一种细粒度指纹质量辅助下的复杂室内环境目标定位方法

摘要

本发明属于室内定位技术领域，涉及一种细粒度指纹质量辅助下的复杂室内环境目标定位方法。本发明首先通过在每个格点采集RSS建立线离线纹库。在线上定位阶段，对于每一个测试样本根据目标信号和离线指纹库的相似性动态的构建支撑集，接着通过引入细粒度指纹质量对支撑集进行概率建模，得到概率模型，最后通过Gibbs‑EM算法迭代的求解概率模型，得到最终的位置估计。细粒度指纹质量充分挖掘了指纹在不同区域的优势，可以帮助模型选择可信度最高的位置估计，提高了定位精度。本方法基于传统的指纹定位，无需额外的指纹和硬件校正，有效克服复杂室内环境中由于环境变化造成的RSS波动问题。

说明书

技术领域

本发明属于室内定位技术领域，涉及一种细粒度指纹质量辅助下的复杂室内环境目标定位方法。

背景技术

近年来，位置信息在人们的日常生活扮演着越来越重要的作用，典型的位置服务(LocationBasedService，LBS)包括货物跟踪，游客导航，周边资源查找等等。LBS的核心任务是目标的定位，虽然全球定位系统(GlobalPositioningSystem，GPS)已广泛应用在室外环境中，但在室内和高楼密布的城市等信号遮挡严重的环境中，用户接收不到足够强度的卫星信号，使得GPS无法进行定位。因此，室内定位技术受到了工业界和学术界的广泛关注并发展迅速。一套完整的室内定位系统需要在固定位置安装发射设备用来发送定位信号，常见的发射设备有WiFi，蓝牙，RFID，UWB等。但是安装大量的发射设备需要大量的人力和物力，因此大多数定位系统倾向于使用已有的被广泛部署的无线设备去实现室内定位。当今社会，WiFi已广泛使用在家庭、商场、机场等各类大型或小型建筑内，这使得WiFi成为室内定位领域中一个最引人注目的无线技术。

基于WiFi的定位方法主要包括两类：基于参数化估计的方法和基于指纹的方法，其中基于指纹的方法由于不需要参数估计以及较好的定位性能而受到广泛关注。但是现有的指纹定位方法使用最优匹配准则来对实测样本进行定位，这种方式易受接RSS波动的影响，使得利用最优匹配准则进行定位通常会匹配到错误的位置，造成较大的定位误差。其中RSS波动的一个主要原因是室内环境的动态特性，包括人员走动，门窗的开关，AP的发射功率的变化以及室内环境的温度和湿度改变等都会影响测量到的RSS。由环境变化造成的RSS波动是制约指纹定位方法性能的最大瓶颈。如何寻找一种能够克服复杂室内环境中RSS波动的高精度实时定位系统，已经成为业界的研究重点。

文献“P.Bahl and V.N.Padmanabhan,“Radar:An in-building RF-based userlocation and tracking system,”in INFOCOM 2000.Nineteenth Joint Conference ofthe IEEE Computer and Communications Societies.Proceedings.IEEE,2000,pp.775–784vol.2”是一种基于最优匹配准则的传统指纹定位方法。该方法包括以下几个步骤：1)在划分好的格点采集RSS建立线下指纹库；2)在线上定位阶段，利用实测数据的RSS和线下RSS指纹库进行欧氏距离匹配，选取匹配相似度最高的线下指纹对应的格点作为最终位置估计。这种定位方法虽能在简单的室内环境下取得不错的定位精度，但其缺点也较为明显，当室内环境多径传播效应强、环境变化较大时，RSS波动会很明显，造成传统的最优匹配方法失配，使得定位误差较大。

