CN109413578B - 一种基于wifi与pdr融合的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于WIFI与PDR融合的室内定位方法，涉及WIFI信号和行人航位推算的室内定位技术领域，解决的技术问题是提供一种测量精度高的室内定位方法，包括如下步骤：(1)建立WIFI离线指纹数据库；（2）聚类训练样本得到聚类样本和对应类别；（3）通过加权K近邻算法得到定位坐标；（4）融合PDR定位进行状态和位置的更新；（5）使用融合结果作为PDR的校正源；（6）通过评价参数获取校正因子校正PDR结果。本发明缩短了WIFI定位时间、提高了定位精度，同时具有定位精度高、软件运算量低的特点，在保证定位精度的前提下实现实时定位要求。

Description

一种基于WIFI与PDR融合的室内定位方法

技术领域

本发明涉及WIFI信号和行人航位推算的室内定位技术领域，尤其涉及一种基于WIFI与PDR融合的室内定位方法。

背景技术

据统计，人的一生当中80％的时间是待在室内，但GPS却不能在室内运作。出行导航、智能制造、智能服务等行业也亟待人们开始重新审视室内位置的价值。室内定位技术作为打开室内位置服务大门的钥匙，近年也越来越被重视。目前比较成熟的室内定位包括有超声波定位、UWB定位、惯导定位、射频识别(RFID)定位、蓝牙定位、WIFI定位等技术。相较于其他室内无线定位技术，WIFI有其独特的优势，WIFI热点遍布城市各个角落和楼区，由于其普遍存在性，使得其部署成本较低，硬件易于安装，易与智能手机结合定位，且其覆盖范围广、定位精度较高、易于实现，迅速成为了室内定位技术的研究热点。

利用WIFI指纹进行定位过程中，由于室内环境复杂，WIFI信号易受到干扰，信号强度容易产生较大幅度的跳变，并且存在WIFI信号不能覆盖的区域，这就导致WIFI定位偏差大。因此，只利用WIFI技术进行室内定位无法满足人们的需求。

利用智能终端进行室内定位过程中，由于移动终端普遍配有陀螺仪、加速度传感器、电子罗盘等运动传感器，这使得移动终端的惯性导航技术具有较好的推广性，具有不易受环境影响、稳定性高等优势。但是，由于电子罗盘容易受到环境干扰，会导致航向角出现偏差，且步态判断误差和步长估计误差会导致行走距离误差，造成的累积误差会导致惯性***无法长时间进行精确定位，如何有效消除累积误差成为解决问题的关键。

中国发明CN106610292 A公开了一种混合WIFI与航迹推算(PDR)的室内定位方法，将待测目的初始位置采用WIFI定位子***来获得，当获得待测目标的初始位置之后，***中两套定位子***WIFI定位子***和PDR定位子***将分别输出待测目标的位置。***采用一个时间窗效用函数，将WIFI定位子***输出的坐标，以及基于PDR的定位子***输出的坐标进行有效的线性加权，加权之后再通过卡尔曼滤波进行处理得到混合WIFI和PDR的全局定位坐标。该方法定位没有考虑PDR融合校准，由于WIFI定位的不稳定性以及PDR定位的累计误差，因而得出的定位坐标精度还是欠精准。

中国发明CN107302754 A公开了一种基于WIFI与PDR的室内定位简易方法，通过设定初始位置和步长，通过加速度传感器测量的加速度对行人的运动状态进行判定，通过RSSI值进行WIFI定位方法，采集多个参考节点的RSSI值，当检测到RSSI值超过阈值时，运用改进后的算法计算出当前位置，将当前位置作为实际位置值，进行PDR定位对室内行人进行航迹推算得到位置估计。该方法PDR初始位置为自行定位，也没有考虑校准，由于WIFI定位的不稳定性以及PDR定位的累计误差，因而得出的定位坐标精度同样还是欠精准。

