楊 智,嚴(yán) 華
(四川大學(xué) 電子信息學(xué)院,成都 610065)
?
基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法
楊 智,嚴(yán) 華
(四川大學(xué) 電子信息學(xué)院,成都 610065)
針對室內(nèi)環(huán)境復(fù)雜性造成的室內(nèi)定位精度不足問題,提出一種基于支持向量機回歸和粒子濾波的室內(nèi)導(dǎo)航方法;離線階段通過采集室內(nèi)接收信號強度并利用統(tǒng)計學(xué)習(xí)方法,構(gòu)建室內(nèi)RSS與物理位置之間的支持向量回歸映射模型,定位階段使用智能移動設(shè)備采集加速度、方向角等運動狀態(tài)信息和Wifi模塊感知的環(huán)境信息,并利用粒子濾波將運動數(shù)據(jù)和回歸結(jié)果進行融合處理,推算移動用戶運動軌跡;室內(nèi)實驗結(jié)果表明,本方法最大定位誤差為1.891 m,平均誤差為0.669 m,有效地提高了室內(nèi)定位導(dǎo)航精度。
支持向量機回歸;粒子濾波;WLAN;接收信號強度
目前最流行的定位方法是GPS(全球定位系統(tǒng)),在戶外區(qū)域,包含GPS芯片組的便攜式手持設(shè)備可以很方便地提供存在有限誤差的地理位置信息。但是由于建筑物的遮擋以及室內(nèi)環(huán)境的復(fù)雜性會造成無線信號阻塞或信號衰減,限制GPS在室內(nèi)定位領(lǐng)域的應(yīng)用,而基于無線局域網(wǎng)技術(shù)的無線基礎(chǔ)設(shè)施非常適合用來實現(xiàn)室內(nèi)定位和位置追蹤。
無線基礎(chǔ)設(shè)施,包括基于IEEE 802.11的WLAN、基于IEEE 802.15.4的ZigBee、基于IEEE 802.15.4a的超寬帶(UWB)、藍(lán)牙等等。WLAN作為有線網(wǎng)絡(luò)的延伸,隨著技術(shù)標(biāo)準(zhǔn)的完善,以其高速通信、高可靠性、部署便捷、使用靈活、易于擴展等特點,快速融入到人們的日常生活中,逐漸成為現(xiàn)代移動辦公、移動生活娛樂必不可少的一部分,而基于WLAN的定位技術(shù)研究在這種背景下快速發(fā)展起來[1-2],逐漸成為國內(nèi)外研究的熱點。
常用的定位技術(shù)有TOA、TDOA、RTOF、AOA、RSS、FDOA以及AOA/TDOA聯(lián)合定位技術(shù)和TDOA/FDOA聯(lián)合定位技術(shù)[1,3-4]等,結(jié)合無線定位算法如三邊測量、三角測量、小區(qū)ID(蜂窩)和指紋等進行位置估計。由于WLAN室內(nèi)環(huán)境的復(fù)雜性和多徑效應(yīng)的影響,RSS信號呈現(xiàn)非線性、非高斯的統(tǒng)計特性[5],傳統(tǒng)定位技術(shù)往往無法滿足用戶的定位需求。
隨著無線通信網(wǎng)絡(luò)技術(shù)的快速發(fā)展,智能手機正逐漸深入社會生活的各個層面,其計算、存儲和處理能力等得到大幅提升,各種各樣的傳感器加入到手機中,包括加速度傳感器、方向傳感器、陀螺儀等,使得智能手機能夠為室內(nèi)定位與導(dǎo)航提供必要的感知信息,而將智能手機慣性導(dǎo)航與傳統(tǒng)定位技術(shù)結(jié)合已成為目前的發(fā)展趨勢。
本文主要研究基于SVR和粒子濾波的室內(nèi)導(dǎo)航算法,通過離線階段采集室內(nèi)信號強度數(shù)據(jù),訓(xùn)練室內(nèi)信號強度與坐標(biāo)的SVR回歸模型,定位階段將智能手機慣性導(dǎo)航數(shù)據(jù)和SVR回歸確定的絕對位置,利用粒子濾波進行數(shù)據(jù)融合,確定用戶運動軌跡,以滿足用戶室內(nèi)定位需求。
傳統(tǒng)的行人航跡推算技術(shù)不能獲得用戶的絕對定位信息,且使用智能手機內(nèi)置的傳感器會帶來較大誤差,因此本文引入支持向量機回歸和粒子濾波,通過在離線階段采集室內(nèi)空間中RSS樣本,并通過支持向量機回歸學(xué)習(xí),構(gòu)建室內(nèi)信號強度序列與位置點的回歸映射模型。在定位階段,利用手機內(nèi)置的加速度傳感器、方向傳感器對用戶的運動行為進行感知,利用WIFI模塊對用戶環(huán)境進行感知[6],并通過粒子濾波將用戶運動信息和經(jīng)由回歸模型確定的絕對位置信息進行濾波融合,以提高室內(nèi)導(dǎo)航精度。算法整體結(jié)構(gòu)如圖1所示。
