本发明涉及室内定位领域，尤其涉及一种多源数据融合室内定位的方法、存储介质及智能终端。
背景技术：
随着移动互联网以及以智能手机为代表的智能移动终端(智能手机、智能手环、智能手表等)的快速发展和普及，用户对位置服务的需求日益强烈，为基于位置服务(Location Based Service,LBS)的应用带来了巨大的机遇与挑战。LBS应用的基础在于位置信息的获取。在室外区域，以智能移动终端为载体，通过全球卫星定位系统(Global Positioning System,GPS)可以实现米级精度的定位。然而，室内环境中位置信息的获取仍然面临着较大的难题，这是由于GPS信号在室内环境中受到建筑物的遮挡，会出现衰减及多路径效应，使其无法应用于室内定位。人类80％到90％的时间处于室内环境中，因此，室内定位已经成为近年来国内外位置服务领域的研究热点。
智能手机内置的多种传感器(WiFi、加速度计、陀螺仪、磁力计、气压计等)，使其在通讯功能之外还具备强大的感知能力，通过智能手机可以获取多源传感器数据。受价格成本的约束，智能手机内置传感器的精度不高，依靠单一传感器的定位方法精度较差(WiFi定位、惯性定位、蓝牙定位等)，无法满足室内定位应用的需求。在智能手机获取的多源传感器数据之外，室内地图也可以作为一种可靠的先验知识，因为行人在室内环境中的行走行为受到室内地图的约束。如何融合智能手机获取的多传感器数据以及已有的室内地图数据，构建面向室内定位的多源数据融合模型，实现基于智能手机的高精度定位，是一个值得深入研究的科学问题。
技术实现要素：
鉴于上述现有技术的不足，本发明的目的在于提供一种多源数据融合室内定位的方法、存储介质及智能终端，旨在解决现有依靠单一传感器的定位方法精度较差，无法满足室内定位应用需求的问题。
本发明的技术方案如下：
一种多源数据融合室内定位的方法，其中，包括步骤：
将通过单模感知定位方法得到的定位结果进行参数化表达，构建单模感知定位结果的特征函数；
根据所述单模感知定位结果的特征函数构建融合多源数据的条件随机场模型；
采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线模型参数；
通过所述条件随机场模型和实时在线模型参数对用户的室内位置进行推理定位。
所述的多源数据融合室内定位的方法，其中，所述通过单模感知定位方法得到的定位结果包括：行人航位推算结果、行为识别结果以及WIFI定位结果。
所述的多源数据融合室内定位的方法，其中，所述行人航位推算结果的特征函数为：f1(Si-1，Si，ZiPDR)＝I(Si-1，Si)·f1θ(Si-1，Si，Ziθ)·f1θ(Si-1，Si，Ziθ)，其中，St表示t时刻的状态，ZtPDR表示行人航位推算的观测值，I(St-1,St)为室内地图的约束因子，如果两个状态之间相互连接，I(St-1,St)为1，否则I(St-1,St)为0，f1θ(St-1,St,Ztθ)为方向观测值的特征函数，f1d(St-1,St,Ztd)为距离观测值的特征函数，σθ和σd分别为方向和距离估计的标准差。
所述的多源数据融合室内定位的方法，其中，所述行为识别结果的特征函数为f2(St,ZtACT)＝pad，其中，pad为所识别行为位于当前状态的概率。
所述的多源数据融合室内定位的方法，其中，所述WIFI定位结果的特征函数为f3(St,ZtWiFi)＝pWiFi，其中，pWiFi为所观测WiFi信号位于当前状态的概率。
所述的多源数据融合室内定位的方法，其中，根据所述单模感知定位结果的特征函数构建融合多源数据的条件随机场模型为：其中，λi为特征函数fi的权值参数。
所述的多源数据融合室内定位的方法，其中，采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线模型参数为：X*＝argmaxln(p(Y|Z)，其中，观测数据得到的轨迹为Z，其所匹配的轨迹为Y，模型参数为X。
