【技术实现步骤摘要】
基于IMU、数字室分和WiFi的室内综合定位方法
[0001]本专利技术属于移动通信
，尤其涉及基于
IMU、
数字室分和
WiFi
的室内综合定位方法
。
技术介绍
[0002]随着位置服务的广泛需求，室内定位技术成为一个重要的研究领域，现有的室内定位方法主要基于
WIFI、
蓝牙
(BLE)、
超宽带
(UWB)、
视觉定位等手段
。
这些技术各有优缺点，难以单独实现高精度和高可靠的室内定位
。
[0003]WiFi
定位依赖现有
WIFI AP(
基站
)
，定位精度受信号覆盖范围影响，一般在3～
30m
，
BLE
与
UWB
技术需要额外部署定位传感器，增加了部署成本与难度，视觉定位对环境光线要求较高，遭遇光线不佳环境时精度显著下降
。
此外，这些技术大多只能提供二维平面定位，无法满足三维空间需求
。
[0004]对于
IMU(
惯性测量单元
)
可以检测到机体的运动和姿态，基于
IMU
的惯性导航可实现无基站辅助的的自主定位
。
但是，由于航向误差和位置漂移的存在，
IMU
定向误差会随着时间增加，无法长时间保持高精度
。
[0005]另外
5G
时代，
【技术保护点】
【技术特征摘要】
1.
基于
IMU、
数字室分和
WiFi
的室内综合定位方法，其特征在于，包括以下步骤：步骤1，采集多源定位信息，包括
IMU
信息
、5G
数字室分信息和
WiFi
信息，并对时间戳进行同步转换；步骤2，进行环境与传感器校准，完成
WiFi
分析
、IMU
分析和
5G
小基站分析；步骤3，融合定位信息，得到设备的三维空间定位与姿态信息；步骤4，分别进行
WiFi
坐标系
、5G
小基站坐标系
、IMU
输出的位置增量的坐标转换，得到设备的最终姿态结果
。2.
根据权利要求1所述的方法，其特征在于，步骤1包括：步骤1‑1，采集
IMU
信息：在测量时间起点
t0
开始，连续采集
IMU
的加速度
、
角速度和地磁信息，并以
t0
为时间戳进行标记，获得
IMU
数据序列：
{A1
，
W1
，
M1
，
t01}
，
{A2
，
W2
，
M2
，
t02}
，
...
，
{An
，
Wn
，
Mn
，
t0n}
，其中
An
表示第
n
个数据样本的加速度数据，包含
X
轴
、Y
轴和
Z
轴三个方向上的加速度值；
Wn
表示第
n
个数据样本的角速度数据，包含绕
X
轴
、Y
轴和
Z
轴三个方向的角速度值；
Mn
表示第
n
个数据样本的地磁数据，包含
X
轴
、Y
轴和
Z
轴三个方向的地磁强度值；
t0n
表示第
n
个数据样本对应的时间戳，位于测量时间起点
t0
之后；步骤1‑2，采集
5G
数字室分信息：在测量时间起点
t1
开始，连续采集相关小基站的位置坐标
、
信号强度
SS
和到达时间信息
TOA
，以
t1
为时间戳进行标记，获得
5G
数据序列：
{B1
，
S1
，
T1
，
t11}
，
{B2
，
S2
，
T2
，
t12}
，
...
，
{Bm
，
Sm
，
Tm
，
t1m}
，其中
Bm
表示第
m
个小基站的位置坐标；
Sm
表示从第
m
个小基站接收到的信号强度；
Tm
表示信号从第
m
个小基站发出到达定位目标的到达时间；
t1m
表示第
m
个数据样本的采集时间戳，基于
5G
信息采集设备内部时钟；步骤1‑3，采集
WiFi
信息：在测量时间起点
t2
开始，连续采集相关
WiFi
接入点
AP
的
MAC
地址
、
信号强度
SS
和到达时间信息
TOA
，以
t2
为时间戳进行标记，获得
WiFi
数据序列：
{W1
，
SS1
，
TOA1
，
t21}
，
{W2
，
SS2
，
TOA2
，
t22}
，
...
