WO2013155919A1 - 一种定位方法和系统 - Google Patents
一种定位方法和系统 Download PDFInfo
- Publication number
- WO2013155919A1 WO2013155919A1 PCT/CN2013/073085 CN2013073085W WO2013155919A1 WO 2013155919 A1 WO2013155919 A1 WO 2013155919A1 CN 2013073085 W CN2013073085 W CN 2013073085W WO 2013155919 A1 WO2013155919 A1 WO 2013155919A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- heading angle
- positioning
- information
- particle
- user equipment
- Prior art date
Links
Classifications
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
Definitions
- the present invention relates to the field of wireless network positioning, and in particular, to a positioning method and system.
- WLAN Wireless-LAN-based positioning system
- RSS Received Signal Strength
- AP wireless access node
- AP wireless access node
- WLAN positioning system based on time diversity and probability distribution model
- the basic idea of WLAN positioning system based on time diversity and probability distribution model is to use time diversity in a fixed location to obtain multiple samples of received signal strength, and to establish a probability distribution model of received signal strength based on multiple sample information.
- the probability distribution model of the received signal strength is stored in the feature database.
- the moving target obtains a plurality of samples of the received signal strength by using time diversity, and obtains a stable received signal strength by performing the sampled mean value to perform positioning. Since time diversity requires a lot of time, the positioning delay is increased, real-time positioning cannot be achieved, and it cannot be used in mobile positioning.
- WLAN positioning system based on Kalman filtering
- the WLAN positioning algorithm is used to obtain the position estimation of the moving target, and then the state of the Kalman filter is constructed by using the moving target trajectory continuity or assuming that the moving target speed is within a certain range. Equations and observation equations, which filter the user's position estimate.
- this method improves the positioning accuracy of the WLAN positioning system, since the moving target speed is set in advance, adaptive filtering cannot be realized, which limits the application in practice. At the same time, it cannot solve the WLAN positioning failure caused by the AP missing. 3.
- GPS can achieve good positioning accuracy in outdoor open areas
- GPS can be used to obtain accurate location information in areas where APs are missing.
- WLAN positioning can be used to compensate for the lack of GPS positioning. It can be said that the WLAN/GPS combined positioning achieves good positioning performance in an outdoor environment, but in an indoor environment, since the GPS signal is blocked, the positioning accuracy of the WLAN indoor cannot be improved.
- the technical problem to be solved by the present invention is to provide a positioning method and system, which solves the problem that the positioning accuracy of the existing positioning system is insufficient.
- the present invention uses the following technical solutions:
- a positioning method including:
- the initial estimated position is corrected based on the heading angle and speed information to obtain final position information.
- the step of performing positioning by the wireless local area network-based access point includes:
- the user equipment to be located measures the signal strength of each access point, searches the database to obtain a corresponding reference point set, and matches the reference point set to determine an initial estimated position of the user equipment.
- the step of determining, by the reference point set, the initial estimated location of the user equipment comprises:
- the step of acquiring the heading angle and speed information of the user equipment comprises: acquiring the heading angle and speed information according to the measurement information of the MARG sensor.
- the step of acquiring the heading angle according to the measurement information of the MARG sensor comprises: acquiring a first heading angle ⁇ according to the measurement information of the magnetometer of the MARG sensor, and measuring according to the gyroscope of the MARG sensor Obtaining a second heading angle of the information according to the first heading angle and the second heading angle to obtain a heading angle ⁇ of the user equipment:
- the predetermined weight value is ⁇ ⁇ .
- the positioning method further includes: acquiring a roll angle and a pitch angle of the user equipment according to the measurement information of the MARG sensor;
- the step of correcting the initial estimated position according to the heading angle and speed information includes:
- the step of performing Kalman filtering includes:
- the angular velocity of the gyroscope output indicating the MARG sensor ⁇ represents the heading angle acquired according to the MARG sensor at the time ki
- ⁇ represents the measurement time interval of the MARG sensor
- Q and R represent process noise and Measuring the covariance matrix of noise, for the card
- the Manchester filter gain, P and the error variance matrix are the heading angles of the particle filter output during the last positioning, which is the specified value for the first Kalman filtering.
- the step of performing particle filtering includes:
- the particles need to be initialized, and the Gaussian distribution is used to initialize the probability density function of the particles.
- the [ , ⁇ ] ⁇ is a state vector of each particle, 7; represents a time interval between the positioning of the last WLAN-based access point and the positioning of the current wireless LAN-based access point, indicating the Heading angle, ⁇ denotes the speed information, [/ ⁇ , /; ⁇ denotes the acceleration vector, simulated by Gaussian noise with zero mean, the variance is estimated by the measurement information of the MARG sensor, and the state value of the particle filter is input 4 indicates the state value of the particle at the time, and indicates the noise variance of the signal strength measurement.
- a positioning system includes a WLAN positioning module, a sensor positioning module, and a fusion module, wherein:
- the WLAN positioning module is configured to: perform positioning based on an access point of the wireless local area network, and obtain an initial estimated position of the user equipment;
- the sensor positioning module is configured to: obtain a heading angle and speed information of the user equipment;
- the fusion module is configured to: correct the initial estimated position according to the heading angle and speed information to obtain final position information.
- the WLAN positioning module includes a database, an RSS measuring unit, and a positioning unit, where:
- the database is configured to: store signal strengths from each access point measured at each reference point, a location of each of the reference points, and an identifier/location of the corresponding access point;
- the RSS measuring unit is configured to: measure, by the user equipment to be located, a signal strength of each access point in the surrounding area;
- the positioning unit is configured to: according to the signal strength measured by the RSS measuring unit, search the database to obtain a corresponding reference point set, and match the reference point set to determine an initial estimated position of the user equipment.
- the positioning unit matches the reference point set to determine an initial estimated position of the user equipment in the following manner:
- the positioning unit selects a reference point with the smallest Euclidean distance of the received signal strengths, and uses a linear weighted sum of the positions of the m reference points as the initial estimated position of the user equipment, where the m is greater than or equal to 1.
- the sensor positioning module comprises: a MARG sensor and a data processing unit, wherein:
- the MARG sensor is configured to: perform measurement on the user equipment to obtain measurement information; and the data processing unit is configured to: acquire the heading angle and speed information according to the measurement information of the MARG sensor.
- the data processing unit is configured to acquire the heading angle according to the measurement information of the MARG sensor in the following manner:
- the data processing unit acquires a first heading angle according to the measurement information of the magnetometer of the MARG sensor, and acquires a second heading angle ⁇ according to the measurement information of the gyroscope of the MARG sensor, according to the first heading angle and the second
- the heading angle obtains the heading angle ⁇ of the user equipment:
- the predetermined weight value is 0 ⁇ ⁇ 1.
- the merging module includes: a Kalman filter and a particle filter, where: the data processing unit is further configured to: acquire a roll angle and a pitch angle of the user equipment according to the measurement information of the MARG sensor;
- the Kalman filter is configured to input a roll angle, a pitch angle, a heading angle, and velocity information acquired according to the measurement information of the MARG sensor as a state value of the Kalman filter, perform Kalman filtering, and output a new Heading angle and speed information;
- the particle filter is configured to: input new heading angle and velocity information output by the Kalman filter, and the initial estimated position as state values, perform particle filtering, and output position information, heading angle and speed information,
- the output location information is used as the final location information of the user equipment.
- the angular velocity of the gyroscope output indicating the MARG sensor ⁇ represents the heading angle acquired according to the MARG sensor at the time ki
- ⁇ represents the measurement time interval of the MARG sensor
- Q and R represent process noise
- the covariance matrix of the measured noise which is the Kalman filter gain, and the error variance matrix, is the heading angle of the particle filter output at the last positioning, which is the specified value for the first Kalman filtering.
- the particle filter is configured to perform particle filtering in the following manner: initializing the particle, and initializing the probability density function of the particle by using a Gaussian distribution;
- the [ , ⁇ ] ⁇ is a state vector of each particle, 7; represents a time interval between the positioning of the last WLAN-based access point and the positioning of the current wireless LAN-based access point, indicating the Heading angle, ⁇ denotes the speed information, [/ ⁇ , /; ⁇ denotes the acceleration vector, simulated by Gaussian noise with zero mean, the variance is estimated by the measurement information of the MARG sensor, and is the state of the current input of the particle filter
- the value, 4 represents the state value of the first particle at the time, and ⁇ represents the noise variance of the signal strength measurement.
- the invention utilizes a magnetometer, a gyroscope and an accelerometer (MARG, Magnetic, Angular Rate, and Gravity) sensor-assisted WLAN positioning system, and designs a data fusion algorithm based on particle filter and Kalman filter, which fully utilizes WLAN.
