基于多模块BLE发射装置的多源融合定位方法及系统

摘要

本发明属于室内定位技术领域，公开了基于多模块BLE发射装置的多源融合定位方法及系统，利用基于蓝牙信道感知的多模组蓝牙测距方法进行距离测量；基于磁场信息约束的数据驱动二维速度估计方法跟踪行人的相对位置变化；采用基于虚拟观测的二维定位约束算法确定虚拟观测值；利用基于扩展卡尔曼滤波器架构的集中式融合平台采用由MMBT选择策略、动态置信度决策策略、动态协方差缩放策略以及自适应因子控制策略组成的多级观测质量控制策略进行基于EKF的自适应约束的融合定位。本发明位置更新

权利要求

1.一种基于多模块BLE发射装置的多源融合定位方法，其特征在于，包括：利用基于蓝牙信道感知的多模组蓝牙测距方法进行距离测量；基于磁场信息约束的数据驱动二维速度估计方法跟踪行人的相对位置变化；采用基于虚拟观测的二维定位约束算法确定虚拟观测值；利用基于扩展卡尔曼滤波器架构的集中式融合平台采用由MMBT选择策略、动态置信度决策策略、动态协方差缩放策略以及自适应因子控制策略组成的多级观测质量控制策略进行基于EKF的自适应约束的融合定位；

所述基于多模块BLE发射装置的多源融合定位方法包括以下步骤：步骤一，判断当前智能终端扫描的信道，并且选择相应信道的路径损耗模型PLM，即精细化确定接收信号强度RSSI与距离之间的关系；并采用基于蓝牙信道感知的多模组蓝牙测距方法估计信号发射器与信号接收器的距离；

步骤二，构建用于预测基本行人的运动轨迹和方向的神经网络INS模型NNINS，利用NNINS模型估计行人轨迹和方向，再通过坐标统一与轨迹修正进行数据驱动的行人二维速度估计；

步骤三，当基于广播导航信息检测到定位环境为走廊时，根据走廊的几何特征构建虚拟的MMBT设备，并基于物理MMBT及所述物理MMBT构建的2个虚拟MMBT的位置连线垂直于走廊的中线的原则构造MMBT的坐标，确定虚拟测距观测值；

步骤四，构建基于扩展卡尔曼滤波器架构的集中式融合平台，利用所述基于扩展卡尔曼滤波器架构的集中式融合平台采用多级观测质量控制策略基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位；

所述利用所述基于扩展卡尔曼滤波器架构的集中式融合平台采用多级观测质量控制策略基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位包括：

1)利用MMBT选择策略选择无线设备进行集成：确定每个扫描到MMBT的RSS值，判断所述RSS值是否可以进行距离估计，若RSS值的数量不符合距离估计的最低条件，或者无法判断当前智能终端扫描的信道时，则判断所述MMBT无线设备不会被集成；

2)利用动态置信度决策策略评估距离观测的可靠性：利用动态置信度决策策略根据每个MMBT设备的可靠性配置权重：‑ +

其中， 表示可靠性配置权重，ρ和ρ分别表示低可信度阈值和高可信度阈值；

3)利用动态协方差缩放策略确定协方差缩放因子：

基于MMBT测距方法的典型精度和统计结果以及可靠性配置权重对当前定位历元的观测值进行分类：将可靠性配置权重值大于0.5的定义为可靠地估计距离，小于0.5的定义为一般的估计距离；

根据可靠观测值的数量评价当前历元观测量的可靠性：当可靠观测值的数量大于或等于位置状态参数的数量时，判断当前历元的观测值的评价是可靠的，否则，历元的观测值的评价为是一般的；根据对每个测距观测和定位历元的评估，构建协方差缩放因子，动态调整来自不同MMBT估计得测距值对融合结果的贡献，当历元被判断为可靠时，协方差缩放因子λ基于残差向量Vk构建，否则，协方差缩放因子λ基于新息向量 构建，如下：其中，υi表示 或Vk的元素，σii表示观测值的误差协方差矩阵R的元素；m0为一个常数；

得到的观测协方差矩阵为：

其中，Λk表示协方差缩放矩阵，δnn表示协方差矩阵Λk的元素，σnn表示协方差矩阵Rk的元素，Φ表示计算得到的可靠性配置权重值；

利用下式计算稳健估计器的状态

4)利用自适应因子控制策略基于下式计算自适应因子：

其中，αk表示自适应因子；n0和n1表示常量； 表示在 和范围内的不符合度；

5)利用基于扩展卡尔曼滤波器架构的集中式融合平台基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位；

所述扩展卡尔曼滤波器估计函数表示为：

2.如权利要求1所述基于多模块BLE发射装置的多源融合定位方法，其特征在于，所述步骤一之前还包括：部署物理MMBT设备，并将走廊方位角、MMBT安装位置和场景类型作为MMBT设备的名称进行编码；获取部署的MEMS的传感器采集的原始数据，基于最小二乘计算初始位置，利用地磁计估计初始航向。

3.如权利要求1所述基于多模块BLE发射装置的多源融合定位方法，其特征在于，所述步骤一包括：首先，采集不同距离下，全信道广播蓝牙模块的RSSI，并区分信道进行PLM的标定，确定当前智能终端扫描的信道为37、38、39信道；

其次，利用下式进行多信道PLM的建模：

其中，m表示当前的信道， 表示在参考点处观测到的RSS值，d0表示发射器之间的几何距离；n表示路径损耗指数，n与NM中的定位场景类型相关，范围从2到4；i表示多模块BLE发射装置MMBT中的第i个BLE模块；ω表示具有零均值和方差为 的高斯随机噪声；

再者，确定随机变量RSS(t)的概率密度函数PDF如下：然后，利用下式估计信号发射器与信号接收器的距离di：

最后，利用统计方法消除那些隐藏在估计值中的异常值：使用在两倍标准差(μ±2σ)内的距离值估计实际距离；

所述实际距离计算公式如下：

其中， 表示实际距离，所述实际距离为第k个MMBT的增强距离估计值。

4.如权利要求1所述基于多模块BLE发射装置的多源融合定位方法，其特征在于，所述步骤二包括：(1)构建并训练用于预测基本行人的运动轨迹和方向的神经网络INS模型NNINS：基于ResNet‑18构建神经网络INS模型NNINS的网络架构；获取开源数据集以及利用多个智能终端在不同姿态下采集的数据，并对获取的数据进行处理后作为训练集；利用所述训练集结合GPU对构建的NNINS模型进行训练；得到训练好的NNINS模型；将训练好的NNINS模型部署在移动终端上，进行行人轨迹的估计；所述智能终端在不同姿态下采集的数据包括：加速度计度数、陀螺仪度数、磁力计度数、旋转向量以及姿态向量；

(2)进行输入输出数据中的坐标统一：利用下式将所有的数据序列转换到全局坐标框架下：‑

Sn＝q×Sb×q；

其中，Sb和Sn分别表示载体坐标系和导航坐标系中的IMU读数，q表示四元数；

(3)通过磁场稳定性测试根据惯性姿态变化和磁矢量变化的一致性感知稳定的磁场；

所述通过磁场稳定性测试根据惯性姿态变化和磁矢量变化的一致性感知稳定的磁场包括：判断磁场的稳定性是否低于MFST设定的阈值，若低于，则判断所述磁场为稳定的磁场：其中， 表示1秒滑动窗口中磁场强度的标准偏差； 表示平均适合度，thrshd1和thrshd2表示MFST设定的阈值；

