CN103686999A - 基于WiFi信号的室内无线定位方法 - Google Patents

Abstract

本发明公开了一种基于WiFi信号室内无线定位方法，包括以下步骤：通过传播模型，对接收到各参考点的信号强度值计算，并根据定义的环境噪声差值进行对应参考点的权重值更新，利用最高权重值对应的参考点得到估计位置。本发明，将基于模型的定位和指纹定位进行了有机结合，不需要像传统的指纹定位算法那样需要人工利用测量设备进行离线阶段的指纹数据采集，而仅仅基于室内传播模型来估算参考点的RSS作为一个伪指纹数据，再通过一个定义的差值来对参考点进行权重赋值以致最后完成定位，在保证精度的前提下，能完全跳过指纹数据的采集阶段，大大降低了定位的复杂性。

Description

基于WiFi信号的室内无线定位方法

技术领域

本发明涉及室内无线定位技术，具体涉及基于WiFi信号的室内无线定位方法。

背景技术

随着当前移动通信技术的发展以及无线网络的逐渐普及，对于基于定位的服务（LBS）的需求也日益迅速增加，例如，出行路线导航和实时位置跟踪；商场购物车定位和顾客消费习惯收集；医院重病人跟踪监护和产房婴儿防盗等。因此，基于定位的计算和服务在人们的日程生活中发挥的作用越来越重要。

当前，室内定位技术主要有以下几种：

（1）光跟踪定位技术。光跟踪定位技术有很多种类，但它们都要求探测器和跟踪目标之间是可视的，这就限制了其应用范围。

（2）A-GPS定位技术。利用A-GPS的定位需要增加网络传输的次数，这对通信运营商来说无疑增加了额外的成本，并且A-GPS定位技术通过延长每个码的延迟时间来提高信号的灵敏度，但这需要通过相关机搜索延迟码，所以这种A-GPS定位技术需要在手机内集成GPS接收机，因此决定了A-GPS定位技术使用范围的局限性。

（3）超声波定位技术。超声波定位技术虽然优点在于定位精度高，但当它遇到反射、透射、绕射等多径效应的影响时，定位精度明显降低，而且成本较高。

（4）蓝牙技术。虽然蓝牙技术所需的设备体积小、易于集成在PDA、PC以及手机中，但它在复杂的环境中稳定性差、覆盖范围小。

（5）WiFi技术。IEEE802.11发展至今已日趋完善，随着WiFi的应用普及，基于WiFi的WLAN广泛分布于学校、工厂、办公环境和公共娱乐场所等，智能手机、笔记本、Pad等内置了无线网卡的手持设备也都可以接收附近的WiFi信号，因此，通过WiFi信号强度指示来对目标进行定位已经成为了可能。WiFi技术覆盖范围广泛，易于安装，需要少量的接入点(Access Point,AP)，传输速度快并且成本较低，因此，基于WiFi的定位在无线定位领域中引起了广泛重视，也成为了学术界研究的热点。

早在2000年，微软公司就开发了一套基于指纹定位的试验***，这套***通过离线阶段对指纹数据库的建立实现在线阶段的定位匹配，使用的方法也主要是最近邻法以及K近邻法。

另外，Ekahau公司也曾开发了一套基于WiFi网络的实时定位***，能够在所有支持WiFi的无线网络上对目标进行定位，精度能够具体到房间号、楼层数。该实时定位***主要通过保存在数据库中某些特定位置的信号强度对比当前移动终端收到的信号强度，并以条件概率作为参考来确定移动终端的位置。同时能够保存冗余定位信息到数据库中。当移动终端位于真实环境进行定位的时候，定位服务器把环境内的障碍物等因素考虑进去之后，再结合之前建立的指纹数据库中的信息估算出移动终端的定位位置，同时利用数据库中冗余信息实现对移动终端定位位置的修正从而得到比较精确的定位结果。

