室内无线网络定位（共10篇）
室内无线网络定位 篇1
无线网络逐步进入咖啡馆、大学校园、机场,由于许多应用都需要知道人或物体的位置,人们对定位问题做了很多的研究,已经相继建立了各种定位服务体系。位置估计即定位,通常也涉及移动物体在物理空间位置问题。虽然位置估计是研究热点,很多解决方法由于成本、复杂性、准确性或实现的可行性而难以应用到实际中。无论室内定位还是室外定位,在技术方面都面临严重的挑战。
使用室内定位系统(Indoor Positioning Systems,IPS)来估计无线设备(例如:笔记本电脑、手持设备等)的位置。典型的应用属性包括从接入点收到的接收信号强度(Received Signal Strength,RSS),信号到达的角度(Angle of Arrival,AOA),到达时间(Time of Arrival TOA),到达时间差(Time Difference of Arrival,TDOA)。所有这些属性中,RSS是目前唯一价格合理的硬件可以测量的属性[2]。在实验室环境下,RSS信号的衰减与距离的对数呈线性关系,在二维空间,利用3个接入点的RSS信号进行三角测量可以确定一个标签的位置。在实际中,建筑物的物理特性例如:墙、电梯、家具以及人们的活动都会给RSS信号带来影响。
距离是确定位置的根本,因此必须选择适当的测量距离方法。一般有两种方法,传输时间(Time of Flight,TOF)和信号衰减(Sig-
nal Attenuation)。
传输时间为无线电波从A点到B点传输使用的时间。无线电波以光速进行传播,据此我们可以通过测量传输时间,很容易地计算出两点之间的距离。由于时钟频率的有限性,数字电子测量的时间是离散的单位时间。由于光的传播速度很高,为了得到准确的测量距离,需要高分辨率的时钟测量时间。无线电波的反射可能引起问题,现在人们还不能分辨直接传播过来的无线电波和反射回来的无线电波的差异。但是,通过多种测量方法,尽可能消除这种问题或将这种问题的影响降至最低应。
在一定距离内,信号强度与距离成反比,并且信号衰减与距离的对数成反比。路径损耗是由于传输导致信号的强度减弱,其中的一部分损耗就是由于障碍物和其他环境因素造成的。另一部分是自由空间路径损耗,就是空间损耗,而不是障碍或其它干扰因素。
无线网络中位置估测技术大致可分为用于建模的方法和监督学习方法。对于建模方法,多数技术覆盖全部区域并收集来自所有可见的一个或多个接入点信号强度的样本采样点。每个点映射到一个信号强度矢量或信号强度的概率分布。这种技术在数据收集方面需要大量的工作。另外,它使用参数模型,计算与建筑物有关的信号传播物理衰减详细情况来获取相关区域内长期变化的详细地图。
监督学习方法,训练阶段数据包括信号强度向量,每个向量代表一个已知位置。向量维数等于接入点的数量。其相应的位置可能是一维、二维和三维。收集位置信息劳动量非常大,需要测量相对于参考物体(例如:墙体)的物理距离。在模型建立阶段,建立了信号强度向量到物理位置的预测模型。
收集大量的训练数据和必要的物理位置测量需要巨额的前期成本和部署工作。而且,即使在普通的办公室环境下,改变环境、建筑物和室内情况都会影响到信号传播,需要重新采集数据以维持无线电测量的准确性。因此,最大限度地减少训练观察次数,充分配置一个特定的网络,应该尽量减少对墙体、地板等的依赖。
1 通常的无线定位系统
全球定位系统(GPS)是美国政府的卫星导航系统,该系统24颗卫星组成,它们位于距地表20 200km的上空,均匀分布在6个轨道面上,每一个卫星周期是12小时。因此,从地球上的任何一点可以看见8-12颗卫星。每颗卫星广播扩频信号在1575.42 MHz和1227.6MHz。信号包含两个部分:时间代码和导航信息。GPS导航系统的基本原理是测量出已知位置的卫星到用户接收机之间的距离,然后综合多颗卫星的数据就可知道接收机的具体位置。
GPS和无线电技术是有效的定位技术。虽然GPS是广泛的定位技术,但由于成本、功率要求以及不能在某些特定环境工作,例如室内、地下室和城市峡谷地带,现今市场上可以运用GPS定位的设备还是有限的。
由微软开发的RADAR系统利用无线电频率的定位系统。它通过测量多个基站的信号强度,这些信号强度与信号强度数据库相比,以确定目标物体距离,然后计算的目标物体的位置。通过记录和处理多个基站的信号强度,RADAR系统得以运行,在相关区域,这些基站信号重叠。这有两个优点:只需要有三,四个基站,可以安放很容易地基础设施,无线局域网WLAN可以非常容易地设置。然而,信号强度很容易受环境干扰。
无线射频识别(Radio Frequency Identification,RFID)技术利用无线射频信号自动识别目标物体或者对目标无图进行定位,通常主要由阅读器、电子标签和天线组成,以无线收发器为标签(Tag)来标志目标物体,标签上携带关于这个对象的数据信息。标签无线电收发器通过无线电波将这些数据发射到阅读器(Reader)。阅读器对这些数据进行收集,并通过计算机处理它们。射频识别技术的特点:不受空间限制,可快速进行物体追踪和数据交换,可实现批量读取和远程读取。近年来,电子产品码(Electronic Product Code,EPC)和物联网(Internet of Thing)不断宣传,加之沃尔玛、美国国防部等对RFID的应用,RFID已经成为科技界的热点之一,被逐渐应用于物流仓储、商品销售、工业制造、资产管理、交通运输、动物识别、军事航空和防卫防盗等各个领域。
2 无线网络定位的相关理论
2.1 树理论(Tree)
聚类(Cluster)分析是由若干模式组成的,通常,模式是一个度量向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
网格空间被分成聚类,决策树用来查询每个聚类,联合聚类技术利用聚类的位置图和概率分布进行无线定位。聚类,代表离线阶段测量的一个接入点的位置以及对不同的访问点的信号强度的联合概率分布。实时定位阶段,从某些接入点集合接收到信号强度(RSS),这些接受信号强度(RSS)是用来确定群集搜索可能的位置,电子地图和贝叶斯理论用来搜索用户在集群中最可能的位置。利用接入点选择的接受信号强度(RSS)决定哪个簇是目标物体的可能位置。聚类和决策树的方法(CADET),在无线区域中无线接入点集合显示出良好性能,对噪声数据有很好的抗干扰性[2]。
此算法的性能主要取决于决策树的结构,建立一颗决策树可能只要对数据库进行几遍扫描之后就能完成,需要的计算资源较少;树的搜索过程是一个在结点内搜索和沿着某一条路径向下一层搜索交替进行的过程。因此,树的搜索时间与树的阶数和树的高度有关。搜索成功所需要的时间取决于关键码所在的树的层次,搜索不成功所需要的时间取决于树的高度,关键字节点的数目,取决于网格空间划分的粒度,必须加以权衡。
2.2 图论(Graph)
图形化模式是一种多元统计模型集合,并融合了环境无关性技术。图模型中所有变量都是离散的变量,图中的顶点对应的随机变量和边缘编码关系,边对应变量之间的关系。迄今为止,大多数图模型针对有向无环图,不含环的无向图,连锁图,图中可以含有有向边和无向边但不能有环。
文献[2]讨论了有向无环图(acyclic digraphs,ADGs),图中包含连续性随机变量。在ADGs中,所有的边都是有向边,用箭头表示。如果有向无环图中不含回路,则它是非循环的。图中每一个顶点代表一个随机变量,包含样本空间的位置信息。在一个有向无环图中,父节点的有向边指向其子节点,某节点直接指向的节点为其子女节点。如果有从节点v到节点w的有向边,则节点w是节点v的子节点。节点v的父节点(可能有多个父节点)是v的唯一影响因素,因此节点v相对于自己的非父节点是独立的。
由于图中所有的变量是离散的,Spiegelhalter和Lauritzen(1990)提出了贝叶斯分析并说明独立的Dirichlet先验分布,当数据到达后进行局部更新,形成后验分配。Heckerman,Geiger和Chickering(1995)提出了相应的完整的数据概似函数封闭形式表达式和后验概率模型。Madigan和York(1995年)描述了相应的贝叶斯模型平均程序。在Bayesian框架下,模型参数为随机变量,用图中顶点表示;顶点之间的联系用图中的边表示[2]。
2.3 模糊数学(Fuzzy Math)
人与计算机相比,一般来说,人脑具有处理模糊信息的能力,善于判断和处理模糊现象。各门学科,尤其是人文、社会学科及其它“软科学”的数学化、定量化趋向把模糊性的数学处理问题推向中心地位。尤其是,随着电子计算机、控制论、系统科学的迅速发展,要使计算机能像人脑那样对复杂事物具有识别能力,就必须研究和处理模糊性。
模糊数学又称FUZZY数学。“模糊”二字译自英文“FUZZY”一词。模糊数学是研究和处理模糊性现象的一种数学理论和方法。经典的集合论明确地规定:每一个集合都必须由确定的元素所构成,元素对集合的隶属关系必须是明确的。对模糊性的数学处理是以将经典的集合论扩展为模糊集合论为基础,对模糊现象的数学处理就是在这个基础上展开的。
接受信号强度(RSS)的不确定性可以抽象化为模糊集。所谓模糊概念是指这个概念具有不确定性,或者说它的外延是不清晰的,是模糊的。模糊理论是以模糊集合(fuzzy set)为基础,其基本精神是接受模糊性现象存在的事实,而以处理概念模糊不确定的事物为其研究目标,并将其严格量化成计算机可以处理的信息。离线阶段,建立无线电地图并用来模糊推理系统实验,有6个RSS信号值的模糊集:优秀,非常好,好,低,极低,和无。目标设备对定位区域的隶属度和位置,用RSS信号的模糊度来估计[1]。
2.4 概率论(Probabilistic)
由J.Pearl(1988)提出将概率论应用于不确定性推理,利用数学和计算机将不同的信息来源和各种不确定性因素结合,是人工智能、概率论、图论相结合的产物,已被广泛应用于预测、分类、因果分析等工程领域[2]。
无线定位技术一般分为确定性和概率性。确定性技术基于确定的范围或临近关系。确定范围的技术使用信道特性,例如接受信号强度(Received Signal Strength,RSS),计算目标物体和无线接入点(Access Point,AP)之间的距离。神经网络,特别是一个广义回归神经网络(General regression neural network,GRNN),已被用作匹配的地理定位系统的算法。该算法用于模式匹配算法,在训练阶段,神经网络的输入每一个测量RSS信号的接入点和接入点相应的无线电地图网格位置。有一个隐藏的GRNN的层和一个输出层,输出层两个神经元对应电子地图x、y坐标。实时定位阶段,GRNN网输入一组相应的RSS值,输出的是在栅格地图中估计的用户位置的X和Y坐标。在移动设备上运行位置估计算法需要一个无线电地图备份,运行在目标设备上的算法的优点是用户的隐私保护和改善可扩展性[1]。
在室内无线环境中,概率论方法具有不确定性,构建不同地点信号强度分布的无线电地图并使用的概率推理方法定位。概率定位,在相关的领域构建条件概率分布,来确定目标物体在一些特定时间点的位置的可能性。概率技术比确定性技术有很高的计算复杂性但同时也具备较高的精确性。这些技术通常由离线训练阶段和实时定位阶段组成。有些位置估测技术由相关领域可达位置的RSS值在离线阶段建立电子地图。室内区域由多个接入点覆盖,系统收集在不同地点接入点的信号强度,并构造一个基于直方图的电子图。然后,系统读取从任意位置收到的信号强度,从电子地图上估计与实际距离最接近的值,运用直方图进行位置估计更加细致的量化接收信号强度(RSS),不仅可以提高定位的精确性还可以无线信道中的噪音[6]。
但是,使用概率论方法进行位置估计有一些缺点。首先,这些方法都需要大量的训练模型准确标记的数据。在现实中,数据收集是一个耗时的过程。在室内的环境中收集和标记信号强度数据,前期测试花费很多时间。其次,由于非线性原因,建立物理空间和无线信号之间的联系是非常困难的。因此,即使有很多的收集数据,两个空间之间的直接映射可能并不能正常工作。第三,许多概率技术采用的分类的方法,把相关场所看做离散量来分类。然而,这种方法忽略了物理上的邻近地点属性相似的重要属性。
2.5 DV-hop算法
