CN115638795B - 一种室内多源泛在定位指纹数据库的生成与定位方法 - Google Patents

一种室内多源泛在定位指纹数据库的生成与定位方法 Download PDF

Info

Publication number
CN115638795B
CN115638795B CN202211670907.XA CN202211670907A CN115638795B CN 115638795 B CN115638795 B CN 115638795B CN 202211670907 A CN202211670907 A CN 202211670907A CN 115638795 B CN115638795 B CN 115638795B
Authority
CN
China
Prior art keywords
positioning
point
fingerprint
database
ubiquitous
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
CN202211670907.XA
Other languages
English (en)
Other versions
CN115638795A (zh
Inventor
李由
郑镇奇
张鹏
韦依达
张天翔
冯隽怡
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211670907.XA priority Critical patent/CN115638795B/zh
Publication of CN115638795A publication Critical patent/CN115638795A/zh
Application granted granted Critical
Publication of CN115638795B publication Critical patent/CN115638795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明提供一种室内多源泛在定位指纹数据库的生成与定位方法，利用定位指纹信号（LF）测量值所对应的位置不确定度完成不同精度泛在定位指纹的有效融合，实现泛在定位指纹数据库的构建和定位。由于采集室内定位指纹所使用的载体、设备、采集方式等各不相同，导致测量值存在误差，从而导致聚类后的数据库中参考点位置和定位指纹信号测量值的错误匹配，最终影响定位结果。本发明基于这种影响构建了一个新的数据库构建和定位方法，利用定位指纹信号（LF）测量值所对应的位置不确定度完成泛在定位指纹数据库的构建和定位，通过该方法可以融合不同数据源、不同精度的泛在定位指纹，形成一套泛在高精度的泛在定位指纹数据库，同时提升了定位结果的精度。

