一种基于WiFi-PDR融合的高精度室内定位方法与流程

一种基于wifi-pdr融合的高精度室内定位方法
技术领域
1.本发明涉及信号处理与信息融合领域，特别是涉及一种基于wifi-pdr融合的精度室内定位方法。


背景技术：

2.得益于信息技术的发展，如今定位技术已被广泛应用于工业、科研、商业等领域。高精度室内定位技术无论在生产生活亦或是国防军事上都发挥着重要作用，有着广阔的发展长景。然而，由于室内空间相对封闭，环境较为复杂，全球定位系统等室外定位导航手段在室内存在着信号易衰减、退化严重等问题，无法满足室内定位的精度要求。
3.目前还没有一种单一的无线定位技术能够同时满足定位准确、实时性高、适应性强、可靠性高和成本低的需求。多传感器融合定位技术通过融合处理多种传感器信息，实现多传感器信息互补和协同工作的效果，从而提高整个系统的可靠性。如今无线网络普及度高且成本较低，基于wifi的定位得到了广泛应用。wifi定位通常采用指纹定位法，通过将预先建立起的位置-信号强度(rssi)特征向量之间的位置指纹数据库与实测点采集到的来自各个无线接入点(accesspoint，ap)的rssi信息相配从而实现定位。另一种广泛应用在移动设备上的定位技术为步行者航位推算(pdr)定位，是利用对加速度计得出的加速度值进行二重积分实现针对步数、步长的检测，并结合陀螺仪或电子罗盘的方位信息完成定位。而这些技术存在如下问题：
4.(1)wifi定位精度较依赖于wifi指纹数据库的质量，且室内环境复杂多变，wifi指纹数据容易出现波动。
5.(2)由于许多移动终端内置的传感器精度不高，同时人在行走中肢体可能产生不规律晃动，使得pdr定位存在误差且会随时间不断累积，导致长时间连续使用pdr定位误差较大。
6.(3)现有的wifi-pdr融合定位技术的稳定性不够，无法进行抗差自适应。


