TWI774056B

TWI774056B - 基於Wi-Fi指紋的定位系統及方法

Info

Publication number: TWI774056B
Application number: TW109131227A
Authority: TW
Inventors: 陳重源; 賴怡吉; 吳瑞北
Original assignee: 英屬維爾京群島商飛思捷投資股份有限公司
Priority date: 2020-09-11
Filing date: 2020-09-11
Publication date: 2022-08-11
Also published as: TW202211699A

Abstract

本發明公開一種基於Wi-Fi指紋的定位系統及方法。定位方法包括下列步驟：從資料庫取得定位圖資；執行分群處理程序，以將採集資料依據採集座標分配為目標區域中的多個參考群；計算Wi-Fi存取點的元數據；將元數據作爲與鑑別率相關的篩選條件，取出具有相對較高鑑別率的Wi-Fi指紋資料；建立基於Wi-Fi存取點的指紋資料來估計相關位置的機器學習模型，並以所取出Wi-Fi指紋資料及對應的空間座標對機器學習模型進行訓練，以產生經訓練機器學習模型；配置通訊模組接收無線裝置採集到的Wi-fi指紋資料；以及配置經訓練機器學習模型依據採集的Wi-fi指紋資料估計相關位置。

Description

基於Wi-Fi指紋的定位系統及方法

本發明涉及一種定位系統及方法，特別是涉及一種具備高精確度的基於Wi-Fi指紋的定位系統及方法。

隨著行動計算節點的擴展與無線技術的進步，對於精確室內定位與其相關服務的需求變得愈來愈流行。可靠與精準正確的室內定位可以支援大範圍的應用。

然而，現行室內定位系統有很多問題。例如，此等系統經常不精確、太複雜而無法實施、及/或太昂貴。根據Wi-Fi與接收信號強度指標(RSSI)信號的室內定位系統雖有較高的精準度，然而，在相同場域中的Wi-Fi訊號過多，且複雜性及變動率大，因此，難以單純的基於Wi-Fi訊號及強度來建立精確的定位系統。

因此，如何從既多且雜的Wi-Fi資料集中萃取出針對空間位置具備高鑑別率的資料集，來克服上述的缺陷，已成為該項事業所欲解決的重要課題之一。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種具備高精確度的基於Wi-Fi指紋的定位系統及方法。

為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種基於Wi-Fi指紋的定位方法，該定位方法實施於至少一計算裝置上，各該計算裝置包括至少一處理器、一資料庫及一通訊模組，其包括下列步驟：從該資料庫取得一目標區域的一定位圖資，其中該定位圖資包括對應於該目標區域的一靜態地圖、一座標軸資訊及多筆採集資料，各該筆採集資料包括由多個Wi-Fi存取點的多個特徵數值組成的一Wi-Fi指紋資料及對應的一採集座標；執行一分群處理程序，以將該些筆採集資料依據其之該採集座標分配為該目標區域中的多個參考群，其中各該參考群包括該些筆採集資料中相鄰的一部分，且該些筆採集資料中相鄰的一部分對應的該些採集座標的一平均座標為該參考群的一參考群座標；針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據，其中該元數據包括對應的該Wi-Fi存取點在所有該採集資料中的出現比率、該Wi-Fi存取點之該些特徵數值的資訊熵及該Wi-Fi存取點之該些特徵數值對於與空間相關的資訊增益；將該些Wi-Fi存取點的該些元數據儲存至該資料庫；將所計算的該些Wi-Fi存取點的該些元數據作爲與一鑑別率相關的篩選條件，取出具有相對較高的該鑑別率的該些Wi-Fi指紋資料；建立基於Wi-Fi存取點的指紋資料來估計該目標區域中的一相關位置的一機器學習模型，並以所取出的該鑑別率相對較高的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練，以產生一經訓練機器學習模型；配置該通訊模組接收一無線裝置於該目標區域中採集到其當前位置上的Wi-fi指紋資料；以及配置該經訓練機器學習模型依據該無線裝置採集的該Wi-fi指紋資料估計該相關位置作爲該無線裝置於該目標區域中的該當前位置。

在一些實施例中，該分群處理程序包括一具有雜訊的基於密度的空間分群法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)。

