一种模块化的可扩展室内外无缝定位方法与流程

本发明属于室内外无缝导航与定位技术领域，具体涉及一种模块化的可扩展室内外无缝定位方法。

背景技术：

关于室内外无缝定位有一定研究。例如，公开号为102279404A的专利文献提出一种无缝定位方法及装置，当用户接收到足够卫星时，采用卫星定位技术进行定位，否则采用惯导定位；当用户UWB(超宽带)设备可用时，采用UWB定位，否则采用惯导定位。这种定位装置在一定程度是实现了无缝定位，但是可实施性、可扩展性较差，可用场景有限。公开号为103533649A的专利文献提出一个室内外无缝定位系统，包含五个模块化的层次，但是定位过程实际上是固化的，可扩展性较差。公开号为105445776A的专利文献也提出一种室内外无缝定位系统，在GPS与惯导定位之间切换，整个算法是紧耦合的，难以适应新技术发展进行扩展。

技术实现要素：

针对现有技术存在的缺陷，本发明提供一种模块化的可扩展室内外无缝定位方法，其能够集成不同的基本定位算法，针对不同环境进行灵活组合，实现室内外无缝定位，具有较好的可扩展性。

一种模块化的可扩展室内外无缝定位方法，通过采集不同环境中的环境特征数据，并根据采集的环境特征数据对环境进行感知确定用户所处的环境类型，根据环境类型选择相应的定位方法，进而实现位置估计，获取用户位置。

具体地，包括以下步骤：

S1.数据采集

采用多种传感器采集不同环境中的一个以上的环境特征数据，传感器包括声音传感器、光线传感器、温度传感器、磁力计、压力传感器、湿度传感器等等。环境特征数据包括不同环境中的声、光、电磁、气压、温度、湿度等等数据。

本发明使用智能手机上提供的传感器，综合考虑功耗、可用设备、可用信号这三方面因素，本发明采用声音传感器(麦克风)、光线传感器、磁力计和GSM芯片采集环境中的声、光、电磁以及通信基站信号数据。

将采集到的数据按照时间顺序排列，假设采样时间间隔是τ秒，则采样频率就是1/τHz；将数据按照时间顺序排列，构成采样数据集合，假设采样总时长是T秒，则一共有个采样点，这些数据记录如下：

其中，s_i表示第i时刻记录的所使用的传感器采集的各数据。

S2.环境感知

如图3所示，将步骤S1中采集的数据作为训练数据，采用决策树算法、随机森林算法、支持向量机算法、K近邻算法、逻辑回归算法、朴素贝叶斯算法或者人工神经网络算法对训练数据进行训练，得到分类器作为环境感知分类器。

进一步地，参照图4，本步骤S2还可以采用以下的方法获得环境感知分类器：

S2.1将步骤S1中采集的数据平分为两部分，其中一部分数据作为训练数据，分别采用决策树算法、随机森林算法、支持向量机算法、K近邻算法、逻辑回归算法、朴素贝叶斯算法和人工神经网络算法对训练数据进行训练，得到不同分类器。

S2.2步骤S1中采集的另一部分数据作为测试数据，测试过程中，将测试数据分别输入到S2.1中得到的不同分类器中，计算每种分类器的分类精度，选择精度最高的分类器作为环境感知分类器。

获得环境感知分类器后，如果用户处于新的环境中时，则利用传感器采集新环境中的环境特征数据，将其输入到环境感知分类器就可以得到相应的环境类型，实现环境自动感知。

S3.定位方法选择

根据感知的环境类型选择与环境类型相适应的定位方法。

处于不同环境中的用户，可用信号不同，因而可用的定位算法也不同。因此只需要针对不同环境特点，将不同环境中常用的定位算法均集成到一基本定位模块，通过实时对不同环境进行识别，选择不同环境对应的常用定位算法，就能够实现定位。基本定位模块中包括的定位方法包括Wi-Fi指纹定位方法、惯性定位方法、地磁指纹定位方法、GNSS定位方法、阴影匹配定位方法、BLE定位方法、FM指纹匹配定位方法、视觉定位方法和AGNSS定位方法等等。

