说明书一种基于RSS的室内定位方法
技术领域
本发明属于WLAN(Wireless Local Area Networks，无线局域网络)室 内定位的技术领域，具体地涉及一种基于RSS(Received signal strength, 接收信号强度)的室内定位方法。
背景技术
无线局域网络(WLAN)是一种全新的信息获取平台，可以在广泛的应用 领域内实现复杂的大范围定位、监测和追踪任务，而网络节点自身定位是 大多数应用的基础和前提。当前比较流行的Wi-Fi(Wireless Fidelity，无 线保真技术)定位是无线局域网络系列标准之IEEE802.11的一种定位解决 方案。该系统采用经验测试和信号传播模型相结合的方式，易于安装，需 要很少基站，能采用相同的底层无线网络结构，系统总精度高。主要分为 以下三类：
●近似法
近似法利用AP在室内的覆盖范围有限的特点(不同型号的路由器有不 同的覆盖范围)，通过终端设备接收信号强度的情况和对应AP的位置来判 定移动用户的位置。当用户靠近某一已知位置时，由该位置来定位物体。 也就是，将无线终端用于数据通信的访问点(AP)的位置，近似地作为估 计的位置。该方法可用于检测物品接触，监控蜂窝网络访问点等方面。它 不需要复杂的计算，但是定位精度局限在AP的覆盖范围，只能实现区域性 的位置判定，并且需要AP具体位置的先验信息。
●几何测量法
这种方法首先要求根据无线电信号的传播模型(经验模型或数学模 型)，将信号强度值映射为信号传播的距离。在二维平面上，根据终端设备 与其它至少三个AP间的距离，通过三边测量的几何学原理来进行位置估计。 如图1所示，三个黑色圆点为已知坐标的参考点，x是需要定位的点，则利 用x与三个参考点的距离，可以计算出x的坐标。
微软的RADAR(radio detection and ranging，无线电探测和测距)是 一个基于RSSI(Received Signal Strength Indication接收的信号强度指 示)技术的室内定位系统，也是最早出现的基于WLAN的室内定位系统，充 分利用现有WLAN设施，通过802.n标准中的接收信号强度指示来确定用户 节点在楼层内的位置。通常使用两种方法计算节点位置，其中一种是利用 信号传播的理论模型。这种方法精确度不高，但可以节省费用，不必提前 建立数据库，在基站移动后比比重新计算参数。但是在现实环境中，温度、 障碍物、传播模式等条件往往都是变化的，使得该技术在实际应用中仍存 在困难。这类方法简单，计算效率高，但是定位的准确性依赖于传播模型 是否正确，是否适合定位区域复杂的建筑结构。由于室内电波传播的复杂 性，信号强度受到多径传播、反射等影响，使得在实际室内环境很难用固 定的数学模型来刻画。
●场景分析法
场景分析法，又称为指纹法，不是直接将信号强度值的测量映射为信 号传播距离，而是利用在某一地点观察到的场景特征来推断观察者的位置， 可以看作是先对信号强度与位置间的内在规律进行学习，然后再用新的测 量值与学习过的样本点进行匹配。
该方法一般分为离线测量和在线定位两个阶段完成定位。离线测量是 在需要定位的区域里按照一定的间隔距离选定若干样本点，形成一个样本 点的网格，在这些样本点位置上测量，记录来自各个AP的信号强度测量向 量，这些信息构成了信号强度指纹库。该指纹库描述了这一固定定位环境 中信号强度与空间位置的关系。在线定位是将实时测量的信号强度测量向 量与指纹库中的信息比较，取信号强度最接近的样本点的位置作为估计的 位置。
RADAR系统中的另一种计算节点位置的方法，就是利用信号传播的经验 模型。实际定位前，在楼层内选取若干测试点，记录这些点上个基站收到 的信号强度，建立各个点上位置和信号强度关系的离线数据库。实际定位 时，系统采用确定性匹配算法一一K最近邻居(KNN)算法，根据测得的信号 强度与数据库中记录的信号强度进行比较，信号强度均方差最小的那个点 的坐标为节点的坐标。这种方法有较高的精度，但是要预先建立位置和信 号强度关系数据库，当基站移动时要重新建立数据库。
该系统可在任何具有Wifi适配器的手持终端设备上嵌入，并独立进行 定位和追踪，无需额外的硬件支持，且无需视距传输，因而定位范围较 Cricket系统广。但由于室内环境的复杂性，如多径、阴影衰落、干扰等， 室内电波传播具有较强的时变特性，使得定位的性能受到一定的影响。
