CN104320759A - 基于固定地标的室内定位***指纹库构建方法 - Google Patents

Abstract

一种基于固定地标的室内定位***指纹库构建方法包括：筛选出采样路径上在固定地标附近预定区域内的采样点，确定所述固定地标覆盖范围内的信号接收强度指示指纹特征与物理距离之间的物理相关性，选取所述固定地标附近预定区域内的最优短距离估计模型和确定所述采样路径中各个采样点的绝对坐标。本发明的技术方案有效地构建一个低成本、高精度的WiFi指纹库。

Description

基于固定地标的室内定位***指纹库构建方法

技术领域

本发明涉及室内定位***指纹库构建方法，具体涉及一种基于固定地标的室内定位***指纹库构建方法。

背景技术

随着移动互联网技术的快速发展，智能手机、平板电脑等智能移动设备的迅速普及，基于用户室内位置的业务大量出现，包括路径寻找、多媒***置标记、位置交友、针对性地投放广告和优惠券发放以及给出符合用户兴趣点的建议等创新的业务。与基于GPS、北斗、伽利略的室外定位***不同，室内定位***主要利用无线传感器网络(Wireless Sensor Network,WSN)、RFID、红外线、超声波以及WiFi等技术，其中，基于WiFi的室内定位技术正呈现出光明的应用前景。这种定位技术主要利用WiFi信号接入点(Access Point,AP)来获取用户位置，AP的高覆盖率是精确室内定位方案实现的前提。近年来，许多场所如大型商场等的AP覆盖率正在逐步上升，这对基于WiFi的室内定位技术的发展提供了便利。目前，基于WiFi室内定位技术的研究领域主要分有两个方向：定位算法与指纹库构建，其中，定位算法的研究已经形成了一些具有通用性的算法，指纹库的构建仍存在较大的研究空间。以往指纹库的建立都是由经过训练的专业人士进行操作的，这种指纹库的构建方法需要消耗非常高的人力成本，不利于该定位技术的进一步发展。因此，如何有效地构建一个低成本、高精度的WiFi指纹库是WiFi室内定位***走进普通应用所必须面临和解决的问题。

经对现有技术的文献检索发现，M.Alzantot和M.Youssef于2012年在the 20^thInternational Conference on Advances in Geographic Information Systems发表了“Crowd inside:automatic construction of indoor floor plans”(2012年ACM组织在地理信息领域的会议，《人群参与：室内平面图的自动构建方法》)，提出了利用同时定位映射(Simultaneous Localization and Mapping,SLAM)技术来解决无特征场所的RF地图建立的问题。然而，此技术有依赖于智能手机的惯性传感器来识别地标的限制。识别地标所采用的传感器配置选择，对跟踪精度及此类定位***的可用性均有较大影响。

发明内容

本发明解决的技术问题是如何有效地构建一个低成本、高精度的WiFi指纹库。

为解决上述问题本发明技术方法提出了一种基于固定地标的室内定位***指纹库构建方法。

所述基于固定地标的室内定位***指纹库构建方法包括：

筛选出采样路径上在固定地标附近预定区域内的采样点，包括根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度，并结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合；

确定所述固定地标覆盖范围内的信号接收强度指示指纹特征与物理距离之间的物理相关性，包括在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点，并计算所述相关采样点与固定地标之间在信号接收强度指示空间上的距离，基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型；

选取所述固定地标附近预定区域内的最优短距离估计模型，包括建立至少一个短距离估计模型函数，对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型；

确定所述采样路径中各个采样点的绝对坐标，包括基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库。

可选的，所述根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度包括：确定两个所述采样点之间或所述采样点与固定地标之间的在信号接收强度指示空间中的距离Sim_i,j，

${\mathrm{Sim}}_{i,j}=\underset{m\∈\mathrm{\Θ}}{\mathrm{\Σ}}{(s_m^i-s_m^j)}^2,\mathrm{\Θ}={\mathrm{\Ω}}_{P_i}\∩{\mathrm{\Ω}}_{P_j};$

其中，P_i、P_j表示所述采样点，表示所述采样点P_i和采样点P_j处检测到的接入点的集合，Θ表示所述采样点P_i与采样点P_j处均检测到的接入点集合，表示Θ中第m个接入点在P_i、P_j处的信号接收强度指示值；