Description

一种室内多源泛在定位指纹数据库的生成与定位方法
技术领域
本发明涉及室内定位领域，尤其是一种利用定位指纹信号（LF）测量值所对应的位置不确定度完成不同精度泛在定位指纹的有效融合，实现泛在定位指纹数据库的构建和定位方法。
背景技术
室内定位在室内定位跟踪、室内路径导航、导览、行为模式分析、群众疏导与救援、军事等方面具有十分重要的意义。指纹识别（FP）是当前室内定位的主流方法之一。其基本原理是构建室内环境中的定位指纹信号（LF）和位置一一对应的数据库，然后通过查找数据库中与新测量LF最接近的LF值所对应的的参考点（RP）的坐标来定位。FP定位算法分为两步：训练（即数据库生成）和预测（即通过实时LF测量值和数据库来定位）。数据库训练的目的是生成包含一系列[LF值，RP位置]对的数据库，为后续位置估计提供数据支持。取决于应用，定位指纹信号（LF）可能为无线信号强度、磁场强度、光强等。位置估计即通过实时LF测量值和数据库来估计待定位用户的位置，为用户提供精准的定位位置信息。
随着机器人、手机等智能设备的普及，室内定位指纹不再局限于单一的采集方式，而是通过多种载体、设备和方式进行采集。例如由机器人、专人采集的高精度、低密度的专业指纹，以及基于众包轨迹、语义轨迹等方式获取的低成本、广覆盖、频更新的消费者指纹。由于采集指纹数据时所使用的载体、设备、采集方式等各不相同，所以导致每个LF测量值所对应的位置存在一定的位置误差即位置不确定度，若将采集的多种类型的定位指纹数据统一构建数据库，则会导致聚类后的数据库中参考点（RP）位置和定位指纹信号（LF）值的错误匹配，从而导致定位结果偏差较大，最终影响定位的结果。
发明内容
本发明利用定位指纹信号（LF）测量值所对应的位置不确定度的不同，提出了一种基于室内多源泛在定位指纹数据库的生成与定位方法。
本发明的技术方案为一种基于室内多源泛在定位指纹数据库的生成与定位方法，充分利用定位指纹信号（LF）测量值所对应的位置不确定度完成不同精度泛在定位指纹的有效融合，进而完成定位精度的提升，包括以下步骤：
步骤1，确定各泛在定位指纹测量位置值所对应的位置不确定度计算模型；
步骤2，完成泛在定位指纹数据库的构建与生成，包括以下子步骤，
步骤2.1，在定位场景中采集生成数据库的泛在定位指纹数据；
步骤2.2，汇总步骤2.1所采集的泛在定位指纹数据的位置点，选择最左、最右、最上、最下的位置点绘制平行线确定泛在定位指纹数据所处的长方形位置区域；
步骤2.3，以一定距离的间隔距离对该长方形区域进行格网划分，将划分好的每个格网的中心点作为构建数据库的RP点；
步骤2.4，计算步骤2.1所采集的每个泛在指纹的位置点与步骤2.3所确定的各RP位置点的距离，并将每个指纹数据划分到离其距离最近的RP点；
步骤2.5，划分完成后，删掉未被划分到指纹数据的RP点；
步骤2.6，按照步骤1的计算模型完成各RP位置点所划分指纹所对应的位置不确定度的计算；
步骤2.7，基于步骤2.6所计算得到的各RP位置点所划分指纹对应的指纹位置不确定度，计算每个RP点所有指纹LF的加权均值向量，并将其作为对应RP点的LF值，从而完成多源泛在定位指纹数据库[RP位置，LF值]的构建；
步骤2.8，基于各RP位置点所划分指纹对应的位置不确定度，计算每个RP点所有位置不确定度的加权平均值，并将其作为该RP点所对应的位置不确定度，并根据求得的RP点所对应的位置不确定度完成该RP点所对应的位置不确定度的权重计算；
步骤3，结合实时测量LF值和数据库RP点的位置完成位置定位。
进一步的，步骤2.7中第i个RP点的LF值的计算如式二所示：
Figure DEST_PATH_IMAGE001
式二
其中
Figure DEST_PATH_IMAGE002
为第i个RP点
Figure DEST_PATH_IMAGE003
的LF值，
Figure DEST_PATH_IMAGE004
为该RP点上所有LF值的加权平均值，
Figure DEST_PATH_IMAGE005
为
Figure 879589DEST_PATH_IMAGE003
上第k个LF值，
Figure DEST_PATH_IMAGE006
为
Figure 203254DEST_PATH_IMAGE003
上的所有LF值的数目，
Figure DEST_PATH_IMAGE007
为
Figure DEST_PATH_IMAGE008
的第
Figure DEST_PATH_IMAGE009
个LF值所对应的位置不确定度
Figure DEST_PATH_IMAGE010
所对应的权重，即
Figure DEST_PATH_IMAGE011
。
进一步的，步骤2.8中第i个RP点的位置不确定度及其所对应权重的计算如式三所示：
Figure DEST_PATH_IMAGE012
式三
其中
Figure DEST_PATH_IMAGE013