国内WiFi网络建设起步比较晚，但是最近几年发展迅速。上海市计划在2010年前建立起覆盖全市的高速无线网络；北京市预计在今年年底以前完成五环以内的城区普及无线宽带高速上网；其他许多城市也相继开始大规模建设无线网络。个人位置服务的发展在法律层面，还牵涉到用户隐私的保护问题。我国法律在《民法》中确定了对公民名誉权的保护，但对于用户位置的隐私性质没有详细的阐述或明确规定。这一立法上的相对滞后，可能影响LBS产业的发展。如何促进用户认识各种深入的增值应用服务，并形成有效需求和使用习惯，成为LBS市场的关键。

目前我国的LBS还属于相对匾乏的阶段。但国内已有一些公司开发出可以能够基于WiFi技术的实时定位解决方案。2009年，Ekahau公司宣布将其开发的WiFi实时定位***正式应用于北京地坛医院。该定位***主要用于医院追踪资产、设备和病人，及时了解和掌握关键工作人员、资产和医疗设备的实时位置信息等，这套***的应用减少了医疗保健的成本、提高工作效率和改善了工作流程。

室内定位算法是实现室内定位目标的核心技术，目前，主要包括基于传播模型的算法以及指纹定位算法，其中：

传播模型的算法利用信号在空气中进行传播所统计出来的模型及相应参数，根据接受到的AP强度值进行距离估计从而对目标进行定位，但是由于室内各种影响定位的因素存在，这就要依赖于不同的算法来对估计的距离进行处理换算。主要包括三种转换算法：最小二乘算法、双曲线算法以及三边算法。

与基于传播模型的定位算法相比，基于位置指纹的算法是不需要室内传播模型的，也不需要对传播模型的参数进行估计。一般地，无线信号的传输依赖于不同的环境，尤其是对于噪声比较大，多径效应比较强烈的室内环境，在不同的位置上，信道的特性也均不相同，无线信号在经过反射衍射散射后，会在不同位置生成与所在位置传播环境对应的具有独特特征的信号，也被称为“位置指纹”。定位的指纹特征主要是RSS信号强度值，因此对于指纹定位算法往往在定位前需要进行离线阶段的指纹数据库的建立。

指纹定位在离线阶段的主要工作是采集定位区域选取的各个参考点位置上的RSS强度值作为指纹特征，并将其输入到指纹数据库，有时候根据需要不定期对指纹数据库的数据进行更新。

在线定位阶段，定位终端首先会根据收到的周围的AP信号强度值，将它和指纹数据的信号进行矢量匹配，然后再采取某种指纹定位算法得到定位目标的位置。常用的指纹定位算法有：最近邻算法、K加权近邻算法、贝叶斯概率算法。

上述两种室内定位算法（基于WiFi定位的方法主要有基于模型的方法和指纹定位方法），前者对室内传播模型的依赖性较高，需要对模型以及参数进行准确地预知；而后者虽然不需要传播模型，只需要通过检测信号与指纹信号的匹配程度来实现定位，但是定位需要离线阶段指纹数据库的建立，增加了整体的定位复杂度。

由此可见，基于模型的方法和指纹定位方法在实际使用时均存在一定的局限性。

发明内容

本发明所要解决的技术问题是基于模型的方法和指纹定位方法在基于WiFi定位中存在局限性的问题。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于WiFi信号的室内无线定位方法，包括以下步骤：

步骤11、根据信号传播模型计算出从第i个接入点到第j个参考点的信号强度值P_ji；

信号传播模型公式为P_ji＝-PL(d₀)-10ηlog₁₀(d/d₀)+X_σ，式中：

P_ji表示：从第i个接入点到第j个参考点的信号强度值；

PL(d₀)表示：在参考距离d₀下的参考衰减信号常数，取值范围为30-45dB；

X_δ表示：环境噪声，在仿真中用服从一定方差的零均值高斯分布随机数表示；

d表示：发送端到接收端的距离；

d₀表示：参考距离，一般取1m；

η表示路径损耗系数；

步骤12、根据权重判别式上限公式和权重判别式下限公式确定第j个参考点的权重判别式的上限和下限；

权重判别式上限公式为P_ji,max＝P_ji+dev；

权重判别式下限公式为P_ji,min＝P_ji-dev；

dev为环境噪声差值；

步骤13、依次将实时接收到的第i个AP的实时信号强度值S_i放入判别式中进行权重值更新，如果满足判别式，则对应的第j个参考点的权重值就加1，否则不做任何更新，i=1～n，n为AP的总数量；

