一種室內定位的起點位置的定位方法和系統與流程

2023-05-13 14:36:36

本發明涉及通信技術領域，尤其涉及一種室內定位的起點位置的定位方法和系統。

背景技術：

隨著智慧型手機和移動網際網路的快速發展，基於位置的服務吸引了越來越多的關注。實時定位已經成為交通、商業、物流、個性服務等多個高層次應用的基本技術。在室外的情況下，得到了全球導航衛星系統提供了一個很好的定位服務，如全球定位系統(GPS)。然而，在室內環境中，由於信號衰落和多徑效應，全球衛星定位系統無法達到合適的精度。

當今的智能終端集如智慧型手機等成了很多內置傳感器，例如方向傳感器，加速度傳感器，磁力計等等。基於手機傳感器數據的PDR(Pedestrian Dead Reckoning)定位技術，得到了越來越多的關注。PDR定位技術，在開始定位時，需要一個精確的參考點位置，作為起始點。目前主要的PDR解決方案，都必須提供一個確定的初始點位置，才可以來推算出行人的運動軌跡。這個問題極大地制約了PDR定位技術的推廣應用。

因此，如何提供一種更加方便用戶使用的室內定位方法和系統，更加準確的確定室內定位中的起點位置，以提高室內定位的易用性和準確性，成為本領域亟需解決的問題。

技術實現要素：

本發明的目的是提供一種更加方便用戶使用的室內定位方法和系統，更加準確的確定室內定位中的起點位置，以提高室內定位的易用性和準確性。

本發明的目的是通過以下技術方案來實現的：

一種室內定位的起點位置的定位方法，包括：

採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；

獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；

獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。

優選的，所述指紋數據包括：RSS向量和坐標值；所述採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫的步驟具體包括：

在定位區域內設定多個參考結點；

採集智能終端在參考結點的RSS向量和對應的坐標值；

根據每個參考結點的RSS向量，計算每個參考結點的RSS均值與方差均值，並將其作為該參考結點的指紋數據保存在指紋資料庫中。

優選的，根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率的計算步驟具體包括：其中，RSS均值與方差均值分別為：μ＝E(RSSi)，σ＝E(|RSSi-μ|)，其中，i為自然數，u為RSS的均值，σ為RSS的方差均值，每個參考結點的RSS值大小在參考點位置是高斯正態分布，即

該RSS值的概率為：

其中Prss為參考結點的RSS值的概率，x為當前參考結點的x軸坐標值，u為RSS的均值，σ為RSS的方差均值。

優選的，所述計算步驟進一步包括：根據計算概率，其中m表示採集的RSS向量的個數,Sj＝{RSSj1，RSSj2，...，RSSjn}表示一個RSS向量，n為室內布置的無線接入點的數量；求出概率值最大的起點就是用戶當前的位置：SP＝argmaxp(S|SPn)。

優選的，其中，RSS值的概率的計算中，僅計算信號強度在-30dBm到-90dBm的RSS值的分布概率Prss。

本發明公開一種室內定位的起點位置的定位系統，包括：

數據採集模塊，用於採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；

獲取模塊，用於獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；

處理模塊，用於獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。

優選的，所述指紋數據包括：RSS向量和坐標值；所述數據採集模塊具體用於：

在定位區域內設定多個參考結點；

採集智能終端在參考結點的RSS向量和對應的坐標值；

根據每個參考結點的RSS向量，計算每個參考結點的RSS均值與方差均值，並將其作為該參考結點的指紋數據保存在指紋資料庫中。

優選的，所述獲取模塊具體用於：其中，RSS均值與方差均值分別為：μ＝E(RSSi)，σ＝E(|RSSi-μ|)，其中，i為自然數，u為RSS的均值，σ為RSS的方差均值，每個參考結點的RSS值大小在參考點位置是高斯正態分布，即

該RSS值的概率為：

其中Prss為參考結點的RSS值的概率，x為當前參考結點的x軸坐標值，u為RSS的均值，σ為RSS的方差均值。

優選的，所述獲取模塊具體用於：根據計算概率，其中m表示採集的RSS向量的個數,Sj＝{RSSj1，RSSj2，...，RSSjn}表示一個RSS向量，n為室內布置的無線接入點的數量；求出概率值最大的起點就是用戶當前的位置：SP＝argmaxp(S|SPn)。

優選的，其中，RSS值的概率的計算中，僅計算信號強度在-30dBm到-90dBm的RSS值的分布概率Prss。

本發明的室內定位方法由於包括採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。採用這種方式，首先建立起點指紋庫，通過指紋數據，並經過概率計算獲取用戶的可能的起點位置，再通過計算位置概率中最大的一個來確定用戶的起點位置，從而更加準備的確定用戶的起點位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數據支持，從而更快更準確的進行室內定位，提高室內定位的易用性和準確性。