- MARG positioning technology effectively corrects the positioning error caused by the fluctuation of received information intensity and the accumulated error caused by sensor noise, realizing a low-cost and high-precision WLAN/MARG combined positioning system.
- FIG. 1 is a block diagram of a positioning system according to an embodiment of the present invention.
- FIG. 2 is a flow chart of a positioning method according to an embodiment of the present invention.
- An embodiment of the present invention provides a positioning method, including:
- the initial estimated position is corrected based on the heading angle and speed information to obtain final position information.
- the step of performing positioning by the wireless local area network-based access point includes:
- the device measures the signal strength of each access point, searches the database to obtain a corresponding reference point set, and matches the reference point set to determine an initial estimated position of the user equipment.
- the step of determining the initial estimated location of the user equipment by matching with the reference point set includes:
- a reference point with the smallest Euclidean distance of the received signal strengths is selected, and a linear weighted sum of the positions of the m reference points is used as the initial estimated position of the user equipment, the m being greater than or equal to 1.
- the step of acquiring the heading angle and speed information of the user equipment comprises: acquiring the heading angle and speed information according to the measurement information of the MARG sensor.
- the step of acquiring the heading angle according to the measurement information of the MARG sensor includes: acquiring a first heading angle ⁇ according to the measurement information of the magnetometer of the MARG sensor, and acquiring according to the measurement information of the gyroscope of the MARG sensor a second heading angle, the heading angle ⁇ of the user equipment is obtained according to the first heading angle and the second heading angle:
- the predetermined weight value is ⁇ ⁇ .
- the method further includes acquiring a roll angle and a pitch angle of the user equipment according to the measurement information of the MARG sensor;
- the step of correcting the initial estimated position according to the heading angle and speed information includes:
- Kalman filtering and particle filtering In addition to Kalman filtering and particle filtering, a fusion algorithm such as Bayesian filtering, complementary filtering, extended Kalman filtering, and federated Kalman filtering may be used, and will not be described herein.
- a fusion algorithm such as Bayesian filtering, complementary filtering, extended Kalman filtering, and federated Kalman filtering may be used, and will not be described herein.
- the step of performing Kalman filtering includes:
- the angular velocity of the gyroscope output indicating the MARG sensor ⁇ represents the heading angle acquired according to the MARG sensor at the time ki
- ⁇ represents the measurement time interval of the MARG sensor
- Q and R represent the process noise and the measurement noise, respectively.
- the covariance matrix which is the Kalman filter gain, P t and the error variance matrix, is the heading angle of the particle filter output at the last positioning, which is the specified value for the first Kalman filtering.
- the step of performing particle filtering includes:
- the particles need to be initialized, and the Gaussian distribution is used to initialize the probability density function of the particles.
- the [ , ⁇ ] ⁇ is a state vector of each particle, 7; represents a time interval between the positioning of the last WLAN-based access point and the positioning of the current wireless LAN-based access point, indicating the Heading angle, ⁇ denotes the speed information, [/ ⁇ , /; ⁇ denotes the acceleration vector, simulated by Gaussian noise with zero mean, the variance is estimated by the measurement information of the MARG sensor, and is the state of the current input of the particle filter
- the value, 4 represents the state value of the particle at the time, and represents the noise variance of the signal strength measurement.
- FIG. 1 The block diagram of the positioning system provided by the embodiment of the present invention is shown in FIG. 1 , and includes: a WLAN positioning module 11 , a sensor positioning module 12 and a fusion module 13 , wherein:
- the WLAN positioning module 11 is configured to: locate the access point based on the wireless local area network, and obtain an initial estimated position of the user equipment;
- the sensor positioning module 12 is configured to: obtain heading angle and speed information of the user equipment; the fusion module 13 is configured to: correct the initial estimated position according to the heading angle and speed information to obtain final position information.
- the WLAN positioning module 11 includes a database 111 RSS measuring unit 112 and a positioning unit 113, where:
- the database 111 is configured to: store the signal strengths from the access points measured at each reference point, Corresponding to the position of the reference point and the identifier/position of the corresponding access point;
- the RSS measuring unit 112 is configured to: measure a signal strength of each access point measured by the user equipment to be located;
- the locating unit 113 is configured to: according to the signal strength measured by the RSS measuring unit 112, the search database 111 acquires a corresponding reference point set, and matches the reference point set to determine an initial estimated position of the user equipment.
- the positioning unit 113 is configured to determine an initial estimated position of the user equipment by matching with a set of reference points in the following manner:
- the locating unit 113 selects a reference point with the smallest Euclidean distance of the received signal strengths, and uses a linear weighted sum of the positions of the m reference points as the initial estimated position of the user equipment, where the m is greater than or equal to 1.
- the sensor positioning module 12 includes: a MARG sensor 121 and a data processing unit 122, wherein:
- the MARG sensor 121 is configured to: perform measurement on the user equipment, and acquire measurement information;
- the data processing unit 122 is configured to acquire the heading angle and speed information based on the measurement information of the MARG sensor 121.
- the data processing unit 122 is arranged to acquire the heading angle based on the measurement information of the MARG sensor 121 in the following manner:
- the data processing unit 122 acquires a first heading angle ⁇ according to the measurement information of the magnetometer of the MARG sensor 121, and acquires a second heading angle 0 according to the measurement information of the gyroscope of the MARG sensor 121, according to the first a heading angle and a second heading angle to obtain a heading angle of the user equipment
- the fusion module 13 includes: a Kalman filter 131 and a particle filter 132, where:
- the data processing unit 122 is further configured to: obtain a roll angle and a pitch angle of the user equipment according to the measurement information of the MARG sensor 121;
- the Kalman filter 131 is configured to input a roll angle, a pitch angle, a heading angle, and velocity information acquired according to the measurement information of the MARG sensor 121 as a state value of the Kalman filter 131, perform Kalman filtering, and output New heading angle and speed information;
- the particle filter 132 is configured to: input new heading angle and velocity information output by the Kalman filter 131, and the initial estimated position as state values, perform particle filtering, and output position information, heading angle and speed. Information, the output location information is used as the final location information of the user equipment.
- the fingerprinting process based on WLAN is mainly divided into two stages of training and positioning, as shown in Figure 2.
- the goal is to create a location fingerprinting database.
- the main task is to collect the fingerprint feature information of the reference point (RP, Reference Point) in the region of interest - Received Signal Strength (RS, Received Signal Strength).
- RP Reference Point
- RS Received Signal Strength
- the mobile user MU, Mobile User
- MU Mobile User
- the RSS values from different APs at each reference point, and stores the corresponding MAC address and latitude and longitude coordinate information into the database until all the regions in the region of interest are traversed.
- Reference point this process completes the measurement of RSS and the establishment of RP database.
- the weighted filtering is performed by the signal strength samples to obtain the fingerprint information of the reference point and stored in the fingerprint information database.
- the mobile user measures the RSS of the surrounding WLAN access point and filters the data
- the matching calculation principle is the Euclidean distance of the received signal strength, the reference point with the smallest m Euclidean distance is selected, and the linear weighted sum of the coordinates of these reference points is used to represent the position of the mobile user, which is called the initial estimated position.
- matching calculation principles there are matching based on neural network technology, matching principle based on histogram probability algorithm, and matching principle based on support vector machine.
- the mobile user measures the RSS of the surrounding AP and matches it with the RSS vector pre-stored in the database.
- the Euclidean distance of the horse strength is as shown in equation (1): Where D j represents the Euclidean distance or similarity of the signal strength between the reference point j and the mobile user. The smaller Dj is, the closer the distance between the two is; Y ⁇ r SSi , rsSl , ---, rsSt ⁇ vector representation
- WLAN positioning method is only an example, and other WLAN positioning methods can also be applied in the embodiment of the invention.
- the data processing of the MARG sensor 121 uses information such as acceleration and angular velocity provided by the sensor to obtain information such as the attitude angle and relative position of the carrier.
- the intelligent terminal integrated with three-dimensional gyroscope, three-dimensional accelerometer and three-dimensional magnetometer is defined into an xyz coordinate system, which is generally called the carrier coordinate system.
- the center of gravity of the carrier is the origin of the carrier coordinate system, and the three axes are respectively associated with the carrier.
- the vertical axis, the horizontal axis, and the vertical axis coincide.
- the corresponding absolute coordinate system is usually called X-Y-Z navigation coordinate system, and the X, ⁇ , and ⁇ axis distributions point to east, north, and day, following the right-hand rule.
- the roll angle ⁇ , the pitch angle ⁇ , and the heading angle respectively represent the rotation angle of the carrier coordinate system about the X axis, the y axis, and the z axis, and are used to indicate the orientation of the carrier coordinate system relative to the navigation coordinate system, also referred to as the posture of the carrier. angle. Rolling is as follows:
- ⁇ , and ⁇ ' represent the output values of the accelerometer along the X, y, and ⁇ axes in the carrier coordinate system.
