陳戈珩, 謝澤亮, 李 尋

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

0 引 言

隨著各種大型商場(chǎng)、車(chē)站等大型建筑物的建立，人們對(duì)精確室內(nèi)定位服務(wù)的渴望也越來(lái)越強(qiáng)烈，但是由于GPS定位對(duì)室內(nèi)環(huán)境具有較大的局限性，其中包括了室內(nèi)環(huán)境對(duì)GPS信號(hào)的遮蔽，導(dǎo)致GPS定位精度大幅下降，難以在室內(nèi)定位的過(guò)程中有所作為。

在對(duì)室內(nèi)定位主流研究方向中，根據(jù)定位時(shí)所需信息的不同分為測(cè)距無(wú)關(guān)(range-free)和基于測(cè)距(range-based)兩大類(lèi)。其中基于測(cè)距算法首先得到了研究人員的重視，基于測(cè)距的研究方法主要是通過(guò)信號(hào)的各項(xiàng)特征值，以及信號(hào)的衰減模型來(lái)量化信號(hào)源AP(Access Point)與接收設(shè)備的距離，主要算法有AOA、TDOA、TOA、AOA與TDOA混合定位[1-4]以及RSSI等[5-7]，但在室內(nèi)定位的研究過(guò)程中，研究人員發(fā)現(xiàn)除了利用信號(hào)的強(qiáng)度RSSI(Received Signal Strength Indication)進(jìn)行定位研究外，其他的定位算法都需要使用到額外的硬件，AOA算法需要陳列天線，TOA和TDOA需要高精度的時(shí)間同步，而且基于室內(nèi)復(fù)雜的信號(hào)傳播環(huán)境，TOA和TDOA以及AOA都不適用于室內(nèi)定位的研究。隨著WiFi技術(shù)的逐漸普及，WiFi室內(nèi)定位技術(shù)成為當(dāng)今室內(nèi)定位研究的熱門(mén)方向，其原因有兩點(diǎn)：第一,WiFi室內(nèi)定位技術(shù)無(wú)需額外的硬件設(shè)備，現(xiàn)在人們使用的所有移動(dòng)設(shè)備都配有WiFi模塊，大大節(jié)約了定位成本;第二,WiFi熱點(diǎn)現(xiàn)如今已經(jīng)覆蓋人們生活的主要場(chǎng)景，利用WiFi進(jìn)行室內(nèi)定位具有較高的可行性。

在研究WiFi室內(nèi)定位技術(shù)的過(guò)程中，基于位置指紋的定位方式是實(shí)際測(cè)試中精度最高的方式[8]，位置指紋室內(nèi)定位分為離線(off-line)階段和在線(on-line)階段兩個(gè)過(guò)程。在離線階段，通過(guò)wlan無(wú)線網(wǎng)絡(luò)接入點(diǎn)，可以輕松獲取相關(guān)AP的信息，將這些信息如相位、信號(hào)強(qiáng)度作為接收信號(hào)的特征值，通過(guò)把當(dāng)前位置坐標(biāo)作為標(biāo)簽值，可以構(gòu)建離線數(shù)據(jù)庫(kù)。在線階段，通過(guò)無(wú)線接入點(diǎn)可以獲得接收信號(hào)的信號(hào)特征值，通過(guò)與離線數(shù)據(jù)庫(kù)各項(xiàng)數(shù)據(jù)的匹配得到最相似的位置數(shù)據(jù)，從而估算出當(dāng)前位置的具體坐標(biāo)。

在離線階段需要建立完整RSSI信號(hào)分布圖(Radio Map)，通過(guò)規(guī)劃和測(cè)量選取目標(biāo)參考節(jié)點(diǎn)，從而將待定位區(qū)域完整地覆蓋。在構(gòu)建RSSI信號(hào)分布圖的過(guò)程中，每個(gè)目標(biāo)參考節(jié)點(diǎn)都對(duì)應(yīng)著一定數(shù)量的AP信號(hào)強(qiáng)度值，每個(gè)AP節(jié)點(diǎn)之間互相獨(dú)立，將每個(gè)目標(biāo)參考節(jié)點(diǎn)的坐標(biāo)以及信號(hào)強(qiáng)度值存入離線數(shù)據(jù)庫(kù)，但是由于WiFi信號(hào)的時(shí)變性以及室內(nèi)環(huán)境的復(fù)雜性，如人體遮擋以及干擾，存入離線數(shù)據(jù)庫(kù)過(guò)程中往往伴有噪聲，使得離線數(shù)據(jù)庫(kù)在線過(guò)程中并不能與當(dāng)時(shí)的信號(hào)分布相匹配，從而影響在線階段的匹配過(guò)程。

