[发明专利]面向室内定位的位置指纹库构建和动态更新方法

摘要

本发明公开了一种面向室内定位的位置指纹库构建和动态更新方法，在离线阶段首先利用高斯过程回归方法构建一个初始的的位置指纹库；在在线阶段，待定位的客户端将当前采集的RSS观测值发送到服务器端，服务器端采用指纹匹配算法依据位置指纹库中的指纹信息估计客户端的当前位置，返回给客户端；如果当前的客户端设备的携带者是位置指纹库更新的众包参与者，将记录客户端设备在穿越一段路径时的RSS观测值，并将这些信息与初始位置估计和行人航位推算的结果发送到服务器，然后服务器端运行在线边缘化粒子扩展高斯过程算法，以在线方式更新位置指纹库。以实现在线阶段进行位置指纹库的递归式、实时更新，且指纹精度高。

主权项

1.一种面向室内定位的位置指纹库构建和动态更新方法，其特征在于，包括离线阶段构建初始位置指纹库和在线阶段更新位置指纹库；所述离线阶段构建位置指纹库的步骤是：在离线阶段，使用客户端设备，按照现场勘测方式，在少量的勘测位置获取RSS观测值，并发送到服务器端；然后，在服务器端执行高斯过程回归使用有限的RSS观测值，构建一个初始的位置指纹库；所述在线阶段更新位置指纹库的步骤是：在在线阶段，待定位的客户端将当前采集的RSS观测值发送到服务器端，服务器端采用指纹匹配算法依据位置指纹库中的指纹信息估计客户端的当前位置，返回给客户端；同时，如果当前的客户端设备的携带者是位置指纹库更新的众包参与者，将记录客户端设备在穿越一段路径时的RSS观测值，并将这些信息与初始位置估计和行人航位推算的结果发送到服务器，然后服务器端运行在线边缘化粒子扩展高斯过程算法，以在线方式更新位置指纹库；在线边缘化粒子扩展高斯过程算法，具体过程如下：已知参数：指纹库中的固定指纹位置标记X_*，粒子滤波过程中粒子个数N；输入：众包参与者提交的RSS观测序列{y₁,y₂,…}及其位置标记{U₁,U₂,…}；输出：参数θ＝[A,b,c,σ_n,σ_f,l,σ_ρ,σ_r]^T的更新值；其中：θ是未知参数向量，其中A是二维方阵，b是二维列向量，c是数值，σ_n是噪声方差，σ_f是信号方差，l是尺度参数，σ_ρ为航向误差，σ_r为步长误差；第一步：在t＝1时刻，生成N个粒子，每个粒子状态记为第二步：设置粒子状态的先验值，即基于扩展的高斯过程回归算法利用y₁和U₁最大似然估计参数θ，并赋予其中y₁为t＝1时的RSS观测序列，U₁为t＝1时的位置标记；然后把代入公式，经计算得到X*处RSS测量的均值向量E(f₀)和协方差矩阵V(f₀)；最后从正态分布N(E(f₀),V(f₀))中抽样得到为初始RSS测量均值向量的先验估计，并将V(f₀)赋给为初始RSS测量协方差矩阵的先验估计；所述第二步中，基于扩展的高斯过程回归算法利用y₁和U₁通过公式(1)最大似然估计参数θ：在公式(1)中，L(y；U,θ)是极大似然估计函数；y是一组RSS观测序列，U代表位置标记向量；Q(U)是一个协方差矩阵，其形式如公式(2)；m(U)是一个均值向量，其形式如公式(3)；在公式(2)中：I是一个单位矩阵；K(U)是一个协方差矩阵，由于U＝{u₁,u₂,…}，所以K(U)可通过公式(4)进行求解，其每个位置由k(u,u')组成；是一个对角矩阵，其具体形式如下式，其中，每个都是m(u)在u＝u_i时的导数；在公式(2)中，Σ_U是一个协方差矩阵，其具体形式如下式，其中，V(u_i)为2*2方差矩阵，C(u_i,u_j)为2*2协方差矩阵；Σ_U的计算方式具体如下：1)V(u₁)能够根据初始位置确定；2)给定u_i和u_j，其中i>j，C(u_i,u_j)＝V(u_i)；3)其中：r代表众包参与者的步长；m(u)＝u^TAu+b^Tu+c  (3)在公式(3)中，m(u)表示在位置u处的对应高斯分布函数的均值，其中A，b，c参数来自于θ中对应的参数；在公式(4)中，k(u,u')表示在位置u和u'的对应高斯分布函数的协方差，其中和l分别表示方差和尺度参数，它们是θ中对应的参数；所述第二步中，把代入到公式(5)和(6)中，经计算得到X_*处RSS测量的均值向量E(f₀)和协方差矩阵V(f₀)；E(f_*|U,y,X_*)＝m(X_*)+K(X_*,U)^TQ(U)^‑1(y‑m(U))  (5)在公式(5)中，E(f_*|U,y,X_*)表示在固定位置处RSS测量的均值向量，向量的每个元素代表一个固定位置坐标的RSS均值；其中X_*由多个固定位置坐标x_*组成的向量；V(f_*|U,y,X_*)＝K(X_*,X_*)+K(X_*,U)^TQ(U)^‑1K(X_*,U)  (6)在公式(6)中，V(f_*|U,y,X_*)表示在固定位置处RSS测量的协方差矩阵，其中X_*由多个固定位置坐标x_*组成的向量；第三步:令t＝t+1；对于每个粒子i，i＝1,2,···,N，执行如下操作：步骤1)，根据公式(7)采样在公式(7)中，代表在第t步中第i个粒子的θ向量，每个b＝(3δ‑1)/(2δ)，δ表示折扣因子，取值在0.95‑0.99之间；是t‑1时刻θ的蒙特卡罗均值，s_t‑1是服从均值为0方差为r²Σ_t‑1的正态分布，即s_t‑1～N(0，r²Σ_t‑1)，r²＝1‑b²，Σ_t‑1是t‑1时刻θ的蒙特卡罗协方差矩阵；步骤2)，使用中参数和l代入公式(4)中计算k(U,U')，及公式(8)、(9)、(10)和(11)计算和在公式(4)中，k(u,u')表示在位置u和u'的对应高斯分布函数的协方差，其中和l分别表示方差和尺度参数，它们是θ中对应的参数；其中，没有特定含义，相当于一个中间函数值，代表噪声方差矩阵；表示协方差矩阵，可使用k(u,u')计算；定义和其中：是由U_t和X_*组成的位置标记，U_t是t时输入的位置标记，X_*固定点的位置标记；与代表同一内容，服从均值为方差为的正态分布，即在公式(11)中，y_t是U_t位置处的RSS测量，H_t＝[I，0]是使的索引矩阵，f(U_t)是服从N(m(U_t),k(U_t,U_t))的正态分布；I是一个单位矩阵，其维数为U_t中元素个数，0是一个零矩阵，其维数与U_t中元素个数相同，列数与X_*元素个数相同；是满足的附加高斯噪声；步骤3)，卡尔曼预测，使用前一时刻RSS均值估计结果和方差估计结果分别作为和的估计值，代入公式(12)和公式(13)计算RSS预测均值和预测方差其中，在t＝1时，RSS测量先验初值和通过第二步中估计得到；步骤4)，卡尔曼更新，把步骤3)中计算结果与代入公式(14)、(15)和(16)中去计算其中是H_t的转置矩阵；其中，是一个卡尔曼增益矩阵，和是RSS测量的预测均值和方差；公式(14)中为步骤2)中结果，公式(15)中y_t为输入向量；步骤5)，把和代入到公式(17)中去计算重要权值权值服从公式(17)中正态分布；第四步：归一化权值对于i＝1,2,3···N；第五步：利用在第三、四步中计算的实现θ和隐藏函数值的估计：是t时θ参数的更新，即输出；和是t时刻U_t位置坐标所对应的RSS测量的均值和方差的估计值；即其中，是在X_*处获得函数值估计的索引矩阵，I_m是一个单位矩阵其维数是m；和是t时刻X_*位置坐标所对应的RSS测量的均值和方差的估计值；第六步：重采样：对于i＝1,2,3···N，根据权重对和重采样，获得下一步是下一步中运算的估计值，用于初值的形成；第七步：如果有新的众包用户返回的轨迹，重复第三步；否则，停止执行。