- the output of the heading angle can be obtained by the output of the magnetometer or the output of the gyroscope.
- the formula is as follows:
- m' R'in ( 7 ) : arctan ( 8 ) where / and represent the x' and / axis components of the Earth's magnetic field strength component.
- the accelerometer measures the acceleration of the carrier on the X, y, and z axes, and obtains the carrier by acceleration.
- the magnetometer measures the magnetic field strength component of the Earth's magnetic field on the X, y, and z axes, and obtains the heading angle of the carrier, which is called the first heading angle.
- the gyroscope measures the angular velocity information of the carrier, and calculates the roll angle, the pitch angle, and the second head angle of the carrier.
- the second heading angle calculated by the gyroscope and the first heading angle calculated by the magnetometer are obtained by a complementary filter to obtain a heading angle.
- a complementary filter to obtain a heading angle.
- GPS technology can also be used to obtain the heading angle.
- the heading angle calculated by the gyroscope is used to correct the output of the magnetometer.
- the formula is as follows:
- ⁇ ⁇ + ⁇ , ⁇ ( 9 ) It represents the heading angle calculated by the gyroscope, indicating the angular velocity of the gyroscope in the k period, which is the complementary weight of the designed complementary filter, 0 ⁇ ⁇ 1.
- the weight of each particle is obtained by measuring the model and the current measured value. When the particle position is closer to the current estimated state of the target, the weight of the particle is larger;
- the particle filter 132 outputs position information, heading angle information, and speed information.
- the location information is estimated as the location of the mobile user.
- the specific filtering method is as follows:
- Particle filtering is to approximate a posterior probability density function by using a set of particles randomly extracted from the probability density function with associated weights: Where Xi represents the state vector of the target at time k, z. :i denotes a sequence of measured values before time k+1, 4 denotes a first particle or a sample point, 4 is its weight, and N is the number of particles.
- the particle filtering used in this system is divided into the following four steps:
- the first particle filtering needs to be initialized, and the particles obtained after the previous filtering are used.
- the particle filter prediction target's next state information formula is as follows: Where [ , ⁇ ] ⁇ is the state vector of each particle, 7 represents the time interval between the k-1th WLAN positioning and the kth WLAN positioning, and represents the rotation angle of the target around the z-axis obtained by the Kalman filtering of the MARG sensor data. (ie heading angle), ⁇ represents the target speed obtained after MARG sensor data processing, [/ ⁇ /; ⁇ represents the acceleration vector of the target, simulated by Gaussian noise with zero mean, and the variance can be estimated by the data of MARG sensor 121.
- the weight of the particle is determined by measuring the model and the current observation:
- the RSS indicating the current measurement of the target indicates the current state information (position, heading angle) of the target
- 4 indicates the state information of the first particle at the time
- ⁇ indicates the variance of the measured noise, and is selected according to the variance of the RSS floating in practice. Equation (13) indicates that the closer the particle position is to the current estimated position of the target, the greater the weight obtained by the particle, thereby obtaining an accurate posterior probability distribution.
- Re-sampling is the key to particle filtering. According to the probability density function Pr( Xi
- Zi :), N new particles ⁇ x r, i, -, N ⁇ are generated to solve the particle degradation problem. :
- the accuracy of the particle filter is heavily dependent on the accuracy of the heading angle.
- the heading angle error obtained after the MARG data processing is obtained.
- a Kalman filter 131 can also be provided, which uses the attitude information obtained by the particle filter (including the position information of the particle filter output, the carrier speed information, the heading angle information, etc.) to correct the heading angle to obtain stable and reliable heading angle information.
