一种定位方法与流程

本发明涉及信号处理领域，具体涉及一种定位方法。

背景技术：

随着“互联网+”概念的提出以及物联网技术的成熟，位置服务在物流运输、生产、急救、定位、巡航、查询等各个方面凸显出越来越重要的作用。许多位置服务高度依赖于定位技术的发展，特别是室内定位技术。早期应用于室内定位的技术包括蓝牙(bluetooth)、红外线(infrared)和超宽带(ultrawideband,uwb)。然而利用这类技术实现室内高精度定位需要大量的硬件支持，且信号传输过程容易受其他因素的干扰。最近几年，wi-fi接入点的广泛部署使得wi-fi信号几乎可以覆盖每座建筑物的任意位置，加上wi-fi信号受环境干扰较小，基于wi-fi的室内定位技术逐渐成为研究的热点。

基于wi-fi的室内定位主要分为基于测距模型的定位算法和基于接收信号强度(receivedsignalstrength，rss)的定位算法两大类。基于测距模型的定位算法需要预先对室内信道环境进行信道估计，建立合适的信道模型。由于室内环境复杂多变的特性，确定合适的信道模型后，基于测距模型的室内定位方法无法适用新环境，并且在较为复杂的环境中，基于测距模型的室内定位算法具有较大的局限性。而基于rss的定位算法因其能适应较复杂的室内环境而具有突出优势，该算法的计算复杂度较低，运行速度较快，易于实现。

基于wi-fi的rss定位过程包含离线训练和线上定位两个阶段。离线训练阶段的主要工作是构建rss指纹数据库，数据库中包括参考点的位置坐标以及在参考点接收到的周围wi-fi接入点(ap)的rss信息，称作rss指纹；线上定位阶段的主要工作是：测量待定位点的rss指纹信息，运用特定的指纹匹配算法与数据库中的rss指纹比较，估计出待定位点的位置坐标。

基于wi-firss指纹的室内定位算法中，rss指纹数据库的构建成功与否，极大地影响了定位算法的定位精度和定位效率。目前，构建rss指纹数据库的主要方法是：在定位区域按照一定方式设定参考点，然后再采集所有参考点的rss指纹信息。这种方法由于可以设置参考点数量和位置，采集的信息较为全面，因此主要用在办公室、家庭和电影院等较小的室内环境，更适合需要快速部署的场合。但是对于医院、商场和公园等大型公共区域，wifi热点非常多，而且数量和位置随时间动态变化，按照一定规则设立参考点并采集rss信息是一种耗时耗力且高成本的工作，此时为了节省时间和成本，通常会在定位区域按照设定好的路线，通过来回走动测定rss指纹，获取指纹地图。然而，通过这种方式一般只能获得少量路线的rss指纹，指纹数据库的质量通常较差。

技术实现要素：

为了提高指纹数据库的质量，提高定位精度和定位效率，本发明提出了一种定位方法，该方法所使用的待定位区域接收信号强度数据集，即rss概率指纹地图/指纹数据库是基于分布式递归高斯过程构建得到的，基于该数据库能够实现高精度的室内定位。

所述定位方法包括以下步骤：

确定待定位区域，并获取位于所述待定位区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位区域的接收信号强度数据集，其中，所述接收点包括采样点和参考点；

获取待定位对象接收到的信号发射设备信号强度数据，得到所述待定位对象的接收信号强度数据；

比较所述待定位对象接收信号强度数据与所述待定位区域接收信号强度数据集，得到所述待定位对象的位置信息。

在本发明一实施例中，所述确定待定位区域，并获取位于所述待定位区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位区域的接收信号强度数据集，包括：

确定待定位区域，并将所述待定位区域分为两个或多个待定位子区域；

获取位于所述待定位子区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位子区域的接收信号强度数据集；

对所述待定位子区域接收信号强度数据集进行数据融合，得到所述待定位区域的接收信号强度数据集。

在本发明一实施例中，所述待定位子区域重叠或互不重叠。

在本发明一实施例中，所述获取位于所述待定位子区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位子区域的接收信号强度数据集，包括：

获取所述待定位子区域中采样点、参考点和信号发射设备的地理位置信息；

获取所述采样点处接收到的信号发射设备信号强度数据；

根据所述采样点接收信号强度数据，计算得到参考点接收信号强度数据，得到所述待定位子区域的接收信号强度数据集。

在本发明一实施例中，所述接收信号强度数据为接收信号强度概率数据。

在本发明一实施例中，所述参考点接收信号强度数据利用下式计算：

其中，假设待定位区域有l个ap，而且该区域被划分成j个子区域，p(rssl,j(p)|p,dl,j)表示第j个区域的参考点p接收到的来自第l个信号发射设备的rss数据rssl,j(p)的后验概率密度函数，该后验概率密度函数是基于递归高斯过程根据采样点的采样数据得到的，dl,j表示第j个区域的采样点的采样数据组成的训练数据集，所述训练数据集中的训练数据按时间顺序依次获得，表示p(rssl,j(p)|p,dl,j)服从均值为μl,j(p)，方差为高斯分布，为rssl,j(p)中噪声项的方差。

