一种基于多源融合的高精度三维室内定位方法
技术领域
本发明涉及室内定位技术领域，具体是一种基于多源融合的高精度三维室内定位方法。
背景技术
随着位置服务行业的迅速发展，人们对位置服务的需求增加，目前比较成熟的GPS、北斗定位仅仅支持室外定位，由于室内环境的复杂性，室内定位从实施成本、定位复杂度、定位精度等方面都有待提高。主流的室内定位技术有Wi-Fi定位、蓝牙定位、PDR定位、超宽带定位及地磁定位等，各种定位技术由于定位手段不同因此优缺点不一样，表1展示了几种主流室内定位技术的优缺点。
表1不同室内定位技术对比
Wi-Fi定位主要通过构建Wi-Fi指纹数据库实现Wi-Fi定位，但由于Wi-Fi信号不稳定，因此Wi-Fi定位也不稳定。蓝牙Beacon通过蓝牙向周围广播自身的ID，手机终端获得附近Beacon的ID后会采取相应的动作，如从云端服务器获取此ID对应的位置信息等，终端测量其所在位置的接收信号强度，以此估算与Beacon之间的距离。PDR定位是利用手机内置陀螺仪、加速度计、方向传感器等组成测量单元，通过行人航迹推算，对目标进行定位和追踪，但PDR定位中累计误差较大。融合定位是指融合多种定位技术、多传感器的信息进行综合定位，以达到有事互补，提高定位精度、鲁棒性、降低定位成本。不管是Wi-Fi、蓝牙Beacon或者PDR，因为室内和室外环境不一样，室内环境相对复杂，不同场所特征完全不一样，目前来看，单一技术无法同时满足精度、部署、成本这些需要的，融合定位必将成为室内定位的发展方向。
发明内容
本发明的目的在于克服现有技术的不足，而提供一种基于多源融合的高精度三维室内定位方法，该定位方法不仅仅是水平方向的精准定位，其对垂直方向也有较高的定位精度，可对用户进行精准的三维位置服务，定位精度高，定位误差小，定位效果好。
实现本发明目的的技术方案是：
一种基于多源融合的高精度三维室内定位方法，包括如下步骤：
1)在待定位区域内部署Wi-Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi-Fi信号强度值RSSI，建立Wi-Fi离线指纹数据库；
2)在线阶段采集Wi-Fi信号RSSI值，通过改进加权质心定位算法实现Wi-Fi定位；
3)在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；
4)通过平均加权实现Wi-Fi和蓝牙融合定位；
5)利用步长模型匹配加速度传感器结果，进行PDR定位；
6)通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到二维定位坐标；
7)利用气压计测高判断楼层，得到垂直方向高度值；
8)融合二维定位坐标和垂直方向高度值，得到最终三维位置坐标，实现楼宇内人员三维定位。
步骤1)中，所述离线阶段，是在整个室内场景中划分多个位置，在每个位置收集足够的Wi-Fi RSSI样本，并对这些信号样本进行特定的训练，得到训练结果和当前位置的坐标信息，将训练结果和当前位置的坐标信息存储在数据库中作为训练数据，当所有训练点完成后，构建Wi-Fi指纹图谱；设在待定位区域划分好的某个小区域在一段时间t内多次采集Wi-Fi信号为：
I＝{(RSSV1,ο1),(RSSV2,ο2),...,(RSSVi,οi),...,(RSSVN,οN)}
其中RSSVi＝(RSSi1,RSSi2,...,RSSiM)为来自M个Wi-Fi热点的RSSI，οi＝(x,y)∈R2为RSSVi对应的位置，x，y为该位置的位置信息。
步骤2)中，所述的在线阶段，是指Wi-Fi离线指纹数据库建立后，计算出Wifi数据库所有样本两两之间的欧氏距离，欧氏距离表达式为：
其中Dij表示样本i与样本j的实际距离；
根据Dij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，通过设置一个阈值T，当距离最小的两个类间的距离D＞T时，聚类结束，根据聚类的结果，计算出每个类质心的信号特征向量为
设在线获取的RSSI样本记为T＝((RSSj1,RSSj2,...,RSSjM),(xj,yj))，其中rj＝(RSSj1,RSSj2,...,RSSjM)表示在线接收的M个AP的RSSI，位置向量ο＝(x,y)表示在线获取的RSSI的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；
计算在线获取的RSSI样本T与所有类的质心MK的欧式距离，找出与T的指纹距离最近的质心点所在的类P，通过最近邻算法计算出与T在欧式距离上最相近的K个点，其中，K个点的位置信息为(xi,yi)，若P中的指纹点数目小于K，则提取类P中所有点的物理位置，根据T与K个点的指纹欧氏距离来确定坐标权值的分配，权值的计算公式如下：
其中w'sj是一个权值的过度函数，wsj是样本j分配到的坐标权值，K表示P中与S在欧式距离上最近的K个点；
通过下式得到Wi-Fi定位结果，
步骤3)中，所述的通过改进加权质心定位算法实现蓝牙定位，是在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，对于m个采集点(x1,y1)，(x2,y2)，...,(xm,ym)，Beacon
步骤4)中，所述的通过平均加权实现Wi-Fi和蓝牙融合定位，是在待定位区域内部署12个Wi-Fi路由器来部署Wi-Fi定位环境，将待定位区域内划分为若干个2*2m的小网格，每隔2s采集一次Wi-Fi信号强度值，共采集10次，记录采集点的位置信息，通过均值滤波法构架Wi-Fi离线指纹数据库；
同时在待定位区域内部署12个发射蓝牙信号的蓝牙节点，由于蓝牙输出频率高于Wi-Fi输出频率，即通常获得一次Wi-Fi定位结果时，获得3-5次蓝牙定位结果，通过平均加权实现Wi-Fi和蓝牙融合定，即某次定位中Wi-Fi定位结果为：
LWifi＝(x,y)
此时间段内，蓝牙定位结果为：
Lbeacon(x,y)＝{(x1,y1),(x2,y2),...,(xn,yn)}
蓝牙定位的平均加权坐标为：
此时加入一个距离阈值σs判定，将得出的Wi-Fi定位坐标LWifi与蓝牙加权坐标
Lwifibeacon即为Wi-Fi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定。
步骤5)中，所述的利用步长模型匹配加速度传感器结果，进行PDR定位，PDR定位所系统模型如下：
其中K为步数，行走后的位置信息xk,yk为行走后的位置信息，θk表示K步后的方位角，Wk-1为噪声，
其中，xk,yk表示通过Wi-Fi和蓝牙融合定位获得的行人位置；sk表示行人第k步行走步长，通过加速度传感器结果获得，Δθk表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取，θk表示行人行走后的第k步的朝向角；Vk表示噪声。
步骤6)中，所述的通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果，具体是构建行人行走的系统模型，PDR定位的初始位置坐标通过Wi-Fi定位获得，融合Wi-Fi定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得行人完成一步后的位置，使用量测方程更新状态信息和位置信息；
UKF算法设系统方程和两侧方程具有离散形式，即
其中，X是n维随机向量且
PDR定位所述行人行走的系统模型建模如下：
其中行走的步数用K表示，行走后的位置信息用xk,yk表示，θk表示K步后的方位朝向角，Wk-1表示噪声，
其中，xk,yk表示通过Wi-Fi和蓝牙融合定位获得的行人位置；sk表示行人第k步行走步长，通过加速度传感器结果获得；Δθk表示行人行走后的第k步的朝向角变化量，通过智能终端内置陀螺仪获取；θk表示行人行走后的第k步的朝向角；Vk表示噪声，通过UKF算法融合得到最终定位结果，其中UKF滤波初始值(x0,y0)由Wi-Fi蓝牙融合定位结果给出，初始方位朝向角θ0由PDR处理模块给出，利用UKF算法进行融合定位得出二维定位坐标。
步骤7)中，所述的利用气压计测高判断楼层，得到垂直方向高度值，具体是：通过建立气压高程模型，获取测量大气压力值，通过气压高程模型计算该大气压力值得高程值，计算公式为：
上述式中，h为待定位目标的高度，h0为基准点高度，p0为基准点气压，p为待定位目标所在位置的气压，tm为两个等压面p0和p之间的平均摄氏温度，t0为基准点温度，t为待定位目标所在位置的温度；
基准点气压p0、待定位目标所在位置的气压p、基准点温度t0和待定位目标所在位置的温度t，采用室内摆放的基站测得，测得后的数据采用滤波方法进行平滑处理后，再带入公式中进行高度计算和楼层高度判定。
步骤8)中，所述的融合二维定位坐标和垂直方向高度值，得到最终三维位置坐标，实现楼宇内人员三维定位，是将步骤6)中所得到的二维位置坐标与步骤7)中所得到的垂直高度h融合得到三维位置坐标，从而达到室内三维定位效果。
本发明提供的一种基于多源融合的高精度三维室内定位方法，首先通过改进加权质心法实现Wi-Fi定位和蓝牙定位，通过平均加权进行Wi-Fi和蓝牙融合定位，并通过权值自适应约束融合定位结果，解决了Wi-Fi信号不稳定的问题，利用融合定位结果和PDR定位融合通过UKF实现融合定位，解决了PDR定位中累计误差大的问题，最后利用气压计测高判断高度，实现室内三维定位。实验证明，Wi-Fi、蓝牙和PDR融合定位结果比单独定位的定位精度高，解决了Wi-Fi定位信号不稳定，PDR累计误差大的问题。本方法可以在不需要额外设备部署的情况下进行定位，且受环境影响较小，比较稳定，运维成本较低，推广前景较好。
附图说明
图1本发明的整体流程图；
图2为待定位区域Wi-Fi分布图；
图3为Wi-Fi指纹定位的流程图；
图4为待定位区域蓝牙标签分布图；
图5为基于气压计测高的楼层判别法。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。
实施例：
一种基于多源融合的高精度三维室内定位方法，如图1所示，包括如下步骤：
1)在待定位区域内部署Wi-Fi环境，离线阶段通过在待定位区域采集各个小区域的Wi-Fi信号强度值RSSI，建立Wi-Fi离线指纹数据库；
2)在线阶段采集Wi-Fi信号RSSI值，通过改进加权质心定位算法实现Wi-Fi定位；
3)在待定位区域内部署蓝牙设备，采集蓝牙RSSI值，通过改进加权质心定位算法实现蓝牙定位；
4)通过平均加权实现Wi-Fi和蓝牙融合定位；
5)利用步长模型匹配加速度传感器结果，进行PDR定位；
6)通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到二维定位坐标；
7)利用气压计测高判断楼层，得到垂直方向高度值；
8)融合二维定位坐标和垂直方向高度值，得到最终三维位置坐标，实现楼宇内人员三维定位。
步骤1)中，所述离线阶段，是在整个室内场景中划分多个位置，如图2所示，在每个位置收集足够的Wi-Fi RSSI样本，并对这些信号样本进行特定的训练，得到训练结果和当前位置的坐标信息，将训练结果和当前位置的坐标信息存储在数据库中作为训练数据，当所有训练点完成后，构建Wi-Fi指纹图谱；设在待定位区域划分好的某个小区域在一段时间t内多次采集Wi-Fi信号为：
I＝{(RSSV1,ο1),(RSSV2,ο2),...,(RSSVi,οi),...,(RSSVN,οN)}
其中RSSVi＝(RSSi1,RSSi2,...,RSSiM)为来自M个Wi-Fi热点的RSSI，οi＝(x,y)∈R2为RSSVi对应的位置，x，y为该位置的位置信息。
步骤2)中，所述的在线阶段，如图3所示，是指Wi-Fi离线指纹数据库建立后，计算出Wifi数据库所有样本两两之间的欧氏距离，欧氏距离表达式为：
其中Dij表示样本i与样本j的实际距离；
根据Dij进行聚类，初始时每个样本点为一个类，每次将距离最小的两个类合并成一个新的类，通过设置一个阈值T，当距离最小的两个类间的距离D＞T时，聚类结束，根据聚类的结果，计算出每个类质心的信号特征向量为
设在线获取的RSSI样本记为T＝((RSSj1,RSSj2,...,RSSjM),(xj,yj))，其中rj＝(RSSj1,RSSj2,...,RSSjM)表示在线接收的M个AP的RSSI，位置向量ο＝(x,y)表示在线获取的RSSI的位置信息，其中在线获取的RSSI向量已知，位置向量(x,y)未知；
计算在线获取的RSSI样本T与所有类的质心MK的欧式距离，找出与T的指纹距离最近的质心点所在的类P，通过最近邻算法计算出与T在欧式距离上最相近的K个点，其中，K个点的位置信息为(xi,yi)，若P中的指纹点数目小于K，则提取类P中所有点的物理位置，根据T与K个点的指纹欧氏距离来确定坐标权值的分配，权值的计算公式如下：
其中w'sj是一个权值的过度函数，wsj是样本j分配到的坐标权值，K表示P中与S在欧式距离上最近的K个点；
通过下式得到Wi-Fi定位结果，
步骤3)中，所述的通过改进加权质心定位算法实现蓝牙定位，是在待定位区域内部署蓝牙设备，如图4所示，采集蓝牙RSSI值，对于m个采集点(x1,y1)，(x2,y2)，...,(xm,ym)，Beacon
步骤4)中，所述的通过平均加权实现Wi-Fi和蓝牙融合定位，是在待定位区域内部署12个Wi-Fi路由器来部署Wi-Fi定位环境，将待定位区域内划分为若干个2*2m的小网格，每隔2s采集一次Wi-Fi信号强度值，共采集10次，记录采集点的位置信息，通过均值滤波法构架Wi-Fi离线指纹数据库；
同时在待定位区域内部署12个发射蓝牙信号的蓝牙节点，由于蓝牙输出频率高于Wi-Fi输出频率，即通常获得一次Wi-Fi定位结果时，获得3-5次蓝牙定位结果，因此在实际定位中，通过平均加权实现Wi-Fi和蓝牙融合定，即某次定位中Wi-Fi定位结果为：
LWifi＝(x,y)
此时间段内，蓝牙定位结果为：
Lbeacon(x,y)＝{(x1,y1),(x2,y2),...,(xn,yn)}
蓝牙定位的平均加权坐标为：
此时加入一个距离阈值σs判定，将得出的Wi-Fi定位坐标LWifi与蓝牙加权坐标Lbeacon(x,y)的间距d与距离阈值σs作比较，对两者定位权值自适应进行确定；当d≤σs时，即两者定位结果接近，说明蓝牙和Wi-Fi定位结果均在正常范围内，当d＞σs时，即两者的定位结果相差较大，可能定位误差较大，自适应权值规则为：
Lwifibeacon即为Wi-Fi和蓝牙融合后的最终定位坐标，距离阈值σs根据环境以及两者的定位误差决定。
步骤5)中，所述的利用步长模型匹配加速度传感器结果，进行PDR定位，PDR定位所系统模型如下：
其中K为步数，行走后的位置信息xk,yk为行走后的位置信息，θk表示K步后的方位角，Wk-1为噪声，
其中，xk,yk表示通过Wi-Fi和蓝牙融合定位获得的行人位置；sk表示行人第k步行走步长，通过加速度传感器结果获得，Δθk表示行人行走后的第k步的朝向角变化量，可以通过智能终端内置陀螺仪获取，θk表示行人行走后的第k步的朝向角；Vk表示噪声。
步骤6)中，所述的通过UKF算法将Wi-Fi、蓝牙和PDR进行融合得到最终定位结果，具体是构建行人行走的系统模型，PDR定位的初始位置坐标通过Wi-Fi定位获得，融合Wi-Fi定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得行人完成一步后的位置，使用量测方程更新状态信息和位置信息；
UKF算法设系统方程和两侧方程具有离散形式，即
其中，X是n维随机向量且
PDR定位所述行人行走的系统模型建模如下：
其中行走的步数用K表示，行走后的位置信息用xk,yk表示，θk表示K步后的方位朝向角，Wk-1表示噪声，
其中，xk,yk表示通过Wi-Fi和蓝牙融合定位获得的行人位置；sk表示行人第k步行走步长，通过加速度传感器结果获得；Δθk表示行人行走后的第k步的朝向角变化量，通过智能终端内置陀螺仪获取；θk表示行人行走后的第k步的朝向角；Vk表示噪声，通过UKF算法融合得到最终定位结果，其中UKF滤波初始值(x0,y0)由Wi-Fi蓝牙融合定位结果给出，初始方位朝向角θ0由PDR处理模块给出，利用UKF算法进行融合定位得出二维定位坐标。
步骤7)中，所述的利用气压计测高判断楼层，得到垂直方向高度值，具体是：通过建立气压高程模型，获取测量大气压力值，通过气压高程模型计算该大气压力值得高程值，计算公式为：
上述式中，h为待定位目标的高度，h0为基准点高度，p0为基准点气压，p为待定位目标所在位置的气压，tm为两个等压面p0和p之间的平均摄氏温度，t0为基准点温度，t为待定位目标所在位置的温度；
地面气压分布一般在970～1040(hpa)，将p0赋值为1000hpa，h0为10m，t0为20℃，则计算高度的表达式变为：
根据公式，利用MATLAB将高度值与温度以及气压变化的曲线画出。
在实际环境中，楼宇内一般是封闭的，若使用室外的基站测得的温度与气压作为基准，则会导致室内计算结果的不准确，此时需要设计楼层判断方法。基准点气压p0、待定位目标所在位置的气压p、基准点温度t0和待定位目标所在位置的温度t，采用室内摆放的基站测得，测得后的数据采用滤波方法进行平滑处理后，再带入公式中进行高度计算和楼层高度判定。其具体流程如图5所示。
步骤8)中，所述的融合二维定位坐标和垂直方向高度值，得到最终三维位置坐标，实现楼宇内人员三维定位。是将步骤6中所得到的二维位置坐标与步骤7中所得到的垂直高度h融合得到三维位置坐标，从而达到室内三维定位效果。
