多种传感器融合的终端设备室内定位方法

本发明涉及一种终端室内定位方法，特别涉及一种多种传感器融合的终端设备室内定位方法，属于室内定位方法技术领域。

当前，以互联网和IT技术为代表的信息革命迅速蔓延全球，人类进入了信息时代。信息影响到了社会生活的方方面面，而位置信息又是信息中至关重要的一项。自二十世纪80年代年代GPS投入使用以来，GNSS技术突飞猛进，目前已经形成了非常完善的室外定位体系，基本上能够满足人们的各类室外定位需求。但由于GNSS定位依赖于卫星信号，而在室内环境中，GNSS信号被严重干扰或屏蔽，已经完全不能用于精准定位。于是室内定位技术成为了研究与应用的热点，人们称室内定位技术是解决精准定位的最后一公里的技术。

互联网技术的发展，产生了更加先进的移动电子设备。在互联网时代，所有的信息都在网上传播，互联网将信息的传播成本大幅度降低，使信息产生了爆炸式增长，使得经济社会的各项活动通过互联网紧密相连，物联网等概念也应运而生。智能设备和互联网的结合使得智能硬件也逐渐成为了研究与应用的热点，特别是随着移动互联网的快速发展，智能手机的普及使用，使得获取人们日常信息特别是位置信息需求旺盛。利用智能手机和终端进行室内定位也成为了热门研发和应用领域，基于位置服务越来越受到关注，进而形成了智能家居，智能商城，智能医院导航等一系列的基于室内精确位置的商业和公众服务。

室内定位的应用场景多样化，涉及包括商业、家居、出行、个人和公共安全、公共服务等多个方面。在商业领域，针对大型商场的复杂情况，可以利用室内定位信息进行导航和导购；而对于线上到线下商业模式，知道用户的位置信息后就可以对用户进行精准的广告投放；在个人安全领域，特别是走失小孩和老人的寻上，室内定位技术能更好的跟踪人员的位置，及时通知家属，对人身安全起到很好的保护效果。在出行过程中，可利用室内定位进行自动泊车；公共服务中，医院是典型的应用场景，医院科室复杂楼层众多，利用室内定位不仅能帮助病人和探亲人员更好的寻路，而且对于病人的监护也有很好的作用，此外还有在养老院对老人进行监护，利用老人的位置信息可及时发现突发情况，有利于及时的发现危险和抢救。综上所述，室内定位有着广阔的应用前景，而且可以为人们的日常生活和公众社会服务带来很多好处。

现有技术的室内定位主要分为：AGPS定位技术，无线定位技术(超声波、射频无线标签、红外线、无线局域网信号、UWB定位技术等，其它定位技术(计算机视觉识别、地磁导航等)。其中无线定位技术是目前室内定位技术的主流，无线定位原理一般分为：到达时间法、到达时间差法、到达角度法、信号强度法。前三种方法都是基于几何交会的定位方法，对于时间和角度测绘都有很高的要求，定位效果并不理想，基于信号强度的方法是目前研发的热点，信号强度方法分为：最强法，选择附近信号最强的作为自身位置的近似；传播模型法，利用信号在空间中的传播规律建立传播模型，从而计算出自身的位置；位置指纹法，是一种场景分析法，分为离线建库和在线定位两个阶段，基本思想是在近似场景中信号的分布规律也近似，所以可以对搜集到的信号特征进行匹配得到自身位置。指纹库的保存方式又可以分为数值方式和概率分布方式，数值方式保存一定时间内信号强度的平均值，概率分布方式保存一定时间内信号强度的概率分布。

现有技术的室内定位方法主要存在以下缺陷需要改进：

第一，室内定位对定位精度、动态响应能力、稳定性提出更高要求，现有技术单一定位模式和单一传感器已无法满足要求。随着微机电系统的发展，多类传感器在终端设备上大规模部署，给多种传感器数据分析融合提供了有利条件。多种传感器数据分析融合是将满足条件的不同信源的传感器数据，通过一定的标准综合处理，获得目标更加准确的描述。现有技术的室内定位方法继续改进点突出表现在，提高系统可靠性，扩大时空覆盖范围，增加系统信息量，提高系统稳定性，增强信息的确定性，采用数据融合减少了系统输出的模糊性、随机性、不确定性，提高决策的正确性；

第二，现有技术还没有出现能同时满足精度高、稳定性高，且廉价方便的室内定位方法，缺少通过智能设备终端的传感器和基于无线局域网的室内定位技术，基于传感器和无线局域网定位的组合方法，现有技术的高效性和准确性差，缺少满足高精度，稳定且便捷的室内定位技术，不能真正实现室内室外的无缝定位对接，在实际应用中利用价值不高；

第三，现有技术的无线局域网指纹匹配的室内定位方法中，由于无线网络信号存在扰动，室内的无线网络信号分布已经与建库时的信号分布产生了差异，即使确定K个最近的指纹点也无法排除这K个指纹点中某些点的坐标与实际坐标相差过大的情况，出现这种情况就会造成定位结果的畸变，严重影响定位精度，不能够满足行业需求，同时存在交互性能弱、智能化程度低、定位速度慢、定位精度低等缺陷；

第四，室内定位的应用场景决定了用户不可能为获取定位结果进行长时间的等待，定位过程注定是实时动态的，当设备终端处于运动中时，无线局域网信号更容易受到环境变化的干扰，现有技术单纯利用无线局域网定位进行位置的实时更新效果很不理想，没有采用不同定位方式的不同误差来源，进行数据分析融合消减一部分误差，定位结果准确与稳定性差，容错性能差、实时动态性低、定位速度慢、定位精度低。

