基于地图结构的Wi-Fi位置指纹非监督训练方法
【技术领域】
[0001] 本发明涉及的是一种无线定位领域的技术，具体是一种基于地图结构的Wi -Fi位 置指纹非监督训练方法。
【背景技术】
[0002] 随着智能手机和移动互联网的快速发展，基于位置的服务吸引了越来越多的关 注。实时定位已经成为交通、商业、物流、个性服务等多个高层次应用的基本技术。在室外的 情况下，得到了全球导航卫星系统提供了一个很好的定位服务，如全球定位系统（GPS)。然 而，在室内环境中，由于信号衰落和多径效应，全球卫星定位系统无法达到合适的精度。因 此，室内定位技术已经成为近年来的一个热门话题。
[0003] 因为高精度、低成本、易于部署等特点，Wi -Fi室内定位技术已成为最广泛使用的 室内定位方案之一。Wi -Fi定位系统一般包括两个阶段：离线指纹训练阶段和在线定位阶 段。离线指纹训练阶段用来建立指纹数据库；在线定位阶段，根据当前Wi -Fi信号强度RSS 数据，通过定位算法获取用户位置。离线指纹训练阶段决定着指纹库的质量，是Wi -Fi指纹 定位系统的基础。传统的Wi - Fi室内定位系统离线阶段主要包括：目标区域参考点选取、 参考点RSS向量采集及目标区域指纹库建立。传统的离线训练方法通过手动输入所有参考 点的真实位置数据，之后在参考点位置定点采集大量RSS向量的方式建立指纹库，我们称 这种方法为全监督训练。然而全监督训练中的大量劳力消耗、系统移植性偏差等问题亟需 研究解决。
【发明内容】
[0004] 本发明的目的在于克服上述现有技术的不足，提出了一种基于地图结构的Wi - Fi 位置指纹非监督训练方法，实现了让建库工作在日常行为进行的同时完成，从而无需额外 花费专门的劳力进行指纹训练，从而极大减少了建库的劳力消耗。
[0005] 本发明是通过如下技术方案实现的，
[0006] 本发明涉及一种基于地图结构的Wi -Fi位置指纹非监督训练方法，基于带有路径 (edge)和节点（node)的地图结构，在静止状态下获取地图结构的起点位置，并在行走状态 下获得路径上的所有转弯点，经采样点内插处理后得到用于定位的指纹数据库，从而实现 室内精确定位。
[0007] 本发明具体以下步骤：
[0008] 步骤一、存储地图结构，该地图结构包括：可行路径、可行路径的两个端节点以及 用户自定义节点，其中：
[0009] 在地图结构中，用户自定义node为日常生活中用户会停留的位置，例如办公桌等 位置，室内所有人们会停留的点都可以作为用户自定义node。但是考虑到实际情况，并非所 有的室内人员都参与建库工作，所以用户自定义节点只选择参与指纹训练的用户可能停留 的节点。不同的参与者拥有不同的用户自定义node。
[0010] 地图中各个node之间的连通关系以NXN的邻接矩阵G为，N是node的数量。G = (Cu)，Cij为第i个node指向第j个node的角度值
[0011] 所述的用户自定义node将作为起点来获取采样路径：当采样人员停留在用 户自定义node位置处，可以采集大量指纹的训练数据集生成起点数据库，起点数据 库将会作为匹配起点的依据。由于不同的采样人员使用不同的智能手机进行采样， 手机的Mac地址用以区分采样人员。每一个智能手机对应着一个起点集合，表示每 个采样者可能停留的几个位置。本发明中，由于每个AP的RSS值大小在起点位置 是高斯分布的，
其中：μ为均值，σ为方差，故任一 RSS值 在起点SP_n的概率可以即该RSS值从-0. 5到+0. 5的概率分布函数的积分，BP
[0012] 所述的起点数据库的存储格式如下表所示。
[0013] 步骤二、在静止状态下获取起点位置。