所述结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合包括计算各采样点与所述固定地标之间在信号接收强度指示空间中的距离，根据设定的信号接收强度指示距离阈值得到临时采样点集合Ψ，即：

Sim_i,j＜SIMLEVEL；

其中，SIMLEVEL为设定的在信号接收强度指示空间中的信号接收强度指示距离阈值；

确定为采样点处位移在Y轴与X轴方向上分量之间的比例关系，根据对临时采样点集合Ψ进行进一步的筛选，即

$\mathrm{Floor}<\frac{\mathrm{dy}}{\mathrm{dx}}<\mathrm{Up};$

其中，Up与Floor分别为设定的上阈值和下阈值，确定所述固定地标附近预定区域内的采样点集合Γ。

可选的，所述预定区域为以所述固定地标为圆心，半径为1.5m的圆形区域，所述信号接收强度指示距离阈值为20，所述上阈值为5，所述下阈值为0.5。

可选的，所述在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点包括：

在所述信号接收强度指示指纹信息中提取出4个指标，如下：

(1)定义公有的接入点数目n_∩，n_∩越大，表示采样点与固定地标之间距离越近；

(2)定义斯佩尔曼排序相关系数ρ_s，可由下式表示：

${\mathrm{\&rho;}}_s=\frac{{\mathrm{\&Sigma;}}_i(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_a\right)})(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}{\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_a\right)})}^2}\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}^2}};$

对采样点P_a和采样点P_b所有共同的接入点集合中各个元素，按照信号接收强度指示值的大小，进行增序排序，确定每个元素在有序表中的排列次序系数和 分别表示采样点P_a和采样点P_b处所有排列次序的平均值，所述排列次序系数表示出两个采样点的临近程度；

(3)信号接收强度指示排列次序差的平方求和c，可由下式得到

$c={\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-r_i^{\left(P_b\right)})}^2;$

c越小表示这两个采样点的距离越近；

(4)非公有的接入点数目n_u，表示两个采样点所独有的接入点数目，即

n_u＝n_a+n_b-2n_∩

其中n_a、n_b分别表示采样点a、b处检测到的接入点数目，n_u越大，说明两个采样点之间的距离越远；

基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型包括：

根据确定的4个指标，选取不同的指标，构成短距离估计模型N_f即选取n_∩、ρ_s、c，即N_f＝{n_∩,ρ_s,c}，则所述采样点与固定地标之间的物理距离d可由下式表示

d＝a₀₀₀+a₁₀₀n_∩+a₀₁₀ρ_s+a₀₀₁c+a₁₁₀n_∩ρ_s+

a₁₀₁n_∩c+a₀₁₁ρ_sc+a₂₀₀n_∩ ²+a₀₂₀ρ_s ²+a₀₀₂c²+...；

其中，a₀₀₀等为系数，通过最小二乘法计算得到；多项式d的最高阶数N_o取值范围为1…4。

可选的，所述预定距离为所述固定地标为圆心，距离所述固定地标小于或等于1.5m的距离。

可选的，所述对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型包括：

选取一定训练比例的采样路径，并分别计算每条路径上各个点之间的物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，其中m、k分别表示当前模型对应的N_o及N_f；

根据物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，确定所述采样路径上各采样点在信号接收强度指示空间与欧式空间上的坐标，即：

$Z^{m,k}\&RightArrow;C^{Z^{m,k}},R^{m,k}\&RightArrow;C^{R^{m,k}};$

其中，取误差γ的最小值，γ由下式表示：

$\mathrm{\&gamma;}=\sqrt{\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_j{(f\left(p_{\mathrm{ij}}\right)-d_{\mathrm{ij}})}^2}{\mathrm{scalefactor}}};$

其中，p_ij表示在采样点p_i处测量得到的采样点P_i和采样点P_j两点之间的差异性，d_ij表示P_i、P_j两点之间的欧氏距离，scalefactor表示缩放参数，f为仅与排列顺序相关的连续参数单调函数；