文献“B.Wang,S.Zhou,W.Liu,and Y.Mo,“Indoor localization based oncurvefitting and location search using received signal strength,”IEEETrans.Ind.Electron.,vol.62,no.1,pp.572–582,2015.”提出了一种校正算法来克服RSS波动，该方法在离线阶段在不同区域构造校正函数，在线定位时，首先确定待定位目标所属的区域，然后在区域中通过校正函数搜索得到最终位置估计。这种方法虽然能在一定程度上减轻RSS波动的影响，但存在以下缺点：1)需要知道AP的位置，无法适用于一些复杂环境；2)需要进行线下校正，增加了定位系统的负担。

文献“X.Guo,L.Li,F.Xu and N.Ansari,“Expectation Maximization IndoorLocalizationUtilizing Supporting Set for Internet of Things,”IEEE IoT J.,toappear”是一种基于支撑集的EM算法定位方法，该方法在线阶段根据待定位信号动态的构建支撑集，然后使用EM算法通过指纹质量来估计支撑集里的正确位置。该方法虽然能在一定程度上改善由于RSS波动造成的失配问题，但是只估计了一个粗粒度的指纹质量，不能充分挖掘指纹在不同区域的优势来进行位置估计。

因此，这些方法由于上述问题的存在而在复杂的室内环境中很难形成准确、稳定的目标位置估计。

发明内容

本发明的目的是针对技术背景中的RSS波动造成的错误匹配和指纹质量评估粗略的问题，提出了一种细粒度指纹质量辅助下的复杂室内环境目标定位方法。该方法在线阶段根据待定位信号动态的构建支撑集，然后通过引入细粒度指纹质量对支撑集进行概率建模，得到概率模型，最后使用Gibbs-EM算法求解概率模型来估计支撑集里的正确位置。本发明通过在线阶段引入细粒度指纹质量，一方面能够评估指纹在不同区域的优势，同时还能帮助模型选择可信度最高的位置估计，提高了定位精度。从而本发明能够在不引入额外的校正负担下有效的克服RSS波动所带来的性能下降，是一种定位精度高、稳健性好的实时定位方法。

为了实现本发明的目的，将采用以下技术方案：一种细粒度指纹质量辅助下的复杂室内环境目标定位方法，它利用支撑集，细粒度指纹质量，概率模型和Gibbs-EM算法对信号源目标进行位置估计，它包括以下步骤：

步骤1.在需要定位的环境中固定好AP的位置并将环境划分为等大小的格点。

步骤2.形成离线指纹库：

步骤2-1.搭建好WiFi网络，依次将信号源置于定位环境中的各个格点并记录下此时的信号源位置坐标，然后发射信号，记录各AP接收到的信号源发射的RSS。

步骤2-2.将步骤2-1中的得到的各个AP的RSS值存储下来。

步骤3.实时定位

步骤3-1.获得待定位的目标信号。

步骤3-2.根据目标信号和离线指纹库的相似性构建支撑集。

步骤3-3.引入细粒度指纹质量，对支撑集进行概率建模，获得概率模型

步骤3-3.使用Gibbs-EM算法从概率模型中估计正确位置。

其中，步骤1-2为线下阶段，即定位前的准备工作，步骤3为线上阶段，即实际定位阶段。

本发明的有益效果为：

本发明首先提出了支撑集的概念，相比传统指纹定位中的最优匹配准则，支撑集包含了多个可能为正确位置的标签及其对应的RSS信号，提高了定位的容错性。然后通过引入细粒度指纹质量对支撑集进行概率建模，获得概率模型。最后利用Gibbs-EM算法求解概率模型获得位置估计。细粒度指纹质量充分挖掘了指纹在不同区域的优势，可以帮助模型选择可信度最高的位置估计，提高了定位精度。而相比于EM算法等传统的参数估计方法，Gibbs-EM算法通过在期望步进行Gibbs采样，能有效减少计算复杂度，提高了定位效率。同时，本方法提出的几个关键步骤均在线上定位时完成，无需离线阶段进行指纹和硬件校正，从而本发明提出的基于细粒度指纹质量辅助下的复杂室内环境目标定位方法是一种低成本、自适应、稳健的实时高精度定位方法，具有很强的实际应用价值。

