CN113382357B - 一种改进pdr与rssi融合的蓝牙室内定位方法 - Google Patents

Abstract

本发明涉及一种改进PDR与RSSI融合的蓝牙室内定位方法，包括以下步骤：1)构建RSSI定位灰度图集作为CNN定位模型的训练集，采用训练好的CNN定位模型进行RSSI定位，获得初始RSSI定位结果；2)根据惯性测量单元IMU采集行人的行走数据构建IMU数据集，采用PDR算法进行定位，获得初始PDR定位结果；3)采用基于停留时长的PDR修正算法对初始PDR定位结果进行修正；4)采用EKF滤波器将修正后的PDR定位结果与RSSI定位结果进行融合，得到最终的定位结果。与现有技术相比，本发明改善了PDR误差累积问题，提高了定位精度，具有更强的的系统稳定性，及普适性，能够为室内人员提供较为准确的定位结果。

Description

一种改进PDR与RSSI融合的蓝牙室内定位方法

技术领域

本发明涉及室内定位技术的领域，尤其是涉及一种改进PDR与RSSI融合的蓝牙室内定位方法。

背景技术

现今生活，GPS技术已成为我们日常生活不可或缺的重要部分，但由于卫星信号到达地面强度减弱并且只能进行室外定位，而目前对室内定位的需求日益增长，为此适于室内定位且不需外部协助的PDR技术受到广泛关注。同时，移动互联网和智能手机的发展大大推动了蓝牙室内定位技术的发展，尤其是近年来新推出的蓝牙5.1技术，因其功耗低，覆盖范围广，速度快，在不建立链接基础上便可将信息传输到其他设备上的优点，使蓝牙室内定位越来越得到各个领域的重视。

现有研究中，室内定位的方法多是基于测距方法，用信号发送和接收的时间或能量信息建立相应的数学模型，根据位置间的几何关系，通过数学方式求解已知节点和未知节点之间的距离，但是室内场景中设备间距离短，干扰复杂，信号传播受多径效应影响，定位精度差，此外，PDR技术是另一种室内导航定位的常用技术，其虽然具有体积小，成本低自主性强的优点，但由于其存在误差累积，在定位精度上仍需进一步提高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种改进PDR与RSSI融合的蓝牙室内定位方法。

本发明的目的可以通过以下技术方案来实现：

一种改进PDR与RSSI融合的蓝牙室内定位方法，包括以下步骤：

1)构建RSSI定位灰度图集作为CNN定位模型的训练集，采用训练好的CNN定位模型进行RSSI定位，获得初始RSSI定位结果；

2)根据惯性测量单元IMU采集行人的行走数据构建IMU数据集，采用PDR算法进行定位，获得初始PDR定位结果；

3)采用基于停留时长的PDR修正算法对初始PDR定位结果进行修正；

4)采用EKF滤波器将修正后的PDR定位结果与RSSI定位结果进行融合，得到最终的定位结果。

所述的步骤1)具体包括以下步骤：

11)构建RSSI数据集：

在室内场景中，通过布置的蓝牙信标采集室内场景各位置的信号强度值，将位置信息与对应的信号强度值共同构建RSSI数据集；

12)构建RSSI定位灰度图集：

将室内场景分割为多个正交的方格，将RSSI数据集中的一个位置信息对应的信号强度值统一处理后作为该位置所在方格的灰度值，其余方格均为黑色，以此构成一幅灰度图，由此遍历RSSI数据集的所有数据生成对应的RSSI定位灰度图集；

