[發明專利]一種室內WLAN環境下的行人定位方法

在審

• 申請號: 201610955248.2
• 申請日: 2016-10-27
• 公開（公告）號: CN106597363A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 倪業鵬;劉劍波;劉杉
• 申請（專利權）人: 中國傳媒大學
• 主分類號: G01S5/02
• 分類號: G01S5/02
• 代理公司: 北京市商泰律師事務所11255
• 代理人: 毛燕生

技術領域

本發明涉及一種室內WLAN環境下的行人定位方法，屬于計算機程序技術領域。

背景技術

現階段室內WLAN環境中主要采用指紋定位算法來估計用戶位置。位置指紋定位算法的原理如下：不同物理位置的接收信號強度具有復雜獨特、可分辨的特性。根據這一特性，可以構建一個物理位置與RSSI值的映射關系數據庫（radio map），當得到用戶待測位置的RSSI值時，理論上即可估算出該RSSI值對應的物理位置。

通過原理可知，位置指紋定位算法的關鍵是能夠在建立radio map時和定位時都可以精確測量RSSI值。radio map中的RSSI值主要是依靠人工在參考點位置經過靜態測量大量RSSI數據再取均值獲得，具有較高的精度和可信度。定位時如果用戶處于靜態則可以采用建立radio map時的方法來減少噪聲與干擾獲得可信度較高的RSSI值，但如果用戶處于移動狀態的話，就很難獲得高精度的RSSI值。因為用戶在移動時首先限制了待測位置的RSSI值的測量時間，這樣就無法得到大量RSSI數據，也就無法采用平均法去除噪聲干擾；其次由于用戶移動，信號傳播路徑一直處于時變引起散射衍射和多徑效應，使RSSI信號產生較大的波動；最后由于人體本身對無線信號接收會產生影響，也會對RSSI信號帶來一定的干擾。

根據實驗可知，利用位置指紋算法靜態定位時定位精度可達到2米以內置信概率90%，RMSE僅為1.3m，而在用戶移動時利用相同位置指紋算法定位，其定位精度降低到8米以內置信概率90%，而RMSE增加到6.7m。

隨著當今時代無線網絡的普及和移動終端的發展，人們依靠移動應用就能方便的獲得基于位置的服務（Location Based Service，簡稱LBS）。位置信息儼然已經成為大數據、云計算、物聯網、O2O等新技術新應用的基石。而想要提供QoE保證的基于位置服務，對用戶的準確定位是關鍵所在。

定位技術主要分為室外與室內兩種。室外定位技術相對成熟，主要有衛星導航定位系統和蜂窩定位系統。其中美國的全球定位系統（Global Positioning System，簡稱GPS）可以為地球表面98%的地區提供精確定位和時間校準。民用GPS系統的精度可以達到15米范圍內。蜂窩定位系統要求定位精度為100米內置信概率不低于67%，300米內置信概率不低于95%。對于室外定位而言，數十米的定位精度是非常理想的，衛星導航定位與蜂窩定位完全可以滿足室外定位的需要。

但是對室內定位而言，數米的定位精度才能支撐相關應用。為此學術界和工業界在室內定位領域采用不同技術開展了大量研究，研制了包括RFID定位系統、紅外定位系統、藍牙定位系統、ZigBee定位系統、超聲波定位系統、視覺定位系統、聲音識別定位系統、WLAN定位系統等等。這其中WLAN定位技術由于WLAN信號的普及而成為室內定位領域的研究熱點。

離線采集與在線定位工作流程如圖6所示。在離線采集階段，采集人員手持智能手機等終端進入WLAN環境，在每一個參考點位置，記錄下位置信息和指紋特征，將位置信息和指紋特征存儲到位置指紋數據庫中。如圖中表格所示，即為位置指紋數據庫所存儲的三維位置信息和四維指紋特征。在在線定位階段，定位人員手持智能手機等終端進入WLAN環境，記錄其所在待測位置的指紋特征，將此指紋特征與位置指紋數據庫中的指紋特征一起通過定位算法計算得到估算位置，即二維或三維空間坐標。

技術缺點1：抗干擾能力差。在室內復雜環境中由人體移動引入的噪聲干擾使得采集到的RSSI信號與radio map中的信號有很大的差異，依據傳統指紋定位的算法很難得到具備一定精度保證的用戶位置。

技術缺點2：技術獨立性差。為了提高定位精度，一些方法結合了除wifi芯片外的其他傳感器如加速度傳感器，方向傳感器等提供的信息來修正定位結果，但這種方法增加了實現定位的代價并提高了設備成本。

技術缺點3：環境適應性差。在采集RSSI信號時，不同的移動速度和不同的采集設備都會引起采集到的RSSI信號在相同位置發生變化，這種變化會大大降低傳統指紋定位算法的定位精度。

術語解釋：

RSSI(Received Signal Strength Indicator):接收信號強度指示;

Radio map:位置指紋數據庫，庫中建立了定位區域物理位置與測量得到的RSSI值的映射關系;

RMSE(Root Mean Square Error):均方根誤差;

HMM(Hidden Markov Model):隱馬爾科夫模型;