基于行人运动学习的室内无线局域网定位通过空间聚类

文摘

应用在基于位置的服务(lbs)驱动的室内定位技术的日益增长的需求。传统的基于位置指纹定位数据库建设需要大量时间和劳动成本,而著名的同步定位和映射(大满贯)技术要求助理运动传感器以及复杂的数据融合算法。解决上述问题,基于新的行人运动学习的室内无线局域网(WLAN)定位方法提出了本文实现令人满意的磅没有位置校准或运动传感器的需求。首先,行人运动的概念学习是通过构建用户的运动路径的目标环境。其次,基于时间戳的关系收集到的接收信号强度(RSS)序列,构造RSS段获得集群新定义的信号高维线性距离。第三,PageRank算法建立热点执行映射物理和信号空间之间的关系,然后用来定位目标。最后,实验结果表明,该方法能有效地估计目标的位置和分析用户的运动在室内环境的偏好。

1。介绍

十年多来,无线通信技术的快速发展带动的需求增加基于位置的服务(lbs) [1- - - - - -3]。由于复杂的室内建筑结构和多路径效应,室外定位系统的性能,如全球定位将在室内环境急剧恶化。同时,由于广泛部署的无线局域网(WLAN)的基础设施,WLAN已经成为室内定位的一个优先级(4]。

由于方便的WLAN接收信号强度(RSS),基于位置指纹的WLAN室内定位系统(5,6)已被广泛研究。这些系统通常包含两个阶段,即离线和在线阶段。在离线阶段,从中听的RSS数据接入点(APs)在每个precalibrated参考点(RP)收集建立指纹数据库。在线阶段,新收集RSS数据匹配指纹数据库获取目标位置估计(7]。然而,由于沉重的时间和劳动成本的指纹数据库建设,这种技术不能广泛传播特别是在大规模环境中。

为了减轻指纹数据库建设的成本,calibration-free室内定位方法已经被深入研究。通过与运动传感器集成RSS数据信息,同时定位和地图(大满贯)技术(8)提出了有效降低指纹校准的开销。基于特殊设计的嗅探器,作者在9)进行室内环境的动态无线地图目标进行定位。在[10],RSS和计程仪测量融合的数据foot-mounted惯性测量单元(IMU)进行行人导航和基于量距的贝叶斯推理理论用于定位分析(11]。总之,基于SLAM的本地化技术需要额外运动传感器(12),以及复杂的特征提取和数据融合算法13]。

不同于这些方法,一个新的基于行人运动学习的室内无线局域网定位方法提出了本文没有要求指纹校准或助理运动传感器。总的来说,有四个本文的贡献如下。(1)室内用户的施工由行人运动行为模型学习:统计观察用户的运动模式,启发式行人运动学习的方法是执行构建用户的室内环境中行走路径。(2)RSS数据收集没有指纹校准:不同位置指纹或基于SLAM的方法,收集RSS数据在我们的方法基于运动行为模型对应于用户的日常工作在目标区域。(3)在RSS信号聚类部分:基于时间戳的关系收集RSS序列,RSS段构造反映用户的连续运动获得信号集群新定义的高维线性距离。(4)综合运动行为分析:每个物理分区的活动频率和相关之间传输频率不同的物理分区展示用户的运动偏好的目标环境。

本文的其余部分组织如下。部分2详细描述了该方法。然后,部分3说明了实验结果。最后,部分4总结了论文并提出了未来的发展方向。

2。系统描述

该方法包含两个主要模块,即环境敏感传感模块和运动探索模块如图1。

环境敏感传感过程中,我们首先构造地上目标环境的地图,然后采用行人运动学习建立用户的运动行为模型。之后,根据不同的物理分区之间的转移关系与用户的运动路径,物理逻辑构造图。同时,RSS段由原始RSS数据映射到二维平面上,并采用基于密度的空间聚类合并RSS段的一起类似的运动行为。然后用不同信号之间的传递关系,集群,信号逻辑构造图。逻辑图,施工后的网页排名算法(15)建立热点执行映射物理和信号空间之间的关系。

