CN112462325A - 一种空间内定位方法、装置和存储介质 - Google Patents
一种空间内定位方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112462325A CN112462325A CN202011252061.9A CN202011252061A CN112462325A CN 112462325 A CN112462325 A CN 112462325A CN 202011252061 A CN202011252061 A CN 202011252061A CN 112462325 A CN112462325 A CN 112462325A
- Authority
- CN
- China
- Prior art keywords
- station
- measurement
- positioning
- determining
- distance
- 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 93
- 238000005259 measurement Methods 0.000 claims abstract description 121
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 25
- 230000004807 localization Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000012937 correction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/021—Calibration, monitoring or correction
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本文公开了一种空间内定位的方法、装置和存储介质。其中，所述方法包括，分别获取至少3个无线接入点AP各自到站点的测量距离；根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果；基于极大似然估计，确定AP测量权重目标函数；以所述粗定位结果为迭代初始值，根据预设的第一优化算法迭代所述AP测量权重目标函数，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述站点的定位结果。
Description
技术领域
本公开涉及但不限于及无线网络空间内定位领域，特别地涉及一种空间内定位方法、装置及存储介质。
背景技术
无线局域网络(WLAN)已经应用于各行各业，而且具有广泛的AP设备支持。如果能够结合市场主流AP设备实现精确的室内定位，将大大有利于发展室内定位相关的服务、监测和追踪任务。目前IEEE 802.11-2016协议(也称为802.11mc)中提供了一种基于往返时间(RTT)的精确时间测量方案(FTM)。根据该方案实现的测距模块原理上能提供米级精度的测量结果，由于是无线网络标准中的一部分，并且无需额外的硬件配置要求，基于802.11mc的定位技术具有非常乐观的应用前景。
在使用FTM技术进行测量的过程中，由于测距的误差具有非高斯性，采用普通商业化产品进行实际室内场所的米级精度定位，仍是一个未解决的问题。室内复杂的多径环境，导致FTM方案测距误差通常在1-2m甚至更高，而测距精度效果好坏将会直接影响定位精度效果。利用802.11mc协议的精确时间测量方案进行测距与定位，在室外空旷环境下通过误差校准才一定程度上达到米级精度的测距。在室内存在复杂多径效应的环境下，FTM定位效果更不易达到如室外环境下令人满意的测距精度。典型的，Google公司于2019年4月发布的一款可以利用Wi-Fi来进行室内定位的应用程序Wi-Fi RTT Scan App，精度仅能达到1至2米。
为了解决上述问题，目前大部分基于FTM的定位技术研究专注于提高室内定位精度，通过结合大量AP、惯性传感器、构建指纹数据库、客户端历史行为信息等方法在某一特定的室内环境下能达到较高精度的定位效果。但由于可扩展性较差和设备特殊性、前期离线数据采集工作量大等因素，导致了其适用场景有限而无法大规模普及或者投入商业使用。因此，研究低成本、易普及、高精度的单目标网络定位系统成为了本领域研究人员亟需解决的问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开实施例提供了一种空间定位方法、装置、系统和存储介质，能够基于高性价比的方案有效提升空间内定位精度。
本公开实施例提供了一种空间定位方法，包括，
分别获取至少3个无线接入点AP各自到站点的测量距离；
根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果；
基于极大似然估计，确定AP测量权重目标函数；
以所述粗定位结果为迭代初始值，根据预设的第一优化算法迭代所述AP测量权重目标函数，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述站点的定位结果。
一些示例性实施例中，所述分别获取至少3个无线接入点AP各自到站点的测量距离，包括：
根据精确时间测量FTM功能，分别获取所述至少3个AP各自到所述站点的原始FTM测量数据集；
根据所述原始FTM测量数据集，采用核密度估计法分别确定每一个AP到所述站点的测量距离。
一些示例性实施例中，所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果之前，所述方法还包括：
分别判断每一个测量距离是否小于预设的第一距离阈值，如果小于，则对该测量距离进行线性拟合，以修正该测量距离。
一些示例性实施例中，所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果，包括：
根据所述至少3个AP的位置信息和所述测量距离，基于所述单目标网络定位模型，建立站点定位误差方程组；
采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程；
求解所述正规方程得到所述站点的粗定位结果。
一些示例性实施例中，当AP的数量大于3时，所述采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程，包括：