1 多映射數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)庫(kù)濾波算法

由于每個(gè)AP節(jié)點(diǎn)互相獨(dú)立，所以在構(gòu)建離線數(shù)據(jù)庫(kù)的時(shí)候需要對(duì)每個(gè)AP節(jié)點(diǎn)進(jìn)行單獨(dú)的分析與數(shù)據(jù)采集。同一AP距離下RSSI值的變化如圖1所示。

在同一距離下，對(duì)同一AP(同一MAC地址)進(jìn)行RSSI信號(hào)值的采樣，發(fā)現(xiàn)RSSI信號(hào)值會(huì)隨著采樣時(shí)間進(jìn)行跳變，這種跳變是難以預(yù)測(cè)的，所以在構(gòu)建離線數(shù)據(jù)庫(kù)的時(shí)候，通常情況下會(huì)對(duì)采樣的RSSI信號(hào)強(qiáng)度值進(jìn)行濾波處理。

對(duì)采集的RSSI一維向量{rssi1，rssi2，rssi3,…，rssij}進(jìn)行均值濾波:

(1)

圖1 同一AP距離下RSSI值的變化圖

將得到的結(jié)果存入離線數(shù)據(jù)庫(kù)，并對(duì)整個(gè)數(shù)據(jù)庫(kù)做鄰域?yàn)V波[9-10],以降低噪聲。

但是在線匹配過(guò)程中，鄰域均值濾波的效果并不明顯，究其原因,鄰域均值濾波只能對(duì)已經(jīng)新建完畢的信號(hào)強(qiáng)度分布圖進(jìn)行濾波，這種濾波時(shí)小范圍降低節(jié)點(diǎn)的噪聲，而當(dāng)在線過(guò)程中，進(jìn)行采樣信號(hào)值與離線數(shù)據(jù)庫(kù)進(jìn)行匹配時(shí)，采樣信號(hào)通常伴有噪聲，這樣必須把采樣信號(hào)也進(jìn)行濾波才能與離線數(shù)據(jù)庫(kù)相匹配。由于AP的獨(dú)立性，所以需要對(duì)每個(gè)AP節(jié)點(diǎn)進(jìn)行單獨(dú)的分析，對(duì)5組MAC地址AP節(jié)點(diǎn)的RSSI值采樣如圖2所示。

圖2 不同AP的RSSI值采樣序列

對(duì)采集的結(jié)果進(jìn)行數(shù)據(jù)統(tǒng)計(jì),如圖3所示。

圖3 RSSI值數(shù)據(jù)統(tǒng)計(jì)表

從圖3發(fā)現(xiàn)如下規(guī)律，RSSI值的信號(hào)波動(dòng)經(jīng)常會(huì)呈現(xiàn)出區(qū)域回歸狀態(tài)，即RSSI值的波動(dòng)在固定值中跳變，且具有上限和下限，極少情況下會(huì)出現(xiàn)RSSI值超出上限和低于下限，且RSSI值的波動(dòng)較準(zhǔn)確滿足正態(tài)分布。針對(duì)以上情況，文中給出一種多映射數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)庫(kù)濾波算法，以適應(yīng)高精度定位的需要。

在對(duì)指紋定位算法構(gòu)建離線數(shù)據(jù)庫(kù)的階段，針對(duì)RSSI信號(hào)呈現(xiàn)的正態(tài)分布，采用針對(duì)信號(hào)的高斯濾波，以濾出RSSI信號(hào)非常規(guī)的跳變，對(duì)于每個(gè)坐標(biāo)每一組AP的RSSI接收值則有:

(2)

(3)

(4)