13)构建CNN定位模型：

将RSSI定位灰度图集作为CNN定位模型的训练集进行训练，得到训练好的CNN定位模型，将待预测的灰度图输入到训练好的CNN定位模型中即可得到预测的行人位置坐标。

所述的步骤11)中，蓝牙信标具体为蓝牙5.1信标，每个蓝牙信标的接触时间不少于5分钟，用以收集每个房间指纹点的信号强度值。

所述的步骤13)中，CNN定位模型采用CNN网络，其由两层卷积层、两层池化层和两层全连接层构成，其中，第一层卷积层的卷积核大小为7，第二层卷积层的卷积核大小为5，两层卷积层的卷积核子矩阵维度均为12，步幅均为1，激活函数为ReLU，两层池化层的卷积核大小均为2，步幅均为2，池化标准均为MAX最大值标准。

所述的步骤2)具体包括以下步骤：

21)根据惯性测量单元IMU采集行人的行走数据，包括三轴加速度和三轴角速度数据，对行走数据进行预处理后构建IMU数据集；

22)根据IMU数据集分别进行步频检测、步长计算和方向推算后得到行人初始PDR定位结果。

所述的步频检测采用波峰波谷检测方法，步长采用步长估计非线性模型得到，方向推算通过坐标系转换后采用四元数表示方向角。

所述的步骤3)中，对初始PDR定位结果进行修正具体为：

对于行人长期静止不动时PDR算法存在累计误差的情况，根据室内场景不同地点进行活动不同耗时不同且相对固定的特点，将行人在某一地点从事固定活动对应的固定位置作为典型坐标位置，并以停留时间作为定位判断的条件，即将IMU数据集中的三轴角速度值为零或接近零时的持续时长作为判断条件，则有：

当停留时间未超过设定的时间阈值时，则输出PDR定位结果；

当停留时间超过设定的时间阈值时，则根据地点-活动-停留时长表查表得到地点对应的典型坐标位置，当典型坐标位置与PDR定位结果的差值小于定位阈值时，则证明PDR定位结果可靠，输出PDR定位结果，否则证明PDR定位结果不可靠，输出地点对应的典型坐标位置及地点名称。

所述的地点-活动-停留时长表具体形式为：

所述的时间阈值设置为20s，所述的定位阈值为0.3m。

所述的步骤4)具体包括以下步骤：

41)定义状态转移方程X_n和观测方程，则有：

其中，q为状态转移方程的非高斯分布的过程噪声，x'_n、y'_n为第n步的预测位置，θ_n'为第n步的预测方向角，(x_n-1，y_n-1)为第n-1步的融合定位结果，l_n-1、θ_n-1为第n-1步的步长和方向角，Δθ为方向角的估计增量，r为观测方程的测量噪声，

为RSSI定位结果；

42)设定融合初始定位结果和初始协方差矩阵，在每一步迭代中计算卡尔曼增益，并更新状态和协方差矩阵，最终迭代得到融合定位结果。

与现有技术相比，本发明具有以下优点：

一、本发明利用低功耗蓝牙5.1信标采集RSSI数据，由于其具有功耗低，传输距离远的特点，大大提高了设备的使用周期，并且其无需WIFI辅助定位的特点使其更具有普适性。

二、本发明利用CNN卷积神经网络技术取代传统根据RSSI测距方法进行RSSI定位，防止了因多径效应和信号不稳定带来的复杂环境干扰问题，并且相较于其他神经网络模型如DNN，不必根据不同的RSSI数据集建立多个定位模型，可动态调整定位模型。

三、本发明针对PDR算法的误差累积问题，提出了根据停留时间长短判断所处位置的方法，修正原始的PDR定位结果，减小行人长时间不动带来的累计误差使得定位结果精度更高。

四、本发明利用EKF扩展卡尔曼滤波的方法将RSSI定位结果和修正后的PDR定位结果进行融合定位，进一步减小误差，提高定位精度，并能连续定位行人轨迹。

附图说明

图1为本发明的方法流程图。

图2为场景地图。

图3为CNN室内定位模型图。

图4为PDR算法流程图。

图5为模式①定位轨迹比较图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本发明提供一种改进PDR与RSSI融合的蓝牙室内定位方法，包括以下步骤：

