本發(fā)明屬于室內(nèi)定位領域,具體涉及基于二級分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法。
背景技術:
近年來,由于移動互聯(lián)網(wǎng)的發(fā)展和基于位置服務(LBS,Location-Based Service)需求的日益增加,室內(nèi)定位已經(jīng)在學術界和工業(yè)界備受關注,室內(nèi)位置跟蹤和定位漸漸成為了室內(nèi)環(huán)境位置感知領域的研究熱點之一。
室內(nèi)定位技術主要包括基于Wi-Fi、紅外線、射頻識別(RFID)、超聲波、基于ZigBee(IEEE 802.15.4標準的低功耗局域網(wǎng)協(xié)議)、藍牙、室內(nèi)麥克風陣列、基于運動傳感器的慣性跟蹤等技術。其中,Wi-Fi是基于IEEE 802.11標準的一種無線局域網(wǎng),它具有高帶寬、高速率、高覆蓋率的特點,在中短距離的應用范圍內(nèi)具有無可比擬的優(yōu)勢。如今無線局域網(wǎng)絡的廣泛部署和智能手機的迅速普及,作為室內(nèi)定位研究的一個分支,基于信號接收強度的Wi-Fi的室內(nèi)定位技術憑借其使用范圍廣、低成本、便攜性等優(yōu)勢成為了室內(nèi)環(huán)境位置感知領域的研究熱點。Wi-Fi熱點的遍布性,使得Wi-Fi定位技術的應用節(jié)約了大量成本??紤]到成本及實施復雜度問題,Wi-Fi定位跟蹤技術具有較大優(yōu)勢,其中信號傳輸耗損法和位置指紋定位法是基于RSS(Received Signal Strength,接收信號強度)測量的兩個主要Wi-Fi定位方法。信號傳輸損耗法進行定位的條件是建立精確的信號傳播模型,指紋定位算法則是建立信號強度與位置關系的數(shù)據(jù)庫,后者在室內(nèi)環(huán)境下更容易實現(xiàn),定位精度也更高。現(xiàn)有的技術方案中,如專利名為“一種基于區(qū)域分割和曲面擬合的室內(nèi)定位方法”(申請?zhí)枮?01310180007.1),該方法在離線階段,將整個室內(nèi)環(huán)境分成若干分區(qū)和每個分區(qū)創(chuàng)建指紋庫。然后將曲線擬合技術為各分區(qū)的每個AP發(fā)出信號強度構(gòu)建一個過濾的RSS-distance關系函數(shù)。在線定位階段由2個步驟組成。在第一步,該方法確定了移動設備屬于哪個分區(qū)。第二步,該方法提出了兩個位置搜索算法,即窮舉搜索和梯度下降搜索,在選定的分區(qū)去確定距離誤差的總和可以最小化的定位。該定位方法提高了定位精度,利用空間分區(qū)方法,大大減少定位過程中的運算量。
在室內(nèi)位置識別領域,現(xiàn)在的最流行的方法是基于信號接收強度的Wi-Fi指紋位置定位方法,該方法通過Wi-Fi接收信號強度(RSS)的和一個預先確定的特定位置的指紋圖。然而,由于時變性的無線信號強度,人體的遮擋,采集和測試設備的異質(zhì)性等影響,導致位置點之間的建模變得困難,RSS指紋地圖需要定期進行校準,提高勞動和時間成本。目前的室內(nèi)位置識別算法仍集中于構(gòu)建RSS(Received Signal Strength,接收信號強度)與距離的線性關系或者直接對參考點采樣建立對應指紋庫并用于定位,造成較大定位精度誤差和魯棒性,龐大的指紋數(shù)據(jù)庫導致指紋位置定位效率低下,復雜的Wi-Fi環(huán)境使室內(nèi)定位抗干擾性受到巨大挑戰(zhàn)。
