CN110366109B - 一种用于室内目标的定位方法及*** - Google Patents
一种用于室内目标的定位方法及*** Download PDFInfo
- Publication number
- CN110366109B CN110366109B CN201910745621.5A CN201910745621A CN110366109B CN 110366109 B CN110366109 B CN 110366109B CN 201910745621 A CN201910745621 A CN 201910745621A CN 110366109 B CN110366109 B CN 110366109B
- Authority
- CN
- China
- Prior art keywords
- target
- pdr
- detected
- slope
- rssi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明给出了一种用于室内目标的定位方法和***,包括在多个采集点采集室内WiFi信号,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将关系曲线转换为线性关系图,确定线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值;基于斜率k和检测到的待测目标RSSI值,获得待测目标与信号源之间的计算距离;利用待测目标的航迹信息,基于PDR航迹推算获得目标的估算位置,其中,航迹信息包括待测目标的步频、步幅和行走方向;利用计算距离对估算位置进行位置的修正,并将估算位置与修正位置进行加权最小二乘,获得目标的位置信息。当室内环境发生变化时,可快速重建出信号强度的分布场及斜率库。
Description
本申请要求在2019年08月01日提交中国专利局、申请号为201910707865.4、发明名称为《一种用于室内目标的定位方法及***》的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本发明涉及无线信号处理技术领域,尤其是一种用于室内目标的定位方法及***。
背景技术
近年来,随着网络无线技术的飞速发展,无线网络已经基本覆盖了人们所有活动的场所,为人们提供便捷快速的上网服务。同时,现今社会人们在室内的时间越来越久,尽管在户外卫星定位***可以为我们提供精准的位置服务,但在室内时该技术将无法有效的实现。
当前有基于超宽带,ZigBee及Lora等需额外安装硬件的室内定位技术。此类技术不仅需要去额外安装与设计,且定位效果也有限。为此,目前有较多的室内定位***使用WiFi信号接受的强度信息(RSSI)实现室内定位。RSSI无需单独的去测量,其本身就在WiFi信号帧中存在,如在手机端只需调用相应的命令即可查看获得。基于RSSI的定位技术,充分地发挥了已有的WiFi信号,使得室内定位***的实现更加快速便捷。
而基于RSSI的室内定位技术,就目前而言,较多的以指纹匹配算法为主。基本思想为,先在离线的时刻进行信号强度分布的样本采样。对于室内行人定位,则将采样点集中于行人常通过的走道上,采集走道上等间隔点处,可收到的WiFi节点信号(常需不止一个节点)作为指纹存储于指纹库中。当完成数据采集后,行人在室内通过当前收到的各个节点的强度与当前指纹库的搜索对比,得出行人相应的位置。事实上,这带来两大问题,首先是维护,室内环境的变化,例如座椅墙体等,均会改变指纹信息。其次是没有采集过的点将不可能定位,限制了定位搜索的空间。
发明内容
本发明提出了一种用于室内目标的定位方法及***。
在一个方面,本发明提出了一种用于室内目标的定位方法,该方法包括以下步骤:
S1:在多个采集点采集室内WiFi信号,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将关系曲线转换为线性关系图,确定线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值;
S2:基于斜率k和检测到的待测目标RSSI值,获得待测目标与信号源之间的计算距离;
S3:利用待测目标的航迹信息,基于PDR航迹推算获得目标的估算位置,其中,航迹信息包括待测目标的步频、步幅和行走方向;
S4:利用计算距离对估算位置进行位置的修正,并将估算位置与修正位置进行加权最小二乘,获得目标的位置信息。
在具体的实施例中,线性关系图中包括至少3组线性区间,线性区间的斜率k与距离d呈正比。采用多个线性区间能够减少误差,提高计算的精确程度。
在优选的实施例中,距离的计算方式具体为:RSSI=kd+b,其中RSSI表示接收信号强度值,k表示斜率,d表示采集点与路由器之间的距离,b为常数。利用二次方程计算距离,运算简单效率更高。
在具体的实施例中,利用高斯-卡尔曼滤波去除信号采集处理过程中由时间变化的产生的噪声干扰。去除噪声干扰可以保证采集的信号的有效性,提高线性关系图计算距离的准确率。
