CN111198365A - 一种基于射频信号的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于射频信号的室内定位方法，首先基于位置指纹定位方法通过提前构建指纹库的方式缩短在线定位时间，采集接收信号强度构建指纹库，在线阶段基于指纹库匹配方法确定终端位置。针对遮挡现象，提出位置预测方法，使用自回归滑动平均模型预测终端的位置。由于位置预测中仅使用终端运动轨迹作为基础信息，预测效果较差，为了提升位置修正的精度，提出使用滤波算法进行优化，通过滤波方法基于终端运动轨迹预测终端的位置，基于射频信号强度修正终端位置，依次迭代获得终端的实时位置，降低了信号遮挡造成的定位误差，有效提升整体的终端定位精度。

Description

一种基于射频信号的室内定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及一种基于射频信号的室内定位方法。

背景技术

随着定位技术的发展，人们对于定位的使用也越来越广泛，同时，人们对定位的需求也在不断地增加。但是，当前所使用的定位技术大都是基于GPS服务的，GPS信号在室内不能起到在室外的定位效果，因而需要寻求新的技术来改善室内定位精度差的状况。

由于WLAN等射频设备的迅速推广，为基于射频信号的定位方法奠定了硬件技术基础，有利于快速的普及使用。目前，国内外基于射频信号的定位技术已经有了初步的发展，基于位置指纹的定位技术是其主要研究方向之一，位置指纹定位方法基于接收信号强度信息与位置信息的映射关系完成室内定位。

位置指纹数据库的建立是该方法实现的关键技术之一，通常位置指纹数据库中存储离线阶段采集的接收信号强度信息，位置指纹定位通过匹配在线阶段采集的射频信号强度与数据库中存储的接收信号强度信息，基于KNN方法确定终端位置。然而，信号的发送与接收容易受到遮挡，导致实时采集的信号强度与数据库中信号存在误差，影响在线阶段终端实时定位精度。

发明内容

针对上述现有技术的不足，本专利申请所要解决的技术问题是：如何提供一种能够有效预估终端轨迹信息，有效降低信号遮挡造成的定位误差，在存在信号遮挡的环境中进行终端实时定位的基于射频信号的室内定位方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于射频信号的室内定位方法，包括以下步骤：

S1：离线采集终端接收信号强度信息RSS_i与位置信息(x_i，y_i)，存储于位置指纹数据库中作为参考信息，构建位置指纹数据库RSS与位置信息(x_i，y_i)映射模型；

S2：在线采集终端接收信号强度信息RSS′，使用加权KNN算法计算终端位置信息(x＇，γ′)，若位置指纹数据库中不包含终端轨迹信息则进入步骤S7，若位置指纹数据库中包含终端轨迹信息进入步骤S3；

S3：基于终端轨迹信息，利用自回归滑动平均模型预测终端位置(x_1，γ₁)；

S4：基于终端位置(x₁，y₁)生成粒子群(x，γ)，基于位置指纹数据库RSS构建模型计算粒子群信号强度RSS_i′，比较在线采集信息RSS′与粒子群信号强度RSS_i′，生成粒子权重W；

S5：使用粒子权重w与粒子群(x，y)修正预测位置信息(x₂，y₂)；

S6：比较修正预测位置信息(x₂，y₂)与计算终端位置信息(x＇，y′)，比较误差与门限，若误差高于门限，将(x₂，γ₂)作为最终终端位置信息(x′，γ′)，若误差不高于门限将(x＇，y′)作为最终终端位置信息(x＇，y′)，并作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置；

S7：将终端位置信息(x＇，γ′)作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置。

进一步的，步骤S1中，所述位置指纹数据库RSS与位置信息(x_i，y_i)映射模型如下：

其中，N为采集信息的条数，K为RSS的向量个数。

进一步的，步骤S1中，所述接收信号强度信息RSS_i如下：

进一步的，步骤S2中，所述加权KNN算法的公式如下：

其中，D为两个RSS之间的距离，c为RSS向量的第c个值，i指第i个临近位置，RSS_c为用户端实时采集信号，RSS_i，c为数据库中信号。

进一步的，步骤S3中，所述自回归滑动平均模型预测终端位置的计算方法如下：

P_t＝β₁P_t-1+β₂P_t-2+…+β_PP_t-P+Z_t

其中，轨迹P_t＝(x_i，y_i)，β为每个时刻成员星位置的权值；误差项之间也存在相互联系，表示为Z_t＝ε_t+α₁ε_t-1+α₂ε_t-2+…+α_pε_t-p

