蔡文炎 何洋

摘要：針對(duì)目前室內(nèi)定位算法精度不高的應(yīng)用現(xiàn)狀，提出一種基于接收信號(hào)強(qiáng)度指示（RSSI）的測(cè)距方法和改進(jìn)行人航跡推算（PDR）融合的室內(nèi)定位算法?；诂F(xiàn)代生活環(huán)境中被廣泛部署的Wi-Fi無(wú)線信號(hào)作為節(jié)點(diǎn)，采用電磁指紋庫(kù)匹配識(shí)別的方法，對(duì)進(jìn)入網(wǎng)絡(luò)范圍內(nèi)的未知節(jié)點(diǎn)進(jìn)行定位，并利用PSO-BP神經(jīng)網(wǎng)絡(luò)算法，融合慣導(dǎo)測(cè)量單元的數(shù)據(jù)對(duì)通過(guò)RSSI定位結(jié)果進(jìn)行修正。通過(guò)實(shí)驗(yàn)仿真表明與傳統(tǒng)單一方法的室內(nèi)定位方式相比，所提出的方法通過(guò)融合算法不僅解決了RSSI定位易受環(huán)境影響的擺動(dòng)性，并且在很大程度上提高了室內(nèi)定位精度與時(shí)效性。

關(guān)鍵詞： 電磁指紋; 室內(nèi)定位; PSO-BP神經(jīng)網(wǎng)絡(luò); PDR

【Abstract】 Aiming at the current application status of indoor positioning algorithm with low precision， a ranging method based on received signal strength indicator （RSSI） and an indoor positioning algorithm modified to perform human track derivation （PDR） fusion are proposed. Based on Wi-Fi wireless signals that are widely deployed in modern living environments as nodes， the method of matching and identifying electromagnetic fingerprints is used ?to locate unknown nodes within the scope of the network， and PSO-BP neural network algorithm is used to fuse INS measurements unit's data pair， which is corrected by the RSSI positioning result. The experimental simulation shows that compared with the traditional single method indoor positioning method， the proposed method not only solves the oscillating problem that RSSI positioning is susceptible to environmental influences， but also improves the indoor positioning accuracy and timeliness to a large extent.

【Key words】 ?electromagnetic fingerprint; indoor location; PSO-BP neural network ; PDR

0 引 言

近年來(lái)隨著第四代網(wǎng)絡(luò)通信技術(shù)的成熟和微電子行業(yè)的迅速發(fā)展，移動(dòng)終端設(shè)備在人們?nèi)粘Ｉ钪械玫胶艽蟪潭鹊钠占?，由此基于用戶位置服?wù)（Location Based Services，LBS）的需求也日益增長(zhǎng)。

不同于開(kāi)闊的室外環(huán)境可以使用北斗等基于衛(wèi)星的定位方式，人們?nèi)粘４蠖鄶?shù)生活與工作活動(dòng)均在室內(nèi)進(jìn)行，由于衛(wèi)星信號(hào)在室內(nèi)環(huán)境受到鋼筋水泥等建筑掩體的遮擋等影響嚴(yán)重，所以基于電磁信號(hào)的室內(nèi)定位研究開(kāi)始受到廣泛關(guān)注。

目前被廣泛關(guān)注的室內(nèi)定位技術(shù)有RFID、UWB和ZigBee等技術(shù)，雖然此類方法均能滿足室內(nèi)終端定位，但是都要依賴相關(guān)特定的硬件設(shè)備，部署成本較大，很難做到較大范圍的推廣。相比而言，Wi-Fi在人們?nèi)粘Ｉ瞽h(huán)境中大多已經(jīng)實(shí)現(xiàn)全覆蓋，尤其是在大型室內(nèi)商場(chǎng)和寫(xiě)字樓等場(chǎng)所。Wi-Fi具有易于推廣和響應(yīng)性能良好的特點(diǎn)，已經(jīng)成為目前室內(nèi)定位技術(shù)研究的熱點(diǎn)之一。