在本发明一实施例中，所述待定位区域中的接收点所接收到的信号发射设备信号强度数据表示为：

其中，p(rssl(p)|p,dl,1,dl,2,,…,dl,j,)表示接收点p接收到的来自第l个信号发射设备的接收信号强度概率密度函数，其服从均值为方差为的高斯分布rssl(p)表示在接收点p接收到的第l个ap的rss，dl,1,dl,2,,…,dl,j,表示第j个区域中采样点测得的第l个ap的接收信号强度数据即第j个区域对应第l个ap的训练数据，j为区域总数。

在本发明一实施例中，均值可利用下式来计算：

方差可利用下式来计算：

其中，表示不确定性，为rssl(p)中噪声项的方差，kl,j(p)和μl,j(p)分别为第j个子区域在t时刻利用递归高斯过程计算得到的第l个ap的方差和均值。

在本发明一实施例中，所述比较所述待定位对象接收信号强度数据与所述待定位区域接收信号强度数据集，得到所述待定位对象的位置信息，包括：

计算所述待定位对象接收信号强度数据与所述待定位区域接收信号强度数据集中接收信号强度数据之间的距离；

将满足预设距离条件的接收信号强度数据对应的接收点的位置信息确定为所述待定位对象的位置信息。

在本发明一实施例中，所述距离为欧式距离。

如上所述，该技术方案能够实现高精度的室内定位，实际上，由于蜂窝移动网络也可以基于rss实现定位，因此本发明提出的定位方法适用于所有以rss作为位置相关测量值的定位系统。

附图说明

图1为根据本发明一实施方式的待定位区域的示意图；

图2为根据本发明一实施方式的定位方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

为了使得本发明的技术方案更容易理解，首先对于本发明技术方案赖以实现的rss定位原理进行简单的介绍。

一、系统模型及算法原理

假设待定位物体(或者待定位对象、定位目标)所在的待定位区域如图1所示，在图1中，为了对待定位区域中的目标进行定位，可以先行定义一个感兴趣网格，该网格中存在多个接入点ap(比如wifi热点)，网格的交叉点为参考点，其中，网格的疏密程度可视实际应用的需要、定位精度以及系统存储能力而定，本发明不作具体限定。其中，网格中任意一个参考点的rss指纹fp(p)记作该参考点接收到的周围ap的rss的集合，如式(1)所示。

fp(p)＝{rss1(p),rss2(p),…,rssl(p)}(1)

其中，p是参考点的位置坐标，通常用三维坐标表示，因此是个矢量；rssl(p)表示在参考点p接收到的第l个ap的rss，p＝1…l。在本发明一实施例中，参考点p的指纹fp(p)中仅包含离其最近(或者强度最强)的l个ap的rss，实际上，所述待定位区域中ap的个数可以远远大于l。

如果知道所有参考点的rss指纹，就可以利用指纹匹配算法(比如knn、wknn、md5-knn等算法)来实现目标的定位。这里，所有参考点的rss指纹组成的数据库也可称作rss地图，记作公式(2)。

fpmap＝{fp(p1),fp(p2),…,fp(pn),…,fp(pn)}(2)

假设所述待定位区域中共有n个参考点，式(2)中，pn表示第n个参考点的位置坐标，fp(pn)表示第n个参考点的指纹数据。

显然，当n非常大时，通过测量直接获取所有参考点的指纹是不现实的，因此，在本发明一实施方式中，在所有参考点中选择m个参考点即采样点进行采样，将其对应的rss作为训练数据，然后根据这些训练数据计算网格中其他所有参考点的rss的概率分布，也就是说，上述网格中的一部分交叉点取为采样点，采样点处接收到的周围ap的rss信号是采集得到的，而其他参考点处接收到的周围ap的rss信号是根据采集数据计算得到的。在该实施方式中，由于采用rss概率分布来替代rss数据，因此，在参考点p接收到的周围ap的rss概率分布的集合，也称作概率指纹，可以记作：

fppr(p)＝{p(rss1(p)),p(rss2(p)),…,p(rssl(p))}(3)