判别式为P_ji,min＜S_i＜P_ji,max；

步骤14、重复步骤11～13，对所有的参考点进行权重值更新，得到所有参考点的最后权重值；

步骤15、计算权重值最大的各参考点围成的区域的中心点坐标，将该中心点坐标作为第一估计位置即，

$(\hat{x},\hat{y})=(\frac{{\mathrm{\Σ}}_{i=1}^L\max \_x_{\mathrm{wi}}}{L},\frac{{\mathrm{\Σ}}_{i=1}^L\max \_y_{\mathrm{wi}}}{L});$

其中，(max_x_wi,max_y_wi)表示权重值最大参考点的坐标，权重值为L，L≤n。

在上述方法中，通过以下步骤进一步提高定位精度：

步骤16、采用同步骤11～15同样的方法，选取次权重值所对应的参考点，计算次权重值参考点围成的区域的中心点坐标，将坐标值作为第二估计位置

步骤17、计算第一估计位置和第二估计位置

对应的混合权重W_p和W_s，

$W_p=\frac{{w_p}^k}{{w_p}^k+{w_s}^k};$

$W_p=\frac{{w_s}^k}{{w_p}^k+{w_s}^k};$

k是阶数；

步骤18、结合混合权重W_p和W_s以及第一估计位置

和第二估计位置

得到最终估计位置

$(\hat{x},\hat{y})=W_p({\hat{x}}_p,{\hat{y}}_p)+W_s({\hat{x}}_s,{\hat{y}}_s).$

在上述方案中，环境噪声差值dev选取为2.5。

本发明，将基于模型的定位和指纹定位进行了有机结合，不需要像指纹定位算法那样进行离线阶段的指纹数据采集，而仅仅基于室内传播模型来估算参考点的RSS作为一个伪指纹数据，再通过一个定义的差值来对参考点进行权重赋值以致最后完成定位，在保证精度的前提下，能完全跳过指纹数据的采集阶段，大大降低了定位的复杂性。

附图说明

图1为本发明具体实施例中定位***布置示意图；

图2为本发明具体实施例中定位结果示意图；

图3为利用MATLAB对本发明提供的方法分析得到的路径损耗系数的变化趋势图；

图4为利用MATLAB对本发明提供的方法最优差值d的示意图；

图5为本发明与指纹算法仿真比较图（4个AP）；

图6为本发明与指纹算法仿真比较图（13个AP）；

图7为本发明的流程图。

具体实施方式

本发明提供的基于WiFi信号的室内无线定位方法，将基于传播模型的定位算法和指纹定位算法进行了有机结合，通过传播模型算法估计参考位置的信号强度，再将信号强度作为指纹数据，利用指纹定位算法进行室内定位，不需要像指纹定位算法那样进行离线阶段的指纹数据采集，大大降低了定位的复杂性。下面结合说明书附图和具体实施方式对本发明做出详细的说明。

如图1所示，本具体实施例中，定位***中具有4个AP，25个参考点，AP分布在正方形区域的四个顶点，25个参考点以2.5米的间隔均匀分布在定位区域。

如图7所示，本发明提供的方法包括以下具体步骤：

步骤11：选取第j个参考点（j=1～m，m为参考点的的总数量），根据信号传播模型（公式1）计算出从第i个AP（Access Point,接入点,i=1～n，n为AP的总数量)到第j个参考点的信号强度值P_ji，即公式中的接收到的信号强度P_r(d)，距离d为第i个AP到第j个参考点的距离。

