一种多元信息融合的室内定位方法*

周启臻,邢建春,李决龙 ,杨启亮,3

(1.解放军理工大学 国防工程学院，江苏 南京 210007; 2.海军海防工程研究中心，北京 100841;3.清华大学 建筑信息模型联合研究中心，北京 100084)

一种多元信息融合的室内定位方法*

周启臻1,邢建春1,李决龙2,杨启亮1,3

(1.解放军理工大学 国防工程学院，江苏 南京 210007; 2.海军海防工程研究中心，北京 100841;3.清华大学 建筑信息模型联合研究中心，北京 100084)

针对现有室内定位技术在定位精度方面的不足，基于智能手机获取的多元传感器信息，提出一种多元信息融合的室内定位方法。首先，利用基于KNN(K-NearestNeighbor)的WiFi指纹滤波法得到行人初始位置坐标，通过行人航迹推算技术估算下一个时刻位置；然后利用WiFi和地磁加权平均后的定位坐标对行人运动轨迹进行修正；最后对获取的位置信息进行卡尔曼滤波后得到了行人的最终位置。此外，设计了基于Android平台的手机室内定位软件，实现了高精度的轨迹生成。实验结果表明，该方法有效提高了定位的精确度，平均定位误差降至1m。

室内定位；WiFi；地磁；卡尔曼滤波

0 引言

由于GPS信号不能有效穿透建筑物，无法满足人们对于高精度室内定位的要求，因此亟需研究定位精度高、性能稳定的室内定位技术以满足建筑物内和地下工程的定位需求。

在WiFi路由器和智能手机得到普遍使用的背景下，基于WiFi指纹的定位方法受到了人们的普遍关注。微软研究院推出的RADAR系统[1]是第一个WiFi室内定位实例。Horus[2]是一个经典的基于朴素贝叶斯概率模型的WiFi指纹定位系统。参考文献[3]提出一种WiFi与GPS信号相融合的室内定位方法。然而由于WiFi信号受到多径干扰影响，仅仅依靠WiFi指纹定位很难达到令人满意的效果。利用地磁信号进行室内定位是另一个热点研究方法。参考文献[4]利用室内地磁异常建立室内环境磁场特征基准地图，通过粒子滤波算法实现人员位置的估计。但是，地磁定位也存在初始定位误差大，匹配时间长等问题。而行人航迹推算技术(PedestrianDeadReckoning，PDR)[5]尽管短时间内具有较高精度且能实现连续定位，但是该定位方法随着时间变化容易产生累积误差，而且该方法对运动模型的准确性要求很高。

针对以上单一室内定位方法的不足，本文设计了基于Android平台的定位软件，提出一种多元信息融合的室内定位方法。首先利用智能手机获取WiFi和地磁指纹信息并构建指纹数据库，初始阶段采用基于KNN的WiFi指纹滤波法获得用户绝对位置，在行走过程中采用改进的行人航迹推算技术，实现对下一时刻位置的实时精确定位，用加权平均后的WiFi地磁融合定位坐标对推算轨迹进行修正；最后对估计的位置进行了卡尔曼滤波，进一步提高了定位精度。实验结果表明，本文定位方法生成的轨迹更加符合真实路径，定位精度相比单一的定位方法明显提高，在当前实验环境中定位平均误差为1m。

1 相关背景

1.1WiFi指纹定位原理

WiFi指纹定位分为离线训练阶段和在线定位阶段。离线阶段构建位置坐标与WiFi信号强度、地磁信号强度相关的定位指纹数据库。在线阶段把实时测得的WiFi指纹信息与数据库中存储数据进行匹配比较，一般采用KNN算法[1]。本文采用基于KNN算法的过滤指纹算法，其主要目的就是为了剔除与指纹点位置关联性较小的点，提高算法的运算效率。基于定位成本和实验环境的考虑，采用4个接入点(AccessPoint,AP)用于定位，即在线阶段获得的各AP的值为(R1,R2,R3,R4)。由于不同的接收信号强度指示(ReceivedSignalStrengthIndication,RSSI)，其变化幅度也不同。因此，令RSSI的指纹过滤临界值为(ti,ui),1≤i≤4，其取值见参考文献[6]的自适应调整表。当参考点(xi,yi)的某RSSI位于该AP的过滤区间(Ri-ti，Ri+ui)内时，即可以赋予该参考点权值1。此时，再通过基本KNN公式计算指纹参考点(xj,yj)和定位阶段测试点(xi,yi)之间的欧式距离：