为第i个RP点
Figure 416280DEST_PATH_IMAGE003
的位置不确定度
Figure DEST_PATH_IMAGE014
所对应的权重，
Figure DEST_PATH_IMAGE015
是
Figure 93380DEST_PATH_IMAGE008
的第
Figure DEST_PATH_IMAGE016
个LF值所对应的位置不确定度
Figure DEST_PATH_IMAGE017
的权重，即
Figure DEST_PATH_IMAGE018
，
Figure 655555DEST_PATH_IMAGE006
是
Figure 946859DEST_PATH_IMAGE008
的所有LF值的数目。
进一步的，步骤3的具体实现方式如下；
步骤3.1，在定位场景中实时采集用于定位的泛在定位指纹数据；
步骤3.2，计算实时采集的LF测量值与步骤2.7中所生成的数据库中的每个RP的LF值之间的几何距离；
步骤3.3，根据步骤3.2的几何距离计算实时测量LF值与步骤2.7中所生成的数据 库中LF值的相似性，根据计算的相似性选择相似性最大的m个LF值所对应的RP点，并计算相 似性的权重
Figure DEST_PATH_IMAGE019
；
步骤3.4，根据步骤3.3计算的相似性权重
Figure 292521DEST_PATH_IMAGE019
和步骤2.8所计算得到的数据库RP 点所对应的位置不确定度权重
Figure DEST_PATH_IMAGE020
生成m个选中RP点的权重
Figure DEST_PATH_IMAGE021
；
步骤3.5，基于步骤3.4的m个选中RP点的权重
Figure DEST_PATH_IMAGE022
和其对应通过步骤2.7所得到的 数据库RP点的位置，完成位置定位。
进一步的，步骤3.2中几何距离的计算如式四所示：
Figure DEST_PATH_IMAGE023
式四
其中
Figure DEST_PATH_IMAGE024
为实时采集测量的LF向量，
Figure DEST_PATH_IMAGE025
为
Figure 114590DEST_PATH_IMAGE024
的第j个分量，对应
Figure DEST_PATH_IMAGE026
的LF值（即第j个AP的信号）；n a 为信号AP点的接入个数，
Figure DEST_PATH_IMAGE027
为数据库中每个参考点所对应 的LF值，
Figure DEST_PATH_IMAGE028
则为LF向量中第j个值。
进一步的，步骤3.3中
Figure DEST_PATH_IMAGE029
的计算公式如式五所示：
Figure DEST_PATH_IMAGE030
式五
其中
Figure DEST_PATH_IMAGE031
表示选中的m个RP点中第s个RP点，
Figure DEST_PATH_IMAGE032
为该RP点相似性的权 重。
进一步的，步骤3.5中位置定位的计算公式如下：
Figure DEST_PATH_IMAGE033
式七
其中，
Figure DEST_PATH_IMAGE034
即为最终的定位结果，
Figure DEST_PATH_IMAGE035
为数据库中选中RP点的坐标，
Figure DEST_PATH_IMAGE036
为该点坐标 的权重。
进一步的，泛在定位指纹包括机器人指纹、行人指纹、众包指纹、语义指纹。
进一步的，步骤1的具体实现方式如下；
步骤1.1，使用之前采集过有参考位置点的指纹数据，计算指纹数据的位置点与参考位置点之间的位置差值；
步骤1.2，基于步骤1.1中的指纹数据的位置点及其所对应的位置差值，使用统计计算或深度学习的方法完成指纹数据位置与该点位置不确定度计算模型的训练与构建。
本发明的优势和有益效果：本发明提供了一种基于室内多源泛在定位指纹数据库的生成与定位方法，充分利用定位指纹信号（LF）测量值所对应的位置不确定度完成泛在定位指纹数据库的构建和定位，通过该方法可以将不同精度的泛在定位指纹的有效融合在一起，形成一套泛在高精度的指纹数据库，同时也提升了定位的结果的精度。
附图说明
图1是本发明实施例的数据库构建和定位方法流程图。
图2是本发明实施例的定位结果示意图。
具体实施方式
本发明的关键在于根据定位指纹信号（LF）测量值所对应的位置不确定度构建了一个新的室内多源泛在定位指纹数据库的生成与定位方法，利用位置不确定度完成不同精度的泛在定位指纹的有效的融合，实现泛在定位指纹数据库的生成与定位。本发明在数据库方面，通过自动缩小RP坐标误差较大的LF测量值在数据库中的权重，从而提高数据库中各RP上LF的精度。在定位方面，通过降低位置不确定度偏大的候选RP的权重，从而提高定位精度。
