CN112153620A - 一种基于UWB技术的离线WiFi指纹库快速构建及定位方法 - Google Patents

Abstract

本发明公开了一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，包括：1、离线准备时，在待定位区域布置UWB基站和WiFi无线接入点；2、采集人员在待定位区域内随意走动，按照固定频率收集数据，该数据包含UWB测距信息d、从WiFi无线接入点获取的RSSI数据向量r；3、对来自不同设备的RSSI数据向量r与UWB测距信息d进行异源数据融合，形成初始的WiFi指纹数据f；4、对上述的初始WiFi指纹数据进行自动优化，形成最终的离线指纹库；5、定位时，对在线扫描的RSSI数据向量进行在线双域限制定位，匹配离线指纹库中的指纹数据，得到最终的定位结果。

Description

一种基于UWB技术的离线WiFi指纹库快速构建及定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于UWB技术快速构建离线WiFi指纹库，以及实现定位的方法。

背景技术

近年来由于基于位置服务(Location Based Services,LBS)的需求日益增加，推动了许多与室内定位领域相关的发展。关于室内定位方法的研究已然成为研究学者关注的焦点，其中，最常用于室内定位的技术包括WiFi指纹技术、UWB技术、蓝牙技术、红外线技术等。由于移动智能手机的快速发展以及WiFi设施的普及，WiFi指纹技术成为在米级定位精度要求的定位服务中最实用且最成熟的技术之一。另外，由于UWB使用纳秒至微秒级极窄脉冲传输数据，其高速率传输速度的特性使其在室内定位领域可以实现厘米级的高精度定位，但是却由于在定位过程中需要时刻携带硬件设备并且在非视距环境下严重影响其定位结果，阻碍了其发展。

目前，基于接收信号强度(Received Signal Strength Indicator,RSSI)的指纹方法是WiFi技术在定位时使用的主流方案，其主要由离线训练阶段和在线测试阶段组成。在离线训练阶段，相关人员在每个提前设定的参考点(Reference Point,RP)上收集无线信号，将收集到的信号数据与对应参考点的坐标作为一条“指纹”数据，存入离线指纹库中，完成离线指纹库的构建。在线测试阶段，待定位设备可以通过特定的在线定位方法，将获取到的信号值与离线指纹库中保存的指纹进行匹配，得到最终的定位结果。然而，该方法在待测试区域中需要标记大量参考点，同时在每个点上都有指纹数据的采集工作，后续也需要保持离线指纹库的更新，所以传统WiFi指纹技术存在的最大缺点是离线指纹库在前期创建以及后期维护过程中耗时耗力。

为了解决上述问题，实现定位系统的快速部署，同时减少构建离线指纹库所耗费的巨大工作量，本发明提出一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，在UWB与WiFi指纹技术共同合作下，实现了一种能够快速且高效构建离线指纹库，且充分利用UWB技术优势的低成本系统。在数据收集时，相关人员连续采集坐标数据与WiFi信号值，随着数据收集完毕，离线指纹库已由本系统自动生成，另外，在在线定位时，系统同时考虑物理域的坐标数据与信号域的WiFi信号数据，实现了更加精确的定位结果。

发明内容

本发明主要是针对现有的WiFi指纹定位方法的缺陷，提出一种基于UWB技术的离线WiFi指纹库快速构建及定位方法。使之能够在不同地点快速部署，解决了构建离线指纹库所需大量时长以及高人力成本的问题，提高指纹库构建效率，同时在在线定位阶段减少噪声点的影响，提高定位精度。

本发明的构思是：借助于UWB技术，进行离线数据的连续收集工作。由于WiFi的RSSI信号值容易获得，另一方面，充分利用UWB能够提供高精度定位坐标的优势，本发明同时收集由WiFi设备提供的RSSI数据以及来自UWB设备的坐标值，基于数据被获取时的时间戳信息，给所有收集到的RSSI数据匹配相应的坐标数据，得到初始的指纹数据。从而不仅减轻离线数据收集时耗费的工作量，而且实现一个快速完成的真实数据收集工作。在数据收集工作完成后，基于分簇的思想，从大量融合数据中提炼出具有代表性的指纹数据，优化离线指纹库，实现了一个更具有参考性的离线指纹库。在离线指纹库构建完后，对在线收集到的RSSI值，使用在线定位方法与离线指纹库中的指纹数据进行匹配，得到最终的定位结果。

