CN112399555A - 一种位置定位的方法、装置、可读存储介质和电子设备 - Google Patents
一种位置定位的方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN112399555A CN112399555A CN202011135151.XA CN202011135151A CN112399555A CN 112399555 A CN112399555 A CN 112399555A CN 202011135151 A CN202011135151 A CN 202011135151A CN 112399555 A CN112399555 A CN 112399555A
- Authority
- CN
- China
- Prior art keywords
- wireless network
- parameters
- group
- signal strength
- gaussian distribution
- 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
- 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
- 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
- G06N3/08—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
- H04W4/021—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
- H04W4/023—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种位置定位的方法、装置、可读存储介质和电子设备。本发明实施例通过接收到位置定位请求,根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。通过上述方法,由于不同的位置获取的无线网络的数量和无线网络的唯一标识不同,确定出的三维高斯分布的参数不同,而三维高斯分布可以准确的描述经度、纬度以及信号强度之间的关系,因此,根据三维高斯分布的参数以及无线网络的信号强度对位置进行定位,可以提高位置定位的精度。
Description
技术领域
本发明涉及位置定位领域,具体涉及一种位置定位的方法、装置、可读存储介质和电子设备。
背景技术
随着智能手机和移动互联网的快速发展,基于位置的服务越来越多。实时位置定位已经成为交通、商业以及个性服务的基本技术,例如,用户通过智能手机内的打车软件进行打车时,需要定位自身的位置。在室外信号较好以及定位系统开启的情况下,可以快准确的定位到用户的位置,但是在室内信号较差或者定位系统未开启的情况下,无法准确的定位到用户的位置。如何在室内信号较差或者定位系统未开启的情况下准确的定位到用户的位置,是目前需要解决的问题。
现有技术中,采用Wi-Fi位置指纹法进行位置定位,所述Wi-Fi位置指纹法是一种常用的室内定位方法,可以利用现有的无线局域网基础设施,且通过智能手机即可实现定位,无需用户增加额外设备;现有的Wi-Fi位置指纹法包括离线指纹采集及在线定位两步;离线指纹采集的目的在于构建室内区域的Wi-Fi位置指纹数据库,在离线采集阶段,需要在每个采集点采集一段时间的数据,以提高位置指纹数据库的质量;而在线定位阶段,通过用户实时获取的Wi-Fi信号强度信息,利用定位算法将其与Wi-Fi位置指纹数据库中的信息进行匹配比较,从而估计用户的位置。在离线采集阶段,需要大量的采集点样本,数据采集的工作量较大,特别是对于大范围的室内区域,位置指纹样本的采集工作需要耗费大量的人力物力;并且在采集样本点时,将地图进行网格划分,并将同一个网格中的多个位置确定为同一位置,定位的精度较差。
发明内容
有鉴于此,本发明实施例提供了一种位置定位的方法、装置、可读存储介质和电子设备,提高了位置定位的精度。
第一方面,本发明实施例提供了一种位置定位的方法,该方法包括:接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
优选地,所述根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,具体包括:根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
优选地,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
优选地,所述以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息,具体包括:以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
优选地,所述位置定位模型包括深度神经网络DNN位置定位模型。
优选地,所述位置定位模型的训练过程包括:获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
优选地,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
第二方面,本发明实施例提供了一种位置定位的装置,该装置包括:接收单元,用于接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;第一确定单元,用于根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;第二确定单元,用于以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
优选地,所述第一确定单元具体用于:根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
优选地,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
优选地,所述第二确定单元具体用于:以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
优选地,所述位置定位模型包括深度神经网络DNN位置定位模型。
优选地,该装置还包括训练单元,具体用于:获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
优选地,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能中任一项所述的方法。
第四方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面或第一方面任一种可能中任一项所述的方法。