- the Kalman filter algorithm is as follows: Which represents the angular velocity of the gyroscope output, ⁇ represents the heading angle predicted at time W, ⁇ represents the measurement time interval of the MARG sensor, and Q and R represent the covariance matrix of the process noise and the measurement noise, respectively, which is the Kalman filter gain, and Represents the error variance matrix, which is the heading angle estimated for particle filtering.
- the WLAN/MARG combined positioning system based on data fusion proposed by the embodiment of the invention obtains the speed, attitude and other information of the moving target by using the MARG sensor 121, and improves the WLAN positioning accuracy through data fusion algorithms such as complementary filtering, Kalman filtering and particle filtering.
- data fusion algorithms such as complementary filtering, Kalman filtering and particle filtering.
- the invention utilizes MARG sensor to assist WLAN positioning system, and designs a data fusion algorithm based on particle filter and Kalman filter.
- the fusion algorithm fully utilizes the complementary characteristics of WLAN and MARG positioning technology, and effectively corrects the positioning caused by the fluctuation of received information intensity.
- the error and the accumulated error caused by the sensor noise realize a low-cost and high-precision WLAN/MARG combined positioning system. Therefore, the present invention has strong industrial applicability.
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
Abstract
一种定位方法和系统，该定位方法包括：基于无线局域网的接入点进行定位，获取用户设备的初始估计位置；获取所述用户设备的航向角和速度信息；根据所述航向角和速度信息对所述初始估计位置进行修正，获得最终位置信息。上述技术方案有效校正了由接收信息强度浮动引起的定位误差和由传感器噪声引起的累积误差，实现了一个低成本高精度的组合定位系统。
Description
一种定位方法和系统
技术领域
本发明涉及无线网络定位领域， 尤其涉及一种定位方法和系统。
背景技术
基于 WLAN ( Wireless-LAN ) 的定位系统具有成本低， 精度高， 应用范 围广 （室内和室外）等优点， 在基于位置的服务中如紧急救援、 智能交通和 室内定位导航等方面取得了很大的成功。 但是仍然存在以下两个问题亟需解 决：（ 1 )多径干扰等因素引起的接收信号强度（RSS, Received Signal Strength ) 浮动严重恶化了 WLAN定位精度； （ 2 )在无线访问节点（ AP, Access Point ) 没有覆盖到的区域， 由于 AP缺失导致 WLAN定位失效。
为了解决上述问题,相关技术提出了多种方法，主要可以分为以下三类：
1、 基于时间分集和概率分布模型的 WLAN定位系统
基于时间分集和概率分布模型的 WLAN定位系统的基本思想是：在定位 区域内固定位置利用时间分集来获得接收信号强度的多个样本， 根据多个样 本信息来建立接收信号强度的概率分布模型 , 将接收信号强度的概率分布模 型存储到特征数据库中； 在定位阶段， 移动目标利用时间分集获得接收信号 强度的多个样本,通过求取样本均值来获得稳定的接收信号强度来进行定位。 由于时间分集需要消耗大量的时间， 增加了定位延迟， 无法实现实时定位， 在移动定位中无法使用。
2. 基于卡尔曼滤波的 WLAN定位系统
基于卡尔曼滤波的 WLAN定位系统的基本思想是： 首先利用 WLAN定 位算法获得移动目标的位置估计， 然后利用移动目标轨迹连续性或者假定移 动目标的速度在一定范围内， 构造卡尔曼滤波器的状态方程和观测方程， 对 用户的位置估计进行滤波处理。这种方法虽然提高了 WLAN定位系统的定位 精度， 但是由于提前设定了移动目标速度， 因此无法实现自适应滤波， 限制 了在实际中的应用。 同时不能解决由于 AP缺失引起的 WLAN定位失效。
3.WLAN/GPS组合定位
由于 GPS在室外空旷地区， 能够取得很好的定位精度， 因此在 AP缺失 的区域， 可以利用 GPS获得准确的位置信息； 同时在高楼林立的市区， 可以 利用 WLAN定位来弥补 GPS定位的不足，可以说 WLAN/GPS组合定位在室 外环境下取得了很好的定位性能，但是在室内环境下，由于 GPS信号被遮挡， 无法改善 WLAN室内定位精度。
发明内容
本发明要解决的技术问题是提供一种定位方法和系统， 解决现有定位系 统定位精度不够的问题。
为了解决上述问题， 本发明釆用如下技术方案：
一种定位方法， 包括：
基于无线局域网的接入点进行定位， 获取用户设备的初始估计位置； 获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正， 获得最终位 置信息。
可选地， 所述基于无线局域网的接入点进行定位的步骤包括：
选取参考点， 在各参考点测量来自各接入点的信号强度， 将各所述参考 点的位置、 所述信号强度和对应接入点的标识 /位置存储至数据库中；
待定位的所述用户设备测量周围各接入点的信号强度， 查找所述数据库 获取对应的参考点集合， 与所述参考点集合进行匹配确定所述用户设备的初 始估计位置。
可选地， 所述与参考点集合进行匹配确定所述用户设备的初始估计位置 的步骤包括：
选择 m个接收信号强度的欧氏距离最小的参考点， 使用 m个所述参考 点的位置的线性加权和作为所述用户设备的初始估计位置，所述 m大于等于 1。
可选地， 所述获取所述用户设备的航向角和速度信息的步骤包括： 根据 MARG传感器的测量信息获取所述航向角和速度信息。
可选地，所述根据 MARG传感器的测量信息获取所述航向角的步骤包括: 根据所述 MARG传感器的磁强计的测量信息获取第一航向角 φ , 根据 所述 MARG传感器的陀螺仪的测量信息获取第二航向角 根据所述第一 航向角和第二航向角得到所述用户设备的航向角 φ：
其中， 所述 是预设的权重值， ο≤ ≤ι。
可选地，所述定位方法还包括，根据所述 MARG传感器的测量信息获取 所述用户设备的滚动角和俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正的步骤包 括：
将所述根据所述 MARG传感器的测量信息获取的滚动角、俯仰角、航向 角和速度信息作为卡尔曼滤波器的输入， 进行卡尔曼滤波， 输出新的航向角 和速度信息；
将所述卡尔曼滤波器输出的新的航向角和速度信息、 以及所述初始估计 位置作为粒子滤波器的输入， 进行粒子滤波， 输出位置信息、 航向角和速度 信息， 将输出的位置信息作为所述用户设备的最终位置信息。
可选地， 所述进行卡尔曼滤波的步骤包括：
进行卡尔曼滤波的状态一步预测，
计算预测误差方差矩阵 Pt- = Q+ Pt—；
计算滤波增益矩阵 Kk = P . [P +R ；
进行状态估计 A = φ + Κ,[φΡ - \；
计算估计误差方差 = (l-^)P；
其中， 所述 表示所述 MARG传感器的陀螺仪输出的角速度， ^表示时 刻 k-i时根据所述 MARG传感器获取的航向角， ΔΓ表示所述 MARG传感器的 测量时间间隔， Q和 R分别表示过程噪声和测量噪声的协方差矩阵， 为卡
尔曼滤波器增益， P和 表示误差方差矩阵， 为上一次定位时粒子滤波器 输出的航向角， 首次卡尔曼滤波时 为指定值。
可选地， 所述进行粒子滤波的步骤包括：
首次进行粒子滤波时， 需要初始化粒子， 釆用高斯分布来初始化粒子的 概率密度函数；
根据所述航向角和速度信息， 以及所述初始估计位置， 预测所述用户设 备下一步的状态信息：
并归一化， 如下:
进行粒子重釆样， 作为下一次粒子滤波的粒子；
其中， 所述 [ ,Λ]Τ为每个粒子的状态矢量， 7；表示上一次基于无线局域 网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔， 表 示所述航向角， ^表示所述速度信息， [/^，/；^表示加速度矢量， 用零均值的 高斯噪声模拟， 方差由所述 MARG传感器的测量信息估算， 为输入所述粒 子滤波器的状态值， 4表示第 ,·个粒子在时刻 的状态值， 表示信号强度测 量的噪声方差。
一种定位系统， 包括 WLAN定位模块、传感器定位模块和融合模块， 其 中：
所述 WLAN定位模块设置成：基于无线局域网的接入点进行定位，获取 用户设备的初始估计位置；
所述传感器定位模块设置成： 获取所述用户设备的航向角和速度信息；
所述融合模块设置成： 根据所述航向角和速度信息对所述初始估计位置 进行修正， 获得最终位置信息。
可选地，所述 WLAN定位模块包括数据库、 RSS测量单元和定位单元， 其中：
所述数据库设置成： 存储在各参考点测量的来自各接入点的信号强度， 各所述参考点的位置和对应接入点的标识 /位置；
所述 RSS测量单元设置成： 测量待定位的所述用户设备测量周围各接入 点的信号强度；
