CN116456294A - 一种多楼层空间定位方法及系统、电子设备、存储介质 - Google Patents
一种多楼层空间定位方法及系统、电子设备、存储介质 Download PDFInfo
- Publication number
- CN116456294A CN116456294A CN202310469111.6A CN202310469111A CN116456294A CN 116456294 A CN116456294 A CN 116456294A CN 202310469111 A CN202310469111 A CN 202310469111A CN 116456294 A CN116456294 A CN 116456294A
- Authority
- CN
- China
- Prior art keywords
- floor
- rssi
- positioning
- fingerprint
- spatial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000383403 Solen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种多楼层空间定位方法及系统，属于定位技术领域，所述的方法包括数据采集，构建RSSI指纹数据数据库，根据RSSI指纹数据库进行空间位置定位。所述的数据采集利用接收端在RP上收集指定时间范围内节点（Access Point,AP）的MAC地址、RSSI值等信息。通过与SecureCRT软件记录并保存在PC端；构建RSSI指纹数据数据库采用指纹序列的方式构建位置指纹库；根据RSSI指纹数据库进行空间位置定位采用基于IQR‑KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成。本发明在多楼层空间定位环境中部署少量AP，能够获得较高的楼层识别率，且方法简单，易部署。下一步工作需要探索水平层面的定位精度并进一步验证，以获得多楼层空间定位场景下位置信息的准确度。
Description
技术领域
本发明属于定位技术领域，更具体的说涉及一种多楼层空间定位方法及系统、电子设备、存储介质。
背景技术
近年来，基于全球定位系统（Global Positioning System , GPS）的高精度空间定位技术为人们生活提供极大便捷。GPS在室内定位中存在一定的局限性[1, 2]，根据调查显示，大多数人约有80%的时间在室内活动，大部分室内环境属于多楼层建筑。如在医院、商场、住宅楼等场景中，GPS信号很难到达，因此大量研究采用Wi-Fi、BLE、UWB等室内定位系统（IndoorPositioning System, IPS）提供室内位置服务。然而，由于室内环境的复杂性以及无线信号的多径效应，导致采用Wi-Fi等技术的IPS需要在楼层部署大量的定位基站才能达到可行的定位精度，考虑到部署成本、信号有效覆盖范围以及功耗等问题，室内定位系统大规模的应用仍有待进一步研究、优化。
目前市场上大部分IPS主要聚焦在单一的平面定位上。而在消防救援、医院高值医疗设备管理、BIM人员信息动态管理和商场服务等领域不仅需要获取人员或物资的水平定位信息，同样也需要获取具体的楼层位置信息。因此，在上述场景中如何为用户提供及时可靠的三维空间位置信息服务是一个值得研究的问题。
随着低成本和低功耗无线技术正在兴起，LoRa（Long Range Radio）技术成为了室内定位关注的重点。文献测试了LoRa的多径传播效应，结果表明LoRa技术具有较强的抗干扰能力，这表明LoRa在信号覆盖较多、多径效应很明显的环境中依然可以保持稳定传输。LoRa技术同时还具备长距离通信、低功耗、多节点、低成本的特点。文献利用LoRa技术开发出基于接收信号强度指标（Received Signal Strength Indication,RSSI）的LoRa技术定位系统。并在室外农村环境进行了现场测试，结果表明，基于LoRa技术的定位系统能够在室外场景实现定位。而文献开发出一种基于往返时间的LoRa技术的室内定位系统，经过累积分布函数（Cumulative Distribution Function, CDF）分析，该系统在视距（Line ofSight, LOS）条件下可以实现1m内的定位精度。从文献可以看出，LoRa技术其可扩展性、覆盖率和能效方面的优势，在多楼层空间定位系统中将发挥巨大的潜能。这些基于LoRa技术的定位方案可以作为多楼层空间定位的理论参考。
发明内容
针对多楼层室内空间定位需部署大量无线接入点和成本较高的问题，设计了一种提出IQR-KNN空间定位算法，本发明在多楼层空间定位环境中部署少量AP，能够获得较高的楼层识别率，且方法简单，易部署。下一步工作需要探索水平层面的定位精度并进一步验证，以获得多楼层空间定位场景下位置信息的准确度。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的多楼层空间定位方法包括
