CN113411741A - 一种基于WiFi和地磁指纹的分区融合定位方法 - Google Patents

一种基于WiFi和地磁指纹的分区融合定位方法 Download PDF

Info

Publication number
CN113411741A
CN113411741A CN202011142867.2A CN202011142867A CN113411741A CN 113411741 A CN113411741 A CN 113411741A CN 202011142867 A CN202011142867 A CN 202011142867A CN 113411741 A CN113411741 A CN 113411741A
Authority
CN
China
Prior art keywords
rss
fingerprint
geomagnetic
wifi
fingerprints
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
Application number
CN202011142867.2A
Other languages
English (en)
Other versions
CN113411741B (zh
Inventor
贾扬帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Guotian Electronic Technology Co ltd
Original Assignee
Hunan Guotian Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Guotian Electronic Technology Co ltd filed Critical Hunan Guotian Electronic Technology Co ltd
Priority to CN202011142867.2A priority Critical patent/CN113411741B/zh
Publication of CN113411741A publication Critical patent/CN113411741A/zh
Application granted granted Critical
Publication of CN113411741B publication Critical patent/CN113411741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明一种基于WiFi和地磁指纹的分区融合定位方法，包括以下步骤：S1：利用堆叠自编码器对根据整个区域内的离线RSS数据按照均方误差最小原则进行重构；S2：对离线RSS数据重构完成后，将堆叠自编码器的解码层断开，保存编码层；按照BP算法微调整个网络，使得分类的精度得到优化；S3：将地磁信号从载坐标系转换为导航坐标系；S4：检验测试点。根据RSS的稀疏性，采用堆叠自编码器提取RSS的特征；然后将场景划分为特定的区域，即对RSS样本添加标签信息，根据堆叠自编码器提取RSS的特征进行分类；最后在每个区域内，将RSS和地磁作为混合指纹输入到回归神经网络内进行拟合。该算法在室内场景条件下能够取得非常好的重构、分类、拟合误差。

