CN112566009B - 一种基于地磁的参与式室内定位*** - Google Patents

Abstract

本发明公开了一种基于地磁的参与式室内定位***及实现方法。其***主要包含减少了人力的指纹库构建方案和提升了精度和效率的匹配方案；其中指纹库构建方案从用户贡献的数据中挖掘地图拓扑并构建相应的地磁指纹库，无需平面图纸、不限制用户采样行为、并且能广泛的使用；地磁匹配方案将地磁序列划分成单调区间，动态的设置了匹配窗口的大小，同时预判机制减少了计算的复杂度，能在用户发送定位请求后快速地返回正确的定位结果。

Description

一种基于地磁的参与式室内定位***

技术领域

本发明属于室内定位领域，涉及基于地磁指纹库的室内定位***及其实现方法，***利用海量智能手机用户数据构建地磁指纹库，并提出了定位效率更优的匹配算法，实现了定位精度优良的室内服务。

背景技术

在移动互联网时代，基于位置服务(Location-Based Service,LBS)的应用程序创造了极大的商业价值，同时对社会产生了巨大的影响力。在室外定位领域中，全球卫星定位***(Global Positioning System,GPS)取得了较大的成功。但是GPS信号会被墙壁所阻隔，在室内场景下无法进行精准的定位。所以，室内定位技术得以迅速发展，各种各样的信号被用于室内定位技术中，如Wi-Fi(Wireless Fidelity)、超带宽(Ultra-Wide Band,UWB)、RFID(Radio Frequency Identification)、无线电信号FM(Frequency Modulation)、惯性传感器INS(Inertial Navigation System)、图像、地磁、声波和可见光等。

室内定位方案在考虑提升定位精度的同时还需要考虑方案的部署和维护成本，部署的成本过高会导致定位方案实施困难，同时难以普及和应用。现有的研究存在的主要问题有1)需要部署额外的基础设备：基础设备的部署和维护成本会限制技术的扩展。比如基于可见光、声波、RFID、UWB等的技术都需要基础设备的支持。2)复杂的室内环境影响定位信号的稳定性：室内的环境并不像室外环境那么空旷，射频信号在室内环境下会出现信号衰减、多径效应等问题。比如超声波信号容易受到人员流动、多径效应的干扰；Wi-Fi信号容易出现信号衰减的问题。

地磁不需要部署额外的基础设施，因此从成本角度来看，采用地磁的定位技术方案优于其他的方案。同时，地磁信号更加稳定，不会因为室内环境的变化而产生较大的波动，更适用于室内定位中。现有的地磁方案也存在诸多的不足，主要有：1)耗时耗力的指纹库构建过程：现有的研究需要工程师在定位场所进行勘察，手动采集实际的指纹数据，对位置进行标记，从而建立指纹和位置的映射。2)用户参与的众包建库方案过分依赖用户的交互：众包技术能将建库中采集的工作承包给智能手机用户，这种方案能有效地减少“定制”指纹库的成本。但是现有技术方案过分依赖于手机用户的交互，用户只能上传格式固定的数据，并且要求用户积极地对数据进行标记。频繁的交互行为会降低用户的积极性，如果用户上传的数据发生错误或者缺失标记，将会大大降低指纹库的精度。3)需要提供定位场地的平面图：实际应用中很难获取定位场地的平面图。比如机场、教学楼等场地的平面图会涉及到机密问题。4)指纹匹配方案定精度、效率不高：当前的序列匹配解决方案存在序列物理端点无法对齐的问题，导致了定位精度不理想。同时由于采样频率的限制，待匹配的指纹库数据量级很大。现有的方案计算复杂度高、收敛性差，导致定位效率不高。

发明内容

本发明所要解决的技术问题是：提供一种基于地磁的，少人工构建的、保障定位精度和定位效率的室内定位***及其实现方法。

本发明解决其技术问题所采用的基于地磁的参与式室内定位***，包括训练阶段和定位阶段，训练阶段完成地图和指纹库构建，定位阶段通过匹配地磁指纹响应用户的定位请求。1)训练阶段：从参与式用户提供的数据中挖掘空间结构信息(地图拓扑)；关联映射地磁指纹与位置。2)定位阶段：接收用户发送的请求，并及时反馈定位结果。

