苑明海, 周凱文, 張晨希, 裴鳳雀

(河海大學 機電工程學院, 常州 213022)

近年來, 智慧社區(qū)、智慧養(yǎng)老[1]的理念在全國內被廣泛研究, 社區(qū)快速發(fā)展建設, 綠化、公共設施、車輛等使得社區(qū)內結構越來越復雜, 當幼兒或老人獨自進入危險區(qū)域或與家人失去聯(lián)系時, 監(jiān)護人很難第一時間獲取他們的具體情況, 一種高效準確的定位措施便顯得格外重要. 智慧社區(qū)與傳統(tǒng)社區(qū)的區(qū)別在于其結合大數(shù)據(jù)、云計算等技術, 通過全分布的物聯(lián)感知系統(tǒng)對居民的生活、工作、安全、健康等需求作出智能響應, 而不是通過簡單的社區(qū)監(jiān)控和物業(yè)人員進行管理[2]. 獲取社區(qū)人員的位置信息, 有助于對網(wǎng)絡中突發(fā)事件進行事前預警、事中決策以及事后處理, 不僅能預測、及時感知用戶的當前安全情況, 還可融合他們的出行頻率、行為軌跡等信息預測出用戶的行為習慣、喜愛偏好, 進而對社區(qū)的智能、智慧建設提供參考.

智慧定位方法同樣需要通過數(shù)據(jù)融合方法來實現(xiàn),且大多定位方法是利用的無線射頻識別(RFID)技術,其通過電磁波進行通信, 利用基于測距的定位算法, 將傳播過程中的信號值或信號接收角度等轉換為信號傳播的距離, 具有方便快捷、識別速度快等優(yōu)點, 并且基于RFID 的定位方案成本低、易部署, 故該類定位系統(tǒng)目前在國內外廣泛研究, 如董長春等 [3]結合蟻群算法和正反饋機制對Chan 算法進行改進, 提出了基于RFID 技術的商品車無線定位方法, 可精準定位商品車的實際位置, 但該方法沒有考慮到環(huán)境因素的影響. 陳龍鵬 [4]提出的以RFID 融合計算機視覺的室內定位算法, 解決了因室內環(huán)境的障礙物干擾, 實時性差的問題,通過計算機視覺定位顯著提高了定位實時性, 但這種算法在非視距環(huán)境下的定位精度并不理想. 蘭慶慶等[5]結合了網(wǎng)格聚類算法和密度峰值聚類算法各自的特點設計了基于網(wǎng)格的密度峰值聚類算法, 通過獲取最高密度的網(wǎng)格對象來確定簇心, 可處理大規(guī)模數(shù)據(jù)集并定位誤差均值在0.128 m 左右, 穩(wěn)定性較高, 不足之處是該算法對動態(tài)標簽作用不大, 僅作用于靜態(tài)標簽.

由于Kalman 濾波在非視距環(huán)境中有一定的魯棒性, 所以被廣泛用于目標的跟蹤定位中, 該理論假設跟蹤過程是線性的, 而這也符合居民的運動特性. Yi 等[6]為解決室內復雜環(huán)境下超寬帶定位精度波動大、定位結果偏差等問題, 在數(shù)據(jù)后期引入自適應Kalman 濾波方法, 并用AGV 小車進行對比實驗, 結果表明在測量數(shù)據(jù)缺失的情況下, 該方法可完成實時高精度室內定位. Suo 等 [7]針對WIFI 定位中容錯能力低、抗噪聲能力弱等缺點, 提出一種基于Kalman 濾波的WIFI 室內定位方法, 得到RSSI 值后, 通過Kalman 濾波估計出最優(yōu)距離, 然后通過三角質心法計算出最優(yōu)距離, 算法效果較優(yōu). Ning [8]研究了一種基于交互式多模Kalman濾波的無線定位方法, 解決了蜂窩網(wǎng)絡中定位精度差的問題, 具有良好的定位性能和濾波性能.