附圖說明

圖1是本發明實施例的一種室內定位方法的流程圖；

圖2是本發明實施例的指紋數據記錄的示意圖；

圖3是本發明實施例的起點指紋庫的示意圖；

圖4是本發明實施例的一種室內定位系統的示意圖。

具體實施方式

雖然流程圖將各項操作描述成順序的處理，但是其中的許多操作可以被並行地、並發地或者同時實施。各項操作的順序可以被重新安排。當其操作完成時處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。處理可以對應於方法、函數、規程、子例程、子程序等等。

計算機設備包括用戶設備與網絡設備。其中，用戶設備或客戶端包括但不限於電腦、智慧型手機、PDA等；網絡設備包括但不限於單個網絡伺服器、多個網絡伺服器組成的伺服器組或基於雲計算的由大量計算機或網絡伺服器構成的雲。計算機設備可單獨運行來實現本發明，也可接入網絡並通過與網絡中的其他計算機設備的交互操作來實現本發明。計算機設備所處的網絡包括但不限於網際網路、廣域網、城域網、區域網、VPN網絡等。

在這裡可能使用了術語「第一」、「第二」等等來描述各個單元，但是這些單元不應當受這些術語限制，使用這些術語僅僅是為了將一個單元與另一個單元進行區分。這裡所使用的術語「和/或」包括其中一個或更多所列出的相關聯項目的任意和所有組合。當一個單元被稱為「連接」或「耦合」到另一單元時，其可以直接連接或耦合到所述另一單元，或者可以存在中間單元。

這裡所使用的術語僅僅是為了描述具體實施例而不意圖限制示例性實施例。除非上下文明確地另有所指，否則這裡所使用的單數形式「一個」、「一項」還意圖包括複數。還應當理解的是，這裡所使用的術語「包括」和/或「包含」規定所陳述的特徵、整數、步驟、操作、單元和/或組件的存在，而不排除存在或添加一個或更多其他特徵、整數、步驟、操作、單元、組件和/或其組合。

下面結合附圖和較佳的實施例對本發明作進一步說明。

實施例一

如圖1所示，本實施例中公開一種室內定位的起點位置的定位方法，包括：

S101、採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；

S102、獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；

S103、獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。

本發明的室內定位的起點位置的定位方法由於包括採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。採用這種方式，首先建立起點指紋庫，通過指紋數據，並經過概率計算獲取用戶的可能的起點位置，再通過計算位置概率中最大的一個來確定用戶的起點位置，從而更加準備的確定用戶的起點位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數據支持，從而更快更準確的進行室內定位，提高室內定位的易用性和準確性。通過上述利用WiFi指紋的方式所求出的起點位置，即可以作為參考點提供給PDR方法。從而可以使PDR技術可以根據此參考點推算出用戶的運動軌跡，PDR為(Pedestrian Dead Reckoning)對步行者行走的步數、步長、方向進行測量和統計，推算出步行者行走軌跡，和位置等信息。

根據其中一個示例，所述指紋數據包括：RSS向量和坐標值；所述採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫的步驟具體包括：

在定位區域內設定多個參考結點；

採集智能終端在參考結點的RSS向量和對應的坐標值；

根據每個參考結點的RSS向量，計算每個參考結點的RSS均值與方差均值，並將其作為該參考結點的指紋數據保存在指紋資料庫中。

這樣就可以更加準確的建立資料庫，方便定位，提高定位的準確性。

根據其中一個示例，根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率的計算步驟具體包括：其中，RSS均值與方差均值分別為：μ＝E(RSSi)，σ＝E(|RSSi-μ|)，其中，i為自然數，u為RSS的均值，σ為RSS的方差均值，每個參考結點的RSS值大小在參考點位置是高斯正態分布，即

該RSS值的概率為：

其中Prss為參考結點的RSS值的概率，x為當前參考結點的x軸坐標值，u為RSS的均值，σ為RSS的方差均值。

根據其中一個示例，所述計算步驟進一步包括：根據

計算概率，其中m表示採集的RSS向量的個數,Sj＝{RSSj1，RSSj2，...，RSSjn}表示一個RSS向量，n為室內布置的無線接入點的數量；求出概率值最大的起點就是用戶當前的位置：SP＝argmaxp(S|SPn)。

按照上述過程和公司進行計算，就可以計算各個可能位置的概率，從而篩選出最大概率所在位置，並據此對用戶進行定位。

根據其中一個示例，其中，RSS值的概率的計算中，僅計算信號強度在-30dBm到-90dBm的RSS值的分布概率Prss。考慮到信號強度值的有效性，我們只記錄從-30dBm到-90dBm的RSS值的分布概率。

