CN109819394A - 基于WiFi与超声波混合的室内定位方法及其*** - Google Patents

Abstract

本发明公开了一种基于WiFi与超声波混合的室内定位方法及其***。该室内定位方法及其***综合WiFi室内定位技术和超声波室内定位技术各自的特点，采用聚类算法将收集到的WiFi指纹数据进行聚类，利用距离方程计算出目标所处子区域，最后结合超声波测距进行局部区域的精确定位。该室内定位方法及其***既降低了指纹定位数据复杂度的影响，又克服了超声波发射器角度有限的缺陷，减少了所需超声波发射器的数量。

Description

基于WiFi与超声波混合的室内定位方法及其***

技术领域

本发明涉及一种基于WiFi与超声波混合的室内定位方法，同时也涉及相应的室内定位***，属于无线定位技术领域。

背景技术

室内环境下的定位一直是一个很多问题未被解决的领域。由于信号的严重衰减和多径效应，通用的室外定位技术(比如GPS、北斗等)并不能在建筑物内有效地工作。目前，大部分室内环境下都存在WiFi。WiFi信号具有高覆盖率、流量大以及传输距离远等特点，这使得基于WiFi的室内定位技术得到了快速发展。

基于WiFi的室内定位技术可以分为两类，即：基于测距的室内定位技术和基于指纹的室内定位技术。其中，基于测距的室内定位技术是在室内部署多个锚节点，通过计算设备到锚节点之间的相对距离来定位追踪设备的位置。其中，距离可以通过多种方法来获取，如接收的信号强度(RSSI)、到达时间(ToA)、到达角度(AoA)。基于RSSI的测距方法是利用路径衰减模型计算距离。基于ToA的测距方法是通过获取信道冲激响应的多径分量首次到达时间来测量距离。基于AoA的测距方法是通过某些硬件设备感知发射节点信号的到达方向，计算接收节点和锚节点之间的相对方位或角度，然后再利用三角测量法等计算出未知节点的位置。基于指纹的室内定位技术是将实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹。这个指纹可以是单维或多维的，比如待定位设备在接收或者发送信号，那么指纹可以是这个信号或信号的一个特征或多个特征。待定位设备接收一些固定的发送设备的信号或信号特征，然后根据这些检测到的信号特征来估计自身的位置。

另一方面，超声波室内定位技术是建立在超声波测距基础上的。由于超声波测距的精度能达到毫米级，因此使用超声波进行室内定位的精度也比较高。但是，超声波发射器存在一定的波束角，在复杂的遮挡物面前往往无法像WiFi信号那样能够跨越一些遮挡物。因此，WiFi室内定位技术和超声波室内定位技术各有利弊。如果能够取长补短，将成为室内定位技术的有力竞争者。

发明内容

针对现有技术中的不足，本发明所要解决的首要技术问题在于提供一种基于WiFi与超声波混合的室内定位方法。

本发明所要解决的另一技术问题在于提供一种基于WiFi与超声波混合的室内定位***。

为实现上述发明目的，本发明采用下述的技术方案：

根据本发明实施例的第一方面，提供一种基于WiFi与超声波混合的室内定位方法，包括如下步骤：

步骤1：获得WiFi指纹，构建WiFi指纹库；

步骤2：采用聚类算法对收集到的WiFi指纹数据进行聚类分析；

步骤3：将目标位置锁定至单个子区域内，结合超声波测距进行局部区域的细分定位。

其中较优地，所述步骤1中，由定位终端在定位区域的不同位置获取相应的WiFi信号的特征，并收集该位置的特征与位置信息，通过归一化方法构建所述WiFi指纹库。

其中较优地，利用定位终端在同一位置对同一个无线路由器连续记录多次WiFi信号的特征，求取平均值作为该位置的WiFi信号的特征。

其中较优地，所述WiFi信号的特征包括但不限于信号强度、多径结构、是否能检测到接入点或基站、往返时间或延迟中的任意一种或多种。

其中较优地，所述步骤2中，利用K-means聚类算法将所收集的WiFi指纹数据聚成K类，然后利用当前信号强度所处点与K个类中心的曼哈顿距离计算当前点的初始位置，其中K为正整数。