(4)在感知到稳定磁场后，检测直线序列并利用直线序列信息约束航向；再通过结合MFST过滤的方位角和NNINS模型输出的行人轨迹估计结果对轨迹的自适应修正。

5.如权利要求1所述基于多模块BLE发射装置的多源融合定位方法，其特征在于，所述构造MMBT的坐标，确定虚拟测距观测值包括：虚拟MMBT的坐标Pv(ev,nv,uv)如下：

其中，dp表示由物理MMBT测量的距离，ε表示与设备密度相关的常数参数；

虚拟测距观测值dv计算公式如下：

其中，dv表示基于虚拟MMBT估计的距离；ωp为具有均值和方差的高斯随机噪声

6.如权利要求1所述基于多模块BLE发射装置的多源融合定位方法，其特征在于，所述基于多模块BLE发射装置的多源融合定位方法还包括：

1)估计预测状态：

2)估计预测协方差：

3)获取卡尔曼增益：

4)更新状态估计：

5)更新的协方差估计：

6)得到新息向量 和残差向量

T

其中，xk表示系统状态向量，xk由三维位置和航向误差组成，xk＝[ek nk uk βk]；ek、nk和uk分别表示在ENU参考系下的坐标；βk表示航向误差，所述航向误差包括初始航向和累积角度误差；Φk表示4×4的状态转移矩阵， zk表示测量向量， 表示物理MMBT设备测量得到的距离， 表示通过虚拟MMB T得到的 虚拟距离 测量；Hk表示 用于B LE距离 更新的设 计矩阵 ，和 分别表示物理MMBT和虚拟MMBT在东北天参考系下的位置，[ek nk uk]表示k时刻预测的系统位置；H表示观测设计矩阵，Pk表示状态估计误差协方差矩阵，Rk和Qk分别表示过程噪声和测量噪声的协方差矩阵。

7.一种实施如权利要求1‑6任意一项所述基于多模块BLE发射装置的多源融合定位方法的基于多模块BLE发射装置的多源融合系统，其特征在于，所述基于多模块BLE发射装置的多源融合定位系统包括：多模块BLE发射装置，利用设置于环形上的带天线的BLE模块阵列发射信号；

智能终端，包括数据收集和处理模块、数据驱动的二维行人速度估计模块、观测模块和融合定位引擎；

数据收集和处理模块用于获取智能终端的BLE和IMU传感器采集的数据以及导航电文的解析；

数据驱动的二维行人速度估计模块，用于利用地磁信息约束神经网络INS输出的结果进行20Hz的二维行人速度估计；

观测模块，用于实时处理解析的实时导航电文消息、基于蓝牙信道多模组测距观测、虚拟测距观测；

融合定位引擎，用于基于多级观测质量控制策略的EKF融合定位算法，基于先验的测距信息，实时评估距离观测和定位历元的可靠性，以不同的策略进行量测粗差和运动模型扰动的诊断与控制。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求

1‑6任意一项所述基于多模块BLE发射装置的多源融合定位方法的步骤。

说明书

基于多模块BLE发射装置的多源融合定位方法及系统

技术领域

[0001] 本发明属于定位技术领域，尤其涉及一种基于多模块BLE发射装置的多源融合定位方法及系统。

背景技术

[0002] 目前，随着信息技术的发展，智能手机变得越来越流行。而智能手机本身含有大量的内置传感器，如加速度计、陀螺仪、磁强计、气压计、光传感器、麦克风、扬声器和照相机，以及蓝牙芯片和Wi‑Fi芯片等。虽然这些传感器最初并不是为了定位而开发的，但是却可以通过相应的定位技术，实现低成本、连续性和高可用性的室内定位。表1给出了基于智能手机搭载的传感器的室内定位技术特点及其精度对比。不难看出，表1中总结的基于智能手机的室内定位技术都有各自的优势以及局限性，单一的定位源、技术难以做到像室外环境的GNSS一样的普适性。

[0003] 表1基于智能手机搭载的传感器的室内定位技术特点及其精度对比

[0004]

[0005]

[0006] 目前，基于智能手机的室内定位技术主要面临的问题有：

[0007] (1)室内环境下复杂信道传输与空间拓扑

[0008] 基于射频信号的定位中，多径干扰和非视距传输是TOA测量的主要误差。然而，由于室内环境的复杂拓扑结构，多径效应和非视距条件较为严重，使得传统的射频定位技术在应用于室内定位时会产生较大的定位误差。例如，室内电器和家具的搬迁、货架上货物的增减以及场地布局的变化都会影响磁场和室内环境的信号传输，这些变化是室内定位系统难以保持高精度的主要原因。

[0009] (2)异构定位源

[0010] 目前智能手机内嵌超过了12种传感器，包括全球导航卫星系统接收器模块、短程射频发射器、Wi‑Fi和蓝牙模块，或接收器和其他嵌入式传感器，如加速度计、磁强计、陀螺仪、气压计、光强传感器、麦克风、扬声器还有摄像头。然而，除了全球导航卫星系统接收模块外，其他传感器和射频信号模块并不是专门为定位而设计的。虽然这些传感器已经发展出许多估计定位参数的方法，但是不同传感器的测量结果是异质异构的，比如各测量值观测到不同的定位参数(如位置、速度、航向速率等)、不同的采样率，且具有不同的噪声。

[0011] (3)传感器测量的不同精度

[0012] 智能手机里有12种以上的传感器，不同的传感器有不同的测量噪声和量化误差。此外，不同的传感器通过不同的方法来测量定位参数，测量精度也因此而变化。例如，智能手机中嵌入的MEMS传感器成本低，测量精度差，不能直接用于捷联惯性导航。但是，它们可以用于步进检测，并提供步行速度和步长的经验估计，且具备一定准确度。室内环境对不同的传感器也有不同的影响。比如，蓝牙天线阵列、视觉定位或音频定位，可以在小型室内空间提供精确的距离和角度测量。而在大规模的室内区域，这些传感器可能有较大的测量误差，从而导致定位失败。因此，开发具有足够灵活性的定位算法以及智能融合异质异构传感器观测值尤为重要。

[0013] (4)不同智能手机终端的一致性

[0014] 不同的智能手机制造商可能会为接收器模块或嵌入式传感器使用不同的芯片组或组件。因此，不同的终端硬件或模块会导致智能手机的测量结果出现偏差。例如，不同的手机在测量同一个Wi‑Fi基站时，信号强度值会有不同，甚至偏差会很大，这将很大程度地影响基于指纹定位的定位精度。同样，不同智能手机上的摄像头和MEMS传感器也会出现这样的不一致。因此，通常需要开发性能良好的自校准算法，可以在一定程度上提高不同智能手机测量结果的一致性。这一点，在室内定位精度要求达到1米以内时，至关重要。

[0015] (5)移动终端上有限的计算资源

[0016] 智能手机作为一种手持设备，其计算能力、存储容量和电源供应都是有限的。尽管按照摩尔定律，智能手机的计算性能每隔一段时间会有一定幅度的提高，但智能手机具备的多种功能——电话通话、定位、日常工作辅助、娱乐等等——都需要分摊部分算力和电池资源。因此，从节能的角度来看，智能手机不适合长时间运行复杂的定位算法。虽然一些复杂的定位算法如视觉定位、粒子滤波等已经逐渐在智能手机上实现，但与深度学习和人工智能相关的复杂算法目前仍然不适用于手机平台，未来智能手机的计算资源还需不断升级。

