一种室内定位的起点位置的定位方法和系统与流程

本发明涉及通信技术领域，尤其涉及一种室内定位的起点位置的定位方法和系统。

背景技术：

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。

当今的智能终端集如智能手机等成了很多内置传感器，例如方向传感器，加速度传感器，磁力计等等。基于手机传感器数据的PDR(Pedestrian Dead Reckoning)定位技术，得到了越来越多的关注。PDR定位技术，在开始定位时，需要一个精确的参考点位置，作为起始点。目前主要的PDR解决方案，都必须提供一个确定的初始点位置，才可以来推算出行人的运动轨迹。这个问题极大地制约了PDR定位技术的推广应用。

因此，如何提供一种更加方便用户使用的室内定位方法和系统，更加准确的确定室内定位中的起点位置，以提高室内定位的易用性和准确性，成为本领域亟需解决的问题。

技术实现要素：

本发明的目的是提供一种更加方便用户使用的室内定位方法和系统，更加准确的确定室内定位中的起点位置，以提高室内定位的易用性和准确性。

本发明的目的是通过以下技术方案来实现的：

一种室内定位的起点位置的定位方法，包括：

采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；

获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；

获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。

优选的，所述指纹数据包括：RSS向量和坐标值；所述采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库的步骤具体包括：

在定位区域内设定多个参考结点；

采集智能终端在参考结点的RSS向量和对应的坐标值；

根据每个参考结点的RSS向量，计算每个参考结点的RSS均值与方差均值，并将其作为该参考结点的指纹数据保存在指纹数据库中。

优选的，根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率的计算步骤具体包括：其中，RSS均值与方差均值分别为：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i为自然数，u为RSS的均值，σ为RSS的方差均值，每个参考结点的RSS值大小在参考点位置是高斯正态分布，即

该RSS值的概率为：

其中P_rss为参考结点的RSS值的概率，x为当前参考结点的x轴坐标值，u为RSS的均值，σ为RSS的方差均值。

优选的，所述计算步骤进一步包括：根据计算概率，其中m表示采集的RSS向量的个数,S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一个RSS向量，n为室内布置的无线接入点的数量；求出概率值最大的起点就是用户当前的位置：SP＝argmaxp(S|SP_n)。

优选的，其中，RSS值的概率的计算中，仅计算信号强度在-30dBm到-90dBm的RSS值的分布概率P_rss。

本发明公开一种室内定位的起点位置的定位系统，包括：

数据采集模块，用于采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；

获取模块，用于获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；

处理模块，用于获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。

优选的，所述指纹数据包括：RSS向量和坐标值；所述数据采集模块具体用于：

在定位区域内设定多个参考结点；

采集智能终端在参考结点的RSS向量和对应的坐标值；

根据每个参考结点的RSS向量，计算每个参考结点的RSS均值与方差均值，并将其作为该参考结点的指纹数据保存在指纹数据库中。

优选的，所述获取模块具体用于：其中，RSS均值与方差均值分别为：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i为自然数，u为RSS的均值，σ为RSS的方差均值，每个参考结点的RSS值大小在参考点位置是高斯正态分布，即

该RSS值的概率为：

其中P_rss为参考结点的RSS值的概率，x为当前参考结点的x轴坐标值，u为RSS的均值，σ为RSS的方差均值。

优选的，所述获取模块具体用于：根据计算概率，其中m表示采集的RSS向量的个数,S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一个RSS向量，n为室内布置的无线接入点的数量；求出概率值最大的起点就是用户当前的位置：SP＝argmaxp(S|SP_n)。

优选的，其中，RSS值的概率的计算中，仅计算信号强度在-30dBm到-90dBm的RSS值的分布概率P_rss。

本发明的室内定位方法由于包括采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。采用这种方式，首先建立起点指纹库，通过指纹数据，并经过概率计算获取用户的可能的起点位置，再通过计算位置概率中最大的一个来确定用户的起点位置，从而更加准备的确定用户的起点位置，为PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的数据支持，从而更快更准确的进行室内定位，提高室内定位的易用性和准确性。

