公式(10)所示：

最终得到的改进加权质心定位结果为公式(11)所示：

5)融合WiFi和蓝牙定位得到WiFi和蓝牙融合定位坐标：由于在短距离范围内，基于蓝牙的定位精度高于基于WiFi的定位精度，且蓝牙的定位结果的输出频率高于WiFi定位结果的输出频率，往往WiFi定位结果输出一次时，蓝牙结果可以输出3-5次，WiFi定位因为建立了密集的指纹数据库，硬件设备工作稳定，外部可靠性较高，即未知的，难以预料的影响较小；而蓝牙定位因为其特性，外部可靠性较差，内部可靠性较高，即剔除粗差影响的能力较强，因此在实际动态定位时，可以采取平均加权的方法，令一个WiFi定位测量历元里，得到的WiFi定位结果为公式(12)所示：

L_Wifi＝(x,y) (12)，

此时间段内，蓝牙定位结果的集合为公式(13)所示：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)} (13)，

求蓝牙定位的平均加权坐标为公式(14)所示：

此时加入一个距离阈值σs判定，将得出的WiFi定位坐标L_Wifi与蓝牙加权坐标

的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定，当d≤σs时，即认为两者定位结果接近，说明蓝牙和WiFi定位结果均在正常范围内，当d＞σs时，即两者的定位结果相差较大，则可能出现了较大定位误差、或者两者的定位偏离方向正好相反，因此可以建立自适应确权规则为公式(15)所示：

L_wifibeacon即为WiFi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定，阈值σs实际测试的时获取；

6)融合PDR得到最终定位坐标：采用UKF算法实现PDR定位，得到最终融合定位结果，过程包括：构建步行者行走的系统模型、PDR定位的初始位置坐标通过步骤5)WiFi蓝牙定位获得，通过智能终端内置传感器、陀螺仪、方向传感器获得步行者完成一步后的位置，采用量测方程更新状态信息和位置信息，UKF算法设系统方程和测量方程具有离散形式，即公式(16)所示：

其中，X是n维随机向量且

Z是m维随机观测向量，f和h为非线性向量函数，W_k和V_k为互不相关的零均值白噪声序列，u_k-1为确定性控制项，Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为

根据

设计一系列的点ξ_i(i＝1,2,..,L)，称为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算

通常Sigma点的数量去2n+1，PDR定位中步行者行走的系统模型建模如公式(17)所示：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，θ_k表示K步后的方位朝向角，W_k-1表示噪声，

为步长平均值，采用步长模型匹配加速度传感器结果，设步长是60cm，

为朝向角变化量，模拟量测方程如公式(18)所示：

其中，x_k,y_k表示通过WiFi和蓝牙融合定位获得的步行者位置，s_k表示步行者第k步行走步长，通过加速度传感器结果获得，Δθ_k表示步行者行走后的第k步的朝向角变化量通过智能终端内置陀螺仪获取，θ_k表示步行者行走后的第k步的朝向角，V_k表示噪声，采用UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由WiFi蓝牙融合定位结果给出，θ₀由PDR处理过程得到。

步骤1)中，待定位区域内的N个网状节点中在时间t内多次采集WiFi信号的平均值作为该位置的信号特征量，即：

P为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的WiFi信号强度。

与现有技术相比，本技术方案缩短了WiFi定位时间、提高了WiFi定位精度，采用对数衰减模型改进加权质心算法，提高了蓝牙定位精度，结合蓝牙定位和WiFi定位的优点，获得更高精度、更稳定的定位结果，将融合定位结果作为PDR定位初始定位坐标，提高了定位系统精度和实时性。

这种方法具有定位精度高、软件运算量低的特点，可满足实时定位精度要求。

附图说明

图1实施例中的方法流程示意图；

图2实施例中UKF融合算法流程示意图。

具体实施方式

下面结合附图和实施例对本发明的内容作进一步的说明，但不是对本发明的限定。

实施例：

参照图1，基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法，包括如下步骤：

1)划分定位区域、建立WiFi离线指纹数据库：将待定位区域划分为N个网状节点，分别计算各个节点的实际位置，在待定位区域布置M个AP节点，用来发射WiFi热点，采集N个网状节点中来自各个AP节点的接收信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立WiFi离线指纹数据库，所述训练样本的数集表示为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中，向量RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)表示来自M个WiFi热点的RSSI向量，位置向量o_i＝(x,y)∈R²表示RSSV_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，训练样本的RSSI向量RSSC_i和位置向量o_i都是已知的，i＝1,2,...N；