从所述AP中选择测量距离最小的AP，记为最近AP；
将所述最近AP在所述站点定位误差方程组中对应的方程作为被减项，采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建所述正规方程。
一些示例性实施例中，所述基于极大似然估计，确定AP测量权重目标函数，包括：
基于极大似然估计，以各AP的测距方差作为权重，优化最小误差平方和函数，得到所述AP测量权重目标函数。
一些示例性实施例中，所述第一优化算法包括：贝叶斯算法。
一些示例性实施例中，所述第一距离阈值为根据空间内AP到站点的视线环境所确定的阈值。
本公开实施例还提供一种电子装置，包括存储器和处理器，所述存储器中存储有用于进行空间内定位的计算机程序，所述处理器被设置为读取并运行所述用于进行空间内定位的计算机程序以执行上述任一种空间内定位的方法。
本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一种空间内定位的方法。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
图1为本公开实施例中定位模型示意图；
图2为本公开实施例中一种空间内定位方法的流程图；
图3为本公开实施例中一种空间内定位系统的结构框架图；
图4为本公开实施例中一种基于紧邻AP策略的LLS算法流程图；
图5为本公开实施例中一种核密度估计曲线示意图；
图6为本公开另一实施例中一种空间内定位方法的流程图；
图7为本公开另一实施例中一种空间内定位装置的结构框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步的详细描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
下述步骤编号不限定特定的执行顺序，根据具体实施例部分步骤能够调整其执行顺序。下述记载中涉及的“第一距离阈值”、“第一优化算法”用于体现确定步骤中的距离阈值或优化算法，但不限定优先级、执行顺序或其它属性。应当注意，这里描述的实施例只用于举例说明，并不用于限制本公开所提供的方案。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员而言不必采用这些特定细节来实行本公开方案，可以采用本领域技术人员知晓的相关技术方案实现相关特定细节。
实施例一
本公开涉及的空间内定位方案主要利用802.11mc协议提供的精确时间测量方案FTM和Wi-Fi FTM Linux Tool开源工具来实现的单目标无线网络空间内定位方案，其中FTM单目标定位模型如图1所示，至少包括3个AP。
本公开实施例提供一种空间内定位方法，其流程如图2所示，包括：
步骤1，FTM测距；根据FTM方案获取各AP到站点(STA)的原始FTM测量数据集。
步骤2，核密度估计；根据所获取的原始FTM测量数据集，采用核密度估计法确定各AP到STA的测量距离；
步骤3，判断核密度估计结果是否小于预设的第一距离阈值；如果小于，则执行步骤4；如果大于或等于，则执行步骤5；
步骤4，线性拟合纠正；当步骤2的得到的一AP到STA的测量距离小于第一距离阈值时，线性拟合纠正/修正该测量距离；
步骤5，粗定位；基于紧邻AP策略，利用线性最小二乘法(LLS)进行粗定位，确定所述STA的粗定位结果；
步骤6，确定AP测量权重目标函数；基于极大似然估计，确定AP测量权重目标函数；
步骤7，求解所述AP测量权重目标函数，确定定位结果；利用预设的第一优化算法，以所述粗定位结果为迭代初始值，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述STA的定位结果。
一些示例性实施例中，所述第一优化算法为贝叶斯算法。即，利用贝叶斯算法进行迭代，求解所述AP测量权重目标函数的最优解，所述最优解即为所述STA的最终的定位结果。
一些示例性实施例中，所述空间内定位方法中采用了核密度估计法以及极大似然估计的自适应贝叶斯算法，因此，所述空间内定位方法又称为基于核密度与极大似然估计的自适应贝叶斯定位方法(Kernel Density and Maximum Likelihood Estimation-Adaptive Bayesian Algorithm，MLKB)。
一些示例性实施例中，步骤1包括：收集AP到STA的原始测量数据集。
目前能够获得访问FTM测量值的开放软件支持的工具(一种具有实现FTM测距功能的Linux驱动程序的开源代码，参见http://www.winlab.rutgers.edu/～gruteser/projects/ftm/Setups.htm)，即提供支持FTM测量服务的无线网卡包括Intel Wireless-AC8260，Intel Dual Band Wireless-AC 8265以及Intel Wireless-AC 9260。即使它们可以“支持”FTM RTT，但不允许作为接入点，因此不能作为FTM RTT应答器(Responder)。一些示例性实施例中，为STA选择了英特尔8260ac无线网卡作为发送FTM请求的接入点(AP)，使其能在5GHz频段的36、40、44或48通道上能很好地运行。
在AP设备的选择上，一些路由器具有响应IEEE 802.11mc FTM RTT请求的功能，但在信标帧中不显式宣传具备这种功能，因为它们在某些情况下可能还不能完全支持FTM测量，结果可能会出现较大的测量错误、频繁的异常值或当要求AP“过于频繁”的响应时崩溃。目前市场上比较流行的诸如：ASUS RT-ACRH13、ASUS RT-ACRH17、Netgear Orbi(RBR20)、Linksys EA6350 v.3 AC 1200、Eero Pro等能够支持FTM测量功能。其中ASUS RT-ACRH17路由器是面向家庭用户的一款高性能无线路由器，在众多支持FTM功能的路由器中属于相对廉价的产品，由于ASUS RT-ACRH13在国内市场已经较难买到，一些示例性实施例中选择了华硕RT-ACRH17路由器作为AP。
值得注意的是，华硕RT-ACRH17在2.4GHz频段使用高通IPQ4019芯片，在5GHz频段使用高通QCA9984芯片，本实施例选择在5GHz频段上进行FTM测试以获得细粒度的测距分辨率。
