一种基于移动群智感知数据的室内指纹地图构建方法与流程

本发明涉及室内指纹定位技术领域，具体涉及一种基于移动群智感知数据的室内指纹地图构建方法。

背景技术

随着物联网的发展和基于位置服务应用的需求，室内定位近年来受到人们越来越多的关注。由于城市建筑物的遮挡，以gps为代表的室外定位技术在室内不再可用，因此人们需要一种便捷、普适、精准的室内定位技术方案。实际上，国内外研究人员在20多年前就开始对室内定位进行了探索。一些尝试包括在室内一些关键位置部署专门的硬件设备，比如磁标记、红外、rfid和激光传感器等，通过测量距离或方位即可实现定位。虽然这些技术可以提供很好的定位精度，但额外的硬件开销、特制的设备和提前的部署都限制了这些方法的推广和应用。

市场上大量的移动通信设备(智能手机、笔记本电脑)都内嵌了廉价多样的传感器，例如wi-fi模块、运动传感器、gps和摄像头等。而大部分室内环境都部署有wi-fi接入点(accesspoint,ap)，因此基于wi-fi的室内定位成为目前研究的热点。实际上，wi-fi已经被许多公司(包括google、apple、microsoft，百度，以及skyhook)用于室内定位与导航。目前，位置指纹法是被广泛采用和最先进的wi-fi室内定位方法，该方法需要事先对室内环境进行勘测，建立一个指纹地图记录环境中每个位置点对应的指纹信息，通过指纹匹配即可实现设备的定位。这种方法面临的最大难题是庞大指纹数据库的构建。尤其是城市建筑物巨大而且结构非常复杂，环境的勘测往往需要专门的设备和专业的技术人员，因此勘测工程耗费巨大。随着室内环境的变化，需要对指纹地图进行更新和反复的人工勘测，已成为限制指纹定位方法推广的瓶颈。

国内外的一些研究中将slam思想引入到wi-fi定位中，通过利用高斯过程隐变量模型将高维的信号强度空间映射到低维的二维位置空间。这些方法往往需要依赖信号传播模型，在实现自身定位的同时，需要同时需要估计ap的信号传播模型参数。

技术实现要素：

本发明所要解决的技术问题是提供一种基于移动群智感知数据的室内指纹地图构建方法，解决现有指纹定位方法中勘测工程浩大的问题。

本发明解决上述技术问题的技术方案如下：一种基于移动群智感知数据的室内指纹地图构建方法，包括以下步骤：

s1、通过手机终端采集用户的指纹信息和航位推算信息，并上传至服务器；

s2、通过服务器对指纹信息和航位推算信息进行分析，得到指纹相似度和用户轨迹数据，利用指纹相似度和用户轨迹数据构建“顶点-约束”图；

s3、通过图优化算法对“顶点-约束”图进行优化，得到指纹地图。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤s2中“顶点-约束”图的构建方法为：

s21、将用户的位姿构成顶点，顶点之间的位置关系为边；

s22、对边进行闭环检测，得到“指纹-闭环”和“转弯-闭环”；

s23、通过“指纹-闭环”和“转弯-闭环”构建“顶点-约束”图。

进一步，所述步骤s1中航位推算信息r(t,τ)的计算公式为：

在公式(1)中，μ(t,τ)和σ(t,τ)是t与t+τ之间加速度的平均值和标准差，τ为时间延迟参数，l为变量，取值0到τ-1，a(t+l)为t+l时刻加速值，μ(t+τ,τ)和σ(t+τ,τ)是t+τ与t+2τ之间加速度的平均值和标准差。

进一步，所述步骤s2中指纹相似度sij的计算方法为：

在公式(2)中，fi为i时刻采集的指纹信息，fj为j时刻采集的指纹信息，l为检测到ap的个数，fi,l为i时刻第l个ap的信号强度，fj,l为j时刻第l个ap的信号强度。

进一步，所述步骤s22中“指纹-闭环”的计算方法为：

a1、计算指纹i与指纹j对应位置的相对距离dij，计算公式为：

在公式(3)中，xi和xj分别为纹i与指纹j的横坐标，yi和yj分别为指纹i与指纹j的横坐标；

a2、计算指纹i与指纹j对应位置的相对角度θij，计算公式为：

θij＝|θi-θj|(4)

在公式(4)中，θi为指纹i的角度，θj为指纹j的角度；

a3、当相对距离dij小于距离阈值，相对角度θij小于角度阈值，且其指纹相似度sij大于相似度阈值，则指纹i与指纹j构成了“指纹-闭环”。

进一步，所述步骤s22中的“转弯-闭环”的计算方法为：

b1、通过滑动窗口w将用户轨迹数据进行分割，得到t时刻轨迹的集合ct：

ct＝{xt'}(5)

在公式(5)中，t为时间，t'为满足滑动窗口条件的时刻，|t'-t|≤w，x为用户的位姿；

b2、将集合ct中小于t时刻方向的平均值记为θ-，大于t时刻方向的平均值记为θ+，若θ-与θ+的差值超过60°，则t时刻处于转弯状态。

进一步，所述步骤s3中的图优化算法为最小化函数:

