CN109782227A - 一种基于蓝牙信号rssi的室内定位方法 - Google Patents

Abstract

本发明实施例公开了一种基于蓝牙信号RSSI的室内定位方法，所述方法包括以下步骤：在定位场地部署N个蓝牙基站并获取蓝牙基站的坐标；在定位点设置蓝牙信号源，采集N个蓝牙基站的蓝牙信号RSSI值；根据计算模型d＝10^{((ABS(RSSI)‑A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d，其中A为测得的蓝牙基站距离蓝牙信号源1m处的蓝牙信号强度，n为环境衰减因子；根据距离蓝牙信号源d值最小的三个蓝牙基站的距离d值和坐标，通过拟牛顿算法计算得到定位点的坐标，新算法避免了求解病态方程组的情况，保证了定位坐标的准确性，同时相比于传统的牛顿算法，计算过程简化，提高了运算速度。

Description

一种基于蓝牙信号RSSI的室内定位方法

技术领域

本发明实施例涉及室内定位技术领域，具体涉及一种基于蓝牙信号RSSI的室内定位方法。

背景技术

室内定位技术是指在室内环境中实现位置定位，主要采用无线通讯、基站定位、惯导定位等多种定位技术形成室内位置定位体系，实现在室内空间中的位置监控。常见的室内无线定位技术主要有Wi-Fi、蓝牙、红外线、超宽带、RFID、ZigBee以及超声波等。基于蓝牙信号的室内定位技术具有低功耗、易集成的优点，目前主流的蓝牙定位方案是基于三边定位，蓝牙定位的基本原理是通过蓝牙信号接收端(基站)接收到的蓝牙信号RSSI(ReceivedSignal StrengthIndication，接收的信号强度指示)值推算蓝牙信号接收端(基站)与蓝牙信号发射端(信号源)之间的距离，从而进行坐标计算，距离的推算使用业界普遍认可的模型d＝10^{((ABS(RSSI)-A)/(10*n))}，其中A表示基站距离信号源一米时的RSSI的绝对值，n为环境衰减因子，通常是取经验值1-4，d表示基站与信号源之间的距离，在获得距离d的情况下在使用三边定位或最大似然法求得坐标。

当前，基于蓝牙信号的室内定位技术存在的不足是定位精度较差，主要源于以下三点：(1)蓝牙信号存在一定的跳变，信号值的波动会直接影响到模型算出来的距离；(2)在距离模型中，人为的选取n值往往会造成较大的误差，n值的大小依赖于环境对信号影响，一个错误的n值会带来意想不到的误差；(3)在计算坐标的时候，通常采用的三边定位法和最小二乘法，而这两种方法都存在一定的缺陷，三边定位法无法给出一个较为精准的坐标解，而最小二乘法在某些情况下会变得不适用，例如当基站的部署较为稀疏，计算中产生病态矩阵求解，坐标的计算会产生一个较大的误差。

发明内容

为此，本发明实施例提供一种基于蓝牙信号RSSI的室内定位方法，用以解决现有的基于蓝牙信号的室内定位技术存在的定位精度较差的问题。

为了实现上述目的，本发明实施例提供如下技术方案：一种基于蓝牙信号RSSI的室内定位方法，所述方法包括以下步骤：

S1、在定位场地部署N个蓝牙基站并获取蓝牙基站的坐标，其中N≥3；

S2、在定位点设置蓝牙信号源，采集N个蓝牙基站的蓝牙信号RSSI值；

S3、根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d，其中A为测得的蓝牙基站距离蓝牙信号源1m处的蓝牙信号强度，n为环境衰减因子；

S4、根据距离蓝牙信号源d值最小的三个蓝牙基站的距离d值和坐标，通过拟牛顿算法计算得到定位点的坐标。

优选的，所述根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：

利用深度学习优化算法拟合得到环境衰减因子n。

优选的，所述根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：

对采集到的蓝牙信号RSSI值进行滤波处理。

优选的，所述利用深度学习优化算法拟合得到环境衰减因子n包括：

选取适当测试点设置蓝牙信号源，测量得到N个蓝牙基站与蓝牙信号源之间的距离d以及N个蓝牙基站的蓝牙信号RSSI，并对采集到的蓝牙信号RSSI值进行滤波处理，获得一组距离d数据集和一组RSSI数据集，分别记为[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]；