发明内容

针对现有技术的不足，本发明所解决的问题是提供一种测量精度高的室内定位方法。

为解决上述技术问题，本发明采用的技术方案是一种基于WIFI与PDR融合的室内定位方法，包括如下步骤：

(1)建立WIFI离线指纹数据库：在定位区域布置M个发射WIFI热点的AP节点，将定位区域划分为N个节点，计算各个节点的实际位置，采集N个节点中来自各个AP节点的信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立指纹数据库I；指纹数据集I表示为：

I＝{(r₁,o₁),(r₂,o₂),...,(r_i,o_i),...,(r_N,o_N)} (1)

其中，向量r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示来自M个AP的RSSI，r_i1为来自第1个WIFI热点的RSSI，r_iM为第M个AP的RSSI，位置向量o_i＝(x,y)∈R²表示r_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，RSSI训练样本的RSSI向量r_i和位置向量o_i都是已知的，i＝1,2,...N；

(2)聚类训练样本得到聚类样本和对应类别：通过K-means算法对指纹数据库I进行聚类，将指纹数据库I分为V个类{c₁,c₂,.c_v..c_V}，每个类中心向量定义为{C₁,C₂,...C_V},指纹数据库中RSSI训练样本分别划分到V个类中，得到聚类样本数据集：

L＝{(r₁,c_v1),(r₂,c_v2),...(r_i,c_vi),...,(r_N,c_vN)} (2)，

其中，r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示M个AP的RSSI，

表示其属于的V类别，c_v类由p个RSSI训练样本{r_v1,r_v2,...,r_vp}组成，对所有c_v类RSSI训练样本取平均值得到c_v类中心向量

(3)通过加权K近邻算法得到定位坐标：在线获取实时RSSI样本，找出与获取的实时RSSI样本最相似的类，通过K个最近邻样本预测在线获取的实时RSSI样本的属性值，对K个RSSI训练样本对应的位置进行加权，获得其位置坐标；在线获取的实时RSSI样本记为T＝((r_j1,r_j2,...,r_jM),(x,y))，其中在线获取的实时RSSI样本r为r_j＝(r_j1,r_j2,...,r_jM)∈R^M，位置向量o＝(x,y)表示在线获取的实时RSSI样本的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；

首先计算r向量与V个类中心RSSI向量{C₁,C₂,...C_V}的相似度，确定与r向量最相似的类别，r向量{r_j1,r_j2,...,r_jM}与第i个类中心的RSSI向量

的余弦相似度定义为：

同理，计算r向量与其他类别中心RSSI向量的相似度，经过V次计算，得到V个余弦相似度{Sim₁,Sim₂,...,Sim_V}，其中最大相似度所对应的类别c_v就是与r向量最相似的类别；

确定最相似类别c_v与r向量最相似的K个样本r_K1,r_K2,.r_Ki..,r_KK相似度分别为Sim_K1,Sim_K2,...,Sim_KK,

(x_K1,y_K1)，(x_K2,y_K2),...,(x_KK,y_KK)表示对应的坐标，(r_i1,r₁₂,...r_iM)表示选取的最相似的样本r_Ki对应的RSSI样本，归一化处理相似度，定义影响定位结果的权重为{w_K1,w_K2,...,w_KK}；

加权样本坐标，得到在线获取的RSSI的位置坐标：

x＝w_K1x_K1+w_K2x_K2+...+w_KKx_KK (6)，

y＝w_K1y_K1+w_K2y_K2+...+w_KKy_KK (7)，

(4)融合PDR定位进行状态和位置的更新：构建行人行走的***模型X_k，PDR定位的初始位置坐标通过WIFI定位获得，融合WIFI定位和PDR定位得到误差阈值门限，通过加速度传感器获得行走步长，通过智能终端内置陀螺仪获取行走后的朝向角变化量，使用量测方程Z_k更新状态信息和位置信息；

所述行人行走的***模型X_k如下：

其中行走的步数用k表示，行走后的位置信息用x_k,y_k表示，θ_k表示k步后的方位朝向角，W_k-1表示噪声，

为步长平均值，采用步长模型匹配加速度传感器结果，设步长是60cm，

为朝向角变化量；量测方程Z_k如下所示：

其中，x_k,y_k表示通过WIFI定位获得的定位结果；s_k表示行人平均行走步长，通过加速度传感器结果获得，Δθ_k表示行人行走后的朝向角变化量，可以通过智能终端内置陀螺仪获取，θ_k表示行人行走后的朝向角；V_k表示噪声。