DV-hop算法不使用所有的距离信息,仅仅基于拓扑信息。DV-Hop基本上由两个阶段。在第一阶段,节点获得位置和到锚节点最小跳数。第二个是需要将校准波转换成距离。这种转换包括乘以平均跳数的距离。每当利用锚A1推断另一个锚A2在校准波的位置时,需要计算它们之间的距离,并把它们之间的距离划分成了多跳并计算出A1和A2之间的平均每跳的距离。当校准的时候,系统知道所有的锚,锚节点收到额外的锚信息,重复校准程序。但只有第一个锚节点转发校准信息,从而降低了网络中的信息量。
当通过多跳传播距离信息时,会产生累积误差。一些大型网络中,即使通过很少的锚节点(长距离)或小范围传播的硬件等,此累积误差变得尤为显著。这种定位方法依赖于网络拓扑结构,网络拓扑结构不规则时,定位精度严重下降。
3 无线定位网络
3.1 贝叶斯网络定位
贝叶斯网络又称信度网络,是一种概率网络,基于概率推理和有向图网络结构描述,贝叶斯公式是这个概率网络的基础,直观地表达变量联合概率分布及其条件独立性。所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程,基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的,其关键是确定节点的联合概率分布,它对于解决复杂设备不确定性和关联性引起的问题有很大优势。不同贝叶斯网络模型的区别在于他们以不同的方式求解该概率分布[2]。
贝叶斯网络有定性部分(有向无环图表示网络拓扑结构)和定量部分(条件概率表)组成,用N=
贝叶斯网络基本推理任务是给定一个变量集合的观测值,计算出另一个被调查的变量集合的后验概率分布。贝叶斯网络推理主要利用贝叶斯网络对变量联合概率分布的表达式计算待求概率值的过程,是贝叶斯网络应用的基础。利用分层贝叶斯模型融合重要的先验信息和物理模型特性建立逼真的复杂定位模型,有两种定位方法:第一种,基于客户端模型,客户端测量接收到各个接入点发射来的信号强度,利用这些信息来确定自己的位置,这种定位方法,目标设备上需要有电子地图的拷贝,在目标设备上运行算法既保证了用户隐私的保密性又提高了可扩展性。但是对客户端要求较高,必须考虑到客户端对能量的需求;第二种基于框架的模型,系统利用所谓的嗅觉器监测客户端发出的信号强度,这种方法要事先设置探测器,并已知探测器的位置,将分层贝叶斯模型与先前的Wi-Fi信号特性相融合,在没有任何物理位置信息的情况下,进行精确定位[2]。
3.2 Wi-Fi网络定位
基于IEEE802.11b的Wi-Fi无线网络基础设施包括许多无线客户端和接入点,接入点作为无线网络和有线网桥梁,Wi-Fi是一种短程无线传输技术。能够访问Wi-Fi网络的地方被称为热点。Wi-Fi或802.11b在2.4Ghz频段工作,所支持的网速最高达11Mbps。标准Wi-Fi网络设置包括一个或多个接入点为用户终端,通过无线电波联网,常见的是无线路由器,在无线路由器的电波覆盖的有效范围都可以采用Wi-Fi连接方式进行联网。
Wi-Fi网络在不增加额外的硬件情况下,轻松应用于位置估计,可以被更多的人使用。在Wi-Fi网络环境中,通过分析接入点相对于无线网络设备信号强度或者信噪比来推断目标物体的位置[4]。客户端使用或“连接”到一个接入点,此接入点提供最强的RSS信号。客户端漫游,它定期检查信号强度,以确定最佳的接入点。通过信号测量,可以得到客户端的位置。
WIFI适配器使用扩频技术,遍及多个频率的信号。通过这种方法,一个频率的信号受到干扰不会影响整个无线电信号。信号本身传播方式复杂多变。当无线电波遇到障碍物,引起反射、吸收、衍射,会随机改变信号强度。其他各种因素,如噪音、物理干涉和不同信道之间的干扰也会影响信号。水的共振频率为2.4 GHz,人体70%是水,因此,人体也吸收无线电波信号和影响信号强度。这一切的后果是,接收信号强度随地点改变而改变并且在同一个地点随时间改变而改变。但是,位置空间相邻的信号形状相似,虽然存在各种外部变化,无线电信号形状在短距离内仍相似,而且,在小范围区域无线电信号强度随时间变化很小,信号衰减大致与距离的对数成反比[12]。
3.3 Ad-hoc网络定位
Ad Hoc网络是一种没有有线基础设施支持的移动网络,网络中的节点均由移动主机构成。移动IP网络中移动主机不具备路由功能,只是一个普通的通信终端,而Ad hoc网络中的主机同时也相当于路由器,具有路由功能,主要完成发现和维持到其他节点的路由。移动IP网络中移动主机从一个区移动到另一个区时并不改变网络拓扑结构,而Ad Hoc网络中移动主机的移动将会导致拓扑结构的改变。由于Ad-hoc网络是自组织网络,所以Ad-hoc网络中的定位均依赖于网络的拓扑结构进行定位,即Ad-hoc网络的定位不依赖于基于距离的定位技术。比如利用DV-hop算法进行无线定位。
分布式算法可大规模应用于Ad hoc传感器网络。这种算法应该是:自组织(即不依赖于周围环境的基础设施)、稳健(即可以允许的范围内节点失败和错误)和节省能源(即几乎不需要计算,特别是通信)。
Ad hoc网络的应用包括:交互式演讲、共享信息的会议、无线接入网、战场上信息中继及防汛抗洪等紧急通信需要。网络既可以作为一种独立的网络运行,也可以作为当前具有固定设施网络的一种补充形式,生存性较强的后备网络。也使用于没有有线通信的地方,如没有建立硬件通信设施或有线通信设施遭到破坏的地方,很适合灾难救助、偏远地区通信等应用[11]。
Ad Hoc网络最初应用于军事领域,起源于战场环境下分组无线网数据通信项目,该项目DARPA由资助,其后,又在1983年和1994年进行了抗毁可适应网络(Surveivable Adaptive Network,SURAN)和全球移动信息系统(Global Information System,GIo Mo)项目的研究。由于无线通信和终端技术的不断发展,Ad Hoc网络在民用环境下也得到了发展,如需要在没有有线基础设施的地区进行临时通信时,可以很方便地通过搭建Ad Hoc网络实现。
通过对以上定位思想的简要概述,接下来,我们提出了一种改进的无线定位思想:
4 接收信号强度差(Received Difference of Signal Strength,RDSS)
在各种定位系统中,RSS是唯一价格合理的硬件可以测量的特性,还有很多研究用飞行时间来测量目标物体的位置,由于无线电波飞行速度很快,所以,需要严格的时间同步,TDOA的思想是:通过各个接收点接收到的无线电信号到达时间差来进行位置估计;和TDOA相类似,这里用多个接入点而不是一个接入点来估计目标物体的位置,RSS是利用接入点接收到的信号强度进行定位,但是无线电信号会受到各种干扰因素的影响,不同的时间,接收点接收的无线电信号也会不同,从而影响定位精度。我们提出一种算法的思想就是:利用多个接入点接收无线电信号,对于目标物体的定位算法,不是直接利用RSS值进行计算,而是通过数据库中事先建立的各个接入点的无线电信号差值与定位区域中各位置的对应关系即各个点的位置和信号强度差值关系的离线数据库,当然这个算法前期也需要也要做许多数据收集方面的工作;用多个接入点接收到的信号差值与数据库中事先建立起的对应关系来查找目标物体应该处于的位置。由于RSS信号受到其他因素干扰,如果一个接入点接收到的信号受到干扰,其他接入点也应该受到相应的干扰,但如果目标物体的位置没有发生变化,各个接入点的无线电信号干扰差值变化应该具有某种规律,应用这种规律定位,应该可以减少信号衰减对无线电定位的影响。这种方法不需要额外的硬件开销,各个接入点接收的还是RSS信号,RSS信号差值可以通过软件计算,数据库中也要做相应的改进,不是单单存储RSS信号与物理位置的对应关系而是存储多个接入点的RSS信号差值与物理空间各位置的对应关系。
5 结论
本文简要介绍了无线网络中定位问题的相关理论,简要介绍了GPS、微软的RARDAR系统和RFID系统,然后介绍了无线定位中应用的相关理论,接下来简要介绍了Bayesian网络、WIFI网络和Ad hoc网络定位。最后,结合RSS定位与TOOA定位,提出了一种改进的定位方法———接收信号强度差(RDSS)定位技术。
参考文献
[1]Derr K,Manic M.Wireless Indoor Location Estimation Based on Neural Network RSS Signature Recognition[C].3rd IEEE Conference on Industrial Electronics and Applications,2008.
[2]Madigan D,Ju Wen-hua,Krishman P,et al.LOCATION ESTIMATION IN WIRELESS NETWORKS:A BAYESIAN APPROACH[M].Rut-gers University and Avaya labs Research,2005.
[3]Mallinson H.An Overview of Location and Identity Technologies[D].Auto-ID Center,University of Cambrige,2005.
[4]Castro P,Chiu P,Kremenek T,et al.A Probabilistic Room Location Service for Wireless Networked Environments[D].UCLA,USA,FX Palo Alto Laboratory,USA.
[5]Gibson D,Adriaens J.CS/RADAR:Indoor Location Discovery and Tracking[D].University of Wisconsin-Madison.
[6]Youssef M A,Agrawala A,Shankar A U,et al.A Probabilistic Clustering-based Indoor Location Determination System,University of Maryland,March,2002.
[7]Langendoen K,Reijers N.Distributed Location Algorithms[D].Delft University of Technology.
[8]Albowicz J,Chen A,Zhang Lixia.Recursive Position Estimation in Sensor Networks[D].UCLA Internet Research Laboratory.
[9]Youssef M A,Agrawala A,Shankar A U.WLAN Location Determination via Clustering and Probability Distributions[D].University of Maryland College Park,Maryland.
[10]Pan J J,Kwok J T,Yang Q,et al.Accurate and low-cost Location Estimation Using Kernels.Department of Computer Science[D].The Hong Kong University of Science and Technology,Hong Kong,Institute of Computer Technology,Chinese Academy of Science,China.
[11]Agre J,Akinyemi A,Ji L,et al.A Layered Architecture for Location-based Services in Wireless Ad Hoc Networks[D].Fujitsu Laboratory of America.
[12]Bartels S.WIFI Location System Investigation.Technical report[R].The University of Waikato,2005.