当硬件设备与软件配置准备完毕，即可在STA端初始化FTM请求。一些示例性实施例中，使用iw命令行工具(iw是基于nl80211的CLI配置工具，用于配置Linux中的无线设备STA节点)以及相应的补丁(参见https://johannes.sipsolutions.net/Projects/)将FTM功能添加到iw命令中，并使STA发送FTM请求来启动FTM进程。发出请求前需要获取有关AP的特定信息，以便发送FTM请求，此信息包括MAC地址，支持的带宽和频率。如果STA向不支持FTM功能的AP发送FTM请求，则该AP将不会响应，并且STA必须等待超时以返回不成功的测距状态。为了避免这种延迟，一些示例性实施例中，将FTM请求发送到支持FTM协议的AP。
当STA向AP发送FTM请求，AP收到请求并达成协议返回ACK之后，AP便开始自动发送FTM帧，并等待STA发回的ACK以估计RTT，此过程在专有固件中实现。为了从RTT中删除STA端上的处理时延，AP会将捕获到的时间戳传输回STA中，再由STA中的专有固件计算RTT。通过增加每一个burst中的FTM样本数，AP可以按照顺序发送FTM帧，再由STA估计每一个FTM/ACK消息对的RTT，但是最后只返回平均RTT(ps)以及相应的距离(cm)信息。
一些示例性实施例中，步骤2包括：根据步骤1获得的AP到STA的原始测量数据集，得到各AP到STA的测量距离。
其中，由于测量距离的误差具有非高斯性，因此使用多次测距结果的简单统计值如平均值来估计实际距离误差较大。由于空间内(如室内)环境的复杂性(如天花板、地板、砖墙或家具的摆放位置、角度等)，不同介质将导致产生不同分布的高斯误差，从而影响最终的测距分布结果，因此无法利用混合高斯模型求解测量距离的概率密度分布(无法确定高斯混合模型数量K)。而核密度估计法(Kernel density estimation，KDE)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。它不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本出发研究数据分布特征的方法，在统计学理论和应用领域均受到高度的重视。因此与直接利用测量距离的平均值或中位数通过离群点去除后作为结果的方式有所不同，本公开所提供的方法最终采用核密度估计法获取STA和AP之间的测量距离。
值得注意的是，核密度估计并不是找到真正的分布函数，它通过核函数(如高斯)将每个数据点的数据+带宽当作核函数的参数，得到N个核函数，再线性叠加形成核密度的估计函数，归一化后即为核密度概率密度函数。因此核密度估计的算法原理核心步骤描述如下：
1、每一观测附近用一个正态分布曲线近似；
2、叠加所有观测的正态分布曲线；
3、归一化带宽参数用于近似正态分布曲线的宽度。
这里的“观测”可以理解为在同一个采样点的多条FTM测量距离数据之一，观测附近指的是一条测量数据结果的极小范围，将每一个极小范围进行正态分布近似再叠加，即可得到完整的正态分布曲线(如图5中示例的核密度估计曲线)。如图5所示，一个采样点(一个AP距离STA的真实距离为0.6米处的一个点)的测量结果，其横坐标出现负值是由于AP内部纠正算法导致，因此该结果需要拟合，来纠正/修正误差。
针对空间内定位场景下的KDE核密度估计的算法伪代码描述见算法1。拟合之后返回KDE估计曲线的x、y坐标。通过寻找y坐标的最大值时的点point，即可确定概率密度函数峰值的横坐标kdefit_x。该坐标值即为通过核密度估计法求得的AP到STA的测量距离。
算法1.KDE核密度估计法.
输入：所有AP到一个STA的测距数据集dis_data矩阵
输出：所有AP的拟合函数峰值点横坐标kdefit_x集合
初始化所有AP的峰值点横坐标集合列表x_result＝[]
FOR i＝1 to n,do
提取APi的测距数据集dis_data[i]
选择核函数与带宽kernel＝'gau',bw＝'scott'
新建KDE_FIT对象，代入APi的测距数据列表进行kde.fit拟合
计算KDE曲线kdefit_x,kdefit_y值
其中，n表示AP数量，n个AP，本公开实施例中n为大于或等于3的整数；
所述x_result即为所有AP的拟合函数峰值点横坐标kdefit_x集合。
一些示例性实施例中，所述kde.fit拟合包括：
采用Python第三方函数库statamodels中的kde.fit功能(函数)。该功能为数据拟合主方法，得到数据集分布的KDE近似拟合曲线，示例如下：
statsmodels.nonparametric.api.KDEUnivariate(Data).fit(self,kernel＝"gau",bw＝"scott",fft＝True,weights＝None,gridsize＝None,adjust＝1,cut＝3,clip＝(-np.inf,np.inf))；
其中Data指本文一个AP在一个采样点(STA)收集到的测量距离的数据集，即上述dis_data[i]。数据集Data(dis_data[i])中包括APi对该STA进行m次测量，得到m个测量结果，每一次记为Data[j](dis_data[i][j])，其中，0<j<＝m,m为大于0的整数。所述测量结果至少包括测量距离。
其中，gau表示高斯核函数。一些示例性实施例中，可引用的核函数还包括：{'cos'|'biw'|'epa'|'tri'|‘triw’}；当带宽是最优选择时,核密度估计对核函数的选择并不敏感，采用其他核函数可以达到相似的技术效果。
一些示例性实施例中，步骤3包括：通过利用视线LOS(line-of-sight)环境下的测距数据，线性拟合纠正/修正AP到STA距离过近时的测量距离。
以往的研究和实验表明，即使在AP和STA特定组合下，在不同的环境中(空间内环境、信道状态等)运行也存在不同的偏移量，所以必须对AP和STA的特定组合进行校准。一些示例性实施例中，当STA与AP的真实距离在10m以内的时候，测量距离普遍小于真实距离，并且当距离非常接近的时候(比如STA和AP仅相隔1m)，测量距离甚至会出现负值。这是FTM测量固件内部自带的偏移纠正算法导致的，因此为了避免距离过近导致测量结果偏小或为负值，当测量距离的数据小于10m的时候，可以认为STA与AP存在LOS的视线环境，同时飞行时间与距离成线性关系，测量距离与真实距离之间存在着某种因固件产生的固定纠正关系，这允许测距误差几乎与距离无关。因此有必要通过在LOS环境下得到的历史测量数据，拟合出真实距离与测量距离的线性关系，并将其运用到实际的定位场景中。
一些示例性实施例中，上述10米为可选的第一距离阈值；所述第一距离阈值可以根据不同的LOS环境相应确定，不限于所例举的10米。当AP到STA的距离小于第一距离阈值时，执行步骤3进行测量距离修正(纠正)。