然后,在运动的过程中探索,新的RSS数据收集的用户与每个信号集群相比,和物理分区映射到最相似的一个被选中的区域,用户很可能属于。此外,根据地区定位结果,用户的目标环境中的运动行为进行了分析。

2.1。地板地图建设

通过考虑不同的物理分区的功能分化在地板上地图,我们把目标环境(= 10)物理分区如图2。在这个图中,分区# 1是电梯和楼梯门口,分区# 2,# 3,# 4是办公室的走廊房间,分区# 5是洗手间门口,另一个楼梯,和其他分区是办公室的房间。

目标环境中的对象主要包括墙壁、门和家具。其中,家具是最青睐的目标用户更可能到来。当用户到达一件家具像桌子,椅子,书柜,和自动饮水器,他/她通常会保持一段时间。因此,我们定义物理周围每件家具感兴趣区域(IA),与此同时,用户的运动路径可能不同IAs之间的路径。例如,一把椅子,一个饮水机的路径表明用户打算得到一些水在工作时间。

模拟用户的运动路径在目标环境中,我们将地板映射到一个图像的像素宽度等于在图(m = 0.3)3,符号””表示整数操作。在这种情况下,运动路径模拟相当于像素的决心反映用户的运动行为目标环境。

2.2。行人运动学习

通过使用行人运动学习,我们构造转换后的图像的运动路径层地图。然后,根据统计观察,有三种典型类型的用户的运动行为,如下所示。(我)楼梯和电梯的运动路径办公室房间。(2)不同的IAs之间的运动路径。(3)运动路径的办公房间楼梯、楼梯和电梯。

与此同时,基于我们之前的算法运动路径模拟方法(16),我们定义代价函数关于步行距离从开始到结束点 在哪里 的距离开始当前像素在时刻 ,这是传递路径的距离估计。本文采用欧氏距离来估计这种类型的距离,因为它是按照用户的测量路径的习惯他/她已经过去了。 是结束的距离当前像素,曼哈顿距离测量的视线外通过考虑结束像素是在大多数情况下仿真结果)给用户。

在每个时刻,每个运动路径的步行距离定义成本是迭代更新。具体来说,在每个运动路径,当当前像素(在第一个迭代,获得当前像素是随机选择从起始IA是由相关的运动行为),步行距离成本对八个相邻像素的 , ,可以表示为 在哪里 是当前像素之间的欧几里得距离吗和它相邻的一个。然后,访问邻近的像素与选择成本最小的步行距离下一个像素(或当前像素在接下来的时刻 )。我们继续这个过程,直到当前像素分为结束IA是由相关的运动行为。后这种启发式学习方式,每个行人的运动路径在目标环境中,这是由一系列连续的像素,可以获得。图4给出一个示例的步行距离成本更新在一个运动路径建设的过程中。

此外,为了随机属性合并到运动路径建设,一小部分是随机访问像素转换成难以接近的人,这将阻止在目标环境中用户的运动路径。行人运动显示了学习算法的伪代码1。

图5显示了一个示例生成的两种不同的运动路径从相同的楼梯一个表,我们可以发现随机属性的结果在不同的构造运动路径即使像素的开始和结束都是相同的。

最后,根据转让关系不同的物理分区之间的运动路径,可以构造物理逻辑图,其中任何两个相邻的物理分区之间转移数只有一对连续像素位于这两个分区,分别。

2.3。RSS段建设和集群

基于行人运动学习,每个运动路径上某些特定像素标记相对应的统计结果的考虑行人的运动速度(17]。同时,RSS数据在每个标记像素计算从COST231模型(18,19)具有良好的计算复杂性之间的妥协,系统灵活性和实用性。RSS数据集上的标记像素th形式收集RSS序列的运动路径th运动路径, ,在那里 RSS数据吗标记的像素th运动路径和标记的像素的数量吗th运动路径RSS的价值吗th 美联社计算 在哪里APs的数量,之间的欧几里得距离目标和美联社报道,是参考距离通常设置为1 m, rss₀RSS在参考位置,指数衰减,是高斯噪声, 是衰减引起的墙壁和行人目标和之间的身体th美联社,和(= 9.32 dB)站的衰减因素对墙壁和人体,分别是来自[20.]。

RSS序列生成后,RSS段的时间戳关系构建RSS序列。具体而言,RSS段构造 ,每个RSS数据被视为一个顶点,每两个连续的RSS数据之间的联系被视为一种优势维空间。测量两个RSS段之间的相似性, 和 ,我们定义一个新的维直线距离为 在哪里 , ,和归一化的垂直距离值吗 ,平行的距离 ,距离和角度之间的 和 的映射数据和在二维空间的th和th APs。清晰的,几何的定义 , ,和如图6。从这个图我们可以看到,小维距离反映了更高的RSS段相似。

基于的定义维线性距离,基于密度的空间聚类进行合并RSS线性段对应的一起类似的运动模式。伪代码显示了基于密度的空间聚类算法2。

最后,类似于物理逻辑图,RSS逻辑图是由选择RSS集群和相应的转移他们的顶点和边之间的关系,分别在任意两个之间转移RSS集群计算当且仅当有一对连续的RSS段落入这两个RSS集群,分别。

2.4。热点物理和信号空间之间的映射

与网页排名算法(15),一个网页排名(PR)值是分配给每个物理分区和RSS集群,然后执行热点映射之间的物理和空间信号。为了实现这一目标,我们首先计算每两个相邻的物理分区之间的传输数量,和 ,作为 ,在那里物理分区的数量,计算转移概率, ,作为

当出现概率的行人目前是 ,的出现概率目前 ,可以估计

作为一种特殊的情况下,当一个用户位于目前 ,他/她可以进入一个匿名的物理分区在下一时刻。在本例中,我们假设用户同样也可能出现在每一个物理分区 ,这样

然后,考虑到行人的运动趋势在目标环境中,传递不同的物理分区之间的关系获得如下(21]: 在哪里 和 是用户满意的转移关系的比例(6), ,是一个 矩阵,上的元素吗th行和th列, ,th元素满足

在那之后,物理分区的PR值的集合, ,获得的是

同样,在RSS逻辑图,基于传输不同的RSS集群之间的关系,我们从RSS集群计算传输频率来作为 在哪里转移数量吗来和是RSS集群的数量。然后,RSS的PR值的集合获得集群

最后,我们建造的集排名PR值的物理分区和RSS集群和 ,分别在(13)。 在哪里 和 。然后,RSS集群映射到物理分区PR值的顺序相同。被考虑到通常是大于 ,RSS集群没有物理分区映射到被丢弃在热点映射的过程。

2.5。定位和行为分析

在线阶段,对于每个RSS数据 在新收集RSS序列,计算每个RSS集群的置信概率 在哪里 的置信概率集群对th RSS从美联社。然后,基于热点映射物理和信号空间之间的关系,建立相对应的物理分区RSS集群选择置信概率最高的区域最有可能是收集。

之后,根据地区定位结果,我们可以分析用户的目标环境中的运动行为通过计算每个物理分区的活动频率, ,和相邻的物理分区之间的转移概率, ,如下: 在哪里是本地化的RSS数据的数量的物理分区在新收集RSS序列。 在哪里是连续的数量对RSS数据本地化的物理分区和 ,分别在新收集RSS序列。

3所示。实验结果

3.1。行人运动学习的结果

如图2,目标环境分为10个物理分区,表示为# 1 ,和# 10。然后,基于启发式行人运动的学习方法,我们定义300像素是无法访问的,构造20%转换图像的运动路径层地图。模拟运动路径的结果在不同类型的用户的运动行为如图7深颜色的,像素显示相应的出现概率较高的位置。从这个图我们可以看到,300年运动路径能够有效地描述行人的运动趋势的目标环境。之后,根据转让关系之间的运动路径不同的物理分区图2,我们构造的物理逻辑图如图8。

3.2。热点的映射

根据分析用户的运动速度(17],一些特定像素标记在每一个运动计算RSS数据放置APs如图9。这图给像素采样的结果在不同运动速度的两个构造运动路径是相同的起点和终点的像素。

然后,图10比较的概率将RSS数据映射到的物理分区实际上属于,即概率正确的室内映射。自定义维线性距离公式(4)和归一化值不同的距离测量,距离阈值可能是负面的。如图10正确的概率最高的室内映射时获得的阈值和最小值分别设置为−4.7192和40。

