一種多元信息融合的室內(nèi)定位方法*

周啟臻,邢建春,李決龍 ,楊啟亮,3

(1.解放軍理工大學 國防工程學院，江蘇 南京 210007; 2.海軍海防工程研究中心，北京 100841;3.清華大學 建筑信息模型聯(lián)合研究中心，北京 100084)

一種多元信息融合的室內(nèi)定位方法*

周啟臻1,邢建春1,李決龍2,楊啟亮1,3

(1.解放軍理工大學 國防工程學院，江蘇 南京 210007; 2.海軍海防工程研究中心，北京 100841;3.清華大學 建筑信息模型聯(lián)合研究中心，北京 100084)

針對現(xiàn)有室內(nèi)定位技術在定位精度方面的不足，基于智能手機獲取的多元傳感器信息，提出一種多元信息融合的室內(nèi)定位方法。首先，利用基于KNN(K-NearestNeighbor)的WiFi指紋濾波法得到行人初始位置坐標，通過行人航跡推算技術估算下一個時刻位置；然后利用WiFi和地磁加權平均后的定位坐標對行人運動軌跡進行修正；最后對獲取的位置信息進行卡爾曼濾波后得到了行人的最終位置。此外，設計了基于Android平臺的手機室內(nèi)定位軟件，實現(xiàn)了高精度的軌跡生成。實驗結果表明，該方法有效提高了定位的精確度，平均定位誤差降至1m。

室內(nèi)定位；WiFi；地磁；卡爾曼濾波

0 引言

由于GPS信號不能有效穿透建筑物，無法滿足人們對于高精度室內(nèi)定位的要求，因此亟需研究定位精度高、性能穩(wěn)定的室內(nèi)定位技術以滿足建筑物內(nèi)和地下工程的定位需求。

在WiFi路由器和智能手機得到普遍使用的背景下，基于WiFi指紋的定位方法受到了人們的普遍關注。微軟研究院推出的RADAR系統(tǒng)[1]是第一個WiFi室內(nèi)定位實例。Horus[2]是一個經(jīng)典的基于樸素貝葉斯概率模型的WiFi指紋定位系統(tǒng)。參考文獻[3]提出一種WiFi與GPS信號相融合的室內(nèi)定位方法。然而由于WiFi信號受到多徑干擾影響，僅僅依靠WiFi指紋定位很難達到令人滿意的效果。利用地磁信號進行室內(nèi)定位是另一個熱點研究方法。參考文獻[4]利用室內(nèi)地磁異常建立室內(nèi)環(huán)境磁場特征基準地圖，通過粒子濾波算法實現(xiàn)人員位置的估計。但是，地磁定位也存在初始定位誤差大，匹配時間長等問題。而行人航跡推算技術(PedestrianDeadReckoning，PDR)[5]盡管短時間內(nèi)具有較高精度且能實現(xiàn)連續(xù)定位，但是該定位方法隨著時間變化容易產(chǎn)生累積誤差，而且該方法對運動模型的準確性要求很高。

針對以上單一室內(nèi)定位方法的不足，本文設計了基于Android平臺的定位軟件，提出一種多元信息融合的室內(nèi)定位方法。首先利用智能手機獲取WiFi和地磁指紋信息并構建指紋數(shù)據(jù)庫，初始階段采用基于KNN的WiFi指紋濾波法獲得用戶絕對位置，在行走過程中采用改進的行人航跡推算技術，實現(xiàn)對下一時刻位置的實時精確定位，用加權平均后的WiFi地磁融合定位坐標對推算軌跡進行修正；最后對估計的位置進行了卡爾曼濾波，進一步提高了定位精度。實驗結果表明，本文定位方法生成的軌跡更加符合真實路徑，定位精度相比單一的定位方法明顯提高，在當前實驗環(huán)境中定位平均誤差為1m。

1 相關背景

1.1WiFi指紋定位原理

WiFi指紋定位分為離線訓練階段和在線定位階段。離線階段構建位置坐標與WiFi信號強度、地磁信號強度相關的定位指紋數(shù)據(jù)庫。在線階段把實時測得的WiFi指紋信息與數(shù)據(jù)庫中存儲數(shù)據(jù)進行匹配比較，一般采用KNN算法[1]。本文采用基于KNN算法的過濾指紋算法，其主要目的就是為了剔除與指紋點位置關聯(lián)性較小的點，提高算法的運算效率。基于定位成本和實驗環(huán)境的考慮，采用4個接入點(AccessPoint,AP)用于定位，即在線階段獲得的各AP的值為(R1,R2,R3,R4)。由于不同的接收信號強度指示(ReceivedSignalStrengthIndication,RSSI)，其變化幅度也不同。因此，令RSSI的指紋過濾臨界值為(ti,ui),1≤i≤4，其取值見參考文獻[6]的自適應調(diào)整表。當參考點(xi,yi)的某RSSI位于該AP的過濾區(qū)間(Ri-ti，Ri+ui)內(nèi)時，即可以賦予該參考點權值1。此時，再通過基本KNN公式計算指紋參考點(xj,yj)和定位階段測試點(xi,yi)之間的歐式距離：

