CN112880677B - 基于地磁和相似度匹配的室内定位方法 - Google Patents
基于地磁和相似度匹配的室内定位方法 Download PDFInfo
- Publication number
- CN112880677B CN112880677B CN201911209771.0A CN201911209771A CN112880677B CN 112880677 B CN112880677 B CN 112880677B CN 201911209771 A CN201911209771 A CN 201911209771A CN 112880677 B CN112880677 B CN 112880677B
- Authority
- CN
- China
- Prior art keywords
- sequence
- template
- positioning
- algorithm
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 abstract description 4
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于地磁和相似度匹配的室内定位方法ALBML(Augmented Local Best Matching Localization)。ALBML定位算法基于主路径来构建地磁指纹库。ALBML定位算法首先利用VGS(Vote for Geomagnetic Sequence)算法选择唯一的模板序列。然后利用LBML(Local Best Matching Localization)定位算法在模板序列上计算出采样序列的位置。根据实验结果可以看出,ALBML定位算法相较于现有的室内算法定位精度更高并且定位时间更短。
Description
技术领域
本发明涉及室内定位技术领域。本发明使用天然存在的地磁信号并实现室内定位。本发明具体是一种基于地磁和相似度匹配的室内定位方法。
背景技术
基于位置服务(Location Based Service,LBS)一直是国内外学者研究的热点。随着现代科技的进步,云计算、大数据、机器学习等技术的不断兴起,人与人之间的信息交流和信息共享更加密切。而在信息交流过程中,位置信息已成为人们日常生活中不可或缺的一部分。LBS已经渗透进人们的日常生活中,为人们的生活起居带来了极大的便利。移动端应用从地理位置的定位导航到附近卖家的外卖配送,无一不需要依赖LBS。人们在享受LBS带来的便利的同时也对LBS也提出了更高的要求。然而,LBS却面临挑战,尤其是ILBS(Indoor Location-based Service)。时至今日,ILBS并未找到完美的解决方案。其实室内定位并不是新兴的研究方向,国内外学者很早就对室内定位技术进行了诸多研究和尝试,并提出了各种各样的室内定位***。室内定位技术发展到今日,室内定位技术主要分为两大类:基于几何关系的定位和基于指纹库的定位。基于几何关系的定位主要利用未知节点和锚节点之间的几何关系来计算出未知节点的位置。这类定位方式通常需要部署特殊的信号源设备。基于指纹库的定位主要分为离线位置指纹采集和在线指纹匹配两个阶段。这类定位方式存在指纹库构建周期长、工作量大等问题。下面将具体介绍一些常见的室内定位算法。
基于几何关系的定位算法主要有以下几种:
(1)基于TOA(Time of Arrival)的定位算法:
基于TOA的定位算法是一种利用无线信号在空气中传播的传播时延来计算锚节点与未知节点之间的距离的定位算法。TOA需要信号发射端和信号接收端使用同一电子时钟。由于无线信号的传播速度很快,微小的时间测量误差将对TOA的测距误差产生很大影响。TOA通常需要和三边定位联合实现定位。
(2)基于TDOA(Time Difference of Arrival)的定位算法:
基于TOA的定位算法主要利用同一信号先后到达不同节点的时间差来计算锚节点与未知节点之间的距离差。未知节点与两个锚节点的距离差是定值。由双曲线的知识可知,未知节点的运动轨迹是一条双曲线。假设存在三个锚节点,则利用任意两个锚节点都可得到一条双曲线,两条双曲线的交点即为未知节点的位置。
(3)基于AOA(Time Difference of Arrival)的定位算法:
AOA需要使用天线阵列来测量出锚节点与未知节点之间的角度关系。利用角度的几何关系计算出未知节点的位置。因此这种算法也是需要额外的能够测量角度的硬件才能完成定位任务。
基于指纹库的定位算法:
基于指纹库的定位主要分为两个核心阶段。在离线阶段,需要人工完成位置指纹的采集并构建指纹库。通常,构建指纹库是一份耗时耗力的工作。在在线阶段,使用特定的指纹匹配算法将用户实时采集的基础数据与指纹库中的位置指纹进行匹配,并输出用户的位置。目前基于地磁信号的定位算法主要有以下两种:
(1)相似度度量算法:
相似度度量算法的核心思想是使用特定算法计算采样序列和地磁指纹库中的模板序列的相似度。相似度度量算法的优点是对初始点的误差无要求,计算量一般,缺点是定位精度不高。
(2)粒子滤波算法:
粒子滤波算法的核心思想是利用上一次的状态和运动模型对当前状态进行估计,即得到先验概率。后用该位置的地磁实测值与地磁指纹库中的基准值比较,即得到后验概率。利用后验概率来对先验概率的状态进行校正,最后对所有粒子的状态采用加权平均的方式得到当前状态。粒子滤波算法的优点是定位精度较高,缺点是对初始点的误差要求高,且计算量较大,运算时间长。
发明内容