建立Y_m＝S_c·X_m·R_c+T_c模型，其中，S_c、R_c与T_c分别表示该映射关系中对应的缩放、旋转与反转因子，确定之间的映射关系；

对非参与训练的采样路径上的点，获得信号接收强度指示空间中的距离集合R_T:{R_T ^m,k}，确定信号接收强度指示空间域上的坐标利用所述映射关系参数，将信号接收强度指示空间域上的坐标映射到欧式空间域上统计与直接测得的欧式坐标之间误差，提取出其中具有最小误差的短距离估计模型。

可选的，所述对所述采样路径中的部分路径进行训练为采用多维标度分析算法和普氏分析算法对采样路径中的部分路径进行训练。

如权利要求6或7所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述训练比例为50％。

可选的，所述基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库包括：

计算所述固定地标与与其对应的采样路径中采样点之间在信号接收强度指示空间中的距离集合R:{R^m,k}，利用所述最优短距离估计模型，计算出所述固定地标与采样路径中采样点之间的欧氏距离集合Z:{Z^m,k}；

计算出所述固定地标与采样路径中采样点在信号接收强度指示空间中的坐标和欧氏空间中的坐标

将所述信号接收强度指示空间域中的坐标与欧氏空间域的映射参数计算出来，然后根据这些参数以及信号接收强度指示空间域的坐标，计算得到最终欧氏空间中的相对坐标分别为与

根据所述固定地标在欧氏空间中的全局坐标C_f、相对坐标与，确定其对应的采样路径中采样点在欧氏空间中的全局坐标C_g，其中，

$C_g^i=\frac{C_{\mathrm{est}}^i}{C_{\mathrm{est}}^f}\&CenterDot;C_f;$

对这些采样点所在的路径的后续采样点坐标信息进行更新，实现对指纹数据库信息的修正，将数据保存至云服务器端的数据库。

可选的，所述计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标为采用多维标度分析算法和普氏分析算法计算固定地标与其附近采样点之间的在欧氏空间中的相对坐标。

与现有技术相比，本发明具有以下优点：

通过大量的计算机仿真以及实际实验证实，本发明通过在采样路径下使用固定地标对其附近的采样点进行位置误差修正，进而对同一路径中后续的采样点也进行了位置信息更新，保证了指纹数据库中指纹信息的准确。这种自动构建指纹库的方法不仅能够避免以往需要经过训练的专家或者工作人员进行指纹信息采集的情况，同时利用了固定地标对指纹的误差进行修正，可以有效地提高指纹库的质量，提升室内定位***的定位精度，并极大地减少人力成本，加快了基于信号接收强度指示测量技术的室内定位***走向大量实际应用的步伐。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1本发明实施例提供的基于固定地标的室内定位***指纹库构建方法的流程图；

图2是本发明实施例提供的WiFi室内定位***指纹库自动构建的总体框架图；

图3是本发明实施例提供的一个固定地标放置示意图；

图4是本发明实施例提供的短距离估计模型计算得到的距离与智能设备中惯性传感器计算结果对比图；

图5是本发明实施例提供的短距离估计模型计算得到的距离与智能设备中惯性传感器计算结果误差统计对比图；

图6是本发明实施例提供的基于本发明构建的指纹库的实验结果图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

图1本发明实施例提供的基于固定地标的室内定位***指纹库构建方法的流程图，下面结合图1详细说明。

所述基于固定地标的室内定位***指纹库构建方法包括：

步骤S1，筛选出采样路径上在固定地标附近预定区域内的采样点，包括根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度，并结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合；

步骤S2，确定所述固定地标覆盖范围内的信号接收强度指示指纹特征与物理距离之间的物理相关性，包括在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点，并计算所述相关采样点与固定地标之间在信号接收强度指示空间上的距离，基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型；

步骤S3，选取所述固定地标附近预定区域内的最优短距离估计模型，包括建立至少一个短距离估计模型函数，对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型；

步骤S4，确定所述采样路径中各个采样点的绝对坐标，包括基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库。

所述步骤S1中，所述根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度包括：确定两个所述采样点之间或所述采样点与固定地标之间的在信号接收强度指示空间中的距离Sim_i,j，

${\mathrm{Sim}}_{i,j}=\underset{m\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}{(s_m^i-s_m^j)}^2,\mathrm{\&Theta;}={\mathrm{\&Omega;}}_{P_i}\&cap;{\mathrm{\&Omega;}}_{P_i}$