其中，Z_t为当前时刻的总误差，ε_i为前p个时刻的误差，α_i为每项误差的权值。

进一步的，步骤S4中，基于终端位置(x_1，γ₁)生成粒子群(x，γ)，所述粒子群生成方法如下：

利用上一时刻粒子群和终端运动模型预测出本时刻的预测粒子群G；

G_i+1＝h(G_i)+N_G

其中，h()为运动模型，N_G为高斯分布，N(0，δd²)，d为上一时刻终端运动距离；

利用上一时刻的接收信号强度数据信息和观测方程，即接收信号强度计算模型，更新粒子集中每个样本的权重：

W_j＝g(RSS_j-f(G_j))

其中：P＝f(x，y，z)为位置与信号强度之间的观测方程，P为功率，将所有的权重归一化，得到预测卫星状态分布的样本集，采用重采样方法，按照权重大小进行排序，去掉1/2数量权重小的样本，获得新的粒子集G与权重w；

进一步的，步骤S5中，所述修正预测位置计算方法为：

所述修正预测位置(x₂，γ₂)与计算终端位置(x₁，y₁)误差计算方法为δ＝|P_N+1-P_k|。

本发明所述一种基于射频信号的室内定位方法，采用以上技术方案与现有技术相比，具有以下技术效果：

1)本发明的一种基于射频信号的室内定位方法，离线阶段，通过采集接收信号强度信息与终端位置信息构建位置指纹数据库，减少在线阶段定位时长；

2)本发明的一种基于射频信号的室内定位方法，在线阶段，基于终端运动轨迹构建自回归滑动模型，提前预测终端所在位置，减少信号遮挡造成的定位误差；

3)本发明的一种基于射频信号的室内定位方法，基于粒子反馈的方法优化终端的运动轨迹预测方法，通过构建粒子群，拓展终端位置分布，提升在线定位的精度；

4)本发明的一种基于射频信号的室内定位方法，基于加权KNN算法计算终端位置，通过计算实时采集接收信号强度与数据库中存储信号强度的距离，加权获得终端位置，提升定位算法精度；

5)本发明的一种基于射频信号的室内定位方法，通过比较计算所得终端位置与预测所得终端位置，获取信号遮挡信息，减少信号遮挡对定位结果的影响。

本发明所设计的一种基于射频信号的室内定位方法，针对在定位过程中当信号源与终端之间存在遮挡时部分终端无法接收基准星的信号，导致定位结果会有很大的误差。针对定位中信号遮挡问题，基于粒子滤波反馈的位置预测的方法，基于终端运动轨迹并通过粒子滤波反馈的方法修正偏移轨迹。首先基于位置指纹定位方法通过提前构建指纹库的方式缩短在线定位时间，采集接收信号强度构建指纹库，在线阶段基于指纹库匹配方法确定终端位置。针对遮挡现象，提出位置预测方法，使用自回归滑动平均模型预测终端的位置。由于位置预测中仅使用终端运动轨迹作为基础信息，预测效果较差，为了提升位置修正的精度，提出使用滤波算法进行优化，通过滤波方法基于终端运动轨迹预测终端的位置，基于射频信号强度修正终端位置，依次迭代获得终端的实时位置，降低了信号遮挡造成的定位误差，有效提升整体的终端定位精度。

附图说明

图1是本发明基于射频信号室内定位系统的实现流程图；

图2是本发明基于射频信号室内定位系统的定位示意图；

图3是本发明基于射频信号室内定位系统的定位修正结果比较图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

如图1-2所示，一种基于射频信号的室内定位方法，包括以下步骤：

S1：离线采集终端接收信号强度信息RSS_i与位置信息(x_i，y_i)，存储于位置指纹数据库中作为参考信息，构建位置指纹数据库RSS与位置信息(x_i，y_i)映射模型；

