CN117606476A - 定位方法及相关设备 - Google Patents

Abstract

本申请提供一种定位方法及相关设备。所述方法包括：基于测距的测量距离和估计距离，构建动态测距估计模型；基于先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；基于动态测距估计模型和基于先验信息的运动模型，构建因子图模型；利用自适应梯度下降算法迭代更新因子图模型，得到第一定位位置；响应于迭代更新满足第一条件，将第一定位位置作为最终的定位位置。本申请实施例通过考虑不同位置的测距观测的可靠性，将不同位置的测距观测和相对先验运动知识转换为概率域，以使得处于不同位置的多个位置能够联合优化，进而减少受干扰的测距测量的可靠性，且提出一种梯度下降优化方法，有效降低了求解因子图的时间复杂度。

Description

定位方法及相关设备

技术领域

本申请涉及定位技术领域，尤其涉及一种定位方法及相关设备。

背景技术

在现有技术中，当处于复杂的室内环境中时，精确时间测量技术(Fine TimeMeasurements，FTM)定位的精度显著降低。在理想的直视(LoS)环境中，FTM测距可以在1sigma的情况下达到1.4m的准确性。然而，在实际的室内环境中，由于多径效应、非直视信号传播和电噪声等干扰，测距精度降至3.4米。因此，由于各种干扰，实现准确而普遍的FTM室内定位仍然是一个挑战。

此外，在现有技术中，在求解因子图时，如果考虑所有变量，因子图算法会导致高维度的代价函数。此外，代价曲面是非凸的，会进一步增加计算的复杂性。

发明内容

有鉴于此，本申请的目的在于提出一种定位方法及相关设备。

基于上述目的，本申请提供了一种定位方法，包括：

基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

在一种可能的实现方式中，所述基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型，包括：

基于获取的真实距离和误差项获取得到所述测距的测量距离；

基于获取的系统估计距离和估计噪声获取得到所述测距的估计距离；

基于所述测距的测量距离和所述测距的估计距离，计算得到残差误差；

基于所述残差误差和所述测距的测量距离，计算得到所述误差残差相对于所述测距的距离的自适应均值和标准差；

基于所述误差残差相对于所述测距的距离的自适应均值和标准差，构建所述动态测距估计模型。

在一种可能的实现方式中，所述基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型，包括：

基于获取的真实移动距离和估计噪声，获取得到所述系统估计的移动距离；

基于获取的真实移动距离和先验噪声，获取得到所述先验估计的移动距离；

基于所述先验估计的移动距离和系统估计的移动距离，计算得到残差噪声；

基于所述残差噪声，构建得到所述基于先验信息的运动模型。

在一种可能的实现方式中，通过下式表示所述动态测距估计模型：

其中r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，v_j＝(x_j,y_j)，σ_f(r_i,j)表示残差噪声相对于测距值r_i,j的标准差，μ_f(r_i,j)表示残差噪声相对于测距值r_i,j的自适应均值，X_i和Y_i表示第i个无线访问接入点AP_i的坐标。

在一种可能的实现方式中，通过下式表示所述基于先验信息的运动模型：

g_j(v_j,v_j+1|Δt_j)＝g_j(x_j,y_j,x_j+1,y_j+1|Δt_j)

其中，g_j(v_j,v_j+1|Δt_j)表示运动因子，v_j＝(x_j,y_j)，v_j+1＝(x_j+1,y_j+1)，σ_g(Δt_j)表示标准差函数，‖v_j+1-v_j‖₂表示系统估计的移动距离，μ_V·Δt_j表示先验估计的移动距离。

在一种可能的实现方式中，通过下式表示所述因子图模型的目标函数：

其中，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，g_j(v_j,v_j+1|Δt_j)表示运动因子。

