一种融合多源数据的室内定位方法与流程

本发明属于无线室内定位技术领域，尤其是涉及一种融合多源数据的室内定位方法。

背景技术：

随着移动互联网及以智能手机为代表的智能移动终端技术的迅速发展和普及，移动用户对位置服务的需求日益强烈，为基于位置服务(locationbasedservice,lbs)的应用带来了巨大的机遇与挑战。在人们的日常生活中，行人导航是最常用的lbs应用之一，通过智能手机、平板电脑等移动智能终端进行定位及导航几乎成为人们不可或缺的生活方式。在行人导航系统中，位置信息是关键因素之一。目前，室外行人导航系统已经基本满足人们的出行需求，其位置信息的获取可以通过全球定位系统(globalpositioningsystem,gps)实现。然而，室内环境中位置信息的获取仍然面临着较大的难题，由于建筑物的遮挡，gps信号在室内环境中会出现衰减和多路径效应，使其无法应用于室内定位。由于人们大部分时间都活动在室内区域，近年来，室内定位已经成为国内外位置服务领域的研究热点。研究者们提出一系列室内定位方法，主要分为基于专用射频设备的方法(射频识别设备、超宽带、蓝牙等)、基于wifi的方法以及行人航位推算方法。

基于rfid、uwb以及蓝牙等射频设备的定位方法，可以实现一定的定位精度，然而，这些定位方法一方面需要用户携带专用的设备，另一方面需要外界相关基础设施的支持(锚节点、射频标签等)，造成用户的成本增加。因此，这些基于专用射频设备定位方法的普适性及可扩展性较差；基于wifi的室内定位技术，完全基于现有的无线网络结构，无需添加任何额外的专用设备，使用智能移动终端即可实现定位，这一特性使得wifi定位相对于其他的无线射频定位方法具有巨大的优势。然而，由于wifi信号强度具有严重的不确定性，wifi定位的精度较差，无法满足实际应用的需求；行人航位推算可以得到相对运动信息，然而受传感器误差和累积误差效应的影响，基于行人航位推算的定位方法无法实现长时间的连续定位。

技术实现要素：

本发明的目的是为了解决基于单模定位方法精度较差的问题，提供一种融合多源数据的室内定位方法，可以提高基于智能手机的室内定位精度。所融合的多源数据包括：行为识别结果、wifi定位结果以及行人航位推算结果。

为实现上述目的，本发明采用的技术方案为：

一种融合多源数据的室内定位方法，包括步骤：

a)将行人在室内的运动过程建模成隐马尔科夫模型，使用隐马尔科夫模型融合多源数据，隐马尔科夫模型的观测值为单模感知结果；

b)将室内地图建模成图结构，得到节点转移概率；

c)通过维特比算法，推算用户的位置，以实现室内定位。

进一步的：所述步骤a)融合多源数据包括行为识别结果、wifi定位结果和行人航位推算结果。

进一步的：所述行为识别包括数据预处理、数据分割、特征提取、特征降维和分类。

本发明相对于现有技术，明显的有益效果至少包括：

本发明采用融合多源数据的室内定位方法，在行为识别、wifi定位及行人航位推算的基础上，通过隐马尔科夫模型融合多源感知数据，提高定位精度和鲁棒性。

使用设备不局限于智能手机，可以使用其他便携式设备，例如智能手表、智能手环等。所使用的传感器也不局限于本发明中提到的传感器种类，随着智能手机内置传感器的增加，可使用其他传感器实现行为识别和相对运动轨迹的推算。

附图说明

图1行为识别流程示意图；

图2步子检测示意图；

图3室内地图建模示意图；

图4状态转移概率计算示例。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细说明。

行为识别是指通过智能手机多个传感器采集的数据对行人的行为属性进行判断，因此行为识别问题即为分类问题。行为识别的主要步骤如图1所示，包括数据预处理、数据分割、特征提取、特征降维和分类。

数据预处理主要用于滤除传感器数据中的噪声信号，例如加速度数据中的高频噪声，可以采用低通滤波器实现。数据分割主要是从连续的时序数据中提取有效的信息，用于行为识别。特征提取用于从分割后的数据中提取分类特征，构成特征向量，用于区分不同类别的行为。特征降维的目的在于提高分类的精度，并减小算法的复杂度。最后，通过降维之后的特征向量，采用分类器对采集的传感器数据进行行为分类，得到行为的类别。

当识别出位置相关的行为时，通过行为地图匹配的方法将其用于之后的多源数据融合模型中。当识别出行人的行为是走路行为时，需要估算行人的行走轨迹，用于后续的融合定位，采用行人航位推算的方法实现这一步骤。

