CN105554706A - 基于多网络融合的室内定位方案 - Google Patents

Abstract

本发明涉及一种基于多网络融合的室内定位方案，利用移动智能终端的多种惯性传感器，并结合室内部署的WiFi网络，辅助以移动运营商搭设的蜂窝网络实现室内环境下用户的精确定位。本发明简单实用、成本低、架构轻，通过软硬件技术与云数据中心有机结合可实现室内持有智能移动终端用户的实时定位、导航、跟踪，大大提高了室内定位的准确性和稳定性。可广泛适用于医疗服务、物流管理、商场导航、停车引导、紧急救援等领域。

Description

基于多网络融合的室内定位方案

所属技术领域

本发明专利涉及惯性导航技术，WiFi室内定位技术以及蜂窝网络定位技术。

背景技术

随着移动互联网的飞速发展，移动智能终端的普及，运营商加速3G、4G网络的构建以及迅速崛起的LBS市场，人们对于定位和导航的需求与日俱增。有数据显示，百度LBS应用的活跃用户数已经过亿，每天百度地图响应的定位请求超过二十亿次。在移动互联网和大数据时代，地理和位置信息显然已经成为备受瞩目的焦点。尽管GPS定位技术已经成熟应用于室外定位并取得较高的定位精度，但是在室内环境中，由于建筑物、墙体对于卫星信号的屏蔽，GPS定位往往不能取得满意的效果，甚至无法定位。

为了解决室内定位的稳定性和准确性角度，本专利提出一种新的室内定位解决方案，采用WiFi与蜂窝网络融合的方法，避免单一定位方式容易受限于室内复杂环境影响的问题，提升了室内定位的鲁棒性与准确性。方案中利用粒子滤波算法处理非高斯噪音、非线性***的独特优势，并结合WiFi与蜂窝网络融合的方法，避免单一定位方式容易受限于室内复杂环境影响，取得了较好效果。

发明内容

本专利针对室内环境中的复杂因素造成的定位精度下降提出了一种多网络融合的粒子滤波室内定位方法。

方案中利用融合移动终端的方向传感器对用户移动状态(即用户位置)进行感知和预测的模型。模型的原理可以简单描述为：如果已知用户前一时刻的位置，利用移动终端搭载的方向传感器获取方向角，结合移动速度和时间间隔，就可以对用户下一时刻的位置状态进行预测。

附图1所示，假设在t-1时刻用户的状态为x_t-1，θ_t-1为t-1时刻用户移动方向的夹角，那么t时刻用户的状态可以表示为x_t：

$x_t^i=\left[\begin{array}{c}{x}_t^i\\ y_t^i\\ {\mathrm{\θ}}_t\end{array}\right]=\left[\begin{array}{c}{x}_{t-1}^i+S_t\cos {\mathrm{\θ}}_{t-1}\\ y_{t-1}^i+S_t\sin {\mathrm{\θ}}_{t-1}\\ {\mathrm{\θ}}_{t-1}+\mathrm{\α}\end{array}\right]---\left(1\right)$

S_t＝vΔt+σ(2)

公式(1)中α为t-1时刻到t时刻移动方向改变的角度，公式(2)中σ为服从N(0,1)分布的噪声，v为用户移动的速度，Δt为定位的时间间隔。公式(2)作为移动模型对室内环境中用户的移动轨迹进行预测。

粒子滤波算法的最关键步骤之一就是观测更新，即利用实时定位阶段扫描到的信号强度向量与离线阶段采集的位置指纹比较计算，更新每个粒子的权值。粒子权值大小代表预测状态和真实状态的相似程度。根据建立的室内移动模型对于粒子下一时刻t的状态进行预测得到其中i为粒子编号。粒子的权值可以表示为：

$w_t^i=\left\{\begin{array}{c}0,x_t^i\∉l\\ p\left(r\right|x_t^i),x_t^i\∈l\end{array}\right.---\left(\text{3}\right)$

公式(3)中l为定位区域内所有位置的集合，为状态下观测得到信号强度向量r的概率。当大量的粒子经过多次迭代计算后，部分粒子将出现穿墙、超出定位区域等不合乎实际的情况，即此时意味粒子已经失效，如果继续保存这些粒子，将导致定位误差增加甚至定位失败，因此将出现这种情况的粒子权值统一设为0，在重采样步骤中，复制权值较大的粒子进行替代。可以由以下公式进行计算：

公式(4)中m_w为实时定位阶段扫描到的WiFi信号向量r_w与离线指纹库中WiFi位置指纹匹配的信号特征数目，m_b为实时定位阶段扫描到的蜂窝基站信号向量r_b与蜂窝基站信号位置指纹匹配的信号特征数目，m＝m_w+m_b为二者总和。η_w和η_b分别为WiFi和蜂窝基站个数占总数m的比例：

$\left\{\begin{array}{c}{\mathrm{\η}}_w=m_w/m\\ {\mathrm{\η}}_b=m_b/m\end{array}\right.---\left(5\right)$

公式(5)中和分别为WiFi的权值和蜂窝基站的权值，由以下公式计算：

$\left\{\begin{array}{c}\mathrm{\ψ}\left(r_b\right|x_t^i)={(d(r_b,f_{x_t^i}^b)+\mathrm{\ϵ})}^{-1}/\underset{i}{\overset{N}{\mathrm{\Σ}}}{(d(r_b,f_{x_t^i}^b)+\mathrm{\ϵ})}^{-1}\\ \mathrm{\ψ}\left(r_w\right|x_t^i)={(d(r_w,f_{x_t^i}^w)+\mathrm{\ϵ})}^{-1}/\underset{i}{\overset{N}{\mathrm{\Σ}}}{(d(r_w,f_{x_t^i}^w)+\mathrm{\ϵ})}^{-1}\end{array}\right.---\left(6\right)$