在具体的实施例中,目标点的位置计算公式为:X=(HTR-1H)-1HTR-1Z,其中,H表示系数矩阵,R表示协方差矩阵,Z表示位置量测值。
在具体的实施例中,修正位置的权重系数大于估算位置的权重系数。修正位置的权重更大可以保证最终计算结果的准确性。
在具体的实施例中,信号源包括至少一个无线路由器。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时上述方法。
根据本发明的第三方面,提出一种用于室内目标的定位***,该***包括:
线性关系图构建单元:配置用于在多个采集点采集室内WiFi信号,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将关系曲线转换为线性关系图,确定线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值;
距离计算单元:配置用于确定线性关系图中的斜率k,基于斜率k和检测到的待测目标RSSI值,获得待测目标与信号源之间的计算距离;
位置估算单元:配置用于利用待测目标的航迹信息,基于PDR航迹推算获得目标的估算位置,其中,航迹信息包括待测目标的步频、步幅和行走方向;
加权叠加单元:配置用于利用计算距离对估算位置进行位置的修正,并将估算位置与修正位置进行加权最小二乘,获得目标的位置信息。
在具体的实施例中,信号源包括至少一个无线路由器。
本发明通过多次采集室内wifi信号构建出的信号与距离的曲线关系图,并利用曲线分割算法将曲线关系图拆分为多个线性关系图,获取多个线性关系图的斜率值,基于信号与距离的线性关系图实现利用室内信号的RSSI值计算与信号源的距离,将该计算距离用于修正PDR所估算的位置,获得修正位置,最终对修正位置和估算位置进行加权最小二乘获得更为准确的目标位置信息。利用测量的信号强度衰减特征入手,且不再使用一般传统的衰减公式模型计算距离,而以一种线性替代的思想将其进行区域空间的划分匹配及递推,可使得室内定位***的扩展维护实现更加简便高效。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一个实施例的用于室内目标的定位方法的流程图;
图2是本发明的一个具体的实施例的线性关系图转化示意图;
图3是本发明的一个具体的实施例的信号强度距离测算过程的算法流程图;
图4是本发明的一个实施例的用于室内目标的定位***的框架图;
图5是本发明的一个具体实施例的室内定位***的结构框架图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的用于室内目标的定位方法,图1示出了根据本发明的实施例的用于室内目标的定位方法的流程图。如图1所示,该方法包括以下步骤:
S101:在多个采集点采集室内WiFi信号,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将关系曲线转换为线性关系图,确定线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值。采集WiFi信号并将其与距离的关系构建成室内WiFi信号与距离的关系曲线,并转换为多个线性关系图,基于线性关系图可较为容易的计算出不同信号值的距离。
在具体的实施例中,利用曲线分割算法WiFi信号RSSI值与距离d的关系曲线转换为线性关系图的示意如图2所示。曲线分割算法(方法)如下:
假定待学习的曲线由若干个测试点组成,分别为(P1,R1),(P2,R2),…(Pn,Rn)其中P表示点的实际坐标位置,而R相应位置点表示接受到的信号强度值。那么分割流程如下:
从第一个点开始逐个增加拟合曲线集的点数,假定当前曲线集中已有k个点,并在增加的过程中不断进行最小二乘拟合,则由该k个点得到的结果不妨设为:k1D+b1=R,该公式即表示由则k个点组成的数据集(由点1到点k的距离内)的最优斜率值(最优的结果为最小二乘得到,通过设置误差阈值进行);
在1的结束点处重复步骤1,将曲线分成若干可近似处理的直线数据集,并得到斜率及斜距值,同时保持。
在优选的实施例中,根据关系曲线的变化趋势,信号RSSI的值随距离的增大呈递减的趋势,将关系曲线转换为3个线性区间,分为信号区间RSSIrange1、RSSIrange2、RSSIrange3,对应的每个信号区间的斜率分别为k1、k2、k3,根据采集的信号值和对应的距离可以计算获得相对应各线性区间的斜率值。
应当认识到,信号值RSSI与距离的关系曲线可以转换为3个以上的线性区间,转换的线性区间越多,所对应的距离值就越准确,但对应需要采集点也越多,可以根据实际的运算精度要求来设定合理的线性区间个数,在保证距离计算精度的同时使构建关系曲线所需采集的采集点相对较少,便于后期的维护,达到最优化的设置。
在优选的实施例中,室内WiFi信号源为一个,具体可以为一个无线路由器,以WiFi信号的强度信息为测量载体,信号强度的测量对硬件要求极低可直接于智能手机端获取。应当认识到,室内WiFi信号源可以为多个,若当前的WiFi节点较多时,将生成一种类似于图像像素分布的指纹空间信息,而这样的信息将精确到cm级,完全由推算算法得出而非由离线时的漫长测量得到,随着WiFi节点数目变化时易扩展维护。