关于本发明提出的一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，具体细节如下：

步骤1、在待定位区域布置UWB基站和WiFi无线接入点；

步骤2、采集人员携带包含WiFi无线网卡的移动设备以及UWB标签，在待定位区域内走动，移动设备按照固定频率从WiFi无线接入点处获得RSSI数据向量，同时，UWB标签与基站通信，按照固定频率得到测距信息，其中，；

步骤3、根据距离信息d，使用三边近似定位方法得到UWB标签的坐标c，其中，c＝{x,y,t_c}，基于数据获取时的时间戳信息t以及t_c，使RSSI数据向量r匹配与其对应的坐标值c，形成初始的WiFi指纹数据f，其中，每条指纹数据f＝{rss₁,rss₂,...,rss_i,x,y,t}；

步骤4、对上述的初始WiFi指纹数据进行自动优化，分别在物理域以及信号域中设置条件，即WiFi指纹数据物理域中的数据是否满足物理域区间参数，信号域中的数据是否满足信号域值，从而优化所有的初始的指纹数据，形成最终的离线指纹库，最终的WiFi指纹数据F＝{rss'₁,...,rss'_i,x',y'}；

步骤5、定位时，对在线扫描的RSSI数据向量进行在线双域限制定位，使用Meanshift聚类算法聚类选中的指纹数据，根据聚类完后的指纹数据计算得到定位结果(x,y)。

本发明实现的技术效果如下：

(1)使用UWB设备自动创建WiFi指纹数据。本发明融合了从UWB设备获取的坐标数据以及从WiFi无线接入点获得的RSSI值，从而实现离线数据采集的简便性，减少传统指纹方法采集时所耗费的工作量，提高了本系统的可扩展性。

(2)针对传统的指纹技术需要预先在定位区域设定多个单独参考点的方式，本系统通过UWB与WiFi技术相结合，使用连续数据采集替代在单个参考点采集的工作，提高离线指纹库构建效率，从而实现一个快速构建且数据可靠完整的离线指纹库。

(3)本发明结合UWB高精度定位的优势，并且将普遍存在的WiFi信息充分利用，避免了传统指纹定位方法离线数据收集的局限性，同时无需时刻携带UWB设备，通过减少硬件依赖而提高了本系统的可适应性。

附图说明

本发明的附图说明如下：

图1为本发明的系统架构图；

图2为本发明的指纹数据自动优化的流程图

具体实施方式

下面结合附图和实例对本发明作详细说明。

首先对本发明所提出的系统架构进行详细的描述：

对于本发明提出的系统架构如图1所示。本系统包含两个阶段：离线阶段与在线阶段。离线阶段由UWB采集模块U11、Wi-Fi采集模块U12、数据融合模块U13、指纹库优化模块U14以及离线指纹库组成；在线阶段由Wi-Fi采集模块U12以及在线定位模块U15构成。在离线阶段，首先UWB采集模块U11和Wi-Fi采集模块U12在待定位区域分别收集距离信息以及RSSI值，并且记录数据被获取时的时间戳信息，服务器端的数据融合模块U13在得到来自异源设备的数据之后，根据两者共同的元素——时间戳信息，融合坐标信息与RSSI值，从而得到大量的初始指纹数据。经过指纹库优化模块U14对初始指纹数据分类后，得到更具代表性的指纹数据，实现离线指纹库的优化，使得本系统能够在复杂多变的室内环境中保持可扩展性且有效性。在离线阶段构建完指纹库之后，在在线阶段，Wi-Fi采集模块U12对在线采集的RSSI值，使用在线定位模块U15与离线指纹库中的指纹数据进行匹配，得到最终的定位结果。

为使本发明的目的及技术方法更加明确，下面阐述详细的实现过程：

步骤1、离线准备时，在待定位区域布置UWB基站和WiFi无线接入点；

步骤2、采集人员携带包含WiFi无线网卡的移动设备以及UWB标签，在待定位区域内走动，移动设备按照固定频率从WiFi无线接入点处获得RSSI数据向量r，同时，UWB标签与基站通信，按照固定频率得到测距信息d，其中，r＝{rss₁,rss₂,...rss_i,t}；

