徐瀟瀟, 謝林柏

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

位置指紋算法關(guān)鍵參數(shù)的提取

徐瀟瀟, 謝林柏*

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

針對傳統(tǒng)的位置指紋定位算法在室內(nèi)定位中存在著接收信號強度值不穩(wěn)定以及不同終端設(shè)備獲取AP信號強度能力不一樣的問題,對傳統(tǒng)的位置指紋定位算法進行了改進。對離線階段采集到的RSSI值進行處理,去除了較大誤差的樣本,利用RSSI信號強度差值取代RSSI值作為信號特征錄入Radio Map,減小了由于設(shè)備差異而產(chǎn)生的指紋信息誤差。測試階段,在Android和PC平臺上進行驗證,實驗結(jié)果表明,改進的算法可以有效地去除離線階段誤差較大的樣本并提高了該算法針對不同終端應(yīng)用的能力。

位置指紋;Shadowing模型;RSSI差值;安卓

隨著無線路由器的普及,手機和筆記本等移動終端可以隨時隨地地接入網(wǎng)絡(luò)。然而,與室外相同,人們在室內(nèi)同樣對位置信息有著強烈的需求。但是GPS全球定位系統(tǒng)無法精確地應(yīng)用于室內(nèi)環(huán)境[1]。在現(xiàn)階段室內(nèi)定位系統(tǒng)研究中,位置指紋定位算法以其較高的精度、較低的成本等優(yōu)點,得到了比較廣泛的應(yīng)用[2]。

現(xiàn)階段關(guān)于WiFi室內(nèi)定位的研究主要集中于在線階段的匹配算法,主要有KNN算法、權(quán)重的KNN算法、概率分布法等,然而關(guān)于離線階段數(shù)據(jù)采集的研究比較少[3]。由于室內(nèi)環(huán)境比較復(fù)雜, RSSI值容易發(fā)生較大抖動,若不對誤差較大的值進行相應(yīng)處理,則在線定位階段很容易造成較大的定位誤差[4]。此外,現(xiàn)階段的研究對于離線階段和在線定位階段幾乎無一例外地采用同一終端設(shè)備進行測試[5]。然而,即使是同一廠商的終端設(shè)備,其接收AP信號的能力也有可能不一樣。在實際應(yīng)用中,往往需要不同的設(shè)備利用同一個Radio Map進行定位。若直接采用RSSI值作為信號特征,勢必會在定位時出現(xiàn)較大的誤差。

針對上述問題,文中在傳統(tǒng)位置指紋定位算法的基礎(chǔ)上,對離線階段獲得的RSSI值進行處理,去除誤差較大的數(shù)據(jù),并利用不同AP之間RSSI的差值取代傳統(tǒng)的RSSI值作為信號特征錄入Radio Map。測試階段,通過Android客戶端以及PC端分別對AP信息進行采集,并分析了改進算法的有效性。

1 位置指紋定位算法的基本原理

WiFi室內(nèi)定位相比其他方法的一個優(yōu)勢就是可以利用手機、電腦等移動終端外加一個定位軟件即可定位,無需添加額外的硬件設(shè)備,節(jié)省成本。

位置指紋定位算法將待定位置周圍的AP信號特征與Radio Map的參考點信號特征對比,并通過一定的匹配算法計算出待定位置的位置信息。該算法能夠在一定程度上減小由信號強度路徑損耗造成的定位誤差[6]。位置指紋定位算法的工作模式一般由兩個階段組成:離線階段和在線階段。

離線階段,在定位區(qū)域選取若干個參考位置,記錄下每個參考位置的信號特征,每個信號特征對應(yīng)一個唯一的物理位置。令參考位置指紋R:

對應(yīng)的MAC地址為

式中:p為參考位置通信范圍內(nèi)搜索到的AP個數(shù); rssii為接收到的來自第i個AP的RSSI值;maci為第i個AP的MAC地址。

在線階段,獲取待定位置的信號特征A:

通過一定的匹配算法,將信號特征A與數(shù)據(jù)庫中的參考位置信號特征進行對比,最終計算出待定位置的物理位置。

2 基于RSSI差值的位置指紋算法

2.1 離線階段采樣數(shù)據(jù)的處理

由于AP的RSSI值具有不穩(wěn)定性,即使在同一位置使用同一終端設(shè)備對同一AP的RSSI值進行測量,其測量結(jié)果也會發(fā)生一定的波動,特別是在人員流動比較頻繁的地方。所以在將參考位置的信號特征錄入Radio Map之前,必須對采樣數(shù)據(jù)進行一定的處理,除去誤差較大的數(shù)據(jù),以提高定位的精度。

位置指紋算法在離線階段和在線階段都需要采集AP的RSSI值。一般情況下為了保證數(shù)據(jù)的精確度,離線階段的采樣時間比較長,而在線階段考慮到用戶體驗等因素,信號的采樣時間不宜過長。

3σ準則通常用于去除誤差較大的數(shù)據(jù)[7]。假設(shè)終端設(shè)備在某一固定位置對某一固定AP的RSSI值按照固定頻率進行k次采樣,采樣結(jié)果為{r1,r2, r3,…,rk}。由貝塞爾公式計算可得采樣值的均方根誤差:

其中

若|vi|≥3σ,則其對應(yīng)的采樣值rssii應(yīng)被視為較大誤差而剔除。由于人員流動等因素的存在,導(dǎo)致了AP的信號直方圖具有偏左性[7],文中先去除采樣值中最小的5%的數(shù)據(jù),再對剩下的數(shù)據(jù)進行3σ處理。最后將處理后的結(jié)果錄入Radio Map。

2.2 RSSI差值特征分析

由于終端設(shè)備的多樣性,不同終端的無線模塊有所差異,所以勢必出現(xiàn)相互間接收AP信號能力存在差異這一問題。這主要是由于不同的設(shè)備間天線的增益不一致產(chǎn)生的[8]。

現(xiàn)階段關(guān)于位置指紋定位算法的研究在離線訓(xùn)練階段和在線定位階段往往都采用同一個終端設(shè)備進行測試,而在現(xiàn)實情況中,一個Radio Map往往要滿足多種型號的終端設(shè)備對定位的要求。如果直接采用RSSI值作為信號特征錄入Radio Map,在采用不同設(shè)備定位時,勢必產(chǎn)生較大的定位誤差,而且這種誤差是無法通過提高匹配算法的精度改變的,相反,越是精確的匹配算法越容易產(chǎn)生更大的誤差。

為了解決這一問題,文中采用RSSI差值作為信號特征,假設(shè)在某一參考節(jié)點掃描附近AP獲得的RSSI信號特征如式(1)所示,則對應(yīng)的RSSI差值信號特征為D:

其中,由式(1)推得diffi=rssii-rssii+1。

無線信號傳輸中普遍采用Shadowing模型[9]:

式中:P(d)為距離AP d處移動終端接收到的信號強度;P(d0)為距離AP d0處的信號強度,一般d0取1;m,n為路徑損耗系數(shù),通常由實際現(xiàn)場測試得到; Xσ為一個均值為0的高斯隨機變量。

Friis傳輸公式給出了在距離發(fā)射端d處接收端的接收功率表達式[10]:

其中:PT為AP的發(fā)射功率;GT為AP的天線增益; GR為移動終端的天線增益;η為系統(tǒng)損耗因子,且滿足0＜η＜1;λ為AP信號的波長。由式(3)可得,不同移動終端測量同一AP的RSSI值產(chǎn)生的誤差來自于終端的天線增益GR。將式(3)轉(zhuǎn)化為以dBm為單位的數(shù)據(jù)并代入式(2)可得:

假設(shè)移動終端在某一位置時,距離AP1和AP2的距離分別為d1與d2,則兩個AP信號在到達該位置時的信號強度應(yīng)分別為P(d1)和P(d2)。

式(5)與式(6)兩者相減可得:

由式(7)可知,移動終端的RSSI差值取決于兩個AP各自的發(fā)射功率、天線增益、波長及損耗因子, AP一旦完成部署,這些參數(shù)可以保持不變[11],從而可以消除由于移動終端天線增益不同而帶來的測量偏差。所以,從理論上而言,利用RSSI差值作為位置指紋信息可以在一定程度上克服不同設(shè)備定位產(chǎn)生的誤差。

2.3 KNN匹配算法的改進

傳統(tǒng)的KNN匹配算法在應(yīng)用于位置指紋定位算法時存在以下問題:終端設(shè)備在不同的參考位置所搜索到的AP個數(shù)存在差異。

針對上述問題,文中選取固定的k(k≥3)個 AP作為參考,避免不相關(guān)AP的干擾,文中k取7。若在某次采樣中沒有搜索到某一參考AP,則給其賦值搜索到的AP中信號強度值最小的值減去5 dBm,即rssimin-5 dBm,確保每個參考位置的信號特征中均包含了所有參考AP對應(yīng)的RSSI值。在計算距離時,選取待定位置信號強度特征中信號最強的n個AP,且滿足n≤k,文中n取4。

