专利名称：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的制作方法
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估计的方法、装置及智能通讯设备。
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传感器来改善基于指纹的室内定位方法。在传统方法中，基于指纹的定位包括两个阶段标定阶段和实施阶段。 在标定阶段中，我们需要采集在感兴趣的地点的指纹数据(通常是RSS值(Received Signal Strength，是指接收信号强度))，来构建一个指纹数据库；然后在实施阶段，当用户查询他的位置时，系统会在指纹数据库中匹配他的手机传感器读数，并估计他的位置。标定阶段对于基于指纹的定位方法来说是非常昂贵的但又不可避免的，因此成为这些定位方法的关键瓶颈。
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数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行指纹数据库的构建。虽然这些新方法有效的节省了显式的构建指纹数据库的花费，极大的推动了室内定位方法在现实中部署的进度，然而在实际场景中，搭建的系统应该能够对异常数据有鲁棒性，这恰恰在最新的研究文献中被忽略了，因此这些新的算法在遇到异常值时很可能会失效。具体来说，众包获得的轨迹数据中，由于各种各样的因素，比如用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，该方法不仅引入了距离测量的鲁棒性，而且基于众包的实际情形，提出了用户级别的鲁棒性，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问题，使得该方法具备了两个层面的鲁棒性，很好的应对了众包数据中存在异常值的情况。
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
SI.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。
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，所述的区分用户信息，具体包括正常用户以及异常用户。
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，由该段轨迹为主轨迹，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，采用鲁棒统计学的方法来估计这些采样点的距离，并区分用户信息
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。
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，所述的区分用户信息，具体包括正常用户以及异常用户。
在本发明所述的室内定位中的鲁棒用户轨迹估计的装置中，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用户的数据，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装置中，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。
本发明公开了一种智能通讯设备，包括智能通讯设备本体，还包括与所述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，有益效果在于
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。
图I是本发明室内定位中的鲁棒用户轨迹估计的方法流程图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5是用户在办公楼内行走轨迹的示意图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。
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I，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方法， 包括
SI.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。
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，权重大于预调设值则为正常用户，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。
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到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，适应实际部署的需求。该方法包括以下步骤
(I)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，而且同一个用户也可能由于一些原因 (如用户如何放置智能手机，用户是否走直线，用户有没有用一些异常行为来欺骗手机传感器，等等)，在相同的两个采样点之间采集到不同的数据。此外，如果用户走过多个采样点， 那么相邻采样点之间的距离测量也会表现出随机性，因此不能反映这些采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，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样点之间的距离。 我们采用鲁棒统计学的方法来估计采样点间的距离，这可以减轻异常值对估计量的影响。
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，因此轨迹估计包括两个方面沿着轨迹的点到点的记录估计和用户分类。用户信息在众包的应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，我们设计利用CN 102928815 A书明说4/5页用户轨迹上连续多个采样点间的距离测量值来区分用户的类别。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的区域走过时，一条物理的轨迹便形成。因此，在像走廊这类区域中，一条轨�？赡芏杂ψ哦嗵趼芳＜锹�。
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，这样我们就可以关联一个d 维随机向量X给该轨迹，每条路迹观测值表示为。假设有轨迹的η条路迹记录，我们使用 MCD估计量来估计真实的轨迹，估计量T (X)为
T(X) = - xf
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. 75η， 来获取高击穿点以及统计效率。
复杂轨迹假设轨�？梢曰治猰部分，第j部分有4条分段和条用户数据。 在所有m部分中，我们认为有一部分轨迹包含了所有用户数据，我们将这个特殊的部分成为主轨迹，其他部分成为边缘轨迹。为了估计完整的轨迹，我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
TifYi I =WfXI, , in*%jeY| P \jeYj
其中Yi = {i e 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较少的，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。另一方面，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常用户数据的情况，这样用传统的MCD估计量进行轨迹估计的话会导致错误的结果。考虑这些因素，我们的设计中先通过计算主轨迹估计，获得所有用户的置信度权重，从而可以使边缘轨迹的估计经过加权变得鲁棒，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相对较小，这使得辨别用户是正常的还是异常的变得困难。比如，在连续两个采样点之间，一个异常用户可能比其他用户少走两步， 而这个偏差会被估计量认为是可接受的。可是，如果这个偏差在连续几个采样点之间累积起来，那么这个偏差就会变得很大，估计量会将其检测为异常值。其次，如果我们将所设计的方法用于一条很长的轨迹，那么我们就需要非常多的路迹记录来完成计算步骤，这在实6际中有时会变得困难。
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方法来计算主轨迹，这样就获得了我们所选取的一个采样点子集的鲁棒距离估计以及用户权重。其次，我们使用加权均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汸和C之间的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之间的轨迹有较多的用户走过，而C-D之间的轨迹较少用户行走，这反映了用户路迹分布的不均匀性。
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，从图中可以看出，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。
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法获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数。
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，采用鲁棒统计学的方法来估计这些采样点的距离，并区分用户信息
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，由该段轨迹为主轨迹，通过计算主轨迹来获得每个用户的权重，权重大于预调设值则为正常用户，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。
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。
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，有益效果在于
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。
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，均应包含在本发明的保护范围之内。权利要求
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51.将用户轨迹分成K个分段，每个分段具有N个采样点；52.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；53.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。
2.根据权利要求I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，所述的区分用户信息，具体包括正常用户以及异常用户。
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用户的数据，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。
4.根据权利要求I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，采用鲁棒统计学的方法来估计这些采样点的距离，并区分用户信息用户区分单元，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。
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。
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用户的数据，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。
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RSS值的记录。
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估计的装置。
10.根据权利要求9所述的智能通讯设备，其特征在于，所述的智能通讯设备为智能手机。
全文摘要
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。
文档编号G01S5/02GK102928815SQ201210434579
公开日2013年2月13日 申请日期2012年11月1日 优先权日2012年11月1日
发明者张幸林, 杨铮, 刘云浩 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
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