一些示例性实施例中，步骤5包括：利用基于紧邻AP作为被减项构建正规方程的线性最小二乘算法进行粗定位。该粗定位坐标作为后续定位算法的迭代初始点坐标，在初始点附近寻找更优解，以防止算法在迭代过程中陷入局部最优。
对于朴素线性最小二乘法(LLS)，基于单目标网络定位模型，建立如下方程组(1)，记为站点定位误差方程组：
其中，n表示n个AP，(x,y)是待求STA的位置坐标，APi为第i个AP，APi的位置坐标为(xi,yi)，APi到STA的测量距离为di。由于AP的测量距离与真实距离存在偏差，则会导致方程组无解，所以需要通过最小二乘法对方程组进行拟合，得到相应的正规方程，以求得一个接近真实解的相似解。最终解的正规方程形式见(2)：
其中待求坐标矩阵为
有：
在实际运用时，根据AP的数量列出方程组(1)，再将AP位置坐标、测量距离等信息代入A，B矩阵中，即可通过正规方程求出未知点的测量坐标。
由于在朴素线性最小二乘法中，线性方程组的构造需要选择方程组(1)中的一个方程作为被减项，一般选择第n个方程，如上述A、B所示，将方程组(1)中的第n个方程作为被减项，构造所述正规方程(2)。事实上，在空间内定位场景下，方程组中任意一个方程都可被选择，用来和其他方程做差得到线性方程组，但当锚节点(AP)数目大于3时，位置估计值的误差受方程组的选择的影响较大，此时，当待定位点(STA)距离锚节点(AP)越远，定位精度越低。因此理论上应该选择测量距离最小的AP作为被减AP，以此来提高线性最小二乘法的定位精度。
一些示例性实施例中，步骤5包括：首先通过已知的AP位置信息和经核密度估计线性拟合得到的测距信息构建AP的状态矩阵，矩阵的每一行代表1个APi的状态信息，包括(xi,yi,di),分别表示APi的位置(xi,yi)与测距信息di，选择测距结果di最小的AP作为被减项，采用线性最小二乘法构建正规方程的A、B矩阵，最后通过正规方程即可求出STA的粗定位坐标。其中，AP位置信息包括：AP的平面或空间坐标；所构建的A、B矩阵在形式上与(2)中所示矩阵A、B一致，但是被减项不同。上述(2)中的矩阵A、B示例的是第n项为被减项。
在FTM单目标网络定位模型中，本公开实施例中将最小误差平方和函数作为定位迭代算法的优化目标，因为每个AP到STA通过FTM得到的测量距离基本上都会存在一定误差，理论上当f(x,y)越小，表明预测位置到各个AP的距离与测量距离越接近：
其中，n表示n个AP，(xi,yi)表示APi的位置坐标，di表示APi到待测STA的测量距离，参数x，y表示待测点的位置坐标，那么贝叶斯算法的目标是通过迭代求得当函数f(x,y)取最小值时的参数x，y值。
由最小二乘法原理，当取二次方的时候，对参数的估计是当前样本下的极大似然估计。定义样本di，对样本的预测为
该记法表示该预测依赖于参数θ的选取，易知在空间内定位场景下θ为待优化位置坐标,di表示APi测得的测量距离，
表示在预测坐标下计算得到的欧氏距离，则有：
其中ε是误差函数，通常认为满足正态分布：
εi～N(0,σi 2)
则有：
要求θ的极大似然估计，即有当di在θ的不同取值下出现概率最大。令：
简化计算，令：
由于σi不随θ的变化而变化，仅和APi测得的测量距离数据有关，则令l(θ)的前两项为常数C。要让L(θ)取最大值，即可取l(θ)最大值，因此将
取最小值即可。其中σi的估计值stdi，表示为APi在一个采样点进行m次测量后的距离结果集的标准差。一般情况下，每一个样本标准差可定义为：
stdi表示第APi的测量结果的标准差。
其中x表示样本测量平均值，在空间内定位场景下，样本标准差表示在一个采样点进行m次FTM测量之后得到的无偏标准差。
根据上述推论，一些示例性实施例中，步骤6中，包括：
进一步优化目标函数(3)确定AP测量权重目标函数，如下：
当利用方差作为分母的时候，可以知晓波动越大的测量数据方差越大，代表该AP所处的测量环境多径效应可能影响较大，则需要减少该AP在测距过程的“贡献”，即减小该AP在迭代目标函数过程中的结果权重。
一些示例性实施例中，步骤7包括：
以步骤5所确定的粗定位结果作为初始点，采用贝叶斯算法作为第一优化算法，根据设定的迭代范围、迭代次数、迭代阈值，迭代执行所确定的AP测量权重目标函数(5)，确定所述AP测量权重目标函数(5)的最优解，所述最优解即为STA的最终定位结果。
一些示例性实施例中，迭代范围是在粗定位点附近如10米内；或者，根据应用环境确定其他范围，不限于该示例。
一些示例性实施例中，步骤1中的所述AP至少包括4个AP。
实施例二
本公开实施例还提供了一种空间内定位系统，其结构，如图3所示，包括：FTM测距模块301、KDE核密度估计模块302、线性拟合纠正模块303、基于紧邻AP策略的LLS粗定位模块304、基于极大似然估计的目标函数模块305、贝叶斯优化模块306。
其中，FTM测距模块301用于搜集AP到STA的原始FTM测量数据集。
一些示例性实施例中，FTM测距模块301执行实施例一中步骤1中步骤，获取(搜集)AP到站点STA的原始FTM测量数据集。详细步骤与实施例一致，相同方面不在此赘述。
其中，KDE核密度估计模块302用于获得FTM测距模块301的原始FTM测量数据集后，采用KDE核密度估计法确定各AP到STA的测量距离。
一些示例性实施例中，KDE核密度估计模块302执行实施例一中步骤2中步骤，详细步骤与实施例一致，相同方面不在此赘述。
其中，线性拟合纠正模块303用于通过利用LOS环境下的测距数据，线性拟合纠正(修正)AP到STA距离过近时的测量距离；即，当一AP到STA的测量距离小于第一距离阈值时，通过线性拟合进行纠正(修正)该测量距离，得到纠正(修正)后的测量距离。
一些示例性实施例中，线性拟合纠正模块303执行实施例一中步骤4中步骤，详细步骤与实施例一致，相同方面不在此赘述。
其中，基于紧邻AP策略的LLS粗定位模块304用于基于紧邻AP作为被减项构建正规方程的线性最小二乘算法进行粗定位。
一些示例性实施例中，基于紧邻AP策略的LLS粗定位模块304执行实施例一中步骤5中步骤，详细步骤与实施例一致，相同方面不在此赘述。
一些示例性实施例中，基于紧邻AP策略的LLS粗定位模块304的工作流程，如图4所示，包括：
401，输入AP的状态矩阵T；其中，所述状态矩阵包括：各AP的位置信息和各AP距离STA的测量距离；
402，从状态矩阵T中提取全部AP的测量结果确定测距结果向量；
403，从测距结果向量中确定距离最近的AP；
