CN114286282B - 基于手机WiFi RSS数据和降维算法的指纹定位方法 - Google Patents

Abstract

有鉴于此，本发明提出了一种基于手机WiFi RSS数据和降维算法的指纹定位方法，能够准确估计出手机WiFi RSS数据在室内的位置坐标，完成WiFi指纹库构建，进而实现用户的准确定位。本发明对各个手机WiFi RSS数据的RSS指纹值进行降维处理，得到每个数据点的二维相对位置坐标，把各个数据点的二维相对位置关系映射到二维平面空间上，得到各个手机WiFi RSS数据在室内楼层内的真实二维位置坐标。

Description

基于手机WiFi RSS数据和降维算法的指纹定位方法

技术领域

本发明涉及室内定位技术领域，具体涉及一种基于手机WiFi RSS数据和降维算法的指纹定位方法。

背景技术

室内是各种人类活动的主要场所，随着手机位置服务技术的发展，人们对于室内位置服务的需求也日益增加，尤其是在大型商超、医院、交通枢纽和会展中心等布局复杂的室内环境中，因此，如何解决手机在室内的精准定位，是当前要解决的主要问题。由于全球卫星导航系统(Global Navigation Satellite System，GNSS)无法在室内进行有效定位，因此，需要采用其他的技术手段来实现室内定位，目前主流的方法包括WiFi指纹、磁场指纹、蓝牙测距、UWB、视觉图像、惯性递推、激光SLAM等等，针对大众手机用户和商场等公共室内场景，基于WiFi指纹、磁场指纹等室内固有空间特征的匹配定位方法在部署成本、定位性能、普适性方面具有综合的优势，是解决公共场所内大众手机定位的一种有效方案。

基于室内固有空间特征的指纹定位方法，其原理在于预先标定室内每个空间位置点上的WiFi指纹观测值、地磁指纹观测值等特征量，构建位置坐标与特征量的映射数据库，即指纹库，定位时通过对比实时指纹观测量与指纹库中存储的指纹的相似度，来判定用户当前在室内的位置坐标。传统的指纹匹配定位系统中，通常通过专业作业来完成指纹库格点数据的标定，建库和维护成本较高。

随着智能手机的普及、移动互联网性能的提升，基于手机用户日常数据的众包指纹建库方法成为近些年的研究热点，是解决室内指纹库构建和更新问题的突破点。手机用户众包数据主要指通过用户日常室内活动过程中智能终端自动采集并上传的WiFi信号强度、磁场强度、加速度和角速度等各类传感数据，GNSS或蜂窝网定位数据，以及用户使用手机进行支付、打卡等记录消费行为的数据。这些数据本身包含了WiFi、磁场等丰富的室内指纹观测信息，但由于在室内环境中GNSS或蜂窝网定位精度非常低(通常在几十米或上百米)，若以此表示手机众包数据在室内的位置坐标，则会导致构建的WiFi指纹库误差较大，进而导致最终的定位结果不准确。

发明内容

有鉴于此，本发明提出了一种基于手机WiFi RSS数据和降维算法的指纹定位方法，能够准确估计出手机WiFi RSS数据在室内的位置坐标，完成WiFi指纹库构建，进而实现用户的准确定位。

为实现上述目的，本发明的技术方案为：

一种基于手机WiFi RSS数据和降维算法的指纹定位方法，对各个手机WiFi RSS数据的RSS指纹值进行降维处理，将多维WiFi RSS观测量投影到二维平面上，构建出众包数据在二维平面上的空间拓扑关系，进而将其与室内平面图中的真实路径拓扑进行几何映射，得到每个众包数据点在室内楼层平面中的二维位置坐标，实现众包数据位置坐标的估计，完成WiFi指纹库构建，基于WiFi指纹库实现用户的定位。

其中，所述降维处理中采用t分布统计邻域嵌入算法进行多维RSS到二维平面的降维，输入的高维数据为每个数据点的多维RSS指纹值，输出为二维平面上的每个数据点的位置。

其中，所述几何映射处理的方法具体为：

提取众包的样本数据中的典型特征点；将提取出的特征点，与已知的室内真实的地理位置点进行对应，构成若干基准点映射对；

以基准点映射对为基准，对二维平面点数据二维坐标进行变化，转换为室内地理二维坐标。

其中，进行WiFi RSS数据降维和拓扑构建之前，先将WiFi RSS进行预处理，完成数据清洗，然后进行后续步骤。

其中，所述数据清洗包括缺失值处理和异常值检测。

其中，所述缺失值处理中，对数据中RSS始终处于较小值的AP点进行识别和剔除，识别的方法为，判断每个AP点的RSS值是否满足如下条件，无法满足该条件的，判定为无效AP点，删除该AP对应的RSS数据：

max_rss≥T₁&max_rss≤T₂&min_rss≤T₃

其中，max_rss表示该AP点所有RSS值的最大值，min_rss表示该AP点所有RSS值的最小值，T₁、T₂、T₃为条件中采用的阈值。

其中，异常值检测识别和剔除非固定的AP节点，具体为：按照有效扫描到的概率，来判定AP点是否为异常AP点，判定条件如下：

其中，P_{rss_eff}表示有效扫描的概率，num_rss_eff表示有效扫描到该AP点的RSS值的数量，为该AP扫描数据中大于-80dbm的RSS值的数量，N为待处理的数据总数量，T为采用的阈值。

