一种基于测距的普适室内定位方法与流程

本发明涉及室内定位技术领域，尤其涉及一种基于测距的普适室内定位方法。

背景技术：

随着移动智能设备和无线通信技术在人类生产生活中被广泛的应用，有越来越多的方法可用于室内定位。如利用红外线，rfid，超声波，uwb，蓝牙，wi-fi，fm，声学信号，zigbee技术等实现室内定位。然而，随着wi-fi网络的普及和高速发展，利用商用wi-fi实现无接触的室内定位受到越来越多的关注，并且取得了很多卓有成效的进展。

基于测距的定位技术：基于测距定位技术主要利用无线信号估计出设备间的距离，常用的方法有rssi(receivedsignalstrengthindication)、timeofarrival(toa)，timedifferenceofarrival(tdoa)。其中最为成功且使用最广泛的当属rssi定位方法，根据无线信号传播模型，在通信理论中，在不同的室内环境中，信号强度与传播距离之间的关系模型可服从自由空间模型、chan模型、对数正态阴影模型、keenan-motely模型等。基于以上经验模型可推算出接收端到接入点(accesspoint，ap)的距离，之后根据三边测量等方法计算出接收端的位置。基于传播模型的定位法主要适用于一些对定位精度要求不高或者与其他高精度定位方法相结合的位置服务中。

基于位置指纹的wi-fi定位：rssi除了被用来测距之外，更多可用于“指纹”定位。基于指纹的定位(fingerprinting-basedlocalization)方法，利用rssi在不同位置上的空间差异性，建立位置-指纹关系数据库，包括离线阶段的数据库和在线阶段数据库。离线阶段的指纹数据收集需要专业人士使用专业设备对定位区进行逐一采样勘测，代价高昂、耗时巨大。然而环境是动态变化的，会使同一位置上的无线指纹在离线阶段所采集的指纹与在线阶段采集的指纹存在较大偏差，这种指纹获取方法不能适应环境动态变化，导致指纹定位方法很难推向实际应用。近年来国际上许多研究人员提出不需要人工现场勘测测量指纹的方法，应用群智感知思想，利用普通用户的移动终端设备采集的数据来构建室内指纹地图。这类方法主要面临的问题是设备的差异性、各区域移动设备的不平衡性、移动设备位置的获得等等。在指纹定位中，很多学者尝试通过机器学习方法来弥补环境变化导致定位精度下降的问题。当然，这些工作的代价也是明显的，需要收集大量用户长时间的数据记录，难以保证用户的隐私安全、电量消耗等问题，或增加人工实地勘测的工作量。也有通过结合其他定位方式如声音等来克服指纹在位置上的歧异性和时变性，以保证指纹定位精度。

基于以上分析得出，基于rssi的定位受室内多径效应和不确定的噪声干扰，使rssi信号呈现出较差的稳定性，破坏了理论的信号传输模型，因而无法用于准确的室内测距和定位，具有一定的局限性。

技术实现要素：

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于测距的普适室内定位方法，构建一种自适应信号传播模型，实现室内位置的定位。

为解决上述技术问题，本发明所采取的技术方案是：一种基于测距的普适室内定位方法，包括以下步骤：

步骤1、在室内定位空间建立以ap为中心、1米为半径依次递增的采样点，在每个采样点处收集ap的rssi信号，则采样点数据集表示为：a＝[rssi1，rssi2，…rssij…，rssin]^m×n，其中，a为n个采样点所接收到的信号强度；每个信号向量rssij的维数为m，m为数据包的个数，j＝1、2、…、n；

步骤2、采用快速聚类方法对步骤1收集到的各采样点上获取的rssi信号进行去噪处理，得到每个采样点的rssi值；

步骤2.1、为了使rssij数据包适合聚类，将rssij映射到二维空间，横坐标为数据包的个数is＝{1，2，…，m}，s为待聚类的数据集，纵坐标为|rssij|；计算出任意两个数据点的距离dmn＝dist(rssim，rssin)，其表示数据点rssim和rssin之间的距离，令dmn＝dnm，m＜n，且m、n∈is；

