CN111182460A - 混合型室内定位方法、装置、计算机设备及存储介质 - Google Patents
混合型室内定位方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111182460A CN111182460A CN202010044778.8A CN202010044778A CN111182460A CN 111182460 A CN111182460 A CN 111182460A CN 202010044778 A CN202010044778 A CN 202010044778A CN 111182460 A CN111182460 A CN 111182460A
- Authority
- CN
- China
- Prior art keywords
- terminal
- rssi
- coordinate
- vector
- gateway
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明实施例公开了一种混合型室内定位方法、装置、计算机设备及存储介质。所述方法包括:建立指纹库;若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标;根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。本方案成本低定位精度高。
Description
技术领域
本发明涉及室内定位技术领域,尤其涉及一种混合型室内定位方法、装置、计算机设备及存储介质。
背景技术
随着数据业务和媒体业务的快速增加,人们对定位与导航的需求日益增大,GPS定位的诞生是现代定位技术时代开启的标杆。然而GPS定位在室内环境下干扰大误差大,定位精度难以满足实际需求。
因此,涉及到室内方面的定位解决方案逐渐出现,例如超声波定位、蓝牙定位、红外线定位以及射频识别定位等。
室内定位的关键是根据已知点位信标的信号差异进行定位,核心算法包括三边定位、三点定位、三角定位、双曲线定位及椭圆定位等。一些高性能定位方案采用UWB或者AOA技术,然而这些方法受到相应设备及应用高额成本的限制。
ibeacon是一项低耗能的蓝牙技术,RSSI(Received Signal StrengthIndication)是基于距离与信号强度关系的一种定位算法。由iBeacon发射信号的强度RSSI通过蓝牙设备进行定位接受反馈信号即可定位。该定位方法具有成本优势但是定位准确度不如UWB和AOA技术。
发明内容
本发明实施例提供了一种混合型室内定位方法、装置、计算机设备及存储介质,旨在解决现有技术室内定位准确性低且成本高的问题。
第一方面,本发明实施例提供了一种混合型室内定位方法,其包括:
建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
第二方面,本发明实施例还提供了一种混合型室内定位装置,其包括:
建立单元,用于建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
判断单元,用于若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
第一获取单元,用于若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
输入单元,用于将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
第二获取单元,用于根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
发送单元,用于根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现上述方法。
本发明通过使用深度学习的神经网络和标准室内定位指纹KNN算法结合获得一个高精度低成本的混合型室内定位算法。该混合算法应用于ibeacon的RSSI数据,因此成本低(为现有技术的1/5)。同时通过混合算法准确度显著高于传统使用RSSI定位的算法(比如三边定位或者单独指纹KNN)。
在实时定位时候,本发明提出一个灵活路由天线转换的动态路由的KNN模型,使混合定位算法可以应对部分网关路由故障或者距离较远无法有效接受到信号状态仍然可以稳定定位同时保证较高的定位精度。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种混合型室内定位方法的流程示意图;
图2为矩阵H的示意图;
图3为本发明实施例提供的一种室内定位前端及后台硬件***的示意图;
图4为本发明提供的一种混合型室内定位方法的测试结果图;
图5为本发明提供的一种计算机设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1,图1是本发明实施例提供的混合型室内定位方法的流程示意图。如图所示,该方法包括以下步骤S1-S6。
S1,建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标。
KNN主要基于已采样的数据库进行预测,该数据库在室内定位领域又被称为指纹库,因此也被称为位置指纹定位技术。
在本发明实施例中,首先建立指纹库。指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标。beacon设备为发出信号的设备。RSSI(Received Signal Strength Indication,接收的信号强度指示)用来表征信号强度。
在一实施例中,以上步骤S1具体包括:获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
具体实施中,在一个室内定位空间中在已知关键位置(如四方形房子的四角)布局网关路由,网关路由可以接受到该区域里面beacon设备发送的信号强度RSSI。
室内定位区域中选取MK个参考点,在每个参考点采集信号覆盖范围内的各个网关路由的RSSI,并将该参考点的地理坐标一起存入矩阵H中。
矩阵H如图2所示,在图2中,M为参考点的序号;BMj为在参考点处采集到的第j个网关路由的RSSI;xM为参考点M处的横坐标;y_M为参考点M处的纵坐标。
S2,若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号。
具体实施中,若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号。
S3,若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI。
具体实施中,若所有的网关路由均能接收到终端的ibeacon设备发出的信号,采用固定路由的KNN+ANN混合型室内定位方法。
首先获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI。具体地,获取各网关路由接收到的终端的ibeacon设备发出的信号的RSSI,并根据获取到的RSSI确定第一待测RSSI向量。
S4,将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练。
具体实施中,将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练。
需要说明的是,ANN是一种模仿生物神经元进行信号处理和传递的计算单元,其拥有拟合函数并进行近似估算的能力。人工神经网络由大量的人工神经元联结进行计算。通过对指纹库中的数据进行训练可使得ANN具备根据第一待测RSSI向量预测终端位置的功能。