技術實現(xiàn)要素:
本發(fā)明要解決的技術問題是解決在室內(nèi)的定位跟蹤過程中,由于室內(nèi)定位受到非視距、反射、多徑效應干擾等因素造成固定參考點接收信號強度值的抖動導致定位精度低,指紋數(shù)據(jù)量大導致的定位速度慢,預處理復雜,局部極端室內(nèi)環(huán)境的定位,后期維護成本高等問題。
為解決上述問題,本發(fā)明提出通過多級分區(qū)和多進制指紋圖譜梯度匹配方法,對復雜指紋數(shù)據(jù)快速提取特征指紋,多級分區(qū)、多進制梯度化處理,提高定位精度和匹配效率。具體的技術方案如下:基于二級分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法,包括如下步驟:
步驟1:獲取底層特征指紋庫,此指紋庫主要是用來獲得參考點的特征指紋,包含采集和處理參考點數(shù)據(jù),獲取一級分區(qū)詞典,劃分AP聚類二級分區(qū)和提取二級分區(qū)中心標識索引,對人工標記訓練參考點屬性,聚類過程;
步驟2:得到梯度指紋圖譜,所述的梯度圖譜主要是獲得基于AP聚類二級分區(qū)中心的標識索引的各參考點特征指紋的多進制梯度特征指紋向量,包含獲取多級分區(qū)內(nèi)各個參考點的多進制梯度特征向量,根據(jù)訓練參考點的特征指紋得到多級分區(qū)分類器,預測得到測試所屬分區(qū);
步驟3:定位步驟,采集待定位點的指紋進行位置預測,包含得到所有分區(qū)內(nèi)參考點的多進制梯度特征向量的梯度指紋圖譜,利用多級分區(qū)分類器獲取所屬分區(qū),獲取該AP聚類二級分區(qū)中心的標識索引的標識索引,通過多進制梯度KNN匹配算法,預測待定位點的位置坐標;
步驟4:跟蹤步驟,對各種運動模式進行跟蹤定位,包含得到指紋定位的位置坐標,傳感器采集和處理的數(shù)據(jù),利用室內(nèi)運動測距算法和前一步參考位置坐標,預測當前位置坐標和運動軌跡,完成指紋定位的周期性位置聯(lián)合跟蹤定位。
進一步,上述步驟1具體包括:
步驟11:獲取室內(nèi)地圖數(shù)據(jù):獲取全區(qū)域的室內(nèi)空間平面矢量圖,確定參與定位的所有AP信息并建立AP庫,對全區(qū)域根據(jù)已存在的墻壁等障礙物分成大小不一的一級分區(qū)并標示編號,保證全區(qū)域90%以上的Wi-Fi覆蓋;
步驟12:提取參考點指紋:確定所有一級分區(qū)內(nèi)所有網(wǎng)格參考點的設置,包括特殊地點設置參考點,對每個參考點標注基于室內(nèi)地圖的二維坐標(x,y)和數(shù)字編號,對包含一級分區(qū)內(nèi)對已設置的參考點進行信號強度采集并處理,獲得6組來自參與定位AP的最強RSS排序序列向量,該參考點位置特征指紋;
步驟13:提取一級分區(qū)詞典:對于一級分區(qū)內(nèi)的每一個參考點,利用特征指紋提取參考點的最強RSS的AP及其RSS,每個一級分區(qū)包含所屬空間編號和最強特征AP,建立一級分區(qū)詞典;
步驟14:提取AP聚類二級分區(qū)中心的標識索引:提取的AP聚類二級分區(qū)中心的標識索引有兩個方面,一個是根據(jù)一級分區(qū)內(nèi)所有參考點有相同的AP組合序列向量進行聚類,同時根據(jù)組合聚類得到該一級分區(qū)內(nèi)的多個含有參考點數(shù)量不一的AP聚類二級分區(qū);另外一個是根據(jù)AP聚類二級分區(qū)的所有參考點信號強度,得到信號強度的均值向量,聚類得到一個關于該分區(qū)中心的標識索引;