404，以该最近的AP所在的方程项作为被减项，构建正规方程；
405，求解正规方程，得到STA的粗定位结果。
其中，AP位置信息包括：AP的平面或空间坐标。
一些示例性实施例中，步骤404包括：
基于单目标网络定位模型，建立站点定位误差方程组(1)；
以该最近的AP在站点定位误差方程组(1)中的方程项(方程式)作为被减项，采用线性最小二乘法构建正规方程。
其中，基于极大似然估计的目标函数模块305用于对最小误差平方和函数进行优化；即以最小误差平方和函数作为待优化的目标函数，基于极大似然估计方法，优化该目标函数得到AP测量权重目标函数。
一些示例性实施例中，基于极大似然估计的目标函数模块305执行实施例一中步骤6中步骤，详细步骤与实施例一致，相同方面不在此赘述。
一些示例性实施例中，优化后得到AP测量权重目标函数如(5)所示。可以看到，当利用方差作为分母的时候，可以知晓波动越大的测量数据方差越大，代表该AP所处的测量环境多径效应可能影响较大，则需要减少该AP在测距过程的“贡献”，即减小该AP在迭代目标函数过程中的结果权重。
其中，贝叶斯优化模块306用于求解所述AP测量权重目标函数，确定定位结果；利用贝叶斯算法(预设的第一优化算法)，以所述粗定位结果为迭代初始值，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述STA的定位结果。
一些示例性实施例中，贝叶斯优化模块306执行实施例一中步骤7中步骤，详细步骤与实施例一致，相同方面不在此赘述。
一些示例性实施例中，为了提高本公开方案的可扩展性，可以采用迭代算法接口模块307来替代贝叶斯优化模块306，当未来出现效果更好的算法时不必拘泥于贝叶斯算法。
其中，迭代算法接口模块307用于，以所述粗定位结果为迭代初始值，根据预设的第一优化算法，确定所述AP测量权重目标函数的最优解。
一些示例性实施例中，迭代算法接口模块307设置为，以基于紧邻AP策略的LLS粗定位模块304所确定的粗定位结果作为迭代初始点，根据预设的第一优化算法和设定的迭代范围、迭代次数和迭代阈值，迭代执行所述AP测量权重目标函数，得到最优解，即为最终的定位结果。
一些示例性实施例中，所述空间内定位系统部署在站点STA上；或者其他可以获知各AP测量结果的终端上均可，如手机、笔记本电脑等。
可以看到，采用成本仅在数百元量级的市场主流通用型AP设备与开源平台工具实现了FTM单目标定位系统，保证了系统的低成本与良好的普及性；设计了一套新的单目标网络空间内定位方案，保证了系统在空间内场景下可达到较高的米级定位精度。
本发明涉及的空间内定位方案首先利用核密度估计法对FTM测距模块搜集的数据集进行预处理，输出各个AP到STA的测量距离，其次对空间内AP测距结果小于第一距离阈值(例如，10m)的数据进行线性拟合，将纠正后的测距结果代入基于紧邻AP策略的线性最小二乘法，其输出作为定位算法的粗定位点输入，再设计基于极大似然估计的目标函数，赋予AP测距方差权重以根据测距结果的波动范围考察AP的“贡献”，最后由贝叶斯算法迭代优化目标函数得到最终的预测位置。
本公开提供的方案中的各个子模块方法的增益效果如下：
1、利用核密度估计模块，可对FTM测距结果数据集进行清洗和优化；
2、利用线性拟合纠正模块，可对FTM测距结果在不同环境下进行自适应纠正拟合；
3、利用基于紧邻AP策略的线性最小二乘法模块，可得到系统粗定位结果；
4、利用基于极大似然估计的目标函数模块，设计了极大似然估计的目标函数优化方法，通过标准差权重考察各AP的测距可靠性，弱化测距结果波动较大的AP在算法迭代过程中的贡献；
5、利用贝叶斯优化模块，可以在粗定位点附近继续迭代，找到全局最优解，作为最终的定位结果。
实施例三
本公开实施例还提供了一种空间内定位方法，其流程如图6所示，包括，
步骤601，分别获取至少3个无线接入点AP各自到站点的测量距离；
步骤602，根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果；
步骤603，基于极大似然估计，确定AP测量权重目标函数；
步骤604，以所述粗定位结果为迭代初始值，根据预设的第一优化算法迭代所述AP测量权重目标函数，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述站点的定位结果。
一些示例性实施例中，步骤601中分别获取至少3个无线接入点AP各自到站点的测量距离，包括：
根据精确时间测量FTM功能，分别获取所述至少3个AP各自到所述站点的原始FTM测量数据集；
根据所述原始FTM测量数据集，采用核密度估计法分别确定每一个AP到所述站点的测量距离。
一些示例性实施例中，步骤601的进一步实施细节与实施例一中步骤1和/或2的相关细节一致，重复部分在此不再赘述。
一些示例性实施例中，步骤602中所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果之前，所述方法还包括：
步骤610，分别判断每一个测量距离是否小于预设的第一距离阈值，如果小于，则执行步骤611，对该测量距离进行线性拟合，以修正该测量距离；如果大于或等于，则执行步骤602。
一些示例性实施例中，步骤602中所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果，包括：
根据所述至少3个AP的位置信息和所述测量距离，基于所述单目标网络定位模型，建立站点定位误差方程组；
采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程；
求解所述正规方程得到所述站点的粗定位结果。
一些示例性实施例中，当AP的数量大于3时，所述采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程，包括：
从所述AP中选择测量距离最小的AP，记为最近AP；
将所述最近AP在所述站点定位误差方程组中对应的方程作为被减项，采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建所述正规方程。
一些示例性实施例中，步骤602的进一步实施细节与实施例一中步骤5的相关细节一致，重复部分在此不再赘述。
一些示例性实施例中，所构建的正规方程的形式如(2)所示，其中的被减项为所述最近AP对应的方程。
一些示例性实施例中，步骤603中所述基于极大似然估计，确定AP测量权重目标函数，包括：