Description

一种基于WiFi和地磁指纹的分区融合定位方法
技术领域
本发明属于本发明属于无线通信、机器学习以及室内指纹定位技术领域，涉及一种基于WiFi和地磁指纹的二级分区融合定位的方法。
背景技术
全球移动设备用户数量的快速增长催生了许多新的服务和应用，其中基于位置的服务LBSs(Location Based Services)已经变得无处不在，而且对它们的需求正在呈指数增长，准确的位置信息在实际应用中起到了重要的作用。和其他技术相比，手机单元的普适计算、位置感知能力是使LBSs 快速催生的最主要因素。
全球定位系统(Global Position System，GPS)可以提供高质量、稳定的室外定位精度，但是，因为墙体的阻挡，达到室内的GPS信号会大幅度的衰减，而且室内环境存在多径效应和非视距传输，导致GPS信号无法提供精确的室内定位信息，所以当前室内定位的技术不适合应用到室内场景中。
为了解决室内定位问题，研究人员提出了基于WiFi、UWB、蓝牙等技术的解决方案。其中，基于WiFi定位技术可以借助于公共网络设施、无需增设额外硬件设备，逐渐成为了室内定位的首选解决方案。一般情况下，智能设备在室内公共场所都能接收到一定数目的WiFi信号，这些WiFi信号的接收信号强度(Received Signal Strength,RSS)作为指纹可以提供丰富的位置区分信息。但是复杂的室内环境会使WiFi信号容易受到信号衰减、多径效应、人体阻挡等影响，从而导致其定位精度有限。
随着越来越多的传感器集成到智能手机中，如加速度传感器，陀螺仪，磁强计，气压计等，利用惯性传感器的定位技术以其无需任何基础设施，不易被环境干扰等特点受到研究人员越来越多的关注。其中，地磁在室内环境中普遍存在，基于地磁的室内定位技术不需要额外的设备，成本低廉，而且在同样的环境下，地磁信号比WiFi信号更加稳定，对位置的变化更为为敏感。但是地磁信号具有较低的位置分辨性，在较大区域内不同采样点的地磁信号可能会相同，导致定位出现误差。
单一的室内定位技术已经不能满足人们对位置的需求，多种定位技术结合已成为室内定位的主流方向，而基于WiFi、地磁信号的融合类定位算法可以优势互补，从而实现更精准的室内定位。
发明内容
本发明提出了一种基于WiFi和地磁指纹的分区融合定位方法，本发明的目的在于，为解决以下三个问题的存在而导致的在复杂大型室内场景条件下定位结果误差大：①在室内场景中采集得到的指纹维度空间比较大，容易存在局部区域的“维数灾难”；②WiFi信号传播容易受到复杂的室内环境的影响，从而产生诸如多径效应、同频干扰、非视距传输等现象，也就是说信号空间和物理空间不是简单的线性映射关系；③仅依赖WiFi指纹无法最大化利用智能手机丰富传感器的信息获取功能，从而导致定位精度不高。
为达到上述目的，本发明的技术方案如下；包括以下步骤：
S1：利用堆叠自编码器(Stacked Autoencoders)对根据整个区域内的离线RSS数据按照均方误差最小原则进行重构，得到堆叠自编码器(Stacked Autoencoders)网络的权值和偏置参数；
S2：对离线RSS数据重构完成后，将堆叠自编码器(Stacked Autoencoders)的解码层(Decoder)断开，保存编码层(Encoder)；然后在 Encoder后连接一个分类器，先设定好区域数目N值，根据交叉熵原则，按照BP算法微调整个网络，使得分类的精度得到优化；
S3：将地磁信号从载坐标系转换为导航坐标系，同时将地磁信号投影到水平方向(horizontal plane)Bh和垂直方向(vertical direction)Bv，和地磁信号的模值||Bp||组合为三维向量(Bh,Bv,||Bp||)，在Encoder后连接一个全连接的回归网络，把三维向量(Bh,Bv,||Bp||)和RSS组成混合指纹在每个类内对离线参考点的坐标进行拟合，根据均方根误差(Root Mean Squared Error, RMSE)最小原则微调整个网络，当每个类内的离线参考点都达到收敛时停止训练；
S4：对于测试点，首先根据步骤S2划分其位于哪一类内，然后在根据步骤S3求解出拟合的坐标，最后计算出测试点的平均定位误差。
作为上述方案的进一步改进；
基于指纹的室内定位方法包括指纹映射(离线)和定位(在线)2个阶段。