其中，P_i、P_j表示所述采样点，表示所述采样点P_i和采样点P_j处检测到的接入点的集合，Θ表示所述采样点P_i与采样点P_j处均检测到的接入点集合，表示Θ中第m个接入点在P_i、P_j处的信号接收强度指示值；

所述结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合包括计算各采样点与所述固定地标之间在信号接收强度指示空间中的距离，根据设定的信号接收强度指示距离阈值(所述信号接收强度指示距离阈值为20)得到临时采样点集合Ψ，即

Sim_i,j＜SIMLEVEL

其中，SIMLEVEL为设定的在信号接收强度指示空间中的信号接收强度指示距离阈值；

确定为采样点处位移在Y轴与X轴方向上分量之间的比例关系，根据对临时采样点集合Ψ进行进一步的筛选，即

$\mathrm{Floor}<\frac{\mathrm{dy}}{\mathrm{dx}}<\mathrm{Up}$

其中，Up与Floor分别为设定的上阈值和下阈值，实验中上阈值为5，所述下阈值为0.5，,确定所述固定地标附近预定区域内的采样点集合Γ。

所述步骤S1中，所述预定区域为以所述固定地标为圆心，半径为1.5m的圆形区域，所述预定距离为所述固定地标为圆心，距离所述固定地标小于或等于1.5m的距离，通常在以所述固定地标为圆心，半径为1.5m的圆形区域内。

所述步骤S2中，所述在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点包括：

在所述信号接收强度指示指纹信息中提取出4个指标，如下：

(1)定义公有的接入点数目n_∩，n_∩越大，表示采样点与固定地标之间距离越近；

(2)定义斯佩尔曼排序相关系数ρ_s，可由下式表示

${\mathrm{\&rho;}}_s=\frac{{\mathrm{\&Sigma;}}_i(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_a\right)})(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}{\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_a\right)})}^2}\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}^2}}$

对采样点P_a和采样点P_b所有共同的接入点集合中各个元素，按照信号接收强度指示值的大小，进行增序排序，确定每个元素在有序表中的排列次序系数和 分别表示采样点P_a和采样点P_b处所有排列次序的平均值，所述排列次序系数表示出两个采样点的临近程度；

(3)信号接收强度指示排列次序差的平方求和c，可由下式得到

$c={\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-r_i^{\left(P_b\right)})}^2$

c越小表示这两个采样点的距离越近；

(4)非公有的接入点数目n_u，表示两个采样点所独有的接入点数目，即

n_u＝n_a+n_b-2n_∩

其中n_a、n_b分别表示采样点a、b处检测到的接入点数目，n_u越大，说明两个采样点之间的距离越远。

基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型包括：

根据确定的4个指标，选取不同的指标，构成短距离估计模型N_f即选取n_∩、ρ_s、c，即N_f＝{n_∩,ρ_s,c}，则所述采样点与固定地标之间的物理距离d可由下式表示

d＝a₀₀₀+a₁₀₀n_∩+a₀₁₀ρ_s+a₀₀₁c+a₁₁₀n_∩ρ_s+

a₁₀₁n_∩c+a₀₁₁ρ_sc+a₂₀₀n_∩ ²+a₀₂₀ρ_s ²+a₀₀₂c²+...

其中，a₀₀₀等为系数，通过最小二乘法计算得到；多项式d的最高阶数N_o取值范围为1…4。

所述步骤S3中，所述对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型包括：

选取一定训练比例(所述训练比例大约为50％)的采样路径，并分别计算每条路径上各个点之间的物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，其中m、k分别表示当前模型对应的N_o及N_f；

根据物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，确定所述采样路径上各采样点在信号接收强度指示空间与欧式空间上的坐标，即

$Z^{m,k}\&RightArrow;C^{Z^{m,k}},R^{m,k}\&RightArrow;C^{R^{m,k}}$

其中，取误差γ的最小值，γ由下式表示：

$\mathrm{\&gamma;}=\sqrt{\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_j{(f\left(p_{\mathrm{ij}}\right)-d_{\mathrm{ij}})}^2}{\mathrm{scalefactor}}}$