本发明实施例通过接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。通过上述方法,由于不同的位置获取的无线网络的数量和无线网络的唯一标识不同,确定出的三维高斯分布的参数不同,而三维高斯分布可以准确的描述经度、纬度以及信号强度之间的关系,因此,根据三维高斯分布的参数以及无线网络的信号强度对位置进行定位,可以提高位置定位的精度。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是现有技术地图示意图;
图2是本发明实施例的一种位置定位的方法流程图;
图3是本发明实施例的一种用户终端界面示意图;
图4是本发明实施例的一种位置定位模型的训练方法流程图;
图5是本发明实施例的一种位置定位的装置示意图;
图6是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述,但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
用户设备在需要获取位置定位的情况下,可以采用全球定位系统(GlobalPositioning System,GPS)或者全球卫星导航系统(Global Navigation SatelliteSystem,GNSS)对用户的位置进行定位,但上述定位方式适用于在室外信号较好以及定位系统开启的情况下,可以快准确的定位到用户的位置;但是会存在室内信号较差或者定位系统未开启的情况下,无法根据GPS或者GNSS准确的定位到用户的位置。因此,如何在室内信号较差或者定位系统未开启的情况下准确的定位到用户的位置,是目前需要解决的问题。通常在现有技术中,采用Wi-Fi位置指纹法进行位置定位,所述Wi-Fi位置指纹法是一种常用的室内定位方法,可以利用现有的无线局域网基础设施,且通过智能手机即可实现定位,无需用户增加额外设备;现有的Wi-Fi位置指纹法包括离线指纹采集及在线定位两步;离线指纹采集的目的在于构建室内区域的Wi-Fi位置指纹数据库,在离线采集阶段,需要在每个采集点采集一段时间的数据,以提高位置指纹数据库的质量;具体的,用户设备采集到的数据包括描GPS/GNSS位置,当前的指纹信息,指纹信息可以包括用户设备扫描到的无线访问接入点(Wireless Access Point,AP)的唯一标识或者Wi-Fi的唯一标识,以及扫描到的信号强度;而在线定位阶段,通过用户实时获取的Wi-Fi信号强度信息,利用定位算法将其与Wi-Fi位置指纹数据库中的信息进行匹配比较,从而估计用户的位置。在离线采集阶段,需要大量的采集点样本,数据采集的工作量较大,特别是对于大范围的室内区域,位置指纹样本的采集工作需要耗费大量的人力物力;并且在采集样本点时,将地图进行网格划分,如图1所示,将地图划分为多个网格,每个网格为10米×10米的大小,将信号强度在一定范围内数据划分在同一个网格中,并将同一个网格中的多个位置确定为同一位置坐标表示,例如,网格2中多个位置发出定位请求,经过查询后,都输出相同的位置坐标,定位的精度较差。
本发明实施例提出了一种位置定位的方法,根据不同的位置获取的无线网络的数量和无线网络的唯一标识不同,确定出的三维高斯分布的参数不同,而三维高斯分布可以准确的描述经度、纬度以及信号强度之间的关系,因此,根据三维高斯分布的参数以及无线网络的信号强度对位置进行定位,可以提高位置定位的精度。
本发明实施例中,所述用户设备还可以称为用户终端、终端等,本发明实施例对其不做限定。
本发明实施例中,可以通过根据无线访问接入点AP的唯一标识、AP的信号强度进行处理,也可以根据Wi-Fi的唯一标识、Wi-Fi的信号强度进行处理,本发明对其不做限定,统称为无线网络进行描述。本发明实施例中,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布,具体的,在同一个地理位置上,对于每个无线网络,扫描到的信号强度受时间、环境、以及路由器功率等因素的影响,不是完全相同的,观测到的信号强度是一个随机事件,并且服从高斯分布变化的,即在同一个地理位置上(相同经度和相同纬度),观测到的同一个无线网络的信号强度是服从高斯分布的,具体的,由于信号在传播的时候功率会随距离损失,所述损失是呈高斯分布的,因此在同一个地理位置上可以观测到信号强度随着经纬度的变化是呈高斯分布的;对于固定信号强度和固定经度的位置,在纬度上(即同一经度的位置,进行横向移动)观测到相同信号强度的概率是呈高斯分布的;同理,对于固定信号强度和固定纬度的位置,在经度上(即同一纬度的位置,进行纵向移动)观测到相同信号强度的概率是呈高斯分布的;因此,经度、纬度以及信号强度三者服从一个三维高斯分布,可选的,也可以称为三维联和高斯分布;由于三维高斯分布是经度、纬度、以及信号强度之间的关系,且任一位置扫描到的无线网络的数量以及无线网络的唯一标识是不同的,因此,可以在已知无线网络的数量、无线网络的唯一标识、无线网络对应的三维高斯分布的分布参数的前提下,可以确定出位置信息。
高斯分布还可以称为正态分布,是一种概率分布;正态分布是具有两个参数均值和方差的连续型随机变量的分布,第一参数是遵从正态分布的随机变量的均值,第二个参数是此随机变量的方差,遵从正态分布的随机变量的概率规律为取均值邻近的值的概率大,而取离均值越远的值的概率越小;方差越小,分布越集中在均值附近,方差越大,分布越分散。
在一种可能的实现方式中,由于信号在空间传播是会受到障碍物的影响,因此可能需要通过多个三维高斯分布才可以还原出每个无线网络的信号强度分布。
图2是本发明施例的一种位置定位的方法流程图。如图2所示,具体包括如下步骤:
步骤S200、接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识。
具体的,所述无线网络的唯一标识可以为无线网络的名称或媒体访问控制(MediaAccess Control,MAC)地址。
举例说明,假设用户终端1在位置1处扫描/搜索到10个不同的无线网络,假设无线网络的唯一标识为无线网络的名称,10个无线网络的名称分别为无线网络1、无线网络2、无线网络3、无线网络4、无线网络5、无线网络6、无线网络7、无线网络8、无线网络9和无线网络10,每个无线网络的信号强度不同,假设信号强度包括从1至5,五个等级,其中,第一等级的信号强度最弱,第二等级的信号强度大于第一等级的信号强度,以此类推,第五等级的信号强度最强。
假设,按照信号强度从强到弱进行排序10个无线网络的顺序分别为无线网络2、无线网络4、无线网络1、无线网络3、无线网络6、无线网络8、无线网络5、无线网络7、无线网络9和无线网络10;所述无线网络2的信号强度为第五等级、无线网络4、无线网络1、和无线网络3的信号强度为第四等级、无线网络6和无线网络8的信号强度为第三等级、无线网络5和无线网络7的信号强度为第二等级、无线网络9和无线网络10的信号强度为第一等级,例如,图3所示,为用户终端界面显示的信号搜索到的无线网络的名称以及信号强度,其中,信号强度的登记通过小格表示,一个包括5个小格,其中,黑色小格为1个、表示信号强度为第一等级,黑色小格为2个,表示信号强度为第二等级,黑色小格为3个,表示信号强度为第三等级,黑色小格为4个,表示信号强度为第四等级,黑色小格为5个,表示信号强度为第五等级。
