一种深度融合WiFi测距与PDR推算的室内定位方法

技术领域

本发明属于WiFi室内定位技术领域，具体涉及一种深度融合WiFi测距与 PDR推算的室内定位方法。

背景技术

在目前的室内定位技术中，基于WiFi测距的室内定位技术主要有位置指纹法和三角定位法(Trilateration，TRI)。位置指纹法前期需要构建指纹数据库，工作量巨大，要耗费大量人力物力，且定位精度会受到环境变化的影响。三角定位算法在实际应用中，很多现实场景无法实现WiFi的密集部署，只能部署的比较稀疏，造成了相邻2个WiFi之间的距离过远，定位时收到的WiFi数目少于3 个，无法使用三角定位算法进行定位。因此，针对位置指纹法和三角定位法的不足，本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法，利用自适应扩展卡尔曼滤波(Extended Kalman Filter，EKF)算法深度融合WiFi测距与PDR(Pedestrian Dead Reckoning，行人航迹推算)，实现了实时高精度定位。

发明内容

针对现有技术中的上述不足，本发明提出的一种深度融合WiFi测距与 PDR推算的室内定位方法，比传统的三角定位算法的定位精度有所提升。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种深度融合WiFi测距与PDR推算的室内定位方法，其特征在于，包括以下步骤：

S1、通过移动终端在定位场景中采集WiFi数据；

S2、处理采集的WiFi的RSSI数据，并对RSSI排序，进行RSSI测距，得到WiFi测距量；

S3、获取移动终端的传感器数据，计算行人的前进方向、步长，进行行人航位推算，得到行人的预测位置；

S4、通过WiFi测距量、行人的前进方向、步数和步长，自适应调整扩展卡尔曼滤波的过程噪声和观测噪声；

S5、将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入，利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi 位置，得到行人估计位置坐标。

进一步地，所述步骤S1包括以下步骤：

S101、在定位场景中采集WiFi信息(x

S102、利用机器学习算法统计分析得到最优的RSSIcali值，并将收到的 WiFi信息存储在数据库中。

再进一步地，所述步骤S2包括以下步骤：

S201、在线阶段，根据收到的WiFi，从数据库中获取对应的WiFi信息；

S202、计算收到的WiFi的RSSI值的均值与方差，如下式所示：

其中，n是WiFi的RSSI的采样数，RSSI

S203、将位于(μ-σ，μ+σ)内的RSSI值加入加权滑动平均滤波窗口，窗口大小为L；

S204、对滑动窗口中的RSSI求加权平均值，如下式所示：

其中，RSSI

S205、对滤波后的RSSI值排序，选取RSSI值最大的WiFi，利用RSSI测距公式计算行人与WiFi的距离为d

当参考点与发射天线之间的距离为1米时，参考点处的接收功率为 RSSIcali，距离发射天线d

再进一步地，所述步骤S3包括以下步骤：

S301、获取移动终端的传感器信息，计算第k时刻行人前进方向α

S302、第k时刻由扩展卡尔曼滤波器(Extended Kalman Filter，EKF)更新的行人与WiFi的距离为

S303、在第k时刻，利用PDR(Pedestrian Dead Reckoning，行人航迹推算)，得到的第k+1时刻的行人预测位置坐标为(x

S304、计算行人预测位置与WiFi的距离d

S305、计算行人预测位置和WiFi的连线与X轴正向的夹角

再进一步地，所述步骤S4包括以下步骤：

S401、扩展卡尔曼滤波算法中系统的状态方程和观测方程如下式所示：

其中

S402、获得第k时刻行人的前进方向α

Q

S403、由于WiFi测距本身具有不确定性，RSSI测距的不确定性与观测噪声的方差具有一致性，因此利用RSSI测距量自适应调整观测噪声方差 R

再进一步地，所述步骤S5包括以下步骤：

S501、扩展卡尔曼滤波的状态量与观测量如下式所示：

其中

S502、扩展卡尔曼滤波算法的递推方程如下所示：

其中，F为状态转移系数，H为观测方程的雅克比系数，D(k+1|k)为状态的先验估计，P

S503、通过扩展卡尔曼滤波算法得到第k+1时刻的行人与WiFi的距离

其中，

上述进一步方案的有益效果是：本发明通过自适应扩展卡尔曼滤波算法得融合WiFi测距量与PDR推算的结果，得到最优的WiFi与移动终端的距离，然后利用上式将WiFi的位置与估计的最优距离相结合，解算出最终的定位位置，使得算法所需的WIFI数目大大降低，降低了算法的实现成本，提升了算法的定位精度。

本发明的有益效果是：本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法。通过自适应扩展卡尔曼滤波算法，将WiFi的测距量、WiFi位置与PDR推算的行人预测位置相融合，得到WiFi与行人的最优距离，然后利用WiFi位置与估计的最优距离，解算出最终的行人估计位置坐标，使得行人的估计位置更加准确。同时，为了提高算法的鲁棒性，我们基于行人的步数、步长和前进方向以及RSSI测距值，自适应的调整扩展卡尔曼滤波的过程噪声与观测噪声的方差，提高了算法的定位精度。本发明提出的融合算法解决了WiFi部署密度低时，三角定位算法无法解算的问题(本发明的新型融合算法每次定位只需要1个WiFi)，也降低了定位场景中WiFi的部署密度，降低了实现成本，实现了实时、高精度、低成本的室内定位。