在一些實施例中，針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據的步驟更包括：統計在該目標區域內的該些採集資料中，曾出現但不重複的所有該些Wi-Fi存取點與出現比例，以產生一Wi-Fi存取點清單，其中，該Wi-Fi存取點清單中的每一筆該Wi-Fi存取點具有至少一特徵數值；針對各該些Wi-Fi存取點的該特徵數值計算該特徵數值於該些採集資料中的一全局分布函數，以及計算該特徵數值分別於該些參考群所屬的該些筆採集資料中的多個局部分布函數；針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局分佈函數與對應的該些局部分佈函數分別計算對應的一全局資訊熵及多個局部資訊熵；以及針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局資訊熵及對應的該些局部資訊熵的一均值計算對應的一資訊增益值，其中該資訊增益值係代表與該Wi-Fi存取點相關的該些筆採集資料中與空間相關的一資訊量。

在一些實施例中，將所計算的該些Wi-Fi存取點的該些元數據作爲與該鑑別率相關的篩選條件更包括判斷該些Wi-Fi存取點的該些元數據是否符合一預定條件，若是，則將符合預定條件所對應的該些Wi-Fi存取點的該些特徵數值從該些指紋資料中取出並重組以作爲具有較高鑑別率的該些Wi-Fi指紋資料。

在一些實施例中，以所取出的具有較高鑑別率的該些Wi-Fi指紋資料及對對應的該些空間座標對該機器學習模型進行訓練的步驟更包括：針對取出的該些Wi-Fi指紋資料進行一多階段複合式預處理，其中該多階段複合式預處理包括極值過濾、歸一化及樣本數平衡化；針對對應的該些空間座標進行標準化及樣本數平衡化；將經過該多階段複合式預處理後的該些Wi-Fi指紋資料及對應的該些空間座標依比例切分爲一訓練集及一驗證集，並以該訓練集對該機器學習模型進行訓練；以及以該驗證集輸入該機器學習模型，以評估該機器學習模型是否通過效能測試，若否，則調整與該機器學習模型相關的多個超參數後，繼續以該訓練集對該機器學習模型進行訓練，直到該經訓練機器學習模型通過效能測試，即作爲該經訓練機器學習模型，其中該些超參數包括學習速率、雜訊強度及梯度優化模型相關係數。

為了解決上述的技術問題，本發明所採用的另外一技術方案是提供一種基於Wi-Fi指紋的定位系統，其包括無線裝置及計算裝置。無線裝置，經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料。計算裝置包括處理器、資料庫及通訊模組。資料庫儲存有一目標區域的一定位圖資，其中該定位圖資包括對應於該目標區域的一靜態地圖、一座標軸資訊及多筆採集資料，各該筆採集資料包括由多個Wi-Fi存取點的多個特徵數值組成的一Wi-Fi指紋資料及對應的一採集座標。其中，該經訓練機器學習模型係由該處理器執行下列步驟所產生，包括：從該資料庫取得該目標區域的該定位圖資；執行一分群處理程序，以將該些筆採集資料依據其之該採集座標分配為該目標區域中的多個參考群，其中各該參考群包括該些筆採集資料中相鄰的一部分，且該些筆採集資料中相鄰的一部分對應的該些採集座標的一平均座標為該參考群的一參考群座標；針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的各該些特徵數值的元數據，其中該元數據包括對應的該Wi-Fi存取點的該特徵數值在所有該採集資料中的出現比率、該Wi-Fi存取點之該些特徵數值的資訊熵及該Wi-Fi存取點之該些特徵數值對於與空間相關的資訊增益；將該些Wi-Fi存取點的該些特徵數值的該些元數據儲存至該資料庫；將所計算的該些Wi-Fi存取點的該些特徵數值的該些元數據作爲與一鑑別率相關的篩選條件，取出具有相對較高的該鑑別率的該些Wi-Fi指紋資料；及建立基於Wi-Fi存取點的指紋資料來估計該目標區域中的一相關位置的一機器學習模型，並以所取出的該鑑別率相對較高的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練，以產生該經訓練機器學習模型。其中，該通訊模組經配置以從該無線裝置接收所採集的該Wi-fi指紋資料。其中，該處理器經配置以通過該經訓練機器學習模型依據該無線裝置採集的該Wi-fi指紋資料估計該相關位置作爲該無線裝置於該目標區域中的該當前位置。