步骤3、对来自不同设备的RSSI数据向量r与UWB测距信息d进行异源数据融合，具体为：

步骤31、在服务器端获取到RSSI数据向量r与UWB测距信息d，三个UWB基站测得与标签的距离信息由总基站通过串口发送到服务器端，在服务器端使用三边定位方法以固定频率计算得到坐标数据，并且记录下获得坐标时的时间戳信息。三边近似定位公式的方程组如下所示：

其中，d_i(i＝1,2,3)分别是三个UWB基站测得的与标签间的距离值，(x_i,y_i),i＝1,2,3分别为三个基站的坐标值，(x₀,y₀)即为此时标签的坐标位置。于是得到UWB设备提供的第j条数据信息C_j＝{c_j,t_cj}＝{x_j,y_j,t_cj}，其中包括坐标数据以及获得此数据的时间戳t_cj；

步骤32、计算完坐标数据，考虑到RSSI值以及坐标数据同时开始收集，并且各自的收集时间间隔非常短，本发明使用公共元素——时间戳信息，来匹配RSSI值与坐标数据。另外，RSSI数据的采集频率低于坐标获取的频率，从而坐标数据量远多于RSSI数据，于是我们对采集到的每条RSSI值，匹配与其对应的坐标数据。对每条RSSI数据向量r中的t，转换成数值后，与每条坐标数据C_j对应的时间戳数值t_cj计算距离值如下：

Dj＝|t_i-t_cj|(j＝1,2,...,m)

其中，D_j为第j条坐标数据对应的t_cj与第i条RSSI数据向量中的t_i所求得的距离值，由于共有m条坐标数据，于是得到m个坐标数据与当前RSSI数据向量之间的距离值，选取其中最小距离值对应的时间戳t_c，该条坐标数据与该条RSSI数据向量共同组成初始的指纹数据，其中，每条指纹数据f＝{rss₁,rss₂,...,rss_i,x,y,t}；

步骤4、对来自异源设备的初始指纹数据进行自动优化，具体为：按时间顺序序列化所有初始指纹数据f，本发明定义基点为生成每个新的参考点的基准点，另外本发明定义虚拟点的值是位于当前基点与当前数据之间数据的均值。最初本发明将第一条数据视为基点以及虚拟点，对接下来的每一条指纹数据f执行如图2所示的指纹自动优化方法的流程：

在步骤S101，计算当前数据与当前基点在物理域中的曼哈顿距离值，即计算两者坐标值间的距离值；

在步骤S102，首先我们设置好物理域区间参数，然后将距离值与已设置好的物理域区间参数进行比较，当该值不处于该区间范围时，执行步骤S103；当该值位于区间范围内的时候，则执行步骤S104；

在步骤S103，当前数据不满足物理域设置的区间参数时，继续判断该距离值是否小于区间参数的下限，如果不满足该条件，即该距离值大于区间参数的上限值时，执行步骤S106；当该距离值小于区间下限时，则执行步骤S107；

在步骤S104，在满足了物理域中设置的规则后，我们进一步确定当前数据是否满足在信号域中的条件，计算当前数据与虚拟点在信号域中的欧式距离，即计算两者RSSI数据向量的距离值，执行步骤S105；

在步骤S105，首先设置了信号域的阈值参数，将得到信号域的距离值与该阈值进行比较，当该距离值不小于阈值时，即说明当前数据在信号域中与当前虚拟点的相似度较低，则执行步骤S106；否则，执行S107；

在步骤S106，当前虚拟点成为新的参考点，即作为已优化的指纹数据加入到离线指纹库中，当前数据成为新的基点以及虚拟点；

在步骤S107，重新计算当前虚拟点的值，即计算从当前数据到当前基点间所有数据在物理域以及信号域中的均值；

在步骤S108，判断当前数据是否为最后一条数据，若当前数据是最后一条数据，则程序结束；若不是最后一条数据，则执行步骤S109；

在步骤S109，移动到下一条初始的指纹数据，对其执行S101；

通过这种方式，从大量初始的指纹数据f中提炼出更具有代表性的指纹数据F，形成最终的指纹库，至此，本发明通过使用UWB设备和具有WiFi无线网卡的移动设备快速采集到距离信息以及RSSI数据向量，进行异源数据融合后，在经过对指纹数据的优化过程，快速建立了一个数据完整且真实的离线WiFi指纹库；

