CN114710744B - 一种深度融合WiFi测距与PDR推算的室内定位方法 - Google Patents

一种深度融合WiFi测距与PDR推算的室内定位方法 Download PDF

Info

Publication number
CN114710744B
CN114710744B CN202210378315.4A CN202210378315A CN114710744B CN 114710744 B CN114710744 B CN 114710744B CN 202210378315 A CN202210378315 A CN 202210378315A CN 114710744 B CN114710744 B CN 114710744B
Authority
CN
China
Prior art keywords
wifi
pedestrian
rssi
positioning
ranging
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.)
Active
Application number
CN202210378315.4A
Other languages
English (en)
Other versions
CN114710744A (zh
Inventor
武畅
孔孝童
袁翼飞
刘禹宏
刘思言
夏堃
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210378315.4A priority Critical patent/CN114710744B/zh
Publication of CN114710744A publication Critical patent/CN114710744A/zh
Application granted granted Critical
Publication of CN114710744B publication Critical patent/CN114710744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/021Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/023Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/025Services making use of location information using location based information parameters
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/025Services making use of location information using location based information parameters
    • H04W4/026Services making use of location information using location based information parameters using orientation information, e.g. compass
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/33Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/38Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006Locating 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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种深度融合WiFi测距与PDR推算的室内定位方法,属于WiFi定位技术领域,包括以下步骤:在定位场景中采集WiFi数据;处理采集的WiFi的RSSI数据,并对RSSI排序,进行RSSI测距,得到WiFi测距量;获取传感器数据,计算行人的前进方向、步长,进行行人航位推算,得到行人的预测位置;通过WiFi测距量、行人的前进方向、步数和步长,自适应调整扩展卡尔曼滤波的过程噪声和观测噪声;将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入,利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi位置,得到行人估计位置坐标。本发明在定位精度上比传统的三角定位和PDR定位的定位精度有所提升。

