許建國(guó)，盧東方

(長(zhǎng)江大學(xué)工程技術(shù)學(xué)院，湖北荊州 434020)

1 引言

隨著科技與社會(huì)的發(fā)展獲取環(huán)境中物體信息的需求與日俱增，能夠?yàn)榫旅旱V工人位置探測(cè)、物流運(yùn)營(yíng)管理等社會(huì)活動(dòng)提供精準(zhǔn)的定位服務(wù)，因此社會(huì)定位服務(wù)的重要性日益凸顯[1]，這極大地刺激了人們對(duì)于通信領(lǐng)域無線定位技術(shù)的關(guān)注度，并逐漸演變成了人們關(guān)注的熱門話題[2]。近年來，在定位方法中引入無線傳感器網(wǎng)絡(luò)、紅外線以及射頻識(shí)別(Radio Frequency Identification，RFID)等技術(shù)的研究如火如荼[3]。其中，射頻識(shí)別技術(shù)的應(yīng)用范圍最為廣泛，究其原因是該技術(shù)對(duì)目標(biāo)物體的識(shí)別是通過無線電波完成，而且與其它技術(shù)相比具有多種顯著優(yōu)勢(shì)，比如高精度、大范圍以及低成本等。隨著社會(huì)多個(gè)領(lǐng)域?qū)τ谌S空間定位需求越來越大，多個(gè)領(lǐng)域都需要獲取室內(nèi)環(huán)境中的目標(biāo)物體參數(shù)，因此定位技術(shù)的研究方向逐漸向室內(nèi)環(huán)境轉(zhuǎn)移。

文獻(xiàn)[4]根據(jù)環(huán)境因素對(duì)當(dāng)前定位算法精度的影響，構(gòu)建出一種異步優(yōu)勢(shì)動(dòng)作評(píng)價(jià)(Asynchronous Advantage Actor Critic，A3C)結(jié)合射頻識(shí)別的室內(nèi)定位算法，設(shè)定輸入值為射頻識(shí)別信號(hào)強(qiáng)度RSSI值(Received Signal Strength Indication，接收的信號(hào)強(qiáng)度指示)，令線程子動(dòng)作網(wǎng)絡(luò)執(zhí)行并行交互采樣操作，根據(jù)子評(píng)價(jià)網(wǎng)絡(luò)對(duì)信號(hào)強(qiáng)度的評(píng)估結(jié)果對(duì)定位模進(jìn)行改進(jìn)，獲取信號(hào)強(qiáng)度RSSI值的最優(yōu)解，將最優(yōu)解深入定位模型進(jìn)行訓(xùn)練，當(dāng)全局網(wǎng)絡(luò)接收到子線程網(wǎng)絡(luò)按照固定周期進(jìn)行的網(wǎng)絡(luò)參數(shù)異步更新結(jié)果后，輸出參考標(biāo)簽方位，待定位區(qū)域中出現(xiàn)待定位目標(biāo)后，在定位模型中輸入得到的目標(biāo)RSSI值，利用全局網(wǎng)絡(luò)與子線程網(wǎng)絡(luò)取得更新后的定位信息，達(dá)成目標(biāo)定位的目標(biāo)，輸出定位結(jié)果；文獻(xiàn)[5]為減小測(cè)距模型的測(cè)量誤差設(shè)計(jì)了一種改進(jìn)遺傳算法-廣義回歸神經(jīng)網(wǎng)絡(luò)的定位算法，結(jié)合廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network，GRNN)，構(gòu)建節(jié)點(diǎn)定位模型，利用遺傳算法(Genetic Algorithm，GA)完成最優(yōu)平滑參數(shù)設(shè)置，設(shè)定輸入項(xiàng)為信號(hào)強(qiáng)度值，輸出節(jié)點(diǎn)位置，實(shí)現(xiàn)目標(biāo)定位。