由于相似度度量算法存在定位精度不高的问题以及粒子滤波算法存在运行时间长的问题,目前室内定位技术并未找到有效的解决方案。本发明主要解决定位算法精度不高,运行时间长等问题。本发明主要提出了ALBML(Augmented Local Best MatchingLocalization)定位方法。
本发明的目的是这样达到的:
ALBML定位算法相比于现有的定位算法定位精度更高并且运行时间更短。ALBML定位算法基于主路径来构建地磁指纹库。ALBML定位算法首先利用VGS(Vote forGeomagnetic Sequence)算法选择唯一的模板序列。然后利用LBML(Local Best MatchingLocalization)定位算法在模板序列上计算出采样序列的位置。
具体做法是
(1)离线阶段:ALBML定位算法基于主路径采集模板序列,并将模板序列储存至地磁指纹库中,并为每一条模板序列打上相应的标签。对于每一条模板序列,ALBML定位算法将使用AP聚类算法对原始的模板序列进行处理。
(2)利用采样序列中的地磁指纹向量对每一条模板序列进行投票。投票主要根据采样序列和模板序列中的地磁指纹向量的之间余弦相似度。在这一阶段,选择票数最多的模板序列作为该采样序列的归属。也就是说,此阶段将选择出唯一的模板序列。
(3)利用DTW算法计算出所有符合条件的模板子序列与采样序列之间的相似度。这里的条件指的是模板子序列和采样序列所表示的物理距离需要保持相同。取最大的相似度的模板子序列的位置作为采样序列的位置。由于每一条模板序列均带有特定的标签,最终采样序列的位置可表示为(起始标签,终止标签,距离d)。
(4)输出定位位置。
本发明的积极效果是:
1.提出了ALBML定位算法。ALBML定位算法基于主路径来构建地磁指纹库。ALBML定位算法首先利用VGS算法选择唯一的模板序列。然后利用LBML定位算法在模板序列上计算出采样序列的位置。并开发出实际的定位***LocateWhere来验证ALBML定位算法的可行性。
2.相比于现有定位算法,ALBML定位算法的定位精度更高且定位时间更短。
附图说明
图1地磁指纹采集示意图。
图2 VGS算法过程示意图。
图3 DSLE算法过程示意图。
图4 D-DTW算法过程示意图。
图5定位精度对比图。
图6定位时间对比图。
图7***架构图。
具体实施方式
本发明采用地磁与相似度匹配的方法来进行定位,下面结合附图对本发明的具体实施方式作进一步的详细说明。
本发明大略可以分为四个阶段,
第一阶段:主要完成地磁指纹库的构建工作。传统的地磁指纹采集方式需要采集整个楼层的所有可到达地点的地磁指纹。粒子滤波算法的地磁指纹库在构建时需要采集整个待定位区域的地磁指纹,并形成网格状的磁基图。整个过程是非常消耗时间、消耗人力的。而ALBML定位算法的指纹库是利用“众包”思想来完成构建的。仅对主路径的地磁指纹采集方式大大减少了地磁指纹采集的人力,同时基于“众包”思想的地磁指纹采集方式减少了地磁指纹采集的时间。本发明的地磁指纹采集工作是由多人协作完成的。如图1所示,有一段长为L,宽为W的长走廊,ALBML定位算法为每个主段打上对应的标签。同时,在该长走廊上共采集了2条模板序列,模板序列间的间隔为2d。实验人员使用智能小车沿着主路径路线采集地磁指纹。对于每个主段上需要采集的模板序列的条数n,主要根据阈值D来确定的。阈值D表示两条平行的模板序列能够区分的最短距离。即n需要满足下列关系:
对于采集到地磁指纹序列,本发明将地磁指纹序列进行AP聚类处理并储存至地磁指纹库中。
第二阶段:主要完成选择唯一模板序列的工作。本发明在地磁指纹库构建时仅采集直线路径上的地磁指纹序列。因此,本发明会对用户上传的采样序列进行特殊的预处理。本发明利用方向传感器检测采样序列是否存在转角。ALBML定位算法中的VGS投票算法原理:同一主路径上的地磁指纹向量之间具有更高的相似度。VGS投票算法的投票过程:计算采样序列中每个地磁指纹向量的归属,即将采样序列中每个地磁指纹向量的票数投给相应的模板序列,模板序列的票数反映了模板序列和采样序列之间的相似程度,同时决定了整个采样序列的归属。具体算法过程如图2所示。
第三阶段:寻找相似度最大的模板子序列的位置。首先利用加速度序列和DSLE算法动态估算用户行走的距离L。接着利用D-DTW算法计算出每个符合条件的模板子序列与采样序列之间的相似度。主要利用滑动窗口的思想,以窗口大小为L不断向后滑动。利用DTW算法计算每个模板序列Mi与采样序列S的相似度。计算出相似度最大的模板子序列的位置。则采样序列的位置可表示为(模板序列的起始标签,模板序列的终止标签,距离d)。DSLE算法和D-DTW算法的过程示意图分别如图3、如图4所示。
第四阶段:输出采样序列在地图中的位置。
实验方法:在每段主路径上随机选取10个地点,每个地点均进行3次实验(分别在主路径左边、主路径上、主路径右边)。本次实验共进行960次。实验人员在主路径上正常行走8步,并使用LocateWhere APP数据采集端采集经过这8步时的地磁指纹序列。在本次实验中,采集采样序列使用的手机型号各不相同,磁力计采样频率50Hz。
如图5所示,ALBML定位算法的最大误差不超过10.00m,GROPING的最大误差不超过10.65m,LocateMe的最大误差不超过10.91m。经实验后计算得知,ALBML平均定位误差3.7m,GROPING的平均定位误差4.2m,LocateMe的平均定位误差3.9m。ALBML定位算法83.3%的定位误差在4m以下,而GROPING仅有72.1%的定位误差低于4m,LocateMe仅有78.7%的定位误差低于4m。从整体上来看,ALBML定位算法的稳定性和定位精度优于GROPING和LocateMe。