将[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]分别作为计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}的输入量和输出量对环境衰减因子n进行深度学习拟合，拟合时首先在环境衰减因子n的经验值范围1-4内随机选取一个值作为环境衰减因子n的初始值，并基于此初始值进行多次迭代计算，定义损失函数采用均方误差的形式，均方误差计算公式为其中为蓝牙信号RSSI的预测值，θ为蓝牙信号RSSI的测试真值，每次迭代计算过程利用随机梯度下降算法根据损失函数的值对环境衰减因子n进行优化，直至得到损失函数值最小的环境衰减因子n。

优选的，所述方法还包括：利用卡尔曼滤波器对采集到的蓝牙信号RSSI值进行滤波处理。

优选的，所述卡尔曼滤波器采用如下的迭代公式进行滤波处理：

K(i+1)＝P(i)/(P(i)+R) (1)；

x(i+1)＝x(i)+K(i+1)·(RSSI-x(i)) (2)；

P(i+1)＝(1-K(i+1))·P(i)+Q (3)；

其中，K(i+1)表示在i+1时刻的卡尔曼增益，x(i)和x(i+1)分别表示在i时刻和i+1时刻的经过滤后的RSSI值，P(i)和P(i+1)分别表示在i时刻和i+1时刻的误差协方差，Q表示符合高斯分布的过程噪声的协方差，R表示符合高斯分布的测量噪声的协方差，具体的，对P(i)、R、Q、x(i)进行初始化设置时设定i＝1、R和Q设定为常量，对P(1)和x(1)进行粗略赋值，在i+1时刻产生新的测量值RSSI时，首先根据公式(1)基于P(i)和R计算出K(i+1)，然后根据公式(2)基于K(i+1)和x(i)计算出x(i+1)，最后根据公式(3)基于K(i+1)和Q求出P(i+1)，计算得到的K(i+1)、P(i+1)以及x(i+1)作为下一时刻迭代的参数进行处理。

优选的，所述通过拟牛顿算法计算得到定位点的坐标包括以下步骤：

4a、分别对距离定位点最近的三个蓝牙基站与定位点之间的距离误差进行权重赋值，并构建最小化目标函数目标函数为所述距离误差的加权和，其中，距离误差等于距离定位点最近的三个蓝牙基站与定位点之间的距离测量值与距离d值之差，所述距离测量值等于定位点的坐标与距离定位点最近的三个蓝牙基站的坐标之差；

4b、迭代次数初始值k设定为0，同时设定迭代初始值和精度阈值ε₀，对称正定矩阵初始值为单位矩阵I；

4c、根据计算确定搜索方向其中

4d、根据求出最优步长因子λ_k，同时根据分别得到和

4e、根据计算得到

4f、若则令k＝k+1，并返回执行步骤4c；

4g、若则终止迭代。

优选的，所述蓝牙基站采用支持4.0以上蓝牙协议的蓝牙网关。

优选的，所述蓝牙网关包括用于将测得的蓝牙信号RSSI值通过mqtt协议传输给服务器的WiFi模块。

优选的，所述蓝牙信号源采用支持标准ibeacon协议和4.0以上蓝牙协议的蓝牙信标。

本发明实施例具有如下优点：

本发明实施例提出的一种基于蓝牙信号RSSI的室内定位方法，根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算定位场地部署的N个蓝牙基站与蓝牙信号源的距离d，根据距离蓝牙信号源最近即距离d值最小的三个蓝牙基站的距离d值和坐标，通过拟牛顿算法计算得到定位点的坐标，算法避免了传统的室内三点定位算法中可能遇到的求解病态方程组的情况，保证了定位坐标的准确性，同时相比于传统的牛顿算法，计算过程简化，提高了运算速度，从而有效保证了定位计算结果精准度和运算速度。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例1提供的一种基于蓝牙信号RSSI的室内定位方法的流程示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本实施例提出的一种基于蓝牙信号RSSI的室内定位方法，包括以下步骤：