圖1 室內(nèi)導(dǎo)航方法整體框架圖
1.1 基于手機的航位推算
隨著智能手機中MEMS(Micro-Electro- Mechanical System)的發(fā)展,用于航位推算的傳感器尺寸、重量、成本大大降低,精度有所提升,使得航位推算在行人導(dǎo)航中得以應(yīng)用[7]。常用的航位推算方法有兩種:基于距離和基于步態(tài)的航位推算。第一種方法通過對加速度傳感器采集的數(shù)據(jù)進行連續(xù)積分處理,推算用戶行進距離,這種方式需要大量積分,且存在零狀態(tài)漂移誤差;第二種方法通過對加速度傳感數(shù)據(jù)進行數(shù)值轉(zhuǎn)換和濾波處理,獲取用戶步態(tài)特征,并推算出用戶行進步數(shù)和步長[8]。
文獻(xiàn)[9]中的步伐探測算法是通過對合加速度的局部方差進行平滑濾波來提取用戶步態(tài)特征,但從設(shè)備獲取的原始加速度值準(zhǔn)確度有限,且其中錯誤的加速度計值和噪聲擁有高頻特性,此時的步伐探測算法不能很好的濾除干擾因素,因此本文根據(jù)用戶運動頻率特性,引入低通巴特沃斯濾波對合加速度數(shù)據(jù)進行濾波,并根據(jù)文獻(xiàn)[9]中使用的步伐探測、步長計算和方向判斷方法,對用戶航位進行推算。
1.2 支持向量機回歸
Wifi信號在室內(nèi)環(huán)境存在復(fù)雜的衍射、反射現(xiàn)象,室內(nèi)不同位置點存在不同的衰減情況,使得信號強度與室內(nèi)位置之間存在復(fù)雜的非線性關(guān)系,很難求出準(zhǔn)確的的解析表達(dá)式,而支持向量機(SVM)是一種基于統(tǒng)計學(xué)和VC維理論的機器學(xué)習(xí)方法,它以最小化結(jié)構(gòu)風(fēng)險為目標(biāo),已在解決高維和非線性問題方面表現(xiàn)出了很多優(yōu)勢,因此選擇支持向量機回歸來構(gòu)造室內(nèi)RSS信號與物理位置之間的非線性映射關(guān)系,回歸模型示意圖如圖2所示。
圖2 回歸模型示意圖
支持向量機回歸可表述為:給定訓(xùn)練數(shù)據(jù)集D={(ri,(xi,yi))|i=1,2,…,n},其中ri= (RSSIi1,RSSIi2,…,RSSIim),RSSIij為第j個信號源在采樣節(jié)點i處的信號強度,(xi,yi)為采樣參考點的二維坐標(biāo)。通過一個非線性映射φ(·)將輸入樣本數(shù)據(jù)映射到一個高維特征空間,然后在高維特征空間構(gòu)造回歸估計函數(shù):
(1)
根據(jù)結(jié)構(gòu)風(fēng)險最小化原則,原始問題可以轉(zhuǎn)化成求解凸二次規(guī)劃問題:
(2)
引入Lagrange函數(shù),構(gòu)造支持向量回歸函數(shù):
(3)
其中:函數(shù)K為核函數(shù)。這里通過對離線階段采集的樣本進行訓(xùn)練和參數(shù)尋優(yōu),得到兩個獨立的分別輸出兩維物理位置坐標(biāo)的SVR回歸函數(shù)。
1.3 粒子濾波融合
粒子濾波是一種基于順序蒙特卡洛方法(sequential Monte Carlo)的貝葉斯推理(Bayesian inference)過程,廣泛應(yīng)用于機器人定位和跟蹤的方法。本文將經(jīng)由回歸模型確定的絕對位置信息作為環(huán)境觀測,并利用粒子濾波將其與智能手機檢測到的用戶運動信息進行濾波融合,基本步驟如下。
1)初始化階段:
2)轉(zhuǎn)移階段:
粒子狀態(tài)轉(zhuǎn)移,也就是用戶位置隨時間的更新過程[6]。這里以每一個步態(tài)周期為單位進行粒子狀態(tài)轉(zhuǎn)移,不同粒子將根據(jù)用戶在此步態(tài)周期中的步長和方向產(chǎn)生不同的路徑。
(4)
3)決策階段:
利用當(dāng)前位置點采集的信號強度序列,經(jīng)離線階段訓(xùn)練的支持向量機回歸模型,得到定位絕對坐標(biāo) (xt,SVR,yt,SVR),以此作為環(huán)境觀測值來更新粒子權(quán)重,公式如下:
(5)
其中:R是測量噪聲。
粒子權(quán)值歸一化:
(6)
采用粒子加權(quán)和來確定用戶位置:
(7)
4)重采樣階段:
為避免粒子退化,需要進行重采樣,這里采用隨機采樣方法[6],剔除低權(quán)重的粒子,復(fù)制權(quán)值高的粒子。
5)重復(fù)步驟2~4,逐步確認(rèn)用戶位置,直到導(dǎo)航結(jié)束。
為評估本文提出的基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法的性能,本文在21 m*13 m的室內(nèi)環(huán)境內(nèi)進行多次實驗。選取的實驗環(huán)境為研究所部分實驗室區(qū)間,整個區(qū)域總共可以采集到15個AP節(jié)點信號,這里只選取布置于測試環(huán)境內(nèi)的3個AP節(jié)點進行測試。實驗采用的數(shù)據(jù)采集設(shè)備為小米1 s,整個算法分為離線訓(xùn)練和在線定位兩個階段,離線階段在圖3所示環(huán)境中,以人體平均步長75 cm為間隔,對室內(nèi)可行區(qū)域進行采樣,實際劃分了221個采樣點,并在每個采樣點以每秒采集一次的速率采集10次。然后利用LIBSVM工具箱[10]對采集到的2210個樣本數(shù)據(jù)進行訓(xùn)練,選擇ε-SVR和RBF核函數(shù),并進行網(wǎng)格參數(shù)尋優(yōu),構(gòu)建室內(nèi)信號強度與物理位置之間的回歸映射模型。
圖3 室內(nèi)采樣點分布示意圖
2.1 步態(tài)檢測
本文引入低通巴特沃斯濾波對手機航位推算進行優(yōu)化,并對其有效性進行驗證,結(jié)果如圖4、表1所示。
圖4 合加速度巴特沃斯濾波結(jié)果
測試用例步數(shù)測試次數(shù)準(zhǔn)確率距離平均誤差/m1502095%1.02621002090%1.513
從上述圖表可以看出,本文使用的低通巴特沃斯濾波效果較好,且步行距離誤差小于實際距離的3%,結(jié)果表明該方法可以準(zhǔn)確測量行人步數(shù)和行走距離。
2.2 室內(nèi)導(dǎo)航性能測試
為評估在線定位階段室內(nèi)導(dǎo)航方法的可行性和有效性,在智能手機上實現(xiàn)航位推算算法,然后由實驗者手持智能移動設(shè)備按照預(yù)先設(shè)定的軌跡以正常步速繞行3圈,采集行走過程中每個步態(tài)周期的步長、方向和周圍環(huán)境實時的RSS信號強度,以此數(shù)據(jù)集作為在線定位階段的測試數(shù)據(jù),并將導(dǎo)航定位結(jié)果與基于手機的航位推算定位結(jié)果進行誤差對比。
實驗者手持智能設(shè)備在圖5中約6.5 m*12 m的室內(nèi)區(qū)域,按照箭頭方向繞行三圈。圖5中帶箭頭的方框即為預(yù)設(shè)的理想步行軌跡,其中帶實心圓的曲線為行人航位推算的軌跡,可以看出其與理想軌跡嚴(yán)重偏離,且誤差較大。
圖5 航跡推算軌跡圖
圖6所示為本文提出的基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法對同一運動數(shù)據(jù)集的處理結(jié)果,從圖6中可以看出本算法處理所得行人軌跡曲線與理想軌跡重合度較高。
圖6 本方法測試軌跡圖
圖7中描述了本算法和航位推算的定位誤差,其中航位推算最大定位誤差為5.252 m,平均誤差為2.623 m,本文提出的室內(nèi)導(dǎo)航算法最大定位誤差為1.891 m,平均誤差為0.669 m,相比于航位推算,平均誤差減少了74.49%。
圖7 航跡與本算法定位誤差對比
本文將智能手機慣性導(dǎo)航與傳統(tǒng)定位技術(shù)結(jié)合,提出一種基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法,通過將離線階段訓(xùn)練所得室內(nèi)信號強度與物理坐標(biāo)的SVR回歸映射模型作為觀測條件,并利用粒子濾波將其與航位推算進行融合處理,推算移動用戶位置。實驗結(jié)果表明,本文提出的方法提高了定位精度,并擁有良好的定位效果,能夠滿足用戶的室內(nèi)定位需求。
[1] 梁久禎. 無線定位系統(tǒng)[M]. 北京: 電子工業(yè)出版社, 2013.
