林 峰 張 磊 李貴楠 王 智,2

1(浙江大學控制科學與工程學院 杭州 310027) 2(工業(yè)控制技術國家重點實驗室(浙江大學) 杭州 310027)

基于智能手機聲信號的自標定室內定位系統(tǒng)

林 峰1張 磊1李貴楠1王 智1,2

1(浙江大學控制科學與工程學院 杭州 310027)2(工業(yè)控制技術國家重點實驗室(浙江大學) 杭州 310027)

(21532066@zju.edu.cn)

隨著室內位置信息服務需求的爆發(fā)式增長，對室內定位系統(tǒng)的定位精度、與智能手機的兼容性、成本控制、實時性及數(shù)據(jù)更新速率等提出了新的要求.基于通用智能手機平臺，應用聲技術提出了一種新的錨節(jié)點自標定與用戶定位方法，設計并實現(xiàn)了一套室內定位系統(tǒng)：LinLoc.該系統(tǒng)在聲技術TPSN測距模型的基礎上，利用到達時間(time of arrival, TOA)估計技術，提出一種高實時性的用戶定位方法，實現(xiàn)了厘米級別的用戶定位，無需時間同步且與智能手機完全兼容，同時提出一種基于TPSN測距的半定規(guī)劃(semidefinite programming, SDP)錨節(jié)點自標定方法，解決了大規(guī)模網(wǎng)絡中錨節(jié)點的坐標標定及后期維護問題.針對LinLoc系統(tǒng)做了充分的仿真及實驗，其結果表明：系統(tǒng)性能良好，定位精度可達0.05～0.3 m，能夠在室內環(huán)境中為人們提供精確的位置信息服務.

聲信號；室內定位；自標定；智能手機；到達時間；時間同步

近年來，以北斗、GPS(global position system)和伽利略為代表的衛(wèi)星定位技術提供的位置服務(location based service, LBS)為人們的生活提供了極大的便利，已成為日常生活中不可或缺的重要組成部分.由于衛(wèi)星信號在穿越墻壁時的劇烈衰減，使得衛(wèi)星定位技術在室內環(huán)境使用時受到巨大限制[1].隨著大型地下停車場的車輛定位和導航、商場精準營銷、交通樞紐人流監(jiān)測、智慧工廠等室內定位與導航需求的提出[2]，加之智能手機多傳感、移動計算和大眾普及的特性，與智能手機兼容的室內定位與導航技術具有極大的市場潛力與實際應用價值.國內外現(xiàn)有的室內定位技術如表1所示：

Table 1 Indoor Localization Technologies表1 室內定位技術對比

對比發(fā)現(xiàn)，能夠與智能手機兼容的只有WiFi、藍牙、地磁和聲技術.WiFi、藍牙以及地磁技術的定位原理通常采用的是基于網(wǎng)格劃分的指紋識別(fingerprint)[9]方法，可達米級精度.藍牙技術的精度與布設的錨節(jié)點密度有關[10].與這些技術相比，基于聲音的定位技術具有的優(yōu)勢包括：1)與智能手機完全兼容，無需增加額外的硬件；2)錨節(jié)點(beacon node)，即用于輔助定位提前布設的信標節(jié)點，其硬件僅由麥克風、揚聲器、通信模塊及采集電路構成[11]，具有體積小、結構簡單且成本低的特點；3)可達厘米級定位精度.這3方面優(yōu)勢使得基于聲音的定位技術成為最具競爭力的室內定位技術之一.

目前國內外基于聲技術的定位系統(tǒng)按照定位方式可以分為4類：

1) 基于到達時間差(time difference of arrival, TDOA)的定位系統(tǒng)，如基于無線電波及超聲波信號到達時間差的Cricket系統(tǒng)[12]和基于錨節(jié)點嚴格時鐘同步的ASSIST系統(tǒng)[13];

2) 基于到達時間(time of arrival, TOA)的定位系統(tǒng)，如基于聲信號調制和解調原理及嚴格時鐘同步Guoguo系統(tǒng)[14]和超聲波厘米級測距的SpiderBat系統(tǒng)[15];

3) 基于到達方向角(direction of arrival, DOA)的定位系統(tǒng)，如整合了一個傳感器陣列[16]的ENSBox系統(tǒng)[17];

4) 基于多普勒效應的Swadloon定位系統(tǒng)[18].