所述指纹映射阶段，采集均匀分布在室内场景中参考点(Reference points,RPs)处的相关信号特征，并存储在指纹数据库中构成指纹地图 (Radio Map)。
在定位阶段，将测试点处采集到的信号特征与指纹地图中存储的指纹进行匹配，从而得到测试点的预测位置信息。
指纹映射阶段主要是构建Radio Map，Radio Map主要包括WiFi的RSS 指纹和地磁信号指纹组成。
所述RSS指纹，首先将室内场景均匀分割为若干个区域，每个区域内均匀分布着若干个参考点(RPs)，在这些参考点(RPs)上收集无线接入点(Access points,APs)传输的RSS，这些RPS处的RSS构成了离线RSS指纹库，第i个参考点RPi处的RSS指纹表示为：
Figure BDA0002738752560000031
其中，labeli表示RPi的类别信息，(xi,yi)表示RPi的坐标信息，MACi,j,RSSi,j表示在RPi处收集到AP的Mac地址为MACi,j的RSSi,j，ki是可以检测到AP 的数目。
所述地磁信号是一个三维矢量Bp＝(Bpx,Bpy,Bpz)，由集成于智能手机中的磁力计采集得到，其中Bpx,Bpy,Bpz表示磁力计的三轴分量，Bpx,Bpy分别指向地理的北向和东向，Bpz与重力方向一致。即使智能手机处于同一位置，每个分量的大小也会随着终端方向的改变而不同。所以我们需要将终端所在的载体坐标系转换为导航坐标系，采用旋转矩阵进行坐标系转换。
利用手机重力传感器将Bp投影到水平方向Bh和垂直方向Bv，组成一个全新的二维地磁指纹向量(Bh,Bv)，简称为HV指纹。为了增加指纹的维度，我们将HV指纹和||Bp||指纹混合组成三维向量(Bh,Bv,||Bp||)。
所述定位阶段，将测试点处采集到的信号特征与指纹地图中存储的指纹进行匹配，从而得到测试点的预测位置信息。
所述地磁指纹的求解包括坐标系的转换：载体坐标系→导航坐标系。采用旋转矩阵方法，对于室内定位系统来讲，通常用X轴和Y轴来定义地图上的位置，而用Z轴来定义地面上的高度，该系统主要用来定义地图内的位置。智能手机可以通过沿XYZ轴旋转来实现坐标系转换，定义绕XYZ方向旋转的矩阵如下：
Figure BDA0002738752560000041
其中，φ,θ,ψ分别定义为滚动(roll)、俯仰(pitch)、偏航(yaw)角。采用的旋转顺序为XYZ，记为Rxyz(旋转顺序)。
设手机的重力加速度计读数表示为Gp＝(Gpx,Gpy,Gpz)，Gpx,Gpy,Gpz分别表示重力加速度计Gp的三轴分量。设地球磁场强度Br，境中附加在地球磁场上的环境噪声为V＝(Vx,Vy,Vz)，设重力加速度g＝9.8ms-2，那么可以得到下式：
Bp＝Rx(φ)Ry(θ)Rz(θ)Br+V
Figure BDA0002738752560000051
通过上式可以求解出φ,θ,ψ分别如下：
Figure BDA0002738752560000052
Figure BDA0002738752560000053
Figure BDA0002738752560000054
偏航角的求解需要知道陀螺仪的朝向，一般不考虑Z轴方向的旋转，旋转矩阵可以简化为。
Bf＝Ry(-θ)Rx(-φ)Bp
完成坐标系转换后，再将三维磁场矢量Bf＝(Bfx,Bfy,Bfz)投影到水平方向(horizontal plane)Bh和垂直方向(vertical plane)Bv组成HV分量，如下所示：
Figure BDA0002738752560000055
Figure BDA0002738752560000056
为了扩充指纹维度，将(Bh,Bv,||Bp||)组成三维矢量作为磁场强度指纹，第 i个参考点RPi处的磁场指纹表示为：
MFPi＝{labeli,(xi,yi),Bi,h,Bi,v,||Bi,p||}。
有益效果：本发明提出的基于WiFi和地磁指纹的分区融合定位方法，首先根据RSS的稀疏性，采用堆叠自编码器提取RSS的特征；然后将场景划分为特定的区域，即对RSS样本添加标签信息，根据堆叠自编码器提取RSS 的特征进行分类；最后在每个区域内，将RSS和地磁作为混合指纹输入到回归神经网络内进行拟合。该算法在室内场景条件下能够取得非常好的重构、分类、拟合误差。
Stacked Autoencoders通过多层非线性的隐含层结构学习低层输入数据的特征，能够从冗余含噪的RSS指纹库中提取有效的特征，构建函数映射关系。
