《一种基于WIFI接收信号强度的混合室内定位方法.pdf》由会员分享，可在线阅读，更多相关《一种基于WIFI接收信号强度的混合室内定位方法.pdf（13页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410682677.8(22)申请日 2014.11.24H04W 64/00(2009.01)(71)申请人 北京航空航天大学地址 100191 北京市海淀区学院路 37 号(72)发明人 杨东凯 修春娣 杨萌 刘源罗智勇(74)专利代理机构 北京慧泉知识产权代理有限公司 11232代理人 王顺荣 唐爱华(54) 发明名称一种基于 WiFi 接收信号强度的混合室内定位方法(57) 摘要一种基于 WiFi 接收信号强度的混合室内定位方法，它有五大步骤 ：步骤一 ：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依照对数。
2、距离路径损耗模型产生 RSSI 值，构成离线指纹数据库 ；步骤二 ：通过航位推测法在二维坐标下产生目标的运动路径 ；步骤三 ：通过模糊 k-NN 算出定位结果 ；步骤四 : 根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测 ；步骤五 ：将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵中，得到混合量测矩阵，通过混合量测模型对系统状态进行更新，得到滤波后的估计位置坐标；通过步骤四与步骤五不断的迭代更新，得到整个运动路径下的定位结果。(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书6页 附图4页(10)申请公布号 CN 。
3、104507159 A(43)申请公布日 2015.04.08CN 104507159 A1/2 页21.一种基于 WiFi 接收信号强度的混合室内定位方法，其特征在于 ：它包括以下步骤 ：步骤一 ：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依照对数距离路径损耗模型产生 RSSI 值，构成离线指纹数据库 ；其中，由于信号的长距离衰落特性服从对数正态分布，常用对数距离路径损耗模型表示，其中对数距离路径损耗模型的具体表示如下 ：其中，Prx表示接收强度， 是相对距离的接收强度或一米远的初始 RSSI 值，l 是路径损耗指数，它能随传播环境的不同在 2 6 之间变化 ；Ro参考距。
4、离，R 是接收设备与发射设备之间的距离 ；wallLoss 是指由各面墙造成的损耗的和，这个因素决定于建筑布局，建筑材料，大量反射面，基础公共设施和移动物体 ；步骤二 ：通过航位推测法在二维坐标下产生目标的运动路径 ；xixi-1+vitcos(i)yiyi-1+vitsin(i)其中，xi，yi表示当前物体的位置，xi-1，yi-1是笛卡尔坐标系统中前一个参考位置，vi和t 分别表示速度和取样间隔 ；步骤三 ：通过模糊 k-NN 算出定位结果 ；其中，离线阶段从各 AP 采集的接收信号强度 RSSI 向量为在线阶段，在特定位置采集到的 RSSI 值为 ： 其中，N为AP的个数，n 为测试区域。
5、栅格的个数 ；模糊 k-NN 分类器采用一阶最近邻算法，则在位置 i的值i() 表示为 ：其中，其中K是最近邻的数量，模糊强度参数m用来决定计算各个邻居对函数值的贡献时距离的权重由多大，m 的取值范围为 (1,+ ) ；步骤四 : 根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测 ；其中，系统的状态方程是基于航位推测模型的，其中当前位置表示为xpxpyvxvyT，则系统的状态方程的表达式如下 ：权 利 要 求 书CN 104507159 A2/2 页3由于对数路径损耗模型是非线性的，所以采用如下非线性模型进行预测 ：xk+1fk(xk,k)+wkykhk(xk)+vk其 中 ，wk为。