(1)

根据公式(1)可以求得m个参考点和测试点之间的欧式距离集合L(m)，取其中欧式距离最小的k个参考点集合L(k)：

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

(2)

然后利用质心几何公式求解估计位置：

(3)

(4)

在实验中m的取值有可能小于k值，因此将m与k的边界条件进行比较。当m

(5)

图1 位置估计参考点选择流程图

该定位方法尽管能减少参与匹配的指纹数量，但是单一WiFi指纹定位受环境影响大，不能满足高精度人员定位的需要。

1.2 惯导辅助地磁定位原理

地磁指纹匹配算法是实现地磁精确定位的关键所在。地磁匹配方法主要包括最小距离度量法、相关度量法和粒子滤波法[4]。本文采用惯性辅助的平均平方差法算法[7]，利用手机惯性传感器得到定位的相对位置并从地磁基准图中选取待匹配区域，将测得的地磁矢量信息与局部地磁基准图进行匹配，实现地磁匹配定位。地理磁场的基本特征如下式所示：

(6)

(7)

(8)

(9)

式中，M、H、φ、α分别为磁场总场强、水平强度、磁偏角和磁倾角，Mx、My、Mz为总场强M分别在三轴上的投影。由于地磁矢量从载体坐标系转换到导航坐标系下时东西方向磁场分量近似为0，因此可以用地磁二维匹配算法进行匹配,公式如下：

(10)

D(u,v)是地磁匹配的相关函数，Nu,v+i表示基准数据库的位置(u,v+i)的特征量，mi表示实测的第i个观测量。惯导辅助的MSD算法相比简单MSD定位精度更高，但是在初始阶段定位时间长，容易误匹配。

1.3 行人航迹推算原理

行人航迹推算技术(PDR)在短时间内具有较高定位精度且能实现连续定位。假设初始位置的坐标为(x1,y1)，下一时刻的位置坐标为(x2,y2)，则航迹推算公式为：

x2=x1+l12sinθ1

(11)

y2=y1+l12cosθ1

(12)

行人航迹推算技术利用智能手机测得的加速度信号和预先设置的加速度阈值判断行人是否跨出一步，采用步长估计算法估计行人当前一步的步长l，最后利用磁力计和陀螺仪得到偏移方向θ，通过状态转移方程得到下一时刻行人的位置。PDR系统的结构框架如图2所示。

图2 PDR系统框架

本文采用文献[8]中介绍的步态检测方法来做计步工作，利用文献中[9]中的动态步长法估计步长：

(13)

β是步长和加速度的相关系数。该方法利用了步长和加速度峰值之间的关系，相比于简单的线性模型[10]定位误差更小，但是由于传感器存在噪声，在估计行走步数时会产生误差，导致移动距离存在较大偏差。

2 多元信息融合室内定位算法

本文提出一种多元信息融合的定位方法，结合三种定位技术的优点，利用改进的WiFi定位解决初始阶段匹配时间长的问题，用行人航迹推算技术解决了运动轨迹不连续的问题，采用地磁和WiFi的融合定位点修正轨迹，最大程度地减小环境干扰。定位系统的流程图如图3所示。

图3 融合定位算法流程图

(1)本文中融合定位算法在初始阶段利用基于KNN的过滤指纹匹配算法进行WiFi指纹定位，为下一步的PDR和惯导辅助地磁定位提供行人的绝对位置，从而减小定位匹配时间。

(2)由于手机受到采样频率的限制，行人运动过程中采集到的融合指纹并不连续，因此采用PDR算法对下一时刻的行人位置进行推断，在保证短时间内高精度的同时，使得生成的轨迹连续。

(3)由于单一的PDR算法长时间内容易产生累计误差，此时采用加权平均后的WiFi地磁融合定位坐标点对行人轨迹进行修正，既能减小PDR算法的误差累积，提高定位精度，又能增强定位系统的稳定性。

(4)用卡尔曼滤波[11]对用户位置坐标做进一步滤波处理，以便得到更加平滑的轨迹曲线。

2.1 分区间加权融合WiFi地磁指纹定位

本文提出的分区间加权平均融合WiFi地磁融合式定位算法，通过多次离线实验，对不同时间段内WiFi定位和地磁指纹定位的数据特征进行分析，在WiFi信号稳定的位置赋予WiFi指纹定位坐标较大权值，在地磁信号特征明显的位置给予地磁定位坐标较大权值。通过融合两种定位方法的优点，既能提高定位精度，又能最大程度减小环境干扰。本文的融合定位方法如下：

(1)获取WiFi与地磁定位在t时刻的坐标，令地磁定位估计点坐标为(xt1，yt1)，WiFi指纹定位估计位置的坐标为(xt2，yt2)。

(2)若t时刻位于区间(0,ε1)，由于惯导辅助地磁初始定位匹配速度慢，定位误差较大，而WiFi指纹定位此时能快速提供绝对位置，则在此时间段内，采用WiFi指纹定位作为定位的初始位置。

其中，时间ε1、ε2可以根据当前实验环境和行走的平均速度测得，位置权值u1、u2可以通过多次实验，除去粗大误差数据后取平均值计算获得。

2.2 实时位置的计算

在t时刻，行人在室内的二维运动模型可以用速度和方向表示[12]，其中人的运动速度和运动方向可以分别用式(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)分别表示t时刻、t-1时刻行人的运动速度，V(Fus)表示根据两次融合定位坐标的位置和时间求得的速度，V(Sens)表示根据传感器获取的加速度信息和时间求得的速度。O(t)、O(t-1)分别表示t时刻、t-1时刻行人的运动方向，可以根据位置和地磁传感器信息直接求得，O(Fus)表示由两次融合定位结果计算求得的行人运动方向，O(Sens)表示手机传感器测得的实时运动方向，q1、q2、q3表示运动速度的权重，p1、p2、p3表示运动方向权重，均可以通过多次实验后除去粗大误差数据后取平均值计算获得。根据行人航迹推算公式(11)、(12)，可以求得下一时刻位置坐标：

xt=xt-1+V(t)ΔtsinO(t)

(16)

yt=yt-1+V(t)ΔtcosO(t)

(17)

2.3 卡尔曼融合式滤波模型

在获得最终的定位结果后，由于环境中还存在噪声，为了进一步提高定位精度，本文决定采用卡尔曼滤波算法[11]对最终定位结果进行滤波。卡尔曼滤波的系统状态方程和观测方程如下：

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

(18)

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

(19)

其中，X(t)表示t时刻的系统状态， Z(t)为t时刻的测量值，H为测量系统的参数，W(t-1)、V(t)为定位过程中相互独立的过程噪声和测量噪声，它们的协方差分别是Q、R。卡尔曼滤波的时间更新方程如下：

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

(20)

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

(21)

其中，Xt|t-1是利用上一定位坐标预测的结果，Xt-1|t-1是上一定位点的最优结果，Pt|t-1是Xt|t-1对应的协方差，Q是系统过程的协方差。卡尔曼滤波状态更新方程如下:

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)为卡尔曼增益，Xt|t为t时刻最优定位估算值。根据行人运动状态进行二维建模：

(25)

(26)

3 实验结果与分析

3.1 实验条件

本文使用HuaweiMate8智能手机进行实验，搭载的系统为AndroidOS5.1,在实验开始前，开发了Android手机端的数据采集软件和定位软件。实验场地位于某实验楼三楼一条东西方向的走廊，长约30m,宽3m，该走廊内有实验所需要WiFi无线信号，人员流动少，实验时受到的环境影响相对较小。本实验在走廊天花板处分别布置4个AP点，尽量减小人体对无线信号的遮蔽。实验中将地理正东方向设为坐标系的X轴，地理正北方向设为坐标系的y轴。实验路径是从307房间向正东走到315房间，然后拐弯向正西方向走到304房间附近。

3.2 多元融合定位实验结果对比

在手机平台上将本文定位方法分别与WiFi定位、惯导辅助地磁定位、PDR算法结果进行轨迹比较，如图4所示。对不同定位方法误差进行累积误差分布的计算，绘制如图5、图6所示的定位精度对比图。