基于TDOA室内定位算法的研究 篇2
【摘要】在通信领域中，定位是一个值得研究的方向，其中室内定位是一个新的热门研究方向。在室内定位中，我们要考虑到各种误差对定位精度的影响，同时还要考虑到为了尽可能地减小误差对定位性能的影响使用的定位算法的复杂度。定位最想要的结果就是用合适的复杂度尽可能小的定位算法得到定位精度尽可能高的定位结果。在本文中，我们讨论TDOA的定位方法，同时研究基于TDOA的WLS算法、Chan算法和Taylor算法。
【关键词】室内定位；定位算法；TDOA；Chan算法；Taylor算法
在室内定位领域中，室内定位算法是极为重要的，它关系到定位性能的优劣。在研究室内定位时，对于误差，我们主要考虑系统误差和非视距（NLOS）误差，系统误差是由定位系统本身造成的，而非视距误差是由障碍物的遮挡造成的。在进行各种定位算法时，需要克服这两种误差。各种算法都有优缺点，不同的环境算法的选择不同，各种算法适用于不同的环境。在室内定位的研究中，基于TDOA定位算法的种类更多一些，本文深入介绍有关TDOA定位的一些定位算法。
1、TDOA定位
在室内定位的过程中，我们利用几个基站BS得到MS的坐标估计值，最常见的方法就是直接测出BS到MS之间的时间，而后得出BS到MS之间的距离量，这就是我们通常所说的TOA定位，但此法需要各个BS和MS之间在时间上必须保持同步，不能有偏差，这就给定位带来一定的麻烦。为了解决这一问题，提出利用距离差进行定位，这就是TDOA定位，TDOA定位只要保证各个基站保持时间同步就可以进行。
2、基于TDOA定位算法
利用TDOA定位的算法有很多，下面我们介绍几种基于TDOA的定位算法。
2.1 WLS算法
WLS定位算法是由LS法演进得来的，在室内定位的算法中，LS法是用得最为广泛的定位算法，LS算法不涉及到权重的问题。但在实际应用中，WLS算法比LS算法用得更为广泛，由于WLS算法的定位精度要高于LS算法，故在很多算法中用到WLS算法。WLS算法和LS算法相比，唯一需要解决的问题就是WLS算法中的权值取值问题。对于TDOA来说，一般取TDOA协方差矩阵作为WLS算法中的权值。
2.2 Chan算法
在室内定位算法中，Chan算法[1]应用最为广泛。该算法的复杂度低、定位算法高，但在NLOS情况下，该算法的定位精度很低，故在好多文章中，对Chan算法进行改进来减少NLOS误差对定位性能的影响。我们知道：
（1）
将（1）式经过一定的变化，我们得到：
（2）
将（2）式写出矩阵形式，利用3次WLS法得出Chan算法的定位估计值。其中在进行第一次WLS法时，我们将权值取为：
（3）
2.3 Taylor算法
Taylor算法[2]为比较常见的定位算法，该算法可以减小NLOS误差对定位性能的影响，该算法为迭代算法，故算法复杂度较高。Taylor算法需要一个相对较为准确的定位估计值作为该定位算法的初始值，如果初始值选择不准确，Taylor算法得出的定位估計值的误差就会很大。我们知道：
（4）
对（4）进行泰勒级数展开，且忽略泰勒级数展开式中二阶以上的分量，我们就得到以误差为变量的矩阵形式，经过一定的处理，得到Taylor算法的定位估计值。
2.4 Chan-Taylor算法
在进行Taylor算法时，需要一个相对准确的定位估计值作为泰勒级数法的初始值，我们可以利用WLS算法得出的定位估计值作为初始值，但我们知道，在LOS环境下，不考虑NLOS误差时，Chan算法得出的定位估计值的精度要高于WLS算法得出的定位估计值，故我们用Chan算法得出的定位估计值作为Taylor的初始值，这样我们用泰勒级数法就会得到相对可靠的定位精度较高的定位估计值，这就是Chan-Taylor算法[3]。
2.5 其他混合算法
Chan-Taylor属于混合算法，混合算法的前提就是算法中必须有迭代算法，这样才能实现算法上的混合。除了Taylor算法外，还有一些迭代算法，比如牛顿迭代法[4]，在使用该算法之前，需要用某种算法得到一个相对准确的定位估计值作为牛顿迭代法的初始值，这样我们用牛顿迭代法就会得到相对较为准确的定位估计值。
2.6 其他算法
基于TDOA的定位算法除了以上几种算法外，还有Fang算法、SX算法、SI算法等，这些算法不太常见。
3、结论
TDOA定位方法是最为常见的方法，虽然TOA定位方法得出的定位估计值的定位精度相对较高，但由于MS和BS之间必须保持高度同步，故和TDOA定位方法相比，TOA定位不太让研究者们所认同。对于TDOA定位，研究者们得到很多适用于各种情况下的定位算法。除了TOA和TDOA定位外，还有RSSI的定位方法[5]，将此定位方法和TDOA定位混合使用，往往会得到定位精度更为高的定位估计值。
参考文献
[1]Y.T.Chan，K.C.Ho.A Simple and Efficient Estimator for Hyperbolic Location[J].IEEE Trans on signal processing，1994，42（8）：1905-1915.
[2]熊瑾煜，王巍，朱中梁.基于泰勒级数展开的蜂窝TDOA定位算法[J].通信学报，2004，25（4）：144-150.
[3]刘林，邓平，范平志.基于Chan氏算法和Taylor级数展开法的协同定位方法[J].电子与信息学报，2004，26（1）：41-46.
[4]刘利军，韩炎.基于最小二乘法的牛顿迭代信源定位算法[J].弹箭与制导学报，2006，26（3）：325-328.
室内无线网络定位 篇3
近年来,随着无线技术的发展,对室内外环境中人员和物体的追踪定位引起了研究者的广泛研究,基于位置服务(LBS)越来越受到人们的关注。位置服务即根据服务消费者所在地理位置的不同提供对应的信息服务,作为LBS的核心技术之一,室内定位是其重要的组成部分。因为可以广泛用于室内路由、治安、消防等方面,因此定位算法的研究具有重要意义。在室内定位系统开发研究方面,常用的方法是在室内环境下建立小范围定位网络。目前,越来越多的定位直接利用现成的无线通讯模块来估计对象节点(盲节点)的位置,应运而生的ZigBee技术以低成本、低功耗成为室内定位的首选。本文以ZigBee组建基本的网络,通过节点接收RSSI值的大小来进行距离计算,最终通过距离以及参考节点的位置来计算定位节点(盲节点)位置。
1 无线网络定位技术
在无线定位中,有基于测距和非测距两种方式。前者需要测量相邻节点间的绝对距离或方位,并利用节点间的实际距离来计算未知节点的位置;后者无需测量节点的绝对距离或方位,而是利用节点间的估计距离计算节点位置。基于测距的算法主要包含以下几种:三边测量、三角测量、极大似然估计等;基于非测距的算法主要有质心算法、DV-Hop算法、D-distance算法、凸规划算法等。对定位算法的性能评价指标主要有定位精度、节点密度、容错和自适应性、功耗和代价、网络规模等几个部分。综合以上因素以及结合现有的设备,本文选用基于RSSI测距的定位方式。其流程图如图1所示。
从图1可以看出定位由两部分组成:一是通过RSSI测距;二是根据距离以及参考节点位置计算盲节点位置。
2 RSSI测距模型
2.1 模型确立
无线信号传输中普遍采用的理论模型为Shadowing模型。该模型[1]为:
式中:d0是参考距离;p0是距离为d0时接收到的信号强度,其中还包含了遮蔽外衰减或环境造成的损耗参考(中值);d是真实距离;ζ是以dB为单位的遮蔽因子,其均值为0,均方差为σdB(dB)正态随机变量;p是接收信号强度;n是路径损耗指数,它的值依赖于环境和建筑物的类型。在实际测量中,选用以下的模型[2,3,4]:
即不统计遮挡因子对RSSI的影响,在实际环境下对RSSI影响最大的是非视距的影响。其中,射频参数A被定义为用dBm表示的距离发射器1 m接收到的平均能量绝对值,也就是距发射节点1 m处的接收信号强度;n为信号传输常数,与信号传输环境有关;d为距发射节点的距离。
2.2 参数优化
在使用A和n进行距离计算时,首先要面临的一个问题是A和n的取值问题。A和n的取值不同,对测距的误差影响很大。为了使模型能够尽量真实地反映出当前室内环境中的传播特性,保证RSSI测距的精度,需要对A和n进行优化,得到最适合该室内环境情况的参数值[5,6]。
通过线性回归分析来估计参数A和n的值,假设从室内环境得到的实验测量数据为(RSSIi,di),i=1,2,…,n,RSSIi表示在距离di上所对应的RSSI测量值。
式中:
以实验室走廊为例,测得100组数据,代入上述公式得出A=41,n=2.3。图2是参数优化后的RSSI测距模型曲线。在图中可以看出,根据线性回归分析可以很好地拟合出适应当前环境的模型曲线。
2.3 RSSI滤波处理
信号强度的定位算法中信号强度值随环境的改变有很高的灵敏度,这会限制测量的准确度。事实上信号强度与距离之间的关系很不让人满意,在环境中存在很大的波动性。在室内环境下实测得到的RSSI与节点间距离的关系曲线如图2所示。当传输距离较近的时候,RSSI值衰减得较快;当传输距离越远,衰减得越慢,接收强度对传输距离的变化表现不明显。在实际中,某一时间段内接收节点可以收到n个RSSI值,由于非视距和多径的影响,导致这些RSSI值具有很大的波动性,在代入公式进行计算之前,先进行滤波处理,得到一个比较准确的值,然后再进行计算。
本文采用高斯滤波模型进行RSSI滤波。引入高斯模型进行处理的原则是:在自然现象和社会现象中,大量随机变量都服从或近似正态分布,如材料性能、零件尺寸、化学成分、测量误差、人体高度等。
高概率发生区,选择概率大于0.6(0.6的取值是根据工程中的经验值)的范围。经过高斯滤波后,RSSI的取值范围为[0.15σ+μ,3.09σ+μ]。其中:
把该范围内的RSSI值全部取出,再求几何平均值,即可得到最终的RSSI值。
在d=1 m处,采集50组RSSI值,进行高斯滤波处理。
如图3所示,滤波前RSSI波动比较大,滤波后比较平滑。滤波前|RSSI|的平均值为38.9,计算距离d=0.71 m;滤波后|RSSI|的平均值为39.42,计算距离d=0.81 m。显然,高斯滤波能很好地提高测距精度。
3 定位算法
假设无线定位网络中有N个已知位置的参考节点,坐标为(x1,y1),(x2,y2),…,(xN,yN),RSSI测量值为(RSSI1,RSSI2,…,RSSIN)。通过利用无线信号传播衰落模型计算得到待定位节点到四个已知位置的参考节点的距离为R1,R2,…,RN,则可以得到以下方程[7]:
最终定位算法的研究就是求解该方程。在求解(x,y)过程中,选用基于泰勒级数展开迭代法进行计算。选用泰勒级数的原因基于以下几个方面[8]:
(1) 无需提供测距差测量值误差的先验信息。
(2) 可以应用于两个以上数目距离差测量的定位估计。
(3) 对距离差统计没有特殊要求。
(4) 在适当的距离差噪声水平上提供较准确的定位估计。
使用泰勒级数进行定位计算,首先面临的一个问题即泰勒级数展开需要一个与实际位置差距不大的初始值,初始值的选择越接近真实值,越可以保证算法的收敛性以及实时性。本文采用极大似然估计法来获取初始值,求得初始值公式为:
式中:
根据取得的值作为Taylor级数展开的循环初值,然后用Taylor级数展开,进行矩阵计算,并反复迭代求精,直到误差满足预先设定的门限,得出最终的位置坐标。
式中:
在每一次递归中,令
4 实验验证
实验是在实验室走廊(4 m×30 m)进行的,实验环境如图4所示。选用的是ZigBee硬件平台作为通信平台,该平台CC2431自带定位引擎,可以实现位置估计,并通过实验比较两种算法的差异。
CC2431使用的三边测量法进行位置计算, 采用均值滤波对RSSI进行滤波处理[9,10]。ZigBee开发平台如图5所示。
在实验环境中布置4个节点作为参考节点,位置分别定义为(0,0),(0,4),(30,0),(30,4)。确定A和n的值,实验环境与图2的实验一样。可以得知,A=41,n=2.3。在环境中任取31个点,分别测得该点的实际位置(x,y);使用CC2431得到的位置(x′,y′),使用本文提出的算法得到位置(x″,y″)。比较两个位置的误差大小d′与d″,如图6所示。
其中:
由图6可以看出,经过线性回归分析和高斯滤波,然后用泰勒级数展开,最终求得位置误差大约在1 m左右,而CC2431的定位误差在2~3 m左右。本文提出的定位算法较好地改善了定位效果,使定位误差主要集中在1 m左右,基本能够满足室内定位对误差的要求,提高了定位精度。
5 结 语
对基于RSSI的室内定位算法以及RSSI测距进行了全面分析。通过线性回归分析对参数进行优化,高斯模型对RSSI进行滤波,提高了测距的精度。最后采用泰勒级数展开法进行位置计算,比较了CC2431的定位算法,减小了定位误差,达到了提高定位精度的目的,证实了定位算法的优越性。
摘要：基于信号强度(RSSI)的测距是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中。基于RSSI测距的定位技术,通过线性回归分析对参数进行优化,引入高斯滤波模型,对RSSI值进行修正,提高了测距精度。采用泰勒级数展开对位置进行迭代计算,最后在TI的ZigBee平台上进行实验验证,通过仿真和实验验证了算法的可行性和优越性。与CC2431算法相比,该算法减小了定位误差,提高了定位精度。
关键词：RSSI,线性回归,高斯滤波模型,泰勒级数
参考文献
[1]ALI S,NOBLES P.Anovel indoor location sensing mecha-nismfor IEEE 802.11 b/g wireless LAN[C]//4th Work-shop on Positioning,Navigation and Communication.[S.l.]:WPNC,2007:9-15.
