CN110717504A - 一种基于证据理论融合与多源传感器特征匹配的行人定位方法 - Google Patents

Abstract

本发明公开了一种基于证据理论融合与多源传感器特征匹配的行人定位方法，该方法基于行人移动设备中的多源传感器特征证据融合判定的行人导航路段位置匹配算法，根据外界环境和用户姿态变化所产生的多源传感器数据在目标路径上进行空间位置确定，生成对应不可视地标链名片；将实时多源传感器数据匹配结果利用融入证据权重与证据伴生的Dempster证据融合规则进行空间位置匹配，实现行人实时位置计算。本发明充分利用行人移动设备中的多源数据，实现室内外无缝衔接的行人定位方法，提高了室内外定位精度。

Description

一种基于证据理论融合与多源传感器特征匹配的行人定位 方法

技术领域

本发明涉及行人定位算法领域，尤其涉及一种基于证据理论融合与多源传感器特征匹配的行人定位方法。

背景技术

目前大多数行人携带的移动设备上都搭载着感知外部环境和设备状态的多源传感器硬件，现有的行人定位算法大多只依靠其中一两种传感器，没用充分对源数据进行数据挖掘和利用。而且多数现有研究将室内外环境下的行人定位分别进行讨论，未做到室内外的无缝定位，使得用户在行人导航任务时，缺乏用户体验感，并加重了行人的操作负担。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于证据理论融合与多源传感器特征匹配的行人定位方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于证据理论融合与多源传感器特征匹配的行人定位方法，该方法基于行人移动设备中的多源传感器特征证据融合判定的行人导航路段位置匹配算法，根据外界环境和用户姿态变化所产生的多源传感器数据在目标路径上进行空间位置确定，生成对应不可视地标链名片；将实时多源传感器数据匹配结果利用融入证据权重与证据伴生的Dempster证据融合规则进行空间位置匹配，实现行人实时位置计算。

进一步地，本发明的该方法的具体步骤包括：

步骤1、在理想实验状态下多次采集目标路段中的传感器数据并进行数据分析，挖掘各传感器独特的多样化特征，根据数据特征将目标路段进行空间分段，记录分段中各传感器的特征信息，构造证据框架；

步骤2、实时提取各传感器的数据特征，将各传感器特征数据与证据框架中记录的特征数据进行对比，通过各传感器独特的相似度评价函数对证据框架路段进行概率分配；

步骤3、利用Yager合成规则与证据权重两种方法结合的方式，预处理证据，同时改进合成规则，将实时传感器数据在证据框架中的概率分配结果进行 dempster证据融合，得到最佳决策结果。

进一步地，本发明的步骤1的具体方法为：

步骤1.1、分别对多源传感器进行特征挖掘，其中描述特征包括：数据幅度值、极值、均值、一阶差分；

步骤1.2、通过若干次采集数据的分段结果，将由于暂时性环境变化或人为影响造成的干扰分段进行剔除，构造综合化后的路段分段结果；

步骤1.3、根据多源传感器路段分段结果，通过求并集操作构造证据框架。

进一步地，本发明的步骤1中采集目标路段中的传感器数据时，根据该路段下采集的多源传感器数据，按照各自挖掘到独特的数据特征将目标路段进行空间划分，保持相同子路段中数据特征一致。

进一步地，本发明的步骤2的具体方法为：

步骤2.1、选取变化趋势间存在一定伴生规律的证据，用于表示环境特征的传感器证据，对真实环境下行人实时位置进行判断与刻画；

步骤2.2、根据各传感器独自的数据特征，构造对证据框架中的路段数据特征与行人实时位置传感器获取数据特征的相似性衡量方法；

步骤2.3、针对不同环境下光线传感器的匹配复杂性，提出基于光线连续性的光线相似度方法，通过实时光线传感器数据与多中环境下的光线数据同时进行连续的匹配，寻找匹配次数最多的光线环境下的光线数据作为与实时光线环境最为贴近的光线状态；

