一种基于通信勘察的室内指纹地图自适应更新方法与流程

本发明属于通信勘察室内指纹地图领域，具体的说是一种基于通信勘察的室内指纹地图自适应更新方法。

背景技术：

近年来，随着多方面的需求以及室外定位技术的成熟，因此现阶段室内定位技术正在如火如荼的开展，比较常见的室内定位技术有uwb(超宽带)室内定位技术，rfid(无线射频识别)定位，zigbee室内定位技术，超声波定位，wi-fi定位等。而其中wi-fi定位拥有便于扩展、可自动更新数据、成本低的优势，因此最先实现了规模化。但是wi-fi定位技术发展到今天，所面临的许多难题都得到了深入而全面的研究和讨论，其中包括现场勘察代价大、定位精度低等问题，这些工作使得该技术的定位渐趋成熟，但是在真正大规模化使用之前，还有一个关键问题还未解决，即指纹地图自适应更新的问题。

室内环境不是一成不变的，而环境变化会对无线信号传播造成强烈的影响。环境的动态性既包括如房门开关、用户移动等短时干扰，也包括诸如光照、温度、湿度及其它天气条件改变而造成的长期变变化。rss对环境变化十分敏感，在微小的环境变动下也可能发生显著的幅值波动。而无线信号在复杂的室内环境下密集的多径传播更加剧了这种波动程度。因此，在定位运行阶段实时测量的rss指纹可能会偏离训练阶段构建的初始指纹地图。换言之，在长期运行过程中，初始构建的静态指纹地图会因为不能适应动态的环境变化而逐渐偏离实时指纹甚至最后失效，其结果是定位系统的定位精度随着时间的推移而大幅降低。因此针对以上问题，本文考虑利用移动设备实现自动、连续地更新无线信号指纹地图，而不依赖于任何额外的硬件部署或者特意的人力参与，设计一种基于通信勘察的室内指纹地图自适应更新的方法。

技术实现要素：

本发明旨在解决现有技术中的问题。提出了一种基于通信勘察的室内指纹地图自适应更新方法。本发明的技术方案如下：

一种基于通信勘察的室内指纹地图自适应更新方法，其包括以下步骤：

步骤一：利用移动终端收集静态和动态的无线指纹数据；其中无线指纹数据收集是通过用户的移动设备在他们日常工作和生活的过程中自动收集的实时数据；

步骤二：对收集的无线指纹数据，基于路径匹配的方式，对参考点位置估计；

步骤三：对参考点与其他非参考点的rss指纹的关系进行建模；

步骤四：根据建模模型，自适应更新指纹地图。

进一步的，所述步骤一的静态无线信号指纹是当移动设备在某个位置上保持一段时长的静止状态时采集和记录；动态无线信号指纹是当用户移动时，则同时收集无线指纹数据和移动数据以监测用户的移动路径。

进一步的，所述步骤二中对收集的无线指纹数据，基于路径匹配的方式，对参考点位置估计，具体步骤如下：

(1)根据rss指纹估计可行区域，利用移动路径上的rss指纹测量值作为整体路径的初始值，在其一部分子空间中搜索候选位置，对可行区域进行匹配，具体一点，通常一条路径上的指纹对应的粗略位置估计总是落在有限的区域内(这个区域当然不会大于整个位置空间)。因此，我们可以勾勒一个覆盖移动路径上所有指纹位置的可行区域，并且仅在这个可行区域内寻找整条路径的最佳匹配；

(2)锁定可行方位，设可能的最大方向误差为δφ，则只需在中心方向的两侧考虑对称的方向区间

(3)联合位置估计，采用平移增量δα、旋转增量δβ在指纹地图上嵌入移动路径，匹配算法在考虑路径的几何约束的前提下，寻找能最小化路径j＝{s1,s2,s3,...sw}上所有指纹的均方差的序列位置作为目标位置，sw表示路径中第w个指纹测量值；

其中dj′＝||lc(j+1)-lc(j)||表示两个候选位置之间的距离，fc(j)表示候选位置的指纹数据，dj表示路径中相邻位置之间的距离，而cj是对应于sj的候选位置，δd是一个最小距离约束值，可以根据具体环境和需求设置，得到整条路径对应的候选位置后，第一个位置lc(1)即被选作参考位置，将tk时刻所有指纹数据汇聚在一起，得到一组参考点rk＝{lr1,lr2,...,lrm}，其中lrm表示第m个参考点上的rss值，每个参考点对应一个位置估计lri＝(xi,yi),i＝1,2,...,m，xi,yj分别表示位置的横纵坐标。

进一步的，所述步骤三中对参考点与其他非参考点的rss指纹的关系进行建模，其具体步骤如下：

(1)在tk时刻已获得的一系列参考点rk，其中第j个参考点的位置为lrj，则要学习rk中包含的位置与指纹地图中其他位置上的rss之间的预测模型θ，第j个ap(1≤j≤p)在位置li，1≤i≤n上的rss需要学习的关系模型如下θij：

fij(t0)＝θij(fr1j(t0),fr2j(t0),...,frmj(t0),)(2)

这里fij(t0)和frmj(t0)分别表示在初始指纹地图中第j个ap在位置li和位置lrm上的rss值；

(2)采用偏最小二乘回归建立函数回归模型plsr，具体包括：首先通过搜索一组潜在向量来同时分解x和y，以最大化x和y之间的相关系数，接下来则将x的分解用于预测y，plsr仍然具有多元回归的形态y＝xb+e，其中b＝x^tu(t^txx^tu)^-1t^ty,其中t和u是潜在变量矩阵，e是残差矩阵；

在指纹地图中，也就是来自m个参考点的rss观测值，是位置li上的rss测量值，由于y是一个一维向量，这里记为y,针对于单因变量的plsr问题，采用pls1方法求解。

进一步的，所述针对于单因变量的plsr问题，采用pls1方法求解，具体包括：对于第j个潜在变量，按如下规则求最大化协方差cov(xjwj,yj)并满足条件的tj＝xjwj：

tj＝xjwj(4)

当求第一个潜在变量时，令x1＝xandy1＝y。求下一个潜在变量tj+1时，从xj和yj除去它们各自基于tj的回归估计，然后用降解后的残差值重复上述步骤求解潜在变量；

由此，当重复h轮以后，可以得到两个m×h的矩阵w和p,以及一个n×h的矩阵t，三个矩阵分别以wj，pj和tj为列向量，同时，还得一个由h个构成的列向量由此可以得到plsr的预测模型：

其中是预测值，

进一步的，所述步骤四中根据建模模型，自适应更新指纹地图，具体包括：当获得足够数量的参考点位置及其实时测量数据，更新进程即可被触发以将当前指纹地图更新到最新状态，由于每一次启动指纹地图更新时，参考点的数量及其对应的位置都各不相同，因此在每一次更新之前，都要从初始指纹地图中重新学习针对性的回归函数。

本发明的优点及有益效果如下：

1、本发明通过将普通用户日常使用的移动设备作为可移动参考点，用以收集实时参考数据，从而不需要任何额外的硬件部署或者任何显式的用户参与，实现指纹地图对动态环境变化的自适应更新，避免了真实环境中指纹地图偏移造成的损失，克服了由于室内环境多变(既包括如房门开关、用户移动等短时干扰，也包括诸如光照、温度、湿度及其它天气条件改变而造成的长期变变化)带来rss波动造成初始构建的静态指纹地图逐渐偏离实时指纹甚至最后失效的问题。

2、本发明在步骤二中对参考数据提出一种路径匹配的方法，从而估算这些移动参考点的位置，使得其测量的无线指纹数据变得有意义，便于后面的指纹精准更新。

3、本发明在步骤三中利用偏最小二乘法，得到室内环境下相邻位置的rss指纹之间的关联关系模型，这样处理有助于得到一个稳定、正确和高可预测的模型，便于定位位置的精准预估，克服了室内复杂多变的信号传播环境下，参考点的指纹与其他位置上的指纹之间的时不变关系模型难以精确建模的问题。

附图说明

图1是本发明提供优选实施例流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

在本实施例中，一种基于通信勘察的室内指纹地图自适应更新方法是按如下步骤进行的。

步骤1：利用移动终端收集静态和动态的无线指纹数据

利用移动终端收集静态和动态的无线指纹数据，其中无线指纹数据收集是通过用户的移动设备在他们日常工作和生活的过程中自动收集实时数据。特别地，无线信号指纹是当移动设备在某个位置上保持一段时长的静止状态时采集和记录。当用户移动时，则同时收集无线指纹数据和移动数据以监测用户的移动路径。