(5)使用融合结果作为PDR的校正源；

设定PDR偏差阈值门限ε_pdr，如果偏差超过设定的门限值，校正定位结果，得到WIFI和PDR融合定位结果，使用WIFI和PDR融合结果作为PDR的校正源，参见公式(9)；

(6)通过评价参数获取校正因子校正PDR结果；

使用间隔时间段即在[0,T]时间内的数据来获取评价参数，评价参数见公式(13)、公式(14)，通过评价参数获取校正因子，校正因子见公式(15)，对PDR结果进行校正，具体过程如下：

表示通过融合定位后的定位结果，

表示PDR单独定位结果，PDR单独定位结果由下式获得

y₂＝y₁+S₁₂ cos θ₁ (10)，

x₂＝x₁+S₁₂ sin θ₁ (11)，

(x₁,x₂)为PDR初始位置，(x₂,y₂)为PDR定位坐标，位移S由步长模型匹配加速度传感器获得，选取为行人步长60cm，方向角θ通过传感器及陀螺仪获得，

其定位结果差为：

设在[0,K]时间内，累积误差表示为：

使用该特征作为PDR定位的校正因子，其校正原则如下：

若累计误差C_x和C_y绝对值∈[0,σ₁]，定位误差可忽略，无需校正；

若累计误差C_x和C_y绝对值∈[σ₁,σ₂]，满足误差评价要求，校正定位结果；

若累计误差C_x和C_y绝对值∈[σ₂,∞]，不满足误差评价要求，WIFI定位误差大，重新进行融合定位，

由于PDR定位结果存在累积误差问题，会导致校正信息不对应，矫正能力过弱，通过设置校正比例因子α来代表当前时间的误差和前一段时间的误差的比例关系，[0,K]表示时间段，C_N＝αC_k表示比例关系，通过下式平滑M时间段内的校正过程，解决定位结果突变问题：

式中，j∈[1,M]。

与现有技术相比，本发明的有益效果：

将K-means算法与K近邻法相结合，缩短了WIFI定位时间，提高了定位精度。利用WIFI定位结果与PDR融合定位，使用校正因子对***的定位因子进行校正。具有定位精度高、软件运算量低的特点，在保证定位精度的前提下实现实时要求。

附图说明

图1为本发明的方法流程图；

图2WIFI定位融合PDR定位的融合结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明，但不是对本发明的限定。

图1示出了一种基于WIFI与PDR融合的室内定位方法，包括如下步骤：

(1)建立WIFI离线指纹数据库：在定位区域布置M个发射WIFI热点的AP节点，将定位区域划分为N个节点，计算各个节点的实际位置，采集N个节点中来自各个AP节点的信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立指纹数据库I；指纹数据集I表示为：

I＝{(r₁,o₁),(r₂,o₂),...,(r_i,o_i),...,(r_N,o_N)} (1)，

其中，向量r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示来自M个AP的RSSI，r_i1为来自第1个WIFI热点的RSSI，r_iM为第M个AP的RSSI，位置向量o_i＝(x,y)∈R²表示r_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，RSSI训练样本的RSSI向量r_i和位置向量o_i都是已知的，i＝1,2,...N；

(2)聚类训练样本得到聚类样本和对应类别：通过K-means算法对指纹数据库I进行聚类，将指纹数据库I分为V个类{c₁,c₂,.c_v..c_V}，每个类中心向量定义为{C₁,C₂,...C_V},指纹数据库中RSSI训练样本分别划分到V个类中，得到聚类样本数据集：