步骤2.2、采用局部密度ρm来刻画聚类中心的邻居节点个数；邻居节点个数越多，其局部密度越大；反之，其局部密度越小；根据局部密度的含义，其表达式如下公式所示：

其中，dc为截断距离；

所述截断距离dc的确定方法如下：由于dmn＝dnm，故聚类中距离dmn总数为将k个距离进行升序排列，如下公式所示：

d1≤d2≤…≤dk(2)

并取dc＝df(kt)，其中，f(kt)表示对kt进行四舍五入运算，t取经验值0.02；

步骤2.3、用距离δm刻画任一个聚类中心与其他聚类中心的距离；δm越大，说明数据点rssim作为聚类中心时与其他聚类中心之间的距离越大；设为的一个降序排列的下标序，即满足：

根据距离的含义，则任一个聚类中心与其他聚类中心的距离如下公式所示：

其中，为局部密度和的欧氏距离；

步骤2.4、在局部密度ρm和任一个聚类中心与其他聚类中心的距离δm确定后，画出rssij数据包的决策图，横轴表示局部密度，纵坐标表示任一个聚类中心与其他聚类中心的距离；将局部密度ρ最小，距离δ值最大的点在原始数据包中定义为“离群点”，将此值直接滤除；令γm＝ρm×δm，m∈is，并对进行降序排列，以下标m为横轴，γ值为纵轴画出坐标平面，γ值大小会有一个明显的跳跃，将γ值跳跃之前的点作为聚类中心；

步骤2.5、根据聚类中心将数据集分为rc个簇，rc≥1，属于第k个簇中的数据点，则：

步骤2.6、将数据集s中的非聚类中心数据点进行归类，划分到步骤2.5确定的簇中，具体方法为：定义ηi′表示为数据集s中所有局部密度在降序排列下比其局部密度大的数据点中与其距离最近的数据点的编号，计算公式如下所示：

其中，的含义表示的一个降序排列的下标序号；

然后聚类中心点根据确定该簇内的其他节点cj′，即非聚类中心数据点；

步骤2.7、最后保留簇内数据点最多的簇，并将簇内数据求均值，作为下一步定位使用；

步骤3、对步骤2得到的每个采样点的rssi值进行数据回归优化，得到一种自适应信号传播模型，如下公式所示：

d＝l1×rssi³+l2×rssi²+l3×rssi+l4(7)

其中，d表示采样点与ap之间的距离，rssi表示采集信号强度，l1、l2、l3以及l4均为拟合所获参数；

步骤4、当待定位节点获取到ap的rssi值，根据步骤3中的公式(7)计算出待定位节点与ap之间的距离d；

步骤5、假设待定位节点获取到n个ap的rssi值，建立待定位节点到ap的目标函数，如下公式所示：

其中，i表示第i个ap节点；(x，y)表示待定位节点的位置坐标；di为待定位节点与第i个ap之间的距离，由步骤4得到；

步骤6、利用天牛须方法求解目标函数fi中的待定位节点的位置坐标(x，y)值，完成对待定位节点的定位，具体过程如下：

(1)假设待定位节点的位置初始值随机选取u；

(2)在k维空间中，待定位节点移动方向表示为如下公式所示：

其中，rand(k，l)为随机向量，k表示维度；

(3)根据待定位节点的移动方向确定待定位节点u的搜索方程，如下公式所示：

其中，u表示待定位节点的位置坐标；d0表示两须之间的距离；ul表示在搜寻区域内左须的位置，ur表示在搜寻区域内右须的位置；

(4)根据目标函数fi，求取待定位节点左右两须的气味强度，确定下一步待定位节点的位置，如下公式所示：

其中，f(ul)表示向左走，f(ur)表示向右走；step表示为步长；sign为符号函数；l表示随机行走步长；

(5)通过第(4)步计算得出的u代入函数fi中，直至找到fi的最优值；

(6)当有多个ap参与定位时，将有多个ap限定移动节点的走向，ap数量对定位结果的影响通过仿真结果进行分析。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于测距的普适室内定位方法，使用的快速数据聚类方法确保rssi数据的稳定性和有效性，为后续自适应信号模型的建立和位置求解的奠定基础；建立的确定性的信号传播模型达到对环境表现出一定的适应性；位置求解方法实现简单且收敛速度快，对ap的数量没有限制，多ap或者单个ap都可实现高效寻优，突破了传统基于测距精度受限的问题，定位精度达到了与指纹定位相媲美；利用室内已部署的wi-fi网络，普通用户使用智能手机设备接收wi-fi发射的rssi信号，实现定位。