本发明将不同的定位算法称为基本定位模块，只需要针对不同环境特点，集成基本定位模块构成组合定位模块，基于组合定位模块实现不同环境下的定位。

针对不同的用户群体，根据环境特征对不同环境进行定义，环境特征包括室内、室外；室外环境根据地形地貌可以进行进一步划分，包括森林、水下、峡谷和洞穴等等。

本发明将普通用户的日常生活环境划分为四类：深度室内、轻度室内、受限室外、开阔室外。这四类环境特征如下表1所示：

表1环境分类

针对本发明提出的四种环境：深度室内、轻度室内、受限室外、开阔室外，定位方法选择如下：

开阔室外，单独使用GNSS定位。

受限室外，单独采用阴影匹配定位方法进行定位。

轻度室内，采用合作定位与PDR组合定位方式。利用PDR定位技术短时间内高精度定位结果辅助合作定位提高定位精度。

深度室内，采用Wi-Fi信号指纹定位与PDR组合定位方式。PDR具有较高的可用性，对外界环境变化不敏感；缺点是积累误差较严重。相反，Wi-Fi定位技术可用性较差，且对外界环境变化较敏感，但是定位精度较为稳定。利用PDR输出的运动距离和转角约束K加权邻近指纹定位算法中参考点的选择，达到提高K加权邻近算法定位精度的目的。

S4.位置估计

在位置估计阶段，首先根据S3中选择的定位方法，有选择的打开相应传感器，获取定位所需数据；同时关闭上一时刻使用了，但是这一时刻不用的传感器，以节约平台电量。随后就是根据S3中选择的定位方法，进行数据融合获取用户位置。

本发明通过采集不同环境中的环境特征数据，并根据采集的环境特征数据对环境进行感知确定用户所处的环境类型，根据环境类型选择相应的定位方法，进而实现位置估计。本发明能够集成不同的基本定位算法，针对不同环境进行灵活组合，实现室内外无缝定位，具有较好的可扩展性。

附图说明

图1为本发明无缝定位框架的示意图

图2为手机坐标轴示意图

图3为一种环境感知流程图

图4为另一种环境感知流程图

图5为定位方法选择流程图

图6为一实例中的无缝定位框架示意图。

具体实施方式

环境主要通过可用信号影响定位算法。例如在室内，很难收到GNSS信号；在野外峡谷、隧道等区域，则没有Wi-Fi信号。可用信号的不同，定位算法也不同。因此为了实现不同环境的无缝定位，首先就要对环境进行判断，确定用户所处的环境类型。环境判断所用的数据来源于各种传感器的输入，包括光线传感器、磁力计、气压计、GSM芯片、麦克风等。

确定环境类型以后，根据环境中可用信号，选择不同定位算法。例如，对开阔室外环境，可以采用GNSS定位，室内则可以采用基于Wi-Fi定位。但是，即使针对单一环境，也难以使用单一定位技术，例如在室内环境，Wi-Fi定位技术可用性较差，且对外界环境变化较敏感，但是定位精度较为稳定；而惯性具有较高的可用性，对外界环境变化不敏感，缺点是积累误差较严重，将两者结合能够弥补各自的不足。因此，根据不同环境中的可用信号，选择不同算法组合，能够提高定位精度和可用性。

确定定位算法以后，需要根据定位算法开启所需的传感器模块，包括通信模块、测距模块、GPS芯片等，并关闭上一阶段使用、这一阶段不用的传感器以减少能耗。例如，用户从室外进入室内，就需要关闭GPS模块，开启Wi-Fi模块。随后就是根据选择的算法，进行数据融合，估计用户位置。

本发明将无缝定位分解为互相独立的四个阶段，分别数据采集、环境感知、算法选择和位置估计。无缝定位框架如图1所示：

数据采集

这一阶段的输入是通过传感器获取到的不同环境中的声、光、电磁等数据。基于智能手机平台，可用的传感器包括光线传感器、磁力计、GSM芯片、麦克风等，将这些数据按照时间顺序排列。

