室内无线定位（精选8篇）
室内无线定位 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.
厘米级室内无线定位方法研究 篇3
定位装置包括发射装置和接收装置两部分。发射装置同时发射电磁波和超声波信号, 接收装置从接收到电磁波信号开始计时, 到第一次收到声波信号为止, 由此得到Δt, 接收装置据此计算出其与发射装置的距离。至此, 分别得到3个不同发射装置的坐标和接收装置到发射装置的距离, 即可算出接收装置在空间中的坐标。
2 定位原理
定位装置的定位原理如图1所示。
室内环境是三维立体空间, 传感器节点有2种, 分别为发射器和接收器节点, 如图2所示, 则假设发射器2节点之间的距离为L, 坐标为 (x, y, z) , 其中, x>0, y≥0, z≥0.由于该节点发射的超声波信号方向性比较强, 所以, 需要合理布置发射器的节点位置。经过计算, 发射器距离接收器节点平面至少要保持大约180 cm的距离。
如图3所示, 超声波信号到达接收器的路径有2条, 分别是直接到达的路径P1和通过反射到达的路径P2。假设2条路径分别为L1和L2, 信号沿这2条路径到达接收器的时间间隔为T, 例如L1-L2=2 m, T= (L2-L1) /V, 则T≈6 ms。
设超声波发射器与接收器之间的距离为R, 则传播时间为R/V。超声波发射的脉冲持续宽度是Tus, 则超声信号可以在时间Dus=R/V+Tus内消失。因此, 发射器的超声信号在时间间隔Dus内将消失, 发射器发射的RF信号由于时间短也会消失, 即如果2个发射器信号传播的间隔时间大于Dus, 那么, 接收器在接收信号时不会产生干扰。在规定的距离内, 本文采取将发射器的发射时间间隔调为最小Dus的方法将发射器之间的干扰最小化。
在静态过程中, 接收器可以同时接收3个及以上的发射器信号, 并通过式 (1) 得到距离值。式 (1) 为:
3 硬件结构
3.1 微控模块
该方案选用P89V51芯片, 芯片核心处理单元为80C51。
3.1.1 考虑到测量精度
由于测距的误差要求小于1 mm, 超声波速度C=344 m/s (在20℃室温下) , 则测距误差△t< (0.001/344) ≈0.000 002907 s=2.907μs。只要保证时间差达到微秒级, 那么, 测距误差就可以小于1 mm。因此, 系统采用89C51定时器能保证时间误差在1 mm的测量范围内。
3.1.2 电源模块
直接使用市面上销售的手机充电器, 从220 V民用电中得到5 V直流电。
3.1.3 串行通信模块
串行通讯电路存在于控制系统的发射端和接收端, 用于接收PC机发出的指令, 并调试程序。
3.2 RF模块
RF模块主要用于实现信号的发射和接收。该模块的作用是通过信号发射和接收芯片CC1100来实现的。在该系统中, 设置该芯片的频率为433 MHz, 这样可以实现高效率、高可靠性的数据传送。
控制过程可以分为参数初始化配置、接收数据和发射数据3部分。
3.3 超声波发射模块
多谐振荡电路输出信号是由时基电路及其外围元件构成的。由于超声波传感器的中心频率为40 k Hz, 所以, 要求驱动发射头的信号频率也必须为40 k Hz。在理想情况下, 驱动信号应为正弦波形或占空比为1的方波。在发射探头允许的电压范围内, 驱动信号的幅值要尽量大, 这样才可以获得较大的发射功率, 进而扩大系统的测量范围。
3.4 超声波接收模块
该系统的超声检测电路采用集成芯片CX20106A。这是一款用于接收红外线检波的专用芯片, 它是由前置放大器、陷波放大器电路、带通滤波电路、陷波放大器电路、波形整形电路和峰值滤波器等组成。常用的载波频率为38 k Hz, 与测距所有的超声波频率40 k Hz比较接近, 因此, 可以把它作为超声检波电路。当超声波接收端接收到40 k Hz的方波信号时, 超声信号会转换成电信号。这个信号经过CX20106A放大、滤波、整形后输出负脉冲电压, 驱动放大器将信号送入单片机的外部中断口。单片机在得到外部中断请求后, 会转入外部中断的中断服务程序作处理。
3.5 温度补偿模块
因为声速对温度变化的表现比较敏感, 并且室内昼夜有一定温差, 所以, 为了减小测距误差, 温度补偿是不可忽略的。
声速修正采用式 (2) 修正:
本文利用温度传感器DS18B20测量温度。
4 结论
在复杂的室内环境中, 比如地下停车场、大型超市和图书馆等, 经常需要获取移动终端或其持有者和室内物品的位置信息。因此, 厘米级室内定位的研究与应用是非常重要的, 这也是当下的热点问题, 而且其市场需求空间非常广。
摘要：随着经济的快速发展和业务的不断扩充, 人们对定位和导航的需求也越来越大, 但是, 市场上的定位工具很难满足人们对精确度的要求。简要介绍了将声波与射频技术相结合完成定位工作一种方案, 利用时间差测距, 预计定位精度为2050 mm, 以期为日后的相关工作提供参考。
室内无线定位 篇4
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
室内无线定位 篇5
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.
