一种基于移动终端的机场低成本定位方法技术

一种基于移动终端的机场低成本定位方法，定位信息获取阶段是利用基于激光SLAM的移动机器小车对航站楼环境进行建图后，采用移动终端设备对划分的各区域内参考点进行多源数据采集，得到原始的指纹数据指纹库Γ；定位模型建立阶段首先对原始数据指纹库Γ进行预处理，接着进行多特征自适应聚类，最后进行预测模型构建；定位模型更新阶段是针对环境变化较大的航站楼区域进行少量数据采集，构建误差校正模型从而维持定位结果的高精确度。本发明专利技术利用了机场已有的WIFI设备和自然界存在的磁场信息，大大压缩了硬件的成本。同时，在满足定位精度的情况下，该方法省去了传统无线定位方案中通过人工采集来构建和更新指纹库的繁琐过程，减少了大量时间和人力的消耗。少了大量时间和人力的消耗。少了大量时间和人力的消耗。

【技术实现步骤摘要】
一种基于移动终端的机场低成本定位方法


[0001]本专利技术属于室内定位导航领域，特别涉及一种基于移动终端的机场低成本定位方法。

技术介绍

[0002]民航机场作为以运输旅客出行为目的的重要场所，智慧机场的建设必须以旅客为核心，是当代民航“以人为本”发展的必要趋势。通过对机场运行、航班保障、商业推广等业务和服务的精细化、协同化、可视化、智能化运行与管理，确保旅客出行过程中的安全性、高效性、便捷性和舒适性。运用物联网、大数据、云计算、移动互联网等新一代信息技术建设智慧机场是建设我国智能综合交通运输管理的需要，也是建设我国民航智慧运行管理的需要，更是我国从民航大国向民航强国的必经之路。因此，机场需要充分利用定位跟踪技术，对人员和非机动地面服务设备进行实时定位跟踪，以方便运营商高效管理机场基础设施，实现民航服务质量、机场交通和项目招投标的分析和预警，以及为民航政策方针和产业发展提供决策支持。
[0003]目前，随着WIFI技术的快速发展，包括机场在内的众多大型公共建筑均已铺设WIFI设备。充分利用WIFI定位设备不仅可以满足机场定位的需求，还可以减轻定位系统建设的成本。同时，环境磁场信号因其无处不在、无须额外布设的特点，也受到了广泛的关注。目前，WIFI定位技术和磁场定位技术大多采用指纹定位方法，指纹定位技术主要是通过所在环境下不同的空间点上都具有完全不相同的多源信息，每一个空间位置都有自己独特的特征类似于该点的“指纹”。通过对每个这些位置空间点的多源信号进行采集存储，从而构建待定位区域的数据指纹库。在线定位时，将收集到的多源信息与指纹库中的数据进行匹配，从而得到目前所在的位置，达到定位的目的。
[0004]然而，航站楼内WIFI信号衰落大、多径干扰严重、非视距场景复杂等问题严重影响指纹定位的精度，同时由于受人流移动以及障碍物的出现消失等问题，机场环境下的指纹库时效性低。常规的方法是对指纹库重新采集数据，但是这将消耗大量的人力和时间且效果不够显著，因此，如何最大程度提高指纹定位的精度以及减小环境因素带来的指纹库失效问题成为目前机场定位系统近年来的研究热点。
[0005]为了解决以上问题，现有技术如下：
[0006]申请号：CN 201810520528.X，专利名称：基于拟合推估的定位方法、定位装置及数据处理系统，该专利公开了一种基于拟合推估的定位方法、定位装置及数据处理系统。该方法包括：通过智能移动终端，采集若干种不同类型的信号，形成多重信号组成的随机场信号；将所述随机场信号分为趋势性部分和随机性部分；采用预设的函数拟合所述趋势性部分，并采用协方差函数拟合所述随机性部分；以及根据拟合结果，还原所述智能终端的准确位置。该方法可以可以向用户提供充足和精确的个人定位信息，使其可以应用于基于位置服务的各类行业和产品，比如老年人关爱服务，儿童的位置安全等。其有效的提高位置还原精度，并可以降低服务器的资源消耗，最终提供的多维度信息适用于各种定位服务的行业
应用。
[0007]其将随机场信号分为趋势性部分和随机性部分，并分别采用预设函数和协方差函数进行拟合，最终还原智能终端的准确位置，解决了定位服务器资源消耗大、定位精度低的问题。但该方法简单的采用预设函数和最小二乘来进行拟合，准确性有待进一步提高。
[0008]本申请采用目前已广泛普及的智能手机作为移动终端，综合利用已有的WIFI设备和自然界存在的磁场信息，成本低。采用深度学习网络根据聚类的结果建立不同的定位模型进行拟合，定位预测结果精度高。此外，本文对定位环境进行地图构建实现数据自动采集，极大降低了数据库构建工作量大的问题。
[0009]申请号：CN201810102422.8，专利名称：一种多源数据融合室内定位的方法、存储介质及智能终端，该专利公开了一种多源数据融合室内定位的方法、存储介质及智能终端，其中，方法包括步骤：根据单模感知定位结果的特征函数构建融合多源数据的条件随机场模型；采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线模型参数；通过所述条件随机场模型和实时在线模型参数对用户的室内位置进行推理定位。通过构建可以融合多源异构数据的条件随机场模型，降低对单模数据的依赖程度，提高基于智能手机室内定位的精度；同时采用室内地图匹配方法得到实时的模型参数，实现自适应模型参数调整，增强了定位算法的鲁棒性和通用性，另外在室内地图匹配中使用行为地图匹配的方法，提高了匹配的准确性和效率。
[0010]其通过组合单模特征函数构建融合多源数据的条件随机场模型，并采用地图辅助的方法实现参数的自适应学习，增强了定位算法的鲁棒性和通用性。但该专利技术定位结果受行人影响较大，在复杂环境下运行稳定性有待验证。
[0011]而本申请的低成本定位方法，综合利用已有的WIFI设备和自然界存在的磁场信息进行多特征自适应聚类模型构建得到行人粗分类模型，接着构建移动设备精细位置预测网络。所采用的“粗
‑
细”双层定位模型在提高预测速度的基础上增强了预测的精度。同时，误差校正模块可以长期维持定位结果的高精确度。本专利技术可以有效解决机场环境动态、复杂环境定位精度低、效率低、成本高的问题。

