專利名稱:一種室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置及智能通訊設(shè)備的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及用戶軌跡估計領(lǐng)域,尤其涉及一種室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置及智能通訊設(shè)備。
背景技術(shù):
近年來,智能手機裝備了各種功能的傳感器,并且具有強大的計算和通信功能,智能手機的流形吸引了很多研究人員的關(guān)注,他們致力于利用手機上的傳感器來改善基于指紋的室內(nèi)定位方法。在傳統(tǒng)方法中,基于指紋的定位包括兩個階段標(biāo)定階段和實施階段。 在標(biāo)定階段中,我們需要采集在感興趣的地點的指紋數(shù)據(jù)(通常是RSS值(Received Signal Strength,是指接收信號強度)),來構(gòu)建一個指紋數(shù)據(jù)庫;然后在實施階段,當(dāng)用戶查詢他的位置時,系統(tǒng)會在指紋數(shù)據(jù)庫中匹配他的手機傳感器讀數(shù),并估計他的位置。標(biāo)定階段對于基于指紋的定位方法來說是非常昂貴的但又不可避免的,因此成為這些定位方法的關(guān)鍵瓶頸。
在最新的研究中,研究人員探索了用戶移動軌跡與指紋的關(guān)系,并提出了聯(lián)系原來離散的指紋的方法。這些最新的方法的共同點在于利用了眾包采集的數(shù)據(jù)來取代昂貴的現(xiàn)場標(biāo)定,眾包獲得的指紋數(shù)據(jù)以及用戶軌跡足以進(jìn)行指紋數(shù)據(jù)庫的構(gòu)建。雖然這些新方法有效的節(jié)省了顯式的構(gòu)建指紋數(shù)據(jù)庫的花費,極大的推動了室內(nèi)定位方法在現(xiàn)實中部署的進(jìn)度,然而在實際場景中,搭建的系統(tǒng)應(yīng)該能夠?qū)Ξ惓?shù)據(jù)有魯棒性,這恰恰在最新的研究文獻(xiàn)中被忽略了,因此這些新的算法在遇到異常值時很可能會失效。具體來說,眾包獲得的軌跡數(shù)據(jù)中,由于各種各樣的因素,比如用戶的異常行為或者設(shè)備故障,很可能會包含傳感器的異常讀數(shù),這些異常讀數(shù)會導(dǎo)致錯誤的軌跡估計,使得軌跡估計與平面圖錯誤匹配, 因此接下去的定位步驟變會全部錯誤。發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置以及設(shè)備,能夠使得基于眾包數(shù)據(jù)采集的室內(nèi)定位算法變得魯棒,該方法不僅引入了距離測量的魯棒性,而且基于眾包的實際情形,提出了用戶級別的魯棒性,從而解決了眾包采集的數(shù)據(jù)中用戶軌跡空間分布不規(guī)則的問題,使得該方法具備了兩個層面的魯棒性,很好的應(yīng)對了眾包數(shù)據(jù)中存在異常值的情況。
為達(dá)此目的,本發(fā)明采用以下技術(shù)方案
本發(fā)明公開了一種室內(nèi)定位中的魯棒用戶軌跡估計的方法,包括
SI.將用戶軌跡分成K個分段,每個分段具有N個采樣點;
S2.抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息;
S3.抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法中,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法中,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法中,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
本發(fā)明公開了一種室內(nèi)定位中的魯棒用戶軌跡估計的裝置,包括
軌跡分段單元,用于將用戶軌跡分成K個分段,每個分段具有N個采樣點;
距離估計單元,用于抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息
用戶區(qū)分單元,抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置中,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置中,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶。
在本發(fā)明所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置中,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
本發(fā)明公開了一種智能通訊設(shè)備,包括智能通訊設(shè)備本體,還包括與所述智能通訊設(shè)備本體相連的如上述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置。
