CN112729301B - 一种基于多源数据融合的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于多源数据融合的室内定位方法，包括：获取惯性导航数据，根据所述惯性导航数据，得到运动数据，其中，所述运动数据为位置距离变化值和航向变化值；接收无线信号，根据所述无线信号的强度得到第一位置，所述无线信号由室内的无线信号发射器产生；根据所述运动数据与所述第一位置，得到第二位置，所述第二位置的准确性高于所述第一位置的准确性。通过融合数据驱动惯性导航与无线定位的集成实现室内定位，相比于传统惯性导航方法，本发明预测的位移矢量在不同终端使用模式下包含更精确的运动信息，有效提高了室内定位的精度。

Description

一种基于多源数据融合的室内定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及一种基于多源数据融合的室内定位方法。

背景技术

近年来，人们对基于位置服务的需求快速增长，使得室内定位吸引了很多兴趣。智能手机的普及，及其具备内置多种传感器、支持丰富的射频信号、携带方便等优势，使得基于智能手机的室内定位技术成为一大研究热点。

在智能手机上实施惯性导航和定位一直是研究的重点，其任务是使用惯性测量单元提供的测量进行导航和定位。然而，智能手机配备的小型，廉价的惯性测量单元，使得基于智能手机的惯性导航受到高传感器噪声和偏置的困扰而产生系统漂移，无法很好满足室内定位需求。为了获得更具竞争力的性能，基于数据驱动的惯性导航技术利用智能手机惯性测量单元收集的时序观测数据，与光学运动捕捉系统或视觉惯性里程计获取的真实运动轨迹相关联，来回归运动参数(速度、航向等)，将惯性跟踪转换为序列学习问题，使其鲁棒性在不同手机使用模式下(手持、摆动、打电话、口袋等)优于传统的惯性导航技术(捷联惯性导航、行人航位推算等)。

然而，当起点未知时，惯性导航仅能获取相对坐标，而不能获取全局坐标系中的绝对坐标，且随着惯性跟踪过程的继续，系统将不可避免地受到漂移的困扰。基于室内可能布设的其他定位信号源的定位技术(WiFi定位、蓝牙定位、地磁定位等)被提出来应对惯性导航的挑战，尽管解决了惯性导航的难题，但多径效应和室内环境中障碍物的影响也使其定位误差仍然较大。因此，仅依靠单一传感器的定位方法无法很好满足室内定位的需求。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于多源数据融合的室内定位方法，旨在提高室内定位的准确性。

本发明的技术方案如下：

一种基于多源数据融合的室内定位方法，其中，包括：

获取惯性导航数据，根据所述惯性导航数据，得到运动数据，其中，所述运动数据为位置距离变化值和航向变化值；

接收无线信号，根据所述无线信号的强度得到第一位置，其中，所述无线信号由室内的无线信号发射器产生；

根据所述运动数据与所述第一位置，得到第二位置，所述第二位置的准确性高于所述第一位置的准确性。

所述的基于多源数据融合的室内定位方法，其中，所述惯性导航数据包括加速计数据、陀螺仪数据以及重力计数据，所述根据所述惯性导航数据，得到终端设备的运动数据，包括：

将所述加速计数据与所述陀螺仪数据映射到重力计数据所在的坐标系，得到更新的加速计数据和更新的陀螺仪数据；

将所述更新的加速计数据和所述更新的陀螺仪数据输入已训练的深度神经网络，根据所述已训练的深度神经网络，得到运动数据。

所述的基于多源数据融合的室内定位方法，其中，所述已训练的深度神经网络包括两个双向长短期记忆层、两个dropout层以及一个全连接层；其中，每个所述双向长短期记忆层后设置一个所述dropout层。

所述的基于多源数据融合的室内定位方法，其中，所述惯性导航数据的单次获取时间为0.5s-2.5s。

所述的基于多源数据融合的室内定位方法，其中，所述无线信号为至少三个不同的无线信号，当所述至少三个不同的无线信号的强度均大于预设阈值时，所述根据所述无线信号的强度得到第一位置，包括：

根据所述至少三个无线信号发射器的位置以及所述至少三个无线信号发射器的无线信号强度，得到第一位置。

所述的基于多源数据融合的室内定位方法，其中，所述无线信号为至少一个无线信号，当所述至少一个无线信号的强度小于或等于预设阈值时，所述根据所述无线信号的强度得到第一位置，包括：