本发明提供的方法能够用计算机软件技术实现流程。参见图1，实施例以由机器人、专人采集的高精度、低密度的专业指纹，以及基于众包轨迹、语义轨迹等方式获取的低成本、广覆盖、频更新的消费者指纹对本发明进行一个具体的阐述，具体步骤如下：
步骤1，训练一个计算模型，确定各泛在定位指纹测量位置值所对应的位置不确定度，包括以下子步骤，
步骤1.1，使用之前采集过有参考位置点的指纹数据，计算指纹数据的位置点与参考位置点之间的位置差值；
步骤1.2，基于步骤1.1中的指纹数据的位置点及其所对应的位置差值，使用统计计算或深度学习的方法完成指纹数据位置与该点位置不确定度计算模型的训练与构建。
步骤2，完成泛在定位指纹数据库的构建与生成，包括以下子步骤，
步骤2.1，在定位场景中采集生成数据库的机器人指纹、行人指纹、众包指纹、语义指纹等泛在定位指纹数据；
步骤2.2，汇总步骤2.1所采集的泛在定位指纹数据的位置点，选择最左、最右、最上、最下的位置点绘制平行线确定泛在定位指纹数据所处的长方形位置区域；
步骤2.3，以一定距离的间隔距离对该长方形区域进行格网划分，将划分好的每个格网的中心点作为构建数据库的RP点，如式一所示：
Figure DEST_PATH_IMAGE037
式一
其中
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
为第i个RP点的三维坐标；
步骤2.4，计算步骤2.1所采集的每个泛在指纹的位置点与步骤2.3所确定的各RP位置点的距离，并将每个指纹数据划分到离其距离最近的RP点；
步骤2.5，划分完成后，删掉未被划分到指纹数据的RP点；
步骤2.6，按照步骤1完成各RP位置点所划分指纹对应的位置不确定度的计算；
步骤2.7，基于步骤2.6所计算得到的各RP位置点所划分指纹对应的指纹位置不确定度，计算每个RP点所有指纹LF的加权均值向量，并将其作为对应RP点的LF值，从而完成多源泛在指纹数据库[RP位置，LF值]的构建，第i个RP点的LF计算如式二所示：
Figure 514960DEST_PATH_IMAGE001
式二
其中
Figure 977165DEST_PATH_IMAGE002
为第i个RP点
Figure 934757DEST_PATH_IMAGE003
的LF值，
Figure 281556DEST_PATH_IMAGE004
为该RP点上所有LF值的加权平均值，
Figure 8203DEST_PATH_IMAGE005
为
Figure 906889DEST_PATH_IMAGE003
上第k个LF值，
Figure 617356DEST_PATH_IMAGE006
为
Figure 53933DEST_PATH_IMAGE003
上的所有LF值的数目，
Figure 635087DEST_PATH_IMAGE007
为
Figure 173516DEST_PATH_IMAGE008
的第
Figure 371279DEST_PATH_IMAGE009
个LF值所对应的位置不确定度
Figure 387777DEST_PATH_IMAGE010
所对应的权重，即
Figure 26699DEST_PATH_IMAGE011
。
步骤2.8，基于各RP位置点所划分指纹对应的指纹位置不确定度，计算每个RP点位置不确定度的加权平均值，并将其作为该RP点所对应的位置不确定度，并根据求得的RP点所对应的位置不确定度完成该RP点所对应的位置不确定度的权重计算，第i个RP点的位置不确定度及其所对应权重的计算如式三所示：
Figure DEST_PATH_IMAGE040
式三
其中
Figure 204871DEST_PATH_IMAGE013
为第i个RP点
Figure DEST_PATH_IMAGE041
的位置不确定度
Figure 496788DEST_PATH_IMAGE014
所对应的权重，
Figure DEST_PATH_IMAGE042
是
Figure 785818DEST_PATH_IMAGE008
的第
Figure DEST_PATH_IMAGE043
个LF值所对应的位置不确定度
Figure DEST_PATH_IMAGE044
的权重，即
Figure 685772DEST_PATH_IMAGE018
，
Figure 831582DEST_PATH_IMAGE006
是
Figure 738358DEST_PATH_IMAGE008
上所有LF值数目。
步骤3，完成泛在指纹定位（位置估计），包括以下子步骤，
步骤3.1，在定位场景中实时采集用于定位的泛在定位指纹数据；
步骤3.2，计算实时采集的LF测量值
Figure 624887DEST_PATH_IMAGE024
与步骤2.7中所生成的数据库中的每个RP的 LF值
Figure 707244DEST_PATH_IMAGE027
之间的几何距离，如式四所示：
Figure DEST_PATH_IMAGE045
式四
其中