本發明的其中一有益效果在於，本發明所提供的基於Wi-Fi指紋的定位系統及方法，其能通過分群演算法將Wi-fi指紋資料依據其空間座標分群，並計算各Wi-Fi存取點的元數據，得到對應各Wi-Fi存取點的各特徵數值的資訊增益，並選出鑑別率相對高的Wi-Fi存取點的特徵數值，同時利用機器學習方法建立定位模型，經過訓練及測試，可用於推測Wi-Fi指紋資料對應的空間位置。另外，經由實驗驗證可知基於資訊增益篩選出的Wi-Fi存取點的特徵數值對於空間定位具有更高的精準度。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明所公開有關“基於Wi-Fi指紋的定位系統及方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

圖1為本發明實施例的基於Wi-Fi指紋的定位系統的方塊圖。參閱圖1所示，本發明第一實施例提供一種基於Wi-Fi指紋的定位系統1，其包括無線裝置12及計算裝置10。詳細而言，無線裝置12經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料。無線裝置12可包括無線收發器以收發訊號，且無線裝置12例如可為平板電腦、手機等的行動裝置，或專屬開發之硬體平台。詳細而言，無線裝置12主要係用於利用檢測Wi-Fi存取點的數量、可檢測到之Wi-Fi存取點的基本服務集識別碼BSSID、可檢測到之Wi-Fi存取點的訊號強度指標RSSI、可檢測到之Wi-Fi存取點的頻道資訊、與所檢測到之Wi-Fi存取點的通訊過程所發生的特徵資訊，以產生Wi-Fi指紋。然而，並不是所有實施例均限定於上述指紋技術，也可以使用其他Wi-Fi位置技術同時混合來自各種無線電波源的資料，例如組合Wi-Fi、無線射頻辨識(Radio Frequency Identification, RFID)、無線藍芽傳輸資料(Bluetooth Low Energy, BLE) 或超寬頻測距模組(Ultra-Wideband, UWB ranging module)等，更可以結合非無線射頻訊號的資料，如慣性量測單元及環境量測單元等。在一些實施例中，無線裝置12可包括處理單元（例如，處理器）以及電性連接於處理單元的儲存單元（例如，快閃記憶體）及收發單元（例如，支援2.4G/5G頻段的Wi-Fi模組）。

計算裝置10包括處理器100、資料庫102及通訊模組104。計算裝置10可以包含任何適當處理器驅動計算裝置，包含但並不限於桌上型計算裝置、膝上型計算裝置、伺服器、智慧手機、平板電腦等等。處理器100可為如可程式邏輯控制電路（Programmable Logic Controller Circuit）、微處理電路（Micro-processor Circuit）或微控制電路（Micro-control Circuit）的積體電路或包括如前述積體電路的平板電腦、手機、筆記型電腦或桌上型電腦等的電子裝置，但不以此為限。

可進一步參考圖2及圖3，圖2爲根據本發明實施例的資料庫示意圖，圖3爲根據本發明實施例的目標區域及多個採集點的示意圖。如圖2所示，資料庫102儲存有一目標區域的定位圖資1020及經訓練機器學習模型1022，其中，該定位圖資包括對應於該目標區域中的靜態地圖、座標軸資訊及多筆採集資料，其中每一筆採集資料包含Wi-Fi指紋資料以及對應的採集座標，而Wi-Fi指紋資料可以是從該目標區域中的多個目標採集點上所採集的。資料庫102可例如爲記憶體系統，其可包括非揮發記憶體（例如快閃記憶體）與系統記憶體（例如DRAM），與配套使用的資料庫管理軟體及系統等。

詳細而言，如圖3所示，目標區域MAP1可為預定要進行定位的一室內場所或建築，定位圖資1020可包括上述場所或建築的各樓層的一或多個地圖，而多個目標採集點P可為散佈於目標區域MAP1中的多個座標，而多筆Wi-Fi指紋資料可例如爲使用者預先於目標區域的該些採集點上取得的Wi-fi指紋資料，且可包括於各目標採集點上通過無線接收器偵測到的Wi-fi指紋資料。

Wi-fi指紋資料可以是多種類型的，任何具有位置獨特性的特徵都能被用來做為一筆Wi-fi指紋資料。比如某個位置上Wi-fi訊號的多徑結構、某個位置上是否能檢測到存取點(Access Point, AP)或基站、某個位置上檢測到的來自存取點的接收訊號強度(Received signal strength, RSS)、某個位置上通過Wi-Fi進行通訊時，訊號的往返時間或延遲，這些都能作為一筆Wi-fi指紋資料，或者也可以將上述特徵組合起來作為Wi-fi指紋資料。換言之，一筆Wi-Fi指紋資料可由多台Wi-Fi存取點之多個特徵數值組合而成。