對上述系統(tǒng)進行總結可以發(fā)現(xiàn)，要將基于聲技術的室內定位系統(tǒng)推向實際場景，需要解決的問題包括：1)錨節(jié)點之間的高精度時鐘同步,成本較高且需要定期維護；2)系統(tǒng)中錨節(jié)點自身位置的精確標定.隨著系統(tǒng)布設規(guī)模的擴大，人工量測會極大地增加系統(tǒng)成本并引入累積量測誤差[19].針對上述高精度時間同步和錨節(jié)點人工標定帶來的挑戰(zhàn)，本文設計并實現(xiàn)一種室內定位系統(tǒng)：LinLoc.該系統(tǒng)無需額外的時間同步和自標定硬件成本，其創(chuàng)新點包括3個方面：

1) 提出一種免除時鐘同步的高實時性TOA定位方案，僅需一次交互便可估計出用戶手機到達所有錨節(jié)點的精確TOA值，實現(xiàn)高精度定位；

2) 提出一種錨節(jié)點高精度自標定方案，除錨節(jié)點本身不增加其他任何硬件設備支持，僅需極少量已知錨節(jié)點的絕對位置的先驗條件下，實現(xiàn)所有未知錨節(jié)點絕對位置的高精度一次性自標定；

3) 直接基于智能手機平臺實現(xiàn)，與智能手機完全兼容，無需在手機中增加任何其他硬件，支持Android及IOS操作系統(tǒng).

1 系統(tǒng)方案

1.1 總體方案

LinLoc室內定位系統(tǒng)的總體方案設計為3個階段：1)錨節(jié)點的自標定，利用本文提出的高精度自標定方案(1.2節(jié)詳述)，通過極少量的人工標定錨節(jié)點的絕對坐標得到其他未知錨節(jié)點的絕對坐標；2)用戶智能手機與錨節(jié)點的信息交互，用戶智能手機提出定位請求并發(fā)射聲信號，錨節(jié)點網(wǎng)絡接收到請求后發(fā)射聲信號完成交互(1.3節(jié)詳述)；3)定位過程，服務器處理第2階段中用戶智能手機端及錨節(jié)點網(wǎng)絡所接收到的聲音信號，精確估計TOA值并由定位算法計算得到用戶位置，再通過WiFi網(wǎng)絡將定位結果反饋至用戶智能手機進行顯示.總體方案設計的流程圖如圖1所示：

Fig. 1 The flow diagram of system solution圖1 系統(tǒng)方案流程圖

本系統(tǒng)受啟發(fā)于傳感網(wǎng)絡時鐘同步協(xié)議(time synchronization protocol for sensor networks, TPSN)[20]，采用一種基于聲技術的交互式測距方法(TPSN測距模型)，該方法得到1個距離量測需要2次聲信號廣播，可規(guī)避測距過程的時鐘同步問題(第2節(jié)詳述).系統(tǒng)中錨節(jié)點的自標定方案與目標用戶的定位方案均是以此為基礎的應用和擴展.為避免傳統(tǒng)的迭代算法(如梯度下降、牛頓法等)對初始值的依賴而收斂到局部最優(yōu)解的問題[21]，本文采用基于網(wǎng)格劃分的最大似然估計算法來定位用戶智能手機.

1.2 錨節(jié)點自標定方案

現(xiàn)有的基于聲技術的室內定位系統(tǒng)，如Guoguo，ASSIT，Swadloon系統(tǒng)等，均需預先布設錨節(jié)點網(wǎng)絡，并采用人工量測的方法對錨節(jié)點進行精確地標定.然而在實際的應用中，隨著錨節(jié)點網(wǎng)絡規(guī)模的擴大，需要量測的錨節(jié)點數(shù)量也隨之增多，此時人工量測的工作量和維護的成本也將隨之劇增.針對上述問題，本文提出一種自標定方案應用于LinLoc系統(tǒng).

LinLoc系統(tǒng)錨節(jié)點由微處理器、麥克風、揚聲器、WiFi模塊及支撐電路組成.各個錨節(jié)點通過WiFi模塊連入同一個局域網(wǎng)，由服務器統(tǒng)一控制數(shù)據(jù)和指令的傳輸.在不增加任何硬件設備的情況下，通過每2個錨節(jié)點之間進行TPSN測距獲得每2個錨節(jié)點之間的距離量測值.對于有N個錨節(jié)點的系統(tǒng)，所有錨節(jié)點完成兩兩交互共需要N(N-1)次發(fā)聲，耗時巨大.針對上述問題，LinLoc系統(tǒng)僅通過1次遍歷共N次發(fā)聲便可以得到錨節(jié)點兩兩之間的距離量測.具體地，服務器控制錨節(jié)點信號采集模塊打開，各錨節(jié)點按照節(jié)點編號以固定時間間隔依次發(fā)聲，在最后一個錨節(jié)點發(fā)聲完畢之后關閉信號采集模塊，完成網(wǎng)絡聲信號的采集.在獲得距離量測值并已知少量錨節(jié)點絕對位置的前提下，本文提出了一種基于TPSN測距的SDP自標定模型一次性估計出所有未知錨節(jié)點的絕對位置坐標(第3節(jié)詳述).LinLoc系統(tǒng)自標定方案流程圖如圖2所示：