[2]WARD A,JONES A,HARPER A.A newlocation tech-nique for the active office[J].IEEE Personal Communica-tions,1997,4(5):42-47.
[3]方震,赵湛,郭鹏.基于RSSI测距分析[J].传感技术学报,2007,20(11):2526-2530.
[4]章坚武,张璐.基于ZigBee的RSSI测距研究[J].传感技术学报,2009,22(2):139-142.
[5]LI J,CUO L.Power-efficient node localization algorithminwireless sensor networks[C]//APWeb 2006 InternationalWorkshops.Harbin:[s.n.],2006,3842:420-430.
[6]WANT R,HOPPER A,FALCAO V,et al.The activebadge location system[J].ACM Transactions on Office In-formation Systems,1992,10(1):91-102.
[7]PRIYANTHA N B,CHAKRABORTY A,BALAKRISH-NAN H.The cricket location-support system[C]//Proceed-ings of MOBICOM 2000.Boston:ACM Press,2000:32-43.
[8]倪巍,王宗欣.基于接收信号强度测量的室内定位算法[J].复旦学报:自然科学版,2004,43(1):72-76.
[9]程丽君,谢晓佳.入井人员跟踪定位系统方案选择及基于ZigBee网络平台的人员跟踪定位系统研究[D].重庆:重庆大学,2007.
室内无线网络定位 篇4
国家着手布局
核心技术有待突破
2013年12月31日，位于上海市青浦区的“中国北斗产业技术创新西虹桥基地”正式运营，成为国内第一家以位置服务创新应用为核心的导航产业园。专家评价，该基地将推动中国卫星导航定位产业技术的创新和规模化发展，以服务智慧城市建设。
当前，我国卫星导航和位置服务市场潜力巨大。科技部此前发布的《导航与位置服务产业科技发展“十二五”专项规划》中就明确指出，导航与位置服务产业在国际上已成为继互联网、移动通信之后，发展最快的新兴信息产业之一，近年来持续保持50%以上的年增长势头。但目前我国在这方而的核心技术尚不完备，制约了该产业的健康快速发展，具体表现在定位方而，不能满足室内外高精度、全覆盖需求：在服务方而，不能满足海量用户智能化、个性化位置服务需求。
来自信息产业部的专家也表不，“如果不能拥有自己的核心技术，我们在这些产业链上将继续受制于人。”这些核心技术被概括为精确定位，全息导航地图，智能位置服务，其中制约核心技术突破的瓶颈技术则是以北斗为核心的多系统兼容互用，室内外协同同时精密定位等。
为此，我国将加快导航与位置服务产业的关键技术、核心部件和重大产品创新，拟建立5个高新技术产业化基地，形成10个左右的示范和试验应用，支撑中国导航和位置服务产业及应用健康可持续发展。
此次成立的“中国北斗产业技术创新西虹桥基地”便是其中一项。据悉，该基地计划在2013年到2015年间，在领域内形成一支200人左右的国家级创新团队，在位置服务关键技术研究上取得重大突破，形成一批具有国际影响力的知识产权、技术专利和国际标准，建成国际先进、国内最具有活力和竞争力的导航位置产业服务基地，并催生3到5个在国际上有重大影响力的北斗导航位置服务龙头企业，北斗导航位置服务出口额达到100亿人民币。
智能位置服务技术升级
主动结合地点服务
区别传统定位技术，智能位置服务最重要的是“智能”两字，即它要能做出智能AI判断，判断使用者身份，通过云端的数据库辨别消费者的使用习惯，甚至预测消费者某日的消费行为，然后将相关运算数据结果，推送给提供服务的服务商，再通过服务商将服务内容推送给消费者。
日前，通过与顾客随身携带的智能移动终端（手机、PC、平板电脑）进行土动通信，智能定位系统在顾客一走进某商户即可土动发现顾客，获取他们的个人信息（顾客姓名、消费习惯以及累积消费积分等），并将这些信息推送给商户的服务人员，这些原本只存在于科幻电影中的场景，轻松走入了现实。
对此，国内智能位置服务提供商上海照恒科技有限公司CEO柏强先生表不，“这种由商家发起的主动服务、认识服务，将早期在消费者消费后提供服务的惯例，转变成在消费者产生消费行为前，服务商土动地推送并引导消费者进行消费，改变了当前被动、单向的服务业整体形态，有望引发一场服务业态的全新升级。”
“智能位置服务解决方案并不同于目前主流的LBS（基于位置的服务），因为传统的LBS只做到了被动定位签到功能，并不能主动结合地点服务，土动发现用户，更无法落到实地，因此传统的LBS巾于技术限制至今还没有一个清晰的盈利模式，而这种盈利模式是基于商户的服务，并非定位技术本身。相比之下，智能定位解决方案则完全以新的技术驱动商户的服务，更易创造出商机。”
据悉，照恒科技的智能定位解决方案提出了All In One概念，它包含了基站定位、WIFI定位，GPS定位，还有蓝牙定位，即4合1的All In Orie定位技术。“照恒科技的智能定位解决方案并非要颠覆任何定位方案，而是要取长补短，从而为消费者提供一套完美的定位解决方案，我们的H标是满足绝大多数用户的定位需求。”柏强说。
TC-OFDM实现高精度
位置服务关键技术大突破
众所周知，卫星解决了室外定位的问题，但由于其信号强度弱、易受遮挡等环境因素干扰，难以在室内进行定位。而现有的室内定位技术如WLAh、UWB等系统虽然实现了局域室内高精度定位，但须布置大量节点，信号覆盖成本较高，不利于向广域推广，这使得室内位置服务发展产生了很大的瓶颈。因此，“广域室内外无缝高精度定位与位置服务”成为了各国正在攻关的难点和展现科技竞争水平的重要标志。
日前，我国在北京邮电大学邓中亮教授的牵头带领下，成功研制了TC-OFDM定位与通信融合的新型信号体制。依靠这种技术，不仪将室内定位精度提高了数十倍，突破了多项室内高精度定位关键技术瓶颈，还大大节约了成本，把现在的移动通信网变成既是通信网又是高精度定位网，对我国通信网未来增值业务提供了新的参考。
2012年3月，该基于TC-OFDM的广域室内外高精度定位系统在北京邮电大学通过了由多名院士、专家组成的项目鉴定专家委员会的科学技术成果鉴定，获得了极高评价：“在基于移动网络的广域室内外定位关键技术方而取得了重大突破，具有自主知识产权，总体技术达到国际领先水平，为国家应急救援、公共安全及广域室内外导航定位服务提供了重要的技术基础，具有广泛的应用前景，对提升中国相关产业的核心竞争力具有重要意义。”该技术形成的儿十项自主知识产权，完成了室内外高精度无缝定位原型系统研制，实现基于基站的水平优于3米，垂直优于l米的校园高精度室内外无缝定位，率先解决了北斗卫星导航系统的“最后一公里”瓶颈，对提升国家位置服务能力具有重大意义。
该项目成果已成为科技部羲和系统的重要组成之一，作为科技重大成果被列入国家多项计划和卫星导航产业中长期发展规划，也引起了国外的高度重视，有国外专家称“这是一项更精确的定位科学技术”，“为位置服务提供更广泛的覆盖”。
室内无线网络定位 篇5
目前,在室外环境下,全球定位系统(GPS)已经能够成功地对移动目标进行定位。它通过GPS接收机测量来自5～24个卫星信号的到达时间差(TDOA)进行位置估算,可以提供接近全球的定位覆盖范围。但在室内环境下,GPS的卫星信号受室内障碍物的阻隔,难以实现[1]。同时,GPS的成本和功耗较高,不能适应一些应用场合的要求。
WSN是一种短距离、低速率、低复杂度、低功耗和低成本的无线通信网络,主要用于分布式测量和远程控制[2]。本文利用接收信号强度指示(RSSI)和节点距离的关系以及参考节点的位置信息求出未知节点的位置[3],如何克服由RSSI波动产生的定位误差是需要解决的关键问题。本文主要介绍了CC2431定位精度的测试实验,首先说明测试系统的设计方案,然后给出初步的结果和简要分析。实验结果显示,通过增加参考节点数量、对采集的RSSI值进行处理以及上位机对采集到的未知节点坐标的处理,未知节点可以获得小于1m的定位精度。
1 RSSI定位原理
在WSN中,当发射节点的发射功率不变时,接收节点的接收功率会随着距离的增大而减小。发射功率与接收功率的关系可表示为:
PR=PT/dn (1)
PR为接收功率,PT为发射功率,d表示发射节点与接收节点间的距离。参数n描述随距离的增加信号强度的衰减程度。将该关系式简化后可表示为[4]:
RSSI=-(10N*log10d+A) (2)
该关系式简单地描述了RSSI值与距离d的关系,本系统主要使用该关系式计算出盲节点与参考节点间的距离。其中,N为信号传播常数,该参数与应用环境密切相关,需要通过测试实验确定;d代表距发射器间的距离;A代表距离1米时接收信号的强度,该参数由应用环境、节点发射功率和射频电路性能等共同决定,也需要通过实验确定。
CC2431定位引擎采用基于RSSI的定位技术。已知发射节点的发射信号强度,接收节点根据接收到的信号强度计算信号的传播损耗,利用上文提到的公式将两者间的关系转化为距离,计算出未知节点的位置[5]。为了减少环境对定位误差的影响,写入定位引擎的RSSI值需要先进行校正处理。
2 定位系统设计
2.1 总体设计
基于WSN的室内目标定位系统的硬件主要由两部分组成:无线传感器节点、监测终端。其中传感器节点包括参考节点、盲节点以及网关节点。监测终端指用串口与网关节点相连的PC机,主要用于控制WSN中的节点通信、显示移动节点的位置、保存相应的数据等。本设计的系统框图如图1所示。
在基于RSSI的定位系统中(如图1所示),部署在监控区域内的参考节点收到盲节点的请求后广播固定次数(次数由用户给定)的定位信息,包括控制命令、参考节点的坐标和节点ID等。盲节点将接收到的信号强度进行校正处理后再写入定位引擎开始定位。盲节点求出位置后,将位置信息通过WSN发送至网关节点,网关节点再将位置信息通过串口传送给上位机显示。
2.2 硬件结构
无线传感器节点的硬件主要由四部分组成:传感器模块、信息处理模块、无线通信模块及能源供应模块[6]。传感器模块负责信息获取。信息处理模块管理节点数据,用于保存并处理自身采集到的数据信息。无线通信模块主要负责节点间的正常通信。能源供应模块用于给传感器节点提供能量。
本文所使用的硬件采用TI公司制造的CC2430和CC2431芯片。参考节点、网关节点使用CC2430,盲节点采用CC2431。
2.3 软件设计
定位系统的软件包括运行于上位机的软件和运行于WSN节点的软件。上位机软件主要完成传感器网络的配置、位置信息的采集、显示和存储以及多种位置相关数据的统计等功能。
由于各种节点的功能不同,因此需要分别设计盲节点、参考节点和网关节点的软件。各种节点软件在结构上是相似的,可以分为硬件层、硬件接口层、应用支持层和应用层等多个层次。TinyOS是专门用于资源有限的WSN节点的操作系统,采用基于组件的NesC语言开发。应用程序通过调用TinyOS系统组件提供的接口函数,可以实现网络通信、A/D转换和定时等功能[7]。
在本文所述的定位系统中,盲节点和参考节点间参考信息的收发采用点对点的通信协议实现,而盲节点位置数据和各节点配置参数的传输则利用多跳的网络协议完成。
在实际室内环境中,RSSI值受墙壁、地面、室内障碍物、人员走动等因素的影响,从而可能会引起对A值和N值测量的误差,最终计算出的位置出现较大的误差。为了减小环境对测量值的影响,测量A、N值时分别采用方向均值法和拟合法[8]进行测试,得到符合本环境的参数。在盲节点软件中,加入对接收到的RSSI值进行简单的排序、删除、均值处理,定位引擎使用处理过的RSSI值然后再开始定位。文献[9]提出了卡尔曼滤波法处理RSSI值,该方法能有效地滤除受干扰情况严重的RSSI值,但是需要消耗一定的时间及能量。本系统中对RSSI值采用简单的滤波处理,可节省时间和能耗。滤波处理指盲节点先对每个参与定位的参考节点分别采集50组RSSI值,每组的采集周期为20ms。再对这些RSSI值由小到大进行排序,删除前10组和后10组数据,取中间的30组数据再进行均值处理。在剩下的30组RSSI值中,可能依然存在受环境影响比较大的值,作均值处理后仍然会对定位误差产生一定的影响。因此,盲节点的一次定位结果不可作为最终结果。本系统将盲节点采集到的4次位置信息进行平均后作为最终的位置,最后在上位机显示该点。通过对以上数据的反复测量及处理,实验结果得到了优化,定位误差明显减小。
3 实验结果及分析
实验的主要目的是测试CC2431在连通空间中的定位精度,同时对比放置4个、6个和8个参考节点时盲节点的定位误差。以往很多研究都是采用仿真的方法测试定位精度,如文献[10],但仿真测试不能模拟环境中存在的各种干扰。在实际室内环境中,RSSI值容易受多径、非视距等因素的影响,仿真结果和实际情况存在较大的偏差,因此在实际环境中进行测试更具有实际意义。
3.1 实验方法
3.1.1 实验平台与环境
实验系统的硬件由多个以CC2430或CC2431为核心的WSN节点和一台PC机构成。节点软件采用TinyOS系统的NesC语言开发,上位机软件采用C#开发,可以实现参数测量、节点配置、位置数据采集、定位误差计算和位置显示等功能。由于RSSI 测距在10m以内较精确,距离大于10m,RSSI幅度变化不大,测距精度将有所下降[11]。因此本实验的实验地址选在11m×9m的教室中进行。在教室中选取中间6m×6m的区域摆放节点,节点距地面高度为70cm。实验环境分布如图2所示。浅色节点为参考节点,深色节点为盲节点,盲节点需要测试这些位置的定位误差。参考节点的具体位置坐标如图2所示。当需要使用6个参考节点时,关闭第2列的两个参考节点,当使用4个参考节点时再关闭第2行的两个参考节点。
3.1.2 实验步骤