附图说明

图1是本发明实施例的一种室内定位方法的流程图；

图2是本发明实施例的指纹数据记录的示意图；

图3是本发明实施例的起点指纹库的示意图；

图4是本发明实施例的一种室内定位系统的示意图。

具体实施方式

虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

计算机设备包括用户设备与网络设备。其中，用户设备或客户端包括但不限于电脑、智能手机、PDA等；网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制，使用这些术语仅仅是为了将一个单元与另一个单元进行区分。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。

这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。

下面结合附图和较佳的实施例对本发明作进一步说明。

实施例一

如图1所示，本实施例中公开一种室内定位的起点位置的定位方法，包括：

S101、采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；

S102、获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；

S103、获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。

本发明的室内定位的起点位置的定位方法由于包括采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。采用这种方式，首先建立起点指纹库，通过指纹数据，并经过概率计算获取用户的可能的起点位置，再通过计算位置概率中最大的一个来确定用户的起点位置，从而更加准备的确定用户的起点位置，为PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的数据支持，从而更快更准确的进行室内定位，提高室内定位的易用性和准确性。通过上述利用WiFi指纹的方式所求出的起点位置，即可以作为参考点提供给PDR方法。从而可以使PDR技术可以根据此参考点推算出用户的运动轨迹，PDR为(Pedestrian Dead Reckoning)对步行者行走的步数、步长、方向进行测量和统计，推算出步行者行走轨迹，和位置等信息。

根据其中一个示例，所述指纹数据包括：RSS向量和坐标值；所述采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库的步骤具体包括：

在定位区域内设定多个参考结点；

采集智能终端在参考结点的RSS向量和对应的坐标值；

根据每个参考结点的RSS向量，计算每个参考结点的RSS均值与方差均值，并将其作为该参考结点的指纹数据保存在指纹数据库中。

这样就可以更加准确的建立数据库，方便定位，提高定位的准确性。

根据其中一个示例，根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率的计算步骤具体包括：其中，RSS均值与方差均值分别为：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i为自然数，u为RSS的均值，σ为RSS的方差均值，每个参考结点的RSS值大小在参考点位置是高斯正态分布，即

该RSS值的概率为：

其中P_rss为参考结点的RSS值的概率，x为当前参考结点的x轴坐标值，u为RSS的均值，σ为RSS的方差均值。

根据其中一个示例，所述计算步骤进一步包括：根据

计算概率，其中m表示采集的RSS向量的个数,S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一个RSS向量，n为室内布置的无线接入点的数量；求出概率值最大的起点就是用户当前的位置：SP＝argmaxp(S|SP_n)。

按照上述过程和公司进行计算，就可以计算各个可能位置的概率，从而筛选出最大概率所在位置，并据此对用户进行定位。

根据其中一个示例，其中，RSS值的概率的计算中，仅计算信号强度在-30dBm到-90dBm的RSS值的分布概率P_rss。考虑到信号强度值的有效性，我们只记录从-30dBm到-90dBm的RSS值的分布概率。

日常生活中，人们绝大部分的时间都是待在室内的，而身处室内的大多数情况下，人们的手机都是闲置的。我们希望手机在这些闲置状态下，可以被用来进行指纹采样，同时也不会影响到我们的其它行为。在某一参考点获得的RSS向量就是RSS_i(RSS_i,1,RSS_i,2,RSS_i,3,RSS_i,4)。而参考点坐标为L_i(x_i,y_i)，RSS_i与L_i的一一对应关系，即为该参考点的指纹，指纹数据的记录结构如图2所示；

用户自定义node表示日常生活中用户会经常性停留一段时间的位置，例如办公桌，茶水间等。由于用户自定义node都是一些会经常停留的点，所以当采样人员停留在用户自定义node位置处，可以采集大量的指纹训练数据集。指纹训练数据集通过一定的处理，可以生成起点训练指纹库。起点训练指纹库的格式如图3所示；

上图的起点训练指纹库中，智能手机的MAC地址代表不同的采样人员，因为不同采样人员使用不同的手机，MAC地址是作为设备识别的唯一标识。每位采样人员可能出现的起点组成了一个起点集合，所以可以看到起点训练库中每个MAC地址对应着一个起点集合。