公式(6)中为实时定位阶段扫描到的蜂窝基站信号向量r_b与xⁱ状态下蜂窝基站信号位置指纹之间的距离。类似的，为实时定位阶段扫描到的WiFi信号向量r_w与xⁱ状态下WiFi信号位置指纹之间的距离，二者均由4.2.2节中提出的改进信号强度距离计算方法计算得到。为避免出现除数为0的情况，参数ε取值0.0001。

至此，可分解为WiFi的权值与蜂窝基站的权值两部分融合组成，并由各自匹配数目所占总数比例进行调整。另外，公式中定义了阈值和ρ作为判断条件。为匹配总数阈值，当二者匹配数目总和m小于等于时，认为该处的位置指纹与实时扫描的信号完全不相似，直接将粒子权值置0。ρ为融合阈值，当m_w≤ρ，表明匹配的WiFi数目少于定位所需下限，这时若只采用WiFi计算粒子权值无法保证结果可靠性，故选择WiFi与蜂窝基站按匹配数目比例和距离加权融合完成粒子权值计算。当m_w＞ρ，表明匹配成功的WiFi数目较多，故只选择单一WiFi计算粒子权值。算法实现了室内环境中WiFi定位与蜂窝网络定位的无缝融合，既保证了在WiFi信号微弱甚至无信号的环境中结合蜂窝基站信号完成定位，又能够在WiFi信号良好的环境中取得较高的定位精度，定位的鲁棒性和准确度得到了提升。

接着对公式(3)中粒子权值进行归一化处理，得到最终的粒子权值：

$w_t^{\′i}=\frac{w_t^i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_t^j+\mathrm{\ϵ}}---\left(7\right)$

本发明的有益效果如下：

本方法提升了室内定位的稳定性和准确度，可以广泛应用于各种领域包括：医疗服务、物流管理、商场导航、停车引导、紧急救援等领域。

附图说明

图1室内移动模型

图2室内定位方案流程

图3室内定位示例

具体实施方式

实施流程如附图2所示：

(1)构造定位所需的离线指纹数据库

(2)开始定位后，利用合适的随机算法生成位于定位区域内的N个粒子且初始化粒子权值为N^-1。

(3)根据建立的移动模型对粒子下一时刻的状态进行预测，得到新的粒子

(4)根据提出的粒子权值计算方法计算出新的粒子权值。

(5)随着迭代次数增加，粒子将出现退化现象，不利于算法的收敛，因此需要根据粒子的权值进行重采样，复制大权值粒子，舍弃小权值粒子。这里采用的是SIR方法，且在每一轮计算中都对粒子进行重采样。

(6)由粒子和权值可以对于当前状态x_t进行估计，

室内定位过程将反复执行2-5步骤计算。因为算法具备较好的准确度和鲁棒性，经过若干轮迭代之后，估计的状态将会收敛逼近用户真实的状态，并随着迭代次数增多准确度越来越高。

Claims (1)

1.一种多网络融合的粒子滤波室内定位方法，包括以下步骤：

(1)利用合适的随机算法生成利用合适的随机算法生成位于定位区域内的N个粒子且初始化粒子权值为N^-1。

(2)用户在t-1时刻用户的状态为x_t-1，利用合适的随机算法生成位于定位区域内的N个粒子且初始化粒子权值为N^-1。θ_t-1为t-1时刻用户移动方向的夹角，那么t时刻用户的状态可以表示为x_t：

S_t＝vΔt+σ(2)

公式(1)中α为t-1时刻到t时刻移动方向改变的角度，公式(2)中σ为服从N(0,1)分布的噪声，v为用户移动的速度，Δt为定位的时间间隔。公式(2)作为移动模型对室内环境中用户的移动轨迹进行预测。

(3)计算粒子的权值

将出现穿墙等情况种情况的粒子权值统一设为0，在重采样步骤中，复制权值较大的粒子进行替代。可以由以下公式进行计算：

公式(4)中m_w为实时定位阶段扫描到的WiFi信号向量r_w与离线指纹库中WiFi位置指纹匹配的信号特征数目，m_b为实时定位阶段扫描到的蜂窝基站信号向量r_b与蜂窝基站信号位置指纹匹配的信号特征数目，m＝m_w+m_b为二者总和。η_w和η_b分别为WiFi和蜂窝基站个数占总数m的比例：

公式(5)中和分别为WiFi的权值和蜂窝基站的权值，由以下公式计算：

(4)根据提出的粒子权值计算方法计算出新的粒子权值。

(5)随着迭代次数增加，粒子将出现退化现象，不利于算法的收敛，因此需要根据粒子的权值进行重采样，复制大权值粒子，舍弃小权值粒子。这里采用的是SIR方法，且在每一轮计算中都对粒子进行重采样。

(6)由粒子和权值可以对于当前状态x_t进行估计，

室内定位过程将反复执行2-5步骤计算。因为算法具备较好的准确度和鲁棒性，经过若干轮迭代之后，估计的状态将会收敛逼近用户真实的状态，并随着迭代次数增多准确度越来越高。