步驟15:得到特征指紋庫:對全區(qū)域每個參考點的所屬的多級分區(qū),一級分區(qū)詞典和所有AP聚類二級分區(qū)標識索引,對于全區(qū)域所有一級分區(qū)內(nèi)的所有AP聚類二級分區(qū)中的參考點特征指紋進行聚類,形成特征指紋庫。
又進一步,提取參考點特征指紋包括:利用Wi-Fi信號強度指紋采集器,在成功部署無線節(jié)點的室內(nèi)劃分網(wǎng)格,將網(wǎng)絡中心點作為參考點,在第k個參考點進行信號強度連續(xù)采集60s并標注位置坐標信息,得到20組信號強度數(shù)據(jù),離線訓練后可以得到一定范圍內(nèi)某個AP在不同參考位置檢測到的信號強度,利用對每個參考點的多組數(shù)據(jù)中來自同一個Wi-Fi發(fā)射器的RSS過濾,去剔除奇異值并求均值,得到位置指紋,對原始指紋按信號強度排序,得到該參考點排序指紋并選取前6位信號強度較大的指紋序列向量,獲得第k個參考點特征指紋。
上述步驟2具體包括以下步驟:
步驟21:提取多進制梯度圖譜:每個AP聚類二級分區(qū)內(nèi)所有參考點和標識索引進行梯度對比,得到一組多進制數(shù)值的特征向量,這些向量與AP聚類二級分區(qū)標識索引聚類,形成多進制梯度圖譜;
步驟22:得到多級分區(qū)分類器:一級多級分區(qū)分類器,根據(jù)步驟1中一級分區(qū)詞典比對,可以初步縮小定位范圍,根據(jù)和AP聚類二級分區(qū)中心的標識索引中的AP序列向量及標識索引匹配,確定所屬AP聚類二級分區(qū),形成多級分區(qū)分類器。
進一步,上述提取多進制梯度圖譜對于所有AP聚類二級分區(qū),其擁有通過獨一無二的標識索引,標識索引與該分區(qū)內(nèi)所有參考點特征指紋相比較,如果在參考點指紋對應AP的RSS值與標識索引中對應AP下的RSS值之間的差大于閾值δ且小于2δ,則生成一個輸出1,當差小于-δ且大于-2δ時,輸出-1,以此遞推,兩者對應的RSS值之間的差大于閾值3δ,則生成一個輸出3,當差小于-3δ時,則生成一個輸出-3,通過這種方式,將RSS增大和減小分別由1,2,3和-1,-2,-3表示,若沒有明顯的變化時產(chǎn)生時候產(chǎn)生一個0,將每個參考點提取到的多進制向量和標識索引根據(jù)多級分區(qū)提取并構(gòu)建分區(qū)的多進制梯度圖譜。
進一步,還在于得到AP聚類二級分區(qū)特征標識索引,在得到一級分區(qū)內(nèi)所有參考點特征指紋并提取AP序列進行聚類后,得到若干個大小不一的AP序列聚類分區(qū),即AP聚類二級分區(qū),每個AP聚類二級分區(qū)內(nèi)的參考點指紋擁有6個相同的AP序列,對該二級分區(qū)內(nèi)所有參考點指紋接收信號強度向量求均值,得到一組信號強度序列的特征向量并與AP序列聚類,得到AP聚類二級分區(qū)特征標識索引,位置指紋可以通過。
同理,還可以得到多級分區(qū)分類器,多級分區(qū)分類器是通過一級分區(qū)詞典和二級分區(qū)標識索引聚合得到的分類模型。
進一步,上述步驟3具體包括:
步驟31:得到基于待測點的特征指紋:采集當前時間節(jié)點的位置指紋,得到了原始RSS排序序列向量及對應AP聚類組合并且所有AP都在AP庫中存在;