基于极大似然估计，以各AP的测距方差作为权重，优化最小误差平方和函数，得到所述AP测量权重目标函数。
一些示例性实施例中，步骤603的进一步实施细节与实施例一中步骤6的相关细节一致，重复部分在此不再赘述。
一些示例性实施例中，所述各AP的测距方差根据上述公式(4)计算；所述最小误差平方和函数为上述(3)所定义的函数；优化后得到的所述AP测量权重目标函数如上述(5)所定义的函数。
一些示例性实施例中，所述第一优化算法包括：贝叶斯算法。
一些示例性实施例中，所述第一距离阈值为根据空间内AP到站点的视线环境所确定的阈值。
一些示例性实施例中，所述第一距离阈值为10米。
一些示例性实施例中，所述单目标网络定位模型为FTM单目标网络定位模型。
一些示例性实施例中，步骤601中分别获取至少4个无线接入点AP各自到站点的测量距离。
实施例四
本公开实施例还提供了一种空间内定位装置70，其结构如图7所示，包括：
测距模块701，设置为分别获取至少3个无线接入点AP各自到站点的测量距离；
粗定位模块702，设置为根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果；
测量权重目标函数确定模块703，设置为基于极大似然估计，确定AP测量权重目标函数；
精确定位模块704，设置为以所述粗定位结果为迭代初始值，根据预设的第一优化算法迭代所述AP测量权重目标函数，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述站点的定位结果。
一些示例性实施例中，所述测距模块701分别获取至少3个无线接入点AP各自到站点的测量距离，包括：
根据精确时间测量FTM功能，分别获取所述至少3个AP各自到所述站点的原始FTM测量数据集；
根据所述原始FTM测量数据集，采用核密度估计法分别确定每一个AP到所述站点的测量距离。
一些示例性实施例中，所述装置还包括修正模块705；
在所述粗定位模块702确定所述站点的粗定位结果之前，所述修正模块705设置为，分别判断每一个测量距离是否小于预设的第一距离阈值，如果小于，则对该测量距离进行线性拟合，以修正该测量距离。
一些示例性实施例中，所述粗定位模块702根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果，包括：
根据所述至少3个AP的位置信息和所述测量距离，基于所述单目标网络定位模型，建立站点定位误差方程组；
采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程；
求解所述正规方程得到所述站点的粗定位结果。
一些示例性实施例中，当AP的数量大于3时，所述粗定位模块702采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程，包括：
从所述AP中选择测量距离最小的AP，记为最近AP；
将所述最近AP在所述站点定位误差方程组中对应的方程作为被减项，采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建所述正规方程。
一些示例性实施例中，所述测量权重目标函数确定模块703基于极大似然估计，确定AP测量权重目标函数，包括：
基于极大似然估计，以各AP的测距方差作为权重，优化最小误差平方和函数，得到所述AP测量权重目标函数。
一些示例性实施例中，所述第一优化算法包括：贝叶斯算法。
一些示例性实施例中，所述第一距离阈值为根据空间内AP到站点的视线环境所确定的阈值。
本公开实施例还提供一种电子装置，包括存储器和处理器，所述存储器中存储有用于进行空间内定位的计算机程序，所述处理器被设置为读取并运行所述用于进行空间内定位的计算机程序以执行上述任一所述的空间内定位的方法。
本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一空间内定位的方法。
本公开所提供的定位方案可在所有支持FTM测量的AP的终端设备或者测距系统上实现。适用的室内场景可包括地下停车场、大型商场、写字楼、图书馆、机场大厅等。也可以应用于其他的固定或移动空间内。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (10)
1.一种空间内定位的方法，其特征在于，包括，
分别获取至少3个无线接入点AP各自到站点的测量距离；
根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果；
基于极大似然估计，确定AP测量权重目标函数；
以所述粗定位结果为迭代初始值，根据预设的第一优化算法迭代所述AP测量权重目标函数，确定所述AP测量权重目标函数的最优解；根据所述最优解确定所述站点的定位结果。
2.根据权利要求1所述的方法，其特征在于，
所述分别获取至少3个无线接入点AP各自到站点的测量距离，包括：
根据精确时间测量FTM功能，分别获取所述至少3个AP各自到所述站点的原始FTM测量数据集；
根据所述原始FTM测量数据集，采用核密度估计法分别确定每一个AP到所述站点的测量距离。
3.根据权利要求1或2所述的方法，其特征在于，
所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果之前，所述方法还包括：
分别判断每一个测量距离是否小于预设的第一距离阈值，如果小于，则对该测量距离进行线性拟合，以修正该测量距离。
4.根据权利要求3所述的方法，其特征在于，
所述根据所述测量距离，基于单目标网络定位模型，采用线性最小二乘法进行粗定位，确定所述站点的粗定位结果，包括：
根据所述至少3个AP的位置信息和所述测量距离，基于所述单目标网络定位模型，建立站点定位误差方程组；
采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程；
求解所述正规方程得到所述站点的粗定位结果。
5.根据权利要求4所述的方法，其特征在于，
当AP的数量大于3时，所述采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建正规方程，包括：
从所述AP中选择测量距离最小的AP，记为最近AP；
将所述最近AP在所述站点定位误差方程组中对应的方程作为被减项，采用线性最小二乘法对所述站点定位误差方程组进行拟合，构建所述正规方程。
6.根据权利要求1所述的方法，其特征在于，
所述基于极大似然估计，确定AP测量权重目标函数，包括：
基于极大似然估计，以各AP的测距方差作为权重，优化最小误差平方和函数，得到所述AP测量权重目标函数。
7.根据权利要求1、2或6所述的方法，其特征在于，
所述第一优化算法包括：贝叶斯算法。
8.根据权利要求3所述的方法，其特征在于，
所述第一距离阈值为根据空间内AP到站点的视线环境所确定的阈值。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有用于进行空间内定位的计算机程序，所述处理器被设置为读取并运行所述用于进行空间内定位的计算机程序以执行所述权利要求1至8任一项中所述的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252061.9A CN112462325A (zh) | 2020-11-11 | 2020-11-11 | 一种空间内定位方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011252061.9A CN112462325A (zh) | 2020-11-11 | 2020-11-11 | 一种空间内定位方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112462325A true CN112462325A (zh) | 2021-03-09 |
Family
ID=74826446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011252061.9A Pending CN112462325A (zh) | 2020-11-11 | 2020-11-11 | 一种空间内定位方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112462325A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031628A (zh) * | 2021-05-26 | 2021-06-25 | 浙江华睿科技有限公司 | 二维码的位置获取方法、电子设备及存储介质 |
| CN117270007A (zh) * | 2023-11-22 | 2023-12-22 | 北京凯芯微科技有限公司 | 卫星定位系统、嵌入式系统、芯片及嵌入式设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100135178A1 (en) * | 2008-11-21 | 2010-06-03 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
| US20130252631A1 (en) * | 2012-03-23 | 2013-09-26 | Skyhook Wireless, Inc. | Methods and Systems of Assigning Estimated Positions and Attributes to Wireless Access Points in a Positioning System |
| WO2016112758A1 (zh) * | 2015-01-15 | 2016-07-21 | 中兴通讯股份有限公司 | 终端的定位方法及装置 |
| US20160334498A1 (en) * | 2014-01-30 | 2016-11-17 | Ucl Business Plc | Apparatus and method for determining the location of a mobile device using multiple wireless access points |
| CN107820206A (zh) * | 2017-11-15 | 2018-03-20 | 玉林师范学院 | 基于信号强度的非视距定位方法 |
| US20180123708A1 (en) * | 2016-10-14 | 2018-05-03 | Board Of Regents, The University Of Texas System | Systems, methods, and computer programs for wireless local area network localization |
| CN109059919A (zh) * | 2018-06-08 | 2018-12-21 | 华中科技大学 | 一种基于众包样本加权曲面拟合的室内定位方法 |
| CN111257830A (zh) * | 2018-12-03 | 2020-06-09 | 南京理工大学 | 基于预先设定ap位置的wifi定位算法 |
-
2020
- 2020-11-11 CN CN202011252061.9A patent/CN112462325A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100135178A1 (en) * | 2008-11-21 | 2010-06-03 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
| US20130252631A1 (en) * | 2012-03-23 | 2013-09-26 | Skyhook Wireless, Inc. | Methods and Systems of Assigning Estimated Positions and Attributes to Wireless Access Points in a Positioning System |
| US20160334498A1 (en) * | 2014-01-30 | 2016-11-17 | Ucl Business Plc | Apparatus and method for determining the location of a mobile device using multiple wireless access points |
| WO2016112758A1 (zh) * | 2015-01-15 | 2016-07-21 | 中兴通讯股份有限公司 | 终端的定位方法及装置 |
| US20180123708A1 (en) * | 2016-10-14 | 2018-05-03 | Board Of Regents, The University Of Texas System | Systems, methods, and computer programs for wireless local area network localization |
| CN107820206A (zh) * | 2017-11-15 | 2018-03-20 | 玉林师范学院 | 基于信号强度的非视距定位方法 |
| CN109059919A (zh) * | 2018-06-08 | 2018-12-21 | 华中科技大学 | 一种基于众包样本加权曲面拟合的室内定位方法 |
| CN111257830A (zh) * | 2018-12-03 | 2020-06-09 | 南京理工大学 | 基于预先设定ap位置的wifi定位算法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031628A (zh) * | 2021-05-26 | 2021-06-25 | 浙江华睿科技有限公司 | 二维码的位置获取方法、电子设备及存储介质 |
| CN117270007A (zh) * | 2023-11-22 | 2023-12-22 | 北京凯芯微科技有限公司 | 卫星定位系统、嵌入式系统、芯片及嵌入式设备 |
| CN117270007B (zh) * | 2023-11-22 | 2024-01-30 | 北京凯芯微科技有限公司 | 卫星定位系统、嵌入式系统、芯片及嵌入式设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11635484B2 (en) | Frequency transformed radiomap data set | |
| CN107318084B (zh) | 一种基于最优相似度的指纹定位方法及装置 | |
| Honkavirta et al. | A comparative survey of WLAN location fingerprinting methods | |
| US9560532B2 (en) | Signal strength profiling | |
| US8837316B2 (en) | RTT based ranging system and method | |
| Marques et al. | Combining similarity functions and majority rules for multi-building, multi-floor, WiFi positioning | |
| EP1575325B1 (en) | Estimating the location of inexpensive wireless terminals by using signal strength measurements | |
| CA2497928C (en) | Method and apparatus for generating a signal strength model for an access point at an arbitrary location | |
| JP4934441B2 (ja) | 無線ノード位置推定方法、システム、及びその処理装置 | |
| Lassabe et al. | Indoor Wi-Fi positioning: techniques and systems | |
| Laoudias et al. | Device signal strength self-calibration using histograms | |
| US10444319B2 (en) | Determining of model parameters for positioning purposes | |
| CN112462325A (zh) | 一种空间内定位方法、装置和存储介质 | |
| US10785744B1 (en) | Offloading location computation from cloud to access point (AP) with projection on base phase vectors | |
| Yan et al. | Wi-Fi RTT based indoor positioning with dynamic weighted multidimensional scaling | |
| WO2016023190A1 (zh) | 一种定位ap的方法和装置 | |
| Kanaris et al. | Improving RSS fingerprint-based localization using directional antennas | |
| Narzullaev et al. | Accurate signal strength prediction based positioning for indoor WLAN systems | |
| Yeung et al. | Enhanced fingerprint-based location estimation system in wireless LAN environment | |
| CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
| Müller et al. | A field test of parametric WLAN-fingerprint-positioning methods | |
| Hatami et al. | In-building intruder detection for WLAN access | |
| Ananthasubramaniam et al. | Cooperative localization using angle of arrival measurements in non-line-of-sight environments | |
| JP6331072B2 (ja) | ホワイトスペース検出装置、ホワイトスペース検出方法、及びプログラム | |
| CN111654843A (zh) | 自动更新指纹数据库的方法及系统、wifi定位方法及系统 |
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 |