CN101466070A - 一种基于无线信号接收强度分布自动学习的无线室内定位方法 - Google Patents

Abstract

本发明公开了一种能够自动学习信号接收强度分布的无线室内定位方法，这种方法采用理论的无线信号传播模型和参数作为最初的场强分布曲线，***运行过程中，使用移动设备不断将收到的接收信号强度和最大期望算法对场强分布函数进行学习，得到精确的场强分布曲线。在得到新的场强分布曲线后，采用最小均方差统计估计算法对移动设备的位置进行估算。本发明提供的方法避免了无线定位***繁琐的校准过程，并能当***发生变化时，自动重新校准，大大减少了定位***的安装和维护成本。本发明适用于使用无线局域网、无线传感器网络、蓝牙或者手机网络等各种使用无线信号的室内定位***。

Description

一种基于无线信号接收强度分布自动学习的无线室内定位方法

技术领域

本发明涉及无线室内定位技术领域，利用无线信号接收强度来进行设备定位，特别是一种能够自动学习信号接收强度分布的无线室内定位方法。

背景技术

室内定位技术是一种在室内环境中获取人员物品位置信息的技术。室内定位技术在诸多领域有着广泛的应用，如博物馆导游、商场购物向导、物品人员追踪、智能楼宇、机器人、普适计算以及物流等等。由于建筑物对无线信号有着很强的屏蔽作用，基于卫星的定位***如GPS等在室内无法正常工作。目前的室内定位技术主要是指利用室内的无线信号来进行定位的技术，这些无线信号包括无线局域网信号、市内无绳电话信号、无线传感器网络以及其他专属频段的信号等等。通常来说，通过测量位置已知的发射机参考点(简称参考点)发出的射频信号的传播时间和接收信号强度可以计算发射端到接收端的距离，然后由三角定位的方法，就可以测算出物体的位置。但是这两种方法都存在较大的缺陷，首先，由于室内的距离很短，对传播时间的计算精度要求很高，目前普通的无线***都无法达到，必须使用特殊设计的设备，因此成本很高。其次，由于室内环境包括墙体、门、家具等诸多障碍物，无线信号的传播很不规则，无法用简单的模型来表示，因此无论是用传播时间还是接收信号强度计算所得的距离都存在较大的误差。目前主流的室内定位***采用的技术是对无线信号接收强度的分布进行提前校准，也就是说，在***使用之前，由技术人员在建筑物的各个地方提前测量无线信号的接收强度，得到信号接收强度与位置的关系曲线，并记录到数据库中，在***使用的时候，将待定位的设备观测到的无线信号强度与数据库进行比较，找出数据库中最接近接受信号强度的记录，从而得到设备所在的位置。这种方法的精度往往比较高，但是由于在***运行前需要在建筑物各处进行提前校准，因此耗费大量的时间和安装成本，同时，当***发生变化，如参考点的位置发生变化、室内布置发生变化等情况发生时，射频能量分布需要重新校准，因此这种方法的维护成本也很高。

发明内容

本发明的目的是提出一种能够在***运行过程中，自动学习无线信号强度分布曲线，并能自适应由于***环境变化如参考点的位置、参考点发射功率、室内设备的位置等参数的变化导致的无线信号强度分布曲线的变化。

本发明解决的主要问题是室内定位***需要人工定期对无线信号强度分布曲线进行校准的问题。采用本发明的室内定位方法，信号强度分布无需测量，而是***在运行过程中自动学习获得。

为了达到上述目的，本发明采用如下方案：

步骤1：对室内的位置进行采样，得到一系列采样点。

步骤2：采用理论的无线信号传播模型和参数作为最初的场强分布曲线，并对每个参考点发出的信号强度在采样点上的值进行计算。

步骤3：***开始运行过程中，移动设备不断将收到的接收信号强度信息传送到定位服务器中。

步骤4：当定位服务器收集到足够多的接收信号强度信息后，就用这些信号强度信息和最大期望算法对采样点上的场强值进行学习，得到精确的场强分布曲线。

步骤5：定位服务器利用最新的场强分布曲线，采用最小均方差统计估计算法对移动设备的位置进行估算。

步骤6：每过一段较长时间或者当***环境发生改变时，重新运行步骤4。

上述步骤1中对室内位置进行采样，可以是均匀采样，也可以是任意采样。

上述步骤2中建立初始场强分布曲线，可以是线性对数模型，如以下公式所示：

$P_{r,\mathrm{dB}}=P\left(d_0\right)-10\mathrm{\η}{\log }_{10}\left(\frac{d}{d_0}\right)+W$

其中，P_r，dB代表接收信号强度，d₀代表参考距离，通常为1米，P(d₀)是信号在参考距离上的强度，η为能耗参数，室内环境下，该参数一般为1.5~6。W是均值为0的高斯分布变量。

初始场强分布曲线也可以是多墙分布曲线，如以下公式所示：

$P_{r,\mathrm{dB}}=P\left(d_0\right)-10\mathrm{\η}{\log }_{10}\left(\frac{d}{d_0}\right)-\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i+W$