由于指纹法较传统的电波传播模型能更准确地描述RSS和空间位置的 关系，且无需AP具体位置的先验信息，因而被广泛应用于基于RSS的室内 定位系统中。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种基于RSS 的室内定位方法，其数据获取方便、无需额外增加接收设备、定位准确。
本发明的技术解决方案是：这种基于RSS的室内定位方法，包括以下 步骤：
(1)离线阶段，收集空间一些位置上的无线信号接收强度信息，构建 指纹库；
(2)在线测试阶段，收集行走路径上的信号强度；
(3)通过使用稀疏表示算法，加入时间与空间约束条件，建立定位模 型；
(4)计算路径上信号值对应的位置坐标，对结果进行优化。
本发明将稀疏表示算法运用于建立定位模型，并且加入时间与空间约 束条件，所以数据获取方便、无需额外增加接收设备、定位更加准确。
附图说明
图1是根据几何测量法进行位置估计的示意图。
图2是真实的实验场景俯视图。
图3a,b,c,d分别是根据本文方法，K近邻方法，稀疏表示算法和核方 法在真实场景中进行直线路径定位的示意图。
具体实施方式
这种基于RSS(Received signal strength,接收信号强度)的室内定位 方法，包括以下步骤：
(1)离线阶段，收集空间一些位置上的无线信号接收强度信息，构建 指纹库；
(2)在线测试阶段，收集行走路径上的信号强度；
(3)通过使用稀疏表示算法，加入时间与空间约束条件，建立定位模 型；
(4)计算路径上信号值对应的位置坐标，对结果进行优化。
离线阶段：也称训练阶段，获取指纹数据和构建指纹库的过程；
指纹数据：空间已知位置的接收信号强度数据，在本文中指已知位置上 利用智能手机等移动设备获得的多个无线wifi节点(AP)的信号强度 数据；
指纹库：给定空间指纹数据的集合。通常将空间划分为网格，对每个网 格节点的位置记录其指纹数据，所有节点的指纹数据构成指纹库；
在线测试阶段：在测试对象移动过程中，利用智能手机等移动设备记录 移动路径上的信号强度，并采用稀疏表示模型实现移动对象的位置估 计；
稀疏表示算法：是对信号的一种表示方法，该方法借助一个事先得到的 字典(即本文的指纹库)，将给定信号表示为字典中数据的线性组合。
时间约束条件：对象在移动过程中，在路径上记录的信号接收强度是连 续变化的，因此对于连续信号的稀疏表示也具有时间的连续性；
空间约束条件：无线信号强度在空间上具有连续分布的特性，即对于空 间一个位置上测量的信号接收强度，与它周围位置上测量的信号强度具 有连续性和相似性，因此某个位置的信号强度的稀疏表示也只与该位置 空间临近的位置信号强度的稀疏表示有关。
本发明将稀疏表示算法运用于建立定位模型，并且加入时间与空间约 束条件，所以数据获取方便、无需额外增加接收设备、定位更加准确。
优选地，所述步骤(3)中通过公式(5)-(7)获得定位模型：
S = 1 1 0 . . . 0 0 1 1 1 . . . 0 0 0 1 1 . . . 0 0 . . . . . . . . . . . . . . . . . . 0 0 0 . . . 1 1 0 0 0 . . . 1 1 M × N - - - ( 5 ) ]]>
T = 1 0 0 . . . 0 - 1 1 0 . . . 0 0 - 1 . . . . . . 0 0 0 . . . - 1 1 0 0 . . . 0 - 1 n × ( n - 1 ) - - - ( 6 ) ]]>
其中λ1,2(应该是两个阈值参数)为设定的阈值，Y＝[y1,y2,...yn]为移动 对象在移动过程中采集的连续接收信号强度，yi代表第i个时间段采 集的信号接收强度向量，ψ为步骤(1)中的指纹库，中的每一列表示Y中每列信号的稀疏表示向量。求解得到 根据指纹库ψ中的信号位置信息，就可以得到Y中每列 信号的位置信息，从而实现位置定位。
优选地，所述步骤(4)中通过公式(8)获得优化的结果：
R = { n | θ ^ ( n ) > r } ( x ^ , y ^ ) = 1 Σ n ∈ R θ ^ ( n ) Σ n ∈ R ( θ ^ ( n ) · ( x n , y n ) ) - - - ( 8 ) ]]>
