CN112367614A - 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 - Google Patents
一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 Download PDFInfo
- Publication number
- CN112367614A CN112367614A CN202011162522.3A CN202011162522A CN112367614A CN 112367614 A CN112367614 A CN 112367614A CN 202011162522 A CN202011162522 A CN 202011162522A CN 112367614 A CN112367614 A CN 112367614A
- Authority
- CN
- China
- Prior art keywords
- positioning
- coordinate
- fingerprint
- geomagnetic field
- information
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- H04W4/029—Location-based management or tracking services
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于LSTM的Wi‑Fi与地磁场融合的室内定位算法。该室内定位算法包括:模型训练阶段在定位区域中选定坐标原点,建立坐标系,并以特定间距绘制网格;在每个网格点上收集Wi‑Fi信息和地磁场信息,建立基于网格点的指纹库;基于网格点的指纹库经过插值后,利用行人轨迹模拟算法生成基于行人轨迹的指纹库,并用作训练数据,训练基于LSTM的定位模型;在定位阶段实时收集Wi‑Fi和地磁场信息,根据滑动窗口的方式利用最新的数据构建行人轨迹指纹,输入到定位模型中;定位模型输出的坐标即为估计位置。本发明融合了Wi‑Fi和地磁场作为指纹信息,同时充分利用历史状态的指纹信息,有效提升定位速度和准确性。
Description
技术领域
本发明涉及一种室内定位算法,属于室内定位技术领域,尤其是涉及一种基于LSTM 的Wi-Fi和地磁场融合的室内定位算法。
技术背景
在实际生活中,许多基于位置服务均需要应用到室内定位。商业应用方面,位置服务可以记录顾客行动轨迹、停留时间等以挖掘用户的消费习惯,实现基于位置的广告推送等;记录不同地区顾客出现的累加情况,用于确定热点购物区域等。在生活方面,位置服务可以用于大型商场及展厅的导航。在医疗医用方面,位置服务可以用于电子导医及病患定位,以及紧急救援的应急应需等。
在各种室内场合中Wi-Fi接入点无处不在,利用Wi-Fi进行室内定位也一直都是研究热点。其中,利用Wi-Fi定位系统大致可以分为两类:传播模型定位法和指纹定位法。利用信号传播模型的定位算法的原理是测量节点接收到的来自各个接入点的信号强度,然后利用信号传播衰减模型计算节点到各个AP的距离,最后再用三边测量法计算节点位置。这种方法消耗的费用少,但在获取位置信息时需要得到Wi-Fi位置点的信息,在复杂场景下显然不是一件容易的事,并且Wi-Fi信号在传播过程中严重受到多径效应、信号衰减和延迟失真等因素的影响而导致定位误差过大,定位精度过低;相比传播模型定位算法,指纹定位算法更受欢迎,利用主流的RADAR系统指纹算法定位精度取得了平均3-5米的水平。
利用地磁场作为位置指纹进行定位的技术最开始是应用在机器人的自定位,芬兰奥卢大学的Haverinen等人提出了一种利用粒子滤波算法融合地磁场进行定位的方法能够实现机器人和人员的定位,但该方法要求较高,必须保证终端的朝向和人的朝向一致,当使用智能手机进行行人定位时,会对用户造成很大的困扰。
Chung等人设计了一个特殊的终端设备,可以实现精度为4.7米的定位,但是它在采集位置点指纹时,需要依次旋转360度来收集所有朝上的磁场强度读数,这使得指纹采集阶段的工作量大大增加。智能手机的普及和快速发展,采用手机作为定位终端来进行室内定位研究工作近些年也取得了很多成果。Subbu等人在深入研究室内不同结构的磁场模型的基础上,提出了LocateMe室内定位系统,能够粗略的计算出用户的位置。 Bilke等人提出了一种平均精度4米的地磁定位系统,但是它在采集每个位置点的磁场读数时,也需要进行360度的旋转获取现有的利用Wi-Fi或者地磁场的室内定位算法仍然存在一些缺点:
1)Wi-Fi信号容易受到干扰引起定位精度的波动;
2)地磁信号的特征维度太小,在全局空间缺乏唯一性,导致定位算法收敛慢;
3)无论是Wi-Fi或者地磁,不同维度的特征对定位结果的影响程度不一样,而在位置估计的过程中却没有考虑不同维度的特征的权重;
4)每次进行位置估计时,只利用当前时刻收集的信号。
发明内容
针对现有技术存在的以上问题,本发明的目的是提供一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,利用Wi-Fi和地磁场两种信息的融合构建指纹信息,使用 LSTM模型训练各个维度的特征的权重,以及充分利用历史状态的指纹信息,解决上述问题对定位性能的影响,为用户提供更准确有效的定位服务。
本发明所采取的技术方案如下:
一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,包括如下步骤:
1)模型建立阶段,在定位区域中选定坐标原点,以正北方向作为y轴正向,以正东作为x轴正向建立坐标系,然后以特定的间隔绘制网格;
2)在每个网格点上收集Wi-Fi信息和地磁场信息,建立基于网格点的指纹库;
3)基于网格点的指纹库经过插值后,利用行人轨迹模拟算法生成基于行人轨迹的指纹库;
4)把基于行人轨迹的指纹库用作训练数据,训练基于LSTM的定位模型;
5)在定位过程中,实时收集Wi-Fi和地磁场信息,根据滑动窗口的方式利用最新的数据构建行人轨迹指纹,输入到定位模型中,模型输出的坐标即为估计位置。
进一步地,步骤1)具体为:
在定位区域内设定原点坐标,以定位区域的最西南方向的点作为原点(x0,y0),在该区域内建立坐标系,坐标系的x轴正向为正东方向,坐标系的y轴正向为正北方向;在定位区域内绘制n*m的网格,每个网格点的坐标形如(xi,yj),表示x轴第i条线与y轴第j 条线相交处的网格点坐标。
进一步地,步骤2)具体为:
1)采集者使用智能手机在定位区域的每个坐标点上采集Wi-Fi和地磁场:
①Wi-Fi信号采集
假设定位区域有n个Wi-Fi接入点,那么以坐标点(xi,yj)为例,采集到的Wi-Fi信号的向量为:
Ri,j=(RSSI1,RSSI2,...,RSSIk,...,RSSIn);
其中分量RSSIk表示在该坐标采集到的第k个Wi-Fi接入点的接收信号强度。
②地磁场信号采集
在定位区域内每个坐标点上,需要采集如下格式的地磁场向量:
Mi,j=(mx,my,mz);
其中,Mi,j表示坐标点(xi,yj)上的地磁场向量,mx,my和mz分别是该向量在定位区域的坐标系的x,y和z轴上的分量。
由于智能手机采集地磁场信息时是以手机自身的坐标系作为参考系,那么智能手机在坐标点(xi,yj)上的地磁场向量的读数为:
Mi,j=(mx,my,mz);
其中mx′,my′和mz′分别是地磁场向量在手机的三个坐标轴上的分量。又由于手机自身的坐标系是随着手机的姿态的变化而变化的,所以每次测量的地磁场向量必须从手机的坐标系转换到定位区域的坐标系上。
智能手机的旋转矢量传感提供了用于表示手机姿态的参数,分别是俯仰角α,翻滚角β和航向角θ。从手机坐标系转换到定位区域的坐标系的转换矩阵可表示为:
那么以坐标点(xi,yj)为例,地磁向量从手机坐标系转换到定位区域的坐标系的转换公式可以表示为:
Mi,j=Mi,jT;
2)构建基于网格点的指纹库
在定位区域内所有坐标点上采集完Wi-Fi和地磁场信息后,即可构建基于网格点指纹库:
1)数据插值
为了提高定位精度,构建指纹库后需要进行数据插值。假设原来在定位区域以1m的间距绘制了n*m的网格,现在需要扩展为10n*10m的网格,即网格的间距为0.1m。原本的坐标(xi,yj)则变为(x10i,y10j)。对于每个新增的网格点,其上的指纹信息需要依靠原有的坐标点上的数据进行插值后得到。具体来说,对于某个新增的网格点(xs,yt), s≠10i,0≤i≤n,t≠10j,0≤j≤m,该坐标点需要通过插值得到的数据包括Wi-Fi 信息Rs,t和地磁场信息Ms,t的每个维度。以Rs,t的第一个维度为例,根据反距离插值法的原理可得以下公式:
其中ds,t,i,j表示坐标(xs,yt)与坐标(x10i,y10j)之间的欧式距离,即:
对于Rs,t的其他维度以及Ms,t的每个维度,也依次进行相同的计算,即可得到坐标的 (xs,yt)的指纹信息。
2)构建基于行人轨迹的指纹库
由于采集的指纹库是基于网格点的,而训练基于LSTM的定位模型,需要基于行人轨迹的指纹作为训练数据。利用行人轨迹模拟算法和基于网格点的指纹库可生成基于行人轨迹的指纹:
①在定位区域内随机选取一个坐标点(xi,yj)作为起始点,记为(x,y);基于行人轨迹的指纹fT初始化为初始化为空序列;
②在(0,2π)范围内随机选取一个角度θ作为前进方向;
③在(dmin,dmax)的范围内随机选取一个长度d作为前进距离;
④根据选定的前进方向θ和前进距离d,计算下一个位置的坐标并记为(x′,y′);如果轨迹穿过了障碍物或者超出了定位区域,则跳到步骤②
⑤把坐标(x,y)上的指纹记为fP,并添加到fT中,将(x′,y′)的坐标作为下一轮的(x,y);如果长度小于指定轨迹长度l,则跳到步骤②
⑥将fT放进基于行人轨迹的指纹库FT中,若FT中的指纹数量未达到预期值mFT,则跳到步骤①
进一步地,步骤4)具体为:
LSTM包含三个控制机制,分别为遗忘门、输入门和输出门。遗忘门决定需要丢弃遗忘的过去状态的信息,即不引入到当前状态的信息;输入门决定需要更新到当前记忆单元的新信息;输出门则是确定最终的输出内容。训练的步骤如下:
1)遗忘门的计算
ft=σ(Wf[ht-1,xt]+bf);
其中,σ代表sigmoid激活函数,输出范围为(0,1),ht-1为上一时刻LSTM模型的输出,Wf为遗忘门权重,Wf由ht-1的权重和当前输入信息xt的权重构成,bf为遗忘门的偏置。
2)输入门的计算
it=σ(Wi[ht-1,xt]+bi);
使用tanh激活函数构建新的候选向量:
更新记忆单元:
其中,Wi为输入门的权重,bi为输入门的偏置;
3)输出门计算
Ot=σ(Wo[ht-1,xt]+bo);
使用tanh激活函数控制记忆单元,得到LSTM模型在t时刻的输出:
ht=ot⊙tanh(Ct);
其中,Wo为输出门的权重,bo为输出门的偏置。
进一步地,步骤5)具体为:
在定位过程中,实时收集Wi-Fi和地磁场信息,根据滑动窗口的方式将最新的数据构建成行人轨迹指纹。假设当前时刻为,则此时构建的行人轨迹指纹为:
借由上述技术方案,本发明具有如下优点和有益技术效果:
1)本发明公开的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,使用Wi-Fi 和地磁场两种信号进行融合,很好地解决了Wi-Fi信号容易受到干扰而引起定位结果波动的问题,以及地磁场信号由于特征维度不足导致的算法收敛慢问题,有效提高定位结果的准确性和稳定性。
2)本发明公开的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,使用基于 LSTM的模型训练Wi-Fi信息和地磁信息各个维度的特征的权重,使得对定位结果正向影响大的特征具有较高的权重,从而提高定位的精度;同时,LSTM同时利用当前状态和历史状态的特征信息,保证了定位结果的稳定性。
附图说明
图1是本发明中测试环境平面图;
图2是本发明算法流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明的实施方式不仅限于此描述,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
下面结合具体实施例和附图对本发明的技术方案进行清楚、完整的描述。
一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,包括如下步骤:
步骤1,模型建立阶段,在定位区域中选定坐标原点,以正北方向作为y轴正向,以正东作为x轴正向建立坐标系,然后以特定的间隔绘制网格;
步骤2,在每个网格点上收集Wi-Fi信息和地磁场信息,建立基于网格点的指纹库;
步骤3,基于网格点的指纹库经过插值后,利用行人轨迹模拟算法生成基于行人轨迹的指纹库;
步骤4,把基于行人轨迹的指纹库用作训练数据,训练基于LSTM的定位模型;
步骤5,在定位过程中,实时收集Wi-Fi和地磁场信息,根据滑动窗口的方式利用最新的数据构建行人轨迹指纹,输入到定位模型中,模型输出的坐标即为估计位置。
本发明提供一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,利用Wi-Fi和地磁场两种信息融合构建指纹信息,并使用LSTM模型训练各个维度的特征的权重,以及充分利用历史状态的指纹信息,为用户提供更准确有效的定位服务。
实施例1
一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,包括如下步骤:
模型训练阶段,需要选择定位区域和指纹库的构建以及定位模型的训练。测试环境为某学校院楼一实验室,宽为7m,长为26m,测试环境平面图如图1所示,本实施例测试采用小米5s手机完成数据采集的工作;具体步骤如下:
步骤1):在定位区域内设定原点坐标,以定位区域的最西南方向的点作为原点(0,0),在该区域内建立坐标系,坐标系的x轴正向为正东方向,坐标系的y轴正向为正北方向;在定位区域内以间距1m绘制7*26的网格,每个网格点的坐标形如(xi,yj),表示x轴第i 条线与y轴第j条线相交处的网格点坐标,其中0≤i≤7,0≤j≤26。
步骤2):在构建指纹库前,采集者使用智能手机在定位区域的每个坐标点上采集Wi-Fi和地磁场:
①Wi-Fi信号采集
本实施例定位区域有18个Wi-Fi接入点,那么以坐标点(xi,yj)为例,采集到的Wi-Fi 信号的向量为:
Ri,j=(RSSI1,RSSI2,...,RSSIk,...,RSSI18);
其中分量RSSIk表示在该坐标采集到的第k个Wi-Fi接入点的接收信号强度。
②地磁场信号采集
在定位区域内每个坐标点上,需要采集如下格式的地磁场向量:
Mi,j=(mx,my,mz);
其中,Mi,j表示坐标点(xi,yj)上的地磁场向量,mx,my和mz分别是该向量在定位区域的坐标系的x,y和z轴上的分量。
由于智能手机采集地磁场信息时是以手机自身的坐标系作为参考系,那么智能手机在坐标点(xi,yj)上的地磁场向量的读数为:
M′i,j=(mx′,my′,mz′);
其中mx′,my′和mz′分别是地磁场向量在手机的三个坐标轴上的分量。又由于手机自身的坐标系是随着手机的姿态的变化而变化的,所以每次测量的地磁场向量必须从手机的坐标系转换到定位区域的坐标系上。
智能手机的旋转矢量传感提供了用于表示手机姿态的参数,分别是俯仰角α,翻滚角β和航向角θ。从手机坐标系转换到定位区域的坐标系的转换矩阵可表示为:
那么以坐标点(xi,yj)为例,地磁向量从手机坐标系转换到定位区域的坐标系的转换公式可以表示为:
Mi,j=M′i,jT;
③构建基于网格点的指纹库
在定位区域内所有坐标点上采集完Wi-Fi和地磁场信息后,即可构建基于网格点指纹库:
步骤3):为了提高定位精度,构建指纹库后需要进行数据插值。原来在定位区域以1m的间距绘制了7*26的网格,现在需要扩展为70*260的网格,即网格的间距为0.1m。原本的坐标(xi,yj)则变为(x10i,y10j)。对于每个新增的网格点,其上的指纹信息需要依靠原有的坐标点上的数据进行插值后得到。具体来说,对于某个新增的网格点(xs,yt), s≠10i,0≤i≤7,t≠10j,0≤j≤26,该坐标点需要通过插值得到的数据包括Wi-Fi 信息Rs,t和地磁场信息Ms,t的每个维度。以Rs,t的第一个维度为例,根据反距离插值法的原理可得以下公式:
其中ds,t,i,j表示坐标(xs,yt)与坐标(x10i,y10j)之间的欧式距离,即:
对于Rs,t的其他维度以及Ms,t的每个维度,也依次进行相同的计算,即可得到坐标的 (xs,yt)的指纹信息。
由于采集的指纹库是基于网格点的,而训练基于LSTM的定位模型,需要基于行人轨迹的指纹作为训练数据。利用行人轨迹模拟算法和基于网格点的指纹库可生成基于行人轨迹的指纹:
①在定位区域内随机选取一个坐标点(xi,yj)作为起始点,记为(x,y);基于行人轨迹的指纹fT初始化为初始化为空序列;
②在(0,2π)范围内随机选取一个角度θ作为前进方向;
③在(0.2,0.7)的范围内随机选取一个长度d作为前进距离;
④根据选定的前进方向θ和前进距离d,计算下一个位置的坐标并记为(x′,y′);如果轨迹穿过了障碍物或者超出了定位区域,则跳到步骤②
⑤把坐标(x,y)上的指纹记为fP,并添加到fT中,将(x′,y′)的坐标作为下一轮的(x,y);如果fT长度小于指定轨迹长度5,则跳到步骤②
⑥将fT放进基于行人轨迹的指纹库FT中,若FT中的指纹数量未达到预期值20000,则跳到步骤①
步骤4):LSTM包含三个控制机制,分别为遗忘门、输入门和输出门。遗忘门决定需要丢弃遗忘的过去状态的信息,即不引入到当前状态的信息;输入门决定需要更新到当前记忆单元的新信息;输出门则是确定最终的输出内容。训练的步骤如下:
1)遗忘门的计算
ft=σ(Wf[ht-1,xt]+bf);
其中,σ代表sigmoid激活函数,输出范围为(0,1),ht-1为上一时刻LSTM模型的输出,Wf为遗忘门权重,Wf由ht-1的权重和当前输入信息xt的权重构成,bf为遗忘门的偏置。
2)输入门的计算
