CN105910601A - 一种基于隐马尔科夫模型的室内地磁定位方法 - Google Patents

Abstract

本发明涉及一种基于隐马尔科夫模型的室内地磁定位方法，包括离线阶段和在线阶段，离线阶段包括：根据地图把待定位区域分成网格；使用智能手机内置的磁力计在每个网格中心RP测量地磁场强度数据；构建离线指纹库，离线指纹库由N个指纹构成，每个指纹数据包括指纹位置l_w＝[x_w,y_x]和指纹向量ξ_w＝[μ_w,σ_w]，在线定位包括：根据步长估计与磁力计确定步伐长度D_i和运动方向角度Φ_i，预测行人位置；计算状态转移概率；估计行人步行i步之后的位置。本发明仅通过智能手机即可达到较高的室内定位精度。

Description

一种基于隐马尔科夫模型的室内地磁定位方法

技术领域

本发明属于利用地磁信息进行行人室内定位的领域，特别是针对室内复杂环境下的定位问题。

背景技术

高精度且普遍适用的室内定位在各个领域已经显得越来越重要了。为此，很多科研工作者已经提出了很多定位技术，如基于到达时间(TOA)、基于到达角度(AOA)、基于到达的相位差(PDOA)、基于接收信号能量(RSS)、惯性导航以及前面几种方法的融合等。此外，用于室内定位的信号类型也越来越多，如WiFi、UWB、Zigbee等，这些方法已经取得了非常好的定位结果。然而，现有的定位方法大部分都需要额外的硬件支持，并且由于无线信号会被人体吸收，在人群密集的时候无线信号会非常微弱甚至接收不到导致定位***在实际应用中定位效果不佳。

如今，很多研究者把目光转向了地磁场。地磁场作为地球的固有资源，是一个矢量场，具有全天时、全天候以及全地域的特征。地磁场不受人体的影响并且室内地磁场的分布主要由建筑物结构决定，而地磁场在建筑物结构确定之后非常稳定，因此地磁场有潜力应用于高精度且普遍适用的室内定位。由于受到室内复杂环境的影响，尤其是钢筋混凝土的影响，室内地磁场复杂多变，而这种变化的地磁异常场恰好可以作为一种与位置对应的指纹信息进行匹配定位。其实，地磁场已经广泛的用于室内定位了。一种方法是在惯性导航***中利用磁场辨别运动方向。另外一种方法是把地磁场强度作为一种指纹利用指纹法进行定位。一些研究者在惯性导航***的帮助下，采用动态时间规划(DTW)算法对连续时刻的地磁场强度信息序列进行匹配定位。这种方法可以达到很高的定位精度，但是这种方法只适用于走廊这样狭长的区域进行定位。还有一些研究者利用粒子滤波把地磁强度信息与惯性导航进行融合，这种方法在实际定位过程中需要大量的计算来达到较高的定位精度。

尽管地磁场已经广泛的应用于室内定位，但仍有问题没有处理的很好，首先地磁场强度非常微弱(大约只有几十uT)，其次对于指纹法来说，利用单一地磁场强度作为指纹来区分不同位置的分辨率太低。虽然三轴磁力计可以获得三维的地磁场数据，很自然的想到利用全部三轴的地磁场强度来提高地磁指纹的分辨率，但实际上，磁力计采集的三个数据会随着传感器坐标系的变化而变化，因此，在室内可以利用的只有总的磁场强度。

发明内容

针对目前基于地磁场室内定位技术中的地磁场信号微弱以及分辨率较低很难应用于指纹法定位的问题，本发明提供一种增加地磁指纹信息的分辨率，获得较好的定位精度的室内地磁定位方法。本发明的技术方案如下：