S5,根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标。
具体实施中,根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标。
在一实施例中,以上步骤S5具体包括:
S51,分别计算所述第一待测RSSI向量与指纹库中各参考点的RSSI向量的欧氏距离。
S52,按照欧氏距离从小到大的顺序选出预设数量的参考点作为目标参考点。
具体实施中,按照欧氏距离从小到大的顺序选出预设数量(例如为3)的参考点作为目标参考点。
S53,获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
具体实施中,获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
S6,根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
具体实施中,根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端,从而实现了对终端位置的定位。
在一实施例中,以上步骤S6具体包括:将所述第一预测坐标以及所述第二预测坐标的均值作为终端的位置坐标。
继续参见图1,在一实施例中,所述方法还包括:
S7,若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标。
具体实施中,若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,采用动态选择路由的方式,并选用基于KNN的室内定位方法。具体地,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标。
需要说明的是,预设数量可由本领域技术人员根据实际情况确定,通常,预设数量小于等于路由总数,但是需要大于3,例如预设数量可设定为5。
S8,对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
具体实施中,通过以下公式Final output=α(xt,yt)+(1-α)(xt-1,yt-1)进行滤波处理。
其中,xt、yt为当前时刻执行算法预测的坐标,xt-1、yt-1为上一时刻算法预测的坐标,α为平滑权重,一般设为0到1之间的数值,数值越低定位越稳定但是延迟较高。
本发明通过使用深度学习的神经网络和标准室内定位指纹KNN算法结合获得一个高精度低成本的混合型室内定位算法。该混合算法应用于IBEACON的RSSI数据,因此成本低(为现有技术的1/5)。同时通过混合算法准确度显著高于传统使用RSSI定位的算法(比如三边定位或者单独指纹KNN)。
在实时定位时候,本发明提出一个灵活路由天线转换的动态路由的KNN模型,使混合定位算法可以应对部分网关路由故障或者距离较远无法有效接受到信号状态仍然可以稳定定位同时保证较高的定位精度。
参见图3,本方法被布局在一个8m X 10m大小的室内展示厅环境,该环境中在四角两边正中总计布局了7个网关,网关发送信号到后台,后台将信号整理成输入格式的结构化数据然后向算法发送定位请求,算法接受输入并计算定位坐标,后台接收到算法返回的定位坐标(x,y)后,经过逻辑平滑处理返回给前端用户。
定位结果如下图4所示,平均定位精度和最大误差均显著优于市面上同类型仅基于RSSI定位的方案(定位准确度1-5m),因此我们的方法同时具有价格和定位准确度优势。
对应于以上混合型室内定位方法,本发明还提供一种混合型室内定位装置。该混合型室内定位装置包括用于执行上述混合型室内定位方法的单元,该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地,该混合型室内定位装置包括:
建立单元,用于建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
判断单元,用于若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
第一获取单元,用于若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
输入单元,用于将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
第二获取单元,用于根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
发送单元,用于根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
在一实施例中,所述混合型室内定位装置还包括:
筛选单元,用于若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标;
滤波单元,用于对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
在一实施例中,所述建立单元包括:
第三获取单元,用于获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;
储存单元,用于将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
在一实施例中,所述第二获取单元包括:
计算单元,用于分别计算所述第一待测RSSI向量与指纹库中各参考点的RSSI向量的欧氏距离;
排序单元,用于按照欧氏距离从小到大的顺序选出预设数量的参考点作为目标参考点;
第四获取单元,用于获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
在一实施例中,所述发送单元包括:
平均单元,用于将所述第一预测坐标以及所述第二预测坐标的均值作为终端的位置坐标。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述混合型室内定位装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述混合型室内定位装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图5,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种混合型室内定位方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种混合型室内定位方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
在一实施例中,处理器502还实现如下步骤:
若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标;
对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
在一实施例中,处理器502在实现所述建立指纹库步骤时,具体实现如下步骤:
获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;
将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
在一实施例中,处理器502在实现所述根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标步骤时,具体实现如下步骤:
分别计算所述第一待测RSSI向量与指纹库中各参考点的RSSI向量的欧氏距离;
按照欧氏距离从小到大的顺序选出预设数量的参考点作为目标参考点;