室内无线定位 篇7
关键词：ZigBee,分步定位法,RSSI测距,定位精度
1 研究目标
通过比较基于Zig Bee的4种室内无线定位算法, 找出最优的算法, 并进一步改进其精度。
2 研究内容
利用matlab仿真比较4种无线测距算法的精度, 以参考节点为圆心, 测出距离为半径做圆的方法, 并找出移动节点。
2.1 基于到达时间的测距技术 (TOA)
基于TOA的测距技术是利用信号的传输速度和时间来计算节点之间的距离, 可用公式为:
式 (1) 中:D为节点间距离;v为信号速度:T3为二次接收时间;T0为一次发射时间;T2为二次发射时间;T1为一次接收时间。
2.2 基于到达时间差的测距技术 (TDOA)
基于TDOA的测距技术是用来计算发射节点发出的2种不同信号到达接收节点的时间差与传播速度得到节点之间的距离。具体公式为:
式 (2) 中:d为节点间距离;v1, v2为2种信号的速度。
2.3 基于到达角度的测距技术 (AOA)
在基于AOA的测距技术中, 信号入射角度为a, 天线之间的距离为d, 无线信号波长为m, 相邻两个天线接收到的信号角度差为b, 天线阵列1坐标设为 (0, h) , 天线阵列2坐标设为 (0, 0) , 发射节点对两个天线的入射角为a和c, 由此得待定位发射节点的坐标公式为:
2.4 基于信号强度的测距技术 (RSSI)
室内的无线信号传播损耗与传播距离d有关, 还与传播路径中的阻挡有关, 常用的距离损耗模型为:
式 (5) 中:RSSI为距离是d时接收到的信号强度;RSSI0为距离是d0时接收的信号强度;k是路径损耗指数, 与建筑物的性质有关;d为真实距离;d0为参考距离;f为一个符合高斯分布的随机数, 均值为零, 是用来表示路径损耗的速率。
在实际应用中, 距离损耗模型通常为d0=1 m。由此可得到的RSSI测距公式的实际应用为:
式 (6) 中:RSSI~为距信号源1 m处接收到的信号强度平均绝对值。
由此可简化得:
作圆法会有相当大的缺陷, 因为每个节点的硬件和功耗都不一样, 测得的距离会有一定的误差, 所以, 这些圆可能不会交于一点。事实上, 应该是相交于中间一块小区域。因此, 利用这样的方法得出的参考节点坐标存在一定的误差。鉴于此, 相关人员需要通过改进算法来获得一个误差相对较小的位置, 以提高结果的精确度。
3 利用分步定位法改进RSSI算法
分步定位法的步骤是: (1) 分别将参考节点A, B作为圆心, 将测得的参考节点到移动节点的距离RA, RB为半径做圆, 则2个圆会有3种关系, 即两圆相离, 两圆相切, 两圆相交。 (2) 当两圆相离时, 移动节点O在线段AB上的相对位置OAB可以用|AOAB|∶|BOAB|=RA∶RB来定位;当两圆相切时, 移动节点O在线段BC上的相对位置OBC就是该切点;当两圆相交时, 以其他参考节点B的坐标作为方向参考, 可以选择一个交点作为移动节点O在线段AC上的相对位置OAC. (3) 再分别以另外两对参考节点为圆心, 重复 (1) (2) 两步, 可分别得到移动节点O相对于AC的位置OAC和相对于BC的位置OBC. (4) OAB, OAC, OBC3点的中心坐标即为移动节点O的实际位置。
使用分步定位法只要3个参考节点。此外, 采用分步定位法分别计算OAB, OAC, OBC的坐标, 然后得出移动节点O的坐标。这样, 就可以将由于环境噪声带来的误差抵消, 从而得到更高的精度。
4 基于RSSI的作圆法和分步定位法的比较
4.1 作圆法
利用matlab对RSSI测距下的作图法进行仿真, 具体如图1所示。
4.2 分步定位法
利用matlab对RSSI测距下的分步定位法进行仿真, 具体如图2所示。
5结论
室内无线定位 篇8
设计中采用了比较先进的msp430系列的f149单片机为控制核心, 利用超声波传感器定位数据采集, 电子指南针方向定位, n RF905无线模块实现数据的传输, 液晶触摸屏显示外界对应位置及控制小车。这种方案能实现对传感器的无线实时监控, 控制灵活、可靠, 精度高, 可满足对系统的各项要求。
1 硬件电路设计及主要器件选型
1.1 小车端系统框图
小车端系统主要分为msp430f149主控芯片、超声波检测定位部分、L298小车驱动部分, n RF905通信部分、步进电机驱动平台部分。小车端系统框图如图1所示。
1.2 主要元器件选型