由于智能手机和智能移动终端的快速发展，集成于设备上的传感器越来越丰富，目前的智能手机基本都配置了多类微机电系统传感器，这些微机电系统传感器可获取设备运动信息，使得基于传感器的组合定位成为可能，本发明提出基于终端设备多种传感器的组合室内定位技术，提高室内定位的精度和动态响应能力。

本发明提供的多种传感器融合的终端设备室内定位方法，优势在于：一是提高系统可靠性，若某个传感器失效，或由于干扰和其它原因无法完成对目标的测绘，那么依然有其它的传感器可提供有效的信息；二是扩大时空覆盖范围，由于存在多个传感器，在不同时间、地点、视角对目标进行观测，因此系统的时空工作空间可得到扩展；三是增加系统信息量，由于采用了在频域、时域、空间上分布的多类传感器，因此在不同层面对目标信息进行互补，在一定程度上也减弱甚至消除了系统误差；四是提高系统稳定性，采用多种传感器观测，具有系统冗余和信息冗余，使系统稳定性增强；五是增强信息的确定性，采用数据融合减少了系统输出的模糊性、随机性、不确定性，提高决策的正确性、可靠性和优越性。

为达到以上技术效果，本发明所采用的技术方案如下：

多种传感器融合的终端设备室内定位方法，通过智能设备终端的传感器和基于无线局域网的室内定位技术，依次提出两种具有递进关系的多传感器终端室内定位方法，分别为线段匹配的多传感器融合定位方法和轨迹与无线局域网融合的卡曼滤波定位方法，在特征层次进行数据分析融合，对表征对象状态的数据与表征对象特征的数据进行关联和配准，增加描述对象状态与特征的维度，获得联合特征状态或特征矢量，使得有关目标知识更加精准和完备，利用系统的信息冗余提高系统的稳健性，多类信源的信息融合对单一方法的误差进行补偿；

在安卓平台的传感器系统上，利用高通滤波、低通滤波和卡曼滤波对传感器初始数据进行处理，确定设备终端的方向，获得设备终端的准确运动轨迹，采用两步法进行轨迹确定，第一步进行方向判别确定轨迹类型，第二步进行距离探测，确定轨迹位移，最后计算得到轨迹矢量；本发明采用具有自适应性的无线局域网定位方法，动态K值最邻近改进算法作为多种传感器组合融合定位中无线局域网定位的方法，方法在K值加权最邻近算法的基础上进行改进，对K值的选取更具有适应性，利用尽可能多的指纹点信息；

本发明提出的线段匹配的多传感器融合定位方法，基于轨迹确定与无线局域网定位的线段匹配的多传感器融合定位方法，利用无线局域网信号与指纹库进行比对，确定一条直线上首尾两端的最邻近指纹点，组成指纹匹配空间，首尾指纹空间中的指纹点分别进行两两配对，得到了一个指纹矢量的匹配空间，首尾两端的矢量还能通过轨迹确定得到，因此就得到了一个矢量约束条件，通过约束条件对指纹矢量匹配空间中的指纹矢量进行筛选，得到最符合运动轨迹的m对指纹矢量，最后通过首尾指纹点的加权平均得到直线上两端点的坐标；

本发明进一步提出轨迹与无线局域网融合的卡曼滤波定位方法，通过设定一个初始值，轨迹确定能获得连续的轨迹，利用无线局域网定位结果对轨迹进行约束，利用卡曼滤波进行位置估算，利用轨迹确定进行位置估算，将无线局域网定位结果作为观测值，在运动中实时进行位置的估算。

多种传感器融合的终端设备室内定位方法，进一步的，本发明提出一种线段匹配的多传感器融合定位方法，利用多种传感器进行设备运动轨迹确定，通过传感器数据滤波和计算，得到有效的设备终端运动信息，利用这些运动信息，提供设备终端在空间中变化的信息；无线局域网定位计算设备终端在某个点上的空间位置，传感器和无线局域网就提供了两个关于空间位置的信息，利用信息的冗余，抑制单一定位方法产生的误差，提高室内定位的精度和可靠性；线段匹配从最简单的直线开始，利用多种传感器数据分析融合进行位置的确定；

直线上首尾两个端点上的匹配，当设备终端在一条直线上行进时，根据轨迹确定的结果，得到设备终端的直线运动矢量，矢量表征为在x，y方向上的相对位移及直线的方位信息，而通过动态K值最邻近改进算法的计算，得到设备终端在这条线上首尾两端分别确定出的J1和J2个最近的指纹点信息；当设备终端进行直线运动时，设备终端在直线上的相对位置比较准确，相对位置信息可作为匹配的特征信息。

将传感器的测绘结果和无线局域网定位过程进行融合，利用相对位置信息对指纹点进行进一步的匹配和筛选，对指纹点进行两两配对计算相对位置，选择相对位置与匹配特征最接近的几组指纹点作为最邻近指纹点，最后进行加权平均得到最终的定位结果。

多种传感器融合的终端设备室内定位方法，进一步的，本发明提出动态K值最邻近改进算法作为无线局域网定位算法，定位结果由欧氏距离最近的K个指纹点位置加权得到，对于K值的确定，设定一个经验值，K值的大小影响无线局域网定位的精度；

