一种蓝牙与PDR信息深度融合的室内定位方法

一种蓝牙与pdr信息深度融合的室内定位方法
技术领域
1.本发明属于蓝牙室内定位技术领域，具体涉及一种蓝牙与pdr信息深度融合的室内定位方法。


背景技术：

2.目前常用的蓝牙室内定位算法有位置指纹法和三角定位法(trilateration，tri)。位置指纹法需要在离线阶段采集定位场景中的蓝牙的rssi(received signal strength indication，接收信号强度)，建立指纹数据库，导致前期会耗费大量的人力去建立指纹数据库。三角定位法每次定位需要至少收到三个蓝牙的信息，在蓝牙部署密度低时，收到的蓝牙少于三个，无法实现定位。针对以上定位算法的问题，为了解决蓝牙部署密度低的场景的定位问题，实现各种现实场景的高精度定位，本发明提出了一种蓝牙与pdr信息深度融合的室内定位方法。通过由位置粒子滤波和步伐粒子滤波构成的自适应双重粒子滤波算法，将蓝牙信息(蓝牙位置、rssi测距量)与pdr算法进行深度融合，实现了在蓝牙部署密度较低场景的高精度定位。


技术实现要素：

3.针对现有传统定位算法的上述不足，本发明提出的一种蓝牙与pdr信息深度融合的室内定位方法，比传统的三角定位算法的定位精度有所提升。
4.为了达到以上目的，本发明采用的技术方案为：
5.本方案提供一种蓝牙与pdr信息深度融合的室内定位方法，其特征在于，包括以下步骤：
6.s1、通过移动终端采集定位场景中的蓝牙数据；
7.s2、处理采集的蓝牙的rssi数据，对rssi进行排序、测距，得到测距量；
8.s3、将计算得到的测距量为输入，生成新型测量误差模型，粒子滤波的状态方程和观测方程；
9.s4、将前一时刻粒子滤波的估计粒子作为输入，进行第一重粒子滤波，生成m个位置粒子；
10.s5、通过移动终端传感器数据，计算前进方向和步长，以第一重位置粒子、前进方向、步长为输入，第二重粒子滤波利用pdr算法，生成n个步伐粒子，全部预测粒子数n*m；
11.s6、对全部预测粒子进行随机重采样，生成估计粒子，加权计算估计粒子的位置，得到定位位置。
12.进一步地，所述步骤s1中采集的蓝牙的数据如下：
13.在离线阶段，通过移动终端采集定位场景中部署的蓝牙的信息和环境中的信息，(uuid，major，minor，α，p
cali
，η，p
ble
(x，y))，其中uuid、major和minor是蓝牙的标识，用来区分不同的蓝牙，α是当地的磁偏角，p
cali
是在距离蓝牙1米处测得的接受功率，η是定位场景中的路径损耗因子，p
ble
(x，y)是蓝牙的位置坐标。
14.再进一步地，所述步骤s2包括以下步骤：
15.s201、在线阶段，通过移动终端扫描定位场景中的蓝牙，从数据库中获取对应的蓝牙与定位场景的数据；
16.s202、对收到的蓝牙的rssi(received signal strength indication，接收信号强度)数据进行滤波，滤波窗口大小为n，如下式所示：
[0017][0018]
s203、对进行了滤波的rssi值排序，选取rssi值最大的蓝牙，利用rssi测距公式计算移动终端与该蓝牙的距离为d
ble
，蓝牙坐标为p
ble
(x，y)：
[0019][0020]
p
cali
为距离发射天线1米时的接收功率为，距离发射天线d
ble
处的接收功率为pr，η是路径损耗因子。
[0021]
再进一步地，所述步骤s3包括以下步骤：
[0022]
s301、利用移动终端的传感器数据，解算行人的前进方向和步长，进行pdr(pedestrian dead reckoning，行人航迹推算)推算，获得行人的相对位置，如下式所示：
[0023][0024][0025]
其中，slk是第k时刻行人的步长，yawk是第k时刻行人的前进方向，f(sk)是第k时刻行人的位移；
[0026]
s302、粒子滤波(particle filter，pf)的状态方程和观测方程，如下式所示：
[0027][0028]
其中，p
k 1
＝[x
k 1 y
k 1
]
t
是第k 1时刻行人位置的先验估计，即预测粒子，是第k时刻双重粒子滤波的估计粒子，q是过程噪声，服从零均值，方差为的高斯分布，z
k 1
是观测值，为蓝牙rssi测距值d
ble
，p
ble
为蓝牙坐标，r是观测噪声；
[0029]
s303、为了使得粒子滤波算法更加鲁棒，本发明提出了一种新型的测量误差模型，可以根据观测值自适应调整观测噪声的方差，从而提升算法的鲁棒性与精度，观测噪声的概率密度如下式所示：
[0030]
[0031]
其中，z是观测噪声概率密度的自变量，为测距量，z
max
是最大的蓝牙rssi测距值，μr为观测噪声的均值，为观测噪声的方差。
[0032]
再进一步地，所述步骤s4第一重粒子滤波生成m个位置粒子的表达式如下：
[0033][0034][0035]
其中，是在第k时刻由双重粒子滤波算法生成的估计粒子，然后，根据粒子权重进行排序，选取前m个粒子为第k 1时刻的第一重粒子滤波的位置粒子。
[0036]
再进一步地，所述步骤s5包括以下步骤：
[0037]
s501、利用移动终端传感器信息，计算行人第k时刻的前进方向yawk和步长slk；
[0038]
s502、前进方向粒子和步长粒子分别为服从和的正态分布，由正态分布随机数产生，生成第二重粒子滤波的步伐粒子如下式所示：
[0039][0040]
s503、生成第k 1时刻的预测粒子s503、生成第k 1时刻的预测粒子为第一重粒子滤波的m个位置粒子，分别融合n个步伐粒子，生成l个新的预测粒子，如下式所示：
[0041][0042]
s504、更新粒子权重为第k时刻的前m个估计粒子的权重，并归一化粒子权重，其中为观测噪声r的概率密度函数，如下式所示：
[0043][0044]
再进一步地，所述步骤s6包括以下步骤：
[0045]
s601、为防止粒子退化，对第k 1时刻的所有预测粒子进行随机重采样，生成第k 1时刻的估计粒子根据下式生成区间{[cdf(i-1)，cdf(i)]
l
，l＝1，2，
…
，l}，并且每次生成(0，1)之间的均匀分布随机数，根据随机数所在的区间，复制对应区间的粒子，最后将所有粒子权重设置为
[0046][0047]
s602、统计每个粒子被复制的次数，复制次数记为{c
l
，l＝1，2
…
l}，由大到小排序，选取第k 1时刻的前m个估计粒子作为下一时刻第一重粒子滤波的位置粒子，并保存前m
个粒子权重为当前估计粒子权重乘以粒子复制次数，如下式所示：
[0048][0049][0050]
s603、计算第k 1时刻粒子位置的最终估计position
k 1
，也是第k 1时刻行人的估计位置，如下式所示：
[0051][0052]
本发明的有益效果是：本发明提出了一种蓝牙与pdr信息深度融合的室内定位方法。通过由位置粒子滤波和步伐粒子滤波构成的自适应双重粒子滤波算法将蓝牙信息以及蓝牙测距量与pdr推算的结果进行深度融合，双重粒子由位置粒子滤波和步伐粒子滤波组成，模拟行人行走的位置状态和步伐状态，深度融合了蓝牙、行人的前进方向和步长信息。同时，利用蓝牙测距量自适应调整观测噪声方差，使得粒子滤波算法更好的模拟行人行走的状态，实现了蓝牙部署稀疏场景的高精度定位。
附图说明
[0053]
图1为本发明的方法流程图。
[0054]
图2为蓝牙与pdr信息深度融合的室内定位方法的具体流程。
[0055]
图3为本实施例中利用本技术的融合算法的定位结果示意图。
[0056]
图4为本实施例中利用本技术的融合算法的定位误差图。
具体实施方式
[0057]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0058]
实施例
[0059]
本发明提出了一种蓝牙与pdr信息深度融合的室内定位方法。本发明方法有两个阶段：离线阶段和在线阶段。在离线阶段，采集定位场景中的蓝牙信息和环境信息，将其保存在数据库中。在线定位阶段，对收到的蓝牙的rssi数据进行滤波，然后利用测距公式进行测距，获得蓝牙与移动终端之间的距离的观测值。其次，通过移动终端传感器获得行人的前进方向和步长。最后，利用自适应双重粒子滤波算法，结合上一时刻的估计粒子和此时的步伐粒子，生成预测粒子，并且融合蓝牙rssi测距量，修正预测粒子，对预测粒子随机重采样，生成估计粒子，加权估计粒子，最终获得行人的估计位置。同时为提高算法的鲁棒性，本发明也提出了一种新型的测量误差模型，自适应调整粒子滤波观测噪声方差，而且本发明每次定位可以利用一个或者多个蓝牙的信息，因此也降低了定位场景中的蓝牙数目，减少了
定位成本。如图1所示，本发明提出了一种蓝牙与pdr信息深度融合的室内定位方法，其实现方法如下：
[0060]
s1、通过移动终端采集定位场景中的蓝牙数据，s1中采集的蓝牙的数据如下：
[0061]
在离线阶段，通过移动终端采集定位场景中部署的蓝牙的信息和环境中的信息，(uuid，major，minor，α，p
cali
，η，p
ble
(x，y))，其中uuid、major和minor是蓝牙的标识，用来区分不同的蓝牙，α是当地的磁偏角，p
cali
是在距离蓝牙1米处测得的接受功率，η是定位场景中的路径损耗因子，p
ble
(x，y)是蓝牙的位置坐标。
[0062]
s2、处理采集的蓝牙的rssi数据，对rssi进行排序、测距，得到测距量，其实现方法如下：
[0063]
s201、在线阶段，通过移动终端扫描定位场景中的蓝牙，从数据库中获取对应的蓝牙与定位场景的数据；
[0064]
s202、对收到的蓝牙的rssi(received signal strength indication，接收信号强度)数据进行滤波，滤波窗口大小为n，如下式所示：
[0065][0066]
s203、对进行了滤波的rssi值排序，选取rssi值最大的蓝牙，利用rssi测距公式计算移动终端与该蓝牙的距离为d
ble
，蓝牙坐标为p
ble
(x，y)：
[0067][0068]
p
cali
为距离发射天线1米时的接收功率为，距离发射天线d
ble
处的接收功率为pr，η是路径损耗因子。
[0069]
s3、将计算得到的测距量为输入，生成新型测量误差模型，粒子滤波的状态方程和观测方程，其实现方法如下：
[0070]
s301、利用移动终端的传感器数据，解算行人的前进方向和步长，进行pdr(pedestrian dead reckoning，行人航迹推算)推算，获得行人的相对位置，如下式所示：
[0071][0072][0073]
其中，slk是第k时刻行人的步长，yawk是第k时刻行人的前进方向，f(sk)是第k时刻行人的位移；
[0074]
s302、粒子滤波(particle filter，pf)的状态方程和观测方程，如下式所示：
[0075][0076]
其中，p
k 1
＝[x
k 1 y
k 1
]
t
是第k 1时刻行人位置的先验估计，即预测粒子，是第k时刻双重粒子滤波的估计粒子，q是过程噪声，服从零均值，方差为的高斯分布，z
k 1
是观测值，为蓝牙rssi测距值d
ble
，p
ble
为蓝牙坐标，r是观测噪声；
[0077]
s303、为了使得粒子滤波算法更加鲁棒，本发明提出了一种新型的测量误差模型，可以根据观测值自适应调整观测噪声的方差，从而提升算法的鲁棒性与精度，观测噪声的概率密度如下式所示：
[0078][0079]
其中，z是观测噪声概率密度的自变量，为测距量，z
max
是最大的蓝牙rssi测距值，μr为观测噪声的均值，为观测噪声的方差。
[0080]
本实施例中，传统的蓝牙三角定位算法在每次定位至少要收到3个蓝牙才能定位，如果收到的蓝牙个数少于3个，则无法定位。本发明的一种蓝牙与pdr信息深度融合的室内定位方法，通过利用双重粒子滤波算法，以及本发明提出的新型测量误差模型，将蓝牙rssi测距量和pdr算法相融合，不仅提高了定位精度和算法鲁棒性，而且减少了定位需要的蓝牙数目，每次定位时只需用到一个蓝牙，降低了实现成本，有效解决了蓝牙覆盖密度较低的场景的定位问题。
[0081]
s4、将前一时刻粒子滤波的估计粒子作为输入，进行第一重粒子滤波，生成m个位置粒子，表达式如下：
[0082][0083]
其中，是在第k时刻由双重粒子滤波算法生成的估计粒子，然后，根据粒子权重进行排序，选取前m个粒子为第k 1时刻的第一重粒子滤波的位置粒子。
[0084]
本实施例中，为了改善粒子滤波算法对于先验粒子信息的缺失，我们提出了双重粒子滤波算法，将上一次粒子滤波更新的前m个粒子，作为本次粒子滤波的第一重粒子。在此基础上，再利用pdr算法生成n个步伐粒子，总共生成m*n个位置粒子，充分利用了上一时刻估计粒子的先验粒子信息，提升了传统粒子滤波算法的精度与鲁棒性。
[0085]
s5、通过移动终端传感器数据，计算前进方向和步长，以第一重位置粒子、前进方向、步长为输入，第二重粒子滤波利用pdr算法，生成n个步伐粒子，全部预测粒子数n*m，其实现方法如下：
[0086]
s501、利用移动终端传感器信息，计算行人第k时刻的前进方向yawk和步长slk；
[0087]
s502、前进方向粒子和步长粒子分别为服从和的正态分布，由正态分布随机数产生，生成第二重粒子滤波的步伐粒子如下式所示：
[0088][0089]
s503、生成第k 1时刻的预测粒子s503、生成第k 1时刻的预测粒子为第一重粒子滤波的m个位置粒子，分别融合n个步伐粒子，生成l个新的预测粒子，如下式所示：
[0090][0091]
s504、更新粒子权重为第k时刻的前m个估计粒子的权重，并归一化粒子权重，其中为观测噪声r的概率密度函数，如下式所示：
[0092][0093]
s6、对全部预测粒子进行随机重采样，生成估计粒子，加权计算估计粒子的位置，得到定位位置，其实现方法如下：
[0094]
s601、为防止粒子退化，对第k 1时刻的所有预测粒子进行随机重采样，生成第k 1时刻的估计粒了根据下式生成区间{[cdf(i-1)，cdf(i)]
l
，l＝1，2，
…
，l}，并且每次生成(0，1)之间的均匀分布随机数，根据随机数所在的区间，复制对应区间的粒子，最后将所有粒子权重设置为
[0095][0096]
s602、统计每个粒子被复制的次数，复制次数记为{c
l
，l＝1，2
…
l}，由大到小排序，选取第k 1时刻的前m个估计粒子作为下一时刻第一重粒子滤波的位置粒子，并保存前m个粒子权重为当前估计粒子权重乘以粒子复制次数，如下式所示：
[0097][0098][0099]
s603、计算第k 1时刻粒子位置的最终估计position
k 1
，也是第k 1时刻行人的估计位置，如下式所示：
[0100][0101]
本实施例中，一种蓝牙与pdr信息深度融合的室内定位方法的具体流程如图2所示。我们将粒子位置作为状态量、蓝牙测距值作为观测量，通过pdr算法生成预测粒子，然后通过蓝牙测距量修正pdr的累积误差，同时为了使得算法更鲁棒，本发明提出了新型的测量误差模型，可以根据蓝牙测距量自适应调整观测噪声的方差，提高算法的精度、鲁棒性，解决pdr累计误差的问题。此外，我们的定位算法每次可以利用单个或者多个蓝牙进行定位，从而解决了蓝牙较少时，传统三角定位算法无法有效定位的问题，也降低了定位成本。
[0102]
为了验证一种蓝牙与pdr信息深度融合的室内定位方法的性能，我们采用了长为
25米的正方形场地作为定位用的实验场景进行实验。实验测试了蓝牙三角定位算法、pdr算法和本发明提出的一种蓝牙与pdr信息深度融合的室内定位方法的性能，本实施例中利用本技术的融合算法的定位结果示意图如图3所示。其中蓝牙三角定位算法的定位精度与蓝牙的部署密度高度相关，本次实验使用了11个蓝牙测试蓝牙三角定位算法的性能，而本发明提出的融合算法实验中只用到了4个蓝牙，比三角定位算法所用蓝牙少，但是定位精度明显高于三角定位算法。一种蓝牙与pdr信息深度融合的室内定位方法的第一重粒子滤波中，位置粒子数目m为3，第二重粒子滤波中，步伐粒子数目为30，总共为90个粒子。通过计算定位算法的定位误差，是定位算法的估计位置，(x
real
，y
real
)为真实位置，本实施例中利用本技术的融合算法的定位误差图如图4所示。在本发明提出的算法在测试场景中定位只用了4个蓝牙，定位误差小于2米的概率为72.4％。pdr算法由于完全依靠移动终端内置的惯性传感器实现自主定位，会出现累计误差，定位效果比较差，最大定位误差为7米。蓝牙三角定位算法，使用的蓝牙个数比本发明提出的算法要多7个，但是定位效果依旧不理想，定位效果明显比本发明的融合算法差。因此，本发明提出的一种蓝牙与pdr信息深度融合的室内定位方法，不仅降低了对于定位场景中的蓝牙部署密度的要求，减少了定位所用的蓝牙数目，降低了实现成本，而且与蓝牙三角定位算法和pdr算法相比，本发明提出的算法定位精度更高，同时也解决了蓝牙三角定位算法在蓝牙部署稀疏场景中无法定位的问题，实现了在蓝牙部署稀疏场景中的高精度定位。