那么所有参考点的rss概率指纹就构成rss概率指纹数据库，记作：

fppr_map＝{fppr(p1),fppr(p2),…,fppr(pn),…,fppr(pn)}(4)

下面详细介绍如何计算概率指纹、构建rss概率指纹地图并使其适用于训练数据实时更新的环境和分布式系统进行定位计算。

二、基于标准高斯过程构建rss概率指纹地图

通常情况下，wi-fi信号在室内无线环境下的rss模型可以用式(5)表示：

rssl(p)＝pll(p)+el(p)+nl，l＝1,…,l(5)

其中，rssl(p)表示在参考点p接收到的第l个ap的rss，p＝1…l；pll(p)是第l个ap到参考点p的确定性路径损耗函数。对于wifi室内信号，pll(p)遵循一个经验性的路径损耗模型：

式(6)中，al是在参考距离d0处所测量的发射功率值，bl是路径损耗指数，dl(p)为参考点p到坐标为pap,l的第l个ap的欧几里得距离：对于其它无线环境，所述路径损耗模型也可以由其它更复杂的模型构成。

公式(5)中nl是与位置无关的噪声项，本发明中用独立同分布的高斯白噪声表示，其均值为零，方差为el(p)表示由于阴影效应引起的噪声，阴影效应是造成慢衰落的主要原因，通常与位置有关。因此，噪声项el(p)可以由一个均值为零的高斯过程来表示：

这里，表示高斯过程，方差函数(也可以叫做核函数)kl(p,p′)可以使用任何合适的形式，比如说平方指数核函数或者matérn核函数。在本发明接下来的描述中，采用的是平方指数核函数：

其中，代表模型的不确定性，cll是特征长度尺度，用以表达两个位置间的空间相关性，即任意位置p′和另一个位置p的相关性。

通常情况下，公式(6)～(8)中的参数是未知的，所以不能根据式(5)直接计算得到rss。

为了计算网格上任意参考点p的指纹或概率指纹，假设已经在位置已知的m个参考点(称作采样点，从n个参考点中采样得到)处测得(或者以某种方式计算/估算到)了第l个ap的rss，记作dl：

在该实施方式中，式(9)可被作为训练数据，其中plm表示与第l个ap相对应的第m个采样点的位置坐标，rssl(pl1)表示第m个采样点接收到的第l个ap的rss。需要说明的是，不同的ap所对应的m个采样点可以不同，也可以相同，为了便于理解，统一使用plm来表示。

显然，根据式(9)中的训练数据，可以估计得到公式(6)～(8)中的未知参数θl，然后再利用式(5)就可以计算得到任意参考点接收到的第l个ap的rss，但是这样计算会存在较大的误差。接下来，我们采用另外一种方法，即假设已经知道了参数θl，然后基于标准高斯过程来计算其后验概率密度函数，然后根据其概率密度函数，构建rss概率指纹数据库。

高斯过程是一种基于核函数的非参数化学习模型。与其他随机过程相比，它的优势在于，从高斯过程的随机变量中任意抽取一部分变量，所得到的变量构成的过程仍然是高斯型的，且其联合分布仍符合多维度高斯分布；在一个高斯过程中，输入空间的每一个点都关联了一个服从高斯分布的随机变量，而这些随机变量的任意有限个数据融合的联合概率也服从高斯分布。高斯过程的特点还在于，它唯一地由均值函数和协方差确定，且一个高斯分布都对应着一个核函数，即协方差函数。因此，在基于高斯过程的模型中，通常假设训练数据样本服从正态分布，要获得一个具体的高斯过程模型，只需获取模型的均值函数和协方差函数矩阵即可。其中，协方差函数通常是一种核函数，高斯过程的模型类型和性能可以通过核函数类型的选择来决定。

基于高斯过程的上述特性，显而易见，式(9)中观测到的rss服从下列分布：

式(10)中包含的所有符号定义如下：

im为维数为m×m的单位方阵。

这样就可以计算得到网格上任意参考点p的rss测量值的后验概率密度函数如下：

式(16)中，

根据上面的公式，可以计算出参考点p处所有l个ap的rss后验概率分布，从而得到对应的后验概率指纹：

fppr_post(p)＝{p(rss1(p)|p,dl),p(rss2(p)|p,dl),…,p(rssl(p)|p,dl)}(19)

利用所述后验概率指纹可以构建得到概率指纹数据库代替rss数据库，进一步借助md5-knn算法，就可以实现精确定位。对于标准高斯过程，其概率密度函数完全由均值和协方差确定，因此在实际处理时，概率指纹中的概率密度函数可以用对应的均值和协方差代替。