詳細而言，根據Wi-Fi與接收信號強度指標(RSSI)信號的室內定位系統雖有較高的精準度，然而，在相同場域中的Wi-Fi訊號過多，且複雜性及變動率大，因此，難以單純的基於Wi-Fi訊號及強度來建立精確的定位系統，因此，本發明進一步針對Wi-Fi資料集萃取出針對空間位置具備高鑑別率的資料集。

請參考圖4，其爲根據本發明實施例的基於Wi-Fi指紋的定位方法的流程圖。如圖所示，基於Wi-Fi指紋的定位方法適用於前述實施例中描述的定位系統，但不限於此。定位方法可實施於任何包括處理器及資料庫的計算裝置上，且可包括下列步驟：

步驟S100：從資料庫取得目標區域的定位圖資。如前所述，該定位圖資包括對應於目標區域中的多個目標採集點的多筆Wi-Fi指紋資料。舉例來說，原始採集資料依據採集日期分集儲放於資料庫中，處理器可執行資料匯入程式將原始採集資料讀入，並執行資料完整性檢查，接著依據特定文件格式加入所屬建築物及樓層之非關聯式資料庫，此匯入操作的資訊也會記錄於資料庫中。

步驟S101：執行一分群處理程序，以將該些筆採集資料依據其之該採集座標分配為該目標區域中的多個參考群，以產生對應該些參考群的多筆採集資料。

舉例而言，所謂分群演算法可例如為具有雜訊的基於密度的空間分群法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)，通過執行DBSCAN，依據該些採集資料於該目標區域中的採集座標將該些採集資料分配為該目標區域中的多個參考群，每個參考群中包含多筆鄰近的採集資料。此步驟將目標區域中所有採集資料以空間資訊分成不同群，以便稍後分析採集資料中Wi-Fi指紋資料以及對應的採集座標之間的相關程度。例如，可參照如圖5所示，其為根據本發明實施例的經過執行DBSCAN得到的分群結果的座標圖。如圖所示，經過DBSCAN得到的每個參考點具有各自的座標及對應的編號，以及如圖所示編號下方以括號表示的資料數量。通過執行DBSCAN，每一個參考群所包括的若干筆採集資料形成一個群體，此群體即可視為一個高維特徵向量在該特定空間位置之分布狀態。

步驟S102：針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據(Metadata)。詳細而言，元數據可包括與該些Wi-Fi存取點的出現比率、特徵數值分布的資訊熵(Information Entropy)及特徵數值分布與空間相關的資訊增益(Information Gain)。

於此，請進一步參考圖6，其爲根據本發明實施例的元數據計算流程圖，包括下列步驟：

步驟S200：統計在目標區域內所有採集資料中曾出現但不重複的所有Wi-Fi存取點清單與出現比例。上述Wi-Fi存取點清單中的每一個Wi-Fi存取點具有至少一個特徵數值，此些特徵數值可以是但不限於例如接收訊號強度指示 (Received Signal Strength Indicator, RSSI)或是基於802.11mc規範之來回通訊延遲(Round Trip Time, RTT)等可測數值。

步驟S201：計算該些Wi-Fi存取點的該些特徵數值的分佈函數。其中，分布函數p即描述了特定事件X=x(表示數值變數X符合特定數值x)與該事件發生機率P(X=x)之對應關係。又，以某概率p(x)發生的特定事件x所蘊含資訊量I可由下式(1)表示：

分布函數p：

事件X=x所蘊含的資訊量I：

…式(1)；

而依據所計算的分布函數的母體範圍限定條件不同，可分為以下兩種：

其一，以該目標區域不限定參考群的多筆指紋資料為統計母體的全局分布函數，其結果可如圖7所示，圖7為根據本發明實施例以直方圖表示之全局數值分布狀態圖(Global Histogram)及單一局部數值分布狀態圖(One Local Histogram)。

其二，限定特定一個參考群所屬的多筆採集資料為統計母體的局部分佈函數，其結果可如圖7的單一局部數值分布狀態圖所示。由於目標區域中有多個參考群，因此每一個Wi-Fi存取點之特徵數值有多個局部分布函數。

另一方面，可一併參考圖8，其爲根據本發明實施例的特徵數值的全局數值分布狀態的箱型圖(Box plot)。在圖7、圖8中，橫軸皆爲Wi-Fi存取點的編號，縱軸爲該Wi-Fi存取點的特徵數值大小，此實施例為接收訊號強度指標(RSSI)之量測值。其中，圖8進一步顯示了該些特徵數值之中位數、平均值及離群值。根據本發明的實施例結果中可見，基於平均值等基本統計方法之指紋模型並不足以代表特徵數值之分布模式。