确立RSSI与空间位置的匹配关系以及样本数量对RSSI的影响；
数据采集，利用接收端在RP上收集指定时间范围内节点（Access Point, AP）的MAC地址、RSSI值等信息，通过与SecureCRT软件记录并保存在PC端；
构建RSSI指纹数据数据库采用指纹序列的方式构建位置指纹库；
根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成。
进一步地，所述的RSSI与空间位置的匹配关系为单个AP在楼层数目为4、水平距离约为48m的多楼层空间范围内信号有效，能够有效满足多楼层定位的需求；
所述的样本数量对RSSI的影响样本数量越多，RSSI分布特征越明显，越接近信号真实值。但随着样本数的递增，信号接收时长、算法计算复杂度也会随之增加，本方法选择样本数量为100。
进一步地，所述的数据采集，将定位的场景划分成2m×2m的网格，并在每层楼指定位置放置一个固定AP，其次利用接收器在每一个网格的中心采集100组以上的RSSI数据，并按照发射设备的MAC地址、位置信息和RSSI的格式。
进一步地，所述的构建RSSI指纹数据数据库具体方法如下：假设在多楼层建筑中部署了M个AP，总的AP记为
（1）
在离线阶段的RP位置记为
（2）
其中，表示RP的数量；
对于第个/>包含参考点相对的空间位置信息记为
（3）
其中，表示平面空间坐标信息，/>表示空间楼层信息；
第个离线阶段的RP使用接收端采集的指纹记为（4）
其中，表示在第/>个离线阶段RP上采集的第M个AP的RSSI，因此构建的初始指纹/>，记为
（5）
初始位置指纹库，记为
（6）
其中，表示两者间的映射关系。
进一步地，所述的根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成；具体方法如下：
初始位置指纹库中以每一个指纹中采集的样本数量S作为长度，将每个指纹内的指纹序列进行由小到大的排序，取序列的第一、第二和第三四分位数分别为Q1，Q2和Q3，记为
（7）
通过求得四分位距IQR，定义/>作为RSSI异常值的上下边界判断阈值，对超出阈值范围的RSSI值进行剔除，对样本空间中的指纹求平均后，存入到离线位置指纹数据库，记为
（8）
在线阶段与离线阶段类似，通过接收设备接收来自多楼层中固定AP的信号并在实测点记录来自M个AP的RSSI值，记为
（9）
其中，表示在第/>个在线阶段实测点RP上记录的第M个AP的RSSI指纹数据；
基于IQR算法处理后，得到在线实测指纹，采用基于RSSI的KNN算法实现多楼层空间定位，分为楼层识别和平面定位两个步骤，在楼层识别阶段，通过公式（10）计算在线实测指纹/>与离线位置指纹数据库/>中的/>之间的欧氏距离；
（10）
经过与离线位置指纹数据库的指纹匹配，选择距离在线实测指纹欧式距离最小的K个指纹数据对应的楼层位置信息，依次与楼层编号进行匹配，相同是在对应的楼层投票数加1，选取投票数量最多的楼层编号为估计楼层；
在楼层识别后，选择距离测试点欧式距离相关性最强的K个参考点，计算其平面坐标的平均值，作为接收器的最终的空间位置；
（11）。
再一方面，一种基于LoRa技术的多楼层空间定位系统，所述的定位系统适用于所述的方法，所述的定位系统包括LoRa定位模块、系统控制模块和软件运行模块组成；
所述的LoRa定位模块与系统控制模块连接，软件运行模块用于运行定位算法程序；LoRa定位模块包括数据RSSI指纹数据采集模块，用于采集RSSI指纹数据；所述的系统控制模块用于对定位系统进行控制，并且将软件运行模块计算出的定位数据进行显示，能够准确直观的显示出定位人员的精确位置。
另一方面，一种电子设备，包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现所述的一种多楼层空间定位方法。
又一方面，一种计算机存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现所述的一种多楼层空间定位方法。
本发明有益效果：
针对多楼层室内空间定位需部署大量无线接入点和成本较高的问题，设计了一种提出IQR-KNN空间定位算法，本发明在多楼层空间定位环境中部署少量AP，能够获得较高的楼层识别率，且方法简单，易部署。下一步工作需要探索水平层面的定位精度并进一步验证，以获得多楼层空间定位场景下位置信息的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明一个实施例的定位算法流程图；
图2为本发明一个实施例的楼层信号分布图（a）；