[0017] 通过上述分析，现有技术存在的问题及缺陷为：现有的室内定位方法不仅定位误差大，且无法融合多个异构定位源；利用不同传感器进行数据测量的精度不同，误差大，不同智能手机终端无法保持一致性；耗费的计算资源大，收集负载大。

发明内容

[0018] 针对现有技术存在的问题，本发明提供了一种基于多模块BLE发射装置的多源融合定位方法及系统。

[0019] 本发明是这样实现的，一种基于多模块BLE发射装置的多源融合定位方法，所述基于多模块BLE发射装置的多源融合定位方法包括：

[0020] 利用基于蓝牙信道感知的多模组蓝牙测距方法进行距离测量；基于磁场信息约束的数据驱动二维速度估计方法跟踪行人的相对位置变化；采用基于虚拟观测的二维定位约束算法确定虚拟观测值；

[0021] 利用基于扩展卡尔曼滤波器架构的集中式融合平台采用由MMBT(BLE发射装置Multi‑Module BLE Transmitter，MMBT)选择策略、动态置信度决策策略、动态协方差缩放策略以及自适应因子控制策略组成的多级观测质量控制策略进行基于EKF(扩展卡尔曼滤波器)的自适应约束的融合定位。

[0022] 进一步，所述基于多模块BLE发射装置的多源融合定位方法包括以下步骤：

[0023] 步骤一，判断当前智能终端扫描的信道，并且选择相应信道的路径损耗模型PLM(path loss model)，即精细化确定接收信号强度RSSI与距离之间的关系；并采用基于蓝牙信道感知的多模组蓝牙测距方法估计信号发射器与信号接收器的距离；

[0024] 步骤二，构建用于预测基本行人的运动轨迹和方向的神经网络INS模型NNINS，利用所述NNINS模型估计行人轨迹和方向，再通过坐标统一与轨迹修正进行数据驱动的行人二维速度估计；

[0025] 步骤三，当基于广播导航信息检测到定位环境为走廊时，根据走廊的几何特征构建虚拟的MMBT设备，并基于物理MMBT及所述物理MMBT构建的2个虚拟MMBT的位置连线垂直于走廊的中线的原则构造MMBT的坐标，确定虚拟测距观测值；

[0026] 步骤四，构建基于扩展卡尔曼滤波器架构的集中式融合平台，利用所述基于扩展卡尔曼滤波器架构的集中式融合平台采用多级观测质量控制策略基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位。

[0027] 进一步，所述步骤一之前还包括：

[0028] 部署物理MMBT设备，并将走廊方位角、MMBT安装位置和场景类型作为MMBT设备的名称进行编码，获取部署的MEMS的传感器采集的原始数据，基于最小二乘计算初始位置，利用地磁计估计初始航向。

[0029] 进一步，所述步骤亦包括：

[0030] 首先，采集不同距离下，全信道广播蓝牙模块的RSSI，并区分信道进行PLM的标定，确定当前智能终端扫描的信道为37、38、39信道；

[0031] 其次，利用下式进行多信道PLM的建模：

[0032]

[0033] 其中，m表示当前的信道， 表示在参考点处观测到的RSS值，d0表示参考点和发射器之间的几何距离；n表示路径损耗指数，n与NM(广播导航信息)中的定位场景类型相关，范围从2到4；i表示多模块BLE发射装置MMBT中的第i个BLE模块；ω表示具有零均值和方差为的高斯随机噪声；

[0034] 再者，确定随机变量RSS(t)的概率密度函数PDF如下：

[0035]

[0036] 然后，利用下式估计信号发射器与信号接收器的距离di：

[0037]

[0038] 最后，利用统计方法消除那些隐藏在估计值中的异常值：使用在两倍标准差(μ±2σ)内的距离值估计实际距离；

[0039] 所述实际距离计算公式如下：

[0040]

[0041] 其中， 表示实际距离，所述实际距离为第k个MMBT的增强距离估计值。

[0042] 进一步，所述步骤二包括：

[0043] (1)构建并训练用于预测基本行人的运动轨迹和方向的神经网络INS模型NNINS：基于ResNet‑18构建神经网络INS模型NNINS的网络架构；获取开源数据集以及利用多个智能终端在不同姿态下采集的数据，并对获取的数据进行处理后作为训练集；利用所述训练集结合GPU对构建的NNINS模型进行训练；得到训练好的NNINS模型；将训练好的NNINS模型部署在移动终端上，进行行人轨迹的估计；所述智能终端在不同姿态下采集的数据包括：加速度计度数、陀螺仪度数、磁力计度数、旋转向量以及姿态向量；

[0044] (2)进行输入输出数据中的坐标统一：利用下式将所有的数据序列转换到全局坐标框架下：

[0045] Sn＝q×Sb×q‑；

[0046] 其中，Sb和Sn分别表示载体坐标系和导航坐标系中的IMU读数，q表示四元数；

[0047] (3)通过磁场稳定性测试根据惯性姿态变化和磁矢量变化的一致性感知稳定的磁场；

[0048] 所述通过磁场稳定性测试根据惯性姿态变化和磁矢量变化的一致性感知稳定的磁场包括：

[0049] 判断磁场的稳定性是否低于MFST(磁场稳定性测试)设定的阈值，若低于，则判断所述磁场为稳定的磁场：

[0050]

[0051] 其中， 表示1秒滑动窗口中磁场强度的标准偏差； 表示平均适合度，thrshd1和thrshd2表示MFST设定的阈值；

[0052] (4)在感知到稳定磁场后，检测直线序列并利用该序列信息约束航向；再通过结合MFST过滤的方位角和NNINS模型输出的行人轨迹估计结果对轨迹的自适应修正。

[0053] 进一步，所述构造MMBT的坐标，确定虚拟测距观测值包括：

[0054] 虚拟MMBT的坐标Pv(ev,nv,uv)如下：

[0055]

[0056] 其中，dp表示由物理MMBT测量的距离，ε表示与设备密度相关的常数参数；

[0057] 虚拟测距观测值dv计算公式如下：

[0058]

[0059] 其中，dv表示基于虚拟MMBT估计的距离；ωp为具有均值和方差的高斯随机噪声[0060] 进一步，所述基于多模块BLE发射装置的多源融合定位方法还包括：

[0061] 1)估计预测状态：

[0062] 2)估计预测协方差：

[0063] 3)获取卡尔曼增益：

[0064] 4)更新状态估计：

[0065] 5)更新的协方差估计：

[0066] 6)得到新息向量 和残差向量

[0067] 其中，xk表示系统状态向量，xk由三维位置和航向误差组成，xk＝[ek nk ukβk]T；ek、nk和uk分别表示在ENU参考系下的坐标；βk表示航向误差，所述航向误差包括初始航向和累积角度误差；Φk表示4×4的状态转移矩阵，zk表示测量向量， 表示
物理MMBT设备测量得到的距离， 表示通过虚拟MMBT得到的虚拟距离测量；Hk表示用于BLE距离更新的设计矩阵，
和 分别表示物理MMBT和虚拟MMBT在东北天参考系下的位置，[ek nk 
uk]表示k时刻预测的系统位置；H表示观测设计矩阵，Pk表示状态估计误差协方差矩阵，Rk和Qk分别表示过程噪声和测量噪声的协方差矩阵。

[0068] 进一步，所述利用所述基于扩展卡尔曼滤波器架构的集中式融合平台采用多级观测质量控制策略基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位包括：

[0069] 1)利用MMBT选择策略选择无线设备进行集成：确定每个扫描到MMBT的RSS值，判断所述RSS值是否可以进行距离估计，若RSS值的数量不符合距离估计的最低条件，或者无法判断当前智能终端扫描的信道时，则判断所述MMBT无线设备不会被集成；

[0070] 2)利用态置信度决策策略评估距离观测的可靠性：利用动态置信度决策策略根据每个MMBT设备的可靠性配置权重：

[0071]‑ +

[0072] 其中， 表示可靠性配置权重，ρ和ρ分别表示低可信度阈值和高可信度阈值；

[0073] 3)利用动态协方差缩放策略确定协方差缩放因子：

[0074] 基于MMBT测距方法的典型精度和统计结果以及可靠性配置权重对当前定位历元的观测值进行分类：将可靠性配置权重值大于0.5的定义为可靠地估计距离，小于0.5的定义为一般的估计距离；

[0075] 根据可靠观测值的数量评价当前历元观测量的可靠性：当可靠观测值的数量大于或等于位置状态参数的数量时，判断当前历元的观测值的评价是可靠的，否则，历元的观测值的评价为是一般的；根据对每个测距观测和定位历元的评估，构建协方差缩放因子，动态调整来自不同MMBT估计得测距值对融合结果的贡献，当历元被判断为可靠时，协方差缩放因子λ基于残差向量Vk构建，否则，协方差缩放因子λ基于新息向量 构建，如下：

[0076]

[0077] 其中，υi表示 或Vk的元素，σii表示观测值的误差协方差矩阵R的元素；m0为一个常数；

[0078] 得到的观测协方差矩阵为：

[0079]

[0080] δij＝Φij×λij，

[0081] 其中，Λk表示协方差缩放矩阵，δnn表示协方差矩阵Λk的元素，σnn表示协方差矩阵Rk的元素，Φ表示计算得到的可靠性配置权重值；

[0082] 利用下式计算稳健估计器的状态

[0083] 4)利用自适应因子控制策略基于下式计算自适应因子：

[0084]

[0085] 其中，αk表示自适应因子；n0和n1表示常量； 表示在和 范围内的不符合度；

[0086] 5)利用基于扩展卡尔曼滤波器架构的集中式融合平台基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位；

[0087] 所述自适应扩展卡尔曼滤波器估计函数表示为：

[0088]

[0089] 本发明的另一目的在于提供一种实施所述基于多模块BLE发射装置的多源融合定位方法的基于多模块BLE发射装置的多源融合系统，所述基于多模块BLE发射装置的多源融合定位系统包括：

[0090] 多模块BLE发射装置，利用设置于环形上的带天线的BLE模块阵列发射信号；

[0091] 智能终端，包括数据收集和处理模块、数据驱动的二维行人速度估计模块、观测模块和融合定位引擎；

[0092] 数据收集和处理模块用于获取智能终端的BLE和IUM传感器采集的数据以及导航电文的解析；

[0093] 数据驱动的二维行人速度估计模块，用于利用地磁信息约束神经网络INS输出的结果进行20Hz的二维行人速度估计；

[0094] 观测模块，用于实时处理解析的实时导航电文消息、基于蓝牙信道多模组测距观测、虚拟测距观测；

[0095] 融合定位引擎，用于基于多级观测质量控制策略的EKF融合定位算法，基于先验的测距信息，实时评估距离观测和定位历元的可靠性，以不同的策略进行量测粗差和运动模型扰动的诊断与控制。

[0096] 本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于多模块BLE发射装置的多源融合定位方法的步骤。

[0097] 结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

[0098] 第一，本发明设计了一套基于多模组多天线的蓝牙发射装置的硬件、导航电文、测距算法和定位系统。本发明位置更新频率为10赫兹，首次固定时间为0.1秒，系统可与全球导航卫星系统无缝配合，形成室内/室外定位解决方案。

[0099] 本发明实现了一个由磁性信息(MI)约束的行人二维速度估计方法，相比于传统统计步输出的估计方法，实现了20Hz细颗粒步速感知，支持多种智能手机使用场景；基于MMBT定位系统的导航电文和线性定位环境几何特性，完善了虚拟观测约束的定位策略，构建了虚拟观测并推导了虚拟观测的误差分布，优化了定位精度和用户体验。

[0100] 本发明基于扩展Kalman滤波框架搭建了一个多级质量控制的融合定位框架，实现了基于消费级智能手机的蓝牙+运动传感器的融合定位算法。配合MMBT硬件及定位系统，基于信道感知多模蓝牙测距算法和测距先验信息，构建了四级观测质量控制策略，改善了系统的定位精度和抗差能力。

[0101] 第二，本发明从蓝牙的发射、传播和接收三个角度来进行优化，从而提升系统的定位精度与可用性。首先，设计了圆形的蓝牙模块阵列，通过固定模块发射信道(37、38、39)，实现了智能手机接收端的扫描信道感知；然后，基于iBeacon广播协议，设计了室内定位的导航电文内容，实现了定位信息、定位环境约束、测距模型参数的实时切换；基于MMBT本章节提出了两种蓝牙衰减测距模型，基于多蓝牙RSS和信道信息，优化了基于大众智能手机的蓝牙距离估计的精度和可用性。

[0102] 第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

[0103] (1)本发明的技术方案转化后的预期收益和商业价值为：

[0104] 本发明的技术方案为室内空间定位导航提供解决方案，预期收益3000多万元。

[0105] (2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

[0106] 本发明的技术方案在不改变、增加智能手机硬件的前提下，设计了一套基于多模组多天线的蓝牙发射装置的硬件、导航电文、测距算法和定位系统，实现与全球导航卫星系统无缝配合，使得室内外无缝定位能够更进一步实现实际应用。

附图说明

[0107] 图1是本发明实施例提供的基于多模块BLE发射装置的多源融合定位方法框架图；

[0108] 图2是本发明实施例提供的基于多模块BLE发射装置的多源融合定位方法流程图；

[0109] 图3是本发明实施例提供的数据驱动的行人二维速度估计框架；

[0110] 图4是本发明实施例提供的基于虚拟MMBT的虚拟距离估计方法；

[0111] 图5是本发明实施例提供的测距性能(动态测试)与所使用的BLE模块数量之间的关系；

[0112] 图6至图10是本发明实施例提供的不同条轨迹的测试结果示意图；

[0113] 图11是本发明实施例提供的办公室环境定位误差累计百分比示意图；

[0114] 图12是本发明实施例提供的走廊测试轨迹误差箱线图；

[0115] 图13是本发明实施例提供的走廊测试轨迹定位误差累计百分比图。

具体实施方式

[0116] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0117] 如图1－图2所示，本发明实施例提供的基于多模块BLE发射装置的多源融合定位方法包括以下步骤：

[0118] S101，判断当前智能终端扫描的信道，并且选择相应信道的路径损耗模型PLM，即精细化确定接收信号强度RSSI与距离之间的关系；并采用基于蓝牙信道感知的多模组蓝牙测距方法估计信号发射器与信号接收器的距离；

[0119] S102，构建用于预测基本行人的运动轨迹和方向的神经网络INS模型NNINS，利用所述NNINS模型估计行人轨迹和方向，再通过坐标统一与轨迹修正进行数据驱动的行人二维速度估计；

[0120] S103，当基于广播导航信息检测到定位环境为走廊时，根据走廊的几何特征构建虚拟的MMBT设备，并基于物理MMBT及所述物理MMBT构建的2个虚拟MMBT的位置连线垂直于走廊的中线的原则构造MMBT的坐标，确定虚拟测距观测值；

[0121] S104，构建基于扩展卡尔曼滤波器架构的集中式融合平台，利用所述基于扩展卡尔曼滤波器架构的集中式融合平台采用多级观测质量控制策略基于距离估计结果、行人二维速度估计结果以及虚拟测距观测值进行融合定位。

[0122] 本发明实施例提供的基于多模块BLE发射装置的多源融合定位系统包括：

[0123] 多模块BLE发射装置，利用设置于环形上的带天线的BLE模块阵列发射信号；

[0124] 智能终端，包括数据收集和处理模块、数据驱动的二维行人速度估计模块、观测模块和融合定位引擎；

[0125] 数据收集和处理模块用于获取智能终端的BLE和IUM传感器采集的数据以及导航电文的解析；

[0126] 数据驱动的二维行人速度估计模块，用于利用地磁信息约束神经网络INS输出的结果进行20Hz的二维行人速度估计；

[0127] 观测模块，用于实时处理解析的实时导航电文消息、基于蓝牙信道多模组测距观测、虚拟测距观测；

[0128] 融合定位引擎，用于基于多级观测质量控制策略的EKF融合定位算法，基于先验的测距信息，实时评估距离观测和定位历元的可靠性，以不同的策略进行量测粗差和运动模型扰动的诊断与控制。

[0129] 本发明实施例提供的基于多模块BLE发射装置的多源融合定位系统包括多模块BLE发射装置(Multi‑Module BLE Transmitter，MMBT)、智能手机和融合定位引擎。

[0130] 从硬件的角度来看，MMBT由一个带天线的BLE模块阵列组成，安装在一个环形上。环形拓扑结构确保用户可以在每个方向上接收更高质量的信号。从BLE频道的角度来看，其中三个模块被固定在37、38、39频道中的一个频道上广播，而其余的模块则同时在所有三个频道上广播。因此，当扫描在特定频道上广播的模块时，测距和定位算法可以相应调整参数。从BLE测距的角度来看，一组RSSI值可以从天线阵列中测量出来，并用于相互测试，以排除每个定位历元中的粗差数据。通过这种设计，可以提高测距测量的稳定性，并减少多径效应。

[0131] 根据蓝牙传输协议，广播导航信息(NM)，包括MMBT所安装的位置、安装环境的类型和走廊的方位角，使用户能够完成定位任务。具体来说，NM的广播频率高达10Hz，以支持一个非常快速的首次定位时间为0.1秒。此外，MMBT的位置通过全站和GPS接收机进行测量，以确保定位结果和GNSS都在同一坐标系中，从而为用户提供室内和室外的无缝定位服务。

[0132] 对于智能手机应用，定位框架包括几个模块：数据收集和处理模块、数据驱动的二维行人速度估计模块、观测模块和融合定位引擎。数据收集和处理模块处理使用来自普及型智能手机的BLE和IUM传感器(加速器、陀螺仪和磁力计)获得的数据，以及导航电文的解析；观测模块则是实时处理解析的实时导航电文消息、基于蓝牙信道多模组测距观测、虚拟测距观测；数据驱动二维行人速度估计模块，将地磁信息用于约束神经网络INS输出的结果，来实现20Hz的二维行人速度估计。最后，融合定位模块则是基于多级观测质量控制策略的EKF融合定位算法，基于先验的测距信息，实时评估距离观测和定位历元的可靠性，以不同的策略实现对量测粗差和运动模型扰动的诊断与控制，从而提高系统的精度和可靠性。

[0133] 本发明实施例提供的基于多模块BLE发射装置的多源融合定位方法包括：

[0134] A.基于蓝牙信道感知的多模组蓝牙测距

[0135] 无线电信号的能量会随着接收器与信号发射器之间距离的增加而衰减，可以使用路径损耗模型(path loss model，PLM)来表达接收信号强度RSSI与距离之间的关系。然而，RSS衰减和多路径效应都受到信号传输时的信道/中心频率的影响。因此，判读出当前智能手机扫描的信道，并且选择相应信道的PLM，可以提高基于RSSI距离估计算法的准确度。本发明实施例采集了不同距离下，全信道广播蓝牙模块的RSSI，并区分了信道进行PLM的标定。可以看出，37、38、39信道与其对应的PLM拟合较好，采用全信道平均拟合的误差较大。

[0136] 因此，多信道PLM可以用以下表达式进行建模：

[0137]

[0138] 其中，m表示当前的信道(即37、38和39)， 表示在参考点处观测到的RSS值，d0表示发射器之间的几何距离。n表示路径损耗指数，它与NM中的定位场景类型相关，范围从2到4。i表示MMBT中的第i个BLE模块。而ω表示具有零均值和方差为 的高斯随机噪声。

[0139] 那么，随机变量RSS(t)的概率密度函数(PDF)如下：

[0140]

[0141] 因此，距离di的最大似然估计值如下所示：

[0142]

[0143] 最后，使用统计方法来消除那些隐藏在估计值中的异常值。具体来说，使用在两倍标准差(μ±2σ)内的距离值来估计实际距离。第k个MMBT的增强距离估计值 如下所示：

[0144]

[0145] B.数据驱动的行人二维速度估计

[0146] 为了在多个智能手机使用姿势中获得更稳健和准确的相对定位结果，本发明实施例介绍了一种基于磁场信息(MI)约束的数据驱动二维速度估计方法来跟踪行人的相对位置变化。

[0147] 如图3所示。该方法包括以下几个模块：神经网络INS(Uerural networ inertial navigation system，NNINS)模块，坐标归一(Coordinate unification，CU)模块和轨迹修正(Trajectory correction)模块。

[0148] NNINS模块：NNINS模块中的网络架构是基于ResNet‑18，NNINS被训练为预测基本行人的运动轨迹和方向。对于训练数据集而言，本发明实施例共选择了两种数据作为训练集，一个是标准的开源数据集，另一个是自采的数据集。其中自采的数据集包含的数据是由多部智能手机采集的，而且在数据采集过程中，手机的姿态也具有多样性。通过相应的数据处理手段之后，将两种数据用于NNINS网络模型训练。NNINS利用网络输出的不确定性，过滤出可靠的行人方向。在进行训练阶段时，可以通过GPU进行加速训练，从而提高模型效率。在得到训练好的模型参数后，该模型可以被部署在移动设备上，用以估计行人的轨迹。

[0149] CU模块：坐标统一模块用于统一输入输出数据中的坐标。具体来说，所有的数据序列都通过下式被转换到全局坐标框架下。

[0150] Sn＝q×Sb×q‑

[0151] 其中，Sb和Sn分别是载体坐标系和导航坐标系中的IMU读数，q为四元数。

[0152] TC模块：在这个模块中，磁场稳定性测试(MFST)被用来根据惯性姿态变化和磁矢量变化的一致性来感知稳定的磁场。如果磁场的稳定性低于某个阈值，则认为该场是稳定的。