Fig. 2 The flow diagram of self-calibration solution圖2 自標定方案流程圖

1.3 用戶智能手機定位方案

LinLoc系統(tǒng)采用的是基于TOA的3邊定位來標定用戶位置，即需要獲得用戶智能手機到至少3個錨節(jié)點的距離量測.設錨節(jié)點的個數(shù)為N，一次定位過程便需要2N次聲信號廣播，十分耗時.為了提高實時性需要改進方案，若將自標定方案應用到用戶定位中來，一次定位過程只需要N+1次聲信號廣播.然而隨著N的增長，更新速率將會下降，所以需要進一步改進.為了提高定位更新速率、縮短信號交互時間，本文提出一種高實時性的目標定位方案，其一次定位的耗時不隨錨節(jié)點的規(guī)模變化，僅需要用戶智能手機與錨節(jié)點網(wǎng)絡中的某一個節(jié)點進行1次交互(共2次聲信號的廣播)便可以獲得所有距離量測值.其原理圖如圖3所示：

Fig. 3 The principle of localization for user’s smartphone圖3 用戶智能手機定位方案原理圖

圖3中A，B分別是網(wǎng)絡中2個錨節(jié)點，其中A是與用戶智能手機U交互的節(jié)點，A，B，U的時鐘均未同步，ΔtAB，ΔtAU，ΔtUB分別表示A與B,A與U,U與B之間的時鐘偏差，三者滿足：

ΔtAB=ΔtAU+ΔtUB.

用戶手機U與錨節(jié)點A的一次交互過程如圖3所示：用戶手機U先廣播聲信號請求定位，U，A，B各自記錄信號在本地時鐘的到達時刻tU1，tA1，tB1，然后錨節(jié)點A廣播一個聲信號作為反饋，U，A，B各自記錄信號在本地時鐘的到達時刻為tU2，tA2，tB2.其中為了表示方便，假設用戶智能手機U到錨節(jié)點B的距離大于到錨節(jié)點A的距離，錨節(jié)點A到錨設節(jié)點B的距離大于到智能手機U的距離.即tB1>tA1，tB2>tU2.由錨節(jié)點B分別接收到用戶手機U與錨節(jié)點A廣播的信號可得：

(1)

其中，DAB為錨節(jié)點A，B之間的距離，由于錨節(jié)點A，B的絕對坐標已知，所以DAB已知；Dx為用戶手機U與錨節(jié)點B的距離，是需要估計的值.由用戶手機U與錨節(jié)點A的交互過程可以得到：

(2)

其中，DAU為錨節(jié)點A與用戶手機U之間的距離，v是聲速.由式(2)可得：

(3)

將式(1)及式(3)帶入ΔtAB=ΔtAU+ΔtUB，化簡后可以得到：

(4)

可以看到，DAU由TPSN測距得到，DAB已知，將tA1，tA2，tB1，tB2帶入式(4)便可以得到Dx，即在用戶智能手機U與錨節(jié)點A交互的同時，可以通過式(4)得到用戶智能手機U與錨節(jié)點B的距離.由此推廣到錨節(jié)點網(wǎng)絡中的所有錨節(jié)點，便可以僅通過一次交互計算出用戶手機U到所有錨節(jié)點的距離，并同時規(guī)避掉同步問題.

由此方案獲得距離量測值之后，下一步對用戶智能手機位置進行求解.設場景中共有n個錨節(jié)點，(xi,yi)表示第i個錨節(jié)點的絕對位置坐標，其中i=1,2,…,n，用戶智能手機的位置坐標記為(x,y)，di為用戶智能手機到錨節(jié)點i的距離.考慮距離量測值中的誤差因素，可以得到:

(5)

其中，εi為用戶智能手機到錨節(jié)點i的距離量測誤差，假設εi服從均值為0、方差為σ2的高斯分布，即εi～N(0,σ2)，由最大似然估計方法可以得到代價函數(shù)J(x,y)為

對式(6)中的無約束優(yōu)化問題，LinLoc系統(tǒng)采用基于網(wǎng)格劃分的最大似然估計搜索求解未知目標的坐標(x,y)的估計值：

(7)

Y={ystart:β:yend},

其中，X和Y分別表示橫軸及縱軸的搜索范圍[xstart,xend]，[ystart,yend]；搜索步長分別為α和β.

2 TPSN測距

2.1 TPSN測距模型

圖4為以2部通用智能手機為例的TPSN測距模型的原理圖.A，B這2臺智能手機各自的時鐘為ClockA與ClockB，手機A在自己時鐘的時刻tA0發(fā)送1個聲信號，手機B在自己時鐘的時刻tB1接收到該信號，延遲一定時間之后，手機B在自己時鐘的時刻tB0反饋1個聲信號，手機A在自己時鐘的時刻tA2接收到該信號.