获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
在一实施例中,处理器502在实现所述根据所述第一预测坐标以及所述第二预测坐标确定终端的位置步骤时,具体实现如下步骤:
将所述第一预测坐标以及所述第二预测坐标的均值作为终端的位置坐标。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤:
建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
在一实施例中,所述处理器在执行所述计算机程序还实现如下步骤:
若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标;
对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
在一实施例中,所述处理器在执行所述计算机程序而实现所述建立指纹库步骤时,具体实现如下步骤:
获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;
将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标步骤时,具体实现如下步骤:
分别计算所述第一待测RSSI向量与指纹库中各参考点的RSSI向量的欧氏距离;
按照欧氏距离从小到大的顺序选出预设数量的参考点作为目标参考点;
获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述第一预测坐标以及所述第二预测坐标确定终端的位置步骤时,具体实现如下步骤:
将所述第一预测坐标以及所述第二预测坐标的均值作为终端的位置坐标。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种混合型室内定位方法,其特征在于,包括:
建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
2.根据权利要求1所述的混合型室内定位方法,其特征在于,所述方法还包括:
若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标;
对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
3.根据权利要求1所述的混合型室内定位方法,其特征在于,所述建立指纹库,包括:
获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;
将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
4.根据权利要求1所述的混合型室内定位方法,其特征在于,所述根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标,包括:
分别计算所述第一待测RSSI向量与指纹库中各参考点的RSSI向量的欧氏距离;
按照欧氏距离从小到大的顺序选出预设数量的参考点作为目标参考点;
获取各目标参考点的坐标均值,并将所述坐标均值作为所述第二预测坐标。
5.根据权利要求1所述的混合型室内定位方法,其特征在于,所述根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,包括:
将所述第一预测坐标以及所述第二预测坐标的均值作为终端的位置坐标。
6.一种混合型室内定位装置,其特征在于,包括:
建立单元,用于建立指纹库,所述指纹库包括参考点的RSSI向量,所述RSSI向量的分量为各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及所述参考点的坐标;
判断单元,用于若终端接收到用户发送的定位请求,判断是否所有的网关路由均能接收到终端的ibeacon设备发出的信号;
第一获取单元,用于若所有的网关路由均能接收到终端的ibeacon设备发出的信号,获取终端的第一待测RSSI向量,所述第一待测RSSI向量的分量为各网关路由接收到的终端的ibeacon设备发出的信号的RSSI;
输入单元,用于将所述第一待测RSSI向量输入到预设的ANN模型中,并将所述ANN模型的输出结果作为终端的第一预测坐标,其中,所述ANN模型预先由所述指纹库中的数据进行训练;
第二获取单元,用于根据所述第一待测RSSI向量以及预设的KNN算法获取终端的第二预测坐标;
发送单元,用于根据所述第一预测坐标以及所述第二预测坐标确定终端的位置,并将终端的位置发送给终端。
7.根据权利要求6所述的混合型室内定位装置,其特征在于,所述混合型室内定位装置还包括:
筛选单元,用于若不是所有的网关路由均能接收到终端的ibeacon设备发出的信号,从能接收到beacon设备发出的信号的网关路由的RSSI中,按照从大到小的顺序选出预设数量的RSSI,根据选出的RSSI确定第二待测RSSI向量,并根据所述第二待测RSSI向量以及预设的KNN算法获取终端的第三位置坐标;
滤波单元,用于对所述第三位置坐标进行滤波处理,以得到终端的位置坐标,所述滤波处理为KALMAN滤波处理,或者权重滤波处理。
8.根据权利要求6所述的混合型室内定位装置,其特征在于,所述建立单元包括:
第三获取单元,用于获取各网关路由接收到参考点处的beacon设备发出的信号的RSSI;
储存单元,用于将各网关路由接收到参考点处的beacon设备发出的信号的RSSI以及参考点的位置坐标作为参考点的RSSI向量储存到预设的矩阵中。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044778.8A CN111182460A (zh) | 2020-01-15 | 2020-01-15 | 混合型室内定位方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044778.8A CN111182460A (zh) | 2020-01-15 | 2020-01-15 | 混合型室内定位方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111182460A true CN111182460A (zh) | 2020-05-19 |
Family
ID=70658050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010044778.8A Pending CN111182460A (zh) | 2020-01-15 | 2020-01-15 | 混合型室内定位方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111182460A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111836196A (zh) * | 2020-06-11 | 2020-10-27 | 成都市灵奇空间软件有限公司 | 一种室内定位的方法和*** |
CN112822626A (zh) * | 2020-08-28 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 终端定位方法、装置、存储介质和电子设备 |