根据预先制作的无线电地图以及所述无线信号的强度得到第一位置。

所述的基于多源数据融合的室内定位方法，其中，所述预先制作的无线电地图的制作方法包括：

在室内的预设位置接收无线信号发射器的至少两个无线信号的强度；

根据所述至少两个无线信号的强度以及所述预设位置，得到无线电图。

所述的基于多源数据融合的室内定位方法，其中，所述无线信号为蓝牙信号，所述无线信号发射器为蓝牙信标，所述无线信号的强度为：

其中，λ表示蓝牙信标与终端设备的距离，RSS(λ)表示蓝牙信标的信号强度，λ₀表示基准距离，RSS(λ₀)表示基准距离λ₀处的蓝牙信标的信号强度，η表示路径损耗指数，X_σ表示零均值高斯方差为σ²的噪声。

所述的基于多源数据融合的室内定位方法，其中，所述根据所述运动数据与所述第一位置，得到第二位置，包括：

根据所述运动数据与所述第一位置，通过粒子滤波融合模型得到第二位置

所述的基于多源数据融合的室内定位方法，其中，所述粒子滤波融合模型为：

其中，X_t表示终端设备在t时刻的横坐标，Y_t表示终端设备在t时刻的的纵坐标，表示第i个粒子在t-1时刻的横坐标，表示第i个粒子在t-1时刻的纵坐标，l_t表示在t时刻获取的位置距离变化，ψ_t表示在t时刻获取的航向，表示第i个粒子在t时刻的权重，N表示粒子数；

其中，所述第i个粒子在t时刻的权重根据所述第i个粒子在t-1时刻的位置与在t时刻的第一位置进行确定。

有益效果：本发明提供的基于多源数据融合的室内定位方法包括：获取惯性导航数据，根据所述惯性导航数据，得到运动数据，其中，所述运动数据为位置距离变化值和航向变化值；接收无线信号，根据所述无线信号的强度得到第一位置，所述无线信号由室内的无线信号发射器产生；根据所述运动数据与所述第一位置，得到第二位置，所述第二位置的准确性高于所述第一位置的准确性。通过融合数据驱动惯性导航与无线定位的集成实现室内定位，相比于传统惯性导航方法，本发明预测的位移矢量在不同终端使用模式下包含更精确的运动信息，有效提高了室内定位的精度。

附图说明

图1为本发明的一种基于多源数据融合的室内定位方法的流程示意图。

图2(a～c)为本发明的一种基于多源数据融合的室内定位方法的三边测量法的示意图。

具体实施方式

本发明提供一种基于多源数据融合的室内定位方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参见图1，本发明的基于多源数据融合的室内定位方法，包括：

S10、获取惯性导航数据，根据所述惯性导航数据，得到终端设备的运动数据。

具体地，运动数据指的是终端设备的位置距离变化值和航向变化值，位置距离变化值指的是终端设备在一小段时间(如1s，2s)内的移动距离的变化，航向变化值是指终端设备在该段时间的方向。终端设备获取惯性导航数据，通过惯性导航数据预测其位置距离变化值和航向变化值，并与其他定位方法进行融合，例如蓝牙、WiFi、地磁等信号源定位数据，融合方法可采用粒子滤波、卡尔曼滤波、扩展卡尔曼滤波等方法，提高了室内定位的精准性。进一步，终端设备包括但不限于智能手机、智能手表或智能手环。

在一种实现方式中，所述惯性导航数据包括加速计数据、陀螺仪数据以及重力计数据；步骤S10包括：

S11、将所述加速计数据与所述陀螺仪数据映射到重力计数据所在的坐标系，得到更新的加速计数据和更新的陀螺仪数据；

S12、将所述更新的加速计数据和更新的陀螺仪数据输入已训练的深度神经网络，根据所述已训练的深度神经网络，得到运动数据。

具体地，终端设备的任意航向使得惯性导航很难仅使用原始加速计数据和陀螺仪数据来推断可靠的运动参数，因此稳定的传感器数据将使数据驱动惯性导航的回归任务更加容易。通过引入重力计测量，以消除手机的横滚俯仰歧义，将终端设备的y轴与负重力航向对齐，也就是将加速计数据与陀螺仪数据对齐(映射)到重力数据确定的坐标系上，在固定坐标系上表示加速计数据和陀螺仪数据。