图3为本发明一个实施例的楼层信号分布图（b）；
图4为本发明一个实施例的样本数量对RSSI的影响关系图；
图5为本发明方法结构图。
图6为发明一个实施例K值对楼层识别率的影响图；
图7 为发明一个实施例K值对定位误差的影响图；
图8为发明一个实施例不同K值下定位误差的CDF图。
具体实施方式
以下将以附图公开本公开的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本公开。也就是说，在本公开内容部分实施方式中，这些实务上的细节是非必要的。此外，为简化附图起见，一些现有惯用的结构与元件在附图中将以简单示意的方式示出的。
本发明总的思路为：通过定位系统对多楼层建筑体内部进行空间分布特性分析，提出了一种基于IQR-KNN的多楼层空间定位算法，其算法结构如图5所示，该方法由离线阶段、在线阶段组成。离线阶段将信号节点固定在待定位区域的指定位置，通过接收端采集待定位区域RP位置的坐标信息、RSSI与对应AP的ID信息进行存储，构建成初始位置指纹数据库，再采用四分位距（interquartilerange, IQR）对原始指纹数据数据进行特征处理，以进一步提高指纹数据库的准确性以及降低算法计算复杂度。构建出用于算法匹配的指纹数据库。
在线阶段，同样采用IQR对在线数据进行特征处理，在运用K最近邻（K-NearestNeighbor, KNN）指纹匹配算法进行位置匹配找出最合适的指纹数据作为最优输出的空间位置信息。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
在复杂的室内环境下，多楼层室内定位信号传播容易受到人员、物体、室内建筑内部构造的影响，基于LoRa技术的多楼层空间定位系统主要依赖于RSSI与位置之间的相关性。因此，可靠而精准的RSSI指纹数据是实现多楼层定位的前提。本文使用接收端对参考点（Reference Point, RP）上的RSSI信号进行指纹采集，并对RSSI与位置的匹配关系以及样本数量对RSSI的影响进行分析，总结了该定位系统在多楼层建筑内的空间分布特性。
实施例一：
所述的多楼层空间定位方法包括
S101确立RSSI与空间位置的匹配关系以及样本数量对RSSI的影响；
RSSI与空间位置的匹配关系:
RSSI与位置的关系是实现多楼层空间定位的关键所在，为了直观的展现RSSI与位置之间的匹配关系，本文在一栋具有复杂环境的高层建筑体内部开展了相关实验。
首先，在F14~21层之间，一个长约50m，宽约1.9m的走廊展开实验。AP放置在F21层走廊东侧尽头地面，天线朝上，测试从每层楼距离发射端10m位置，开始自东向西沿走廊每隔4m采集100组以上的样本数据。图2给出了多楼层定位系统在各楼层间的RSSI信号分布，不同的线条表示不同楼层接收到RSSI数据的变化情况，可观察出RSSI随楼层数的增加而减小，在F16层及以下楼层RSSI信号出现明显波动。同样，在F17层，观察到接收端在距离AP横向水平位置约18m处，水平位置上的信号也出现明显波动，导致F14~17层之间的RSSI无法有效区分，而在F18~21层之间的四层楼范围内，各楼层间的RSSI信号具有良好的差异性，区分度明显，能够有效保障接收端有效区分不同楼层信息。
其次，本文在F18~21各楼层间进行了RSSI与横向水平位置RSSI的匹配关系实验。实验结果如图3所示，在F21层以下可观察到当RSSI在距离AP横向水平距离约48m时，RSSI开始出现信号波动。随楼层数的增加，这种现象越明显。由此可见，距离横向水平距离约48m以后的RSSI信号特征值不能代表参考点上的信号特征。综上，单个AP在楼层数目为4、水平距离约为48m的多楼层空间范围内信号有效，能够有效满足多楼层定位的需求。
所述的样本数量对RSSI的影响样:
为了适应多楼层的室内环境，选择在多楼层非视距的信号传播路径下进行。在同一参考点上，通过接收来自同一个发射端的信号。采集的样本数量分布为30个、50个、100个、200个、400个、800个、1600个、3200个，得到的RSSI分布直方图如图4所示。在在多楼层非视距的信号传播路径下，可观察到样本数量为30时，RSSI频率范围在[-83,-73]的信号区间上，随着样本数量的增加，RSSI信号区间范围主要集中在[-77,-75]的信号区间上。样本数量越多，RSSI分布特征越明显，越接近信号真实值。但随着样本数的递增，信号接收时长、算法计算复杂度也会随之增加。合理的选择样本数量，可进一步提高多楼层空间定位的效率。本文为兼顾数据的真实性和计算的复杂性，数据样本数量设置为100。
S102数据采集，利用接收端在RP上收集指定时间范围内节点（Access Point, AP）的MAC地址、RSSI值等信息，通过与SecureCRT软件记录并保存在PC端；