L＝{(r₁,c_v1),(r₂,c_v2),...(r_i,c_vi),...,(r_N,c_vN)} (2)，

其中，r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示M个AP的RSSI，

表示其属于的V类别，c_v类由p个RSSI训练样本{r_v1,r_v2,...,r_vp}组成，对所有c_v类RSSI训练样本取平均值得到c_v类中心向量

(3)通过加权K近邻算法得到定位坐标：在线获取实时RSSI样本，找出与获取的实时RSSI样本最相似的类，通过K个最近邻样本预测在线获取的实时RSSI样本的属性值，对K个最近邻训练样本对应的位置进行加权，获得其位置坐标；线获取的实时RSSI样本记为T＝((r_j1,r_j2,...,r_jM),(x,y))，其中在线获取的实时RSSI样本r由r_j＝(r_j1,r_j2,...,r_jM)∈R^M表示，表示在线接收的M个AP的RSSI，位置向量o＝(x,y)表示在线获取的实时RSSI样本的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知，

首先计算r向量与V个类中心RSSI向量{C₁,C₂,...C_V}的相似度，确定与r向量最相似的类别，r向量{r_j1,r_j2,...,r_jM}与第i个类中心的RSSI向量

的余弦相似度定义为：

同理，计算r向量与其他类别中心RSSI向量的相似度，经过V次计算，得到V个余弦相似度{Sim₁,Sim₂,...,Sim_V}，其中最大相似度所对应的类别c_v就是与r向量最相似的类别；

确定最相似类别c_v与r向量最相似的K个样本r_K1,r_K2,..r_Ki.,r_KK相似度分别为Sim_K1,Sim_K2,...,Sim_KK,

(x_K1,y_K1)，(x_K2,y_K2),...,(x_KK,y_KK)表示对应的坐标，(r_i1,r₁₂,...r_iM)表示选取的最相似的样本r_Ki对应的RSSI样本，归一化处理相似度，定义影响定位结果的权重为{w_K1,w_K2,...,w_KK}；

加权样本坐标，得到在线获取的RSSI的位置坐标：

x＝w_K1x_K1+w_K2x_K2+...+w_KKx_KK (6)，

y＝w_K1y_K1+w_K2y_K2+...+w_KKy_KK (7)，

(4)融合PDR定位进行状态和位置的更新：构建行人行走的***模型X_k，PDR定位的初始位置坐标通过WIFI定位获得，融合WIFI定位和PDR定位得到误差阈值门限，通过加速度传感器获得行走步长，通过智能终端内置陀螺仪获取行走后的朝向角变化量，使用量测方程Z_k更新状态信息和位置信息，所述行人行走的***模型如下：

其中行走的步数用k表示，行走后的位置信息用x_k,y_k表示，θ_k表示k步后的方位朝向角，W_k-1表示噪声，

为步长平均值，通过加速度传感器获得，

为朝向角变化量，量测方程Z_k如下所示：

其中，x_k,y_k表示通过WIFI定位获得的定位结果；s_k表示行人平均行走步长，通过加速度传感器获得，Δθ_k表示行人行走后的朝向角变化量，通过智能终端内置陀螺仪获取，θ_k表示行人行走后的朝向角；V_k表示噪声；

(5)使用融合结果作为PDR的校正源：设定PDR偏差阈值门限ε_pdr，如果偏差超过设定的门限值，校正定位结果，得到WIFI和PDR融合定位结果，使用WIFI和PDR融合结果作为PDR的校正源，参见公式(9)；

(6)通过评价参数获取校正因子校正PDR结果：使用间隔时间段即在[0,T]时间内的数据来获取评价参数，评价参数见公式(13)、(14)，通过评价参数获取校正因子校正因子见公式(15)，对PDR结果进行校正；具体过程如下：

表示通过融合定位后的定位结果，

表示PDR单独定位结果，PDR单独定位由下式获得，

y₂＝y₁+S₁₂ cos θ₁ (10)，

x₂＝x₁+S₁₂ sin θ₁ (11)，

(x₁,x₂)为PDR初始位置，(x₂,y₂)为PDR定位坐标，位移S由步长模型匹配加速度传感器获得，选取为行人步长60cm，方向角θ通过传感器及陀螺仪获得，

其定位结果差为：

设在[0,K]时间内，累积误差表示为：

使用该特征作为PDR定位的校正因子，其校正原则如下：

若累计误差C_x和C_y绝对值∈[0,σ₁]，定位误差可忽略，无需校正；

若累计误差C_x和C_y绝对值∈[σ₁,σ₂]，满足误差评价要求，校正定位结果；

若累计误差C_x和C_y绝对值∈[σ₂,∞]，不满足误差评价要求，WIFI定位误差大，重新进行融合定位；

由于PDR定位结果存在累积误差等问题，会导致校正信息不对应，矫正能力过弱，通过设置校正比例因子α来代表当前时间的误差和前一段时间的误差的比例关系，[0,K]表示时间段，C_N＝αC_k表示比例关系，通过下式平滑M时间段内的校正过程，解决定位结果突变问题：

