随着社会经济的发展,用户对于大型商场、办公区域、机场、博物馆等室内环境的精确的基于位置的服务(LBS)需求越来越大,从而多种室内定位方法应运而生,如WiFi、射频识别(RFID)、超宽带(UWB)、蓝牙等无线定位技术,以及地磁、超声波、视觉、惯性导航等非无线定位技术。现如今,无线定位技术已有许多应用案例,UWB可以实现厘米级的定位精度,基于WiFi信号接收强度(RSSI)的指纹定位精度可达到1~5m,蓝牙天线阵列和指纹识别定位分别可达到 < 1m和2~5m的精度。其中,UWB和蓝牙天线阵列技术需要专属的设备,且价格昂贵,推广难度大;与前两者相比,蓝牙和WiFi基站的价格相对低廉,在推广应用上有巨大的优势。与WiFi相比,蓝牙基站有如下优势:内置电池(2~3年寿限),可以通过设置发射功率调节蓝牙信号覆盖范围(覆盖半径为10~100m),而且蓝牙技术已经广泛集成于移动设备中,更加易于推广使用。因此,蓝牙室内定位成为当前适用性最佳的技术之一。
基于低成本设备的蓝牙定位中,其算法以基于RSSI的蓝牙指纹识别为主,最常见的有最近邻法、K最近邻法和贝叶斯算法。其中,最近邻算法和K最近邻算法简单,易于实现,但是定位精度较低;贝叶斯算法的定位精度优于近邻算法。然而,贝叶斯算法将每个参考点的先验概率视为等值,在动态定位过程中,前一定位结果会影响后续定位中参考点的先验概率,并且先验概率对定位有很强的约束性,因此贝叶斯算法的等值先验概率在动态定位中不适用。对于该问题,许多研究人员提出在参数学习中融入先验知识,即加入约束条件。文献[14]采用动态位置先验概率,通过最短距离矩阵确定参考点的先验概率,该算法平均定位误差达到1.82m;文献[15]将确定性算法和概率性算法相融合,利用近邻算法筛选参考点,定位准确率比最近邻算法提高了4%;文献[16]将各区域建模以确定先验信息,在基站密度为30m2/个时,误差在2.6m的可信度为95%。
在动态定位中,距离参数和航向参数都是重要的先验条件,基于此,本文提出一种贝叶斯定位改进算法。该算法在贝叶斯指纹算法的基础上,引入陀螺仪的航向信息,并利用航向信息对高斯核函数模型进行改进,以改进模型作为投票算法来确定先验概率;先验概率结合实时RSSI计算位于参考点上的后验概率,选取前n个概率最高的点,以概率为权重加权平均得到待测点坐标。
1 贝叶斯指纹算法
离线采集阶段,在定位区域以一定间隔布设参考点,使用采集设备在每个参考点同时采集n个iBeacon的主机唯一识别码(UUID)、信号强度RSSI,并计算每个基站在对应参考点的信号强度均值μ、标准偏差σ。以上数据结合已知的参考点坐标构成位置指纹库L
(1)
同一位置的RSSI分布可以近似用高斯概率分布来描述,因此,其概率密度函数可以近似表示为
(2)
式中,x表示定位过程中接收到的信号强度值;μ表示信号强度的均值;σ表示信号强度的标准偏差。
在线定位阶段,贝叶斯估计根据贝叶斯和全概率公式,由先验概率计算后验概率。定位区域内有N个参考点,坐标分别为Zi=(xi, yi),RSSIi为参考点i的指纹数据。待测点实时信号强度为S(RSSI1,RSSI2,…,RSSIn)时,定位在参考点i的概率为