由于上述文獻(xiàn)算法的參考標(biāo)簽布設(shè)密度較低，導(dǎo)致定位精度下降，因此，本文以文獻(xiàn)算法的優(yōu)勢(shì)上，結(jié)合射頻識(shí)別技術(shù)，進(jìn)行室內(nèi)區(qū)域細(xì)化目標(biāo)定位算法優(yōu)化研究。該算法通過縮短較小密度值邊緣區(qū)域與較大密度值區(qū)域之間的距離，獲取更精準(zhǔn)的定位結(jié)果，并通過簡(jiǎn)化讀寫器數(shù)量代數(shù)式，降低運(yùn)算復(fù)雜度，以提升定位算法的綜合性能。

2 基于參考標(biāo)簽的非測(cè)距定位算法

假設(shè)定位區(qū)域中的讀寫器、參考標(biāo)簽以及待定位標(biāo)簽數(shù)量分別是n、u和m，其中，待定位目標(biāo)標(biāo)簽與參考標(biāo)簽的信號(hào)強(qiáng)度矩陣[6]分別用式(1)與式(2)表示

(1)

(2)

由上列各式可以推導(dǎo)出，第i(i≤n)個(gè)讀寫器接收的第j(j≤m)個(gè)待定位標(biāo)簽與第r(r≤u)個(gè)參考標(biāo)簽信號(hào)強(qiáng)度值分別為Sij與θir，采用下列公式界定第j個(gè)待定位目標(biāo)標(biāo)簽與第r個(gè)參考標(biāo)簽之間的鄰近度

(3)

式中，t表示定位時(shí)長(zhǎng)間隔。

將待定位目標(biāo)標(biāo)簽的最近鄰域分解為k個(gè)較小的鄰近度，并以此來界定經(jīng)驗(yàn)權(quán)重，其表達(dá)式如下所示

(4)

因此得到下式所示的待定位目標(biāo)標(biāo)簽三維坐標(biāo)數(shù)據(jù)

(5)

假設(shè)目標(biāo)標(biāo)簽實(shí)際坐標(biāo)為(x0，y0，z0)，則該標(biāo)簽的非測(cè)距定位算法表示如下

(6)

非測(cè)距定位算法雖然計(jì)算簡(jiǎn)便，環(huán)境因素對(duì)其精度會(huì)產(chǎn)生一定的影響，且過于依賴參考標(biāo)簽的密集度與精準(zhǔn)度，因此該算法的定位精準(zhǔn)度不夠理想，定位結(jié)果存在較大偏差。

3 RFID室內(nèi)區(qū)域細(xì)化目標(biāo)定位算法優(yōu)化

為解決上述算法中存在的弊端，需要對(duì)該算法進(jìn)行優(yōu)化，其基本思想為：用三維密度地圖取代三維鄰近地圖，并在此基礎(chǔ)上求解待定位目標(biāo)標(biāo)簽給定坐標(biāo)與三維密度地圖鄰近坐標(biāo)之間的幾何平均值，以細(xì)化待定位目標(biāo)標(biāo)簽潛在區(qū)域；利用標(biāo)簽信號(hào)強(qiáng)度調(diào)節(jié)策略，測(cè)量待定位區(qū)域中讀寫器信號(hào)檢測(cè)范圍，對(duì)檢測(cè)區(qū)域?qū)嵤┻M(jìn)一步的細(xì)化處理，待定位目標(biāo)標(biāo)簽輸出射頻信號(hào)后，以讀寫器接收信號(hào)強(qiáng)度編碼為依據(jù)，獲取目標(biāo)標(biāo)簽位置。

3.1 待定位目標(biāo)標(biāo)簽區(qū)域細(xì)化

三維鄰近地圖采用含有參考標(biāo)簽坐標(biāo)與虛擬參考標(biāo)簽坐標(biāo)的單位矩陣加以描述，通過“真”“假”標(biāo)記判定待定位目標(biāo)標(biāo)簽與鄰近坐標(biāo)關(guān)系。