其中，λ_i是信号穿过第i堵墙的时候受到的损耗。其他参数与线性对数模型的参数一致。

在步骤2中，参数的取值无需测量，取标准值即可，例如，d₀取1米，P(d₀)取-20dBm，η取2，λ_i取10dB，W的方差取4dB。

上述步骤3中移动设备将接收到的信号强度传送到定位服务器，如图4，具体为：

1.设备在室内任意移动。

2.移动设备每隔1秒钟对所有参考点接收信号的强度进行一次测量。

3.对未接受到信号的参考点，接收信号强度设为设备的最小接受灵敏度。

4.将接收到的信号强度每隔一定时间传送给定位服务器。

上述步骤4对信号强度分布曲线在采样点的取值进行学习估算，从而得到准确的信号强度分布曲线，具体步骤为：

1.对每个移动设备发送的接收信号强度向量o_i，计算在现有的信号强度分布曲线条件下，其位置在每个参考点x_k的概率分布p(x_k|o_i)。

2.信号强度分布曲线在参考点x_k的值更新为

3.计算信号强度分布的最大对数似然方程

的值，如果收敛，则计算停止，准确的信号强度分布曲线可由参考点上的值表示，如果不收敛，则回到1)继续。

上述步骤5计算在当前场强分布条件下的位置信息，具体计算公式为

$\hat{x}=\underset{k}{\mathrm{\Σ}}\frac{p\left(x_k\right|o_i)\·x_k}{\underset{k}{\mathrm{\Σ}}p\left(x_k\right|o_i)}$

上述步骤6用于在***运行过程中对信号强度分布函数进行更新，从而自动适应由于***环境变化，设备参数变动等引起的信号强度分布函数的变化。

本发明的优点为，采用统计学习的方法，在***运行过程中，自动学习无线信号强度分布曲线，并能自适应由于***环境变化如参考点的位置、参考点发射功率、室内设备的位置等参数的变化导致的无线信号强度分布曲线的变化。避免了室内定位***需要人工定期对无线信号强度分布曲线进行校准的问题，大大降低了无线室内定位***的安装和维护成本，同时保证了定位精度。下面我们给出具体的说明：

1.本发明采用最大期望的统计学习方法，无需提前对无线信号强度分布曲线进行测量，而是首先采用最简单的理论模型，然后在***运行过程中对信号强度分布曲线进行学习逼近，从而在不牺牲定位精度的情况下，大大简化了无线室内定位***的安装过程和成本。

2.本发明同时可以自适应由于环境变化带来的信号强度分布曲线的变化，降低了***地维护成本。

3.本发明采用基于统计理论的最小均方差方法进行定位，充分考虑噪声因素，因此定位精度更高。

4.本发明可以应用于各种无线定位***，例如无线局域网定位***、无绳电话定位***、无线传感器网络定位***以及GSM定位***等。

附图说明

图1为本发明给出的移动设备与定位服务器信息交互示意图。

图2为本发明给出的信号强度多墙分布曲线示意图。

图3为本发明给出的场强分布学习流程示意图。

具体实施方式

下面结合附图及实施实例对本发明做进一步的说明。

本发明给出的无线室内定位***中的设备如图1所示，主要有如下3类：

位置已知的参考点：这类设备的位置已知，并且向其他节点发送无线信号，通常为无线局域网的接入点、无绳电话***的基站或者无线传感器网络中位置已知的传感器节点。在一个室内定位***中，通常要求有4个以上的参考点以保证三维定位的准确。

移动设备：这类设备的位置未知，并且在室内移动，移动设备将接收到的参考点发出的无线信号的强度发送到定位服务器中用于位置计算。

定位服务器：用于接收移动设备发送的数据，并进行信号分布曲线的计算和移动设备位置的计算。

本发明提出的基于无线信号接收强度分布自动学习的无线室内定位方法按照如下具体步骤实施：

步骤1：对室内的位置进行采样，得到一系列采样点。

步骤1的目的是用一系列采样点来表示室内位置，从而将接收信号强度分布曲线离散化。采样可以是均匀采样，也可以是非均匀采样。采样点越多，对接收信号强度分布曲线的估计就越准确。

步骤2：采用理论的无线信号传播模型和参数作为最初的场强分布曲线对每个参考点发出的信号强度在采样点上的值进行计算。

利用理论的无线信号传播模型可以得到最初的信号强度分布曲线。这种无线信号传播模型可以是对数线性模型(如图2所示)、多墙模型或者插值模型等其他的各种模型，模型的参数取值采用理论值即可，本发明对初始的信号传播模型及其参数的取值没有具体的要求，但是不同的信号传播模型将带来不同的模型误差，复杂模型的模型误差要小于简单模型的模型误差，在后面进行位置估算的时候，模型误差的大小将影响定位的准确度。