Description

一种深度融合WiFi测距与PDR推算的室内定位方法
技术领域
本发明属于WiFi室内定位技术领域,具体涉及一种深度融合WiFi测距与 PDR推算的室内定位方法。
背景技术
在目前的室内定位技术中,基于WiFi测距的室内定位技术主要有位置指纹法和三角定位法(Trilateration,TRI)。位置指纹法前期需要构建指纹数据库,工作量巨大,要耗费大量人力物力,且定位精度会受到环境变化的影响。三角定位算法在实际应用中,很多现实场景无法实现WiFi的密集部署,只能部署的比较稀疏,造成了相邻2个WiFi之间的距离过远,定位时收到的WiFi数目少于3 个,无法使用三角定位算法进行定位。因此,针对位置指纹法和三角定位法的不足,本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法,利用自适应扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法深度融合WiFi测距与PDR(Pedestrian Dead Reckoning,行人航迹推算),实现了实时高精度定位。
发明内容
针对现有技术中的上述不足,本发明提出的一种深度融合WiFi测距与 PDR推算的室内定位方法,比传统的三角定位算法的定位精度有所提升。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种深度融合WiFi测距与PDR推算的室内定位方法,其特征在于,包括以下步骤:
S1、通过移动终端在定位场景中采集WiFi数据;
S2、处理采集的WiFi的RSSI数据,并对RSSI排序,进行RSSI测距,得到WiFi测距量;
S3、获取移动终端的传感器数据,计算行人的前进方向、步长,进行行人航位推算,得到行人的预测位置;
S4、通过WiFi测距量、行人的前进方向、步数和步长,自适应调整扩展卡尔曼滤波的过程噪声和观测噪声;
S5、将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入,利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi 位置,得到行人估计位置坐标。
进一步地,所述步骤S1包括以下步骤:
S101、在定位场景中采集WiFi信息(xAP,yAP,RSSIcali,α,η),每个WiFi为一个AP(Access Point,接入点),(xAP,yAP)为WiFi的坐标,RSSIcali是与WiFi 相距1米处的RSSI(Received Signal Strength Indication,接收信号强度),α是当地的磁偏角,η是定位场景中的路径损耗;
S102、利用机器学习算法统计分析得到最优的RSSIcali值,并将收到的 WiFi信息存储在数据库中。
再进一步地,所述步骤S2包括以下步骤:
S201、在线阶段,根据收到的WiFi,从数据库中获取对应的WiFi信息;
S202、计算收到的WiFi的RSSI值的均值与方差,如下式所示:
Figure BDA0003591076660000021
其中,n是WiFi的RSSI的采样数,RSSIi是第i个采样的RSSI值,μ是 RSSI的均值,σ2是RSSI的方差;
S203、将位于(μ-σ,μ+σ)内的RSSI值加入加权滑动平均滤波窗口,窗口大小为L;
S204、对滑动窗口中的RSSI求加权平均值,如下式所示:
Figure BDA0003591076660000031
其中,RSSIi是滑动窗口中的第i个RSSI,wi是其对应的权重;
S205、对滤波后的RSSI值排序,选取RSSI值最大的WiFi,利用RSSI测距公式计算行人与WiFi的距离为dAP,WiFi坐标为(xAP,yAP);
Figure BDA0003591076660000032
当参考点与发射天线之间的距离为1米时,参考点处的接收功率为 RSSIcali,距离发射天线dAP处的接收功率为Pr,η是定位场景中的路径损耗因子。
再进一步地,所述步骤S3包括以下步骤:
S301、获取移动终端的传感器信息,计算第k时刻行人前进方向αk,步长 dk
S302、第k时刻由扩展卡尔曼滤波器(Extended Kalman Filter,EKF)更新的行人与WiFi的距离为
Figure BDA0003591076660000033
行人估计位置为
Figure BDA0003591076660000034
WiFi坐标为 (xAP,yAP);
Figure BDA0003591076660000035
S303、在第k时刻,利用PDR(Pedestrian Dead Reckoning,行人航迹推算),得到的第k+1时刻的行人预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
Figure BDA0003591076660000036
S304、计算行人预测位置与WiFi的距离d(k+1)PDR,如下式所示:
Figure BDA0003591076660000041
S305、计算行人预测位置和WiFi的连线与X轴正向的夹角
Figure BDA0003591076660000042
再进一步地,所述步骤S4包括以下步骤:
S401、扩展卡尔曼滤波算法中系统的状态方程和观测方程如下式所示:
Figure BDA0003591076660000043
其中
Figure BDA0003591076660000044
表示第k时刻扩展卡尔曼滤波的状态更新值,为行人与WiFi的距离,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,为第k+1 时刻由RSSI测距公式求得的行人与WiFi的距离dAP,Wk为过程噪声,为均值为0,方差为Qk的高斯白噪声,Vk+1为观测噪声,为均值为0,方差为Rk+1的高斯白噪声;
S402、获得第k时刻行人的前进方向αk,行人的已经前进的步数N,行人步长dk,由于Wk是马尔科夫过程,x和y方向的过程噪声不相关,其方差如下式所示:
Figure BDA0003591076660000045
Qk=Qx+Qy
S403、由于WiFi测距本身具有不确定性,RSSI测距的不确定性与观测噪声的方差具有一致性,因此利用RSSI测距量自适应调整观测噪声方差 Rk+1=|Dk+1-dAp|。
再进一步地,所述步骤S5包括以下步骤:
S501、扩展卡尔曼滤波的状态量与观测量如下式所示:
Figure BDA0003591076660000051
其中
Figure BDA0003591076660000052
表示第k时刻扩展卡尔曼滤波的状态更新值,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,h(Dk+1)为先验估计,dAP为RSSI 测距值,第k时刻行人估计位置坐标为
Figure BDA0003591076660000053
WiFi坐标为(xAP,yAP),第k+1 时刻的行人的预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
S502、扩展卡尔曼滤波算法的递推方程如下所示:
Figure BDA0003591076660000054
其中,F为状态转移系数,H为观测方程的雅克比系数,D(k+1|k)为状态的先验估计,Pk表示状态的先验方差,Pk+1表示状态后验方差,
Figure BDA0003591076660000055
为状态的后验估计,Kalman为卡尔曼增益;
S503、通过扩展卡尔曼滤波算法得到第k+1时刻的行人与WiFi的距离
Figure BDA0003591076660000056
利用下式计算得到融合算法的定位位置:
Figure BDA0003591076660000061
其中,
Figure BDA0003591076660000062
为第k+1时刻,通过自适应扩展卡尔曼滤波器深度融合 WiFi测距与PDR计算得到的行人估计位置坐标,(xAP,yAP)为WiFi的坐标,
Figure BDA0003591076660000063
为行人与WiFi的估计距离,β为预测位置与WiFi连线与X轴正向的夹角。
上述进一步方案的有益效果是:本发明通过自适应扩展卡尔曼滤波算法得融合WiFi测距量与PDR推算的结果,得到最优的WiFi与移动终端的距离,然后利用上式将WiFi的位置与估计的最优距离相结合,解算出最终的定位位置,使得算法所需的WIFI数目大大降低,降低了算法的实现成本,提升了算法的定位精度。
本发明的有益效果是:本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法。通过自适应扩展卡尔曼滤波算法,将WiFi的测距量、WiFi位置与PDR推算的行人预测位置相融合,得到WiFi与行人的最优距离,然后利用WiFi位置与估计的最优距离,解算出最终的行人估计位置坐标,使得行人的估计位置更加准确。同时,为了提高算法的鲁棒性,我们基于行人的步数、步长和前进方向以及RSSI测距值,自适应的调整扩展卡尔曼滤波的过程噪声与观测噪声的方差,提高了算法的定位精度。本发明提出的融合算法解决了WiFi部署密度低时,三角定位算法无法解算的问题(本发明的新型融合算法每次定位只需要1个WiFi),也降低了定位场景中WiFi的部署密度,降低了实现成本,实现了实时、高精度、低成本的室内定位。
附图说明
图1为本发明的方法流程图。
图2为自适应扩展卡尔曼滤波的WiFi测距与PDR融合定位算法具体流程图。
图3为本实施例中利用本申请的融合算法的定位结果示意图。