具體來(lái)說(shuō)，就是通過(guò)分析空間中Wi-Fi接收信號(hào)強(qiáng)度（received signal strength， RSS），實(shí)現(xiàn)室內(nèi)定位[1-3]，其中得到廣泛關(guān)注的是基于位置指紋的定位方法，利用Wi-Fi電磁信號(hào)在空間中的傳播與分布規(guī)律，建立特征數(shù)據(jù)庫(kù)作為定位基礎(chǔ)。文獻(xiàn)[4]構(gòu)建了基于Wi-Fi的電磁指紋庫(kù)的室內(nèi)定位系統(tǒng)，并且結(jié)合了實(shí)際采集的RSSI數(shù)據(jù)對(duì)Wi-Fi在室內(nèi)環(huán)境下的傳播影響因素做了研究，分析了不同終端由于RSSI量化差異引起的定位誤差，并且使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了非線性矯正，但是BP神經(jīng)網(wǎng)絡(luò)的收斂速度并不理想。由此，文獻(xiàn)[5]利用RFID，使用PSO-BP神經(jīng)網(wǎng)絡(luò)去解算RFID閱讀器和RSSI之間的距離關(guān)系，且得到了很好的收斂效果，但是并沒(méi)有考慮待定位目標(biāo)本身具有的信息，如運(yùn)動(dòng)方向和速度等重要信息。

文獻(xiàn)[6-9]提出了使用粒子濾波和卡爾曼濾波等融合算法，對(duì)PDR信息和位置指紋庫(kù)信息進(jìn)行了一定的融合，其中卡爾曼濾波的輸入與輸出關(guān)系主要依賴時(shí)間更新算法和狀態(tài)更新算法，如果系統(tǒng)存在較大的延遲，則對(duì)估計(jì)位置產(chǎn)生極大的影響，且主要針對(duì)線性問(wèn)題的解決，實(shí)際上，大多數(shù)實(shí)際問(wèn)題是非線性的。針對(duì)此問(wèn)題，文獻(xiàn)[10]所提出的無(wú)跡卡爾曼濾波，實(shí)際上也只是針對(duì)弱非線性問(wèn)題，噪聲基本服從正態(tài)分布，非線性程度依然較低。同樣采用粒子濾波融合算法也存在粒子退化問(wèn)題，且效果并不理想。

針對(duì)上述現(xiàn)象，本文提出基于PSO-BP神經(jīng)網(wǎng)絡(luò)結(jié)合改進(jìn)PDR算法數(shù)據(jù)和Wi-Fi電磁指紋庫(kù)信息的融合定位方式，通過(guò)實(shí)驗(yàn)表明，在很大程度上提高了單一指紋定位的精度，且針對(duì)非線性問(wèn)題有了良好的改進(jìn)。

1 電磁指紋庫(kù)和PDR算法

1.1 基于RSSI電磁指紋庫(kù)定位方法

目前，建立電磁指紋庫(kù)定位方法的2種主要途徑是基于距離的RSSI傳播損耗模型和RSSI特征值法。針對(duì)該方法的建立需要考慮2種狀態(tài)，即：離線階段和在線階段。對(duì)此可做闡釋分述如下。

傳播損耗模型，在離線階段，待定位節(jié)點(diǎn)需要收集該區(qū)域內(nèi)其他錨節(jié)點(diǎn)的RSSI信息，通過(guò)解算和多個(gè)（二維平面內(nèi)，至少3個(gè)錨節(jié)點(diǎn)）錨節(jié)點(diǎn)之間的RSSI信息和距離，創(chuàng)建離線的電磁指紋庫(kù)。這里，給出傳播損耗模型如圖1所示。

圖1中，橫軸x表示距離范圍，縱軸y表示損耗，n表示傳播常數(shù)，通過(guò)先驗(yàn)知識(shí)做出對(duì)比，可知當(dāng)n取2時(shí)較為適合。

對(duì)于RSSI特征值法，是目前較為通用的方法，同樣也是將定位區(qū)域劃分為多個(gè)子區(qū)域，并且將該區(qū)域的中心點(diǎn)作為采樣參考點(diǎn)，其中均值、中值、最大值為最常用的特征提取法，提取后的特征值保存在離線庫(kù)中。

在線階段，對(duì)于進(jìn)入定位區(qū)域中的待定位節(jié)點(diǎn)，待定位節(jié)點(diǎn)動(dòng)態(tài)地對(duì)錨節(jié)點(diǎn)信息解算，并且在允許延時(shí)范圍內(nèi)和離線庫(kù)特征值相匹配，進(jìn)而估算出當(dāng)前用戶的位置。定位流程如圖2所示。

2 PSO-BP融合算法

2.1 PSO-BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化

根據(jù)PSO優(yōu)化算法的啟發(fā)式思想，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的運(yùn)用，可在很大程度上避免陷入局部最優(yōu)解，提高收斂速度的能力。

首先，確定BP神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)，使用前向網(wǎng)絡(luò)計(jì)算每組特征樣本，通過(guò)PSO算法得到適應(yīng)值的最小位置，并將粒子的當(dāng)前位置Xi作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，將誤差函數(shù)的結(jié)果對(duì)應(yīng)為PSO優(yōu)化算法中的適應(yīng)值，再根據(jù)規(guī)則更新粒子。針對(duì)上述過(guò)程，可推得各研發(fā)步驟具體如下。

2.2 PDR與電磁指紋庫(kù)數(shù)據(jù)融合

根據(jù)前述內(nèi)容易知，利用PDR的定位方法受到傳感器精度和初始位置的選擇影響較大，同樣，利用電磁指紋庫(kù)匹配定位的方式，也存在著其指紋信息容易隨著環(huán)境的溫濕度和其他電磁輻射等影響而變化，使得指紋信息失效的缺點(diǎn)與不足。

利用PSO-BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)PDR和電磁指紋庫(kù)數(shù)據(jù)的融合，用于提高整體定位效果。數(shù)據(jù)融合原理如圖6所示。

Wi-Fi電磁指紋庫(kù)所對(duì)應(yīng)的真實(shí)位置可以根據(jù)信號(hào)節(jié)點(diǎn)的布設(shè)得到，所以此絕對(duì)位置可以為PDR提供初始位置，由于PDR存在累積誤差以及電磁指紋庫(kù)易受到環(huán)境影響等緣故，使用PSO-BP神經(jīng)網(wǎng)絡(luò)，其中Wi-Fi處理模塊的參數(shù)和PDR處理模塊的參數(shù)作為PSO-BP的輸入，那么輸出即為通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合而得到的待定位目標(biāo)的位置信息。

相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，PSO-BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的初始化已是經(jīng)過(guò)最優(yōu)化處理，所以將2個(gè)模塊的參數(shù)作為輸入可以更為有效地找到最優(yōu)擬合方式，而且，還可以較小的時(shí)間代價(jià)得到數(shù)據(jù)之間的關(guān)系。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)分析

實(shí)驗(yàn)場(chǎng)地選在本校1號(hào)實(shí)訓(xùn)樓的一層走廊，在此環(huán)境下經(jīng)過(guò)多次重復(fù)實(shí)驗(yàn)，將網(wǎng)格劃分為1.5 m×1.5 m的網(wǎng)格區(qū)域，共采集了246個(gè)指紋數(shù)據(jù)，每個(gè)指紋連續(xù)采集120個(gè)，時(shí)間間隔為1 s，如圖7所示。

實(shí)驗(yàn)設(shè)備使用三星Note3手機(jī)，搭載本團(tuán)隊(duì)研發(fā)的定位軟件，利用本樓層現(xiàn)有的Wi-Fi信號(hào)作為AP節(jié)點(diǎn)，如圖8所示。