一种基于隐马尔科夫模型的室内地磁定位方法，包括离线阶段和在线阶段，

离线数据采集阶段包括以下步骤：

1)根据地图把待定位区域分成网格，B_w为第w个网格；

2)使用智能手机内置的磁力计在每个网格中心RP测量地磁场强度数据；

3)构建离线指纹库，离线指纹库由N个指纹构成，每个指纹数据包括指纹位置l_w＝[x_w,y_x]和指纹向量ξ_w＝[μ_w,σ_w]，其中μ_w和σ_w分别为在第w个网格内采集的地磁场数据的平均值和方差，L表示所有网格中心RP组成的集合，L＝{l_w|1≤w≤N}；

在线定位阶段包括以下步骤：

1)令上一次定位的结果为位置表示人步行i步之后的位置，当检测到人步行一步，根据步长估计与磁力计确定步伐长度D_i和运动方向角度Φ_i，认为D_i与Φ_i相互独立并服从高斯分布，分别计算D_i与Φ_i的概率分布；利用贝叶斯准则，预测行人位置的概率分布求行人位置的概率分布大于p_T的集合H：

$H=\left\{l\right|p(l_i=l|{\hat{l}}_{i-1},D_i,{\mathrm{\Φ}}_i)\≥p_T\},$

其中p_T为设置的阈值概率l为人员当前可能存在的位置；

2)计算状态转移概率：设在行人步行i步之后存储的地磁强度值序列为O_i：其中o_i-_k+1为第i-k+1步时测得的地磁信息；

a.计算H和L的交集为H'，其中l_i,j表示行人在步行i步之后可能存在的位置，可能存在的位置总数为N_P：

$H^{\′}=\left\{l_{i,j}\right|l_{i,j}\∈H,l_{i,j}\∈L\}=\{l_{i,1},l_{i,2},...,l_{i,N_P}\};$

b.根据运动信息对于每个位置l_i,j＝(x_i,j,y_i,j)预测之前的N_s个位置，横坐标为x_i,j，纵坐标为y_i,j，N_s为序列的长度，l_i,j,k＝(x_i,j,k,y_i,j,k)表示通过PDR来预测的l_i,j之前的第k个位置：

$x_{i,j,k}=x_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{cos\&phi;}}_t,0\&le;k<N_s,$

$y_{i,j,k}=y_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{sin\&phi;}}_t,0\&le;k<N_s;$

c.在离线指纹库的指纹位置l_w中寻找距离l_i,j,k最近的点，并且分别存储该网格中心RP的均值与方差为μ_i,j,k和σ_i,j,k；

d.对于每一个l_i,j构建两个后向序列：和

e.认定地磁场强度观测值符合以真实值为中心的高斯分布，计算在位置l_i,j,k出现地磁场强度o_i-k+1的概率：

f.对于每个可能的位置l_i,j，计算观测值概率b_i,j

g.对每一个可能存在的位置l_i,j计算状态转移概率a_i,j；

3)将a_i,j作为权重估计行人步行i步之后的位置。

本发明是一种基于隐马尔科夫模型的后向序列匹配定位方法，该方法采用行人步伐检测来获得运动信息(PDR)，利用后向序列匹配定位技术增加地磁指纹信息的分辨率，在基于隐马尔科夫模型的基础上对行人进行定位。并且对于不同的用户(身高、体重)有很好的鲁棒性，从而可以获得较好的定位精度且本身计算量较少。本发明的定位方法已经在MatLab中采用蒙特卡洛方法进行了2000多次的仿真实验。仿真中测试场景为20×20×5米的范围空间内，行人步行方向随机，设定一个行人步行的步伐长度和步行方向，来获得真实的位置，定位阶段获得的补偿与运动方向角度中添加高斯噪声，同时，为了测试环境因素对定位效果的影响，在接收地磁场强度信号中考虑了0.1uT到1uT的噪声干扰。仿真结果表明，在不同噪声的条件下，平均定位精度均为1.2米左右。本发明还在智能手机(魅族MX3端)采集数据进行实际实验，实验场地位于天津大学26楼D座5楼，由5个不同身高的志愿者分别拿着同一部手机进行数据采集，并在电脑上进行定位。实验结果表明，对于不同身高的人来说，定位精度均达到了1.4米以下。由此表明，本发明不仅定位精度较高，而且具有很好的鲁棒性。