式中，j∈[1,M]。

图2示出了WIFI定位融合PDR定位的融合结构，通过WIFI定位获得PDR定位的初始位置坐标，融合WIFI定位和PDR定位得到误差阈值门限；使用WIFI和PDR融合结果作为PDR的校正源,设定PDR偏差阈值门限，如果偏差超过设定的门限值，校正定位结果；使用间隔时间段的数据来获取评价参数，通过评价参数获取校正因子，对PDR结果进行校正。

与现有技术相比，本发明的有益效果：

将K-means算法与K近邻法相结合，缩短了WIFI定位时间，提高了定位精度。利用WIFI定位结果与PDR融合定位，使用校正因子对***的定位因子进行校正。具有定位精度高、软件运算量低的特点，在保证定位精度的前提下实现实时要求。

以上结合附图对本发明的实施方式做出了详细说明，但本发明不局限于所描述的实施方式。对于本领域技术人员而言，在不脱离本发明的原理和精神的情况下，对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (2)

1.一种基于WIFI与PDR融合的室内定位方法，其特征在于，包括如下步骤：

(1)建立WIFI离线指纹数据库：在定位区域布置M个发射WIFI热点的AP，将定位区域划分为N个节点，计算各个节点的实际位置，采集N个节点中来自各个AP的信号强度RSSI，得到RSSI训练样本，将RSSI训练样本与其实际位置对应，建立指纹数据库I；

(2)聚类训练样本得到聚类样本和对应类别：通过K-means算法对指纹数据库I进行聚类，将指纹数据库I分为V个类{c₁,c₂,.c_v..c_V}，每个类中心向量定义为{C₁,C₂,...C_V},指纹数据库中RSSI训练样本分别划分到V个类中，得到聚类样本数据集：

L＝{(r₁,c_v1),(r₂,c_v2),...(r_i,c_vi),...,(r_N,c_vN)} (2)，

其中，r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示M个AP的RSSI，其对应的类别

表示其属于的V类别，c_v类由p个RSSI训练样本{r_v1,r_v2,...,r_vp}组成，对所有c_v类RSSI训练样本取平均值得到c_v类中心向量

(3)通过加权K近邻算法得到定位坐标：在线获取实时RSSI样本，在指纹数据库I找出与获取的实时RSSI样本最相似的类，通过K个最近邻样本预测在线获取的实时RSSI样本的属性值，对K个最近邻样本对应的位置进行加权，获得其位置坐标；在线获取的实时RSSI样本记为T＝((r_j1,r_j2,...,r_jM),(x,y))，其中在线获取的实时RSSI样本r由r_j＝(r_j1,r_j2,...,r_jM)∈R^M表示，表示在线接收的M个AP的RSSI，位置向量o＝(x,y)表示在线获取的实时RSSI样本的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；

首先计算r向量与V个类中心RSSI向量{C₁,C₂,...C_V}的相似度，确定与r向量最相似的类别，r向量{r_j1,r_j2,...,r_jM}与第i个类中心的RSSI向量

的余弦相似度定义为：

同理，计算r向量与其他类别中心RSSI向量的相似度，经过V次计算，得到V个余弦相似度{Sim₁,Sim₂,...,Sim_V}，其中最大相似度所对应的类别c_v就是与r向量最相似的类别，

