本发明涉及的行业领域为室内定位领域，适用于室内陈设布局较为固定以及室内物品或人员的移动轨迹较为稳定的室内定位应用场景；
技术领域：
涉及物联网技术，特别涉及一种基于rssi测距和轨迹相似性的室内定位方法。
背景技术：
：无线通信、计算机网络和智能设备等现代信息技术的发展和逐渐成熟使得基于地理空间位置的应用普遍存在，人们对获取位置信息的需求日益迫切。近些年，gps的广泛应用为室外用户提供高精度的定位服务，但由于受地面建筑物、室内陈设物品遮挡等客观因素的影响，室内用户无法获取gps信号，此时gps已然不能满足室内用户的定位需求。室内定位技术作为对户外卫星导航定位技术的有效补充，两者之间存在一定的共性。但室内定位干扰因素较多且其定位精度要求更高，这些特点使得室外定位方法无法直接应用于复杂环境的室内定位中。室内定位方法是室内定位技术的关键部分，已成为当前室内定位领域研究的热点。目前主流的室内定位技术主要围绕提高室内定位精度、适用性以及降低使用成本等方面。依据定位方法所借助的通信手段，室内定位技术总体上可分为gnss技术、无线定位技术、gnss和无线定位组合的定位技术以及其他定位技术。而无线定位技术又可分为红外线定位、超声波定位、wifi定位、蓝牙定位等。其中基于蓝牙的无线定位技术具有技术成本低廉、设备体积小、易集成普及、定位精度较高等优点，可使用于物体实时定位、货物追踪、机器人导航等应用场景。基于蓝牙的室内定位技术主要采用的是基于rssi测距的多边形定位法。该方法的基本原理是通过测量定位点与各蓝牙基站的距离解算定位点的位置。定位设备接收各蓝牙基站发送的无线信号，测量各蓝牙基站的rssi，并根据无线信号传输理论模型计算其到各蓝牙基站的直线距离。利用多边形定位算法和距离约束估算定位设备的位置。虽然该定位方法引入均值滤波、中值滤波、高斯滤波等滤波模型消除部分信号噪声，一定程度减少了无线信号的波动对定位精度的影响，但是该方法过于依赖所测量的各蓝牙基站的rssi值，换言之，rssi值的测量精度直接决定了定位算法的精度。室内定位系统在长期的使用过程中，记录了大量的用户历史定位数据，建立当前位置与历史定位数据之间的关联，挖掘历史定位数据的潜在价值，用以提高室内定位的精度。技术实现要素：本发明的目的在于克服现有技术的不足，提出一种基于rssi测距和轨迹相似性的室内定位方法，通过引入当前轨迹与历史轨迹之间的关联，降低rssi在定位计算中的比重，从而间接地消除部分信号噪声对定位精度的影响。本发明解决其技术问题所采用的技术方案是：一种基于rssi测距和轨迹相似性的室内定位方法，包括：步骤1，获取所处位置各蓝牙基站rssi数据集，依据采集的rssi数据所对应的信号发射基站对rssi数据集进行分组，即同一基站的rssi数据归为一组。由于无线信号损失程度与接收距离成正比，信号损失越多，采集的rssi数据往往就越少，定位精度就越低。故需分析每组所采集的rssi数据的个数，一般选择rssi值个数较多的4至8组数据集参与定位计算。步骤2，rssi数据集优化处理由于蓝牙基站发射不稳定、室内物品遮挡等客观因素的影响，同一位置不同时间段所接收rssi值也是不同的，这导致同一组的rssi数据集中数据个体间值的大小存在较大的差异，不同组间的rssi数据的个数也不尽相同。为了增强rssi值的可靠性，尽可能地减小因信号的波动而导致定位结果误差过大，需要对每组rssi数据集进行滤波处理，使得各组处理得到的rssi值能较为真实的反应定位终端到基站的距离。本发明采用的是高斯模型与卡尔曼模型相结合的模型处理方法。步骤2.1，高斯模型筛选基于rssi测距一般是依据无线信号传输理论模型式中rssi(d)dbm表示与信号发生源的距离为d时信号接收处的信号强度值；rssi(d0)dbm表示与信号发生源的距离为d0时信号接收处的信号强度值，d0一般也称作参考距离，实际应用中常取值为1m；α称为路径损耗指数，是与所处外界环境影响有关的参数，可通过测量计算其值；β表示外界随机因素，是服从(0，σ2)高斯分布的随机变量。