附图说明

图1为本发明的流程示意图，其中，(a)(b)(c)分别代表位置预测阶段、序列匹配阶段和位置估计阶段。

具体实施方式

为了使本发明的技术方案更加清晰，以下结合附图及实例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实例仅用于解释发明，并不用于限定本发明。如图1所示本发明包括三个主要步骤：位置预测、后向序列匹配和位置估计。

离线数据采集阶段包括以下步骤：

1)根据地图把待定位区域分成网格，B_w为第w个网格，其网格中心(RP)为l_w。

2)使用磁场测量装置(磁力计、带磁场传感器的手机等)在每个网格中心测量地磁场强度数据。

3)构建离线指纹库，指纹库由N个指纹构成。每个指纹数据包括指纹位置l_w＝[x_w,y_x]和指纹向量ξ_w＝[μ_w,σ_w]，其中μ_w和σ_w分别为在第w个网格内采集的地磁场数据的平均值和方差。L表示所有RP组成的集合：L＝{l_w|1≤w≤N}。

在线定位阶段包括以下步骤：

3)令上一次定位的结果为位置表示人步行了i步之后的位置。当步伐检测机制检测到人步行了一步，根据步长估计与磁力计确定步伐长度D_i和运动方向角度Φ_i。

a)假设D_i与Φ_i相互独立并服从高斯分布，分别计算概率：

$p\left(D_i\right|l_i,{\hat{l}}_{i-1})=\frac{1}{\sqrt{2\mathrm{\&pi;}}\&CenterDot;{\mathrm{\&sigma;}}_d}\&CenterDot;\exp (-\frac{1}{2{\mathrm{\&sigma;}}_d^2}{\left(d_i-d\left(l_i,\widehat{l_{i-1}}\right)\right)}^2),$

$p\left({\mathrm{\&Phi;}}_i\right|l_i,{\hat{l}}_{i-1})=\frac{1}{\sqrt{2\mathrm{\&pi;}}\&CenterDot;{\mathrm{\&sigma;}}_{\mathrm{\&phi;}}}\&CenterDot;\exp (-\frac{1}{2{\mathrm{\&sigma;}}_{\mathrm{\&phi;}}^2}{({\mathrm{\&phi;}}_i-\mathrm{\&phi;}(l_i,\widehat{l_{i-1}}\left)\right)}^2),$

其中，和分别为D_i与Φ_i的概率分布，σ_d和σ_Φ分别为运动距离和角度的方差，l_i为本次定位的位置，为上一次定位的估计位置。

b)利用贝叶斯准则，预测行人位置的概率分布

$p\left(l_i\right|{\hat{l}}_{i-1},D_i,{\mathrm{\&Phi;}}_i)=p\left(D_i\right|l_i,{\hat{l}}_{i-1})\&CenterDot;p\left({\mathrm{\&Phi;}}_i\right|l_i,{\hat{l}}_{i-1}).$

c)求概率大于p_T的集合H：

$H=\left\{l\right|p(l_i=l|{\hat{l}}_{i-1},D_i,{\mathrm{\&Phi;}}_i)\&GreaterEqual;p_T\},$

其中p_T为设置的阈值概率l为人员当前可能存在的位置。

4)利用惯导信息和在线采集的地磁场强度信息进行匹配，计算状态转移概率。在行人步行i步之后存储的地磁强度值序列为O_i：其中o_i-k+1为第i-k+1步时测得的地磁信息。

a)计算H和L的交集为H'，其中l_i,j表示行人在步行i步之后可能存在的位置，可能存在的位置总数为N_P：

$H^{\&prime;}=\left\{l_{i,j}\right|l_{i,j}\&Element;H,l_{i,j}\&Element;L\}=\{l_{i,1},l_{i,2},...,l_{i,N_P}\}.$

b)根据运动信息∑Δl_i对于每个位置l_i,j＝(x_i,j,y_i,j)预测之前的N_s个位置(横坐标为x_i,j，纵坐标为y_i,j)，N_s为序列的长度，换句话说，l_i,j,k＝(x_i,j,k,y_i,j,k)表示通过PDR来预测的l_i,j之前的第k个位置(横坐标为x_i,j,k，纵坐标为y_i,j,k)：