Fig. 4 The principle of TPSN ranging model圖4 TPSN測距模型原理

LinLoc系統(tǒng)采用的是基于樣本計數(shù)的時延估計方法，即tdelay=n/fs，其中n為樣本點數(shù)，fs為采樣頻率.值得注意的是：考慮到手機自身尺寸的影響，估計得到的發(fā)送信號的時間往往是tA1與tB2，與真實發(fā)送時間tA0與tB0存在一定的誤差，其原因是通用智能手機自身麥克風和揚聲器之間存在7～10 cm的間隔，產(chǎn)生的誤差在0.2～0.3 ms之間，該誤差相比于距離量測D可以忽略不計.因此，在實際使用中，可以將tA1與tB2近似為真實的發(fā)送時刻.在手機A，B時鐘預先同步的情況下，距離可以表示為

(8)

將式(8)中2個等式相加整理后得到：

(9)

其中,v是聲速.從式(9)中可以看出，此方法可以成功規(guī)避掉測距過程中的時鐘同步問題.

2.2 聲信號的選取

通用智能手機所支持的聲音信號的頻段為200 Hz～20 kHz[22]，為了選取合適頻率范圍的聲信號，本文對智能手機Google Nexus4的揚聲器及麥克風頻率響應進行測試.2部手機在辦公室環(huán)境下間距1 m放置，其中1部手機連續(xù)播放200 Hz～20 kHz的聲信號；另一部手機通過麥克風以44.1 kHz的頻率進行采集，得到的信號強度隨頻率變化的結果如圖5所示，其中為了使圖像更直觀便于分析，縱坐標是根據(jù)幅頻響應中幅度最大值進行歸一化之后的結果.

Fig. 5 Signal strength change with singnal frequency圖5 信號強度隨信號頻率變化圖

從圖5中可以看到，10 kHz以下具有較好的頻率響應，采用此頻段的信號可以獲得更大的測距范圍以及更高的測距精度.但是從人體工程學的角度出發(fā)，應選用人耳不敏感的15 kHz以上的高頻段信號.綜合考慮，LinLoc系統(tǒng)使用3～8 kHz頻段用于錨節(jié)點的自標定以保證較高的精度，選取16～20 kHz頻段用于用戶智能手機定位，以提升用戶體驗.

在信號的調制形式上選擇線性調頻信號(linear frequency modulated, LFM)來有效抑制背景噪聲[23]，有限長度的LFM信號的表達式為

(10)

其中,t∈[0,T]，A(t)為信號幅度，T為信號時間長度，f0為載頻，μ0為調頻率，φ0為初始相位.

2.3 聲信號的檢測

(11)

且x1(t)與x2(t)的互相關函數(shù)為

(12)

(13)

由傅里葉變換及卷積定理得到頻域表達式：

(14)

基于互相關技術的LFM信號檢測如圖6所示，可以明顯看到經(jīng)過互相關處理之后，在信號到達時刻有明顯尖峰，能夠得到較為精確的估計時延.

Fig. 6 Using cross correlation to detect the LFM signal圖6 互相關檢測LFM信號示意圖

3 錨節(jié)點自標定

3.1 錨節(jié)點網(wǎng)絡設計

Guoguo系統(tǒng)、ASSIT系統(tǒng)以及文獻[25]等對于錨節(jié)點的布設均根據(jù)房屋的結構采用環(huán)繞式布局，如圖7(a)(b)所示.對于一般的矩形房頂結構，在房頂墻面的4個角分別布設1個錨節(jié)點，并結合系統(tǒng)實際精度情況增加錨節(jié)點個數(shù).考慮到LinLoc系統(tǒng)無需同步僅需要1次交互的特點，并結合TPSN測距的高精度高穩(wěn)定特性，本文僅需在中間區(qū)域多增加1個錨節(jié)點來作為與用戶交互的錨節(jié)點，如圖7(c)結構所示.圖7中圓點表示錨節(jié)點，其中方點表示系統(tǒng)中與用戶智能手機交互的錨節(jié)點.交互節(jié)點無需完全在中央位置，可以結合房屋實際情況而定.

Fig. 7 Anchor network design圖7 錨節(jié)點網(wǎng)絡設計

3.2 基于TPSN測距的SDP自標定模型

(15)

其中,Nα表示已知節(jié)點和未知節(jié)點間(k,j)的連通集合，Nx表示未知節(jié)點之間(i,j)的連通集合.