S1、在定位场地部署N个蓝牙基站并获取蓝牙基站的坐标，其中N≥3。优选的，蓝牙基站采用支持4.0以上蓝牙协议的蓝牙网关，以吸顶、挂墙或水平放置的方式部署多个蓝牙网关，蓝牙网关包括用于将测得的蓝牙信号RSSI值通过mqtt协议传输给mqtt服务器的WiFi模块，后台定位***由mqtt服务器获取蓝牙网关的检测数据，蓝牙信号源采用支持苹果标准ibeacon协议和4.0以上蓝牙协议的蓝牙信标，各个蓝牙网关的部署距离控制在十米内，选择一个常规非极端的环境进行部署即可。

S2、在定位点设置蓝牙信号源，采集N个蓝牙基站的蓝牙信号RSSI值。在定位点放置蓝牙信标，同时打开mqtt服务器和后台定位***，蓝牙网关扫描到蓝牙信标信号后，根据扫描到的信号强度判断出信号强度值(RSSI)，蓝牙网关会以mqtt协议的方式将蓝牙信标距离不同蓝牙基站的信号强度值(RSSI)传输到配置的mqtt服务器，后台定位***再从mqtt服务器上取得相应检测数据。

S3、根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d，其中A为测得的蓝牙基站距离蓝牙信号源1m处的蓝牙信号强度，n为环境衰减因子。

进一步的，根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：对采集到的蓝牙信号RSSI值进行滤波处理。

优选的，方法还包括：利用卡尔曼滤波器对采集到的蓝牙信号RSSI值进行滤波处理。卡尔曼滤波(Kalman filtering)一种利用线性***状态方程，通过***输入输出观测数据，对***状态进行最优估计的算法，算法上采用递推形式。由于观测数据中包括***中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

进一步的，卡尔曼滤波器采用如下的迭代公式进行滤波处理：

K(i+1)＝P(i)/(P(i)+R) (1)；

x(i+1)＝x(i)+K(i+1)·(RSSI-x(i)) (2)；

P(i+1)＝(1-K(i+1))·P(i)+Q (3)；

其中，K(i+1)表示在i+1时刻的卡尔曼增益，x(i)和x(i+1)分别表示在i时刻和i+1时刻的经过滤后的RSSI值，P(i)和P(i+1)分别表示在i时刻和i+1时刻的误差协方差，Q表示符合高斯分布的过程噪声的协方差，R表示符合高斯分布的测量噪声的协方差，具体的，对P(i)、R、Q、x(i)进行初始化设置时设定i＝1、R和Q设定为常量，对P(1)和x(1)进行粗略赋值，在i+1时刻产生新的测量值RSSI时，首先根据公式(1)基于P(i)和R计算出K(i+1)，然后根据公式(2)基于K(i+1)和x(i)计算出x(i+1)，最后根据公式(3)基于K(i+1)和Q求出P(i+1)，计算得到的K(i+1)、P(i+1)以及x(i+1)作为下一时刻迭代的参数进行处理。

通过卡尔曼滤波器来过滤异常值，保证了测量数据的可靠性，当前主流的蓝牙定位方案中，因为信号存在一定的跳变，收集到的信号值波动会直接影响到模型算出来的距离，针对蓝牙信号跳变的问题，通过卡尔曼滤波器对收集到的蓝牙信标信号值做了一次预处理，可以从整体上使得收集到的信号值趋于平稳，避免出现太大的波动，同时偶然发生的异常值也会被过滤掉。

优选的，根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：利用深度学习优化算法拟合得到环境衰减因子n。

进一步的，利用深度学习优化算法拟合得到环境衰减因子n包括：

选取适当测试点设置蓝牙信号源，测量得到N个蓝牙基站与蓝牙信号源之间的距离d以及N个蓝牙基站的蓝牙信号RSSI，并对采集到的蓝牙信号RSSI值进行滤波处理，滤波处理过程参考如上所述，获得一组距离d数据集和一组RSSI数据集，分别记为[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]；

