本发明公开了一种环境自适应指纹库的二次构建方法，步骤包括：步骤1：在无干扰环境下，进行蓝牙模块Shadowing阴影传播模型的最小二乘法拟合；步骤2：无干扰环境下，构建初始指纹库Z0；步骤3：在实际工况下，实测关键指纹点的RSSI值GRssi1，得到RSSI环境差异向量ΔGRssi1；步骤4：计算初始指纹库Z0的修正向量Ke，得到环境自适应指纹库Z1。本发明的有益效果是，环境自适应指纹库的二次构建方法结合了传播模型法与空间相关法的优点，利用线性插值算法与聚类跳变算法对不同干扰环境中的指纹进行自适应校正，得到的环境自适应指纹库定位精度高，指纹数据人工采集工作量低。
1.一种环境自适应指纹库的二次构建方法，其特征在于，按照以下步骤实施：
步骤1：在无干扰环境下，进行蓝牙模块Shadowing阴影传播模型的最小二乘法拟合，具体过程是，根据蓝牙信号Shadowing阴影传播模型，待测节点读取锚节点信号强度RSSI的理论值表达为：Rssi＝T+10vlg(d) (1)其中，d为待测节点与锚节点间的实际距离；v为受环境影响的路径损耗因子；T为单位距离处的信号强度RSSI值，在无干扰环境中，固定一个锚节点，沿直线移动待测节点，在不同位置处采集RSSI信号进行卡尔曼滤波处理后求均值，得到一组不同距离、RSSI值(d0，Rssi)，代入式(1)，利用最小二乘法可拟合v，完成对该蓝牙模块Shadowing阴影传播模型的参数拟合；
步骤2：无干扰环境下，构建初始指纹库Z0，具体过程是，
在三个锚节点最小单位的定位空间中，A,B,C分别是一个锚节点，在该定位空间均匀设置n个指纹点K＝(k1,k2,k3,…kn)，设该三个锚节点坐标分别为A(xA,yA)、B(xB,yB)、C(xC,yC),第i个指纹点的坐标为ki(xi,yi)，则第i个指纹点与上述三个锚节点的距离为具体表达式如下：得到n个指纹点到上述三个锚节点的距离KD＝(kd1,kd2,kd3,…kdn)；再由蓝牙模块Shadowing阴影传播模型式(1)，得到n个指纹点到三个锚节点的初始RSSI值为KRssi0＝(kRssi01,kRssi02,…,kRssi0n)，其中， 表示第i个指纹点到三个锚节点的
初始RSSI值，由此得到有n个指纹点的基础指纹库Z0＝KRssi0；
步骤3：在实际工况下，实测关键指纹点的RSSI值GRssi1，得到RSSI环境差异向量ΔGRssi1，具体过程是，根据实际工况的干扰情况，选取能够代表整个定位空间环境因素的关键指纹点，在定位空间中选择m个关键指纹点G＝(g1,g2,g3,…gm)，该m个关键指纹点应该是基础指纹库中的指纹点，即G∈K；
测量出该m个关键指纹点的实测RSSI值，记为GRssi1＝(gRssi11,gRssi12,…,gRssi1m)，其中第i个关键指纹点分别到三个锚节点A、B、C的实测值为定义关键指纹点的RSSI环境差异值向量为ΔGRssi1＝GRssi1‑GRssi0＝(ΔgRssi11，ΔgRssi12，…，ΔgRssi1m)，其中，GRssi1为关键指纹点的实测RSSI值，GRssi0为关键指纹点无干扰环境初始RSSI值GRssi0∈KRssi0；则第i个关键指纹点的RSSI环境差异值为步骤4：计算初始指纹库Z0的修正向量Ke，得到环境自适应指纹库Z1，具体过程是，设初始指纹库Z0的修正向量为Ke＝(ke1,ke2,…,ken)，初始指纹库Z0二次修正后指纹点的修正后的RSSI值为KRssi2＝KRssi0+Ke＝(kRssi21,kRssi22,…kRssi2n)，得到环境自适应指纹库Z1＝KRssi2；
第i个指纹点的RSSI修正量为 则第i个指纹点修正后的RSSI值
为：kRssi2i＝kRssi0i+kei (2)
修正向量为Ke＝(ke1,ke2,…,ken)中的m个关键指纹点修正量即为关键点的RSSI环境差异值；其它指纹点的RSSI修正量根据定位空间的干扰情况计算，按弱干扰与强干扰两类分别计算，按弱干扰与强干扰两类分别计算，具体方式如下：
方式1)如果三个锚节点最小单位的定位空间为弱干扰环境，则该定位空间指纹点的修正量与指纹点到锚节点的距离d成线性关系，采用线性修正算法，修正量为：kei＝Q*kdi+P(3)其中， 为第i个指纹点的修正量； 为第i个指纹点
Q以及P的计算方法为：m个关键指纹点到三个锚节点的距离为GD＝(gd1,gd2,…gdm)，m个关键指纹点的RSSI修正量为ΔGRssi1＝(ΔgRssi11,ΔgRssi12,…,ΔgRssi1m)，其中，第i个关键指纹点的距离 修正量将GD以及ΔGRssi1代入式(3)，通过最小二乘法拟合得到Q,P；得到Q以及P的数值后，由式(3)得到定位空间初始指纹库Z0的修正向量Ke；
方式2)如果三个锚节点最小单位的定位空间为强干扰环境，指纹点修正向量Ke采用空间相关法计算；以关键指纹点为聚类中心，将定位空间划分成若干个子区域，子区域的数量等于关键指纹点的数量，根据环境干扰的聚类属性，每个关键指纹点的RSSI修正量ΔgRssii即为对应子区域的RSSI修正值，该区域内所有指纹点的修正量均为ΔgRssii，于是，定位空间初始指纹库Z0的修正向量Ke＝(ke1,ke2,…kem)＝(ΔgRssi1,ΔgRssi2,…ΔgRssim)。
环境自适应指纹库的二次构建方法
技术领域
[0001] 本发明属于无线定位技术领域，涉及一种环境自适应指纹库的二次构建方法。
背景技术
[0002] 随着无线网络、大数据、云计算等技术的不断发展，基于无线定位技术的位置服务已经成为人们日常生活与工作的基本应用需求。蓝牙定位技术是通过蓝牙终端(待测节点)接收预布设的辅助节点(锚节点)发射的蓝牙信号的角度或强度信息(RSSI)进行定位。由于蓝牙4.0技术具有低价格、应用简单、低功耗的优势，基于蓝牙无线传感器网络的定位具有广泛的应用前景。
[0003] 在蓝牙无线传感网络的定位技术中，基于RSSI的指纹库定位算法受环境影响程度较小，具有较高精度。在指纹库定位算法中指纹库的构建直接影响定位精度，一般而言，指纹库的指纹点细粒度越高，定位精度也越高，但是指纹点增多需要耗费大量人力物力。为了提高效率，研究人员提出了用传播模型法以及空间相关法实现稀疏位置指纹库的扩充，即通过少数指纹点获得精细的指纹库数据，从而提高效率。然而，在室内环境下，蓝牙信号的RSSI值受墙体或地板的遮挡，使得传播模型扩充指纹库的方法精度低，无法适应室内环境的影响；空间相关扩充法是利用RSSI值与空间位置之间的相关性，对未知指纹点的RSSI值进行估计，从而扩充指纹库，该方法虽然考虑了环境因素的影响，但对未知指纹点RSSI值的估计只用了现场采集的少量指纹点信息，最终得到的精度差，难以满足工程技术的实际要求。
发明内容
[0004] 本发明的目的是提供一种环境自适应指纹库的二次构建方法，解决了现有技术中存在构建成本高，定位精度难以满足要求的问题。
[0005] 本发明所采用的技术方案是，一种环境自适应指纹库的二次构建方法，按照以下步骤实施：
[0006] 步骤1：在无干扰环境下，进行蓝牙模块Shadowing阴影传播模型的最小二乘法拟合；
[0007] 步骤2：无干扰环境下，构建初始指纹库Z0；
[0008] 步骤3：在实际工况下，实测关键指纹点的RSSI值GRssi1，得到RSSI环境差异向量ΔGRssi1；
[0009] 步骤4：计算初始指纹库Z0的修正向量Ke，得到环境自适应指纹库Z1。
[0010] 本发明的有益效果是，将传播模型法与空间相关法相结合，一方面利用拟合的RSSI信号‑距离Shadowing传播模型，可以很方便地构建反映蓝牙硬件特性的定位空间初始指纹库Z0；另一方面，利用现场少数关键指纹点的实测值，得到RSSI环境差异值，再根据定位空间的环境干扰不同，利用线性修正法或空间相关法，对初始指纹库Z0进行环境差异校正，从而得到反应真实环境的环境自适应指纹库Z1。该方法得到的环境自适应指纹库Z1在保证定位的前提下，可以大幅降低人力成本。
附图说明
[0011] 图1是本发明三个锚节点最小单元定位空间指纹点布局；
[0012] 图2是本发明三个锚节点最小单位定位空间强干扰环境的子区域划分；
[0013] 图3是本发明专利实验车库及锚节点的平面图；
[0014] 图4是本发明实验中定位区域22的指纹点布局图；
[0015] 图5是本发明实验中定位区域22的7个子区域划分；
[0016] 图6是本发明实验中定位区域22的待测点布局图。
具体实施方式
[0017] 下面结合附图和具体实施方式对本发明进行详细说明。
[0018] 本发明方法首先利用最小二乘法拟合无干扰环境下RSSI的Shadowing传播模型，以此计算无干扰环境下指纹点的初始RSSI值(KRssi0)，从而构建初始指纹库Z0(此即指纹库一次构建)；之后，在实际工况(有干扰环境)下，获取少数关键指纹点的实测RSSI值(GRssi1)，得到关键指纹点的RSSI环境差异值(ΔGRssi1)ΔGRssi＝GRssi1‑GRssi0，其中GRssi0为关键指纹点的无干扰环境下的初始RSSI值；最后，根据定位空间的环境干扰不同，利用线性修正法或空间相关法，对初始指纹库Z0进行环境差异校正，即指纹库二次构建，从而得到环境自适应指纹库Z1。
[0019] 研究表明，蓝牙定位系统中，三个锚节点可以确定待测节点位置，成本最低，同时，三个锚节点以等边三角形布局可以提高定位精度高。因此，对于任意定位空间，锚节点的布局可以以等边三角形为最小单元进行扩展覆盖。下面以一个三个锚节点最小单位的定位空间为例，结合附图和具体实施方式对本发明进行详细说明。本发明方法具体按照以下步骤实施：
[0020] 步骤1：在无干扰环境下，进行蓝牙模块Shadowing阴影传播模型的最小二乘法拟合，
[0021] 根据蓝牙信号Shadowing阴影传播模型，待测节点读取锚节点(蓝牙信号发射端)信号强度RSSI的理论值表达如下：
[0022] Rssi＝T+10vlg(d) (1)
[0023] 其中，d为待测节点与锚节点间的实际距离；v为受环境影响的路径损耗因子；T为单位距离(本步骤确定为1米)处的信号强度RSSI值，
[0024] 在无干扰环境中，固定一个锚节点，沿直线移动待测节点，在不同位置处采集RSSI信号进行卡尔曼滤波处理后求均值，得到一组不同距离、RSSI值(d0，Rssi)，代入式(1)，利用最小二乘法可拟合v，从而完成对该蓝牙模块Shadowing阴影传播模型的参数拟合。
[0025] 步骤2：无干扰环境下，构建初始指纹库Z0，
[0026] 图1为一个三个锚节点最小单位的定位空间，图中A，B，C分别是一个锚节点，在该定位空间均匀设置n个指纹点K＝(k1，k2，k3，…kn)(图1中用■表示)，设该三个锚节点坐标分别为A(xA，yA)、B(xB，yB)、C(xC，yC)，第i个指纹点的坐标为ki(xi，yi)，则第i个指纹点与上述三个锚节点的距离为 具体表达式如下：
[0027]
[0028] 得到图1中n个指纹点到上述三个锚节点的距离KD＝(kd1，kd2，kd3，…kdn)；再由蓝牙模块Shadowing阴影传播模型式(1)，得到所有图1中的n个指纹点到三个锚节点的初始RSSI值为KRssi0＝(kRssi01，kRssi02，…，kRssi0n)，
[0029] 其中， 表示第i个指纹点到三个锚节点的初始RSSI值，由此得到有n个指纹点的基础指纹库Z0＝KRssi0，该指纹库反应了定位器材的基本特性。
[0030] 步骤3：在实际工况下，实测关键指纹点的RSSI值GRssi1(实测RSSI值)，得到RSSI环境差异向量ΔGRssi1，
[0031] 根据实际工况的干扰情况，选取能够代表整个定位空间环境因素的关键指纹点，如在图1中， 为该定位空间中选择的m个关键指纹点G＝(g1，g2，g3，…gm)，该m个关键指纹点应该是基础指纹库中的指纹点，即G∈K；测量出该m个关键指纹点的实测RSSI值，记为GRssi1＝(gRssi11，gRssi12，…，gRssi1m)，其中第i个关键指纹点分别到三个指纹点A、B、C的实测值为
[0032] 定义关键指纹点的RSSI环境差异值向量为ΔGRssi1＝GRssi1‑GRssi0＝(ΔgRssi11，ΔgRssi12，…，ΔgRssi1m)，其中，GRssi1为关键指纹点的实测RSSI值，GRssi0为关键指纹点无干扰环境初始RSSI值GRssi0∈KRssi0；则，第i个关键指纹点的RSSI环境差异值为
[0033] RSSI环境差异值反应了实际工况环境的影响程度。
[0034] 步骤4：计算初始指纹库Z0的修正向量Ke，得到环境自适应指纹库Z1，设初始指纹库Z0的修正向量为Ke＝(ke1，ke2，…，ken)，
[0035] 初始指纹库Z0二次修正后指纹点的修正后的RSSI值为KRssi2＝KRssi0+Ke＝(kRssi21，kRssi22，…kRssi2n)，得到环境自适应指纹库Z1＝KRssi2；
[0036] 第i个指纹点的RSSI修正量为 则第i个指纹点修正后的RSSI值为：
[0037] kRssi2i＝kRssi0i+kei (2)
[0038] 修正向量为Ke＝(ke1，ke2，…，ken)中的m个关键指纹点修正量即为关键点的RSSI环境差异值；其它指纹点的RSSI修正量根据定位空间的干扰情况计算，按弱干扰与强干扰两类分别计算，具体方式如下：
[0039] 方式1)如果三个锚节点最小单位的定位空间为弱干扰环境，则该定位空间指纹点的修正量与指纹点到锚节点的距离d成线性关系，采用线性修正算法，修正量为：
[0040] kei＝Q*kdi+P (3)
[0041] 其中， 为第i个指纹点的修正量； 为第i个指纹点到三个锚节点的距离；Q以及P为常数。
[0042] m个关键指纹点到三个锚节点的距离为GD＝(gd1，gd2，…gdm)，m个关键指纹点的RSSI修正量为ΔGRssi1＝(ΔgRssi11，ΔgRssi12，…，ΔgRssi1m)，其中，第i个关键指纹点的距离 修正量 将GD以及ΔGRssi1代入式(3)，通过最小二乘法拟合得到Q，P，然后由式(3)得到定位空间初始指纹库Z0的修正向量Ke；
[0043] 方式2)如果三个锚节点最小单位的定位空间为强干扰环境，指纹点修正向量Ke采用空间相关法计算；以关键指纹点为聚类中心，将定位空间划分成若干个子区域，子区域的数量等于关键指纹点的数量，根据环境干扰的聚类属性，每个关键指纹点的RSSI修正量ΔgRssii即为对应子区域的RSSI修正值，该区域内所有指纹点的修正量均为ΔgRssii，于是，定位空间初始指纹库Z0的修正向量Ke＝(ke1，ke2，…kem)＝(ΔgRssi1，ΔgRssi2，…ΔgRssim)。
[0044] 例：图2为强干扰环境的定位空间，该空间有m个关键指纹点，则该空间划分为m个子区域(1)，(2)，.....，(m)。以图2中的子区域(3)为例，该区域包含关键指纹点g3，以及其他2个指纹点k2以及k3。设关键指纹点g3的RSSI环境差异值为ΔgRssi3，则该子区域RSSI修正量为ke3＝ΔgRssi3；该子区域内的所有指纹点RSSI值修正量相同均为ke3，于是，指纹点k2，k3修正后的RSSI值分别为kRssi22＝kRssi02+ke3以及kRssi23＝kRssi03+ke3。
[0045] 通过上述方法，根据环境确定RSSI值修正量后，由式(2)得到初始指纹库Z0中各指纹点修正后的RSSI值，即得到为环境自适应指纹库Z1＝KRssi2。
[0046] 实施例：
[0047] 图3是某地下车库的俯视图，该车库长约38.8m，宽约27.5m，高约5m。该车库每间隔6米有水泥立柱阻隔，该车库中设置有人行的通道1、通道2、通道3，其它区域为停车区。本实验是对该地下车库中人员进行定位，定位空间为图3中的通道区域。通道1与通道2两侧为停车位，无严重障碍物，可视为弱干扰环境；通道3两侧为水泥墙和大量的金属构件，视为强干扰环境。在车库的3个通道内分别布置定位锚节点。
[0048] 本次实验采用的仪器为：1、蓝牙信号采集模块(待测节点)为深圳瑞迪莱科技公司生产的NRF52832型号beacon采集器。2、蓝牙信号发射模块(锚节点)为北京四月兄弟科技有限公司生产的AprilBeaconN04。实验过程如下：
[0049] 步骤1：进行蓝牙模块Shadowing阴影传播模型的最小二乘拟合，
[0050] 该车库的通道1为弱干扰环境，在该通道1内固定一个锚节点，设置移动的一个待测节点。锚节点与待测节点之间距离从1m到10m，每隔0.5米采样RSSI值，共采样20个值。每次采样读取100个RSSI数据，经过数据处理，得到均值以及方差，如表1。
[0051] 表1、弱干扰环境下采集RSSI值
[0052]
[0053] 从表1中可以看出，随着距离的增加，RSSI值的方差也越来越大，在距离大于5m后，RSSI数据方差明显增大，对定位精度将明显降低，故本次实验三个锚节点的等边三角形边距确定为5米。结合本次实验的车库条件，在车库的3个通道内，按5米等边三角形进行扩充，从而确定锚节点的布置位置。如图3，该车库共扩展了41个最小单元的定位区域，图中·的显示位置均为蓝牙锚节点。
[0054] 用表1中距离5米以内的10个数据，采用最小二乘法对式(1)拟合，得到RSSI‑距离(m)传播模型如下：
[0055] Rssi＝‑35.7‑8.8lg(d) (4)
[0056] 步骤2：无干扰环境下，构建初始指纹库Z0＝KRssi0；
[0057] 以下分析以图3中第22号三个锚节点最小定位单元为例，其它单元分析方法一样。
[0058] 设22号区域的三个锚节点为A，B，C，建立局部坐标系如图4，在该区域设置49个均布指纹点(图4中显示为■)。
[0059] 根据49个指纹点位置，计算49个指纹点到三个锚节点的距离，然后由模型(4)得到无干扰环境中49个指纹点到锚节点A、B、C的初始RSSI值KRssi0＝(kRssi01，kRssi02，…，kRssi049)，从而构成初始指纹库Z0。图4中三个锚节点坐标为A(0，0)、B(500，0)、C(250，433)，以其中6个指纹点k21、k22、k23、k28、k30、k35为例，表2中给出了它们的坐标、与三个锚节点的距离、以及初始RSSI值。
[0060] 表2、22号定位单元中6个指纹点信息
[0061]
[0062] 步骤3：实测关键指纹点的实测RSSI值GRssi1，得到RSSI环境差异向量ΔGRssi1；
[0063] 在图4的定位空间中，确定7个关键指纹点(g1，g2，…g7)，如图4中 所示位置。将待测节点分别放置在7个关键指纹点位置，读取RSSI数据得到7个关键指纹点的实测RSSI值：GRssi1＝(gRssi11，gRssi12，…，gRssi17)，由此得到定位空间的RSSI环境差异值向量ΔGRssi1＝(ΔgRssi11，ΔgRssi12，…，ΔgRssi17)。表3给出了7个关键指纹点的无干扰环境RSSI初始值GRssi0，实测值GRssi1以及RSSI环境差异值向量ΔGRssi1。
[0064] 表3、7个关键指纹点RSSI值与环境误差
[0065]
[0066] 步骤4：计算初始指纹库Z0的修正向量Ke，得到环境自适应指纹库Z1＝KRssi2。
[0067] 根据实际车库环境情况，22号区域为强干扰环境，则以7个关键指纹采样点为聚类中心，对22号区域进行子区域划分，如图5，每个区域的指纹点RSSI修正量等于该区域内关键指纹点的环境误差值。以图5的子区域(1)为例，该区域内的关键指纹点为g1，其他6个指纹点分别为k21、k22、k23、k28、k30、k35；由表3可得到g1区域的RSSI修正值为ΔgRssi1＝(0.4，‑1.7，2)，表2为g1区域内6个指纹点分别为k21、k22、k23、k28、k30、k35的无干扰初始RSSI值，6个指纹点修正后的RSSI值计算公式为：kRssi2i＝kRssi0i+ΔgRssi1，于是，得到表4的区域(1)的6个指纹点修正后的RSSI值。
[0068] 表4、子区域(1)中6个指纹点修正后的RSSI值
[0069]指纹点 RSSI修正值(dbm)
K21 (‑42.4，‑47.5，‑44.4)
K22 (‑44，‑46.1，‑44.3)
K23 (‑45.4，‑44.5，‑44.4)
K28 (‑43.4，‑48，‑43)
K30 (‑45.9，‑45.5，‑43)
K35 (‑45.5，‑47.6，‑41.1)
[0070] 通过上述二次修正，可得到22号定位单元的49个指纹点环境自适应指纹库Z1。以此类推得到该定位空间所有41个定位单元的环境自适应指纹库Z＝(Z1，Z2，...，Z41)[0071] 对比验证：
[0072] 为了对本发明方法提供的环境自适应指纹库Z1的定位精度进行验证，下面给出了对比实验。
[0073] 采用三种不同指纹库对定位空间随机三个待测指纹点进行定位，三种指纹库分别为：初始指纹库Z0＝KRssi0，环境自适应指纹库Z1＝KRssi2以及实测指纹库Z2＝KRssi1＝(kRssi11，kRssi12…kRssi1n)(其中，实测指纹库Z2是指库中所有指纹点的RSSI值全部为实际环境的实测值)。相比而言，Z0是理论计算出来的，建库成本最小；Z2的指纹点全部需要现场采集，建库成本最高；Z1相比而言建库成本居中。图6中任意选取三个待测位置L1，L2，L3，用上述三种不同的指纹库进行定位，表5给出了定位结果。
[0074] 表5、三种指纹库的定位精度对比结果
[0075]
[0076] 其中，定位误差定义为：
[0077] 由表5可得，Z0，Z1，Z2三种指纹库对三个待测指纹点的平均定位误差分别为91.9cm、46cm、34.5cm；可见，初值指纹库Z0没有考虑环境影响，定位误差最大；Z2所有指纹点采用实测RSSI值，指纹库完全反应环境的变化，定位精度最好；Z1指纹库的定位精度相比Z2降低了11.5cm(相当于33.3％)。但从建库成本分析，相比Z2，Z1指纹库采用二次构建方法，人工采集工作量降低了85.7％，综合分析，本发明环境自适应指纹库的二次构建方法成本与精度综合性能最好。
