一种基于rssi概率分布的加权定位方法
阅读说明：本技术 一种基于rssi概率分布的加权定位方法 (RSSI probability distribution-based weighted positioning method ) 是由 聂大惟 朱海 吴飞 于 2021-10-29 设计创作，主要内容包括：本发明涉及一种基于RSSI概率分布的加权定位方法,该方法包括以下步骤：将定位空间简化为多个离散空间,获取待定位终端采集的RSSI数据；基于离线获取的距离与RSSI概率分布之间的映射关系以及定位空间中RSSI概率分布,采用贝叶斯公式估计各个离散空间的权重,以权重最大的离散空间的位置作为定位结果。与现有技术相比,本发明具有定位精度高、鲁棒性佳等优点。(The invention relates to a weighted positioning method based on RSSI probability distribution, which comprises the following steps: simplifying a positioning space into a plurality of discrete spaces, and acquiring RSSI data acquired by a terminal to be positioned; based on the mapping relation between the distance and the RSSI probability distribution obtained off-line and the RSSI probability distribution in the positioning space, the weight of each discrete space is estimated by adopting a Bayesian formula, and the position of the discrete space with the maximum weight is used as the positioning result. Compared with the prior art, the method has the advantages of high positioning precision, good robustness and the like.)
技术领域
本发明涉及位置服务技术领域，尤其是涉及一种基于RSSI概率分布的加权定位方法。
背景技术
随着大数据时代的到来，多种多样的数据在生产、生活中起着越来越重要的作用，各个领域对位置服务(location based services,LBS)的需求日益增加。全球卫星导航定位系统(global navigation satellite system,GNSS)在室外能够提供精确的定位导航服务，广泛应用于工业、农业、军工业及商业等各大领域。但是在室内环境下，GNSS信号被因筑物遮挡造成定位设备接收的信号质量差或无法接收到信号而不能进行定位，使得室内定位技术逐渐成为学术界与工业界的研究热点。目前基于无线信号的室内定位技术可以分为UWB定位技术、蓝牙定位技术、ZigBee定位技术、RFID定位技术、Wi-Fi定位技术等。其中Wi-Fi定位技术具有部署方便、成本较低、定位精度较高等优点，同时移动终端内置Wi-Fi接收芯片，使得该技术便于推广。常用的室内定位方法包括基于到达时间差(TDOA)、到达时间(TOA)、到达方向(DOA)和RSSI(Received Signal Strength Indication，接收信号强度指示)等。其中基于RSSI的Wi-Fi信号的室内定位技术不要求特殊的硬件设备、具有良好的适用性、有较高的定位精度而得到了研究者的广泛关注。该技术主要可以归纳为基于RSSI位置指纹的Wi-Fi定位和基于RSSI测距的Wi-Fi定位技术。
如图1所示，基于指纹的定位(fingerprinting-based localization)方法依靠RSSI在不同位置上的差异性，建立RSSI到空间位置的唯一映射关系，通过匹配算法进行定位。建立指纹库时需要采集大量RSSI数据且后期需要对指纹库不断更新，工作量巨大。由于指纹库与环境结合非常紧密，导致采集工作获取的信息很难迁移到类似的环境，造成大量重复作业。
基于RSSI测距的定位方法依据RSSI随距离衰减的特性测量待定位终端到无线接入点(Access Point,AP)的距离进行定位，有实用性较强、可伸缩性强、部署和维护简单等优点。目前的RSSI测距定位技术主要以路径损耗模型为基础。以AP作为信号源，其发射的Wi-Fi信号的强度会随着接收距离的增加而减弱。依据这种衰减特性，可以从RSSI计算出待定位终端与AP之间的距离。目前大多基于测距的Wi-Fi定位方法建立在对数路径损耗模型的基础之上，依据RSSI与终端到AP距离之间的对数关系实现定位。但是Wi-Fi信号易受噪声等外界不确定因素的干扰以及多径效应，使得移动终端接收到的信号强度指示存在波动性，从而影响现有以路径损耗模型为基础的RSSI测距定位技术的准确性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种定位精度高、鲁棒性佳的基于RSSI概率分布的加权定位方法。
虽然基于Wi-Fi的室内定位方法存在定位精度受RSSI噪声影响的问题，但是发明人发现总体上空间中一点的RSSI服从高斯分布且是时间平稳的。由此，本发明的目的可以通过以下技术方案来实现：
一种基于RSSI概率分布的加权定位方法，该方法包括以下步骤：
将定位空间简化为多个离散空间，获取待定位终端采集的RSSI数据；
基于离线获取的距离与RSSI概率分布之间的映射关系以及定位空间中RSSI概率分布，采用贝叶斯公式估计各个离散空间的权重，以权重最大的离散空间的位置作为定位结果。
将所述定位空间简化为边长等于Δd多个离散空间。
进一步地，所述距离与RSSI概率分布之间的映射关系的离线获取过程包括：
在定位空间中布置多个AP；
计算每个离散空间到各AP的距离L，以每个离散空间作为一个数据采集点收集RSSI数量，建立距离与RSSI概率分布之间的映射关系L～P(RSSI∣L)，其中，P(RSSI∣L)表示与AP的距离L时的RSSI概率分布，由高斯拟合获得。
进一步地，在每个所述数据采集点收集数量相同的RSSI数量。
进一步地，对收集的所有RSSI数量进行统计分析获得所述定位空间中RSSI概率分布。
进一步地，所述每个离散空间到各AP的距离L表示为
其中，x、y为离散空间中心点的横纵坐标，xc、yc表示AP的横纵坐标。
进一步地，所述采用贝叶斯公式估计各个离散空间的权重具体表示为：
其中，W(x,y)为离散空间的最终权重，N为该离散空间接收到RSSI的AP个数，P(Li∣RSSIi)表示基于贝叶斯公式求解获得的概率，P(L∣RSSI)表示已知RSSI时定位终端与AP的距离为L的概率，P(RSSI∣L)表示与AP的距离L时的RSSI概率分布，P(L)为距离分布，P(RSSI)表示定位空间中RSSI概率分布。
进一步地，所述距离分布为均等分布。
进一步地，采用粒子群算法求解获得权重最大的离散空间的位置。
进一步地，获取距离与RSSI概率分布之间的映射关系时，对无法直接获得的映射采用三次样条插值法得到。
与现有技术相比，本发明具有以下有益效果：
1、本发明在研究RSSI的平稳性、分布特性的基础上，通过将先验的RSSI概率分布引入权重的计算，给异常值较低的权重，降低了环境噪声和外界不确定因素对定位精度的影响，有效提高定位精度。
2、本发明基于RSSI概率分布的加权定位方法利用概率统计得到距离AP不同位置处的RSSI分布，并进一步近似为高斯分布，通过使用各个离散空间的高斯分布特性计算对应的权重，通过粒子群算法得到权重最大的位置并作为定位结果。定位效果在优于传统方法的同时也具有较好的鲁棒性。
附图说明
图1为现有指纹定位的流程图；
图2为本发明方法的流程图；
图3为本发明中RSSI到空间位置的映射关系示意图；
图4为本发明中权重分布示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
参考图2所示，本实施例提供一种基于RSSI概率分布的加权定位方法，该方法包括以下步骤：将定位空间简化为多个离散空间，获取待定位终端采集的RSSI数据；基于离线获取的距离与RSSI概率分布之间的映射关系以及定位空间中RSSI概率分布，采用贝叶斯公式估计各个离散空间的权重，以权重最大的离散空间的位置作为定位结果。上述方法通过将先验的RSSI概率分布引入权重的计算，给异常值较低的权重，降低了环境噪声和外界不确定因素对定位精度的影响。
RSSI在固定点的概率密度函数可以近似为高斯分布且是时间稳定的，但定位算法的目的是依据待定位终端测得的RSSI推算终端的位置，因此本方法将RSSI的高斯分布与位置信息相结合。图3描述了已知终端与AP的距离L时的概率密度P(RSSI∣L)。而在定位实践中，终端所处位置不可知，在无法得到终端与AP的距离的情况下，待定位终端测得的RSSI在不同的距离下具有不同的概率密度值。为了将已知的RSSI高斯分布与位置信息相结合，以L作为自变量，采用贝叶斯公式求解P(L|RSSI)，将问题转化为已知RSSI求解终端在距离L上的概率分布，如式(1)所示：
其中P(L∣RSSI)表示已知RSSI时，终端与AP的距离为L米的概率；P(RSSI)代表空间中RSSI值的分布情况；可以假设L在整个场景中均等地分布。P(RSSI∣L)服从高斯分布，可通过采集距离信号源L米处的RSSI数据，再对数据的频率分布进行高斯拟合得到。
本实施例中，P(RSSI∣L)参考指纹定位方法获取，通过建立等间隔采集点，在每个采集点预先采集RSSI的方式建立映射：
L～P(RSSI∣L) (2)
为了保证P(RSSI)的准确性，每个数据采集点收集的RSSI数量应当相同，之后对所有RSSI数据进行统计分析得到P(RSSI)。
在室内定位中，为了降低问题的复杂度通常关注于定位目标的二维位置，并不关注待定位终端的高度。在优选的实施方式中，将二维空间简化为边长等于Δd的离散空间，每个离散空间作为一个数据采集点。通过预先计算每个离散空间到AP的距离L，并根据式(2)为每个离散空间赋予描述RSSI特性的高斯分布参数。
在二维空间中，L表示为
其中x、y为离散空间中心点的横纵坐标，xc、yc表示AP的横纵标。坐标为(x,y)的离散空间的权重：
w(x,y)＝P(L∣RSSI) (4)
在室内定位的实践中，会部署大量的AP以提高定位结果的准确性与稳定性，接收设备往往会收到多个AP的RSSI。假设待定位终端收到了N个AP的RSSI，其中3≤N。坐标为(x,y)的离散空间的最终权重
其中Li、RSSIi分别表示离散空间与第i个AP的距离和接收自第i个AP的RSSI。
如图4所示，在获得各个离散空间的权重后，以权重最大的离散空间的位置作为定位结果，即定位终端的估计坐标(x*,y*)为W(x,y)的最大值处，可通过求解下面的最优化函数得到
为了利用现代计算机的多核性能，本实施例使用粒子群算法求解式(6)。为了减少收缩时间，粒子位置的初始值在上一次定位结果附近。
上述方法基于RSSI概率分布的加权定位方法可分为离线训练阶段和在线定位阶段，如图2所示，具体可描述为
离线训练阶段：
步骤1：选定实验场景，按定位需求选定区域以及布置AP；
步骤2：在各个数据采集点收集相同数量的数据；
步骤3：在每组采集数据上计算频率分布并进行高斯拟合，建立映射L～P(RSSI∣L)，无法直接获得的映射采用三次样条插值法得到；
步骤4：汇总所有收集到的数据计算RSSI先验概率P(RSSI)；
在线定位阶段：
步骤5：定位终端在选定区域中采集RSSI数据；
步骤6：根据映射关系L～P(RSSI∣L)和P(RSSI)，建立式(6)；
步骤7：使用粒子群算法求解式(6)，得到待定位终端的估计位置。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一实施例中还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述加权定位方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：提供位置数据的电子设备和方法