附图说明

图1为本发明的流程图。

图2为技术背景中采用的传统指纹定位方法和本发明方法在环境变化情况下的定位误差对比。

图3为本发明方法估计的细粒度指纹质量和真实值的对比。

具体实施方式

为使本发明的步骤更加详细清楚，以下结合实施例对本发明进一步详细说明。

实施例

1.场地布置

实施例环境位于西班牙一所大学的图书馆，数据由当地的科研人员采集并公开提供“G.Mendoza-Silva,P.Richter,J.Torres-Sospedra,E.Lohan,andJ.Huerta,“Long-termwifi fingerprinting dataset for research on robust indoor positioning,”vol.3,no.1,p.3,2018”，环境由两层楼组成，占地308.2m²，场地被划分为49个格点，448个AP均匀的部署在整个环境中。

2.获取数据并形成离线指纹库

2-1.搭建好WiFi定位环境，将手机置于环境中的任意格点，记录下此时的格点编号和二维坐标，然后发射信号，记录各AP接收到的手机的信号强度，设n时刻第k个AP接收到来自第q个格点的手机发射的RSS测量值为假设有L个AP，采集了H个RSS样本，可以得到在格点k的指纹库D_k：

2-2.将步骤2-1中的得到的不同格点的指纹库存储下来，得到整个环境的指纹库D：

D＝[D₁,D₂,…,D_G](2)

其中G是环境的格点数。

3.构建支撑集

3-1.接收到线上RSS测试样本

3-2.使用欧氏距离d_kn衡量测试样本和线下RSS样本r_k(n)的相似度：

因此可以得到距离向量d＝[d₁₁,d₁₂,…,d_GH]^T。

3-3.选取d中距离最小的M个样本和标签(u_i,x_i)(i＝1,2,…,M)。其中u_i是与线上测试样本距离第i小的线下样本，x_i是与线上测试样本距离第i小的线下样本对应的标签。为了顺序的获得(u_i,x_i)，先获得最小的距离值和它的索引

[value,index]＝min(d)(5)

其中value是最小的距离，index是对应的索引。然后我们可以计算得到线下样本对应的格点索引

其中的作用是是朝正无穷方向取整。时间索引为

然后支撑集中第一个样本和标签可以通过下式获得

获得(u₁,x₁)之后，我们更新距离向量d

d＝d→value(9)

其中→代表从d中删除元素。因此，余下的(u_i,x_i)可以通过重复式(5)-(9)获得。支撑集可以表示为

其中U＝[u₁,u₂,…,u_M]^T表示支撑集的样本空间，x＝[x₁,x₂,…,x_M]^T表示支撑集的标签空间。

3-4.令b＝{b₁,b₂,…,b_V}为U中出现过的不同的信号测量值，其中V为不同测量值的个数。

令y＝{y₁,y₂,…,y_N}为x中出现过的不同的位置，其中N为不同位置的个数。此外，记n＝[n₁,n₂,…,n_N]^T，其中n_l是y_l在x中出现的次数。

4.概率模型

4-1.首先定义细粒度指纹质量w＝[w₁,w₂,…,w_K]^T，其中w_k表示在第k个区域的指纹质量，指纹质量描述了这个区域提供的标签为正确位置的可信度。令Y表示正确的位置，假设现在支撑集中的正确位置为y_l，令N_kt表示第k个区域中正确位置出现的次数，N_kf表示第k个区域中错误位置出现的次数。则w_k可以定义为

4-2.建模样本空间，首先从狄利克雷分布Dir(α)中产生关于区域的分布θ，即θ～Dir(α)，然后从狄利克雷分布Dir(η)中产生关于区域k中的信号分布即在信号测量值相互独立的假设下，第i个样本在第k个区域的概率可以表示为

