吳雅琴，軒興棟，張玉婷，秦龍斌，王雨豪，吳 桐，吳 彤

（中國(guó)礦業(yè)大學(xué)（北京） 機(jī)電與信息工程學(xué)院，北京 100083）

0 引 言

隨著科技水平的快速發(fā)展，人們生活水平的提高，人們對(duì)于位置服務(wù)的需求不斷增長(zhǎng)[1]。室外定位技術(shù)有著GPS定位系統(tǒng)的幫助，已經(jīng)非常成熟，其廣泛應(yīng)用于交通、救援、農(nóng)業(yè)、軍事等領(lǐng)域。GPS是當(dāng)前定位精度最穩(wěn)定、應(yīng)用最廣泛而且呈現(xiàn)市場(chǎng)壟斷狀態(tài)的衛(wèi)星導(dǎo)航系統(tǒng)[2]。近年來(lái)，中國(guó)自行研制的北斗衛(wèi)星導(dǎo)航系統(tǒng)（BDS）也成為繼GPS、GLONASS之后成熟的衛(wèi)星導(dǎo)航系統(tǒng)。在室外定位方面，北斗衛(wèi)星導(dǎo)航系統(tǒng)已經(jīng)廣泛應(yīng)用于交通運(yùn)輸、測(cè)繪地理信息、應(yīng)急搜救等領(lǐng)域，逐步滲透到人們生活的方方面面，為全球經(jīng)濟(jì)和社會(huì)發(fā)展注入了新的活力。但由于衛(wèi)星信號(hào)容易受到障礙物的遮擋，與室外相比，室內(nèi)復(fù)雜多變的建筑墻體會(huì)極大削弱室外的衛(wèi)星信號(hào)，使衛(wèi)星定位技術(shù)無(wú)法在室內(nèi)準(zhǔn)確可靠地工作。室外定位導(dǎo)航技術(shù)無(wú)法直接應(yīng)用于室內(nèi)環(huán)境，而隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展和普及，室內(nèi)定位技術(shù)不可或缺。

室內(nèi)定位的研究起步較早，目前的室內(nèi)定位技術(shù)主要有射頻標(biāo)簽、超寬帶、ZigBee、藍(lán)牙、WiFi、紅外線、超聲波和可見(jiàn)光等技術(shù)[3]。其中，WiFi指紋定位技術(shù)有著廣泛運(yùn)用。在室內(nèi)環(huán)境下，WiFi普及率較高，易部署，而且利用智能手機(jī)就能得到WiFi的RSSI信息，采集方便。該定位技術(shù)定位成本較低，能滿足大多數(shù)室內(nèi)場(chǎng)景的定位精度需求，所以基于WiFi指紋的室內(nèi)定位技術(shù)將成為主流的室內(nèi)定位方案。

目前，在蘋(píng)果、微軟、華為等國(guó)際互聯(lián)網(wǎng)巨頭的引領(lǐng)之下，WiFi室內(nèi)定位技術(shù)發(fā)展迅速，其發(fā)展方向和目標(biāo)為高定位準(zhǔn)確度和低功耗[4]。

現(xiàn)今，移動(dòng)設(shè)備的計(jì)算能力和存儲(chǔ)能力已有跨越式提升，如何有效降低WiFi室內(nèi)定位的功耗也是當(dāng)前研究的熱點(diǎn)問(wèn)題。一方面，通過(guò)改進(jìn)WiFi室內(nèi)定位算法，在保證定位準(zhǔn)確度的前提下，減少信號(hào)采集頻率并降低算法的復(fù)雜度[5]；另一方面，通過(guò)使用低功耗藍(lán)牙和運(yùn)動(dòng)檢測(cè)傳感器等有助于定位的其他低功耗設(shè)備，研究多技術(shù)結(jié)合的融合算法，來(lái)達(dá)到降低功耗的目的。

本文對(duì)基于WiFi指紋的室內(nèi)定位系統(tǒng)進(jìn)行了研究，并開(kāi)發(fā)了基于Android平臺(tái)的室內(nèi)定位系統(tǒng)。本研究共分為三個(gè)部分，第一部分為指紋數(shù)據(jù)庫(kù)的創(chuàng)建過(guò)程，主要采集WiFi信號(hào)的接收信號(hào)強(qiáng)度指標(biāo)（Received Signal Strength Indication, RSSI）[6]，該指標(biāo)反映了當(dāng)前位置收集的WiFi信號(hào)強(qiáng)度值，通過(guò)WiFi信號(hào)的獲取與劃定采集區(qū)域來(lái)生成WiFi信號(hào)指紋數(shù)據(jù)庫(kù)[7]；第二部分為室內(nèi)定位算法的實(shí)現(xiàn)，我們使用K-近鄰位置指紋算法[8]，通過(guò)取得實(shí)時(shí)在線位置數(shù)據(jù)，在離線指紋庫(kù)中的指紋中找到多個(gè)與在線數(shù)據(jù)相近的數(shù)據(jù)[9]，將在線數(shù)據(jù)與數(shù)據(jù)庫(kù)中挑選的數(shù)據(jù)進(jìn)行匹配，最終確定在線用戶的位置；第三部分為安卓客戶端的開(kāi)發(fā)過(guò)程。