图4为本实施例中利用本申请的融合算法的定位误差图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法。本发明在离线阶段,通过移动终端采集定位场景中的WiFi数据,然后利用机器学习算法获得最优的参考点的RSSIcali。在线定位阶段,选择RSSI值最大的WiFi,利用加权滑动平均滤波进行平滑,然后利用移动终端传感器数据进行PDR推算,获得行人的预测位置,计算其与WiFi的距离,得到预测值,WiFi的测距量为观测值。最后,通过自适应扩展卡尔曼滤波算法将预测值与观测值融合,同时利用自适应算法,提高了扩展卡尔曼滤波算法的鲁棒性,从而获得更高的定位精度,同时也降低了定位场景中的WiFi数目。如图1所示,本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法,其实现方法如下:
S1、通过移动终端在定位场景中采集WiFi数据,其实现方法如下:
S101、在定位场景中采集WiFi信息(xAP,yAP,RSSIcali,α,η),每个WiFi为一个AP(Access Point,接入点),(xAP,yAP)为WiFi的坐标,RSSIcali是与WiFi 相距1米处的RSSI(Received Signal Strength Indication,接收信号强度),α是当地的磁偏角,η是定位场景中的路径损耗;
S102、利用机器学习算法统计分析得到最优的RSSIcali值,并将收到的 WiFi信息存储在数据库中。
S2、处理采集的WiFi的RSSI数据,并对RSSI排序,进行RSSI测距,得到WiFi测距量,其实现方法如下:
S201、在线阶段,根据移动终端收到的WiFi,从数据库中获取对应的WiFi 信息;
S202、计算收到的WiFi的RSSI值的均值与方差,如下式所示:
Figure BDA0003591076660000081
其中,n是WiFi的RSSI的采样数,RSSIi是第i个采样的RSSI值,μ是 RSSI的均值,σ2是RSSI的方差;
S203、将位于(μ-σ,μ+σ)内的RSSI值加入加权滑动平均滤波窗口,窗口大小为L;
S204、对滑动窗口中的RSSI求加权平均值,如下式所示:
Figure BDA0003591076660000082
其中,RSSIi是滑动窗口中的第i个RSSI,wi是其对应的权重;
S205、对滤波后的RSSI值排序,选取RSSI值最大的WiFi,利用RSSI测距公式计算行人与WiFi的距离为dAP,WiFi坐标为(xAP,yAP);
Figure BDA0003591076660000083
当参考点与发射天线之间的距离为1米时,参考点处的接收功率为 RSSIcali,距离发射天线dAP处的接收功率为Pr,η是定位场景中的路径损耗因子。
S3、获取移动终端传感器数据,计算行人的前进方向、步长,进行行人航位推算,得到行人的预测位置,其实现方法如下:
S301、获取移动终端传感器信息,计算第k时刻行人前进方向αk,步长 dk
S302、第k时刻由扩展卡尔曼滤波器(Extended Kalman Filter,EKF)更新的行人与WiFi的距离为
Figure BDA0003591076660000091
行人估计位置为
Figure BDA0003591076660000092
WiFi坐标为 (xAP,yAP);
Figure BDA0003591076660000093
S303、在第k时刻,利用PDR(Pedestrian Dead Reckoning,行人航迹推算),得到的第k+1时刻的行人预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
Figure BDA0003591076660000094
S304、计算行人预测位置与WiFi的距离d(k+1)PDR,如下式所示:
Figure BDA0003591076660000095
S305、计算行人预测位置和WiFi的连线与X轴正向的夹角
Figure BDA0003591076660000096
本实施例中,传统三角定位算法每次定位至少要有3个WiFi点,如果收到的WiFi少于3个,则无法定位。本发明的一种深度融合WiFi测距与PDR推算的室内定位方法,通过利用自适应扩展卡尔曼滤波算法,将行人航位推算和 WiFi测距定位相融合,不仅提高了定位精度,而且减少了定位需要的WiFi数目,每次定位时只需用到一个WiFi,降低了实现成本,有效解决了WiFi较少的场景的定位问题。
S4、通过WiFi测距量、行人的前进方向、步数和步长,自适应调整扩展卡尔曼滤波的过程噪声和观测噪声,其实现方法如下:
S401、扩展卡尔曼滤波算法中系统的状态方程和观测方程如下式所示:
Figure BDA0003591076660000101
其中
Figure BDA0003591076660000102
表示第k时刻扩展卡尔曼滤波的状态更新值,为行人与WiFi的距离,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,为第k+1 时刻由RSSI测距公式求得的行人与WiFi的距离dAP,Wk为过程噪声,为均值为0,方差为Qk的高斯白噪声,Vk+1为观测噪声,为均值为0,方差为Rk+1的高斯白噪声;