it=σ(Wi[ht-1,xt]+bi);
使用tanh激活函数构建新的候选向量:
更新记忆单元:
其中,Wi为输入门的权重,bi为输入门的偏置;
3)输出门计算
Ot=σ(Wo[ht-1,xt]+bo);
使用tanh激活函数控制记忆单元,得到LSTM模型在t时刻的输出:
ht=ot⊙tanh(Ct);
其中,Wo为输出门的权重,bo为输出门的偏置。
除此之外,训练LSTM模型还需要配置训练参数,本实施例中,LSTM的参数配置如下表1所示:
表1实施例中的LSTM的参数配置
LSTM参数 | 值 |
训练数据占比 | 0.75 |
迭代次数 | 100 |
批大小 | 5 |
隐藏节点数 | 128 |
优化器 | Adam |
损失函数 | MSE |
丢弃率 | 0.2 |
定位阶段:
步骤5)具体为:
在定位过程中,实时收集Wi-Fi和地磁场信息,根据滑动窗口的方式将最新的数据构建成行人轨迹指纹。假设当前时刻为,则此时构建的行人轨迹指纹为:
本实施例除了使用本发明的算法进行定位之外,还将相同的数据用于基于KNN的Wi-Fi定位和基于KNN的地磁定位这两种常见的定位算法中,三种定位算法的定位结果对比如下表2所示:
表2三种定位算法的定位结果对比
算法名称 | 最大误差(m) | 最小误差(m) | 平均定位误差(m) |
基于KNN的Wi-Fi指纹定位 | 8.13 | 0.68 | 2.93 |
基于KNN的地磁场指纹定位 | 9.65 | 0.43 | 2.62 |
本发明算法 | 3.24 | 0.14 | 1.27 |
由表2可知,本发明的定位结果更准确,且定位稳定性更好。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法,其特征在于,包括如下步骤:
1)模型建立阶段,在定位区域中选定坐标原点,以正北方向作为y轴正向,以正东作为x轴正向建立坐标系,然后以特定的间隔绘制网格;
2)在每个网格点上收集Wi-Fi信息和地磁场信息,建立基于网格点的指纹库;
3)基于网格点的指纹库经过插值后,利用行人轨迹模拟算法生成基于行人轨迹的指纹库;
4)把基于行人轨迹的指纹库用作训练数据,训练基于LSTM的定位模型;
5)在定位过程中,实时收集Wi-Fi和地磁场信息,根据滑动窗口的方式利用最新的数据构建行人轨迹指纹,输入到定位模型中,模型输出的坐标即为估计位置。
2.如权利要求1所述的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,其特征在于,步骤1)具体为:
在定位区域内设定原点坐标,以定位区域的最西南方向的点作为原点(x0,y0),在该区域内建立坐标系,坐标系的x轴正向为正东方向,坐标系的y轴正向为正北方向;在定位区域内绘制n*m的网格,每个网格点的坐标形如(xi,yj),表示x轴第i条线与y轴第j条线相交处的网格点坐标。
3.如权利要求1所述的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,其特征在于,步骤2)具体为:
1)采集者使用智能手机在定位区域的每个坐标点上采集Wi-Fi和地磁场:
①Wi-Fi信号采集
假设定位区域有n个Wi-Fi接入点,那么以坐标点(xi,yj)为例,采集到的Wi-Fi信号的向量为:
Ri,j=(RSSI1,RSSI2,...,RSSIk,...,RSSIn);
其中分量RSSIk表示在该坐标采集到的第k个Wi-Fi接入点的接收信号强度;
②地磁场信号采集
在定位区域内每个坐标点上,需要采集如下格式的地磁场向量:
Mi,j=(mx,my,mz);
其中,Mi,j表示坐标点(xi,yj)上的地磁场向量,mx,my和mz分别是该向量在定位区域的坐标系的x,y和z轴上的分量;
由于智能手机采集地磁场信息时是以手机自身的坐标系作为参考系,那么智能手机在坐标点(xi,yj)上的地磁场向量的读数为:
M’i,j=(mx’,my’,mz’);
其中,mx’,my’和mz’分别是地磁场向量在手机的三个坐标轴上的分量;又由于手机自身的坐标系是随着手机的姿态的变化而变化的,所以每次测量的地磁场向量必须从手机的坐标系转换到定位区域的坐标系上;
智能手机的旋转矢量传感提供了用于表示手机姿态的参数,分别是俯仰角α,翻滚角β和航向角θ°;从手机坐标系转换到定位区域的坐标系的转换矩阵可表示为:
那么以坐标点(xi,yj)为例,地磁向量从手机坐标系转换到定位区域的坐标系的转换公式可以表示为:
Mi,j=M’i,jT;
2)构建基于网格点的指纹库