日常生活中，人們絕大部分的時間都是待在室內的，而身處室內的大多數情況下，人們的手機都是閒置的。我們希望手機在這些閒置狀態下，可以被用來進行指紋採樣，同時也不會影響到我們的其它行為。在某一參考點獲得的RSS向量就是RSSi(RSSi,1,RSSi,2,RSSi,3,RSSi,4)。而參考點坐標為Li(xi,yi)，RSSi與Li的一一對應關係，即為該參考點的指紋，指紋數據的記錄結構如圖2所示；

用戶自定義node表示日常生活中用戶會經常性停留一段時間的位置，例如辦公桌，茶水間等。由於用戶自定義node都是一些會經常停留的點，所以當採樣人員停留在用戶自定義node位置處，可以採集大量的指紋訓練數據集。指紋訓練數據集通過一定的處理，可以生成起點訓練指紋庫。起點訓練指紋庫的格式如圖3所示；

上圖的起點訓練指紋庫中，智慧型手機的MAC地址代表不同的採樣人員，因為不同採樣人員使用不同的手機，MAC地址是作為設備識別的唯一標識。每位採樣人員可能出現的起點組成了一個起點集合，所以可以看到起點訓練庫中每個MAC地址對應著一個起點集合。

之後通過上述的方法進行計算即可。

本實施例中，在使用上述方案對起點位置進行定位之後，接下來可以根據起點位置進行室內定位，具體方案如下。

能夠在大規模城市範圍內廣泛應用的室內定位系統必須能夠為所有的移動終端提供準確的定位服務，當採集指紋資料庫的行動裝置與在線定位的行動裝置型號不一致時，定位系統的定位精度將受到一定的影響。然而，由於採集RSSI指紋資料庫的設備總是有限的，不可能為每一個型號的手機建立一個RSSI指紋資料庫，因此，必須採取一定的措施緩解設備差異對定位精度的影響。

基於位置指紋的WiFi定位技術可以分為兩類：確定性方法，基於概率的方法。確定性方法中，採用RSSI接收信號的平均值作為指紋庫的基本數據單元。

在離線數據採集階段，設移動終端在某個參考點(x,y)經過一段時間的採樣採集到的RSSI樣本數據集為向量RSSI＝{rssi1，rssi2，rssi3...rssin}，將樣本數據集的均值及位置信息存入資料庫中作為該點的指紋數據記為(x，y，rssi1，rssi2，rssi3，rssi4)。當所有參考點的RSSI數據採集完之後，可以得到一個完整的指紋資料庫。

在實時定位階段，移動終端採集到的RSSI數據為向量RSSI＝{rssi1，rssi2，rssi3，rssi4}，將實時得到的RSSI數據與指紋資料庫中的RSSI樣本進行匹配，估計用戶的位置。最近鄰居法(Nearest Neighbor in Signal Space)是最為簡單的一種匹配算法。它通過計算實時RSSI數據與指紋資料庫中某一參考點的RSSI樣本數據的信號強度的距離d(向量RSSI,RSSI)，其具體計算方法如式(3-1)所示。最近鄰居法選擇信號強度距離最小的參考點作為最終的估計位置。

其中，N為無線AP數，當參數p＝1時，計算的是曼哈頓距離，p＝2時，為歐氏距離，通常我們選擇歐式距離計算信號強度間的距離。最近鄰居法得到的位置必然是在指紋資料庫中已經存在的參考點位置。K近鄰法(K-NNSS)是最近鄰居法的一種改進版本，它不再是簡單的使用信號空間中距離最近的點作為位置估計，而是採用距離最近的幾個採樣點的平均值來估計用戶的位置。

基於概率的方法，是一種基於貝葉斯定理的定位算法。首先，在離線數據採集階段，記錄了n個位置的位置指紋集合(L，RSSI)＝{(L1,RSSI1),(L2,RSSI2)，(L3,RSSI3)...(LN,RSSIN)},在實時定位階段，在某個位置採集到的RSSI樣本數據為RSSI＝{rssi1，rssi2，rssi3，rssi4}。基於概率的方法就是，通過貝葉斯定理推算出實時的RSSI在指紋資料庫中的已知位置的後驗概率，記為p(Li丨RSSI)。具體推理過程如下：

其中，p(Li丨RSSI)在某個位置得到實時樣本數據RSSI的概率。p(Li)是位置Li的先驗概率，通常情況下，任務用戶可能出現在任意位置，所以它可以看做一個均勻分布，而p(RSSI丨Lk)對於所以位置可以看做為一個常數。在定位階段，通過計算得到的最大後驗概率的位置作為用戶的位置估計。因此定位的計算過程可以簡化如式(3-3)：

argmax[p(Li丨RSSI)]＝argmax[p(RSSI丨Li)] (3-3)