传统定位模型的定位误差容易受到离线阶段参考点的采样间隔的影响，本文针对大型场景的物理限制，将场景划分为不同的区域，按照RSS 的特征，把在线测试点分类到区域内后，再在每个类内进行回归，增加的类别信息可以带来定位性能上的增益。
考虑了不同特征的数据融合，针对WiFi信号在大范围区分度高，而局部区分度低，地磁信号大范围区分度较低，而局部差异明显，将两者结合可以互相弥补各自缺点，显著提高定位效果。
附图说明
图1是本发明的流程图。
图2是本发明的实验场景图。
图3是载体、导航坐标系示意图。
图4是Stacked Autoencoders的重构误差图。
图5是实验场景区域划分图。
图6是分类误差图。
图7是最终定位结果误差图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：基于指纹的室内定位方法它具体分为两个阶段：指纹映射(离线)和定位(在线)。在指纹映射阶段，采集均匀分布在室内场景中参考点(Reference points,RPs)处的相关信号特征，并存储在指纹数据库中构成指纹地图(Radio Map)；在定位阶段，将测试点处采集到的信号特征与指纹地图中存储的指纹进行匹配，从而得到测试点的预测位置信息。
指纹映射阶段主要是构建Radio Map，Radio Map主要由WiFi的RSS 指纹和地磁信号指纹组成。对于RSS指纹，首先将室内场景均匀分割为若干个区域，每个区域内均匀分布着若干个RPs，在这些RPs上收集无线接入点(Access points,APs)传输的RSS，这些RPS处的RSS构成了离线RSS指纹库，第i个参考点RPi处的RSS指纹表示为：
Figure BDA0002738752560000071
其中，labeli表示RPi的类别信息，(xi,yi)表示RPi的坐标信息，MACi,j,RSSi,j表示在RPi处收集到AP的Mac地址为MACi,j的RSSi,j，ki是可以检测到AP的数目。
地磁信号由集成于智能手机中的磁力计采集得到，是一个三维矢量 Bp＝(Bpx,Bpy,Bpz)，其中Bpx,Bpy,Bpz表示磁力计的三轴分量，Bpx,Bpy分别指向地理的北向和东向，Bpz与重力方向一致。即使智能手机处于同一位置，每个分量的大小也会随着终端方向的改变而不同。所以我们需要将终端所在的载体坐标系转换为导航坐标系，本实施例采用旋转矩阵进行坐标系转换。
如图1所示，一种基于WiFi和地磁指纹的分区融合定位方法，包括如下步骤：
①在待定位的室内场景中，确定好定位区域、离线参考点、可以接收到的AP数目。本实施例选取某大学主楼大厅作为实验场景，该场景为一个典型的空旷区域，中间区域有障碍物的阻挡，整体上呈现出对称趋势，实验平面图如图2所示。采样面积共41.26×26.1＝1076.9m2，其中黑色圆点为离线参考点，共有97个，每个参考点间距2.4或1.6m，在每个离线参考点处的采样时间间隔为200ms，采样时间为30s，重复3次采集信号。对所有离线参考点采集到的RSS信号按照Mac地址求并集共得到262个AP，而且 AP的位置不确定。RSS和地磁信号数据采集时均带有时间戳、对应点的坐标位置和标签信息。将离线参考点坐标、标签、RSS、地磁信号、重力加速度计、时间戳上传并保存构成原始指纹地图。
②将重力加速度计和地磁信号的时间戳对齐，结合重力加速度计读数 Gp＝(Gpx,Gpy,Gpz)，采用旋转矩阵的方法将载体坐标系转换到导航坐标系，坐标系转换如图3所示，在忽略Z轴方向旋转的前提下，求解出φ,θ角从而将Bp＝(Bpx,Bpy,Bpz)转换为Bf＝(Bfx,Bfy,Bfz)，然后再将Bf投影到水平方向 (horizontal plane)Bh和垂直方向(vertical plane)Bv组成HV分量：
Figure BDA0002738752560000081
Figure BDA0002738752560000082
为了扩充地磁指纹的维度，将(Bh,Bv,||Bp||)组成三维矢量作为磁场强度指纹，第i个参考点RPi处的RSS、地磁指纹可分别表示为：
Figure BDA0002738752560000083
MFPi＝{labeli,(xi,yi),Bi,h,Bi,v,||Bi,p||}