S402、获得第k时刻行人的前进方向αk,行人的已经前进的步数N,行人步长dk,由于Wk是马尔科夫过程,x和y方向的过程噪声不相关,其方差如下式所示:
Figure BDA0003591076660000103
Qk=Qx+Qy
S403、由于WiFi测距本身具有不确定性,RSSI测距的不确定性与观测噪声的方差具有一致性,因此利用RSSI测距量自适应调整观测噪声方差 Rk+1=|Dk+1-dAp|。
本实施例中,为了提高扩展卡尔曼滤波算法的鲁棒性,我们提出了一种自适应算法,通过行人的步长、步数、方向自适应调整过程噪声的方差,通过WiFi 与行人距离的预测值和观测值,自适应调整观测噪声的方差,可以获得更好的定位精度。
S5、将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入,利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi 位置,得到行人估计位置坐标,其实现方法如下:
S501、扩展卡尔曼滤波的状态量与观测量如下式所示:
Figure BDA0003591076660000111
其中
Figure BDA0003591076660000112
表示第k时刻扩展卡尔曼滤波的状态更新值,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,h(Dk+1)为先验估计,dAP为RSSI 测距值,第k时刻行人估计位置坐标为
Figure BDA0003591076660000113
WiFi坐标为(xAP,yAP),第k+1 时刻的行人的预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
S502、扩展卡尔曼滤波算法的递推方程如下所示:
Figure BDA0003591076660000114
其中,F为状态转移系数,H为观测方程的雅克比系数,D(k+1|k)为状态的先验估计,Pk表示状态的先验方差,Pk+1表示状态后验方差,
Figure BDA0003591076660000121
为状态的后验估计,Kalman为卡尔曼增益;
S503、通过扩展卡尔曼滤波算法得到第k+1时刻的行人与WiFi的距离
Figure BDA0003591076660000122
利用下式计算得到融合算法的定位位置:
Figure BDA0003591076660000123
其中,
Figure BDA0003591076660000124
为第k+1时刻,通过自适应扩展卡尔曼滤波器深度融合 WiFi测距与PDR计算得到的行人估计位置坐标,(xAP,yAP)为WiFi的坐标,
Figure BDA0003591076660000125
为行人与WiFi的估计距离,β为预测位置与WiFi连线与X轴正向的夹角。
本实施例中,一种深度融合WiFi测距与PDR推算的室内定位方法的具体流程如图2所示。将WiFi与行人之间的距离作为状态量,通过PDR推算行人的预测位置和WiFi位置,计算WiFi与行人的距离的预测值,然后以WiFi测距量为观测值,通过自适应扩展卡尔曼滤波算法融合WiFi测距、WiFi位置和行人预测位置,得到一个最优的行人估计位置。同时,我们的定位算法可以利用单个或者多个WiFi进行定位,从而解决了WiFi较少时,传统三角定位算法无法有效定位的问题,也降低了定位成本,得到了更准确的定位位置。
为了验证自适应扩展卡尔曼滤波的WiFi测距与PDR融合定位算法的性能,在相同的实验场景,对于基于WiFi测距的三角定位算法、行人航迹推算定位算法和本发明提出的融合定位算法进行实验测试,其中基于WiFi测距的三角定位定位算法定位使用了11个WiFi,而本发明提出的融合算法定位使用了4个WiFi,测试场景为长25米的正方形场地,定位效果如图3所示。利用
Figure BDA0003591076660000131
计算定位算法的定位误差,
Figure BDA0003591076660000132
是定位算法的行人估计位置,(Xreal,Yreal)为真实位置,本发明提出算法的定位误差累计分布如图4所示。自适应扩展卡尔曼滤波的WiFi测距与PDR融合定位算法在测试场景中定位只用了4个WIFI,定位误差小于2米的概率为66.5%;PDR算法由于完全依靠移动终端内置的惯性传感器实现自主定位,定位效果比较差,最大定位误差为5米;基于WiFi测距的三角定位定位算法在测试场景中定位用到了 11个WiFi,但是定位效果明显比本发明提出的算法要差,主要原因为基于WiFi 测距的三角定位定位算法要求实验场景中WiFi的密度要比较高,而本次测试在实验场景中只部署了11个WiFi,WiFi的密度很低,从而定位效果较差。因此,本发明提出的一种深度融合WiFi测距与PDR推算的室内定位方法可以利用较少的WiFi数目,实现实时的高精度室内定位,解决WiFi部署稀疏的室内场景的定位问题。