开始定位前,首先对A、N值进行测试。首先采用方向均值法。测试A值时取8个方向上1m距离的接收信号强度,最后再取平均值作为本环境的A值。同理,测试N值时也需要在不同距离不同方向上进行,取平均值作为N的最终值。测试界面如图3所示。接着采用文献[7]中提出的拟合法测试A、N值。再和第一次的方向均值法结果作平均处理,得到本实验环境的A值为41,N值经查表后为18。
测试结束后设置参考节点的位置坐标和盲节点的相关参数,参数设置界面如图4所示。
参数设置结束后启动盲节点开始定位,定位界面如图5所示。
3.2 实验结果分析
将上位机采集到的数据保存到Access数据库中,每次定位耗时低于1s。每组实验采集100对数据,每对数据都是由4个位置信息作平均后的值。将采集到的位置信息作相应的对比后实验结果如下:
(1)盲节点越靠近边界,定位误差越大。实验结果显示盲节点位于点(3,3)时,定位误差最小,最大的误差不超过0.5。当盲节点两边都靠近边界时,如点(5,5),误差比较大,最大能达到1.5m的误差。
(2)放置8个参考节点时的定位误差小于6个和4个的误差。对比效果最好的点(3,3)位置,所得的实验结果如图6所示。其中横坐标代表误差值,纵坐标代表误差值所占的百分率,不同参考节点数采用不同的颜色标注。
4 结束语
本文提出了一个基于无线传感器网络(WSN)的室内定位系统的设计方案。采用低功耗的WSN技术实现定位和数据传输。采用具有定位引擎的CC2431芯片,在不修改定位算法的情况下,通过软件来处理数据以减小定位误差。针对RSSI定位存在的干扰问题,提出适合本系统的处理方法,对各种数据进行反复测试作均值处理后再使用。确定好相应的参数和定位方案后,再对不同参考节点数的定位误差进行实验对比。最终的实验结果表明,所设计的定位方案相比CC2431提供的误差范围有所减小,能满足小范围内的定位需求。对于靠近边界的定位仍然存在比较大的误差,以后的工作将致力于研究如何减小边界定位误差。
参考文献
[1]Bulusu N,Heidemann J,Estrin D.GPS-less Low Cost Outdoor Lo-calization for Very Small Devices[J].IEEE Personal Communica-tions Magazine,2000,7(5):28-34.
[2]孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005:20-30.
[3]Taraktas,Oaman Ceylan K F.Received Signal Strength TechniquePerformance in Sensor Network Localization Application[C].Pro-ceedings of the IEEE International Conference on Broadband,Wire-less Computing,Communication and Applications,2010:357-362.
[4]Reichenbach F,Timmermann D.Indoor Localization with Low Com-plexity in Wireless Sensor Networks[C].Proceedings of the IEEEInternational Conference on Industrial Informatics,2006:1018-1023.
[5]陈敏,王擘,李军华.无线传感器网络原理与实践[M].北京:化学工业出版社,2011:144-153.
[6]Chao Peng,Meng Max Q-H,Liang Huawei.An Experimental Sys-tem of Mobile Robot’s self-Localization Based on WSN[C].Pro-ceedings of the IEEE International Conference on Automation andLogistics,2009:1029-1034.
[7]方震,赵湛,郭鹏.基于RSSI测距分析[J].传感技术学报,2007,20(11):2526-2530.
[8][EB/OL].http://www.tinyos.net.
[9]Paul A,Wan E.RSSI-Based Indoor Localization and Tracking U-sing Sigma-Point Kalman Smoothers[J].IEEE Journal of SelectedTopics in Signal Processing,2009,3(5):860-873.
[10]Wang H B,Peng B,Ge N.Research on RSSI-Based Localizationin Wireless Sensor Networks[C].WiCOM’08.4th InternationalConference on Wireless Communication,Networking and MobileComputing.Dalian:IEEE Computer Press,2008:1-4.
室内无线网络定位 篇6
WSN是一种短距离、低速率、低复杂度、低功耗和低成本的无线通信网络, 主要用于分布式测量和远程控制[2]。近些年来, 国内外研究机构已开发出一些基于WSN的室内定位系统, 其中最典型的室内定位系统有RADAR、Active Badge、Active Office、Cricket等。但由于室内的无线信号传播条件和状态复杂多变, 如:墙壁的多径反射、人员走动等等都会影响室内定位精度。因此, 本文为研究基于RSSI的定位技术设计了一个室内定位系统, 根据具体的环境, 对不同的硬件设备测量出不同的参数, 从而得到不同的传播损耗模型。当环境发生变化时, 需重新确定节点的测距模型。测距阶段的结果直接影响整个定位系统的定位精度, 因此应减小测距阶段的测距误差以提高系统的定位精度。并在实际环境中测试定位算法的有效性及所能达到的精度范围, 实验需要测试利用RSSI测距技术所能达到的测距精度, 同时需要对比两种不同的定位算法所能达到的定位精度。
1 基于RSSI的测距模型
1.1 测距模型的建立
信号在传播的过程中, 随着距离的增大, 信号强度逐步衰减, 信号强度的衰减与距离的关系普遍采用Shadowing模型[3,4]表示:
式中d0为参考距离;P0为距离为d0时接收到的信号强度, 其中还包含了遮蔽外衰减或环境造成的损耗参考;d为实际距离;Xσ为以dB为单位的遮蔽因子, 是均值为0, 均方差为σ (dB) 的正态随机变量;Pr为接收信号强度;n是路径损耗指数, 它的值依赖于环境和建筑物的类型。在实际测量时, 采用线性回归法计算RSSI值与log d的关系, 因此可将式 (1) 再次简化成式 (2) 。
可以利用线性回归法分别计算参数A值和N值的估计值, 从而得到接收信号强度和距离的关系。假设 (RSSI1, logd1) , (RSSI2, logd2) , …, (RSSIn, logdn) 是 (RSSI, logd) 的一组观察值, 则一元线性回归模型可表示为。根据线性回归法的原理, 最终A值和N值的估计值如式 (3) 和式 (4) 所示:
其中:
1.2 参数测量
信号除了受室内环境的影响外, 还会受节点硬件的影响, 如放置于同一位置的两个不同的参考节点接收到的未知节点的信号强度存在一定的差异。因此若对所有的参考节点使用同一种测距模型会降低测距的精度, 为降低硬件差异带来的测距误差, 在开始定位前应首先通过实验求出每个参考节点测距模型的参数, 方法如下:
将未知节点放置于图1中所示的各个位置, 每个位置都需给未知节点设置固定的坐标值。由于参考节点坐标已知, 因此可以方便地计算出未知节点与各个参考节点的距离。各个参考节点采集每个位置未知节点发送消息的RSSI值, 每个位置均采集n (5) 个RSSI值, 与相应的距离的对数组成15n (75) 对观察值 (RSSIi, logdi) , 其中i∈[1, 75]。将这75对观察值代入上述公式即可计算出各个参考节点测距模型的参数。
2 两种定位算法
2.1 极大似然估计法
极大似然估计法[5]的原理是找到一个使测量距离与估计距离之间差异最小的点, 并以该点作为未知节点的最终估计坐标。具体实现过程如下:已知n个参考节点的坐标分别为A1 (x1, y1) 、A2 (x2, y2) 、A3 (x3, y3) …An (xn, yn) , 它们到未知节点D的距离分别为d1, d2, d3…dn, 假设未知节点D的坐标为 (x, y) , 则存在以下关系式:
从第一个方程开始分别减去最后一个方程, 得到线性化的方程:
其中:
由最小二乘法求得未知节点D的坐标为:
2.2 线性定位算法
线性定位算法原理如图2所示, 假设未知节点到3个参考节点A、B、C的距离测量值分别为d1、d2、d3, 3个参考节点的坐标分别为 (x1, y1) 、 (x2, y2) 、 (x3, y3) , 未知节点坐标为 (x, y) 。
可得方程组:
将式 (8) 中的第一条等式减去第二条等式, 第二条等式减去第三条等式, 可分别得到圆A与圆B的相交直线L1、圆B与圆C的相交直线L2, 此交点坐标即为未知节点的临时坐标。
解此方程组得到临时坐标为:
其中:
线性定位算法将定位直线的交点作为未知节点的临时位置, 最后同样使用加权质心法组合所有的临时位置并得到最终估计坐标[6]。
3 定位测试实验及分析
为了测试上述方法的定位效果, 设计一个室内定位实验系统, 与现有通过仿真测试定位算法的方法不同, 使用实际的节点在现实环境中进行测试。在定位开始前, 先通过实验确定每一个参考节点的测距模型, 然后再分别使用不同的方法测量盲节点的位置。
3.1 实验平台介绍
硬件平台采用TI公司的CC2430芯片作为节点的处理器单元, CC2430是一个真正的片上系统 (SoC) 解决方案[7], 专门针对IEEE 802.15.4和ZigBee应用设计。在实验中使用6个参考节点, 1个盲节点和1个网关节点。
节点软件利用TinyOS开发, TinyOS是加州大学伯克利分校为无线传感器网络设计的操作系统[8], 该操作系统使用的开发语言为nesC[9]。上位机监控软件使用C#语言编写, 实验数据保存到Access数据库中。
3.2 实验环境
本实验选取的定位环境为12 m×10 m的教室, 定位区域选取教室中8 m×8 m的范围, 参考节点和未知节点都摆放于教室内的课桌上, 课桌距地面的高度为75 cm。首先固定好参考节点的位置, 如图3所示。
当参考节点的位置信息固定好以后, 根据前面所说的测距模型的方法测出每个参考节点的参数值, 见表1。
当定位环境发生变化时, 需要重新测量参数值。
3.3 测试结果与分析
定位测试结果与分析内容主要包括距离测试实验结果分析以及位置测试实验结果分析。测距结果分析指将实际距离与估计距离作对比后的误差分析, 而位置结果分析是对估计坐标值的误差进行分析。最后对不同定位算法的定位误差进行对比, 并得出结论。
3.3.1 距离测试
首先, 分别测试盲节点与各参考节点间距离的测量误差。以24号节点为例, 通过回归分析计算两节点间的距离估计值, 距离的相对误差与实际距离的关系如图4所示。图中曲线表明, 当两节点间的距离在 (2 m, 6 m) 范围内时, 估计距离的相对误差小于该区域外的相对误差。其他参考节点的测距相对误差也有类似的效果, 即中间区域的整体相对误差小于该区域外的误差, 但相对误差值的大小略有不同。
随后, 将盲节点放置在矩形区域内不同位置, 测试各参考节点的距离测量误差。以盲节点放在 (4, 4) 处为例, 求得未知节点与各参考节点间的估计距离, 实际距离与估计距离间的误差值见表2。
重复距离测试实验, 可得出以下结论:当未知节点位于定位区域的中间范围 (2, 2) × (6, 6) 内时, 节点间的测距误差小于2 m;当未知节点位于该范围外时, 测距误差相对较大, 但是整体仍小于3.5 m。由于测距误差直接影响系统的定位误差, 由以上结论可以推断, 当未知节点在中间区域内移动时定位误差较小。
3.3.2 定位误差测试与分析
实验中选取定位区域内的25个位置作为测试点, 具体的测试点分布如图5所示。
为更加具体地对定位误差进行分析, 对每个测试点都进行10次位置计算。测试结束后, 分别对线性定位算法的误差和极大似然估计法的误差进行比较, 如图6所示。
由图6可知, 两种定位算法的定位误差占比比较相似。分析不同区域内的误差值可发现, 当测试节点分布靠近边界时, 极大似然估计法的计算结果优于线性定位算法;当测试节点位于中间区域时, 线性定位算法的定位结果优于极大似然估计法。因此在实际的定位系统中, 可同时实现两种算法。当未知节点靠近监控区域的边界时使用极大似然估计法计算节点位置;当未知节点靠近中间区域时可使用线性定位算法计算最终的坐标。
本文研究了无线传感器网络室内定位技术, 对基于RSSI的室内测距原理和定位算法进行了分析, 在现实环境中测试了距离测量精度和两种不同的定位算法的定位精度。实验结果表明, 在连通的室内环境中, 基于测距的定位方法的定位误差≤3 m (约90%的概率) , 在中间区域和外围分别使用不同的定位算法可以提高定位精度。由于距离测量精度是影响定位效果的关键因素, 因此, 未来需要进一步研究提高测距精度的方法。
摘要：对WSN中基于测距技术的定位方法进行了研究, 针对室内环境易对信号造成干扰且硬件存在差异的情况, 采用为每个参考节点设置其测距模型的方案。对利用线性定位和极大似然估计两种定位算法分别进行了分析, 通过实验测试定位系统中测距模型的测距误差以及两种定位算法的定位误差, 依据实验结果提出了综合运用两种定位算法的策略。
关键词：无线传感器网络,RSSI,定位算法,测距误差
参考文献
[1]BULUSU N, HEIDEMANN J, ESTRIN D.GPS-less low cost outdoor Localization for Very Small Devices[J].IEEE Personal Communications Magazine, 2000, 7 (5) :28-34.