Figure 492797DEST_PATH_IMAGE024
为实时采集测量的LF向量，
Figure DEST_PATH_IMAGE046
为
Figure 558973DEST_PATH_IMAGE024
的第j个分量，对应
Figure 189806DEST_PATH_IMAGE026
的LF 值（即第j个AP的信号）；n a 为信号AP点的接入个数，
Figure 454565DEST_PATH_IMAGE027
为数据库中每个参考点所对应的LF 值，
Figure DEST_PATH_IMAGE047
则为LF向量中第j个值。
步骤3.3，根据步骤3.2的几何距离计算实时测量LF值
Figure 673669DEST_PATH_IMAGE024
与步骤2.7中所生成的数 据库中LF值的相似性，根据计算的相似性选择相似性最大的m个LF值所对应的RP点，并计算 相似性的权重
Figure DEST_PATH_IMAGE048
，如式五所示：
Figure 899246DEST_PATH_IMAGE030
式五
其中
Figure 396086DEST_PATH_IMAGE031
表示选中的m个RP点中第s个RP点，
Figure DEST_PATH_IMAGE049
为该RP点相似性的权重。
步骤3.4，根据步骤3.3计算的相似性权重
Figure DEST_PATH_IMAGE050
和步骤2.8所计算得到的数据库RP点 所对应的位置不确定度权重
Figure DEST_PATH_IMAGE051
生成m个选中RP点的权重
Figure DEST_PATH_IMAGE052
，如式六所示：
Figure DEST_PATH_IMAGE053
式六
步骤3.5，基于步骤3.4的m个选中RP点的权重
Figure DEST_PATH_IMAGE054
和其对应通过步骤2.7所得到的 数据库RP点的位置，完成位置定位，如图2所示，位置定位结果如式七所示：
Figure 872941DEST_PATH_IMAGE033
式七
其中，
Figure 265877DEST_PATH_IMAGE034
即为最终的定位结果，
Figure 634541DEST_PATH_IMAGE035
为数据库中选中RP点的坐标，
Figure 403914DEST_PATH_IMAGE036
为该点坐 标的权重。
虽然本发明实例所使用的指纹数据为机器人、专人采集的专业指纹和基于众包轨迹、语义轨迹采集的消费者指纹的泛在指纹，但是仅使用单一指纹或几类指纹混合该方法也一样适用。虽然本发明实例所使用的定位方法仅为确定性方法，但使用其他定位方法也一样使用。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于，包括如下步骤：
步骤1，确定各泛在定位指纹测量位置值所对应的位置不确定度计算模型；
步骤1的具体实现方式如下；
步骤1.1，使用之前采集过有参考位置点的指纹数据，计算指纹数据的位置点与参考位置点之间的位置差值；
步骤1.2，基于步骤1.1中的指纹数据的位置点及其所对应的位置差值，使用统计计算或深度学习的方法完成指纹数据位置与该点位置不确定度计算模型的训练与构建；
步骤2，完成泛在定位指纹数据库的构建与生成，包括以下子步骤，
步骤2.1，在定位场景中采集生成数据库的泛在定位指纹数据；
步骤2.2，汇总步骤2.1所采集的泛在定位指纹数据的位置点，选择最左、最右、最上、最下的位置点绘制平行线确定泛在定位指纹数据所处的长方形位置区域；
步骤2.3，以一定距离的间隔距离对该长方形位置区域进行格网划分，将划分好的每个格网的中心点作为构建数据库的RP点；
步骤2.4，计算步骤2.1所采集的每个指纹数据的位置点与步骤2.3所确定的各RP位置点的距离，并将每个指纹数据划分到离其距离最近的RP点；
步骤2.5，划分完成后，删掉未被划分到指纹数据的RP点；
步骤2.6，按照步骤1的计算模型完成各RP位置点所划分指纹所对应的指纹位置不确定度的计算；
步骤2.7，基于步骤2.6所计算得到的各RP位置点所划分指纹对应的指纹位置不确定度，计算每个RP点所有指纹LF的加权均值向量，并将其作为对应RP点的LF值，从而完成多源泛在定位指纹数据库[RP位置，LF值]的构建；
步骤2.8，基于各RP位置点所划分指纹对应的指纹位置不确定度，计算每个RP点所有位置不确定度的加权平均值，并将其作为该RP点所对应的位置不确定度，并根据求得的RP点所对应的位置不确定度完成该RP点所对应的位置不确定度的权重计算；
步骤2.8中第i个RP点的位置不确定度及其所对应权重的计算如式三所示：
Figure QLYQS_1
式三
其中
Figure QLYQS_3
为第i个RP点
Figure QLYQS_4
的位置不确定度
Figure QLYQS_6
所对应的权重，
Figure QLYQS_8
是
Figure QLYQS_9
