利用差分誤差改正的無(wú)線局域網(wǎng)指紋定位方法

劉克強(qiáng)，汪云甲，閆中亞

(1.中國(guó)礦業(yè)大學(xué) 環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221116；(2.國(guó)土環(huán)境與災(zāi)害監(jiān)測(cè)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江蘇 徐州 221116；(3.江蘇省資源環(huán)境信息工程重點(diǎn)實(shí)驗(yàn)室，江蘇 徐州 221116)

1 引言

隨著智慧城市、物聯(lián)網(wǎng)等技術(shù)的興起，使得基于無(wú)線局域網(wǎng)(wireless local area networks，WLAN)的定位技術(shù)尤其是指紋定位技術(shù)成為國(guó)內(nèi)外研究熱點(diǎn)，而且該方法能有效利用已有接入點(diǎn)的信息，從而能夠節(jié)約硬件部署成本，所以該技術(shù)也倍受廠商關(guān)注[1-3]。

WLAN指紋定位技術(shù)屬于場(chǎng)景分析的定位方式，其核心是機(jī)器學(xué)習(xí)的思想[4]。自微軟公司提出利用該方式以來[5]，對(duì)該技術(shù)的研究主要在討論如何選擇和改進(jìn)分類算法及參數(shù)設(shè)置[6-8]，從而獲得更高精確度的位置信息。而定位環(huán)境的多變，使得WLAN信號(hào)強(qiáng)度指數(shù)(received signal strength indication，RSSI)表現(xiàn)出較強(qiáng)的不穩(wěn)定性，使得從一次采樣獲取的參考點(diǎn)信號(hào)噪聲較大，影響在線定位時(shí)的分類準(zhǔn)確度。本文通過實(shí)測(cè)發(fā)現(xiàn)，WLAN的RSSI除了存在一定的噪聲之外，還具有較強(qiáng)的時(shí)變性，即不同日期的同一時(shí)段RSSI差別明顯，為了減小這種時(shí)變特性帶來的影響，在總結(jié)文獻(xiàn)[9]研究成果的基礎(chǔ)上，擬利用差分思想進(jìn)行誤差改進(jìn)，通過實(shí)測(cè)發(fā)現(xiàn)，該方法可以在一定程度上提升分類算法的效果。

2 WLAN指紋定位

2.1 普通指紋定位方法

WLAN指紋定位技術(shù)主要分為離線采樣和在線定位兩個(gè)過程，離線采樣過程是利用參考點(diǎn)的已知位置數(shù)據(jù)和接收到的接入點(diǎn)信號(hào)特征值建立指紋庫(kù)，而在線定位過程則是利用定位點(diǎn)的實(shí)時(shí)信號(hào)特征值與離線采樣獲得的指紋庫(kù)進(jìn)行定位運(yùn)算(即分類運(yùn)算)，從而獲得位置信息，其計(jì)算流程圖如圖1所示。

圖1 WLAN指紋定位流程圖

在WLAN在線定位過程中，主要是利用當(dāng)前信號(hào)特征與指紋庫(kù)信號(hào)特征進(jìn)行分類運(yùn)算，目前這方面研究成果較豐富，諸如利用最鄰近、樸素貝葉斯估計(jì)、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等等，本文主要介紹兩種最經(jīng)典的分類算法，一種是基于信號(hào)強(qiáng)度空間距離的最鄰近算法，另一種是基于概率推斷的樸素貝葉斯估計(jì)算法。

最近鄰(nearest neighbor，NN)算法由文獻(xiàn)[10]提出，通過計(jì)算測(cè)試樣本與所有樣本的距離并以最近鄰者的類別作為決策標(biāo)準(zhǔn)。在WLAN指紋定位中，假設(shè)定位區(qū)域中有n0個(gè)參考點(diǎn)，Pi(1≤i≤n0)為區(qū)域中任一參考點(diǎn)，則該點(diǎn)處的信號(hào)特征向量即由RSSI向量給出，大小為采樣點(diǎn)信號(hào)強(qiáng)度平均值，假設(shè)該點(diǎn)處可接收到n1個(gè)接入點(diǎn)時(shí)，信號(hào)特征矩陣為：

(1)

式(1)中，mac為接入點(diǎn)MAC地址，μ為接入點(diǎn)RSSI均值。則指紋庫(kù)中的數(shù)據(jù)格式為

MAPi(Pi,RSSIi)

(2)

式(2)中，1≤i≤n0，又假設(shè)Pj(1≤j≤N)為區(qū)域內(nèi)任一測(cè)試點(diǎn)，獲得該點(diǎn)的信號(hào)特征向量RSSIj后，計(jì)算信號(hào)特征間的距離，并選擇最小值的點(diǎn)作為位置估計(jì)點(diǎn)：

(3)

(4)