6、系统噪声，vk为量测噪声；系统噪声和量测噪声均为高斯白噪声，系统噪声的协方差矩阵为 量测噪声的协方差矩阵为 系统参数的线性一阶近似定义为雅可比矩阵则系统的预测过程如下 ：步骤五 ：将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵中，得到混合量测矩阵，通过混合量测模型对系统状态进行更新，得到滤波后的估计位置坐标 ；通过步骤四与步骤五不断的迭代更新，得到整个运动路径下的定位结果 ；其中，步骤三中通过位置指纹方法得到的定位结果的坐标为 则混合量测矩阵的表达式如下所示 ：通过卡尔曼滤波的量测模型进行更新，更新过程如下 ：其中，Kk为卡尔曼增益，Pk为误差协方差矩阵，Ik+1为真实值与。
7、量测值之间的误差，通过不断的迭代更新得到最终的定位结果。权 利 要 求 书CN 104507159 A1/6 页4一种基于 WiFi 接收信号强度的混合室内定位方法技术领域0001 本发明提供一种基于 WiFi 接收信号强度的混合室内定位方法，具体说是一种将三边定位技术和位置指纹定位技术相融合的混合卡尔曼滤波方法。该方法能够解决三边测量技术对噪声敏感和 LF 技术不能适应环境变化的问题，提高系统的定位精度和鲁棒性，属于 WiFi 室内定位及无线传输与导航领域。背景技术0002 随着现代定位和导航技术的发展，各种基于位置的服务日益成为智能生活中重要的组成部分，全球卫星导航系统 (GNSS) 为人。
8、们提供了高精度、全天候的定位服务，但是由于其测量信号不能穿透建筑物的特点，在高密集建筑群区和室内无法有效进行定位服务，因此为了在室内获得有效的定位服务，室内定位系统得到了很快的发展。0003 近年来，由于 WiFi 网络的普及，基于 IEEE802.11b/g 协议的无线局域网 (WLAN)的信号强度定位技术日益受到重视，目前主流的 PDA、智能手机等移动设备中都内置无线网卡，从设备上为该定位技术提供了便利。现今很多建筑中装有 WiFi 接入点，现有的基础设施可以基本上满足定位需求，可以减少经济开支和额外的硬件装配，应用前景广阔。0004 基于 WiFi 的室内定位技术主要有三边定位技术和位置。
9、指纹技术。三边定位技术利用待测目标到至少三个已知参考点之间的距离信息估计目标位置。WiFi 信号随着传播距离的增加而减弱，通过测得某一信号强度，可以计算出测量点距离接入点 (AP) 的距离，计算得到若干个距离就可确定位置。基于传播模型的定位方法不需要预先采集 AP 的信号强度，只需找出射频信号在室内环境中的传播模型，依据信号传播模型和设备与 AP 之间的信号强度差来估计位置信息，因为接收信号强度 (RSS) 很容易受周围环境影响，很难获得精确的定位结果。位置指纹定位技术需要构建信号强度与定位位置之间的映射关系，使用存储所有参考点(RP)的RSS信息的数据库来进行匹配计算，但是数据库对环境的依赖。
10、性较大，一旦环境发生较大的改变，会导致指纹数据库失效。0005 卡尔曼滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。发明内容0006 本发明的目的在于 ：提供一种基于 WiFi 接收信号强度的混合室内定位方法，它是一种混合卡尔曼滤波方法，将基于 RSSI 的 WiFi 三边测量技术和基于卡尔曼滤波的 LF 技术的优点进行融合，以解决三边测量技术对噪声敏感和 LF 技术不能适应环境变化的问题，提高系统的定位精度和鲁棒性。0007 本发明的技术方案 ：0008 本。
11、发明一种基于 WiFi 接收信号强度的混合室内定位方法，它包括以下几个步骤 ：0009 步骤一 ：根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，依说 明 书CN 104507159 A2/6 页5照对数距离路径损耗模型产生 RSSI 值，构成离线指纹数据库。0010 其中，由于信号的长距离衰落特性服从对数正态分布，常用对数距离路径损耗模型表示，其中对数距离路径损耗模型的具体表示如下。0011 0012 其中，Prx表示接收强度 ( 分贝 )， 是相对距离的接收强度或一米远的初始 RSSI值(分贝)， 是路径损耗指数，它能随传播环境的不同在 2 6 之间变化。Ro参考距离，R是接。