步骤2.4、根据上述相似性衡量方法，寻找前五段最相似的路段进行路段概率的赋值，五段的概率分配为：0.44、0.22、0.14、0.11、0.08。

进一步地，本发明的步骤2中的证据伴生规律，具体是指选取能反映独特环境实时传感器数据，或包含明确路段特征的传感器证据，从而降低后续证据融合时的算法复杂度；各传感器的相似度评价，由各相似度计算公式获得，针对磁力计、陀螺仪、WiFi、光线与GPS的相似度计算公式分别如下：

SimWi-Fi(Wi-Fi_s,Wi-Fi'_s)＝SimName(Wi-Fi_s,Wi-Fi'_s)

其中：

SimLon&Lat(Lon&Lat,Lon'&Lat')＝f(Lon_start-Lon_end,Lon'_start-Lon_end)

+f(Lat_start-Lat_end,Lat'_start-Lat_end)

其中，Magx、Gyro、Wi-Fi等代表证据框架上的传感器数据， Magx'、Gyro'、Wi-Fi'等代表实时的行人传感器数据。磁力计x轴和y轴中 Magx_s＝{1，2}和Magy_s＝{1，2}代表磁力计数据分别处于变化状态和数据稳定状态。Magx_ave|s＝1代表当磁力x数据计处于平稳状态时的数据均值。 Magx_max|s＝2,Magx_min|s＝2and Magx_slope|s＝2分别代表磁力计x轴数据处于变化状态时的最大值，最小值及斜率。同理，Magy_ave|s＝1,Magy_max|s＝2,Magy_min|s＝2,Magy_slope|s＝2与磁力计x轴的意义相同。Gyro_s代表陀螺仪数据的状态，如Gyro_s＝{-1，0，1}分别代表陀螺仪数据处于峰值(左转弯)，0值附近(直线行驶)，谷值(左转弯)。 Wi-FiMAC_Num代表Wi-Fi的MAC地址的数量，WF∩WF'代表证据框架Wi-Fi的MAC名称与行人实时Wi-Fi的MAC名称相同的个数，WF∪WF'代表证据框架 Wi-Fi的MAC名称与行人实时Wi-Fi的MAC名称不相同的个数。Light_max,Light_min,Light_ave分别代表了光强数据在子路段中的最大值最小值及均值。Lon_start,Lat_start,Lon_end,Lat_end分别代表了在子路段开始与结束位置点的经纬度值。

进一步地，本发明的步骤3的具体方法为：

步骤3.1、采用Yager处理证据冲突的方法，将冲突证据分配给未知焦元，除五段最相似的路段概率外，剩余的0.01的概率值赋值给证据框架全集；

步骤3.2、在历史数据集存在的基础上，以每个传感器独立匹配的位置与基准点准确位置之间的距离度作为每种证据的权重；其计算公式为：

其中，w_i为第i个证据的权重，Ns为传感器数量，q为采集的数据次数，θ为构造的识别框架，u为路径中的基准点，

为第i个证据的传感器在第ω次采集数据时对应的基准点位置为j时的匹配结果；

步骤3.3、将获取到各传感器在证据框架上的概率分配结果通过Dempster 融合规则进行融合：其公式为：

其中，w_i为第i个证据的权重，K为归一化常数，m_i是证据i的概率分配函数,A为证据框架子集，F_i≠0代表证据i存在数据变化特征时，才可利用证据融合规则。

本发明产生的有益效果是：本发明的基于证据理论融合与多源传感器特征匹配的行人定位方法，通过挖掘智能手机设备上携带的多源传感器在不同环境和用户不同状态时发生明显的数据波动特征，利用该特征进行路径分段，当新访客处于目标路段中，获取实时的多源传感器数据特征，对不同传感器的相似路径进行相似性概率赋值，得到每种传感器的决策结果；结合证据冲突与证据伴生的D-S证据理论方法对决策结果进行加权融合，得到访客最终的定位路段；充分利用行人移动设备中的多源数据，实现室内外无缝衔接的行人定位方法，提高了室内外定位精度。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例的流程图；