将[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]分别作为计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}的输入量和输出量对环境衰减因子n进行深度学习拟合，拟合时首先在环境衰减因子n的经验值范围1-4内随机选取一个值作为环境衰减因子n的初始值，并基于此初始值进行多次迭代计算，定义损失函数采用均方误差的形式，均方误差计算公式为其中为蓝牙信号RSSI的预测值，θ为蓝牙信号RSSI的测试真值，每次迭代计算过程利用随机梯度下降算法根据损失函数的值对环境衰减因子n进行优化，直至得到损失函数值最小的环境衰减因子n。随机梯度下降算法(Stochastic GradientDescent,SGD)即SGD优化器，SGD的工作原理就是利用数据中任意点的梯度来决定如何更新模型中系数n的值，基于损失函数的输出来修正n值，优化器的目的就是尽可能的减小损失函数的值，通过多次训练后可取得损失函数值最小的n值。

通过深度学习训练拟合n值代替经验值，可以得到更精准的预测，传统主流方案中n值通常是经验值，而真实的n值受环境影响，变动较大，人为选取会产生对最后定位结果有重大影响的偏差，通过深度学习的方式多次训练拟合后的n值，能够在不同的环境中根据蓝牙信标的信号值较为精确的预测其与蓝牙网关的距离。

S4、根据距离蓝牙信号源最近即距离d值最小的三个蓝牙基站的距离d值和坐标，通过拟牛顿算法计算得到定位点的坐标。

进一步的，通过拟牛顿算法计算得到定位点的坐标包括以下步骤：

4a、分别对距离定位点最近的三个蓝牙基站与定位点之间的距离误差进行权重赋值，并构建最小化目标函数为距离误差的加权和，其中，距离误差等于距离定位点最近的三个蓝牙基站与定位点之间的距离测量值与距离d值之差，距离测量值等于定位点的坐标与距离定位点最近的三个蓝牙基站的坐标之差；

4b、迭代次数初始值k设定为0，同时设定迭代初始值和精度阈值ε₀，对称正定矩阵初始值为单位矩阵I；

4c、根据计算确定搜索方向其中

4d、根据求出最优步长因子λ_k，同时根据分别得到和

4e、根据计算得到

4f、若则令k＝k+1，并返回执行步骤4c；

4g、若则终止迭代。

利用拟牛顿算法有效保证了计算结果精准度和运算速度，传统的室内三点定位算法中，最后会用最小二乘法拟合计算求解坐标，如果定位使用的三点分布不合理，可能会遇到求解一个病态方程组的情况，直接导致最终的定位坐标出现极大的偏差，本实施例直接以定位点与距离最近的三个蓝牙基站的距离误差加权和为目标函数，用拟牛顿算法求解无约束非线性极小值问题，新算法避免了求解病态方程组的情况，保证了定位坐标的准确性，同时相比于传统的牛顿算法，拟牛顿算法用特定的对称正定矩阵来近似目标函数的Hessian矩阵，避免了计算Hessian矩阵的繁琐过程，提高了算法运算速度。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述方法包括以下步骤：

S1、在定位场地部署N个蓝牙基站并获取蓝牙基站的坐标，其中N≥3；

S2、在定位点设置蓝牙信号源，采集N个蓝牙基站的蓝牙信号RSSI值；

S3、根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d，其中A为测得的蓝牙基站距离蓝牙信号源1m处的蓝牙信号强度，n为环境衰减因子；

S4、根据距离蓝牙信号源d值最小的三个蓝牙基站的距离d值和坐标，通过拟牛顿算法计算得到定位点的坐标。

2.根据权利要求1所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：

利用深度学习优化算法拟合得到环境衰减因子n。

3.根据权利要求1所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述根据计算模型d＝10^{((ABS(RSSI)-A)/(10*n))}，分别计算每个蓝牙基站与蓝牙信号源的距离d之前，还包括：