其中，p_ij表示在采样点p_i处测量得到的采样点P_i和采样点P_j两点之间的差异性，d_ij表示P_i、P_j两点之间的欧氏距离，scalefactor表示缩放参数，f为仅与排列顺序相关的连续参数单调函数。

建立Y_m＝S_c·X_m·R_c+T_c模型，其中，S_c、R_c与T_c分别表示该映射关系中对应的缩放、旋转与反转因子，确定之间的映射关系；

对非参与训练的采样路径上的点，获得信号接收强度指示空间中的距离集合R_T:{R_T ^m,k}，确定信号接收强度指示空间域上的坐标利用所述映射关系参数，将信号接收强度指示空间域上的坐标映射到欧式空间域上统计与直接测得的欧式坐标之间误差，提取出其中具有最小误差的短距离估计模型。

所述步骤S3中，所述对所述采样路径中的部分路径进行训练为采用多维标度分析算法(Multidimensional Scaling,MDS)和普氏分析算法(Procrustes Analysis,PA)对采样路径中的部分路径进行训练。

所述步骤S4中，所述基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库包括：

计算所述固定地标与与其对应的采样路径中采样点之间在信号接收强度指示空间中的距离集合R:{R^m,k}，利用所述最优短距离估计模型，计算出所述固定地标与采样路径中采样点之间的欧氏距离集合Z:{Z^m,k}；

计算出所述固定地标与采样路径中采样点在信号接收强度指示空间中的坐标和欧氏空间中的坐标

将所述信号接收强度指示空间域中的坐标与欧氏空间域的映射参数计算出来，然后根据这些参数以及信号接收强度指示空间域的坐标，计算得到最终欧氏空间中的相对坐标分别为与

根据所述固定地标在欧氏空间中的全局坐标C_f、相对坐标与确定其对应的采样路径中采样点在欧氏空间中的全局坐标C_g，其中，

$C_g^i=\frac{C_{\mathrm{est}}^i}{C_{\mathrm{est}}^f}\&CenterDot;C_f$

对这些采样点所在的路径的后续采样点坐标信息进行更新，实现对指纹数据库信息的修正，将数据保存至云服务器端的数据库。

所述步骤S4中，所述计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标为采用多维标度分析算法和普氏分析算法计算固定地标与其附近采样点之间的在欧氏空间中的相对坐标，

图2示意了基于固定地标的WiFi室内定位***指纹库构建方法的总体框架图，WiFi室内定位***指纹库的构建工作可分为WiFi指纹数据自动采集(数据采集阶段M1)与采样点位置误差修正(误差修正阶段M2)两部分来实现。WiFi指纹数据自动采集通过智能移动终端上应用程序实现，利用智能移动终端上的惯性传感器获得每条路径上的各采样点坐标、采样点之间的前进方向以及采样点之间走过的步数等数据，与采样点处的信号接收强度指示值一起，自动地上传至云服务器端；云服务器接收到众包路径上采集到的WiFi指纹数据，根据这些数据及固定地标的相关数据，对采样点进行筛选(对应图1中的步骤S1)，建立短距离估计模型(对应图1中的步骤S2和步骤S3)，并利用MDS与PA算法实现对这些采样点位置信息的误差修正，得到准确的采样点坐标信息，并根据新的坐标信息对同一路径下后续的采样点进行坐标信息更新，完成WiFi指纹数据库的自动构建(对应图1中的步骤S4)。

如图3所示为教学楼实验区域内布置的一个固定地标1及其预定区域3，该固定地标1被设置在走廊的转角处。指纹信息采集人员在实验区域内使用智能手机并沿着任意路径走动，即为本发明中在众包路径2(可以简称路径)下对WiFi指纹数据的自动采集过程。

众包路径2使得采样点足够密集，固定地标1的预定区域3内有许多个采样点。通过计算固定地标1与采样点之间WiFi距离及采样点处的位移信息，筛选出这些采样点，构成集合。建立短距离估计模型4(可以简称模型)，利用该集合内部分众包路径2中采样点来对各模型进行训练，同时利用MDS和PA算法，求得误差最小的一组参数和模型。进一步地，使用MDS与PA算法计算得到固定地标1附近的采样点与固定地标1在该固定地标1最优模型下的相对坐标，然后根据固定地标1在欧氏空间中的全局坐标与采样点的相对坐标，获得这些采样点在欧氏空间中的全局坐标。另外，各路径上后续采样点的位置信息也会随之进行更新。至此，完成众包路径2下基于固定地标1的WiFi指纹信息的误差修正。