三維鄰近地圖內(nèi)任意坐標(biāo)點(diǎn)附近的“真”坐標(biāo)即為三維密度地圖坐標(biāo)，該坐標(biāo)具備不唯一性，當(dāng)3*3*3矩陣中的一個(gè)坐標(biāo)點(diǎn)P被鄰近坐標(biāo)全包圍時(shí)，該坐標(biāo)點(diǎn)的鄰近坐標(biāo)個(gè)數(shù)為26個(gè)，如下圖1(a)所示。當(dāng)某個(gè)坐標(biāo)點(diǎn)出現(xiàn)“假”鄰近坐標(biāo)時(shí)，該坐標(biāo)點(diǎn)數(shù)值不變；反之，該坐標(biāo)點(diǎn)數(shù)值加1，如下圖1(b)、(c)所示。用A、B、C、D表示“真”坐標(biāo)點(diǎn)，經(jīng)過運(yùn)算，即可得到各坐標(biāo)密度值。

圖1 目標(biāo)標(biāo)簽區(qū)域細(xì)化示意圖

通過縮短較小密度值邊緣區(qū)域與較大密度值區(qū)域之間的距離，實(shí)現(xiàn)三維密度地圖細(xì)化，以獲取更精準(zhǔn)的定位結(jié)果。細(xì)化階段的基礎(chǔ)是待定位目標(biāo)標(biāo)簽坐標(biāo)與鄰近坐標(biāo)之間的幾何平均值計(jì)算結(jié)果，計(jì)算公式如下所示

(7)

式中，坐標(biāo)點(diǎn)P與鄰近坐標(biāo)的幾何平均值為DP，鄰近坐標(biāo)數(shù)量為ν個(gè)。

利用上列計(jì)算公式即可解得上圖1(b)中A、B、C、D四個(gè)“真”坐標(biāo)點(diǎn)與鄰近坐標(biāo)的幾何平均值。當(dāng)密集區(qū)域坐標(biāo)不唯一時(shí)，迭代處理細(xì)化過程，只到所得最大密度值具有唯一性終止。

3.2 基于區(qū)域細(xì)化的RFID目標(biāo)定位

將待定位目標(biāo)標(biāo)簽的發(fā)射信號(hào)強(qiáng)度調(diào)節(jié)設(shè)定成弱、中、強(qiáng)三個(gè)等級(jí)，其中目標(biāo)標(biāo)簽的正常信號(hào)強(qiáng)度為強(qiáng)等級(jí)。由于讀寫器接收到的標(biāo)簽發(fā)射信號(hào)強(qiáng)度會(huì)被某些因素弱化，所以把信號(hào)強(qiáng)度編碼置于發(fā)射出的射頻信號(hào)內(nèi)，并采取二進(jìn)制[7]編碼，弱、中、強(qiáng)三個(gè)等級(jí)編碼為01、10、11。經(jīng)過信號(hào)強(qiáng)度編碼分析，明確待定位區(qū)域中讀寫器測(cè)量信號(hào)的允許范圍，進(jìn)一步細(xì)化室內(nèi)區(qū)域。目標(biāo)標(biāo)簽先發(fā)送強(qiáng)等級(jí)射頻信號(hào)，根據(jù)各讀寫器的測(cè)量范圍，明確參與定位的讀寫器編號(hào)，結(jié)合其檢測(cè)強(qiáng)度最大范圍的交集部分，獲取目標(biāo)存在可能性較大的定位區(qū)域，然后根據(jù)待定位目標(biāo)標(biāo)簽依次發(fā)射中度等級(jí)和弱度等級(jí)的射頻信號(hào)，明確對(duì)應(yīng)定位區(qū)域，根據(jù)三種可能的定位區(qū)域交集，獲取目標(biāo)標(biāo)簽的最小區(qū)域。

(8)

將細(xì)化的區(qū)域分別設(shè)定為Amax、Amid與Amin，依據(jù)圖2中所示的兩個(gè)讀寫器與待定位目標(biāo)標(biāo)簽tag進(jìn)行舉例說明。

圖2 讀寫器檢測(cè)區(qū)域交集

1)當(dāng)兩讀寫器都測(cè)得目標(biāo)標(biāo)簽的強(qiáng)等級(jí)射頻信號(hào)時(shí)，待定位目標(biāo)標(biāo)簽tag的檢測(cè)區(qū)域交集表達(dá)式如下所示