有益效果：

本发明通过手机WiFi RSS数据本身反映出的室内空间关系，借助降维算法和几何映射得到手机WiFi RSS数据在室内的准确位置坐标。具体地，借助降维算法将多维WiFiRSS观测量投影到二维平面上，构建出众包数据在二维平面上的空间拓扑关系，进而将其与室内平面图中的真实路径拓扑进行几何映射，得到每个众包数据点在室内楼层平面中的二维位置坐标，实现众包数据位置坐标的高精度估计，完成WiFi指纹库构建，基于WiFi指纹库实现用户的准确定位。与目前已有的方法相比，避免了对众包数据进行航向估计和轨迹推算，降低了对众包数据中MEMS数据质量的需求(对于真实的手机众包数据，高质量MEMS数据的获取通常很难实现)，同时与采用指纹聚类的方法相比，能够实现更加精细的众包数据空间分类和拓扑构建，进而估计出更高精度的众包数据位置坐标。

具体实施方式

下面对本发明进行详细描述。

本发明提供了一种基于手机WiFi RSS数据和降维算法的指纹定位方法，手机WiFiRSS数据为由手机用户在使用手机的过程中产生的一种室内众包数据，包括了用户当前手机能扫描到的所有WiFi AP点的MAC地址、名称和RSS。

WiFi RSS数据的RSS指纹值，反映了无线信号强度在室内的空间分布情况，邻近的空间点上其RSS指纹值也更加邻近(相似)。可以对各个手机WiFi RSS数据的RSS指纹值进行降维处理，得到每个数据点的二维相对位置坐标，把各个数据点的二维相对位置关系映射到二维平面空间上，得到各个手机WiFi RSS数据在室内楼层内的真实二维位置坐标。

降维过程中采用t分布统计邻域嵌入(t-distributed stochastic neighborembedding，t-SNE)算法进行多维RSS到二维平面的降维。t-SNE是一种非线性降维算法，将样本点间的相似度关系转化为概率，在原空间(高维空间)中转化为基于高斯分布的概率，在嵌入空间(二维空间)中转化为基于t分布的概率，具有全局保持的优点。高维样本点间存在着RSS值距离，每个样本点都有其邻近点，通过计算其与邻近点的距离，并将所有的距离转化为和为1的高斯分布用来反映数据点间的邻近关系。比如，I、J两点的高斯概率越大表示他们越靠近彼此，即反映在空间结构的拓扑上他们更靠近。

降维算法输入的高维数据为每个数据点的多维RSS指纹值(是许多的样本点的RSS向量，相似度是在t-SNE算法中通过各RSS向量间的距离计算得到)，如下表示：

{X_i},i＝1,2,3,…,N

{X_i}表示手机众包数据中的WiFi RSS指纹数据集，其中X_i为第i条指纹数据，N为指纹数据的总条数。X_i为一个M维数据，M表示指纹数据集{X_i}中能够扫描到的所有WiFi AP的总数量，未扫描到的AP点的RSS值用-120填充，这个值必须小于数据集中所有RSS值的最小值，可以根据实际数据集的情况进行调整，大多数情况下室内WiFi的RSS值在-120到-10dbm之间。

降维算法的输出为二维平面上的每个数据点的位置，如下表示：

{Y_i},i＝1,2,3,…,N

{Y_i}表示降维后输出的第i条众包数据，与输入数据集{X_i}一一对应。Y_i为一个二维数据点，用表示，表示Y_i点在二维平面上的位置坐标。在二维上随机初始化一系列的坐标点，对于点I，计算I与其他点间的距离并将距离转换为和为1的t分布的概率，通过不断迭代更改二维上的Y坐标使得低维上各点的概率分布能够与高维上的概率分布尽量相似、从而降维得到了众包WIFI RSS数据在低维上的拓扑结构。

降维后的二维平面点数据，能够基本呈现出数据在二维平面上的拓扑关系，但还不是室内平面图上的真实的地理位置坐标，需要进行下一步的几何映射处理，通过几何关系，将二维平面数据与真实楼层平面图上的路径进行映射，得到众包数据在室内楼层内的真实二维位置坐标。几何映射处理的方法具体为：

提取众包的样本数据(碎片化的，持续时间长度不一，在包含了WiFi RSS数据的同时也会采集手机传感器惯性数据)中的典型特征点，例如，通过惯性数据计算和判断出的电梯、路径角点等与运动相关联的地理特征点，通过支付、店铺打卡等行为判断出的收银台、店铺等与行为相关联的地理特征点，或者楼宇出入口等GNSS导航信号可用性发生显著变化的地理特征点；

