一种异构设备室内定位算法制造技术

本发明专利技术公开了一种异构设备的室内定位算法。该算法包括：模型训练阶段在定位区域中选定坐标原点，建立坐标系，并以特定间距绘制网格；在每个网格点上收集Wi

【技术实现步骤摘要】
一种异构设备室内定位算法


[0001]本专利技术涉及一种室内定位算法，属于室内定位
，尤其是涉及一种异构设备室内定位算法。
技术背景
[0002]Wi
‑
Fi室内定位主要有两大类：基于测距的方法和基于指纹的方法。前者通过Wi
‑
Fi 信号传播模型计算待定位节点到若干Wi
‑
Fi接入点(AP)的距离，然后用三边定位等几何算法进行定位；后者则把定位环境的每个位置都用一个唯一的“指纹”来表示，并用特定的指纹匹配算法确定目标位置。
[0003]测距定位需要预先知道AP的位置并使用额外设备精准测距，且由于室内环境的复杂性，Wi
‑
Fi信号易受非视距环境和多径效应的影响，难以建立准确的信号传播模型并进行较精准的测距，进而影响定位精度；而后者只通过采集若干指纹即可进行定位，包括离线和在线两个阶段。
[0004]离线阶段在每个位置采集由若干AP发送的接收信号强度指示(Received SignalStrength Indicator,RSSI)作为指纹并构成离线指纹库，在线阶段则通过各种定位算法进行定位。在线定位算法主要有概率性定位算法和确定性定位算法，前者将一个时间段中的RSSI采样值建模为概率分布函数作为指纹，计算复杂度高；后者则使用相似性度量待定位节点的指纹与离线指纹库中的数据来进行定位。常用的确定性定位算法有KNN、 WKNN、GBRT等经典机器学习算法，但由于RSSI指纹波动性较大且存在噪声，这类传统算法难以实现较高的定位精度。深度学习作为机器学习的一个分支，可以更好地拟合RSSI指纹与特定位置之间的非线性映射关系。基于此，研究者们提出了许多基于深度学习的室内定位方法，如人工神经网络(Artificial Neural Network,ANN)、堆叠自动编码器(Stacked Auto Encoder，SAE)、卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Network,RNN)等。
[0005]其中，RNN非常适合处理序列数据，可以借助指纹中的时序信息提高定位精度。 Chen等人使用Wi
‑
Fi路由器以50hz的高频率扫描手机获取RSSI时间序列，并使用深层 RNN网络来进行定位，但该方法需要特定的路由器，且在线定位时间长。Hoang等人基于LSTM、GRU等RNN变体提出了P
‑
MIMO模型，利用连续的RSSI测量值和轨迹信息提高精度，达到了最低0.75m的平均误差。但该方法需要知道用户的初始位置，实际情况中难以实现。
[0006]上述方法实现较好定位效果的前提是离线和在线阶段使用相同的设备，而当在线阶段使用与离线阶段不同的移动终端设备时，在相同位置采集的RSSI指纹会产生较大变化，进而降低定位精度。目前针对设备异质性问题有两种主流方案：一是在离线阶段使用不同的转换函数来校准RSSI指纹，但难以适应实际场景中大量的异构设备；二是采用无校准的方法。Zou等人根据不同设备采集的RSSI指纹形状相似这一现象，对原始指纹进行z
‑
score标准化后得到标准位置(Standard Location,SL)指纹，并使用WKNN 进行定位。但由于实际场景中RSSI存在缺失值，不同手机的RSSI采样值的形状不一定相似，该方法不能很
好地缓解设备异质性问题。Hossain等人使用相邻AP之间RSSI的差值构造信号强度差(Signal Strength Difference,SSD)指纹，SSD指纹的缺点是只考虑了相邻AP的差异，且会丢失部分信息。
[0007]现有的Wi
‑
Fi指纹室内定位算法仍然存在一些缺点：
[0008]1)Wi
‑
Fi信号容易受到干扰引起定位精度的波动；
[0009]2)无法较好的缓解设备异质性问题；
[0010]3)定位过程中，只考虑当前时刻采集的指纹；