[2]孙利民, 李建中, 陈渝, 等.无线传感器网络[M].北京:清华大学出版社, 2005.
[3]AWAD A, FRUNZKE T, DRESSLER F.Adaptive distance estimation and localization in WSNs using RSSI measures[C].IEEE 10th Euromicro Conference on Digital System Design Architectures Methods and Tools, Aug.2007:471-478.
[4]ALI S, NOBLES P.A novel indoor location sensing mechanism for IEEE 802.11 b/g wireless LAN[C].IEEE The Fourth Workshop on Positioning, Navigation and Communication (WPNC’07) , 2007:9-15.
[5]GOLDONI E, SAVIOLI M, RISI M.Experimental analysis of RSSI-based indoor localization with IEEE 802.15.4[C].2010 European Wireless Conference, Lucca, April 2010:71-77.
[6]CAFFERY J.A new approach to the geometry of TOA localization[C].IEEE VTC 2000 Fall September 24-28, Bosto, USA, 2000:1943-1949.
[7]CHOI S, CHA H, CHO S.A SoC-based sensor node:Evaluation of RETOS enabled CC2430[C].Sensor, Mesh and Ad hoc Communications and Networks (SECON 07) , 18-21 June, 2007:132-141.
[8]PHILIP L, SAM M, JOSEPH P.TinyOS:An operating system for Wireless Sensor Networks[M].In book Ambient Intelligence edited by Weber W, Rabaey J, and Aarts E, 2005.
室内无线网络定位 篇7
据统计, 人们日常生活中超过80%的时间在室内活动, 而处于陌生的室内环境, 如大型医院门诊楼、地下停车场等场所时, 获取个人位置信息、目标位置信息的需求就显得尤为重要。在室外环境下, 全球定位系统 (Global Positioning System, GPS) 、北斗卫星导航系统 (Bei Dou Navigation Satellite System, BDS) 以及移动运营商布设的通信站点都可以向用户提供高精度的位置信息[1,2]。但是由于室内环境的信号屏蔽、多径干扰等问题, 上述系统并不能提供满足用户需求的室内位置信息, 因此需要开展有针对性的室内定位系统研究。随着智能手机的高速发展和普及, 面向智能终端的室内定位技术也蓬勃发展起来, 诸如利用手机蓝牙 (Bluetooth) 、红外线 (Infrared Ray) 、无线局域网 (Wireless Local Area Network , WLAN ) 等[3]。 此外, 采用紫蜂协议 (Zig Bee) 、无线射频识别技术 (Radio Frequency Identification, RFID) 、超宽带技术 (Ultra Wind Band, UWB ) 以及无线传感器网络 ( Wireless Sensor Networks, WSN) 等的室内定位和导航系统, 也在商品物流、医疗保健、治安消防等领域大放异彩[4]。
随着多媒体服务的多样化, WLAN在大型商场、医院门诊楼、机场大厅、火车站等场所逐渐普及, 基于WLAN的室内定位技术凭借着其良好的适应性、抗干扰性, 在室内定位领域占有广泛应用市场。针对WLAN室内定位, 研究学者提出了包括最强基站法、传播模型法和位置指纹法在内的诸多定位机制, 以及三边测距法、概率法和K邻近法等位置解算算法[5,6]。相比较而言位置指纹法能够提供较高精度的位置信息, 但是对于数据库的建立仍有很高要求, 包括同一采样点由于人员变化导致的信号强度信息 (Received Signal Strength, RSS) 的变化。因此, 有研究学者将改进方法着眼于基于WLAN的多方法融合, 以及通过与其他定位技术结合, 采用混合定位参数的方法进行定位[7]。
本文在研究了近年来国内外的室内定位技术现状的基础上, 首先对多种不同的定位方法进行论述, 对比分析了相应的特点和适应的定位环境;同时讨论了相关学者提出的混合定位方法, 阐述了基于信息融合技术的高精度室内定位;最后对基于多技术融合应用提高定位精度的室内定位系统进行介绍, 即采用混合参数定位法, 通过与不同的定位技术融合, 以适应不同室内定位环境需求, 达到室内定位的精度要求。
1 混合参数定位方法
随着信息技术的发展, 各式各样的定位系统应运而生。与室外环境下的卫星定位和通信运营商节点定位不同, 室内环境下信号通道更加复杂, 干扰更多。室内环境信号大致可以分为视距传播 (Lineof-Sight, LOS) 和非视距传播 (Non-Line-of-Sight, NLOS) 。视距传播属于比较理想的室内环境, 类似于空旷的场馆或者地下停车场等, 但大多数室内环境属于非视距传播环境, 甚至是人员密集区域, 干扰十分严重。因此开展针对室内NLOS环境下的定位技术研究, 需要根据实际场景, 采用不同的定位方法。通过对多种定位方法的混合使用进行定位, 可以进一步提高系统定位精度, 降低系统计算复杂度, 这也为室内定位提供了新的思路和发展方向。
1.1 经典定位方法
所谓定位方法, 即定位系统对移动台进行定位的运行机理。针对不同的定位环境和所设计的定位系统, 研究学者们提出了许多不同的定位方法, 可以将其归为经典定位方法, 主要包括接收信号强度定位、到达时间定位、到达角定位、到达时间差定位等, 下面分别予以介绍[8]。
(1) 接收信号强度定位
接收信号强度 (Received Signal Strength Indication, RSSI) 定位方法是根据一定的无线电磁波传播损耗模型, 将移动台接收的来自已知节点的信号强度值转化为距离值, 进而估计出节点与移动台之间的距离。然后以移动台为圆心, 估计距离值为半径作圆, 二维平面上利用三个圆的交点即可判断出移动台的位置, 即三边定位算法。RSSI定位方法的优点在于目前市面上大多数无线通信设备都提供了读取信号强度的功能, 既可以主动进行定位, 也可以被动地被探测到, 应用前景比较广阔。其缺点是由于室内环境复杂多变, 即便预先得到了较为精确的传播损耗模型, 但在实际的工程实现中仍会出现较大偏差, 精度较差。
(2) 到达时间定位
到达时间 (Time of Arrival, TOA) 定位方法是一种非常经典的定位方法, 预先布设的接入点 (Access Point, AP) 测量移动台发往接入点的上行信号, 获得移动台到节点的传播时延, 从而估计出两者之间的距离, 同样利用三边定位原理确定移动台的位置。TOA定位方法对设备的时间精度要求非常高, 往往需要移动台与多个节点之间进行严格的时间同步。
(3) 到达角定位
到达角 (Angle of Arrival, AOA) 定位方法是节点通过测量移动台的上行信号的到达角度, 利用多个节点测得的角度构建直角坐标系, 对移动台位置进行解算。AOA定位方法对于节点布设及测量精度的要求较高, 因为需要通过多个节点的精确测量才能得到移动台的精确位置, 而微小的偏差往往会导致很大的估计误差。
(4) 到达时间差定位
到达时间差 (Time Difference of Arrival, TDOA) 定位方法是一种利用信号达到检测端的时间差来进行定位的方法。多个节点利用移动台发往节点的上行信号传播时延差构建双曲线方程, 并求解得出移动台的位置坐标。TDOA定位方法不需要检测端与移动台进行时间同步, 同时可以保证定位精度。
在定位过程中, 对上述的某一种方法进行位置解算, 采用如三边定位法、质心法、最大似然估计算法、MUSIC算法等就可以确定目标位置[9,10]。然而在实际使用过程中, 会出现定位精度与系统成本之间存在矛盾等问题, 为了改善这一情况, 研究学者们又提出了混合参数定位方法。
1.2 混合参数定位方法
混合参数定位方法是采用信息融合理念, 在节点或检测端采用各种类型的定位参数, 通过联合算法来实现对移动台位置坐标的定位。由于室内环境复杂多样, 存在多径和非视距传播等问题, RSSI、TOA、AOA、TDOA的定位精度各不相同。因此, 采用融合定位的方法进行定位往往可以取得更好的效果, 诸如TOA/AOA、TOA/TDOA等混合参数定位方法, 可以有效利用定位参数信息, 提高定位性能。同时, 对采用同一定位参数的多种不同系统进行联合定位, 通过最优化选择, 也可以达到提高定位性能的目的[11]。
基于RSSI、AOA、TOA、TDOA的室内定位估计, 目前已经提出了多种算法[12,13,14,15], 可以将这类定位方法归为单一参数定位方法。采用两种或多种技术结合定位的方法则可以称为混合参数定位。混合参数定位所选用的方法会随着室内定位环境和所选模型的变化而变化。在基于时间测量的定位中, 比如TOA和TDOA, 计算基站 (Base Station, BS) 和移动台 (Mobile Station, MS) 之间的距离需要使用传播时间或传播时间的差值。但是, TOA方法需要BS和MS时钟高度同步, 这是TOA的一个缺点, 而这一缺点在NLOS条件下会更加明显。同样, 不同路径产生的多信道信号会产生一个额外时延, 也会造成距离误差。在TDOA中, 通过对时差的处理, 可以将计时的误差大大降低或可以忽略, 但相较于TOA, 它的算法复杂度又会提高。基于RSS的定位技术目前的研究较为完善, 但是它的缺点是易于受到干扰, 包括同一地点在不同时间、温度下所测量的RSS值也会不同, 这对定位带来了很大的难度和工作量。因此, 通过TDOA/RSS、TDOA/AOA进行混合参数定位, 对系统复杂度的降低、定位精度的提高都有良好的改进效果。
另一种混合参数定位的思想是基于同一定位方法或参数的不同技术融合, 如WLAN与蓝牙[16], RFID与惯性导航[17]、RFID与超声波[18]等进行混合参数定位的方法。这类方法的主要思路是通过设置阈值进行最优化选择, 避免了单一定位方法在距离过远或干扰较多情况下定位精度低的问题, 取得了良好的定位效果。针对WLAN系统进行混合参数定位的方法实现度高, 具有良好商业前景, 下文将逐一介绍与WLAN相关的混合参数室内无线定位技术。
因此, 在目前已有的各种定位方法下, 采用混合参数定位进行融合定位, 或将为室内定位的下一步发展指出一条崭新的道路。
2 混合参数方法下的室内无线定位技术
