基于手机WiFiRSS数据和降维算法的指纹定位方法技术

有鉴于此，本发明专利技术提出了一种基于手机WiFi RSS数据和降维算法的指纹定位方法，能够准确估计出手机WiFi RSS数据在室内的位置坐标，完成WiFi指纹库构建，进而实现用户的准确定位。本发明专利技术对各个手机WiFi RSS数据的RSS指纹值进行降维处理，得到每个数据点的二维相对位置坐标，把各个数据点的二维相对位置关系映射到二维平面空间上，得到各个手机WiFi RSS数据在室内楼层内的真实二维位置坐标。内楼层内的真实二维位置坐标。

【技术实现步骤摘要】
基于手机WiFi RSS数据和降维算法的指纹定位方法


[0001]本专利技术涉及室内定位
，具体涉及一种基于手机WiFi RSS数据和降维算法的指纹定位方法。

技术介绍

[0002]室内是各种人类活动的主要场所，随着手机位置服务技术的发展，人们对于室内位置服务的需求也日益增加，尤其是在大型商超、医院、交通枢纽和会展中心等布局复杂的室内环境中，因此，如何解决手机在室内的精准定位，是当前要解决的主要问题。由于全球卫星导航系统(Global Navigation Satellite System，GNSS)无法在室内进行有效定位，因此，需要采用其他的技术手段来实现室内定位，目前主流的方法包括WiFi指纹、磁场指纹、蓝牙测距、UWB、视觉图像、惯性递推、激光SLAM等等，针对大众手机用户和商场等公共室内场景，基于WiFi指纹、磁场指纹等室内固有空间特征的匹配定位方法在部署成本、定位性能、普适性方面具有综合的优势，是解决公共场所内大众手机定位的一种有效方案。
[0003]基于室内固有空间特征的指纹定位方法，其原理在于预先标定室内每个空间位置点上的WiFi指纹观测值、地磁指纹观测值等特征量，构建位置坐标与特征量的映射数据库，即指纹库，定位时通过对比实时指纹观测量与指纹库中存储的指纹的相似度，来判定用户当前在室内的位置坐标。传统的指纹匹配定位系统中，通常通过专业作业来完成指纹库格点数据的标定，建库和维护成本较高。
[0004]随着智能手机的普及、移动互联网性能的提升，基于手机用户日常数据的众包指纹建库方法成为近些年的研究热点，是解决室内指纹库构建和更新问题的突破点。手机用户众包数据主要指通过用户日常室内活动过程中智能终端自动采集并上传的WiFi信号强度、磁场强度、加速度和角速度等各类传感数据，GNSS或蜂窝网定位数据，以及用户使用手机进行支付、打卡等记录消费行为的数据。这些数据本身包含了WiFi、磁场等丰富的室内指纹观测信息，但由于在室内环境中GNSS或蜂窝网定位精度非常低(通常在几十米或上百米)，若以此表示手机众包数据在室内的位置坐标，则会导致构建的WiFi指纹库误差较大，进而导致最终的定位结果不准确。