步驟32:確定所屬分區(qū):提取前3個最強信號強度的AP,利用步驟22中多級分區(qū)分類器,得到所在的一級分區(qū)和二級分區(qū);
步驟33:識別定位:對于室內(nèi)位置預測,待定位點提取相對于標識索引的位置指紋并多進制梯度化,與所屬AP聚類二級分區(qū)內(nèi)其他參考點梯度圖譜匹配并設置得分,通過得分和KNN加權(quán)算法得到室內(nèi)位置坐標。
上述步驟4具體包括:
步驟41:新型運動檢測模塊實時檢測用戶移動狀態(tài):獲取步驟3的位置坐標,首先,利用加速度計獲取加速度信息,以此通過步態(tài)檢測算法判斷運動移動狀態(tài);然后,利用陀螺儀、磁力計分別獲得終端的地磁方向和旋轉(zhuǎn)速率,并據(jù)此采用航向計算算法得到運動的運動方向,室內(nèi)參考點坐標信息和運動檢測數(shù)據(jù)相結(jié)合,通過地圖匹配的粒子濾波算法得到運動的估算位置;
步驟42:周期性Wi-Fi聯(lián)合位置評估:位置輔助定位周期T設為20秒,每20秒Wi-Fi指紋采集觸發(fā)器觸發(fā)一級,啟動Wi-Fi指紋采集定位來匹配當前坐標,通過與傳感器位置估計的聯(lián)合質(zhì)量評估,確定最終目標室內(nèi)坐標。
與現(xiàn)有技術相比,本發(fā)明的優(yōu)勢在于:
1,對環(huán)境變化和設備的多樣性導致RSS變化模型在本發(fā)明中沒有做出假設(例如,線性關系)。相反,本發(fā)明建立底層特征指紋庫,從RSS底層特征指紋庫中提取局部特征指紋并多進制梯度化處理,得到RSS梯度圖譜,即梯度指紋圖譜。這樣的梯度指紋圖譜是能夠處理隨時間變化的影響和異構(gòu)設備的RSS測量的多樣性,從而大大降低了指紋圖定期維護的開銷,在定位階段,梯度指紋圖譜不僅能夠保證高精度指紋定位,而且還壓縮移動終端數(shù)據(jù)庫并提高性能。
2,除了梯度指紋圖譜,本發(fā)明還設計了一個基于慣性傳感器的擴展運動檢測模塊,同時檢測用戶的移動和跟蹤用戶的室內(nèi)位置。本方法不需要使用復雜的模型并且其實施簡單,能夠很好的識別室內(nèi)位置并跟蹤,對于未來室內(nèi)位置跟蹤定位具有重要作用。
附圖說明:
圖1是指紋匹配流程圖。
圖2是航向角θN計算流程圖。
圖3是一個具體實施例中的室內(nèi)環(huán)境及參考點部署圖。
圖4是本發(fā)明的主要步驟流程圖。
圖5是本發(fā)明的主要步驟流程圖的展開圖。
具體實施方式:
下面結(jié)合附圖和實例對本發(fā)明做進一步的說明,應該指出的是,所描述的實施例僅旨在便于對本發(fā)明的理解,而對其不起任何限定作用。
基于二級分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法,主要步驟流程及其展開如圖4和圖5所示,包括如下步驟:
步驟1:獲取底層特征指紋庫,此指紋庫主要是用來獲得參考點的特征指紋,包含采集和處理參考點數(shù)據(jù),獲取一級分區(qū)詞典,劃分AP聚類二級分區(qū)和提取二級分區(qū)中心的標識索引,對人工標記訓練參考點屬性,聚類過程;
步驟2:得到梯度指紋圖譜,所述的梯度圖譜主要是獲得基于AP聚類二級分區(qū)中心的標識索引的多進制梯度特征向量,包含獲取多級分區(qū)內(nèi)各個參考點的多進制梯度特征向量,根據(jù)訓練參考點的特征指紋得到多級分區(qū)分類器,預測得到測試所屬分區(qū);
