趙圣健，朱 翠，王雅妮

(北京信息科技大學(xué) 信息與通信工程學(xué)院，北京100101)

0 引言

隨著基于位置服務(wù)(location-based services,LBS)業(yè)務(wù)的不斷發(fā)展，全球定位系統(tǒng)(global positioning system,GPS)和蜂窩移動通信系統(tǒng)可以在室外環(huán)境中提供較為準(zhǔn)確的定位服務(wù)，但其傳輸信號無法穿透墻體進(jìn)入室內(nèi)，無法提供準(zhǔn)確的室內(nèi)定位服務(wù)。與此同時，大型醫(yī)院、大型圖書館、地下停車場、大型商場等場所，都需要較為精確的位置服務(wù)，人們對室內(nèi)位置服務(wù)的需求變得日益迫切[1]。

典型的室內(nèi)定位技術(shù)包括：無線局域網(wǎng)定位、藍(lán)牙定位、紅外定位、超聲波定位、超寬帶定位和射頻識別(radio frequency identification,RFID)定位[2]。與其他定位技術(shù)相比，RFID具有抗干擾及穿透能力強(qiáng)、定位范圍廣等優(yōu)勢具有良好的適應(yīng)性[3]，且因定位速度快、成本低、非視距(non-line-of-sight,NLOS)等特點被廣泛應(yīng)用于應(yīng)急救援、資產(chǎn)管理、人員跟蹤等領(lǐng)域[4-6]。

近年來，隨著人工智能的快速發(fā)展，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等算法被廣泛應(yīng)用于各個領(lǐng)域。合適的機(jī)器學(xué)習(xí)算法應(yīng)用于室內(nèi)定位系統(tǒng)，能夠有效地提高定位精度、增強(qiáng)系統(tǒng)魯棒性和降低成本[7]。常見的機(jī)器學(xué)習(xí)算法有支持向量機(jī)(support vector machines,SVM)、K-近鄰、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、樸素貝葉斯、決策樹以及隨機(jī)森林等[8-9]。其中SVM處理小樣本、非線性問題時具有較好的性能，但高維空間的復(fù)雜性則會帶來較大的計算量和存儲空間等問題[10]。K-近鄰算法在定位過程中要對數(shù)據(jù)庫中所有的樣本數(shù)據(jù)進(jìn)行計算，當(dāng)數(shù)據(jù)量過大時會造成計算量過大的問題，無法實現(xiàn)實時定位[11]。ANN模型能適應(yīng)噪聲數(shù)據(jù)進(jìn)行訓(xùn)練，具有良好的數(shù)據(jù)擬合能力，但前期需要大量數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型來調(diào)整其權(quán)值、閾值等參數(shù)，訓(xùn)練成本非常高[12]?；谪惾~斯分類算法定位具有計算量小、可處理多分類問題等優(yōu)勢，但它是建立在條件相互獨立假設(shè)基礎(chǔ)上的，實際應(yīng)用中目標(biāo)特征之間不可能絕對地獨立，會影響實際定位效果[13]。通過決策樹算法進(jìn)行定位分類準(zhǔn)確率較高，建樹分類過程具有較好的可視化效果，但建樹過深、分支過多容易造成過擬合。而隨機(jī)森林作為一系列決策樹的集成學(xué)習(xí)算法，繼承了決策樹的多種優(yōu)勢，且其隨機(jī)性也提高了模型的泛化能力，降低了過擬合[14-16]風(fēng)險。在多領(lǐng)域研究中發(fā)現(xiàn)，隨機(jī)森林分類模型通常優(yōu)于回歸模型，尤其在解決大量樣本、具有高維度特征或多分類問題時被研究者們廣泛應(yīng)用[17]。

基于以上分析，本文針對基于RFID的收發(fā)分離室內(nèi)定位系統(tǒng)，設(shè)計了隨機(jī)森林分類算法，該方法適用于較大空間內(nèi)二維放置的、具有多維度特征的貨物放置區(qū)域定位。仿真結(jié)果表明，在20 m×20 m的空間內(nèi)，均分為16個5 m×5 m的區(qū)域，每隔0.1 m一個采樣點，40 000個采樣點的區(qū)域預(yù)測準(zhǔn)確率可達(dá)93%，可以滿足實際應(yīng)用中針對區(qū)域定位的需求。

1 基于RFID的收發(fā)分離定位系統(tǒng)

RFID是一種非接觸式自動識別技術(shù)，可以快速讀寫、長期跟蹤管理，因而在智能識別領(lǐng)域受到廣泛關(guān)注。傳統(tǒng)的RFID定位系統(tǒng)由閱讀器和RFID標(biāo)簽組成。RFID標(biāo)簽具有唯一的標(biāo)識符(ID)，附著在定位目標(biāo)上。當(dāng)目標(biāo)進(jìn)入閱讀器天線工作范圍內(nèi)，閱讀器和標(biāo)簽通過電磁場耦合的方式實現(xiàn)數(shù)據(jù)通信。