本发明解决其技术问题所采用的参与式地磁库构建方案及其实现，包含轨迹数据采集、用户轨迹处理和地磁指纹库构建三个部分。

A.用户行走时智能手机终端APP自动记录轨迹数据并上传到服务器端。轨迹数据不仅包含地磁计的数据，还包含加速度传感器的数据和姿态传感器的数据。

B.服务器接收用户数据后需要进行数据的预处理，这个过程包含地磁值处理、角度数据处理和步数检测。

C.BM-MAP算法将相同路径上的轨迹进行合并，合并后将轨迹连接形成完整的地图拓扑。首先，参与式用户采样时会经过转角，BM-MAP算法识别出轨迹中的转向部分，并且按照这个部分将长轨迹切分成轨迹段。BM-MAP为了区分不同的物理转角位置的轨迹，定义了桶。桶表示了物理空间中的一个转角位置，来自相同方向相同转角位置的轨迹段应该被分到同一个桶中。然后，BM-MAP算法将轨迹段分到不同的桶中，进而将相同路径的轨迹段进行了合并。算法根据桶的信息连通了地图拓扑，得到了空间结构信息。BM-MAP算法提出了步数位移模型，它将平面空间划分成按照步数为单位的区间，每个步数区间对应了实际场景中的一个位置。划分了位置区间后，算法为区间关联了相应的地磁指纹。最后，BM-MAP算法提出了基于地磁指纹特征序列的校正机制来减少指纹映射的误差。

本发明解决其技术问题所采用的地磁匹配方案及其实现，包含离线分库和在线匹配两个阶段。1)离线分库：在没有用户交互请求的离线阶段可以对指纹库进行一些操作来减小在线阶段的匹配压力。因此匹配方案引入角度信息，对地磁指纹库进行了分库。在线阶段无需在全局的指纹库里进行匹配，只需要到相应的角度子库中进行匹配。2)在线匹配：在线阶段提出了基于DTW算法的MI-DTW算法，它将指纹序列进行单调区间的划分，动态设置了匹配序列的长度；同时提出了基于区间的预判机制，减少了计算次数。

附图说明

图1为本发明基于地磁的参与式定位***结构图；

图2为本发明涉及的地图构建部分轨迹切分T、L类型；

图3为本发明涉及的步数位移模型；

图4为本发明涉及的桶中L型分桶示例图；

图5为本发明涉及的同组轨迹合并；

图6为本发明涉及的不同组轨迹合并；

图7为本发明涉及的同边合并；

图8为本发明涉及的桶合并过程；

图9本发明涉及的离线分库流程图；

图10本发明涉及的滑动窗口指纹匹配图；

图11本发明涉及的用户指纹与模板指纹对齐关系图；

图12本发明涉及的单调区间划分图；

图13本发明涉及的区间预判情况示意图；

具体实施方式

下面结合附图对本发明作进一步的说明。在此需要说明的是，对于这些实施方式的说明仅用于帮助理解本发明，并不构成对本发明的限定。

如图1***主要分为两个重要实施部分：地磁指纹库构建方案和地磁匹配方案。

参与式地磁指纹库构建方案分为以下几个阶段：

1.用户信息提取

用户上传的轨迹数据类型主要分成三类：1)地磁值；2)姿态传感器值；3)加速度传感器值。因为手机设备的不同和使用场景的多样化，采集到的值存在差异。因此对于每一个地磁采样值f_i＝(m_x，m_y，m_z)，计算f_i的模

提取出处理后的地磁指纹序列{f₁，f₂，f₃，...，f_n}。姿态传感器值用于角度信息的提取，姿态传感器的读数在某些手机中的取值范围是[-180°,180°]，而在另一些手机中的取值范围是[0°,360°]。为了统一数据规范，算法在记录数据库数据时统一换算成[0°,360°]的区间。加速度传感器的值用于提取轨迹中的步数信息。加速度传感器的值也是一个三维数据