技术实现思路

[0012]本专利技术要解决的技术问题是为解决传统机场定位中搭建定位系统成本高、定位精度低、且指纹库容易随着环境变化失效、重复采集消耗大量人力、物力资源导致成本高等一系列问题，提出一种基于移动终端的机场低成本定位方法。本专利技术采用目前已广泛普及的智能手机作为移动终端，且利用了机场已有的WIFI设备和自然界存在的磁场信息，大大压缩了硬件的成本。同时，在满足定位精度的情况下，该方法省去了传统无线定位方案中通过人工采集来构建和更新指纹库的繁琐过程，减少了大量时间和人力的消耗。
[0013]为实现上述目的，本专利技术采取的技术方案是：
[0014]一种基于移动终端的机场低成本定位方法，具体步骤如下：
[0015]步骤1，定位信息获取：定位信息获取过程包括使用基于激光SLAM的移动机器小车对航站楼环境进行建图；对航站楼室内区域进行划分，使用移动机器小车对环境参考点进行遍历；采集各个参考点处的多源定位信息构建原始指纹数据库；
[0016]步骤2，定位模型建立：定位模型建立过程包括对原始数据指纹库Γ进行预处理，
筛选出可用于模型建立的指纹库；对处理后的指纹库进行多特征自适应聚类以减小在线定位时数据匹配的工作量和增大定位结果的精确度；对各个聚类子集数据进行模型训练，得到最终的坐标预测模型；
[0017]步骤3，定位模型更新：定位模型更新过程是指当航站楼某个区域受布局等影响环境发生重大改变时，利用移动终端进行少量数据点采集得到信号集Υ，输入该区域的坐标预测模型后和真实坐标结果进行比对得到误差数据集Δ；接着将采集到的将采集到的信号集Υ和误差数据集Δ共同作为校正数据集采用集成评估器进行训练得到误差校正模型，用于校正定位结果。
[0018]作为本专利技术进一步改进，所述步骤1具体如下；
[0019]步骤1.1，使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于移动终端的机场低成本定位方法，具体步骤如下，其特征在于：步骤1，定位信息获取：定位信息获取过程包括使用基于激光SLAM的移动机器小车对航站楼环境进行建图；对航站楼室内区域进行划分，使用移动机器小车对环境参考点进行遍历；采集各个参考点处的多源定位信息构建原始指纹数据库；步骤2，定位模型建立：定位模型建立过程包括对原始数据指纹库Γ进行预处理，筛选出可用于模型建立的指纹库；对处理后的指纹库进行多特征自适应聚类以减小在线定位时数据匹配的工作量和增大定位结果的精确度；对各个聚类子集数据进行模型训练，得到最终的坐标预测模型；步骤3，定位模型更新：定位模型更新过程是指当航站楼某个区域受布局等影响环境发生重大改变时，利用移动终端进行少量数据点采集得到信号集Υ，输入该区域的坐标预测模型后和真实坐标结果进行比对得到误差数据集Δ；接着将采集到的将采集到的信号集Υ和误差数据集Δ共同作为校正数据集采用集成评估器进行训练得到误差校正模型，用于校正定位结果。2.根据权利要求1所述的一种基于移动终端的机场低成本定位方法，其特征在于：所述步骤1具体如下；步骤1.1，使用基于激光SLAM的移动机器小车对整个航站楼环境进行建图，得到整个航站楼的室内地图；步骤1.2，对航站楼室内区域进行划分Ω
k
,k∈{1,2,...,K}，将区域Ω
k
划分为N
k
个网格，取每个网格的几何中心作为参考点其中n∈{1,2,...,N
k
}；通过自主规划移动机器小车路径使其遍历各个划分区域，同时在移动过程中实时采集各个参考点处的多源定位数据；步骤1.3，通过定位时间戳将位置信息和采集到的多源定位信息进行对齐，得到目标环境下的原始多源数据指纹库Γ。3.根据权利要求1所述的一种基于移动终端的机场低成本定位方法，其特征在于：所述步骤2具体如下；步骤2.1，对原始多源数据指纹库Γ进行预处理，筛选出可用于模型建立的数据指纹库；步骤2.2，对处理后的数据指纹库提取多维特征进行多特征自适应的k
‑
means聚类；步骤2.3，对划分后的各个区域数据进行模型训练，得到...

【专利技术属性】
技术研发人员：阳媛，况余进，王庆，张小国，许盛，杨浩然，黄璐，
申请(专利权)人：东南大学，
类型：发明
国别省市：