(9)

2)假設(shè)1號(hào)讀寫器測(cè)到中等級(jí)信號(hào)，而2號(hào)未接收到中級(jí)以下信號(hào)，則采用下列各式分別描述位于1號(hào)讀寫器與2號(hào)讀寫器環(huán)形測(cè)量范圍中的待定位目標(biāo)標(biāo)簽tag檢測(cè)區(qū)域交集

(10)

(11)

3)根據(jù)上列各式推導(dǎo)出目標(biāo)標(biāo)簽tag的最小區(qū)域，也就是上圖2中的陰影相交部分，表達(dá)式如下所示

(12)

已知在區(qū)域Φmax內(nèi)，參考標(biāo)簽數(shù)量是U∈(1，u)，用N代替所選讀寫器數(shù)量N-1，為簡(jiǎn)化計(jì)算復(fù)雜度，并對(duì)各信號(hào)強(qiáng)度矩陣式(1)、式(2)進(jìn)行相應(yīng)改寫，推導(dǎo)出目標(biāo)標(biāo)簽P與所選參考標(biāo)簽的信號(hào)強(qiáng)度向量表達(dá)式分別如下

(13)

(14)

改寫式(3)待定位目標(biāo)標(biāo)簽與參考標(biāo)簽之間的鄰近度的計(jì)算公式后，得到下列待定位目標(biāo)標(biāo)簽P的信號(hào)強(qiáng)度歐幾里得距離[8]界定公式

(15)

其中，經(jīng)驗(yàn)權(quán)重表達(dá)式(4)不用改寫，由于最近鄰域較小臨近程度k值是給定參數(shù)，因此區(qū)域Φmax中的參考標(biāo)簽個(gè)數(shù)滿足U

4 目標(biāo)定位算法實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

采用Impinj公司研發(fā)的speedway R420讀寫器、speedway IPJ A6001-000天線、五類雙絞線、全相電子標(biāo)簽、RF電纜、路由器以及PC機(jī)等搭建實(shí)驗(yàn)平臺(tái)。其中，PC機(jī)測(cè)試軟件選用的是Multi-Reader for Speed way Gen2 RFID v6.4.1.185版本；定位系統(tǒng)硬件配置分別是Windows 10操作系統(tǒng)，Intel i5 3.6GHz雙核處理器，8GB內(nèi)存。

通過上述裝置仿真出一個(gè)實(shí)驗(yàn)用的室內(nèi)環(huán)境抽象布局。假設(shè)閱讀器能夠?qū)θ繕?biāo)簽進(jìn)行檢測(cè)，則設(shè)定各參考標(biāo)簽與待定位標(biāo)簽的檢測(cè)次數(shù)為10，上傳至上位機(jī)后，獲取文獻(xiàn)[4]、[5]算法以及本文算法的定位實(shí)驗(yàn)結(jié)果。

4.2 各指標(biāo)對(duì)定位效果的影響

4.2.1 定位時(shí)間影響分析

假定RFID讀寫器處于任意移動(dòng)狀態(tài)，所以定位算法的精度會(huì)隨定位時(shí)間的改變而發(fā)生變化。下圖3所示為定位時(shí)間與定位精度之間的相關(guān)性。

圖3 時(shí)間與精度關(guān)系示意圖

從圖3中的曲線走勢(shì)可以看出，算法優(yōu)化前的定位精度誤差較大且沒有下降趨勢(shì)，而優(yōu)化后的本文算法利用三維密度地圖對(duì)定位過程進(jìn)行了細(xì)化，所以定位精度大幅度提升。