信号传播模型公式为：

P_ji＝-PL(d₀)-10ηlog₁₀(d/d₀)+X_σ    （1）；

式中：

P_ji表示：从第i个接入点到第j个参考点的信号强度值；

PL(d₀)表示：在参考距离下d₀下的参考衰减信号常数，根据环境相应的环境取值，一般在30-45dB。

X_δ表示：环境噪声，在仿真中用服从一定方差的零均值高斯分布随机数表示。

d表示：发送端到接收端的距离。

d₀表示：参考距离，一般取1m。

η表示路径损耗系数。

步骤12：根据权重判别式上限公式（公式2）和权重判别式下限公式（公式3）确定权重判别式的上限和下限；

权重判别式上限公式为P_ji,max＝P_ji+dev    （2）；

权重判别式下限公式为P_ji,min＝P_ji-dev    （3）；

dev为选定的环境噪声差值；

步骤13、依次将实时接收到的第i个AP（i=1～n）的实时信号强度值S_i放入判别式（公式4）中进行权重值更新，如果满足判别式（4），则对应的第j个参考点的权重值就加1，否则不做任何更新；

判别式为P_ji,min＜S_i＜P_ji,max    （4）；

步骤14、重复步骤11～13，对所有的参考点进行权重值更新，得到如图2所示的所有参考点的最后权重值，其中，权重值最大的参考点（权重值为4）为围成阴影区域的5个参考点。

步骤14、求得权重值最大的参考点围成的区域的中心点坐标，将坐标值作为第一估计位置

即，

$(\hat{x},\hat{y})=(\frac{{\mathrm{\Σ}}_{i=1}^L\max \_x_{\mathrm{wi}}}{L},\frac{{\mathrm{\Σ}}_{i=1}^L\max \_y_{\mathrm{wi}}}{L});$

其中，(max_x_wi,max_y_wi)表示权重值最大参考点的坐标，权重值为L，L≤n。对于每个参考点来说，进行对应权限判断的次数为n，初始权限值为0，因此最后更新完，对所有参考点来说，最大的权值不能超过n，本实施例中，L＝n＝4。

本发明还可以采用以下步骤进一步提高定位的精度，

步骤16、采用同步骤11～15同样的方法，选取次权重值所对应的参考点，计算次权重值参考点围成的区域的中心点坐标，将坐标值作为第二估计位置

步骤16、计算估计位置

和第二估计位置对应的混合权重W_p和W_s，

$W_p=\frac{{w_p}^k}{{w_p}^k+{w_s}^k}---\left(5\right);$

$W_p=\frac{{w_s}^k}{{w_p}^k+{w_s}^k}---\left(6\right);$

k是阶数，即公式（5）、（6）中权重值的指数值，取值为最小为1的正整数。

步骤17、结合混合权重求以及估计位置

和第二估计位置

得到最终估计位置

$(\hat{x},\hat{y})=W_p({\hat{x}}_p,{\hat{y}}_p)+W_s({\hat{x}}_s,{\hat{y}}_s)---\left(7\right);$

仿真分析：

利用MATLAB对本发明提供的方法进行性能分析。

定位区域选取是10m×10m的方形区域，AP的数量是4，参考点的个数是25，如图1所示，测试平均误差时选取了5000个随机位置。

首先，将本发明用在不同的环境噪声下（方差分别1.0、1.5、2.0、2.5）研究随路径损耗系数的变化趋势，差值dev选取为1，结果如图3所示。从图3中可以看出当路径损耗系数η等于2.5时，定位误差最小。

其次，最优差值dev的选择。

仿真依然是放在不同的噪声环境下，结果如图4所示，由图4可以看出，最优的差值dev都集中在2.5dB左右。表1给出了具体的数据，平均值在2.6dB。

表1不同环境下的最优差值

为了分析本发明的优缺点，与传统的K加权最近邻指纹算法进行了比较。

公式（1）中的路径损耗系数η和差值dev都选取为2.5。为两种情况观测两种不同算法随环境噪声方差的性能变化，一种是按照图1所示设置4个AP，另一种是增加AP的数量到13，其他的条件不变。性能仿真比较分别如图5及6所示。

