一种蓝牙与PDR信息深度融合的室内定位方法技术

本发明专利技术提供了一种蓝牙与PDR信息深度融合的室内定位方法，属于蓝牙定位技术领域，包括以下步骤：采集场景中的蓝牙数据；处理采集的蓝牙的RSSI，对RSSI进行排序、测距，得到测距量；利用测距量生成新型测量误差模型，粒子滤波的状态方程和观测方程；利用前一时刻粒子滤波的估计粒子进行第一重粒子滤波，生成M个位置粒子；通过传感器数据，计算前进方向和步长，第二重粒子滤波利用PDR算法，生成N个步伐粒子，全部预测粒子数N*M；对全部预测粒子进行随机重采样，生成估计粒子，加权估计粒子的位置，得到定位位置。本发明专利技术的融合定位算法相比于蓝牙三角定位算法，鲁棒性更好，定位精度更高，实现成本比蓝牙三角定位算法更低。现成本比蓝牙三角定位算法更低。现成本比蓝牙三角定位算法更低。

An indoor location method based on the deep fusion of Bluetooth and PDR information

【技术实现步骤摘要】
一种蓝牙与PDR信息深度融合的室内定位方法


[0001]本专利技术属于蓝牙室内定位
，具体涉及一种蓝牙与PDR信息深度融合的室内定位方法。

技术介绍

[0002]目前常用的蓝牙室内定位算法有位置指纹法和三角定位法(Trilateration，TRI)。位置指纹法需要在离线阶段采集定位场景中的蓝牙的RSSI(Received Signal Strength Indication，接收信号强度)，建立指纹数据库，导致前期会耗费大量的人力去建立指纹数据库。三角定位法每次定位需要至少收到三个蓝牙的信息，在蓝牙部署密度低时，收到的蓝牙少于三个，无法实现定位。针对以上定位算法的问题，为了解决蓝牙部署密度低的场景的定位问题，实现各种现实场景的高精度定位，本专利技术提出了一种蓝牙与PDR信息深度融合的室内定位方法。通过由位置粒子滤波和步伐粒子滤波构成的自适应双重粒子滤波算法，将蓝牙信息(蓝牙位置、RSSI测距量)与PDR算法进行深度融合，实现了在蓝牙部署密度较低场景的高精度定位。

技术实现思路

[0003]针对现有传统定位算法的上述不足，本专利技术提出的一种蓝牙与PDR信息深度融合的室内定位方法，比传统的三角定位算法的定位精度有所提升。
[0004]为了达到以上目的，本专利技术采用的技术方案为：
[0005]本方案提供一种蓝牙与PDR信息深度融合的室内定位方法，其特征在于，包括以下步骤：
[0006]S1、通过移动终端采集定位场景中的蓝牙数据；
[0007]S2、处理采集的蓝牙的RSSI数据，对RSSI进行排序、测距，得到测距量；
[0008]S3、将计算得到的测距量为输入，生成新型测量误差模型，粒子滤波的状态方程和观测方程；
[0009]S4、将前一时刻粒子滤波的估计粒子作为输入，进行第一重粒子滤波，生成M个位置粒子；
[0010]S5、通过移动终端传感器数据，计算前进方向和步长，以第一重位置粒子、前进方向、步长为输入，第二重粒子滤波利用PDR算法，生成N个步伐粒子，全部预测粒子数N*M；
[0011]S6、对全部预测粒子进行随机重采样，生成估计粒子，加权计算估计粒子的位置，得到定位位置。
[0012]进一步地，所述步骤S1中采集的蓝牙的数据如下：
[0013]在离线阶段，通过移动终端采集定位场景中部署的蓝牙的信息和环境中的信息，(UUID，Major，Minor，α，P
cali
，η，P
BLE
(x，y))，其中UUID、Major和Minor是蓝牙的标识，用来区分不同的蓝牙，α是当地的磁偏角，P
cali
是在距离蓝牙1米处测得的接受功率，η是定位场景中的路径损耗因子，P
BLE
(x，y)是蓝牙的位置坐标。
[0014]再进一步地，所述步骤S2包括以下步骤：
[0015]S201、在线阶段，通过移动终端扫描定位场景中的蓝牙，从数据库中获取对应的蓝牙与定位场景的数据；
[0016]S202、对收到的蓝牙的RSSI(Received Signal Strength Indication，接收信号强度)数据进行滤波，滤波窗口大小为n，如下式所示：
[0017][0018]S203、对进行了滤波的RSSI值排序，选取RSSI值最大的蓝牙，利用RSSI测距公式计算移动终端与该蓝牙的距离为d
BLE
，蓝牙坐标为P
BLE
(x，y)：
[0019][0020]P
cali
为距离发射天线1米时的接收功率为，距离发射天线d
BLE
处的接收功率为P
r
，η是路径损耗因子。
[0021]再进一步地，所述步骤S3包括以下步骤：
[0022]S301、利用移动终端的传感器数据，解算行人的前进方向和步长，进行PDR(Pedestrian Dead Reckoning，行人航迹推算)推算，获得行人的相对位置，如下式所示：
[0023][0024][0025]其中，SL
k
是第k时刻行人的步长，yaw
k
是第k时刻行人的前进方向，F(S
k
)是第k时刻行人的位移；
[0026]S302、粒子滤波(Particle Filter，PF)的状态方程和观测方程，如下式所示：
[0027][0028]其中，P
k+1
＝[X
k+1 Y
k+1
]T
是第k+1时刻行人位置的先验估计，即预测粒子，是第k时刻双重粒子滤波的估计粒子，Q是过程噪声，服从零均值，方差为的高斯分布，Z
k+1
是观测值，为蓝牙RSSI测距值d
BLE
，P
BLE
为蓝牙坐标，R是观测噪声；
[0029]S303、为了使得粒子滤波算法更加鲁棒，本专利技术提出了一种新型的测量误差模型，可以根据观测值自适应调整观测噪声的方差，从而提升算法的鲁棒性与精度，观测噪声的概率密度如下式所示：
[0030][0031]其中，z是观测噪声概率密度的自变量，为测距量，Z
max
是最大的蓝牙RSSI测距值，μ
R
为观测噪声的均值，为观测噪声的方差。
[0032]再进一步地，所述步骤S4第一重粒子滤波生成M个位置粒子的表达式如下：
[0033][0034][0035]其中，是在第k时刻由双重粒子滤波算法生成的估计粒子，然后，根据粒子权重进行排序，选取前M个粒子为第k+1时刻的第一重粒子滤波的位置粒子。
[0036]再进一步地，所述步骤S5包括以下步骤：
[0037]S501、利用移动终端传感器信息，计算行人第k时刻的前进方向yaw
k
和步长SL
k
；
[0038]S502、前进方向粒子和步长粒子分别为服从和的正态分布，由正态分布随机数产生，生成第二重粒子滤波的步伐粒子如下式所示：
[0039][0040]S503、生成第k+1时刻的预测粒子S503、生成第k+1时刻的预测粒子为第一重粒子滤波的M个位置粒子，分别融合N个步伐粒子，生成L个新的预测粒子，如下式所示：
[0041][0042]S504、更新粒子权重为第k时刻的前M个估计粒子的权重，并归一化粒子权重，其中为观测噪声R的概率密度函数，如下式所示：
[0043][0044]再进一步地，所述步骤S6包括以下步骤：
[0045]S601、为防止粒子退化，对第k+1时刻的所有预测粒子进行随机重采样，生成第k+1时刻的估计粒子根据下式生成区间{[cdf(i
‑
1)，cdf(i)]l
，l＝1，2，
…
，L}，并且每次生成(0，1)之间的均匀分布随机数，根据随机数所在的区间，复制对应区间的粒子，最后将所有粒子权重设置为
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蓝牙与PDR信息深度融合的室内定位方法，其特征在于，包括以下步骤：S1、通过采集定位场景中的蓝牙数据；S2、处理采集的蓝牙的RSSI数据，对RSSI进行排序、测距，得到测距量；S3、将计算得到的测距量为输入，生成新型测量误差模型，粒子滤波的状态方程和观测方程；S4、将前一时刻粒子滤波的估计粒子作为输入，进行第一重粒子滤波，生成M个位置粒子；S5、通过传感器数据，计算前进方向和步长，以第一重位置粒子、前进方向、步长为输入，第二重粒子滤波利用PDR算法，生成N个步伐粒子，全部预测粒子数N*M；S6、对全部预测粒子进行随机重采样，生成估计粒子，加权计算估计粒子的位置，得到定位位置。2.根据权利要求1所述的一种蓝牙与PDR信息深度融合的室内定位方法，其特征在于，所述步骤S1中采集的蓝牙的数据如下：在离线阶段，采集定位场景中部署的蓝牙的信息和环境中的信息，(UUID，Major，Minor，α，P
cali
，η，P
BLE
(x，y))，其中UUID、Major和Minor是蓝牙的标识，用来区分不同的蓝牙，α是当地的磁偏角，P
cali
是在距离蓝牙1米处测得的接受功率，η是定位场景中的路径损耗因子，P
BLE
(x，y)是蓝牙的位置坐标。3.根据权利要求2所述的一种蓝牙与PDR信息深度融合的室内定位方法，其特征在于，所述步骤S2的步骤如下：S201、在线阶段，扫描定位场景中的蓝牙，从数据库中获取对应的蓝牙与定位场景的数据；S202、对收到的蓝牙的RSSI(Received Signal Strength Indication，接收信号强度)数据进行滤波，滤波窗口大小为n，如下式所示：S203、对进行了滤波的RSSI值排序，选取RSSI值最大的蓝牙，利用RSSI测距公式计算行人与该蓝牙的距离为d
BLE
，蓝牙坐标为P
BLE
(x，y)：P
cali
为距离发射天线1米时的接收功率为，距离发射天线d
BLE
处的接收功率为P
r
，η是路径损耗因子。4.根据权利要求3所述的一种蓝牙与PDR信息深度融合的室内定位方法，其特征在于，所述步骤S3包括以下步骤：S301、利用传感器数据，解算行人的前进方向和步长，进行PDR(Pedestrian Dead Reckoning，行人航迹推算)推算，获得行人的相对位置，如下式所示：
其中，SL
k
是第k时刻行人的步长，yaw
k
是第k时刻行人的前进方向，F(S
k
)是第k时刻行人的位移；S302、粒子滤波(Particle Filter，PF)的状态方程和观测方程，如下式所示：其中，P
k+1
＝[X
k+1 Y
k+1
]

【专利技术属性】
技术研发人员：武畅，孔孝童，袁翼飞，刘禹宏，刘思言，夏堃，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：