WiFi室內定位中基于貝葉斯回歸的Radio Map校正方法
【專利摘要】本發(fā)明公開了一種WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，包括以下步驟：A．進行定位請求：WiFi設備發(fā)出定位請求，搜集功率指紋并發(fā)送到定位服務器；B．進行位置估計：定位服務器將當前的功率指紋和保存在RadioMap中的功率進行對比，由給定的當前WiFi功率指紋值，預測當前節(jié)點的位置；C．進行精度調整：利用貝葉斯回歸算法對RadioMap進行在線動態(tài)校正，通過高斯過程回歸迭代，把功率標準差縮小到米一級的精度，并轉換為位置誤差的標準差；D．進行定位回復：定位服務器將預測位置和位置誤差的標準差通過WiFi網(wǎng)絡發(fā)送到定位請求方。利用該方法減少了硬件開銷及定位時延，為定位對象提供了更可靠的預測結果。
【專利說明】WiFi室內定位中基于貝葉斯回歸的Radio Map校正方法
【技術領域】
[0001]本發(fā)明涉及一種室內定位方法，特別是一種WiFi室內定位中基于貝葉斯回歸的RadioMap (射頻地圖，也稱射電天圖)校正方法。
【背景技術】
[0002]目前有很多移動應用如無人自動駕駛車輛和移動機器人，搜索搜救，物品追蹤等都利用定位信息提供上下文服務。
[0003]室外定位可以米用GPS (GlobalPositioningSystem,全球定位系統(tǒng)),但對于室內定位，由于建筑材料會引起信號衰減，而且GPS需要在參考位置和移動物體之間非常精確的同步，因此這種方法不適用于室內定位。
[0004]無線定位技術主要有三類:基于時間、基于角度和基于信號功率三種技術?；跁r間的定位技術中，依據(jù)RF (RadioFrequency,射頻)信號定位時間來進行范圍估算,雖然準確度很高，但需要收發(fā)雙方直接的視線，而這點在室內環(huán)境中無法滿足；基于角度的定位技術通過估算從參考發(fā)送方來的RF信號到達的角度來估測接收方的位置，該方法同樣也因為室內環(huán)境不存在收發(fā)雙方的直接視線而無法適用于室內定位；基于信號功率的定位技術利用信號功率變化來估算距離，是近年來受到很多重視且效果優(yōu)于其他室內定位法的一種定位技術。
[0005]在無線定位系統(tǒng)中，需要選擇一種基礎無線網(wǎng)絡架構。WiFi是一種能夠提供無線基礎架構且布網(wǎng)廣泛的無線網(wǎng)絡標準，適于室內定位和導航系統(tǒng)。由于具有較寬的頻譜，其在應用方面也有較好的表現(xiàn)，在人員監(jiān)測、安全應用、定位服務和搜救服務等方面都得到了應用。
[0006]目前基于信號功率的定位技術有兩種實現(xiàn)方法，即徑損法和功率指紋法。
[0007]徑損法將收發(fā)雙方的距離和接收方信號功率聯(lián)系起來。但收發(fā)雙方的直接視線要求在室內環(huán)境無法滿足，而且徑損模型對接收方向具有不變性，因此僅僅依靠參數(shù)化徑損法很難對室內信號功率變化建模。此外由于室內定位需要數(shù)米的測量精度，徑損法依賴于遠端參考點和移動對象之間的無線通信鏈路，容易受到來自外部環(huán)境如隧道或建筑物干擾所造成的衰減的影響，使得建模變得復雜困難。
[0008]功率指紋法能夠提供室內定位一到兩米的定位精度。該方法有兩階段組成，即離線位置射頻調查的訓練階段和在線實時估算階段。前者將每個指紋位置的相關功率信息檢測并記錄保存下來，后者通過將當前功率信息和數(shù)據(jù)庫中的功率指紋信息用有關算法進行比較后估算位置。該方法需要一個能夠正確復制那些復雜的室內信號功率特征的RadioMap0此外離線階段耗時很長，對于大型建筑和動態(tài)環(huán)境不太實用，因為離線位置調查訓練需要不時被重復。
[0009]為了使徑損法和功率指紋法在室內定位中變得實用，就需要解決以上提到的技術問題，避開長時間的離線功率調查，并能夠以較小的代價來更新和校正RadioMap。
【發(fā)明內容】

[0010]本發(fā)明的目的在于克服現(xiàn)有技術的不足，提出一種WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法。
[0011]本發(fā)明為解決上述技術問題采用以下技術方案:
[0012]室內定位系統(tǒng)基于WiFi網(wǎng)絡覆蓋，包括定位服務器、定位客戶端。
[0013]WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法包括以下步驟:
[0014]A.進行定位請求:WiFi設備發(fā)出定位請求，搜集功率指紋，并將功率指紋發(fā)送到定位服務器；
[0015]B.進行位置估計:定位服務器利用模式分類法將當前發(fā)送的功率指紋和保存在RadioMap中的功率進行對比，由給定的當前WiFi功率指紋值，預測當前節(jié)點的位置；
[0016]所述的模式分類法的工作過程為:如果一個樣本在特征空間中的k個最相似的樣本中的大多數(shù)屬于某一個模式類別，則該樣本也屬于這個模式類別，在定類決策上只依據(jù)最鄰近的一個或幾個樣本的模式類別來決定待分樣本所屬的模式類別，k為自然數(shù)；
[0017]C.進行精度調整:利用貝葉斯回歸算法對RadioMap進行在線動態(tài)校正，通過高斯過程回歸迭代，把功率標準差縮小到米一級的精度，并轉換為位置誤差的標準差，采用定位誤差標準差的形式來表示定位精度；
[0018]所述的高斯過程實現(xiàn):在所有位置上預測功率的概率密度函數(shù)；對功率值的噪聲進行平滑處理；提供功率預測的標準差；
[0019]D.進行定位回復:定位服務器將預測位置和位置誤差的標準差通過WiFi網(wǎng)絡發(fā)送到定位請求方。
[0020]進一步的,本發(fā)明WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法,所述的步驟A中WiFi設備發(fā)出定位請求，搜集功率指紋，并發(fā)送功率指紋到定位服務器采用基于AP (AccessPoint,訪問接入點)在線功率模式記錄法；
[0021]所述的基于AP在線功率模式記錄法利用每個AP裝有無線局域網(wǎng)收發(fā)器硬件的特點，讓AP既提供無線連接功能，又承擔功率模式的記錄工作，通過修改AP固件，在每個AP旁邊放置一個無線檢測器進行功率模式記錄，在AP發(fā)送的信標幀的信息部分攜帶功率模式記錄結果時，使AP變成一個參考位置，周期廣播其位置上最近功率方向的記錄，包括AP自身的MAC及位置、鄰區(qū)AP的MAC，鄰區(qū)AP的RSS (ReceivedSignal Strength，接收信號強度)值，該信息發(fā)送到定位服務器。
[0022]進一步的，本發(fā)明WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，AP已每隔2秒為周期廣播其位置上最近功率方向的記錄。
[0023]進一步的,本發(fā)明WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法,所述的步驟B中給定的當前WiFi功率指紋值，預測當前節(jié)點的位置是利用零均值高斯過程回歸方法，針對AP進行功率強度預測；
[0024]所述的零均值高斯過程回歸方法對每個AP建立RSS觀測值，并建立在線RSS觀測圖，該觀測值具有零均值高斯先驗概率密度函數(shù)，每個AP的訓練數(shù)據(jù)都是成對形式:
[0025]{(X1, Y1)，(x2, y2)...(xN, yN)}，
[0026]其中X是一個2維位置，y是在位置x處的AP的RSS值，
[0027]初始時，一個NXN的協(xié)方差矩陣R可以在N個觀測值的訓練數(shù)據(jù)集上利用似然函數(shù)進行計算，當所有收集到的數(shù)據(jù)集(X，Y)都有協(xié)方差矩陣R之后，就可以利用貝葉斯推理的邊緣化特性來估計該AP在未知輸入X*時的信號功率概率密度函數(shù):
【權利要求】
1.WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于:包括以下步驟: A.進行定位請求=WiFi設備發(fā)出定位請求，搜集功率指紋，并將功率指紋發(fā)送到定位服務器； B.進行位置估計:定位服務器利用模式分類法將當前發(fā)送的功率指紋和保存在RadioMap中的功率進行對比，由給定的當前WiFi功率指紋值，預測當前節(jié)點的位置； 所述的模式分類法的工作過程為:如果一個樣本在特征空間中的k個最相似的樣本中的大多數(shù)屬于某一個模式類別，則該樣本也屬于這個模式類別，在定類決策上只依據(jù)最鄰近的一個或幾個樣本的模式類別來決定待分樣本所屬的模式類別，k為自然數(shù)； C.進行精度調整:利用貝葉斯回歸算法對RadioMap進行在線動態(tài)校正，通過高斯過程回歸迭代，把功率標準差縮小到米一級的精度，并轉換為位置誤差的標準差，采用定位誤差標準差的形式來表示定位精度； 所述的高斯過程實現(xiàn):在所有位置上預測功率的概率密度函數(shù)；對功率值的噪聲進行平滑處理；提供功率預測的標準差； D.進行定位回復:定位服務器將預測位置和位置誤差的標準差通過WiFi網(wǎng)絡發(fā)送到定位請求方。
2.如權利要求1所述的WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于: 所述的步驟A中WiFi設備發(fā)出定位請求，搜集功率指紋，并發(fā)送功率指紋到定位服務器采用基于AP在線功率模式記錄法； 所述的基于AP在線功率模式記錄`法利用每個AP裝有無線局域網(wǎng)收發(fā)器硬件的特點，讓AP既提供無線連接功能，又承擔功率模式的記錄工作，通過修改AP固件，在每個AP旁邊放置一個無線檢測器進行功率模式記錄，在AP發(fā)送的信標幀的信息部分攜帶功率模式記錄結果時，使AP變成一個參考位置，周期廣播其位置上最近功率方向的記錄，包括AP自身的MAC及位置、鄰區(qū)AP的MAC，鄰區(qū)AP的RSS值，該信息發(fā)送到定位服務器。
3.如權利要求2所述的WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于:AP以每隔2秒為周期廣播其位置上最近功率方向的記錄。
4.如權利要求1所述的WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于: 所述的步驟B中給定的當前WiFi功率指紋值，預測當前節(jié)點的位置是利用零均值高斯過程回歸方法，針對AP進行功率強度預測； 所述的零均值高斯過程回歸方法對每個AP建立RSS觀測值，并建立在線RSS觀測圖，該觀測值具有零均值高斯先驗概率密度函數(shù)，每個AP的訓練數(shù)據(jù)都是成對形式:
Kx1, Y1), (x2, Y2)...(xN, yN)}， 其中X是一個2維位置，y是在位置X處的AP的RSS值， 初始時，一個NXN的協(xié)方差矩陣R在N個觀測值的訓練數(shù)據(jù)集上利用似然函數(shù)進行計算，當所有收集到的數(shù)據(jù)集(X，Y)都有協(xié)方差矩陣R之后，就利用貝葉斯推理的邊緣化特性來估計該AP在未知輸入X*時的信號功率概率密度函數(shù):
5.如權利要求1所述的WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于: 所述的步驟B中給定的當前WiFi功率指紋值，預測當前節(jié)點的位置是利用對數(shù)距離均值高斯過程方法，針對AP進行功率強度預測； 所述的對數(shù)距離均值高斯過程方法用于遠離任何ΑΡ、高斯過程回歸為零均值、所預測的RSS值也趨于零的場景； 采用對數(shù)距離均值高斯過程回歸來進行RSS預測，高斯過程回歸的訓練數(shù)據(jù)是對數(shù)距離模型中RSS觀測值和預測值之間的差值，位置X*的預測殘差RSS為:
6.如權利要求1所述的WiFi室內定位中基于貝葉斯回歸的RadioMap校正方法，其特征在于:所述的步驟C中利用貝葉斯回歸算法對RadioMap進行在線動態(tài)校正包括以下步驟: Cl.選擇在線RSS觀測圖表中75%的數(shù)據(jù)進行RadioMap構建，剩下的25%數(shù)據(jù)用于檢驗所構建的RadioMap的準確性； C2.根據(jù)所構建的RadioMap，利用模式分類法對RSS值預測其位置，獲得權重均值；模式分類法將RadioMap中點的位置和權重相對應，位置近的權重大；C3.將C2步驟得到的測試數(shù)據(jù)的位置和其參考位置進行比較，并記錄下位置均方差；C4.如果位置均方差比門限值大，在每個AP中的超參數(shù)的估值將基于迭代算法，用擬合函數(shù)進行最大化的修改；迭代中，AP的功率RSS和RadioMap的構建需要重復進行，新的RadioMap與測試數(shù)據(jù)集都被反復利用，直到獲得一個合理的均方誤差；所述的門限值范圍為0.01~0.1之間。
【文檔編號】H04W24/06GK103874118SQ201410064237
【公開日】2014年6月18日 申請日期:2014年2月25日 優(yōu)先權日:2014年2月25日
【發(fā)明者】談玲, 夏景明 申請人:南京信息工程大學