所述的多源数据融合室内定位的方法，其中，所述步骤通过所述条件随机场模型和实时在线模型参数对用户的室内位置进行推理定位具体包括：
在构建的条件随机场模型和实时在线模型参数的基础上，采用维特比算法实现室内位置推理：δt(S|Z)＝maxδt-1(St-1)ψ(St-1,St,Z,t)，其中，S表示为用户的位置，δt(S|Z)表示基于观测数据计算出的当前状态的归一化概率值。
一种存储介质，其中，存储有多条指令，所述指令适于由处理器加载并执行所述多源数据融合室内定位方法的步骤。
一种智能终端，其中，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行上述多源数据融合室内定位方法的步骤。
有益效果：本发明提供的多源数据融合室内定位的方法，通过构建可以融合多源异构数据的条件随机场模型，降低对单模数据的依赖程度，提高基于智能手机室内定位的精度；同时采用室内地图匹配方法得到实时的模型参数，实现自适应模型参数调整，增强了定位算法的鲁棒性和通用性，另外在室内地图匹配中使用行为地图匹配的方法，提高了匹配的准确性和效率。
附图说明
图1为本发明一种多源数据融合室内定位的方法较佳实施例的流程图。
图2为本发明一种智能终端较佳实施例的结构框图。
具体实施方式
本发明提供一种多源数据融合室内定位的方法、存储介质及智能终端，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，图1为本发明提供的一种多源数据融合室内定位的方法较佳实施例的流程图，如图所示，其中，包括步骤：
S10、将通过单模感知定位方法得到的定位结果进行参数化表达，构建单模感知定位结果的特征函数；
S20、根据所述单模感知定位结果的特征函数构建融合多源数据的条件随机场模型；
S30、采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线模型参数；
S40、通过所述条件随机场模型和实时在线模型参数对用户的室内位置进行推理定位。
具体来说，通过前期的研究基础可知，基于单模感知数据可以得到不同数据的定位结果。基于智能手机多传感数据得到的定位结果主要包括行人航位推算结果、行为识别结果以及WIFI定位结果，在单模感知数据定位的基础上，首先将定位结果进行参数化表达，构建不同定位结果的特征函数。当然，本发明所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。
在本实施方式中，所述行人航位推算结果的特征函数为：f1(Si-1，Si，ZiPDR)＝I(Si-1，Si)·f1θ(Si-1，Si，Ziθ)·f1d(Si-1，Si，Zid)，其中，St表示t时刻的状态，ZtPDR表示行人航位推算的观测值，I(St-1,St)为室内地图的约束因子，如果两个状态之间相互连接，I(St-1,St)为1，否则I(St-1,St)为0，f1θ(St-1,St,Ztθ)为方向观测值的特征函数，f1d(St-1,St,Ztd)为距离观测值的特征函数，σθ和σd分别为方向和距离估计的标准差。
进一步地，所述行为识别结果的特征函数为f2(St,ZtACT)＝pad，其中，pad为所识别行为位于当前状态的概率。
所述WIFI定位结果的特征函数为f3(St,ZtWiFi)＝pWiFi，其中，pWiFi为所观测WiFi信号位于当前状态的概率。
更进一步地，在单模感知数据的特征函数的基础上，构建融合多源数据的条件随机场模型：其中，λi为特征函数fi的权值参数。基于所构建的条件随机场模型，可以融合多源数据实现基于智能手机的室内定位，减少定位结果对单一感知数据的依赖程度，提高室内定位的精度。区别于现有工作，本发明考虑不同感知数据的相关性，而并不是假设其条件独立。