$x_{i,j,k}=x_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{cos\&phi;}}_t,0\&le;k<N_s,$

$y_{i,j,k}=y_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{sin\&phi;}}_t,0\&le;k<N_s.$

c)在指纹库l_w中寻找距离l_i,j,k最近的点，并且分别存储该RP的均值与方差为μ_i,j,k和σ_i,j,k：

$\{\begin{array}{c}{\mathrm{\&mu;}}_{i,j,k}=\left\{{\mathrm{\&mu;}}_w\right|\underset{{\mathrm{RP}}_w}{\arg \min }{||l_{i,j,k}-p_w||}_2\}\\ {\mathrm{\&sigma;}}_{i,j,k}=\left\{{\mathrm{\&sigma;}}_w\right|\underset{{\mathrm{RP}}_w}{\arg \min }{||l_{i,j,k}-p_w||}_2\}\end{array},1\&le;k\&le;N_s,$

其中p_w为RP的位置。

d)对于每一个l_i,j构建两个后向序列：和

e)假定地磁场强度观测值符合以真实值为中心的高斯分布，计算在位置l_i,j,k出现地磁场强度o_i-k+1的概率：

$p\left(o_{i-k+1}\right|l_{i-k+1}=l_{i,j,k})=\frac{1}{\sqrt{2\mathrm{\&pi;}}\&CenterDot;{\mathrm{\&sigma;}}_{i,j,k}}\&CenterDot;\exp \left(\frac{1}{2{\mathrm{\&sigma;}}_{i,j,k}^2}{\left(o_{i-k+1}-{\mathrm{\&mu;}}_{i,j,k}\right)}^2\right),$

其中μ_i,j,k为均值而σ_i,j,k为对应的方差，l_i-k+1为第i-k+1步伐之后人员的位置。

f)对于每个可能的位置l_i,j，比较U_i,j和O_i，计算观测值概率b_i,j(即p(o_i|l_i＝l_i,j))：

$b_{i,j}=p\left(o_i\right|l_i=l_{i,j})=p\left(O_i\right|l_i=l_{i,j})=\underset{k=1}{\overset{N_s}{\&Pi;}}p\left(o_{i-k+1}\right|l_{i-k+1}=l_{i,j,k}).$

g)对每一个可能存在的位置l_i,j计算状态转移概率a_i,j，C为归一化常数：

5)将a_i,j作为权重估计行人步行i步之后的位置为：

${\hat{l}}_i=\underset{a_{i,j}\&Element;A_i,l_{i,j}\&Element;H^{\&prime;}}{\&Sigma;}{a}_{i,j}\&CenterDot;l_{i,j}$

6)当***再次检测到行人运动一步，重复(1)到(3)步，估计用户位置。

本实施例主要包括离线数据采集和在线匹配定位两个阶段。

离线阶段主要包括以下步骤，首先将待定位区域划分为0.6m×0.6m的网格，以每个网格的中心作为参考节点RP。然后，携带可以测量并记录地磁场强度传感器的仪器，如智能手机、IMU等，根据传感器速率不同在每个网格中心(RP)测量记录地磁强度数据约100组。对数据求平均值并计算方差。最后，把RP的位置与所得到的平均值和方差对应作为一个指纹数据，构建指纹库。

在线阶段中，以智能手机为例，待定位用户用手拖着手机行走，屏幕朝上放置，即手机的Z轴朝上而Y轴朝向运动的方向，这样人在行走过程中，可以根据手机自带的加速度传感器来获得运动信息。根据Z轴加速度数据可以进行步伐的检测，可以先对Z轴加速度数据进行积分，然后利用峰值检测就可以判定步伐。由于噪声等的干扰，有可能在一个步伐运动内检测到两次步伐，为此，可以设一个阈值时间T_MIN，在这个时间内不管检测到几个步伐，都判定第一步为一个步伐，根据实验结果，建议T_MIN设定为0.3秒。根据Y轴加速度数据可以估计步伐长度。利用磁力计和加速度传感器来获得运动的方向，也可以利用陀螺仪得到的角速度信息来获得运动方向。