如图6所示,LBML定位算法的定位时间略低于GROPING。ALBML定位算法减少了GROPING约35%的定位时间,减少了LocateMe约27%的定位时间。同时,ALBML定位算法的平均定位误差(3.7m)也低于GROPING的平均定位误差(4.2m)和LocateMe的平均定位误差(3.9m)。
本发明的使用场景举例:
本发明基于ALBML定位算法开发出LocateWhere定位***。LocateWhere定位***的***架构图如图7所示。LocateWhere定位***使用于大型室内场所,如:大型超市、实验楼等等。LocateWhere定位***主要为用户提供定位服务。在大型室内场所,ALBML定位取得了良好的定位精度。
Claims (1)
1.基于地磁和相似度匹配的室内定位方法,其特征在于:
首先基于主路径来构建地磁指纹库,并利用VGS算法选择唯一的模板序列,然后利用LBML定位算法在模板序列上计算出采样序列的位置;
具体做法为,第一步:离线阶段:ALBML定位算法基于主路径采集模板序列,并将模板序列储存至地磁指纹库中,并为每一条模板序列打上相应的标签,对于每一条模板序列,ALBML定位算法将使用AP聚类算法对原始的模板序列进行处理;对于每个宽为W的主路径上需要采集的模板序列的条数n,主要根据阈值D来确定的,阈值D表示两条平行的模板序列能够区分的最短距离,即n需要满足下列关系:
第二步:使用VGS投票算法完成选择唯一模板序列的工作;利用采样序列中的地磁指纹向量对每一条模板序列进行投票,投票主要根据采样序列和模板序列中的地磁指纹向量之间的余弦相似度,通过计算采样序列中每个地磁指纹向量的归属,即将采样序列中每个地磁指纹向量的票数投给相应的模板序列,在这一阶段,选择票数最多的模板序列作为该采样序列的归属;
第三步:利用加速度序列和DSLE算法动态估算用户行走的距离L,接着利用D-DTW算法计算出每个符合条件的模板子序列与采样序列之间的相似度,这里的条件指的是模板子序列和采样序列所表示的物理距离需要保持相同,滑动窗口的大小选取为用户行走的距离,用户行走的距离是通过加速度序列来动态估算,取最大的相似度的模板子序列的位置作为采样序列的位置,由于每一条模板序列均带有特定的标签,最终采样序列的位置可表示为(起始标签,终止标签,距离d);
第四步:输出定位位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911209771.0A CN112880677B (zh) | 2019-12-01 | 2019-12-01 | 基于地磁和相似度匹配的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911209771.0A CN112880677B (zh) | 2019-12-01 | 2019-12-01 | 基于地磁和相似度匹配的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112880677A CN112880677A (zh) | 2021-06-01 |
CN112880677B true CN112880677B (zh) | 2024-06-25 |
Family
ID=76039466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911209771.0A Active CN112880677B (zh) | 2019-12-01 | 2019-12-01 | 基于地磁和相似度匹配的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112880677B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716604A (zh) * | 2016-02-25 | 2016-06-29 | 华南理工大学 | 基于地磁序列的移动机器人室内定位方法及*** |
CN106092093A (zh) * | 2016-05-26 | 2016-11-09 | 浙江工业大学 | 一种基于地磁指纹匹配算法的室内定位方法 |
CN109029455A (zh) * | 2018-07-17 | 2018-12-18 | 济南浪潮高新科技投资发展有限公司 | 一种室内导航方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120143495A1 (en) * | 2010-10-14 | 2012-06-07 | The University Of North Texas | Methods and systems for indoor navigation |
CN105547301B (zh) * | 2016-02-25 | 2018-09-14 | 华南理工大学 | 基于地磁的室内地图构建方法与装置 |
CN105898713A (zh) * | 2016-06-17 | 2016-08-24 | 东华大学 | 一种基于加权余弦相似度的WiFi指纹室内定位方法 |
CN106154222B (zh) * | 2016-06-20 | 2018-06-12 | 北京大学 | 一种利用无线电射频信号检测人的行走方向的方法 |
US10070270B1 (en) * | 2017-11-30 | 2018-09-04 | Mapsted Corp. | Mobile device localization based on spatial derivative magnetic fingerprint |
