[发明专利]一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备

说明书

技术领域

本发明涉及用户轨迹估计领域，尤其涉及一种室内定位中的鲁棒用户轨迹估计的方法、装置及智能通讯设备。

背景技术

近年来，智能手机装备了各种功能的传感器，并且具有强大的计算和通信功能，智能手机的流形吸引了很多研究人员的关注，他们致力于利用手机上的传感器来改善基于指纹的室内定位方法。在传统方法中，基于指纹的定位包括两个阶段：标定阶段和实施阶段。在标定阶段中，我们需要采集在感兴趣的地点的指纹数据(通常是RSS值(Received Signal Strength，是指接收信号强度))，来构建一个指纹数据库；然后在实施阶段，当用户查询他的位置时，系统会在指纹数据库中匹配他的手机传感器读数，并估计他的位置。标定阶段对于基于指纹的定位方法来说是非常昂贵的但又不可避免的，因此成为这些定位方法的关键瓶颈。

在最新的研究中，研究人员探索了用户移动轨迹与指纹的关系，并提出了联系原来离散的指纹的方法。这些最新的方法的共同点在于利用了众包采集的数据来取代昂贵的现场标定，众包获得的指纹数据以及用户轨迹足以进行指纹数据库的构建。虽然这些新方法有效的节省了显式的构建指纹数据库的花费，极大的推动了室内定位方法在现实中部署的进度，然而在实际场景中，搭建的系统应该能够对异常数据有鲁棒性，这恰恰在最新的研究文献中被忽略了，因此这些新的算法在遇到异常值时很可能会失效。具体来说，众包获得的轨迹数据中，由于各种各样的因素，比如用户的异常行为或者设备故障，很可能会包含传感器的异常读数，这些异常读数会导致错误的轨迹估计，使得轨迹估计与平面图错误匹配，因此接下去的定位步骤变会全部错误。

发明内容

本发明的目的在于提出一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备，能够使得基于众包数据采集的室内定位算法变得鲁棒，该方法不仅引入了距离测量的鲁棒性，而且基于众包的实际情形，提出了用户级别的鲁棒性，从而解决了众包采集的数据中用户轨迹空间分布不规则的问题，使得该方法具备了两个层面的鲁棒性，很好的应对了众包数据中存在异常值的情况。

为达此目的，本发明采用以下技术方案：

本发明公开了一种室内定位中的鲁棒用户轨迹估计的方法，包括：

S1.将用户轨迹划分为M个部分，每个部分分成K个分段,每个分段具有N个采样点；其中，如果所述用户轨迹的一部分轨迹中包括了所有用户的数据，则该部分轨迹为主轨迹，其余部分为边缘轨迹；

S2.抓取所述主轨迹中每个分段所具有的全部N个采样点的信息，采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离，并区分用户类别；

S3.抓取所述边缘轨迹上连续采样点的信息，结合所述用户类别，采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值；其中,M，K,N均为正整数。

在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述用户类别，具体包括：正常用户以及异常用户。

在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述的正常用户与异常用户区分在于：通过计算主轨迹来获得每个用户的权重，权重大于预设值则为正常用户，权重低于预设值则为异常用户。

在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述的用户轨迹包括：用户行走的步数以及从开始点到结束点的RSS值的记录。

本发明公开了一种室内定位中的鲁棒用户轨迹估计的装置，包括：

轨迹分段单元，用于将用户轨迹划分为M个部分，每个部分分成K个分段,每个分段具有N个采样点；其中，如果所述用户轨迹的一部分轨迹中包括了所有用户的数据，则该部分轨迹为主轨迹，其余部分为边缘轨迹；

距离估计单元，用于抓取所述主轨迹每个分段所具有的全部N个采样点的信息，采用最小协方差行列式的方法来估计所述主轨迹包含的所有采样点之间的距离，并区分用户类别；

用户区分单元，抓取所述边缘轨迹上连续采样点的信息，结合所述用户类别，采用加权平均的方法来估计所述边缘轨迹包含的所有采样点间的距离值；其中,M，K,N均为正整数。

在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述用户类别，具体包括：正常用户以及异常用户。

在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述的正常用户与异常用户区分在于：通过计算主轨迹来获得每个用户的权重，权重大于预设值则为正常用户，权重低于预设值则为异常用户。

在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述的用户轨迹包括：用户行走的步数以及从开始点到结束点的RSS值的记录。