在定位区域内所有坐标点上采集完Wi-Fi和地磁场信息后,即可构建基于网格点指纹库:
4.如权利要求1所述的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,其特征在于,步骤3)具体为:
1)数据插值
为了提高定位精度,构建指纹库后需要进行数据插值;假设原来在定位区域以1m的间距绘制了n*m的网格,现在需要扩展为10n*10m的网格,即网格的间距为0.1m;原本的坐标(xi,yj)则变为(x10i,y10j);
对于每个新增的网格点,其上的指纹信息需要依靠原有的坐标点上的数据进行插值后得到;
具体来说,对于某个新增的网格点(xs,yt),s≠10i,0≤i≤n,t≠10j,0≤j≤m,该坐标点需要通过插值得到的数据包括Wi-Fi信息Rs,t和地磁场信息Ms,t的每个维度;
以Rs,t的第一个维度为例,根据反距离插值法的原理可得以下公式:
其中ds,t,i,j表示坐标(xs,yt)与坐标(x10i,y10j)之间的欧式距离,即:
对于Rs,t的其他维度以及Ms,t的每个维度,也依次进行相同的计算,即可得到坐标的(xs,yt)的指纹信息;
2)构建基于行人轨迹的指纹库
由于采集的指纹库是基于网格点的,而训练基于LSTM的定位模型,需要基于行人轨迹的指纹作为训练数据;利用行人轨迹模拟算法和基于网格点的指纹库可生成基于行人轨迹的指纹:
①在定位区域内随机选取一个坐标点(xi,yj)作为起始点,记为(x,y);基于行人轨迹的指纹fT初始化为初始化为空序列;
②在(0,2π)范围内随机选取一个角度θ作为前进方向;
③在(dmin,dmax)的范围内随机选取一个长度d作为前进距离;
④根据选定的前进方向θ和前进距离d,计算下一个位置的坐标并记为(x’,y’);如果轨迹穿过了障碍物或者超出了定位区域,则跳到步骤②;
⑤把坐标(x,y)上的指纹记为fP,并添加到fT中,将(x’,y’)的坐标作为下一轮的(x,y);如果fT长度小于指定轨迹长度l,则跳到步骤②;
5.如权利要求1所述的基于LSTM的Wi-Fi与地磁场融合的室内定位算法,其特征在于,步骤4)具体为:
LSTM包含三个控制机制,分别为遗忘门、输入门和输出门;遗忘门决定需要丢弃遗忘的过去状态的信息,即不引入到当前状态的信息;输入门决定需要更新到当前记忆单元的新信息;输出门则是确定最终的输出内容;
训练的步骤如下:
1)遗忘门的计算
ft=σ(Wf[ht-1,xt]+bf);
其中,σ代表sigmoid激活函数,输出范围为(0,1),ht-1为上一时刻LSTM模型的输出,Wf为遗忘门权重,Wf由ht-1的权重和当前输入信息xt的权重构成,bf为遗忘门的偏置;
2)输入门的计算
it=σ(Wi[ht-1,xt]+bi);
使用tanh激活函数构建新的候选向量:
更新记忆单元:
其中,Wi为输入门的权重,bi为输入门的偏置;
3)输出门计算
Ot=σ(Wo[ht-1,xt]+bo);
使用tanh激活函数控制记忆单元,得到LSTM模型在t时刻的输出:
ht=ot⊙tanh(Ct);
其中,Wo为输出门的权重,bo为输出门的偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162522.3A CN112367614B (zh) | 2020-10-27 | 2020-10-27 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162522.3A CN112367614B (zh) | 2020-10-27 | 2020-10-27 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112367614A true CN112367614A (zh) | 2021-02-12 |
CN112367614B CN112367614B (zh) | 2022-10-21 |
Family
ID=74510636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011162522.3A Active CN112367614B (zh) | 2020-10-27 | 2020-10-27 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112367614B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