，
{Wn
，
SSn
，
TOAn
，
t2n}
，其中
Wn
表示
WiFi
第
n
个接入点
AP
的
MAC
地址，用于识别
AP
；
SSn
表示从第
n
个接入点
AP
接收到的信号强度；
TOAn
表示信号从第
n
个接入点
AP
发出后到达定位目标设备的时间；
t2n
表示第
n
个数据样本的采集时间戳；步骤1‑4，以全球系统时间
GST
为绝对时间基准，对
IMU
数据序列
、5G
数据序列和
WiFi
数据序列的时间戳进行同步转换，得到同步后的数据序列：
IMU
数据序列：
{A1
，
W1
，
M1
，
t01_sync}
，
{A2
，
W2
，
M2
，
t02_sync}
，
...
，
{An
，
Wn
，
Mn
，
t0n_sync}
，
t0n_sync
表示第
n
个
IMU
数据样本的采集时间点；
5G
数据序列：
{B1
，
S1
，
T1
，
t11_sync}
，
{B2
，
S2
，
T2
，
t12_sync}
，
...
，
{Bm
，
Sm
，
Tm
，
t1m_sync}
，
t1m_sync
表示第
n
个
5G
数据样本的采集时间点；
WiFi
数据序列：
{W1
，
SS1
，
TOA1
，
t21_sync}
，
{W2
，
SS2
，
TOA2
，
t22_sync}
，
...
，
{Wn
，
SSn
，
TOAn
，
t2n_sync}
；
t2n_sync
表示第
n
个
WiFi
数据样本的采集时间点；步骤1‑5，基于
IMU
数据序列
、5G
数据序列和
WiFi
数据序列中位置相关性，建立信息间的对应关系
。
3.
根据权利要求2所述的方法，其特征在于，步骤2包括：步骤2‑1，选择环境：设定测试环境，测试环境内有
WiFi AP
和
5G
小基站，使用
IMU
传感器采集姿态信息；步骤2‑2，
WiFi
分析：在测试环境内不同位置，分别测量每个
WiFi
接入点
AP
的接收信号强度指示
RSSI
，统计全部
WiFi AP
在各位置的综合接收信号强度指示
RSSI
，分析接收信号强度指示
RSSI
与环境位置的关系；步骤2‑3，
IMU
分析；步骤2‑4，
5G
小基站分析
。4.
根据权利要求3所述的方法，其特征在于，步骤2‑2包括：步骤2‑2‑1，收集测试数据：测试环境下，在各个位置测量从两个以上
WiFi
接入点
AP
接收到的接收信号强度指示
RSSI
，录入测试结果矩阵，同时记录各位置的环境信息；步骤2‑2‑2，数据预处理：去除测试结果矩阵中异常值与噪声，对矩阵进行平滑处理，同时标定各位置的绝对坐标；步骤2‑2‑3，利用测量结果拟合
WiFi
路径损耗模型：
RSSI
＝
A
–
10qlog10(d)
，其中
A
为插补常数，
q
为路径损耗指数，
d
为
WiFi
接入点与目标设备之间的距离；步骤2‑2‑4，比较同一位置不同墙壁和人流条件下的接收信号强度指示
RSSI
，统计衰减量，建立墙壁材料和人流密度到
RSSI
衰减的映射关系：定义测试点位置为
p
，墙壁数量为
z
，第
i
面墙壁的材质为
material_i
，每种墙壁材质到
RSSI
衰减量的对应关系为
attenuation_i
＝
f(material_i)
；其中
attenuation_i
表示第
i
面墙壁导致的
WiFi
信号衰减量，
material_i
表示第
i
面墙壁的材质，
f()
是一个函数，输入变量是墙壁材质，输出结果是
WiFi
信号在该材质墙上的衰减量；定义人流密度为
population_density
，单位为人
/
平方米，人流密度到接收信号强度指示
RSSI
衰减量的对应关系为
attenuation_pop
＝
k*population_density
，其中
k
为环境参数；
attenuation_pop
表示人流密度导致的
WiFi
信号额外衰减量；测试点位置
p
的接收信号强度指示
RSSI
衰减量
RSSI_attenuation(p)
为：
RSSI_attenuation(p)
＝
Σ
attenuation_i+attenuation_pop
步骤2‑2‑5，建立环境信息模型：在
Matlab
中构建一个仿真环境，布置两个以上接入点