步驟3:定位步驟,采集待定位點的指紋進行位置預測,包含得到所有分區(qū)內(nèi)參考點的多進制梯度特征向量的梯度指紋圖譜,利用多級分區(qū)分類器獲取所屬分區(qū),獲取該AP聚類二級分區(qū)中心的標識索引的標識索引,通過多進制梯度KNN匹配算法,預測待定位點的位置坐標;
步驟4:跟蹤步驟,對各種運動模式進行跟蹤定位,包含得到指紋定位的位置坐標,傳感器采集和處理的數(shù)據(jù),利用室內(nèi)運動測距算法和前一步參考位置坐標,預測當前位置坐標和運動軌跡,完成指紋定位的周期性位置聯(lián)合跟蹤定位。
步驟1獲取底層特征指紋庫
步驟11獲取室內(nèi)地圖數(shù)據(jù):獲取全區(qū)域的室內(nèi)空間平面矢量圖,如圖3所示,對全區(qū)域內(nèi)的所有以墻壁、門等障礙物統(tǒng)一對其劃分得到一級分區(qū)。確定所有參與定位的所有AP信息并建立AP庫,保證全區(qū)域90%以上的Wi-Fi覆蓋并且每個位置的可以接收到的信號強度的AP個數(shù)大于6個。
步驟12參考點設置及指紋提??;具體的操作是:
雖然可以選擇任意的參考點作為每個一級分區(qū)的參考點數(shù)目,但是取參考點間距為1.6米,高度為1.2米,可以得到最好的結(jié)果,一般情況下用戶平均拿手機的高度在1.2米左右,這可以更好的完成一個指紋的匹配定位,如圖1所示。
由于本發(fā)明中使用315個參考點,可以利用這315個參考點來檢測信號強度采集,奇異值剔除和求均值過濾,得到參考點k的20組降序排序的RSS指紋fki,fki包括RSS向量及其AP序列向量i∈[1,20]。先將20組指紋剔除奇異值再求均值處理,然后提取特征指紋Fk。先剔除奇異值,步驟如下
對于第k個參考點指紋數(shù)據(jù)RSS向量集合fk={fki},median(fk)表示中值向量,MADFM表示中值和偏離中值絕對值的中值(median absolute deviate from median,MADFM),對來自同一個AP的接收信號強度RSS求均值med,公式如下:
得到中值向量median(fk),然后計算中值和偏離中值絕對值的中值MADFM,計算如下
MADFM=1.4824×median{[fki-median(fk)]} (2)
MADFM規(guī)模分mi計算如下
MADFM規(guī)模分是數(shù)據(jù)集樣本偏離中值的程度,將Hampel濾波器與KDE概率密度估計聯(lián)合起來可得到可信度ci
pro(fki)由評估隨機變量概率密度函數(shù)的核密度方法估計算得到。
當概率密度較大、MADFM規(guī)模分較低,可信指標值較高,數(shù)據(jù)可信,當概率密度較小、MADFM規(guī)模分較高,可信指標較低,數(shù)據(jù)不可信。在指紋定位算法離線訓練階段,設定某閾值,對上式計算得到的可信度進行檢測,小于門限值的接收點信號強度視為奇異值剔除。
獲得6個來自參與定位AP的最強RSS排序序列向量并設置為參考點位置特征指紋,包含其參考點的位置坐標,id和所屬一級分區(qū)號,id是在0到314之間的。由于在空間上已經(jīng)得到了劃分,還需要在時間上進行劃分,由于不同時間,在同一個位置可能接收來自同一個AP有不同的信號強度,因此選取每個參考點位置的一個組數(shù)為20組指紋進行過濾和處理,因此最終可以得到參考點最真實的位置指紋得到每個參考點最終特征指紋Fk,形如
