【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。