步骤S1：在8.85m×8.03m的模拟家庭实验场景中，部署7个蓝牙5.1信标用于采集信号强度值，并根据实地测量在Matlab软件上通过编程绘制实验场景地图，如图2所示。

步骤S2：使用蓝牙5.1信标，根据其发射的信号强度建立RSSI离线指纹数据库，采集离线蓝牙信标位置指纹数据，汇总所有房间的指纹数据，考虑到RSSI的稳定性，因此与每个信标的接触时间不少于5分钟收集每个房间指纹点的信号强度特征，建立更加准确稳定的指纹数据库。

由于现有的室内定位技术难以突破定位精度的瓶颈，而深度学习在图像和语音处理等方面的成熟应用使室内定位有了新的研究方案，基于蓝牙的室内定位领域中在线定位阶段误差较小的是人工神经网络算法，其中DNN和CNN算法在提高定位精度方面取得了不错的成绩，由于DNN算法存在定位模型受信标数量影响，本发明最终选择采用CNN算法进行室内定位。

步骤S3：根据人在家庭中不同时间段的不同活动行为分为四种模式，分别为：

①门—床—厕所(洗漱)—厨房(做早饭)—餐桌—厨房(洗碗)—卧室(换衣服)—书桌(看书)—客厅(看电视)—门(离家)；

②门—卧室(换衣服)—厕所—客厅(休息娱乐)—厨房(做午饭)—餐桌—厨房(洗碗)—床(午睡)—书桌(看书)—门(离家)；

③门—客厅(休息娱乐)—厨房(做晚饭)—餐桌—厨房(洗碗)—客厅(看电视)—厕所(洗澡)—床(睡觉)—门(离家)；

④门—厕所—书桌(看书)—床—厨房(打扫)—餐桌(打扫)—门(离家)。

以上四种行人的活动模式持续时间为11.5±1.5mins完成四种模式下的左右脚IMU单元数据的采集，包括三轴加速度、角速度数据。

步骤S4：由于收集数据初期存在信号不稳定，左右脚IMU调试不同步等情况，所以为了保证数据的有效性剔除收集到的RSSI和IMU数据集的前三十秒数据进行数据预处理。并且为了实现用神经网络的方法对行人进行室内定位，将有标签的RSSI数据集按5:1的比例划分为训练集和测试集，为进一步提高定位精度，采用将左右脚收集到的IMU数据进行融合取均值。

步骤S5：获取RSSI定位结果，为了实现CNN解决室内定位问题，本发明将预处理后的RSSI数据集转化为像素大小为[25,25,1]的仅具有黑色像素的图像，其中25和25表示将室内分割为正交的25x25个方格，1表示楼层数，每个信标的传感器位置坐标(x，y，1)对应一个所在方格，方格的灰度值由信标测得的RSSI值处理后赋值，具体处理方式为：信标测得的RSSI值除以RSSI测量最小值(本例中设定为-200)，其余方格均为黑色，由此构成一张带有位置标记的样本图像，例如，假设在(4,8)的位置测量蓝牙信标的RSSI为-50dBm，第i个蓝牙信标的位置为(x_i,y_i),那么坐标(x_i,y_i,1)的值设为标准化值-50/-200dBm，然后采用位置(x,y)的坐标(4,8)标记这个样本图像，对每个位置生成这样的图像，从而生成与RSSI数据集中的样本一样多的图像。训练模型使用反向传播算法训练整个网络，CNN通过训练一个个灰度图像来预测行人位置。当CNN网络达到稳定则保存网络参数，停止训练，否则，从新的训练样本集中选择输入继续训练。通过多次训练后得出效果最好的CNN模型，形成基于CNN的RSSI指纹库模型，从而判断输出行人的位置坐标(x,y)，本发明采用的CNN定位模型由两层卷积层，两层池化层和两层全连接层组成，其中第一层卷积层的卷积核(滤波器)大小为7，第二层卷积层的卷积核(滤波器)大小为5，两层卷积层的卷积核子矩阵维度均为12，步幅均为1，激活函数为ReLU；两层池化层的卷积核(滤波器)大小均为2，步幅均为2，池化标准均为MAX最大值标准，CNN定位模型结构如图3所示。

步骤S6：利用已经处理过的IMU数据，通过PDR算法进行定位，通过步频检测、步长计算、方向推算实现行人定位，整个PDR算法定位流程图如图4所示，过零点检测和波峰检测算法进行步态检测，步频计算公式如下：

其中，N_peak为波峰个数，N_valley为波谷个数；peak＝1表示加速度数据为波峰，valley＝1表示加速度数据为波谷，ν_zi每个采样点第i时刻沿z轴方向的速度，λ为通过经验数据取得的波峰波谷检测的阈值，用N_peak和N_valley中的较小值表示最终步数。

利用步长估计算法的常数模型Len_stride＝s/n进行步长估算。

在PDR惯性导航系统中，通常需要使用地理坐标系和载体坐标系来描述载体的运动信息，由于本发明中使用的IMU是在东北天机体坐标系下测得的加速度、角速度等数据，而PDR惯性导航系统的位置推算过程是获得目标在地理坐标下的位置和方向。因此，在惯性导航中需要将获取到的惯性数据进行坐标转换，即将运动向量从机体坐标系变换到地理坐标系。转换前首先需要计算横滚角γ、俯仰角θ和航向角

。由欧拉角存在“万向节死锁”的问题，所以本发明采用四元数转换方法，转换前首先需要计算横滚角γ、俯仰角θ和航向角

。

姿态角旋转顺序：偏航(Z轴)—俯仰角(X轴)—横滚角(Y轴)将导航坐标系n通过三次旋转，旋转到与载体坐标系b对齐：

第一个转动角度：偏航角(绕Z轴旋转φ角)，旋转矩阵为：

第二个转动角度：俯仰角(绕X轴旋转θ角)，旋转矩阵为：

第三个转动角度：横滚角(绕Y轴旋转γ角)，旋转矩阵为：

则有：

所以姿态矩阵为：

则有：

记

则三个姿态角的计算公式为：

四元数的定义如下：

四元数的更新方程为：

式中，w_x、w_y、w_z分别代表陀螺仪输出的三轴角速度。

用四元数表示从机体坐标系到地理坐标系的旋转矩阵，如下所示：

从公式(12)可知，只要在当前时刻获得IMU机体坐标系到地理坐标系转换的四元数，可以将由IMU在机体坐标系中获取的惯性数据转换为地理坐标系以用于后续数据处理。

由此获取到行人在第n-1步的前进方向θ_n-1后，经PDR算法的定位结果的计算公式如下：

步骤S7：由于在家庭生活场景中，人的行为在具体某个房间的活动及活动时长相对固定，所以可以将此作为定位判断条件之一，针对PDR算法存在的累计误差问题，提出一种根据行人在同一地点停留时间长短判断所在位置的方法(基于停留时长的PDR修正算法)来修正初始PDR定位结果，根据实验观察，相关活动及所需时间如表1所示。

表1相关活动及所需时间

地点	活动	停留时长(h)	本房间信标RSSI值(dBm)
				床	睡觉(含午睡)	<8	-57—-65
书桌	看书	<2	-39—-63
				厕所	洗漱、洗澡	<0.5	-37—-63
厨房	做饭、洗碗	<1	-48—-60
				餐桌	用餐	<0.4	-37—-57
客厅	休息娱乐	<1.5	-39—-66
				门口	换鞋，进出门准备	<0.25	-57—-61

基于停留时长的PDR修正算法的介绍如下：

由于本例采用的消费级别IMU中的加速度计、陀螺仪和磁力计等传感器精度较低，在记录数据时会因设备问题产生一定误差，使步长和航向角随步数的增加而产生累计误差，尤其是人长期静止不动时，造成的误差漂移更大，当人在房间较长时间不动时，定位点存在较大跳动的情况。