4.2.2 讀寫器個(gè)數(shù)影響分析

分別利用1個(gè)、5個(gè)、10個(gè)RFID讀寫器，取十次定位結(jié)果的均值來驗(yàn)證算法性能，比對(duì)情況如圖4所示。

圖4 讀寫器個(gè)數(shù)與精度關(guān)系示意圖

通過分析圖4可知，RFID讀寫器數(shù)量越多，算法的穩(wěn)定性與準(zhǔn)確性越好，結(jié)合系統(tǒng)成本與定位實(shí)時(shí)性等因素后，決定選取10個(gè)RFID讀寫器參與實(shí)驗(yàn)，以確保算法的綜合性能。

4.3 算法性能對(duì)比

4.3.1 定位模擬結(jié)果對(duì)比分析

圖5為各算法的定位模擬結(jié)果。

圖5 各算法定位結(jié)果

由圖5可知，相對(duì)于文獻(xiàn)[4]、[5]算法，本文算法由于采用了三維密度地圖取代三維鄰近地圖，并通過計(jì)算待定位目標(biāo)標(biāo)簽給定坐標(biāo)與三維密度地圖鄰近坐標(biāo)間幾何平均值，完成了待定位目標(biāo)標(biāo)簽潛在區(qū)域細(xì)化，所以極大程度提升了定位精度，優(yōu)越性顯著。

4.3.2 定位誤差

為進(jìn)一步驗(yàn)證算法的有效性，對(duì)比文獻(xiàn)[4]、[5]算法以及本文算法的定位誤差，所得對(duì)比結(jié)果如圖6所示。

圖6 各方法定位誤差對(duì)比圖

分析圖6可知，本文算法的定位誤差始終小于文獻(xiàn)[4]、[5]算法，這是由于該算法采取了標(biāo)簽信號(hào)強(qiáng)度調(diào)節(jié)策略，所以各目標(biāo)標(biāo)簽的定位誤差較小。

4.3.3 定位時(shí)長(zhǎng)

各算法的目標(biāo)定位所需時(shí)長(zhǎng)對(duì)比結(jié)果如圖7所示為。

圖7 各方法定位時(shí)長(zhǎng)對(duì)比圖

由上圖7可知，對(duì)比文獻(xiàn)[4]、[5]算法相比，本文算法通過采取多種簡(jiǎn)便運(yùn)算策略，降低了布置密集參考標(biāo)簽的工作量，在一定程度上縮短了定位時(shí)長(zhǎng)。

5 結(jié)論

無線技術(shù)與移動(dòng)通信技術(shù)飛速發(fā)展，服務(wù)對(duì)象位置信息作為情境感知服務(wù)技術(shù)領(lǐng)域的一個(gè)關(guān)鍵環(huán)境參數(shù)，對(duì)情境服務(wù)的有效落實(shí)起著決定性作用。由于一些室內(nèi)公共環(huán)境的建筑會(huì)影響信號(hào)傳遞，削弱信號(hào)強(qiáng)度，所以，室外定位技術(shù)并不適用，因此，本文采用具有非接觸、短時(shí)延等諸多優(yōu)勢(shì)的RFID技術(shù)，開展室內(nèi)區(qū)域細(xì)化目標(biāo)定位算法的優(yōu)化仿真。由于無法確定算法中的各項(xiàng)指標(biāo)都是最優(yōu)參數(shù)，因此，在下一步的工作計(jì)劃中，應(yīng)根據(jù)先驗(yàn)測(cè)量信息，嘗試構(gòu)架置信階數(shù)回歸模型，實(shí)現(xiàn)參數(shù)動(dòng)態(tài)設(shè)置；應(yīng)分別建立無源與有源RFID定位系統(tǒng)，提升算法仿真數(shù)據(jù)的可靠性；因現(xiàn)實(shí)室內(nèi)環(huán)境復(fù)雜多變，存在多種信號(hào)干擾因素，應(yīng)在不同的室內(nèi)環(huán)境搭建實(shí)驗(yàn)平臺(tái)，繼續(xù)探索復(fù)雜信號(hào)的定位算法，增加算法的適應(yīng)能力；在算法中融入智能學(xué)習(xí)等創(chuàng)新技術(shù)，進(jìn)一步強(qiáng)化定位算法的綜合性能，為提升應(yīng)用價(jià)值奠定基礎(chǔ)。