在基于单模感知定位结果得到条件随机场模型的特征函数时，各个感知定位结果中都包含着多个观测模型参数，包括WiFi观测误差、步长估计误差；另外，所构建条件随机场模型中单个特征函数的权值参数也是模型参数之一。这些模型参数很难通过人工进行调整，因为它们与设备、用户及环境均有关系，因此无法使用统一的模型参数。为了自适应得到这些模型参数，本发明拟采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线的模型参数。
具体来说，由于行人在室内环境中的运动轨迹受到室内地图的约束，因此室内环境中有且仅有一条轨迹与智能手机观测的多源数据得到的轨迹相匹配。基于这样的前提，模型参数学习问题变成了优化问题，假设观测数据得到的轨迹为Z，其所匹配的轨迹为Y，模型参数为X，可通过以下公式可以得到自适应模型参数X*＝argmaxln(p(Y|Z)，该优化问题的原理是只有当模型参数与真实值相同时，基于观测数据得到的匹配轨迹的概率最大。优化问题的求解可以采用最大期望(Expectation Maximization,EM)算法实现。
更进一步地，在构建的面向室内定位的条件随机场模型和自适应模型参数学习方法得到在线模型参数的基础上，根据观测的多源数据对用户的位置进行推理。模型的状态量为用户的位置，即室内地图“点-线”模型中的点，表示为S。本发明采用维特比算法实现室内位置推理：δt(S|Z)＝maxδt-1(St-1)ψ(St-1,St,Z,t)，其中，S表示为用户的位置，δt(S|Z)表示基于观测数据计算出的当前状态的归一化概率值。根据维特比算法，以后验概率最大的状态为当前的位置估计结果。
室内定位系统面向不同的智能手机用户，要求系统具有很强的鲁棒性。不同的智能手机类型、不同用户步长参数以及不同的应用环境，使得室内定位算法无法使用统一的模型参数。目前的研究通常使用固定参数或者通过人工标定的方法得到模型参数。本发明拟采用室内地图匹配方法得到实时的模型参数，实现自适应模型参数调整，增强了定位算法的鲁棒性和通用性。另外在室内地图匹配中使用行为地图匹配的方法，提高了匹配的准确性和效率。
本发明还提供一种存储介质，其中，存储有多条指令，所述指令适于由处理器加载并执行所述多源数据融合室内定位方法的步骤。
具体地，所述指令适于由处理器加载并具体执行：
将通过单模感知定位方法得到的定位结果进行参数化表达，构建单模感知定位结果的特征函数；
根据所述单模感知定位结果的特征函数构建融合多源数据的条件随机场模型；
采用室内地图辅助的方法实现模型参数的自适应学习，得到实时在线模型参数；
通过所述条件随机场模型和实时在线模型参数对用户的室内位置进行推理定位。
基于上述方法，本发明还提供一种智能终端，其中，如图2所示，包括处理器10，适于实现各指令；以及存储设备20，适于存储多条指令，所述指令适于由处理器10加载并执行上述多源数据融合室内定位方法的步骤。
具体来说，所述处理器10在一些实施例中可以是一中央处理器，微处理器或其他数据处理芯片，用于运行所述存储设备20中存储的程序代码或处理数据。
所述存储设备20在一些实施例中可以是所述装置的内部存储单元，例如该装置的硬盘或内存。所述存储设备20在另一些实施例中也可以是所述装置的外部存储器，例如所述装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
进一步地，所述存储设备20还可以既包括所述装置的内部存储单元也包括外部存储装置。所述存储设备20用于存储安装于所述装置的应用软件及各类数据。所述存储设备20还可以用于暂时地存储已经输出或者将要输出的数据。
综上所述，本发明提供的多源数据融合室内定位的方法，通过构建可以融合多源异构数据的条件随机场模型，降低对单模数据的依赖程度，提高基于智能手机室内定位的精度；同时采用室内地图匹配方法得到实时的模型参数，实现自适应模型参数调整，增强了定位算法的鲁棒性和通用性，另外在室内地图匹配中使用行为地图匹配的方法，提高了匹配的准确性和效率。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。