动态K值最邻近改进算法，动态的确定K值的大小，通过设定一个欧式距离的临界值，进行附近指纹点的初步探测，将初步探测结果欧氏距离求平均，均值作为最近指纹点的判别条件，当欧氏距离小于平均值则加入到最近的指纹点中，最后得到K个最近的指纹点，尽可能多的利用附近的指纹点信息；

在利用临界值进行K值筛选时，同时引入相关系数进行约束；相关系数反应两个信号强度序列之间的相关性，相关系数法能判断两个点之间的相关性，通过相关系数进行约束就能有效的去除不相关的指纹探测点，相关系数的计算公式为：

其中，x、y分别代表待定点与指纹点，xk、yk分别代表第k个AP的RSS值，分别代表待定点AP序列与指纹点AP序列的均值；利用相关系数进行约束的过程是：当指纹点欧式距离小于临界值时，同时也设定一个相关系数临界值，只有当指纹点的欧氏距离与相关系数均在相应的临界值内时，认为该指纹点是最近点，剔除掉欧氏距离接近但是并不相关的点，提高系统稳定性和可靠性。

多种传感器融合的终端设备室内定位方法，进一步的，线段匹配的多传感器融合定位方法步骤中，线段匹配是数据分析融合的过程，运动轨迹可规划成若干直线路径，在匹配时只需要对每一条路径进行线段匹配，最终就能得到运动轨迹上所有经过的点的坐标；

方法输入的初始数据值为：一是加速度队列，二是方向队列，三是无线网络信号队列；其中，加速度队列是由加速度计数据预处理过的加速度队列，方向队列是利用重力传感器与磁传感器确定的方向以及由陀螺确定的方向经过数据分析融合与卡曼滤波之后的方向队列，无线网络队列是在行走过程中同步采样得到的无线网络信号强度值队列。

多种传感器融合的终端设备室内定位方法，进一步的，时域修改划分：将三个传感器队列进行时域划分，确保三个传感器测绘得到的数据在同一时域上，划分依据是由方向队列得到的轨迹改变点的索引作为切分时域的间断点，对时域进行修改，修改的具体方法为，将方向队列确定的时域以比值的形式映射到无线网络队列中，而不是采用索引的绝对数值，经过时域划分，得到m条轨迹以及在轨迹上的方向、加速度、无线网络信号强度信息。

多种传感器融合的终端设备室内定位方法，进一步的，轨迹匹配：遍历每一条轨迹，确定轨迹上的匹配结果，由方向和加速度探测出来的轨迹最后都保存为直线形式，每一条直线由直线的长度、方位来表征；

在遍历第i条轨迹时，提取第i个时间段内无线网络的信息，将第i段无线网络队列的首尾信号强度当做起止点信号强度进行匹配，匹配方法采用动态K值最邻近改进算法，经过计算得到最接近起止点的J1和J2个指纹点，其中J1是指最接近起始位置的J1个指纹，J2是指最接近终止位置的J2个指纹；

得到J1、J2个对应指纹后，将起止点的J1、J2个指纹点两两配对成指纹点矢量，其中起点的J1个指纹中的每个指纹都和终点的J2个指纹进行配对，最后会形成J1*J2对指纹矢量。

得到指纹矢量对后，创造了一个匹配空间，在这些指纹矢量对中，一定存在某些矢量和真实的运动轨迹最为接近，因此只需给出这个最为接近的判别依据即可确定出n对指纹矢量，本发明采用误差限制法，给出误差的范围，若指纹矢量的相对位移与传感器测绘得到的相对位移在误差范围内则判定为有效指纹矢量；

分别对这n个矢量对起止点坐标进行加权平均得到起止点的坐标，所有矢量的起始点坐标加权平均值作为轨迹起始点的坐标，而所有矢量的终止点坐标的加权平均值作为轨迹终止点的坐标，加权平均的权值由欧式距离确定，确定了当前轨迹坐标后，进行下一段轨迹的匹配，匹配的过程同上述相同，这样对m条轨迹进行匹配最终输出m条轨迹的起始点坐标，即为线段匹配的全部过程。

多种传感器融合的终端设备室内定位方法，进一步的，本发明进一步提出的轨迹与无线局域网融合的卡曼滤波定位方法，针对不同定位方式的不同误差来源，进行数据分析融合在很大程度上消减一部分误差，让定位结果更加准确与稳定，采用卡曼滤波进行数据分析融合；

轨迹定位与无线局域网定位反应了同一时刻同一地点的空间位置值，但两种方法的位置估值并不一致，将轨迹定位结果作为预测值而将无线局域网定位结果作为观测值，并在给定起点处进行滤波器初始化，这样对于每一个时刻，都可以得到一个滤波值，将这个值作为设备终端位置的估值，这就是对轨迹与无线局域网定位进行卡曼滤波的思想架构。

多种传感器融合的终端设备室内定位方法，进一步的，轨迹与无线局域网融合的卡曼滤波定位方法步骤：轨迹与无线局域网都能获得位置信息，以轨迹确定的位置作为状态预测值，无线局域网定位确定的位置作为观测值，进行卡曼滤波，滤波方程中状态预测模型噪声与过程噪声采用经验值，滤波过程是一阶线性的；

利用轨迹和无线局域网进行卡曼滤波进行位置更新，本发明更新的时机选择有以下三种方法：

方法一，根据轨迹类型进行位置更新，这种形式选择的滤波时机是每次轨迹发生变化时，最大程度的保留传感器探测到的轨迹的连续性，依赖传感器的准确性；

方法二，根据无线局域网信号变化进行位置更新，在每次无线局域网信号发生较大变化时进行位置更新；

方法三，固定采样率的位置更新，这种位置更新方式是采用固定采样率，每过一个采样时间间隔就更新一次位置。

多种传感器融合的终端设备室内定位方法，进一步的，本发明更新的时机选择的三种方法，利用轨迹确定与无线局域网进行卡曼滤波的方法基本过程都是一致的，本发明推荐采用第一种即根据轨迹类型进行位置更新。

与现有技术相比，本发明的贡献和创新点在于：

第一，本发明提供的多种传感器融合的终端设备室内定位方法，针对室内定位对定位精度、动态响应能力、稳定性提出的更高要求，而单一定位模式和单一传感器已无法满足要求，采用多种传感器数据分析融合将满足条件的不同信源的传感器数据，通过一定的标准综合处理，获得目标更加准确的描述；本发明多种传感器数据分析融合的优势在于：一是提高系统可靠性，若某个传感器失效，或由于干扰和其它原因无法完成对目标的测绘，那么依然有其它的传感器可提供有效的信息；二是扩大时空覆盖范围，由于存在多个传感器，在不同时间、地点、视角对目标进行观测，因此系统的时空工作空间可得到扩展；三是增加系统信息量，由于采用了在频域、时域、空间上分布的多类传感器，因此在不同层面对目标信息进行互补，在一定程度上也减弱甚至消除了系统误差；四是提高系统稳定性，采用多种传感器观测，具有系统冗余和信息冗余，使系统稳定性增强；五是增强信息的确定性，采用数据融合减少了系统输出的模糊性、随机性、不确定性，提高决策的正确性、可靠性和优越性；

第二，本发明提供的多种传感器融合的终端设备室内定位方法，针对现有技术还没有出现能同时满足精度高、稳定性高，且廉价方便的室内定位方法，通过智能设备终端的传感器和基于无线局域网的室内定位技术，提出了基于传感器和无线局域网定位的组合方法，实验结果证明了方法的高效性和准确性，是满足高精度，稳定且便捷的室内定位技术，有助于真正实现室内室外的无缝定位对接，在实际应用中有很高的利用价值；

第三，本发明提供的多种传感器融合的终端设备室内定位方法，针对现有技术的无线局域网指纹匹配的室内定位方法中，由于无线网络信号存在扰动，室内的无线网络信号分布已经与建库时的信号分布产生了差异，即使确定K个最近的指纹点也无法排除这K个指纹点中某些点的坐标与实际坐标相差过大的情况，出现这种情况就会造成定位结果的畸变，严重影响定位精度，本发明提出一种多种传感器数据分析融合的线段匹配的多传感器融合定位方法，有效抑制K值最邻近算法中由于信号扰动造成的定位结果畸变现象，是一种具备显著创新性，且优势突出的室内定位方法；

第四，本发明提供的多种传感器融合的终端设备室内定位方法，针对室内定位的应用场景决定了用户不可能为获取定位结果进行长时间的等待，定位过程注定是实时动态的，当设备终端处于运动中时，无线局域网信号更容易受到环境变化的干扰，若单纯利用无线局域网定位进行位置的实时更新效果很不理想，传感器对运动状态具有良好反应的特征让多种传感器数据分析融合定位成为了解决室内定位实时动态问题的理想方案，采用不同定位方式的不同误差来源，进行数据分析融合消减一部分误差，让定位结果更加准确与稳定，本发明采用卡曼滤波进行数据分析融合，具有容错性能强、智能化程度高、实时动态性高、定位速度快、定位精度高等优势。

图1是本发明动态K值最邻近改进算法的原理步骤图。

图2是本发明终端设备室内定位线段匹配的方法流程图。

图3是本发明轨迹与无线局域网融合的卡曼滤波定位方法流程图。

下面结合附图，对本发明提供的多种传感器融合的终端设备室内定位方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。

室内定位对定位精度、动态响应能力、稳定性提出更高要求，单一定位模式和单一传感器已无法满足要求。随着微机电系统的发展，多类传感器在终端设备上大规模部署，给多种传感器数据分析融合提供了有利条件。多种传感器数据分析融合是将满足条件的不同信源的传感器数据，通过一定的标准综合处理，获得目标更加准确的描述。多种传感器数据分析融合：一是提高系统可靠性，若某个传感器失效，或由于干扰和其它原因无法完成对目标的测绘，那么依然有其它的传感器可提供有效的信息；二是扩大时空覆盖范围，由于存在多个传感器，在不同时间、地点、视角对目标进行观测，因此系统的时空工作空间可得到扩展；三是增加系统信息量，由于采用了在频域、时域、空间上分布的多类传感器，因此在不同层面对目标信息进行互补，在一定程度上也减弱甚至消除了系统误差；四是提高系统稳定性，采用多种传感器观测，具有系统冗余和信息冗余，使系统稳定性增强；五是增强信息的确定性，采用数据融合减少了系统输出的模糊性、随机性、不确定性，提高决策的正确性。室内定位特别是基于终端设备的室内定位，具有越来越大的实用价值。现有技术对室内定位的研究已趋于成熟，但目前还没有出现能同时满足精度高、稳定性高，且廉价方便的定位方法。本发明通过智能设备终端的传感器和基于无线局域网的室内定位技术，提出了基于传感器和无线局域网定位的组合方法，实验结果证明了方法的高效性和准确性。

本发明依次提出两种具有递进关系的多传感器终端室内定位方法，分别为线段匹配的多传感器融合定位方法和轨迹与无线局域网融合的卡曼滤波定位方法，在特征层次进行数据分析融合，对表征对象状态的数据与表征对象特征的数据进行关联和配准，增加描述对象状态与特征的维度，获得联合特征状态或特征矢量，使得有关目标知识更加精准和完备。本发明最后对几种终端设备室内定位方法进行试验和精度评定，对方法的准确性和有效性进行评估。

在安卓平台的传感器系统上，本发明利用高通滤波、低通滤波和卡曼滤波对传感器初始数据进行处理，利用传感器数据分析融合方法确定设备终端的方向，获得设备终端的准确运动轨迹，采用两步法进行轨迹确定，第一步进行方向判别确定轨迹类型，第二步进行距离探测，确定轨迹位移，最后计算得到轨迹矢量；经过实验证明，探测方法具有较高的精度，是十分有效的。

本发明采用具有自适应性的无线局域网定位方法，动态K值最邻近改进算法作为多种传感器组合融合定位中无线局域网定位的方法，方法在K值加权最邻近算法的基础上进行改进，对K值的选取更具有适应性，能有效利用尽可能多的指纹点信息，提高定位的精度和稳定性。

基于传感器与无线局域网定位，本发明提出了多种传感器组合的定位方法，提出多种传感器信息融合的必要性和优势，利用系统的信息冗余能有效提高系统的稳健性，多类信源的信息融合能对单一方法的误差进行补偿。

本发明提出的线段匹配的多传感器融合定位方法，基于轨迹确定与无线局域网定位的线段匹配的多传感器融合定位方法，利用无线局域网信号与指纹库进行比对，确定一条直线上首尾两端的最邻近指纹点，组成指纹匹配空间，首尾指纹空间中的指纹点分别进行两两配对，得到了一个指纹矢量的匹配空间，由于首尾两端的矢量还能通过轨迹确定得到，因此就得到了一个矢量约束条件，通过约束条件对指纹矢量匹配空间中的指纹矢量进行筛选，得到最符合运动轨迹的m对指纹矢量，最后通过首尾指纹点的加权平均得到直线上两端点的坐标。经过线段匹配的实验验证，利用线段匹配能有效提高定位精度，其定位结果的精度与稳定性均明显高于单纯利用无线局域网定位得到的结果。

由于在实际定位过程中，定位往往是动态的。在这种情况下，传感器和无线局域网信号都会产生较大的误差，单纯利用无线局域网进行定位的结果会产生较大的误差，单纯利用轨迹航位推算进行定位的结果会产生轨迹畸变，利用线段匹配可以抑制单一传感器的定位误差，但是线段匹配的多传感器融合定位方法在动态情况下，不能保证定位结果的连续性。因此，本发明进一步提出了轨迹与无线局域网融合的卡曼滤波定位方法，通过设定一个初始值，轨迹确定能获得连续的轨迹，但由于传感器误差，轨迹有可能产生较大的畸变，利用无线局域网定位结果对轨迹进行约束，利用卡曼滤波进行位置估算能很好的解决这个问题，利用轨迹确定进行位置估算，将无线局域网定位结果作为观测值，在运动中实时进行位置的估算。实验证明，利用轨迹与无线局域网的卡曼滤波法能得到很高的精度，而且保证了轨迹的连续性。

本发明基于终端设备的传感器与无线局域网定位，针对室内定位中的轨迹状态提出了线段匹配和轨迹与无线局域网卡曼滤波方法，两种方法都能获得较理想的效果，证明了本发明的可行性和有效性，是满足高精度，稳定且便捷的室内定位技术，有助于真正实现室内室外的无缝定位对接。

一、线段匹配的多传感器融合定位方法

现有技术的无线局域网指纹匹配的室内定位方法中，指纹匹配的核心思想是在不改变室内环境的情况下，无线局域网信号在空间上的分布稳定，利用信号强度的近似性来推测出位置的近似性；利用K值最邻近算法可获取最近的K个指纹点，但由于无线网络信号存在扰动，在定位过程中，室内的无线网络信号分布已经与建库时的信号分布产生了差异，即使确定K个最近的指纹点也无法排除这K个指纹点中某些点的坐标与实际坐标相差过大的情况，出现这种情况就会造成定位结果的畸变，严重影响定位精度。针对上述情况，本发明提出一种多种传感器数据分析融合的线段匹配的多传感器融合定位方法，有效抑制K值最邻近算法中由于信号扰动造成的定位结果畸变现象。

(一)思想架构

利用多种传感器进行设备运动轨迹确定，通过传感器数据滤波和计算，得到有效的设备终端运动信息，利用这些运动信息，可提供设备终端在空间中变化的信息；无线局域网定位计算设备终端在某个点上的空间位置，传感器和无线局域网就提供了两个关于空间位置的信息，利用信息的冗余，就能有效的抑制单一定位方法产生的误差，提高室内定位的精度和可靠性。线段匹配从最简单的直线开始，利用多种传感器数据分析融合进行位置的确定。

首先考虑最简单的情况，直线上首尾两个端点上的匹配，当设备终端在一条直线上行进时，根据轨迹确定的结果，得到设备终端的直线运动矢量，矢量表征为在x，y方向上的相对位移及直线的方位信息，而通过动态K值最邻近改进算法的计算，得到设备终端在这条线上首尾两端分别确定出的J1和J2个最近的指纹点信息。