对采集到的蓝牙信号RSSI值进行滤波处理。

4.根据权利要求2所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述利用深度学习优化算法拟合得到环境衰减因子n包括：

选取适当测试点设置蓝牙信号源，测量得到N个蓝牙基站与蓝牙信号源之间的距离d以及N个蓝牙基站的蓝牙信号RSSI，并对采集到的蓝牙信号RSSI值进行滤波处理，获得一组距离d数据集和一组RSSI数据集，分别记为[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]；

将[d₁,d₂,d₃,...,d_N]和[RSSI₁,RSSI₂,RSSI₃,...,RSSI_N]分别作为计算模型d＝10^{((ABS (RSSI)-A)/(10*n))}的输入量和输出量对环境衰减因子n进行深度学习拟合，拟合时首先在环境衰减因子n的经验值范围1-4内随机选取一个值作为环境衰减因子n的初始值，并基于此初始值进行多次迭代计算，定义损失函数采用均方误差的形式，均方误差计算公式为其中为蓝牙信号RSSI的预测值，θ为蓝牙信号RSSI的测试真值，每次迭代计算过程利用随机梯度下降算法根据损失函数的值对环境衰减因子n进行优化，直至得到损失函数值最小的环境衰减因子n。

5.根据权利要求1或4所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述方法还包括：利用卡尔曼滤波器对采集到的蓝牙信号RSSI值进行滤波处理。

6.根据权利要求5所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述卡尔曼滤波器采用如下的迭代公式进行滤波处理：

K(i+1)＝P(i)/(P(i)+R) (1)；

x(i+1)＝x(i)+K(i+1)·(RSSI-x(i)) (2)；

P(i+1)＝(1-K(i+1))·P(i)+Q (3)；

其中，K(i+1)表示在i+1时刻的卡尔曼增益，x(i)和x(i+1)分别表示在i时刻和i+1时刻的经过滤后的RSSI值，P(i)和P(i+1)分别表示在i时刻和i+1时刻的误差协方差，Q表示符合高斯分布的过程噪声的协方差，R表示符合高斯分布的测量噪声的协方差，具体的，对P(i)、R、Q、x(i)进行初始化设置时设定i＝1、R和Q设定为常量，对P(1)和x(1)进行粗略赋值，在i+1时刻产生新的测量值RSSI时，首先根据公式(1)基于P(i)和R计算出K(i+1)，然后根据公式(2)基于K(i+1)和x(i)计算出x(i+1)，最后根据公式(3)基于K(i+1)和Q求出P(i+1)，计算得到的K(i+1)、P(i+1)以及x(i+1)作为下一时刻迭代的参数进行处理。

7.根据权利要求1所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述通过拟牛顿算法计算得到定位点的坐标包括以下步骤：

4a、分别对距离定位点最近的三个蓝牙基站与定位点之间的距离误差进行权重赋值，并构建最小化目标函数目标函数为所述距离误差的加权和，其中，距离误差等于距离定位点最近的三个蓝牙基站与定位点之间的距离测量值与距离d值之差，所述距离测量值等于定位点的坐标与距离定位点最近的三个蓝牙基站的坐标之差；

4b、迭代次数初始值k设定为0，同时设定迭代初始值和精度阈值ε₀，对称正定矩阵初始值为单位矩阵I；

4c、根据计算确定搜索方向其中

4d、根据求出最优步长因子λ_k，同时根据分别得到和

4e、根据计算得到

4f、若则令k＝k+1，并返回执行步骤4c；

4g、若则终止迭代。

8.根据权利要求1所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述蓝牙基站采用支持4.0以上蓝牙协议的蓝牙网关。

9.根据权利要求8所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述蓝牙网关包括用于将测得的蓝牙信号RSSI值通过mqtt协议传输给服务器的WiFi模块。

10.根据权利要求1所述的一种基于蓝牙信号RSSI的室内定位方法，其特征在于，所述蓝牙信号源采用支持标准ibeacon协议和4.0以上蓝牙协议的蓝牙信标。