技术实现要素：

7.针对现有技术的缺陷，本发明的目的在于提供一种基于wifi-pdr融合的高精度室内定位方法，旨在解决wifi指纹定位数据波动和pdr定位误差随时间不断累积的问题，以及现有现有的wifi-pdr融合定位技术的稳定性不够的问题。
8.为解决上述问题，本发明提供了一种基于wifi-pdr融合的高精度室内定位方法，包括如下步骤：
9.s1：计算得到目标的粗位置、步数和单步步长；其中，
10.所述目标的粗位置计算步骤如下：
11.采集环境信标数据，环境信标数据包括发射信号频率、地面损耗渗透系数、发射端和接收端之间的楼层数和通路损耗指数；
12.再根据若干个ap中接收到的目标rssi信息，匹配预先建立起的位置-接收信号强
度指纹库，得到若干个目标的初步位置；然后根据采集到的环境信标数据计算参考路径损失系数，并根据参考路径损失系数和自由空间室内路径损失(itu)模型，计算得到各个ap的权重系数，根据初步位置及其权重计算出目标的粗位置；
13.所述目标的步数和单步步长计算步骤如下：
14.采集目标的航向角和加速度值；再对原始加速度值数据进行平滑处理以降低噪声干扰，得到降噪数据；然后根据实时采集的降噪数据通过动态设定状态转换参数，计算目标的步数；根据实时采集的降噪数据通过非线性步长估计方法，计算得出目标的单步步长；
15.s2：根据目标的粗位置、步数和单步步长，通过自适应无迹粒子滤波算法进行融合计算，得到目标的精确运动状态信息。
16.进一步的，骤s1中所述目标的粗位置的具体计算过程为：
17.根据环境信标数据，计算得到参考路径损失系数pl0：
18.pl0＝20log(f)+c(k,f)-28
19.其中f是发射信号频率，c是地面损耗渗透系数，k是发射端和接收端之间的楼层数；
20.根据参考路径损失系数pl0，通过itu模型计算得到t时刻第i个ap与目标之间的距离
[0021][0022]
其中是t时刻第i个ap的rssi值，α是通路损耗指数；
[0023]
根据计算t时刻第i个ap的权重系数为：
[0024][0025]
其中n为ap的数量；
[0026]
根据权重系数和目标的初步位置，计算得到目标的粗位置(x,y)：
[0027][0028]
其中(xi,yi)为目标的初步位置。
[0029]
进一步的，步骤s1中所述平滑处理采用简单移动平均(sma)算法。
[0030]
进一步的，步骤s1中所述状态转换参数包括状态阈值、分界参考值和零参考值。
[0031]
进一步的，步骤s1中所述非线性步长估计方法的计算如下式：
[0032][0033]
其中k是步长估算参数，a
max
和a
min
分别是目标行走一步过程中的采集到的最大加速度值和最小加速度值，step
size
为目标的单步步长。
[0034]
进一步的，s2中通过自适应无迹粒子滤波算法进行融合计算包括如下子步骤：
[0035]
s21根据目标的粗位置、步数和单步步长，对目标在运动中的动作进行建模，得到
实际移动目标运动模型；
[0036]
s22：根据实际移动目标运动模型，建立目标运动系统的状态方程和观测方程；
[0037]
s23：根据状态方程，计算得到先验概率密度函数；
[0038]
s24：根据观测方程和先验概率密度函数，计算得到似然函数；
[0039]
s25：根据似然函数，通过贝叶斯公式，计算得到后验概率密度函数；
[0040]
s26：如果当前迭代次数没有达到预设次数，则将后验概率密度函数代入状态方程，重复s23-s26；
[0041]
如果当前迭代次数达到预设次数，则从后验概率密度函数中提取出目标的精确运动状态信息。
[0042]
进一步的，s22中建立目标运动系统的状态方程和观测方程为：
[0043]
xk＝f(x
k-1
,v
k-1
),yk＝h(xk,nk)
[0044]
其中xk为状态方程xk，yk为观测方程，xk和yk都为非线性方程，nk为系统过程噪声，v
k-1
为观测噪声。
[0045]
进一步的，后验概率密度函数包括粒子滤波观测值、状态值、误差协方差和卡尔曼增益。
[0046]
优选的，目标为移动智能终端，其包括中央处理器、wifi模块、陀螺仪和磁力传感器。
[0047]
总体而言，本发明的技术方案与现有技术相比，用于取得下列有益效果：
[0048]
本发明提供了一种基于wifi-pdr融合的高精度室内定位方法，针对wifi定位精度不高的问题，使用了加权路径损失算法优化了wifi指纹定位算法；
[0049]
针对pdr的误差累积效应，采用了动态设定阈值进行步态检测的思路并对加速度值数据进行平滑降噪处理；
[0050]
在改进wifi定位和pdr算法的基础上，提出了采用抗差自适应无迹粒子滤波融合定位的方法，使两者相互修正补充，一定程度上消除了惯性传感器的误差累积，优化了wifi指纹定位的连续性和稳定性，使室内定位更加精准有效。
附图说明
[0051]
图1为本发明提供的实施例的高精度室内定位方法整体流程框图；
[0052]
图2为本发明提供的实施例的高精度室内定位方法中计算加权粗位置的具体流程示意图；
[0053]
图3为本发明提供的实施例的高精度室内定位方法中自适应无迹粒子滤波算法进行融合计算的具体流程示意图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0055]
本发明实施例提供了一种基于wifi-pdr融合的高精度室内定位方法，其预先准备阶段包括：定位场景选取办公楼，活动区域包括走廊和展厅，在目标行进路径上布置ap进行
rssi指纹采集。每隔1m设置一个采样点，每个采样点采集rssi值5次，构建位置-接收信号强度指纹库，目标为基于android操作系统的小米8智能手机终端设备。
[0056]
如图1所述，本发明实施例提供的一种基于wifi-pdr融合的高精度室内定位方法流程包括以下步骤：