在一种可能的实现方式中,用户终端发送位置定位请求,所述位置定位请求包括10个无线网络的信号强度以及10个所述无线网络的名称,服务器接收到所述位置定位请求。
步骤S201、根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数。
在一种可能的实现方式中,根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
举例说明,针对每一个无线网络,对应至少一组三维高斯分布,每一组三维高斯分布的参数包括每一维高斯分布对应的均值和方差,即一组三维高斯分布包括3*2=6个分布参数,其中,所述均值和方差是通过期望最大化(Expectation-maximization,EM)算法进行确定的,具体的,首先随机初始化均值和方差,然后计算在所述均值和方差下的最大似然估计值,根据所述最大似然值对均值和方差进行迭代更新,直到所述EM算法收敛,确定出最终的均值和方差;信号在空间传播是会受到障碍物的影响,所述信号在受到干扰后会产生衰减,会发生绕开障碍物等现象,因此,复杂场景下的信号分布不再服从简单的高斯分布,而混合高斯分布能够拟合任意形态的分布,并且在信号强度、经度和纬度上信号都呈现单边高斯分布,因此可能需要通过多个三维高斯分布才可以还原出每个无线网络的信号强度分布,假设,需要20个三维高斯分布表示一个无线网络,则针对每一个无线网络需要获取20*6=120个分布参数,也可以称为所述每一个无线网络需要120个分布参数组成的向量进行表示。
步骤S202、以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
具体的,以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
在一种可能的实现方式中,所述衍生特征可以为每个位置的概率密度值、也可以为其他特征,本发明实施例对不做限定,具体根据实际情况确定。
举例说明,假设为10个无线网络,每个无线网络对应120个分布参数,则10个无线网络对应10*120=1200个分布参数,将所述1200个分布参数、10个无线网络对应的信号强度以及衍生特征输入到预先训练的位置定位模型确定位置信息。
在一种可能的实现方式中,假设输入到预先训练的位置定位模型的分布参数的数量是固定的,即选取的无线网络数量为固定数值,若用户终端搜索到的无线网络的数量大于固定数值,则只截取信号强度排名在前面固定数值的无线网络,假设固定数值为28,而搜到的无线网络数量为35个,则只选择所述35个无线网络中信号强度排名在前28名的无线网络;若用户终端搜索到的无线网络的数量小于固定数值,则缺失的无线网络数量对应的分布参数设置为0,假设固定数值为28,而搜到的无线网络数量为17个,则缺少的8个无线网络对应的分布参数设置为0。
在一种可能的实现方式中,所述位置定位模型包括深度神经网络(Deep NeuralNetworks,DNN)位置定位模型。
具体的,所述深度神经网络DNN是基于感知机的扩展,DNN可以理解为有很多隐藏层的神经网络;DNN也可以称为多层感知机(Multi-Layer perceptron,MLP);DNN按不同层的位置划分,DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,一般情况下,第一层是输入层,最后一层是输出层,而中间的层数是隐藏层;层与层之间是全连接的。
图4是本发明施例的一种位置定位模型的训练方法流程图。如图4所示,具体包括如下步骤:
步骤S400、获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数。
在一种可能的实现方式中,所述样本数据包括任一位置的位置信息是根据定位系统采集的,即用户终端的GPS/GNSS定位到位置信息的同时获取到该位置信息对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数。
步骤S401、将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
本发明实施例中,由于不同的位置获取的无线网络的数量和无线网络的唯一标识不同,确定出的三维高斯分布的参数不同,而三维高斯分布可以准确的描述经度、纬度以及信号强度之间的关系,因此,根据三维高斯分布的参数以及无线网络的信号强度对位置进行定位,可以提高位置定位的精度。
图5是本发明实施例的一种位置定位的装置示意图。如图5所示,本实施例的装置包括接收单元501、第一确定单元502和第二确认单元503。
其中,接收单元,用于接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;第一确定单元,用于根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;第二确定单元,用于以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
进一步地,所述第一确定单元具体用于:根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
进一步地,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
进一步地,所述第二确定单元具体用于:以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
进一步地,所述位置定位模型包括深度神经网络DNN位置定位模型。
进一步地,该装置还包括训练单元,具体用于:获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
进一步地,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
图6是本发明实施例的电子设备的示意图。在本实施例中,电子设备为服务器。应理解,还可以为其他电子设备,如树莓派。如图6所示,该电子设备:至少包括一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现:接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
进一步地,所述处理器具体用于:根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
进一步地,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