步驟S202：依據該些Wi-Fi存取點的該些特徵數值之分佈函數計算對應該些Wi-Fi存取點的該些特徵數值之該些資訊熵。其中，針對每一個特徵數值可分別計算出一個全局資訊熵及多個局部資訊熵。全局熵及局部熵的區別在於用於計算資訊熵之分布函數的統計母體範圍不同，全局熵是由該特徵於目標場域所有樣本的數值分布函數(全局分布函數)求得；反之，局部熵是由該特徵於單一個參考群內樣本的分布函數(局部分布函數)求得，因此對於一目標場域中有多個參考群即對應到有多個局部分布函數與多個局部熵。其中，資訊熵的計算可由下式(2)表示：

…式(2)；

步驟S203：依據該些Wi-Fi存取點之該些特徵數值的資訊熵計算對應該些Wi-Fi存取點之該些特徵數值的該些資訊增益。其中，資訊增益的計算方式可由下式(3)表示：

…式(3)；

計算獲得的資訊熵、資訊增益可由圖9表示，其爲根據本發明實施例的資訊熵及資訊增益的圖表。其中，橫軸爲Wi-Fi存取點的編號，縱軸爲對應的特徵數值的資訊熵的相對大小。其中，資訊熵包含全局資訊熵(Global Entropy)、局部資訊熵均值(Mean Local Entropy)及與資訊增益值(Information Gain)，三者之組合關係以堆疊式柱狀圖呈現，即資訊增益值為全局資訊熵與局部資訊熵均值之差值。

另外，圖10呈現該些Wi-Fi存取點對應的資訊增益(Information Gain)與出現比率(Attendance)之間的相對數值關係，圖中顯示資訊增益與出現比率在大尺度上趨勢接近，但是在局部相對次序中仍有交換關係。又根據資訊理論，資訊增益值較高的該些Wi-Fi存取點對於用於空間定位上有較高的鑑別率。

為驗證此特性，執行一實驗將該些Wi-Fi存取點分別依據其資訊增益值(Information Gain) 、出現比率(Attendance)及訊號強度(Signal Strength)由最大遞減選取相同數量個Wi-Fi存取點之採集資料作為下一步定位模型的訓練與測試的資料集。可進一步參考圖11，其爲根據本發明實施例針對定位模型的實驗結果。由圖11可見，由最大資訊增益值遞減選取相同數量個Wi-Fi存取點所製作的定位模型具有較低的定位誤差及較快的訓練收斂速度。因此，本發明提出使用資訊增益值作為評估該些Wi-Fi存取點之鑑別率的方法之一。

回到本發明的基於Wi-Fi的定位方法，執行步驟S103：將該些Wi-Fi存取點的該些元數據儲存至該資料庫。

步驟S104：將所計算的該些元數據中的資訊增益作爲與一鑑別率相關的篩選條件，取出該鑑別率相對較高的該些Wi-Fi存取點作為主要Wi-Fi存取點。由前述步驟可知，由於以資訊增益作爲判斷條件對於空間定位具有高的精準度，因此，可將資訊增益作爲與該鑑別率相關的篩選條件及排序條件。例如，可設定一預定增益範圍，並判斷該些Wi-Fi存取點的該些元數據是否符合預定條件，若是，則將符合預定條件所對應的該些Wi-Fi存取點之特徵數值從所有指紋資料中取出並重新組合成具有較高鑑別率的Wi-Fi指紋資料。另一方面，在其他實施例中，預定條件亦可例如為判斷該些Wi-Fi存取點的出現比率是否足夠高。

步驟S105：建立基於Wi-Fi存取點的指紋資料來估計該目標區域中的相關位置的機器學習模型，並以所取出的該些Wi-Fi存取點的指紋資料及對應的空間座標對該機器學習模型進行訓練，以產生一經訓練機器學習模型。

詳細而言，若僅是通過數值比較的方式來進行定位是相對不準確的，因此，本發明採用機器學習方法建立回歸模型，經過訓練及測試，可用於推測Wi-Fi指紋樣本之空間位置。

以下請參考圖12，其爲根據本發明實施例用於訓練機器學習模型的方式的流程圖，包括下列步驟：

步驟S300：針對取出的該些Wi-Fi存取點的指紋資料進行多階段複合式預處理，以及針對對應的空間座標進行標準化及樣本數平衡化。其中，多階段複合式預處理可包括極值過濾、歸一化及樣本數平衡化。