在实验过程中，我们共布置了4个固定地标1。对于其中一个地标，我们使用本发明中提到的短距离估计模型4进行固定地标1与其附近采样点之间的距离估计，同时我们也根据采集人员智能手机中惯性传感器数据来计算此距离，二者结果对比图如图4和图5所示。从图4(横坐标表示基于短距离估计模型的估计距离，单位为m；纵坐标表示基于传感器数据的估计距离，单位为m)和图5(横坐标表示固定地标，从左至右依次为固定坐标1，固定坐标2，固定坐标3和固定地标4，每个固定地标具有两个距离值，两组值从左至右分别表示利用MDS估计距离和直接估计距离；纵坐标表示误差距离，单位为m)中可以看出，短距离估计模型4计算得到的结果线性回归于惯性传感器得到的结果，说明短距离估计模型4可以用于固定地标1预定区域3内固定地标1与采样点之间的距离计算。

进一步地，针对短距离估计模型4详细的误差评估可以由表1得到。从表1中可以看出，对不同固定地标1采用了参数不同的短距离估计模型4，并且选用了不同的样本训练率。随着样本训练率的上升以及模型指标参数选择的变化，各固定地标1与其附近采样点之间的估计距离误差可以逐渐减少至1.3m以下。另外，表1中还针对样本训练率为90％时是否采用MDS与PA算法两种情况下距离估计的平均误差进行了对比，可以看到，采用MDS与PA算法使定位精度得到了明显的改善。图6说明了本发明提出的基于固定地标1的室内定位***指纹库构建方法的实验结果，从图6(横坐标表示指纹，指纹的取值间隔为5个单位；纵坐标表示误差，单位为m)中可以看出，指纹库的误差的均值可以达到0.5m左右，误差的值基本在0.5m上下浮动。

表1

更为具体地，在本发明的一个优选例中，本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步：智能手机端，通过后台运行的应用程序对WiFi指纹信息进行采集。采集人员的智能手机上安装此应用，通过在实验区域内沿任意路径走动来实现众包路径下对WiFi指纹信息的采集工作。进一步地，应用程序通过网络将采集到的原始信息自动上传到云服务器端；

第二步：云服务器端，对众包路径的WiFi指纹信息进行处理，建立短距离估计模型。根据指纹信息，计算各个采样点与固定地标之间的WiFi距离，并结合当时采集人员走动的速度信息进行判断，过滤出在固定地标附近的采样点集合Γ。在此集合中，通过判断采样点与固定地标的共同AP(Access Point，AP)数目及对应的信号接收强度指示值，得到与地标距离较近的采样点(有共同AP，且对应的信号接收强度指示值相似)，计算这些采样点与固定地标之间的短距离，进一步地挖掘出WiFi距离与物理距离之间存在映射关系，并提出建立模型所需的4种参数；

第三步：云服务器端，选取合适的参数建立短距离估计模型，利用第二步中得到的集合Γ中采样点对模型进行训练，确定各模型的最优参数，进而计算得到固定地标与集合Γ中采样点之间的实际距离。在保证误差最小的情况下，使用MDS计算确定集合Γ中采样点在各条路径上的相对位置关系，并利用PA算法将这些相对坐标关系映射到绝对坐标系中，得到各采样点的绝对坐标信息。进一步地，根据集合Γ中采样点的绝对坐标信息，对各条路径上后续的采样点坐标信息也进行更新，从而实现WiFi指纹数据库的自动构建。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于固定地标的室内定位***指纹库构建方法，其特征在于，包括：

筛选出采样路径上在固定地标附近预定区域内的采样点，包括根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度，并结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合；

确定所述固定地标覆盖范围内的信号接收强度指示指纹特征与物理距离之间的物理相关性，包括在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点，并计算所述相关采样点与固定地标之间在信号接收强度指示空间上的距离，基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型；

