一种基于RSSI测距的室内定位方法

一种基于rssi测距的室内定位方法
技术领域
1.本发明属于无线定位技术领域，尤其涉及一种基于rssi测距的室内定位方法。


背景技术：

2.由于gps在室内定位中受应用、能耗等多方面限制，与之相比，wifi技术在室内环境的应用更加广泛，并且无需另外铺设硬件设备，降低了使用成本，同时wifi用于传输信息的速度也较快，是一种能应用于室内环境的理想定位技术。商场等室内定位环境安装有大量的路由器等wifi信号发送装置，通过能接收wifi信号的无线接收设备如手机等，测量rssi后通过测距实现较为准确的位置信息，无需借助室外卫星系统及信号增强设备，功耗低，且部署范围广，通过wifi定位技术实现室内无线定位成为较为实用、便捷的选择。
3.由于室内环境布局复杂性，多障碍物、多干扰等特点，基于位置服务的室内定位技术应受到很多限制限制。地图信息可以用来改善室内定位的稳定性，在某些特定的应用中，基于地理信息的定位跟踪轨迹会更加的平滑稳定。


技术实现要素：

4.发明目的：针对室内环境布局复杂性，多障碍物、多干扰等特点，基于位置服务的室内定位技术应受到很多限制限制，本发明公开了一种基于rssi测距的室内定位技术及目标跟踪的方法，利用室内地图信息用以改善定位跟踪的目标跟踪轨迹的精度，提高轨迹的连续性、平滑性。
5.技术方案：本发明公开了一种基于rssi测距的室内定位方法，通过对地理信息数据的预处理，进行图层重构，构建带有方向信息的室内道路多层栅格地图；在进行基于rssi的室内定位过程中，进行基于航向约束的目标运动模型构建，同时进行基于地理信息约束的粒子滤波跟踪，实现对室内定位目标的平滑、稳定跟踪。
6.本发明与现有技术相比，其显著优点是：
7.1、通过wifi定位技术无需借助室外卫星系统及信号增强设备，功耗低，且部署范围广；
8.2、适用性更广，对于室内环境中多障碍物、多干扰情况有着明显的定位改善；
9.3、目标轨迹连续性、平滑性更优，对干扰的鲁棒性更好。
10.本发明包括如下步骤：
11.步骤1：构建地图，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件；
12.步骤2：己知信号发射端至参考节点的距离，实测参考节点所在位置rssi值，根据对数路径损耗模型计算出模型参数。再将所求模型参数值代入对数路径损耗模型，根据待测目标节点实测rssi值，得到待测目标节点至发射端的距离，然后采用基于测距的无线定位算法如极大似然估计法求得待测目标节点位置坐标，从而实现基于rssi测距的室内定位；
13.步骤3：根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行基于航向约束的目标运动模型构建；
14.步骤4：根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行基于地图约束的粒子滤波。
附图说明
15.下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
16.图1是本发明流程图；
17.图2是点-线-面构成的地图面域轮廓；
18.图3是提取的道路区域示意图；
19.图4是提取的航向信息示意图；
20.图5是是否采用地图信息处理的轨迹对比图；
21.图6是轨迹对比图区域放大示意图；
具体实施方式
22.如图1本发明提供了一种基于rssi测距的室内定位方法，包括以下步骤：
23.步骤1、构建地图，根据道路区域类型建立地理信息图层，并按固定格式存储为地理信息图层文件；
24.通过提前获得的区域cad图，将cad转换为点-线-面为基础要素的地图，提取道路信息，如图2，通过多个二维坐标链表构成的闭合回路来描述道路信息，通过使用凸四边形对定位环境描绘的地图区域分割，可以更快速地判断粒子所处区域。
25.将图形栅格化处理，通过将地图的x坐标坐标等间隔均分为n
x
份，y坐标坐标等间隔均分为ny份，地图道路信息数据存为data[n
x
][ny]，循环查询data[i][j]是否在道路信息的链表坐标内，地图道路信息如图3。
[0026][0027]
在栅格位于道路区域的地方，计算并储存道路的航向信息data_v[n
x
][ny]，地图航向信息如图4。
[0028]
data_v[i][j]＝v
θ
[0029]
步骤2、基于rssi的室内定位
[0030]
用移动终端接收路由器等发射端的信号，并得到wifi热点的rssi信号强度及mac地址，计算获得用户的位置，该技术被用于谷歌地图。通常相较于室外环境，室内定位环境有多种障碍物干扰，比较复杂，rssi信号强度可能由于障碍物的反射等增强，造成定位精度的下降，很难获得待测终端与发射信号路由器的准确距离，通过多点定位可以有效的提高定位精度。
[0031]
基于rssi的多点室内定位操作详细步骤如下：
[0032]
步骤2-1，根据测得的pl(d)即可计算出信号发射端距离待测目标节点的距离d，再根据基于测距的无线定位算法即可求得待测目标节点坐标位置。
[0033]
p
l
(d)＝a-10nlgd
[0034]
步骤2-2，通过极大似然估计法进行多点定位。
[0035]
待测目标节点e(x，y)到n个参考节点(x1，y1)、(x2，y2)、(x3，y3)
…
(xn，yn)的距离分别为d1、d2、d3…dn
，得到方程如下所示：
[0036][0037]
用第一个方程分别减去最后一个方程得到如下方程组：
[0038][0039]
上述方程组按ax＝b的形式表示，其中
[0040][0041]
用最小均方估计误差算法对式求解，得到待测目标节点坐标：
[0042]
x＝(a
t
a)-1atb[0043]
步骤3、根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行基于航向约束的目标运动模型构建；
[0044]
步骤3-1，查询定位点的航向信息：
[0045]
加入定位点的坐标为地图区域的坐标最大值最小值分别为[x
min
，x
max
，y
min
，y
max
]，则查询索引data_v[n
x
][ny]，其中：
[0046][0047][0048]
步骤3-2，基于航向约束的目标运动模型构建
[0049]
目标航向和道路网中心线方向平行，笛卡尔坐标系下，航向为θ，目标在t
k-1
时刻位置位于(x
k-1
，y
k-1
)，速度为(v
xk
，v
yk
)，位置位于(xk，yk)，则：
[0050][0051][0052]
得到：
[0053]
0＝ccosθ
·vxk-sinθ
·vyk
[0054]
构建伪量测：在k时刻量测得到位置以及伪量测值为0的值：
[0055]
xk＝[x
k v
xk a
xk y
k v
yk a
yk
]
t
，
[0056][0057]
其中h(xk)为观测方程，zk为观测值。
[0058]
步骤4、根据目标所处道路区域类型，将道路的地理信息作为约束条件带入相应的卡尔曼滤波方程，进行基于地图约束的粒子滤波。
[0059]
道路区域拓扑关系构建步骤为：断链，即将道路相交处断开，接链，即将距离满足阈值(小于200米)的两个结点合并为一个结点，将提取的道路信息进行分割。
[0060]
步骤4-1，查询定位点的区域属性：
[0061]
加入定位点的坐标为地图区域的坐标最大值最小值分别为[x
min
，x
max
，y
min
，y
max
]，则查询索引data[n
x
][ny]，其中：
[0062][0063][0064]
步骤4-2，进行基于地图约束的粒子滤波
[0065]
步骤a1：初始化
[0066]
设置粒子滤波器中每个粒子的状态量为(x，y)，粒子的位置坐标为(x，y)，权重为θ。假设初始状态为(x0，y0，θ0)，实际应用环境会有噪声干扰，所以要在初始化状态中加入测量噪声v
θ
对初始化样本进行修正，产生n个初始粒子样本集合{s0i|i＝1，2，...，n}，粒子群状态量为：
[0067][0068]
其中，θa∈u(0，2π)，θa为均匀分布的白噪声，vg为一定范围之内的高斯噪声，vg～n(0，r
l
)且vg同为初始位置测量噪声。根据每个粒子所受噪声影响的大小，使用式对其设置相应的权重。
[0069][0070]
其中，σv为定位系统步长测量噪声方差。当粒子受到噪声影响越小，其状态与用户初始状态越接近，权重就越高。
[0071]
初始化过程除了初始化上述粒子群状态以外，同时还要加载相应地图信息，我们把室内定位区域用m行n列的正方形子区域集合地图表示。计算过程如式所示。
[0072][0073]
每个正方形子区域代表一个独立的概率模型(称为概率子区域)，其中x
max
和y
max
为地图区域x轴、y轴上坐标对应最大值，x
min
和y
min
为地图区域x轴、y轴上坐标对应最小值。r为
每个正方形子区域的宽度，代表区域划分的分辨率。
[0074]
步骤a2：状态转移
[0075]
在状态转移阶段作为控制变量，适用于系统噪声较小的情况，如式所示。
[0076][0077]
当系统噪声较大或噪声突然增大时，会超出粒子滤波系统对噪声的估计容限，造成大量粒子进入错误转移状态，使得粒子群权重骤降从而导致粒子群迅速退化、消亡。
[0078]
对粒子滤波器的抗噪能力进行改进，通过把传统粒子滤波的状态转移步骤拆分为两部分，增强系统鲁棒性。
[0079]
1)更新粒子群状态
[0080]
通过重新初始化状态转移过程，对粒子群的状态量进行更新。
[0081]
2)产生子粒子群
[0082]
由于实际定位环境中噪声是动态变化的，当行人状态发生变化时系统噪声也随之变化，因此设置随机噪声为与行人状态变化量有关的动态噪声。
[0083]
通过步骤一更新产生的粒子群，将粒子群中的每个原始粒子加入随机噪声后产生新的子粒子，每个子粒子的状态量为原始粒子和随机噪声叠加产生的状态量，这些新产生的子粒子汇聚成子粒子群(子粒子群和原始粒子群中的粒子数量相等)。
[0084]
子粒子产生方法如式所示。
[0085][0086]
其中，为步长高斯噪声与当前输入的步长成正比。
[0087]
子粒子群与原始粒子群相比，增加了行人移动过程产生的动态噪声变量，具有更强的环境适应性，对于动态转移过程中产生的过程噪声容限大大增强，增加了粒子滤波的鲁棒性，能对真实定位环境的噪声有更准确地预估。
[0088]
步骤a3：粒子权重评估
[0089]
该步骤涉及到原始粒子群和子粒子群这两个粒子群：
[0090]
要分别对这两个粒子群进行权重评估。通过状态转移路径与地图相融合的方法进行判断。首先对于原始粒子群来说，在完成状态量更新后，我们通过地图中代表墙壁等障碍物的线段元素判断粒子群的状态转移是否准确，当粒子状态更新前后所在位置连线与地图中的某线段相交，认为发生了错误的状态转移，这时我们将权重置为零，否则保持粒子权重大小不变。
[0091]
如果我们采取传统的穿墙判断每个粒子状态转移路径是否与地图每个线段相交，计算量非常大，在室内定位环境范围较大时设备处理速度会明显降低，出现定位延时。为提升判断效率本文将室内定位环境的区域划分为不同部分(大厅、走廊、办公室等)，先判断出粒子所处的部分，然后判断在粒子所处的区域内状态转移过程路径是否与该区域地图线段相交，这个办法减少了室内环境区域内粒子是否穿墙的判断次数，较大地提高了权重估计效率。
[0092]
完成原始粒子群权重评估后，再对扩展后的子粒子群进行权重评估。由于每个子粒子都由其原始粒子经过状态转移后产生，所以我们可以把子粒子当前位置和它对应的原始子粒子位置连线与地图区域是否相交来判断其是否穿墙，当子粒子与其原始粒子位置连线相交时则说明出现穿墙，将其权重置零。否则根据产生的子粒子与其对应原始粒子状态量相似程度来对其权重大小预估。子粒子群权重大小评估过程为：
[0093][0094]