CN114449452A (zh) * | 2021-12-29 | 2022-05-06 | 华南师范大学 | 一种异构设备室内定位算法 |
CN114636430A (zh) * | 2022-03-16 | 2022-06-17 | 济南大学 | 基于插值法的高精度磁导航传感器及定位方法 |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN117760414A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 一种基于手机pdr的面状磁场指纹库快速构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108668245A (zh) * | 2018-04-13 | 2018-10-16 | 哈尔滨工业大学 | 一种基于WiFi与地磁场数据库的室内定位方法 |
CN109781094A (zh) * | 2018-12-24 | 2019-05-21 | 上海交通大学 | 基于循环神经网络的地磁定位系统 |
JP2019212291A (ja) * | 2018-06-07 | 2019-12-12 | 光禾感知科技股▲ふん▼有限公司Osense Technology Co., Ltd. | コンピュータビジョンと結合される地磁気信号に基づいた室内位置決めシステム及び方法 |
-
2020
- 2020-10-27 CN CN202011162522.3A patent/CN112367614B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108668245A (zh) * | 2018-04-13 | 2018-10-16 | 哈尔滨工业大学 | 一种基于WiFi与地磁场数据库的室内定位方法 |
JP2019212291A (ja) * | 2018-06-07 | 2019-12-12 | 光禾感知科技股▲ふん▼有限公司Osense Technology Co., Ltd. | コンピュータビジョンと結合される地磁気信号に基づいた室内位置決めシステム及び方法 |
CN109781094A (zh) * | 2018-12-24 | 2019-05-21 | 上海交通大学 | 基于循环神经网络的地磁定位系统 |
Non-Patent Citations (2)
Title |
---|
ZHENGHANG ZHONG: "XJTLUIndoorLoc: A New Fingerprinting Database for Indoor Localization and Trajectory Estimation Based on Wi-Fi RSS and Geomagnetic Field", 《IEEE》 * |
宋世铭等: "一种基于改进粒子滤波算法的室内融合定位方法", 《导航定位学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113720333A (zh) * | 2021-08-16 | 2021-11-30 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
CN113720333B (zh) * | 2021-08-16 | 2023-04-28 | 中山大学 | 一种基于图注意力网络的室内多点协同定位方法 |
CN114449452A (zh) * | 2021-12-29 | 2022-05-06 | 华南师范大学 | 一种异构设备室内定位算法 |
CN114636430A (zh) * | 2022-03-16 | 2022-06-17 | 济南大学 | 基于插值法的高精度磁导航传感器及定位方法 |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN115802282B (zh) * | 2022-12-16 | 2024-06-07 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN117760414A (zh) * | 2024-02-22 | 2024-03-26 | 中国科学院空天信息创新研究院 | 一种基于手机pdr的面状磁场指纹库快速构建方法 |