距離公式表達式為

其中:Ai為待定位位置測得的第i個AP的RSSI值; Ri為參考點中第i個AP的RSSI值。本系統(tǒng)取r=2,此時該距離又稱為歐幾里得距離[12]。

在獲得待測位置的RSSI信號特征后,分別計算與各個參考節(jié)點的距離d,選出距離值最小的m個參考位置,給予不同的權(quán)值,計算出定位結(jié)果,文中m取3。

待定位位置的坐標可表示為

其中,wi為權(quán)重,該值取決于參考節(jié)點與待測位置之間的歐氏距離。距離越小,則該節(jié)點對定位結(jié)果的影響最大。wi的計算公式為

3 算法測試

離線階段,采用Google Nexus S手機作為采樣工具,該手機采用Android操作系統(tǒng)。為了滿足測試的需求,需要設(shè)計一個客戶端以實現(xiàn)對周圍WiFi信息采集的功能。該客戶端需要利用以下的接口和類:ScanResult,WifiInfo和WifiManager。App涉及到對WiFi的操作,所以要在AndroidMainfest文件中進行一定配置,以獲得相應(yīng)的操作權(quán)限。

WirelessMon可以實時顯示周邊AP的信息,列出計算機接收到AP的信號強度,實時監(jiān)測無線網(wǎng)絡(luò)的傳輸速度,可使用戶了解網(wǎng)絡(luò)的速度或其穩(wěn)定性。所以在在線階段,硬件設(shè)備采用聯(lián)想G490筆記本電腦,軟件采用WirelessMon進行數(shù)據(jù)采樣。

測試地點為南通移動綜合樓七樓,測試場地面積大小為30 m×13 m,測試所用的AP個數(shù)為7個,每隔1 m設(shè)置一個參考位置節(jié)點,共計31×14= 434個。

圖1為采用手機對某一AP進行200次采樣且采樣間隔為2 s的采樣波形圖。

圖1 手機對AP的200次采樣Fig.1 M obile phone′s 200 sam p les of AP

由圖1可知,采樣過程中存在著一些較大的誤差,測量的最大值與最小值達到了19 dBm,采樣的平均值為-60.585 0 dBm。

圖2為去除較大誤差后的采樣圖。

圖2 處理后的采樣值Fig.2 Sam p les after processing

由圖2可以看出,剩余數(shù)據(jù)的平均值為-59.188 4 dBm,在一定程度上去除了由于較大誤差帶來的測量影響。

采用手機和PC分別對7個AP進行采樣,并對采樣所得的數(shù)據(jù)進行相同處理,去除較大誤差后取平均值。圖3為手機和PC分別測量7個AP并處理后所得的RSSI平均值。

圖3 處理后的手機與PC的采樣值Fig.3 Sam p les ofmobile phone and PC after processing

由圖3可知,PC獲取AP信號的能力要明顯優(yōu)于手機,同樣條件下,采用PC測得的值始終大于手機測得的值。

圖4為PC和手機所測得RSSI的差值。

圖4 手機與PC的采樣值對應(yīng)的信號強度差值Fig.4 RSSI′s difference value of mobile phone and PC′s sam p les

由圖4可得,采用RSSI差值可以有效減小因不同設(shè)備獲取信號強度能力大小帶來的采樣誤差。

在進行定位測試時,分別采用RSSI值和RSSI差值作為信號特征,在兩種情況下各進行20次定位測試,對應(yīng)的誤差如圖5所示。

由圖5可知,若直接采用RSSI平均值值作為指紋信息錄入Radio Map進行定位,產(chǎn)生的誤差較大,測試所得的平均誤差為5.186 5 m;在采用RSSI差值進行定位的情況下,誤差有了明顯的減小,定位平均誤差為2.097 5 m。

4 結(jié) 語

文中針對傳統(tǒng)的位置指紋算法在定位時存在著接收信號強度不穩(wěn)定以及不同終端接收信號的能力不同這一問題,對算法進行了改進。離線階段,對采集到的信號強度值進行處理,先舍去采樣值最小的5%的數(shù)據(jù),并對剩余數(shù)據(jù)進行處理,去除了偏差較大的采樣數(shù)據(jù),并采用信號強度值的差值作為信號特征而非直接采用RSSI值。實驗結(jié)果表明,改進的算法不僅能夠去除離線階段誤差較大的采樣值,而且可以提高該算法面向不同終端設(shè)備進行應(yīng)用的能力。

[1]Mok E,Retscher G.Location determination using WiFi fingerprinting versus WiFi trilateration[J].Journal of Location Based Services,2008,1(2):145-159.