通过上述过程可知，如果原始粒子出现撞墙，其权重为零，则不需要再产生对应子粒子，提高了计算效率，如果原始粒子未出现撞墙，且权重较高，那么子粒子状态量与原始粒子状态量越相近，其权重也越高。然后将子粒子群的权重进行归一化处理。
[0095][0096]
步骤a4：计算最优估计位置
[0097]
将子粒子群状态量进行加权，作为最终后验概率模型，得到当前最优估计位置。
[0098][0099]
步骤a5：概率模型分割
[0100]
我们通过概率子区域对子粒子群进行分割(把完整子粒子群所表示的概率模型分割为多个子概率模型组成的集合)：由子粒子的位置状态信息得到子粒子相应的概率子区域，接着将子粒子信息(状态量及权重)存入对应概率子区域中。
[0101]
粒子滤波在不断进行迭代，同一个概率子区域中可能同时存储各阶段子粒子信息。所以每次要将前一阶段子粒子信息清空，在对当前子粒子群进行概率模型分割，以此保证概率模型分割准确性。
[0102]
步骤a6：简化后验概率模型
[0103]
对子粒子群所分布的各个概率子区域(各概率子区域的粒子状态量)分布进行归一化，获得各子区域的统计状态量。
[0104][0105]
然后计算各子区域所含粒子位置和对应子区域的统计位置距离方差san*r
dis
。
[0106]
由原始粒子群扩展得到的子粒子群数量激增，若直接通过使用子粒子群进行粒子滤波迭代计算，会造成计算量大增，对定位结果造成型。
[0107]
同时在此过程中由于例子退化会导致产生很多低统计权重的概率子区域，对该区域粒子做一样地处理过程会进一步加大低权重粒子所占总粒子数比例，从而使粒子退化速度加快。
[0108]
如果对这些低概率区域中的子粒子进行同样的转化处理，相当于增大了低权重粒子的比例，加速了粒子的退化。所以要通过使用设定概率阚值thw对概率子区域筛选，对统
计权重sa.w小于thw的子区域，直接将其筛除，对符合概率阈值要求概率子区域，利用其对应的粒子分布状态统计信息，各自产生出数量为m2(m2＜m1)的粒子群。产生的方式如式所示。
[0109][0110]
其中，vg～n(0，san·rdis
)。
[0111]
因为在上述符合概率阈值要求的概率子区域中也可能会产生穿墙粒子，所以把新生成的子粒子位置与它对应概率子区域的统计位置进行连线，当作新的状态转移路径。
[0112]
通过使用以上基于概率子区域的穿墙判断方法，来检测粒子有效性，将得到的穿墙粒子权重设置为零，然后用概率子区域的统计信息评估新生成的粒子权重，最后得到的新生粒子权重如式所示。
[0113][0114]
至此，一个完整的粒子滤波周期就完成了，通过该步骤得到粒子滤波的最终样本集合。当出现新的噪声变量输入时，重复步骤二至步骤六的过程，完成一个新的粒子滤波周期。
[0115]
与粒子滤波重采样方法类似，简化后验概率模型通过筛除低概率子区域来避免加速粒子退化，该模型还对新产生的子粒子群压缩，使粒子总数量不会激增，从而子粒子在状态转移过程中效率提高。
[0116]
步骤4-3，通过使用内定位环境设计地图进行数据测试，对粒子滤波器和地图设计效果进行分析。
[0117]
实验人员沿着预先设定的路线移动，从九楼顺着楼梯行至十楼，再向西直行十楼至十一楼的下一楼梯口。实验路径总计约为600m。实验过程参数具体设置如下：起始状态的粒子样本总量n设置为1000；划分的子区域分辨率r为0.5m；第六节步骤二里单粒子扩展得到的子粒子数量ml设置为10；筛除低概率子区域的阈值thw取值是0.00012；
[0118]
得到测试结果如图5和图6所示。
[0119]
通过定点定位测试和走动定位测试结果可以得出结论，基于地图信息的粒子滤波方法相比于单纯使用定位信息的粒子滤波方法能够有效地提高定位过程的鲁棒性，使得定位结果的抖动更加平缓，大大提高了定位结果的精度。
[0120]
本发明提供了一种基于rssi测距的室内定位技术及目标跟踪方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。