S102:基于所述斜率k和检测到的待测目标RSSI值,获得所述待测目标与所述信号源之间的计算距离。利用斜率库的构建,通过容易获得的RSSI值即可进行距离的计算,依据二次方程计算距离,运算简单效率更高。
在具体的实施例中,在一个线性区间中,斜率k和斜距b为固定值。在当前室内进行至少两次的测量获得至少两组不同的参数值[RSSI1,d1]及[RSSI2,d2]…,基于公式RSSI1=kd1+b,RSSI2=kd2+b…进行二次方程求解,计算出当前线性图的斜率值k和常数b,其中,RSSI1、RSSI2分别表示两个采集点的WiFi信号强度值,d1、d2分别表示两个采集点与所述信号源的距离。
在具体的实施例中,根据检测到的RSSI值,判断待测位置RSSI值属于的RSSIrange范围,利用其对应范围的线性区间,依据公式RSSI=kd+b,计算待测位置与信号源之间的距离d。
S103:利用所述待测目标的航迹信息,基于PDR航迹推算获得目标的估算位置,其中,航迹信息包括所述待测目标的步频、步幅和行走方向。利用PDR航迹推算获得的推算距离优点在于定位精度取决于传感器实时测量的数据的准确性,受周围环境的干扰较小。
在具体的实施例中,PDR航迹推算目标估算位置的具体方式如下:设定初始位置和步长;初始步长需要根据对应模型设定。通过一个佩戴在室内人员身上的具有PDR智能设备,由加速度传感器实时收集数据,可以由收集的加速度信息和预先设定的阈值进行初始化状态判定。通过室内人员起步的时间和步行过程中的加速度值,通过步长算法求出室内人员的步长。通过加速度传感器测量的加速度值对室内人员的运动状态进行判定,对室内行人进行航迹推算得到位置估计。
在优选的实施例中,佩戴在室内人员身上的具有PDR智能设备可以为智能手机,通过智能手机获得当前行人的运动姿态,类比于PDR算法,估计推算出大体的位置信息。
S104:利用所述计算距离对所述估算位置进行位置的修正,并将所述估算位置与所述修正位置进行加权最小二乘,获得所述目标的位置信息。
在具体的实施例中,目标位置的具体计算公式为:
假定,由PDR航迹推算技术所测得的目标推算位置为XPDR,而由上面得到的修正位置为XPDR-RSS。即由两个测量精度不同的***得到的两种不同的估计结果,若设Xreal为真实距离,则有PDR估计***XPDR=Xreal+VPDR,VPDR表示***的估计误差,同样对于由姿态修正的***中XPDR-RSS=Xreal+VPDR-RSS,VPDR-RSS也为当前***的估计误差。将两个测量***结果合并有:
其中W为V的协方差矩阵。
在优选的实施例中,修正位置的权重系数大于估算位置。例如根据精度情况将估算位置与修正位置的权重设置为40%和60%。应当认识到,可以根据实际的测算场景和***对权重值进行其他数值相应的设定,以满足不同场景下的计算要求。
图3示出了本发明的一个具体的实施例的信号强度距离测算过程的算法流程图。该方法具体包括以下步骤:
利用手机获取WiFi信号强度值;通过高斯滤波和卡尔曼滤波去除随时间变化的噪声干扰;通过曲线分割算法将由获取WiFi信号强度值与距离的关系曲线分割为多个线性区间;利用斜率获得算法计算出各线性区间的斜率;构建斜率库及信号区域分布参数;利用斜率匹配算法匹配各线性区间的斜率;最终通过距离估计算法的出估计结果
在具体的实施例中,利用高斯滤波将低概率出现的值滤除,保留高概率出现的数据。假定在某一固定的相对距离下,手机收到某个信号源传来的信号强度的数据集为Pr={Pr(t1)Pr(t2)...Pr(tN)},则相应的函数概率密度为:
高斯滤波仅滤除了小概率的数据存在,为了更好的反应当前的真实值,继高斯滤波后进一步做卡尔曼滤波处理。设下标k,k-1分别表示时刻tk和tk-1,下标k/k-1表示k-1时刻通过状态转移函数预测得到的k时刻的状态,k|k表示由测量值修正预测状态后得到的估计状态。另X=Pr,则***的状态转移方程可以表示为:Xk=Φk,k-1Xk-1+Γk-1Wk-1,其中,Φk,k-1是由时刻tk到tk-1的状态转移矩阵,Wk是状态转移噪声矩阵。设Fk为两侧矩阵,这时有Zk=FkXk+Vk,预测阶段可以表示为:
修正阶段可以表示为:
上式中,Kk为卡尔曼增益矩阵,而Rkδkj=Cov[Vk,Vj T]=E[VkVj T],这里V为量测噪声。结合已经由高斯滤波后的数据做进一步的卡尔曼滤波,通过高斯-卡尔曼滤波可以保证当前收到的信号强度与距离在最小误差的情况下进行对应。
在具体的实施例中,斜率获得算法具体为:在一个线性区间中,斜率k和斜距b为固定值。在当前室内进行至少两次的测量获得至少两组不同的参数值[RSSI1,d1]及[RSSI2,d2]…,基于公式RSSI1=kd1+b,RSSI2=kd2+b…进行二次方程求解,计算出当前线性图的斜率值k和常数b,其中,RSSI1、RSSI2分别表示两个采集点的WiFi信号强度值,d1、d2分别表示两个采集点与所述信号源的距离。