其中a_i是第i个加速度采样值取模后的数值。首先用平滑滤波器对加速度值进行一次预处理。处理后应用低通滤波滤除加速度值的高频分量。在滤波后，采用滑动窗口峰值检测方案进行步数的计算，如果a_i在窗口范围[t_i-t_w/2，t_i+t_w/₂]内值最大，则a_i被判断为一个波峰值，记录为一步。其中t_i是当前时间点，t_w是滑动窗口的大小。

2.轨迹切分

本发明方案选取转角位置作为关键点，方案将轨迹按“关键点”进行切分。受到建筑结构的影响，转角一般呈现90°的变化，部分环形转角呈现45°的变化。通过轨迹信息提取阶段获取的角度信息，能够很容易的将轨迹中转角位置识别出来。轨迹切分后形成轨迹段，为了方便后续的描述，给出轨迹段的类型定义：1)T类型：Turn类型，指转角类型轨迹段。2)L类型：Line类型，指直线类型轨迹段。图2中，红色的部分是T型轨迹段，蓝色的部分是L型轨迹段。为了方便地图拓扑的构建，在切分轨迹时为L型增加额外的段标签，

和

表示该L段是从编号为i的T型右侧切分得到。根据采样的顺序和切分的顺序，段标签给出了L型的方向信息，表明了切分后的L型在原始轨迹上相对于T型的方向。

3.BM-MAP算法

BM-MAP包含分桶规则与合并规则两个部分。分桶规则将T型轨迹段进行了分类，确定了“桶”的个数；同时它也将L型轨迹段分配到相应的桶中。合并规则在步数位移模型的基础上按桶将轨迹进行了合并，挖掘出了地图拓扑；同时划分出地图的位置区域，关联了相应的地磁指纹。

A.分桶规则：涉及两个部分：T型分桶和L型分桶。T型为转角类型的轨迹段，在建筑结构中表示走廊与走廊的交接位置。算法需要先对切分后的T型轨迹段集合进行分类，将物理位置上相同的T型轨迹段分到一起。如果T型集合被分成了n个类，算法就创建n个桶。确立了桶的数目后，需要将L型分到相关联的桶中。

(1)T型分桶

来自同一位置的T型指纹序列有较高的相似度，只需要计算所有T型地磁指纹的DTW相似度就可以将它们进行分类。现给出两个T型的地磁序列F₁＝(f₁，f₂，...，f_m)和F₂＝(f₁′，f₂′，...，f_n′)，DTW算法维护了一个代价集合ω＝ω(1)，ω(1)，...，ω(k)，其中ω(k)＝[i(k)，j(k)]，[i(k)，j(k)]表示了F₁和F₂中相互映射的点对关系，i(k)和j(k)分别为F₁和F₂采样点的索引集。代价函数ω^*定义为：

其中δ(ω(k))是利用余弦相似度的逆运算得到的距离值：

两个T型地磁序列的相似度可以通过求取ω^*得到，计算出的值越低，两段轨迹的相似度就越高。将相似的T型分到同一个桶中，T型分桶后生成n个桶B_n＝{T_i，T_j，...，T_k}，其中B_n为标号为n的桶，每个B_n都至少有一个T型段。

(2)L型分桶

大部分L型是通过轨迹切分得到的，少部分是用户上传的零散轨迹段。本节提取拓扑时只考虑有关联信息的L型(有段标签的L型)。遍历查询所有L型的段标签，根据标签值将L型分到不同的桶中。如果查询L_i的段标签为T_i，并且获知T_i对应的桶为B_i，则L_i应该被分到桶B_i中。某个L型可能存在2个段标签信息，这时不仅要将这个L型分到2个桶中，同时还需要更新一个桶映射表信息mapList(B_i，B_j)。(B_i，B_j)表示该L型左边是桶B_i，右边是桶B_j。mapList的信息用于桶与桶的连通，在物理上表示转角与转角的连通。通过mapList就可以连通整个地图拓扑。

B.合并规则

步数位移模型把轨迹时间序列整理成按步数划分的序列。划分后轨迹中的每步都是一个区间，这个区间对应一个实际位置的标记点，将之称作位置标记点，记作l。l_k代表了定位空间中的一个实际位置，每个实际位置唯一对应一个l。图3为步数位移模型的示例图，

为一个没有划分的L型轨迹段，其步数长度为9。按照步数位移模型的划分方式，将

划分成9个步数区间，每个步数区间对应了实际空间的一个位置，第i个区间就表示为l_i。

地图拓扑由边点图构成，数据结构中可以用邻接矩阵存储地图拓扑。邻接矩阵中的行和列表示了图中的点，矩阵的值表示了点之间的距离。BM-MAP定义矩阵M为地图拓扑矩阵，M中行和列的数目由位置标记点l的数目决定。M[l_i][l_j]表示第i个位置标记点到第j个位置标记点的距离，距离的值为两个位置标记点之间的步数和步长计算出的差值。通过步数位移模型就能计算出位置点之间的距离，可以提取出空间的地图拓扑。

地图拓扑矩阵M创建好后，需要为地磁指纹关联位置信息。定义关联地磁指纹和位置的映射表为hashMap，hashMap维护了步数位移模型中的位置标记点和地磁指纹的映射关系。对于任意轨迹中的地磁指纹序列F＝{f₁，f₂，f₃，...，f_n}，为其f_i地磁值关联位置标记点l_i。

合并规则分为两个部分：桶内轨迹合并与桶间轨迹合并。

(1)桶内轨迹合并

图4有4条L型的轨迹被分到了B1桶中。L₁＝{1，2，3，4}表示了L₁是包含4个步数长度的轨迹。同理L₂＝{5，6，7}、L₃{8，9，10，11，12，13}和L₄＝{14，15，16}分别表示了L₂、L₃和L₄的步数长度分别为3、6和3。桶内合并时将这4条轨迹段合并在一起，确立它们的位置标记点l，同时计算相应的地图拓扑矩阵M的距离，最后关联对应的地磁指纹的位置信息。桶内合并规则包含三个阶段：

a)桶内L分边

L型的段标签有方向的信息，图4中B1的左边应该有3条L型：L₁、L₂和L₃，右边应该有一条L型：L₄。

b)同边合并

BM-MAP对同边构建提出了一个分组规则。分组规则将相同物理路径的L型分成同一组(L₁和L₂为一组，L₃为一组)，同组的轨迹先合并，不同组的轨迹后合并。通过计算L型的相似度进行分组，相似度计算主要分为两个步骤：计算轨迹步数的差值。提取轨迹L_i和L_j的步数Step_i和Step_j，差值δ＝|Step_i-Step_j|；计算地磁指纹相似度。计算方案参照公式(X)和(X)。

1)同组轨迹规则

同组合并时不按照桶的方向对齐，而是按照另一个方向对齐，对齐后通过计算距离的平均值来减小轨迹步数差异带来的距离计算误差。如图5，合并时选择长步数区间确立位置标记点，所以合并后的位置标记点是{l₁，l₂，l₃，l₄}，为地图拓扑矩阵M增加相应的行列值。L₁和L₂不按照B1方向对齐，在计算M中位置点距离时让{1}和{5}对齐，而不是{4}和{7}对齐，求取对齐后的{1，2，3}与{5，6，7}距离的平均值，并让d₃₄＝d₃₄/2。更新完M后为地磁指纹关联位置标记点的标号，更新hashMap里的映射。