所述定位单元设置成： 根据所述 RSS测量单元测量的信号强度， 查找所 述数据库获取对应的参考点集合， 与所述参考点集合进行匹配确定所述用户 设备的初始估计位置。
可选地， 所述定位单元按照以下方式与参考点集合进行匹配确定所述用 户设备的初始估计位置：
所述定位单元选择 m个接收信号强度的欧氏距离最小的参考点，使用 m 个所述参考点的位置的线性加权和作为所述用户设备的初始估计位置， 所述 m大于等于 1。
可选地， 所述传感器定位模块包括： MARG传感器和数据处理单元， 其 中：
所述 MARG传感器设置成： 对所述用户设备进行测量， 获取测量信息； 所述数据处理单元设置成：根据所述 MARG传感器的测量信息获取所述 航向角和速度信息。
可选地，所述数据处理单元设置成按照以下方式根据所述 MARG传感器 的测量信息获取所述航向角：
所述数据处理单元根据所述 MARG传感器的磁强计的测量信息获取第 一航向角 根据所述 MARG传感器的陀螺仪的测量信息获取第二航向角 Γ , 根据所述第一航向角和第二航向角得到所述用户设备的航向角 φ：
其中， 所述 是预设的权重值， 0≤ ≤1。
可选地， 所述融合模块包括： 卡尔曼滤波器和粒子滤波器， 其中： 所述数据处理单元还设置成：根据所述 MARG传感器的测量信息获取所 述用户设备的滚动角和俯仰角；
所述卡尔曼滤波器设置成：将根据所述 MARG传感器的测量信息获取的 滚动角、 俯仰角、 航向角和速度信息作为所述卡尔曼滤波器的状态值输入， 进行卡尔曼滤波， 输出新的航向角和速度信息；
所述粒子滤波器设置成： 将所述卡尔曼滤波器输出的新的航向角和速度 信息， 以及所述初始估计位置作为状态值输入， 进行粒子滤波， 输出位置信 息、 航向角和速度信息， 将输出的位置信息作为所述用户设备的最终位置信 息。
可选地， 所述卡尔曼滤波器设置成按照以下方式进行卡尔曼滤波： 进行卡尔曼滤波的状态一步预测， = φ,_χ - · ΑΤ；
计算预测误差方差矩阵 Pt- = Q+ Pt—；
计算滤波增益矩阵 Kk = ρ . [Ρ + ΚΓ'；
进行状态估计 A = Φ + κ, [φΡ - \；
计算估计误差方差 = (l- ^)P；
其中， 所述 表示所述 MARG传感器的陀螺仪输出的角速度， ^表示时 刻 k-i时根据所述 MARG传感器获取的航向角， ΔΓ表示所述 MARG传感器的 测量时间间隔， Q和 R分别表示过程噪声和测量噪声的协方差矩阵， 为卡 尔曼滤波器增益， 和 表示误差方差矩阵， 为上一次定位时粒子滤波器 输出的航向角， 首次卡尔曼滤波时 为指定值。
可选地， 所述粒子滤波器设置成按照以下方式进行粒子滤波： 初始化粒子， 釆用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息， 以及所述初始估计位置， 预测所述用户设 备下一步的状态信息：
计算每个粒子的权重并归一化， 如下:
进行粒子重釆样， 作为下一次粒子滤波的粒子；
其中， 所述 [ ,Λ]Τ为每个粒子的状态矢量， 7；表示上一次基于无线局域 网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔， 表 示所述航向角， ^表示所述速度信息， [/^，/；^表示加速度矢量， 用零均值的 高斯噪声模拟， 方差由所述 MARG传感器的测量信息估算， 为当前输入所 述粒子滤波器的状态值， 4表示第 ,·个粒子在时刻 的状态值， σ表示信号强 度测量的噪声方差。
本发明利用磁强计、陀螺仪和加速度计（ MARG , Magnetic , Angular Rate , and Gravity )传感器辅助 WLAN定位系统， 设计了一个基于粒子滤波和卡尔 曼滤波的数据融合算法， 该融合算法充分利用 WLAN和 MARG定位技术的 互补特性， 有效校正了由接收信息强度浮动引起的定位误差和由传感器噪声 引起的累积误差， 实现了一个低成本高精度的 WLAN/MARG组合定位系统。
附图概述
图 1是本发明实施例的定位系统框图；
图 2是本发明实施例的定位方法流程图。
本发明的较佳实施方式
为使本发明的目的、 技术方案和优点更加清楚明白， 下文中将结合附图
对本发明的实施例进行详细说明。 需要说明的是， 在不冲突的情况下， 本申 请中的实施例及实施例中的特征可以相互任意组合。
本发明实施例提供了一种定位方法， 包括：
基于无线局域网的接入点进行定位， 获取用户设备的初始估计位置； 获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正， 获得最终位 置信息。
其中， 所述基于无线局域网的接入点进行定位的步骤包括：
选取参考点， 在各参考点测量来自各接入点的信号强度， 将各参考点的 位置、 各接入点的信号强度和对应接入点的标识 /位置存储至数据库中； 待定 位的用户设备测量周围各接入点的信号强度， 查找所述数据库获取对应的参 考点集合， 与所述参考点集合进行匹配确定用户设备的初始估计位置。
其中， 所述与参考点集合进行匹配确定所述用户设备的初始估计位置的 步骤包括：
选择 m个接收信号强度的欧氏距离最小的参考点， 使用 m个所述参考 点的位置的线性加权和作为所述用户设备的初始估计位置，所述 m大于等于 1。
其中， 所述获取所述用户设备的航向角和速度信息的步骤包括： 根据 MARG传感器的测量信息获取所述航向角和速度信息。
其中， 所述根据 MARG传感器的测量信息获取所述航向角的步骤包括： 根据所述 MARG传感器的磁强计的测量信息获取第一航向角 φ , 根据 所述 MARG传感器的陀螺仪的测量信息获取第二航向角 ， 根据所述第一 航向角和第二航向角得到所述用户设备的航向角 φ：
其中， 所述 是预设的权重值， ο≤ ≤ι。
所述方法还包括，根据所述 MARG传感器的测量信息获取所述用户设备 的滚动角和俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正的步骤包 括：
将根据所述 MARG传感器的测量信息获取的滚动角、俯仰角、航向角和 速度信息作为卡尔曼滤波器的输入， 进行卡尔曼滤波， 输出新的航向角和速 度信息；
将所述卡尔曼滤波器输出的新的航向角和速度信息、 以及所述初始估计 位置作为粒子滤波器的输入， 进行粒子滤波， 输出位置信息、 航向角和速度 信息， 将输出的位置信息作为所述用户设备的最终位置信息。
当然，也可以不进行卡尔曼滤波，直接将根据 MARG传感器获取的航向 角和速度信息进行粒子滤波， 得到最终的位置信息。
除了卡尔曼滤波和粒子滤波外， 还可使用贝叶斯滤波、 互补滤波、 扩展 卡尔曼滤波， 联邦卡尔曼滤波等融合算法， 在此不再赘述。
其中， 所述进行卡尔曼滤波的步骤包括：
进行卡尔曼滤波的状态一步预测， = φ,_χ - · ΑΤ；
计算预测误差方差矩阵 pt- = Q+pt—；
计算滤波增益矩阵 Kk = P .[P +R ；
进行状态估计 A = ψ +κ, [φΡ - \；
计算估计误差方差 = (l-^)P；
其中， 所述 表示所述 MARG传感器的陀螺仪输出的角速度， ^表示时 刻 k-i时根据 MARG传感器获取的航向角， ΔΓ表示所述 MARG传感器的测量 时间间隔， Q和 R分别表示过程噪声和测量噪声的协方差矩阵， 为卡尔曼 滤波器增益， Pt和 表示误差方差矩阵， 为上一次定位时粒子滤波器输出 的航向角， 首次卡尔曼滤波时 为指定值。
其中， 所述进行粒子滤波的步骤包括：
首次进行粒子滤波时， 需要初始化粒子， 釆用高斯分布来初始化粒子的 概率密度函数；
根据所述航向角和速度信息， 以及所述初始估计位置， 预测所述用户设
备下一步的状态信息:
并归一化， 如下:
进行粒子重釆样， 作为下一次粒子滤波的粒子；
其中， 所述 [ ,Λ]Τ为每个粒子的状态矢量， 7；表示上一次基于无线局域 网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔， 表 示所述航向角， ^表示所述速度信息， [/^，/；^表示加速度矢量， 用零均值的 高斯噪声模拟， 方差由所述 MARG传感器的测量信息估算， 为当前输入 所述粒子滤波器的状态值， 4表示第 ,·个粒子在时刻 的状态值， 表示信号 强度测量的噪声方差。
本发明实施例提供的定位系统实现框图见附图 1所示， 包括： WLAN定 位模块 11 , 传感器定位模块 12和融合模块 13 , 其中：
WLAN定位模块 11设置成： 基于无线局域网的接入点进行定位， 获取 用户设备的初始估计位置；
传感器定位模块 12设置成： 获取所述用户设备的航向角和速度信息； 融合模块 13设置成：根据所述航向角和速度信息对所述初始估计位置进 行修正， 获得最终位置信息。
其中， 所述 WLAN定位模块 11包括数据库 111 RSS测量单元 112和 定位单元 113 , 其中：
数据库 111设置成： 存储在各参考点测量的来自各接入点的信号强度，
对应参考点的位置、 和对应接入点的标识 /位置；
RSS测量单元 112设置成： 测量待定位的用户设备测量周围各接入点的 信号强度；
定位单元 113设置成： 根据所述 RSS测量单元 112测量的信号强度， 查 找数据库 111获取对应的参考点集合， 与所述参考点集合进行匹配确定用户 设备的初始估计位置。
所述定位单元 113设置成按照以下方式与参考点集合进行匹配确定所述 用户设备的初始估计位置：
所述定位单元 113选择 m个接收信号强度的欧氏距离最小的参考点，使 用 m个所述参考点的位置的线性加权和作为所述用户设备的初始估计位置， 所述 m大于等于 1。
其中， 所述传感器定位模块 12包括： MARG传感器 121和数据处理单 元 122, 其中：
所述 MARG传感器 121设置成：对所述用户设备进行测量，获取测量信 息；
所述数据处理单元 122设置成：根据所述 MARG传感器 121的测量信息 获取所述航向角和速度信息。
所述数据处理单元 122设置成按照以下方式根据 MARG传感器 121的测 量信息获取所述航向角：
所述数据处理单元 122根据所述 MARG传感器 121的磁强计的测量信息 获取第一航向角 φ , 根据所述 MARG传感器 121的陀螺仪的测量信息获取 第二航向角 0 ,根据所述第一航向角和第二航向角得到所述用户设备的航向 角
φ={ι. ) ΦΓ + φ^
其中， 所述 是预设的权重值， 0≤ ≤1。
其中， 所述融合模块 13包括： 卡尔曼滤波器 131和粒子滤波器 132, 其 中：
所述数据处理单元 122还设置成：根据所述 MARG传感器 121的测量信 息获取所述用户设备的滚动角和俯仰角；
所述卡尔曼滤波器 131设置成：将根据所述 MARG传感器 121的测量信 息获取的滚动角、 俯仰角、 航向角和速度信息作为卡尔曼滤波器 131的状态 值输入， 进行卡尔曼滤波， 输出新的航向角和速度信息；