本文首先確定了以RSSI 值確認目標標簽的坐標的方法, 針對RFID 數(shù)據(jù)交換時計算量大, 過程噪聲、觀測噪聲、環(huán)境因素等影響著測量坐標值的準確度等問題, 提出了改進的密度峰值聚類算法(DPC)和Kalman濾波相融合的定位方法, 結合Kalman 濾波和DPC 的優(yōu)點, 將DPC 聚類結果作為Kalman 濾波的觀測信號,通過迭代得出最終軌跡, 最終實現(xiàn)社區(qū)內動態(tài)人員實時定位, 并通過實驗進行了驗證.

1 測距模型

在社區(qū)內實現(xiàn)定位要求精度較高, 社區(qū)內部環(huán)境不同于外部, 社區(qū)內樹木、公共設施、車輛等較多, 不利于定位, GPS 精度往往不達標, 故采用RFID 標簽定位而不是GPS, 社區(qū)內的RFID 感知網(wǎng)絡與目標標簽的信息交換即可確定用戶的位置, 再調取該區(qū)域的監(jiān)控能快速準確地獲取用戶的具體情況.

RFID 閱讀器的區(qū)域布置與標簽的定位方法相關,常用的基于測距的定位方法: 基于接受信號強度(RSSI)[9]、基于信號傳輸時間(TOA)[10]、基于信號傳輸時間差(TDOA) [11]和基于信號到達角度(AOA)[11]. 其中RSSI測距法無須增加硬件成本和嚴格的網(wǎng)絡同步, 故應用較多[12]. 為了減少成本, 使用較少的閱讀器, 使得閱讀器感應范圍全覆蓋社區(qū)區(qū)域, 本文使用結合接收信號的強度(RSSI)的方法, 借助社區(qū)內布置的參考標簽確認目標標簽的位置. RFID 閱讀器布置的原則就是感知范圍對社區(qū)公共區(qū)域全覆蓋, 再布置一些確定位置的參考標簽形成定位網(wǎng)絡.

在如圖1 所示的數(shù)據(jù)采集網(wǎng)絡中, 包括天線、參考標簽和目標標簽, 閱讀器通過多個天線獲取標簽同一時刻的RSSI 值. 當信號在社區(qū)內傳輸時, 其功率會根據(jù)距離產生一定的損耗, 通過傳輸損耗模型即可將信號強度轉換為天線與標簽的距離, 傳輸損耗模型如式(1)所示. 得出各天線與目標標簽距離之后, 根據(jù)天線間的距離, 即可求出估計標簽的坐標.

圖1 數(shù)據(jù)采集網(wǎng)絡

其中,d為天線到標簽的實際距離,R(d)為距離為d時天線接收到的信號強度值,R(do)為某一確定距離do下天線接收到的信號強度值,n是當前環(huán)境下的傳輸損耗因子,No與環(huán)境相關, 是一個滿足均值為0, 標準差為σ的高斯分布的隨機變量.

2 結合IDPC 的Kalman 濾波定位方法

在實際系統(tǒng)中, 由于障礙物、物體形態(tài)不規(guī)則、人或物體的移動等因素導致信號在傳播過程中存在著反射、折射、多徑傳播等現(xiàn)象, 導致采集到的信號強度具有很大的不確定性[13]. 存在當目標位置固定時, 獲取的RSSI 值分布情況不集中甚至分散, 造成同一個RSSl值可能對應多個通信距離, 最終計算出不同的坐標值.故本文提出一種結合IDPC 的Kalman 濾波定位方法(K-IDPC), 將DPC 和Kalman 濾波的優(yōu)點相結合以解決上述問題.

通過聚類算法實現(xiàn)靜態(tài)目標的定位, DPC 算法[14]全稱為基于快速搜索和發(fā)現(xiàn)密度峰值的聚類算法, 該算法能夠快速發(fā)現(xiàn)多數(shù)據(jù)點的簇中心, 無須提前設置簇的數(shù)量和參數(shù), 可實現(xiàn)任意形狀數(shù)據(jù)的高效聚類.