采用超低功耗单片机msp430f149。msp430系列单片机是一种16位的单片机。它具有集成度高, 外围设备丰富, 特别是它的超低功耗特性, 是目前其它单片机不可比拟的。另外msp430f系列单片机有非常强的处理能力, 非常适合一些对处理要求较高的嵌入式系统。
小车采用L298N芯片驱动。L298N是一种高电压、大电流电机驱动芯片, 工作电压高, 最高可达46V;输出电流大, 瞬间峰值电流可达3A, 持续工作电流为2A;额定功率25W。
通信模块采用n RF905型无线收发器件, 采用GFSK调制125个频点自动跳频, 片内自动生成报头和CRC校验码, 具有出错自动重发功能, 这使得由n RF905构建的无线数据传输系统具有成本低, 速率高传输可靠等优点。
2 系统软件设计
2.1 小车定位端软件设计
设计中采用C++的编程方式, 以面向对象的编程方式实现独立功能, 分别有超声波平台程序, 小车驱动程序, n RF905通信程序, HMC5883L电子指南针程序以及步进电机驱动程序。编程过程中采用主函数调用模块函数实现对应功能, 其中小车端总体流程图如图2所示。
2.1.1 定位平台程序设计
通过模块化编程实现对应功能, 开始分别对四个超声波初始化, 采用分时执行的方式进行数据的采集, 并对采集到的数据进行比对, 对适合范围内的数据筛选得到最佳数据, 步进电机旋转找到最佳数据位置, 即为超声波正对墙面位置。
2.1.2 指南针实现小车方向程序设计
通过计算平台相对小车的转角, 计算出小车相对墙面的转角, 利用指南针检测转角, 驱动小车转到正对位置, 软后平台反向转过原来角度, 实现小车、平台与墙面的正对。
通过定位平台的正对面检测, 数据筛选, 寻找正对面, 再由指南针角度检测校准小车正对南北方向, 发送定位数据。
2.2 触摸屏控制端程序设计
触摸屏的编程同样也采用了C++的编程方式, 将触摸屏类化, 提高了程序的集成度和可用性, 对触摸屏的触摸和显示采用了独立编程的思想进行编程, 过程中使用了绘图函数, 对外界指定区域按比例显示在触摸屏上, 通过点击触摸屏向小车端发出相应功能指令让小车完成, 并将小车采集到的数据信息利用数学函数计算在触摸屏中显示为一个点, 完成小车的实时监控, 达到精确定位的效果。
3 结语
该设计软件方面采用C++的编程方式, 对超声波传感器组、指南针, 步进电机以及液晶触摸屏驱动程序开发, 实现了通过应用程序去控制各个相关部件完成各自的任务。硬件方面以msp430f149单片机作为控制核心, 选用超声波传感器组完成对定位信息的采集, L298驱动直流电机实现小车的驱动, n RF905进行通信及数据交换, 用TFT触摸屏将所检测到的定位信息显示, 并控制驱动小车, 成功地实现了对室内无线精确定位小车的设计。目前该系统可以实现液晶显示小车对应区域位置坐标, 并通过触摸屏控制实现指定位置寻找。
通过实物实地测试, 定位效果比较明显, 可以精确到理论坐标与实际人工测量坐标误差保持在3cm以内, 达到精准定位的目的。但是, 该设计还存在一定缺陷。由于该系统所采用的小车驱动能力有限, 无法实现原地转动, 对超声波传感器组及指南针的数据采集产生了一定的影响。
摘要：文章介绍了一种基于超声波测距技术的室内无线精确定位智能小车控制系统的设计。该系统以msp430f149单片机为主控芯片, 利用步进电机带动超声波传感器组进行定位数据采集, 通过电子指南针的角度检测控制小车进行方向定位。利用n RF905无线模块实现了双机无线通信及数据交换, 将采集数据绘制成坐标点显示在控制端触摸屏上, 实现触摸屏上小车位置的显示, 并通过点击触摸屏实现控制小车找相应位置的功能。
关键词：msp430单片机,超声波传感器,定位,触摸屏
参考文献
[1]张松灿, 肖本贤.颜色传感器TCS230原理及应用[J].单片机与嵌入式系统应用, 2005, 6 (11) :23-25.
[2]望超, 黄翠翠, 刘美中.基于MSP430F149单片机的最小系统设计及其应用[J].现代物业, 2012, 1 (11) :28-30.
[3]王欣峰, 任淑萍.80C51单片机IIC总线接口设计[J].机械管理开发, 2011, 5 (12) :198-199.
[4]武建军, 于玮.基于MEMS三维磁阻传感器的电子指南针[J].传感器与微系统, 2011, 8 (30) :83-88.