[0057]
s1：计算得到目标的粗位置、步数和单步步长；
[0058]
所述s1中目标的粗位置计算步骤如下：
[0059]
具体的，采集环境信标数据，环境信标数据包括发射信号频率、地面损耗渗透系数、发射端和接收端之间的楼层数和通路损耗指数；
[0060]
计算初步位置步骤：根据若干个ap中接收到的目标rssi信息，匹配预先建立起的位置-接收信号强度指纹库，得到若干个目标的初步位置(xi,yi)，其中(xi,yi)为t时刻第i个ap匹配的目标的初步位置；
[0061]
计算加权粗位置步骤：根据采集到的环境信标数据计算参考路径损失系数，根据参考路径损失系数和itu模型，计算得到各个ap的权重系数，根据初步位置及其权重计算出目标的粗位置；
[0062]
进一步的，如图2所示，计算加权粗位置步骤包括：
[0063]
根据环境信标数据，计算得到参考路径损失系数pl0：
[0064]
pl0＝20log(f)+c(k,f)-28
[0065]
其中f是发射信号频率，c是地面损耗渗透系数，k是发射端和接收端之间的楼层数；
[0066]
根据参考路径损失系数pl0，通过itu模型计算得到t时刻第i个ap与目标之间的距离
[0067][0068]
其中是t时刻第i个ap的rssi值，α是通路损耗指数；
[0069]
根据计算t时刻第i个ap的权重系数为：
[0070][0071]
其中n为ap的数量；
[0072]
根据权重系数和目标的初步位置，计算得到目标的粗位置(x,y)：
[0073][0074]
其中(xi,yi)为目标的初步位置。
[0075]
所述s1中目标的步数和单步步长计算步骤如下：
[0076]
采集目标的航向角和加速度值；
[0077]
具体的，目标的加速度值由智能手机终端中自带的加速度计测得；
[0078]
目标的航向角由智能手机终端中自带的陀螺仪和磁强计结合获取。陀螺仪方向测量对于短时间测量效果较好，但由于误差累积效应故不适合长时间测量，而磁强计在长时间测量中效果更佳，但却容易受到外部磁场的干扰，导致方位出现较大偏差，因此，利用了磁强计和陀螺仪的互补特性，为短时间和长时间实验都提供了更好的性能和效果；
[0079]
数据降噪步骤：对原始加速度值数据进行平滑处理以降低噪声干扰，得到降噪数据；
[0080]
具体的，由于人在行走过程中身体存在不规律的随机摆动，故原始加速度数据存在着明显的噪声。针对这点，对原始加速度数据进行基于简单移动平均(sma)算法的平滑处理以降低噪声干扰。
[0081]
所述步数计算子步骤如下：
[0082]
根据实时采集的降噪数据通过动态设定状态转换参数，计算目标的步数；
[0083]
具体的，一个行走周期可被划分为静止状态、波峰状态和波谷状态，人在行走过程中速度的变化会导致加速度曲线的上下偏移，为降低行走周期识别的误差，根据加速度曲线的实时变化动态设定状态转换的参数，包括状态阈值、分界参考值和零参考值。首先，根据加速度曲线的实时变化动态设定状态阈值，使用0.5作为上下阈值来判定最大和最小峰值。分界参考值是表示各个状态开始和结束的数据点，某个状态只要突破其分界参考值即可认为这个状态结束和下一状态开始。由于人行走中速度的变化，加速度曲线会出现上下偏移的情况，使用零或其他固定值作为零参考值，计算出的速度和步长误差很大。动态设置零参考值可以降低加速度曲线上下偏移带来的误差，保证计算出的速度和步长的准确性。
[0084]
所述单步步长计算子步骤如下：
[0085]
根据实时采集的降噪数据通过非线性步长估计方法，计算得出目标的单步步长：
[0086][0087]
其中k是步长估算参数，a
max
和a
min
分别是目标行走一步过程中的采集到的最大加速度值和最小加速度值，step
size
为目标的单步步长。
[0088]
s2：根据目标的粗位置、步数和单步步长，通过自适应无迹粒子滤波算法进行融合计算，得到目标的精确运动状态信息；
[0089]
进一步的，如图3所示，所述s2中通过自适应无迹粒子滤波算法进行融合计算包括如下子步骤：
[0090]
s21根据目标的粗位置、步数和单步步长，对目标在运动中的动作进行建模，得到实际移动目标运动模型；
[0091]
s22：根据实际移动目标运动模型，建立目标运动系统的状态方程和观测方程；
[0092]
s23：根据状态方程，计算得到先验概率密度函数；
[0093]
s24：根据观测方程和先验概率密度函数，计算得到似然函数；
[0094]
s25：根据似然函数，通过贝叶斯公式，计算得到后验概率密度函数；
[0095]
s26：如果当前迭代次数没有达到预设次数，则将后验概率密度函数代入状态方程，重复s23-s26；
[0096]
如果当前迭代次数达到预设次数，则从后验概率密度函数中提取出目标的精确运动状态信息。
[0097]
具体的，根据实际移动目标运动模型，建立运动系统的状态方程和观测方程，状态方程xk和观测方程yk如下式：
[0098]
xk＝f(x
k-1
,v
k-1
),yk＝h(xk,nk)
[0099]
上式xk和yk都为非线性方程，nk为系统过程噪声，v
k-1
为观测噪声，过程噪声和观测噪声均服从均值为零的独立过程。
[0100]
具体的，后验概率密度函数包括粒子滤波观测值、状态值、误差协方差和卡尔曼增益。
[0101]
具体的，目标为移动智能终端，其包括中央处理器、wifi模块、陀螺仪和磁力传感器。
[0102]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备执行各个实施例或者实施例的某些部分所述的方法。
[0103]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。