将提取出的特征点，与已知的室内真实的地理位置点(例如打卡二维码所在店铺的空间坐标)进行对应，构成若干基准点映射对；

以基准点映射对为基准，对二维平面点数据二维坐标进行变化，转换为室内地理二维坐标；数据的二维拓扑与真实地理路径相较，会有一些变形的情况，例如转角区域地理路径中呈现直角形态，而数据的二维拓扑中呈现弧线形态，将这些部位的局部数据进行重新投影变化，使其与真实地理路径形状保持一致，得到最终的众包数据点对应的室内楼层平面地理坐标。

进一步地，这些WiFi RSS数据中包含了一些远距离的弱信号AP节点，以及一些非固定、临时性的AP节点(例如手机热点等，每个AP代表一个维度)这些数据会对后续降维处理产生干扰，因此，进行WiFi RSS数据降维和拓扑构建之前，先将WiFi RSS进行预处理，完成数据清洗，然后进行后续步骤，以确保后续步骤的处理效果。数据清洗包括缺失值处理和异常值检测。

其中，缺失值处理主要识别和剔除弱信号的AP节点，根据无线信号的对数传播模型，信号传播距离较较近时，RSS的强度变化特征比较显著，而距离远时，信号强度会在较大的范围内呈现弱信号强度状态，缺少对后续数据降维和拓扑构建有效的信号强度变化特征。因此，本方法中对数据中RSS始终处于较小值的AP点进行识别和剔除，从而解决部分AP节点RSS显著值缺失的问题。识别的方法为，判断每个AP点的RSS值是否满足如下条件，无法满足该条件的，判定为无效AP点，删除该AP对应的RSS数据。

max_rss≥T₁&max_rss≤T₂&min_rss≤T₃

其中，max_rss表示该AP点所有RSS值的最大值，min_rss表示该AP点所有RSS值的最小值，T₁、T₂、T₃为条件中采用的阈值，一般采用经验值。一般情况下，室内WiFi RSS的值在-120到-10dbm之间，本实例中取T₁＝-80，T₂＝-20，T₃＝-100。

异常值检测主要识别和剔除非固定的AP节点，这些AP节点主要为一些临时的手机热点、临时上网设备产生的，其存在的时间短，而且在室内的位置可能不固定，成为后续处理过程中的异常值。本方法中按照有效扫描到的概率，来判定AP点是否为异常AP点，判定条件如下：

其中，P_{rss_eff}表示有效扫描的概率，num_rss_eff表示有效扫描到该AP点的RSS值的数量，为该AP扫描数据中大于-80dbm的RSS值的数量，N为待处理的数据总数量，T为采用的阈值，参考待处理的数据总量、室内场景的范围大小等因素设定经验值，本实例中采用T＝0.1。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于手机WiFi RSS数据和降维算法的指纹定位方法，其特征在于，对各个手机WiFi RSS数据的RSS指纹值进行降维处理，将多维WiFi RSS观测量投影到二维平面上，构建出众包数据在二维平面上的空间拓扑关系，进而将其与室内平面图中的真实路径拓扑进行几何映射，得到每个众包数据点在室内楼层平面中的二维位置坐标，实现众包数据位置坐标的估计，完成WiFi指纹库构建，基于WiFi指纹库实现用户的定位。

2.如权利要求1所述的方法，其特征在于，所述降维处理中采用t分布统计邻域嵌入算法进行多维RSS到二维平面的降维，输入的高维数据为每个数据点的多维RSS指纹值，输出为二维平面上的每个数据点的位置。

3.如权利要求1或2所述的方法，其特征在于，所述几何映射处理的方法具体为：

提取众包的样本数据中的典型特征点；将提取出的特征点，与已知的室内真实的地理位置点进行对应，构成若干基准点映射对；

以基准点映射对为基准，对二维平面点数据二维坐标进行变化，转换为室内地理二维坐标。

4.如权利要求1或2所述的方法，其特征在于，进行WiFi RSS数据降维和拓扑构建之前，先将WiFiRSS进行预处理，完成数据清洗，然后进行后续步骤。

5.如权利要求4所述的方法，其特征在于，所述数据清洗包括缺失值处理和异常值检测。

6.如权利要求5所述的方法，其特征在于，所述缺失值处理中，对数据中RSS始终处于较小值的AP点进行识别和剔除，识别的方法为，判断每个AP点的RSS值是否满足如下条件，无法满足该条件的，判定为无效AP点，删除该AP对应的RSS数据：

max_rss≥T₁&max_rss≤T₂&min_rss≤T₃

其中，max_rss表示该AP点所有RSS值的最大值，min_rss表示该AP点所有RSS值的最小值，T₁、T₂、T₃为条件中采用的阈值。

7.如权利要求5所述的方法，其特征在于，异常值检测识别和剔除非固定的AP节点，具体为：按照有效扫描到的概率，来判定AP点是否为异常AP点，判定条件如下：

其中，P_{rss_eff}表示有效扫描的概率，num_rss_eff表示有效扫描到该AP点的RSS值的数量，为该AP扫描数据中大于-80dbm的RSS值的数量，N为待处理的数据总数量，T为采用的阈值。