其中较优地，将所收集的WiFi指纹数据聚成K类，包括如下子步骤：

(1)在定位区域中随机地选择K个点作为聚类中心；

(2)依次计算定位区域内各个点到K个聚类中心之间的欧氏距离，并将距离相近的点归为一类；欧氏距离计算如下：

其中，向量RSSI_j,k为位置点j的RSSI值，向量y为某个聚类中心值，p为无线路由器的个数，q为每个位置的采集样本个数；

(3)重新计算所有聚类中心，记TM_idt为1个簇的所有成员向量值的集合，idt表示该簇的标号，则此簇的聚类中心值H^idt表示为

(4)循环步骤(2)与(3)，直至聚类中心位置收敛，小于预期阈值。

其中较优地，根据如下公式，确定当前点的信号强度RSSI_i所属的子区域S_K：

S_k＝min{Manhattan_distance(RSSI_i,RSSI_u,Sk)}

其中，S_k为当前子区域的类中心，在循环计算之后找出曼哈顿距离最近的子区域类中心，确定当前子区域的下标S_k；

利用如下公式，根据WiFi指纹库中的数据进行坐标映射，获取当前点的初始坐标：

(x₀,y₀)＝min{Manhattan_distance(RSSI_m,RSSI_u,Sk,x,y)}

其中，S_k,x,y为S_k内的指纹坐标点。

其中较优地，所述步骤3中，在确定S_k所在的区域时，旋转超声波发射器的方向，使其对准至相应的区域上方。

其中较优地，还包括步骤4：当初始坐标与超声波二维坐标之差大于预定的阈值时，重新返回步骤2，直至初始坐标与超声波二维坐标之差小于预定的阈值为止。

根据本发明实施例的第二方面，提供一种基于WiFi与超声波混合的室内定位***，包括定位终端、服务器、超声波接收器、多个无线路由器和多个超声波发射器，其中所述室内定位***用于实施上述的室内定位方法。

与现有技术相比较，本发明所提供的室内定位方法及其***综合WiFi室内定位技术和超声波室内定位技术各自的特点，采用聚类算法将收集到的WiFi指纹数据进行聚类，利用距离方程计算出目标所处子区域，最后结合超声波测距进行局部区域的精确定位。该室内定位方法及其***既降低了指纹定位数据复杂度的影响，又克服了超声波发射器角度有限的缺陷，减少了所需超声波发射器的数量。

附图说明

图1为本发明所提供的基于WiFi与超声波混合的室内定位方法的流程图；

图2为将定位区域划分为k个子区域的示意图；

图3为本发明所提供的基于WiFi与超声波混合的室内定位***的示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案展开详细具体的说明。

前已述及，如果将WiFi室内定位技术和超声波室内定位技术进行取长补短，将成为室内定位技术的有力竞争者。为此，本发明首先提供了一种基于WiFi与超声波混合的室内定位方法，其采取的技术思路是：首先采集当前参考点的WiFi信号的一个特征或多个特征(优选为信号强度RSSI，也可以包括其它特征，例如某个位置上WiFi信号的多径结构、某个位置上是否能检测到接入点或基站、某个位置上WiFi信号的往返时间或延迟等)，获得WiFi指纹，通过归一化方法构建WiFi指纹库；之后，将目标位置锁定至单个子区域内，结合高精度的超声波测距进行局部区域的细分定位。下面，对此展开详细具体的说明。

图1为本发明所提供的基于WiFi与超声波混合的室内定位方法的流程图。

在本发明的一个实施例中，假设定位区域面积为S，根据定位区域的面积S大小以及室内布局情况将定位区域划分为k个子区域S_i(子区域S_i优选为均等，但也不排斥不均等的情况)，即定位区域S＝(S₁,S₂,…,S_k)，具体参见图2。

在该定位区域面积S中部署p个无线路由器AP_u,idu,1≤u≤p。以1m*1m的幅度设置采样点并记录坐标值，假设在定位区域设置m个采样点，每个采样点的信号强度RSSI与位置信息表示为：

m_v＝(RSSI_u,v、S_i、id_u、(x,y))

其中，RSSI_u,v表示在采样点v处收集到第u个AP的RSSI(信号强度)，1≤u≤p,1≤v≤m,S_i表示采样点所在的第i个区域，idu表示第u个无线路由器的id，(x,y)表示采样点的坐标，上述的k、p、m、u、i等均为正整数。

步骤1：获得WiFi指纹，构建WiFi指纹库

如图1所示，首先由定位终端(例如配置有CC2530芯片的定位基站或智能手机等)在定位区域的不同位置(即不同的采样点)获取相应的WiFi信号的RSSI，并收集该位置的RSSI与位置信息，建立初始的WiFi指纹库。