2.1 IDPC 算法

DPC 的基本思想是計算任意兩個數(shù)據(jù)點間的距離,根據(jù)截斷距離計算出數(shù)據(jù)點的局部密度 ρi和相對距離δi( ρi為節(jié)點間距離小于截斷距離的節(jié)點個數(shù), δi為數(shù)據(jù)點到局部密度比他大且距離近的另一數(shù)據(jù)點間的歐式距離). 再繪制出聚類決策圖, 將局部密度和相對距離值較高的點標記為聚類中心, 而局部密度較小和相對距離較高的點標記為噪聲點, 最后分配其余數(shù)據(jù)點到相應的簇并剔除噪聲點, 最后的結果使得聚類中心的局部密度大于該簇內所有其余數(shù)據(jù)點的局部密度, 如圖2(a)為實驗過程中初始狀態(tài)時的數(shù)據(jù)點的散點圖, 大多數(shù)據(jù)在(100 m, 100 m)附近, 圖2(b)為以這些數(shù)據(jù)點的局部密度和相對距離繪制出的決策圖, 圖中偏右上的數(shù)據(jù)點為簇心, 偏左上的數(shù)據(jù)點為噪聲點, 簇心已在圖中標出.

圖2 IDPC 決策結果示例

由于RFID 定位系統(tǒng)交換數(shù)據(jù)量不大, 頻率在每秒60–90 次, 相對于DPC 其他案例相比數(shù)據(jù)集較小.而改進的DPC 算法(improved-DPC, IDPC)針對DPC處理小數(shù)據(jù)集時聚類效果差的問題, 提出了新的局部密度計算公式, 使用高斯核定義樣本數(shù)據(jù)點的局部密度[15],如式(2)、式(3)所示為改進的局部密度和相對距離的計算公式.

其中,dij為數(shù)據(jù)點xi與xj之間的距離,dc為橫斷距離.

2.2 K-IDPC 定位算法

除了環(huán)境影響數(shù)據(jù)精度外, 當閱讀器與標簽數(shù)據(jù)交換時, 由于設備的原因會產生觀測噪聲和過程噪聲,最終導致閱讀器收到的數(shù)據(jù)不夠準確, 卡爾曼濾波(Kalman filter)[12]是根據(jù)上一狀態(tài)的預測值和當前狀態(tài)的觀測值預測運動系統(tǒng)當前狀態(tài), 可以通過多次預測修正來校正目標位置并感知噪聲的統(tǒng)計特性, 故經(jīng)常用來降低設備的觀測噪聲和過程噪聲.

本文設計的K-IDPC 即結合DPC 算法的Kalman濾波定位, 首先將某時間段內的數(shù)據(jù)分為若干份(以1 min 內RFID 天線與標簽交換數(shù)據(jù)約4200 次為例,將數(shù)據(jù)按時序排列后分為60 份, 每份約70 個數(shù)據(jù)值,因為閱讀器的數(shù)據(jù)傳輸速率在每秒1600 字節(jié)左右),每份的數(shù)據(jù)代表目標在同一時刻的位置. 然后計算兩兩數(shù)據(jù)間的相對距離, 根據(jù)相對距離計算出每個數(shù)據(jù)點的局部密度, 以局部密度和相對距離為橫縱坐標繪制決策圖并找出每份數(shù)據(jù)的簇心, 最后將這一系列的簇心值作為Kalman 濾波的觀測值z. 圖3 為Kalman濾波部分的原理圖.

圖3 Kalman 濾波原理

3 實驗驗證

本章通過實驗來驗證K-IDPC 的效果, 實驗前提是社區(qū)內的居民會佩戴封裝有RFID 目標標簽的裝置,如手環(huán)、門禁卡等, 當需要對某位居民定位跟蹤時, 首先獲取該標簽最近時間內在社區(qū)公共設施或建筑的通行記錄, 以該設施的位置作為參考, 確定接收數(shù)據(jù)的天線和閱讀器, 減少搜索范圍.