的第
Figure QLYQS_10
个LF指纹所对应的位置不确定度
Figure QLYQS_11
的权重，即
Figure QLYQS_2
，
Figure QLYQS_5
是
Figure QLYQS_7
的所有LF指纹数目；
步骤3，结合实时测量LF值和数据库RP点的位置完成位置定位。
2.如权利要求1所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：步骤2.7中第i个RP点的LF值的计算如式二所示：
Figure QLYQS_12
式二
其中
Figure QLYQS_14
为第i个RP点
Figure QLYQS_15
的LF值，
Figure QLYQS_17
为该RP点上所有LF值的加权平均值，
Figure QLYQS_19
为
Figure QLYQS_21
上第k个LF值，
Figure QLYQS_23
为
Figure QLYQS_24
上的所有LF值的数目，
Figure QLYQS_13
为
Figure QLYQS_16
的第
Figure QLYQS_18
个LF值的位置不确定度
Figure QLYQS_20
所对应的权重，即
Figure QLYQS_22
。
3.如权利要求1所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：步骤3的具体实现方式如下；
步骤3.1，在定位场景中实时采集用于定位的泛在定位指纹数据；
步骤3.2，计算实时采集的LF测量值与步骤2.7中所生成的数据库中的每个RP的LF值之间的几何距离；
步骤3.3，根据步骤3.2的几何距离计算实时测量LF值与步骤2.7中所生成的数据库中LF值的相似性，根据计算的相似性选择相似性最大的m个LF值所对应的RP点，并计算相似性的权重
Figure QLYQS_25
；
步骤3.4，根据步骤3.3计算的相似性权重
Figure QLYQS_26
和步骤2.8所计算得到的数据库RP点所对应的位置不确定度权重
Figure QLYQS_27
生成m个选中RP点的权重
Figure QLYQS_28
；
步骤3.5，基于步骤3.4的m个选中RP点的权重
Figure QLYQS_29
和其对应通过步骤2.7所得到的数据库RP点的位置，完成位置定位。
4.如权利要求3所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：步骤3.2中几何距离的计算如式四所示：
Figure QLYQS_30
式四
其中
Figure QLYQS_31
为实时采集测量的LF向量，
Figure QLYQS_32
为
Figure QLYQS_33
的第j个分量，对应
Figure QLYQS_34
的LF值，即第j个AP的信号；n a 为信号AP点的接入个数，
Figure QLYQS_35
为数据库中每个参考点所对应的LF值，
Figure QLYQS_36
则为LF向量中第j个值。
5.如权利要求4所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：步骤3.3中
Figure QLYQS_37
的计算公式如式五所示：
Figure QLYQS_38
式五
其中
Figure QLYQS_39
表示选中的m个RP点中第s个RP点，
Figure QLYQS_40
为该RP点相似性的权重。
6.如权利要求5所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：步骤3.5中位置定位的计算公式如下：
Figure QLYQS_41
式七
其中，
Figure QLYQS_42
即为最终的定位结果，
Figure QLYQS_43
为数据库中选中RP点的坐标，
Figure QLYQS_44
为该点坐标的权重。
7.如权利要求1-6任一所述的一种室内多源泛在定位指纹数据库的生成与定位方法，其特征在于：泛在定位指纹包括机器人指纹、行人指纹、众包指纹、语义指纹。
CN202211670907.XA 2022-12-26 2022-12-26 一种室内多源泛在定位指纹数据库的生成与定位方法 Active CN115638795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211670907.XA CN115638795B (zh) 2022-12-26 2022-12-26 一种室内多源泛在定位指纹数据库的生成与定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211670907.XA CN115638795B (zh) 2022-12-26 2022-12-26 一种室内多源泛在定位指纹数据库的生成与定位方法