CN113518304A (zh) * | 2021-03-18 | 2021-10-19 | 深圳云里物里科技股份有限公司 | 室内定位方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101175292A (zh) * | 2006-11-02 | 2008-05-07 | 成都西谷曙光数字技术有限公司 | 无线微功率网络定位***及其定位方法 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多***多模型混合交互式信息融合定位方法 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN107113764A (zh) * | 2015-05-22 | 2017-08-29 | 华为技术有限公司 | 提高人工神经网络定位性能的方法和装置 |
CN107339990A (zh) * | 2017-06-27 | 2017-11-10 | 北京邮电大学 | 多模式融合定位***及方法 |
CN107360552A (zh) * | 2017-08-01 | 2017-11-17 | 电子科技大学 | 一种多分类器全局动态融合的室内定位方法 |
CN108181607A (zh) * | 2017-12-21 | 2018-06-19 | 重庆玖舆博泓科技有限公司 | 基于指纹库的定位方法、装置及计算机可读存储介质 |
CN109000654A (zh) * | 2018-06-07 | 2018-12-14 | 全图通位置网络有限公司 | 定位方法、装置、设备及存储介质 |
CN109275096A (zh) * | 2018-11-16 | 2019-01-25 | 电子科技大学 | 一种基于多层融合网络动态匹配的室内定位方法 |
-
2020
- 2020-01-15 CN CN202010044778.8A patent/CN111182460A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101175292A (zh) * | 2006-11-02 | 2008-05-07 | 成都西谷曙光数字技术有限公司 | 无线微功率网络定位***及其定位方法 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多***多模型混合交互式信息融合定位方法 |
CN107113764A (zh) * | 2015-05-22 | 2017-08-29 | 华为技术有限公司 | 提高人工神经网络定位性能的方法和装置 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN107339990A (zh) * | 2017-06-27 | 2017-11-10 | 北京邮电大学 | 多模式融合定位***及方法 |
CN107360552A (zh) * | 2017-08-01 | 2017-11-17 | 电子科技大学 | 一种多分类器全局动态融合的室内定位方法 |
CN108181607A (zh) * | 2017-12-21 | 2018-06-19 | 重庆玖舆博泓科技有限公司 | 基于指纹库的定位方法、装置及计算机可读存储介质 |
CN109000654A (zh) * | 2018-06-07 | 2018-12-14 | 全图通位置网络有限公司 | 定位方法、装置、设备及存储介质 |
CN109275096A (zh) * | 2018-11-16 | 2019-01-25 | 电子科技大学 | 一种基于多层融合网络动态匹配的室内定位方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111836196A (zh) * | 2020-06-11 | 2020-10-27 | 成都市灵奇空间软件有限公司 | 一种室内定位的方法和*** |
CN112822626A (zh) * | 2020-08-28 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 终端定位方法、装置、存储介质和电子设备 |
CN113518304A (zh) * | 2021-03-18 | 2021-10-19 | 深圳云里物里科技股份有限公司 | 室内定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110856112B (zh) | 一种群智感知的多源信息融合室内定位方法及*** | |
Niu et al. | WicLoc: An indoor localization system based on WiFi fingerprints and crowdsourcing | |
Elbakly et al. | A robust zero-calibration RF-based localization system for realistic environments | |
US7257411B2 (en) | Selective fusion location estimation (SELFLOC) for wireless access technologies | |
CN108141837B (zh) | 用于跟踪的装置和方法 | |
CN111182460A (zh) | 混合型室内定位方法、装置、计算机设备及存储介质 | |
CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位***及方法 | |
CN110933632B (zh) | 一种终端室内定位方法及*** | |
CN112218330B (zh) | 定位方法及通信装置 | |
CN111935820A (zh) | 基于无线网络的定位实现方法及相关设备 | |
WO2022099999A1 (zh) | 一种室内定位方法、装置、设备及存储介质 | |
Labinghisa et al. | Neural network-based indoor localization system with enhanced virtual access points | |
CN111757464A (zh) | 一种区域轮廓提取方法及装置 | |
CN105898711B (zh) | 一种基于地磁基准线的定位方法及装置 | |
Zhou et al. | Anonymous crowdsourcing-based WLAN indoor localization | |
Sun et al. | Error estimation method for matrix correlation-based Wi-Fi indoor localization | |
CN111836188B (zh) | 一种基于Wi-Fi RSS的在线协同定位及*** | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与*** | |
CN105866729B (zh) | 一种基于用户行为特征的室内定位方法及装置 | |
JP2012137296A (ja) | 携帯端末の測位方法 | |
Elbakly et al. | Cone: Zero-calibration accurate confidence estimation for indoor localization systems | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和*** | |
CN109362036A (zh) | 一种基于图像与wifi相结合的多模态室内定位方法 | |
CN109788431B (zh) | 一种基于相邻节点组的蓝牙定位方法、装置、设备和*** | |
CN111123323B (zh) | 一种提高便携设备定位精度的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |