一种自适应融合的室内定位方法、计算机设备和可读存储介质与流程

1.本技术涉及一种一种自适应融合的室内定位方法、计算机设备和可读存储介质，属于信号处理与新息融合技术领域。


背景技术：

2.随着物联网的快速发展，基于位置的服务的需求不断增加。全球卫星导航系统通常用于估计目标在室外环境中的位置。然而，卫星信号被建筑物墙壁阻挡，因此难以覆盖室内环境，导致gnss技术无法提供有效的室内位置服务。因此，室内定位系统需要特殊的技术支持。随着城市化进程的加快和生产方式的室内转移，人们70％到90％的时间都在室内。需要满足各个领域对ilbs的需求，例如仓库中存储的产品的位置、医院内设备的跟踪、烟雾导致能见度降低的建筑物内消防员的指导以及机场人员的指导。因此，定位领域的研究人员一直致力于室内环境的研究。潜在的大众市场应用刺激了多样化的技术。经典的定位技术包括wi-f、蓝牙、磁性、射频识别、超宽带(uwb)和惯性导航系统(ins)。
3.memss为智能手机提供了低成本的惯性测量单元，包括加速计、磁强计和陀螺仪。利用从传感器获得的数据，可以使用惯性导航来估计用户的空间位置。然而，低成本传感器缺乏准确性，惯性导航无法提供有效的位置。基于步态的pdr通常用于代替惯性导航来估计用户的位置。这种pdr方法使用从加速度计、磁强计和陀螺仪获得的惯性数据来执行步长检测、步长和航向估计。然后，结合已知起点，迭代计算位置。pdr是一种相对定位方法，需要初始位置。此外，误差会随着时间的推移而累积，使结果不准确。因此，需要引入wi-fi或磁力等绝对定位方法。
4.使用wi-fi信号的绝对自适应融合的室内定位方法是一种有吸引力的估计移动目标位置的方法，因为其覆盖大量室内场景，并且相对便宜的收发器。基于指纹的wi-fi定位技术使用接收信号强度指示(rssi)，是最流行的室内定位方案之一，近年来得到了广泛应用。基于指纹的定位分为两个基本阶段：离线训练阶段和在线定位阶段。在离线训练阶段，收集从每个位置已知的参考点(rp)的所有可检测接入点(ap)接收的rssi数据，以构建指纹数据库。在在线定位阶段，通过将用户的移动设备记录的实时rssi数据与离线指纹数据库匹配来估计用户的位置。由于复杂的室内环境和非视线(nlos)，rssi数据将受到多径效应的干扰，质量将降低，导致训练的指纹数据库和在线rssi数据发生偏差，从而影响定位结果的性能。
5.磁定位是另一种重要的室内绝对定位技术。室内环境中的地磁场受到复杂钢筋混凝土结构和电子设备的干扰，这些结构和设备在不同位置形成独特的磁性特征。室内磁场的特性可用于使用类似于基于指纹的wi-fi定位的方法进行定位。指纹数据通常是不同方向的磁场幅值。磁定位技术的优点是不受基础设施的限制、相对稳定性和节能特性。然而，磁指纹的维数较低，在某些区域其与位置的映射关系较弱，导致因不匹配而导致的较大误差。
6.目前，没有一种技术能够提供所有必要的因素，但技术之间存在互补优势。应探索并结合每种定位技术的优势，以尽可能低的成本、最大的范围和最高的精度来满足用户需求。
7.基于上述情况，特提出本技术。


技术实现要素：

8.本技术的目的在于提供一种自适应融合的室内定位方法、计算机设备和可读存储介质，能自适应地选择合适地定位信息源，实现更高精度的定位。
9.为达到上述目的，本技术公开如下技术方案：
10.第一方面，本技术提供一种自适应融合的室内定位方法，所述自适应融合的室内定位方法包括以下步骤：
11.s1、获取当前时刻终端接收到的wifi信号的rssi，将所述rssi代入区域判别模型，判断终端目前所属的子区域；
12.s2、根据所述子区域的地磁适配性的强弱，选择不同的绝对定位策略，获得绝对定位结果；
13.s3、使用卡尔曼滤波算法将所述绝对定位结果与pdr相对定位结果进行自适应融合，得到终端的精确定位结果。
14.通过该实施方式的技术方案，对wifi指纹聚类，划分区域，采用先粗略定位到子区域，再精确定位的层次定位策略。构建基于标准差、相关系数、峰度、粗糙度和信息熵的地磁适配性模型。使用地磁适配性模型判断子区域地磁适配性强弱，根据地磁适配性强弱选择不同的绝对定位策略。使用自适应卡尔曼滤波融合绝对定位和pdr，一方面避免了定位的位置跳变现象，另一方面减少了pdr的累积误差。