RFID系統(tǒng)依據(jù)其工作頻率可分為低頻、高頻、超高頻和微波4個頻段。低頻和高頻系統(tǒng)基于電感耦合的基本原理，通信距離較短；超高頻和微波系統(tǒng)基于電磁耦合反向散射原理，通信距離較長。其中超高頻RFID系統(tǒng)憑借通信距離遠(yuǎn)、通信速率快及天線尺寸小等優(yōu)勢被廣泛應(yīng)用。

RFID標(biāo)簽可分為無源、有源和半有源3種。無源RFID標(biāo)簽通過閱讀器發(fā)射的信號為內(nèi)部芯片的工作提供能量，信號能量達(dá)到其工作的激勵門限，芯片即可發(fā)射帶有ID和位置信息的信號；有源RFID標(biāo)簽依靠本身電池主動發(fā)射射頻信號，其通信距離遠(yuǎn)，但壽命短且成本較高；半有源RFID標(biāo)簽本身也有電池提供芯片的工作能量，但須閱讀器信號來激活其發(fā)射信號。其中有源和半有源RFID標(biāo)簽僅用于少數(shù)貴重物品的管理，無源RFID標(biāo)簽憑借成本低、壽命長等優(yōu)勢被廣泛使用。

傳統(tǒng)的RFID室內(nèi)定位系統(tǒng)中，閱讀器天線發(fā)射無線信號激勵無源RFID標(biāo)簽并接收標(biāo)簽反射的信號，對天線頻率帶寬有較高的要求。閱讀器天線收發(fā)分離的應(yīng)用使RFID室內(nèi)定位系統(tǒng)可實現(xiàn)收發(fā)信號解耦，抑制了收發(fā)信號之間的干擾，同時大大降低了系統(tǒng)的成本。

本文采用的RFID收發(fā)分離定位系統(tǒng)包括多個信號發(fā)射器、超高頻無源RFID標(biāo)簽和信號接收器。信號發(fā)射器負(fù)責(zé)發(fā)射無線信號，RFID標(biāo)簽在信號覆蓋范圍內(nèi)被激活后發(fā)送帶有信息的無線射頻信號，信號接收器接收并處理被激活標(biāo)簽的反射信號進(jìn)行定位。一個典型的RFID收發(fā)分離定位系統(tǒng)如圖1所示，3個發(fā)射器依次激勵目標(biāo)標(biāo)簽，接收端接收到被激活標(biāo)簽的反射信號。下行鏈路(信號從發(fā)射器到標(biāo)簽)和上行鏈路(信號從標(biāo)簽到接收器)分別用虛線和實線表示。

圖1 基于RFID的收發(fā)分離室內(nèi)定位系統(tǒng)

2 兩層隨機(jī)森林區(qū)域定位算法

本文針對較大空間中多個區(qū)域內(nèi)的所有目標(biāo)進(jìn)行區(qū)域定位。為了覆蓋定位空間中所有位置，須部署多個信號發(fā)射器，因此每個目標(biāo)將有一個多維的信號強(qiáng)度特征。基于以上分析，針對較大空間、大量樣本、高維度特征且多分類的情況，本文選擇隨機(jī)森林分類算法進(jìn)行目標(biāo)的區(qū)域定位。

2.1 隨機(jī)森林

隨機(jī)森林是基于集成學(xué)習(xí)的思想對多棵決策樹投票決定分類結(jié)果的一種算法，它的基本單元是決策樹。假設(shè)現(xiàn)有數(shù)據(jù)集擁有N個樣本，M個特征。每棵樹建立時，從N個訓(xùn)練樣本中以有放回抽樣的方式隨機(jī)取樣形成訓(xùn)練集(即bagging取樣)，再從訓(xùn)練集數(shù)據(jù)的M個特征中隨機(jī)選擇m個特征作為樹的分類節(jié)點，其中m

圖2 隨機(jī)森林算法

2.2 基于兩層隨機(jī)森林的分類模型

當(dāng)空間中包含區(qū)域較多，即數(shù)據(jù)集有較多分類時，由于室內(nèi)多徑及噪聲的影響，隨機(jī)森林預(yù)測結(jié)果易出現(xiàn)分類差別較大的情況。通過仿真發(fā)現(xiàn)，一層隨機(jī)森林錯誤分類中，有些目標(biāo)預(yù)測結(jié)果與實際放置區(qū)域相差較遠(yuǎn)，區(qū)域定位準(zhǔn)確率并不能滿足實際需要。因此，本文提出了一種兩層隨機(jī)森林分類模型，有效地消除了定位區(qū)域差別較大的情況，并提高了空間內(nèi)的總體區(qū)域定位準(zhǔn)確率。

算法流程如圖3所示：

圖3 兩層隨機(jī)森林分類模型預(yù)測流程

對比一層的隨機(jī)森林分類模型，兩層隨機(jī)森林模型的優(yōu)勢在于當(dāng)定位空間較大、分類區(qū)域較多時，通過使用第一層分類模型，得到準(zhǔn)確的區(qū)域粗定位之后，再使用該區(qū)域的第二層分類模型定位目標(biāo)的實際放置區(qū)域，可以大幅提高分類準(zhǔn)確率；缺點是增加了模型數(shù)量，提高了訓(xùn)練成本。因此本文所提出的基于兩層隨機(jī)森林模型的分類方法適合用于定位空間較大、分類區(qū)域較多情況下的區(qū)域定位。