其中，光线传感器可以直接测量光强度，这里称其为接收光强度(Received Light Strength，RLS)，单位是勒克斯(Lux)。

磁力计记录磁场信号强度，磁场信号强度单位是微特斯拉(μT)，包含xyz三轴数据，即(mag_x,mag_y,mag_z)。图2给出了手机坐标轴示意图，其中三轴定义如图2所示。手机平放桌面上，Z轴垂直屏幕指向上方，Y轴沿着屏幕指向前方，X轴通过右手法则确定。采集时记录磁场强度模值，定义如下：

$mag=\sqrt{{{\mathrm{mag}}_x}^2+{{\mathrm{mag}}_y}^2+{{\mathrm{mag}}_z}^2}---\left(1\right)$

GSM芯片记录周围基站信号强度。根据GSM标准，每个手机任意时刻最多能够接收到信号强度最大的七个基站信号。在实际中，由于基站覆盖率、环境等因素，接收到的基站数量不等。本发明中，将记录所有可以接收到的邻居基站信号，并按照信号强度从大到小依次排列。

通过android智能手机获取到的是信号强度指示(RSSI)，单位是asu，范围是从0到31，其中0表示信号强度小于等于-113dBm，31表示信号强度大于等于-51dBm。从RSSI转化为RSS的公式为：

RSS＝-113+2*RSSI (2)

麦克风记录背景声强度。Android智能手机麦克风获取到的是幅值，需要转化成声音强度，也就是分贝(dB)，公式如下：

$L_{dB}=10{\log }_{10}\left(\frac{A_1^2}{A_0^2}\right)---\left(3\right)$

其中，A₁是测量到的幅值，A₀是基准幅值，也就是人能够听到最小声音的幅值，为了简单起见，本发明中取A₀为1。

智能手机麦克风信号采样率非常高，可以达到44100Hz，远高于其他传感器。为了避免偶然噪声引起的异常数值，在某个时刻t记录一组幅值，记A_t1,A_t2,…,A_tn，对这些采样值进行平方后求均值，作为该时刻点幅值，然后再求该时刻声音强度：

$L_{dB}=10{\log }_{10}\left(\underset{i=1}{\overset{n}{\Σ}}\frac{A_{ti}^2}{A_0^2}\right)---\left(4\right)$

假设采样时间间隔是τ秒，则采样频率就是1/τHz。将数据按照时间顺序排列，构成采样数据集合，假设采样总时长是T秒，则一共有T/τ个采样点，这些数据记录如下：

其中，s_i表示第i时刻记录的上述传感器采集的数据。

环境感知

环境感知的输入是上一阶段采集的数据，输出是不同环境类型。主要包括两个步骤，分别是训练和测试，如下图4所示：

下面介绍图4中的环境感知流程：

S3.1将步骤S2中采集的数据平分为两部分，其中一部分数据作为训练数据，分别采用决策树算法、随机森林算法、支持向量机算法、K近邻算法、逻辑回归算法、朴素贝叶斯算法和人工神经网络算法等算法对训练数据进行训练，得到不同分类器。

S3.2步骤S2中采集的另一部分数据作为测试数据，测试过程中，将测试数据分别输入到S2.1中得到的不同分类器中，计算每种分类器的分类精度，选择精度最高的分类器作为环境感知分类器。

分类器的分类精度采用下式计算：

$\mathrm{Pr}ecision=\frac{{\mathrm{TP}}_i}{{\mathrm{TP}}_i+{\mathrm{FP}}_i}---\left(6\right)$

其中TP是指被正确识别的数量，FP为本来不属于某类，却被错误的识别为该类的数量。

用户处于新的环境中时，只需要利用传感器采集数据，将其输入上述选择出的最佳分类器就可以得到环境类型，实现环境自动感知。

定位方法选择

处于不同环境中的用户，可用信号不同，因而可用的定位算法也不同，但是这些算法的基本模块组成是一致的，因此只需要针对不同环境特点，集成基本定位模块就能够实现定位。基本的定位模块包括：Wi-Fi指纹定位、惯性定位、地磁指纹定位、GNSS定位、阴影匹配定位、BLE定位、FM指纹匹配定位、视觉定位、AGNSS定位等等。