由于传感器存在误差，因此轨迹确定的结果并不是真正的运动轨迹，而是真实运动轨迹的近似；由于无线局域网信号存在扰动，因此无法完全排除K个最近指纹点中问题指纹点的影响。

在轨迹确定中，方向对轨迹的影响较大，由于方向的确定依赖陀螺，所以当陀螺受到干扰或产生较大的漂移误差，将会导致整个曲线产生偏移，这也是进行长时间的航位推算会产生较大误差的原因，但当设备终端进行直线运动时，设备终端在直线上的相对位置比较准确，相对位置信息可作为匹配的特征信息。

将传感器的测绘结果和无线局域网定位过程进行融合，利用相对位置信息对指纹点进行进一步的匹配和筛选，对指纹点进行两两配对计算相对位置，选择相对位置与匹配特征最接近的几组指纹点作为最邻近指纹点，最后进行加权平均得到最终的定位结果。

(二)动态K值最邻近改进算法

本发明提出动态K值最邻近改进算法作为无线局域网定位算法，在K值最邻近算法中，定位结果由欧氏距离最近的K个指纹点位置加权得到。但对于K值的确定，需要设定一个经验值，K值的大小影响无线局域网定位的精度。

由于室内环境复杂，信号容易受到干扰，很难到一个标准的K值适用于所有的定位过程。因此，必须到一种确定K值的有效方法。

动态K值最邻近改进算法，动态的确定K值的大小，在定位过程中具有适应性，能提高无线局域网定位的精度，该算法通过设定一个欧式距离的临界值，进行附近指纹点的初步探测，将初步探测结果欧氏距离求平均，均值作为最近指纹点的判别条件，当欧氏距离小于平均值则加入到最近的指纹点中，最后得到K个最近的指纹点，尽可能多的利用附近的指纹点信息，提高定位的精度和可靠性。

为增加系统可靠性，在利用临界值进行K值筛选时，同时引入相关系数进行约束。相关系数反应两个信号强度序列之间的相关性，对欧式距离设置临界值只能在总的欧式距离上进行约束，可能出现总的欧式距离相近但并不是附近点的情况。而相关系数法则能判断两个点之间的相关性，通过相关系数进行约束就能有效的去除不相关的指纹探测点，相关系数的计算公式为：

其中，x、y分别代表待定点与指纹点，xk、yk分别代表第k个AP的RSS值，分别代表待定点AP序列与指纹点AP序列的均值。

图1为动态K值最邻近改进算法的原理步骤图，利用相关系数进行约束的过程是：当指纹点欧式距离小于临界值时，同时也设定一个相关系数临界值，只有当指纹点的欧氏距离与相关系数均在相应的临界值内时，认为该指纹点是最近点，剔除掉欧氏距离接近但是并不相关的点，提高系统稳定性和可靠性。

(三)方法步骤

线段匹配是数据分析融合的过程，不同于单点无线局域网定位，线段匹配的多传感器融合定位方法有效利用空间信息冗余，在实际运动过程中，运动轨迹可规划成若干直线路径，因此，在匹配时，只需要对每一条路径进行线段匹配，最终就能得到运动轨迹上所有经过的点的坐标。图2是利用数据分析融合进行线段匹配的具体方法流程：

方法输入的初始数据值为：一是加速度队列，二是方向队列，三是无线网络信号队列；其中，加速度队列是由加速度计数据预处理过的加速度队列，方向队列是利用重力传感器与磁传感器确定的方向以及由陀螺确定的方向经过数据分析融合与卡曼滤波之后的方向队列。无线网络队列是在行走过程中同步采样得到的无线网络信号强度值队列。

1.时域修改划分

将三个传感器队列进行时域划分，确保三个传感器测绘得到的数据在同一时域上，划分依据是由方向队列得到的轨迹改变点的索引作为切分时域的间断点，但加速度和方向的采样率很高，达到30ms采样一次，而无线网络信号不可能通过如此高的采样率得到，因此需要对时域进行修改，修改的具体方法为，将方向队列确定的时域以比值的形式映射到无线网络队列中，而不是采用索引的绝对数值，经过时域划分，得到m条轨迹以及在轨迹上的方向、加速度、无线网络信号强度信息。

2.轨迹匹配

遍历每一条轨迹，确定轨迹上的匹配结果，由方向和加速度探测出来的轨迹最后都保存为直线形式，每一条直线由直线的长度、方位来表征。

在遍历第i条轨迹时，提取第i个时间段内无线网络的信息，将第i段无线网络队列的首尾信号强度当做起止点信号强度进行匹配，匹配方法采用动态K值最邻近改进算法，经过计算得到最接近起止点的J1和J2个指纹点，其中J1是指最接近起始位置的J1个指纹，J2是指最接近终止位置的J2个指纹。

得到J1、J2个对应指纹后，将起止点的J1、J2个指纹点两两配对成指纹点矢量，其中起点的J1个指纹中的每个指纹都和终点的J2个指纹进行配对，最后会形成J1*J2对指纹矢量。

得到指纹矢量对后，创造了一个匹配空间，在这些指纹矢量对中，一定存在某些矢量和真实的运动轨迹最为接近，因此只需给出这个最为接近的判别依据即可确定出n对指纹矢量，本发明采用误差限制法，给出误差的范围，若指纹矢量的相对位移与传感器测绘得到的相对位移在误差范围内则判定为有效指纹矢量。

分别对这n个矢量对起止点坐标进行加权平均得到起止点的坐标，所有矢量的起始点坐标加权平均值作为轨迹起始点的坐标，而所有矢量的终止点坐标的加权平均值作为轨迹终止点的坐标，加权平均的权值由欧式距离确定，确定了当前轨迹坐标后，进行下一段轨迹的匹配，匹配的过程同上述相同，这样对m条轨迹进行匹配最终输出m条轨迹的起始点坐标，即为线段匹配的全部过程。

(四)实验结果分析

为验证线段匹配的可行性和准确性，进行直线段匹配实验，实验过程在一条过道中进行直线行走，行走的起点坐标为(0，2.9)，终点坐标为(6.9，2.9)，坐标单位为米，行走过程中分别记录加速度，方向以及无线网络信号队列。

1.轨迹确定结果

由方向队列和加速度队列，通过轨迹确定的方法确定在该时间段内行走的路程和方向，经过轨迹矢量计算得到轨迹在x，y轴上的分量，方向存在着一个跳变是由于传感器的数据记录规则，方向的初始数据在(-180度，180度)区间内，当方向修改到360度时，在零值附近会存在跳变，需对跳变进行处理。

对方向在零值附近的跳变，采取区间规划法，区间规划法是指定一个可能存在跳变的区间，分别为(340度，360度)、(0度，10度)，在这两个区间内，方向有可能发生跳变，而实际上设备终端朝向并没有发生太大变化，因此，对于这种情况分别做修改，若方向落在跳变区间内，而且与前一个值发生了大于340度的变化，就认为产生了跳变，将跳变结果修改到与之前结果相一致的数量级上。例如，将350度跳变到10度修改到350度上，将5度跳变到355度修改到5度上，修改的方式为用360度减去发生跳变的度数。

在进行了方向修改后，方向在直线运动中会稳定在某个值附近，对方向队列进行低通滤波后取平均即可得到稳定的准确的方向值。轨迹确定的误差在2m以内，很好的反应了运动的状态和相对位置信息，因此用相对位置对首尾无线局域网定位的指纹点进行约束。

2.选取指纹匹配中的最邻近点

利用无线局域网在轨迹首尾探测得到的信号强度，带入动态K值最邻近改进算法中得到离首尾点最近的指纹点。通过首尾最近指纹点进行配对，配对后计算其坐标差，坐标差在2m以内的将被纳入到最匹配矢量中。

3.根据最邻近指纹点进行位置估算

对矢量的首尾分别进行加权平均得到最后线段匹配的首尾坐标。

4.与无线局域网定位对比

作为对比，将线段匹配首尾的无线网络信号分别进行动态K值最邻近改进算法无线局域网定位。

5.结果分析

通过线段匹配实验，在直线起始点的无线局域网匹配结果精度高于线段匹配的结果，而在线终止点的无线局域网匹配结果精度低于利用线段匹配的结果，在无线局域网匹配定位时，定位的精度取决于采集到的信号与建库时待测点信号的近似程度，因此对于无线局域网定位，定位获得一个大致的精度范围，但并不能保证精度稳定在某一个准确值上，因为对于无线局域网信号的变化，并没有适用于所有情况的模型，信号的波动和干扰始终是无线局域网定位的不稳定因素。无线局域网定位可以获得很高的精度，但是取决于信号的质量。利用多种传感器组合进行数据分析融合可以有效提高定位的整体精度和稳定性。利用线段匹配的两次定位结果误差都在1m以内，表明多种传感器数据分析融合有利于定位的稳定性，即使当无线局域网信号质量下降也可以将定位结果约束在某个误差范围内，而且从整体上来看，定位精度也是比单独用无线局域网定位要高很多。

二、轨迹与无线局域网融合的卡曼滤波定位方法

室内定位的应用场景决定了用户不可能为获取定位结果进行长时间的等待，定位过程注定是实时动态的，当设备终端处于运动中时，无线局域网信号更容易受到环境变化的干扰。因此若单纯利用无线局域网定位进行位置的实时更新效果很不理想。传感器对运动状态具有良好反应的特征让多种传感器数据分析融合定位成为了解决室内定位实时动态问题的理想方案。

(一)思想架构

利用传感器探测出的轨迹进行位置推算主要存在二方面的误差：一是起始位置误差，二是方向不准确误差；起始位置误差会让定位结果出现系统偏差，而方位不准确误差会让定位结果的轨迹与实际经过的轨迹产生偏移，都会对定位结果的精度造成严重的影响。

利用无线局域网定位也存在二方面的误差：一是无线局域网信号跳变误差，当外界干扰较大时，无线局域网信号的跳变可以超过10dm，会导致定位结果较真实值产生偏离；二是选择了错误的最近指纹点，引入错误指纹点造成的误差将大幅降低定位精度。

针对两种不同定位方式的不同误差来源，进行数据分析融合将会在很大程度上消减一部分误差，让定位结果更加准确与稳定，本发明采用卡曼滤波进行数据分析融合。

由于轨迹定位与无线局域网定位反应了同一时刻同一地点的空间位置值，但两种方法的位置估值并不一致，将轨迹定位结果作为预测值而将无线局域网定位结果作为观测值，并在给定起点处进行滤波器初始化，这样对于每一个时刻，都可以得到一个滤波值，将这个值作为设备终端位置的估值，这就是对轨迹与无线局域网定位进行卡曼滤波的基本思想。