在不考慮誤差的情況下，用X=(x1,x2,…,xn)來表示待求的未知節(jié)點坐標，則X是一個2×n的矩陣.設ei表示長度為n的單位向量，即第i位為1，其他均為0.那么問題可以進一步描述為

findX∈2×n,Y∈n×n,
s.t. (ei-ej)TY(ei-ej)=,?(j,i)∈Nx,
?(j,k)∈Na,
Y=XTX,

(16)

其中，二次約束Y=XTX并非是一個凸集，可以通過松弛技術，將Y=XTX松弛為Y?=XTX，從而將其轉化為一個SDP問題[26]：

findZ∈(n+2)×(n+2),
s.t. (0;ei-ej)TZ(0;ei-ej)=,?(j,i)∈Nx,
(ak;-ej)TZ(ak;-ej)=,?(j,k)∈Na,
?=0,

(17)

在真實的TPSN測距場景中，由于多徑效應、噪聲干擾、采樣率波動、響應延遲等相關因素的影響，量測誤差是一個不容忽視的問題.假設已知節(jié)點αk與未知節(jié)點xj之間的量測誤差為ej k，未知節(jié)點xi和未知節(jié)點xj之間的量測誤差為ei j.那么可以將引入誤差之后的距離量測描述為

(18)

同時假設誤差ej k，ei j均服從均值為0、方差為σ2的正態(tài)分布，即ej k～N(0,σ2)，ei j～N(0,σ2)，且相互獨立.則在已知距離量測信息的情況下，待估量X=(x1,x2,…,xn)的最大似然估計

(19)

將這個問題描述成優(yōu)化問題并結合之前的松弛技術，將其松弛的SDP問題表達為

(20)

4 仿真及實驗

4.1 錨節(jié)點自標定仿真分析

為了驗證基于TPSN測距的SDP節(jié)點自標定模型的精度，本文首先通過仿真來分析自標定算法的效果.仿真場景設置為：在2×2的區(qū)域內，隨機散布20個未知節(jié)點，即N=20，且所有噪聲服從均值為0、方差為σ2的獨立高斯分布.在仿真中使用控制變量法，首先保持σ不變(σ=0.2)，研究已知節(jié)點的個數(shù)M對定位性能的影響，M分別取5，10，20.為了消除節(jié)點分布對定位結果的影響，仿真實驗中的已知節(jié)點都按照M的個數(shù)隨機分布在實驗場景內.進一步，保持已知節(jié)點個數(shù)不變(M=5)，分別將噪聲方差設為σ=0.1，0.2，0.4來研究噪聲對自標定性能的影響.上述仿真結果都是基于1 000次蒙托卡洛方法.

仿真中使用2個自標定性能衡量標準：

2) 平均誤差(mean error,me).定義n個未知節(jié)點的平均誤差為

(22)

如圖8(a)所示結果，在保證噪聲σ=0.2不變的情況下，隨著已知節(jié)點M個數(shù)的增加，均跡avg_trace和平均誤差mean_er的值逐漸減小.從直觀的定位圖上來看，也可以明顯地看出，隨著已知節(jié)點M個數(shù)的增加，定位性能也越來越好，當M增加到一定程度時，定位性能的提升變得平緩.因此在實際的應用過程中，可根據(jù)實際的精度要求來調整已知節(jié)點的個數(shù)M.如圖8(b)所示結果，在保證已知節(jié)點個數(shù)M=5不變情況下，隨著噪聲σ值的增加，均跡avg_trace和平均誤差mean_er的值逐漸增大，從直觀的定位圖上也可以明顯看出，隨著噪聲σ值的增加，定位性能逐漸變差.綜合來說，在真實的應用場景中，需要根據(jù)實際的噪聲強度以及分布，綜合考慮布設已知節(jié)點的個數(shù)M來保證實際需要的定位性能.

4.2 錨節(jié)點自標定實驗

為使實驗更具一般性，本文采用智能手機Google Nexus4作為實驗的錨節(jié)點，實驗中選取的3～8 kHz頻率范圍的LFM信號對應式(10)中的具體參數(shù)為：T=50 ms，f0=3 kHz，μ0=100 kHz/s，φ0=0.實驗設計如圖9(a)所示：在7 m×7 m的室內環(huán)境中，在屋頂布設9個錨節(jié)點，其中選定4個錨節(jié)點作為已知節(jié)點，其余5個為未知節(jié)點.9個錨節(jié)點通過WiFi連入同一局域網(wǎng)，數(shù)據(jù)通過局域網(wǎng)傳輸至服務器端進行互相關(CC)時延估計、TPSN距離估計以及SDP自標定算法未知節(jié)點坐標估計.每個實驗重復100次，統(tǒng)計測距以及定位結果用于性能分析.實驗場景如圖9(b)所示，其中布設的9個錨節(jié)點用圓圈標出，真實位置使用激光測距儀精確標定，實驗環(huán)境溫度為27.4℃，濕度為62%，噪聲為62.4 dB.