图2为本发明实施例的磁力计传感器分段结果；

图3为本发明实施例的陀螺仪传感器分段结果；

图4为本发明实施例的WiFi分段结果；

图5为本发明实施例的光线传感器分段结果；

图6为本发明实施例的经纬度分段结果；

图7为本发明实施例的证据识别框架。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明主要根据目标路径中不同传感器的特征进行路段划分，构建证据理论中的证据识别框架，根据用户实时采集的传感器特征与框架中每个焦元的特征进行相似性对比，确定证据理论的基本概率分配函数，最后再根据证据理论的融合规则，确定特征匹配结果，具体流程如图1。

步骤1：通过对若干次采集目标路段中的传感器数据进行数据分析，挖掘各传感器独特的多样化特征，根据数据特征将目标路段进行空间分段，记录分段中各传感器的特征信息，构造证据框架。

其中，步骤1的具体操作方法为：

步骤1.1、分别对多源传感器进行特征挖掘，其中描述特征包括但不限于数据幅度值、极值、均值、一阶差分等；

步骤1.2、通过若干次采集数据的分段结果将由于暂时性环境变化或人为影响造成的干扰分段进行剔除，构造综合化后的路段分段结果。

步骤1.3、根据多源传感器路段分段结果通过求并集操作构造证据框架。

步骤2：将实时传感器按照上述步骤提取各传感器的数据特征，将提取的各传感器特征与证据框架中记录的传感器特征进行对比，按照证据伴生规律筛选证据后，通过各传感器独特的相似度评价函数对证据框架路段进行概率分配。

其中，步骤2的具体操作方法为：

步骤2.1、选取变化趋势间存在一定伴生规律的证据，即可用来表示环境特征的传感器证据，能够快速准确地对真实环境下行人实时位置进行判断与刻画。

步骤2.2、根据各传感器独自的数据特征，构造一种对证据框架中的路段数据特征与行人实时位置传感器获取数据特征的相似性衡量方法，针对不同传感器相似度计算公式如下式(1)-(6)：

SimWi-Fi(Wi-Fi_s,Wi-Fi'_s)＝SimName(Wi-Fi_s,Wi-Fi'_s) (3)

其中：

其中Magx、Gyro、Wi-Fi等代表证据框架上的传感器数据，Magx'、Gyro'、Wi-Fi'等代表实时的行人传感器数据。ave为均值，s为传感器的状态，Max,Min，Slope分别代表极大值、极小值与斜率。

步骤2.3、针对不同环境下光线传感器的匹配复杂性，提出一种基于光线连续性的光线相似度方法，通过实时光线传感器数据与多中环境下的光线数据同时进行连续的匹配，寻找匹配次数最多的光线环境下的光线数据作为与实时光线环境最为贴近的光线状态。

步骤2.4、根据上述相似性衡量方法，寻找前五段最相似的路段进行路段概率的赋值，相似度等级评价表如下表1所示。

表1相似度等级评价表

步骤3：利用Yager合成规则与证据权重两种方法结合的方式，在对证据进行预处理的同时，也对合成规则加以改进，将上述得到的传感器在证据框架中的概率分配结果进行dempster证据融合，达到决策结果最佳的效果。

其中，步骤3的具体操作方法为：

步骤3.1、采用Yager处理证据冲突的方法，将冲突证据分配给未知焦元，如表1中，剩余的0.01的概率值赋值给证据框架全集。

步骤3.2、在历史数据集存在的基础上，以每个传感器独立匹配的位置与基准点准确位置之间的距离度作为每种证据的权重。

计算公式如下式(7)所示：

其中Ns为传感器数量，q为采集的数据次数，θ为构造的识别框架，u为路径中的基准点，

为传感器在第ω次采集数据时对应的基准点位置为j时的匹配结果。

步骤3.3、将获取到各传感器在证据框架上的概率分配结果通过Dempster 融合规则进行融合：

其中w_i为第i个证据的权重，K为归一化常数，m_i是证据i的概率分配函数,A为证据框架子集。F_i≠0代表证据i存在数据变化特征时，才可利用证据融合规则。

以下通过具体实施例对本发明做进一步的阐述：

(1)以武汉大学校园区域的一段包括室内外场景的路段为例，设置9个基准点，包括室外6个，室内3个。以20Hz的采样频率采集该路段的传感器数据10次，存储为txt文件。

