一种基于WiFi接收信号强度的混合室内定位方法
【专利摘要】一种基于WiFi接收信号强度的混合室内定位方法，它有五大步骤：步骤一：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依照对数距离路径损耗模型产生RSSI值，构成离线指纹数据库；步骤二：通过航位推测法在二维坐标下产生目标的运动路径；步骤三：通过模糊k-NN算出定位结果；步骤四:根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测；步骤五：将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵中，得到混合量测矩阵，通过混合量测模型对系统状态进行更新，得到滤波后的估计位置坐标；通过步骤四与步骤五不断的迭代更新，得到整个运动路径下的定位结果。
【专利说明】一种基于WiFi接收信号强度的混合室内定位方法
【技术领域】
[0001] 本发明提供一种基于WiFi接收信号强度的混合室内定位方法，具体说是一种将 三边定位技术和位置指纹定位技术相融合的混合卡尔曼滤波方法。该方法能够解决三边测 量技术对噪声敏感和LF技术不能适应环境变化的问题，提高系统的定位精度和鲁棒性，属 于WiFi室内定位及无线传输与导航领域。
【背景技术】
[0002] 随着现代定位和导航技术的发展，各种基于位置的服务日益成为智能生活中重要 的组成部分，全球卫星导航系统（GNSS)为人们提供了高精度、全天候的定位服务，但是由 于其测量信号不能穿透建筑物的特点，在高密集建筑群区和室内无法有效进行定位服务， 因此为了在室内获得有效的定位服务，室内定位系统得到了很快的发展。
[0003] 近年来，由于WiFi网络的普及，基于IEEE802.llb/g协议的无线局域网（WLAN) 的信号强度定位技术日益受到重视，目前主流的PDA、智能手机等移动设备中都内置无线网 卡，从设备上为该定位技术提供了便利。现今很多建筑中装有WiFi接入点，现有的基础设 施可以基本上满足定位需求，可以减少经济开支和额外的硬件装配，应用前景广阔。
[0004] 基于WiFi的室内定位技术主要有三边定位技术和位置指纹技术。三边定位技术 利用待测目标到至少三个已知参考点之间的距离信息估计目标位置。WiFi信号随着传播 距离的增加而减弱，通过测得某一信号强度，可以计算出测量点距离接入点（AP)的距离， 计算得到若干个距离就可确定位置。基于传播模型的定位方法不需要预先采集AP的信号 强度，只需找出射频信号在室内环境中的传播模型，依据信号传播模型和设备与AP之间的 信号强度差来估计位置信息，因为接收信号强度（RSS)很容易受周围环境影响，很难获得 精确的定位结果。位置指纹定位技术需要构建信号强度与定位位置之间的映射关系，使用 存储所有参考点（RP)的RSS信息的数据库来进行匹配计算，但是数据库对环境的依赖性较 大，一旦环境发生较大的改变，会导致指纹数据库失效。
[0005] 卡尔曼滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计 动态系统的状态。卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的 观察序列中预测出物体的坐标位置及速度。
【发明内容】
[0006] 本发明的目的在于：提供一种基于WiFi接收信号强度的混合室内定位方法，它是 一种混合卡尔曼滤波方法，将基于RSSI的WiFi三边测量技术和基于卡尔曼滤波的LF技术 的优点进行融合，以解决三边测量技术对噪声敏感和LF技术不能适应环境变化的问题，提 高系统的定位精度和鲁棒性。
[0007] 本发明的技术方案：
[0008] 本发明一种基于WiFi接收信号强度的混合室内定位方法，它包括以下几个步骤：
[0009] 步骤一：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依 照对数距离路径损耗模型产生RSSI值，构成离线指纹数据库。
[0010] 其中，由于信号的长距离衰落特性服从对数正态分布，常用对数距离路径损耗模 型表示，其中对数距离路径损耗模型的具体表示如下。
[0011]
【权利要求】
1. 一种基于WiFi接收信号强度的混合室内定位方法，其特征在于：它包括以下步骤： 步骤一：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依照对 数距离路径损耗模型产生RSSI值，构成离线指纹数据库； 其中，由于信号的长距离衰落特性服从对数正态分布，常用对数距离路径损耗模型表 示，其中对数距离路径损耗模型的具体表示如下：
其中，Pra表示接收强度，巧。是相对距离的接收强度或一米远的初始RSSI值，1是路径 损耗指数，它能随传播环境的不同在2?6之间变化；R。参考距离，R是接收设备与发射设 备之间的距离；walILoss是指由各面墙造成的损耗的和，这个因素决定于建筑布局，建筑 材料，大量反射面，基础公共设施和移动物体； 步骤二：通过航位推测法在二维坐标下产生目标的运动路径； Xi=Xi-j+VjAtcos( 9j) Yi=y^+ViAtsin( 0i) 其中，Xi，示当前物体的位置，XH，yg是笛卡尔坐标系统中前一个参考位置，V和At分别表示速度和取样间隔； 步骤三：通过模糊k-NN算出定位结果； 其中，离线阶段从各AP采集的接收信号强度RSSI向量为，=…八IT1.e沢"} ' 在线阶段，在特定位置采集到的RSSI值为：4 = --IAe;其中，N为AP的 个数，n为测试区域栅格的个数；模糊k-NN分类器采用一阶最近邻算法，则在位置Yi的值yi(y)表不为：
其中，其中K是最近邻的数量，模糊强度参数m用来决定计算各个邻居对函数值的贡献 时距离的权重由多大，m的取值范围为（1，+ ); 步骤四：根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测； 其中，系统的状态方程是基于航位推测模型的，其中当前位置表示为X= [pxpyVxvy]T，则系统的状态方程的表达式如下：
由于对数路径损耗模型是非线性的，所以采用如下非线性模型进行预测： Xk+1一fk (Xk，k) +Wk Yk一h J5 (xk) +Vk 其中，Wk为系统噪声，Vk为量测噪声；系统噪声和量测噪声均为高斯 白噪声，系统噪声的协方差矩阵为五M?w/ =G，量测噪声的协方差 矩阵为五％ ?v/二6，系统参数的线性一阶近似定义为雅可比矩阵
步骤五：将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵 中，得到混合量测矩阵，通过混合量测模型对系统状态进行更新，得到滤波后的估计位置坐 标；通过步骤四与步骤五不断的迭代更新，得到整个运动路径下的定位结果； 其中，步骤三中通过位置指纹方法得到的定位结果的坐标为则混合量测 矩阵的表达式如下所示：
其中，Kk为卡尔曼增益，Pk为误差协方差矩阵，Ik+1S真实值与量测值之间的误差，通过 不断的迭代更新得到最终的定位结果。
【文档编号】H04W64/00GK104507159SQ201410682677
【公开日】2015年4月8日 申请日期:2014年11月24日 优先权日:2014年11月24日
【发明者】杨东凯, 修春娣, 杨萌, 刘源, 罗智勇 申请人:北京航空航天大学