CN112073902A - 一种多模态的室内定位方法 - Google Patents
一种多模态的室内定位方法 Download PDFInfo
- Publication number
- CN112073902A CN112073902A CN202010860669.3A CN202010860669A CN112073902A CN 112073902 A CN112073902 A CN 112073902A CN 202010860669 A CN202010860669 A CN 202010860669A CN 112073902 A CN112073902 A CN 112073902A
- Authority
- CN
- China
- Prior art keywords
- terminal
- positioning method
- distance
- steps
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种多模态的室内定位方法,首先获取室内终端到所有接入点的距离信息,将该距离信息和接入点集合输入到神经网络中,获得PDR定位方法时使用的初始终端位置,并基于该位置对终端进行定位;本发明方法将室内所有的RSSI信息与PDR方法中的惯性信息结合,实时更新定位时使用的初始终端位置,充分利用了终端到所有接入点的信息,更清楚地还原了室内环境,即减轻了RSSI信息受遮蔽物的影响又可以避免PDR方法产生的累积误差。
Description
技术领域
本发明属于室内定位技术领域,具体涉及一种多模态的室内定位方法。
背景技术
室内定位系统是指在建筑物和封闭的环境内定位和跟踪物体,系统是根据无线电波、光学跟踪或超声技术原理来实现的,对物体的探测和跟踪是很多监测和活动识别应用的基础,目前研究者们已经开发了很多针对室内和室外物体定位计算的系统,大部分定位技术的解决方案是根据三角定位和多点定位技术,这些技术使用了能代表物体位置信息的光线、超声波或电波信号。此外还有另外一些相对定位技术比如PDR定位方法,但是相对定位技术会积累误差需要定期的校准置信。
智能手机室内定位一直是热点研究问题,由于目前智能手机都是各自优势以及局限性,因此许多研究人员常识将多种定位技术组合来发挥各自优势,来提高智能手机定位的性能。
发明内容
针对现有技术中的上述不足,本发明提供的多模态室内定位方法解决了现有的室内定位方法中RSSI信息使用不完全和PDR方法存在累积误差,造成的定位信息不准确的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种多模态的室内定位方法,包括以下步骤:
S1、获取室内部署的所有接入点AP,并构建接入点AP的位置集合Position;
S2、在室内均匀设置位置点位,基于设置的位置点位构建位置数据库P_set;
S3、当终端从位置数据库P_set中的初始位置Pi行走k步至位置Pj时,基于集合Position中的数据计算当前终端到所有接入点AP的距离集合D;
S4、将接入点AP集合AP_set和距离集合D作为神经网络的输入,输出终端位置Pk;
S5、将终端位置Pk作为PDR定位方法的当前初始位置Pi;
S6、基于当前初始位置Pi,在终端移动步数k内使用PDR定位方法对终端进行定位,获得终端位置Pj;
S7、重复步骤S3-S6,通过神经网络对终端的当前初始位置进行实时更新,并通过PDR定位方法基于更新的当前初始位置对终端进行定位,进而实现室内定位。
进一步地,所述步骤S3中的终端为携带WIFI监测信号和MEANS传感器的设备。
进一步地,所述步骤S3中,终端到一个接入点AP的距离d为:
式中,PL(d)为终端到接入点AP距离为d处接收到的信号强度,d0是参考距离,PL(d0)为终端到接入点AP距离为d0处接收到的信号强度,η为路径损耗因子, Xσ为均值为零、方差为σ高斯随机噪声。。
进一步地,所述步骤S4中,所述神经网络的损失函数为平方损失函数,即:
L=(xj-xj')2+(yj-yj')2+(zj-zj')2
式中,(xj,yj,zj)为作为神经网络输出标签的Qj的坐标,(xj',yj',zj')为神经网络输出的终端位置Pk的坐标。
进一步地,所述步骤S6中,通过PDR定位方法获得终端位置Pj的坐标 (xk,yk,zk)为:
式中,St为终端移动t步时对应的移动距离,Ψt为终端移动t步时位移在平面绝对朝向角,αt为终端移动t步时位移与z轴的夹角,下标t为终端移动步数编号,且t=1,2,3,...,k,k为通过神经网络进行终端初始位置时的终端移动步数阈值,(x0,y0,z0)为终端的初始位置。
本发明的有益效果为:
本发明提供的多模态的室内定位方法先通过RSSI算法获取终端到所有AP 的距离信息,避免了定位时只使用个别RSSI信息造成的定位结果不准确,然后将距离信息与PDR方法中的终端移动的惯性信息相结合,实现精准定位,减轻了获取RSSI信息时受室内环境遮蔽物的影响造成的定位误差,通过神经网络实时更新初始位置避免了单纯使用PDR定位方法产生的累积误差。
附图说明
图1为本发明提供的多模态的室内定位方法流程图。
图2为本发明中的获取终端到所有接入点AP距离原理图。
图3为本发明提供的采用PDR方法计算终端位置示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种多模态的室内定位方法,包括以下步骤:
S1、获取室内部署的所有接入点AP,并构建接入点AP的位置集合Position;
S2、在室内均匀设置位置点位,基于设置的位置点位构建位置数据库P_set;
S3、当终端从位置数据库P_set中的初始位置Pi行走k步至位置Pj时,基于集合Position中的数据计算当前终端到所有接入点AP的距离集合D;
S4、将接入点AP集合AP_set和距离集合D作为神经网络的输入,输出终端位置Pk;
S5、将终端位置Pk作为PDR定位方法的当前初始位置Pi;
S6、基于当前初始位置Pi,在终端移动步数k内使用PDR定位方法对终端进行定位,获得终端位置Pj;
S7、重复步骤S3-S6,通过神经网络对终端的当前初始位置进行实时更新,并通过PDR定位方法基于更新的当前初始位置对终端进行定位,进而实现室内定位。
上述步骤S1-S3中采用基于RSSI的WIFI定位测距方法获取终端到所有接入点的距离,WIFI在各地普及,接入点(AP,Access Point)定期发送的WIFI 信号中所含的接收信号强度(RSS,Received Signal Strength)信息为移动定位提供了可能,现阶段,AP的布置几乎无处不在,包括智能手机、平板电脑在内的大部分移动通信设备内也都内嵌了WIFI模块,基于WIFI的定位技术不需要额外增加硬件设备,直接通过软件计算即可实现定位。其中,步骤S3中的终端为携带WIFI监测信号和MEANS传感器的设备,MEANS传感器可以测物体的加速度和惯性信息,步骤S1中部署的所有接入点AP的集合为 AP_set={AP1,AP2,AP3,....,APn},接入点AP的位置集合 Position={(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),...,(xn,yn,zn)},这里的Position AP_set是点集合,为每一个AP的位置信息的集合,供基于RSSI定位方法计算出终端位置。
在实际环境中,信号的反射。衍射和遮蔽等现象通常会对终端采集到的信号强度产生干扰,无线电传播路径损耗与理论值相比有些变化,因此采用对数正态阴影模型对终端与AP的距离进行确定更为合理,由此得到步骤S3中,终端到一个接入点AP的距离d为:
式中,PL(d)为终端到接入点AP距离为d处接收到的信号强度,d0是参考距离,PL(d0)为终端到接入点AP距离为d0处接收到的信号强度,η为路径损耗因子, Xσ为均值为零、方差为σ高斯随机噪声。由此得到,终端从位置数据库 P_set={P1,P2,P3,...,Pn}中的初始位置Pi=(xi,yi,zi)行走k步至位置Pj=(xj,yj,zj)时,当前终端到所有接入点AP的距离集合D为D={d1,d2,d3,...,dn}。
本实施例的步骤S4中,神经网络为普通的具有全连接层的神经网络,对神经网络进行训练时Qj=(xj,yj,zj)作为输出标签,进行梯度训练,神经网络的损失函数为平方损失函数,即:
L=(xj-xj')2+(yj-yj')2+(zj-zj')2
式中,(xj,yj,zj)为作为神经网络输出标签的Qj的坐标,(xj',yj',zj')为神经网络输出的终端位置Pk的坐标。
现有的RSSI方法通常是挑三个信号最强的RSSI信息计算出三个距离,然后通过三边定位、Euclidiean定位或其他方法计算出终端位置,而本发明中认为所有的RSSI信号都是有用的,且所有的RSSI信号结合在一起可以反应出室内的地貌信息,如图2所示,终端BC到信号源A的距离一样,但在BC处的RSSI 信号强度不同,B处强,C处弱,通过使用所有的RSSI信息,我们可以知道 AC之间的遮挡与AB多,这一信息会对计算AE与AD的距离时有帮助,因此,我们采用所有RSSI信号,将根据RSSI计算出的D与AP_set一起作为神经网络的输入,神经网络为全连接层,输入取决于AP_set、D的维度,输出为三维位置数据(xj',yj',zj'),因为我们利用了所有的RSSI信息,所以会比只用三个最强的RSSI信息的算法更准确。
我们利用神经网络输出的Pk=(xj',yj',zj')作为PDR定位方法的初始位置,进而进行终端定位,PDR方式依据人行走的生理特征,根据加速度的变化来进行步态检测以得出行走步数,步数乘以人估计步长得到这段时间内的行走距离,结合估算出的行人朝向信息即得到行人位置,如图3所示,假设在初始时刻,行人的起始位置坐标(x0,y0)为,则通过测量行人行走距离s0与行人朝向角Ψ0,可推算出下一时刻t1的位置。由此得到,步骤S6中,通过PDR定位方法获得终端位置Pj的坐标(xk,yk,zk)为:
式中,St为终端移动t步时对应的移动距离,Ψt为终端移动t步时位移在平面绝对朝向角,αt为终端移动t步时位移与z轴的夹角,下标t为终端移动步数编号,且t=1,2,3,...,k,k为通过神经网络进行终端初始位置时的终端移动步数阈值,(x0,y0,z0)为终端的初始位置。
我们利用神经网络输出的Pk=(xj',yj',zj')作为PDR定位方法的初始位置,进而进行终端定位,然后在一定步数范围内(假设为k步)内使用的PDR定位方法(神经网络计算满,PDR方法在短期内计算块,且偏移少,可以实现实时定位),当步数到达k步时,再使用神经网络根据当前距离集合D重新校正终端的初始位置,并根据该初始位置得到终端的定位,如此循环,实现室内的精准定位。