附图说明

图1为本发明的方法流程图。

图2为自适应扩展卡尔曼滤波的WiFi测距与PDR融合定位算法具体流程图。

图3为本实施例中利用本申请的融合算法的定位结果示意图。

图4为本实施例中利用本申请的融合算法的定位误差图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法。本发明在离线阶段，通过移动终端采集定位场景中的WiFi数据，然后利用机器学习算法获得最优的参考点的RSSIcali。在线定位阶段，选择RSSI值最大的WiFi，利用加权滑动平均滤波进行平滑，然后利用移动终端传感器数据进行PDR推算，获得行人的预测位置，计算其与WiFi的距离，得到预测值，WiFi的测距量为观测值。最后，通过自适应扩展卡尔曼滤波算法将预测值与观测值融合，同时利用自适应算法，提高了扩展卡尔曼滤波算法的鲁棒性，从而获得更高的定位精度，同时也降低了定位场景中的WiFi数目。如图1所示，本发明提出了一种深度融合WiFi测距与PDR推算的室内定位方法，其实现方法如下：

S1、通过移动终端在定位场景中采集WiFi数据，其实现方法如下：

S101、在定位场景中采集WiFi信息(x

S102、利用机器学习算法统计分析得到最优的RSSI

S2、处理采集的WiFi的RSSI数据，并对RSSI排序，进行RSSI测距，得到WiFi测距量，其实现方法如下：

S201、在线阶段，根据移动终端收到的WiFi，从数据库中获取对应的WiFi 信息；

S202、计算收到的WiFi的RSSI值的均值与方差，如下式所示：

其中，n是WiFi的RSSI的采样数，RSSI

S203、将位于(μ-σ，μ+σ)内的RSSI值加入加权滑动平均滤波窗口，窗口大小为L；

S204、对滑动窗口中的RSSI求加权平均值，如下式所示：

其中，RSSI

S205、对滤波后的RSSI值排序，选取RSSI值最大的WiFi，利用RSSI测距公式计算行人与WiFi的距离为d

当参考点与发射天线之间的距离为1米时，参考点处的接收功率为 RSSIcali，距离发射天线d

S3、获取移动终端传感器数据，计算行人的前进方向、步长，进行行人航位推算，得到行人的预测位置，其实现方法如下：

S301、获取移动终端传感器信息，计算第k时刻行人前进方向α

S302、第k时刻由扩展卡尔曼滤波器(Extended Kalman Filter，EKF)更新的行人与WiFi的距离为

S303、在第k时刻，利用PDR(Pedestrian Dead Reckoning，行人航迹推算)，得到的第k+1时刻的行人预测位置坐标为(x

S304、计算行人预测位置与WiFi的距离d

S305、计算行人预测位置和WiFi的连线与X轴正向的夹角

本实施例中，传统三角定位算法每次定位至少要有3个WiFi点，如果收到的WiFi少于3个，则无法定位。本发明的一种深度融合WiFi测距与PDR推算的室内定位方法，通过利用自适应扩展卡尔曼滤波算法，将行人航位推算和 WiFi测距定位相融合，不仅提高了定位精度，而且减少了定位需要的WiFi数目，每次定位时只需用到一个WiFi，降低了实现成本，有效解决了WiFi较少的场景的定位问题。

S4、通过WiFi测距量、行人的前进方向、步数和步长，自适应调整扩展卡尔曼滤波的过程噪声和观测噪声，其实现方法如下：

S401、扩展卡尔曼滤波算法中系统的状态方程和观测方程如下式所示：

其中

S402、获得第k时刻行人的前进方向α

Q

S403、由于WiFi测距本身具有不确定性，RSSI测距的不确定性与观测噪声的方差具有一致性，因此利用RSSI测距量自适应调整观测噪声方差 R

本实施例中，为了提高扩展卡尔曼滤波算法的鲁棒性，我们提出了一种自适应算法，通过行人的步长、步数、方向自适应调整过程噪声的方差，通过WiFi 与行人距离的预测值和观测值，自适应调整观测噪声的方差，可以获得更好的定位精度。

S5、将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入，利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi 位置，得到行人估计位置坐标，其实现方法如下：

S501、扩展卡尔曼滤波的状态量与观测量如下式所示：

其中

S502、扩展卡尔曼滤波算法的递推方程如下所示：

其中，F为状态转移系数，H为观测方程的雅克比系数，D(k+1|k)为状态的先验估计，P

S503、通过扩展卡尔曼滤波算法得到第k+1时刻的行人与WiFi的距离

其中，

本实施例中，一种深度融合WiFi测距与PDR推算的室内定位方法的具体流程如图2所示。将WiFi与行人之间的距离作为状态量，通过PDR推算行人的预测位置和WiFi位置，计算WiFi与行人的距离的预测值，然后以WiFi测距量为观测值，通过自适应扩展卡尔曼滤波算法融合WiFi测距、WiFi位置和行人预测位置，得到一个最优的行人估计位置。同时，我们的定位算法可以利用单个或者多个WiFi进行定位，从而解决了WiFi较少时，传统三角定位算法无法有效定位的问题，也降低了定位成本，得到了更准确的定位位置。

为了验证自适应扩展卡尔曼滤波的WiFi测距与PDR融合定位算法的性能，在相同的实验场景，对于基于WiFi测距的三角定位算法、行人航迹推算定位算法和本发明提出的融合定位算法进行实验测试，其中基于WiFi测距的三角定位定位算法定位使用了11个WiFi，而本发明提出的融合算法定位使用了4个WiFi，测试场景为长25米的正方形场地，定位效果如图3所示。利用