步骤2：对收集的无线指纹数据，基于路径匹配的方式，对参考点位置估计

对于移动终端收集的无线指纹数据，然后根据路径匹配的方式，针对参考位置进行估计，其具体步骤如下：

(1)根据rss指纹估计可行区域，利用移动路径上的rss指纹测量值作为整体路径的初始值，在其一部分子空间中搜索候选位置，对可行区域进行匹配，具体一点，通常一条路径上的指纹对应的粗略位置估计总是落在有限的区域内(这个区域当然不会大于整个位置空间)。因此，我们可以勾勒一个覆盖移动路径上所有指纹位置的可行区域，并且仅在这个可行区域内寻找整条路径的最佳匹配。

(2)锁定可行方位，设可能的最大方向误差为δφ，则只需在中心方向的两侧考虑对称的方向区间

(3)联合位置估计，采用平移增量δα、旋转增量δβ在指纹地图上嵌入移动路径，其中δα和δβ根据经验值和环境设置可以分别设置为0.5米和2°)。匹配算法在考虑路径的几何约束的前提下，寻找能最小化路径j＝{s1,s2,s3,...sw}上所有指纹的均方差的序列位置作为目标位置。

其中dj′＝||lc(j+1)-lc(j)||表示两个候选位置之间的距离，fc(j)表示候选位置的指纹数据，dj表示路径中相邻位置之间的距离，而cj是对应于sj的候选位置，δd是一个最小距离约束值，可以根据具体环境和需求设置，得到整条路径对应的候选位置后，第一个位置lc(1)即被选作参考位置，将tk时刻所有指纹数据汇聚在一起，得到一组参考点rk＝{lr1,lr2,...,lrm}，其中lrm表示第m个参考点上的rss值，每个参考点对应一个位置估计lri＝(xi,yi),i＝1,2,...,m，xi,yj分别表示位置的横纵坐标。

步骤3：对参考点与其他非参考点的rss指纹的关系进行建模

对参考点和非参考点的指纹关系进行学习建模，具体步骤如下：

(1)在tk时刻已获得的一系列参考点rk，其中第j个参考点的位置为lrj，则要学习rk中包含的位置与指纹地图中其他位置上的rss之间的预测模型θ，以第j个ap(1≤j≤p)在位置li，1≤i≤n上的rss为例，则需要学习的关系模型如下θij:

fij(t0)＝θij(fr1j(t0),fr2j(t0),...,frmj(t0),)(9)

这里fij(t0)和frmj(t0)分别表示在初始指纹地图中第j个ap在位置li和位置lrm上的rss值。

(2)采用偏最小二乘回归建立函数回归模型(partialleastsquareregression，plsr)，简单来说，plsr寻找的是自变量x的成分分解中与因变量y也相关的部分。首先通过搜索一组潜在向量(latentvector)来同时分解x和y，以最大化x和y之间的相关系数,接下来则将x的分解用于预测y。通常，plsr仍然具有多元回归的形态y＝xb+e，其中b＝x^tu(t^txx^tu)^-1t^ty,其中t和u是潜在变量矩阵，e是残差矩阵。

在指纹地图中，也就是来自m个参考点的rss观测值，是位置li上的rss测量值，由于y是一个一维向量，这里记为y,针对于单因变量的plsr问题，可以采用pls1方法求解，具体的，对于第j个潜在变量，按如下规则求最大化协方差cov(xjwj,yj)并满足条件的tj＝xjwj：

tj＝xjwj(11)

当求第一个潜在变量时，令x1＝xandy1＝y。求下一个潜在变量tj+1时，从xj和yj除去它们各自基于tj的回归估计，然后用降解后的残差值重复上述步骤求解潜在变量。

由此，当重复h轮以后，可以得到两个m×h的矩阵w和p,以及一个n×h的矩阵t，三个矩阵分别以wj，pj和tj为列向量。同时，还得一个由h个构成的列向量由此可以得到plsr的预测模型：

其中是预测值，

步骤四：根据建模模型，自适应更新指纹地图。

一旦获得足够数量的参考点位置及其实时测量数据，更新进程即可被触发以将当前指纹地图更新到最新状态。由于每一次启动指纹地图更新时，参考点的数量及其对应的位置都各不相同，因此在每一次更新之前，都要从初始指纹地图中重新学习针对性的回归函数。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。