在本發(fā)明所述的智能通訊設(shè)備中,所述的智能通訊設(shè)備為智能手機。
實施本發(fā)明的一種室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置以及設(shè)備,有益效果在于
用于限制異常用戶或者傳感器的異常讀數(shù)對基于眾包的室內(nèi)定位的負(fù)面影響,從而使基于眾包的室內(nèi)定位技術(shù)在實際應(yīng)用中變得魯棒。
圖I是本發(fā)明室內(nèi)定位中的魯棒用戶軌跡估計的方法流程圖2是本發(fā)明室內(nèi)定位中的魯棒用戶軌跡估計的方法的動機場景圖3表示了基本的MCD估計量辨別異常值的例子;
圖4是本發(fā)明方法用在LiFS室內(nèi)定位框架時所使用的辦公樓平面圖5是用戶在辦公樓內(nèi)行走軌跡的示意圖6表示了不同用戶采集的數(shù)據(jù)間的魯棒距離和馬氏距離;
圖7展示了三維指紋空間的對比圖。
圖8是我們設(shè)計的方法TrMCD與傳統(tǒng)的最小二乘法的映射誤差累積分布函數(shù)。
圖9是本發(fā)明室內(nèi)定位中的魯棒用戶軌跡估計的裝置構(gòu)造方框圖10是本發(fā)明一種智能通訊設(shè)備構(gòu)造 方框圖。
具體實施方式
下面結(jié)合附圖并通過具體實施方式
來進(jìn)一步說明本發(fā)明的技術(shù)方案。
請參閱圖I,本發(fā)明的較佳實施例,一種室內(nèi)定位中的魯棒用戶軌跡估計的方法, 包括
SI.將用戶軌跡分成K個分段,每個分段具有N個采樣點;
S2.抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息;
S3.抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。
其中,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
下面進(jìn)行詳細(xì)說明
本發(fā)明提供了一種基于最小協(xié)方差行列式(MCD)的魯棒軌跡計算的實現(xiàn)方法,有效的辨別和抑制異常值對定位系統(tǒng)的影響。該方法可以很好的集成到現(xiàn)有基于眾包的室內(nèi)定位算法框架中,使得這些定位算法變得魯棒,適應(yīng)實際部署的需求。該方法包括以下步驟
(I)用戶軌跡建模
建模點到點的距離為了測量兩個采樣點之間的距離,通常的做法是使用兩個點之間的用戶步數(shù)計數(shù),然而,不同用戶有不同的步長,而且同一個用戶也可能由于一些原因 (如用戶如何放置智能手機,用戶是否走直線,用戶有沒有用一些異常行為來欺騙手機傳感器,等等),在相同的兩個采樣點之間采集到不同的數(shù)據(jù)。此外,如果用戶走過多個采樣點, 那么相鄰采樣點之間的距離測量也會表現(xiàn)出隨機性,因此不能反映這些采樣點之間的真實幾何關(guān)系。
考慮到這些因素,我們假定任意兩個采樣點之間的步數(shù)計數(shù)是個隨機變量,從而避免顯式的建模各種復(fù)雜因素,我們需要從眾包收集的觀測值中估計采樣點之間的距離。 我們采用魯棒統(tǒng)計學(xué)的方法來估計采樣點間的距離,這可以減輕異常值對估計量的影響。
建模軌跡在基于眾包的室內(nèi)定位的應(yīng)用場景中,我們不僅要魯棒的估計兩個采樣點之間的距離,而且還希望區(qū)分正常用戶和異常用戶,因此軌跡估計包括兩個方面沿著軌跡的點到點的記錄估計和用戶分類。用戶信息在眾包的應(yīng)用中是很自然且有用的,在我們提出的方法中很巧妙的利用了這個信息。
點到點的距離估計不足以將一個用戶標(biāo)記為正常或者異常,因為在實際中,哪怕一個正常的用戶也可能會偶爾報告損壞了的測量數(shù)據(jù)。為了克服這個問題,我們設(shè)計利用CN 102928815 A書明說4/5頁用戶軌跡上連續(xù)多個采樣點間的距離測量值來區(qū)分用戶的類別。在我們的應(yīng)用中,我們選取MCD估計量來實現(xiàn)魯棒軌跡估計。
(2)魯棒估計計算
為了便于說明,我們給出以下兩個定義一條路跡是用戶記下的包括行走步數(shù)和他從開始點到結(jié)束點的采樣RSS值的記錄;當(dāng)有一個用戶從某個可行的區(qū)域走過時,一條物理的軌跡便形成。因此,在像走廊這類區(qū)域中,一條軌跡可能對應(yīng)著多條路跡記錄。
簡單軌跡給定一條軌跡上的一組路跡觀測值,給每個用戶賦予一個唯一 ID值, 在第一步中,我們假設(shè)所有觀測值都是沿著同一條軌跡收集的,這樣我們就可以關(guān)聯(lián)一個d 維隨機向量X給該軌跡,每條路跡觀測值表示為。假設(shè)有軌跡的η條路跡記錄,我們使用 MCD估計量來估計真實的軌跡,估計量T (X)為
T(X) = - xf
其中,參數(shù)h控制估計量的擊穿點,當(dāng)h約為n+d的一半時,估計量獲得最高的擊穿點50%,然而在實際中,經(jīng)驗表明異常值含量通常在1-10%之間,因此可以設(shè)定h=0. 75η, 來獲取高擊穿點以及統(tǒng)計效率。
復(fù)雜軌跡假設(shè)軌跡可以劃分為m部分,第j部分有4條分段和條用戶數(shù)據(jù)。 在所有m部分中,我們認(rèn)為有一部分軌跡包含了所有用戶數(shù)據(jù),我們將這個特殊的部分成為主軌跡,其他部分成為邊緣軌跡。為了估計完整的軌跡,我們通過計算主軌跡來獲得每個用戶的權(quán)重,即區(qū)分正常用戶與異常用戶。接著我們用下式來計算邊緣軌跡
TifYi I =WfXI, , in*%jeY| P \jeYj
其中Yi = {i e I :第i個用戶在第m部分軌跡中}。
在該方法設(shè)計中,有人也許會困擾為什么不對邊緣軌跡直接使用MCD估計量。首先,在邊緣區(qū)域,比如一個個人辦公室,可用的用戶行走數(shù)據(jù)是相對較少的,在這種情況下, 少量的觀測數(shù)據(jù)不能夠充分的揭示統(tǒng)計規(guī)律。另一方面,在某些極端情況下,在邊緣區(qū)域中會出現(xiàn)異常用戶數(shù)據(jù)多于正常用戶數(shù)據(jù)的情況,這樣用傳統(tǒng)的MCD估計量進(jìn)行軌跡估計的話會導(dǎo)致錯誤的結(jié)果??紤]這些因素,我們的設(shè)計中先通過計算主軌跡估計,獲得所有用戶的置信度權(quán)重,從而可以使邊緣軌跡的估計經(jīng)過加權(quán)變得魯棒,這樣整體的軌跡估計就變得魯棒。
實際部署的考慮理論上,我們前面設(shè)計的魯棒估計方法已經(jīng)足以計算所有點到點的記錄,然而我們?nèi)匀恍枰M(jìn)一步完善該設(shè)計框架,使其在應(yīng)用中可行。首先,我們注意到連續(xù)兩個采樣點之間不同用戶的步數(shù)計數(shù)變化相對較小,這使得辨別用戶是正常的還是異常的變得困難。比如,在連續(xù)兩個采樣點之間,一個異常用戶可能比其他用戶少走兩步, 而這個偏差會被估計量認(rèn)為是可接受的??墒?,如果這個偏差在連續(xù)幾個采樣點之間累積起來,那么這個偏差就會變得很大,估計量會將其檢測為異常值。其次,如果我們將所設(shè)計的方法用于一條很長的軌跡,那么我們就需要非常多的路跡記錄來完成計算步驟,這在實6際中有時會變得困難。
為了應(yīng)對這些難題,我們將計算步驟分成兩步。首先,我們將主軌跡劃分為k條分段,每條分段包含4-6個采樣點,如上面所述,我們應(yīng)用MCD方法來計算主軌跡,這樣就獲得了我們所選取的一個采樣點子集的魯棒距離估計以及用戶權(quán)重。其次,我們使用加權(quán)均值來計算所有剩余采樣點之間的距離。
圖2是本發(fā)明室內(nèi)定位中的魯棒用戶軌跡估計的方法的動機場景。A和B之間的三角形標(biāo)記線與圓形標(biāo)記線表示了不同用戶的步長不同汸和C之間的方框標(biāo)記線與三角形標(biāo)記線表示用戶走的是彎曲的路線;A-C-B之間的軌跡有較多的用戶走過,而C-D之間的軌跡較少用戶行走,這反映了用戶路跡分布的不均勻性。
圖3表示了基本的MCD估計量辨別異常值的例子,圖中在MCD橢球內(nèi)的三角形被認(rèn)為是正常觀測值,而橢圓外的方框則被估計量認(rèn)為是異常值。
圖4是本發(fā)明方法用在LiFS室內(nèi)定位框架時所使用的辦公樓平面圖。
圖5是用戶在辦公樓內(nèi)行走軌跡的示意圖。
圖6表示了不同用戶采集的數(shù)據(jù)間的魯棒距離和馬氏距離,從圖中可以看出,傳統(tǒng)的馬氏距離不能識別出所有的異常值,而魯棒距離可以。
圖7展示了三維指紋空間的對比圖。從圖可以看出,我們設(shè)計的魯棒方法TrMCD 獲得的指紋空間與真實的平面圖很好的匹配,而傳統(tǒng)的最小二乘方法獲得的指紋空間在有異常值的房間發(fā)生了變形,不能與真實的平面圖匹配。
圖8是我們設(shè)計的方法TrMCD與傳統(tǒng)的最小二乘法的映射誤差累積分布函數(shù)。
請參閱圖9、一種室內(nèi)定位中的魯棒用戶軌跡估計的裝置,包括
軌跡分段單元10,用于將用戶軌跡分成K個分段,每個分段具有N個采樣點;
距離估計單元20,用于抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息
用戶區(qū)分單元30,抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。
其中,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
請參閱圖10、一種智能通訊設(shè)備,包括智能通訊設(shè)備本體100,還包括與智能通訊設(shè)備本體100相連的上述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置110。
較佳地,智能通訊設(shè)備100為智能手機。
實施本發(fā)明的一種室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置以及設(shè)備,有益效果在于