根据仿真与实验结果，N_s太小将影响定位精度，N_s过大会产生过多的计算量，因此建议N_s设定为7到15之间。而P_T设定太大会导致***等效于惯性导航，太小则会导致匹配范围为全地图，因此建议P_T设定为0.4到0.65之间。

采用这种方法，我们对本发明进行了多组不同人之间的定位实验。我们邀请了5位不同身高的志愿者进行实验，实验结果显示平均精度都可以达到1.2米左右。

Claims (1)

1.一种基于隐马尔科夫模型的室内地磁定位方法，包括离线阶段和在线阶段，

离线数据采集阶段包括以下步骤：

1)根据地图把待定位区域分成网格，B_w为第w个网格；

2)使用智能手机内置的磁力计在每个网格中心RP测量地磁场强度数据；

3)构建离线指纹库，离线指纹库由N个指纹构成，每个指纹数据包括指纹位置l_w＝[x_w,y_x]和指纹向量ξ_w＝[μ_w,σ_w]，其中μ_w和σ_w分别为在第w个网格内采集的地磁场数据的平均值和方差，L表示所有网格中心RP组成的集合，L＝{l_w|1≤w≤N}；

在线定位阶段包括以下步骤：

1)令上一次定位的结果为位置表示人步行i步之后的位置，当检测到人步行一步，根据步长估计与磁力计确定步伐长度D_i和运动方向角度Φ_i，认为D_i与Φ_i相互独立并服从高斯分布，分别计算D_i与Φ_i的概率分布；利用贝叶斯准则，预测行人位置的概率分布求行人位置的概率分布大于p_T的集合H：

$H=\left\{l\right|p(l_i=l|{\hat{l}}_{i-1},D_i,{\mathrm{\&Phi;}}_i)\&GreaterEqual;p_T\},$

其中p_T为设置的阈值概率l为人员当前可能存在的位置；

2)计算状态转移概率：设在行人步行i步之后存储的地磁强度值序列为O_i：其中o_i-k+1为第i-k+1步时测得的地磁信息；

a.计算H和L的交集为H'，其中l_i,j表示行人在步行i步之后可能存在的位置，可能存在的位置总数为N_P：

$H^{\&prime;}=\left\{l_{i,j}\right|l_{i,j}\&Element;H,l_{i,j}\&Element;L\}=\{l_{i,1},l_{i,2},...,l_{i,N_P}\};$

b.根据运动信息对于每个位置l_i,j＝(x_i,j,y_i,j)预测之前的N_s个位置，横坐标为x_i,j，纵坐标为y_i,j，N_s为序列的长度，l_i,j,k＝(x_i,j,k,y_i,j,k)表示通过PDR来预测的l_i,j之前的第k个位置：

$x_{i,j,k}=x_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{cos\&phi;}}_t,0\&le;k<N_s,$

$y_{i,j,k}=y_{i,j}-\underset{t=i-k+1}{\overset{i}{\&Sigma;}}{d}_t\&CenterDot;{\mathrm{sin\&phi;}}_t,0\&le;k<N_s;$

c.在离线指纹库的指纹位置l_w中寻找距离l_i,j,k最近的点，并且分别存储该网格中心RP的均值与方差为μ_i,j,k和σ_i,j,k；

d.对于每一个l_i,j构建两个后向序列：和

e.认定地磁场强度观测值符合以真实值为中心的高斯分布，计算在位置l_i,j,k出现地磁场强度o_i-k+1的概率：

f.对于每个可能的位置l_i,j，计算观测值概率b_i,j

g.对每一个可能存在的位置l_i,j计算状态转移概率a_i,j；

3)将a_i,j作为权重估计行人步行i步之后的位置。