在具体的实施例中,斜率匹配算法匹配各线性区间的斜率具体方式为:根据检测到的RSSI值,判断待测位置RSSI值属于的RSSIrange范围,利用其对应范围的线性区间选取对应斜率的线性区间,最终依据公式RSSI=kd+b,计算待测位置与信号源之间的距离
图4示出了根据本发明的一个实施例的用于室内目标的定位***的框架图。该***包括线性关系图构建单元401、距离测算单元402、位置估算单元403和加权叠加单元404。
在具体的实施例中,线性关系图构建单元401被配置用于在多个采集点采集室内WiFi信号,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将关系曲线转换为线性关系图,确定线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值。
在具体的实施例中,距离测算单元402被配置用于确定线性关系图中的斜率k,基于斜率k和检测到的待测目标RSSI值,获得待测目标与信号源之间的计算距离。位置估算单元403被配置用于利用待测目标的航迹信息,基于PDR航迹推算获得目标的估算位置,其中,航迹信息包括待测目标的步频、步幅和行走方向。加权叠加单元404被配置用于利用计算距离对估算位置进行位置的修正,并将估算位置与修正位置进行加权最小二乘,获得目标的位置信息。通过距离测算单元402、位置修正单元403和位置计算单元404的一系列算法的运算,一定程度上消除了各算法中的误差,最终可以获得较为准确的目标定位信息。
图5示出了根据本发明的一个具体实施例的室内定位***的结构框架图。该***包括移动端和PC端。移动端作为数据采集分析,PC端作为人员与当前地图区域匹配。
在具体的实施例中,移动端将手机中的传感器信息进行解析得到步态信息及航向信息,依据二者结合航迹推算算法得到位置信息。当然,由于手机在人的手中位置将不定,且无法应用当前的零速更新法,将产生较大的误差。为此,在PDR的修正阶段,将通过对不同的WiFi信号节点进行区域分割,在每个区域内进行当前节点的斜率库,用于计算距离信息以对航迹推算的结果进行修正。将移动端的二维坐标信息上传至PC端,PC端中有当前环境的地图信息,通过二者的比对将人员的位置锁定,并反馈至移动端,最终获得目标人员在室内的具***置信息。
本发明的实施例还涉及一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明通过多次采集室内wifi信号构建出的信号与距离的曲线关系图,并利用曲线分割算法将曲线关系图拆分为多个线性关系图,获取多个线性关系图的斜率值,基于信号与距离的线性关系图实现利用室内信号的RSSI值计算与信号源的距离,将该计算距离用于修正PDR所估算的位置,获得修正位置,最终对修正位置和估算位置进行加权最小二乘获得更为准确的目标位置信息。利用测量的信号强度衰减特征入手,且不再使用一般传统的衰减公式模型计算距离,而以一种线性替代的思想将其进行区域空间的划分匹配及递推,可使得室内定位***的扩展维护实现更加简便高效。
本申请是基于国家自然科学基金61671394和中央高校基本科研业务费专项资金资助(20720170044)的研究成果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种用于室内目标的定位方法,其特征在于,包括以下步骤:
S1:在多个采集点采集室内单一的WiFi信号,利用高斯滤波将低概率出现的值过滤后进行卡尔曼滤波处理,构建RSSI值与距离d的关系曲线,基于曲线分割算法将所述关系曲线转换为线性关系图,确定所述线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值;
S2:基于所述斜率k和检测到的待测目标RSSI值,获得所述待测目标与所述信号源之间的计算距离;
S3:利用所述待测目标的航迹信息,基于PDR航迹推算获得所述目标的估算位置,其中,航迹信息包括所述待测目标的步频、步幅和行走方向;
S4:利用所述计算距离对所述估算位置进行位置的修正,并将所述估算位置与所述修正位置进行加权最小二乘,获得所述目标的位置信息X=(HTR-1H)-1HTR-1Z,其中,H表示系数矩阵,R表示协方差矩阵,Z为估算位置和修正位置合并结果,具体的计算公式:
XPDR为PDR航迹推算技术所测得的目标推算位置,XPDR-RSS为利用计算距离对XPDR的修正位置,Xreal为真实距离,V表示估计误差,VPDR表示***的估计误差,VPDR-RSS为PDR修正***的估计误差。
2.根据权利要求1所述的用于室内目标的定位方法,其特征在于,所述线性关系图中包括至少3组线性区间,所述线性区间的斜率k与距离d呈正比。
3.根据权利要求2所述的用于室内目标的定位方法,其特征在于,所述距离的计算方式具体为:RSSI=kd+b,其中RSSI表示接收信号强度值,k表示斜率,d表示采集点与信号源之间的距离,b为常数。
4.根据权利要求1所述的用于室内目标的定位方法,其特征在于,利用高斯-卡尔曼滤波去除信号采集处理过程中由时间变化的产生的噪声干扰。
5.根据权利要求1所述的用于室内目标的定位方法,其特征在于,所述修正位置的权重系数大于所述估算位置的权重系数。