其中表示第i个样本中第r个信号值出现的次数。同样的，在样本相互独立的假设下，生成样本空间U的概率为

4-3.建模标签空间，在给定区域z_i，细粒度指纹质量w和正确位置标签y_l后，标签为x_i的概率为

生成标签空间x的概率为

4-4.定义目标函数为

其中第一项是生成样本空间的似然函数，第二项是生成标签空间的似然函数。

5.Gibbs-EM算法

5-1.在公式(11)中我们定义了在区域k的指纹质量w_k。然而在实际情况中，因为不知道正确的位置，所以不能直接获得w_k。为了估计w_k，我们可以使用极大似然估计，然而当支撑集中的位置数量较少时，估计的w_k会不准确。为了克服这个问题，本发明引入贝塔分布来控制w_k的先验。贝塔分布有两个参数β₁和β₂，它们的分别代表了区域k中正确位置和错误位置的伪计数。在本发明中，我们设置指纹质量w_k的初值为贝塔分布概率取最大时的值

5-2.令Y的概率分布为p＝[p₁,p₂,…,p_N]^T，其中p_l＝P(Y＝y_l)(l＝1,2,…,N)代表了正确位置为y_l的概率。本发明提出了基于频率和概率联合初始化的策略，对出现次数越多，越靠近几何中心的位置赋予更大的先验概率。p_l的先验概率可以定义为

其中g(y_l)为位置y_l的二维坐标，g(·)是将位置映射为二维坐标的函数。

5-3.使用Gibbs-EM算法最大化目标函数，Gibbs-EM算法包括两步：期望步(E步)和极大步(M步)，其中E步使用Gibbs采样计算后验分布，M步更新参数θ，和w。具体流程如下

E步：假设现在迭代到第t步，首先通过Gibbs采样得到第i个样本所在的区域

其中表示在不考虑第i个样本下第k个区域被采样的次数，表示在不考虑第i个样本下第r个信号值在第k个区域被采样的次数。

采样完成后，在给定x_i，z_i和指纹质量w^(t-1)后，正确位置为y_l的后验概率可以表示为

其中式(20)中的第二项由伯努利分布产生

其中|x_i＝y_l|在x_i＝y_l时为1，反之为0。然后，正确标签为y_l的概率更新为

M步：最大化目标函数式(16)来更新θ，和w，即

求解方法为对分别关于θ，和w求导，并使其为0来得到相应的估计。首先更新指纹质量w，对指纹在区域k的指纹质量w_k求导后可以得到

其中n_k是第k个区域被采样的次数，a_k为支撑集中在第k个区域的正确标签数量的伪计数

同样的，得到θ和的估计值

Gibbs-EM算法将会重复E步和M步直至收敛，收敛条件为

其中ε通常设为10^-6。

6.位置估计

假设给定一个实测样本，首先通过步骤3构建支撑集，然后通过步骤4建立概率模型并利用步骤5提出的Gibbs-EM算法迭代求解，假设Gibbs-EM算法在第t轮迭代收敛，y的最终概率分布可以表示为p^(t)中最大的概率对应的下标为

最终的位置估计可以由下式获得

本发明使用公开数据集“G.Mendoza-Silva,P.Richter,J.Torres-Sospedra,E.Lohan,andJ.Huerta,“Long-term wifi fingerprinting dataset for research onrobust indoor positioning,”vol.3,no.1,p.3,2018”来验证提出算法的优越性。在离线阶段使用在49个格点采集的8640个RSS样本作为离线指纹库。在接下来的15个月，每个月又分别采集了3120个样本作为测试集。图2是本方法相比技术背景中方法的定位性能。RADAR，CF和EMSS依次对应技术背景中提出的3中现有技术。可以看到本方法不管是在第几个月，表现都好于技术背景中的定位方法，特别是随着时间的增长，本发明方法的优势更加明显，其中本方法在15个月的平均均方根差误差为2.46m，而EMSS，CF和RADAR分别为2.52m，2.89m和3.2m，从而证明了本方法是一种定位精度高、稳健性好的实时定位方法。图3为一个测试样本得到的估计的细粒度指纹质量和真实值比较图，可以看到，大多数的估计值非常接近真实值，证明了Gibbs-EM算法估计的细粒度指纹质量的准确性。