Claims (1)

1.一种深度融合WiFi测距与PDR推算的室内定位方法,其特征在于,包括以下步骤:
S1、在定位场景中采集WiFi数据;
S2、处理采集的WiFi的RSSI数据,并对RSSI排序,进行RSSI测距,得到WiFi测距量;
S3、获取传感器数据,计算行人的前进方向、步长,进行行人航位推算,得到行人的预测位置;
S4、通过WiFi测距量、行人的前进方向、步数和步长,自适应调整扩展卡尔曼滤波的过程噪声和观测噪声;
S5、将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入,利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi位置,得到行人估计位置坐标;
所述步骤S1包括以下步骤:
S101、在定位场景中采集WiFi信息(xAP,yAP,RSSIcali,α,η),每个WiFi为一个AP(AccessPoint,接入点),(xAP,yAP)为WiFi的坐标,RSSIcali是与WiFi相距1米处的RSSI(ReceivedSignal Strength Indication,接收信号强度),α是当地的磁偏角,η是定位场景中的路径损耗;
S102、利用机器学习算法统计分析得到最优的RSSIcali值,并将收到的WiFi信息存储在数据库中;
所述步骤S2包括以下步骤:
S201、在线阶段,根据收到的WiFi,从数据库中获取对应的WiFi信息;
S202、计算收到的WiFi的RSSI值的均值与方差,如下式所示:
Figure FDA0004080658130000021
其中,n是WiFi的RSSI的采样数,RSSIi是第i个采样的RSSI值,μ是RSSI的均值,σ2是RSSI的方差;
S203、将位于(μ-σ,μ+σ)内的RSSI值加入加权滑动平均滤波窗口,窗口大小为L;
S204、对滑动窗口中的RSSI求加权平均值,如下式所示:
Figure FDA0004080658130000022
其中,RSSIi是滑动窗口中的第i个RSSI,wi是其对应的权重;
S205、对滤波后的RSSI值排序,选取RSSI值最大的WiFi,利用RSSI测距公式计算行人与WiFi的距离为dAP,WiFi坐标为(xAP,yAP);
Figure FDA0004080658130000023
当参考点与发射天线之间的距离为1米时,参考点处的接收功率为RSSIcali,距离发射天线dAP处的接收功率为Pr,η是定位场景中的路径损耗因子;
所述步骤S3包括以下步骤:
S301、获取传感器信息,计算第k时刻行人前进方向αk,步长dk
S302、第k时刻由扩展卡尔曼滤波器(Extended Kalman Filter,EKF)更新的行人与WiFi的距离为
Figure FDA0004080658130000024
行人估计位置为
Figure FDA0004080658130000025
WiFi坐标为(xAP,yAP);
Figure FDA0004080658130000026
S303、在第k时刻,利用PDR(Pedestrian Dead Reckoning,行人航迹推算),得到的第k+1时刻的行人预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
Figure FDA0004080658130000031
S304、计算行人预测位置与WiFi的距离d(k+1)PDR,如下式所示:
Figure FDA0004080658130000032
S305、计算行人预测位置和WiFi的连线与X轴正向的夹角
Figure FDA0004080658130000033
所述步骤S4包括以下步骤:
S401、扩展卡尔曼滤波算法中系统的状态方程和观测方程如下式所示:
Figure FDA0004080658130000034
其中
Figure FDA0004080658130000035
表示第k时刻扩展卡尔曼滤波的状态更新值,为行人与WiFi的距离,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,为第k+1时刻由RSSI测距公式求得的行人与WiFi的距离dAP,Wk为过程噪声,为均值为0,方差为Qk的高斯白噪声,Vk+1为观测噪声,为均值为0,方差为Rk+1的高斯白噪声;
S402、获得第k时刻行人的前进方向αk,行人的已经前进的步数N,行人步长dk,由于Wk是马尔科夫过程,x和y方向的过程噪声不相关,其方差如下式所示:
Figure FDA0004080658130000036
Qk=Qx+QyS403、由于WiFi测距本身具有不确定性,RSSI测距的不确定性与观测噪声的方差具有一致性,因此利用RSSI测距量自适应调整观测噪声方差Rk+1=|Dk+1-dAP|;
所述步骤S5包括以下步骤:
S501、扩展卡尔曼滤波的状态量与观测量如下式所示:
Figure FDA0004080658130000041
其中
Figure FDA0004080658130000042
表示第k时刻扩展卡尔曼滤波的状态更新值,Dk+1表示第k+1时刻状态的预测值,Zk+1是第k+1时刻的观测值,h(Dk+1)为先验估计,dAP为RSSI测距值,第k时刻行人估计位置坐标为
Figure FDA0004080658130000043
WiFi坐标为(xAP,yAP),第k+1时刻的行人的预测位置坐标为(x(k+1)PDR,y(k+1)PDR);
S502、扩展卡尔曼滤波算法的递推方程如下所示:
Figure FDA0004080658130000044
其中,F为状态转移系数,H为观测方程的雅克比系数,D(k+1|k)为状态的先验估计,Pk表示状态的先验方差,Pk+1表示状态后验方差,
Figure FDA0004080658130000051
为状态的后验估计,Kalman为卡尔曼增益;
S503、通过扩展卡尔曼滤波算法得到第k+1时刻的行人与WiFi的距离
Figure FDA0004080658130000052
利用下式计算得到融合算法的定位位置:
Figure FDA0004080658130000053
其中,
Figure FDA0004080658130000054
为第k+1时刻,通过自适应扩展卡尔曼滤波器深度融合WiFi测距与PDR计算得到的行人估计位置坐标,(xAP,yAP)为WiFi的坐标,
Figure FDA0004080658130000055
为行人与WiFi的估计距离,β为预测位置与WiFi连线与X轴正向的夹角。
CN202210378315.4A 2022-04-12 2022-04-12 一种深度融合WiFi测距与PDR推算的室内定位方法 Active CN114710744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210378315.4A CN114710744B (zh) 2022-04-12 2022-04-12 一种深度融合WiFi测距与PDR推算的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210378315.4A CN114710744B (zh) 2022-04-12 2022-04-12 一种深度融合WiFi测距与PDR推算的室内定位方法