15.在一些可能的实施方式中，步骤s1具体包括：
16.s11、将定位区域划分为规则格网，每一个格网点作为一个参考点，在所述参考点上使用所述终端采集来自所有接入点的rssi，建立指纹库；
17.s12、使用kmeans算法对所述指纹库中得所有的指纹进行聚类，每一类的指纹对应着地理空间上的一块区域，从而将整个定位区域划分为若干子区域；
18.s13、将同一子区域内的点贴上相同的标签作为训练数据，使用随机森林算法训练子区域判别模型；
19.s14、定位时，对于接收到的wifi信号，先使用区域判别模型判断终端所在的子区域。
20.在一些可能的实施方式中，步骤s2中，所述根据所述子区域的地磁适配性的强弱，选择不同的绝对定位策略包括：
21.计算所述定位区域的地磁特征参数，带入地磁适配性模型，判断当前区域内的地磁适配性的强弱；
22.当所述地磁适配性强于预设值时，使用地磁定位结果作为绝对定位结果；当所述地磁适配性弱于预设值时，使用wifi定位结果作为绝对定位结果；当所述地磁适配性等于预设值时，融合wifi/地磁两种信息源作为绝对定位结果。
23.在一些可能的实施方式中，所述地磁适配性模型根据以下方法建立：
24.采集不同大小区域的地磁指纹数据及测试数据；
25.计算每个所述区域内的地磁特征参数；
26.在所述区域内进行地磁匹配测试，将地磁匹配成功率在0-0.3,0.3-0.75和0.75-1的区域分别标为弱适配区域，中适配区域和强适配区域；
27.使用决策树训练所述地磁适配性模型。
28.在一些可能的实施方式中，所述地磁特征参数包括标准差σ、相关系数ρ、峰度k和粗糙度r。
29.在一些可能的实施方式中，步骤s3具体包括：
30.根据终端的加速度、陀螺仪和磁力计传感器数据，进行步态检测、步长估计、和航向估计；
31.当识别到步态活动时，根据估计的步长和航向角，预测pdr相对定位结果；
32.使用sage-husa自适应卡尔曼滤波融合所述绝对定位结果和pdr相对定位结果。
33.在一些可能的实施方式中，所述步态检测使用峰值检测法实现，所述步长估计使用非线性模型实现，所述航向估计使用mahony互补滤波算法实现。
34.在一些可能的实施方式中，所述使用sage-husa自适应卡尔曼滤波融合所述绝对定位结果和pdr相对定位结果包括：
35.根据实际移动目标运动模型，建立目标运动系统的状态转移方程和观测方程，初始化协方差矩阵，状态转移噪声矩阵和观测噪声矩阵；
36.使用绝对定位初始化移动目标位置；
37.检测到步态时，将上一刻步长和航向根据状态转移方程预测当前时刻位置；
38.根据状态转移矩阵和状态转移噪声矩阵计算当前时刻协方差矩阵；
39.根据当前时刻协方差矩阵和观测噪声矩阵计算卡尔曼增益；
40.在获得观测量的基础上，根据观测方程计算后验位置；
41.计算新息，根据渐消因子自适应调节观测噪声矩阵；
42.下一时刻重复迭代上述步骤。
43.第二方面，本技术提供一种计算机设备，其包括：处理器和存储器，所述存储器用于存储程序，所述处理器用于从存储器中调用并运行所述程序以执行第一方面所述的自适应融合的室内定位方法。
44.第三方面，本技术提供一种计算机可读存储介质，其包括计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面所述的自适应融合的室内定位方法。
45.与现有技术相比，本发明具有以下优点：
46.本技术实施例的技术方案，通过划分区域，实现先定位到子区域，再在子区域内进行精确定位的层次定位方法。通过建立地磁适配性模型，可以判断定位区域内地磁定位信息源的质量，从而自适应地选择合适地定位信息源，实现更高精度的定位。同时，使用自适应卡尔曼滤波将绝对定位结果与pdr定位结果融合，使两种定位结果进行互相校正，大幅提高了定位的精度和稳定性。
47.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
48.图1为本技术一实施例所示的自适应融合的室内定位方法的示意性整体框架图；
49.图2为本技术一实施例所示的自适应融合的室内定位方法的示意性具体流程图。
具体实施方式
50.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
51.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本技术的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
52.图1示出了本技术实施例的自适应融合的室内定位方法的整体框架图，如图所示，本技术融合了wifi/地磁/pdr三种信息源，通过将定位区域划分为子区域，判断区域内的地磁适配性的方式，对定位信息源采取不同的取舍策略，并进行融合定位。
53.图2示出了本技术实施例的自适应融合的室内定位方法的流程图，如图所示，该方法具体包括以下步骤：
54.s1、离线阶段，包括数据采集，区域划分，以及区域判别模型和地磁适配性模型建立。
55.具体的，包括：
56.数据采集：将定位区域划分为规则的格网，每一个格网点作为一个参考点，在参考点上，使用终端采集来自所有ap的rssi以及地磁强度值，并记录参考点的位置信息，建立指纹库。
57.区域划分：对指纹库中的所有rssi指纹，使用kmeans聚类算法，划分类别，每一类的指纹对应着地理空间上的一块区域。
58.区域判别模型建立：给聚类后的每一类中的rssi贴上相同的标签，作为训练数据，然后使用随机森林算法训练区域判别模型。
59.地磁适配性模型建立：采集多个非实验区域的地磁指纹数据，并且参考点的间隔与定位区域一致。
60.然后，计算每个区域的五个地磁参数包括标准差σ，相关系数ρ，峰度k，粗糙度r，信息熵h，作为训练数据，这些参数的计算公式分别为：
61.[0062][0063][0064][0065][0066][0067][0068][0069][0070]
其中，m1和m2分别为定位区域的长和宽方向上的参考点数；f(i，j)是参考点(i，j)上的磁场强度；表示该区域内所有参考点上处的磁场强度平均值。
[0071]
获取每个区域的上述5个地磁参数后，在每个区域进行地磁匹配测试。匹配成功率为0～0.3、0.3～0.75和0.75～1的区域分别标记为弱、中等和强地磁适配性区域，并使用决策树对模型进行训练，建立地磁适配性模型。
[0072]
s2、在线定位阶段，包括基于区域地磁适配性的自适应定位信息源选择融合策略，以及基于自适应卡尔曼滤波融合pdr的定位。
[0073]
具体的，包括：
[0074]
将终端接收到的rssi信号带入区域判别模型，判断终端当前所在区域；在区域内将rssi与指纹库进行匹配，得到精确的wifi定位结果。
[0075]
将终端接收到的地磁信号模值与区域内地磁进行匹配，得到地磁定位结果。
[0076]
计算该区域内的地磁特征参数，带入地磁适配性模型，判断当前区域内的地磁适配性强弱。
[0077]
若地磁适配性为强，则绝对定位仅使用地磁定位结果；若地磁适配性为若，则绝对定位仅使用wifi定位结果；若地磁适配性为中，则绝对定位结果融合wifi/地磁两种信息源。
[0078]
根据终端采集的加速度计、陀螺仪、磁力计，进行步态检测、步长估计、航向估计。
[0079]
步态检测：通过检测加速度计的峰值而实现的，并通过时间阈值限制以减少假峰的影响，其公式为：
[0080]
{a
peak
|a
k-1
《ak《a
k 1
1ak》a
th
}
[0081][0082]
其中，ak为k时刻的加速度，a
th
代表加速度阈值，a
peak
代表加速度峰值；为当前峰值加速度的时间刻度；t
th
为时间间隔阈值。
[0083]
步长估计：使用非线性步长估计weinberg模型：
[0084][0085]
其中，a
max
和a
min
分别为当前步长垂直方向上加速度的最大值和最小值，k为常数。
[0086]
航向估计：使用mahony互补滤波算法估计航向。
[0087]
得到步长和航向，根据pdr的原理，预测相对定位结果：
[0088][0089]
根据卡尔曼滤波原理，定义状态变量为：xk＝[x
k y
k s
k ψk]
t
[0090]
其中，xk和yk代表当前位置，sk，ψk分别代表当前步长和航向。
[0091]
建立状态转移方程xk＝f
k-1
x
k-1
ω
k-1
和观测方程zk＝hkxk υk。其中，ω
k-1
为系统噪声，υk为观测噪声。
[0092]
在观测更新时，对于不同的区域适配性，分别使用不同的定位信息源。当区域地磁适配性为强时，仅使用地磁定位结果作为观测值；当区域地磁适配性为中时，根据距离加权融合wifi/地磁定位结果作为观测值；当区域地磁适配性为弱时，仅以wifi定位结果作为观测值。具体表现为：
[0093][0094]
最后引入新息和渐消因子，序贯更新观测噪声矩阵，以使滤波具有更强的自适应效果。
[0095]
本技术实施例还提供一种计算机设备，该计算机设备包括至少一个处理器和存储器，该存储器用于存储程序，该至少一个处理器用于从存储器中调用并运行该程序以执行上述所提供的方法。
[0096]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当该计算机程序在计算机设备上运行时，使得计算机设备执行上述所提供的方法。
[0097]
本技术实施例还提供一种包含计算机程序的计算机程序产品，当其在计算机设备上运行时，使得计算机设备执行上述所提供的方法。
[0098]
本技术实施例还提供一种芯片，该芯片包括处理器与数据接口，其中，处理器通过所述数据接口读取存储器上存储的指令，以执行第一方面或第一方面任意一种可能的实现方式中的方法。
[0099]
在具体实现过程中，该芯片可以为中央处理器(cpu)、微控制器(micro controller unit，mcu)、微处理器(micro processing unit，mpu)、数字信号处理器(dsp)、片上系统(system on chip，soc)、专用集成电路(asic)、现场可编程门阵列(fpga)或可编辑逻辑器件(programmable logic device，pld)的形式实现。
[0100]
可选地，在具体实现中，该处理器的个数不做限制。该处理器是通用处理器，可选地，该通用处理器能够通过硬件来实现或通过软件来实现。当通过硬件实现时，该处理器是逻辑电路、集成电路等；当通过软件来实现时，该处理器是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器集成在处理器中，位于该处理器之外，独立存在。
[0101]
上述实施例，全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。
[0102]
可选地，所述计算机为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令能够存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0103]
所述计算机可读存储介质是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质，例如固态硬盘。
[0104]
综上所述，通过本技术实施例的技术方案，利用经验小波变换(ewt)算法对电离层tec原始时间序列进行预处理，充分利用了电离层总电子含量时间序列信息，通过将ewt分解得到的各个分量输入至lstm模型进行预测，并将预测结果组合重构，得到最终的tec预测值。和现有的技术相比，本发明充分考虑了电离层tec序列存在的非线性、非平稳性等特征，使用ewt算法充分挖掘了时间序列的具体细节，提高了数据预处理的质量，并结合lstm神经网络更为适合预报和处理长时间tec序列的特点，引进了lstm神经网络，为电离层tec建模提供了一种新的方法。本技术的方法在预报tec上具有更好的适用性和更高的准确性。
[0105]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0106]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。