因此本发明根据不同房间进行活动不同耗时不同且相对固定的特点，将停留时间作为特征进行定位判断，即IMU数据集中的三轴角速度值为零或接近零时持续时间长短作为判断条件，提出了一种基于停留时长的PDR修正算法(Modified PDR algorithm basedon length of stay，BLS-MPDR)对原始PDR定位结果进行修正。根据实验观察，相关活动及所需时间如表1所示，由于人在某一房间时从事的活动相对固定，故而所处的位置也相对固定，故将此固定位置定义为典型坐标位置。

基于停留时长的PDR修正算法的流程为：

②计算IMU数据的三轴加速度和角速度的停止更新时间；

②判断该停止更新时间是否大于二十秒，若不是，输出PDR定位结果，结束此流程，否则，将计算出的停止更新时间与表1所列停留时间进行活动及地点匹配；

③输出匹配到的房间名称的典型坐标位置；

④将PDR定位结果与输出的典型坐标进行比较，若其差值小于0.3m，说明PDR定位结果可靠，输出PDR定位结果；否则，输出此房间的典型坐标及房间名称。

步骤S8：利用EKF滤波器将获得的RSSI定位结果和修正后的PDR定位结果进行融合，得到最终定位结果，具体的动态位置信息建模过程如下：

状态转移方程：

其中，q为状态转移方程的非高斯分布的过程噪声，x'_n、y'_n为第n步的预测位置，θ'_n为第n步的预测方向角，(x_n-1，y_n-1)为第n-1步的融合定位结果，l_n-1、θ_n-1为第n-1步的步长和方向角，Δθ为方向角的估计增量；

观测方程：

其中，θ_n为行人在第n步时刻的方向角，r为观测方程的测量噪声，

为RSSI定位结果。

设系统的融合初始定位结果为(x₁,y₁)，初始协方差矩阵为P₁。则系统的先验估计为：

X'_n＝F_nX_n-1 (16)

其中，F_n为由x计算出来的状态转移矩阵；Q为过程噪声q的协方差矩阵由PDR定位的X、Y轴和方向角的平均误差δ_x、δ_y和δ_θ组成。

在更新阶段，第n步时刻的卡尔曼增益：

其中，H为观测矩阵；R为测量噪声r的协方差矩阵，由RSSI定位的X、Y、Z轴和方向角的平均误差

和δ_θ以及PDR定位的步长估计的平均误差δ_s组成。

由观测变量Y_n更新状态和协方差矩阵，系统的后验状态估计为：

第n步时刻的后验误差协方差矩阵：

这样循环更新至输出X_n的定位结果(x_n,y_n)。

综上，本发明首次结合场景自身特点，依据在室内尤其是家庭生活场景中，每个房间活动类型及时长相对固定的特点，提出了一种基于RSSI和PDR算法的室内人员定位方法以及基于停留时长的PDR修正算法(BLS-MPDR)。通过EKF技术，优化融合从IMU获取的行人运动数据产生的PDR定位结果和RSSI定位结果，生成最终的定位结果。针对室内定位场景，该方法具有易于维护、成本低、定位精度高的特点，为针对如老年人、智力低下患者等特殊群体的室内监护提供了新方法。

Claims (5)

1.一种改进PDR与RSSI融合的蓝牙室内定位方法，其特征在于，包括以下步骤：

1)构建RSSI定位灰度图集作为CNN定位模型的训练集，采用训练好的CNN定位模型进行RSSI定位，获得初始RSSI定位结果，具体包括以下步骤：

11)构建RSSI数据集：

在室内场景中，通过布置的蓝牙信标采集室内场景各位置的信号强度值，将位置信息与对应的信号强度值共同构建RSSI数据集，所述的蓝牙信标具体为蓝牙5.1信标，每个蓝牙信标的接触时间不少于5分钟，用以收集每个房间指纹点的信号强度值；