不同的AP間的信號可以認為是獨立不相關的，因此，計算可以簡化為如果用高斯模型對RSSI信號進行建模，則可以得到式(3-4)。

其中，u和σ表示信號強度樣本數據的平均值和標準偏差。

然而這兩種類型的定位匹配算法本身都未考慮設備差異導致的RSSI差異化的問題。Haeberlen在文獻中提出一種基於線性變換的人工校正方法，該方法採用人工校正的方法得到不同設備間的線性變換方程，然而面對成百上千種差異化的設備和不斷湧現的新設備，採用人工校正的方法是不切實際的。

本文提出一種基於RSSI差值的定位算法。雖然在同一地點同一地點,不同的手機接收到的RSSI樣本數據的大小有差異,但是各手機接收到的各個AP間的RSSI差值卻是相似的。因此，假設實時定位階段採集到的RSSI數據為RSSI＝{rssi1，rssi2，rssi3...rssin},選擇其中最大的AP信號強度值作為參考，記為rssimax，則可以得到差值序列RSSI＝{rssi1-rssimax，rssi2-rssimax，rssi3-rssimax...rssin-rssimax}，簡寫為RSSI＝{Δrssi1，Δrssi2，Δrssi3...Δrssin}。同理，對指紋資料庫中的信號強度序列作同樣的處理。設指紋資料庫中參考點L的RSSI序列為RSSI＝{rssi1，rssi2，rssi3...rssin}，其中最大的AP信號強度值記為rssimax，處理後，其差值序列為RSSI＝{rssi1-rssimax，rssi2-rssimax，rssi3-rssimax...rssin-rssimax}＝{Δrssi1，Δrssi2，Δrssi3...Δrssin}。在定位階段，通過比較位置指紋資料庫和在線實時採集的RSSI的差值序列，進行位置估計。對於確定性方法，對資料庫中每一個參考點位置RSSI序列的通過公式(3-5)計算信號強度距離，選擇距離最小的一個參考點或幾個參考點的平均值作為位置估計。

對於高斯模型法，對資料庫中每一個參考點位置RSSI序列的通過公式(3-6)計算信號強度的相似程度，選擇概率最大的一個參考點或幾個參考點的平均值作為位置估計。

通過這種基於RSSI差值的位置匹配算法來緩解設備差異對定位精度的影響。

根據本發明其中一個實施例，如圖4所示，本實施例公開一種室內定位的起點位置的定位系統，包括：

數據採集模塊401，用於採集智能終端所在位置的指紋數據，建立指紋數據與所在位置對應的起點指紋庫；

獲取模塊402，用於獲取智能終端當前的指紋數據，並根據指紋數據獲取智能終端在起點指紋庫中的每個位置的位置概率；

處理模塊403，用於獲取所述位置概率中最大的一個，該位置概率最大的所對應的所在位置為智能終端的起點位置。

採用這種方式，首先建立起點指紋庫，通過指紋數據，並經過概率計算獲取用戶的可能的起點位置，再通過計算位置概率中最大的一個來確定用戶的起點位置，從而更加準備的確定用戶的起點位置，為PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的數據支持，從而更快更準確的進行室內定位，提高室內定位的易用性和準確性。

根據其中一個示例，所述指紋數據包括：RSS向量和坐標值；所述數據採集模塊具體用於：

在定位區域內設定多個參考結點；

採集智能終端在參考結點的RSS向量和對應的坐標值；

根據每個參考結點的RSS向量，計算每個參考結點的RSS均值與方差均值，並將其作為該參考結點的指紋數據保存在指紋資料庫中。

這樣就可以更加準確的建立資料庫，方便定位，提高定位的準確性。

根據其中一個示例，所述獲取模塊具體用於：其中，RSS均值與方差均值分別為：μ＝E(RSSi)，σ＝E(|RSSi-μ|)，其中，i為自然數，u為RSS的均值，σ為RSS的方差均值，每個參考結點的RSS值大小在參考點位置是高斯正態分布，即

該RSS值的概率為：

其中Prss為參考結點的RSS值的概率，x為當前參考結點的x軸坐標值，u為RSS的均值，σ為RSS的方差均值。

根據其中一個示例，所述獲取模塊具體用於：根據計算概率，其中m表示採集的RSS向量的個數,Sj＝{RSSj1，RSSj2，...，RSSjn}表示一個RSS向量，n為室內布置的無線接入點的數量；求出概率值最大的起點就是用戶當前的位置：SP＝argmaxp(S|SPn)。

按照上述過程和公司進行計算，就可以計算各個可能位置的概率，從而篩選出最大概率所在位置，並據此對用戶進行定位。

根據其中一個示例，其中，RSS值的概率的計算中，僅計算信號強度在-30dBm到-90dBm的RSS值的分布概率Prss。考慮到信號強度值的有效性，我們只記錄從-30dBm到-90dBm的RSS值的分布概率。

以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定本發明的具體實施只局限於這些說明。對於本發明所屬技術領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干簡單推演或替換，都應當視為屬於本發明的保護範圍。