其中r为阈值，R为θi中大于阈值的位置集合，(xn，yn)表示在n点的坐 标值，为在第n位置的权值。
以下给出一个具体实施例：
本发明主要包括信号的稀疏表示和重构算法。
下面介绍稀疏表示的数学模型，一个实值的有限长一维离散时间信号x， 可以看作为一个RN空间的N×1维的列向量，元素为x[n]，n＝1,2,…,N。如 果是图像或高维数据矢量，则转化成一个长的一维向量。RN空间的任何信号 都可以用N×1维的正交基向量的线性组合表示。把向量作为列 向量形成N×N的正交基字典矩阵任意信号x都可以表 示为
x = Σ i = 1 N θ i ψ i or x = Ψθ ]]>
其中θ是加权系数θi＝<x,构成的N×1的列向量，(·)T表示转 置操作。显然，x和θ是同一个信号的等价表示，x是信号在实域的表示， θ则是信号在Ψ域的表示。
信号稀疏表示基本思想就是用尽可能少的非0系数表示信号的主要信 息，从而简化信号处理问题的求解过程。现有的信号稀疏表示方法可以分 为正交基稀疏表示和冗余字典稀疏表示两类。
通常时域内的自然信号都是非稀疏的,但在某些变换域可能是稀疏的。 正交基稀疏表示正是利用了信号的这一特点，将信号投影到正交变换基上， 得到稀疏或近似稀疏的变换向量。一般变换基可以根据信号本身的特点灵 活选取,光滑信号的Fourier系数和小波系数、有界变差函数的全变差范 数、振荡信号的Gabor系数、具有不连续边缘的图像信号的Curvelet系数 等都具有足够的稀疏性，可以通过CS理论恢复信号。如果本文应用正交基 稀疏表示方法，那么如何找到适合wifi信号的正交基，甚至如何构造适合 wifi信号的正交基，以求得wifi信号的最稀疏表示，将是需要研究的关键 问题。
当信号不能用正交基稀疏表示时,可以采用冗余字典稀疏表示。最近 几年，对稀疏表示研究的另一个热点是信号在冗余字典下的稀疏分解.该 理论用超完备的冗余函数库取代基函数，称之为冗余字典，字典中的元素 被称为原子.字典的选择应尽可能好地符合被逼近信号的结构，其构成可 以没有任何限制.从冗余字典中找到具有最佳线性组合的K项原子来表示 一个信号，称作信号的稀疏逼近或高度非线性逼近。如果本文采用冗余字 典稀疏表示方法，那以下两个问题将是研究的重点：(1)如何构造一个适合 wifi信号的冗余字典；(2)如何设计快速有效的稀疏分解算法。
对于本文的研究方法，采用冗余字典的方法构建ψ，具体的过程，假设 离线训练，对于所有N个AP来讲，采集N个指纹点的信号强度，可以得到 一个N*N的矩阵，表示第i个指纹点，每个都是 N*1维，表示N个AP的测量值。运用压缩感知得出的稀疏向量θ，每个行 就代表对应指纹库的那一列，元素的值就表示这一列对于信号强度的影响 程度。指纹库的对应列就代表一个指纹点，一个坐标点，这样通过求出θ 就可以得到测试信号相对应的坐标位置，最后得到定位结果。
●测量信号y
测量信号yj代表所有AP在第j个时间段内所有信号接收值的向量。 pi,j表示第i个AP在第j个时间段内的测量值。N为AP的个数。得到下 式：
y j = [ p 1 , j , p 2 , j , . . . p N , j ] N × 1 T - - - ( 2 ) ]]>
根据式(3)，可以求解得到θ，θ是代表用尽可能少的非0系数表示信 号y的稀疏向量。在本文中运用稀疏表示的方法求解位置信息，y如式(2)， ψ是所有指纹点的信号强度，根据式(3)，求解出θ，这里θ中的第i个元 素，对应着ψ中的第i列信号强度值，相当于对应第i个坐标点。因此通过 求解θ，就可以得到位置坐标点。
θ ^ = arg min | | θ | | 1 s . t . y = ψθ - - - ( 3 ) ]]>
在测试阶段，采集一段连续信号Y，将Y平均分成n段，即得 Y＝[y1,y2,...yn]，yi代表在第i段运行时间内所有AP信号接收值的向量。现 在指纹库ψ，通过稀疏表示模型，如(4)，可以得到中包含一系列θi， 即它中的每一列表示Y中每列信号的稀疏向量解，θi对应ψ中 的信号位置信息，这样就得到Y中每列信号的位置信息，从而实现所有位置 的定位。