低复杂度和高精度室内定位是目前无线领域面临的主要挑战之一。研究学者提出的用于进行室内定位的技术以WLAN解决方案为主, 其他一些可供选择的方案, 例如红外线光、超宽带系统、蓝牙、RFID等也都有不同的应用。它们的特点是利用接收信号强度 (RSS) 来达到低复杂度的目的。但是目前存在的主要问题是如何利用已有的可用信号, 如WLAN、RFID等来达到尽可能高的精度, 这也是研究学者最为关注的问题。因此混合定位系统的尝试, 已成为目前室内定位技术发展的新方向。
2.1 基于WLAN-RFID的混合定位技术
无线射频识别 (RFID) 技术在室内环境下的追踪和定位的应用正逐渐成为研究的热点。凭借着低成本和高效率的特点, RFID系统可以轻松地应用到物体或人身上。因此, 有研究学者提出了将RFID应用于WLAN环境下来获取更精确的定位效果。
2010 年, 有研究学者首次提出将WLAN和RFID定位混合使用进行定位[19]。在实验室环境下, 可以将一部包含WLAN信号接收器和RFID信号读取器的手机放置在布设好多个被动式RFID标签的房间内。来自标签的散射功率只会被放置在实验房间内的手机所接收, 并且作为一个空间信息记录下来, 位置估计则是依靠WLAN的位置指纹信息, 而且位置指纹信息的采集点与被动式RFID标签位置一致, 通过两者同时定位比对, 来达到对高精度定位的需求。
但是这种方法并没有考虑到对WLAN信号和RFID信号的定位结果做一个最优选择的问题。芬兰坦佩雷大学的学者们在这种思路的基础上进行了进一步的改进[20], 设计利用可穿戴式被动超高频RFID标签 (Wearable Passive UHF RFID Tag) 和无线终端进行定位。可穿戴式标签由于是电镀纺织物, 因此可以完美地佩戴在衣服上, 这使得它成为监视人体运动和追踪的极佳方案。此外, 它还可以在穿戴者和天线间进行可靠高效的无线通信, 方便采集信号强度 (RSS) , 进行融合定位计算。利用无线终端接收参考点的信号强度值, 构建实验室无线地图, 无线终端同时可将RSS数据转换为笛卡尔坐标系以便后续位置解算使用。来自多个接入点的实际位置和信号强度值都被存储在数据库中, RFID标签同样使用这些位置。将采集到的WLAN接入点信号强度值和RFID读取器接收到的值根据高斯分布和最优化方法进行解算, 得到一个最优化阈值。当RFID信号强度比WLAN信号强度高出阈值范围时, 便使用RFID解算的位置坐标作为移动台的坐标, 反之则使用WLAN定位的坐标。通过这样一个最优选择的方式, 达到高精度定位的目的。同时, 随着使用联邦滤波等方法和相关改进算法的提出, 基于WLAN-RFID的信息融合定位技术也会越来越成熟。
2.2 基于视觉跟踪的信息融合室内定位技术
在复杂的大型室内场所内, 监视系统的覆盖越来越全面, 研究学者提出了使用视觉跟踪 (Visual Tracking, VT) 技术来实现对室内人员的定位和追踪, 以及室内人员通过携带的无线终端配合WLAN和视觉跟踪进行定位和导航[21]。
这一概念的提出来自上海交通大学与美国俄亥俄州立大学联合研究的室内定位项目[22], 在WLAN位置指纹法的基础上, 采用视觉跟踪定位技术进行融合定位。视觉跟踪是通过图像识别技术对获取图像中的运动目标进行检测、提取、识别和跟踪的技术, 获取目标的各项参数, 如位置、速度、加速度等, 来完成对目标运动轨迹的推算, 进行检测、定位、跟踪。应用在室内定位系统中的视觉跟踪技术可以分为三步, 分别是图像特征识别、坐标转换以及目标跟踪。图像特征识别在定位系统里主要是人体识别, 目前人体识别技术的算法主要有差分法、光流法、梯度直方图法以及相关改进算法。其中效果较好的是使用支持向量机 (Support Vector Machine, SVM) 和梯度直方图法的人体检测算法, 通过对图像进行边缘特征提取, 描述出人体轮廓, 再依靠SVM进行分类, 达到区分人体和非人体的目的。坐标转换是在摄像机捕捉到的目标后, 将视频坐标系的坐标转换到室内定位所用的坐标系中。摄像机显示的图像通常需要经过多个参照坐标系和坐标转换, 才能转换成室内定位坐标。为了辅助识别, 目前的做法是在待定位的室内空间中布设一些参照物, 根据已知参照物的坐标来进行参数修正, 获取尽可能准确的室内定位坐标。在人的目标跟踪方面, 粒子滤波技术是目前较为优秀的目标跟踪算法, 通过重采样、预测和更新, 实现目标跟踪。
视觉跟踪定位由于依靠图像识别定位, 因此精度非常高, 但是缺点也很明显, 无法直接判断对象身份, 因此有研究学者提出与RSSI定位进行结合, 通过彼此互补, 以实现高精度定位[23]。那么这种定位方式主要面临着两种问题:当定位目标只有一个时, 且摄像机捕捉到的目标也只有一个, 需要一种判决方式将两者联系起来;当定位目标为多个目标时, 需要一种判决方式将RSSI定位目标与图像目标匹配起来, 同样也需要一种判决方式。针对RSSI, 可以基于WLAN使用位置指纹法, 建立无线地图坐标系, 利用松耦合的方法, 在处理的过程中互相不干扰, 而是把结果进行比对, 转化为二分图问题, 利用匈牙利算法对位置信息进行求解。
2.3 基于惯性导航和WLAN的室内定位技术
目前智能手机普及度已超过七成, 且智能手机内装有很多先进的硬件配置, 如陀螺仪、方向传感器、电子罗盘等, 在给用户提供方便的同时, 也让研究学者想到利用手机的惯性导航与WLAN等室内定位现有技术结合进行更高精度定位[24]。
惯性导航系统 (Inertial Navigation System, INS) 属于推算导航方式, 建立牛顿力学模型, 根据一个已知位置的初始点, 通过不间断测得的速度、加速度来推算出下一个位置点, 进而得到完整的航迹。惯性导航系统中的陀螺仪用来形成一个导航坐标系, 使加速度计的测量轴稳定在该坐标系中, 通过不断修正航向和姿态角, 得到准确的速度、偏航角和位置等信息。随着微机电系统 (Micro-ElectroMechanical-System, MEMS) 等技术的进步, 各类传感器逐渐向微小型和低功耗发展, 所以现在的智能手机中基本都有一套完整的惯性导航系统, 这也使得将WLAN和惯性导航进行融合定位成为可能。
目前针对WLAN和惯性导航系统的定位研究主要可以分为两类, 一类是基于惯性传感器测量数据与WLAN的RSS值融合的定位, 另一类是基于WLAN指纹定位和惯性测量进行定位[25]。第一类方法主要是依靠智能手机内的惯性传感器推算出用户的实时位置, 同时利用多个WLAN接入点的RSSI信息对用户位置进行修正, 采用扩展卡尔曼滤波的算法, 将两者测量结果进行融合, 达到提高系统定位准确度的目的。 第二类方法主要侧重于通过WLAN位置指纹信息对惯性测量进行修正, 通过扩展卡尔曼滤波等方式对位置信息进行融合, 对定位精度和实用性都有改善。
3 结束语
室内无线网络定位 篇8
一、Zig Bee无线传感器网络的概况
1.1 Zig Bee定位系统的设计
Zig Bee无线传感器网络定位系统是由两部分组成的, 分别为Zig Bee无线网络定位系统与CAN总线数据传输系统。两个系统均具有先进性, 其网络结构结合了有线与无线, 有线部分主要承担着传输数据的任务, 无线部分主要承担着采集数据的任务。无线传感器网络其设备的安装十分便捷, 此时的定位系统布线具有广泛性与全面性, 同时此系统具有可靠性、稳定性与灵活性的特点。Zig Bee无线传感器网络的设计要求如下:1、功耗低。在设计时, 首先要解决的问题便是无线传感器网络节点的功耗问题, 该网络的节点具有众多的数量, 同时其分布也具有广泛性, 在此基础上, 供电设备的更换具有较高的难度, 此时对节点功耗有着严格的要求, 不仅要保持较低的功耗, 还要保持较长的供电时间。2、成本低。无线传感器网络节点设计的优劣是有其成本进行衡量的, 虽然其节点的布置工作量较大, 但仍要注重对其成本的控制, 唯有保证成本的最低值, 才能够实现节点的广泛运用。此时, 无线传感器节点的设计要具有简洁性。3、微型化。网络设备节点要保证其体积的最小化, 在不影响目标系统特性的基础上, 对软件程序进行设计, 此时的模块要具备简洁性与精准性, 避免冗余代码的出现;同时软件代码要保持独特性与针对性, 不同的系统配有相应的代码。4、稳定性。网络节点的稳定性主要是对硬件的要求, 即便外部环境发生变化, 其硬件也要保持稳定的工作, 具体的模块包括微处理器、无线通信、电源模块与传感器模块[1]。
1.2 Zig Bee协议栈的概述
1、技术特点。具体内容如下:低速率、低功耗、安全性、可靠性、灵活性与自愈性, 同时其成本较低、容量较大。2、节点与通讯。Zig Bee网络节点主要有三类, 分别为协调器、参考节点与定位节点, 第一个节点在整个系统中扮演着重要的角色, 其芯片为CC2430芯片。Zig Bee通讯方式主要有单点传送, 它属于标准寻址传送模式, 还包括间接传统与广播传送等。3、协议栈结构。协议栈结构具有七层, 其中较为重要的为物理层、访问控制层、网络层与应用层。应用层还包括安全与鉴权、数据汇聚与设备发现等。
二、Zig Bee无线定位系统设计
1、芯片的选择。
在纳米技术的支持下, 芯片得到了快速的发展, 其产量在逐年增多。同时, 其生产的成本也在逐渐降低, 芯片的集成度也在进一步提高, 芯片具有了更多的功能, 其供电的管理也具有了集中性, 在此基础上, 系统的功耗得到了降低。Zig Bee无线定位系统的低功耗特点对其发展有着积极的意义。Zig Bee芯片的种类较多, 因此, 对于Zig Bee无线定位系统而言, 要选择低成本、低功耗、微型化与简洁性的芯片, 如:CC2430与CC2431芯片[2]。
2、芯片的功能。
CC2430芯片属于参考节点芯片, 其优点如下:低功耗、高集成、抗干扰、强灵敏, 其功能主要有DMA功能, 硬件支持功能、数字化支持功能与集成安全协处理器, 同时还具备电池监测功能。CC2431芯片属于定位节点芯片, 它具有低功耗的特点, 满足了Zig Bee无线传感器网络的实际需求, 因此, 具有较强的适用性;同时该芯片的定位具有较高的准确性, 其成本也相对较低, 因此, 在市场上具有较强的竞争力。
3、硬件电路设计。
Zig Bee无线网络对网络节点有较高的要求, 如:低功耗与低成本, 因此, 对芯片的选择为CC2430, 该芯片具有较高的集成度, 同时构建过程中对外围元器件的需求量较少, 进而成本得到了控制。
4、软件程序设计。
Zig Bee无线传感器网络定位系统要硬件平台设计的背景下, 对软件平台展开了设计, 主要的软件程序分为参考节点与定位节点, 此时的节点具有无线定位的功能。在软件系统中选用了C语言进行的编写。
参考节点的设计功能有定位网络、收发数据、收集定位节点信号强度、保存网络ID与坐标信息等。定位节点的设计功能有定位网络、收发数据、控制参考节点的信号强度、保存与发送网络ID与坐标信息[3]。
总结:综上所述, 无线定位技术在不断发展, 促进了Zig Bee无线传感器网络的完善, 该网络具有一系列的优点, 如:低成本、低功耗与便捷性、灵活性等, 为了满足人们的定位需求, 本文研究了基于Zig Bee无线传感器网络的室内定位系统研究与设计, 分别介绍了Zig Bee无线传感器网络与Zig Bee定位系统设计, 相信, 随着研究的日益深入, 该系统的功能将更加完善, 其性能也将得到相应的提高。
参考文献
[1]马伟.基于无线传感器网络的室内定位系统节点的设计与实现[D].电子科技大学, 2013.