2)聚类训练样本得到类质心向量：

指纹数据库建立后，计算出数据库所有样本两两之间物理位置的欧氏距离，表示如公式(1)所示：

其中，D_ij表示样本i与样本j的实际距离，依据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，设置一个阈值T，当距离最小的两个类间的距离D＞T时，其中，0<T<1，聚类结束，依据聚类的结果，计算出每个类质心的信号特征向量为公式(2)所示：

3)采用层次聚类算法得到定位坐标：在线获取的接收信号强RSSI样本记为R＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP节点的接收信号强度RSSI，位置向量o＝(x,y)表示在线获取的接收信号强度RSSI的位置信息，其中在线获取的接收信号强度RSSI向量已知，位置向量(x,y)未知，依据公式(1)计算在线获取的接收信号强度RSSI样本R与所有类的质心M_K进行欧式距离的运算找出与R的指纹距离最近的质心点所在的类P，抽取类P中所有点的指纹特征向量，采用最近邻算法计算出与R在指纹欧式距离上最相近的K个点，抽取这K个点的位置信息(x_i,y_i)，若类P中的指纹点数目小于K，则提取类P中所有点的物理位置，在计算R的物理位置之前，根据R与K个点的指纹欧氏距离来确定坐标权值的分配,权值的计算公式如公式(3)、公式(4)所示：

其中：w'_sj是一个权值的过度函数，w_sj是样本j分配到的坐标权值，K表示类P中与S在欧式距离上最近的K个点，依据公式(5)得到WiFi定位最终物理位置：

4)采用改进加权质心算法实现蓝牙定位：布置m个发射蓝牙信号的蓝牙节点，采用改进的加权质心定位算法实现蓝牙定位，对于任意的接收端与发射端之间的距离，路径损耗为公式(6)：

依据路径损耗推导出信号强度与测距信号源距离的关系为公式(7)：

可得：

其中，PL(d₀)为参考距离d₀处的路径损耗，r为路径传播损耗指数，d为接收端与发射端的实际距离，d₀为参考距离，Pr(d)为接收端距发射端d处的信号强度，Pr(d₀)为接收端距发射端d₀处的信号强度，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m),

对m个位置测得的信号强度为S₁,S₂,...S_m，假设：

则权值为公式(10)所示：

最终得到的改进加权质心定位结果为公式(11)所示：

5)融合WiFi和蓝牙定位得到WiFi和蓝牙融合定位坐标：由于在短距离范围内，基于蓝牙的定位精度高于基于WiFi的定位精度，且蓝牙的定位结果的输出频率高于WiFi定位结果的输出频率，往往WiFi定位结果输出一次时，蓝牙结果可以输出3-5次，WiFi定位因为建立了密集的指纹数据库，硬件设备工作稳定，外部可靠性较高，即未知的，难以预料的影响较小；而蓝牙定位因为其特性，外部可靠性较差，内部可靠性较高，即剔除粗差影响的能力较强，因此在实际动态定位时，可以采取平均加权的方法，令一个WiFi定位测量历元里，得到的WiFi定位结果为公式(12)所示：

L_Wifi＝(x,y) (12)，此时间段内，蓝牙定位结果的集合为公式(13)所示：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)} (13)，求蓝牙定位的平均加权坐标为公式(14)所示：

此时加入一个距离阈值σs判定，将得出的WiFi定位坐标L_Wifi与蓝牙加权坐标

的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定，当d≤σs时，即认为两者定位结果接近，说明蓝牙和WiFi定位结果均在正常范围内，当d＞σs时，即两者的定位结果相差较大，则可能出现了较大定位误差、或者两者的定位偏离方向正好相反，因此可以建立自适应确权规则为公式(15)所示：

L_wifibeacon即为WiFi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定，阈值σs实际测试的时获取；