3 仿真結(jié)果與分析

為了驗證RFID收發(fā)分離系統(tǒng)及兩層隨機(jī)森林模型分類方法的有效性，搭建了仿真環(huán)境，通過與傳統(tǒng)三點定位方法及一層隨機(jī)森林分類模型的對比，驗證方法的準(zhǔn)確性和有效性。

仿真環(huán)境設(shè)置如下:定位空間大小為20 m×20 m×5 m(長×寬×高)，空間包含16個5 m×5 m的放置區(qū)域，空間內(nèi)每隔0.1 m布置一個采樣點(標(biāo)簽)，總共40 000個采樣點均勻分布。區(qū)域分布如圖4所示，16種顏色表示16個區(qū)域內(nèi)的標(biāo)簽；空間均勻部署9個信號發(fā)射器，相鄰間隔為10 m，空間正中央部署信號接收器，高度均為5 m；無源RFID標(biāo)簽高度為1 m，定位場景如圖5所示。傳輸信號的頻率為920 MHz；信號發(fā)射器的信號強(qiáng)度為33 dB；信號發(fā)射器、RFID標(biāo)簽及信號接收器的增益分別設(shè)置為6 dB、2 dB、6 dB。標(biāo)簽和接收器的靈敏度分別為-15 dB和-101 dB；調(diào)制損耗為-20 dB；地板反射系數(shù)為-0.8；當(dāng)標(biāo)簽不在可讀區(qū)域時，接收器的接收信號強(qiáng)度(received signal strength,RSS)設(shè)置為-100 dB。

圖4 空間區(qū)域分布

圖5 收發(fā)器位置部署

在兩層分類模型定位過程中，第一層模型將目標(biāo)粗定位于4個大區(qū)域A、B、C、D中，再通過第二層分類模型，將目標(biāo)定位于大區(qū)域中的4個子區(qū)域1、2、3、4中，從而實現(xiàn)整個空間內(nèi)的區(qū)域定位，兩層區(qū)域劃分如圖6所示。

圖6 區(qū)域劃分

對空間內(nèi)40 000個采樣點分別使用三點定位方法、一層隨機(jī)森林分類模型和兩層隨機(jī)森林分類模型進(jìn)行區(qū)域定位，區(qū)域分類準(zhǔn)確率分別為66.06%、86.93%和92.82%，定位效果分別如圖7～9所示。

由圖可知，隨機(jī)森林分類效果明顯優(yōu)于傳統(tǒng)基于信號強(qiáng)度的三點定位方法。圖8和圖9相比可以發(fā)現(xiàn)，一層隨機(jī)森林分類模型的預(yù)測結(jié)果中，出現(xiàn)定位區(qū)域偏差較大的情況，如有些實際放置于A1區(qū)域中的目標(biāo)，定位區(qū)域是D4。而圖9中這種情況出現(xiàn)次數(shù)顯著減少，且放置區(qū)域預(yù)測的錯誤結(jié)果大多為其原本放置區(qū)域周圍較近的區(qū)域，由此降低了獲取目標(biāo)的難度，這種誤差在大多數(shù)實際應(yīng)用中是可以接受的。因此基于兩層隨機(jī)森林模型的分類方法提高了目標(biāo)區(qū)域定位的準(zhǔn)確率，可以滿足實際應(yīng)用的需求。

圖8 一層隨機(jī)森林模型

圖9 兩層隨機(jī)森林模型

4 結(jié)束語

針對大型室內(nèi)環(huán)境中的多分類區(qū)域定位的問題，本文提出了一種基于兩層隨機(jī)森林的RFID收發(fā)分離室內(nèi)定位方法。利用第一層隨機(jī)森林對目標(biāo)標(biāo)簽進(jìn)行較為準(zhǔn)確的粗定位，再根據(jù)粗定位的結(jié)果選擇對應(yīng)的第二層隨機(jī)森林模型進(jìn)行最終的區(qū)域定位。較一層隨機(jī)森林分類模型，雖增加了模型數(shù)量，一定程度增加了訓(xùn)練成本，但以較小的訓(xùn)練成本為代價獲得了更為準(zhǔn)確的區(qū)域定位性能，解決了部分采樣點預(yù)測區(qū)域與真實區(qū)域差別較大的問題，滿足實際應(yīng)用的需求。由于真實室內(nèi)環(huán)境中存在的噪聲和多徑干擾會影響接收信號強(qiáng)度，未來將在實際倉儲空間內(nèi)部署設(shè)備進(jìn)行實際測量并試驗該方法的定位性能，以實現(xiàn)大型制造業(yè)、大型商場等行業(yè)對貨物的位置監(jiān)管和存取。