本文旨在根據(jù)已有的基于WiFi指紋的室內(nèi)定位技術(shù)思路，借助WiFi指紋數(shù)據(jù)庫(kù)構(gòu)建算法、室內(nèi)定位算法，搭建一套個(gè)人安卓客戶端的室內(nèi)定位系統(tǒng)。

1 算法的設(shè)計(jì)與實(shí)現(xiàn)

指紋技術(shù)的定位過(guò)程分為兩個(gè)階段，分別為離線采集階段和在線定位階段。在離線采集階段，需要獲取定位區(qū)域內(nèi)的信息并存儲(chǔ)到相應(yīng)數(shù)據(jù)庫(kù)中，以完成指紋庫(kù)的構(gòu)建。使用的采集設(shè)備為安卓手機(jī)，將數(shù)據(jù)庫(kù)直接部署在SQLite中，高效利用安卓資源。

在采集過(guò)程中，首先創(chuàng)建需要采集的區(qū)域信息（通過(guò)區(qū)域信息區(qū)分不同區(qū)域，以此正確匹配不同區(qū)域的WiFi指紋數(shù)據(jù)庫(kù)）；接著創(chuàng)建AP信息，采用錄入mac的方式進(jìn)行；采集WiFi強(qiáng)度時(shí)只采集WiFi信號(hào)強(qiáng)度。根據(jù)確定的區(qū)域，確定原點(diǎn)坐標(biāo)，再將此區(qū)域人工劃分為多個(gè)小部分，每個(gè)小部分對(duì)應(yīng)一個(gè)坐標(biāo)點(diǎn)。在采集時(shí)，需要輸入該位置的坐標(biāo)點(diǎn)；然后到相應(yīng)坐標(biāo)點(diǎn)輸入信息進(jìn)行采集，數(shù)據(jù)存入SQLite數(shù)據(jù)庫(kù)。一次測(cè)量的點(diǎn)的信息作為一組數(shù)據(jù)，最終通過(guò)多次測(cè)量得出平均值，即得到該點(diǎn)的WiFi指紋點(diǎn)。指紋采集流程如圖1所示。

圖1 指紋采集流程

定位算法的實(shí)現(xiàn)，我們選擇K-近鄰位置指紋算法（KNN）?；贙NN的指紋定位方法，是通過(guò)計(jì)算在線接收的RSS向量S=(s1, s2, s3, ..., sn)與數(shù)據(jù)庫(kù)中各參考點(diǎn)采集的RSS向量Ri=(ri1, ri2, ..., rin)間的歐氏距離進(jìn)行匹配。兩者之間的歐式距離記為：

式中，i=1, 2, 3, ..., m, m是參考點(diǎn)總數(shù)。當(dāng)D越小時(shí)表示S與對(duì)應(yīng)參考點(diǎn)R之間的匹配度越高，即用戶位置越接近參考點(diǎn)的位置。

根據(jù)以上原理，計(jì)算在線接收的向量S與每一個(gè)參考點(diǎn)向量的歐氏距離并根據(jù)歐氏距離進(jìn)行從小到大的排序。取前k個(gè)參考點(diǎn)的位置信息，求得的均值即為用戶當(dāng)前位置：

式中，(xi, yi)表示所選出的k個(gè)歐氏距離最小的參考點(diǎn)對(duì)應(yīng)的位置坐標(biāo)。

在仿真與分析階段，我們利用PyCharm對(duì)算法進(jìn)行仿真實(shí)驗(yàn)，以驗(yàn)證該算法的有效性，并與NN算法進(jìn)行對(duì)比。本文進(jìn)行了誤差分析實(shí)驗(yàn)來(lái)評(píng)價(jià)KNN的定位精度。

為避免前K個(gè)最近的“鄰居”中所屬類別數(shù)相同而導(dǎo)致算法無(wú)法判別的情況，K值只取奇數(shù)。不同K值對(duì)定位精度的影響結(jié)果如圖2所示。從圖2可以看出，K取偶數(shù)值時(shí)定位精度優(yōu)于3 m的概率分布變化較不規(guī)則，不穩(wěn)定；K取奇數(shù)值時(shí)隨著K值增大，算法收斂加快，但是當(dāng)K值增大到一定程度時(shí)，算法收斂又逐漸減慢。從圖中可以看出，當(dāng)K=11時(shí)，定位效果最佳。

圖2 K值對(duì)定位精度的影響

本實(shí)驗(yàn)設(shè)定K值為11，對(duì)定位區(qū)域采用KNN和NN算法進(jìn)行定位誤差估計(jì)比較，并通過(guò)定位誤差范圍與誤差百分率進(jìn)行體現(xiàn)，其結(jié)果如圖3所示。測(cè)試數(shù)據(jù)中每個(gè)點(diǎn)的定位誤差情況如圖4所示。