本发明通过深度神经网络(Deep Neural Network,DNN)学习惯性导航数据与运动参数之间的关系，以进行位置距离和航向的回归。深度神经网络的训练数据的构成为已打上真实运动参数标签的惯性测量单元记录的时序观测数据。训练数据的获取过程为：首先，采用视觉惯性里程计系统来获取终端设备的真实运动轨迹参数，该真实运动轨迹参数没有垂直航向上的位移(重力计数据为0)，并采用惯性测量单元获取与该真实运动轨迹参数对应的加速计、陀螺仪的原始传感器数据，将真实运动轨迹参数与原始传感器数据加上时间标记。然后，将真实运动轨迹参数的姿势数据转换为稳定的位置距离和航向特征，并通过线性插值将对齐的加速计和陀螺仪数据同步到稳定的距离和航向特征对应的时间戳中。

在训练网络的过程中，初始深度神经网络根据原始传感器数据得到与原始传感器数据对应的预测的运动数据(距离变化值和航向变化值)，再采用自适应矩估计优化器最小化预测的运动数据和真实运动数据(与原始传感器数据对应的位置距离和航向特征)之间的均方误差，对初始深度神经网络的参数进行修正，并继续执行根据原始传感器数据得到与原始传感器数据对应的距离变化值和航向变化值的步骤，直至初始深度神经网络的训练情况满足预设条件，得到已训练的深度神经网络。

通过已训练的深度神经网络，在有限时间窗口内对齐的加速计数据和陀螺仪数据来得到对应的位置距离变化值和航向变化值，该过程表示为：

其中，Δl表示位置距离变化值，Δψ表示航向变化值，a_i表示加速计数据，w_i表示陀螺仪数据，DNN表示已训练的深度神经网络，n表示有限时间窗口。有限时间窗口指的是单次获取惯性导航数据的时间段，例如：终端设备从起始点移动到终点的时间是2s，则获取该2s内的惯性导航数据，并通过已训练的深度神经网络预测2s内的位置距离变化值和航向变化值，则惯性导航数据的单次获取时间为2s。较好的，惯性导航数据的单次获取时间为0.5s-2.5s，获取时间太短会增加计算负担，时间太长会导致定位精度降低。

本发明不仅利用了在无模型泛化方面具有巨大潜力的深度神经网络来回归终端设备的运动特征，且有效地结合了使用重力来稳定惯性测量单元数据的方法，从而使得网络更加稳健而不丢失起精确性，增加了方法对用户、使用模式的适应性。

在一种实施方式中，所述已训练的深度神经网络包括两个双向长短期记忆层、两个dropout层以及一个全连接层。

具体地，考虑到网络的精确性和实用性，采用两层双向长短期记忆层作为核心构建块，能够更好地利用长期依赖性。同时，为减轻过度拟合问题，在每个长短期记忆层后放置一个将输入元素随机设置为零的dropout层。在所有层最后添加一个全连接层以执行位置距离和航向变化值的回归。需要说明的是，数据驱动惯性导航预测的运动数据精确度直接影响最终的定位性能，因此神经网络框架可根据实际训练数据做出调整。

S20、接收无线信号，根据所述无线信号的强度得到第一位置，其中，所述无线信号由室内的无线信号发射器产生。

具体地，终端设备接收到的无线信号的强度可以反映出终端设备与无线信号发射器之间的距离，因此可以通过终端设备接收到的无线信号的强度获知终端设备的位置。

在一种实现方式中，所述无线信号为至少三个不同的无线信号，当所述至少三个不同的无线信号的强度均大于预设阈值时，步骤S20包括：根据所述至少三个无线信号发射器的位置以及所述至少三个无线信号发射器的无线信号强度，得到第一位置。

具体地，当至少三个不同的无线信号的强度均大于预设阈值时，终端设备可直接采用三边测量法进行位置计算，三边测量法需要获取至少三个不同的无线信号进行位置计算。请参见图2(a～c)，三边测量法是使用圆的几何形状来计算终端设备的位置，在知道无线信号发射器的位置的前提下，设终端设备的位置为(x，y)，无线信号发射器的位置为(x_i，y_i)，可以得到N个等式组成的方程组：