在一种可能的实现方式中，所述第一条件为所述因子图模型的平均位置方差小于或等于预设阈值。

基于同一发明构思，本申请实施例还提供了一种定位装置，包括：

第一构建模块，被配置为基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

第二构建模块，被配置为基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

第三构建模块，被配置为基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

梯度下降模块，被配置为利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

基于同一发明构思，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的定位方法。

基于同一发明构思，本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的定位方法。

从上面所述可以看出，本申请提供的定位方法及相关设备，通过基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。本申请实施例首先通过统计方法从FTM测距矩阵中估计每个无线访问接入点(Access Point，AP)对应测距测量的权重，而后为两个连续测距测量的两个位置之间的距离建立概率模型，且同时考虑目标在运动时的先验运动的统计数据和时间间隔，进而构建基于先验信息的运动模型，之后利用前述步骤构建的测距和运动模型，共同构建因子图模型，且在这个模型中，开发了一个联合成本函数，通过最大概率规则优化来增强用户位置估计的结果。基于前述模型能够有效提高室内定位的精度，且在不同测距周期、姿势、用户、移动速度和环境下仍然能够实现高精度室内定位。之后为了在最大限度上降低因子图框架相关的时间复杂性，利用一种加速算法，能够有效识别具有最高概率的位置，有效的降低了算法计算的开销，进而有效提升了室内定位的速度。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例的定位方法流程示意图；

图2为本申请实施例的分析不同测距测量的统计数据示意图；

图3为本申请实施例的因子图模型结构示意图；

图4为本申请实施例的定位装置示意图；

图5为本申请实施例的电子设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术部分所述，在现有技术中，当处于复杂的室内环境中时，精确时间测量技术定位的精度显著降低。在理想的直视环境中，FTM测距可以在1sigma的情况下达到1.4m的准确性。然而，在实际的室内环境中，由于多径效应、非直视信号传播和电噪声等干扰，测距精度降至3.4米。因此，由于各种干扰，实现准确而普遍的FTM室内定位仍然是一个挑战。

此外，在现有技术中，在求解因子图时，如果考虑所有变量，因子图算法会导致高维度的代价函数。此外，代价曲面是非凸的，会进一步增加计算的复杂性。

综合上述考虑，本申请实施例提出一种定位方法，通过基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。本申请实施例首先通过统计方法从FTM测距矩阵中估计每个无线访问接入点(Access Point，AP)对应测距测量的权重，而后为两个连续测距测量的两个位置之间的距离建立概率模型，且同时考虑目标在运动时的先验运动的统计数据和时间间隔，进而构建基于先验信息的运动模型，之后利用前述步骤构建的测距和运动模型，共同构建因子图模型，且在这个模型中，开发了一个联合成本函数，通过最大概率规则优化来增强用户位置估计的结果。基于前述模型能够有效提高室内定位的精度，且在不同测距周期、姿势、用户、移动速度和环境下仍然能够实现高精度室内定位。之后为了在最大限度上降低因子图框架相关的时间复杂性，利用一种加速算法，能够有效识别具有最高概率的位置，有效的降低了算法计算的开销，进而有效提升了室内定位的速度。

以下，通过具体的实施例来详细说明本申请实施例的技术方案。

参考图1，本申请实施例的定位方法，包括以下步骤：

步骤S101，基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

步骤S102，基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

步骤S103，基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

步骤S104，利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

本申请的技术方案，整体而言，首先获取FTM测距矩阵和时间数据。启用FTM的AP被布置在已知位置。定位用户手持移动设备，在测试区域内行走，并定期从这些AP收集测距测量值。定位设备执行RTT的FTM的路径点被标记为v₁,v₂,…,v_M。M表示通过的路径点数。从路径点j到AP_i的测距值为r_i,j(1≤i≤N,1≤j≤M)。在不同路点获得的FTM测距测量可以表示为测距矩阵R，通过下式表示：

需要注意的是，一些测量可能会因干扰而失败，这些情况在矩阵中表示为零。此外，收集路径点之间的时间间隔Δt_k(1≤k≤M-1)，以基于客户端的移动信息来估计潜在距离。

获取以上数据之后，构建因子图并基于自适应梯度进行快速求解。

针对步骤S101，在一些实施例中，所述基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型，包括：基于获取的真实距离和误差项获取得到所述测距的测量距离；基于获取的系统估计距离和估计噪声获取得到所述测距的估计距离；基于所述测距的测量距离和所述测距的估计距离，计算得到残差误差；基于所述残差误差和所述测距的测量距离，计算得到所述误差残差相对于所述测距的距离的自适应均值和标准差；基于所述误差残差相对于所述测距的距离的自适应均值和标准差，构建所述动态测距估计模型。

具体的，FTM测距中的主要挑战是解决与不同测距距离相关的波动置信水平。FTM测距噪声通过下式表示，

其中测距的测量距离r_i,j是真实距离和误差项δ_f1(r_i,j)的和。误差项δ_f1(r_i,j)是测距测量固有的随机过程。N是环境中部署的FTM AP站点数量。

在典型办公环境中进行的各种测距测量中，我们可以发现，误差可以分为两个不同的区域：高精度和逐渐减小的精度。高精度区域对应于短距离测量，客户端和AP之间几乎没有障碍物。另外的，随着测距距离的增加，非直视(Non-Line-of-Sight，NLoS)、多径效应或移动障碍物等因素开始影响测距精度，导致精度降低。

测距的测量距离和估计距离之间的关系可以描述如下：给定一个估计的位置v_j＝(x_j,y_j)，系统的估计距离通过下式表示：

其中，v_j＝(x_j,y_j)，X_i和Y_i表示第i个无线访问接入点AP_i的坐标，表示真实距离，δ_f2(x_j,y_j)表示估计噪声。

进一步的，利用系统的估计距离减去所述测距的测量距离，可以确定系统估计和FTM测距测量之间存在的残差误差，通过下式表示：

其中，δ_f(x_j,y_j,r_i,j)表示残差误差，δ_f1(r_i,j)表示误差项，δ_f2(x_j,y_j)表示估计噪声，r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值，v_j＝(x_j,y_j)，X_i和Y_i表示第i个无线访问接入点AP_i的坐标。

进一步的，利用动态高斯随机过程增强的测距因子模型来改进因子图优化算法。

较小的测距测量表现出较小的误差和平衡的分布。然而，随着测量的增加，平均精度降低，分布显示出更明显的长尾效应，这是由于多径和NLoS效应的增加导致的。因此，本申请实施例提出了一种自适应高斯模型来逼近不同的测距测量。这涉及到减小大测量的模型可靠性，不仅因为它们的精度较低，而且由于长尾效应引起的模型拟合不准确性的放大。

在一些实施例中，通过下式表示所述动态测距估计模型：

其中r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，v_j＝(x_j,y_j)，σ_f(r_i,j)表示残差噪声相对于测距值r_i,j的标准差，μ_f(r_i,j)表示残差噪声相对于测距值r_i,j的自适应均值，X_i和Y_i表示第i个无线访问接入点AP_i的坐标。

进一步的，假设最终的位置估计与实际位置非常接近，即此时的δ_f2趋近于零，故在本申请中可以用δ_f1来近似δ_f。

参考图2，为本申请实施例的分析不同测距测量的统计数据示意图。

图2中展示了的平均值和标准差的统计数据。图中的点表示从近似测距测量中获得的残差均值和标准差。在图2(a)中，线使用二次曲线拟合残差均值数据，反映了由于中间障碍物增加而导致的干扰指数放大。因此，本申请可以通过二次函数来对μ_f(r_i,j)建模，通过下式表示：

μ_f(r_i,j)＝a*r_i,j ²+b*r_i,j+c

其中，a,b,c表示曲线参数，μ_f(r_i,j)表示残差噪声相对于测距值r_i,j的自适应均值，r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值。

图2(b)中说明了误差标准差可以分为可靠和不可靠两个区域。

进一步的，根据鲁棒统计学的原理，本申请可以将Huber函数结合到测距测量的置信度调整中，通过下式表示：

其中，T表示阈值超参数，是所有误差的标准差的大约1.4倍，σ_f(r_i,j)表示残差噪声相对于测距值r_i,j的标准差，r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值。

在上式中，小于T的测距测量被赋予恒定的标准差1，来表示它们的可靠性。对于超过T的测量，它们的标准差使用指数为q的指数函数增加，以减小它们的权重，进而降低低可靠性数据对测距测量的影响。

另外，因本申请提出的上述模型是可微分的，可以有效实现因子图优化过程更快的收敛。

针对步骤S102，在一些实施例中，所述基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型，包括：基于获取的真实移动距离和估计噪声，获取得到所述系统估计的移动距离；基于获取的真实移动距离和先验噪声，获取得到所述先验估计的移动距离；基于所述先验估计的移动距离和系统估计的移动距离，计算得到残差噪声；基于所述残差噪声，构建得到所述基于先验信息的运动模型。

具体的，为了解决间歇性不准确测量可能导致局部定位误差的问题，本申请实施例利用目标的运动速度先验来建立相邻测距测量之间的连接。这将局部定位挑战转化为FTM测距链的局部优化，通过运动速度先验进行连接。通过采用这种方法，本申请通过考虑更广泛的上下文和大量的测距测量来提高可靠性，而不仅仅依赖于孤立和单一的测量。

运动速度先验的建模过程如下：假设客户端在时间间隔在Δt_j内的两个FTM测量之间的从航点移动到而行人的移动速度可以近似为高斯模型N(μ_V,σ_V)，其中μ_V表示均值，σ_V表示标准差。考虑到短时间间隔Δt_j，客户端的移动轨迹可以近似为一条直线。系统估计的移动距离μ_V·Δt_j可以模拟为真实移动距离加上额外的估计噪声δ_g1(Δt_j)，通过下式表示：

其中，μ_V·Δt_j表示系统估计的移动距离，表示真实移动距离，δ_g1(Δt_j)表示估计噪声。

另外的，先验估计的移动距离‖v_j+1-v_j‖₂是真实距离和先验噪声项δ_g2(v_j,v_j+1)的和，通过下式表示：

其中，表示真实移动距离，δ_g2(v_j,v_j+1)表示先验噪声，‖v_j+1-v_j‖₂表示先验估计的移动距离。

基于上述方程，系统估计的移动距离减去先验估计的移动距离，得到残差噪声，通过下式表示：

δ_g(v_j,v_j+1,Δt_j)＝δ_g2(v_j,v_j+1)-δ_g1(Δt_j)

＝‖v_j+1-v_j‖₂-μ_V·Δt_j,(1≤j≤M)

其中，δ_g(v_j,v_j+1,Δt_j)表示残差噪声，δ_g1(Δt_j)表示估计噪声，δ_g2(v_j,v_j+1)表示先验噪声，‖v_j+1-v_j‖₂表示先验估计的移动距离，σ_V·Δt_j表示系统估计的移动距离。

残差噪声δ_g(v_j,v_j+1,Δt_j)可以表示为一个强稳态高斯过程，由δ_g(v_j,v_j+1,Δt_j)～N(0,σ_g(Δt_j))建模。

通过下式表示标准差函数σ_g(Δt_j)：

σ_g(Δt_j)＝σ_V·Δt_j,(1≤j≤M)

其中，σ_g(Δt_j)表示标准差函数，σ_V表示客户端运动参数，Δt_j表示时间间隔。

在一些实施例中，通过下式表示所述基于先验信息的运动模型：

其中，g_j(v_j,v_j+1|Δt_j)表示运动因子，v_j＝(x_j,y_j)，v_j+1＝(x_j+1,y_j+1)，σ_g(Δv_j)表示标准差函数，‖v_j+1-v_j‖₂表示系统估计的移动距离，μ_V·Δt_j表示先验估计的移动距离。

本质上，上述公式描述了在给定时间间隔Δt_j的情况下，基于已知的客户端运动参数μ_V和σ_V，估计位置v_j和v_j+1之间的距离的可能性。

基于前述陈述，本申请实施例的模型通过利用相邻测量来改进局部定位。与基于步行者惯性导航(Pedestrian Dead Reckoning，PDR)的系统依赖步态模式和特定姿势来检测步伐和确定用户方向不同，故，本申请实施例的技术方案可以完全不依赖姿态，更加灵活，适用范围更广泛。

进一步的，针对步骤S103，将行人运动的先验知识作为相对信息进行了整合。通过建立一个连接连续用户位置的FTM测距测量和它们之间的用户运动的链条来实现。基于相对信息，可以通过考虑具有足够观测的位置来提高位置的定位精度。同样，相对信息连接连续的较差观测点，可以通过相对信息进一步优化它们的位置。总之，本申请实施例利用相对运动信息建立了相邻FTM测距测量之间的连接，并全面优化了每个观测点的坐标。故本申请实施例所提出的技术方案在直视(Line-of-Sight，LoS)或非直视(Non-Line-of-Sight，NLoS)条件下表现出鲁棒性。

在一些实施例中，通过下式表示所述因子图模型的目标函数：

其中，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，g_j(v_j,v_j+1|Δt_j)表示运动因子。

因子图用于表示运动观测链(Motion Observation Chain，MOC)，并结合概率进行建模。

参考图3，为本申请实施例的因子图模型结构示意图。

图3中，用户位置表示为变量v_j,(1≤j≤M)。测距和运动信息使用概率因子进行描述。测距因子f_i,j,(1≤i≤N,1≤j≤M)代表观测到r_i,j的概率。运动因子g_k,(1≤k≤M-1)代表用户从位置v_k过渡到v_k+1的概率。

上述函数利用f_i,j(v_j|r_i,j),(1≤i≤N,1≤j≤M)来表示在给定观测值r_i,j的情况下，客户端位于位置v_j的概率。当前位置点收集的所有测距测量的联合概率表示为当前和先前客户端位置的联合概率表示为重要的是要注意，航点之间是相互独立的。为了连接这些位置，模型利用g_j(v_j,v_j+1|Δt_j),(1≤j≤M-1)来表示在给定时间间隔为Δt_j的情况下，客户端从位置v_j移动到位置v_j+1的概率。函数的目标是找到最优的位置V＝{v₁,v₂,…,v_M}，使得所有测距测量和移动信息的联合概率最大化。

进一步的，针对步骤S104，利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

本申请实施例通过将异构信息转化为概率，并通过最大化这些因素的联合概率来估计优化位置。

为了简化表示，本申请实施例使用Φ_i,j(x_j,y_j)和Γ_j(x_j,y_j,x_j+1,y_j+1)来表示两个子函数，通过下式表示：

为了减少因子图框架引入的位置估计时间，本申请提出了一种基于MOC结构和自适应梯度下降的快速优化算法。

通过下式表示目标函数的梯度，它由六个偏导数的组合导出： 和测距因素只影响其当前航点的位置估计。因此，我们可以并行计算每个变量x₁,y₁,…,x_M,y_M的和另一方面，运动因素只影响相邻的航点。换句话说，第一个航点只受第二个点的影响，其中v₁∈{x₁,y₁}，最后一个点只受倒数第二个点的影响，其中v_M∈{x_M,y_M}，其他航点受前一个点和后一个点的影响，其中v_k∈{x_k,y_k},2≤k≤M-1。

通过下式表示梯度下降过程：

通过下式表示偏导数的计算过程：

基于梯度评估，本申请实施例提出利用带有动量的梯度下降优化方法来提高位置估计的速度，通过下式表示：

其中，V^p表示第p次迭代的位置估计，ΔV^p表示第p次迭代的下降梯度，η^p表示第p次迭代的学习率，θ表示学习率的衰减率，通过下式定义：

其中，ε为一个大于0且远小于1的定值。

具体的，系统在每次迭代p中更新位置估计V^p。为了确保稳定性并防止系统在非可微点附近发散，我们使用函数将计算得到的成本梯度限制在最大值为1的范围内。通过将符号函数应用于与的Hadamard乘积，我们保留梯度方向。动量强度由参数γ确定。动量累积用于加快算法的收敛速度，特别是在穿越高原成本区域时，并有助于逃离局部最小值，从而增强其发现最优解的能力。为了保证系统的收敛性，给定一个小的正数ε，在每次迭代p中，如果成本函数J^p>J^p-1，则θ＝1-ε，η^p以θ为指数衰减。成本函数是二次函数，并且学习率的衰减是指数级的，保证了系统的稳定性。

在本实施例中，每当在新的航点上扫描到一组新的FTM时，系统使用先前已知的点初始化当前位置。随后，系统通过迭代所提出的自适应梯度下降算法，旨在确定最优位置估计。在每次迭代k中，利用上式计算测距和运动因素的偏导数，用于计算目标函数的梯度，沿着这个梯度，更新航点估计V^p。系统继续迭代，直到相对于最后几次迭代而言，平均位置方差变得小于预定义的阈值ξ。随后，该迭代中获得的位置被输出为最终估计值。

在一些实施例中，通过下式表示所述第一条件：

在一些实施例中，所述第一条件为所述因子图模型的平均位置方差小于或等于预设阈值。

本申请实施例的时间复杂度为O(M·N·I)，其中M表示航点的数量，N表示附近的FTM APs的数量，I表示迭代次数。值得注意的是，M和N的值被假定为静态的。因此，计算时间与问题的规模n成线性关系，导致时间复杂度为O(n)。这种计算复杂度对于实时定位场景来说是可以接受的。