本文主要通過(guò)對(duì)使用Wi-Fi電磁指紋庫(kù)定位、PDR方式定位和利用PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)電磁指紋庫(kù)與PDR數(shù)據(jù)進(jìn)行融合定位，并對(duì)這三種定位模式的精度進(jìn)行了相關(guān)實(shí)驗(yàn)和分析。其中，利用PPR定位的實(shí)驗(yàn)記錄結(jié)果見(jiàn)表1。

由表1可知，將實(shí)驗(yàn)區(qū)域劃分為10個(gè)子區(qū)域，每個(gè)子區(qū)域的行走時(shí)間控制在30 s，且進(jìn)行20次取樣，記錄每個(gè)子區(qū)域中的可用樣本數(shù)和偏離程度較大的樣本數(shù)，依次獲得利用PDR定位的誤差。

在同樣的條件下，按所設(shè)條件采集并建立Wi-Fi電磁指紋庫(kù)，PDR與電磁指紋庫(kù)實(shí)驗(yàn)時(shí)間間隔1 h（包含指紋庫(kù)建立時(shí)間），如圖9所示。

從圖9可以清楚地分析，利用PDR定位對(duì)初始位置的選擇很重要，所以在1區(qū)域PDR的初始誤差0.20要明顯大于指紋庫(kù)定位誤差0.15，在區(qū)域4之前的測(cè)量PDR均優(yōu)于指紋庫(kù)定位。區(qū)域4之后由于時(shí)間關(guān)系，PDR有一定的累積誤差，此時(shí)相比于指紋庫(kù)的穩(wěn)定性，PDR定位誤差會(huì)大于電磁指紋庫(kù)。

使用本文提出的PSO-BP神經(jīng)網(wǎng)絡(luò)融合算法，迭代次數(shù)設(shè)為100，訓(xùn)練性能分析如圖10所示。

進(jìn)行100次迭代運(yùn)算，在41次運(yùn)算時(shí)BP神經(jīng)網(wǎng)絡(luò)的權(quán)重ω和閾值b已經(jīng)達(dá)到最優(yōu)狀態(tài)，整體系統(tǒng)誤差分析如圖11所示。

通過(guò)建立PSO-BP神經(jīng)網(wǎng)絡(luò)，對(duì)預(yù)先采集到的PDR和指紋庫(kù)數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，用于對(duì)PSO-BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的前期訓(xùn)練和性能調(diào)整，驗(yàn)證集是待定位節(jié)點(diǎn)進(jìn)入該實(shí)驗(yàn)區(qū)域后實(shí)時(shí)傳入網(wǎng)絡(luò)模型中的數(shù)據(jù)。

可以看到，三者數(shù)據(jù)得到結(jié)果的均方誤差相比較起來(lái)是基本吻合的，其中驗(yàn)證集的最優(yōu)均方誤差在4.662 4*10-7，所以通過(guò)此方法進(jìn)行室內(nèi)定位的表現(xiàn)達(dá)到預(yù)計(jì)要求。

3.2 定位精度

可以清楚地看到，誤差低于2 m的概率是0.76，單獨(dú)使用Wi-Fi電磁指紋庫(kù)進(jìn)行定位的最大誤差可以達(dá)到3.5 m。

使用改進(jìn)PDR與電磁指紋庫(kù)融合定位算法得到的定位誤差直方圖如圖13所示。

由圖13可以清晰地看到，定位誤差低于2 m的概率在0.86，相比于單獨(dú)使用電磁指紋庫(kù)定位方法的0.76概率，已經(jīng)有了顯著的提高，且最大定位誤差僅為2.4 m。2種定位算法的比較結(jié)果見(jiàn)表2。

綜上所述，相比較單獨(dú)使用電磁指紋庫(kù)而言，使用融合算法則明顯提升了當(dāng)前時(shí)刻的定位精度。

4 結(jié)束語(yǔ)