(x-x_i)²+(y-y_i)²＝λ_i，i＝1，2，...，N

其中，λ_i是无线信号发射器到终端设备的距离。通过求解该方程组，可获得终端设备的第一位置(x，y)。在理想条件下，(见图2(a))，N个方程可获得方程组的唯一解，也就是N个圆的共同交点，但在N个圆虽然相交但是不相交于同一个点的情况下(见图2(b))，可以使用基于线交点的三边测量法(最小二乘法或最大似然估计法)来找到方程组的近似解，从而获得第一位置。然而，尽管三边测量法可以在非理想的情况下估计位置，但是由于接收信号强度反射的距离较小，通常不可靠，因此无法很好地解决图2(c)中的情况。

在另一种实现方式中，当所述至少一个无线信号的强度小于或等于预设阈值时，步骤S20包括：根据预先制作的无线电图以及所述无线信号的强度得到第一位置。

具体地，当至少一个无线信号的强度小于或等于预设阈值时，终端设备可采用位置指纹法进行位置计算。位置指纹法是利用终端设备接收的无线信号强度与无线电地图相互比较进行定位。

指纹定位方法包括两个阶段：离线训练阶段和在线定位阶段。在离线训练阶段制作无线电地图，选择一组预设位置作为参考点，预设位置的数量根据需要定位的区域进行确定，将定位区域划分为多个n*n的网格点，如：2*2或1*1，每个网格点就是参考点，也就是预设位置。举例来说，定位区域是一个10*1m²的走廊，可以每2*1m²取网格点，共取5个网格点，即将定位区域划分成5个预设位置。在每个参考点接收来自所有检测到的无线信号发射器产生的信号强度以及发射器ID(以下简称ID)(由于每个无线信号发射器的信息可能被获取到多次，因此每个ID对应的无线信号的强度为平均信号强度)，每个参考点接收的无线信号的强度称为指纹，所有参考点的指纹形成一个无线电图。在在线定位阶段读取制作的无线电地图，将从实时接收无线信号的强度与无线电地图中的无线信号的强度进行比较，以得到第一位置。进一步，采用KNN算法(K最邻近算法)对接收的无线信号强度与无线电地图进行比较，选择在在线阶段接收的无线信号的强度最强的前n个(如n＝5，n最大可为在线阶段接收到的所有ID个数，但考虑到计算量，n通常为3～7)无线信号发射器，计算无线电地图中每个参考点存储的该n个无线信号发射器的信号强度与在在线阶段接收的该n个无线信号发射器的信号强度的差值的平方，即对应于与每个参考点之间的距离。最后选择合适的k值(如k＝3，k的范围通常为1到5)，根据距离的大小关系，找到最接近的k个参考点的坐标，取其k个参考点的坐标的中心从而估计出第一位置。

通过设置阈值来选择合适的定位方法，以使定位结果能达到合理的精度。若接收的三个无线信号的强度均大于阈值，则使用三边测量法来计算第一位置，否则，采用位置指纹法估计第一位置。

在一种实现方式中，所述无线信号为蓝牙信号，所述无线信号发射器为蓝牙信标，所述无线信号的强度为：

其中，λ表示蓝牙信标与终端设备的距离，RSS(λ)表示蓝牙信标的信号强度，λ₀表示基准距离，RSS(λ₀)表示基准距离λ₀处的蓝牙信标的信号强度，η表示路径损耗指数，X_σ表示零均值高斯方差为σ²的噪声。

S30、根据所述运动数据与所述第一位置，得到第二位置；所述第二位置的准确性高于所述第一位置的准确性。

具体地，将步骤S10的惯性导航技术与步骤S20的无线定位技术进行融合，既可以发挥每种技术的优势，又可以抑制其劣势，相比于传统惯性导航方法，本发明预测的位移矢量在不同终端使用模式下包含更精确的运动信息，有效提高了室内定位的精度。

进一步，步骤S30包括：根据所述运动数据与所述第一位置，通过粒子滤波融合模型得到第二位置

具体地，粒子滤波基于顺序蒙特卡洛框架，该框架利用一组加权随机粒子来表示动态状态估计框架中未知位置的后验密度。粒子滤波融合模型采用无线定位方法估计的终端设备的第一位置作为观测数据，利用数据驱动惯性导航方法得到的运动数据对设备的运动进行建模。具体建模方法如下：

