[發(fā)明專利]面向室內(nèi)定位的位置指紋庫構(gòu)建和動態(tài)更新方法

有效

• 申請?zhí)枺?/td>: 201710937015.4
• 申請日: 2017-10-10
• 公開（公告）號: CN107607122B
• 公開（公告）日: 2019-09-10
• 發(fā)明（設(shè)計）人: 黃寶琦;賈冰;徐振東;宋健
• 申請（專利權(quán)）人: 內(nèi)蒙古大學(xué)
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01S5/02
• 代理公司: 西安知誠思邁知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61237
• 代理人: 麥春明

1.一種面向室內(nèi)定位的位置指紋庫構(gòu)建和動態(tài)更新方法，其特征在于，包括離線階段構(gòu)建初始位置指紋庫和在線階段更新位置指紋庫；

所述離線階段構(gòu)建位置指紋庫的步驟是：在離線階段，使用客戶端設(shè)備，按照現(xiàn)場勘測方式，在少量的勘測位置獲取RSS觀測值，并發(fā)送到服務(wù)器端；然后，在服務(wù)器端執(zhí)行高斯過程回歸使用有限的RSS觀測值，構(gòu)建一個初始的位置指紋庫；

所述在線階段更新位置指紋庫的步驟是：在在線階段，待定位的客戶端將當(dāng)前采集的RSS觀測值發(fā)送到服務(wù)器端，服務(wù)器端采用指紋匹配算法依據(jù)位置指紋庫中的指紋信息估計客戶端的當(dāng)前位置，返回給客戶端；同時，如果當(dāng)前的客戶端設(shè)備的攜帶者是位置指紋庫更新的眾包參與者，將記錄客戶端設(shè)備在穿越一段路徑時的RSS觀測值，并將這些信息與初始位置估計和行人航位推算的結(jié)果發(fā)送到服務(wù)器，然后服務(wù)器端運行在線邊緣化粒子擴展高斯過程算法，以在線方式更新位置指紋庫。

2.根據(jù)權(quán)利要求1所述的面向室內(nèi)定位的位置指紋庫構(gòu)建和動態(tài)更新方法，其特征在于，所述在線邊緣化粒子擴展高斯過程算法的步驟是：

第一步：在t＝1時刻，生成N個粒子，每個粒子狀態(tài)記為

第二步：設(shè)置粒子狀態(tài)的先驗值，即基于擴展的高斯過程回歸算法利用y₁和U₁最大似然估計參數(shù)θ，并賦予其中y₁為t＝1時的RSS觀測序列，U₁為t＝1時的位置標(biāo)記；然后把代入公式，經(jīng)計算得到X_*處RSS測量的均值向量E(f₀)和協(xié)方差矩陣V(f₀)；X_*為指紋庫中的固定指紋位置標(biāo)記；最后從正態(tài)分布N(E(f₀),V(f₀))中抽樣得到為初始RSS測量均值向量的先驗估計，并將V(f₀)賦給為初始RSS測量協(xié)方差矩陣的先驗估計；

第三步:令t＝t+1；對于每個粒子i，i＝1,2,…,N，執(zhí)行如下操作：

步驟1)，根據(jù)公式(7)采樣

θti=bθt-1i+(1-b)θ‾t-1+st-1---(7)]]>

在公式(7)中，代表在第t步中第i個粒子的θ向量，每個b＝(3δ-1)/(2δ)，δ表示折扣因子，取值在0.95-0.99之間；是t-1時刻θ的蒙特卡羅均值，s_t-1是服從均值為0方差為r²Σ_t-1的正態(tài)分布，即s_t-1～N(0，r²Σ_t-1)，r²＝1-b²，Σ_t-1是t-1時刻θ的蒙特卡羅協(xié)方差矩陣；

步驟2)，使用中參數(shù)與l代入公式(4)中計算k(U,U′)，及公式(8)、(9)、(10)和(11)計算和

k(u,u′)=σf2exp(-||u-u′||2l2)---(4)]]>

在公式(4)中，k(u,u′)表示在位置u和u′的對應(yīng)高斯分布函數(shù)的協(xié)方差，其中和l分別表示方差和尺度參數(shù)，它們是θ中對應(yīng)的參數(shù)；

G(θti)=Kθti(Utc,Ut-1c)Kθti-1(Ut-1c,Ut-1c)---(8)]]>

F(θti)=mθti(Utc)-G(θti)ηθti(Ut-1c)---(9)]]>

V(θti)=Kθti(Utc,Utc)-G(θti)Kθti(Utc,Ut-1c)---(10)]]>

其中，沒有特定含義，相當(dāng)于一個中間函數(shù)值，代表噪聲方差矩陣；表示協(xié)方差矩陣，可使用k(u,u′)計算；定義和其中：是由U_t和X_*組成的位置標(biāo)記，U_t是t時輸入的位置標(biāo)記，X_*固定點的位置標(biāo)記；與代表同一內(nèi)容，服從均值為方差為的正態(tài)分布，即

yt=Htftc+vty---(11)]]>

在公式(11)中，y_t是U_t位置處的RSS測量，H_t＝[I，0]是使的索引矩陣，f(U_t)是服從N(m(U_t),k(U_t,U_t))的正態(tài)分布；I是一個單位矩陣，其維數(shù)為U_t中元素個數(shù)，0是一個零矩陣，其維數(shù)與U_t中元素個數(shù)相同，列數(shù)與X_*元素個數(shù)相同；是滿足的附加高斯噪聲；

步驟3)，卡爾曼預(yù)測，把RSS測量先驗均值和方差代入公式(12)和公式(13)中去計算RSS測量后驗均值和方差其中，在第一次運算中，RSS測量先驗初值和通過第二步中估計得到；

ft|t-1c,i=G(θti)ft-1|t-1c,i+F(θti)---(12)]]>

Pt|t-1c,i=G(θti)Pt-1|t-1c,iG(θti)T+V(θti)---(13)]]>

步驟4)，卡爾曼更新，把步驟3)中計算結(jié)果與代入公式(14)、(15)和(16)中去計算其中是H_t的轉(zhuǎn)置矩陣；

Γti=Pt|t-1c,iHtT(HtPt|t-1c,iHtT+∂f‾TΣU∂f‾+σn2I)-1---(14)]]>

ft|tc,i=ft|t-1c,i+Γti(yt-Htft|t-1c,i)---(15)]]>

Pt|tc,i=Pt|t-1c,i-ΓtiHtPt|t-1c,i---(16)]]>

其中，是一個卡爾曼增益矩陣，和是RSS測量的預(yù)測均值和方差；公式(14)中為步驟2)中結(jié)果，公式(15)中y_t為輸入向量；

步驟5)，把和代入到公式(17)中去計算重要權(quán)值權(quán)值服從公式(17)中正態(tài)分布；

w‾ti=N(Htft|t-1c,i,HtPt|t-1c,iHtT+∂f‾TΣU∂f‾+σn2I)---(17)]]>

第四步：歸一化權(quán)值對于i＝1,2,3…N；

第五步：利用在第三、四步中計算的實現(xiàn)θ和隱藏函數(shù)值的估計：

θ^t=Σi=1Nwtiθti]]>

f^t|tc=Σi=1Nwtift|tc,i]]>

P^t|tc=Σi=1Nwti(Pt|tc,i+(ft|tc,i-f^t|tc)(ct|tc,i-f^t|tc)T)]]>

是t時θ參數(shù)的更新，即輸出；和是t時刻U_t位置坐標(biāo)所對應(yīng)的RSS測量的均值和方差的估計值；即

f^t|t+*=Ht*f^t|tc]]>

P^t|t*=Ht*P^t|tc(Ht*)T]]>

其中，是在X_*處獲得函數(shù)值估計的索引矩陣，I_m是一個單位矩陣其維數(shù)是m；和是t時刻X_*位置坐標(biāo)所對應(yīng)的RSS測量的均值和方差的估計值；

第六步：重采樣：對于i＝1,2,3…N，根據(jù)權(quán)重對和重采樣，獲得下一步是下一步中運算的估計值，用于初值的形成；

第七步：如果有新的眾包用戶返回的軌跡，重復(fù)第三步；否則，停止執(zhí)行。