从上述分析可知与基站j的距离为d时所采集的信号强度指示rssij,d值是服从(0，σ2)高斯分布的随机变量，记为：rssij,d～(0，σ2)，其概率密度函数为其中rssij,d,k表示与j基站的距离为d时所采集的第k个信号强度指示值；表示在定位数据采集时间段内采集的每组rssi数据集的均值，计算公式n表示每组所选取的rssi值的个数；σ表示每组rssi数据集的标准差，计算公式标准正态分布函数高斯模型过滤rssi的基本思想是选取介于高置信度所对应的置信区间的rssi值，即p(γ1≤rssij,d,k≤γ2)＝1-δ在实际工程应用中高置信度δ一般取0.6，故可推倒出置信度1-δ的置信区间[γ1,γ2],即δ表示显著水平即较小的概率值；表示概率值为时在正态分布图中的临界值，其值可查阅正态分布表。则基站分组后通过高斯模型筛选，最终每组选取的rssi数据集步骤2.2，卡尔曼滤波平滑处理为进一步提高rssi数据的稳定性，需要使用卡尔曼滤波对高斯模型筛选的数据集进行平滑处理，卡尔曼滤波的基本思想是根据系统模型或者理论经验(在排除设备及环境因素的干扰，同一位置所接收的同一基站的rssi理应相同)，基于k-1状态的后验估计rssij,d,k-1|k-1得到当前要计算的k状态先验估计rssij,d,k|k-1，并结合当前k状态rssi的观测值rssij,d,k对k状态rssi做出后验估计rssij,d,k|k。卡尔曼滤波由描述系统状态的过程模型和观测系统状态的观测模型两部分构成。过程模型形式化表示rssij,d,k|k-1＝θrssij,d,k-1|k-1+e1(k)其中θ表示系统参数，依据系统模型θ取值为1；e1(k)表示rssi由k状态向k-1状态转变过程中的高斯白噪声或系统误差，服从(0,q)高斯分布，q为误差的方差。观测模型形式化表示rssi′j,d,k＝ωrssij,d,k+e2(k)其中rssi′j,d,k表示观测模型的调整值；ω表示系统观测参数，依据系统模型取值为1；e2(k)表示系统观测高斯白噪声或系统观测误差，服从(0,r)高斯分布，r为误差的方差。卡尔曼滤波的形式化表达rssij,d,k|k＝rssij,d,k|k-1+k(rssi′j,d,k-rssij,d,k|k-1)其中k表示卡尔曼增益，其计算公式其中pk|k-1表示的是k状态过程模型先验估计的误差方差，与k-1状态的后验估计的误差方差的关系为pk|k-1＝pk-1|k-1+q,参数r，q可通过实际观测数据统计计算得到。对高斯模型筛选得到的数据集gj＝{rssij,d,l|l＝1,2,…,m}利用卡尔曼滤波平滑处理得到数据集g′j＝{rssij,d,l|l|l＝1,2,…,m},最终将用于计算待定位点到j基站的距离。步骤3，由待定位点到各基站位置的投影距离等式建立关联方程组假设待定位点为p的初始坐标估计为(xi′,yi′)，将步骤2得到的代入无线信号传输理论模型即可得出p点到基站j的距离为dj。被定位终端相当于其所处的定位空间的相对高度一般变化较小，故被定位终端与室内基站的相对高度差可设为参数h0。至此可由余弦定理得到待定位点到各基站位置的投影距离等式，并建立如下关联方程组：其中点(xj,yj)表示基站j的坐标。步骤4，极大似然估计法求方程组近似解在无任何信号损失的理想条件下，方程组①中xi′,yi′存在唯一解。但室内环境往往也比较复杂，室内陈设物品较多，无线信号存在一定的损失，而且方程组①中的等式一般为6至8个，故而导致方程组①无解。为此可以利用极大似然估计的方法求方程组的近似解。为进一步提高定位结果的精度，针对方程组①中的等式采用组合的方法，也就是从j个等式中选取j-1个等式组合成新的方程组，共形成j种新的方程组。