所述的数据采集，将定位的场景划分成2m×2m的网格，并在每层楼指定位置放置一个固定AP，其次利用接收器在每一个网格的中心采集100组以上的RSSI数据，并按照发射设备的MAC地址、位置信息和RSSI的格式。
S103构建RSSI指纹数据数据库采用指纹序列的方式构建位置指纹库；
所述的构建RSSI指纹数据数据库具体方法如下：假设在多楼层建筑中部署了M个AP，总的AP记为
（1）
在离线阶段的RP位置记为
（2）
其中，表示RP的数量；
对于第个/>包含参考点相对的空间位置信息记为
（3）
其中，表示平面空间坐标信息，/>表示空间楼层信息；
第个离线阶段的RP使用接收端采集的指纹记为（4）
其中，表示在第/>个离线阶段RP上采集的第M个AP的RSSI，因此构建的初始指纹/>，记为
（5）
初始位置指纹库，记为
（6）
其中，表示两者间的映射关系。
S104根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成。
所述的根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成；具体方法如下：
初始位置指纹库中以每一个指纹中采集的样本数量S作为长度，将每个指纹内的指纹序列进行由小到大的排序，取序列的第一、第二和第三四分位数分别为Q1，Q2和Q3，记为
（7）
通过求得四分位距IQR，定义/>作为RSSI异常值的上下边界判断阈值，对超出阈值范围的RSSI值进行剔除，对样本空间中的指纹求平均后，存入到离线位置指纹数据库，记为
（8）
在线阶段与离线阶段类似，通过接收设备接收来自多楼层中固定AP的信号并在实测点记录来自M个AP的RSSI值，记为
（9）
其中，表示在第/>个在线阶段实测点RP上记录的第M个AP的RSSI指纹数据；
基于IQR算法处理后，得到在线实测指纹，采用基于RSSI的KNN算法实现多楼层空间定位，分为楼层识别和平面定位两个步骤，在楼层识别阶段，通过公式（10）计算在线实测指纹/>与离线位置指纹数据库/>中的/>之间的欧氏距离；
（10）
经过与离线位置指纹数据库的指纹匹配，选择距离在线实测指纹欧式距离最小的K个指纹数据对应的楼层位置信息，依次与楼层编号进行匹配，相同是在对应的楼层投票数加1，选取投票数量最多的楼层编号为估计楼层；
在楼层识别后，选择距离测试点欧式距离相关性最强的K个参考点，计算其平面坐标的平均值，作为接收器的最终的空间位置；
（11）。
为了验证基于LoRa技术的多楼层空间定位系统的空间定位效果，搭建了LoRa技术多楼层空间定位系统环境实验平台，进行多楼层空间定位实验与分析。
本次实验平台为西部某写字楼中心4栋。整栋建筑由停车场B1、B2和地面F1~21层组成。地面建筑为L形结构。每一层建筑面积约为2200m2。楼层厚度约为18cm钢筋混泥土结构，是一个典型的复杂室内环境的办公大楼。实验定位区域具体平面布置如图6所示。根据多楼层定位系统的空间分布特性，本次实验在F18~21层进行，使用4个AP，固定在每层楼的五角星位置。根据IQR- KNN算法，实验区共设置了104个参考点和144个在线实测点。图6中黑色正方形为参考点，红色圆圈表示在线实测点。利用自主开发的多楼层定位系统的接收终端在不同的时间段采集了参考点和在线实测点的接收到固定AP的RSSI，未采集的到AP信号的RSSI值设置为-130。然后构建位置指纹数据库和在线实测指纹。
基于IQR-KNN算法结果与分析
1）K值对空间定位的影响
为了确定K值对最终的空间定位结果是否有影响，使用1~10之间的K值对指纹数据进行了实验。分别对楼层识别率、平面定位误差以及不同K值的CDF进行对比实验。
图6给出了K值对楼层识别率的影响。当K=1时，楼层识别率达到最大值94.44%，随着K值的增加，楼层的识别率明显下降；在图7中展示了K值对平均定位误差的结果。当K=1时，平均位置误差为2.2m。随着K值的增加，平均定位精度显著提高，当K=6时，平均定位精度达到最大值3.08m，当K值再次增加时，平均定位误差开始下降，定位精度再次提高；图8显示了K值在[1,10]范围内的累积分布函数。本文可以发现，当K值的范围在[1,2]时，CDF曲线与其他曲线明显分开。在2m范围内定位误差的概率最高在66%，4 m范围内定位误差的概率最高在81%，随着K值的增加定位误差的概率随之降低，表明定位精度不是随着K值的增加而提高。因此，通过图7表明，K值的增加，将直接关系到平均定位精度，同时也会增加算法的计算度，所以不宜选择较大的K值。
2）不同度量方式对定位精度的影响