Publications (2)

Publication Number Publication Date
CN115638795A CN115638795A (zh) 2023-01-24
CN115638795B true CN115638795B (zh) 2023-03-10

Family

ID=84949797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211670907.XA Active CN115638795B (zh) 2022-12-26 2022-12-26 一种室内多源泛在定位指纹数据库的生成与定位方法

Country Status (1)

Country Link
CN (1) CN115638795B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014065735A1 (en) * 2012-10-24 2014-05-01 Telefonaktiebolaget L M Ericsson (Publ) Positioning
CN108495262B (zh) * 2018-03-29 2021-03-02 武汉大学 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
CN110611952B (zh) * 2019-09-20 2021-04-02 北京眸星科技有限公司 指纹匹配定位方法
CN111427982A (zh) * 2020-03-20 2020-07-17 浙江大学城市学院 一种基于群智感知的WiFi室内定位指纹数据库构建及更新技术

Also Published As

Publication number Publication date
CN115638795A (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
Atanasov et al. Nonmyopic view planning for active object classification and pose estimation
CN106793086B (zh) 一种室内定位方法
CN105813194B (zh) 基于指纹数据库二次校正的室内定位方法
CN106714110A (zh) 一种Wi‑Fi位置指纹地图自动构建方法及系统
CN105263113A (zh) 一种基于众包的WiFi位置指纹地图构建方法及其系统
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN106597363A (zh) 一种室内wlan环境下的行人定位方法
CN108710914A (zh) 一种基于广义模糊聚类算法的无监督数据分类方法
CN110536257B (zh) 一种基于深度自适应网络的室内定位方法
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
CN105554873A (zh) 一种基于pso-ga-rbf-hop的无线传感器网络定位算法
CN102325370A (zh) 一种高精度的无线传感器网络节点的三维定位器
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN109151750A (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
CN108896962A (zh) 基于声音位置指纹的迭代定位方法
CN110636437B (zh) 一种基于指纹对的辅助定位方法
CN108111976B (zh) 一种WiFi信号指纹数据优化方法及装置
Dong et al. A wifi fingerprint augmentation method for 3-d crowdsourced indoor positioning systems
Shao et al. DePos: Accurate orientation-free indoor positioning with deep convolutional neural networks
CN115638795B (zh) 一种室内多源泛在定位指纹数据库的生成与定位方法
CN116842818A (zh) 基于鹈鹕优化算法的结构面产状分组方法
CN106358292A (zh) 基于主成分分析原理的时间到达模式匹配定位方法
CN113810846B (zh) 一种基于WiFi和IMU融合的室内定位方法
CN114679683A (zh) 一种基于派生指纹迁移的室内智能定位方法
CN109803234A (zh) 基于权值重要度约束的无监督融合定位方法

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