AP
与测试位置，输入
WiFi
路径损耗模型
、
墙壁材料和人流密度到接收信号强度指示
RSSI
衰减的映射关系
、
测试位置绝对坐标与环境信息，环境信息模型能够输出每个位置预期的接收信号强度指示
RSSI
值，公式为：
PL(x
，
y
，
z)
＝
Σ
PLi+attn_wall+attn_human
其中
PLi
是每个
APi
的路径损耗，其中
APi
表示第
i
个接入点，
attn_wall
是墙壁引起的总体
WiFi
信号衰减量；
attn_human
是人流密度，
PL(x
，
y
，
z)
是坐标为
(x,y,z)
的位置期望接收到的
WiFi
信号强度；测试点预期的接收信号强度指示
RSSI
为：
RSSI(x
，
y
，
z)
＝
Σ
(Pti
‑
PL(x
，
y
，
z))
其中
Pti
为每个
APi
的发射功率；
RSSI(x,y,z)
表示坐标为
(x,y,z)
的位置预测的
WiFi
综合信号强度；步骤2‑2‑6，结果验证：将环境信息模型输出的
RSSI
结果与测试数据进行比对，计算误
差，调整模型参数，直到误差达到可接受水平，最终得到修正后的环境信息模型，具体包括：设环境信息模型输出的测试点位置
p
的接收信号强度指示
RSSI
预测值为
RSSI_pred(p)
；测试点位置
p
的实际接收信号强度指示
RSSI
测量值为
RSSI_real(p)
；则模型预测结果和实测结果的误差
X1为：
X1＝
RSSI_pred(p)
‑
RSSI_real(p)
为评估整个模型的预测误差，计算所有测试点的平均误差
X2：其中
r
为测试点总数；如果平均误差
X2超过预设的阈值
θ
，则调整模型，重新运行
。5.
根据权利要求4所述的方法，其特征在于，步骤2‑3包括：步骤2‑3‑1，
IMU
测试：在目标环境下，分别在以下条件下采集
IMU
原始数据：静止状态：
IMU
平放在桌面上不动，连续采集数据；人行走：测试者手持
IMU
缓慢行走，连续采集数据；不同姿态：
IMU
采集仰躺
、
侧躺
、
俯卧的加速度与角速度数据；步骤2‑3‑2，静止状态误差分析；步骤2‑3‑3，
IMU
误差模型：构建
IMU
仿真模型，输入理论静止状态，并在
IMU
仿真模型中加入误差源；运行
IMU
仿真模型，输出的数据为添加误差源后的
IMU
预期输出；步骤2‑3‑4，结果验证：将
IMU
仿真模型输出的数据与实测静止状态数据进行比对，计算误差，如果误差满足要求，说明建立的
IMU
误差模型能够描述实际
IMU
的误差源与特征；如果误差较大，调整
IMU
仿真模型中的误差源参数，直到误差减小到可接受程度；步骤2‑3‑5，动态条件扩展：重复步骤2‑3‑3与步骤2‑3‑4，得到描述
IMU
在人行走与不同姿态状态下的
IMU
仿真模型，通过步骤2‑3‑3得到静止状态模型，通过重复步骤2‑3‑3～步骤2‑3‑4，得到动态条件模型，将动态条件模型与静止状态模型集成，得到描述多种工作条件下
IMU
误差特性的
IMU
误差模型
。6.
根据权利要求5所述的方法，其特征在于，步骤2‑4包括：步骤2‑4‑1，
5G
小基站测试：在测试环境下测试4个
5G
小基站的参数；定位误差：在每个小基站覆盖区域内随机选取
X3个测试点，采集
5G
信号与
IMU、WIFI
定位信息计算位置，与理论坐标比对得到定位误差；步骤2‑4‑2，
5G
环境模型：在
Matlab
中构建测试环境的
3D
的
5G
环境模型，添加4个小基站在房间的位置与坐标
、
发射方向与功率参数，运行
5G
环境模型能够显示每个小基站的理论覆盖范围与信号强度分布图；步骤2‑4‑3，
5G
误差模型：在理论覆盖范围内的各点，根据测试结果分配一个定位误差值，
5G
误差模型描述了每个小基站定位误差的空间分布；
步骤2‑4‑4，建立
5G
综合环境与误差模型：将
5G
环境模型与
5G
误差模型集成到同一个
Matlab
模型中，得到
5G
综合环境与误差模型
。7.
根据权...
【专利技术属性】
技术研发人员：石红晓，查昊，朱巧玉，杨军，李俊达，
申请(专利权)人：中通服咨询设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。