附图说明

图1为本发明实施例提供的一种基于测距的普适室内定位方法的流程图；

图2为本发明实施例提供的收集的采样点的rssi值在二维空间的分布示意图；

图3为本发明实施例提供的rssij数据包的决策图示意图；

图4为本发明实施例提供的测距结果值的分布示意图；

图5为本发明实施例提供的目标函数fi收敛效果的示意图；

图6为本发明实施例提供的不同ap数目的定位结果示意图，其中，(a)为1个ap的定位结果，(b)为2个ap的定位结果，(c)为3个ap的定位结果，(d)为4个ap的定位结果。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以某一室内为测试环境，采用本发明的基于测距的普适室内定位方法，对该室内的待定位节点进行定位。

一种基于测距的普适室内定位方法，如图1所示，包括以下步骤：

步骤1、在室内定位空间建立以ap为中心、1米为半径依次递增的采样点，在每个采样点处收集ap的rssi信号，则采样点数据集表示为：a＝[rssi1，rssi2，…rssij…，rssin]^m×n，其中，a为n个采样点所接收到的信号强度；每个信号向量rssij的维数为m，m为数据包的个数，i＝1、2、…、n；

步骤2、采用快速聚类方法对步骤1收集到的各采样点上获取的rssi信号进行去噪处理，得到每个采样点的rssi值；

步骤2.1、为了使rssij数据包适合聚类，将rssij映射到二维空间，如图2所示，横坐标为数据包的个数is＝{1，2，…，m}，s为待聚类的数据集，纵坐标为|rssij|；计算出任意两个数据点的距离dmn＝dist(rssim，rssin)，其表示数据点rssim和rssin之间的距离，令dmn＝dnm，m＜n，且m、n∈is；

步骤2.2、采用局部密度ρm来刻画聚类中心的邻居节点个数；邻居节点个数越多，其局部密度越大；反之，其局部密度越小；根据局部密度的含义，其表达式如下公式所示：

其中，dc为截断距离；

所述截断距离dc的确定方法如下：由于dmn＝dnm，故聚类中距离dmn总数为将k个距离进行升序排列，如下公式所示：

d1≤d2≤…≤dk(2)

并取dc＝df(kt)，其中，f(kt)表示对kt进行四舍五入运算，t取经验值0.02；

步骤2.3、用距离δm刻画任一个聚类中心与其他聚类中心的距离；δm越大，说明数据点rssim作为聚类中心时与其他聚类中心之间的距离越大；设为的一个降序排列的下标序，即满足：

根据距离的含义，则任一个聚类中心与其他聚类中心的距离如下公式所示：

其中，为局部密度和的欧氏距离；

步骤2.4、在局部密度ρm和任一个聚类中心与其他聚类中心的距离δm确定后，画出如图3所示的rssij数据包的决策图，横轴表示局部密度，纵坐标表示任一个聚类中心与其他聚类中心的距离；将局部密度ρ最小，距离δ值最大的点在原始数据包中定义为“离群点”，将此值直接滤除；令γm＝ρm×δm，m∈is，并对进行降序排列，以下标m为横轴，γ值为纵轴画出坐标平面，γ值大小会有一个明显的跳跃，将γ值跳跃之前的点作为聚类中心；

步骤2.5、根据聚类中心将数据集分为rc个簇，rc≥1，属于第k个簇中的数据点，则：

步骤2.6、将数据集s中的非聚类中心数据点进行归类，划分到步骤2.5确定的簇中，具体方法为：定义ηi′表示为数据集s中所有局部密度在降序排列下比其局部密度大的数据点中与其距离最近的数据点的编号，计算公式如下所示：