所述粒子滤波器 132设置成： 将所述卡尔曼滤波器 131输出的新的航向 角和速度信息， 以及所述初始估计位置作为状态值输入， 进行粒子滤波， 输 出位置信息、 航向角和速度信息， 将输出的位置信息作为所述用户设备的最 终位置信息。
粒子滤波和卡尔曼滤波的实现方法参见方法实施例。
下面通过具体应用实例进一步说明本发明。
1 ) WLAN定位
基于 WLAN的指紋特征（ Fingerprinting )定位过程主要分为训练和定位 两个阶段， 如图 2所示。
( 1 )训练阶段
其目标在于建立一个位置指紋识别数据库。 主要工作是釆集感兴趣区域 内各参考点 (RP, Reference Point) 位置的指紋特征信息——接收信号强度 ( RSS, Received Signal Strength )。如图 1所示，移动用户 （MU, Mobile User) 依次在各个参考点上测量来自不同 AP的 RSS值， 并将相应 MAC地址和经 纬度坐标信息存储到数据库中， 直至遍历感兴趣区域内所有的参考点， 这个 过程完成了 RSS的测量和 RP数据库的建立。
其中：
在定位区域选择参考点 （RP ) , 参考的间距室内选取 2-3米， 室外选择 8-11米；
通过空间分集技术在参考点上测量 WLAN接入点的信号强度样本， AP 地址或标识 （比如， MAC 地址） 以及对应的参考点的位置信息 （可用经纬 度坐标表示） ；
通过信号强度样本进行加权滤波， 获得参考点的指紋信息， 存储到指紋 信息数据库中。
(2)定位阶段
( 1 )移动用户测量周围 WLAN接入点的 RSS,并对数据进行滤波处理；
( 2 )按照 MAC地址在指紋数据库中查找对应的指紋信息集合；
(3)与集合中的参考点进行匹配计算， 来确定移动用户的位置。 匹配计 算原则为接收信号强度的欧氏距离， 选择 m个欧氏距离最小的参考点， 用这 些参考点的坐标的线性加权和表示移动用户的位置， 称为初始估计位置。
除了上述匹配计算原则， 还有基于神经网络技术的匹配、 基于直方图概 率性算法的匹配原则、 基于支持向量机的匹配原则等。
一示例 ^下：
移动用户测量周围 AP的 RSS, 将其与预先存储在数据库中的 RSS矢量 进行匹配计算， 匹 强度的欧氏距离， 如式（1)所示：
其中 Dj表示参考点 j和移动用户之间信号强度的欧氏距离或相似度， Dj 越小表明两者之间相距的越近； Y {rSSi,rsSl,---,rsSt^矢量表示移动用户当前测量 的到《个 AP的 RSS; RSS=(^¾,^^.2,..., ¾^；)矢量表示在第 个参考点存储到 数据库中的 RSS, 代表参考点 的指故信息。
选择∞个欧氏距离最小的参考点 (Xl,X2,...,X)J , 用这些参考点坐标的线性加 权和表示移动用户当前的位置坐标3^ 。^。）， 计算公式如下：
其中^表示参考点; t的权重， 计算公式如下:
上述 WLAN定位方法仅为示例， 其他 WLAN定位方法也可应用在发明 的实施方式中。
2 ) MARG传感器 121的数据处理
MARG传感器 121的数据处理是利用传感器提供的加速度和角速度等信 息， 来获得载体的姿态角以及相对位置等信息。 首先将集成了三维陀螺仪、 三维加速度计和三维磁强计的智能终端定义到一个 x-y-z坐标系， 一般称为 载体坐标系， 取载体的重心为载体坐标系原点， 三个轴分别与载体的纵轴、 横轴和竖轴相重合。与之对应的绝对坐标系通常称为 X-Y-Z导航坐标系 , X、 Υ、 Ζ轴分布指向东、 北、 天， 遵循右手定则。
例如： 滚动角 φ、 俯仰角 θ和航向角 分别表示载体坐标系绕 X轴、 y轴 和 z轴转动的转角， 用来表示载体坐标系相对于导航坐标系的方位， 也称为 载体的姿态角。 滚 式如下：
m'=R'in ( 7 )
： arctan ( 8 ) 其中/ 和 表示地球磁场强度分量沿对齐后的 x'轴和/轴分量。
加速度计测量获得载体在 X, y , z轴上的加速度， 通过加速度获取载体
的滚动角和俯仰角， 以及载体的速度信息。
磁强计测量获得地球磁场在 X , y, z轴上的磁场强度分量， 获取载体的 航向角， 称为第一航向角。
陀螺仪测量载体角速度信息， 计算获得载体的滚动角、 俯仰角和第二航 向角。
通过互补滤波器来融合陀螺仪计算出来的第二航向角和磁强计计算出的 第一航向角， 获得航向角。 当然， 也可以不进行互补滤波， 直接使用第一航 向角或第二航向角。 当然， 也可以利用 GPS技术来获得航向角。
利用陀螺仪计算出的航向角来修正磁强计的输出， 公式如下：
φΓ = φ + ω,άι ( 9 )
其中 表示由陀螺仪计算出来的航向角， 表示陀螺仪在 k时段的角速 度， 是所设计的互补滤波器的互补权重， 0≤ ≤1。
3 )基于 WLAN和 MARG的粒子滤波器设计
粒子滤波步骤：
( 1 )将卡尔曼滤波器 131输出的航向角和速度信息作为粒子滤波的状态 值输入；
( 2 )初始化粒子： 釆用高斯分布来初始化粒子的概率密度函数， 均值为 目标初始状态， 所述初始状态包括航向角和速度信息；
( 3 )预测： 利用航向角和速度信息， 以及 WLAN定位结果， 粒子滤波 器 132预测目标下一步的状态信息；
( 4 )粒子权重计算及归一化：通过测量模型和现在的测量值来求取每个 粒子的权重，当粒子位置越靠近目标当前估计状态时，粒子获得的权重越大；
( 5 )重釆样： 根据后验概率密度函数来产生新的粒子， 解决粒子退化问 题。
粒子滤波器 132输出位置信息， 航向角信息， 速度信息。 位置信息作为 移动用户的位置估计。
具体滤波方法如下：
粒子滤波是釆用一组从概率密度函数上随机抽取的并附带相关权值的粒 集来逼近后验概率密度函数：
其中 Xi表示目标在时刻 k的状态矢量， z。:i表示在时刻 k+1之前的测量值 序列， 4表示第 ,·个粒子或者抽样点， 4为其权重， N为粒子数。 本系统中釆 用的粒子滤波分为以下四个步骤：
1 )初始化
根据初始的概率密度函数 Pr (x。）产生 W个粒子 , = l, ... , N}，其中 Pr (x。）釆用 高斯分布， 均值为目标初始状态， 该值可以根据需要设定。 首次进行粒子滤 波需要进行初始化， 后续使用前一次滤波重釆样后得到的粒子。
2 )预测
结合 MARG传感器数据处理结果，粒子滤波预测目标下一步的状态信息 公式如下：
其中 [ ,Λ]Τ为每个粒子的状态矢量， 7表示第 k-1次 WLAN定位与第 k 次 WLAN定位的时间间隔， 表示 MARG传感器数据经过卡尔曼滤波获得 的目标绕 z轴的旋转角 (即航向角）， ^表示 MARG传感器数据处理后获得 的目标速度， [/^/；^表示目标的加速度矢量， 用零均值的高斯噪声模拟， 方 差可以由 MARG传感器 121数据估算。
3 )权重计算及归一化
粒子的权重通过测量模型和当前观测值来求取：
- exp ( 13 )
2πσ 2σ2
其中 表示目标当前测量的 RSS, 表示目标当前的状态信息 （位置、 航向角） ， 4表示第 ,·个粒子在时刻 的状态信息， σ表示测量噪声方差， 根 据实际中 RSS浮动的方差来选择。 式（ 13 )表示当粒子位置越靠近目标当前 估计位置时， 粒子获得的权重越大， 从而获得准确的后验概率分布。
4 )重釆样
重釆样是粒子滤波的关键， 根据概率密度函数 Pr(Xi|Zi：)产生 N个新粒子 {xr, = i,-,N} , 来解决粒子退化问题， 一种重釆样方法如下：
4 )基于 WLAN和 MARG的卡尔曼滤波设计
粒子滤波的好坏严重依赖航向角 的准确度， 为了进一步消除由于陀螺 仪存在累积误差和磁强计易受周围局部磁场的干扰，导致 MARG数据处理后 获得的航向角 误差， 本实施例中， 还可提供一个卡尔曼滤波器 131, 利用粒 子滤波获得的姿态信息 （包括粒子滤波器输出的位置信息， 载体速度信息， 航向角信息等） 来修正航向角 从而获得稳定可靠的航向角信息。
卡尔曼滤波的步骤：
( 1 ) MARG传感器 121获得的滚动角、 俯仰角和航向角， 以及载体速 度信息， 作为卡尔曼滤波状态值的输入。
(2)进行卡尔曼滤波的状态下一步预测；
(3)计算预测误差方差矩阵；
(4)计算滤波增益矩阵；
(5)状态估计；
(6)估计误差方差计算。
卡尔曼滤波算法如下式：
其中 表示陀螺仪输出的角速度， ^表示时刻 W时预测的航向角， ΛΤ表 示 MARG传感器的测量时间间隔， Q和 R分别表示过程噪声和测量噪声的协 方差矩阵， 为卡尔曼滤波器增益， 和 表示误差方差矩阵， 为粒子滤 波估计的航向角。
本发明实施例提出的基于数据融合的 WLAN/MARG组合定位系统， 利 用 MARG传感器 121获得移动目标的速度、姿态等信息， 通过互补滤波、卡 尔曼滤波和粒子滤波等数据融合算法来提高 WLAN定位精度，实现了一个低 成本高精度的 WLAN/MARG组合定位系统。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序 来指令相关硬件完成， 所述程序可以存储于计算机可读存储介质中， 如只读 存储器、 磁盘或光盘等。 可选地， 上述实施例的全部或部分步骤也可以使用 一个或多个集成电路来实现。 相应地， 上述实施例中的各模块 /单元可以釆用 硬件的形式实现， 也可以釆用软件功能模块的形式实现。 本发明不限制于任 何特定形式的硬件和软件的结合。
工业实用性
本发明利用 MARG传感器辅助 WLAN定位系统， 设计了一个基于粒子 滤波和卡尔曼滤波的数据融合算法， 该融合算法充分利用 WLAN和 MARG 定位技术的互补特性， 有效校正了由接收信息强度浮动引起的定位误差和由 传感器噪声引起的累积误差， 实现了一个低成本高精度的 WLAN/MARG组 合定位系统。 因此， 本发明具有很强的工业实用性。
Claims
1、 一种定位方法， 包括：
基于无线局域网的接入点进行定位， 获取用户设备的初始估计位置； 获取所述用户设备的航向角和速度信息；
根据所述航向角和速度信息对所述初始估计位置进行修正， 获得最终位 置信息。
2、如权利要求 1所述的定位方法， 其中， 所述基于无线局域网的接入点 进行定位的步骤包括：
选取参考点， 在各参考点测量来自各接入点的信号强度， 将各所述参考 点的位置、 所述信号强度和对应接入点的标识 /位置存储至数据库中；
待定位的所述用户设备测量周围各接入点的信号强度， 查找所述数据库 获取对应的参考点集合， 与所述参考点集合进行匹配确定所述用户设备的初 始估计位置。
3、如权利要求 2所述的定位方法， 其中， 所述与参考点集合进行匹配确 定所述用户设备的初始估计位置的步骤包括：