例如，在开阔室外，可以使用GNSS与PDR组合的定位方式：当用户能够收到足够卫星信号，则使用GNSS进行定位；当用户受到阻挡或者干扰无法收到足够卫星信号时，可以采用惯性的方式进行定位。这样组合能够互相弥补基本定位模块各自的缺点，提高定位可用性和定位精度。

图5通过实例方式说明了定位方法的选择过程。下面详细说明图5过程。

通过环境感知步骤，得到用户所处环境类型，根据环境类型选择对应的定位方法。例如处于环境类型1，则选择GPS与PDR两种定位方法，将其组合为算法模块1，作为下一步骤的输入。若得到的是环境类型2，则选择GPS、阴影匹配，与PDR三种定位方法进行组合，得到组合定位模块2。以此类推，针对不同环境，得到不同组合定位模块。

图5所示的框架具有较好的可扩展性，加入新的环境类型，只需要加入新的环境模块和集成定位模块，并不会影响原框架的结构。这样设计的好处是，完整的无缝定位系统可以从室外定位开始逐步建立起来。

位置估计

在位置估计阶段，首先根据S4中选择的定位方法，有选择的打开相应传感器，获取定位所需数据；同时关闭上一时刻使用了，但是这一时刻不用的传感器，以节约平台电量。随后就是根据S3中选择的定位方法，进行数据融合获取用户位置。

从上述步骤可知，本发明提出的无缝定位框架是一种组合式的结构。本框架将无缝定位分为四个功能互相独立的模块，每个模块可以独立运行，并互相作为输入。同时，本框架具有较好的可扩展性。当传感器技术发展，可以识别更细的环境时，只需要修改识别算法，同时在算法选择步骤中，增加新的环境模块和组合定位模块，不用改动原有定位框架就实现了算法升级。

为了测试本发明有效性，将环境分为四类，分别是开阔室外、受限室外、轻度室内、深度室内。开阔室外是指天空可视条件较好，可收到足够导航卫星信号进行定位；受限室外是指天空被遮挡的室外环境，无法收到足够卫星信号进行定位；轻度室内是指有通向外界窗户的环境，具有一定的天空可视条件，可以收到一定数量的导航卫星信号；深度室内是指没有任何天空可视的室内，无法收到导航卫星信号。具体如表1所示：

表1环境分类

如果用户处于开阔室外，则开启GNSS芯片进行定位；如果处于受限室外，则采用基于GNSS阴影匹配技术进行位置估计；处于轻度室内则采用合作定位与惯性定位组合的方式；处于深度室内则采用WiFi指纹定位与惯性定位组合的定位方式。

本案例采用光线强度作为环境识别依据，K近邻作为环境识别算法，此时的无缝定位框架如图6所示：

如图6所示，在数据采集阶段，利用光线传感器获取四种环境中的光线强度，作为训练数据，利用k近邻算法，对训练数据进行分类得到分类器。

在环境感知过程中，将实时采集到的光线强度输入到分类器中，就能够得到不同环境类型。

在定位方法选择阶段，如果判断用户处于开阔室外，则选择GNSS定位；如果处于深度室内，则选择Wi-Fi与惯性定位；如果处于轻度室内，则采用惯性定位于合作定位；如果处于受限室外，则选择阴影匹配定位。

在位置估计阶段，则根据选择的定位方法，选择打开或者关闭不同传感器，获取数据后采用相应的定位方法进行位置估计。

实施例：用户在某时刻通过手机采集到信号强度如下：光线强度为26Lux，背景声音大小为55dB，前六个基站信号强度分别是-61dBm，-69dBm，-73dBm，-75dBm，-81dBm，-83dBm，磁场强度为115μT。将其输入分类器，输出为深度室内环境。此时采用信号指纹与PDR组合定位方式进行定位。该定位方式可以参考相关专利《行人航迹推测辅助的Wi-Fi信号指纹定位算法》，申请号：201510098081.8。