[发明专利]基于稀疏信号指纹数据库的室内定位方法

说明书

本发明提供一种基于稀疏信号指纹数据库的室内定位方法，通过引入局部高斯过程，并对现有的KWNN算法进行改进，提高了基于少量参考点的室内定位方法的定位精度。

技术领域

本发明涉及室内定位领域，具体的涉及一种基于稀疏信号指纹数据库的室内定位方法。

背景技术

确定室内任意处位置的坐标具有重要意义，研究人员针对此问题开发了各种不同的算法。随着基于802.11规范的无线网络技术发展以及无线网络和智能手机的普及，基于无线信号指纹的室内定位方法受到广泛关注。

信号指纹定位包括两个步骤：训练与定位。训练阶段主要是创建信号指纹数据库，在室内不同位置搜集不同热点信号强度，将位置与对应的信号强度信息组合构成信号指纹，将所有信号指纹保存到数据库中。在定位阶段，将用户接收到的信号强度与指纹数据库中所有信号指纹进行比对，寻找相似的信号指纹，通过不同算法，包括KNN，KWNN，贝叶斯，神经网络等算法，计算得到用户在室内的位置。该方法可以通过现有的WiFi热点和普通智能手机等设备即可实现，且算法复杂度不高，定位精度好，已被很多公司产品化，包括谷歌室内定位地图，WiFiSlam等软件均采用了上述方法。

但现有室内定位方法中训练阶段搜集的信号指纹信息越多，在定位阶段精度越高，这导致创建与维护信号指纹数据库所需成本较高。

首先，创建数据库过程非常费时费力，需要逐点测量信号强度，这些已知位置和信号强度的节点称为参考点(Reference Point,RP)，若参考点数量过多，则测量过程非常耗时。以一个20m*20m的区域为例，为了保证该方法的室内定位精度，假如每隔1米测量一个参考点，则总共需要测量400个参考点，每个点需要进行数次测量以获得可行的数据，由此可知测量过程非常耗费时间。对于更大区域，所需时间更多。对于有些区域来说，由于布局等原因，可能无法获取高密度的参考点信息。

其次，维护一个数据库成本也非常巨大。因为无线信号传播受到环境影响较大，室内物品摆放的变化，门的开关，人员走动，以及天气环境的变化等都会影响信号的分布。一旦信号分布发生变化，为了保持定位性能，原有数据库就需要更新。室内环境变化较为频繁，因此数据库就需要不断更新，进一步增高了成本。

另一方面，传统信号指纹定位算法适用范围有限，用户移动范围必须都处于训练阶段搜集过的区域内，否则无法找到相似的指纹，无法进行位置估计，因此对于陌生区域无法使用。

由此可见，尽管基于信号指纹定位方法具有部署简单，定位精度高的优点，但是构建与维护信号指纹数据库成本较高，适用范围有限，在实际应用过程中，直接导致的问题是数据库包含的参考点密度不够，定位性能无法得到保证。例如，谷歌室内定位地图推出了几年，已经搜集了约十万个场馆的地图信息，但是这些场馆绝大多数都没有足够的信号指纹信息支持用户定位；有些数据较为老旧，定位性能大幅降低，因此其使用率一直不高。对此，研究人员提出了大量快速构建与更新指纹数据库的算法，群智感知(Crowdsourcing)，光线追踪(Ray-Tracing)，SLAM(Simultaneous Localization And Mapping)等。

群智感知算法的核心在于利用普通用户定位结果构建数据库，然而其中面临设备多样性，异常数据识别与剔除，用户贡献机制设计等问题，增加了该算法使用的成本。

光线追踪算法需要首先构建精确的室内空间三维模型，通过追踪无线信号在室内的传播路径，估计信号的空间分布，该算法复杂度较高，不适用于大范围的室内环境。

SLAM算法则利用惯导沿一定路径搜集信号构建数据库，该算法定位中所用惯性导航会导致误差积累，因此数据库准确度不高。

发明内容

本发明的目的在于提供一种基于稀疏信号指纹数据库的室内定位方法，该发明解决了现有技术中参考点获取费时、工作量大、成本较高的技术问题。