12、收设备与发射设备之间的距离。wallLoss是指由各面墙造成的损耗的和。这个因素决定于建筑布局，建筑材料，大量反射面，基础公共设施和移动物体。0013 步骤二 ：通过航位推测法在二维坐标下产生目标的运动路径。0014 xixi-1+vitcos(i)0015 yiyi-1+vitsin(i)0016 其中，xi，yi表示当前物体的位置，xi-1，yi-1是笛卡尔坐标系统中前一个参考位置，vi和 t 分别表示速度和取样间隔。0017 步骤三 ：通过模糊 k-NN 算出定位结果。0018 其中，离线阶段从各AP采集的接收信号强度(RSSI)向量为在线阶段，在特定位置采集到的RSSI值为：其中，N 。
13、为 AP 的个数，n 为测试区域栅格的个数。模糊 k-NN 分类器采用一阶最近邻算法，则在位置 i的值 i() 可以表示为 ：0019 0020 其中，其中 K 是最近邻的数量。模糊强度参数 m 用来决定计算各个邻居对函数值的贡献时距离的权重由多大，m 的取值范围为 (1,+ )。0021 步骤四 : 根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测。0022 其中，系统的状态方程是基于航位推测模型的。其中当前位置可表示为xpxpyvxvyT，则系统的状态方程的表达式如下。0023 0024 0025 由于对数路径损耗模型是非线性的，所以采用如下非线性模型进行预测 ：说 明 书CN 。
14、104507159 A3/6 页60026 xk+1fk(xk,k)+wk0027 ykhk(xk)+vk0028 其中，wk为系统噪声，vk为量测噪声。系统噪声和量测噪声均为高斯白噪声。系统噪声的协方差矩阵为EwkwkTQk，量测噪声的协方差矩阵为EvkvkTRk，系统参数的线性一阶近似定义为雅可比矩阵则系统的预测过程如下。0029 0030 0031 步骤五 ：将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵中，得到混合量测矩阵，通过混合量测模型对系统状态进行更新，得到滤波后的估计位置坐标。通过步骤四与步骤五不断的迭代更新，可得到整个运动路径下的定位结果。0032 其中，。
15、步骤三中通过位置指纹方法得到的定位结果的坐标为 则混合量测矩阵的表达式如下所示。0033 0034 通过卡尔曼滤波的量测模型进行更新，更新过程如下 ：0035 0036 0037 0038 0039 其中，Kk为卡尔曼增益，Pk为误差协方差矩阵，Ik+1为真实值与量测值之间的误差。通过不断的迭代更新可以得到最终的定位结果。0040 本发明的优点在于 ：0041 一、将基于 RSSI 的 WiFi 三边测量技术和基于卡尔曼滤波的 LF 技术的优点进行融合，提高了定位精度 ；说 明 书CN 104507159 A4/6 页70042 二、在目标方位突然变化和环境噪声的情况下，提高了系统的鲁棒性 ；。
16、0043 三、估计位置连续。附图说明0044 图 1 室内定位场景图。0045 图 2 本发明所述方法流程图。0046 图 3 基于本发明的定位结果图。0047 图 4 基于本发明的定位误差图。0048 图中符号、代号说明如下 ：0049 AP Access Point 无线接入点0050 WIFI Wireless Fidelity 无线保真技术具体实施方式0051 参见图 1，为典型的室内定位场景，整个区域为 50m*50m，WiFi 的接入点 (AP) 安装在四个角落，四个 AP 的坐标分别为 (0,0)，(0,50)，(50,50)，(50,0)。0052 参见图 2，是本发明所述方法。