6)融合PDR得到最终定位坐标：参照图2，采用UKF算法实现PDR定位，得到最终融合定位结果，过程包括：构建步行者行走的系统模型、PDR定位的初始位置坐标通过步骤5)WiFi蓝牙定位获得，通过智能终端内置传感器、陀螺仪、方向传感器获得步行者完成一步后的位置，采用量测方程更新状态信息和位置信息，UKF算法设系统方程和测量方程具有离散形式，即公式(16)所示：

其中，X是n维随机向量且

Z是m维随机观测向量，f和h为非线性向量函数，W_k和V_k为互不相关的零均值白噪声序列，u_k-1为确定性控制项，Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为

根据

设计一系列的点ξ_i(i＝1,2,..,L)，称为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算

通常Sigma点的数量去2n+1，PDR定位中步行者行走的系统模型建模如公式(17)所示：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，θ_k表示K步后的方位朝向角，W_k-1表示噪声，

为步长平均值，采用步长模型匹配加速度传感器结果，设步长是60cm，

为朝向角变化量，模拟量测方程如公式(18)所示：

其中，x_k,y_k表示通过WiFi和蓝牙融合定位获得的步行者位置，s_k表示步行者第k步行走步长，通过加速度传感器结果获得，Δθ_k表示步行者行走后的第k步的朝向角变化量通过智能终端内置陀螺仪获取，θ_k表示步行者行走后的第k步的朝向角，V_k表示噪声，采用UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由WiFi蓝牙融合定位结果给出，θ₀由PDR处理过程得到。

步骤1)中，待定位区域内的N个网状节点中在时间t内多次采集WiFi信号的平均值作为该位置的信号特征量，即：

P为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的WiFi信号强度。

Claims (2)

1.基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法，其特征在于，包括如下步骤：

1)划分定位区域、建立WiFi离线指纹数据库：将待定位区域划分为N个网状节点，分别计算各个节点的实际位置，在待定位区域布置M个AP节点，用来发射WiFi热点，采集N个网状节点中来自各个AP节点的接收信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立WiFi离线指纹数据库，所述训练样本的数集表示为：

I＝{(RSSV₁,o₁),(RSSV₂,o₂),...,(RSSV_i,o_i),...,(RSSV_N,o_N)}

其中，向量RSSV_i＝(RSS_i1,RSS_i2,...,RSS_iM)表示来自M个WiFi热点的RSSI向量，位置向量o_i＝(x,y)∈R²表示RSSV_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，训练样本的RSSI向量RSSC_i和位置向量o_i都是已知的，i＝1,2,...N；

2)聚类训练样本得到类质心向量：指纹数据库建立后，计算出数据库所有样本两两之间物理位置的欧氏距离，表示如公式(1)所示：

其中，D_ij表示样本i与样本j的实际距离，依据D_ij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，设置阈值T，当距离最小的两个类间的距离D＞T时，其中，0<T<1，聚类结束，依据聚类的结果，计算出每个类质心的信号特征向量为公式(2)所示：

3)采用层次聚类算法得到定位坐标：在线获取的接收信号强度RSSI样本记为R＝((RSS_j1,RSS_j2,...,RSS_jM),(x_j,y_j))，其中r_j＝(RSS_j1,RSS_j2,...,RSS_jM)表示在线接收的M个AP节点的接收信号强度RSSI，位置向量o＝(x,y)表示在线获取的接收信号强度RSSI的位置信息，其中在线获取的接收信号强度RSSI向量已知，位置向量(x,y)未知，依据公式(1)计算在线获取的接收信号强度RSSI样本R与所有类的质心M_K进行欧式距离的运算找出与R的指纹距离最近的质心点所在的类P，抽取类P中所有点的指纹特征向量，采用最近邻算法计算出与R在指纹欧式距离上最相近的K个点，抽取这K个点的位置信息(x_i,y_i)，若类P中的指纹点数目小于K，则提取类P中所有点的物理位置，在计算R的物理位置之前，根据R与K个点的指纹欧氏距离来确定坐标权值的分配,权值的计算公式如公式(3)、公式(4)所示：