[2]Jose M Alonso,Manuel Oca~na,Noelia Hernandez,etal.Enhanced WiFi localization system based on soft computing techniques to dealwith small-scale variations in wireless sensors[J].Applied Soft Computing Journal,2011,11(8):4677-4691.

[3]JoséAntonio Gómez Martin,Ana Verónica Medina Rodríguez,Enrique Dorronzoro Zubiete,et al.Fingerprint indoor position system based[J].Journal of Networks,2013,8(1):37-44.

[4]王賽偉.基于位置指紋的WLAN定奪內(nèi)定位方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2009.

[5]彭浪.室內(nèi)Radio Map建立方法與性能分析[D].哈爾濱:哈爾濱工業(yè)大學(xué),2010.

[6]朱建新,高蕾娜,張新訪.RSS測距定位模型的Cramer-Rao界分析[J].計算機工程與應(yīng)用,2008,44(35):100-102.

ZHU Jianxin,GAO Leina,ZHANG Xinfang.Cramer-Rao lower bound analysis on RSS-ranged localization model[J].Computer Engineering and Applications,2008,44(35):100-102.(in Chinese)

[7]張興.WLAN室內(nèi)定位信號特征提取算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.

[8]秦泗明.基于位置指紋的WiFi室內(nèi)定位技術(shù)研究[D].成都:電子科技大學(xué),2013.

[9]張先毅,王英龍,郭強,等.無線傳感器網(wǎng)絡(luò)室內(nèi)信道模型的研究[J].計算機應(yīng)用研究,2009,26(12):4713-4715.

ZHANG Xianyi,WANG Yinglong,GUO Qiang,et al.Research of indoors channel fadingmodel in wireless sensor networks[J]. Application Research of Computers,2009,26(12):4713-4715.(in Chinese)

[10]涂巖愷.無線局域網(wǎng)室內(nèi)定位關(guān)鍵參數(shù)計算[J].信息技術(shù),2013(11):23-25.

TU Yankai.Key parameter computation ofWiFi indoor positioning[J].Information Technology,2013(11):23-25.(in Chinese)

[11]鄧中亮,王文杰,徐連明.一種基于K-means算法的WLAN室內(nèi)定位樓層判別方法[J].軟件,2012,33(12):114-117.

DENG Zhongliang,WANGWenjie,XU Lianming.A K-means based method to identify floor in WLAN indoor positioning system [J].Software,2012,33(12):114-117.(in Chinese)

[12]張曉亮,趙平,徐冠青,等.基于一種優(yōu)化的KNN算法在室內(nèi)定位中的應(yīng)用研究[J].電子設(shè)計工程,2013,21(7):44-46.

ZHANG Xiaoliang,ZHAO Ping,XU Guanqing,et al.Research of indoor positioning based on a optimization KNN algorithm[J]. Electronic Design Engineering,2013,21(7):44-46.(in Chinese)

(責任編輯:邢寶妹)

Study on the Extraction of the Key Parameter of Positioning Fingerprint A lgorithm

XU Xiaoxiao, XIE Linbo*
(School of Internet of Things Engineering,Jiangnan University,Wuxi214122,China)

To solve the problem that the instability of the signal strength value in the traditional location fingerprinting positioning algorithm for indoor position and the existing difference when the different terminal devices receive AP signals.This paper,improves the traditional positioning fingerprint algorithm,and filters the RSSI values during the off-line sampling stage,so that we can eliminate the samples with large errors.We use the RSSI′s difference into the radiomap as the singal feature instead of the RSSI value,so that we can reduce the error of the fingerprinting information caused by the difference of devices.During the testing phrase,the tested results on android and PC platform show that the developed algorithm can eliminate the samples with large errors in the off-line stage and improve the ability of adapting to different terminal devices.

location fingerprint,Shadowingmodel,RSSIdifference,android

TN 911.25

A

1671-7147(2015)03-0264-05

2014-12-20;

2015-01-28。

國家自然科學(xué)基金項目(60973095)。

徐瀟瀟(1991—),男,江蘇啟東人,控制工程專業(yè)碩士研究生。

*通信作者:謝林柏(1973—),男,湖南永州人,教授,碩士生導(dǎo)師,工學(xué)博士。主要從事控制理論、控制工程等研究。Email:xie_linbo@jiangnan.edu.cn