[2]刘小康.ZigBee无线网络室内双向定位系统的研究[D].南昌大学, 2013.
室内无线网络定位 篇9
关键词 Ibeacon技术 室内定位方案 机场服务管理
中图分类号：V35 文献标识码：A
0前言
Ibeacon技术发展初期，某些机构凭借该技术可以在室内对用户进行准确定位，并且向用户发送促销信息、产品信息、服务信息，而这些数据能够给用户带来一定的价值提升和有益的帮助。将基于Ibeacon技术的室内定位方案应用到机场服务领域之后，增加客户满意度。
1 Ibeacon技术概述
Ibeacon技术从狭义来讲，它是一项较为先进的智能通讯技术，即通过使用低功率蓝牙技术，在某一基站的服务范围内创建一个信号覆盖区域，当设备进入该区域时，相应的应用程序（一般为职能手机的应用程序）便会提示用户是否需要接入该信号网络中。在2013年，当苹果手机首次介绍iOS7系统的特性时，就提到该项技术的应用——能够与多项基于现代化网络服务系统终端建立合法连接，从而满足信息“传递-接收”两端的个性化需求。
2基于Ibeacon技术的室内定位方案在机场的应用及发展
2.1现阶段Ibeacon技术的实际应用
基于Ibeacon技术的室内定位方案能够实现方圆五十米以内的信息传输服务，并且把指定的信息传输到特定的服务对象手中。不仅如此，现阶段各国诸多机场的服务内容通过Ibeacon技术的室内定位方案实现了人性化的定制服务。例如：客户准备带小孩乘坐飞机，在机场候机时，放置一个具备Ibeacon技术的装置在小孩身上，当小孩的活动范围超出三十米范围时，客户的手机就会接收到系统的通知，客户就可以及时关注孩子的情况，避免孩子发生危险。再比如，将基于Ibeacon技术研发的特殊装置放置在托运的行李包内，那么客户在飞机着陆以后，在等待领取被托运的行李时，就不需要目不转睛的盯着机场转轨，该技术可以解放客户更多的自由活动时间，当客户的行李进入到距离其位置约三十米左右时，就可以收到通知，客户此时放下手中的其它事情，再去取托运的行李时间刚刚好。从中我们可以看到，基于Ibeacon技术的室内定位方案在机场的实际应用与人性化的服务内容改变了人们对机场传统服务项目的认知，且受到了使用者的一致好评。
2.2 Ibeacon技术应用的未来发展
通过对Ibeacon技术实际应用状况的深入了解，笔者从专业的角度展望Ibeacon技术未来的发展动向，其发展趋势较为乐观。除了室内定位方案的执行效果良好以外，机场的工作人员还希望丰富基于Ibeacon技术的室内定位方案在机场内应用的服务范围，即为机场客户提供更多、更及时、更有益的信息数据，例如：机场内各类出入口的定位信息、机场内部基础服务设施及职能设施的具体位置。另外，基于Ibeacon技术的室内定位方案在未来可在机场内实现综合网络化娱乐系统，将时下流行的多人娱乐活动与该技术进行整合，从而满足机场乘客对于附加服务的需求。这样一来，在当乘客等待登机时或者航班因某种原因出现延误时，客户就可以利用该技术平台打发登机前的等待时光。总之，从当前世界范围内基于Ibeacon技术的室内定位方案的实践过程来看，国内外应用该技术的相关领域都将Ibeacon技术的优势凸显出来，从而更好的为客户服务。尤其是通过对Ibeacon技术在机场的应用现状的深入了解，让人们看到了基于Ibeacon技术的室内定位方案所制定机场服务的神奇体现效果。
在当前的社会发展中，基于Ibeacon技术开发商品及服务的企业逐渐出现在人们的视野当中，诸如外国厂商Estimote Beacons等，将店内导航系统结合服务产品优惠内容推送、商品导购服务等内容一并传给客户，为客户提供更细致、更人性化的服务。
3结束语
Ibeacon技术的实际应用，令机场服务项目更为人性化。可见，科技的研发及优化的宗旨始终是要为具体领域提供有益服务。实践表明，基于Ibeacon技术的室内定位方案在机场的应用具备可行性，而且，该项技术服务于机场领域的发展潜力巨大。未来将会有更多的机场乘客享受到凌驾于该项技术之上的优质服务项目，甚至定制个性化的服务内容，获得生活的便利。
参考文献
[1] 王洪，刘昌忠，汪学刚，等.一种多点定位的目标位置精确解算方法[J].航空学报，2011.7（07）：112-113。
[2] 吕小平.MDS技术在我国民用航空的应用探讨[J].空中交通管理，2010.11（02）：145-146.
[3] 本报特约记者陆青.Ibeacon来了[N].电脑报，2013-12-9（04）.
[4] 托尼达诺瓦，艾鲁.Ibeacon是什么[J].商学院，2014.3（03）：107-108.
[5] 牛帅.Ibeacon：室内定位新利器[J].世界知识，2013.12（12）：132-133.
室内无线网络定位 篇10
关键词：超宽带,信道模型,室内定位,多层神经网络,TDOA,AOA
无线通信技术[1]的发展使得对于无线定位的需求日趋增加,传统的室外定位技术已被广泛应用,人们对复杂室内环境精确定位的需求越来越强烈,比如消防、医疗等。超宽带(Ultra - WideBand,UWB)[2]因为是一种无载波通信技术,以及GHz量级的带宽,所以可有效地降低发射信号功率、系统复杂度的同时提供厘米级的定位精度。
根据目前的研究状况,超宽带室内精确定位算法可以分为5 类:基于信号到达时间(Direction of Arrival,TOA) 的定位算法[3]、基于信号到达时间差( Time Difference of Arrival,TDOA) 的定位算法[4]、基于信号到达角度(Angle of Attack,AOA)的定位算法[5]、基于接收信号强度( Received Signal Strength Indication,RSSI)的定位算法以及混合定位算法[6]。考虑到实现的可能性以及复杂程度,基于信号到达时间(Time of Arrival,TOA)的定位算法被排除,同时考虑到定位的精度,基于接收信号强度(RSSI) 的定位算法也被排除。
随着对定位精度要求的不断提高,单一定位方法无法满足需求,融合两种及以上的混合定位方法就成了一个发展趋势。文献[7]讨论了TDOA/AOA混合定位方法,获得了比TDOA、AOA单一定位算法更高的定位精度。因此,本文提出了一种基于多层神经网络的超宽带混合定位算法,利用多层神经网络对到达时间差(TDOA)和到达角度(AOA)测量值中的非视距传播误差进行修正,来提高超宽带的定位精度,与传统TDOA / AOA定位算法相比,定位精度有所提高。
1 仿真信道模型
工作组提出了3 不同的模型,本文研究的方向为室内环境下的超宽带精确定位,基于这个目的选择2 ~ 10 GHz的超宽带信道模型作为仿真的信道模型,着重研究住宅环境。2 ~10 GHz的超宽带信道模型是建立在路径增益模型(Pathgain)、功率延时分布模型(Power Delay Profile)和小尺度衰落模型(Small - scale Fading)的基础上。
1. 1 路径增益模型
路径增益[8,9]与频率的关系函数为,k是频率对于路径增益的影响因子。
路径增益与距离的关系函数为,d0是基准距离,设定为1 m,G0是距离d0=1 m处的路径增益,n的值取决于实际环境是视距(Line-of-Sight,LOS)还是非视距(Nonline-of-Sight,NLOS)。可得到路径增益、频率及距离之间的函数为
式中,ηRX - ant(f)是接收天线的增益;ηTX - ant(f)是发射天线的增益。
如果考虑阴影(Shadow) 的影响,S为服从均值为0;方差为 σ 的高斯分布的随机变量,不同环境表示为不同的具体数值。
1. 2 功率延时分布
本文主要研究室内环境下的超宽带精确定位,因此只考虑信号到达率(Ray Arrival Rates)。信号到达率由综合两个泊松过程得到
τ0,l= 0,β 为混合概率,λ1,λ2为到达率。
IEEE802. 15 工作组借鉴了S - V模型来拟合信号的分簇到达时间(Cluster Arrival Times),可用冲击响应hdiscr(t)来描述
Øk,l为相对相位,在一个带通系统中其服从[0,2π]中均匀分布,ak,l为第l个簇,第k个分量的加权系数,Tl是第一簇的到达时间,τk,l是第l个簇的k个分量相对于Tl的延时。
由于簇的数量L是满足概率密度函数的泊松分布,因此均值可以用来描述概率密度函数
泊松分布函数 ρ(TlTl - 1) = ∧lexp[- ∧l(Tl-Tl - 1)],l >0,∧l第l簇的到达率。
1. 3 小尺度衰落(Small - scale Fading)
IEEE802. 15. 4a的小尺度衰落采用Nakajami信道模型
式中,m≥1/2是Nakagami信道的m因子;Γ(m)为伽马函数;Ω 是平均能量。
2 超宽带TDOA / AOA混合算法的改进
2. 1 TDOA / AOA定位原理
TDOA的几何原理是双曲线测量定位,AOA的几何原理是三角测量定位,二维空间原理如图1 和图2所示。
如图1 所示(x1,y1)、(x2,y2)、(x3,y3)为3 个已知节点位置,则待测节点(xm,ym)与已知节点的位置关系如下
如图2 所示(x1,y1)和(x2,y2)为两个已知节点位置,角度值 α1、α2为通过定向天线测得的相对角度值。则待测节点(xm,ym)与已知节点的位置关系如下
2. 2 改进的TDOA / AOA混合算法
研究需要获取三维位置信息,根据上述TDOA/AOA定位原理,定位基站至少需要4 个,基站数量增加可以提高定位精度,但相应的成本也随之增加,目前市场上每个基站的售价约5 000 元,以下是在4 个基站的情况下建立的多层神经网络模型[10,11,12]。
(1)输入层由参与定位的4 个基站提供的3 个TDOA测量值和4 个AOA测量值所组成,因此,输入向量可表示为
(2)隐含层的层数、隐含层各层神经元数目以及各层激励函数的选择,目前还没有理论上的指导。隐含层的层数、神经元数目增加可以提高定位精度,但计算的复杂性也随之增加。根据仿真数据如图4 所示,隐含层的层数选为3 层。根据基站布设模型,隐含层各层神经元数目选为9。
各层激励函数
(3)输出层由3 个神经元构成,输出向量O[X,Y,Z]。基于神经网络的定位算法具体步骤: 1 ) 利用Matlab神经网络工具包,建立本文提出的神经网络模型。2)训练神经网络模型,如图5 所示。
第一层,定位范围1. 8 m × 1. 8 m,每200 组数据训练一个神经元,一共训练9 个,各神经元间距<0. 5 m。
第二层,定位范围0. 9 m × 0. 9 m,每150 组数据修正一个神经元,将第一层的9 个神经元全部修正一次,各神经元间距<0. 4 m。
第三层,定位范围0. 4 m ×0. 4 m,每100 组数据修正一个神经元,将第二层的9 个神经元全部修正一次,各神经元间距<0. 3 m。
3 仿真与分析
为检验该算法的实际性能,用Matlab软件对本文定位算法进行仿真,对本文算法和单纯采用AOA、TDOA、TDOA / AOA算法进行了比较,仿真结果如图6所示。
如图6 所示,在相同信噪比环境下,利用多层神经网络的TDOA/AOA算法能够明显降低均方根误差。如果当信噪比降低时,采用多层神经网络的TDOA/AOA算法比原TDOA / AOA算法效果更明显。
4 结束语