因为在这个方法中以批量的方式处理了全部的训练数据，所以与该方法相对应的训练参数运算时间复杂度为计算后验概率时运算时间复杂度为此外，所需要的存储空间还和成正比。

三、基于分布式递归高斯过程确定rss概率指纹地图

在第二部分可以看到，基于标准高斯过程计算概率指纹时，训练数据是以批量的形式进行处理的，当数据较多且随时间增长时，要求的运算量和存储量非常大，训练过程耗时也会较长，对于一些实时应用来说会产生较大的延时，从而影响该实时应用的试用效果。

在本发明一实施例中，利用分布式递归高斯过程来代替标准高斯过程计算概率指纹，分布式递归高斯过程的使用可以有效降低运算复杂度，同时，分布式递归算法还能够挖掘数据中的时间空间相关性，从而更适用于空间—时间数据的处理。在该实施例中，首先基于递归高斯过程将数据按时间顺序进行依次处理，然后与分布式数据处理相结合，实现数据的融合，从而大大降低了运算时间复杂度，节省存储空间。下面分两步对于分布式递归高斯过程的使用进行详细的介绍。

1.递归高斯过程

在实际工作环境中，训练数据通常按时间顺序依次获得，递归高斯过程就是将训练数据以时间顺序依次进行处理的高斯过程。

假设时刻t在采样点pl,t收集到的一组新数据为{pl,t,rssl(pl,t)}，根据第二部分的介绍，可以假设t时刻以前参考点p接收到的来自第l个ap的rss后验概率密度函数已知且为：

式(20)中，μl,t-1(p)和kl,t-1(p)已知，而且

测量到新数据{pl,t,rssl(pl,t)}后，rss概率密度函数可更新为：

由上可知，递归高斯过程就是根据μl,t-1(p)和kl,t-1(p)计算μl,t(p)和kl,t(p)的过程，μl,t(p)和kl,t(p)可表示为：

kl,t(p)＝kl,t-1(p)-kl,t-1(p)gl,tjtl,t(25)

式(24)(25)中各参数的计算方法如下：

与标准高斯过程相比，递归算法将整个算法的时间复杂度降低为

2.分布式递归高斯过程

前面在介绍基于标准高斯过程和递归高斯过程构建rss概率指纹数据库时，所有区域采用了统一的核函数和超参数，这对于一些简单的室内环境(如空旷的室内环境而言)不会有太大问题。然而，对于复杂的室内环境，由于信号传输过程中所受的干扰不尽相同，不同的局部区域可能会具有不同的高斯过程参数，即不同的核函数和超参数，因此，将整个区域划分为小区域进行处理更为合适。此外，如果一个区域的数据量较大，对高斯过程的运算复杂度要求较高，相对而言，计算局部区域内每个网格的后验概率均值和方差更具准确性，而且将大区域进行分割也能节省相当多的计算和通信资源。

为此在本发明一实施例中，基于分布式递归高斯过程获取rss概率指纹模型，并进行定位的方法，以更好地解决定位问题。如图2所示，所述方法包括以下步骤：

步骤s1，确定待定位区域，并获取位于所述待定位区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位区域的接收信号强度数据集，其中，所述接收点包括采样点和参考点；

在本发明一实施例中，所述接收信号强度数据为接收信号强度概率数据，所述待定位区域的接收信号强度数据集即为上文提及的概率指纹数据库。

在本发明一实施例中，所述步骤s1包括以下步骤：

步骤s11，确定待定位区域，并将所述待定位区域分为两个或多个待定位子区域；

利用分布式递归算法，需要将整个区域划分成为若干局部区域，局部区域的划分方式有多种，可以根据具体的应用需求进行灵活划分，本发明对其不作具体限定。

实际操作中，可以使用移动终端等终端在每个局部区域采集数据，如果有若干移动终端可供使用，那么可以由这若干移动终端同时进行数据的采集。数据采集完毕之后，一种实施方案是在移动终端利用局部区域数据基于递归高斯过程计算该区域所有参考点的rss概率指纹，构建该区域的rss地图，然后将此地图发送到该移动终端所对应的数据中心进行数据融合，完成整个区域的地图构建。另外一种实施方案是在移动终端结束数据采集后，立即将采集的局部区域数据发送到该移动终端对应的数据中心，并在数据中心基于递归高斯过程计算该区域所有参考点的rss概率指纹，构建基于该局部区域数据的rss地图，最后，在数据中心将所获得的各个局部区域数据的rss地图相融合，从而得到最终的rss地图。因为地图中包含了来自于各个区域的数据信息，因此可以作为后续进行定位的依据。