进一步地,所述处理器具体用于:以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
进一步地,所述位置定位模型包括深度神经网络DNN位置定位模型。
进一步地,所述处理器还用于:获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
进一步地,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
具体地,该电子设备包括:一个或多个处理器601以及存储器602,图6以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述位置定位方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器602中,当被一个或者多个处理器601执行时,执行上述任意方法实施例中的位置定位方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明的第十三实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (16)
1.一种位置定位的方法,其特征在于,该方法包括:
接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;
根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;
以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
2.如权利要求1所述的方法,其特征在于,所述根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,具体包括:
根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
3.如权利要求1所述的方法,其特征在于,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
4.如权利要求1所述的方法,其特征在于,所述以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息,具体包括:
以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
5.如权利要求1所述的方法,其特征在于,所述位置定位模型包括深度神经网络DNN位置定位模型。
6.如权利要求1所述的方法,其特征在于,所述位置定位模型的训练过程包括:
获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;
将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
7.如权利要求6所述的方法,其特征在于,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
8.一种位置定位的装置,其特征在于,该装置包括:
接收单元,用于接收到位置定位请求,其中,所述位置定位请求中包括至少一个无线网络的信号强度以及至少一个所述无线网络的唯一标识;
第一确定单元,用于根据至少一个所述无线网络的唯一标识,确定至少一组分布参数,其中,所述至少一组分布参数为所述无线网络对应的三维高斯分布的参数;
第二确定单元,用于以所述至少一组分布参数以及所述至少一个无线网络的信号强度作为输入,通过预先训练的位置定位模型确定位置信息。
9.如权利要求8所述的装置,其特征在于,所述第一确定单元具体用于:
根据至少一个所述无线网络的唯一标识,在数据库中进行查询,确定至少一组分布参数,其中,所述数据库包括每个所述无线网络对应至少一组三维高斯分布的参数,所述参数包括均值和方差。
10.如权利要求8所述的装置,其特征在于,所述三维高斯分布包括信号强度高斯分布、经度高斯分布以及纬度高斯分布。
11.如权利要求8所述的装置,其特征在于,所述第二确定单元具体用于:
以所述至少一组分布参数、所述至少一个无线网络的信号强度以及衍生特征作为输入,通过预先训练的位置定位模型确定位置信息,其中,所述衍生特征为根据所述至少一组分布参数以及所述至少一个无线网络的信号强度生成的特征。
12.如权利要求8所述的装置,其特征在于,所述位置定位模型包括深度神经网络DNN位置定位模型。
13.如权利要求8所述的装置,其特征在于,该装置还包括训练单元,具体用于:
获取多个样本数据,其中,所述样本数据包括任一位置的位置信息、所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数;
将所述任一位置对应的至少一个无线网络的信号强度、所述至少一个无线网络的唯一标识、以及所述无线网络对应的至少一组三维高斯分布的参数作为输入,所述任一位置的位置信息作为输出,对位置定位模型进行训练,生成位置定位模型。
14.如权利要求13所述的装置,其特征在于,所述样本数据包括任一位置的位置信息是根据定位系统采集的。
15.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
16.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135151.XA CN112399555B (zh) | 2020-10-20 | 2020-10-20 | 一种位置定位的方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135151.XA CN112399555B (zh) | 2020-10-20 | 2020-10-20 | 一种位置定位的方法、装置、可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112399555A true CN112399555A (zh) | 2021-02-23 |
CN112399555B CN112399555B (zh) | 2023-07-14 |
Family
ID=74596391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011135151.XA Active CN112399555B (zh) | 2020-10-20 | 2020-10-20 | 一种位置定位的方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112399555B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000046788A1 (fr) * | 1999-02-05 | 2000-08-10 | Hitachi, Ltd. | Systeme de traitement de donnees |