选取所述固定地标附近预定区域内的最优短距离估计模型，包括建立至少一个短距离估计模型函数，对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型；

确定所述采样路径中各个采样点的绝对坐标，包括基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库。

2.如权利要求1所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述根据所述采样点与固定地标的信号接收强度指示指纹信息计算两者之间的信号接收强度指示相似度包括：确定两个所述采样点之间或所述采样点与固定地标之间的在信号接收强度指示空间中的距离Sim_i,j，

${\mathrm{Sim}}_{i,j}=\underset{m\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}{(s_m^i-s_m^j)}^2,\mathrm{\&Theta;}={\mathrm{\&Omega;}}_{P_i}\&cap;{\mathrm{\&Omega;}}_{P_j};$

其中，P_i、P_j表示所述采样点，表示所述采样点P_i和采样点P_j处检测到的接入点的集合，Θ表示所述采样点P_i与采样点P_j处均检测到的接入点集合， 表示Θ中第m个接入点在P_i、P_j处的信号接收强度指示值；

所述结合所述采样点的位移信息，得到所述固定地标附近预定范围内的采样点集合包括计算各采样点与所述固定地标之间在信号接收强度指示空间中的距离，根据设定的信号接收强度指示距离阈值得到临时采样点集合Ψ，即：

Sim_i,j＜SIMLEVEL；

其中，SIMLEVEL为设定的在信号接收强度指示空间中的信号接收强度指示距离阈值；

确定为采样点处位移在Y轴与X轴方向上分量之间的比例关系，根据对临时采样点集合Ψ进行进一步的筛选，即

$\mathrm{Floor}<\frac{\mathrm{dy}}{\mathrm{dx}}<\mathrm{Up};$

其中，Up与Floor分别为设定的上阈值和下阈值，确定所述固定地标附近预定区域内的采样点集合Γ。

3.如权利要求2所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述预定区域为以所述固定地标为圆心，半径为1.5m的圆形区域，所述信号接收强度指示距离阈值为20，所述上阈值为5，所述下阈值为0.5。

4.如权利要求1所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述在所述采样点集合中，找到与所述固定地标距离预定距离的相关采样点包括：

在所述信号接收强度指示指纹信息中提取出4个指标，如下：

(1)定义公有的接入点数目n_∩，n_∩越大，表示采样点与固定地标之间距离越近；

(2)定义斯佩尔曼排序相关系数ρ_s，可由下式表示：

${\mathrm{\&rho;}}_s=\frac{{\mathrm{\&Sigma;}}_i(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{P}}^{\left(P_a\right)})(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}{\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_a\right)})}^2}\sqrt{{\mathrm{\&Sigma;}}_i{(r_i^{\left(P_b\right)}-{\stackrel{\&OverBar;}{r}}^{\left(P_b\right)})}^2}};$

对采样点P_a和采样点P_b所有共同的接入点集合中各个元素，按照信号接收强度指示值的大小，进行增序排序，确定每个元素在有序表中的排列次序系数和分别表示采样点P_a和采样点P_b处所有排列次序的平均值，所述排列次序系数表示出两个采样点的临近程度；

(3)信号接收强度指示排列次序差的平方求和c，可由下式得到

$c={\mathrm{\&Sigma;}}_i{(r_i^{\left(P_a\right)}-r_i^{\left(P_b\right)})}^2;$

c越小表示这两个采样点的距离越近；

(4)非公有的接入点数目n_u，表示两个采样点所独有的接入点数目，即

n_u＝n_a+n_b-2n_∩；

其中n_a、n_b分别表示采样点a、b处检测到的接入点数目，n_u越大，说明两个采样点之间的距离越远；

基于所述信号接收强度指示相似度与物理距离之间的信号接收强度指示相关性，构建短距离估计模型包括：

根据确定的4个指标，选取不同的指标，构成短距离估计模型N_f即选取n_∩、ρ_s、c，即N_f＝{n_∩,ρ_s,c}，则所述采样点与固定地标之间的物理距离d可由下式表示

d＝a₀₀₀+a₁₀₀n_∩+a₀₁₀ρ_s+a₀₀₁c+a₁₁₀n_∩ρ_s+

a₁₀₁n_∩c+a₀₁₁ρ_sc+a₂₀₀n_∩ ²+a₀₂₀ρ_s ²+a₀₀₂c²+...；

其中，a₀₀₀等为系数，通过最小二乘法计算得到；多项式d的最高阶数N_o取值范围为1…4。

5.如权利要求1或4所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述预定距离为所述固定地标为圆心，距离所述固定地标小于或等于1.5m的距离。