(2)对采集的多源传感器数据进行特征提取并构造识别框架。

(3)对该数据利用本发明方法进行行人定位实验，本方法与传统证据理论的匹配率对比、室外环境下与GPS定位结果对比和室内环境下与WiFi定位结果的对比结果如下所示：

一、实验数据

实验采集数据格式如下表2所示。

表2实验数据(部分)

二、与传统证据理论匹配率比较

根据十次采集的多源传感器特征的路段分段结果构造证据框架，多源传感器的特征分段如图附2-附6所示，构造的证据框架如图附7所示。

各取其中一组采集数据作为行人实时数据来源，提取实时传感器数据特征与证据框架中多源传感器特征进行匹配，同时利用传统证据理论方法与本发明进行实验，实验结果如下。

表3改进与传统证据理论的匹配结果对比

改进后的证据理论算法对与证据的匹配成功率高达100％，相比传统的方法高出60％，证明了在证据冲突的情况下判断的有效性。

三、与传统定位方法的定位精度比较

在室外6个基准点处采用与GPS定位方法的对比实验，在室内的3个基准点的位置采用与WiFi定位方法的对比实验，实验结果如下所示。

表4改进方法与GPS方法的定位误差对比

表5改进方法与Wi-Fi方法的定位误差对比

本发明定位精度明显优于GPS和Wi-Fi定位结果，平均准确率相比提高 37.56％，在陀螺仪和磁力计等传感器具有明显的数据特征的路段，如转弯位置，可以更准确的进行匹配。

以上对比实验表明，利用基于多源传感器特征证据融合判定的行人导航路段位置匹配算法进行定位能取得较好的结果，可以满足行人导航的定位需求。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，该方法基于行人移动设备中的多源传感器特征证据融合判定的行人导航路段位置匹配算法，根据外界环境和用户姿态变化所产生的多源传感器数据在目标路径上进行空间位置确定，生成对应不可视地标链名片；将实时多源传感器数据匹配结果利用融入证据权重与证据伴生的Dempster证据融合规则进行空间位置匹配，实现行人实时位置计算。

2.根据权利要求1所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，该方法的具体步骤包括：

步骤1、在理想实验状态下多次采集目标路段中的传感器数据并进行数据分析，挖掘各传感器独特的多样化特征，根据数据特征将目标路段进行空间分段，记录分段中各传感器的特征信息，构造证据框架；

步骤2、实时提取各传感器的数据特征，将各传感器特征数据与证据框架中记录的特征数据进行对比，通过各传感器独特的相似度评价函数对证据框架路段进行概率分配；

步骤3、利用Yager合成规则与证据权重两种方法结合的方式，预处理证据，同时改进合成规则，将实时传感器数据在证据框架中的概率分配结果进行dempster证据融合，得到最佳决策结果。

3.根据权利要求2所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，步骤1的具体方法为：

步骤1.1、分别对多源传感器进行特征挖掘，其中描述特征包括：数据幅度值、极值、均值、一阶差分；

步骤1.2、通过若干次采集数据的分段结果，将由于暂时性环境变化或人为影响造成的干扰分段进行剔除，构造综合化后的路段分段结果；

步骤1.3、根据多源传感器路段分段结果，通过求并集操作构造证据框架。

4.根据权利要求2所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，步骤1中采集目标路段中的传感器数据时，根据该路段下采集的多源传感器数据，按照各自挖掘到独特的数据特征将目标路段进行空间划分，保持相同子路段中数据特征一致。