在公式(6)中，xt＝(xt,yt,θt)为t时刻用户航位推算数据，t＝i,j，i和j均为顶点，(xt,yt)为t时刻用户的二维位置信息，θt为t时刻用户的方位信息，c为图中所有约束的集合，zij为顶点i和顶点j之间的刚体变换。

本发明的有益效果是：本发明包括群智感知数据采集、闭环检测与图的构建、基于graphslam的图优化算法。利用环境中的移动用户作为感知单元，实现指纹数据和用户轨迹的自动收集，可减少指纹定位所需的勘测工作量，有利于指纹定位系统在未知环境中的快速部署。

附图说明

图1为本发明的流程示意图；

图2为本发明步骤s2的流程示意图；

图3为本发明群智感知中用户内部和用户之间的约束示意图；

图4为本发明用户行走时imu加速度数据的周期性变化示意图；

图5为本发明指纹相似度与距离的不确定性模型示意图；

图6为本发明用户原始轨迹与转弯示意图；

图7为本发明利用用户轨迹进行转弯检测以及匹配示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于移动群智感知数据的室内指纹地图构建方法，包括以下步骤：

s1、通过手机终端采集用户的指纹信息和航位推算信息，并上传至服务器；

s2、通过服务器对指纹信息和航位推算信息进行分析，得到指纹相似度和用户轨迹数据，利用指纹相似度和用户轨迹数据构建“顶点-约束”图；

s3、通过图优化算法对“顶点-约束”图进行优化，得到指纹地图。

如图2所示，步骤s2中“顶点-约束”图的构建方法为：

s21、将用户的位姿构成顶点，顶点之间的位置关系为边；

s22、对边进行闭环检测，得到“指纹-闭环”和“转弯-闭环”；

s23、通过“指纹-闭环”和“转弯-闭环”构建“顶点-约束”图。

如图3所示，群智感知中用户内部和用户之间的约束示意图，由于观测数据有一定的误差，故所有的约束都附加有一个不确定性参数，使得基于图的slam问题转化为优化位姿来使约束带来的误差最小。

在本发明实施例中，步骤s3中的图优化算法为最小化函数:

在公式(6)中，xt＝(xt,yt,θt)为t时刻用户航位推算数据，t＝i,j，i和j均为顶点，(xt,yt)为t时刻用户的二维位置信息，θt为t时刻用户的方位信息，c为图中所有约束的集合，zij为顶点i和顶点j之间的刚体变换。

对于激光扫描仪，这一变换可以通过扫描匹配(例如迭代最近点算法，icp)进行估算；对于视觉传感器，这一变换可以通过特征匹配来获取。给定某一ap的信号强度，可快速判定某一用户是否重新访问了该区域，因为每个ap具有唯一的硬件地址，但是通过信号强度估算两个测量点的相对位关系非常困难，因为rss数据本身没有提供任何距离或方向信息。

使用位置指纹的方法来进行闭环检测，指纹描述在某一位置检测到的ap以及对应的信号强度；就如人体的指纹和dna一样，wi-fi指纹可以用来唯一的描述某一位置，从而克服环境对信号传播的影响；而两个位置的远近可以通过指纹的相似度来进行衡量。

如果两个指纹的相似度值高于某一阈值，即认为这两个位置是同一处，从而检测到了一个闭环，并通过增加一个不确定性协方差参数来对这一误差进行补偿，在实际的应用中可以选择一个数值很大的对角矩阵。为提高系统的精度，通过一个训练过程来建立相似度和距离的不确定性模型。

如图4所示为人体步行时垂直加速度的变化规律，目前智能手机都嵌入有低功耗的惯性导航元件，通过对加速度进行双重积分可实现简单的航位推测，由于数据漂移和噪声的影响，不断的双重积分将带来很大的累计误差。基于人类步行动力学的计步算法可以有效的克服这一缺点，通过对人的行为进行识别，并对步数进行统计，从而实现航位推测。采用的算法为自相关分析法，人在运动时，整体加速度值有明显的周期性变化，自相关计步算法利用当前计步周期和上一个计步周期的加速度序列的自相关系数大小来进行计步，从而实现航位推测，步骤s1中航位推算信息r(t,τ)的计算公式为：

在公式(1)中，μ(t,τ)和σ(t,τ)是t与t+τ之间加速度的平均值和标准差，τ为时间延迟参数，l为变量，取值0到τ-1，a(t)+l)为t+l时刻加速值，μ(t+τ,τ)和σ(t+τ,τ)是t+τ与t+2τ之间加速度的平均值和标准差。

移动群智感知下，每个用户单独采集数据，其运动轨迹都是基于每个用户的起始位置，而没有公共的参考坐标系，因此需要把用户之间的轨迹合并，从而使每个用户具有共同的参考系，充分发挥群智感知的力量。根据用户的运动方向，考虑以下两种情况：第一种情况，假设用户的方向可以由手机的指南针来获取。这样每个手机的运动方向都在同一参考系下(地球参考系)，而仅仅是坐标系存在位移。给定两个用户a和b，利用下面公式求取两个轨迹中相似度最大的两个指纹和和之间的偏差即为两个坐标系之间的位移为：