US20060087425A1 (en) * | 2004-07-12 | 2006-04-27 | William Marsh University | System and method for localization over a wireless network |
CN102209382A (zh) * | 2011-05-18 | 2011-10-05 | 杭州电子科技大学 | 一种基于rssi的无线传感器网络节点定位方法 |
CN104540168A (zh) * | 2014-12-30 | 2015-04-22 | 杭州华为数字技术有限公司 | 一种测量人群拥挤度的方法、装置与系统 |
US20160077191A1 (en) * | 2014-09-11 | 2016-03-17 | Google Inc. | Gaussian Process-Based Approach for Identifying Correlation Between Wireless Signals |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
-
2020
- 2020-10-20 CN CN202011135151.XA patent/CN112399555B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000046788A1 (fr) * | 1999-02-05 | 2000-08-10 | Hitachi, Ltd. | Systeme de traitement de donnees |
US20060087425A1 (en) * | 2004-07-12 | 2006-04-27 | William Marsh University | System and method for localization over a wireless network |
CN102209382A (zh) * | 2011-05-18 | 2011-10-05 | 杭州电子科技大学 | 一种基于rssi的无线传感器网络节点定位方法 |
US20160077191A1 (en) * | 2014-09-11 | 2016-03-17 | Google Inc. | Gaussian Process-Based Approach for Identifying Correlation Between Wireless Signals |
CN104540168A (zh) * | 2014-12-30 | 2015-04-22 | 杭州华为数字技术有限公司 | 一种测量人群拥挤度的方法、装置与系统 |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112399555B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111417066B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN111464938B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN111836358A (zh) | 定位方法、电子设备和计算机可读存储介质 | |
CN107113764A (zh) | 提高人工神经网络定位性能的方法和装置 | |
RU2489800C2 (ru) | Система и способ эффективного пополнения сотовой сетевой модели | |
KR20160078469A (ko) | 라디오 열 지도의 파라미터들을 학습하기 위한 모바일 디바이스의 활용 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN109429330B (zh) | 室内定位方法、装置、设备和介质 | |
CN108828643B (zh) | 一种基于灰色预测模型的室内外无缝定位系统及方法 | |
Teoman et al. | Trilateration in indoor positioning with an uncertain reference point | |
CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
Shit et al. | AI-enabled fingerprinting and crowdsource-based vehicle localization for resilient and safe transportation systems | |
EP3928536A1 (en) | Proximity-based offline geofencing | |
CN105376715A (zh) | 定位信息获取方法及装置 | |
CN112399555B (zh) | 一种位置定位的方法、装置、可读存储介质和电子设备 | |
CN112393735A (zh) | 定位方法及装置、存储介质、电子装置 | |
CN117545047A (zh) | 一种基于驻留数据的ntn连接选择方法、装置、设备及介质 | |
CN112469116A (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
Lu et al. | Vehicle tracking using particle filter in Wi-Fi network | |
JP2022088574A (ja) | マップクエリ方法、装置及び電子機器 | |
CN111182455B (zh) | 一种室内定位方法、装置、计算机设备及存储介质 | |
Pichaimani et al. | RETRACTED ARTICLE: Positioning of WiFi devices for indoor floor planning using principal featured Kohonen deep structure | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和系统 | |
CN109788431B (zh) | 一种基于相邻节点组的蓝牙定位方法、装置、设备和系统 | |
Chang et al. | How to get the best out of your fingerprint database: Hierarchical fingerprint indoor positioning for databases with variable density |
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 |