S2：在线采集终端接收信号强度信息RSS′，使用加权KNN算法计算终端位置信息(x′，y′)，若位置指纹数据库中不包含终端轨迹信息则进入步骤S7，若位置指纹数据库中包含终端轨迹信息进入步骤S3；

S3：基于终端轨迹信息，利用自回归滑动平均模型预测终端位置(x₁，γ₁)；

S4：基于终端位置(x₁，γ₁)生成粒子群(x，γ)，基于位置指纹数据库RSS构建模型计算粒子群信号强度RSS_i′，比较在线采集信息RSS′与粒子群信号强度RSS_i′，生成粒子权重W；

S5：使用粒子权重w与粒子群(x，y)修正预测位置信息(x₂，y₂)；

S6：比较修正预测位置信息(x₂，γ₂)与计算终端位置信息(x′，γ′)，比较误差与门限，若误差高于门限，将(x₂，y₂)作为最终终端位置信息(x′，y′)，若误差不高于门限将(x＇，y′)作为最终终端位置信息(x＇，γ′)，并作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置；

S7：将终端位置信息(x′，γ′)作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置。

本实施例中，步骤S1中，所述位置指纹数据库RSS与位置信息(x_i，y_i)映射模型如下：

其中，N为采集信息的条数，K为RSS的向量个数。

本实施例中，步骤S1中，所述接收信号强度信息RSS_i如下：

本实施例中，步骤S2中，所述加权KNN算法的公式如下：

其中，D为两个RSS之间的距离，c为RSS向量的第c个值，i指第i个临近位置，RSS_c为用户端实时采集信号，RSS_i，c为数据库中信号。

本实施例中，步骤S3中，所述自回归滑动平均模型预测终端位置的计算方法如下：

P_t＝β₁P_t-1+β₂P_t-2+…+β_PP_t-P+Z_t

其中，轨迹P_t＝(x_i，y_i)，β为每个时刻成员星位置的权值；误差项之间也存在相互联系，表示为Z_t＝ε_t+α₁ε_t-1+α₂ε_t-2+…+α_pε_t-p

其中，Z_t为当前时刻的总误差，ε_i为前p个时刻的误差，α_i为每项误差的权值。

本实施例中，步骤S4中，基于终端位置(x₁，y₁)生成粒子群(x，y)，所述粒子群生成方法如下：

利用上一时刻粒子群和终端运动模型预测出本时刻的预测粒子群G；

G_i+1＝h(G_i)+N_G

其中，h()为运动模型，N_G为高斯分布，N(0，δd²)，d为上一时刻终端运动距离；

利用上一时刻的接收信号强度数据信息和观测方程，即接收信号强度计算模型，更新粒子集中每个样本的权重：

W_j＝g(RSS_j-f(G_j))

其中：P＝f(x，y，z)为位置与信号强度之间的观测方程，P为功率，将所有的权重归一化，得到预测卫星状态分布的样本集，采用重采样方法，按照权重大小进行排序，去掉1/2数量权重小的样本，获得新的粒子集G与权重W；

本实施例中，步骤S5中，所述修正预测位置计算方法为：

所述修正预测位置(x₂，γ₂)与计算终端位置(x₁，y₁)误差计算方法为δ＝|P_N+1-P_k|。

将一种基于射频信号的室内定位方法，误码率仿真结果如图3所示。从图中可知，未修正定位结果由于遮挡导致存在较大误差，采用拟合方法能够较小误差的影响，采用本发明提出的方法能够较好的降低遮挡造成的定位精度损失。

本发明公开的一种基于射频信号的室内定位方法，针对在定位过程中当信号源与终端之间存在遮挡时部分终端无法接收基准星的信号，导致定位结果会有很大的误差。针对定位中信号遮挡问题，基于粒子滤波反馈的位置预测的方法，基于终端运动轨迹并通过粒子滤波反馈的方法修正偏移轨迹。首先基于位置指纹定位方法通过提前构建指纹库的方式缩短在线定位时间，采集接收信号强度构建指纹库，在线阶段基于指纹库匹配方法确定终端位置。针对遮挡现象，提出位置预测方法，使用自回归滑动平均模型预测终端的位置。由于位置预测中仅使用终端运动轨迹作为基础信息，预测效果较差，为了提升位置修正的精度，提出使用滤波算法进行优化，通过滤波方法基于终端运动轨迹预测终端的位置，基于射频信号强度修正终端位置，依次迭代获得终端的实时位置，降低了信号遮挡造成的定位误差，有效提升整体的终端定位精度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于射频信号的室内定位方法，其特征在于，包括以下步骤：

S1：离线采集终端接收信号强度信息RSS_i与位置信息(x_i，y_i)，存储于位置指纹数据库中作为参考信息，构建位置指纹数据库RSS与位置信息(x_i，y_i)映射模型；

S2：在线采集终端接收信号强度信息RSS′，使用加权KNN算法计算终端位置信息(x′，y′)，若位置指纹数据库中不包含终端轨迹信息则进入步骤S7，若位置指纹数据库中包含终端轨迹信息进入步骤S3；

S3：基于终端轨迹信息，利用自回归滑动平均模型预测终端位置(x₁，y₁)；

S4：基于终端位置(x₁，y₁)生成粒子群(x，γ)，基于位置指纹数据库RSS构建模型计算粒子群信号强度RSS_i′，比较在线采集信息RSS′与粒子群信号强度RSS_i′，生成粒子权重W；

S5：使用粒子权重w与粒子群(x，y)修正预测位置信息(x₂，y₂)；

S6：比较修正预测位置信息(x₂，y₂)与计算终端位置信息(x′，γ′)，比较误差与门限，若误差高于门限，将(x₂，y₂)作为最终终端位置信息(x′，y′)，若误差不高于门限将(x＇，y′)作为最终终端位置信息(x＇，γ′)，并作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置；

S7：将终端位置信息(x′，γ′)作为终端轨迹信息存储于位置指纹数据库中，进入步骤S2定位下一时刻终端位置。

2.根据权利要求1所述的一种基于射频信号的室内定位方法，其特征在于，步骤S1中，所述位置指纹数据库RSS与位置信息(x_i，y_i)映射模型如下：

其中，N为采集信息的条数，K为RSS的向量个数。

3.根据权利要求1所述的一种基于射频信号的室内定位方法，其特征在于，步骤S1中，所述接收信号强度信息RSS_i如下：

4.根据权利要求3所述的一种基于射频信号的室内定位方法，其特征在于，步骤S2中，所述加权KNN算法的公式如下：

其中，D为两个RSS之间的距离，c为RSS向量的第c个值，i指第i个临近位置，RSS_c为用户端实时采集信号，RSS_i，c为数据库中信号。

5.根据权利要求4所述的一种基于射频信号的室内定位方法，其特征在于，步骤S3中，所述自回归滑动平均模型预测终端位置的计算方法如下：

P_t＝β₁P_t-1+β₂P_t-2+…+β_PP_t-P+Z_t

其中，轨迹P_t＝(x_i，y_i)，β为每个时刻成员星位置的权值；误差项之间也存在相互联系，表示为

Z_t＝ε_t+α₁ε_t-1+α₂ε_t-2+…+α_pε_t-p

其中，Z_t为当前时刻的总误差，ε_i为前p个时刻的误差，α_i为每项误差的权值。

6.根据权利要求5所述的一种基于射频信号的室内定位方法，其特征在于，步骤S4中，基于终端位置(x₁，y₁)生成粒子群(x，y)，所述粒子群生成方法如下：

利用上一时刻粒子群和终端运动模型预测出本时刻的预测粒子群G；

G_i+1＝h(G_i)+N_G

其中，h()为运动模型，N_G为高斯分布，N(0，δd²)，d为上一时刻终端运动距离；

利用上一时刻的接收信号强度数据信息和观测方程，即接收信号强度计算模型，更新粒子集中每个样本的权重：

W_j＝g(RSS_j-f(G_j))

其中：P＝f(x，y，z)为位置与信号强度之间的观测方程，P为功率，将所有的权重归一化，得到预测卫星状态分布的样本集，采用重采样方法，按照权重大小进行排序，去掉1/2数量权重小的样本，获得新的粒子集G与权重W。

7.根据权利要求6所述的一种基于射频信号的室内定位方法，其特征在于，步骤S5中，所述修正预测位置计算方法为：

所述修正预测位置(x₂，y₂)与计算终端位置(x₁，y₁)误差计算方法为

δ＝|P_N+1-P_k|。

Images