选择 m个接收信号强度的欧氏距离最小的参考点， 使用 m个所述参考 点的位置的线性加权和作为所述用户设备的初始估计位置，所述 m大于等于 1。
4、如权利要求 1所述的定位方法， 其中， 所述获取所述用户设备的航向 角和速度信息的步骤包括：
根据 MARG传感器的测量信息获取所述航向角和速度信息。
5、 如权利要求 4所述的定位方法， 其中， 所述根据 MARG传感器的测 量信息获取所述航向角的步骤包括：
根据所述 MARG传感器的磁强计的测量信息获取第一航向角 φ , 根据 所述 MARG传感器的陀螺仪的测量信息获取第二航向角 , 根据所述第一 航向角和第二航向角得到所述用户设备的航向角 φ：
) +W mag 其中， 所述 是预设的权重值， 0≤ ≤1。
6、如权利要求 4或 5所述的定位方法， 所述定位方法还包括，根据所述 MARG传感器的测量信息获取所述用户设备的滚动角和俯仰角；
所述根据所述航向角和速度信息对所述初始估计位置进行修正的步骤包 括：
将所述根据所述 MARG传感器的测量信息获取的滚动角、俯仰角、航向 角和速度信息作为卡尔曼滤波器的输入， 进行卡尔曼滤波， 输出新的航向角 和速度信息；
将所述卡尔曼滤波器输出的新的航向角和速度信息、 以及所述初始估计 位置作为粒子滤波器的输入， 进行粒子滤波， 输出位置信息、 航向角和速度 信息， 将输出的位置信息作为所述用户设备的最终位置信息。
7、如权利要求 6所述的定位方法， 其中， 所述进行卡尔曼滤波的步骤包 括：
进行卡尔曼滤波的状态一步预测， - · ΑΤ；
计算预测误差方差矩阵 pt- = Q+ pt—；
计算滤波增益矩阵 Kk = P . [P +R ；
进行状态估计 A = - + Κ,[ ρρ - -]；
计算估计误差方差 = (l- ^)P；
其中， 所述 表示所述 MARG传感器的陀螺仪输出的角速度， ^表示时 刻 k-i时根据所述 MARG传感器获取的航向角， ΔΓ表示所述 MARG传感器的 测量时间间隔， Q和 R分别表示过程噪声和测量噪声的协方差矩阵， 为卡 尔曼滤波器增益， P和 表示误差方差矩阵， 为上一次定位时粒子滤波器 输出的航向角， 首次卡尔曼滤波时 为指定值。
8、如权利要求 6所述的定位方法，其中，所述进行粒子滤波的步骤包括： 首次进行粒子滤波时， 需要初始化粒子， 釆用高斯分布来初始化粒子的 概率密度函数；
根据所述航向角和速度信息， 以及所述初始估计位置， 预测所述用户设 备下一步的状态信息: 
并归一化， 如下:
进行粒子重釆样， 作为下一次粒子滤波的粒子；
其中， 所述 [¾,¼]τ为每个粒子的状态矢量， 7；表示上一次基于无线局域 网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔， 表 示所述航向角， ^表示所述速度信息， [ ]T表示加速度矢量， 用零均值的 高斯噪声模拟， 方差由所述 MARG传感器的测量信息估算， 为输入所述粒 子滤波器的状态值， 4表示第 个粒子在时刻 的状态值， 表示信号强度测 量的噪声方差。
9、一种定位系统，包括 WLAN定位模块、传感器定位模块和融合模块， 其中：
所述 WLAN定位模块设置成：基于无线局域网的接入点进行定位，获取 用户设备的初始估计位置；
所述传感器定位模块设置成： 获取所述用户设备的航向角和速度信息； 所述融合模块设置成： 根据所述航向角和速度信息对所述初始估计位置 进行修正， 获得最终位置信息。
10、如权利要求 9所述的定位系统， 其中， 所述 WLAN定位模块包括数 据库、 RSS测量单元和定位单元， 其中：
所述数据库设置成： 存储在各参考点测量的来自各接入点的信号强度， 各所述参考点的位置和对应接入点的标识 /位置；
所述 RSS测量单元设置成： 测量待定位的所述用户设备测量周围各接入 点的信号强度；
所述定位单元设置成： 根据所述 RSS测量单元测量的信号强度， 查找所 述数据库获取对应的参考点集合， 与所述参考点集合进行匹配确定所述用户 设备的初始估计位置。
11、如权利要求 10所述的定位系统， 其中， 所述定位单元按照以下方式 与参考点集合进行匹配确定所述用户设备的初始估计位置：
所述定位单元选择 m个接收信号强度的欧氏距离最小的参考点，使用 m 个所述参考点的位置的线性加权和作为所述用户设备的初始估计位置， 所述 m大于等于 1。
12、 如权利要求 9所述的定位系统， 其中， 所述传感器定位模块包括：
MARG传感器和数据处理单元， 其中：
所述 MARG传感器设置成： 对所述用户设备进行测量， 获取测量信息； 所述数据处理单元设置成：根据所述 MARG传感器的测量信息获取所述 航向角和速度信息。
13、如权利要求 12所述的定位系统， 其中， 所述数据处理单元设置成按 照以下方式根据所述 MARG传感器的测量信息获取所述航向角：
所述数据处理单元根据所述 MARG传感器的磁强计的测量信息获取第 一航向角 φ , 根据所述 MARG传感器的陀螺仪的测量信息获取第二航向角 Γ , 根据所述第一航向角和第二航向角得到所述用户设备的航向角 φ：
Φ= {^) ΦΓ +W mag
其中， 所述 是预设的权重值， ο≤ ≤ι。
14、 如权利要求 12或 13所述的定位系统， 其中， 所述融合模块包括： 卡尔曼滤波器和粒子滤波器， 其中：
所述数据处理单元还设置成：根据所述 MARG传感器的测量信息获取所 述用户设备的滚动角和俯仰角；
所述卡尔曼滤波器设置成：将根据所述 MARG传感器的测量信息获取的 滚动角、 俯仰角、 航向角和速度信息作为所述卡尔曼滤波器的状态值输入， 进行卡尔曼滤波， 输出新的航向角和速度信息；
所述粒子滤波器设置成： 将所述卡尔曼滤波器输出的新的航向角和速度 信息， 以及所述初始估计位置作为状态值输入， 进行粒子滤波， 输出位置信 息、 航向角和速度信息， 将输出的位置信息作为所述用户设备的最终位置信 息。
15、如权利要求 14所述的定位系统， 其中， 所述卡尔曼滤波器设置成按 照以下方式进行卡尔曼滤波：
进行卡尔曼滤波的状态一步预测， - ·ΑΤ；
计算预测误差方差矩阵 pt- = Q+ pt—；
计算滤波增益矩阵 Kk = ρ . [Ρ + ΚΓ'；
进行状态估计 A = - + Κ,[ ρρ - -]；
计算估计误差方差 = (l-^)P；
其中， 所述 表示所述 MARG传感器的陀螺仪输出的角速度， ^表示时 刻 k-i时根据所述 MARG传感器获取的航向角， ΔΓ表示所述 MARG传感器的 测量时间间隔， Q和 R分别表示过程噪声和测量噪声的协方差矩阵， 为卡 尔曼滤波器增益， 和 表示误差方差矩阵， 为上一次定位时粒子滤波器 输出的航向角， 首次卡尔曼滤波时 为指定值。
16、如权利要求 14所述的定位系统， 其中， 所述粒子滤波器设置成按照 以下方式进行粒子滤波：
初始化粒子， 釆用高斯分布来初始化粒子的概率密度函数；
根据所述航向角和速度信息， 以及所述初始估计位置， 预测所述用户设 备下一步的状态信息： 
并归一化， 如下: 
进行粒子重釆样， 作为下一次粒子滤波的粒子；
其中， 所述 [¾,¼]T为每个粒子的状态矢量， 7；表示上一次基于无线局域 网的接入点的定位与本次基于无线局域网的接入点的定位的时间间隔， 表 示所述航向角， ^表示所述速度信息， [ ]τ表示加速度矢量， 用零均值的 高斯噪声模拟， 方差由所述 MARG传感器的测量信息估算， 为当前输入所 述粒子滤波器的状态值， 4表示第 个粒子在时刻 的状态值， σ表示信号强 度测量的噪声方差。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210111075.8A CN103379619B (zh) | 2012-04-16 | 2012-04-16 | 一种定位方法和系统 |
| CN201210111075.8 | 2012-04-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2013155919A1 true WO2013155919A1 (zh) | 2013-10-24 |
Family
ID=49382898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2013/073085 WO2013155919A1 (zh) | 2012-04-16 | 2013-03-22 | 一种定位方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN103379619B (zh) |
| WO (1) | WO2013155919A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103644911A (zh) * | 2013-11-27 | 2014-03-19 | 南京城际在线信息技术有限公司 | 陀螺仪辅助定位方法 |
| CN104635203A (zh) * | 2015-02-12 | 2015-05-20 | 国家无线电监测中心 | 一种基于粒子滤波算法的无线电干扰源测向定位方法 |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674785B (zh) * | 2013-12-04 | 2017-02-01 | 杭州腾海科技有限公司 | 悬浮式表层水流流速流向在线跟踪监测装置和监测方法 |
| CN104853431A (zh) * | 2014-02-18 | 2015-08-19 | 中兴通讯股份有限公司 | 一种地理位置信息定位方法、装置 |
| CN104105060B (zh) * | 2014-07-18 | 2018-02-13 | 南京猫酷科技股份有限公司 | 定位方法及设备 |
| CN104482933B (zh) * | 2014-12-03 | 2017-12-29 | 北京航空航天大学 | 一种基于粒子滤波航迹推算和无线局域网组合定位的方法 |
| CN104501796B (zh) * | 2014-12-16 | 2017-03-08 | 重庆邮电大学 | 一种室内wlan/mems融合跨楼层3维定位方法 |
| CN104796866B (zh) * | 2015-05-06 | 2018-09-11 | 北京我联科技有限公司 | 室内定位方法和装置 |
| CN106325287A (zh) * | 2015-06-14 | 2017-01-11 | 复旦大学 | 一种基于惯性/磁传感器marg姿态检测的智能割草机直线行走控制系统 |
| CN105357753B (zh) * | 2015-10-16 | 2018-09-18 | 杭州电子科技大学 | 一种基于多模融合递归迭代的室内定位方法 |