6.如权利要求1所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述对所述采样路径中的部分路径进行训练，并统计每个路径与测量值之间的误差，选择具有最小误差的短距离估计模型函数作为该固定地标的最优短距离估计模型包括：

选取一定训练比例的采样路径，并分别计算每条路径上各个点之间的物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，其中m、k分别表示当前模型对应的N_o及N_f；

根据物理相对距离集合Z:{Z^m,k}和信号接收强度指示空间中的距离集合R:{R^m,k}，确定所述采样路径上各采样点在信号接收强度指示空间与欧式空间上的坐标，即：

$Z^{m,k}\&RightArrow;C^{Z^{m,k}},R^{m,k}\&RightArrow;C^{R^{m,k}};$

其中，取误差γ的最小值，γ由下式表示：

$\mathrm{\&gamma;}=\sqrt{\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_j{(f\left(p_{\mathrm{ij}}\right)-d_{\mathrm{ij}})}^2}{\mathrm{scalefactor}}};$

其中，p_ij表示在采样点p_i处测量得到的采样点P_i和采样点P_j两点之间的差异性，d_ij表示P_i、P_j两点之间的欧氏距离，scalefactor表示缩放参数，f为仅与排列顺序相关的连续参数单调函数；

建立Y_m＝S_c·X_m·R_c+T_c模型，其中，S_c、R_c与T_c分别表示该映射关系中对应的缩放、旋转与反转因子，确定之间的映射关系；

对非参与训练的采样路径上的点，获得信号接收强度指示空间中的距离集合R_T:{R_T ^m,k}，确定信号接收强度指示空间域上的坐标利用所述映射关系参数，将信号接收强度指示空间域上的坐标映射到欧式空间域上统计与直接测得的欧式坐标之间误差，提取出其中具有最小误差的短距离估计模型。

7.如权利要求6所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述对所述采样路径中的部分路径进行训练为采用多维标度分析算法和普氏分析算法对采样路径中的部分路径进行训练。

8.如权利要求6或7所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述训练比例为50％。

9.如权利要求1所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述基于所述固定地标的最优短距离估计模型，求解出所述固定地标与与其对应的采样路径中的采样点之间的欧氏距离，计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标，再根据所述固定地标在欧氏空间中的全局坐标确定该固定地标对应的采样点在欧氏空间中的全局坐标，对该固定地标对应的采样点所在的路径的后续采样点的坐标信息进行更新，将所述后续采样点的坐标信息保存至云服务器端的数据库包括：

计算所述固定地标与与其对应的采样路径中采样点之间在信号接收强度指示空间中的距离集合R:{R^m,k}，利用所述最优短距离估计模型，计算出所述固定地标与采样路径中采样点之间的欧氏距离集合Z:{Z^m,k}；

计算出所述固定地标与采样路径中采样点在信号接收强度指示空间中的坐标和欧氏空间中的坐标

将所述信号接收强度指示空间域中的坐标与欧氏空间域的映射参数计算出来，然后根据这些参数以及信号接收强度指示空间域的坐标，计算得到最终欧氏空间中的相对坐标分别为与

根据所述固定地标在欧氏空间中的全局坐标C_f、相对坐标与确定其对应的采样路径中采样点在欧氏空间中的全局坐标C_g，其中，

$C_g^i=\frac{C_{\mathrm{est}}^i}{C_{\mathrm{est}}^f}\&CenterDot;C_f;$

对这些采样点所在的路径的后续采样点坐标信息进行更新，实现对指纹数据库信息的修正，将数据保存至云服务器端的数据库。

10.如权利要求9所述的基于固定地标的室内定位***指纹库构建方法，其特征在于，所述计算所述固定地标与与其对应的采样点之间的在欧氏空间中的相对坐标为采用多维标度分析算法和普氏分析算法计算固定地标与其附近采样点之间的在欧氏空间中的相对坐标。