在建立WiFi指纹库时，为了保证数据的时效性以及可靠性，可以利用定位终端在同一位置对同一个无线路由器连续记录多次RSSI，求取RSSI的平均值作为该位置的RSSI。

为了减少缺失值的影响，将特定位置不同路由收集的数据进行标准化处理，即：

MAX＝{J₁,J₂,…,J_p} (1)

MIN＝{j₁,j₂,…,j_p} (2)

式中，

式中，1≤u≤p,1≤v≤m,RP＝{RSSI₁,RSSI₂,…,RSSI_m}，则每个标准化特征值表示如下：

利用上述公式(1)～(5)，可以通过归一化方法构建出WiFi指纹库。

步骤2：采用聚类算法对收集到的WiFi指纹数据进行聚类分析

在本发明的一个实施例中，利用K-means聚类算法(或类似的基于划分的聚类算法，例如K-medoids算法、CLARANS算法等)将所收集的WiFi指纹数据聚成K类(K为正整数，下同)，然后利用当前信号强度所处点(即当前点)与K个类中心的曼哈顿距离计算当前点的初始位置。

具体说明如下：

上述步骤所采集的数据集都是由标准化的特征向量组成的，利用K-means聚类算法将其划分为若干个群，每个群中都有一个中心，若干个成员。划分步骤如下：

(1)在定位区域中随机地选择K个点作为聚类中心。

(2)依次计算定位区域内各个点到K个聚类中心之间的欧氏距离，并将距离相近的点归为一类。欧氏距离计算如下：

其中，向量RSSI_j,k为位置点j的RSSI值，向量y为某个聚类中心值，p为无线路由器的个数，q为每个位置的采集样本个数。

(3)重新计算所有聚类中心，记TM_idt为1个簇的所有成员向量值的集合，idt表示该簇的标号，则此簇的聚类中心值H^idt表示为

(4)循环步骤(2)与(3)，直至聚类中心位置收敛，小于预期阈值。

当K-means聚类算法完成后，在空间分布上具有相似信号强度的点会被聚成一类，最后在整个区域聚成K个簇。

然后，根据公式(8)确定当前点的信号强度RSSI_i所属的子区域S_K，然后利用公式(9)根据WiFi指纹库中的数据进行坐标映射，获取当前点的初始坐标。

S_k＝min{Manhattan_distance(RSSI_i,RSSI_u,Sk)} (8)

其中，S_k为当前子区域的类中心，在循环计算之后可以找出曼哈顿距离最近的子区域类中心，确定当前子区域的下标S_k。

(x₀,y₀)＝min{Manhattan_distance(RSSI_m,RSSI_u,Sk,x,y)} (9)

其中，S_k,x,y为S_k内的指纹坐标点。

根据WiFi指纹库中的数据，即多维度的信号强度以及当前点的真实坐标，在子区域S_k内进行新一轮搜索之后，将最小距离的点的坐标赋值给当前点作为初始定位值。

步骤3：将目标位置锁定至单个子区域内，结合超声波测距进行局部区域的细分定位

接下来，在所确定的子区域S_k内，结合高精度的超声波测距进行局部区域的精准定位。具体说明如下：

在确定S_k所在的区域时，旋转超声波发射器的方向，使其对准至相应的区域上方。这样能够自适应性地缩小超声波定位的范围，也能够克服超声波发射本身的角度限制问题。

相应的旋转角度可以通过如下方式予以确定：假使当前超声波发射器位于S区域中心正上方，然后根据所处高度H_sonic以及在S区域上映射点到所处子区域S_k距离D_k,xy的正切值，如公式(10)。

Θ＝arctan(H_sonic/D_k,xy) (10)

在子区域S_k内，通过接收到的三个超声波发射器的信号传输的距离d₁，d₂，d₃来计算坐标值，如公式(11)。

步骤4：定位模型校准

当初始坐标与超声波二维坐标之差大于预定的阈值时，重新返回步骤2，直至初始坐标与超声波二维坐标之差小于预定的阈值为止。具体计算参见公式(12)。

|(x₀,y₀)-(x__sonic,y__sonic)|<＝1 (12)

上面对本发明所提供的基于WiFi与超声波混合的室内定位方法进行了详细的说明。接下来，进一步介绍用于实施上述室内定位方法的室内定位***的基本组成和工作原理。

如图3所示，在本发明所提供的室内定位***的一个实施例中，包括定位终端、服务器、超声波接收器、多个无线路由器和多个超声波发射器。其中，定位终端和超声波接收器可以集成为一体。服务器可以由PC或者笔记本电脑等实现，用于存储WiFi指纹库并执行三维空间定位计算。多个无线路由器和多个超声波发射器分布在室内空间的不同角落，分别向定位终端发射WiFi信号和超声波信号。