(1)粒子初始化：假设粒子集为H＝{Xⁱ|i＝1，2，...，N}，N是粒子数。每个粒子具有三维联合概率分布(即Xⁱ＝(xⁱ，yⁱ，θⁱ))，其中(xⁱ，yⁱ)表示第i个粒子的2D位置，θⁱ是第i个粒子的方向。在时间t＝0时为初始状态，使用高斯分布，根据步骤S20的方法得到初始位置随机选择初始位置周围的粒子并获得粒子的初始位置信息，每个粒子的初始权重为1/N。

(2)粒子运动模型：从初始时刻开始，随着终端设备的移动，粒子的位置不断变化，根据粒子在t-1时刻(t时刻的上一时刻)的位置以及在t时刻获取的位置距离变化值和航向(也就是在t-1至t时间段内的位置距离变化值和航向变化值，t与t-1的差为惯性导航数据的单次获取时间)，对终端设备的运动进行建模，表示为：

其中，表示第i个粒子在t时刻的横坐标，表示第i个粒子在t时刻的纵坐标，表示第i个粒子在t-1时刻的横坐标，表示第i个粒子在t时刻的上一时刻的纵坐标，l_t表示在t时刻获取的位置距离变化值，ψ_t表示在t时刻获取的航向。通过数据驱动惯性导航估计获得的在t时刻的位置距离变化值和航向精确地包含对应粒子的运动信息。

(3)粒子更新及重采样：当终端设备在t-1时刻与t时刻的位置不同时，需要更新所有粒子的权重。根据粒子在t-1时刻的位置与在t时刻的第一位置的接近程度来执行粒子更新，其中，粒子在t-1时刻的位置为在计算t-1时刻的第二位置时获取到的粒子在t-1时刻的位置。然后执行粒子重采样以保留权重较大的粒子，并丢弃权重较小的粒子。

(4)目标终端设备位置估计：为了使后验概率表达式更平滑并体现出粒子滤波的优越性，采用粒子的加权总和来估计终端设备的第二位置，表示为：

其中，X_t表示终端设备在t时刻的横坐标，Y_t表示终端设备在t时刻的的纵坐标，表示第i个粒子在t时刻的权重，N表示粒子数。

结合步骤(2)和(4)中的公式，从而得到最终的粒子滤波融合模型为：

其中，X_t表示终端设备在t时刻的横坐标，Y_t表示终端设备在t时刻的的纵坐标，表示第i个粒子在t-1时刻的横坐标，表示第i个粒子在t-1时刻的纵坐标，l_t表示在t时刻获取的位置距离变化值，ψ_t表示在t时刻获取的航向，表示第i个粒子在t时刻的权重，N表示粒子数。

综上所述，本发明提供的基于多源数据融合的室内定位方法包括：获取惯性导航数据，根据所述惯性导航数据，得到运动数据，其中，所述运动数据为位置距离变化值和航向变化值；接收无线信号，根据所述无线信号的强度得到第一位置，所述无线信号由室内的无线信号发射器产生；根据所述运动数据与所述第一位置，得到第二位置，所述第二位置的准确性高于所述第一位置的准确性。通过融合数据驱动惯性导航与无线定位的集成实现室内定位，相比于传统惯性导航方法，本发明预测的位移矢量在不同终端使用模式下包含更精确的运动信息，有效提高了室内定位的精度。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种基于多源数据融合的室内定位方法，其特征在于，包括：

获取惯性导航数据，根据所述惯性导航数据，得到运动数据，其中，所述运动数据为位置距离变化值和航向变化值；

所述惯性导航数据包括加速计数据、陀螺仪数据以及重力计数据，所述根据所述惯性导航数据，得到运动数据，包括：

引入重力计测量，将所述加速计数据与所述陀螺仪数据映射到重力计数据所在的坐标系，得到更新的加速计数据和更新的陀螺仪数据；

将所述更新的加速计数据和所述更新的陀螺仪数据输入已训练的深度神经网络，根据所述已训练的深度神经网络，得到运动数据；

通过深度神经网络学习惯性导航数据与运动参数之间的关系，以进行位置距离和航向的回归；所述深度神经网络的训练数据的构成为已打上真实运动参数标签的惯性测量单元记录的时序观测数据；