新的第s个方程组解的结构其中最终求所有j种新的方程组解的平均值作为待定位点的初始坐标估计：步骤5，寻找相似的历史移动轨迹室内空间布局往往较为固定，室内物品或人员在室内长期的移动、定位的过程中形成了相对固定的历史移动轨迹，因此当前的移动轨迹与某些历史移动轨迹往往存在着极大的相似性，利用这种关联可以提高移动轨迹相对稳定的室内物品或人员的定位的精度。具体实现如下：步骤5.1，查找相近轨迹从历史定位数据集中查找与初始位置估计(xi′,yi′)距离较近的点集p＝{(x,y)||x-xi′|<λ,|y-yi′|<λ}，参数λ的值取决于定位精度的要求以及室内环境，一般λ设置为0.5m至2m之间。假设存在历史定位轨迹分别表示定位时间，u示轨迹节点的个数，u的值取决于室内空间大小，一般设定为5至10)和当前移动轨迹若则称为的相近轨迹。步骤5.2，计算相近轨迹中的节点与当前轨迹中对应的节点的距离，逐对计算后可得到距离序列d＝<d1,d2,…,du>。步骤5.3，计算轨迹间相似度灰色关联度分析是依据比较序列形成的曲线与参考序列形成的曲线间的相似程度来确定比较序列与参考序列的关联度，比较曲线与参考曲线的几何形状越相似，那么它们之间的关联度值就越大。因此本发明使用距离序列的灰色关联度衡量当前移动轨迹与历史移动轨迹间的相似性。假设参考序列为c＝<c1,c2,…,cu>，则距离序列d(比较序列)与参考序列c间的灰色关联度的计算方法如下：步骤5.3.1，逐个计算距离序列d与参考序列c的对应元素的差的绝对值，即|d-c|＝|cv-dv|,v＝1,2,…,u步骤5.3.2，确定min(|cv-dv|)和max(|cv-dv|)。步骤5.3.3，计算距离序列d与参考序列c每对对应元素的关联度系数其中η被称为分辨系数，且η∈[0,1]。η值越小表示分辨能力越强，关联系数φv间的差异就越大，在实际的应用过程中常取η＝0.5。步骤5.3.4，计算距离序列d与参考序列c对应元素的关联度系数的均值其中(又称关联系数)反映的是距离序列d与参考序列c间的相似程度，越大，距离序列d与参考序列c越相似。由于距离序列d中的元素dv表示当前轨迹中的定位点与相近轨迹中对应的点的距离，故dv值越小两者越相近，当dv＝0时为最优，此时因此参考序列c＝<0,0,…0>。步骤5.4，寻找最相似的相近轨迹从众多的相近轨迹中筛选出与当前轨迹最相似的三个轨迹，即关联系数值最大的三条轨迹(分别设为)，相应关联度系数对应相近轨迹的终点分别为步骤6，调整定位由室内物品或人员移动轨迹的相似性可知，当前待定位点的位置应当位于由最相似的相近轨迹的终点所在的区域附近。利用三个最相似的相近轨迹的终点所确定的三角形区域和待定位点的初始坐标估计p(xi′,yi′)可确定待定位点的位置。方法如下：步骤6.1，计算三角形内接圆心o(xo,yo)的位置设则步骤6.2，计算待定位点的初始坐标到圆心的线段po与三角形边的交点设则分别判断线段po与边ab、ac和bc是否有交点。下面以计算线段po与线段ab的交点为例进行说明。若行列式则po与ab重合或者平行。若△≠0，则计算若存在0≤λ≤1且0≤μ≤1，则po与ab相交，交点(xi′+λ(xo-xi′),i′+λ(yo-yi′))即为待定位点的实际坐标；若a、b、c三点共线，则两两相连最长线段的中点坐标即为待定位点的实际坐标；若p点位于三角形内，则p点坐标即为待定位点的实际坐标。本发明具有如下有益效果：本发明提出的室内定位方法引入了当前轨迹与历史轨迹间的关联，通过建立关联模型提高移动轨迹较为稳定的室内物品或人员定位的精度。以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于rssi测距和轨迹相似性的室内定位方法不局限于实施例。附图说明图1为本发明实施例基于rssi测距和移动轨迹相似性的室内定位方法的流程图；图2为本发明实施例办公室布局图；图3为本发明实施例原始rssi数据集箱线图；图4为本发明实施例滤波模型处理后rssi数据集箱线图。