6.根据权利要求1所述的用于室内目标的定位方法,其特征在于,所述信号源包括至少一个无线路由器。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被计算机处理器执行时实施权利要求1至6中任一项所述的方法。
8.一种用于室内目标的定位***,其特征在于,包括:
线性关系图构建单元:配置用于在多个采集点采集室内单一的WiFi信号,利用高斯滤波将低概率出现的值过滤后进行卡尔曼滤波处理,构建RSSI值与距离d的关系曲线,基于曲线分割算法,基于曲线分割算法将所述关系曲线转换为线性关系图,确定所述线性关系图中的斜率k,其中RSSI值表示采集点与信号源之间距离为d时接收的WiFi信号强度值;
距离计算单元:配置用于确定所述线性关系图中的斜率k,基于所述斜率k和检测到的待测目标RSSI值,获得所述待测目标与所述信号源之间的计算距离;
位置估算单元:配置用于利用所述待测目标的航迹信息,基于PDR航迹推算获得所述目标的估算位置,其中,航迹信息包括所述待测目标的步频、步幅和行走方向;
加权叠加单元:配置用于利用所述计算距离对所述估算位置进行位置的修正,并将所述估算位置与所述修正位置进行加权最小二乘,获得所述目标的位置信息X=(HTR-1H)- 1HTR-1Z,其中,H表示系数矩阵,R表示协方差矩阵,Z为估算位置和修正位置合并结果,具体的计算公式:
XPDR为PDR航迹推算技术所测得的目标推算位置,XPDR-RSS为利用计算距离对XPDR的修正位置,Xreal为真实距离,V表示估计误差,VPDR表示***的估计误差,VPDR-RSS也为PDR修正***的估计误差。
9.根据权利要求8所述的用于室内目标的定位***,其特征在于,所述信号源包括至少一个无线路由器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707865 | 2019-08-01 | ||
CN2019107078654 | 2019-08-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110366109A CN110366109A (zh) | 2019-10-22 |
CN110366109B true CN110366109B (zh) | 2021-04-02 |
Family
ID=68224552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910745621.5A Active CN110366109B (zh) | 2019-08-01 | 2019-08-13 | 一种用于室内目标的定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110366109B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824423B (zh) * | 2019-11-26 | 2021-08-17 | 北京壹氢科技有限公司 | 一种多无人车协同导航定位方法及*** |
CN110967669B (zh) * | 2019-11-29 | 2023-06-13 | 东北大学 | 一种基于rssi的室内最近邻定位方法 |
CN112986697B (zh) * | 2019-12-02 | 2024-04-26 | 联合汽车电子有限公司 | 智能钥匙的标定方法、标定***及可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247650A (zh) * | 2008-03-20 | 2008-08-20 | 中科院嘉兴中心微***所分中心 | 一种在无线传感器网络中基于无线信号强度的节点室内定位方法 |
CN102538781B (zh) * | 2011-12-14 | 2014-12-17 | 浙江大学 | 基于机器视觉和惯导融合的移动机器人运动姿态估计方法 |
CN102927980B (zh) * | 2012-10-12 | 2017-05-10 | 深圳市宇恒互动科技开发有限公司 | 一种基于三维多点无线与微惯导的室内定位***、方法 |
CN104144499A (zh) * | 2014-08-18 | 2014-11-12 | 重庆邮电大学 | 基于rssi向量相近度和广义逆的无线传感器网络定位方法 |
CN104796866B (zh) * | 2015-05-06 | 2018-09-11 | 北京我联科技有限公司 | 室内定位方法和装置 |
US10547967B2 (en) * | 2017-02-17 | 2020-01-28 | Regents Of The University Of Minnesota | Integrated assistive system to support wayfinding and situation awareness |