17、流程图。本发明一种基于 WiFi 接收信号强度的混合室内定位方法，其步骤如下 ：0053 步骤 1 ：参见图 1 的室内定位区域，根据位置指纹室内定位技术，在离线阶段，根据选定的室内测试区域，将整个区域划分为 2m*2m 的格子，依照对数距离路径损耗模型产生RSSI 值，构成离线指纹数据库。0054 其中，对数路径损耗模型的计算公式为 ：0055 0056 其中，相对距离的接收信号强度 参考距离 Ro 1m。路径损耗指数由各面墙造成的损耗的和服从标准正态分布wallLossN(0,2),24.35。设第 k 个参考点的位置坐标为 (xk,yk)，则参考点与四个 AP 之间的距离矩阵 R 可以表。
18、示为 :0057 0058 步骤 2 ：通过航位推测法产生四边形运动路径。0059 xixi-1+vitcos(i)说 明 书CN 104507159 A5/6 页80060 yiyi-1+vitsin(i)0061 目标移动速度 v 0.75m/s，采样间隔 t 1s。0062 步骤 3 ：通过模糊 k-NN 算出定位结果。0063 在位置 i的值 i() 可以表示式为 ：0064 0065 其中，最近邻的数量 K 取值为 5。模糊强度参数 m 的取值为 2。可以求得估计位置坐标为0066 步骤 4 ：根据卡尔曼滤波方法的状态模型对运动目标的下一个位置进行预测。0067 其中当前位置可表示为。
19、xpxpyvxvyT，由于对数路径损耗模型是非线性的，所以采用如下非线性模型进行预测 ：0068 xk+1fk(xk,k)+wk0069 ykhk(xk)+vk0070 其 中 ，wk为系统噪声，vk为量测噪声。系统参数的线性一阶近似定义为雅可比矩阵 则系统的预测过程如下。0071 0072 0073 其中，系统噪声的协方差矩阵 Qk diag0.1,0.1,1.0,1.0101.650，量测噪声的协方差矩阵 RkI66103.650,R(1,1) 50,R(2,2) 500074 步骤 5: 将通过位置指纹技术得到的估计位置坐标加入到卡尔曼滤波方法的量测矩阵中，得到混合量测矩阵，通过混合量测。
20、模型对系统状态进行更新，得到滤波后的估计位置坐标。通过步骤四与步骤五不断的迭代更新，可得到整个运动路径下的定位结果。0075 其中当前位置与 4 个 AP 之间的距离可表示为 :0076 0077 其中，步骤三中通过位置指纹方法得到的定位结果的坐标为 则混合量测矩阵的表达式如下所示。说 明 书CN 104507159 A6/6 页90078 0079 通过卡尔曼滤波的量测模型进行更新，更新过程如下 ：0080 0081 0082 0083 0084 其中，Kk为卡尔曼增益，Pk为误差协方差矩阵，Ik+1为真实值与量测值之间的误差。通过不断的迭代更新可以得到最终的定位结果。0085 如图 3 所。
21、示，依照本发明的方法在图 1 所示的场景中实验得到的仿真结果。X-Y轴为估计位置的坐标。正方形标线表示实际的运动路径，星形标线表示位置指纹方法的结果，三角形标线为卡尔曼方法的结果，圆形标线为混合卡尔曼方法的结果，结果表明只依靠位置指纹方法得到的结果与实际的运动路径偏差较大，混合卡尔曼方法得到的定位结果更接近于实际的运动路径，由于实际的运动路径为正方形，在方向突然转变的情况下，提出的方法仍然能够很好的适应方向变化，获得较好的定位结果。0086 如图 4 所示，依照本发明的方法在图 1 所示的场景中实验得到的定位结果与实际值之间的均方根误差。带圆形的标线表示位置指纹方法的误差，带菱形的标线表示卡尔。
22、曼方法的误差，带正方形的标线表示混合卡尔曼方法的误差。从表 1 的统计可以看出混合卡尔曼方法可的定位误差最小，定位精度得到了提高。0087 表 1 定位结果与实际位置之间的误差0088 方法 位置指纹技术 卡尔曼方法 混合卡尔曼方法平均均方根误差 (m) 8.0804 2.0658 1.63450089 综上所述，本发明所提供的一种基于 WiFi 接收信号强度的混合室内定位方法，是基于 RSSI 三边定位技术和位置指纹定位技术相融合的混合卡尔曼滤波方法。本发明的特点在于该室内定位方法将基于 RSSI 的 WiFi 三边测量技术和基于卡尔曼滤波的 LF 技术的优点进行融合，可以解决三边测量技术对噪声敏感和 LF 技术不能适应环境变化的问题，提高了系统的定位精度和鲁棒性。说 明 书CN 104507159 A1/4 页10图1说 明 书 附 图CN 104507159 A。