在本发明一实施例中，假设可以将所述待定位区域划分为j个相邻区域，则公式(9)中的训练数据集dl可以分割成更小的数据集dl,j，j＝1,2,…,j。

步骤s12，获取位于所述待定位子区域中的接收点所接收到的信号发射设备信号强度数据，得到所述待定位子区域的接收信号强度数据集；

由上文可知，使用递归高斯过程可以计算rss概率指纹，根据公式(16)或(22)，第j个区域的参考点p接收到的来自第l个ap的rss概率密度函数可表示为：

其中，假设待定位区域有l个ap，而且该区域被划分成j个子区域，p(rssl,j(p)|p,dl,j)表示第j个区域的参考点p接收到的来自第l个信号发射设备的rss数据rssl,j(p)的后验概率密度函数，该后验概率密度函数是基于递归高斯过程根据采样点的采样数据得到的，dl,j表示第j个区域的采样点的采样数据组成的训练数据集，所述训练数据集中的训练数据按时间顺序依次获得，表示p(rssl,j(p)|p,dl,j)服从均值为μl,j(p)，方差为高斯分布，为rssl,j(p)中噪声项的方差。

具体到每个子区域，考虑递归高斯过程可知：p(rssl,j(p)|p,dl,j)相当于p(rssl,j(p)|p,dl,j,t)，μl,j(p)相当于μl,j,t(p)，kl,j(p)相当于kl,j,t(p)，dl,j相当于dl,j,t，而dl,j,t是子区域j在t时刻测到的第l个ap的训练数据集，请参考与公式(23)对应的下式：

对于每个子区域j，其p(rssl,j(p)|p,dl,j,t)，μl,j,t(p)，kl,j,t(p)的计算方法可分别参考公式(22)、(24)和(25)中p(rssl,j(p)|p,dl,1:t)，μl,t(p)，kl,t(p)的计算方法：

kl,j,t(p)＝kl,j,t-1(p)-kl,j,t-1(p)gl,tjtl,t对应公式(25)

其中，{pl,t,rssl,j(pl,t)}为时刻t在采样点pl,t收集到的一组新数据；μl,j,t-1(p)和kl,j,t-1(p)是上一个时刻的参数，因为是递归过程，所以第0时刻的值可以通过初始化得到；

代表模型的不确定性，cll是特征长度尺度，用以表达两个位置间的空间相关性；

其中，al是在参考距离d0所测量的发射功率值，bl是路径损耗指数，dl(p)为参考点p到坐标为pap,l的第l个ap的欧几里得距离：

更为具体地，结合上文，所述步骤s12可包括以下步骤：

步骤s121，获取所述待定位子区域中采样点、参考点和信号发射设备的地理位置信息，其中，所述信号发射设备比如可以为wifi热点等ap；

步骤s122，获取所述采样点处接收到的信号发射设备信号强度数据；

步骤s123，根据所述采样点接收信号强度数据，即所述训练数据，计算得到参考点接收信号强度数据，进而得到所述待定位子区域的接收信号强度数据集。

步骤s13，对所述待定位子区域接收信号强度数据集进行数据融合，得到所述待定位区域的接收信号强度数据集。

得到局部区域的后验概率方程后，利用贝叶斯委员会机制(bayesiancommitteemachine,bcm)可将局部区域的后验概率方程进行融合，融合后每个网格的全局后验概率均值和方差可分别由式(30)和(31)表示：

其中，上标f表示数据融合后得到的量，βj(p)随参考点位置变化：

那么，数据融合后，参考点p接收到的来自第l个ap的rss概率密度函数可以表示为：

步骤s2，获取待定位对象接收到的信号发射设备信号强度数据，得到所述待定位对象的接收信号强度数据；

步骤s3，比较所述待定位对象接收信号强度数据与所述待定位区域接收信号强度数据集，得到所述待定位对象的位置信息。

在本发明一实施例中，所述步骤s3包括：

步骤s31，计算所述待定位对象接收信号强度数据与所述待定位区域接收信号强度数据集中接收信号强度数据之间的距离；

步骤s32，将满足预设距离条件的接收信号强度数据对应的接收点的位置信息确定为所述待定位对象的位置信息。

其中，所述距离可采用欧式距离等距离，所述预设距离条件可以为距离最小也可以为其他距离约束条件。

由上可以看出，基于分布式递归高斯过程得到指纹数据库的运算复杂度大大降低，同时由于j个区域之间相互独立，每个区域的rss测量过程所需的时间可以大大缩短。如上所述，该技术方案能够实现高精度的室内定位，实际上，由于蜂窝移动网络也可以基于rss实现定位，因此本发明提出的定位方法适用于所有以rss作为位置相关测量值的定位系统。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。