Claims (5)
1.一种多模态的室内定位方法,其特征在于,包括以下步骤:
S1、获取室内部署的所有接入点AP,并构建接入点AP的位置集合Position;
S2、在室内均匀设置位置点位,基于设置的位置点位构建位置数据库P_set;
S3、当终端从位置数据库P_set中的初始位置Pi行走k步至位置Pj时,基于集合Position中的数据计算当前终端到所有接入点AP的距离集合D;
S4、将接入点AP集合AP_set和距离集合D作为神经网络的输入,输出终端位置Pk;
S5、将终端位置Pk作为PDR定位方法的当前初始位置Pi;
S6、基于当前初始位置Pi,在终端移动步数k内使用PDR定位方法对终端进行定位,获得终端位置Pj;
S7、重复步骤S3-S6,通过神经网络对终端的当前初始位置进行实时更新,并通过PDR定位方法基于更新的当前初始位置对终端进行定位,进而实现室内定位。
2.根据权利要求1所述的多模态的室内定位方法,其特征在于,所述步骤S3中的终端为携带WIFI监测信号和MEANS传感器的设备。
4.根据权利要求3所述的多模态的室内定位方法,其特征在于,所述步骤S4中,所述神经网络的损失函数为平方损失函数,即:
L=(xj-xj')2+(yj-yj')2+(zj-zj')2
式中,(xj,yj,zj)为作为神经网络输出标签的Qj的坐标,(xj',yj',zj')为神经网络输出的终端位置Pk的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860669.3A CN112073902A (zh) | 2020-08-25 | 2020-08-25 | 一种多模态的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860669.3A CN112073902A (zh) | 2020-08-25 | 2020-08-25 | 一种多模态的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112073902A true CN112073902A (zh) | 2020-12-11 |
Family
ID=73659937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860669.3A Pending CN112073902A (zh) | 2020-08-25 | 2020-08-25 | 一种多模态的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112073902A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419180A (zh) * | 2011-09-02 | 2012-04-18 | 无锡智感星际科技有限公司 | 一种基于惯性导航系统和wifi的室内定位方法 |
CN104655137A (zh) * | 2015-03-05 | 2015-05-27 | 中国人民解放军国防科学技术大学 | 行人航迹推测辅助的Wi-Fi信号指纹定位算法 |
CN105137389A (zh) * | 2015-09-02 | 2015-12-09 | 安宁 | 一种视频辅助射频定位方法和装置 |
CN105960011A (zh) * | 2016-04-18 | 2016-09-21 | 北京林业大学 | 基于传感网和贝叶斯方法的室内目标定位方法 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN107426687A (zh) * | 2017-04-28 | 2017-12-01 | 重庆邮电大学 | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 |
CN109640255A (zh) * | 2019-01-25 | 2019-04-16 | 电子科技大学 | 位置指纹室内定位系统及方法 |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
CN110463294A (zh) * | 2017-01-25 | 2019-11-15 | 韩国科学技术研究院 | 高准确度的无线定位方法及装置 |
-
2020
- 2020-08-25 CN CN202010860669.3A patent/CN112073902A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419180A (zh) * | 2011-09-02 | 2012-04-18 | 无锡智感星际科技有限公司 | 一种基于惯性导航系统和wifi的室内定位方法 |
CN104655137A (zh) * | 2015-03-05 | 2015-05-27 | 中国人民解放军国防科学技术大学 | 行人航迹推测辅助的Wi-Fi信号指纹定位算法 |
CN105137389A (zh) * | 2015-09-02 | 2015-12-09 | 安宁 | 一种视频辅助射频定位方法和装置 |