具體實驗在作者所在學校某一路段進行并獲取相關數(shù)據(jù), 該路段途徑圖書館、教學樓、若干停車位等設施, 實驗時將目標標簽佩戴于被測者身上, 閱讀器以及參考標簽按圖1 所示布置, 通過天線增益后超高頻閱讀器讀取范圍為30 m 左右, 被測者的移動范圍在閱讀器感知范圍之內, 并安排行人與車輛經(jīng)過. 本實驗中存在對信號值的影響因素有: 圖書館和教學樓內任何可發(fā)射電磁波的小型設施, 如門禁、PC、廣播系統(tǒng); 來往車輛與行人的電子產品; 以及閱讀器間的相互干擾等.

實驗設定目標標簽以勻速移動, 閱讀器與目標標簽傳輸數(shù)據(jù)率為11 KB/s, 即1375 B/s, 數(shù)據(jù)內容包括標簽名、時間、信號值約20 個字節(jié), 亦即每秒傳輸約70 次數(shù)據(jù), 通過RSSI 計算出受環(huán)境和觀測噪聲影響的估計標簽初始軌跡點, 通過IDPC 算法消除環(huán)境影響得出聚類中心點. 而后經(jīng)過60 次實驗得出一分鐘內目標標簽的估計軌跡點, 再通過Kalman 濾波消除觀測噪聲和過程噪聲的影響, 得出目標標簽的最終軌跡點, 圖4為實驗驗證過程.

圖4 實驗過程

首先設置參數(shù), 設置初始居民的位置坐標為(100 m,100 m), 并以(0.75 m/s, 0.75 m/s)的正常速度勻速直線前進, 計算初始軌跡點坐標和相對距離后作升序排列,設置10%處的距離值為橫斷距離, 通過決策圖篩選出的估計軌跡點如圖5 中觀測軌跡所示, 初始位置(100 m,100 m)到最終位置(145 m, 145 m)的軌跡點大致為勻速直線運動, 但誤差依舊很大. 而后進行Kalman 濾波,設置狀態(tài)預測過程存在均值為0、方差為4×e?4的正態(tài)擾動, 觀測過程存在均值為0、方差為2 的正態(tài)擾動, 濾波后的定位結果如圖5 中濾波軌跡所示.

圖5 K-IDPC 軌跡定位結果

本文以定位誤差作為衡量標準, 即每秒時定位點與真實點的歐氏距離, K-IDPC 與Kalman 濾波定位的誤差如圖6 和圖7 虛線所示, 實線為濾波前的誤差, 使用K-IDPC 定位平均誤差為0.565 m, Kalman 濾波定位的平均誤差為0.842 m, 精度提高了約49%, 定位穩(wěn)定性大幅提高.

圖6 K-IDPC 定位誤差圖

圖7 Kalman 濾波定位誤差圖

4 結論

作為智慧社區(qū)建設的重要部分, 智慧定位使得居民在社區(qū)內的位置隨時被獲取, 并可及時處理緊急情況. 除此之外, 通過居民的行為軌跡還可分析得到用戶的行為習慣、喜愛偏好等行為特征. 實驗時發(fā)現(xiàn), 當數(shù)據(jù)點較多且噪聲較大時, Kalman 濾波效果會大幅減弱,在定位后期會出現(xiàn)誤差逐漸增大, 即濾波軌跡偏離真實軌跡的情況, 故將目標軌跡的觀測值使用DPC 算法處理以減少數(shù)據(jù)點數(shù)量, 增大觀測數(shù)據(jù)與原軌跡的擬合度. Kalman 濾波與DPC 算法的融合, 將前者對白噪聲和觀測噪聲的處理能力、后者對復雜環(huán)境噪聲的消除能力相結合, 實現(xiàn)了對目標的動態(tài)實時定位. 通過本文定位方法和Kalman 濾波定位誤差結果可看出, KIDPC 定位精度比Kalman 定位提高了約49%, 定位誤差控制在了0.5 m 左右, 具有更好的穩(wěn)定性.