式中:μ----測(cè)試組所有RSSI值的平均值；

σ----測(cè)試組所有RSSI值的標(biāo)準(zhǔn)差。

將大概率出現(xiàn)的信號(hào)值，即概率密度分布滿足0.3≤f(x)≤1的值取出。

經(jīng)過(guò)高斯濾波之后得到關(guān)于高斯濾波之后的RSSI信號(hào)值，高斯濾波主要是濾除游離在信號(hào)上限和信號(hào)下限的異常信號(hào)，高斯濾波之后的樣本集合為：

(5)

針對(duì)采樣信號(hào)的概率將信號(hào)進(jìn)行排序，得到排序后的RSSI序列：

(6)

(7)

式中:pthreshold----篩選的概率門(mén)限；

np(xi)----當(dāng)前概率RSSI值出現(xiàn)的次數(shù)。

通過(guò)將信號(hào)的概率進(jìn)行排序，將概率出現(xiàn)次數(shù)最高的數(shù)據(jù)與當(dāng)前數(shù)據(jù)量總和進(jìn)行比較，如果大于概率門(mén)限,則保留當(dāng)前篩選之后的RSSI信號(hào)值;如果小于概率門(mén)限的信號(hào)值，則將下一組RSSI值累加當(dāng)前的RSSI值與當(dāng)前數(shù)據(jù)量總和進(jìn)行比較，并與門(mén)限概率進(jìn)行判斷，直到大于門(mén)限概率。將篩選的數(shù)據(jù)存入離線數(shù)據(jù)庫(kù)得到同一AP不同坐標(biāo)離線數(shù)據(jù)庫(kù)，如圖4所示。

圖4 同一AP不同坐標(biāo)離線數(shù)據(jù)庫(kù)示意圖

圖中離線RSSI數(shù)據(jù)集對(duì)于同一個(gè)AP節(jié)點(diǎn)每個(gè)參考位置所對(duì)應(yīng)的RSSI都不是一一對(duì)應(yīng)的，通過(guò)多組RSSI值同時(shí)對(duì)應(yīng)一個(gè)坐標(biāo)，之后將所有AP數(shù)據(jù)采集完畢得到離線數(shù)據(jù)庫(kù)存儲(chǔ)結(jié)構(gòu)，在線階段中，無(wú)線設(shè)備每次將采集的信號(hào)與離線數(shù)據(jù)庫(kù)做匹配時(shí)，同一位置都會(huì)有不同向量組將與之匹配，離線數(shù)據(jù)庫(kù)結(jié)構(gòu)見(jiàn)表1。

表1 離線數(shù)據(jù)庫(kù)結(jié)構(gòu)

(X1，Y1)位置對(duì)應(yīng)的RSSI組合應(yīng)為(-71，-75，-53，-36)，(-73，-75，-53，-36)，(-77，-75，-53，-36)等18種，單一坐標(biāo)對(duì)應(yīng)多個(gè)離線數(shù)據(jù)集且RSSI組合的排序是根據(jù)信號(hào)高斯概率來(lái)分布的，在線過(guò)程中，首先進(jìn)行匹配概率最高的，以此來(lái)縮短在線階段樣數(shù)據(jù)與離線數(shù)據(jù)庫(kù)匹配的效率。

2 實(shí)驗(yàn)與分析

給出的算法在實(shí)驗(yàn)室中進(jìn)行實(shí)際驗(yàn)證，對(duì)WiFi中RSSI信號(hào)的采集使用了NativaWiFiApi接口讀取筆記本無(wú)線網(wǎng)卡中所有AP的RSSI信息，首先對(duì)同一位置坐標(biāo)采集所有AP節(jié)點(diǎn)的RSSI信號(hào)值，遍歷所有AP節(jié)點(diǎn)，對(duì)每個(gè)節(jié)點(diǎn)中的RSSI數(shù)據(jù)進(jìn)行高斯濾波得到其概率分類(lèi)，并進(jìn)行頻數(shù)排序，接著對(duì)每個(gè)概率分類(lèi)運(yùn)算得到其頻數(shù)概率，將頻數(shù)概率與門(mén)限頻率進(jìn)行比較，高于門(mén)限頻率，則代表濾波結(jié)束，將數(shù)據(jù)存入數(shù)據(jù)庫(kù)，低于門(mén)限頻率，則累加下一組概率的頻數(shù)，再與門(mén)限頻率比較，直到高于門(mén)限頻率，則整個(gè)濾波過(guò)程結(jié)束，具體流程由圖5所示。