技术实现思路

[0005]有鉴于此，本专利技术提出了一种基于手机WiFi RSS数据和降维算法的指纹定位方法，能够准确估计出手机WiFi RSS数据在室内的位置坐标，完成WiFi指纹库构建，进而实现用户的准确定位。
[0006]为实现上述目的，本专利技术的技术方案为：
[0007]一种基于手机WiFi RSS数据和降维算法的指纹定位方法，对各个手机WiFi RSS数据的RSS指纹值进行降维处理，将多维WiFi RSS观测量投影到二维平面上，构建出众包数据在二维平面上的空间拓扑关系，进而将其与室内平面图中的真实路径拓扑进行几何映射，得到每个众包数据点在室内楼层平面中的二维位置坐标，实现众包数据位置坐标的估计，
RSS数据为由手机用户在使用手机的过程中产生的一种室内众包数据，包括了用户当前手机能扫描到的所有WiFi AP点的MAC地址、名称和RSS。
[0024]WiFi RSS数据的RSS指纹值，反映了无线信号强度在室内的空间分布情况，邻近的空间点上其RSS指纹值也更加邻近(相似)。可以对各个手机WiFi RSS数据的RSS指纹值进行降维处理，得到每个数据点的二维相对位置坐标，把各个数据点的二维相对位置关系映射到二维平面空间上，得到各个手机WiFi RSS数据在室内楼层内的真实二维位置坐标。
[0025]降维过程中采用t分布统计邻域嵌入(t
‑
distributed stochastic neighbor embedding，t
‑
SNE)算法进行多维RSS到二维平面的降维。t
‑
SNE是一种非线性降维算法，将样本点间的相似度关系转化为概率，在原空间(高维空间)中转化为基于高斯分布的概率，在嵌入空间(二维空间)中转化为基于t分布的概率，具有全局保持的优点。高维样本点间存在着RSS值距离，每个样本点都有其邻近点，通过计算其与邻近点的距离，并将所有的距离转化为和为1的高斯分布用来反映数据点间的邻近关系。比如，I、J两点的高斯概率越大表示他们越靠近彼此，即反映在空间结构的拓扑上他们更靠近。
[0026]降维算法输入的高维数据为每个数据点的多维RSS指纹值(是许多的样本点的RSS向量，相似度是在t
‑
SNE算法中通过各RSS向量间的距离计算得到)，如下表示：
[0027]{X
i
},i＝1,2,3,
…
,N
[0028][0029]{X
i
}表示手机众包数据中的WiFi RSS指纹数据集，其中X
i
为第i条指纹数据，N为指纹数据的总条数。X
i
为一个M维数据，M表示指纹数据集{X
i
}中能够扫描到的所有WiFi AP的总数量，未扫描到的AP点的RSS值用
‑
120填充，这个值必须小于数据集中所有RSS值的最小值，可以根据实际数据集的情况进行调整，大多数情况下室内WiFi的RSS值在
‑
120到
‑
10dbm之间。
[0030]降维算法的输出为二维平面上的每个数据点的位置，如下表示：
[0031]{Y
i
},i＝1,2,3,
…
,N
[0032][0033]{Y
i
}表示降维后输出的第i条众包数据，与输入数据集{X
i
}一一对应。Y
i
为一个二维数据点，用表示，表示Y
i
点在二维平面上的位置坐标。在二维上随机初始化一系列的坐标点，对于点I，计算I与其他点间的距离并将距离转换为和为1的t分布的概率，通过不断迭代更改二维上的Y坐标使得低维上各点的概率分布能够与高维上的概率分布尽量相似、从而降维得到了众包WIFI RSS数据在低维上的拓扑结构。
[0034]降维后的二维平面点数据，能够基本呈现出数据在二维平面上的拓扑关系，但还不是室内平面图上的真实的地理位置坐标，需要进行下一步的几何映射处理，通过几何关系，将二维平面数据与真实楼层平面图上的路径进行映射，得到众包数据在室内楼层内的真实二维位置坐标。几何映射处理的方法具体为：
[0035]提取众包的样本数据(碎片化的，持续时间长度不一，在包含了WiFi RSS数据的同时也会采集手机传感器惯性数据)中的典型特征点，例如，通过惯性数据计算和判断出的电梯、路径角点等与运动相关联的地理特征点，通过支付、店铺打卡等行为判断出的收银台、店铺等与行为相关联的地理特征点，或者楼宇出入口等GNSS导航信号可用性发生显著变化
的地理特征点；
[0036]将提取出的特征点，与已知的室内真实的地理位置点(例如打卡二维码所在店铺的空间坐标)进行对应，构成若干基准点映射对；...

【技术保护点】

【技术特征摘要】
1.一种基于手机WiFi RSS数据和降维算法的指纹定位方法，其特征在于，对各个手机WiFi RSS数据的RSS指纹值进行降维处理，将多维WiFi RSS观测量投影到二维平面上，构建出众包数据在二维平面上的空间拓扑关系，进而将其与室内平面图中的真实路径拓扑进行几何映射，得到每个众包数据点在室内楼层平面中的二维位置坐标，实现众包数据位置坐标的估计，完成WiFi指纹库构建，基于WiFi指纹库实现用户的定位。2.如权利要求1所述的方法，其特征在于，所述降维处理中采用t分布统计邻域嵌入算法进行多维RSS到二维平面的降维，输入的高维数据为每个数据点的多维RSS指纹值，输出为二维平面上的每个数据点的位置。3.如权利要求1或2所述的方法，其特征在于，所述几何映射处理的方法具体为：提取众包的样本数据中的典型特征点；将提取出的特征点，与已知的室内真实的地理位置点进行对应，构成若干基准点映射对；以基准点映射对为基准，对二维平面点数据二维坐标进行变化，转换为室内地理二维坐标。4.如权利要求1或2所述的方法，其特征在于，进行WiFi RSS数据降维和拓扑构建之前，先将WiFiRSS进行预处理，完成...

【专利技术属性】
技术研发人员：李雯，魏东岩，沈华伟，袁洪，姚彬，张文超，李祥红，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：