2)不同组轨迹合并

图6中，L₃将要和同组合并后的L₁₂进行合并，合并时选择长步数区间确立位置标记点，图6中合并完成后的位置标记点是{l₅，l₆，l₁，l₂，l₃，l₄}。不同组合并计算距离时按照桶的方向对齐，图6中L₃和L₁₂按照B1的方向将{6}和{l₄}进行了对齐，同时计算{3，4，5，6}与{l₁，l₂，l₃，l₄}距离的均值更新距离矩阵M，再为地磁指纹关联上位置标记点并更新hashMap。

c)不同边合并规则

同边合并完成后，确立了桶双边的位置标记点{l_i，l_m，...，l_k}和{l_j，...，l_n}，根据桶的连接性，将双边的位置标记点进行连通。如图7，B1在同边合并后确定了左边的位置标记点为{l₁，l₂，...，l₆}，右边的标记点为{l₇，...，l₉}。位置点之间的距离可以根据B1的连通性进行计算，如图7中l₄到l₇的距离就等于

同理更新地图拓扑矩阵M中的距离。

(2)桶间合并规则

对于每个桶，都按照桶内合并的规则进行合并。桶内合并完成后，需要利用桶间合并连通地图的拓扑。桶和桶之间根据mapList映射表关联起来，mapList记录了桶B_i与B_j之间的连通关系。取其中一条记录mapList(B_i，B_j)＝L_n，(B_i，B_j)带有方向信息，表明L_nn左边是B_i，右边是B_j，桶间合并时需要更新B_i与B_j之间的地图拓扑，如果B_i右边的位置点集合是{l_i1，l_i2，...，l_in}，B_j左边的位置点集合是{l_j1，l_j2，...，l_jn}，则合并位置点为{l₁，l₂，...，l_n}，根据连通性更新M中相关位置点的距离，并增加B_i到B_j的距离。

图8展示了完整的桶合并过程，图中的两个桶B_i和B_j，它们先分别进行桶内合并。因为B_i和B_j有一个连通的L型，这个连通关系被记录在mapList中。根据桶间合并规则，将B_i和B_j的桶间距离进行了更新。

地磁匹配方案分为以下几个阶段：

1.基于角度信息的离线分库

图9为离线分库的流程图，按照角度信息将指纹库分成n个子库，每个子库都对应了一个方向的信息。当服务器接收到用户的定位请求时，首先提取数据中的角度信息；然后查询指纹库中的角度索引，定位到对应的子库中。按照角度分库后能大大的减少待匹配指纹的数目。

2.MI-DTW算法

用户上传的待匹配地磁指纹是一个相对较短的时间序列，需要将它与指纹库中更长的模板指纹序列进行匹配。定义用上传的短的指纹为用户指纹U，指纹库中长的地磁指纹为模板指纹T。MI-DTW是一个基于滑动窗口的动态指纹匹配算法，图10展示了基于滑动窗口的地磁匹配算法的工作过程。DTW算法使用时需要两条指纹序列在物理上端点对齐，否则DTW的累积函数计算出的代价值会出现误差。图11中AB是一条模板指纹，CD为一条待匹配的用户指纹。CD能和AB上的C`D`相匹配，但是CD与C`D`在时间上无法对齐，CD相比C`D`更短。为了让CD和C`D`能更好的进行匹配，滑动窗口的大小不能简单设置为CD的长度。

MI-DTW将序列进行单调区间的划分，以单调区间的长度来动态确定滑动窗口的长度，让匹配更加的灵活。

A.MI-DTW单调区间划分

如图12为一个单调区间划分图。将模板序列AB按照波形的单调增减标记为0或者1。上升区间标记为1，下降区间标记为0。每一个模板地磁指纹序列都可以按照这样的规则进行划分。MI-DTW首先将用户序列按照单调区间进行划分，如CD处理成[101010]。然后将模板序列按单调区间进行划分，如AB处理成[10101010101010101010]。此时滑动窗口w的大小设置为[101010]的区间，按照滑动窗口在模板序列上选取指纹与用户指纹进行DTW相似度的计算。下一次滑动窗口依然按照区间滑动，滑动的距离刚好是一个间隔区间的距离。如果从区间1开始，下一次也会从1的区间开始对齐，每次滑动跳过的都是0的区间。计算整条模板序列的DTW相似度后，可以得到一个相似度的排序，最终按照阈值确认最匹配的模板。