其中，labeli表示RPi的类别信息，(xi,yi)表示RPi的坐标信息，MACi,j,RSSi,j表示在RPi处收集到AP的Mac地址为MACi,j的RSSi,j，ki＝262是可以检测到 AP的数目。
相对WiFi信号而言，地磁信号的更新扫描频率更快，在同样的采集时间参数下，每个参考点处可以采集到2000个样本。本实施例以3s为一组求解出||BP||的方差最小的前10作为最终的地磁信息。
本实施例利用手机重力传感器将Bp投影到水平方向Bh和垂直方向Bv，组成一个全新的二维地磁指纹向量(Bh,Bv)，简称为HV指纹。为了增加指纹的维度，我们将HV指纹和||Bp||指纹混合组成三维向量(Bh,Bv,||Bp||)。
地磁指纹的求解关键步骤为坐标系的转换：载体坐标系→导航坐标系。本实施例采用旋转矩阵方法，对于室内定位系统来讲，通常用X轴和Y轴来定义地图上的位置，而用Z轴来定义地面上的高度，该系统主要用来定义地图内的位置。智能手机可以通过沿XYZ轴旋转来实现坐标系转换，定义绕XYZ 方向旋转的矩阵如下：
Figure BDA0002738752560000091
其中，φ,θ,ψ分别定义为滚动(roll)、俯仰(pitch)、偏航(yaw)角。采用的旋转顺序为XYZ，记为Rxyz(旋转顺序)。
设手机的重力加速度计读数表示为Gp＝(Gpx,Gpy,Gpz)，Gpx,Gpy,Gpz分别表示重力加速度计Gp的三轴分量。设地球磁场强度Br，境中附加在地球磁场上的环境噪声为V＝(Vx,Vy,Vz)，设重力加速度为g＝9.8ms-2，那么可以得到下式：
Bp＝Rx(φ)Ry(θ)Rz(θ)Br+V
Figure BDA0002738752560000101
通过上式可以求解出φ,θ,ψ分别如下：
Figure BDA0002738752560000102
Figure BDA0002738752560000103
Figure BDA0002738752560000104
偏航角的求解需要知道陀螺仪的朝向，一般不考虑Z轴方向的旋转，旋转矩阵可以简化为。
Bf＝Ry(-θ)Rx(-φ)Bp
完成坐标系转换后，再将三维磁场矢量Bf＝(Bfx,Bfy,Bfz)投影到水平方向(horizontal plane)Bh和垂直方向(vertical plane)Bv组成HV分量，如下所示。
Figure BDA0002738752560000105
Figure BDA0002738752560000106
为了扩充指纹维度，将(Bh,Bv,||Bp||)组成三维矢量作为磁场强度指纹，第 i个参考点RPi处的磁场指纹表示为：
MFPi＝{labeli,(xi,yi),Bi,h,Bi,v,||Bi,p||}。
③对实验区域内所有扫描得到的AP按照Mac地址求并集后，需要将缺失的AP值替换为-110dBm。为了消除RSS、MF之间的量纲影响，需要分别对这些特征进行预处理，采用先行归一化函数，使得不同的特征统一到一个相同的数据区间[0,1]内，以便分析。
Figure BDA0002738752560000111
其中X为原始数据矩阵，Xmax,Xmin分别表示X矩阵中的最大值和最小值。
④如图4所示，Stacked Autoencoders的网络结构设计为 262-128-64-128-262，网络的输入为无标签的RSS向量
Figure RE-GDA0002900914750000112
i＝1,2,…,K，其中K代表样本的个数，262代表RSS 特征的维度。考虑到后续需要对参考点的坐标进行拟合，Encoder和Decoder 的激活函数均采用Sigmod函数：f(x)＝1/(1+e-x)。当迭代次数达到2000次时，网络趋于稳定，重构误差为0.025。
利用堆叠自编码器(Stacked Autoencoders)对根据整个区域内的离线 RSS数据按照均方误差最小原则进行重构，得到Stacked Autoencoders网络的权值和偏置参数。
⑤如图5所示；根据实验场景的物理限制，我们将整个区域划分为5类，即对离线训练和在线测试数据样本添加上标签1-5，区域划分。
当对所有的离线RSS数据重构完成后，把Stacked Autoencoders的 Decoder层断开，保留Encoder层的结构和参数，并在Encoder层后面添加一个分类器组成深度神经网络(DNN)，利用交叉熵作为损失函数，如下式所示。其中N为类别的个数，利用BP算法微调整个网络，使得分类的定位精度最优。