CN117760414B (zh) * | 2024-02-22 | 2024-05-07 | 中国科学院空天信息创新研究院 | 一种基于手机pdr的面状磁场指纹库快速构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112367614B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112367614B (zh) | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 | |
CN109298389B (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
Ullah et al. | Extended Kalman filter-based localization algorithm by edge computing in wireless sensor networks | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN102395192B (zh) | 一种无线传感终端的定位方法和装置 | |
Liu et al. | Fusing similarity-based sequence and dead reckoning for indoor positioning without training | |
CN105424030A (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
CN105263113A (zh) | 一种基于众包的WiFi位置指纹地图构建方法及其系统 | |
Du et al. | CRCLoc: A crowdsourcing-based radio map construction method for WiFi fingerprinting localization | |
CN107087256A (zh) | 一种基于WiFi室内定位的指纹聚类方法及装置 | |
CN110933599A (zh) | 一种融合uwb与wifi指纹的自适应定位方法 | |
CN105072581A (zh) | 一种基于路径衰减系数建库的室内定位方法 | |
CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
CN112533136B (zh) | 一种基于深度学习的wlan指纹定位方法 | |
Ning et al. | Outdoor location estimation using received signal strength-based fingerprinting | |
Wen et al. | An indoor localization and tracking system using successive weighted RSS projection | |
Hoang et al. | A hidden Markov model for indoor user tracking based on WiFi fingerprinting and step detection | |
Kwak et al. | Magnetic field based indoor localization system: A crowdsourcing approach | |
Niu et al. | WTrack: HMM-based walk pattern recognition and indoor pedestrian tracking using phone inertial sensors | |
Wang et al. | Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model | |
KR101264306B1 (ko) | 이동 모델 학습을 통한 실내 위치 추적 장치 및 이를 위한 기록매체 | |
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 | |
CN106028450B (zh) | 室内定位方法及设备 | |
KR102119196B1 (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 |
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 |