图4 不同定位方法生成轨迹的对比

图5 本文定位方法与单一定位方法的精度对比图

图6 本文定位方法在卡尔曼滤波前后的精度对比图

在图4中，WiFi定位点用带“+”的线表示。由于初始阶段WiFi的定位点与真实起点偏差不大，在初始阶段采用WiFi定位可以在保证定位精度的同时有效提高定位速率，但是由于在行走过程中WiFi定位受低采样率的影响，无法实时反映当前的位置状态，同时受到多径效应和非视距干扰的影响，导致行走过程中定位点与真实位置发生了不同程度的偏离。惯导辅助地磁定位点用带“o”的线表示，由于在初始阶段采用WiFi定位确定起点，有效解决了其匹配时间长的缺点。但是也发现，受到惯性传感器的影响，该定位方法随着路程和时间的增加与真实路径的偏差越来越大，而且匹配成功率与地磁特征密切相关。PDR轨迹用带“*”的线表示，可以发现PDR能大致描绘下一时刻行人的位置轮廓，弥补了WiFi定位和惯导辅助地磁定位周期长、定位轨迹不连续的不足，但是随着时间和运动方向变化，定位误差会逐渐累积增大。本文提出的融合定位方法在当前特定实验环境下准确描绘了行人的运动轨迹，有效克服了以上单一定位方法中存在的轨迹不连续、存在累积误差、采样时间长等不足。

图5描绘的是定位误差的累积分布函数曲线图，横坐标为定位误差，纵坐标为累积分布函数。可以看出，当前实验环境下，WiFi定位在1m内的定位精度为18%，3m内的定位精度为57%，平均误差为2.75m；惯导辅助地磁定位在1m内的定位精度为34%，3m内的定位精度为91%，平均误差为1.64m；行人航迹推算定位在1m内的定位精度为24%，3m内的精度78%，平均误差为1.63m；本文提出的融合定位方法，1m内的定位精度为50%， 3m内定位精度为97%。

由图6可以看出，卡尔曼滤波在2m～4m的定位误差范围内效果明显，卡尔曼滤波前的平均定位误差为1.3m。实验结果表明，本文所提出的融合定位方法能有效提高定位精确度，满足室内人员定位的需要。

4 结论

本文在现有室内融合定位技术的基础上进行研究和改进，提出一种基于智能手机多元信息融合的室内定位技术，运用卡尔曼滤波对WiFi、地磁、PDR三者的定位信息进行融合。在实验中，用开发的Android手机定位软件实现了高精度的实时轨迹生成，并将本文定位方法与单一WiFi定位、惯导辅助地磁定位、PDR等室内定位技术进行比较。实验结果表明，本文定位方法生成的轨迹更加符合真实路径，定位精度相比单一的定位方法明显提高，在当前实验环境中定位误差为1m。

由于实验环境受限，该定位方法仅在教学楼内部得以验证。下一步尝试将本文方法应用到地下商场、停车场等工程中，进一步验证本文方法的普适性和定位精度。

[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] 马燕, 袁蔚林, 陈秀万,等. 基于WiFi与GPS组合定位算法的无缝定位方法研究[J]. 地理与地理信息科学, 2013, 29(3):6-9,16.

[4] 王欣, 张亚君, 陈龙. 一种基于环境磁场的室内移动人员定位方法[J]. 杭州电子科技大学学报, 2013, 33(3):1-4.

[5] 蔡敏敏. 基于行人航位推算的室内定位技术综述[J]. 微型机与应用, 2015,34(13):9-11.

[6] 张文学. 基于WiFi的RSSI指纹定位算法研究[D]. 成都：电子科技大学, 2015.

[7] 宋镖, 程磊, 周明达,等. 基于惯导辅助地磁的手机室内定位系统设计[J]. 传感技术学报, 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] 刘定俊, 蒋鑫龙, 刘军发,等. 融合多模传感器的室内实时高精度轨迹生成[J]. 计算机科学, 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

江苏省自然科学基金项目(BK20151451)

P

ADOI： 10.19358/j.issn.1674- 7720.2016.22.019

周启臻，邢建春，李决龙，等.一种多元信息融合的室内定位方法[J].微型机与应用，2016,35(22)：72-76.

2016-06-29)

周启臻(1993-)，通信作者，男，硕士研究生，主要研究方向：室内定位。E-mail：zhouqizhen2016@163.com。

邢建春(1964-)，男，博士，教授，博士生导师，主要研究方向：复杂智能信息系统。

李决龙(1959-)，男，教授，博士生导师，主要研究方向：复杂智能信息系统。