KR101933011B1 (ko) * | 2018-07-26 | 2018-12-27 | 영남대학교 산학협력단 | 실내 측위 장치 및 방법 |
CN109348428A (zh) * | 2018-12-04 | 2019-02-15 | 重庆邮电大学 | 一种蓝牙室内定位***的指纹库快速构建方法 |
CN110057355B (zh) * | 2019-04-18 | 2021-06-08 | 吉林大学 | 一种室内定位方法、装置、***及计算设备 |
-
2019
- 2019-12-01 CN CN201911209771.0A patent/CN112880677B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716604A (zh) * | 2016-02-25 | 2016-06-29 | 华南理工大学 | 基于地磁序列的移动机器人室内定位方法及*** |
CN106092093A (zh) * | 2016-05-26 | 2016-11-09 | 浙江工业大学 | 一种基于地磁指纹匹配算法的室内定位方法 |
CN109029455A (zh) * | 2018-07-17 | 2018-12-18 | 济南浪潮高新科技投资发展有限公司 | 一种室内导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112880677A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108989976B (zh) | 一种智慧教室内的指纹定位方法及*** | |
US10584972B2 (en) | Navigate, track, and position mobile devices in GPS-denied or GPS-inaccurate areas with automatic map generation | |
Basri et al. | Survey on indoor localization system and recent advances of WIFI fingerprinting technique | |
CN103402258B (zh) | 一种基于Wi‑Fi的室内定位***和方法 | |
Hilsenbeck et al. | Graph-based data fusion of pedometer and WiFi measurements for mobile indoor positioning | |
US10415978B2 (en) | Landmark location determination | |
CN110856112A (zh) | 一种群智感知的多源信息融合室内定位方法及*** | |
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 | |
KR101751731B1 (ko) | 위치 추적 시스템 및 방법 | |
CN109668563B (zh) | 基于室内的轨迹的处理方法及装置 | |
CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN103747524A (zh) | 一种基于云平台的Android终端室内定位方法 | |
CN106028447B (zh) | 一种基于气压指纹的室内楼层定位方法 | |
WO2019047637A1 (zh) | 定位方法、装置和移动终端、计算机存储介质 | |
CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
Feng et al. | Visual Map Construction Using RGB‐D Sensors for Image‐Based Localization in Indoor Environments | |
CN108801267B (zh) | 一种融合多传感器的室内无锚点定位方法 | |
Seco et al. | RFID-based centralized cooperative localization in indoor environments | |
Li et al. | A novel method of WiFi fingerprint positioning using spatial multi-points matching | |
CN106197418B (zh) | 一种基于滑动窗口的指纹法与传感器融合的室内定位方法 | |
Truong-Quang et al. | Maximum convergence algorithm for WiFi based indoor positioning system | |
Yuan et al. | Efficient WiFi fingerprint training using semi-supervised learning | |
CN105704676A (zh) | 利用信号时间相关性提高指纹室内定位精度的方法 | |
Guan et al. | Towards a crowdsourced radio map for indoor positioning system |
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 |