步驟S301：將預處理後的該些指紋資料及空間座標分爲一訓練集及一驗證集，並以該訓練集對該機器學習模型進行訓練。其中，該些指紋資料及空間座標可依適當比例、隨機次序分爲訓練集及驗證集。

步驟S302：以該驗證集輸入該機器學習模型，以評估該機器學習模型。

步驟S303：評估該機器學習模型是否達到預期定位精準度，若否，則進入步驟S304，對機器學習模型進行超參數調整，並回到步驟S301繼續以該訓練集對該機器學習模型進行訓練，直到該經訓練機器學習模型通過效能測試，即進入步驟S305，將通過效能測試的機器學習模型作爲該經訓練機器學習模型。若機器學習模型經過多次調整、訓練及評估的迭代，仍無法達到預期定位精準度，則經由系統向管理員提出示警，代表訓練資料具有品質瑕疵或是其他例外。在本實施例中，對超參數進行調整可包括調整學習速率、雜訊強度及梯度優化模型相關係數等。

對經訓練機器學習模型進行驗證及評分，然後最終將其導出為二進位檔案，並可在計算裝置10中註冊為有效的定位模型。導出的經訓練機器學習模型的二進位檔案將可上傳到特定的定位伺服器，以與無線裝置12連接。定位伺服器可進一步將經訓練機器學習模型包裹爲容器映像檔(Container Image)並進行部署，以爲行動裝置12提供定位服務。此處，可採用表現層狀態轉移(Representational State Transfer, RESTful)應用程式介面(API)來部署容器映像檔爲行動裝置12提供定位服務。

接著，回到本發明的基於Wi-Fi指紋的定位方法，進入步驟S106：配置該通訊模組接收無線裝置於目標區域中採集到其當前位置上的Wi-fi指紋資料。

步驟S107：配置該經訓練機器學習模型依據該無線裝置採集的該Wi-fi指紋資料估計該相關位置作爲該無線裝置於該目標區域中的該當前位置。

[實施例的有益效果]

本發明的其中一有益效果在於，本發明所提供的基於Wi-Fi指紋的定位系統及方法，其能通過分群演算法將Wi-fi指紋資料依據其空間座標分群，並計算各Wi-Fi存取點的元數據，得到對應各Wi-Fi存取點之各特徵數值的資訊增益，並透過所計算出的元數據選出鑑別率相對高的Wi-Fi存取點，同時利用機器學習方法建立定位模型，經過訓練及測試，可用於推測Wi-Fi指紋資料對應的空間位置。另外，經由實驗驗證可知基於資訊增益篩選出的Wi-Fi存取點對於空間定位具有更高的精準度。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

1:定位系統 10:計算裝置 100:處理器 102:資料庫 1020:定位圖資 1022:經訓練機器學習模型 104:通訊模組 12:無線裝置 MAP1:目標區域 P:採集點