圖5 基于多映射方法的指紋庫(kù)濾波算法的實(shí)現(xiàn)流程

實(shí)驗(yàn)結(jié)果通過(guò)均方根誤差(RMSE)來(lái)比較鄰域均值濾波算法與多映射濾波算法，結(jié)果如圖6所示。

圖6 算法均方根誤差圖

多映射數(shù)據(jù)結(jié)構(gòu)能夠有效降低WiFi信號(hào)時(shí)變的影響，減小定位的誤差，很好地維持離線數(shù)據(jù)庫(kù)與真實(shí)環(huán)境的擬合度，將平均均方根誤差(RMSE)由3.3縮減為1.4。

3 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)離線數(shù)據(jù)庫(kù)以單向量形式構(gòu)建位置標(biāo)簽所產(chǎn)生誤差過(guò)大的情況，基于針對(duì)WiFi信號(hào)時(shí)變以及位置指紋定位的特點(diǎn)，給出了一種多映射數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)庫(kù)濾波算法，通過(guò)高斯濾波篩選出頻數(shù)，并設(shè)置門(mén)限概率進(jìn)一步篩選出所需的RSSI標(biāo)簽值，以多個(gè)RSSI標(biāo)簽值映射同一個(gè)位置標(biāo)簽，以筆記本為實(shí)驗(yàn)設(shè)備通過(guò)無(wú)線網(wǎng)卡的API接口采集實(shí)驗(yàn)數(shù)據(jù)。通過(guò)與均值鄰域?yàn)V波進(jìn)行比較，證明多映射數(shù)據(jù)結(jié)構(gòu)能夠有效降低誤差，提高離線數(shù)據(jù)庫(kù)與真實(shí)環(huán)境的擬合度，大概率避免傳統(tǒng)離線數(shù)據(jù)庫(kù)以單向量形式構(gòu)建位置標(biāo)簽所產(chǎn)生誤差過(guò)大的情況，有效降低了WiFi信號(hào)時(shí)變對(duì)離線數(shù)據(jù)庫(kù)構(gòu)建的影響。

[1] Kong F, Wang J, Zheng N, et al. A robust weighted intersection algorithm for target localization using AOA measurements[C]// Advanced Information Management, Communicates, Electronic and Automation Control Conference. IEEE,2017.

[2] 孔范增,陳國(guó)軍,鄭娜娥,等.基于射線跟蹤的TOA定位算法的GDOP研究[J].信息工程大學(xué)學(xué)報(bào),2017,18(1):35-39.

[3] 周恭謙,楊露菁,劉忠,等.基于TDOA定位的基站布設(shè)對(duì)模糊區(qū)分布及定位精度的影響分析[J].海軍工程大學(xué)學(xué)報(bào),2017,29(1):96-101.

[4] 趙宏旭.基于TDOA的Chan算法和Taylor算法的分析與比較[J].電子世界,2017(9):176-177.

[5] 羅炬鋒,付耀先,王營(yíng)冠.基于RSSI測(cè)距的WLS定位算法[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版,2011,39(11):34-38.

[6] 孫順,董凱,修建娟,等.基于CWLS的多運(yùn)動(dòng)站TDOA/GROA輻射源定位算法[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),2016,11(5):540-546.

[7] 孫佳，胡明，趙佳.K-means初始聚類(lèi)中心選取優(yōu)化算法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào),2016,37(1):25-29.

[8] Brunato M, Battiti R. Statistical learning theory for location fingerprinting in wireless LANs[J]. Computer Networks,2005,47(6):825-845.

[9] 劉偉嵬,顏云輝,孫宏偉,等.一種基于鄰域噪聲評(píng)價(jià)法的圖像去噪算法[J].東北大學(xué)學(xué)報(bào):自然科學(xué)版,2008,29(7):1033-1036.

[10] 王民,文義玲.常用圖像去噪算法的比較與研究[J].西安建筑科技大學(xué)學(xué)報(bào):自然科學(xué)版,2010,42(6):895-898.