[0014] 所述的静止状态是指：当三维加速度传感器采集到的三个方向加速度计读数的 标准差均小于阈值时即为静止状态，否则为运动状态，
〇 ' z分别为三个方向加速度计读数的标准差，σ x，〇y，σζ分别是设定的阈值。
[0015] 当运动模式是静止时，采样人员可以在起点位置，即用户自定义node所在位置 采集若干数量的RSS向量，S = (S1, s2，…，sm}，其中：m为采集的RSS向量的数量，Sj = (RSS1, RSS2,…，RSSn}为一个RSS向量；而RSS向量Sj出现在起点SP_n位置处的概率是
其中：P(RSS1ISPn)已存储在起点数据库中。在取向 量集合S概率值最大的起点为采样人员所在位置，
[0016] 当运动模式由静止转变为行走时，已获得的位置即为路径的起点。
[0017] 步骤三、获取行走路径上的转弯点，即行走方向发生改变的点称为转弯点。
[0018] 在地图的结构中，存在几条包含起点的edge，利用方向传感器来匹配采样人员所 行走的edge，并将起点标记为nodep edge的另外一个端点标记为nodej，Θ为手机方向传 感器的读数，代表手机朝向与正北的夹角，Clj存储在邻接矩阵中，则当前采样所在的edge 满足：I Θ -Cu I min或 I 360-1 Θ -c I I min。
[0019] 从起点开始沿着当前的edge行走采样，通过手机方向传感器数据检测方向的变 化。当沿着确定方向行走时，方向传感器的读数变化在很小范围内，当方向传感器检测到数 据变化A Θ超过设定的阈值Q1时，g卩Δ θ > Θ i，则可以判断方向发生了变化。
[0020] 所述的转弯，分为两种情况：
[0021] ①I Λ θ-180| < θ2，即180°反方向转弯，或者是
[0022] ②行走至下一条edge，其中：
[0023] 当为情况①时，使用预估的行走速度Vni和相应的时间戳获得转弯点的坐标：LTP = !^+VniX (tTP_tSP)，其中：LSP、LTP分别为起点与转弯点的坐标。t SP，tTP分别为实际记录的起点 与转弯点的采样时间戳。
[0024] 当为情况②时，转弯点就是当前edge上的node，即Ltp= Lncide;对应在步骤一中， 该转弯点的坐标已经存储在数据库。
[0025] 步骤四、通过线性内插获取采样点坐标，构成指纹数据库，具体为：
[0026] 4. 1)根据每个采样点的时间戳h进行线性内插来生成这条路径上每个采样点的 位置指纹坐标L1,
其中：LSP、Ltp为实际测得的起点与转弯 点的位置坐标，tSP、tTP为实际记录的起点与转弯点的采样时间戳，L p h为训练路线内某个 采样点的位置坐标与采样时间戳。
[0027] 4.2)将当前的转弯点作为新的起点，再跳至步骤三寻找新的转弯点。按照此步骤 执行，直至此次采样结束，所有采样的指纹数据即构成指纹数据库。
[0028] 步骤五、根据指纹数据库及当前信号强度数据，采用但不限于K-Nearest -Neighbor(KNN)算法作为定位算法实现定位。 技术效果
[0029] 与现有技术相比，本发明采用非监督指纹训练方法代替传统的全监督训练方法， 大大减少离线建立指纹库的劳力消耗；并且非监督指纹训练方法是一种持续不间断的指纹 训练方法，可以实时地更新室内指纹变化情况，因此相比传统指纹训练方法具备更好的系 统移植性。
【附图说明】
[0030] 图1为本发明的工作流程图；
[0031 ] 图2a本实施例中的目标区域地图结构；
[0032] 图2b本实施例中的目标区域地图结构；
[0033] 图3为本实施例中与现有采样方法的耗时与定位精度对比图。
【具体