Figure BDA0002738752560000113
分类完成后，绘制混淆矩阵图，查看分类的正确率，分类结果如图6所示，其中横坐标表示分类器的判别输出的类别，纵坐标表示样本实际的类别信息，最下面一行表示每一类判别的正确率和误判率。从混淆矩阵图中看出分类的平均正确率可以达到96.6％，分类错误主要出现在第2类错判为第5类以及第三类错判为第2类。
对所有的离线RSS数据重构完成后，将Stacked Autoencoders的解码层(Decoder)断开，保存编码层(Encoder)。然后在Encoder后连接一个分类器，事先设定好区域数目N值，根据交叉熵原则，按照BP算法微调整个网络，使得分类的精度得到最优。
⑥考虑到地磁在大范围内的分辨能力不足，所以当分类完成后，在 Encoder层后面添加一个全连接的回归网络，在每个类内将RSS和(Bh,Bv,||BP||) 组成292维的混合指纹作为回归神经网络的输入，最后根据RMSE准则求解最终的定位误差：
Figure BDA0002738752560000121
将地磁信号从载坐标系转换为导航坐标系，同时将地磁信号投影到水平方向(horizontal plane)Bh和垂直方向(vertical direction)Bv，和地磁信号的模值||Bp||组合为三维向量(Bh,Bv,||Bp||)，在Encoder后连接一个全连接的回归网络，把(Bh,Bv,||Bp||)和RSS组成混合指纹在每个类内对离线参考点的坐标进行拟合，根据均方根误差(RootMean Squared Error,RMSE)最小原则微调整个网络，当每个类内的离线参考点都达到收敛时停止训练。
对于测试点，首先根据②划分其位于哪一类内，然后在根据③求解出拟合的坐标，最后计算出测试点的平均定位误差。
同时为了验证所提出的定位算法的性能，本实施例选取四种对比方案：
(1)WiFi分类定位误差：分类完成后，只用RSS来估计在线测试点的位置；
(2)WiFi不分类定位误差：对整个实验场景不划分区域，直接用堆叠自编码器的Encoder层+回归函数组成DNN网络估计在线测试点的位置；
(3)ISODATA：采用ISODATA算法对RSS特征聚类后，再利用支持向量回归(SVR)估计在线测试点的位置；
(4)autosvr：采用堆叠自编码器对RSS进行分类，然后利用支持向量回归(SVR)估计测试点的位置。
最终定位结果如图7所示，从图中可以看出，对于大型实验场景内，在高分类精度的条件下，该发明能够带来定位性能上的增益，较大的定位误差主要是由分类错误造成的；地磁信号作为RSS的辅助信息，在低定位误差区间内能够带来增益；而ISODATA聚类算法不太适合稀疏的RSS信号。本发明所提出的算法与尚明所提及的四种算法的平均定位误差见表1。
Figure BDA0002738752560000122
Figure BDA0002738752560000131
表1算法性能比较
本发明提出的基于WiFi和地磁指纹的分区融合定位方法，首先根据RSS 的稀疏性，采用堆叠自编码器提取RSS的特征；然后将实验场景划分为特定的区域，即对RSS样本添加标签信息，根据堆叠自编码器提取RSS的特征进行分类；最后在每个区域内，将RSS和地磁作为混合指纹输入到回归神经网络内进行拟合。实验结果分析可得，该算法在室内场景条件下能够取得非常好的重构、分类、拟合误差。
综上所述，本发明和上述定位模型相对，最大的优点在于：
①Stacked Autoencoders通过多层非线性的隐含层结构学习低层输入数据的特征，能够从冗余含噪的RSS指纹库中提取有效的特征，构建函数映射关系；
②传统定位模型的定位误差容易受到离线阶段参考点的采样间隔的影响，本发明针对大型场景的物理限制，将实验场景划分为不同的区域，按照RSS的特征，把在线测试点分类到区域内后，再在每个类内进行回归，增加的类别信息可以带来定位性能上的增益。
③考虑了不同特征的数据融合，针对WiFi信号在大范围区分度高，而局部区分度低，地磁信号大范围区分度较低，而局部差异明显，将两者结合可以互相弥补各自缺点，有效提高定位效果。
本发明中各实施例的技术方案可进行组合，实施例中的技术特征亦可进行组合形成新的技术方案。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (9)