之后通过上述的方法进行计算即可。

本实施例中，在使用上述方案对起点位置进行定位之后，接下来可以根据起点位置进行室内定位，具体方案如下。

能够在大规模城市范围内广泛应用的室内定位系统必须能够为所有的移动终端提供准确的定位服务，当采集指纹数据库的移动设备与在线定位的移动设备型号不一致时，定位系统的定位精度将受到一定的影响。然而，由于采集RSSI指纹数据库的设备总是有限的，不可能为每一个型号的手机建立一个RSSI指纹数据库，因此，必须采取一定的措施缓解设备差异对定位精度的影响。

基于位置指纹的WiFi定位技术可以分为两类：确定性方法，基于概率的方法。确定性方法中，采用RSSI接收信号的平均值作为指纹库的基本数据单元。

在离线数据采集阶段，设移动终端在某个参考点(x,y)经过一段时间的采样采集到的RSSI样本数据集为向量RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n}，将样本数据集的均值及位置信息存入数据库中作为该点的指纹数据记为(x，y，rssi₁，rssi₂，rssi₃，rssi₄)。当所有参考点的RSSI数据采集完之后，可以得到一个完整的指纹数据库。

在实时定位阶段，移动终端采集到的RSSI数据为向量RSSI＝{rssi₁，rssi₂，rssi₃，rssi₄}，将实时得到的RSSI数据与指纹数据库中的RSSI样本进行匹配，估计用户的位置。最近邻居法(Nearest Neighbor in Signal Space)是最为简单的一种匹配算法。它通过计算实时RSSI数据与指纹数据库中某一参考点的RSSI样本数据的信号强度的距离d(向量RSSI,RSSI)，其具体计算方法如式(3-1)所示。最近邻居法选择信号强度距离最小的参考点作为最终的估计位置。

其中，N为无线AP数，当参数p＝1时，计算的是曼哈顿距离，p＝2时，为欧氏距离，通常我们选择欧式距离计算信号强度间的距离。最近邻居法得到的位置必然是在指纹数据库中已经存在的参考点位置。K近邻法(K-NNSS)是最近邻居法的一种改进版本，它不再是简单的使用信号空间中距离最近的点作为位置估计，而是采用距离最近的几个采样点的平均值来估计用户的位置。

基于概率的方法，是一种基于贝叶斯定理的定位算法。首先，在离线数据采集阶段，记录了n个位置的位置指纹集合(L，RSSI)＝{(L₁,RSSI₁),(L₂,RSSI₂)，(L₃,RSSI₃)...(L_N,RSSI_N)},在实时定位阶段，在某个位置采集到的RSSI样本数据为RSSI＝{rssi₁，rssi₂，rssi₃，rssi₄}。基于概率的方法就是，通过贝叶斯定理推算出实时的RSSI在指纹数据库中的已知位置的后验概率，记为p(L_i丨RSSI)。具体推理过程如下：

其中，p(L_i丨RSSI)在某个位置得到实时样本数据RSSI的概率。p(L_i)是位置L_i的先验概率，通常情况下，任务用户可能出现在任意位置，所以它可以看做一个均匀分布，而p(RSSI丨L_k)对于所以位置可以看做为一个常数。在定位阶段，通过计算得到的最大后验概率的位置作为用户的位置估计。因此定位的计算过程可以简化如式(3-3)：

argmax[p(L_i丨RSSI)]＝argmax[p(RSSI丨L_i)] (3-3)

不同的AP间的信号可以认为是独立不相关的，因此，计算可以简化为如果用高斯模型对RSSI信号进行建模，则可以得到式(3-4)。

其中，u和σ表示信号强度样本数据的平均值和标准偏差。

然而这两种类型的定位匹配算法本身都未考虑设备差异导致的RSSI差异化的问题。Haeberlen在文献中提出一种基于线性变换的人工校正方法，该方法采用人工校正的方法得到不同设备间的线性变换方程，然而面对成百上千种差异化的设备和不断涌现的新设备，采用人工校正的方法是不切实际的。