B.MI-DTW基于单调区间的步数预判机制

图13展示了一种匹配中会遇到的现象。当前用户的指纹序列区间是[101]，它是一个相对较短的序列，只对应了物理上很短的一段距离。模板指纹序列上的S区间[101]是一个很长的序列，对应了物理上很长的一段距离。根据规则，窗口滑动的时候用户区间会与S区间[101]进行DTW相似度的计算。但是在实际情况中，S区间是一个很长的区间，而用户序列区间是个很短的区间，它们就不会相似，计算它们之间的DTW值是一个浪费计算资源的做法。如果在实际情况下能提前预判S区间[101]和用户区间并不相似，就无需再计算一次DTW相似度，进而加快匹配的速度。首先需要确信S区间[101]和用户区间[101]存在物理长度的差异，才可以直接跳过相似度计算。直接计算区间的时间差或者采样点的差异不可靠，因为物理上相同端点的指纹也会有时间上的差异。

MI-DTW引入步数来计算区间长度的差异性。因为S区间[101]与用户区间[101]在物理长度上相差很大，所以两个区间之间的步数差异也会很大。如果每次进行DTW匹配的时候先进行步数差异的检测，进行一次粗粒度的筛查，就能减少DTW精细度量的匹配次数。

Claims (4)

1.一种基于地磁的参与式室内定位***，其特征在于，不耗费人力的指纹库构建方案和地磁匹配方案，其中减少构建成本的指纹库构建方案(1)，从用户贡献的数据中挖掘地图拓扑并构建相应的地磁指纹库，而地磁匹配方案(2)能在用户发送定位请求后返回正确的定位结果，定位***包含移动端(3)和服务器端(4)，提供良好的定位体验；

所述移动端(3)分为参与式用户端(5)和定位用户端(6)，服务器端(4)接收参与式用户贡献的数据构建地磁指纹库(7)；构建部分的分桶合并算法，即Bucket Merging MapConstruction算法,简称BM-MAP算法，该算法利用切分合并的思想，首先识别出用户数据中的关键点，即转角位置，然后对用户行走数据按照关键点进行切分，随后按照关键点将指纹进行“分桶”，最后按“桶”进行合并，合并时根据步数位移模型计算距离，同时关联相应的地磁指纹，提取出地磁、角度和步数信息，随后通过地图拓扑挖掘机制(8)，将物理空间位置上重叠的用户行走数据进行合并，同时连接不重叠的数据，从处理过的数据中提取地图拓扑信息，无需提前获取定位场所的平面图，最后通过划分区域位置，将地磁指纹与位置进行映射，生成地磁指纹库(7)；当用户进行定位时，***将指纹库按角度信息进行分库(9)，定位用户端(6)发送定位请求，服务器接收后，定位到相应的子库中，并运行基于单调区间的地磁匹配算法，即Monotonic Interval-Dynamic Time Warping算法,简称MI-DTW算法(10)进行地磁指纹库的匹配，最终返回用户定位结果。

2.根据权利要求1所述的一种基于地磁的参与式室内定位***，其特征在于：所述指纹库构建方案(1)提出步数位移模型，将平面空间划分成按照步数为单位的区间，按照步数将地图进行位置划分。

3.根据权利要求1所述的一种基于地磁的参与式室内定位***，其特征在于：所述地磁匹配方案(2)提出基于角度的离线分库机制(9)，将相同角度的地磁指纹划分到同一子库中，在定位时通过判断角度信息定位到相应的子库。

4.根据权利要求1所述的一种基于地磁的参与式室内定位***，其特征在于：所述地磁匹配方案(2)提出MI-DTW算法(10)，其将地磁序列按单调区间进行划分，通过单调区间动态地设置滑动窗口的大小，同时MI-DTW算法提出基于步数的预判机制。

Images