(1)

根據(jù)公式(1)可以求得m個參考點和測試點之間的歐式距離集合L(m)，取其中歐式距離最小的k個參考點集合L(k)：

L(k)=mink(L(m))

(2)

然后利用質(zhì)心幾何公式求解估計位置：

(3)

(4)

在實驗中m的取值有可能小于k值，因此將m與k的邊界條件進行比較。當m

(5)

圖1 位置估計參考點選擇流程圖

該定位方法盡管能減少參與匹配的指紋數(shù)量，但是單一WiFi指紋定位受環(huán)境影響大，不能滿足高精度人員定位的需要。

1.2 慣導輔助地磁定位原理

地磁指紋匹配算法是實現(xiàn)地磁精確定位的關鍵所在。地磁匹配方法主要包括最小距離度量法、相關度量法和粒子濾波法[4]。本文采用慣性輔助的平均平方差法算法[7]，利用手機慣性傳感器得到定位的相對位置并從地磁基準圖中選取待匹配區(qū)域，將測得的地磁矢量信息與局部地磁基準圖進行匹配，實現(xiàn)地磁匹配定位。地理磁場的基本特征如下式所示：

(6)

(7)

(8)

(9)

式中，M、H、φ、α分別為磁場總場強、水平強度、磁偏角和磁傾角，Mx、My、Mz為總場強M分別在三軸上的投影。由于地磁矢量從載體坐標系轉換到導航坐標系下時東西方向磁場分量近似為0，因此可以用地磁二維匹配算法進行匹配,公式如下：

(10)

D(u,v)是地磁匹配的相關函數(shù)，Nu,v+i表示基準數(shù)據(jù)庫的位置(u,v+i)的特征量，mi表示實測的第i個觀測量。慣導輔助的MSD算法相比簡單MSD定位精度更高，但是在初始階段定位時間長，容易誤匹配。

1.3 行人航跡推算原理

行人航跡推算技術(PDR)在短時間內(nèi)具有較高定位精度且能實現(xiàn)連續(xù)定位。假設初始位置的坐標為(x1,y1)，下一時刻的位置坐標為(x2,y2)，則航跡推算公式為：

x2=x1+l12sinθ1

(11)

y2=y1+l12cosθ1

(12)

行人航跡推算技術利用智能手機測得的加速度信號和預先設置的加速度閾值判斷行人是否跨出一步，采用步長估計算法估計行人當前一步的步長l，最后利用磁力計和陀螺儀得到偏移方向θ，通過狀態(tài)轉移方程得到下一時刻行人的位置。PDR系統(tǒng)的結構框架如圖2所示。

圖2 PDR系統(tǒng)框架

本文采用文獻[8]中介紹的步態(tài)檢測方法來做計步工作，利用文獻中[9]中的動態(tài)步長法估計步長：

(13)

β是步長和加速度的相關系數(shù)。該方法利用了步長和加速度峰值之間的關系，相比于簡單的線性模型[10]定位誤差更小，但是由于傳感器存在噪聲，在估計行走步數(shù)時會產(chǎn)生誤差，導致移動距離存在較大偏差。

2 多元信息融合室內(nèi)定位算法

本文提出一種多元信息融合的定位方法，結合三種定位技術的優(yōu)點，利用改進的WiFi定位解決初始階段匹配時間長的問題，用行人航跡推算技術解決了運動軌跡不連續(xù)的問題，采用地磁和WiFi的融合定位點修正軌跡，最大程度地減小環(huán)境干擾。定位系統(tǒng)的流程圖如圖3所示。

圖3 融合定位算法流程圖

(1)本文中融合定位算法在初始階段利用基于KNN的過濾指紋匹配算法進行WiFi指紋定位，為下一步的PDR和慣導輔助地磁定位提供行人的絕對位置，從而減小定位匹配時間。

(2)由于手機受到采樣頻率的限制，行人運動過程中采集到的融合指紋并不連續(xù)，因此采用PDR算法對下一時刻的行人位置進行推斷，在保證短時間內(nèi)高精度的同時，使得生成的軌跡連續(xù)。

(3)由于單一的PDR算法長時間內(nèi)容易產(chǎn)生累計誤差，此時采用加權平均后的WiFi地磁融合定位坐標點對行人軌跡進行修正，既能減小PDR算法的誤差累積，提高定位精度，又能增強定位系統(tǒng)的穩(wěn)定性。

(4)用卡爾曼濾波[11]對用戶位置坐標做進一步濾波處理，以便得到更加平滑的軌跡曲線。

2.1 分區(qū)間加權融合WiFi地磁指紋定位

本文提出的分區(qū)間加權平均融合WiFi地磁融合式定位算法，通過多次離線實驗，對不同時間段內(nèi)WiFi定位和地磁指紋定位的數(shù)據(jù)特征進行分析，在WiFi信號穩(wěn)定的位置賦予WiFi指紋定位坐標較大權值，在地磁信號特征明顯的位置給予地磁定位坐標較大權值。通過融合兩種定位方法的優(yōu)點，既能提高定位精度，又能最大程度減小環(huán)境干擾。本文的融合定位方法如下：

(1)獲取WiFi與地磁定位在t時刻的坐標，令地磁定位估計點坐標為(xt1，yt1)，WiFi指紋定位估計位置的坐標為(xt2，yt2)。

(2)若t時刻位于區(qū)間(0,ε1)，由于慣導輔助地磁初始定位匹配速度慢，定位誤差較大，而WiFi指紋定位此時能快速提供絕對位置，則在此時間段內(nèi)，采用WiFi指紋定位作為定位的初始位置。

其中，時間ε1、ε2可以根據(jù)當前實驗環(huán)境和行走的平均速度測得，位置權值u1、u2可以通過多次實驗，除去粗大誤差數(shù)據(jù)后取平均值計算獲得。

2.2 實時位置的計算

在t時刻，行人在室內(nèi)的二維運動模型可以用速度和方向表示[12]，其中人的運動速度和運動方向可以分別用式(14) 、(15)表示:

V(t)=q1V(t-1)+q2V(Fus)+q3V(Sens)

(14)

O(t)=p1O(t-1)+p2O(Fus)+p3O(Sens)

(15)

V(t)、V(t-1)分別表示t時刻、t-1時刻行人的運動速度，V(Fus)表示根據(jù)兩次融合定位坐標的位置和時間求得的速度，V(Sens)表示根據(jù)傳感器獲取的加速度信息和時間求得的速度。O(t)、O(t-1)分別表示t時刻、t-1時刻行人的運動方向，可以根據(jù)位置和地磁傳感器信息直接求得，O(Fus)表示由兩次融合定位結果計算求得的行人運動方向，O(Sens)表示手機傳感器測得的實時運動方向，q1、q2、q3表示運動速度的權重，p1、p2、p3表示運動方向權重，均可以通過多次實驗后除去粗大誤差數(shù)據(jù)后取平均值計算獲得。根據(jù)行人航跡推算公式(11)、(12)，可以求得下一時刻位置坐標：

xt=xt-1+V(t)ΔtsinO(t)

(16)

yt=yt-1+V(t)ΔtcosO(t)

(17)

2.3 卡爾曼融合式濾波模型

在獲得最終的定位結果后，由于環(huán)境中還存在噪聲，為了進一步提高定位精度，本文決定采用卡爾曼濾波算法[11]對最終定位結果進行濾波。卡爾曼濾波的系統(tǒng)狀態(tài)方程和觀測方程如下：

X(t)=AX(t-1)+W(t-1)

(18)

Z(t)=HX(t)+V(t)

(19)

其中，X(t)表示t時刻的系統(tǒng)狀態(tài)， Z(t)為t時刻的測量值，H為測量系統(tǒng)的參數(shù)，W(t-1)、V(t)為定位過程中相互獨立的過程噪聲和測量噪聲，它們的協(xié)方差分別是Q、R。卡爾曼濾波的時間更新方程如下：

Xt|t-1=AXt-1|t-1

(20)

Pt|t-1=APt-1|t-1AT+Q

(21)

其中，Xt|t-1是利用上一定位坐標預測的結果，Xt-1|t-1是上一定位點的最優(yōu)結果，Pt|t-1是Xt|t-1對應的協(xié)方差，Q是系統(tǒng)過程的協(xié)方差。卡爾曼濾波狀態(tài)更新方程如下:

Xt|t=Xt|t-1+Kg(t)(Z(t)-HXt|t-1)

(22)

(23)

Pt|t=(I-Kg(t)H)Pt|t-1

(24)

式(18)中，Kg(t)為卡爾曼增益，Xt|t為t時刻最優(yōu)定位估算值。根據(jù)行人運動狀態(tài)進行二維建模：

(25)

(26)

3 實驗結果與分析

3.1 實驗條件

本文使用HuaweiMate8智能手機進行實驗，搭載的系統(tǒng)為AndroidOS5.1,在實驗開始前，開發(fā)了Android手機端的數(shù)據(jù)采集軟件和定位軟件。實驗場地位于某實驗樓三樓一條東西方向的走廊，長約30m,寬3m，該走廊內(nèi)有實驗所需要WiFi無線信號，人員流動少，實驗時受到的環(huán)境影響相對較小。本實驗在走廊天花板處分別布置4個AP點，盡量減小人體對無線信號的遮蔽。實驗中將地理正東方向設為坐標系的X軸，地理正北方向設為坐標系的y軸。實驗路徑是從307房間向正東走到315房間，然后拐彎向正西方向走到304房間附近。

3.2 多元融合定位實驗結果對比

在手機平臺上將本文定位方法分別與WiFi定位、慣導輔助地磁定位、PDR算法結果進行軌跡比較，如圖4所示。對不同定位方法誤差進行累積誤差分布的計算，繪制如圖5、圖6所示的定位精度對比圖。

圖4 不同定位方法生成軌跡的對比

圖5 本文定位方法與單一定位方法的精度對比圖

圖6 本文定位方法在卡爾曼濾波前后的精度對比圖

在圖4中，WiFi定位點用帶“+”的線表示。由于初始階段WiFi的定位點與真實起點偏差不大，在初始階段采用WiFi定位可以在保證定位精度的同時有效提高定位速率，但是由于在行走過程中WiFi定位受低采樣率的影響，無法實時反映當前的位置狀態(tài)，同時受到多徑效應和非視距干擾的影響，導致行走過程中定位點與真實位置發(fā)生了不同程度的偏離。慣導輔助地磁定位點用帶“o”的線表示，由于在初始階段采用WiFi定位確定起點，有效解決了其匹配時間長的缺點。但是也發(fā)現(xiàn)，受到慣性傳感器的影響，該定位方法隨著路程和時間的增加與真實路徑的偏差越來越大，而且匹配成功率與地磁特征密切相關。PDR軌跡用帶“*”的線表示，可以發(fā)現(xiàn)PDR能大致描繪下一時刻行人的位置輪廓，彌補了WiFi定位和慣導輔助地磁定位周期長、定位軌跡不連續(xù)的不足，但是隨著時間和運動方向變化，定位誤差會逐漸累積增大。本文提出的融合定位方法在當前特定實驗環(huán)境下準確描繪了行人的運動軌跡，有效克服了以上單一定位方法中存在的軌跡不連續(xù)、存在累積誤差、采樣時間長等不足。

圖5描繪的是定位誤差的累積分布函數(shù)曲線圖，橫坐標為定位誤差，縱坐標為累積分布函數(shù)。可以看出，當前實驗環(huán)境下，WiFi定位在1m內(nèi)的定位精度為18%，3m內(nèi)的定位精度為57%，平均誤差為2.75m；慣導輔助地磁定位在1m內(nèi)的定位精度為34%，3m內(nèi)的定位精度為91%，平均誤差為1.64m；行人航跡推算定位在1m內(nèi)的定位精度為24%，3m內(nèi)的精度78%，平均誤差為1.63m；本文提出的融合定位方法，1m內(nèi)的定位精度為50%， 3m內(nèi)定位精度為97%。

由圖6可以看出，卡爾曼濾波在2m～4m的定位誤差范圍內(nèi)效果明顯，卡爾曼濾波前的平均定位誤差為1.3m。實驗結果表明，本文所提出的融合定位方法能有效提高定位精確度，滿足室內(nèi)人員定位的需要。

4 結論

本文在現(xiàn)有室內(nèi)融合定位技術的基礎上進行研究和改進，提出一種基于智能手機多元信息融合的室內(nèi)定位技術，運用卡爾曼濾波對WiFi、地磁、PDR三者的定位信息進行融合。在實驗中，用開發(fā)的Android手機定位軟件實現(xiàn)了高精度的實時軌跡生成，并將本文定位方法與單一WiFi定位、慣導輔助地磁定位、PDR等室內(nèi)定位技術進行比較。實驗結果表明，本文定位方法生成的軌跡更加符合真實路徑，定位精度相比單一的定位方法明顯提高，在當前實驗環(huán)境中定位誤差為1m。

由于實驗環(huán)境受限，該定位方法僅在教學樓內(nèi)部得以驗證。下一步嘗試將本文方法應用到地下商場、停車場等工程中，進一步驗證本文方法的普適性和定位精度。

[1]BAHLP,PADMANABHANVN.RADAR:anin-buildingRF-baseduserlocationandtrackingsystem[J].InstituteofElectrical&ElectronicsEngineersInc, 2000(2):775-784.