具体实施方式参见图1至图4所示，本实施例是一种基于rssi测距和轨迹相似性的室内定位方法，选取室内办公室作为应用场景，选择11.8m×8.9m的办公室作为定位区域，建立直角坐标系，其中长方向为横坐标方向，宽方向为纵坐标方向。在定位区域布置八个编号为x10001～x10007的蓝牙基站，对应坐标分别为(-2.4,-0.6)，(-6.8,0)，(-11.8,-0.8)，(-11.8,-4.8)，(-9.7,-8.1)，(-2.4,-8.1)，(-0.6,-4.4)。现将被定位设备置于定位区域，依据本发明的定位方法进行计算。实施要点如下：步骤a，依据蓝牙基站对采集的rssi数据集进行分组，本实施例中可分为七组，各组数据分布情况参见图3。步骤b，对分组后的每组rssi数据集通过滤波模型处理，高斯滤波模型消除了部分极端噪声，筛选较为稳定的rssi值，而卡尔曼滤波模型使得较为稳定的rssi数据集更趋于平滑，二者的结合极大程度地降低了信号噪声，提高了定位精度。各组rssi数据集滤波模型处理后的数据分布参见图4，最终各个蓝牙基站的rssi代表值如表1所示。表1蓝牙基站x10001x10002x10003x10004x10005x10006x10007rssi值-70-67-71-62-64-76-70步骤c，依据无线信号传输理论模型和待定位点与各基站的距离公式之间的关联建立等式，并从这七个等式中抽取六个等式建立关联方程组，可组成七种方程组。用极大似然估计的方法分别求解上述七种关联方程组，各组方程组采用极大似然估计的方法求得的近似解参见表2，计算出这七种关联方程组近似解的均值为(xi′,yi′)t＝(6.66,4.03)t。表2方程组第一组第二组第三组第四组第五组第六组第七组均值xi,s′6.936.516.646.696.706.516.966.66yi,s′3.934.294.074.063.714.114.034.03步骤d，查找的所有相近轨迹(由于相近轨迹较多，故表3仅列举相似度最高的三个，其余不再一一列举)，并计算出当前轨迹<(1.35,0.83),(2.12,1.57),(3.00,2.12),(4.00,2.76),(4.85,3.67)>与各相近轨迹的距离序列。因为该应用场景空间较小，所以轨迹的节点个数n＝5。表3轨迹节点1节点2节点3节点4节点5终点轨迹1(1.63,0.71)(2.21,1.30)(3.30,2.08)(5.15,2.56)(5.28,3.47)(6.02,4.48)轨迹2(1.35,0.13)(2.56,1.72)(3.21,2.55)(4.43,3.07)(5.37,3.85)(5.65,4.94)轨迹3(1.63,1.03)(2.15,1.98)(3.44,2.18)(3.58,2.98)(4.96,4.17)(5.06,5.06)步骤e，计算当前轨迹与所有相近轨迹的相似度，选取三个相似度最高的相近轨迹，并由轨迹终点划定被定位设备实际位置所在的三角形区域。轨迹1、轨迹2和轨迹3为相似度最高的三条相近轨迹，其距离序列和相似度值参见表4。故被定位设备实际所在的位置为由最相似的三条相近轨迹的终点(6.02,4.48)，(5.65,4.94)，(5.06,5.06)所确定的三角形边上。表4轨迹距离序列相似度轨迹1<0.305,0.270,0.302,1.167,0.474>0.844轨迹2<0.700,0.381,0.479,0.530,0.554>0.844轨迹3<0.692,0.414,0.444,0.474,0.512>0.901步骤f，被定位设备的初始坐标估计结合由其相近轨迹所划定的三角形区域即可确定被定位设备在实际坐标系中的位置。初始坐标估计(6.66,4.03)与三角形内接圆圆心(5.60,4.85)的连线与三角形边的交点(5.92,4.60)作为被定位设备在直角坐标系中的位置。以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12