考慮在室內(nèi)這種弱缺衛(wèi)星信號(hào)環(huán)境下，Wi-Fi電磁指紋庫(kù)作為一種普遍使用的定位方式，但是由于其受到環(huán)境溫、濕度等影響較大，使得在線階段定位出現(xiàn)很大偏差。本文在分析傳統(tǒng)的電磁指紋庫(kù)定位算法的同時(shí)，加入了待定位節(jié)點(diǎn)自身的速度、步長(zhǎng)等信息，即PDR技術(shù)，并在其基礎(chǔ)上根據(jù)實(shí)際情況，提出了改進(jìn)PDR模型，模型中則考慮了時(shí)間對(duì)傳感器采集的影響。

充分利用電磁指紋庫(kù)數(shù)據(jù)和改進(jìn)PDR數(shù)據(jù)，針對(duì)此種非線性問(wèn)題，使用強(qiáng)大的PSO-BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)進(jìn)行融合，平均誤差僅在1.593 0 m，誤差在2 m以下的概率達(dá)到86%。

參考文獻(xiàn)

[1] 閆馳. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)定位算法[J]. 電子科技， 2016， 29（4）：56.

[2]朱亞萍， 夏瑋瑋， 章躍躍，等. 基于RSSI和慣性導(dǎo)航的融合室內(nèi)定位算法[J]. 電信科學(xué)， 2017（10）：99.

[3]LIU Caifeng， GU Yiming. Research on indoor fire location scheme of RFID based on WiFi[C]// Nicograph International（NicoInt）.Hangzhou，China： IEEE， 2016：116.

[4]李程程. 基于位置指紋的WIFI室內(nèi)定位技術(shù)研究[D]. 合肥：合肥工業(yè)大學(xué)， 2016.

[5]張慶波， 傅忠謙， 楊可. 基于無(wú)跡卡爾曼濾波的粒子群算法研究[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)， 2013， 43 （10）：850.

[6]周瑞， 袁興中， 黃一鳴. 基于卡爾曼濾波的WiFi-PDR融合室內(nèi)定位[J]. 電子科技大學(xué)學(xué)報(bào)， 2016， 45 （3）：399.

[7]李志強(qiáng). 基于粒子濾波和電子地圖融合的室內(nèi)定位技術(shù)研究[D]. 成都：電子科技大學(xué)， 2016.

[8]趙逢達(dá)， 閆亭亭， 孔令富. 一種基于粒子濾波的智能移動(dòng)終端室內(nèi)行人定位算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)， 2014， 35（8）：1842.

[9]李瑞峰， 趙立軍， 靳新輝. 基于粒子濾波器的室內(nèi)移動(dòng)機(jī)器人自定位[J]. 華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版， 2008（S1）：145.

[10]WANG Changzhi， WU Fei， SHI Zhicai， et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J]. Optik - International Journal for Light and Electron Optics， 2016， 127（17）：6839.

[11]劉小康， 郭杭. 基于Zigbee室內(nèi)定位系統(tǒng)的指紋庫(kù)優(yōu)化算法[J]. 計(jì)算機(jī)工程， 2014， 40（2）：193.

[12]WANG Changzhi， SHI Zhicai， WU Fei. An improved particle swarm optimization-based feed-forward neural network combined with RFID sensors to indoor localization[J]. Information， 2017， 8（1）：9.

[13]WANG Changzhi， SHI Zhicai， WU Fei. Intelligent RFID indoor localization system using a Gaussian filtering based extreme learning machine[J]. Symmetry， 2017， 9（3）：30.

[14]ZHOU Mu， XU Yubin， TANG Li. Multilayer ANN indoor location system with area division in WLAN environment[J]. Journal of Systems Engineering and Electronics， 2010， 21（5）：914.

[15]張鵬， 趙齊樂(lè)， 李由，等. 基于PDR、WiFi指紋識(shí)別、磁場(chǎng)匹配組合的室內(nèi)行人導(dǎo)航定位[J]. 測(cè)繪地理信息， 2016， 41（3）：29.