技术实现思路

[0011]针对以上问题，本专利技术提供一种异构设备室内定位算法，将原始RSSI指纹变换为一种差分矩阵指纹以缓解设备异质性问题，使用CNN来提取差分矩阵的特征并估计初始位置，然后将特征输入LSTM模型中，结合历史位置信息对异构设备进行定位，为用户提供更准确有效的定位服务。
[0012]本专利技术所采取的技术方案如下：
[0013]一种异构设备室内定位算法，包括如下步骤：
[0014]1)模型建立阶段，在定位区域中选定坐标原点，以正北方向作为y轴正向，以正东作为x轴正向建立坐标系，然后以特定的间隔绘制网格；
[0015]2)在每个网格点上收集Wi
‑
Fi信息，建立基于网格点的指纹库；
[0016]3)通过数据增强扩充指纹库，减少离线指纹库采集工作量；
[0017]4)考虑行人室内活动规律，使用轨迹生成算法以每个网格点为起点生成大量轨迹，并结合增强后的指纹库，得到行人轨迹指纹库；
[0018]5)使用行人轨迹指纹库来训练基于CNN和RNN的定位模型；
[0019]6)在定位过程中，实时收集Wi
‑
Fi信息，将其转换为差分矩阵，使用CNN模型进行初始位置估计，并将差分矩阵指纹与模型上一时刻预测结果一同输入模型中，得出当前时刻的定位结果。
[0020]进一步地，步骤1)具体为：
[0021]在定位区域内设定原点坐标，以定位区域的最西南方向的点作为原点(x0,y0)，在该区域内建立坐标系，坐标系的x轴正向为正东方向，坐标系的y轴正向为正北方向；在定位区域内绘制n*m的网格，每个网格点的坐标形如(x
i
,y
j
),表示x轴第i条线与y轴第j条线相交处的网格点坐标。
[0022]进一步地，步骤2)具体为：
[0023]1)采集者使用不同型号的智能手机在定位区域的每个坐标点上采集Wi
‑
Fi指纹
[0024]假设定位区域有N
ap
个Wi
‑
Fi接入点，那么以坐标点(x
i
,y
j
)为例，当前时刻t采集到的Wi
‑
Fi信号的向量为：
[0025][0026]其中分量表示时刻t在坐标(x
y
,y
j
)采集到的第k个Wi
‑
Fi接入点的接收信号强度 (RSSI)。
[0027]2)构建基于网格点的指纹库
[0028]在定位区域内所有坐标点上采集完Wi
‑
Fi后，即可构建基于网格点指纹库D：
[0029]D＝(D
0,0
,D
0,1
,
…
D
i,j
,
…
,D
n,m
)
[0030][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异构设备室内定位算法，包括，其特征在于，包括如下步骤：1)模型建立阶段，在定位区域中选定坐标原点，以正北方向作为y轴正向，以正东作为x轴正向建立坐标系，然后以特定的间隔绘制网格；2)在每个网格点上收集Wi
‑
Fi信息，建立基于网格点的指纹库，然后使用数据增强扩充原始指纹库；3)使用轨迹生成算法分别以每个网格点为起点生成大量轨迹数据，生成基于行人轨迹的指纹库；4)把基于行人轨迹的指纹库用作训练数据，训练基于CNN和RNN的定位模型；5)在定位过程中，实时收集Wi
‑
Fi信息并转换为差分矩阵指纹，与模型上一时刻的定位坐标一起输入到定位模型中，模型输出的坐标即为估计位置。2.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤1)具体为：在定位区域内设定原点坐标，以定位区域的最西南方向的点作为原点(x0，y0)，在该区域内建立坐标系，坐标系的x轴正向为正东方向，坐标系的y轴正向为正北方向；在定位区域内绘制n*m的网格，每个网格点的坐标形如(x
i
，y
j
)，表示x轴第i条线与y轴第j条线相交处的网格点坐标；此时区域内网格点个数N
grid
＝n*m。3.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤2)具体为：1)采集者使用不同型号的智能手机在定位区域的每个坐标点上采集Wi
‑
Fi指纹；假设定位区域有N
ap
个Wi
‑
Fi接入点，那么以坐标点(x
i
，y
j
)为例，当前时刻t采集到的Wi
‑
Fi信号的向量为：其中，分量表示时刻t在坐标(x
i
，y
j
)采集到的第k个Wi
‑
Fi接入点的接收信号强度(RSSI)；2)构建基于网格点的指纹库在定位区域内所有坐标点上采集完Wi
‑
Fi后，即可构建基于网格点指纹库D：D＝(D
0，0
，D
0，1
，...D
i，j
，...，D
n，m
)；)；其中，N
grid
为网格个数，N
rss
为每个点上采集RSSI指纹的次数，D
i，j
为网格点(x
i
，y
j
)对应的指纹，为该指纹中第k个Wi
‑
Fi接入点的所有RSSI采样值构成的向量。4.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤3)具体为：1)数据增强由于实际定位过程中，部分型号较旧的智能手机搭载的低版本Android系统(如Android 7、Android 8)无法修改RSSI的采样频率，难以获取大量采样数据以保证模型精度。为了减少指纹采集工作量，使用如下数据增强算法生成新指纹：
①
对指纹库D中第i个网格点的指纹D
i
，初始化新指纹RSSI_New
i
；
②
计算D
i
中第n个AP的RSSI采样值的缺失值所占比例r，以及去除缺失值(＞
‑
100)的的均值μ、标准差σ
o
；生成一个在[0，1]范围内的随机数rand_num，如果rand
num
＜r，将缺失值(
‑
100)添加到RSSI_New
i
，否则根据正态分布N(μ，σ2)生成随机数并添加到RSSI_New
i
中；
③
对D
i
中每个AP的采样值执行
②
，得到RSSI_New
i
；
④
对任意D
i
执行若干次
①
～
③
，得到增强后的指纹库D
*
；2)构建基于行人轨迹的指纹库由于采集的指纹库是基于网格点的，而训练基于RNN的定位模型，需要基于行人轨迹的指纹作为训练数据。定位目标的移动速度有限，离当前位置越近的点被选作轨迹的下一个点的概率越大；取RSSI采样周期Δt＝1s，行人最大移动速度v
max
＝1.8m/s，采样周期内的最大移动距离σ＝v
max
×
Δt＝1.8m，按如下的步骤生成大量轨迹数据：
①
对指纹库中每个网格点l
k
＝(x
i
，y
j
)，计算其它网格点到该点的欧氏距离得到欧氏距离矩阵
②
初始化概率矩阵令p
ko
为Δt内目标从当前位置l
k
＝(x
i
，y
j
)移动到下一位置的概率，为归一化的p
ko
°
；假设pk
o
服从以当前坐标为均值、σ为标准差的正态分布，则有：则有：
③
初始化行人轨迹数据集T；
④
初始化行人轨迹tragectory＝[l
i
]，使用矩阵p生成轨迹；对当前点l
i
，在概率矩阵p的第i行p
i
中按概率选择轨迹的下一个点l
j
，并添加到path中；p
ij
越大，则l
j
成为下一个点的概率就越大；重复添加轨迹点直到tragectory的长度为l；
⑤
对区域内所有网格点，以当前网格点(x
i
，y
j
)为起点，重复执行N
tr
次步骤
④
，...

【专利技术属性】
技术研发人员：单志龙，曾衍华，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：