1.一种基于WiFi和地磁指纹的分区融合定位方法，其特征在于：包括以下步骤：
S1：利用堆叠自编码器对根据整个区域内的离线RSS数据按照均方误差最小原则进行重构，得到堆叠自编码器网络的权值和偏置参数；
S2：对离线RSS数据重构完成后，将堆叠自编码器的解码层断开，保存编码层；然后在编码层后连接一个分类器，先设定好区域数目N值，根据交叉熵原则，按照BP算法微调整个网络，使得分类的精度得到优化；
S3：将地磁信号从载坐标系转换为导航坐标系，同时将地磁信号投影到水平方向Bh和垂直方向Bv，和地磁信号的模值||Bp||组合为三维向量(Bh,Bv,||Bp||)，在编码层后连接一个全连接的回归网络，把三维向量(Bh,Bv,||Bp||)和RSS组成混合指纹在每个类内对离线参考点的坐标进行拟合，根据均方根误差最小原则微调整个网络，当每个类内的离线参考点都达到收敛时停止训练；
S4：检验测试点，首先根据步骤S2划分其位于哪一类内，然后在根据步骤S3求解出拟合的坐标，最后计算出测试点的平均定位误差。
2.根据权利要求1所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：基于指纹的室内定位方法包括指纹映射和定位2个阶段。
3.根据权利要求2所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述指纹映射阶段，采集均匀分布在室内场景中参考点处的相关信号特征，并存储在指纹数据库中构成指纹地图。
4.根据权利要求3所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述指纹地图包括WiFi的RSS指纹和地磁信号指纹组成。
5.根据权利要求4所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述RSS指纹，首先将室内场景均匀分割为若干个区域，每个区域内均匀分布着若干个参考点，在这些参考点上收集无线接入点传输的RSS，这些RPS处的RSS构成了离线RSS指纹库，第i个参考点RPi处的RSS指纹表示为：
Figure FDA0002738752550000021
其中，labeli表示RPi的类别信息，(xi,yi)表示RPi的坐标信息，MACi,j,RSSi,j表示在RPi处收集到AP的Mac地址为MACi,j的RSSi,j，ki是可以检测到AP的数目。
6.根据权利要求4所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述地磁信号是一个三维矢量Bp＝(Bpx,Bpy,Bpz)，由集成于智能手机中的磁力计采集得到，其中Bpx,Bpy,Bpz表示磁力计的三轴分量，Bpx,Bpy分别指向地理的北向和东向，Bpz与重力方向一致。
7.根据权利要求6所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：利用手机重力传感器将Bp投影到水平方向Bh和垂直方向Bv，组成一个新的二维地磁指纹向量(Bh,Bv)，为了增加指纹的维度，我们将二维地磁指纹向量(Bh,Bv)和||Bp||指纹混合组成三维向量(Bh,Bv,||Bp||)。
8.根据权利要求2所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述定位阶段，将测试点处采集到的信号特征与指纹地图中存储的指纹进行匹配，从而得到测试点的预测位置信息。
9.根据权利要求8所述的基于WiFi和地磁指纹的分区融合定位方法，其特征在于：所述地磁指纹的求解包括坐标系的转换：载体坐标系转换为导航坐标系；采用旋转矩阵方法，对于室内定位系统来讲，用X轴和Y轴来定义地图上的位置，而用Z轴来定义地面上的高度，定义绕XYZ方向旋转的矩阵如下：
Figure FDA0002738752550000031
其中，φ,θ,ψ分别定义为滚动、俯仰、偏航角；采用的旋转顺序为XYZ，记为Rxyz；
设重力加速度计读数表示为Gp＝(Gpx,Gpy,Gpz)，Gpx,Gpy,Gpz分别表示重力加速度计Gp的三轴分量；设地球磁场强度Br，境中附加在地球磁场上的环境噪声为V＝(Vx,Vy,Vz)，重力加速度为g，那么可以得到下式：
Bp＝Rx(φ)Ry(θ)Rz(θ)Br+V
Figure FDA0002738752550000032
通过上式可以求解出φ,θ,ψ分别如下：
Figure FDA0002738752550000033
Figure FDA0002738752550000034
Figure FDA0002738752550000035
偏航角的求解需要知道陀螺仪的朝向，一般不考虑Z轴方向的旋转，旋转矩阵可以简化为；
Bf＝Ry(-θ)Rx(-φ)Bp
完成坐标系转换后，再将三维磁场矢量Bf＝(Bfx,Bfy,Bfz)投影到水平方向Bh和垂直方向Bv组成HV分量，如下所示；
Figure FDA0002738752550000036
Figure FDA0002738752550000041
为了扩充指纹维度，将(Bh,Bv,||Bp||)组成三维矢量作为磁场强度指纹，第i个参考点RPi处的磁场指纹表示为：
MFPi＝{labeli,(xi,yi),Bi,h,Bi,v,||Bi,p||}。
CN202011142867.2A 2020-10-23 2020-10-23 一种基于WiFi和地磁指纹的分区融合定位方法 Active CN113411741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011142867.2A CN113411741B (zh) 2020-10-23 2020-10-23 一种基于WiFi和地磁指纹的分区融合定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142867.2A CN113411741B (zh) 2020-10-23 2020-10-23 一种基于WiFi和地磁指纹的分区融合定位方法

