融合多元传播模型和指纹模型的免标定室内定位方法研究

Indoor localization is very important for the application development in the fields of health care, public security, location based services (LBS), etc. However, the popular fingerprint model requires much human labeling cost, which is the key problem for the wide use of indoor localization systems. This project fuses multivariate radio propagation model and fingerprint model to develop a calibration-free indoor localization method which has high localization accuracy and validity in various indoor environments, using the unlabeled user trace data and spatio-temporal constraints. The main research topics include: 1) environmental parameters based multivariate signal propagation model. Investigate the influences of path loss, wall attenuation, multi-path effects and human body attenuation, and build up new environmental parameters based multivariate signal propagation model, which can obtain higher localization accuracy and validity in different environments; 2) spatio-temporal constraints based location estimation model. The user's locations can be estimated by combining Bayesian hierarchical graphical model and maximum likelihood (ML) estimation method. Then, the location estimation results will be filtered and re-mapped using particle filter and kernel principal component analysis (KPCA) algorithm, respectively; 3) spatio-temporal constraints based semi-supervised and incremental fingerprint localization model. Using the location estimates and multiple constraints (spatial, trace, motion and landmark constraints), hidden Markov model (HMM) based semi-supervised fingerprint model is developed, which can be online updated using expectation maximization (EM) algorithm to further improve its localization accuracy.

室内定位在健康监护、公共安全、位置服务等领域具有重要价值，但常用的指纹模型需要人工采集大量标定数据，成为室内定位技术难以广泛应用的核心问题。本项目拟融合多元信号传播模型和指纹模型，利用非标定的用户轨迹数据，结合多重时空约束条件，研究免标定的室内定位方法，实现模型的高精度和通用性。研究内容包括：1）基于环境因素的多元信号传播模型。综合考虑距离衰减、墙壁遮挡、多径效应和人体遮挡等因素，构建基于环境因素的多元信号传播模型，提升模型精度和通用性；2）融合时空约束的位置估计模型。根据上述传播模型，结合贝叶斯层次图模型和最大似然估计算法求解粗略位置，利用空间约束的粒子滤波算法和核PCA降维算法对估计位置进行重映射，提高位置估计的精度；3）融合时空约束的增量式半监督指纹定位模型。根据位置估计，结合空间、轨迹、行为和标记点等约束条件，构建基于用户轨迹的HMM指纹定位模型，利用EM算法实现模型的增量更新。

室内定位技术在室内导航、健康监护、资产管理等领域具有非常广泛的应用。然而，传统的指纹定位方法需要采集大量位置标定数据，成为制约室内定位应用和发展的关键问题。.本项目提出了一种融合多元传播模型和指纹模型的免标定室内定位方法。研究内容主要包括：1）基于环境因素的多元信号传播模型。项目提出了基于信道状态信息的多径效应评估和距离估计方法、情境自适应的RSSI分段异构拟合定位方法等。通过综合考虑距离衰减、遮挡和多径效应等因素，构建基于环境因素的高精度多元信号传播模型。结果显示，选择的弱多径效应点可以减少距离估计误差约3米。此外，RSSI分段拟合定位方法比传统单一函数拟合方法的定位精度提升了约1米；2）融合时空约束的位置估计模型。项目提出了融合多模传感器的室内实时高精度轨迹生成方法、针对设备差异性的增量式室内定位方法、基于多维尺度分析的自适应室内群终端定位方法等，通过结合移动轨迹的时空约束、设备差异性、群终端的时空位置关系等，对位置估计结果进行修正。结果显示，修正后的移动轨迹更为平滑，平均定位误差达到1.54米；3）融合时空约束的增量式半监督指纹定位模型。项目提出了异构数据驱动的流形正则化标记数据消减方法、基于融合特征的半监督流形约束定位方法、融合WiFi和BLE的半监督ELM定位模型、在线半监督深度ELM定位模型等。结合已有标记数据和大量非标记数据，利用半监督增量学习方法训练高精度的定位模型，实现完全免标定的室内定位。结果显示，当目标定位误差不大于2米时，提出的方法仅需要大约1.25%的标记数据，极大的降低了标记数据的数量。.本项目先后在IEEE TKDE、Soft Computing、浙江大学学报等国内外期刊上发表论文11篇，在IEEE ICDM、IEEE UIC、IJCNN、PRICAI等国际会议上发表论文10篇，申请国家专利6项，申请软件著作权2项，培养了多名博/硕士研究生，圆满的完成了项目研究目标。项目成果为室内定位的核心关键问题提供了一种可行的解决方案，对室内定位的应用和发展具有非常积极的促进作用。