本文提出一种基于RSSI差值的定位算法。虽然在同一地点同一地点,不同的手机接收到的RSSI样本数据的大小有差异,但是各手机接收到的各个AP间的RSSI差值却是相似的。因此，假设实时定位阶段采集到的RSSI数据为RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n},选择其中最大的AP信号强度值作为参考，记为rssi_max，则可以得到差值序列RSSI＝{rssi₁-rssi_max，rssi₂-rssi_max，rssi₃-rssi_max...rssi_n-rssi_max}，简写为RSSI＝{Δrssi₁，Δrssi₂，Δrssi₃...Δrssi_n}。同理，对指纹数据库中的信号强度序列作同样的处理。设指纹数据库中参考点L的RSSI序列为RSSI＝{rssi₁，rssi₂，rssi₃...rssi_n}，其中最大的AP信号强度值记为rssi_max，处理后，其差值序列为RSSI＝{rssi₁-rssi_max，rssi₂-rssi_max，rssi₃-rssi_max...rssi_n-rssi_max}＝{Δrssi₁，Δrssi₂，Δrssi₃...Δrssi_n}。在定位阶段，通过比较位置指纹数据库和在线实时采集的RSSI的差值序列，进行位置估计。对于确定性方法，对数据库中每一个参考点位置RSSI序列的通过公式(3-5)计算信号强度距离，选择距离最小的一个参考点或几个参考点的平均值作为位置估计。

对于高斯模型法，对数据库中每一个参考点位置RSSI序列的通过公式(3-6)计算信号强度的相似程度，选择概率最大的一个参考点或几个参考点的平均值作为位置估计。

通过这种基于RSSI差值的位置匹配算法来缓解设备差异对定位精度的影响。

根据本发明其中一个实施例，如图4所示，本实施例公开一种室内定位的起点位置的定位系统，包括：

数据采集模块401，用于采集智能终端所在位置的指纹数据，建立指纹数据与所在位置对应的起点指纹库；

获取模块402，用于获取智能终端当前的指纹数据，并根据指纹数据获取智能终端在起点指纹库中的每个位置的位置概率；

处理模块403，用于获取所述位置概率中最大的一个，该位置概率最大的所对应的所在位置为智能终端的起点位置。

采用这种方式，首先建立起点指纹库，通过指纹数据，并经过概率计算获取用户的可能的起点位置，再通过计算位置概率中最大的一个来确定用户的起点位置，从而更加准备的确定用户的起点位置，为PDR(Pedestrian Dead Reckoning，步行者航位推算)提供更好的数据支持，从而更快更准确的进行室内定位，提高室内定位的易用性和准确性。

根据其中一个示例，所述指纹数据包括：RSS向量和坐标值；所述数据采集模块具体用于：

在定位区域内设定多个参考结点；

采集智能终端在参考结点的RSS向量和对应的坐标值；

根据每个参考结点的RSS向量，计算每个参考结点的RSS均值与方差均值，并将其作为该参考结点的指纹数据保存在指纹数据库中。

这样就可以更加准确的建立数据库，方便定位，提高定位的准确性。

根据其中一个示例，所述获取模块具体用于：其中，RSS均值与方差均值分别为：μ＝E(RSS_i)，σ＝E(|RSS_i-μ|)，其中，i为自然数，u为RSS的均值，σ为RSS的方差均值，每个参考结点的RSS值大小在参考点位置是高斯正态分布，即

该RSS值的概率为：

其中P_rss为参考结点的RSS值的概率，x为当前参考结点的x轴坐标值，u为RSS的均值，σ为RSS的方差均值。

根据其中一个示例，所述获取模块具体用于：根据计算概率，其中m表示采集的RSS向量的个数,S_j＝{RSS_j1，RSS_j2，...，RSS_jn}表示一个RSS向量，n为室内布置的无线接入点的数量；求出概率值最大的起点就是用户当前的位置：SP＝argmaxp(S|SP_n)。

按照上述过程和公司进行计算，就可以计算各个可能位置的概率，从而筛选出最大概率所在位置，并据此对用户进行定位。

根据其中一个示例，其中，RSS值的概率的计算中，仅计算信号强度在-30dBm到-90dBm的RSS值的分布概率P_rss。考虑到信号强度值的有效性，我们只记录从-30dBm到-90dBm的RSS值的分布概率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。