[发明专利]一种基于六方最密堆积结构的室内定位方法

说明书

本发明公开了一种基于六方最密堆积结构的室内定位方法，属于室内定位服务技术领域。本发明以六方最密堆积的拓扑结构为基础在待定位空间内布置信标设备，相较于常用的简单立方堆积拓扑结构，较大的提高了信标设备的空间利用率以及有效信号范围的空间覆盖率；滤波方法改进了传统的适用于线性高斯系统的卡尔曼滤波方法，提高了RSSI的接收精度，降低了环境因素对室内定位系统精度的干扰；采用指纹库定位结合信标设备的布置以及滤波方法，解决了传统指纹库对环境敏感度高、复用性差等问题，从而实现较高室内定位的目标。

技术领域

本发明属于室内定位服务技术领域，更具体地说，涉及一种基于六方最密堆积结构的室内定位方法。

背景技术

随着现代通信技术和互联网技术的飞速发展，人们不再满足于过去使用的那些精度低、受限区域多、延展性差的落后定位手段；此外，随着“万物互联”构想的不断实现，各种智能设备都需要在获取用户位置信息的基础上正常运行，人们对于更高精度的位置信息的需求也在日益增加。因此，如何实现精准而持续地提供用户的实时位置信息，成为今年大家普遍关注的热点问题之一。

高精度GPS(全球定位系统，Global Positioning System)以及可以在理论上实现室外厘米级别精度的定位，并已经在实践中将定位精度控制在一米以内。但是由于信号的遮挡、衰减、反射等问题，GPS技术很难在室内场景、地下场景以及建筑物密集的场景中实现精准的定位。

对于室内定位，目前比较常见的解决方案有：基于红外线的室内定位、基于Wi-Fi的室内定位、基于BLE(低功耗蓝牙，Bluetooth Low Energy)的室内定位、基于可见光的室内定位等。总的来说，这些室内定位方法的本质都是基于待定位设备获取到的RSSI(接收信号强度指示，Received Signal Strength Indication)来进行定位。

经检索，中国专利申请号为：CN201710084372.0，申请日为：2017年2月16日的发明专利申请，公开了一种基于WiFi的室内定位优化算法，此算法的实现过程分为两个阶段：训练阶段：线下采集RSSI数据，将其转换成RSSI指纹库；将RSSI指纹库的与x、y坐标值部分分离；构造一个非递归神经网络不断训练RSSI值部分，得到一个新的数据集，形成新的RSSI指纹库；测试阶段：将给出的某一位置RSSI指纹，经过与训练阶段同样的非递归神经网络，通过KNN分类算法进行指纹库匹配分别对x坐标值和y坐标值分类，得出最终定位结果。此发明通过构造一个非递归的神经网络，经由一次采集的数据集不断生成新的数据集，从而通过增大数据集的规模来适应噪声环境，但此方法对数据集的大小要求比较大，需要较大的数据集才能实现比较好的效果，并且，此发明采用KNN分类算法构建指纹库，KNN算法需要知道数据的整体信息，其效果对数据集的大小比较敏感。

又如中国专利申请号为：CN201710164175.X，申请日为：2017年3月20日的发明专利，公开了一种基于随机森林的快速KNN室内WiFi定位方法，此方法具体包括以下步骤：将定位区域划分为多个子区域，在每一个子区域设置多个定位坐标点；终端采集每个坐标点RSSI指纹信息和坐标信息，通过无线网络传输至服务器，构建指纹数据库；服务器通过集成的随机森林算法对目标所处区域类别进行判别；采用KNN算法以目标所处类别进行匹配。此发明采用KNN分类算法构建指纹库，KNN算法需要知道数据的整体信息，其效果对数据集的大小比较敏感。