在已有的各类文献中使用不同的距离公式用于算法的度量。因此，本文对比了欧式距离、曼哈顿距离、索伦森距离公式对定位结果的影响。通过表2可以发现，不同度量方式下，欧式距离相比较于另外两种度量方式的平均定位误差分别提高了0.22m和0.24m，而楼层识别中，曼哈顿和索伦森度量方式的楼层识别性能最差。相比之下，欧式距离具有更好的楼层识别结果。与另外两种度量方式相比，欧式距离在平均定位误差中排名靠后，但在楼层识别中获得了最佳的楼层识别效果。因此本文在兼顾定位精度与楼层识别率的前提下，选择欧式距离作为多楼层定位系统定位算法的度量公式具有较好的空间定位效果。
表2 不同度量方式对空间定位的影响
Table 2 The impact of different measurement methods on spatialpositioning
| 距离公式 | 平均定位误差 | 楼层识别率 |
| 欧式距离 | 2.20m | 94.44% |
| 曼哈顿距离 | 1.98m | 93.06% |
| 索伦森距离 | 1.96m | 93.06% |
实施例二
根据同一发明构思，还构建了一种基于LoRa技术的多楼层空间定位系统，所述的定位系统适用于所述的方法，所述的定位系统包括LoRa定位模块、系统控制模块和软件运行模块组成；
所述的LoRa定位模块与系统控制模块连接，软件运行模块用于运行定位算法程序；LoRa定位模块包括数据RSSI指纹数据采集模块，用于采集RSSI指纹数据；所述的系统控制模块用于对定位系统进行控制，并且将软件运行模块计算出的定位数据进行显示，能够准确直观的显示出定位人员的精确位置。
实施例三：
一种电子设备，包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现所述的一种多楼层空间定位方法。
实施例四：
一种计算机存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现所述的一种多楼层空间定位方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，ROM)、随机存取器(randomaccessmemory，RAM)、磁盘或光盘等。
上述描述涉及各种模板，除非明确要求，本发明的范围不受实施例中明确提到的模板中的特定硬件和/或软件特性的限制。作为非限制性例子，本发明在实施例中可以由一种或多种处理器执行软件指令。需要指出的是，上文对各种模板的描述中，分割成这些模板，是为了说明清楚。然而，在实际实施中，各种模板的界限可以是模糊的。例如，本文中的任意或所有功能性模板可以共享各种硬件和/或软件元件。又例如，本文中的任何和/或所有功能模板可以由共有的处理器执行软件指令来全部或部分实施。另外，由一个或多个处理器执行的各种软件子模板可以在各种软件模板间共享。相应地，除非明确要求，本发明的范围不受各种硬件和/或软件元件间强制性界限的限制。
应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种多楼层空间定位方法，其特征在于：所述的多楼层空间定位方法包括
确立RSSI与空间位置的匹配关系以及样本数量对RSSI的影响；
数据采集，利用接收端在RP上收集指定时间范围内节点（Access Point, AP）的MAC地址、RSSI值等信息，通过与SecureCRT软件记录并保存在PC端；
构建RSSI指纹数据数据库采用指纹序列的方式构建位置指纹库；
根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成。
2.根据权利要求1所述的一种多楼层空间定位方法，其特征在于：所述的RSSI与空间位置的匹配关系为单个AP在楼层数目为4、水平距离约为48m的多楼层空间范围内信号有效，能够有效满足多楼层定位的需求；
所述的样本数量对RSSI的影响样本数量越多，RSSI分布特征越明显，越接近信号真实值。
3.但随着样本数的递增，信号接收时长、算法计算复杂度也会随之增加，本方法选择样本数量为100。
4.根据权利要求1所述的一种多楼层空间定位方法，其特征在于：所述的数据采集，将定位的场景划分成2m×2m的网格，并在每层楼指定位置放置一个固定AP，其次利用接收器在每一个网格的中心采集100组以上的RSSI数据，并按照发射设备的MAC地址、位置信息和RSSI的格式。
5.根据权利要求1所述的一种多楼层空间定位方法，其特征在于：所述的构建RSSI指纹数据数据库具体方法如下：假设在多楼层建筑中部署了M个AP，总的AP记为
（1）
在离线阶段的RP位置记为
（2）
其中，表示RP的数量；
对于第个/>包含参考点相对的空间位置信息记为
（3）
其中，表示平面空间坐标信息，/> 表示空间楼层信息；
第个离线阶段的RP使用接收端采集的指纹记为（4）
其中，表示在第/>个离线阶段RP上采集的第M个AP的RSSI，因此构建的初始指纹，记为
（5）
初始位置指纹库，记为
（6）
其中，表示两者间的映射关系。