步骤5、定位时，对在线扫描到的RSSI数据向量进行在线双域限制定位，具体为：

步骤51、对实时扫描到的RSSI数据向量，选出离线指纹库中与其距离值小于阈值的指纹数据；

步骤52、对选出来的指纹数据，使用Mean shift算法聚类，Mean shift聚类算法的优点是不需要预先设定簇的个数以及簇的形状，因此它十分适合处理任意形状和数量的数据，它通过下列公式进行迭代更新：

其中K(x_i-x)是核函数，N_x为x的邻域，m(x_i)-x_i的值即为均值漂移；

步骤53、在用Mean shift聚类算法得到分好的簇之后，选取簇群中簇内数目最多的簇，假设该簇内共有k条指纹数据，那么k条指纹数据的均值即为最终的定位结果。关于计算最终的坐标公式具体如下所示：

(x,y)即为最终的定位结果。通过以上步骤，利用Mean shift聚类算法减少了噪声点对定位结果的影响，提高了系统的定位精度。

Claims (5)

1.一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，其特征在于，包括：

步骤1、离线准备时，在待定位区域布置UWB基站和WiFi无线接入点；

步骤2、采集人员在待定位区域内走动，按照固定频率收集数据，该数据包含UWB测距信息d、从WiFi无线接入点获取的RSSI数据向量r，其中，r＝{rss₁,...,rss_i,t}；

步骤3、对来自不同设备的RSSI数据向量r与UWB测距信息d进行异源数据融合，形成初始的WiFi指纹数据f，其中，每条指纹数据f＝{rss₁,rss₂,...,rss_i,x,y,t}；

步骤4、对上述的初始WiFi指纹数据进行自动优化，形成最终的离线指纹库，最终的WiFi指纹数据F＝{rss′₁,rss′₂,...,rss′_i,x′,y′}；

步骤5、定位时，对在线扫描的RSSI数据向量进行在线双域限制定位，匹配离线指纹库中的指纹数据，得到最终的定位结果(x,y)。

2.根据权利要求1所述的一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，其特征是：在步骤2中,采集人员同时携带包含WiFi无线网卡的移动设备以及UWB标签，移动设备从WiFi无线接入点处获得RSSI数据向量，同时，UWB标签与基站进行UWB通信测得两者间的距离。

3.根据权利要求1所述的一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，所述步骤3中的异源数据融合，其特征是，使用三边近似定位方法得到UWB标签的坐标c后，其中,c＝{x,y,t_c}，基于时间戳匹配的方法，对采集到的每条RSSI值，匹配与其对应的坐标数据。将每条RSSI数据向量r中的t转换成数值后，与每条坐标数据c_j对应的时间戳数值t_cj计算距离值，如下：

D_j＝|t_i-t_cj|(j＝1,2,...,m)

其中，D_j为第j条坐标数据对应的t_cj与第i条RSSI数据向量中t_i的距离值，m为坐标数据的总数量，于是从m个距离值中选取最小值，得到该最小距离值对应的时间戳t_c，使该条坐标数据与该条RSSI数据向量共同组成一条指纹数据f。

4.根据权利要求1所述的一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，所述步骤4中的指纹自动优化，其特征是，分别在物理域以及信号域中设置不同的条件，将相似度高的初始指纹数据聚类成簇，进而得到优化的指纹数据F。首先判断初始的指纹数据f是否满足物理域中设置的条件，即与物理域区间参数比较，当该指纹数据f与当前簇的相似度较高时，该指纹数据f成为该簇的一部分；当得到该指纹数据f与当前簇的相似度较低时，该簇作为优化的指纹数据F加入到离线指纹库中；在满足物理域中的条件后，进一步判断该指纹数据f是否满足信号域中设置的条件，即与信号阈值比较，当该指纹数据f与当前簇的相似度较高时，该指纹数据f成为该簇的一部分；当得到该指纹数据f与当前簇的相似度较低时，该簇作为优化的指纹数据F加入到离线指纹库中。

5.根据权利要求1中所述的一种基于UWB技术的离线WiFi指纹库快速构建及定位方法，所述步骤5中的在线双域限制定位，其特征是：选取离线指纹库中与在线扫描到的RSSI数据向量距离值小于阈值的指纹数据，对其使用Mean shift算法进行聚类，Mean shift算法通过下列公式迭代更新：

其中K(x_i-x)为核函数，N_x为x的邻域，m(x_i)-x_i的值即为均值漂移。

聚类完后，由簇内指纹数据数量最多的簇得到最终的定位结果。

Images