所述训练数据的获取过程为采用视觉惯性里程计系统来获取终端设备的真实运动轨迹参数，所述真实运动轨迹参数为没有垂直航向上的位移，并采用惯性测量单元获取与所述真实运动轨迹参数对应的加速计和陀螺仪的原始传感器数据，将真实运动轨迹参数与原始传感器数据加上时间标记，将真实运动轨迹参数的姿势数据转换为稳定的位置距离和航向特征，并通过线性插值将对齐的加速计和陀螺仪数据同步到稳定的距离和航向特征对应的时间戳中；

在训练网络的过程中，初始深度神经网络根据原始传感器数据得到与原始传感器数据对应的预测的运动数据，所述预测的运动数据为距离变化值和航向变化值，再采用自适应矩估计优化器最小化预测的运动数据和真实运动数据之间的均方误差，对初始深度神经网络的参数进行修正，并继续执行根据原始传感器数据得到与原始传感器数据对应的距离变化值和航向变化值的步骤，直至初始深度神经网络的训练情况满足预设条件，得到已训练的深度神经网络；

通过已训练的深度神经网络，在有限时间窗口内对齐的加速计数据和陀螺仪数据来得到对应的位置距离变化值和航向变化值，该过程表示为：

其中，Δl表示位置距离变化值，Δψ表示航向变化值，a_i表示加速计数据，w_i表示陀螺仪数据，DNN表示已训练的深度神经网络，n表示有限时间窗口个数，有限时间窗口指的是单次获取惯性导航数据的时间段；

所述惯性导航数据的单次获取时间为0.5s-2.5s；

所述已训练的深度神经网络包括两个双向长短期记忆层、两个dropout层以及一个全连接层；其中，为减轻过度拟合问题，在每个所述双向长短期记忆层后设置一个所述dropout层，在所有层最后添加一个全连接层以执行位置距离和航向变化值的回归；

接收无线信号，根据所述无线信号的强度得到第一位置，其中，所述无线信号由室内的无线信号发射器产生；

所述无线信号为至少三个不同的无线信号，当所述至少三个不同的无线信号的强度均大于预设阈值时，所述根据所述无线信号的强度得到第一位置，包括：

根据至少三个无线信号发射器的位置以及所述至少三个无线信号发射器的无线信号强度，得到第一位置；

当至少三个不同的无线信号的强度均大于预设阈值时，终端设备直接采用三边测量法进行位置计算，三边测量法需要获取至少三个不同的无线信号进行位置计算；

三边测量法使用圆的几何形状来计算终端设备的位置，在得到无线信号发射器的位置的前提下，设终端设备的位置为(x，y)，无线信号发射器的位置为(x_i，y_i)，得到N个等式组成的方程组：(x-x_i)²+(y-y_i)²＝λ_i，i＝1，2，...，N；其中，λ_i是无线信号发射器到终端设备的距离；通过求解该方程组，获得终端设备的第一位置(x，y)；

所述无线信号为至少一个无线信号，当所述至少一个无线信号的强度小于或等于预设阈值时，所述根据所述无线信号的强度得到第一位置，包括：

根据预先制作的无线电地图以及所述无线信号的强度得到第一位置；

所述预先制作的无线电地图的制作方法包括：

在室内的预设位置接收无线信号发射器的至少两个无线信号的强度；

根据所述至少两个无线信号的强度以及所述预设位置，得到无线电图；

当至少一个无线信号的强度小于或等于预设阈值时，终端设备采用位置指纹法进行位置计算；位置指纹法是利用终端设备接收的无线信号强度与无线电地图相互比较进行定位；

指纹定位方法包括两个阶段：离线训练阶段和在线定位阶段；

在离线训练阶段制作无线电地图，选择一组预设位置作为参考点，预设位置的数量根据需要定位的区域进行确定，将定位区域划分为多个n*n的网格点，每个网格点就是参考点，在每个参考点接收来自所有检测到的无线信号发射器产生的信号强度以及发射器ID，每个参考点接收的无线信号的强度称为指纹，所有参考点的指纹形成一个无线电图；在在线定位阶段读取制作的无线电地图，将从实时接收无线信号的强度与无线电地图中的无线信号的强度进行比较，以得到第一位置；

采用KNN算法对接收的无线信号强度与无线电地图进行比较，选择在在线阶段接收的无线信号的强度最强的前n个无线信号发射器，计算无线电地图中每个参考点存储的该n个无线信号发射器的信号强度与在在线阶段接收的该n个无线信号发射器的信号强度的差值的平方；