通过上述实施例可以看出，本申请实施例所述的定位方法，通过基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。本申请实施例首先通过统计方法从FTM测距矩阵中估计每个无线访问接入点(Access Point，AP)对应测距测量的权重，而后为两个连续测距测量的两个位置之间的距离建立概率模型，且同时考虑目标在运动时的先验运动的统计数据和时间间隔，进而构建基于先验信息的运动模型，之后利用前述步骤构建的测距和运动模型，共同构建因子图模型，且在这个模型中，开发了一个联合成本函数，通过最大概率规则优化来增强用户位置估计的结果。基于前述模型能够有效提高室内定位的精度，且在不同测距周期、姿势、用户、移动速度和环境下仍然能够实现高精度室内定位。之后为了在最大限度上降低因子图框架相关的时间复杂性，利用一种加速算法，能够有效识别具有最高概率的位置，有效的降低了算法计算的开销，进而有效提升了室内定位的速度。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种定位装置。

参考图4，所述定位装置，包括：

第一构建模块41，被配置为基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

第二构建模块42，被配置为基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

第三构建模块43，被配置为基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

梯度下降模块44，被配置为利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的定位方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的定位方法。

图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的定位方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的定位方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的定位方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种定位方法，其特征在于，包括：

基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

2.根据权利要求1所述的方法，其特征在于，所述基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型，包括：

基于获取的真实距离和误差项获取得到所述测距的测量距离；

基于获取的系统估计距离和估计噪声获取得到所述测距的估计距离；

基于所述测距的测量距离和所述测距的估计距离，计算得到残差误差；

基于所述残差误差和所述测距的测量距离，计算得到所述误差残差相对于所述测距的距离的自适应均值和标准差；

基于所述误差残差相对于所述测距的距离的自适应均值和标准差，构建所述动态测距估计模型。

3.根据权利要求1所述的方法，其特征在于，所述基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型，包括：

基于获取的真实移动距离和估计噪声，获取得到所述系统估计的移动距离；

基于获取的真实移动距离和先验噪声，获取得到所述先验估计的移动距离；

基于所述先验估计的移动距离和系统估计的移动距离，计算得到残差噪声；

基于所述残差噪声，构建得到所述基于先验信息的运动模型。

4.根据权利要求1所述的方法，其特征在于，通过下式表示所述动态测距估计模型：

其中r_i,j表示从路径点j到第i个无线访问接入点AP_i的测距值，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，v_j＝(x_j,y_j)，σ_f(r_i,j)表示残差噪声相对于测距值r_i,j的标准差，μ_f(r_i,j)表示残差噪声相对于测距值r_i,j的自适应均值，X_i和Y_i表示第i个无线访问接入点AP_i的坐标。

5.根据权利要求1所述的方法，其特征在于，通过下式表示所述基于先验信息的运动模型：

其中，g_j(v_j,v_j+1|Δt_j)表示运动因子，v_j＝(x_j,y_j)，v_j+1＝(x_j+1,y_j+1)，σ_g(Δt_j)表示标准差函数，||v_j+1-v_j||₂表示系统估计的移动距离，μ_V·Δt_j表示先验估计的移动距离。

6.根据权利要求1所述的方法，其特征在于，通过下式表示所述因子图模型的目标函数：

其中，f_i,j(v_j|r_i,j)表示在给定测距值r_i,j的情况下，客户端位于位置v_j的概率，g_j(v_j,v_j+1|Δt_j)表示运动因子。

7.根据权利要求1所述的方法，其特征在于，所述第一条件为所述因子图模型的平均位置方差小于或等于预设阈值。

8.一种定位装置，其特征在于，包括：

第一构建模块，被配置为基于获取的测距的测量距离和测距的估计距离，构建动态测距估计模型；

第二构建模块，被配置为基于获取的先验估计的移动距离和系统估计的移动距离，构建基于先验信息的运动模型；

第三构建模块，被配置为基于所述动态测距估计模型和所述基于先验信息的运动模型，构建因子图模型；

梯度下降模块，被配置为利用自适应梯度下降算法迭代更新所述因子图模型，得到第一定位位置；响应于所述迭代更新满足第一条件，将所述第一定位位置作为最终的定位位置。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。