行人航位推算由三部分组成：步子检测、步长估计和航向估计。

根据行人步态的生理学特性，行人行走过程中产生的加速度信号具有周期性特征，如图2所示，因此可以通过加速度数据进行步子检测。步子检测采用峰值检测算法实现。

为了将步子检测得到的步数转换成前进距离，需要对行人的步长进行估算。根据相关研究成果，可以通过步频步长模型进行步长估计，步频步长模型认为步长与步频成线性关系。在得到步长之后，根据步数和步长的乘积可以得到行人的前进距离。

航向估计通过磁力计和陀螺仪的数据实现，其中磁力计输出航向角，陀螺仪输出角速度的变化值。为了提高航向估计的精度，拟采用卡尔曼滤波融合磁力计和陀螺仪的数据，假设第t步的航向角、角速度和角加速度分别是qt、vt和ut，定义系统变量为st＝[qt,vt]^t，系统的输出为ut，该系统可以由公式(1)建模：

st＝ast-1+but+w(1)

其中，w为系统的高斯噪声，假设为高斯分布。系统的观测变量为航向角，用ot表示，观测方程由公式(2)表示：

ot＝cst+r(2)

其中，c＝[10]，r表示磁力计输出的观测噪声，假设为高斯分布。

使用卡尔曼滤波对磁力计和陀螺仪的观测值进行融合：

st|t-1＝ast-1|t-1+but(3)

pt|t-1＝apt-1|t-1a^t+φ(4)

st|t＝st|t-1+kt(ot-cst|t-1)(6)

pt|t＝(i-ktc)pt|t-1(7)

wifi定位通过位置指纹法实现，采用概率性方法根据观测到的wifi信号强度，得到行人在每个节点的概率值。

在行为识别、行人航位推算以及wifi定位的基础上，基于隐马尔科夫模型实现多源数据融合，实现行人的室内定位。具体步骤：

首先，将室内地图建模成图结构，如图3所示，确定wifi位置指纹采集点，预先在各个位置采集wifi指纹，构建wifi位置指纹地图。

融合多源数据的隐马尔科夫模型：

隐状态：图结构中的节点。

观测值：在该数据融合模型中，有三类观测值。第一类是wifi位置指纹定位的结果，第二类是行为识别的结果，第三类是连续两个wifi定位结果或者行为识别时刻之间的相对位移。wifi位置指纹定位采用概率性方法，根据观测到的wifi信号强度，得到行人在每个节点的概率值；行为识别通过行为分类算法得到；相对位移根据行人航位推算可以得到。

状态转移概率：当得到每一个wifi观测值或者行为识别结果时，会生成一个隐状态之间的转移概率。通过室内地图的拓扑结构，可以得到隐状态之间的转移概率矩阵。因为行人只能在相邻的节点之间移动，所以可以假设每个节点与它相邻节点的转移概率为均匀分布，由此可以得到整个室内地图的状态转移矩阵。图4是一个状态转移概率计算的示例。

输出概率：输出概率描述每个隐状态下观测值的概率分布。在本课题所采用的隐马尔可夫模型中，包括三个观测值，分别是wifi位置指纹定位结果、行为识别结果和相对位移，因此输出概率由wifi位置指纹定位的输出概率、行为识别输出概率以及相对位移的输出概率组成。由于这三个观测值相互独立，因此输出概率可以由公式(8)表示：

p(mt,at,zt|ri)＝p(mt|ri)·p(at|ri)·p(zt|ri)(8)

其中，p(mt|ri)是wifi位置指纹定位的输出概率，表示隐状态ri的wifi位置指纹定位的概率分布，p(at|ri)是行为识别的输出概率，表示隐状态ri的行为分类输出概率，p(zt|ri)是相对位置的输出概率，表示隐状态ri的与相邻状态的相对位移的输出概率。

初始概率分布：通过开始接收到的wifi信号及行为识别结果，根据wifi位置指纹定位方法和行为地标匹配，得到初始位置的概率分布。

维特比算法：维特比算法用于在接收到的wifi和行为识别观测值o＝(o1,o2,...,ot)中寻找概率最大的隐状态序列q＝(q1,q2,...,qt)，维特比变量通过公式(9)定义：

其中，δt(j)是状态t时刻某一路径的最大概率，aij是状态i到j的状态转移概率，bj(ot+1)是状态j时刻的观测概率分布。在室内定位的模型中，算法根据连续的多个观测值确定概率最大的节点组成的路径，采用公式(10)计算每个候选路径的概率：

pt+1(j)＝pt(i)·aij·bj(ot+1),1≤t≤t(10)

其中，pt(j)是状态t时刻的候选路径的概率。当观测值达到一定的数目之后，选取概率值最大的路径，作为与观测值匹配的路径，实现移动目标位置的确定。