如图5所示，在噪声方差较小时，本发明与指纹算法性能很接近，在噪声方差到2.5的时候，指纹算法开始比本发明有少许的性能提升。当增加AP的数量到13时，如图6所示，指纹算法的性能将大大降低，无论是在什么样噪声环境下，本发明都比指纹算法提升将近1.5m的精度。原因是对于指纹算法如果提高了AP的数量，就必须提高指纹数据库采样位置的个数，或者提高采样密度，来维持定位的精度不改变，但是在上面的两种情况下，只有AP的数量发生变化，参考点即采样位置个数并没有发生改变，所以指纹算法定位精度大大降低。而本发明精度不但没有降低，反而比4个AP的情况定位精度提高了0.5m-1m左右。

综上所述，本发明的优点在于以下几个方面：

（1）本发明提供的方法利用传播模型来生成参考点位置的信号强度作为指纹数据，免去了传统指纹定位中需要人工设备进行采样测量信号的麻烦，只需要通过模型计算来替代指纹算法中的离线采集阶段，是一种低复杂度的定位新方法。

（2）本发明提供的方法在AP特别多的情况下拥有更加出色的定位性能，适用于大量AP存在的室内环境中。

（3）本发明提供的方法，整体计算复杂度较低，易于实现。

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (3)

1.基于WiFi信号的室内无线定位方法，其特征在于，包括以下步骤：

步骤11、根据信号传播模型计算出从第i个接入点到第j个参考点的信号强度值P_ji；

信号传播模型公式为P_ji＝-PL(d₀)-10ηlog₁₀(d/d₀)+X_σ，式中：

P_ji表示：从第i个接入点到第j个参考点的信号强度值；

PL(d₀)表示：在参考距离d₀下的参考衰减信号常数，取值范围为30-45dB；

X_δ表示：环境噪声，在仿真中用服从一定方差的零均值高斯分布随机数表示；

d表示：发送端到接收端的距离；

d₀表示：参考距离，一般取1m；

η表示路径损耗系数；

步骤12、根据权重判别式上限公式和权重判别式下限公式确定第j个参考点的权重判别式的上限和下限；

权重判别式上限公式为P_ji,max＝P_ji+dev；

权重判别式下限公式为P_ji,min＝P_ji-dev；

dev为环境噪声差值；

步骤13、依次将实时接收到的第i个AP的实时信号强度值S_i放入判别式中进行权重值更新，如果满足判别式，则对应的第j个参考点的权重值就加1，否则不做任何更新，i=1～n，n为AP的总数量；

判别式为P_ji,min＜S_i＜P_ji,max；

步骤14、重复步骤11～13，对所有的参考点进行权重值更新，得到所有参考点的最后权重值；

步骤15、计算权重值最大的各参考点围成的区域的中心点坐标，将该中心点坐标作为第一估计位置

即，

$(\hat{x},\hat{y})=(\frac{{\mathrm{\Σ}}_{i=1}^L\max \_x_{\mathrm{wi}}}{L},\frac{{\mathrm{\Σ}}_{i=1}^L\max \_y_{\mathrm{wi}}}{L});$

其中，(max_x_wi,max_y_wi)表示权重值最大参考点的坐标，权重值为L，L≤n。

2.如权利要求1所述的方法，其特征在于，通过以下步骤进一步提高定位精度：

步骤16、采用同步骤11～15同样的方法，选取次权重值所对应的参考点，计算次权重值参考点围成的区域的中心点坐标，将坐标值作为第二估计位置

步骤17、计算第一估计位置

和第二估计位置

对应的混合权重W_p和W_s，

$W_p=\frac{{w_p}^k}{{w_p}^k+{w_s}^k};$

$W_p=\frac{{w_s}^k}{{w_p}^k+{w_s}^k};$

k是阶数；

步骤18、结合混合权重W_p和W_s以及第一估计位置

和第二估计位置

得到最终估计位置

$(\hat{x},\hat{y})=W_p({\hat{x}}_p,{\hat{y}}_p)+W_s({\hat{x}}_s,{\hat{y}}_s).$

3.如权利要求1所述的方法，其特征在于，环境噪声差值dev选取为2.5。

Images