选择合适的k值，根据距离的大小关系，找到最接近的k个参考点的坐标，取其k个参考点的坐标的中心从而估计出第一位置；

通过设置阈值来选择合适的定位方法，以使定位结果达到合理的精度；若接收的三个无线信号的强度均大于阈值，则使用三边测量法来计算第一位置，否则，采用位置指纹法估计第一位置；

根据所述运动数据与所述第一位置，得到第二位置；所述第二位置的准确性高于所述第一位置的准确性；

融合方法包括：粒子滤波、卡尔曼滤波以及扩展卡尔曼滤波；

粒子滤波基于顺序蒙特卡洛框架，该框架利用一组加权随机粒子来表示动态状态估计框架中未知位置的后验密度；粒子滤波融合模型采用无线定位方法估计的终端设备的第一位置作为观测数据，利用数据驱动惯性导航方法得到的运动数据对设备的运动进行建模；

建模的方法包括：

对粒子初始化：粒子集为H＝{Xⁱ|i＝1，2，...，N}，N是粒子数，每个粒子具有三维联合概率分布(即Xⁱ＝(xⁱ，yⁱ，θⁱ))，其中(xⁱ，yⁱ)表示第i个粒子的2D位置，θⁱ是第i个粒子的方向，在时间t＝0时为初始状态，使用高斯分布，得到初始位置随机选择初始位置周围的粒子并获得粒子的初始位置信息，其中，每个粒子的初始权重为1/N；

构建粒子运动模型：从初始时刻开始，随着终端设备的移动，粒子的位置不断变化，根据粒子在t-1时刻的位置以及在t时刻获取的位置距离变化值和航向，对终端设备的运动进行建模，所述粒子运动模型的表达式为：

其中，表示第i个粒子在t时刻的横坐标，表示第i个粒子在t时刻的纵坐标，表示第i个粒子在t-l时刻的横坐标，表示第i个粒子在t时刻的上一时刻的纵坐标，l_t表示在t时刻获取的位置距离变化值，ψ_t表示在t时刻获取的航向，通过数据驱动惯性导航估计获得的在t时刻的位置距离变化值和航向精确地包含对应粒子的运动信息；

对粒子进行更新及重采样：当终端设备在t-1时刻与t时刻的位置不同时，所有粒子的权重进行更新，根据粒子在t-1时刻的位置与在t时刻对应的第一位置的接近程度来执行粒子更新，其中，粒子在t-1时刻的位置为在计算t-1时刻的第二位置时获取到的粒子在t-1时刻的位置，执行粒子重采样以保留权重较大的粒子，并丢弃权重较小的粒子；

对目标终端设备位置估计：为了使后验概率表达式更平滑并体现出粒子滤波的优越性，采用粒子的加权总和来估计终端设备的第二位置，表示为：

其中，X_t表示终端设备在t时刻的横坐标，Y_t表示终端设备在t时刻的纵坐标，表示第i个粒子在t时刻的权重，N表示粒子数；

所述根据所述运动数据与所述第一位置，得到第二位置，包括：

根据所述运动数据与所述第一位置，通过粒子滤波融合模型得到第二位置；

所述粒子滤波融合模型为：

其中，X_t表示终端设备在t时刻的横坐标，Y_t表示终端设备在t时刻的纵坐标，表示第i个粒子在t-1时刻的横坐标，表示第i个粒子在t-1时刻的纵坐标，l_t表示在t时刻获取的位置距离变化，ψ_t表示在t时刻获取的航向，表示第i个粒子在t时刻的权重，N表示粒子数；

其中，所述第i个粒子在t时刻的权重根据所述第i个粒子在t-1时刻的位置与在t时刻的第一位置进行确定。

2.根据权利要求1所述的基于多源数据融合的室内定位方法，其特征在于，所述无线信号为蓝牙信号，所述无线信号发射器为蓝牙信标，所述无线信号的强度为：

其中，λ表示蓝牙信标与终端设备的距离，RSS(λ)表示蓝牙信标的信号强度，λ₀表示基准距离，RSS(λ₀)表示基准距离λ₀处的蓝牙信标的信号强度，η表示路径损耗指数，X_σ表示零均值高斯方差为σ²的噪声。