现有的定位算法只是对单个的信号进行比对得到最后的位置，对于空 间上和时间上的信号点的关系没有过多关注。训练阶段所收集的信号信息， 空间上，定位点周围的点对定位的结果影响应比较大，时间上所对应的信 号信息在空间中应是有联系的，本文通过稀疏表示，得到每一点的位置信 息，在此基础上对于点与点的位置信息加上约束，最终实现定位。
对于每个指纹点，它四周的指纹点的信号强度应与之接近，位置应更 加的接近，四周点的影响应比较大，在本文中，稀疏向量中对应位置的值 应比较大，对于具有N个指纹点的指纹库,构建空间约束条件，S如下 式
S = 1 1 0 . . . 0 0 1 1 1 . . . 0 0 0 1 1 . . . 0 0 . . . . . . . . . . . . . . . . . . 0 0 0 . . . 1 1 0 0 0 . . . 1 1 M × N - - - ( 5 ) ]]>
应满足空间信息约束阈值。
对于同一个AP对应的信号值，行走中的上一点位置与下一点的位置对 应的信号信息相差应该比较小，所以得到的θi与θj之间的距离应相差不大。 对于具有n个位置点的行走路径，构建这样的约束条件，T如(6)式
T = 1 0 0 . . . 0 - 1 1 0 . . . 0 0 - 1 . . . . . . 0 0 0 . . . - 1 1 0 0 . . . 0 - 1 n × ( n - 1 ) - - - ( 6 ) ]]>
应满足时间信息约束阈值。
综上，得到模型如下：
λ1,2为设定的阈值，最后根据上式求解出得到最终的定位结果。
因为θ不仅仅是1稀疏的向量，所以设置一个阈值r，取值比r大的若 干位置作最后的位置计算，如下：
R = { n | θ ^ ( n ) > r } ( x ^ , y ^ ) = 1 Σ n ∈ R θ ^ ( n ) Σ n ∈ R ( θ ^ ( n ) · ( x n , y n ) ) - - - ( 8 ) ]]>
该方法主要针对实际应用环境下，人行走位置的定位识别问题。利用 稀疏表示的方法来进行位置点权值的计算。人在行走的过程中，每个位置 点与上一个位置点距离是相近的，所以加入时间约束条件，限制每个位置 点之间的距离；每个位置点只与它周围的几个指纹点有关系，所以加入空 间约束限制每个指纹点的权值大小。
下面具体说明一个实际环境实施例。
一、实际环境实施例
1.实际环境的建立和信号强度数据的采样
在室内真实环境中，实验场地设在北京工业大学信息北楼三层，长53 米，宽15米，如附图2所示。本实验中，我们在该区域共采样到来自了90 个AP的RSS值。离线训练阶段一人携带移动终端在实验区域中行走，同时 记录RSS值和坐标。实验中共采集210个采样点。为了避免系统误差，获 得精确的测量值，每个采样点我们均进行了10次采样。10次样品的均值被 记录为该采样点最终的测量值。
2.设计行走路径
在线测试阶段，一人携带移动终端在实验区域中行走，设计了一条直 线路径，得到路径上所有位置点的信号强度。
3.添加时间与空间约束矩阵，通过构造的稀疏表示约束模型进行定位
本发明中主要是对稀疏向量添加了时间与空间的约束，时间约束矩阵 主要体现的是当前位置与下一个位置之间的约束，空间约束主要是约束当 前点的位置，它周围的点对它的影响应该是最大的。定位阶段将测试的信 号强度向量与构建出的指纹库运用添加约束的稀疏表示算法的模型算出稀 疏向量。
4.通过稀疏向量得到位置坐标
通过稀疏向量与指纹库坐标做乘积运算得到在线定位坐标。
实验结果:
误差(米) 本文方法 K近邻方法 稀疏表示算法 核方法
直线路径 1.1284m 1.5214m 1.5339m 1.2859m
误差是真实路径与使用不同的定位方法得到的定位结果之间的差值。K 近邻方法、稀疏表示算法和核方法是比较常用的基于信号强度的定位算法。 实验场景是一个53m*15m的空间，误差是米作单位。附图中的单位是厘米， 实心圆点是真实的行走路径，曲线上星点是运用算法得到的位置。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的 限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等 同变化与修饰，均仍属本发明技术方案的保护范围。