CN105960011A (zh) * | 2016-04-18 | 2016-09-21 | 北京林业大学 | 基于传感网和贝叶斯方法的室内目标定位方法 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN110463294A (zh) * | 2017-01-25 | 2019-11-15 | 韩国科学技术研究院 | 高准确度的无线定位方法及装置 |
US20190369205A1 (en) * | 2017-01-25 | 2019-12-05 | Korea Institute Of Science And Technology | Method and apparatus for wireless localization of high accuracy |
CN107426687A (zh) * | 2017-04-28 | 2017-12-01 | 重庆邮电大学 | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 |
CN109640255A (zh) * | 2019-01-25 | 2019-04-16 | 电子科技大学 | 位置指纹室内定位系统及方法 |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
Non-Patent Citations (2)
Title |
---|
冯描芬等: "基于CNN活动识别辅助PDR室内定位算法", 《传感器与微系统》 * |
蔡文炎等: "基于改进PDR与指纹库PSO-BP融合室内定位算法", 《智能计算机与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | A survey on fusion-based indoor positioning | |
WO2017088196A1 (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
Seitz et al. | A hidden markov model for pedestrian navigation | |
CN102209386A (zh) | 一种室内无线定位方法及装置 | |
CN109379711B (zh) | 一种定位方法 | |
CN112729301A (zh) | 一种基于多源数据融合的室内定位方法 | |
CN113566820B (zh) | 一种基于位置指纹和pdr算法的融合人行定位方法 | |
Tian et al. | HiQuadLoc: A RSS fingerprinting based indoor localization system for quadrotors | |
CN111263305A (zh) | 基于5g信号的多终端室内定位方法及装置 | |
Kasmi et al. | Algorithms and position optimization for a decentralized localization platform based on resource-constrained devices | |
CN106028450B (zh) | 室内定位方法及设备 | |
CN106197418B (zh) | 一种基于滑动窗口的指纹法与传感器融合的室内定位方法 | |
KR102119196B1 (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 | |
Chen et al. | Hybrid ToA and IMU indoor localization system by various algorithms | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
CN114302359B (zh) | 一种基于WiFi-PDR融合的高精度室内定位方法 | |
CN116027266A (zh) | Uwb与视觉紧耦合slam算法的定位方法及系统 | |
CN112073902A (zh) | 一种多模态的室内定位方法 | |
CN113613188A (zh) | 指纹库的更新方法、装置、计算机设备和存储介质 | |
Qian et al. | An indoor fusion positioning algorithm of Bluetooth and PDR based on particle filter with dynamic adjustment of weights calculation strategy. | |
Chen et al. | A new indoor positioning technique based on neural network | |
TWI764842B (zh) | 基於眾包校正的測距型定位系統及方法 | |
WO2024007352A1 (zh) | 一种基于音频的定位寻物方法、系统及设备 | |
US20220141617A1 (en) | Electronic device and method for improving angle of arrival of a signal |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |