2024年4月20日发(作者：)
(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(21)申请号 CN2.3
(22)申请日 2012.11.01
(71)申请人 无锡清华信息科学与技术国家实验室物联网技术中心
地址 214135 江苏省无锡市新区太科园大学科技园清源路立业楼A区502室
(72)发明人 张幸林 杨铮 刘云浩
(74)专利代理机构 北京品源专利代理有限公司
代理人 马晓亚
(51)
G01S5/02
权利要求说明书 说明书 幅图
(10)申请公布号 CN 102928815 A
(43)申请公布日 2013.02.13
(54)发明名称
一种室内定位中的鲁棒用户轨迹估
计的方法、装置及智能通讯设备
(57)摘要
本发明公开了一种室内定位中的鲁
棒用户轨迹估计的方法，包括：S1.将用户
轨迹分成K个分段，每个分段具有N个采
样点；S2.抓取用户轨迹分段处的采样点的
信息，采用鲁棒统计学的方法来估计这些
采样点的距离，并区分用户信息；S3.抓取
用户轨迹上连续采样点的信息，结合用户
信息，采用加权平均的方法来估计所有采
样点间的距离值；其中，K，N均为正整
数。本发明还公开了一种室内定位中的鲁
棒用户轨迹估计的装置及智能设备。本发
明的室内定位中的鲁棒用户轨迹估计的方
法、装置及智能通讯设备用于限制异常用
户或者传感器的异常读数对基于众包的室
内定位的负面影响，从而使基于众包的室
内定位技术在实际应用中变得鲁棒。
法律状态
法律状态公告日
法律状态信息
法律状态
权 利 要 求 说 明 书
1.一种室内定位中的鲁棒用户轨迹估计的方法，其特征在于，包括：
S1.将用户轨迹分成K个分段,每个分段具有N个采样点;
S2.抓取用户轨迹分段处的采样点的信息，采用鲁棒统计学的方法来估计
S3.抓取用户轨迹上连续采样点的信息，结合用户信息，采用加权平均的
2.根据权利要求1所述的室内定位中的鲁棒用户轨迹估计的方法，其特征
3.根据权利要求2所述的室内定位中的鲁棒用户轨迹估计的方法，其特征
用
方法来估计所有采样点间的距离值;其中,K,N均为正整数。
这些采样点的距离，并区分用户信息；
在于，所述的区分用户信息，具体包括：正常用户以及异常用户。
在于，所述的正常用户与异常用户区分在于：如果有一段轨迹中包括了所有
户的数据，由该段轨迹为主轨迹，通过计算主轨迹来获得每个
重大于预调设值则为正常用户，权重低于预设值
用户的权重，权
则为异常用户。
4.根据权利要求1所述的室内定位中的鲁棒用户轨迹估计的方法，其特征
在于，所述的用户轨迹包括：用户行走的步数以及从开始点到结束点的
RSS值
的记录。
5.一种室内定位中的鲁棒用户轨迹估计的装置，其特征在于，包括：
轨迹分段单元，用于将用户轨迹分成K个分段,每个分段具有N个采样点；
距离估计单元，用于抓取用户轨迹分段处的采样点的信息，采用鲁棒统计
用户区分单元，抓取用户轨迹上连续采样点的信息，结合用户信息，采用
6.根据权利要求5所述的室内定位中的鲁棒用户轨迹估计的装置，其特征
7.根据权利要求6所述的室内定位中的鲁棒用户轨迹估计的装置，其特征
用
加权平均的方法来估计所有采样点间的距离值;其中,K,N均为正整数。
学的方法来估计这些采样点的距离，并区分用户信息
在于，所述的区分用户信息，具体包括：正常用户以及异常用户。
在于，所述的正常用户与异常用户区分在于：如果有一段轨迹中包括了所有
户的数据，由该段轨迹为主轨迹，通过计算主轨迹来获得每个
重大于预调设值则为正常用户，权重低于预设值
用户的权重，权
则为异常用户。
8.根据权利要求5所述的室内定位中的鲁棒用户轨迹估计的装置，其特征
在于，所述的用户轨迹包括：用户行走的步数以及从开始点到结束点的
的记录。 RSS值
9.一种智能通讯设备，包括智能通讯设备本体，其特征在于，还包括与所
估
10.根据权利要求9所述的智能通讯设备，其特征在于，所述的智能通讯
述智能通讯设备本体相连的如权利要求5所述的室内定位中的鲁棒用户轨迹
计的装置。
设备为智能手机。
说 明 书
技术领域
本发明涉及用户轨迹估计领域，尤其涉及一种室内定位中的鲁棒用户轨迹
背景技术
近年来，智能手机装备了各种功能的传感器，并且具有强大的计算和通信功
传
能，智能手机的流形吸引了很多研究人员的关注，他们致力于利用手机上的
感器来改善基于指纹的室内定位方法。在传统方法中，基于指纹的定
个阶段：标定阶段和实施阶段。在标定阶段中，我们需要采集
的指纹数据（通常是RSS值（Received Signal Strength，
来构建一个指纹数据库；然后在实施阶段，当用
指纹数据库中匹配他的手机传感器读数，
指纹的定位方法来说是非常昂贵的
关键瓶颈。
估计的方法、装置及智能通讯设备。
位包括两
在感兴趣的地点
是指接收信号强度）），
户查询他的位置时，系统会在
并估计他的位置。标定阶段对于基于
但又不可避免的，因此成为这些定位方法的
在最新的研究中，研究人员探索了用户移动轨迹与指纹的关系，并提出了联
数
系原来离散的指纹的方法。这些最新的方法的共同点在于利用了众包采集的
据来取代昂贵的现场标定，众包获得的指纹数据以及用户轨迹足以进
据库的构建。虽然这些新方法有效的节省了显式的构建指纹数
大的推动了室内定位方法在现实中部署的进度，然而在
统应该能够对异常数据有鲁棒性，这恰恰在最新
这些新的算法在遇到异常值时很可能会失
中，由于各种各样的因素，比如用
行指纹数
据库的花费，极
实际场景中，搭建的系
的研究文献中被忽略了，因此
效。具体来说，众包获得的轨迹数据
户的异常行为或者设备故障，很可能会包含
传感器的异常读数，这些异常读数会导致错误的轨迹估计，使得轨迹估计与
平
面图错误匹配，因此接下去的定位步骤变会全部错误。
发明内容
本发明的目的在于提出一种室内定位中的鲁棒用户轨迹估计的方法、装置
仅
以及设备，能够使得基于众包数据采集的室内定位算法变得鲁棒，该方法不
引入了距离测量的鲁棒性，而且基于众包的实际情形，提出了用户级
性，从而解决了众包采集的数据中用户轨迹空间分布不规则的
法具备了两个层面的鲁棒性，很好的应对了众包数据中
别的鲁棒
问题，使得该方
存在异常值的情况。
为达此目的，本发明采用以下技术方案：
本发明公开了一种室内定位中的鲁棒用户轨迹估计的方法，包括：
S1.将用户轨迹分成K个分段,每个分段具有N个采样点;
S2.抓取用户轨迹分段处的采样点的信息，采用鲁棒统计学的方法来估计
S3.抓取用户轨迹上连续采样点的信息，结合用户信息，采用加权平均的
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述的区分用
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述的正常用
轨
户信息，具体包括：正常用户以及异常用户。
方法来估计所有采样点间的距离值;其中,K,N均为正整数。
这些采样点的距离，并区分用户信息；
户与异常用户区分在于：如果有一段轨迹中包括了所有用户的数据，由该段
迹为主轨迹，通过计算主轨迹来获得每个用户的权重，权重大于预调
设值则为
正常用户，权重低于预设值则为异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的方法中，所述的用户轨
迹包括：用户行走的步数以及从开始点到结束点的
RSS值的记录。
本发明公开了一种室内定位中的鲁棒用户轨迹估计的装置，包括：
轨迹分段单元，用于将用户轨迹分成K个分段,每个分段具有N个采样点；
距离估计单元，用于抓取用户轨迹分段处的采样点的信息，采用鲁棒统计
用户区分单元，抓取用户轨迹上连续采样点的信息，结合用户信息，采用
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述的区分用
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述的正常用
轨
户与异常用户区分在于：如果有一段轨迹中包括了所有用户的数据，由该段
迹为主轨迹，通过计算主轨迹来获得每个用户的权重，权重大于预调
正常用户，权重低于预设值则为异常用户。
户信息，具体包括：正常用户以及异常用户。
加权平均的方法来估计所有采样点间的距离值;其中,K,N均为正整数。
学的方法来估计这些采样点的距离，并区分用户信息
设值则为
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，所述的用户轨
本发明公开了一种智能通讯设备，包括智能通讯设备本体，还包括与所述
迹包括：用户行走的步数以及从开始点到结束点的RSS值的记录。
智能通讯设备本体相连的如上述的室内定位中的鲁棒用户轨迹估计的装置。
在本发明所述的智能通讯设备中，所述的智能通讯设备为智能手机。
实施本发明的一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备，
用于限制异常用户或者传感器的异常读数对基于众包的室内定位的负面影
附图说明
图1是本发明室内定位中的鲁棒用户轨迹估计的方法流程图；
图2是本发明室内定位中的鲁棒用户轨迹估计的方法的动机场景图；
图3表示了基本的MCD估计量辨别异常值的例子；
图4是本发明方法用在LiFS室内定位框架时所使用的办公楼平面图；
图5是用户在办公楼内行走轨迹的示意图；
图6表示了不同用户采集的数据间的鲁棒距离和马氏距离；
图7展示了三维指纹空间的对比图。
图8是我们设计的方法TrMCD与传统的最小二乘法的映射误差累积分布函
数。
响，从而使基于众包的室内定位技术在实际应用中变得鲁棒。
有益效果在于：
图9是本发明室内定位中的鲁棒用户轨迹估计的装置构造方框图；
图10是本发明一种智能通讯设备构造方框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
请参阅图1，本发明的较佳实施例，一种室内定位中的鲁棒用户轨迹估计的
S1.将用户轨迹分成K个分段,每个分段具有N个采样点;
S2.抓取用户轨迹分段处的采样点的信息，采用鲁棒统计学的方法来估计
S3.抓取用户轨迹上连续采样点的信息，结合用户信息，采用加权平均的
其中，所述的区分用户信息，具体包括：正常用户以及异常用户，所述的正
该
常用户与异常用户区分在于：如果有一段轨迹中包括了所有用户的数据，由
段轨迹为主轨迹，通过计算主轨迹来获得
则为正常用户，权重低于预设值则
走的步数以及从开始点到结
方法来估计所有采样点间的距离值;其中,K,N均为正整数。
这些采样点的距离，并区分用户信息；
方法，包括：
每个用户的权重，权重大于预调设值
为异常用户，所述的用户轨迹包括：用户行
束点的RSS值的记录。
下面进行详细说明：
本发明提供了一种基于最小协方差行列式（MCD）的鲁棒轨迹计算的实现
到
方法，有效的辨别和抑制异常值对定位系统的影响。该方法可以很好的集成
现有基于众包的室内定位算法框架中，使得这些定位算法变得鲁棒，
部署的需求。该方法包括以下步骤： 适应实际
(1)用户轨迹建模
建模点到点的距离：为了测量两个采样点之间的距离，通常的做法是
个
使用两个点之间的用户步数计数，然而，不同用户有不同的步长，而且同一
用户也可能由于一些原因（如用户如何放置智能手机，用户是否走直
有没有用一些异常行为来欺骗手机传感器，等等），在相同的
集到不同的数据。此外，如果用户走过多个采样点，那
离测量也会表现出随机性，因此不能反映这些采
线，用户
两个采样点之间采
么相邻采样点之间的距
样点之间的真实几何关系。
考虑到这些因素，我们假定任意两个采样点之间的步数计数是个随机变量，
样
从而避免显式的建模各种复杂因素，我们需要从众包收集的观测值中估计采
点之间的距离。我们采用鲁棒统计学的方法来估计采样点间的距离，
轻异常值对估计量的影响。 这可以减
建模轨迹：在基于众包的室内定位的应用场景中，我们不仅要鲁棒的估计两
包
个采样点之间的距离，而且还希望区分正常用户和异常用户，因此轨迹估计
括两个方面：沿着轨迹的点到点的记录估计和用户分类。用户信息在
用中是很自然且有用的，在我们提出的方法中很巧妙的利用了
众包的应
这个信息。
点到点的距离估计不足以将一个用户标记为正常或者异常，因为在实际中，
哪怕一个正常的用户也可能会偶尔报告损坏了的测量数据。为了克服这个问
题，
的类别。
我们设计利用用户轨迹上连续多个采样点间的距离测量值来区分用户
在我们的应用中，我们选取MCD估计量来实现鲁棒轨迹估计。
(2)鲁棒估计计算
为了便于说明，我们给出以下两个定义：一条路迹是用户记下的包括行走步
数和他从开始点到结束点的采样RSS值的记录；当有一个用户从某个可行
域走过时，一条物理的轨迹便形成。因此，在像走廊这类区域中，一
能对应着多条路迹记录。
的区
条轨迹可
简单轨迹：给定一条轨迹上的一组路迹观测值，给每个用户赋予一个唯一
ID值，在第一步中，我们假设所有观测值都是沿着同一条轨迹收集的，这
们就可以关联一个d维随机向量X给该轨迹，每条路迹观测值表示
轨迹的n条路迹记录，我们使用MCD估计量来估计真实的轨
为：
样我
为。假设有
迹，估计量T(X)
其中，参数h控制估计量的击穿点，当h约为n+d的一半时，估计量获得
复杂轨迹：假设轨迹可以划分为m部分，第j部分有dj条分段和
nj条用户数 据。在所有m部分中，我们认为有一部分轨迹
最高的击穿点50%，然而在实际中，经验表明异常值含量通常在1-10%之间，
因此可以设定h=0.75n，来获取高击穿点以及统计效率。
包含了所有用户数据，我们将这
边缘轨迹。为了估计完整的轨迹，我
个特殊的部分成为主轨迹，其他部分成为
们通过计算主轨迹来获得每个用户
的权重，即区分正常用户与异常用户。接着
我们用下式来计算边缘轨迹：
>j
Element;
mi>w
mi>m
其中Yi＝{i∈I：第i个用户在第m部分轨迹中}。
在该方法设计中，有人也许会困扰为什么不对边缘轨迹直接使用MCD估计
较
量。首先，在边缘区域，比如一个个人办公室，可用的用户行走数据是相对
少的，在这种情况下，少量的观测数据不能够充分的揭示统计规律。
在某些极端情况下，在边缘区域中会出现异常用户数据多于正
况，这样用传统的MCD估计量进行轨迹估计的话会导
因素，我们的设计中先通过计算主轨迹估计，获
而可以使边缘轨迹的估计经过加权变得鲁
另一方面，
常用户数据的情
致错误的结果。考虑这些
得所有用户的置信度权重，从
棒，这样整体的轨迹估计就变得鲁棒。
实际部署的考虑：理论上，我们前面设计的鲁棒估计方法已经足以计算所
有点到点的记录，然而我们仍然需要进一步完善该设计框架，使其在应用中
可 行。首先，我们注意到连续两个采样点之间不同用户的步数计数变化
这使得辨别用户是正常的还是异常的变得困难。比如，在连续
一个异常用户可能比其他用户少走两步，而这个偏差会
的。可是，如果这个偏差在连续几个采样点之间
变得很大，估计量会将其检测为异常值。
一条很长的轨迹，那么我们就需要
际中有时会变得困难。
相对较小，
两个采样点之间，
被估计量认为是可接受
累积起来，那么这个偏差就会
其次，如果我们将所设计的方法用于
非常多的路迹记录来完成计算步骤，这在实
为了应对这些难题，我们将计算步骤分成两步。首先，我们将主轨迹划分
为k条分段，每条分段包含4-6个采样点，如上面所述，我们应用MCD方
计算主轨迹，这样就获得了我们所选取的
用户权重。其次，我们使用加权均
法来
一个采样点子集的鲁棒距离估计以及
值来计算所有剩余采样点之间的距离。
图2是本发明室内定位中的鲁棒用户轨迹估计的方法的动机场景。A和B
之间的三角形标记线与圆形标记线表示了不同用户的步长不同；A和C之
方框标记线与三角形标记线表示用户走的是弯曲的路线；A-C-B之间
较多的用户走过，而C-D之间的轨迹较少用户行走，这反映
不均匀性。
间的
的轨迹有
了用户路迹分布的
图3表示了基本的MCD估计量辨别异常值的例子，图中在MCD椭球内的
图4是本发明方法用在LiFS室内定位框架时所使用的办公楼平面图。
图5是用户在办公楼内行走轨迹的示意图。
三角形被认为是正常观测值，而椭圆外的方框则被估计量认为是异常值。
图6表示了不同用户采集的数据间的鲁棒距离和马氏距离，从图中可以看
图7展示了三维指纹空间的对比图。从图可以看出，我们设计的鲁棒方法
TrMCD获得的指纹空间与真实的平面图很好的匹配，而传统的最小二乘方
得的指纹空间在有异常值的房间发生了变形，不能与真实的平面图匹
出，传统的马氏距离不能识别出所有的异常值，而鲁棒距离可以。
法获
配。
图8是我们设计的方法TrMCD与传统的最小二乘法的映射误差累积分布函
请参阅图9、一种室内定位中的鲁棒用户轨迹估计的装置，包括：
轨迹分段单元10，用于将用户轨迹分成K个分段,每个分段具有N个采样点；
距离估计单元20，用于抓取用户轨迹分段处的采样点的信息，采用鲁棒统
用户区分单元30，抓取用户轨迹上连续采样点的信息，结合用户信息，采
用加权平均的方法来估计所有采样点间的距离值;其
计学的方法来估计这些采样点的距离，并区分用户信息
数。
中,K,N均为正整数。
其中，所述的区分用户信息，具体包括：正常用户以及异常用户，所述的
由
正常用户与异常用户区分在于：如果有一段轨迹中包括了所有用户的数据，
该段轨迹为主轨迹，通过计算主轨迹来获得每个用户的权重，权重大
值则为正常用户，权重低于预设值则为异常用户，所述的用户
行走的步数以及从开始点到结束点的RSS值的记录。
于预调设
轨迹包括：用户
请参阅图10、一种智能通讯设备，包括智能通讯设备本体100，还包括与
较佳地，智能通讯设备100为智能手机。
实施本发明的一种室内定位中的鲁棒用户轨迹估计的方法、装置以及设备，
用于限制异常用户或者传感器的异常读数对基于众包的室内定位的负面影
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发
发
明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本
明的保护范围之内。
响，从而使基于众包的室内定位技术在实际应用中变得鲁棒。
有益效果在于：
智能通讯设备本体100相连的上述的室内定位中的鲁棒用户轨迹估计的装置
110。
发布评论