12)构建RSSI定位灰度图集：

将室内场景分割为多个正交的方格，将RSSI数据集中的一个位置信息对应的信号强度值统一处理后作为该位置所在方格的灰度值，其余方格均为黑色，以此构成一幅灰度图，由此遍历RSSI数据集的所有数据生成对应的RSSI定位灰度图集；

13)构建CNN定位模型：

将RSSI定位灰度图集作为CNN定位模型的训练集进行训练，得到训练好的CNN定位模型，将待预测的灰度图输入到训练好的CNN定位模型中即可得到预测的行人位置坐标；

2)根据惯性测量单元IMU采集行人的行走数据构建IMU数据集，采用PDR算法进行定位，获得初始PDR定位结果，具体包括以下步骤：

21)根据惯性测量单元IMU采集行人的行走数据，包括三轴加速度和三轴角速度数据，对行走数据进行预处理后构建IMU数据集；

22)根据IMU数据集分别进行步频检测、步长计算和方向推算后得到行人初始PDR定位结果；

3)采用基于停留时长的PDR修正算法对初始PDR定位结果进行修正，具体为：

对于行人长期静止不动时PDR算法存在累计误差的情况，根据室内场景不同地点进行活动不同耗时不同且相对固定的特点，将行人在某一地点从事固定活动对应的固定位置作为典型坐标位置，并以停留时间作为定位判断的条件，即将IMU数据集中的三轴角速度值为零或接近零时的持续时长作为判断条件，则有：

当停留时间未超过设定的时间阈值时，则输出PDR定位结果；

当停留时间超过设定的时间阈值时，则根据地点-活动-停留时长表查表得到地点对应的典型坐标位置，当典型坐标位置与PDR定位结果的差值小于定位阈值时，则证明PDR定位结果可靠，输出PDR定位结果，否则证明PDR定位结果不可靠，输出地点对应的典型坐标位置及地点名称，所述的地点-活动-停留时长表具体形式为：

4)采用EKF滤波器将修正后的PDR定位结果与RSSI定位结果进行融合，得到最终的定位结果。

2.根据权利要求1所述的一种改进PDR与RSSI融合的蓝牙室内定位方法，其特征在于，所述的步骤13)中，CNN定位模型采用CNN网络，其由两层卷积层、两层池化层和两层全连接层构成，其中，第一层卷积层的卷积核大小为7，第二层卷积层的卷积核大小为5，两层卷积层的卷积核子矩阵维度均为12，步幅均为1，激活函数为ReLU，两层池化层的卷积核大小均为2，步幅均为2，池化标准均为MAX最大值标准。

3.根据权利要求1所述的一种改进PDR与RSSI融合的蓝牙室内定位方法，其特征在于，所述的步频检测采用波峰波谷检测方法，步长采用步长估计非线性模型得到，方向推算通过坐标系转换后采用四元数表示方向角。

4.根据权利要求1所述的一种改进PDR与RSSI融合的蓝牙室内定位方法，其特征在于，所述的时间阈值设置为20s，所述的定位阈值为0.3m。

5.根据权利要求1所述的一种改进PDR与RSSI融合的蓝牙室内定位方法，其特征在于，所述的步骤4)具体包括以下步骤：

41)定义状态转移方程X_n和观测方程，则有：

其中，q为状态转移方程的非高斯分布的过程噪声，x'_n、y'_n为第n步的预测位置，θ′_n为第n步的预测方向角，(x_n-1，y_n-1)为第n-1步的融合定位结果，l_n-1、θ_n-1为第n-1步的步长和方向角，Δθ为方向角的估计增量，r为观测方程的测量噪声，

为RSSI定位结果；

42)设定融合初始定位结果和初始协方差矩阵，在每一步迭代中计算卡尔曼增益，并更新状态和协方差矩阵，最终迭代得到融合定位结果。

Images