實驗可以獲得100組每2個節(jié)點之間的距離估計結果，隨機選擇4個節(jié)點作為已知坐標的錨節(jié)點，剩下5個節(jié)點為未知坐標的錨節(jié)點，可以得到未知節(jié)點100組SDP模型的自標定結果.用每次實驗的平均誤差作為評價標準，定義TPSN測距平均誤差為

Fig. 8 The simulation result of self-calibration圖8 自標定仿真結果

Fig. 9 Self-calibration experiment design and experiment scene圖9 自標定實驗設計及實驗場景

(23)

(24)

Fig. 10 The result of self-calibration experiments圖10 自標定實驗結果

統(tǒng)計實驗結果的平均誤差如圖10所示.從圖10(a)自標定誤差以及測距誤差的CDF圖可以看到，在進行的這100次實驗中，測距誤差在14 cm以內的置信度為90%，在20 cm以內的置信度為100%，達到了一個較高的測距精度.自標定誤差在17 cm以內的置信度為90%，在21 cm以內的置信度為100%，同樣達到了一個較高的定位精度.這100次實驗的平均測距誤差為13.4 cm，平均自標定誤差為15.49 cm.為了獲得一個更加直觀的定位性能評價，圖10(b)取未知節(jié)點自標定結果的平均坐標繪制出直觀圖.

Fig. 11 Smartphone localization experiment approach and scene圖11 用戶智能手機定位實驗方案和場景

4.3 用戶智能手機定位實驗

如圖11(a)所示，為了驗證LinLoc系統(tǒng)對于用戶智能手機的定位精度，本節(jié)采用1.3節(jié)所述定位方案以及3.1節(jié)錨節(jié)點網(wǎng)絡拓撲結構，設計了實驗方案.為更具一般性，用戶智能手機以及錨節(jié)點均采用Google Nexus4，用戶定位實驗選取16～20 kHz頻率范圍的LFM信號對應式(10)中的具體參數(shù)為：T=50 ms，f0=16 kHz，μ0=80 kHz/s，φ0=0.實驗場景如圖11(b)所示，實驗環(huán)境數(shù)據(jù)：溫度為28.1℃，濕度為63%，噪聲為64.2 dB.

實驗中在運動軌跡上一共有35個測試點，每個測試點進行5次定位，按照人工精確標定和使用自標定方案標定所有錨節(jié)點坐標可以得到2種不同的用戶定位結果，分別稱作直接定位結果和使用自標定的定位結果.通過對比直接定位結果與測試點真實坐標可以評價LinLoc系統(tǒng)定位性能的好壞，通過對比直接定位結果與使用自標定的定位結果可以衡量自標定方案在實際應用中性能的優(yōu)劣.取每一個測試點上5次定位結果的中值中作為最終定位結果，繪制對比圖如圖12(a)所示，計算每一次實驗的定位誤差繪制CDF圖如圖12(b)所示.

Fig. 12 The result of user’s smartphone localization圖12 用戶智能手機定位實驗結果

從圖12(a)直觀分析，LinLoc系統(tǒng)對用戶智能手機的定位精度與激光測距儀標定的測試點的真實位置相差無幾，系統(tǒng)定位性能較好.使用自標定對用戶實際定位精度幾乎沒有影響，說明了自標定在實際應用時的良好性能.定量分析來看，35個測試點的直接定位結果的平均定位誤差為12.39 cm，最大誤差為22.91 cm，最小誤差為1.22 cm.使用自標定方案，35個測試點的平均誤差為16.66 cm，最大誤差為35.78 cm，最小誤差為5.07 cm.對比發(fā)現(xiàn)，錨節(jié)點自標定使LinLoc系統(tǒng)的平均定位精度僅僅下降了4.27 cm，再次證明了其良好性能.

從圖12(b)繪制的定位誤差的CDF圖來看，對于直接定位結果，定位誤差在21 cm以內的置信度為90%，在24 cm以內的置信度為100%，對于使用自標定的情況，定位誤差在22 cm以內的置信度為80%，在26 cm以內的置信度為90%，在36 cm以內的置信度為100%，由此可以看到，LinLoc系統(tǒng)可以保證一個較高的用戶智能手機定位精度，性能良好.

5 結 論

本文研究基于通用智能手機平臺，應用聲技術解決室內環(huán)境下用戶的高精度定位問題.1)本文從保證實用性和定位精度的角度出發(fā)，詳細介紹了系統(tǒng)方案設計以及相關技術機理，包括TPSN測距、互相關檢測技術和定位算法的原理，并通過對智能手機麥克風頻響進行測試討論了信號頻率范圍的和信號調制方式的選取.2)針對于大規(guī)模錨節(jié)點網(wǎng)絡的自標定問題，本文提出一種基于TPSN測距的SDP高精度自標定模型，除錨節(jié)點本身不增加其他任何硬件設備支持，在僅已知少量錨節(jié)點的絕對位置的先驗條件下，實現(xiàn)所有未知錨節(jié)點的高精度一次性自標定.同時，針對用戶智能手機定位問題，提出一種免除時鐘同步的高實時性TOA定位方案，僅需一次聲信號交互便可以精確估計出用戶手機到所有錨節(jié)點的TOA值，實現(xiàn)高精度用戶定位.3)本文基于通用智能手機平臺設計并實現(xiàn)了LinLoc系統(tǒng)，并通過仿真和實驗充分驗證了系統(tǒng)的良好性能.