[2] 郎昕培,許 可,趙 明. 基于無線局域網(wǎng)的位置定位技術(shù)研究和發(fā)展[J]. 計算機科學(xué), 2006, 33(6): 21-24.[3] Yamasaki R,Ogino A,Tamaki T. TDOA location system for IEEE 802.11b WLAN[A].Proc of Wireless Communications and Networking Conference[C]. IEEE Press, 2005: 2338-2343.
[4] 韋 丹. 基于移動終端的室內(nèi)關(guān)鍵定位技術(shù)研究 [D]. 北京: 北京郵電大學(xué), 2014.
[5] 鄧志安,徐玉濱. 基于支持向量機回歸算法的WLAN室內(nèi)定位系統(tǒng)[J].儀器儀表學(xué)報, 2009, 30(6): 578-582.
[6] 趙逢達(dá),閆亭亭,孔令富. 一種基于粒子濾波的智能移動終端室內(nèi)行人定位算法[J]. 小型微型計算機系統(tǒng), 2014, 35(8): 1842-1847.
[7] 王立劍. 基于Android平臺的手機室內(nèi)定位及導(dǎo)航的設(shè)計與實現(xiàn)[D].青島: 中國海洋大學(xué), 2013.
[8] Jeong Won Kim, Han Jin Jang, Dong-Hwan Hwang, et al. A step, stride and heading determination for the pedestrian navigation system [J]. Journal of Global Positioning Systems, 2004, 3(1): 273-279.
[9] 朱建佳. 基于Android平臺的室內(nèi)導(dǎo)航系統(tǒng)的設(shè)計與實現(xiàn)[D]. 北京: 北京郵電大學(xué), 2014.
[10] Chang Chihchung,Lin Chihjen. LIBSVM: a library for support vector machines [EB/OL]. (2013-04-01)[2013-07-14]. http:// www. csie. ntu. edu. tw/~cjlin/libsvm.
Indoor Navigation Method Based on SVR and Particle Filter
Yang Zhi,Yan Hua
(College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China)
Aiming at the lack of indoor positioning accuracy caused by the complex indoor environment, a method of indoor navigation based on support vector regression (SVR) and particle filter is proposed. At the offline stage, the indoor received signal strength (RSS) is collected, and statistical learning methods are used to construct support vector regression model indoor mapping between received signal strength and physical location. At positioning stage, intelligent mobile equipment is used to capture acceleration, direction angle and environmental information perceived by WIFI module. Based on the particle filter, the motion data and the regression result are fused to calculate the motion trajectory of the mobile user. Experimental results show that the maximum location error of proposed method is 1.891 m, while the average error is 0.669 m, and indoor location and navigation accuracy can be effectively improved.
support vector regression; particle filter; wireless local area networks; received signal strength
2016-04-01;
2016-04-29。
國家自然科學(xué)基金項目(61172181)。
楊 智(1992-),男,湖南衡陽人,碩士研究生,主要從事模式識別與智能系統(tǒng)方向的研究。
嚴(yán) 華(1971-),男,四川渠縣人,教授,碩士研究生導(dǎo)師,主要從事模式識別與智能系統(tǒng)、嵌入式系統(tǒng)方向的研究。
1671-4598(2016)09-0231-03
10.16526/j.cnki.11-4762/tp.2016.09.064
TP393
A