在图3所示的室内定位***中，假设有一待定位点(即定位终端所在的位置)，利用上述的公式(5)将该待定位点标准化，利用公式(6)计算待定位点到各聚类中心点之间的欧式距离，将待定位点分配到欧氏距离最近的那一类，利用公式(8)判断该待定位点所在的子区域，将该待定位点的相关位置信息代入该子区域的回归方程，利用公式(9)即可得出待定位点的坐标。

与现有技术相比较，本发明所提供的室内定位方法及其***综合WiFi室内定位技术和超声波室内定位技术各自的特点，采用聚类算法将收集到的WiFi指纹数据进行聚类，利用距离方程计算出目标所处子区域，最后结合超声波测距进行局部区域的精确定位。该室内定位方法及其***既降低了指纹定位数据复杂度的影响，又克服了超声波发射器角度有限的缺陷，减少了所需超声波发射器的数量。

上面对本发明所提供的基于WiFi与超声波混合的室内定位方法及其***进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种基于WiFi与超声波混合的室内定位方法，其特征在于包括如下步骤：

步骤1：获得WiFi指纹，构建WiFi指纹库；

步骤2：采用聚类算法对收集到的WiFi指纹数据进行聚类分析；

步骤3：将目标位置锁定至单个子区域内，结合超声波测距进行局部区域的细分定位。

2.如权利要求1所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

所述步骤1中，由定位终端在定位区域的不同位置获取相应的WiFi信号的特征，并收集该位置的特征与位置信息，通过归一化方法构建所述WiFi指纹库。

3.如权利要求2所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

利用定位终端在同一位置对同一个无线路由器连续记录多次WiFi信号的特征，求取平均值作为该位置的WiFi信号的特征。

4.如权利要求2或3所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

所述WiFi信号的特征包括但不限于信号强度、多径结构、是否能检测到接入点或基站、往返时间或延迟中的任意一种或多种。

5.如权利要求1所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

所述步骤2中，利用K-means聚类算法将所收集的WiFi指纹数据聚成K类，然后利用当前信号强度所处点与K个类中心的曼哈顿距离计算当前点的初始位置，其中K为正整数。

6.如权利要求5所述的基于WiFi与超声波混合的室内定位方法，其特征在于将所收集的WiFi指纹数据聚成K类，包括如下子步骤：

(1)在定位区域中随机地选择K个点作为聚类中心；

(2)依次计算定位区域内各个点到K个聚类中心之间的欧氏距离，并将距离相近的点归为一类；欧氏距离计算如下：

其中，向量RSSI_j,k为位置点j的RSSI值，向量y为某个聚类中心值，p为无线路由器的个数，q为每个位置的采集样本个数；

(3)重新计算所有聚类中心，记TM_idt为1个簇的所有成员向量值的集合，idt表示该簇的标号，则此簇的聚类中心值H^idt表示为

(4)循环步骤(2)与(3)，直至聚类中心位置收敛，小于预期阈值。

7.如权利要求6所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

根据如下公式，确定当前点的信号强度RSSI_i所属的子区域S_K：

S_k＝min{Manhattan_distance(RSSI_i,RSSI_u,Sk)}

其中，S_k为当前子区域的类中心，在循环计算之后找出曼哈顿距离最近的子区域类中心，确定当前子区域的下标S_k；

利用如下公式，根据WiFi指纹库中的数据进行坐标映射，获取当前点的初始坐标：

(x₀,y₀)＝min{Manhattan_distance(RSSI_m,RSSI_u,Sk,x,y)}

其中，S_k,x,y为S_k内的指纹坐标点。

8.如权利要求1所述的基于WiFi与超声波混合的室内定位方法，其特征在于：

所述步骤3中，在确定S_k所在的区域时，旋转超声波发射器的方向，使其对准至相应的区域上方。

9.如权利要求1所述的基于WiFi与超声波混合的室内定位方法，其特征在于还包括步骤4：

当初始坐标与超声波二维坐标之差大于预定的阈值时，重新返回步骤2，直至初始坐标与超声波二维坐标之差小于预定的阈值为止。

10.一种基于WiFi与超声波混合的室内定位***，包括定位终端、服务器、超声波接收器、多个无线路由器和多个超声波发射器，其特征在于所述室内定位***用于实施权利要求1～9中任意一项所述的室内定位方法。