其中：w'_sj是权值的过度函数，w_sj是样本j分配到的坐标权值，K表示类P中与S在欧式距离上最近的K个点，依据公式(5)得到WiFi定位最终物理位置：

4)采用改进加权质心算法实现蓝牙定位：布置m个发射蓝牙信号的蓝牙节点，对于任意的接收端与发射端之间的距离，路径损耗为公式(6)：

依据路径损耗推导出信号强度与测距信号源距离的关系为公式(7)：

可得：

其中，PL(d₀)为参考距离d₀处的路径损耗，r为路径传播损耗指数，d为接收端与发射端的实际距离，d₀为参考距离，Pr(d)为接收端距发射端d处的信号强度，Pr(d₀)为接收端距发射端d₀处的信号强度，对于m个采集点(x₁,y₁)，(x₂,y₂)，...,(x_m,y_m),路由器发送广播的频率即信标间隔时槽

对m个位置测得的信号强度为S₁,S₂,...S_m，假设：

则权值为公式(10)所示：

最终得到的改进加权质心定位结果为公式(11)所示：

5)融合WiFi和蓝牙定位得到WiFi和蓝牙融合定位坐标：采取平均加权的方法，令一个WiFi定位测量历元里，得到的WiFi定位结果为公式(12)所示：

L_Wifi＝(x,y) (12)，

此时间段内，蓝牙定位结果的集合为公式(13)所示：

L_beacon(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)} (13)，

求蓝牙定位的平均加权坐标为公式(14)所示：

加入一个距离阈值σs判定，将得出的WiFi定位坐标L_Wifi与蓝牙加权坐标

的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定，当d≤σs时，即认为两者定位结果接近，说明蓝牙和WiFi定位结果均在正常范围内，当d＞σs时，即两者的定位结果相差较大，则可能是出现较大定位误差、或者两者的定位偏离方向正好相反，建立自适应确权规则为公式(15)所示：

L_wifibeacon即为WiFi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定，阈值σs实际测试的时获取；

6)融合PDR得到最终定位坐标：采用UKF算法实现PDR定位，得到最终融合定位结果，过程包括：构建步行者行走的系统模型、PDR定位的初始位置坐标通过步骤5)WiFi蓝牙定位获得，通过智能终端内置传感器、陀螺仪、方向传感器获得步行者完成一步后的位置，采用量测方程更新状态信息和位置信息，UKF算法设系统方程和测量方程具有离散形式，即公式(16)所示：

其中，X是n维随机向量且

Z是m维随机观测向量，f和h为非线性向量函数，W_k和V_k为互不相关的零均值白噪声序列，u_k-1为确定性控制项，Z为X通过非线性函数f(·)进行传播得到的，Z的统计特征为

根据

设计一系列的点ξ_i(i＝1,2,..,L)，称为Sigma点，经过f(·)传播计算得到γ_i(i＝1,2,...,L)，然后基于γ_i计算

Sigma点的数量去2n+1，PDR定位中步行者行走的系统模型建模如公式(17)所示：

其中行走的步数用K表示，行走后的位置信息用x_k,y_k表示，θ_k表示K步后的方位朝向角，W_k-1表示噪声，

为步长平均值，采用步长模型匹配加速度传感器结果，设步长是60cm，

为朝向角变化量，模拟量测方程如公式(18)所示：

其中，x_k,y_k表示通过WiFi和蓝牙融合定位获得的步行者位置，s_k表示步行者第k步行走步长，通过加速度传感器结果获得，Δθ_k表示步行者行走后的第k步的朝向角变化量通过智能终端内置陀螺仪获取，θ_k表示步行者行走后的第k步的朝向角，V_k表示噪声，采用UKF算法融合得到最终定位结果，其中UKF滤波初始值(x₀,y₀)由WiFi蓝牙融合定位结果给出，θ₀由PDR处理过程得到。

2.根据权利要求1所述的基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法，其特征在于，步骤1)中，待定位区域内的N个网状节点中在时间t内多次采集WiFi信号的平均值作为该位置的信号特征量，即：

P为在这段时间t内采集的信号强度次数，r_tq表示t时间内第p次采集的WiFi信号强度。

Images