Publications (2)

Publication Number Publication Date
CN114710744A CN114710744A (zh) 2022-07-05
CN114710744B true CN114710744B (zh) 2023-03-21

Family

ID=82172028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210378315.4A Active CN114710744B (zh) 2022-04-12 2022-04-12 一种深度融合WiFi测距与PDR推算的室内定位方法

Country Status (1)

Country Link
CN (1) CN114710744B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116659487B (zh) * 2022-11-02 2024-07-12 丰疆智能(深圳)有限公司 位姿调整方法、位姿调整装置、电子设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107426687A (zh) * 2017-04-28 2017-12-01 重庆邮电大学 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法
CN112881979A (zh) * 2021-01-19 2021-06-01 上海工程技术大学 一种基于ekf滤波的初始状态自适应融合定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201500411D0 (en) * 2014-09-15 2015-02-25 Isis Innovation Determining the position of a mobile device in a geographical area
US11968591B2 (en) * 2019-03-19 2024-04-23 Invensense, Inc. Maintenance of a location fingerprint database for an area
CN110602647B (zh) * 2019-09-11 2020-11-24 江南大学 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法
CN112637762A (zh) * 2020-12-11 2021-04-09 武汉科技大学 一种基于改进pdr算法的室内融合定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107426687A (zh) * 2017-04-28 2017-12-01 重庆邮电大学 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法
CN112881979A (zh) * 2021-01-19 2021-06-01 上海工程技术大学 一种基于ekf滤波的初始状态自适应融合定位方法

Also Published As

Publication number Publication date
CN114710744A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN107426687B (zh) 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法
CN110244715B (zh) 一种基于超宽带技术的多移动机器人高精度协同跟踪方法
CN110118560B (zh) 一种基于lstm和多传感器融合的室内定位方法
CN105491661B (zh) 基于改进的Kalman滤波算法的室内定位系统及方法
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN111294921B (zh) 一种rssi无线传感器网络三维协作定位方法
CN105263113A (zh) 一种基于众包的WiFi位置指纹地图构建方法及其系统
CN112881979B (zh) 一种基于ekf滤波的初始状态自适应融合定位方法
CN108645415A (zh) 一种船舶航迹预测方法
CN111970633A (zh) 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法
CN109460539B (zh) 一种基于简化容积粒子滤波的目标定位方法
CN105704652A (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
CN110954132A (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN114710744B (zh) 一种深度融合WiFi测距与PDR推算的室内定位方法
CN114564545A (zh) 一种基于ais历史数据的船舶经验航线提取系统及方法
CN107332898A (zh) 一种多源传感器融合的矿井瓦斯释放源定位方法
CN113324544A (zh) 一种基于图优化的uwb/imu的室内移动机器人协同定位方法
CN102506812B (zh) 一种变形监测基准点稳定性判断的vt检验方法
CN113543026B (zh) 一种基于径向基函数网络的多楼层室内定位方法
CN113554705B (zh) 一种变化场景下的激光雷达鲁棒定位方法
CN114302359A (zh) 一种基于WiFi-PDR融合的高精度室内定位方法
CN114236480A (zh) 一种机载平台传感器系统误差配准算法
CN111951341A (zh) 一种基于rgb-d slam的闭环检测改进方法

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