其中，的含义表示的一个降序排列的下标序号；

然后聚类中心点根据确定该簇内的其他节点cj′，即非聚类中心数据点；

本实施例中，设节点1、2、3、4、5、6、7、8的局部密度依次降低，节点1和节点2为聚类中心，分别代表簇h和簇y。根据聚类规则，首先计算节点3的簇归属，虽然节点1和节点2的密度均大于节点3，但由于节点3距离节点1更近，因此节点3属于簇h。其次计算节点4的簇归属，尽管节点1、2、3的密度均大于节点4，但节点4与节点3距离更小，故节点4的簇归属与节点3的簇归属相同，因此节点4属于簇h。然后计算节点5的簇归属，节点5与节点2距离更小，故节点5属于簇y，同理可知，节点6、7、8均属于簇y。因此最终的聚类效果为节点1、3、4属于簇h，节点2、5、6、7、8属于簇y。

步骤2.7、最后保留簇内数据点最多的簇，并将簇内数据求均值，作为下一步定位使用；

步骤3、对步骤2得到的每个采样点的rssi值进行数据回归优化，得到一种自适应信号传播模型，如下公式所示：

d＝l1×rssi³+l2×rssi²+l3×rssi+l4(7)

其中，d表示采样点与ap之间的距离，rssi表示采集信号强度，l1、l2、l3以及l4均为拟合所获参数；

本实施例中，分别在测试环境内选取距离ap为2m、4m、6m的3个测试点，在每个测试点连续采样100次，测量时间间隔2ms。根据得到的100个采样值利用公式(8)估计出距离d，估计结果如图4所示，距离ap为2米的测试点平均误差为0.05m，距离ap为4米的测试点平均误差为0.36m，距离ap为6米的测试点平均误差为0.43m，因此，该自适应信号传播模型的测距精度较高，达到无线信号传播衰减对环境表现出一定的适应性。

步骤4、当待定位节点获取到ap的rssi值，根据步骤3中的公式(7)计算出待定位节点与ap之间的距离d；

步骤5、假设待定位节点获取到n个ap的rssi值，建立待定位节点到ap的目标函数，如下公式所示：

其中，i表示第i个ap节点；(x，y)表示待定位节点的位置坐标；di为待定位节点与第i个ap之间的距离，由步骤4得到；

步骤6、利用天牛须方法求解目标函数fi中的待定位节点的位置坐标(x，y)值，完成对待定位节点的定位具体过程如下：

(1)假设移动节点位置初始值随机选取u；

(2)在k维空间中，移动节点移动方向表示为如下公式所示：

其中，rand(k，l)为随机向量，因为天牛头朝向是任意的，因而从天牛左须指向右须的朝向也是任意的，所以可以用一个随机向量表示下一步方向；k表示维度；本实施例中，研究平面定位，因此选取二维空间，即k＝2。

(3)根据移动节点的移动方向确定移动节点u的搜索方程，如下公式所示：

其中，u表示移动节点的位置坐标；d0表示两须之间的距离；ul表示在搜寻区域内左须的位置，ur表示在搜寻区域内右须的位置；

(4)根据目标函数fi，求取移动节点左右两须的气味强度，确定下一步移动节点的位置，如下公式所示：

其中，f(ul)表示向左走，f(ur)表示向右走；step表示为步长；sign为符号函数；l表示随机行走步长；

(5)通过第(4)步计算得出的u代入函数fi中，直至找到fi的最优值，该方法的收敛非常快，通常在迭代十几次后基本可以收敛到最优值，如图5所示；

(6)当有多个ap参与定位时，将有多个ap限定待定位节点的走向，ap数量对定位结果的影响通过仿真结果进行分析。

本实施例还提供了不同ap参与定位下，对待定位节点进行定位的结果，如图6所示，定位区域内随机选取待定位节点b和节点a，b点实际坐标为(0，0)和a点实际坐标为(4，4)，参与定位的ap点坐标为(-5，-5)、(-5，5)、(5，-5)和(5，5)，图a表示的是选取1个ap的定位结果，图b表示的是选取2个ap的定位结果，图c表示的是选取3个ap的定位结果，图d表示的是选取4个ap的定位结果。其中圈表示节点实际位置，*号和+号表示估计出的位置，所有的数据均为实际测量值。从这个结果可以看出并不是ap数量越多越好，需要选出合适的ap才能达到较好的定位结果。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。