第二种情况，手机指南针的方向误差往往很大，而且一些低端的手机不支持指南针传感器，因此一些航位推算系统不提供相对于地球参考系下的运动方向。针对这种情况，用和表示位移，表示旋转，这三个参数可以通过最小化下面的距离函数来获得：

在公式(8)中，r为两个坐标系之间的旋转矩阵，为用户b的轨迹与a中指纹t最相似指纹的位置，d()为两点之间的欧式距离。

射频指纹利用射频信号(例如wi-fi、rfid和蓝牙)来描述某一位置，能够很好的克服环境对无线信号传播的影响，因此指纹被广泛的应用于室内定位中。就如视觉特征一样，指纹信息可以用于识别某一场景，然而视觉特征的提取需要复杂的算法，而指纹信息却不存在这一问题，因为指纹中ap的硬件地址是全球唯一。

在本发明实施例中，步骤s2中指纹相似度sij的计算方法为：

在公式(2)中，fi为i时刻采集的指纹信息，fj为j时刻采集的指纹信息，l为检测到ap的个数，fi,l为i时刻第l个ap的信号强度，fj,l为j时刻第l个ap的信号强度。

指纹相似度的计算复杂度与两个指纹检测到ap的数目有很大的关系，在机场或者体育馆的环境下，一次扫描往往能够得到上百个ap，此时的计算开销是不可忽略的，因此引入信号强度阈值的概念，过滤掉信号强度小于的测量数据。一方面，过滤掉一些ap可以大大的节省系统的计算开销；另外一方面，由于受到环境多径效应的影响，过小的信号强度往往代表着更多的噪音，而较大的信号强度可以更好的对位置进行限制。

如图5所示为指纹相似度与距离的不确定性模型示意图，graphslam中的每一个边都需要指定其不确定性。对于里程计所构建的边，其不确定性可以由运动模型来得到，因此需要指定指纹约束(指纹闭环)的不确定性，并利用里程计数据来训练这一不确定性模型。一般情况下里程计在30米的范围仍然保持很精确。因此计算所有距离小于30米指纹的相似性，这样得到了k个训练数据：sk表示两个指纹的相似度，dk表示两个指纹之间的距离。然后使用分箱方法来对样本进行训练，得到一个模型用于表示某一相似度对应距离的不确定性。也就是说，给定一个相似度s，计算与相似度s间隔为b的所有样本的方差var(s)：

在公式(9)中，c(b)为统计相似度落在间隔b的样本的个数，b(s)为相似度坐落在[s-b/2,s+b/2]之间的样本。

如图6和图7所示，一个典型的室内环境往往包含很多路标，比如转弯、电梯和楼梯，这些特征的检测往往会大大提高室内定位系统的精度。本发明将环境中的转弯特征融合到slam系统中。在得到一个指纹闭环后，通过对用户运动轨迹进行分析，检测是否是转弯，并对转弯进行匹配，从而得到转弯闭环。由于受到环境的限制，两个正确匹配转弯的实际位置往往非常接近，比指纹闭环带来的不确定性要小很多，例如一个走廊的宽度往往小于3米，而指纹的定位精度往往远大于3米。如图7所示是基于轨迹的转弯检测以及匹配示意图。

在本发明实施例中，步骤s22中“指纹-闭环”的计算方法为：

a1、计算指纹i与指纹j对应位置的相对距离dij，计算公式为：

在公式(3)中，xi和xj分别为纹i与指纹j的横坐标，yi和yj分别为纹i与指纹j的横坐标；

a2、计算指纹i与指纹j对应位置的相对角度θij，计算公式为：

θij＝|θi-θj|(4)

在公式(4)中，θi为指纹i的角度，θj为指纹j的角度；

a3、当相对距离dij小于距离阈值，相对角度θij小于角度阈值，且其指纹相似度sij大于相似度阈值，则指纹i与指纹j构成了“指纹-闭环”。

在本发明实施例中，步骤s22中的“转弯-闭环”的计算方法为：

b1、通过滑动窗口w将用户轨迹数据进行分割，得到t时刻轨迹的集合ct：

ct＝{xt'}(5)

在公式(5)中，t为时间，t'为满足滑动窗口条件的时刻，|t'-t|≤w，x为用户的位姿；

b2、将集合ct中小于t时刻方向的平均值记为θ-，大于t时刻方向的平均值记为θ+，若θ-与θ+的差值超过60°，则t时刻处于转弯状态。

在激光扫描匹配中，icp(迭代最近点算法)常常用于找到两组扫描点云之间的坐标变换，从而使两组点云对应点之间的距离和最小。因此使用icp来判断两个转弯是否匹配。由于航位推算采样频率很低，在执行icp前对两组运动轨迹进行插值。如果icp得到对应点的平均距离值小于某一阈值θf，认为两个转弯是匹配的，并将此闭环加入到转弯闭环中。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。