6.根据权利要求1所述的一种多楼层空间定位方法，其特征在于：所述的根据RSSI指纹数据库进行空间位置定位，采用基于IQR-KNN的多楼层空间定位算法，该方法由离线阶段、在线阶段组成；具体方法如下：
初始位置指纹库中以每一个指纹中采集的样本数量S作为长度，将每个指纹内的指纹序列进行由小到大的排序，取序列的第一、第二和第三四分位数分别为Q1，Q2和Q3，记为
（7）
通过求得四分位距IQR，定义/>作为RSSI异常值的上下边界判断阈值，对超出阈值范围的RSSI值进行剔除，对样本空间中的指纹求平均后，存入到离线位置指纹数据库，记为
（8）
在线阶段与离线阶段类似，通过接收设备接收来自多楼层中固定AP的信号并在实测点记录来自M个AP的RSSI值，记为
（9）
其中，表示在第/>个在线阶段实测点RP上记录的第M个AP的RSSI指纹数据；
基于IQR算法处理后，得到在线实测指纹，采用基于RSSI的KNN算法实现多楼层空间定位，分为楼层识别和平面定位两个步骤，在楼层识别阶段，通过公式（10）计算在线实测指纹/>与离线位置指纹数据库/>中的/>之间的欧氏距离；
（10）
经过与离线位置指纹数据库的指纹匹配，选择距离在线实测指纹欧式距离最小的K个指纹数据对应的楼层位置信息，依次与楼层编号进行匹配，相同是在对应的楼层投票数加1，选取投票数量最多的楼层编号为估计楼层；
在楼层识别后，选择距离测试点欧式距离相关性最强的K个参考点，计算其平面坐标的平均值，作为接收器的最终的空间位置；
（11）。
7.一种基于LoRa技术的多楼层空间定位系统，所述的定位系统适用于如权利要求1-5中任一项权利要求所述的方法，其特征在于：所述的定位系统包括LoRa定位模块、系统控制模块和软件运行模块组成；
所述的LoRa定位模块与系统控制模块连接，软件运行模块用于运行定位算法程序；LoRa定位模块包括数据RSSI指纹数据采集模块，用于采集RSSI指纹数据；所述的系统控制模块用于对定位系统进行控制，并且将软件运行模块计算出的定位数据进行显示，能够准确直观的显示出定位人员的精确位置。
8.一种电子设备，其特征在于：包括处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至5中任一项所述的一种多楼层空间定位方法。
9.一种计算机存储介质，其特征在于：其上存储有计算机程序，所述的计算机程序被处理器执行时实现如权利要求1至5中任一项所述的一种多楼层空间定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310469111.6A CN116456294A (zh) | 2023-04-27 | 2023-04-27 | 一种多楼层空间定位方法及系统、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310469111.6A CN116456294A (zh) | 2023-04-27 | 2023-04-27 | 一种多楼层空间定位方法及系统、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116456294A true CN116456294A (zh) | 2023-07-18 |
Family
ID=87131985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310469111.6A Pending CN116456294A (zh) | 2023-04-27 | 2023-04-27 | 一种多楼层空间定位方法及系统、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116456294A (zh) |
-
2023
- 2023-04-27 CN CN202310469111.6A patent/CN116456294A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Talvitie et al. | Distance-based interpolation and extrapolation methods for RSS-based localization with indoor wireless signals | |
| CN103402258B (zh) | 一种基于Wi‑Fi的室内定位系统和方法 | |
| Honkavirta et al. | A comparative survey of WLAN location fingerprinting methods | |
| EP1617601B1 (en) | Distributed precision based localization algorithm for ad-hoc wireless networks | |