确定最相似类别c_v与r向量最相似的K个样本r_K1,r_K2,.r_Ki..,r_KK相似度分别为Sim_K1,Sim_K2,...,Sim_KK,

(x_K1,y_K1)，(x_K2,y_K2),...,(x_KK,y_KK)表示对应的坐标，(r_i1,r₁₂,...r_iM)表示选取的最相似的样本r_Ki对应的RSSI样本，归一化处理相似度，定义影响定位结果的权重为{w_K1,w_K2,...,w_KK}，

加权样本坐标，得到在线获取的RSSI的位置坐标：

x＝w_K1x_K1+w_K2x_K2+...+w_KKx_KK (6)，

y＝w_K1y_K1+w_K2y_K2+...+w_KKy_KK (7)，

(4)融合PDR定位进行状态和位置的更新；

构建行人行走的***模型X_k，PDR定位的初始位置坐标通过WIFI定位获得，融合WIFI定位和PDR定位得到误差阈值门限，通过加速度传感器获得行走步长，通过智能终端内置陀螺仪获取行走后的朝向角变化量，使用量测方程更新状态信息和位置信息；

(5)使用融合结果作为PDR的校正源：设定PDR偏差阈值门限ε_pdr，如果偏差超过设定的门限值，校正定位结果，得到WIFI和PDR融合定位结果，使用WIFI和PDR融合结果作为PDR的校正源，参见公式(9)；

(6)通过评价参数获取校正因子校正PDR结果：使用间隔时间段即在[0,T] 时间内的数据来获取评价参数，评价参数见公式(13)、公式(14)，通过评价参数获取校正因子，校正因子见公式(15)，对PDR结果进行校正，具体过程如下：

表示通过融合定位后的定位结果，

表示PDR单独定位结果，PDR单独定位结果由下式获得，

y₂＝y₁+S₁₂cosθ₁ (10)，

x₂＝x₁+S₁₂sinθ₁ (11)，

(x₁,x₂)为PDR初始位置，(x₂,y₂)为PDR定位坐标，位移S由步长模型匹配加速度传感器获得，选取为行人步长60cm，方向角θ通过传感器及陀螺仪获得；

其定位结果差为：

设在[0,K]时间内，累积误差表示为：

使用该特征作为PDR定位的校正因子，其校正原则如下：

若累计误差C_x和C_y绝对值∈[0,σ₁]，定位误差可忽略，无需校正；

若累计误差C_x和C_y绝对值∈[σ₁,σ₂]，满足误差评价要求，校正定位结果；

若累计误差C_x和C_y绝对值∈[σ₂,∞]，不满足误差评价要求，此时WIFI定位误差大，重新进行融合定位，设置校正比例因子α来代表当前时间的误差和前一段时间的误差的比例关系，[0,K]表示时间段，C_N＝αC_k表示比例关系，通过下式平滑M时间段内的校正过程，解决定位结果突变问题：

式中，j∈[1,M]，所述行人行走的***模型如下：

其中行走的步数用k表示，行走后的位置信息用x_i,y_i表示，θ_k表示k步后的方位朝向角，W_k-1表示噪声，

为步长平均值，通过步长模型匹配加速度传感器结果，选择步长为60cm，

为朝向角变化量；量测方程如下所示：

其中，x_k,y_k表示通过WIFI定位获得的定位结果；s_k表示行人平均行走步长，通过加速度传感器获得，Δθ_k表示行人行走后的朝向角变化量，通过智能终端内置陀螺仪获取，θ_k表示行人行走后的朝向角；V_k表示噪声。

2.根据权利要求1所述的基于WIFI与PDR融合的室内定位方法，其特征在于，步骤(1)中，所述训练样本的数集表示为：

I＝{(r₁,o₁),(r₂,o₂),...,(r_i,o_i),...,(r_N,o_N)} (1)

其中，向量r_i＝(r_i1,r_i2,...,r_iM)∈R^M表示来自M个AP的RSSI向量，r_i1为来自第1个WIFI热点的RSSI，r_iM为第M个AP的RSSI，位置向量o_i＝(x,y)∈R²表示r_i向量对应的位置，x为该位置的x轴坐标，y为该位置的y轴坐标，训练样本的RSSI向量r_i和位置向量o_i都是已知的，i＝1,2,...N。

Images