规划问道
数据精英春季特训营开车啦！
同时报名还可享更多优惠：
任选2套同报，再减200元！
任选3套同报，再减360元！
任选4套同报，再减520元！
任选5套同报，再减700元！
加我获取每套课程详细介绍
加我咨询和报名课程
项目名称：面向智能手机的多源融合定位精度和能耗权衡机制研究
项目负责人：黄宝琦
依托单位：内蒙古大学
项目参与人：
张俊星 教授 内蒙古大学
马学彬 副教授 内蒙古大学
贾冰 讲师 内蒙古大学
李乌云格日乐 讲师 内蒙古大学
申居尚 内蒙古大学
杨润泽 内蒙古大学
田宇 内蒙古大学
徐振东 内蒙古大学
李红波 内蒙古大学
基于位置的服务（Location Based Services，LBS）是物联网和移动计算领域的热门研究方向之一。随着近二十年来技术的不断发展，例如GPS、WLAN、IMU等，定位手段越来越多样化。然而，每种定位技术都存在自身的局限性，很难单独在复杂多变的场景中提供普适的位置服务以满足各种各样的位置需求。为此，在大多数场景中，更多的是依靠不同定位技术的有效融合来提供精确、可靠的位置服务，但也不可避免地增加了定位能耗。因此，对于能量受限的智能手机来说，如何实现满足不同精度需求与能耗约束的多源融合定位成为一个亟待解决的难题。
基于此背景，本项目以多源数据融合定位为出发点，探索了GPS/WLAN/IMU融合的定位方法，重点对WLAN指纹定位误差理论、基于IMU的PDR采样频率、精度、能耗的制约关系、以及三种技术相融合的误差与能耗权衡机制进行了全面而深入的研究。
具体来说，一方面，本项目建立了WLAN指纹定位误差模型，深入分析了不同因素对指纹定位精度的影响，并从环境动态性、设备异质性、信道多样性、指纹库冗余性等方面对WLAN指纹定位性能进行了全面优化；另一方面，本项目深入研究了基于IMU的PDR中传感器频率对计步、航向估计精度和能耗的影响，设计了在没有精度损失情况下的低能耗计步、航向估计方法；在以上研究基础之上，本项目进一步探究了GPS/WLAN/IMU融合定位方法，提出了基于模糊逻辑的自适应的设备调度算法，实了现定位精度和能耗的有效权衡。本项目成果对于完善智能手机的定位理论和实现高能效的定位系统设计具有重要意义。
项目结题成果报告
以下研究成果内容摘自项目结题成果报告。该项目报告共计34页，关注城市数据派微信公众号，在微信公众号对话框中输入 24430，即可获得报告全文PDF的下载方式：
(1)主要研究内容。
本项目围绕WLAN 位置指纹定位误差理论与优化、PDR精度与能耗优化GPS/WLAN/IMU 融合定位的精度与能耗权衡三个方面，具体开展了以下研究：
-
WLAN 指纹定位误差模型
-
WLAN 定位优化方法
-
被动 WLAN 定位优化及应用
-
高能效的 PDR 算法
-
能耗与定位精度权衡的 WLAN/PDR 融合算法
-
能耗与定位精度权衡的 GPS/WLAN/PDR 融合算法
(2)取得的主要研究进展、重要结果、关键数据等及其科学意义或应用前景。
1)WLAN 位置指纹定位误差理论与优化方法
a)定位误差模型研究
WLAN 位置指纹定位在离线现场勘测(Sitesurvey)阶段建立的位置指纹库对定位性能具有重要影响，通过分析定位误差、指纹库、指纹样本三者内在的联系，深入研究了WLAN 位置定位误差理论。提出了一个新的概率框架，能够定量描述任意两个指纹的位置区分能力,并应用于理想的无限采样和现实的有限采样情况下的指纹。在此基础上,揭示了任意两个位置的平均接收信号强度(ReceivecSignal strength,Rss)测量矢量之间的欧氏距离是决定定位性能的关键因素，并阐述了其他几个因素如何影响定位性能。