[1]Kaplan E D. Understanding GPS: Principles and application[J]. Artech House Mobile Communications, 2005, 59(5): 598-599

[2] Liu Hui, Darabi H, Banerjee P, et al. Survey of wireless indoor positioning techniques and systems[J]. IEEE Trans on Systems Man & Cybernetics, 2007, 37(6): 1067-1080

[3] Wu Chenshu, Yang Zheng, Liu Yunhao, et al. WILL: Wireless indoor localization without site survey[J]. IEEE Trans on Parallel & Distributed Systems, 2013, 24(4): 64-72

[4] Pei Ling, Chen Ruizhi, Liu Jingbin, et al. Inquiry-based bluetoothindoor positioning via RSSI probabilitydistributions[C] //Proc of the 2nd Int Conf on Advances in Satellite & Space Communications. Piscataway, NJ: IEEE, 2010: 151-156

[5] Zhang Cemin, Kuhn M, Merkl B, et al. Accurate UWB indoor localization system utilizing time difference of arrival approach[C] //Proc of the 4th Radio and Wireless Symp. Piscataway, NJ: IEEE, 2006: 515-518

[6] Zhang Chi, Subbu K P, Luo Jun, et al. GROPING: Geomagnetism and crowd sensing powered indoor navigation[J]. IEEE Trans on Mobile Computing, 2015, 14(2): 387-400

[7] Saab S S, Nakad Z S. A standalone RFID indoor positioning system using passive tags[J]. IEEE Trans on Industrial Electronics, 2011, 58(5): 1961-1970

[8] Mandal A, Lopes C V, Givargis T, et al. Beep: 3D indoor positioning using audible sound[C] //Proc of the 1st Consumer Communications and Networking Conf. Piscataway, NJ: IEEE, 2005: 348-353

[9] Kaemarungsi K, Krishnamurthy P. Modeling of indoor positioning systems based on location fingerprinting[C] //Proc of the 3rd Int Symp on Optical Science & Technology. Piscataway, NJ: IEEE, 2004: 1012-1022

[10] Wang Rui, Zhao Fang, Peng Jinhua, et al. Combination of WiFi and bluetooth for indoor localization[J].Journal of Computer Research and Development, 2011, 48(2): 28-33 (in Chinese)(王睿, 趙方, 彭金華, 等. 基于WiFi和藍牙融合的室內定位算法[J]. 計算機研究與發(fā)展, 2011, 48(2): 28-33)

[11] Lymberopoulos D, Liu Jie, Yang Xue, et al. A realistic evaluation and comparison of indoor location technologies: Experiences and lessons learned[C] //Proc of the 14th Int Conf on Information Processing in Sensor Networks. New York: ACM, 2015: 178-189

[12] Misra P, Jha S, Ostry D. Improving the coverage range of ultrasound-based localization systems[C] //Proc of the 12th Wireless Communications and Networking Conf. Piscataway, NJ: IEEE, 2011: 605-610

[13] Hoflinger F, Hoppe J, Zhang R, et al. Acoustic indoor-localization system for smart phones[C] //Proc of the 11th Int Multi-Conf on Systems,Signals & Devices. Piscataway, NJ: IEEE, 2014: 1-4

[14] Liu Kaikai, Liu Xinxin, Li Xiaolin. Guoguo: Enabling fine-grained indoor localization via smartphone[C] //Proc of the 11th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 235-248

[15] Oberholzer G, Sommer P, Wattenhofer R. SpiderBat: Augmenting wireless sensor networks with distance and angle information[C] //Proc of the 10th Int Conf on Information Processing in Sensor Networks. Piscataway, NJ: IEEE, 2011: 211-222

[16] Yu Kai, Yin Ming, Zong Xiaojie, et al. Compressive sensing based wireless array and collaborative signal processing method[J].Journal of Computer Research and Development, 2014, 51(1): 180-188 (in Chinese)(余愷, 印明, 宗曉杰, 等. 基于壓縮感知的無線陣列及協(xié)同信號處理[J]. 計算機研究與發(fā)展, 2014, 51(1): 180-188)

[17] Girod L, Lukac M, Trifa V, et al. The design and implementation of a self-calibrating distributed acoustic sensing platform[C] //Proc of the 4th Int Conf on Embedded Networked Sensor Systems. New York: ACM, 2006: 71-85