5.根据权利要求2所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，步骤2的具体方法为：

步骤2.1、选取变化趋势间存在一定伴生规律的证据，用于表示环境特征的传感器证据，对真实环境下行人实时位置进行判断与刻画；

步骤2.2、根据各传感器独自的数据特征，构造对证据框架中的路段数据特征与行人实时位置传感器获取数据特征的相似性衡量方法；

步骤2.3、针对不同环境下光线传感器的匹配复杂性，提出基于光线连续性的光线相似度方法，通过实时光线传感器数据与多中环境下的光线数据同时进行连续的匹配，寻找匹配次数最多的光线环境下的光线数据作为与实时光线环境最为贴近的光线状态；

步骤2.4、根据上述相似性衡量方法，寻找前五段最相似的路段进行路段概率的赋值，五段的概率分配为：0.44、0.22、0.14、0.11、0.08。

6.根据权利要求5所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，步骤2中的证据伴生规律，具体是指选取能反映独特环境实时传感器数据，或包含明确路段特征的传感器证据，从而降低后续证据融合时的算法复杂度；各传感器的相似度评价，由各相似度计算公式获得，针对磁力计、陀螺仪、WiFi、光线与GPS的相似度计算公式分别如下：

SimWi-Fi(Wi-Fi_s,Wi-Fi′_s)＝SimName(Wi-Fi_s,Wi-Fi′_s)

其中：

SimLon&Lat(Lon&Lat,Lon'&Lat')＝f(Lon_start-Lon_end,Lon'_start-Lon_end)+f(Lat_start-Lat_end,Lat'_start-Lat_end)

其中，Magx、Gyro、Wi-Fi代表证据框架上的传感器数据，Magx'、Gyro'、Wi-Fi'代表实时的行人传感器数据，磁力计x轴和y轴中Magx_s＝{1，2}和Magy_s＝{1，2}代表磁力计数据分别处于变化状态和数据稳定状态；Magx_ave|s＝1代表当磁力x数据计处于平稳状态时的数据均值；Magx_max|s＝2,Magx_min|s＝2and Magx_slope|s＝2分别代表磁力计x轴数据处于变化状态时的最大值，最小值及斜率；同理，Magy_ave|s＝1,Magy_max|s＝2,Magy_min|s＝2,Magy_slope|s＝2与磁力计x轴的意义相同；Gyro_s代表陀螺仪数据的状态，如Gyro_s＝{-1，0，1}分别代表陀螺仪数据处于峰值，0值附近，谷值；Wi-FiMAC_Num代表Wi-Fi的MAC地址的数量，WF∩WF'代表证据框架Wi-Fi的MAC名称与行人实时Wi-Fi的MAC名称相同的个数，WF∪WF'代表证据框架Wi-Fi的MAC名称与行人实时Wi-Fi的MAC名称不相同的个数；Light_max,Light_min,Light_ave分别代表了光强数据在子路段中的最大值最小值及均值；Lon_start,Lat_start,Lon_end,Lat_end分别代表了在子路段开始与结束位置点的经纬度值。

7.根据权利要求5所述的基于证据理论融合与多源传感器特征匹配的行人定位方法，其特征在于，步骤3的具体方法为：

步骤3.1、采用Yager处理证据冲突的方法，将冲突证据分配给未知焦元，除五段最相似的路段概率外，剩余的0.01的概率值赋值给证据框架全集；

步骤3.2、在历史数据集存在的基础上，以每个传感器独立匹配的位置与基准点准确位置之间的距离度作为每种证据的权重；其计算公式为：

其中，w_i为第i个证据的权重，Ns为传感器数量，q为采集的数据次数，θ为构造的识别框架，u为路径中的基准点，为第i个证据的传感器在第ω次采集数据时对应的基准点位置为j时的匹配结果；

步骤3.3、将获取到各传感器在证据框架上的概率分配结果通过Dempster融合规则进行融合：其公式为：

其中，w_i为第i个证据的权重，K为归一化常数，m_i是证据i的概率分配函数,A为证据框架子集，F_i≠0代表证据i存在数据变化特征时，才可利用证据融合规则。

Images