(二)方法步骤

轨迹与无线局域网都能获得位置信息，以轨迹确定的位置作为状态预测值，无线局域网定位确定的位置作为观测值，进行卡曼滤波，滤波方程中状态预测模型噪声与过程噪声采用经验值，滤波过程是一阶线性的。

图3为轨迹与无线局域网融合的卡曼滤波定位方法流程图，利用轨迹和无线局域网进行卡曼滤波进行位置更新，更新的时机选择有以下几种方法。

1.根据轨迹类型进行位置更新

这种形式选择的滤波时机是每次轨迹发生变化时，这样做的好处是可以保证轨迹的平滑，因为频繁的进行位置估算对于室内定位来说并不是一个好的选择，特别是在动态条件下，无线局域网信号的波动会干扰定位结果，而只在轨迹改变的情况下更新位置，最大程度的保留传感器探测到的轨迹的连续性。这种估算方法比较依赖传感器的准确性，因此传感器发生了较大的误差时，定位结果也会受到比较严重的影响。

2.根据无线局域网信号变化进行位置更新

根据无线局域网信号变化进行位置更新是在每次无线局域网信号发生较大变化时进行位置更新，这种形式考虑了动态的情况，对轨迹偏差有很好的修正效果，但缺陷在于，在动态情况下，很难减弱无线局域网信号扰动所产生的误差，由于无线局域网信号扰动影响很大，而且，若无线局域网信号更新频率较快，轨迹确定的效果可能会不稳定。

3.固定采样率的位置更新

这种位置更新方式是采用固定采样率，每过一个采样时间间隔就更新一次位置。这种方式进行位置更新，可以调整采样间隔的大小，选择一个合适的采样间隔，在一定程度上平衡传感器误差和无线局域网信号扰动误差。

无论采用哪种方式，利用轨迹确定与无线局域网进行卡曼滤波的方法基本过程都是一致的，本发明采用第一种即根据轨迹类型进行位置更新。

(三)实验结果分析

为验证轨迹与无线局域网融合的卡曼滤波方法的有效性，进行动态定位实验。实验过程为以(2.3，0)坐标为起点，直行经过坐标(7.1，0)转角90度直行最后到达坐标(7.1，9.5)，在运动过程中分别采集加速度、方向、无线局域网信息。利用无线局域网、轨迹航位推算、线段匹配、以及轨迹与无线局域网的卡曼滤波方法分别进行位置估算。

1.轨迹确定

利用传感器进行轨迹确定并不绝对稳定，由于方向确定存在误差，因此距离投影到x，y轴上的分量发生了畸变，畸变达到了4.7米，导致方向发生误差的因素有很多，其中室内的电磁干扰占相当大的比重，由于方向确定依赖磁传感器的磁场数据，因此当室内电磁干扰严重时，磁场会发生跳变，让探测得到的方向产生误差。本发明利用传感器进行轨迹确定的方法，利用轨迹作为约束的线段匹配结果就会受到轨迹偏差的影响，比较利用轨迹航位推算定位、无线局域网定位、线段匹配、轨迹与无线局域网的卡曼滤波定位的结果和精度。

2.轨迹航位推算结果

单纯利用轨迹位置估算，当轨迹确定比较准确时，可以达到2米以内的精度，但当轨迹发生畸变时，会产生很大的误差，误差超过3米，因此单纯利用轨迹进行航位推算的方法非常不稳定，只要在定位过程中某一个环节出现误差就会导致整条轨迹畸变。

3.无线局域网定位结果

单独利用无线局域网定位在动态情况下误差较大，平均定位误差超过2m，因为在动态情况下，无线局域网的信号扰动大，而且由于是动态探测，不能得到数量较多的采样值进行平均计算消除信号可能存在的跳变。

4.线段匹配结果

利用线段匹配的多传感器融合定位方法有效抑制了单纯由无线局域网或轨迹航位推算所导致的误差，利用线段匹配的多传感器融合定位方法，将误差较大的指纹点剔除，在整体上提高了定位的精度。在信号稳定或传感器受到干扰较小时，利用线段匹配进行定位在精度上与无线局域网定位相比没有太大优势，但当无线局域网信号与传感器探测值产生较大误差时，线段匹配仍然可以获得较好的精度，相比无线局域网定位优势明显。

线段匹配的多传感器融合定位方法在匹配时，将轨迹分割成若干线段，在实际情况下，这些线段是连续的，由于无线局域网与传感器误差，最后匹配出来的线并不全部首尾相接，会产生同一个地点出现两个匹配值的情况，在持续运动的定位过程中，通过线段匹配得到的结果可能在连续性和稳定性方面仍有改进之处。

5.轨迹与无线局域网卡曼滤波结果

通过轨迹与无线局域网卡曼滤波，能很好的解决线段匹配中轨迹不连续的问题，而且通过定位结果得出，经过三次迭代后，卡曼滤波的位置估算值已经非常接近真值，证明了轨迹与无线局域网卡曼滤波在动态条件下的高效性，该方法通过迭代得到较为准确的位置估算。因此，非常适用于实时动态定位。

6.综合实验结果与误差统计

在给定了准确的初始值时，轨迹与无线局域网的卡曼滤波方法误差最小，定位效果最好。线段匹配无需给定的初始值，但也能达到较高的精度。本发明的两种组合定位方法均能明显改善定位精度，提高系统的动态响应能力。