[18] Huang Wenchao, Xiong Yan, Li Xiangyang, et al. Swadloon: Direction finding and indoor localization using acoustic signal by shaking smartphones[J]. IEEE Trans on Mobile Computing, 2015, 14(10): 2145-2157

[19] Shao Huajie, Zhang Xiaoping, Wang Zhi. Efficient closed-form algorithms for AOA based self-localization of sensor nodes using auxiliary variables[J]. IEEE Trans on Signal Processing, 2014, 62(10): 2580-2594

[20] Ganeriwal S, Kumar R, Srivastava M B. Timing-sync protocol for sensor networks[C] //Proc of the 2nd Int Conf on Embedded Networked Sensor Systems. New York: ACM, 2004: 138-149

[21] Ye Shiwei, Zheng Hongwei, Wang Wenjie, et al. Nonlinear gradient descent algorithm theories and its analysis for the stability of Hopfield network[J].Journal of Computer Research and Development, 2004, 41(2): 317-324 (in Chinese)(葉世偉, 鄭宏偉, 王文杰, 等. 非線性梯度下降算法理論及其對Hopfield網(wǎng)絡穩(wěn)定性的分析[J]. 計算機研究與發(fā)展, 2004, 41(2): 317-324)

[22] Peng Chunyi, Shen Guobin, Zhang Yongguang, et al. BeepBeep: A high accuracy acoustic ranging system using COTS mobile devices[C] //Proc of the 5th Int Conf on Embedded Networked Sensor Systems. New York: ACM, 2007: 1-14

[23] Barbarossa S. Analysis of multicomponent LFM signals by a combined Wigner-Hough transform[J]. IEEE Trans on Signal Processing, 1995, 43(6): 1511-1515

[24] Sarwate D V, Pursley M B. Crosscorrelation properties of pseudorandom and related sequences[J]. Proceedings of the IEEE, 1980, 68(5): 593-619

[25] Canclini A, Antonacci F, Sarti A, et al. Acoustic source localization with distributed asynchronous microphone networks[J]. IEEE Trans on Audio Speech & Language Processing, 2013, 21(2): 439-443

[26] Biswas P, Liang T C, Toh K C, et al. Semide finite programming approaches for sensor network localization with noisy distance measurements[J]. IEEE Trans on Automation Science & Engineering, 2010, 3(4): 360-371

AcousticSelf-CalibratingIndoorLocalizationSystemviaSmartphones

Lin Feng1, Zhang Lei1, Li Guinan1, and Wang Zhi1,2

1(CollegeofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027)2(StateKeyLaboratoryofIndustrialControlTechnology(ZhejiangUniversity),Hangzhou310027)

Growing needs for the indoor location based service (ILBS) bring newer and higher requirements for indoor localization systems, such as high accuracy, hardware compatibility, low cost for commercial application, instantaneity and fast data update rate etc. In order to meet those requirements with commercial smartphone platform, we design an indoor localization system named LinLoc, which includes a new self-calibrating approach and a new localization method. Based on TPSN ranging, LinLoc applies time-of-arrival (TOA) method with acoustic signals to achieve real-time users’ localization on normal commercial smartphone platform. With no extra time synchronization need, it can achieve centimeter-level accuracy. Furthermore, we propose a new self-calibrating approach based on acoustic TPSN ranging and semidefinite programming (SDP) algorithm. Through the interaction of every anchor nodes in the network, the new approach helps to solve the problem of self-calibrating in large-scale anchor network, and also helps to remove the heavy maintenance requirements afterwards. Then, LinLoc system which consists of a special-designed anchor network, smartphones installed with real-time app inside, and a backend server for processing is implemented. Simulations and experiments have been performed. The results show that LinLoc has nice indoor localization performance and its accuracy can be 0.05～0.3 m, which provides accurate ILBS for users.

acoustic signal; indoor localization; self-calibration; smartphones; time-of-arrival (TOA); time synchronization

2016-09-28；

2017-04-27

國家自然科學基金項目(61273079,61611130127)；工業(yè)控制技術國家重點實驗室開放課題(ICT1600199,ICT1600213)

This work was supported by the National Natural Science Foundation of China (61273079, 61611130127) and the Open Project of State Key Laboratory of Industrial Control Technology (ICT1600199, ICT1600213).

王智(wangzhizju@gmail.com)

TP311

LinFeng, born in 1992. Master. His main research interests include indoor localiza-tion technology, signal processing and wireless sensor network.

ZhangLei, born in 1985. PhD.His main research interests include acoustic signal processing, time-frequency analysis, indoor localization and tracking of mobile target.

LiGuinan, born in 1992. Master. His main research interests include array signal processing, sensor network.

WangZhi, born in 1969. PhD, associate professor, PhD supervisor. Committee member for CCF Internet of Thing and China National Technical Committee of Internet of Thing. His main research interests include localization and tracking of mobile target, compressive sensing and statistical information processing.