其中Spacej表示該參考點所在的第j個一級分區(qū)id,(xk,yk)表示參考點k的位置坐標,特征指紋的RSS向量及其AP序列向量
步驟13提取一級分區(qū)詞典;具體的操作是:
考慮得到一級分區(qū)內(nèi)所有參考點的特征指紋,把所有特征指紋的最強RSS的取值范圍以及對應AP進行聚類可以得到一級分區(qū)詞典,因此可以通過提取位置指紋最強RSS的值和AP確定所屬一級分區(qū)。
步驟14提取AP聚類二級分區(qū)中心的標識索引;具體的操作是:
已經(jīng)得到一級分區(qū)內(nèi)k個參考點的特征指紋,提取多組有相同AP序列的參考點聚類組成二級分區(qū),得到信號強度的均值向量,提取二級分區(qū)內(nèi)的特征指紋的特征值,得到一個關于該二級分區(qū)中心的標識索引Flagi。Flagi包括RSS向量及其AP序列向量公式如下。
其中,表示第i個二級分區(qū)內(nèi)第j個參考點特征指紋RSS向量,Ni表示第i個二級分區(qū)內(nèi)所有參考點數(shù)量。
步驟15得到特征指紋庫;具體的操作是:
對全區(qū)域劃分的一級分區(qū),一級分區(qū)內(nèi)所有AP聚類二級分區(qū)和一級分區(qū)詞典,AP聚類二級分區(qū)內(nèi)所有參考點的特征指紋進行聚類,形成特征指紋庫。
步驟2得到多進制梯度圖譜
步驟21提取多進制梯度圖譜;具體的操作是:
得到二級分區(qū)中心的標識索引Flagi及其對應的多個參考點特征指紋Fij,然后對特征指紋Fij進行多進制梯度化處理,為自定義函數(shù),功能是對向量其數(shù)值ei,若10dBm>ei>5dBm,則ei=1;若15dBm<ei<10dBm,則ei=2;若15dBm<=ei,則ei=3;若-10dBm<ei<-5dBm,則ei=-1;若-10dBm>=ei,則ei=-3;若-15dBm<ei<-10dBm,則ei=-2;若-5dBm<=ei<=5dBm,則ei=0。對于標識索引Flagi所在二級分區(qū)的所有參考點,對相同AP序列向量的參考點Fk多進制梯度化處理,即兩者指紋RSS向量求差值向量數(shù)值ei是向量的向量值,梯度化公式如下
其中,向量多進制梯度化公式如下:
其中,是第i個二級分區(qū)內(nèi)的第j個參考點指紋Fij的多進制梯度指紋向量,表示第i個二級分區(qū),表示第i個二級分區(qū)內(nèi)第j個參考點特征指紋RSS向量。
每個AP聚類二級分區(qū)內(nèi)所有參考點和標識索引進行梯度對比,得到一組多進制數(shù)值的特征向量,這些向量與AP聚類二級分區(qū)標識索引聚類,形成多進制梯度圖譜。
步驟22得到多級分區(qū)分類器,由于在步驟1中已經(jīng)得到了一級分區(qū)詞典和二級分區(qū)中心的標識索引,對于Wi-Fi指紋而言,利用基于一級分區(qū)的詞典,可以得到一個一級分區(qū)位置的確定,同時利用AP聚類也可以得到一個二級分區(qū)圖,把這兩個分區(qū)過程連接起來歸一化,就可以得到Wi-Fi指紋的所屬的多級分區(qū)分類器。
步驟3定位步驟;
步驟31得到基于待測點的特征指紋;具體操作如下:
啟動Wi-Fi采集模塊掃描AP,獲取該位置信號接收強度向量,剔除非定位AP及其信號強度值,得到按信號強度值排序序列的當前位置指紋FPm。
步驟32確定所屬分區(qū);具體操作如下:
得到當前位置指紋FPm,提取AP序列組合并獲取最強AP及其信號強度值,通過多級分區(qū)分類器中以及分區(qū)詞典得到當前位置指紋FPm所屬一級分區(qū)Roomi,獲取區(qū)內(nèi)所有二級分區(qū)標識索引Flagij,計算其與各個標識索引間的歐式距離dij,如式(8)。選取最小的歐氏距離dmin,這就得到當前指紋FPm所在的一級分區(qū)和二級分區(qū)。
其中,為當前指紋FPm根據(jù)的過濾得到特征RSS向量,為特征指紋庫中第i個一級分區(qū)內(nèi)第j個二級分區(qū)標識索引的RSS向量,每個一級分區(qū)內(nèi)的標識索引數(shù)量由該一級分區(qū)內(nèi)二級分區(qū)數(shù)量決定。
步驟33識別定位;具體的操作步驟如下:
已經(jīng)得到當前待定位指紋所屬的二級分區(qū)Flagk,將二級分區(qū)的Flagk相對應的特征指紋如步驟21多進制梯度化后得到梯度指紋與對應二級分區(qū)的多進制指紋圖譜內(nèi)參考點多進制梯度指紋進行匹配,找到最接近的k個位置。所謂“接近”可通過平均距離最小來確定。平均距離計算公式為:
MAD值越小表示待定位點距離該參考點位置越近,是測量待位點的多進制梯度化特征指紋;為二級AP聚類分區(qū)確定的搜索區(qū)域內(nèi)候選的id為i的參考點位置多進制梯度指紋向量。
最后取m個MAD(i)值最小的點并計算待定位點。然后通過加權(quán)m近鄰算,計算這些點的加權(quán)平均位置,將其作為位置估計點Pw,如式(10)所示。
其中,m的值一般設為5,k為一個數(shù)值很小的正數(shù),防止公式中分母出現(xiàn)0的情況,Pi為選取的m個MAD值最小的點中第i個參考點指紋的位置。
步驟4跟蹤步驟:
步驟41實時用戶移動狀態(tài)檢測;具體操作如下:
首先通過加速度計,測算步長,公式如下
為了濾除加速度信號中的噪聲,把加速度信號v(k)通過時間窗口大小周期Ts為0.2秒的短時間移動平均濾波器,得到加速度信號的實時平均值為
其中,Ts時間內(nèi)的加速度值采樣數(shù)N=Ts/Δt,0.2秒是Ts的典型值,Δt為加速度計采樣時間間隔。
把短時間移動平均濾波器輸出信號W(k)通過窗口大小Tl周期為1秒的長時間移動平均濾波器,得到加速度信號的實時平均值為
其中,Ts秒內(nèi)加速度值采樣數(shù)M=Tl/Δt,這里1秒是Ts的典型值。類似地,采用上述方法處理移動終端Y軸加速度信號,得到實時平均值Sy范圍在0.3—3之間。
本方法把滿足判別條件:若k時刻S(k)=L(k),且k-Δt時,S(k-Δt)>L(k-Δt)的交叉點稱為候選步態(tài)或者可能的腳步落地時刻。
為了區(qū)分輕微抖動與正常移動,本方法采用功率閾值濾波器,通過比較相鄰候選步態(tài)間累積功率值P與當前功率閾值Th的大小,以此判斷運動是否走步。假設兩相鄰候選步態(tài)時刻分別為k和t,累計功率值P定義如下
采用如下條件判斷運動正確步態(tài)或運動腳步落地時刻:1)運動步態(tài)為候選步態(tài);2)累計功率P大于功率閾值Th;3)Y軸加速度實時平均值Sy在0.3—3之間。若某一時刻的加速度值滿足上述三個條件,則判定該時刻步態(tài)為正確步態(tài)。
我們把磁力計和陀螺儀相結(jié)合,通過互補濾波器處理兩者輸入信號,得到運動航偏角。首先,通過低通濾波器濾除磁力計信號噪聲,然后通過對磁力計信號和陀螺儀信號進行加權(quán),如圖2所示,得到運動航偏角θN