[2]RENESSERV,BIRMANKP,GLADEBB,etal.Horus:aflexiblegroupcommunicationssystem[J].CommunicationsoftheACM, 2001, 39(4):76-83.

[3] 馬燕, 袁蔚林, 陳秀萬,等. 基于WiFi與GPS組合定位算法的無縫定位方法研究[J]. 地理與地理信息科學, 2013, 29(3):6-9,16.

[4] 王欣, 張亞君, 陳龍. 一種基于環(huán)境磁場的室內(nèi)移動人員定位方法[J]. 杭州電子科技大學學報, 2013, 33(3):1-4.

[5] 蔡敏敏. 基于行人航位推算的室內(nèi)定位技術綜述[J]. 微型機與應用, 2015,34(13):9-11.

[6] 張文學. 基于WiFi的RSSI指紋定位算法研究[D]. 成都：電子科技大學, 2015.

[7] 宋鏢, 程磊, 周明達,等. 基于慣導輔助地磁的手機室內(nèi)定位系統(tǒng)設計[J]. 傳感技術學報, 2015，28(8):1249-1254.

[8]RAIA,CHINTALAPUDIKK,PADMANABHANVN,etal.Zee:zero-effortcrowdsourcingforindoorlocalization[C].Proceedingsofthe18thAnnualInternationalConferenceonMobileComputingandNetworking,NewYork:ACM, 2012:293-304.

[9]JINYY,TOHHS,SOHWS,etal.Arobustdead-reckoningpedestriantrackingsystemwithlowcostsensors[C].Proceedingsofthe2011IEEEInternationalConferenceonPervasiveComputingandCommunications.IEEEComputerSociety, 2011:222-230.

[10]LiFan,ZhaoChunshui,DingGuanzhong,etal.Areliableandaccurateindoorlocalizationmethodusingphoneinertialsensors[C].ACMConferenceonUbiquitousComputing,ACM, 2012:421-430.

[11]WELCHG,BISHOPG.AnintroductiontotheKalmanfilter[J].UniversityofNorthCarolinaatChapelHill, 1995(7):127-132.

[12] 劉定俊, 蔣鑫龍, 劉軍發(fā),等. 融合多模傳感器的室內(nèi)實時高精度軌跡生成[J]. 計算機科學, 2016,43(1):18-21.

Research on anti-interference performance of direct spread spectrum communication system based on Simulink

ZhouQizhen1,XingJianchun1,LiJuelong2,YangQiliang1,3

(1.CollegeofDefenseEngineering,PLAUniversityofScienceandTechnology,Nanjing210007,China; 2.ResearchCenterofCoastalDefenseEngineering,Beijing100841,China; 3.ResearchCenterofBuildingInformationModeling,TsinghuaUniversity,Beijing100084,China)

Existingindoorlocalizationmethodsstillfaceproblemsinpositioningaccuracy.Anindoorlocalizationmethodbasedonmulti-datafusionwithmobilephoneisproposed.Firstly,thismethodgetsuser’sinitialpositionusingtheWiFifingerprintfilteredlocationalgorithmbasedonKNN,andusespedestriandeadreckoning(PDR)positioningtoestimatenextpositioncoordinate.Then,itweightsandaveragestheWiFiandmagneticcoordinatestocorrecttheestimatedpositions.Kalmanfilterisfinallyusedtogetuser’saccuratepositions.Furthermore,wedesignedacellphoneindoorpositioningsoftwarebasedonAndroidplatformandsuccessfullygottheaccuratetrajectory.Theexperimentresultsshowthatthisproposedmethodcangethigherpositionaccuracy,reducingtheaverageerrorsto1meter.

indoorlocalization;WiFi;magnetic;Kalmanfilter

江蘇省自然科學基金項目(BK20151451)

P

ADOI： 10.19358/j.issn.1674- 7720.2016.22.019

周啟臻，邢建春，李決龍，等.一種多元信息融合的室內(nèi)定位方法[J].微型機與應用，2016,35(22)：72-76.

2016-06-29)

周啟臻(1993-)，通信作者，男，碩士研究生，主要研究方向：室內(nèi)定位。E-mail：zhouqizhen2016@163.com。

邢建春(1964-)，男，博士，教授，博士生導師，主要研究方向：復雜智能信息系統(tǒng)。

李決龍(1959-)，男，教授，博士生導師，主要研究方向：復雜智能信息系統(tǒng)。