Publications (2)

Publication Number Publication Date
CN113411741A true CN113411741A (zh) 2021-09-17
CN113411741B CN113411741B (zh) 2023-06-30

Family

ID=77677378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142867.2A Active CN113411741B (zh) 2020-10-23 2020-10-23 一种基于WiFi和地磁指纹的分区融合定位方法

Country Status (1)

Country Link
CN (1) CN113411741B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114040347A (zh) * 2021-10-29 2022-02-11 中国石油大学(华东) 一种基于深度置信网络的信号指纹定位方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170248428A1 (en) * 2016-02-25 2017-08-31 Electronics And Telecommunications Research Institute Indoor positioning system and method
CN108632753A (zh) * 2018-05-22 2018-10-09 同济大学 一种基于rssi和地磁融合的室内定位方法
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
CN109029429A (zh) * 2018-09-04 2018-12-18 电子科技大学 基于WiFi和地磁指纹的多分类器全局动态融合定位方法
CN109945865A (zh) * 2019-02-25 2019-06-28 天津大学 基于WiFi与地磁融合的室内定位方法
CA3049070A1 (en) * 2019-05-01 2019-09-16 Mapsted Corp. Neural network training for mobile device rss fingerprint-based indoor navigation
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
US20200015047A1 (en) * 2017-03-16 2020-01-09 Ranplan Wireless Network Design Limited Wifi multi-band fingerprint-based indoor positioning
CN111428819A (zh) * 2020-04-27 2020-07-17 北京工业大学 一种基于堆叠自编码网络和svm的csi室内定位方法
CN112533136A (zh) * 2020-11-26 2021-03-19 南京工业大学 一种基于深度学习的wlan指纹定位方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170248428A1 (en) * 2016-02-25 2017-08-31 Electronics And Telecommunications Research Institute Indoor positioning system and method
US20200015047A1 (en) * 2017-03-16 2020-01-09 Ranplan Wireless Network Design Limited Wifi multi-band fingerprint-based indoor positioning
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
CN108632753A (zh) * 2018-05-22 2018-10-09 同济大学 一种基于rssi和地磁融合的室内定位方法
CN109029429A (zh) * 2018-09-04 2018-12-18 电子科技大学 基于WiFi和地磁指纹的多分类器全局动态融合定位方法
CN109945865A (zh) * 2019-02-25 2019-06-28 天津大学 基于WiFi与地磁融合的室内定位方法
CA3049070A1 (en) * 2019-05-01 2019-09-16 Mapsted Corp. Neural network training for mobile device rss fingerprint-based indoor navigation
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
CN111428819A (zh) * 2020-04-27 2020-07-17 北京工业大学 一种基于堆叠自编码网络和svm的csi室内定位方法
CN112533136A (zh) * 2020-11-26 2021-03-19 南京工业大学 一种基于深度学习的wlan指纹定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FANGMIN LI, ET AL.: "Wimage: Crowd Sensing based Heterogeneous Information Fusion for Indoor Localization" *
MUHAMMAD FAHEEM MOHD EZANI: "A region-to-point indoor localization approach via RSS-magnetic fingerprinting" *
刘震宇;李嘉俊;王昆;: "一种基于深度自编码器的指纹匹配定位方法", 广东工业大学学报, no. 05 *
章裕润;吴飞;毛万葵;: "基于WiFi-GM指纹的室内定位算法" *
章裕润;吴飞;毛万葵;: "基于WiFi-GM指纹的室内定位算法", 电子科技, no. 05 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114040347A (zh) * 2021-10-29 2022-02-11 中国石油大学(华东) 一种基于深度置信网络的信号指纹定位方法

Also Published As

Publication number Publication date
CN113411741B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN110118549B (zh) 一种多源信息融合定位方法和装置
CN106556854B (zh) 一种室内外导航系统及方法
CN102918901B (zh) 在便携终端中用于识别区域的装置和方法
CN110536245B (zh) 一种基于深度学习的室内无线定位方法及系统
CN108225324B (zh) 一种基于智能终端的地磁匹配与pdr融合的室内定位方法
CN107504971A (zh) 一种基于pdr和地磁的室内定位方法及系统
CN108709557B (zh) 基于多用户轨迹拟合的室内地图生成方法
CN112325883B (zh) 一种WiFi和视觉多源融合的移动机器人室内定位方法
CN109151750B (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN105898713A (zh) 一种基于加权余弦相似度的WiFi指纹室内定位方法
CN103618997B (zh) 一种基于信号强度概率的室内定位方法和装置
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN107014375A (zh) 超低部署的室内定位系统及方法
Zhong et al. XJTLUIndoorLoc: A new fingerprinting database for indoor localization and trajectory estimation based on Wi-Fi RSS and geomagnetic field
CN112304317B (zh) 一种基于室内多维度地磁特征的室内定位方法
CN111698774A (zh) 基于多源信息融合的室内定位方法及装置
CN114727384A (zh) 一种基于加权min-max的蓝牙RSSI定位方法
CN113411741A (zh) 一种基于WiFi和地磁指纹的分区融合定位方法
CN113543026B (zh) 一种基于径向基函数网络的多楼层室内定位方法
Hou et al. FCLoc: A novel indoor Wi-Fi fingerprints localization approach to enhance robustness and positioning accuracy
CN114513746B (zh) 融合三重视觉匹配模型和多基站回归模型的室内定位方法
CN114025320A (zh) 一种基于5g信号的室内定位方法
CN109031263B (zh) 一种基于移动群智感知数据的室内指纹地图构建方法
Park et al. The Data Alignment Method Between GPS and IMU Based on ICP for Indoor Positioning
CN113676858B (zh) 一种兼顾非视距识别的无线信号室内定位方法

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