圖1為本發明實施例的基於Wi-Fi指紋的定位系統的方塊圖。

圖2爲根據本發明實施例的資料庫示意圖。

圖3爲根據本發明實施例的目標區域及多個採集點的示意圖。

圖4爲根據本發明實施例的基於Wi-Fi指紋的定位方法的流程圖。

圖5為根據本發明實施例的經過執行DBSCAN得到的分群結果的座標圖。

圖6爲根據本發明實施例的元數據計算流程圖。

圖7為根據本發明實施例以直方圖表示之全局數值分布狀態圖(Global Histogram)及單一局部數值分布狀態圖(One Local Histogram)。

圖8爲根據本發明實施例的特徵數值的全局數值分布狀態的箱型圖(Box plot)。

圖9爲根據本發明實施例的資訊熵及資訊增益的圖表。

圖10爲根據本發明實施例示出Wi-Fi存取點對應的資訊增益(Information Gain)與出現比率(Attendance)之間的相對數值關係。

圖11爲根據本發明實施例針對定位模型的實驗結果。

圖12爲根據本發明實施例用於訓練機器學習模型的方式的流程圖。

指定代表圖為流程圖，故無符號簡單說明

Claims

一種基於Wi-Fi指紋的定位方法，該定位方法實施於至少一計算裝置上，各該計算裝置包括至少一處理器、一資料庫及一通訊模組，其包括下列步驟：從該資料庫取得一目標區域的一定位圖資，其中該定位圖資包括對應於該目標區域的一靜態地圖、一座標軸資訊及多筆採集資料，各該筆採集資料包括由多個Wi-Fi存取點的多個特徵數值組成的一Wi-Fi指紋資料及對應的一採集座標；執行一分群處理程序，以將該些筆採集資料依據其之該採集座標分配為該目標區域中的多個參考群，其中各該參考群包括該些筆採集資料中相鄰的一部分，且該些筆採集資料中相鄰的一部分對應的該些採集座標的一平均座標為該參考群的一參考群座標；針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據，其中該元數據包括對應的該Wi-Fi存取點在所有採集資料中的出現比率、該Wi-Fi存取點之該些特徵數值的資訊熵及該Wi-Fi存取點之該些特徵數值對於與空間相關的資訊增益；將該些Wi-Fi存取點的該些元數據儲存至該資料庫；將所計算的該些Wi-Fi存取點的該些元數據作爲與一鑑別率相關的篩選條件，取出具有相對較高的該鑑別率的該些Wi-Fi指紋資料；建立基於Wi-Fi存取點的指紋資料來估計該目標區域中的一相關位置的一機器學習模型，並以所取出的該鑑別率相對較高的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練，以產生一經訓練機器學習模型；配置該通訊模組接收一無線裝置於該目標區域中採集到其當前位置上的Wi-fi指紋資料；以及配置該經訓練機器學習模型依據該無線裝置採集的該Wi-fi指紋資料估計該相關位置作爲該無線裝置於該目標區域中的該當前位置。
如請求項1所述的基於Wi-Fi指紋的定位方法，其中該分群處理程序包括一具有雜訊的基於密度的空間分群法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)。
如請求項1所述的基於Wi-Fi指紋的定位方法，其中針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據的步驟更包括：統計在該目標區域內的該些採集資料中，曾出現但不重複的所有該些Wi-Fi存取點與出現比例，以產生一Wi-Fi存取點清單，其中，該Wi-Fi存取點清單中的每一筆該Wi-Fi存取點具有至少一特徵數值；針對各該些Wi-Fi存取點的該特徵數值計算該特徵數值於該些採集資料中的一全局分布函數，以及計算該特徵數值分別於該些參考群所屬的該些筆採集資料中的多個局部分布函數；針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局分佈函數與對應的該些局部分佈函數分別計算對應的一全局資訊熵及多個局部資訊熵；以及針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局資訊熵及對應的該些局部資訊熵的一均值計算對應的一資訊增益值，其中該資訊增益值係代表與該Wi-Fi存取點相關的該些筆採集資料中與空間相關的一資訊量。
如請求項1所述的基於Wi-Fi指紋的定位方法，其中將所計算的該些Wi-Fi存取點的該些元數據作爲與該鑑別率相關的篩選條件更包括判斷該些Wi-Fi存取點的該些元數據是否符合一預定條件，若是，則將符合預定條件所對應的該些Wi-Fi存取點的該些特徵數值從該些指紋資料中取出並重組以作爲具有較高鑑別率的該些Wi-Fi指紋資料。