在获得最优阈值对应于正确的概率最高的室内地图,我们构造信号逻辑图如图11。在我们的实验中,用户满意的比例关系转移公式(6), ,比其他更大的用户,设置为90%。在此基础上,热点之间的映射的物理和信号空间建立在图12。

3.3。定位和行为分析的结果

检验该方法的定位性能,我们收集的一些校准RSS序列连续一个,两个,分别和三个物理分区。图13显示定位的概率其实新的RSS数据到其所属的分区的定义是正确的定位,以及概率进入相邻的分区定义为相邻的正确定位。此外,结合表1,我们可以发现,相比之下,12- - - - - -14),该方法通常可以获得更高的定位精度较低的时间复杂度,没有指纹校准需求。

基于地区社会定位的结果,可以初步分析用户的运动行为通过计算每个分区的活动频率和不同的物理分区之间的转移概率如图14。在这个图中,活动频率物理分区# 4远高于在其他分区,可以解读为# 4的原因是与更大的PR值如图11。作为一种特殊的情况下,体育活动的频率很低。这个结果是由于类似RSS分布的物理分区# 1和# 2的概率增加映射RSS数据在物理分区# 1 # 2到其相邻的错误。

同时,不同的物理分区之间的转移概率,我们可以进一步探讨一些用户的运动目标环境的偏好。作为一个例子,当一个用户位于物理分区# 4,我们可以预测他/她很可能搬到分区与置信概率等于0.54 # 3。此外,非零转移概率之间不相邻的物理分区(标有红色虚线箭头)(即。,#3 → #9 and #3 → #1 with the confidence probability 0.44 and 0.03, respectively) indicates that these nonadjacent physical subareas are with the similar RSS distributions.

4所示。结论

在本文中,我们提出一种新的基于行人运动学习的室内无线局域网定位方法没有位置指纹的援助或运动传感器。结合行人运动学习,基于密度的空间聚类对RSS段,热点映射策略,我们构建热点物理和信号之间的映射空间来估计目标的位置。此外,该地区定位结果是用来探索行人的运动偏好在室内环境。在未来,我们将更加注意分区部门的有效途径提高热点映射性能以及减少错误的转移概率之间的不相邻的物理分区。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持由中国国家自然科学基金(61771083,61771083),在大学长江学者和创新研究团队项目(IRT1299),重庆专项资金重点实验室(CSTC),重庆的基础和前沿研究项目(cstc2017jcyjAX0380 cstc2015jcyjBX0065),重庆大学杰出的成果转化项目(KJZH17117)和研究生科研创新项目重庆(CYS17221)。

引用

1. m .周y, z, x,和l·李”实现的室内无线局域网平台上指纹定位:一个假设的测试方法,”IEEE访问5卷,第15874 - 15865页,2017年。视图:出版商的网站|谷歌学术搜索
2. m·周y, z, l .谢和w·聂,“坚实的社区绘图semi-supervised室内与轻载位置指纹定位,“IEEE物联网卷,页没有。99年,页1 - 1,2017。视图:出版商的网站|谷歌学术搜索
3. a . Yaeli p . Bak g . Feigenblat et al .,“了解客户行为使用室内位置分析和可视化,”IBM杂志》上的研究和发展,卷。58岁的没有。5/6,3:1-3:12,2014页。视图:出版商的网站|谷歌学术搜索
4. x翟,j·杨和l .崔”无线网络定位通过交替投影与辐射源和FDOA测量,”特设&传感器无线网络,38卷,不。1 - 4,页1 - 2017。视图:谷歌学术搜索
5. p·巴尔和v . n . Padmanabhan”雷达:在建RF-based用户位置和跟踪系统,”学报第19届IEEE计算机和通信的社会联合会议(IEEE INFOCOM ' 00),卷2,页775 - 784,特拉维夫,以色列,2000年3月。视图:出版商的网站|谷歌学术搜索
6. m·优素福,a . Agrawala“何鲁斯WLAN位置确定系统”第三届国际会议在移动系统的程序,应用程序和服务(MobiSys 05)ACM,页205 - 218年,2005年6月。视图:出版商的网站|谷歌学术搜索
7. c . Koweerawong k Wipusitwarakun, k . Kaemarungsi”室内RSS指纹数据库,通过自适应本地化改进”学报》27日国际会议信息网络、ICOIN 20132013年1月,页412 - 416。视图:出版商的网站|谷歌学术搜索
8. m·w·m·g .艺术观p·纽曼,s .克拉克·h·f . Durrant-Whyte和m . Csorba”解决方案同时定位和地图构建(大满贯)的问题,“IEEE机器人和自动化,17卷,不。3、229 - 241年,2001页。视图:出版商的网站|谷歌学术搜索
9. h . Shin y分,h . Cha,“无监督建设一个室内平面图使用智能手机,”IEEE系统,人,控制论,C部分:应用程序和评论,42卷,不。6,889 - 898年,2012页。视图:出版商的网站|谷歌学术搜索
10. l·布鲁诺和p·罗伯逊WiSLAM:改善与WiFi FootSLAM”学报》国际会议室内定位和室内导航(IPIN 11),页1 - 10,吉马良斯,葡萄牙,2011年9月。视图:出版商的网站|谷歌学术搜索
11. p·罗伯逊、m . Angermann和b . Krach”同时定位和地图仅供行人使用foot-mounted惯性传感器,”学报》第11届国际会议上无处不在的计算主要' 09)ACM,页93 - 96年,奥兰多,佛罗里达州,美国,2009年。视图:出版商的网站|谷歌学术搜索
12. 刘z . c . Wu, y, w . Xi,”威尔:无线室内定位没有网站调查,“IEEE并行和分布式系统,24卷,不。4、839 - 848年,2013页。视图:出版商的网站|谷歌学术搜索
13. 张x, y, h . Tan, w . Soh”CIMLoc:众包室内定位、数字地图建设系统”诉讼IEEE第九次国际会议上的智能传感器,传感器网络和信息处理(ISSNIP 14)2014年4月,页1 - 6、新加坡。视图:出版商的网站|谷歌学术搜索
14. 问:张先生,m .周z田,y,“室内定位使用semi-supervised流形对齐和维扩张,”应用科学(瑞士)》第六卷,没有。11日,ID 338条,2016年。视图:出版商的网站|谷歌学术搜索
15. z吉林,r . Yong-jian z, x Xiang-Hua, w .剑,和w . Yu,“网排名模型基于pagerank算法,”学报》2010年第2信息科学与工程国际会议(ICISE)杭州,页4811 - 4814年,中国,2010年12月。视图:出版商的网站|谷歌学术搜索
16. m .周y, z田,张问:“室内行人运动检测通过空间聚类和映射,”IEEE传感器信,卷2,不。1、1 - 4,2018页。视图:出版商的网站|谷歌学术搜索
17. t . s .代理r . l . Bezerra c·a·坎波斯和l·f·德·莫拉埃斯,“人类迁移的分析使用真正的痕迹,”学报2009年IEEE无线通信和网络会议,页1 - 6,布达佩斯,匈牙利,2009年4月。视图:出版商的网站|谷歌学术搜索
18. f·洛佩斯,a·b·科斯塔和h·s·戈梅斯”经验ARMA室内WLAN信号传播模型在2.4 GHz,”《IEEE欧洲天线与传播会议,第1341 - 1338页,2013年。视图:谷歌学术搜索
19. p .柴和l .张”,室内无线传播模型和无线网络规划、”《IEEE计算机科学和自动化工程国际会议(CSAE 12)2012年5月,页738 - 741。视图:出版商的网站|谷歌学术搜索
20. k . Kaemarungsi和p•”属性WLAN室内接收信号强度的位置指纹”学报第一年度国际会议上移动和无处不在的系统:网络和服务(MOBIQUITOUS ' 04)5,页,2004年8月。视图:出版商的网站|谷歌学术搜索
21. x翟,郑l . j . Wang和c w . Tan“流行性进化优化算法在广播网络,”学报2013年IEEE无线通信和网络会议,WCNC 20132013年4月,页1540 - 1545。视图:出版商的网站|谷歌学术搜索

版权

版权©2018杨枭龙等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。