θN=(1-a)×θab+a×θr (14)
其中,θr是終端相對地球北極方向夾角,θab為陀螺儀絕對角度,補償參數(shù)a=Δt/(Δt+Th),Th為低通濾波器濾波時間,Δt為終端信號采樣時間間隔。
粒子狀態(tài)以向量形式表示為V=[x,y,h,l],其中,x表示粒子橫坐標,y表示粒子縱坐標,h表示粒子方向,l表示運動步長。通過步態(tài)事件和移動方向θN,對粒子狀態(tài)進行更新獲得慣性跟蹤推算位置Pdk,所提地圖匹配粒子濾波算法流程及其具體公式如下。
1)獲取當前位置坐標(xk-1,yk-1)并初始化粒子,生成k個粒子集。
2)當檢測到步態(tài)事件,對該粒子進行狀態(tài)更新,狀態(tài)更新方程式如下
其中,xk和yk分別為粒子k時刻狀態(tài)橫縱坐標,lk為步長,hk為粒子方向,θN為終端當前方向。
3)判斷粒子狀態(tài)更新后是否穿過墻壁,并濾除穿過墻壁的粒子。
4)計算粒子平均坐標(xavg,yavg)
其中,(xi,yi)表示第i個粒子的坐標,m為當前存活粒子總數(shù)。
5)根據(jù)如式(17),計算各個粒子與平均坐標(xavg,yavg)的偏離距離di,并將偏離距離大于4米的粒子剔除。
6)若存活粒子數(shù)小于總粒子數(shù)的70%,則補充粒子,生成與被濾除粒子數(shù)相同的粒子。
步驟42周期性Wi-Fi聯(lián)合位置評估步驟;具體操作如下:
隨著傳感器慣性導航時間的增加,其累計誤差也不斷增大,當累計誤差過大,慣性導航估算的位置將不能準確表示目標位置把位置校正周期T設為20秒,即當傳感器慣性導航時間達到校正周期T時,啟動Wi-Fi定位模塊掃描當前位置Wi-Fi信號強度,指紋定位來輔助校正室內(nèi)位置,計算當前信號位置與傳感器剩余跟蹤粒子位置的歐式距離d,選出指紋定位位置與粒子位置Pdk距離最小的歐式距離d。
通過數(shù)據(jù)分析得到,當歐式距離d小于某一閾值δmin時,Wi-Fi定位結(jié)果可信度較高。反之,歐式距離d大于某一閾值δmax時,Wi-Fi定位結(jié)果可信度較低。根據(jù)最小歐氏距離d的大小,本方法將實時位置跟蹤定位分為以下三種情況,確定最終位置P。
1)若最小歐式距離d小于或等于最小閾值δmin,方法中δmin取值為110,表示慣性跟蹤推算位置可信度較高,把其粒子坐標Pdk設為當前位置P。
2)若最小歐式距離d大于或等于最大閾值δmax,方法中δmax取值為140,表示慣性跟蹤推算位置可信度較低,重新掃描RSS進行定位。若重新三次都是歐式距離d大于或等于最大閾值δmax,則校正位置,定位位置Pw設為當前位置P。
3)若最小歐式距離d滿足δmin,則采用聯(lián)合定位算法將Wi-Fi定位位置Pw與慣性跟蹤推算位置Pdk進行加權(quán)計算,得到運動最終位置P,如式(18)所示。
P=1/w(α×Pdk+β×Pw) (18)
其中,加權(quán)權(quán)重w=α+β,L為前一級位置輔助定位與本次輔助定位時間間隔內(nèi)運動移動距離。α為慣性跟蹤位置加權(quán)系數(shù),如式(19)所示,β為Wi-Fi定位位置加權(quán)系數(shù),如式(20)所示。
β=1/(d-σmin)110<β<140 (20)
然后結(jié)合室內(nèi)地圖,在室內(nèi)地圖上實時顯示用戶位置P。