[0153]

[0154] 其中， 代表1秒滑动窗口中磁场强度的标准偏差。 是平均适合度，thrshd1和thrshd2是MFST设定的阈值。

[0155] 在感知到稳定磁场后，利用一个直线行走检测模块来检测直线序列并利用该序列信息来约束航向。最后，通过结合MFST过滤的方位角和NNINS模块输出的不确定性，实现对轨迹的自适应修正。

[0156] 本发明建立了一个数据集(公开数据集RoNIN数据集+私有数据集)来训练所提出的网络。私有数据集涉及多种智能手机使用场景，包括智能手机在使用过程中的各种姿态(如：发短信、放入手提包内和安置在推车上)；多种行走速度(如：静态、慢速行走、正常行走和快速行走)。为了使得训练数据集更具普适性，分别从10名不同性别、身高和年龄的志愿者那里收集IMU数据，IMU设置的采样频率为200赫兹。此外，运动轨迹的地面真实位置是通过使用高精度光学运动跟踪系统和LiDAR SLAM系统收集的。数据集中记录的总运动距离为144公里，采集总时间为41小时。

[0157] 在定位阶段，以连续10个样本作为训练好的网络模型的输入，以估计目标的二维速度矢量，一组输入为10个样本的好处是可以将位置输出频率提高到20Hz，对比于传统的基于步长航向估计法而言，数据驱动航迹推算方法大大提高了定位输出的频率，增加了轨迹的平滑度，使得定位结果可以应用于更多精细任务。

[0158] C.基于虚拟观测的二维定位约束算法

[0159] 本发明实施例提出了一种基于虚拟观测增强走廊环境定位方法，相对于将二维定位问题转化为一维问题的方法而言，这种方法具有较弱的约束力。

[0160] 具体来说，在物理MMBT设备的部署阶段，本发明将走廊方位角、MMBT安装位置和场景类型，作为MMBT设备的名称进行了编码。在实时定位阶段，为了约束定位的结果，本发明根据走廊的几何特征构建虚拟的MMBT设备。如图4所示，为了保持走廊的几何特征，一个物理设备(黑点)和两个虚拟设备(灰点)的三点连接应垂直于走廊的中心线。

[0161] 为了保留走廊方位角的几何特征，物理MMBT及其构建的2个虚拟MMBT的位置连线，应该垂直于走廊的中线。因此，依据此原则构造虚拟MMBT的坐标Pv(ev,nv,uv)：

[0162]

[0163] 其中，dp代表由物理MMBT测量的距离，ε是一个与设备密度相关的常数参数，在本发明中取值为1.5‑3。

[0164] 虚拟测距观测值dv可以通过勾股定理获得。

[0165]

[0166] 其中，dv表示基于虚拟MMBT估计的距离。此外，基于误差传播的高斯定律，本发明推断ωp是具有均值和方差的高斯随机噪声

[0167] D.基于EKF的自适应约束的融合定位

[0168] 为了有效执行紧耦合的融合任务，本发明建立了一个基于扩展卡尔曼滤波器(EKF)架构的集中式融合平台。在所提出的融合平台中，系统状态向量xk由三维位置和航向误差组成，状态向量的定义如下：

[0169] xk＝[ek nk ukβk]T

[0170] 其中ek、nk和uk分别表示在ENU参考系下的坐标。βk是航向误差，其中包括初始航向和累积角度误差。

[0171] 4×4的状态转移矩阵Φk的定义如下表示：

[0172]

[0173] 基于MMBT的定位方法可以感知不同的室内场景，估计的物理和虚拟的BLE距离测量值被用于融合。因此，测量向量zk表示为：

[0174]

[0175] 其中， 表示物理MMBT设备测量得到的距离， 表示通过虚拟MMBT得到的虚拟距离测量。

[0176] 用于BLE距离更新的设计矩阵Hk如下表示：

[0177]

[0178] 其中 和 分别表示物理MMBT和虚拟MMBT在东北天参考系下的位置，[ek nk uk]表示k时刻预测的系统位置。

[0179] 离散时间下的EKF共包含五个步骤，包含预测和更新在内的全部流程如下六个公式所示：

[0180] 预测状态估计：

[0181]

[0182] 预测协方差估计：

[0183]

[0184] 获取卡尔曼增益：

[0185]

[0186] 更新状态估计：

[0187]

[0188] 更新的协方差估计：

[0189]

[0190] 这里，H表示观测设计矩阵，Pk表示状态估计误差协方差矩阵，Rk和Qk分别表示过程噪声和测量噪声的协方差矩阵。

[0191] 此外，信息向量 和残差向量 是

[0192]

[0193] E.多级观测质量控制策略

[0194] 作为室内定位平台的一部分，本发明提出了一种MMQCS机制来提高精度和鲁棒性。首先，本发明评估了不同BLE模块的数量与测距精度之间的关系。BLE测距结果的总体趋势表明，随着BLE模块数量的增加，测距精度得到了改善，且BLE模块数量越多，测距结果越稳定。

[0195] 本发明实施例建立了一套包含四个级别的质量控制策略。第一级别上，提出了MMBT选择策略，以选择适当的无线设备进行集成；在第二级别上，提出了动态置信度决策，用于评估距离观测的可靠性；在第三级别上，提出了动态协方差缩放策略，以减少误差的影响；在第四级别上，提出了自适应因子控制策略，从EKF系统层面来平衡，数据驱动二维速度和物理、虚拟MMBT距离信息的贡献。

[0196] Level#1‑MMBT筛选：在这一层中，在MMBT被用于估计距离之前，要检查每个扫描到MMBT的RSS值，以确定RSS值是否可以将其用于距离估计。如果RSS值的数量不符合距离估计的最低条件，或者不能判断出当前智能手机扫描的信道时，这个MMBT无线设备将不会被用于定位。

[0197] Level#2‑MMBT测距可靠性：由于不同的信道受多径效应的影响是不同的，并且基于MMBT的距离估计的可靠性也与扫描的RSS数量呈正相关。因此，根据每个MMBT设备的可靠性配置权重(reliability allocation weight，RAW)，本发明建立了一个动态置信度决策策略从信号层面来给定估计精度的可靠性。RAW的表达式如下：

[0198]‑ +

[0199] 其中， 是可靠性配置权重，ρ 和ρ分别表示低可信度阈值和高可信度阈值，本发明中分别设置为0.2‑0.4和0.7‑1。

[0200] Level#3‑协方差缩放因子：首先，基于3.4节中MMBT测距方法的典型精度和统计结果，以及Level#2中可靠性配置权重RAW，在观测评价阶段，本发明对当前定位历元的观测值进行分类。将RAW值大于0.5的定义为可靠地估计距离，而小于0.5的定义为一般的估计距离；在定位阶段，本发明根据可靠观测值的数量来评价当前历元观测量的可靠性，即：当可靠观测值的数量大于或等于位置状态参数的数量(4)时，可以认为当前历元的观测值的评价是可靠的，否则，就认为是一般的。

[0201] 然后，Level#3依据对每个测距观测和定位历元的评估，构建了协方差缩放因子，来动态调整来自不同MMBT估计得测距值对融合结果的贡献。当历元被判断为可靠时，协方差缩放因子λ基于残差向量(构建，反之新息向量 构建。具体公式如下：

[0202]

[0203] 其中，υi是 或Vk的元素，σii表示观测值的误差协方差矩阵R的元素。其中，m0是一个常数，本发明系统考虑m0＝1.5。

[0204] 因此，调整后的观测协方差矩阵为：

[0205]

[0206] δij＝Φij×λij，

[0207] 其中，Λk表示协方差缩放矩阵，δnn表示协方差矩阵Λk的元素，σnn表示协方差矩阵Rk的元素，Φ表示Level#2级别中计算得到的可信度。

[0208] 最后，稳健估计器的状态 可以通过如下公式计算。

[0209]

[0210] Level#4‑协方差缩放因子：在这一层次中，需要考虑的问题是缓解运动模型中存在的误差带来的影响，在本发明实施例通过构建的适应性因子，可以削弱运动模型中存在的误差。与Level#3不同的是，在Level#4中，自适应因子从系统估计的角度平衡了动态模型和观测信息对估计状态的贡献。具体来说，当自适应因子小于1时，动态模型信息在最终估计结果中的贡献被削弱了。

[0211] 只 有 定 位 历 元 时 可 靠 的 时 ，在 和 范 围 内 的 不 符 合 度会被用于构建自适应因子。因此，自适应因子αk由下式计算：

[0212]

[0213] 其中，n0和n1表示常量，分别选择1.5和3.0。因此，鲁棒自适应EKF估计函数表示为：

[0214]

[0215] 应用实施例1

[0216] 某市中心地下停车场定位与导航系统：中心地下停车场定位导航项目，位于某市2
中心北车库停车场B1/B2层，项目覆盖总面积约2000m，共布设5套设备。当用户驾驶车辆驶离高架后将驶入地下隧道，此时接入导航系统，通过该隧道进入北车库P1停车场，而后切换至行人模式，通过系统的导航指引，找到进入商场的停车场电梯。

[0217] 应用实施例2

[0218] 某市智能社区室内外一体化导航系统，涉及某地下停车场、某会议中心、某大剧院。针对小程序接口，除提供基础定位导航功能以外，还实现了智能停车跳转、监控及应急响应等功能模块。

[0219] 本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合实验过程的数据、图表等进行描述。

[0220] A.实验描述

[0221] 本发明设计了三组实验来评估所提出的测距和定位算法的性能。

[0222] 在第一个测试中，本发明在室内评估了基于MMBT的静态和动态测距性能。具体来说，在静态测距测试中，本发明在MMBT和智能手机之间以1米的间隔设置20个参考点，由激光测距仪测量。对于动态测试，利用徕卡TS60总站连续跟踪地面真实距离。同时，为了比较测距算法的性能，在实验中将基于MMBT的方法与基于不同的PLM和基于Wi‑Fi RTT的测距方法进行了比较。

[0223] 第二次测试评估了在典型办公环境下的融合引擎和MMQCS的性能，如图5所示，在一个126平方米的办公室中安装了4个MMBT。三款智能手机，包括华为Mate 9，Pixel和荣誉8，都参与了这个实验。此外，为了覆盖整个试验台，设计了5个轨迹，并使用一个全站测量其地面真实值。

[0224] 第三个实验是为了评价所提出的算法和系统在走廊环境下的动态测试的准确性。本实验采用华为P9p、Mate 9和Pixel 3。

[0225] B.性能评估

[0226] 1)测距性能评估

[0227] 在本试验中，本发明评估了提出的基于MMBT测距算法的性能，并与最新测距技术进行了比较。比较结果的统计数据列于表2。从数值上看，对于静态测试而言，所提出的测距方法的平均误差、标准差(Std)和95％误差分别为0.91m、1.09m和2.65m。使用单模块BLE发射器(SMBT)的Radius Networks测距方法的平均误差、标准差和95％误差分别为2.19m、2.49m和7.91m，相比之下，所提出基于MMBT测距算法的测距误差分别降低了58.4％、56.2％和66.5％。此外与使用SMBT和混合信道PLM(HCPLM)测距算法相比，基于MMBT测距算法的测距误差分别降低了54.3％、53.8％和62％。而且，SMBT+混合信道PLM(HCPLM)的方法比SMBT+Radius Networks的方法在测距性能方面表现更好，三个误差指标分别降低了9％、5％和
11.8％，这也可以说明HCPLM在静态测距上表现更优越。对于动态测试而言，使用SMBT+Radius Networks测距方法的平均误差、标准差和95％误差分别为3.81m、4.88m和20.28m，使用SMBT+HCPLM测距方法的平均误差、标准差和95％误差分别为2.66m、2.33m和7.06m，对比之下HCPLM方法可以降低30.2％的平均误差、52.2％的标准差和65.2％的95％误差。从
95％误差指标可以看出动态测试中，当出现信号极端差的情况下Radius Networks测距方法会直接发散，而HCPLM方法可以尽可能地减少干扰，保持和静态测试差不多的测距精度。
之后再引入MMBT，得到得更加良好的测距结果，三个指标分为1.32m、0.96m和3.08m。从结果可以看出MMBT在动态环境下可以提供强大的测距能力，性能优于SMBT。

[0228] 表2不同测距模型误差对比

[0229]

[0230]

[0231] 图5说明了测距性能(动态测试)与所使用的BLE模块数量之间的关系。请注意，由于三个BLE模块被固定为在37、38、39个频道中的一个上广播，每个时代的范围估计的最大模块数是10个。模块的连续增加导致了性能的提高，结果的统计结果列于表三。具体来说，对于10个BLE模块，得到了MMBT的均值、方差和最大测距误差.

[0232] 另外，本发明还通过实验评估了在动态环境下测距性能与所用BLE模块数量之间的关系，结果如图5所示。请注意，由于三个BLE模块分别固定在37、38、39信道上进行广播，所以每个时段用于测距的最大模块数是10个。模块的连续增加导致了平均误差的小幅度降低，但是模块的数量更大的作用是增加算法的抗干扰素力，从而提高测距的稳定性。

[0233] 结果的统计列于表3。具体来说，对于10个BLE模块，得到的MMBT的平均、方差和最大测距误差分别为1.32米、0.92平方米和3.83米。从表中可以得知最大测距误差随着模组数量的增加而快速降低(1：14.04m‑10：3.83m)表明多BLE模组可以减少环境对信号的恶劣影响，避免出现测距结果发散现象。

[0234] 表3不同BLE模组数量下测距结果比较

[0235]

[0236]

[0237] 2)抗差融合定位性能评估

[0238] 本试验用于评估融合引擎和MMQCS的方法在典型办公环境中的性能，测试环境多路径效应严重，并存在柱子等NLOS环境。四个MMBT安装在一个126平方米的办公室中，使其可以覆盖整个办公室。为了评估算法在不同智能手机上的鲁棒性，在本次实验中共使用了三部智能手机采集数据，分别是华为Mate 9、Pixel和荣耀8。此外，为了让实验结果覆盖整个测试区域，一共设计了五条轨迹，并全部使用全站仪测量它们的真实距离。