如請求項1所述的基於Wi-Fi指紋的定位方法，其中以所取出的具有較高鑑別率的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練的步驟更包括：針對取出的該些Wi-Fi指紋資料進行一多階段複合式預處理，其中該多階段複合式預處理包括極值過濾、歸一化及樣本數平衡化；針對對應的該些空間座標進行標準化及樣本數平衡化；將經過該多階段複合式預處理後的該些Wi-Fi指紋資料及對應的該些空間座標依比例切分爲一訓練集及一驗證集，並以該訓練集對該機器學習模型進行訓練；以及以該驗證集輸入該機器學習模型，以評估該機器學習模型是否通過效能測試，若否，則調整與該機器學習模型相關的多個超參數後，繼續以該訓練集對該機器學習模型進行訓練，直到該經訓練機器學習模型通過效能測試，即作爲該經訓練機器學習模型，其中該些超參數包括學習速率、雜訊強度及梯度優化模型相關係數。
一種基於Wi-Fi指紋的定位系統，其包括：一無線裝置，經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料；以及一計算裝置，包括：一處理器；一資料庫，儲存有一目標區域的一定位圖資，其中該定位圖資包括對應於該目標區域的一靜態地圖、一座標軸資訊及多筆採集資料，各該筆採集資料包括由多個Wi-Fi存取點的多個特徵數值組成的一Wi-Fi指紋資料及對應的一採集座標；及一通訊模組，其中該經訓練機器學習模型係由該處理器執行下列步驟所產生，包括：從該資料庫取得該目標區域的該定位圖資；執行一分群處理程序，以將該些筆採集資料依據其之該採集座標分配為該目標區域中的多個參考群，其中各該參考群包括該些筆採集資料中相鄰的一部分，且該些筆採集資料中相鄰的一部分對應的該些採集座標的一平均座標為該參考群的一參考群座標；針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據，其中該元數據包括對應的該Wi-Fi存取點在所有該採集資料中的出現比率、該Wi-Fi存取點之該些特徵數值的資訊熵及該Wi-Fi存取點之該些特徵數值對於與空間相關的資訊增益；將該些Wi-Fi存取點的該些元數據儲存至該資料庫；將所計算的該些Wi-Fi存取點的該些元數據作爲與一鑑別率相關的篩選條件，取出具有相對較高的該鑑別率的該些Wi-Fi指紋資料；及建立基於Wi-Fi存取點的指紋資料來估計該目標區域中的一相關位置的一機器學習模型，並以所取出的該鑑別率相對較高的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練，以產生該經訓練機器學習模型；其中該通訊模組經配置以從該無線裝置接收所採集的該Wi-fi指紋資料；以及其中該處理器經配置以通過該經訓練機器學習模型依據該無線裝置採集的該Wi-fi指紋資料估計該相關位置作爲該無線裝置於該目標區域中的該當前位置。
如請求項6所述的基於Wi-Fi指紋的定位系統，其中該分群處理程序包括一具有雜訊的基於密度的空間分群法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)。
如請求項6所述的基於Wi-Fi指紋的定位系統，其中該處理器經配置以針對該目標區域中的該些採集資料中，各該些參考群中的該些筆指紋資料，計算各該些Wi-Fi存取點的元數據的步驟更包括：統計在該目標區域內的該些採集資料中，曾出現但不重複的所有該些Wi-Fi存取點與出現比例，以產生一Wi-Fi存取點清單，其中，該Wi-Fi存取點清單中的每一筆該Wi-Fi存取點具有至少一特徵數值；針對各該些Wi-Fi存取點的該特徵數值計算該特徵數值於該些採集資料中的一全局分布函數，以及計算該特徵數值分別於該些參考群所屬的該些筆採集資料中的多個局部分布函數；針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局分佈函數與對應的該些局部分佈函數分別計算對應的一全局資訊熵及多個局部資訊熵；以及針對各該些Wi-Fi存取點的該特徵數值，依據對應的該全局資訊熵及對應的該些局部資訊熵的一均值計算對應的一資訊增益值，其中該資訊增益值係代表與該Wi-Fi存取點相關的該些筆採集資料中與空間相關的一資訊量。
如請求項6所述的基於Wi-Fi指紋的定位系統，其中該處理器經配置以將所計算的該些Wi-Fi存取點的該些元數據作爲與該鑑別率相關的篩選條件更包括判斷該些Wi-Fi存取點的該些元數據是否符合一預定條件，若是，則將符合預定條件所對應的該些Wi-Fi存取點的該些特徵數值從該些指紋資料中取出並重組以作爲具有較高鑑別率的該些Wi-Fi指紋資料。
如請求項6所述的基於Wi-Fi指紋的定位系統，其中該處理器經配置中以所取出的具有較高鑑別率的該些Wi-Fi指紋資料及對應的該些空間座標對該機器學習模型進行訓練的步驟更包括：針對取出的該些Wi-Fi指紋資料進行一多階段複合式預處理，其中該多階段複合式預處理包括極值過濾、歸一化及樣本數平衡化；針對對應的該些空間座標進行標準化及樣本數平衡化；將經過該多階段複合式預處理後的該些Wi-Fi指紋資料及對應的該些空間座標依比例切分爲一訓練集及一驗證集，並以該訓練集對該機器學習模型進行訓練；以及以該驗證集輸入該機器學習模型，以評估該機器學習模型是否通過效能測試，若否，則調整與該機器學習模型相關的多個超參數後，繼續以該訓練集對該機器學習模型進行訓練，直到該經訓練機器學習模型通過效能測試，即作爲該經訓練機器學習模型，其中該些超參數包括學習速率、雜訊強度及梯度優化模型相關係數。