论文部分内容阅读
近年来，随着移动互联网的发展，基于位置的服务在日常生活中广泛普及，已经从传统的导航扩展到了共享出行、位置交友等即时服务。随着应用的丰富，定位范围也逐渐从室外向室内扩展，由此对高精准室内定位产生了巨大需求。 目前，室内定位的实现方式众多，如基于基站、视频、红外线、蓝牙、Wi-Fi等。其中基于Wi-Fi的室内定位由于无线信号普遍覆盖，以及智能设备快速普及，已成为应用最为广泛的室内定位方式。然而，基于Wi-Fi室内定位的研究虽然已经取得较大进展，但是由于多径效应、环境变化以及人员流动等高动态环境的影响造成无线信号波动性很大，使得实现高精度Wi-Fi室内定位仍面临着1）难以获取全面的有效标定数据，2）信号强度特征变化大，以及3）模型的情境适应能力弱等问题，造成定位精度低、粒度粗、鲁棒性差。 因此，本文针对上述挑战性问题，构建了一种面向高动态环境的情境自适应定位模型，并且基于该模型提出了三种典型情境（多源信号、运动信息、用户行为）约束下的自适应定位方法，取得了很好的实验结果，具体研究工作如下: 构建了一种面向高动态环境的情境自适应定位模型 针对高动态环境下无线信号波动性大引起的定位精度低、粒度粗、鲁棒性差的问题，构建了约束项形式统一的情境自适应定位模型。该模型在传统定位模型拟合误差最小化基础上加入了情境自适应约束项。其中，情境信息包括多源信号、运动信息以及用户行为等。实验结果表明，该模型能够有效利用情境信息约束，构建自适应模型来提高定位性能，为各种高精度、细粒度、强鲁棒定位方法的提出奠定了基础。 提出了基于多源信号融合的半监督精准定位方法 针对难以获取全面的有效标定数据而引起的定位精度低的问题，提出了基于多源信号融合的半监督精准定位方法。该方法将标定数据拟合误差作为误差项，将Wi-Fi信号和蓝牙信号的流形正则化作为情境约束项构建目标式，通过调节误差项与约束项权重来优化求解目标式。实验结果表明，当应用于稀疏有效标定数据的定位问题时，提出的基于多源信号融合的半监督精准定位方法能够实现多源信号在模型层的优化融合，取得比已有的监督学习方法和半监督学习方法更高的定位精度。 提出了基于运动信息约束的细粒度定位方法 针对由于信号强度特征变化大而引起的定位粒度粗的问题，提出了基于运动信息约束的细粒度定位方法。该方法在标定数据拟合误差的基础上，将用户运动方向信息和Wi-Fi信号流形正则化作为情境约束项，构建信号空间与物理位置空间之间的映射关系。实验结果表明，提出的基于运动信息约束的细粒度位置学习方法能够通过方向信息补偿无线信号波动性对定位粒度的影响，同时降低对标定数据位置分布的要求，在标定数据相同的情况下有效提高定位细粒度程度。 提出了基于用户行为识别辅助的鲁棒定位方法 针对由于情境适应能力弱引起的模型不稳定的问题，提出了基于用户行为识别辅助的鲁棒定位方法。该方法通过行为识别发现感兴趣位置点POI(Point of Interest)并构建POI的空间位置关系。然后以标定数据拟合误差作为误差项，以Wi-Fi信号流形正则化和POI空间位置关系作为情境约束项构建定位模型，并通过迭代求解实现定位。实验结果表明，基于行为识别的POI发现的辅助定位能够有效提高模型在不同场景中的鲁棒性。 最后，基于上述研究方法，设计并实现了一套面向高动态环境的情境自适应室内定位系统，该系统能够实现数据采集、模型构建、定位服务以及后台管理等功能。通过示范应用验证了系统的可用性。