| Khodayari et al. | A RSS-based fingerprinting method for positioning based on historical data | |
| Diaz et al. | Bluepass: An indoor bluetooth-based localization system for mobile applications | |
| US6799047B1 (en) | Locating and tracking a user in a wireless network through environmentally profiled data | |
| US7020475B2 (en) | Using a derived table of signal strength data to locate and track a user in a wireless network | |
| US9955300B2 (en) | Method for incorporating invisible access points for RSSI-based indoor positioning applications | |
| WO2000050918A2 (en) | Method and computer-readable medium for locating and tracking a user in a wireless network through environmentally profiled data | |
| Xiao et al. | Sensor-assisted localization in cellular systems | |
| Jiang et al. | Localization with rotatable directional antennas for wireless sensor networks | |
| Li et al. | Location estimation in large indoor multi-floor buildings using hybrid networks | |
| Zhou-guo et al. | An improved indoor UHF RFID localization method based on deviation correction | |
| Wang et al. | Adaptive rfid positioning system using signal level matrix | |
| Shakir et al. | Position location based on measurement reports in LTE cellular networks | |
| Zheng et al. | RSSI-KNN: A RSSI Indoor Localization Approach with KNN | |
| Gu et al. | The effect of ground truth accuracy on the evaluation of localization systems | |
| CN116456294A (zh) | 一种多楼层空间定位方法及系统、电子设备、存储介质 | |
| He et al. | Voronoi diagram based indoor localization in wireless sensor networks | |
| CN104618863A (zh) | 区域性定位系统与方法 | |
| Chuku et al. | Performance evaluation of an RSSI based localization scheme for wireless sensor networks to mitigate shadowing effects | |
| Yang et al. | Positioning in an indoor environment based on iBeacons | |
| Pei et al. | An indoor positioning algorithm based on received signal strength of WLAN | |
| Liu et al. | Two-phase indoor positioning technique in wireless networking environment |
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 |