圖3 定位誤差范圍百分率分布圖

圖4 測(cè)試點(diǎn)定位誤差情況圖

從圖3中可以看出，KNN算法約77.8%的概率定位誤差在3 m以內(nèi)，而NN算法約72.57%的概率定位誤差在3 m以內(nèi)；從誤差分布情況分析，KNN算法收斂更快，KNN算法最大誤差小于NN算法。

兩種算法的定位誤差比較見(jiàn)表1所列。從定位誤差來(lái)看，NN算法最小值誤差為1 m，而KNN算法最小誤差達(dá)到0.15 m，能較好滿足室內(nèi)環(huán)境的定位需求。

表1 不同方法的定位誤差比較

2 客戶端設(shè)計(jì)與實(shí)現(xiàn)

關(guān)于本論文開(kāi)發(fā)的室內(nèi)定位系統(tǒng)，我們利用WiFi進(jìn)行定位，無(wú)需進(jìn)行外部硬件設(shè)備的部署，方便且節(jié)約成本。我們開(kāi)發(fā)的這個(gè)程序十分適合大型室內(nèi)場(chǎng)景，此程序依靠WiFi的RSSI特征，離線階段建立指紋數(shù)據(jù)庫(kù)，在線階段使用KNN算法進(jìn)行匹配定位，可以達(dá)到不錯(cuò)的定位效果。我們?cè)O(shè)計(jì)的室內(nèi)定位系統(tǒng)由數(shù)據(jù)采集系統(tǒng)和定位系統(tǒng)組成。完整功能模塊設(shè)計(jì)如圖5所示。

圖5 室內(nèi)定位系統(tǒng)功能模塊

指紋采集系統(tǒng)的主要功能為采集WiFi指紋和查看周?chē)呀?jīng)錄入?yún)^(qū)域的AP點(diǎn)。圖6為該系統(tǒng)的主界面。

圖6 指紋采集系統(tǒng)

我們?cè)诮iFi指紋數(shù)據(jù)庫(kù)時(shí)，在指定區(qū)域輸入x、y坐標(biāo)值，提供該參考點(diǎn)位置。為使數(shù)據(jù)更加精確，我們進(jìn)行了多次測(cè)量，減小誤差。且測(cè)量時(shí)間間隔可自由設(shè)定，使用方便。WiFi指紋采集成功后會(huì)錄入SQLite數(shù)據(jù)庫(kù)存儲(chǔ)，后續(xù)進(jìn)行統(tǒng)一管理。圖7所示為錄入?yún)⒖键c(diǎn)信息界面。

圖7 指紋采集過(guò)程示意圖

在系統(tǒng)“查看周?chē)呀?jīng)錄入?yún)^(qū)域的AP點(diǎn)”功能中，我們可以查看已經(jīng)錄入的AP點(diǎn)，并查看AP點(diǎn)的強(qiáng)度信號(hào)，也可以進(jìn)行管理，實(shí)現(xiàn)區(qū)域內(nèi)AP點(diǎn)的增加和刪除。

我們還開(kāi)發(fā)了定位系統(tǒng)。在程序中介入了建成的指紋數(shù)據(jù)庫(kù)，來(lái)獲取參考點(diǎn)坐標(biāo)的指紋強(qiáng)度。系統(tǒng)會(huì)在其中錄入地圖，根據(jù)手機(jī)接收的信號(hào)強(qiáng)度與指紋數(shù)據(jù)庫(kù)相匹配，實(shí)現(xiàn)定位，并在地圖中標(biāo)記當(dāng)前用戶位置，誤差較小，可以達(dá)到較好的定位效果。為驗(yàn)證程序可以正確進(jìn)行，我們劃定了實(shí)驗(yàn)區(qū)域，測(cè)試了本系統(tǒng)，如圖8所示。

圖8 室內(nèi)定位系統(tǒng)測(cè)試

3 結(jié) 語(yǔ)

本文首先對(duì)KNN算法與NN算法進(jìn)行對(duì)比，通過(guò)誤差分布情況得出KNN算法較NN算法更為精準(zhǔn)，且收斂更快的結(jié)論。同時(shí)，又進(jìn)一步確定了k值，并在實(shí)驗(yàn)中驗(yàn)證了該算法的正確性[10]。

開(kāi)發(fā)設(shè)計(jì)了一套基于WiFi指紋的室內(nèi)定位系統(tǒng)。本系統(tǒng)利用室內(nèi)已有的WiFi路由設(shè)備，無(wú)需額外部署，系統(tǒng)定位精度高。相較于RFID射頻識(shí)別技術(shù)和藍(lán)牙技術(shù)，成本較低，部署量較少，使用方便。與UWB技術(shù)相比，設(shè)備部署和操作都更為簡(jiǎn)潔，能夠?qū)崿F(xiàn)更高的普及率。通過(guò)使用系統(tǒng)多次進(jìn)行數(shù)據(jù)采集、定位實(shí)驗(yàn)和數(shù)據(jù)校正，取得了理想的定位準(zhǔn)確率。