同时，基于中心极限理论，对有限相关的指纹样本所带来的定位性能下降进行了定量分析,并在相关样本满足一阶自回归模型的前提下，推导出了描述相关系数和采样数量之间关系的数学公式，用来指导离线现场勘测。仿真结果(图1)和真实场景中的实验结果(图2)显示:随着指纹采样数量的增加或指纹差异的变大，定位成功率或定位精度明显提高;同时，随着指纹样本自相关程度的增大，则需要采样更多的指纹样本以达到特定的定位精度。总之，实验结果验证了提出的概率框架的有效性，以及理论分析结果的正确性。该研究成果有助于指导实际应用中设计合理、高效的指纹样本采集策略。
图1.有限相关的采样样本下，对定位成功率的影响(、分别表示RSS测量的标准差、自相关程度,表示有限相关样本下的采样数量，InfSamp表示无限样本)
图2.不同采样策略下定位误差对比(表示有限不相关样本下的采样数量)
b)面向位置指纹库的定位优化研究
首先，针对位置指纹库容易受到环境动态改变的影响、从而导致整体定位性能下降的问题，以易获得的、低成本的群智感知指纹样本为基础，提出了基于核密度函数的增量式位置指纹库构建和更新方案。该方案通过不断融合新的指纹特征进入核密度函数,保障了位置指纹库长期有效,而且维持了较低的计算复杂度节约了位置指纹库更新的计算和时间成本。此外，与传统RSS向量形式的位置指纹库不同，该方案采用核密度函数充当位置指纹库，节约了存储空间。通过在约1000平方米的真实场景中进行的长达5个月的实验结果表明:在9轮的位置指纹库更新中，所提出方案(图3和图4中IMKDE)逐步改善定位精度，并显著优于其他方案;同时，该方案能够高效地完成位置指纹库的更新，节约了能耗。总之，该方案能够有效降低动态变化的室内环境对位置指纹库的影响，提高了位置指纹库的构建和更新效率。
图3.不同位置指纹库更新方法在不同轮次的定位误差对比，(a)划分目标区域，(b)不划分目标区域
图4.不同位置指纹库更新方法在不同轮次的更新时间对比
其次，针对位置指纹库质量受到指纹表示误差(即指纹标注不准、数据处理误差等引起的位置指纹库误差)的影响而使定位性能下降的问题，在已有的位置指纹库基础上，提出了利用有监督的统一流形逼近与投影(UniformManifoldApproximation and Projection,UMAP)降维方法来优化位置指纹库的空间结构，同时提出了一个边界感知K-最近邻(Knearestneighbor,KNN)定位算法来缓解在线指纹定位阶段所面临的边界效应问题。通过在一个近1000平方米的真实场景中的实验结果表明:与原始位置指纹库和其他降维方法定位结果相比，所提出方案(图5中UMAP-B-KNN)能够改善平均定位精度达33.3%，显著优于其他方法。该成果为位置指纹库的高效构建、更新和维护提供了可行方案。
图5.不同方法在不同嵌入维度下定位误差对比
c)面向AP位置部署的定位优化研究
首先，针对WLAN基站(AccessPoints,AP)和BLE信标的位置对定位性能和网络覆盖均产生重要影响的问题，提出了一种基于克拉美罗下界(Cramer-RaoLower Bound,CRLB)的启发式差分进化算法来解决AP和(或)信标位置部署优化问题。具体而言，首先以CRLB作为定位性能的度量，同时定义覆盖率度量标准，将两者结合到差分进化算法的评价函数中。其次，考虑到广泛使用的理想情况下对数距离路径损耗模型(LDPL)的不足，采用莫特利-基南(Motley-KeenanM-K)模型来更好地反映实际室内环境中所存在障碍物的影响。最后，基于以上理论，设计并实现了一个基于Geotools 工具的仿真软件，以交互图形用户界面的方式优化AP和信标的部署。仿真结果(图6)和实验结果(表1)表明:所提出的部署优化方案(Coverage-CRLB)在定位误差和稳定性方面都显著优于其他方法。该研究成果有助于为实际应用场景中AP和(或)信标的放置制定合理化的部署方案。
图6.不同AP 数量下不同方法的RMSE 对比
表1.不同部署方法的定位误差对比
其次，针对当前基于搜索的部署优化方案收敛速度慢、全局优化性能弱等问题，提出了一种基于虚拟力的AP部署优化算法改进部署性能。具体而言，通过引入参考点间指纹差异作为引导AP移动的力，并结合全局指纹差异来评估部署方案，以满足AP部署方案的覆盖和指纹差异最大化。仿真结果显示:所提出的方案(图7、图8中VFA-FD)能够实现最好的定位性能和覆盖效果，以及高效的AP部署效率。总之，该研究成果提供了一种全局的AP部署优化方法，避免了先前算法陷入局部最优解的问题，同时提高了部署优化算法的执行效率，有助于提供更合理的真实场景中 AP 部署方案:
图7.不同AP 数量下不同方法的RMSE 和平均覆盖度对比
图8.不同AP 数量下平均仿真时间对比
d)面向被动式 WLAN 扫描的定位优化及应用研究
被动式 WLAN 扫描利用 WiFi扫描技术实现，催生出了基于WLAN 的无源(Device-free)定位感知任务。基于这一背景，本项目针对被动式WLAN 定位优化及应用进行了广泛研究。
首先，针对被动式WLAN 定位性能受限于WiFi数据包传输和嗅探的多信道以及不同移动设备之间的异质的问题，提出了一个基于深度神经网络(DeepNeural Network,DNN)的方案以充分利用多信道信息同时缓解设备异质性。具体来说，通过基于CRLB的分析显示，多通道信息将有利于定位，从而将通道信息纳入提出的DNN方法;同时，应用对抗性训练来缓解设备异质性引起的RSS偏移。在两个真实数据集上的实验结果表明:与现有方法相比，所提出的方案(图9中DHCLOc)分别至少提高定位精度25.2%和25.8%。该研究成果在一定程度上弥补了被动式 WiFi定位在信道多样性和设备异质性方面研究的缺陷。
图9.不同方法定位性能比较。(a)OFFICE 数据集，(b) LAB 数据集
其次，基于被动式 WiFi 定位能够实现行人感知，但是现有感知模型简单、影响因素考虑不全，项目组提出了更为完善的被动式WiFi感知模型，解决公共场景人群流量分析任务，并进行了相关的理论和实验研究。具体而言，首先，通过概率分析的方法深入挖掘人群流量和WiFi嗅探数据间的统计关系，建立人数与MAC地址数的非线性模型，捕捉影响行人流特性的主要因素。在此基础上，提出了基于 Rao-Blackwelised 粒子滤波器的人数和速度估计算法，可以利用实时嗅探结果同时有效地估计行人流量和速度。为了验证本研究，项目组在广州地铁杨箕站的换乘通道部署了基于提出算法的 WiFi 嗅探行人监控实验系统，分别于四个典型时间段采集了大量真实的WiFi嗅探数据。监控结果显示:与传输通道拍摄的视频快照相比(图10)，所提出的方案在所有八个时间段的监控结果都表现出良好的一致性(图11)，这在一定程度上验证了所提出的算法的有效性。该研究成果探索了新型的行人流监控应用,为解决主流视频监控手段人群感知所面临的难题提供了新思路。
图10.四种典型场景中在传输通道拍摄的视频快照
图11.四种典型场景中行人密度的热图预测
2)基于IMU的 PDR 精度与能耗优化方法
a)计步算法能耗优化研究
……
还有更多成果内容，详见项目结题成果报告。该项目报告共计34页，关注城市数据派微信公众号，在微信公众号对话框中输入24430，即可获得报告全文PDF的下载方式。
原文始发于微信公众号（城市数据派）：【GPS/WLAN/IMU融合】面向智能手机的多源融合定位精度和能耗权衡机制研究丨城市数据派