| CN105510870B (zh) * | 2015-12-19 | 2018-05-18 | 长安大学 | 一种智能设备室内定位系统和方法 |
| CN105589064B (zh) * | 2016-01-08 | 2018-03-23 | 重庆邮电大学 | Wlan位置指纹数据库快速建立和动态更新系统及方法 |
| CN105768480A (zh) * | 2016-02-25 | 2016-07-20 | 北京石油化工学院 | 行李箱的定位方法、装置与系统 |
| CN105872981B (zh) * | 2016-03-30 | 2018-12-25 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
| EP3432794B1 (en) * | 2016-05-03 | 2020-09-09 | St. Jude Medical International Holding S.à r.l. | Magnetic field distortion detection and correction in a magnetic localization system |
| CN106455047A (zh) * | 2016-08-22 | 2017-02-22 | 北京易游华成科技有限公司 | 定位方法和设备 |
| CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
| CN107576330A (zh) * | 2017-09-07 | 2018-01-12 | 西北大学 | 一种基于wlan指纹的室内动态感知策略的定位方法 |
| CN107861143A (zh) * | 2017-10-31 | 2018-03-30 | 太原理工大学 | 一种bds/wlan组合定位算法 |
| DE102017128491B4 (de) * | 2017-11-30 | 2022-12-22 | Leica Biosystems Nussloch Gmbh | Mikrotom und Verfahren zum Positionieren eines Mikrotomobjektkopfes |
| CN109298436A (zh) * | 2018-05-15 | 2019-02-01 | 重庆邮电大学 | 一种多信息融合的室内定位与导航方法 |
| CN109597006B (zh) * | 2018-12-11 | 2020-11-24 | 河南工业大学 | 一种磁性纳米粒子测量位置的优化设计方法 |
| CN109816071A (zh) * | 2019-02-12 | 2019-05-28 | 河南工程学院 | 一种基于rfid的室内目标追踪方法 |
| CN110099443B (zh) * | 2019-05-13 | 2020-04-07 | 电子科技大学 | 一种无线传感器网络中节点追踪的负载均衡方法 |
| CN111148023B (zh) * | 2019-12-30 | 2021-03-16 | 广东博智林机器人有限公司 | 基于多个uwb标签的定位方法及装置 |
| CN111194000B (zh) * | 2020-01-07 | 2021-01-26 | 东南大学 | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 |
| CN112188386B (zh) * | 2020-07-31 | 2022-08-09 | 广东中达道信科技发展有限公司 | 一种基于etc信号强度的车辆定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1791041A (zh) * | 2004-12-13 | 2006-06-21 | 三星电子株式会社 | 辅助全球定位系统和确定终端位置的方法 |
| CN101208880A (zh) * | 2005-03-31 | 2008-06-25 | 日本电气株式会社 | 便携式无线终端及其移动速度检测方法 |
| CN101285686A (zh) * | 2008-05-29 | 2008-10-15 | 中国农业大学 | 一种农业机械导航分级定位的方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100135178A1 (en) * | 2008-11-21 | 2010-06-03 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
-
2012
- 2012-04-16 CN CN201210111075.8A patent/CN103379619B/zh active Active
-
2013
- 2013-03-22 WO PCT/CN2013/073085 patent/WO2013155919A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1791041A (zh) * | 2004-12-13 | 2006-06-21 | 三星电子株式会社 | 辅助全球定位系统和确定终端位置的方法 |
| CN101208880A (zh) * | 2005-03-31 | 2008-06-25 | 日本电气株式会社 | 便携式无线终端及其移动速度检测方法 |
| CN101285686A (zh) * | 2008-05-29 | 2008-10-15 | 中国农业大学 | 一种农业机械导航分级定位的方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103644911A (zh) * | 2013-11-27 | 2014-03-19 | 南京城际在线信息技术有限公司 | 陀螺仪辅助定位方法 |
| CN104635203A (zh) * | 2015-02-12 | 2015-05-20 | 国家无线电监测中心 | 一种基于粒子滤波算法的无线电干扰源测向定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103379619B (zh) | 2017-11-28 |
| CN103379619A (zh) | 2013-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2013155919A1 (zh) | 一种定位方法和系统 | |
| CN107111641B (zh) | 用于更新定位数据的数据库的定位估计 | |
| CN105424030B (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
| CN108632761B (zh) | 一种基于粒子滤波算法的室内定位方法 | |
| CN105589064B (zh) | Wlan位置指纹数据库快速建立和动态更新系统及方法 | |
| KR101728123B1 (ko) | 지구 자기장을 이용한 동시 로컬리제이션 및 매핑 | |
| CN104781686B (zh) | 路径匹配 | |
| JP5838758B2 (ja) | キャリブレーション方法、情報処理装置及びキャリブレーションプログラム | |
| JP5717875B2 (ja) | 位置決定方法 | |
| WO2017185828A1 (zh) | 指纹定位方法及装置 | |
| CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
| EP3136128A1 (en) | Trajectory matching using peripheral signal | |
| CN106767772B (zh) | 地磁指纹分布图的构建方法和装置及定位方法和装置 | |
| EP3347677A1 (en) | Navigate, track, and position mobile devices in gps-denied or gps-inaccurate areas with automatic map generation | |
| US11035915B2 (en) | Method and system for magnetic fingerprinting | |
| Guo et al. | WiMag: Multimode fusion localization system based on Magnetic/WiFi/PDR | |
| WO2016068742A1 (ru) | Способ и система позиционирования мобильного терминала внутри зданий | |
| US20140358434A1 (en) | Peer-Assisted Dead Reckoning | |
| CN112556696B (zh) | 一种对象定位方法、装置、计算机设备以及存储介质 | |
| JP6031402B2 (ja) | 慣性航法システム、移動体端末、慣性航法装置、及びプログラム | |
| JP5742794B2 (ja) | 慣性航法装置及びプログラム | |
| Chen et al. | A ToA/IMU indoor positioning system by extended Kalman filter, particle filter and MAP algorithms | |
| Tian et al. | HiQuadLoc: A RSS fingerprinting based indoor localization system for quadrotors | |
| He et al. | WiFi based indoor localization with adaptive motion model using smartphone motion sensors | |
| CN105866729B (zh) | 一种基于用户行为特征的室内定位方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 13778489 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 13778489 Country of ref document: EP Kind code of ref document: A1 |