用于限制異常用戶或者傳感器的異常讀數(shù)對基于眾包的室內(nèi)定位的負(fù)面影響,從而使基于眾包的室內(nèi)定位技術(shù)在實際應(yīng)用中變得魯棒。
以上所述僅為本發(fā)明的較佳實施例而已,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi),所作的任何修改、等同替換、改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。權(quán)利要求
1.一種室內(nèi)定位中的魯棒用戶軌跡估計的方法,其特征在于,包括51.將用戶軌跡分成K個分段,每個分段具有N個采樣點;52.抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息;53.抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。
2.根據(jù)權(quán)利要求I所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法,其特征在于,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶。
3.根據(jù)權(quán)利要求2所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法,其特征在于,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶。
4.根據(jù)權(quán)利要求I所述的室內(nèi)定位中的魯棒用戶軌跡估計的方法,其特征在于,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
5.一種室內(nèi)定位中的魯棒用戶軌跡估計的裝置,其特征在于,包括軌跡分段單元,用于將用戶軌跡分成K個分段,每個分段具有N個采樣點;距離估計單元,用于抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息用戶區(qū)分單元,抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K, N均為正整數(shù)。
6.根據(jù)權(quán)利要求5所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置,其特征在于,所述的區(qū)分用戶信息,具體包括正常用戶以及異常用戶。
7.根據(jù)權(quán)利要求6所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置,其特征在于,所述的正常用戶與異常用戶區(qū)分在于如果有一段軌跡中包括了所有用戶的數(shù)據(jù),由該段軌跡為主軌跡,通過計算主軌跡來獲得每個用戶的權(quán)重,權(quán)重大于預(yù)調(diào)設(shè)值則為正常用戶,權(quán)重低于預(yù)設(shè)值則為異常用戶。
8.根據(jù)權(quán)利要求5所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置,其特征在于,所述的用戶軌跡包括用戶行走的步數(shù)以及從開始點到結(jié)束點的RSS值的記錄。
9.一種智能通訊設(shè)備,包括智能通訊設(shè)備本體,其特征在于,還包括與所述智能通訊設(shè)備本體相連的如權(quán)利要求5所述的室內(nèi)定位中的魯棒用戶軌跡估計的裝置。
10.根據(jù)權(quán)利要求9所述的智能通訊設(shè)備,其特征在于,所述的智能通訊設(shè)備為智能手機。
全文摘要
本發(fā)明公開了一種室內(nèi)定位中的魯棒用戶軌跡估計的方法,包括S1.將用戶軌跡分成K個分段,每個分段具有N個采樣點;S2.抓取用戶軌跡分段處的采樣點的信息,采用魯棒統(tǒng)計學(xué)的方法來估計這些采樣點的距離,并區(qū)分用戶信息;S3.抓取用戶軌跡上連續(xù)采樣點的信息,結(jié)合用戶信息,采用加權(quán)平均的方法來估計所有采樣點間的距離值;其中,K,N均為正整數(shù)。本發(fā)明還公開了一種室內(nèi)定位中的魯棒用戶軌跡估計的裝置及智能設(shè)備。本發(fā)明的室內(nèi)定位中的魯棒用戶軌跡估計的方法、裝置及智能通訊設(shè)備用于限制異常用戶或者傳感器的異常讀數(shù)對基于眾包的室內(nèi)定位的負(fù)面影響,從而使基于眾包的室內(nèi)定位技術(shù)在實際應(yīng)用中變得魯棒。
文檔編號G01S5/02GK102928815SQ201210434579
公開日2013年2月13日 申請日期2012年11月1日 優(yōu)先權(quán)日2012年11月1日
發(fā)明者張幸林, 楊錚, 劉云浩 申請人:無錫清華信息科學(xué)與技術(shù)國家實驗室物聯(lián)網(wǎng)技術(shù)中心