步骤3：***开始运行过程中，移动设备不断将收到的接收信号强度信息传送到定位服务器中。

移动设备在整个室内环境中移动，每秒钟测量一次所收到的各个参考点发出的信号强度，对没有接收到的参考点信号，记录为设备的最小灵敏度，一般为-90~-120dBm.每隔一段时间，如5到10秒钟，接收到的数据将通过TCP或者UDP被传送到定位服务器中。移动设备运动到室内的各个位置，例如各个房间，也可以同时有多个移动设备在室内环境中移动，加快信息收集的速度。与普通定位方法的信号强度分布曲线的提前校准不同，这种信号采集不需要记录采集点的位置，因此可以在***运行过程中自动快速完成。

步骤4：当定位服务器收集到足够多的接收信号强度信息后，就用这些信号强度信息和最大期望算法对采样点上的场强值进行学习，得到精确的场强分布曲线。

步骤4是本发明的核心，基本原理为统计学习理论中的最大期望算法，如图3所示，在定位服务器中，当移动设备发送了足够多的接收信号强度向量o_i后，可以计算在现有的信号强度分布曲线条件下，其位置在每个参考点x_k的概率分布p(x_k|o_i)。然后信号强度分布曲线在参考点x_k的值更新为

。最后计算信号强度分布的最大对数似然方程

的值，如果收敛，则计算停止，准确的信号强度分布曲线可由参考点上的值表示，如果不收敛，则继续计算，直到收敛为止。

步骤5：定位服务器利用最新的场强分布曲线，采用最小均方差统计估计算法对移动设备的位置进行估算。

最小均方差统计估计算法的计算公式为 $\hat{x}=\underset{k}{\mathrm{\Σ}}\frac{p\left(x_k\right|o_i)\·x_k}{\underset{k}{\mathrm{\Σ}}p\left(x_k\right|o_i)},$ p(x_k|o_i)是在新的场强分布条件下，接收信号强度在每个参考点的概率分布。

步骤6：每过一段较长时间或者当***环境发生改变时，重新运行步骤4。

经过一段时间，室内的环境可能发生变化，例如，无线信号发射功率可能发生改变，室内的家具布置可能发生改变等等。在这种情况下，需要对场强分布重新学习。因此只要重新运行本发明提出的算法就可以。

上述的具体实施，对本发明作了进一步的解释，所应理解的是，本发明所涉及的场强分布学习算法，适用于各种使用无线信号，包括无线局域网(802.11)、无线传感器网络(802.15.4)、蓝牙以及手机信号(GSM，CDMA)等等，同样的方法也适用于各种无线信号在室外分布的学习，这些应用均包含在本发明的保护范围之内。

Claims (4)

1、一种基于无线信号接收强度分布自动学习的无线室内定位方法，其特征在于能够在***运行过程中，自动学习无线信号强度分布曲线，并能自适应由于***环境变化导致的无线信号强度分布曲线的变化，具体步骤为：

步骤1：对室内的位置进行采样，得到一系列采样点。

步骤2：采用理论的无线信号传播模型和参数作为最初的场强分布曲线，并对每个参考点发出的信号强度在采样点上的值进行计算。

步骤3：***开始运行过程中，移动设备不断将收到的接收信号强度信息传送到定位服务器中。

步骤4：当定位服务器收集到足够多的接收信号强度信息后，就用这些信号强度信息和最大期望算法对采样点上的场强值进行学习，得到精确的场强分布曲线。

步骤5：定位服务器利用最新的场强分布曲线，采用最小均方差统计估计算法对移动设备的位置进行估算。

步骤6：每过一段较长时间或者当***环境发生改变时，重新运行步骤4。

2、根据权利要求1所述的一种基于无线信号接收强度分布自动学习的无线室内定位方法，其特征在于在步骤2中使用的无线信号传播模型可以是对数线性模型、多墙模型或者插值模型等其他的各种模型，模型的参数取值采用理论值即可。

3、根据权利要求1所述的一种基于无线信号接收强度分布自动学习的无线室内定位方法，其特征在于在步骤4中对信号强度分布曲线在采样点的取值进行学习估算，从而得到准确的信号强度分布曲线，具体为：

1)对每个移动设备发送的接收信号强度向量o_i，计算在现有的信号强度分布曲线条件下，其位置在每个参考点x_k的概率分布p(x_k|o_i)。

2)信号强度分布曲线在参考点x_k的值更新为

3)计算信号强度分布的最大对数似然方程

的值，如果收敛，则计算停止，新的信号强度分布曲线可由参考点上的值表示，如果不收敛，则回到1)继续，直到收敛为止。

4、根据权利要求1所述的一种基于无线信号接收强度分布自动学习的无线室内定位方法，其特征在于在步骤5中最小均方差统计估计的方法判断位置，其计算公式为 $\hat{x}=\underset{k}{\mathrm{\Σ}}\frac{p\left(x_k\right|o_i)\·x_k}{\underset{k}{\mathrm{\Σ}}p\left(x_k\right|o_i)}.$

Images