CN107426687B (zh) * | 2017-04-28 | 2019-08-09 | 重庆邮电大学 | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 |
CN107390171B (zh) * | 2017-08-03 | 2020-10-09 | 厦门大学 | 基于toa测距和多普勒效应的水下传感器节点定位方法 |
CN109936837B (zh) * | 2017-12-19 | 2023-12-22 | 深圳长城开发科技股份有限公司 | 一种基于蓝牙的室内定位方法及*** |
-
2019
- 2019-08-13 CN CN201910745621.5A patent/CN110366109B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110366109A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A novel convolutional neural network based indoor localization framework with WiFi fingerprinting | |
Zuo et al. | Multi-phase fingerprint map based on interpolation for indoor localization using iBeacons | |
CN109298389B (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
CN110366109B (zh) | 一种用于室内目标的定位方法及*** | |
Luo et al. | PiLoc: A self-calibrating participatory indoor localization system | |
Elbakly et al. | A robust zero-calibration RF-based localization system for realistic environments | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN104144495B (zh) | 一种基于方向传感器与wlan网络的指纹定位方法 | |
CN109379711B (zh) | 一种定位方法 | |
Yang et al. | Research on Wi-Fi indoor positioning in a smart exhibition hall based on received signal strength indication | |
Liu et al. | Indoor positioning system based on the improved W-KNN algorithm | |
CN110488392A (zh) | 一种基于海平面气压数据的气旋中心识别和半径估算方法 | |
Siyang et al. | WKNN indoor Wi-Fi localization method using k-means clustering based radio mapping | |
Abusara et al. | RSS fingerprints dimensionality reduction in WLAN-based indoor positioning | |
Cui et al. | Indoor Wi-Fi positioning algorithm based on location fingerprint | |
Dong et al. | Neural network based radio fingerprint similarity measure | |
Subakti et al. | Indoor Localization with Fingerprint Feature Extraction | |
Yuan et al. | Efficient WiFi fingerprint training using semi-supervised learning | |
CN111836188B (zh) | 一种基于Wi-Fi RSS的在线协同定位及*** | |
Soro et al. | Performance comparison of indoor fingerprinting techniques based on artificial neural network | |
CN104101861B (zh) | 测距定位方法及*** | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与*** | |
CN111474516A (zh) | 一种基于众包样本曲面拟合的多层次室内定位方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |