CN112887904B - 适用于智能体育场的WiFi定位方法 - Google Patents
适用于智能体育场的WiFi定位方法 Download PDFInfo
- Publication number
- CN112887904B CN112887904B CN202110108991.5A CN202110108991A CN112887904B CN 112887904 B CN112887904 B CN 112887904B CN 202110108991 A CN202110108991 A CN 202110108991A CN 112887904 B CN112887904 B CN 112887904B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- stage
- rssi
- line stage
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种适用于智能体育场的WiFi定位方法,包括准备阶段、离线阶段与在线阶段,在离线阶段与在线阶段均引入了AP信号选择机制,AP信号选择包括先剔除信号缺失率高的和信号抖动强的AP信号,再对AP信号进行非对称高斯滤波校正。本发明提出了在体育馆这类大型场馆的无线定位的应用方案通过AP信号选择,对信号值不稳定的AP信号进行滤波,对相对稳定的AP信号进行高斯滤波校正,通过优化指纹采集质量,减小指纹匹配的搜索空间,提高了定位的速度和可靠性。
Description
技术领域
本发明涉及WIFI指纹定位技术,特别涉及基于加权k-最近邻方法WKNN的 WiFi室内定位技术。
背景技术
WiFi指纹定位技术的原理主要是将测试点接收到的WIFI信号强度与地理坐标匹配。接收到的WiFi信号强度用RSSI来描述,它随着距离的增加而单调降低。WiFi室内定位分为两个阶段,具体流程如图1所示:
离线训练阶段Offline Stage:开发人员对室内区域进行分块划分,共分块M个,一个分块为一个参考点并对应一个地理坐标(xi,yi),i=1,…,M;在室内固定N个 WiFi设备,每一个WiFi设备为一个接入点AP。在每个参考点收集不同APs的多个RSSI值。然后将参考点的地理坐标、APs的MAC地址和RSSI值作为该参考点(xi,yi)的WiFi指纹{mac1,rssi1;…;macN,rssiN}存入数据库Fingerprint Database。
实时定位阶段Online Stage:用户(待定位对象)将在当前位置实时测量到的 t个时刻的RSSI{mac1 (1),rssi1 (1);…;macN (1),rssiN (1)},{mac1 (2),rssi1 (2);…;macN (2),rssiN (2)},…,{mac1 (t),rssi1 (t);…;macN (t),rssiN (t)}经滤波Filtering处理后与数据库中记录的WiFi指纹进行匹配Matching Algorithm,根据匹配结果运行定位估计算法Estimatedprocessing,估计出用户的地理坐标。
目前有两种典型的WIFI指纹定位算法,分别为概率定位算法和确定性定位算法。概率定位算法主要是朴素贝叶斯方法。确定性定位算法主要包括人工神经网络方法、支持向量机算法和最近邻法。
随着人们对生活质量要求的不断提高,仅用于比赛和体育的传统体育场馆已不能满足人们的需求,智能体育场馆的出现是一种趋势。智能体育场系统具有赛事直播、体育数据采集与分析、观众导航、观众统计等功能。因此,基于位置跟踪的智能体育场馆系统能够更快地收集运动员的数据,极大地促进了体育信息化的进步。
智能场馆的一个重要问题是位置跟踪,而其他室内定位方法往往需要额外的设备,如传感器、蓝牙等。场馆内经常配备WiFi信号源,为运动员提供稳定可靠的通信支持。利用WiFi信号完成定位无疑是一种廉价有效的方案。
智能体育场的WiFi定位技术还存在很多问题。为运动速度快、方向不确定的运动员服务,距离较远、信号不稳定的AP的RSSI波动较大。同时,为了保证定位精度,设备往往需要一个更快的采样速度,以保证在快速采集数据的过程中不会有明显的计算延迟。
在体育场这类场景下,深度学习等具有大延迟和高复杂度的类似算法效果较差,而加权k-最近邻方法WKNN更容易适应体育场馆场景。
WKNN:
在第t个时刻,根据前几个时刻的定位结果,分析用户所在体育馆的物理位置。从指纹库中的M个参考点中,选取所有在物理位置上与用户临近的参考点,并计算用户与它们的欧式几何距离。第t个时刻,用户与第i个参考点的欧式几何距离记为D(i,t):
其中,||·||2表示向量的2-范数,为第i个参考点接收到的信号强度值,它是一个顺序不可变的n维向量;是用户在第t个时刻接收到的信号强度值,向量也为n维,顺序与数据库中AP顺序对应。若出现对用一些AP的RSSI 值未能测到,则以一个预设的RSSImin值代替。
得到用户与第i个参考点的欧式几何距离后,对欧式几何距离从小到大排序,留下最小的K个。一般采用定位算法Landmarc中的思想,使用欧式几何距离平方的倒数作为权重因子,则第i的参考点的权重w(i,t)记为:
则用户最终的定位结果为:
其中,(xi,yi)表示第i个参考点的横纵坐标值。
但在大型场馆中,实时定位等智能功能仍然面临着定位精度差、定位延迟大的问题。
发明内容
本发明所要解决的技术问题是,提供一种适用于智能体育场的,通过优化指纹采集过程提高定位精度的WiFi定位方法。
本发明为解决上述技术问题所采用的技术方案是,适用于智能体育场的 WiFi定位方法,包括准备阶段、离线阶段与在线阶段,在离线阶段与在线阶段均引入了AP信号选择机制,具体包括以下步骤:
1)准备阶段:对体育场进行分块划分,共分块M个,一个分块为一个参考点并对应一个地理坐标;在室内固定N个WiFi设备,每一个WiFi设备为一个接入点AP;
2)离线阶段:在每个参考点上,在S个时刻内,接收N个AP信号的WiFi 信号强度信号RSSI值再对AP信号进行离线阶段的选择;离线阶段的选择包括先剔除信号缺失率高的和信号抖动强的AP信号,再对AP信号进行非对称高斯滤波校正;离线阶段的AP信号选择结束后,得到体育场中M个参考点分别对应的N个AP的RSSI值n的取值范围是[1,N],m的取值范围是 [1,M],将N个与对应的N个AP的MAC地址一起作为第m个参考点的WiFi指纹存入指纹数据库中;表示第m个参考点对应第n个AP的 RSSI值;表示第m个参考点上,对第n个AP采样得到S个时刻的RSSI值;
3)在线阶段:用户在体育馆中当前位置实时测量到N个AP信号的RSSI值,再对AP信号进行在线阶段的选择;在线阶段的选择包括先剔除信号缺失率高的和信号抖动强的AP信号,再对AP信号进行非对称高斯滤波校正;之后将在线选择的AP信号的RSSI值与指纹数据库中记录的WiFi指纹进行匹配,根据匹配结果运行定位估计算法,估计出用户的地理坐标。
本发明提出了在体育馆这类大型场馆的无线定位的应用方案。在现有WiFi 定位的基础上,提出了一种新的算法I-WKNN(improved-WKNN)来提高定位精度和速度。I-WKNN通过AP信号选择,对信号值不稳定的AP信号进行滤波,对相对稳定的AP信号进行高斯滤波校正,通过优化指纹采集质量,减小指纹匹配的搜索空间,提高了定位的速度和可靠性。
附图说明
图1是WiFi指纹库定位的原理图;
图2是本发明的总体流程图;
图3是一个AP的非对称高斯滤波效果图;
图4是三角定位、WKNN、BP神经网络与本发明提出的算法精度对比图;
图5是三角定位、WKNN、BP神经网络与本发明提出的算法时延性能对比图。
具体实施方式
I-WKNN算法:包括离线阶段与在线阶段。除标准WKNN流程外,引入了 AP选择机制与非对称高斯滤波算法。总体流程图如图2所示:
1离线阶段
假定第m个参考点上,对第n个AP采样得到S个时刻的RSSI值,记为 n的取值范围是[1,N],m的取值范围是[1,M]。为第m个参考点上,S 时刻内对第n个AP采样得到的RSSI值的均值,||·||1表示向量的1-范数。WiFi数据库中保存有M*N*S个RSSI值。设置维度与相同的最小预设值向量RSSImin、缺失率阈值Θ1与抖动峰均比阈值Θ2。Θ1与Θ2取值在[0,1],根据实际进行调节。
在离线阶段,若接收到的某个AP的信号出现严重缺失或严重抖动,则对该 AP信号进行剔除:
AP选择算法如下:
(A)初始化m=1,n=1,设置阈值Θ1与Θ2、RSSImin;
(E)更新n=n+1,返回步骤(B),重复步骤(B)-(D),直到n>N后进入步骤(F);
(F)更新m=m+1,n=1,重复步骤(B)-(E),直到m>M,离线阶段的AP选择结束,得到体育场中第m个参考点分别对应N个AP的RSSI值将N个与对应的N个 AP的MAC地址一起作为第m个参考点的WiFi指纹存入指纹数据库中。
离线阶段的AP选择过程中,当某一RSSI值无法测得时,则用RSSImin替代该RSSI值故步骤(B)中减去RSSImin后若出现0,即表明信号有数据未接收到。信号缺失程度可用未接收到的数据在所有数据中所占比例去描述,即0范数值与矢量长度的比值。实现信号的剔除即将的均值记作 RSSImin,RSSImin等同于信号未被接收到时的数据值。步骤(C)中对于抖动程度,用归一化方差描述。对于针对偏离正常值的信号利用非对称高斯滤波进行剔除。
2在线阶段
用户将在体育馆中当前位置实时测量到的RSSIu经滤波处理后,再选择更稳定的AP的RSSI与数据库中记录的WiFi指纹进行匹配。根据匹配结果运行定位估计算法,估计出用户的地理坐标。
其中更稳定的AP的RSSI选择如下:
离线阶段非对称高斯滤波的参数选取与数据库内数据分布有关,一定程度上需要人工干预,发现滤波效果不佳需要改变参数重新滤波。离线阶段每个参考点对每个AP都会有一组非对称高斯滤波的参数,出于节约时间的考虑,在线阶段会直接使用这组参数。假定T个时刻内的测量结果对当前时刻t仍然是有效的。在第t个时刻,需要延迟τ时刻,τ的取值范围是[t-T+1,t],利用用户在τ时刻接收到的信号强度值进行在线阶段的AP的RSSI的选择:
(A)初始化n=1,设置阈值Θ1与Θ2、RSSImin;
(B)判断是否满足:
如是,则放弃对用户在第t个时刻接收的第n个AP信息的使用;如否,则进入非对称高斯滤波处理;
场景实验
智能体育场基于client/server(C/S)架构,使用JAVA作为服务器开发语言,MySQL数据库作为指纹数据库。我们的服务器实现了三个主要功能:高效地完成定位过程中所需的数据库存储和套接字通信。在计算机上通过MATLAB软件上传数据库和实时测量的RSSI信息及地理位置。
我们在测试区域内设置250个点作为参考点。然后对每个训练点的位置从右到左,从上到下进行编号和测量。在每个训练点运行WiFi定位客户端程序,测量每个地址和信号强度100次,并记录细节。对数据进行处理,经过高斯滤波后,将剩余的记录写入MySQL数据库。一个AP的非对称高斯滤波结果如图3所示,横轴代表信号序列,纵轴为横轴中每个点对应的信号强度。深色点为不需要滤波处理的点,浅色为需要被滤波即信号强度替换为均值的点。
图4与图5从延迟的角度和定位精度的角度比较了三角化算法、传统的 WKNN算法(基于指纹数据库)、BP神经网络算法以及本发明的I-WKNN算法。图4的横轴为平均偏差(单位米),即真实的点的位置与算法得到点的位置的欧式几何距离。纵轴为对应的累计分布函数CDF。图5的纵轴代表的是时延,单位毫秒。横轴是最好的20%样例的时延,平均时延,最差的20%样例的时延。可以看出,I-WKNN算法具有最好的定位精度与最短的延迟。
Claims (2)
1.适用于智能体育场的WiFi定位方法,包括准备阶段、离线阶段与在线阶段,其特征在于,在离线阶段与在线阶段均引入了AP信号选择机制,具体包括以下步骤:
1)准备阶段:对体育场进行分块划分,共分块M个,一个分块为一个参考点并对应一个地理坐标;在室内固定N个WiFi设备,每一个WiFi设备为一个接入点AP;
2)离线阶段:在每个参考点上,在S个时刻内,接收N个AP信号的WiFi信号强度信号RSSI值再对AP信号进行离线阶段的选择;离线阶段的选择包括先剔除信号缺失率高的和信号抖动强的AP信号,再对AP信号进行非对称高斯滤波校正;离线阶段的AP信号选择结束后,得到体育场中M个参考点分别对应的N个AP的RSSI值n的取值范围是[1,N],m的取值范围是[1,M],将N个与对应的N个AP的MAC地址一起作为第m个参考点的WiFi指纹存入指纹数据库中;表示第m个参考点对应第n个AP的RSSI值;表示第m个参考点上,对第n个AP采样得到S个时刻的RSSI值;
3)在线阶段:
用户在体育馆中当前位置实时测量到N个AP信号的RSSI值,再对AP信号进行在线阶段的选择;在线阶段的选择包括先剔除信号缺失率高的和信号抖动强的AP信号,再对AP信号进行非对称高斯滤波校正;之后将在线选择的AP信号的RSSI值与指纹数据库中记录的WiFi指纹进行匹配,根据匹配结果运行定位估计算法,估计出用户的地理坐标;
步骤3)中对AP信号进行在线阶段的选择包括以下步骤:
(A)初始化n=1,最小预设值向量RSSImin、缺失率阈值Θ1与抖动峰均比阈值Θ2以及对当前时刻t的测量结果的影响时长T;
或
如是,则放弃对用户在第t个时刻接收的第n个AP信息的使用;如否,则进入非对称高斯滤波处理;
更新n=n+1,重复步骤(B)-(C),直到n>N,得到经过在线阶段的选择后的用户在体育场中第t个时刻,所在位置接收到的N个AP的RSSI值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108991.5A CN112887904B (zh) | 2021-01-27 | 2021-01-27 | 适用于智能体育场的WiFi定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108991.5A CN112887904B (zh) | 2021-01-27 | 2021-01-27 | 适用于智能体育场的WiFi定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887904A CN112887904A (zh) | 2021-06-01 |
CN112887904B true CN112887904B (zh) | 2022-05-03 |
Family
ID=76053615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110108991.5A Expired - Fee Related CN112887904B (zh) | 2021-01-27 | 2021-01-27 | 适用于智能体育场的WiFi定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449652B (zh) * | 2022-01-28 | 2023-05-02 | 湖南大学 | 一种基于可靠ap选择的wifi室内定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581830B (zh) * | 2012-11-26 | 2016-12-21 | 华平信息技术股份有限公司 | 基于wsn的室内定位方法 |
US9301100B1 (en) * | 2015-07-20 | 2016-03-29 | Blackberry Limited | Indoor positioning systems and wireless fingerprints |
CN105282758A (zh) * | 2015-09-06 | 2016-01-27 | 华南理工大学 | WiFi室内定位系统指纹数据库自适应动态构建方法 |
CN109302674B (zh) * | 2018-12-21 | 2020-08-04 | 桂林电子科技大学 | 一种基于多重滤波的WiFi室内定位方法 |
CN110300372A (zh) * | 2019-07-11 | 2019-10-01 | 桂林电子科技大学 | 一种基于位置指纹的wifi室内定位方法 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
CN112153620A (zh) * | 2020-09-22 | 2020-12-29 | 重庆大学 | 一种基于UWB技术的离线WiFi指纹库快速构建及定位方法 |
-
2021
- 2021-01-27 CN CN202110108991.5A patent/CN112887904B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112887904A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112887902B (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
US9807549B2 (en) | Systems and methods for adaptive multi-feature semantic location sensing | |
CN110602651B (zh) | 基于wifi位置指纹的定位方法以及机器人的定位系统 | |
US20070237359A1 (en) | Method and apparatus for adaptive mean shift tracking | |
CN108174343B (zh) | 一种面向电力室内通信运维场景的无线定位方法及系统 | |
CN110399835B (zh) | 一种人员停留时间的分析方法、装置及系统 | |
JP2008501172A (ja) | 画像比較方法 | |
Tao et al. | AIPS: An accurate indoor positioning system with fingerprint map adaptation | |
CN111008991A (zh) | 一种背景感知的相关滤波目标跟踪方法 | |
CN112802108B (zh) | 目标对象定位方法、装置、电子设备及可读存储介质 | |
CN110366244B (zh) | 一种WiFi指纹室内定位方法 | |
CN112887904B (zh) | 适用于智能体育场的WiFi定位方法 | |
Liu et al. | Performance analysis of adaptive K for weighted K-nearest neighbor based indoor positioning | |
CN110967667A (zh) | 一种基于众包Wi-Fi指纹定位的室内轨迹采集方法 | |
CN107104747B (zh) | 无线时变信道中的多径分量的分簇方法 | |
Zhang et al. | Towards floor identification and pinpointing position: A multistory localization model with wifi fingerprint | |
CN108445443B (zh) | 一种基于knn的指纹点聚类方法 | |
CN113518308B (zh) | 室内定位中最佳ap筛选方法 | |
CN110275138A (zh) | 一种利用优势声源成分移除的多声源定位方法 | |
CN109001674A (zh) | 一种基于连续视频序列的WiFi指纹信息快速采集与定位方法 | |
Junoh et al. | Enhancing indoor localization with semi-crowdsourced fingerprinting and gan-based data augmentation | |
CN113645562B (zh) | 一种基于5g信号的室内大型商场智能指纹定位方法 | |
KR101850621B1 (ko) | 협력 스펙트럼 센싱 방법 및 그 장치 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220503 |
|
CF01 | Termination of patent right due to non-payment of annual fee |