[0239] 图6‑图10显示了在办公室环境中进行的五次动态测试的轨迹。如图所示，黑点是用于定位的MMBT，灰色的实线是由LeicaNova TS60全站仪测量的参考轨迹。虚线为标准Kalman滤波的融合结果，灰色的点为最小二乘的定位结果，黑色的实线为本发明实施例提出的多级约束组合定位的结果。标准Kalman滤波方法和提出的多级约束组合定位方法的初始位置由TRI方法给出，初始航向由磁航向给出。

[0240] 从轨迹结果可以看出，TRI的结果难以形成连续的轨迹，并且精度最差。标准Kalman滤波的结果则可以形成连续的定位结果，但是在处理某些历元时，由于测距观测中的误差，使得轨迹的误差仍然较大。三组对比实验中，相比于最小二乘定位和标准Kalman滤波的结果，红色的轨迹最接近绿色真值轨迹，对观测中存在的误差和PDR中存在的误差有很好的抑制作用，同时具有快速收敛位置和航向的特性。

[0241] 图11给出了五条测试轨迹的动态定位误差的误差累积百分比。总的来说，TRI方法的定位结果在0.01米到9.07米之间，50％的精度为1.53米。SKF相应的误差在(0.07米—2.78米)之间，50％的精度分别为1.13米。结果显示，所提出的技术性能最好，定位精度在(0.01米—2.56米)之间，中位误差为0.69米。提出的方法取得了最佳的定位性能，相比于TRI方法，定位精度提升了55.4％并且方差降低了83.1％；相比于SKF方法，定位精度提升了
32.2％并且方法降低了26.5％。具体的，表4列出了使用不同方法5条测试轨迹下的各自定位误差的统计数据，包括平均值、方差和标准差，并进行了比较。表5则详细地给出了整个实验的定位误差统计数据结果。

[0242] 表4不同办公室环境测试定位误差统计

[0243]

[0244] 表5办公室环境测试定位误差统计

[0245]Stat. LS EKF EKF+MMQCS
Mean(m) 1.75 1.15 0.78
Std(m) 1.22 0.58 0.50
2
Var(m) 1.48 0.34 0.25
Median(m) 1.53 1.13 0.69
95th(m) 3.55 2.17 1.78
Max(m) 9.07 2.78 2.56
Min(m) 0.01 0.07 0.01

[0246] 3)二维线性约束定位

[0247] 本实验是在走廊环境中进行的，旨在评估所提出的虚拟观测的二维约束的性能。分析对比在整体自适应约束融合定位框架下，虚拟MMBT和测距对定位结果的提升效果。本次实验在武汉大学Sirindhorn中心的1楼、2楼和5楼走廊完成，相对于办公室环境而言，狭长的走廊环境需要布设更多的MMBT。此外，华为P9p、Mate 9和Pixel 3也用于本次实验。测试过程中，测试人员端平手持智能手机，沿着规划好的测试轨迹，分别以正常行走速度(约为1m/s)和较快行走速度(约为1.8m/s)来回行走进行定位测试。

[0248] 图12给出了融合定位的结果，分别为SKF、SKF+PAC和本发明实施例提出的方法定位的绝对误差的统计值，包括：最大值、最小值、下四分位数(Q1)和上四分位数(Q3)、中位数和异常值。如图12所示SKF、SKF+PAC和提出的方法定位的平均误差分别为1.37米、1.10米和0.79米。本发明实施例提出的方法相比于SKF和SKF+PAC分别提高了42.3％和28.2％。

[0249] 图13给出了本组实验定位误差累积百分比，1F、2F和5F轨迹的测试中，SKF融合定位精度的50％，95％和最大误差分别为(1.24m，3.97m和4.88m)和(1.38m，3.34m和3.90m)和(1.44m，3.48m和6.13m)；SKF+PAC融合定位精度的50％，95％和最大误差分别为(0.95m，3.39m和3.70m)和(0.79.38m，1.76m和2.76m)和(1.04m，2.21m和2.35m)；本发明实施例提出的方法定位精度的50％，95％和最大误差分别为(0.67m，1.87m和2.17m)和(0.51.38m，
1.22m和2.51m)和(0.58m，1.37m和1.50m)。1F、2F、5F的定位误差统计结果详细地在表6中，包括：包括平均值、方差和标准差等。整个实验的误差统计在表7进行了对比。

[0250] 表6不同走廊环境测试定位误差统计

[0251]

[0252]

[0253] 表7走廊环境测试定位误差统计

[0254] Stat. SKF SKF+PAC SKF+PAC+MMQCSMean(m) 1.37 1.10 0.79
Std(m) 0.92 0.70 0.50
2
Var(m) 0.85 0.49 0.25
Median(m) 1.20 0.95 0.66
95th(m) 3.32 2.46 1.80
Max(m) 4.88 3.70 2.49
Min(m) 0.01 0.00 0.00
RMSE(m) 1.65 1.31 0.94

[0255] 综合来看，相比于SKF的方法，SFK+PAC方法使用的观测的数量提高了3倍。在不影响实时计算的条件下，整体计算量略微提升，但是降低了融合定位的误差并且降低了穿墙的次数。提出了基于虚拟观测的二维线性约束定位方法，基于MMBT的信息，对蓝牙测距观测进行了几何约束；SFK+PAC+MMQCS方法自适应地控制了测距信息和二维速度融合策略，进一步提升了整体定位系统的定位精度和用户体验。

[0256] 文中缩写词含义及全称

[0257] BLE   低功耗蓝牙，BluetoothLowEnergy

[0258] CSI   信道状态信息，ChannelStateInformation

[0259] CU    坐标归一，Coordinateunification

[0260] EKF   扩展卡尔曼滤波，ExtendedKalmanFilter

[0261] GNSS  全球导航卫星系统，GlobalNavigationSatelliteSytems

[0262] GPU   图形处理单元，graphicsprocessingunit

[0263] HCPLM 混合信道路径损耗模型，HybirdChannalPathLossModel

[0264] IMU   惯性传感器，InertialMeasurementUnit

[0265] INS   惯性导航系统，InertialNavigationSystem

[0266] MEMS  微机电系统，Micro‑ElectromechanicalSystem

[0267] MFST  磁场稳定性测试

[0268] MI    磁性信息，MagneticalItem

[0269] MMBT  多模块蓝牙发射装置，Multi‑ModuleBLETransmitter

[0270] MMQCS 多级观测质量控制策略，Multi‑levelMeasurementQualityControlStrategy

[0271] NLOS  非视距，NonLightofSight

[0272] NM    广播导航信息

[0273] NNINS 神经网络惯性导航系统，Ueruralnetworkinertialnavigationsystem[0274] PAC   行人可达性约束，PedestrianAccessibilityConstrained

[0275] PDF   概率密度函数，ProbabilityDensityFunction

[0276] PDR   行人航迹推算，PedestrainDeadReckoning

[0277] PLM   路径损耗模型PathLossModel

[0278] RAW   可靠性配置权重，ReliabilityAllocationWeight

[0279] RMSE  均方根误差，RootMeanSquareError

[0280] RSS   接收信号强度

[0281] RSSI  接收信号强度指示

[0282] RTT   往返时间，Round‑TripTime

[0283] SKF   标准扩展卡尔曼滤波，StandardExtendedKalmanFilter

[0284] SMBT  单模块蓝牙发射装置

[0285] TC    轨迹修正，Trajectorycorrection

[0286] TOA   到达时间，Timeofarrival

[0287] TRI   最小二乘法

[0288] 应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD‑ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体，或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

[0289] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。