式(3)中，信號(hào)特征間的距離可以利用距離空間中不同距離來計(jì)算，如曼哈頓距離，歐幾里得距離，本文中計(jì)算使用歐幾里得距離。

貝葉斯(Bayes)估計(jì)是根據(jù)貝葉斯和全概率公式[4，7]，由先驗(yàn)概率計(jì)算后驗(yàn)概率，而樸素貝葉斯(Na?ve Bayes，NB)估計(jì)則是假設(shè)給定目標(biāo)值時(shí)各屬性之間條件獨(dú)立，而在WLAN定位中該方法主要假設(shè)信號(hào)特征是隨機(jī)變量，在某點(diǎn)位置的概率服從高斯分布，從而計(jì)算后驗(yàn)概率。

假設(shè)定位區(qū)域中有n0個(gè)參考點(diǎn)，Pi(1≤i≤n0)為區(qū)域中任一參考點(diǎn)，則該點(diǎn)處的信號(hào)特征向量即由RSSI向量給出，在參考點(diǎn)采集RSSI均值的同時(shí)，統(tǒng)計(jì)其標(biāo)準(zhǔn)差，在該點(diǎn)處可接收到n1個(gè)接入點(diǎn)時(shí)，信號(hào)特征向量為：

(5)

式(5)中，mac為接入點(diǎn)MAC地址，μ為接入點(diǎn)RSSI均值，σ為接入點(diǎn)RSSI方差。則指紋庫(kù)中的數(shù)據(jù)格式為

MAPi(Pi,RSSIi)

(6)

式(6)中，1≤i≤n0，又假設(shè)Pj(1≤j≤n2)為區(qū)域內(nèi)任一測(cè)試點(diǎn)，獲得該點(diǎn)的信號(hào)特征向量RSSIj后(僅包含均值)，計(jì)算最大后驗(yàn)概率P(Pi|RSSIj)：

(7)

(8)

貝葉斯估計(jì)中假設(shè)定位點(diǎn)的出現(xiàn)服從均勻分布，接收信號(hào)大小服從高斯正態(tài)分布。

2.2 差分指紋定位方法

由于WLAN信號(hào)強(qiáng)度易受人為干擾，時(shí)變性大，本文實(shí)驗(yàn)第3部分的實(shí)測(cè)結(jié)果可以反映上述現(xiàn)象，所以僅利用初始的定位模型易產(chǎn)生錯(cuò)分，降低分類計(jì)算的準(zhǔn)確率。針對(duì)上述問題，文獻(xiàn)[9]提出了動(dòng)態(tài)指紋補(bǔ)償?shù)乃枷耄疚脑谄浠A(chǔ)上，提出差分誤差改正WLAN指紋定位方法，其計(jì)算流程圖如圖2所示。

圖2 WLAN差分指紋定位計(jì)算流程圖

由于WLAN信號(hào)存在時(shí)變性，導(dǎo)致一次采樣并不能完整反映參考點(diǎn)RSSI的完整規(guī)律，為了消除定位時(shí)作運(yùn)算的RSSI與庫(kù)中的RSSI之間的時(shí)變差異，在定位場(chǎng)地中選定一定數(shù)量的參考點(diǎn)為標(biāo)定點(diǎn)，在定位時(shí)，同步采集標(biāo)定點(diǎn)的RSSI，則標(biāo)定點(diǎn)實(shí)時(shí)RSSI與該點(diǎn)在庫(kù)中的RSSI之差反映了時(shí)變偏差，定位點(diǎn)的RSSI減去時(shí)變偏差即改善時(shí)變差異的影響。當(dāng)存在N個(gè)標(biāo)定點(diǎn)時(shí)，具體時(shí)變偏差公式為

(9)

另外，從圖2可以看出，差分指紋定位是在在線定位階段進(jìn)行的改進(jìn)。

3 實(shí)驗(yàn)

本文利用DELL公司生產(chǎn)的型號(hào)為INSPERON 14R N4010筆記本電腦內(nèi)無(wú)線網(wǎng)卡在中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院C411室內(nèi)同一位置連續(xù)跟蹤固定位置的D-LINK型號(hào)為DIR-600NB無(wú)線路由器WLAN信號(hào)5 d，利用其實(shí)測(cè)數(shù)據(jù)描述WLAN信號(hào)的時(shí)變影響，其統(tǒng)計(jì)結(jié)果如下圖3。

圖3 連續(xù)跟蹤5 d的WLAN信號(hào)統(tǒng)計(jì)結(jié)果極坐標(biāo)圖示

從圖中結(jié)果可以看出，時(shí)間在23：00～7：00左右，信號(hào)傳播穩(wěn)定，時(shí)間在7：00～23：00，信號(hào)波動(dòng)較大，而根據(jù)實(shí)際情況，實(shí)驗(yàn)室約在7：00會(huì)出現(xiàn)工作人員，23：00后會(huì)進(jìn)行關(guān)閉，從而可以推斷出，信號(hào)明顯受人為干擾。另外，將5 d的數(shù)據(jù)相互對(duì)比發(fā)現(xiàn)，各曲線在每天的同一時(shí)段RSSI也各不相同，差別最大可達(dá)15 dB。在WLAN指紋定位中，指紋庫(kù)的采集是基于采集當(dāng)時(shí)的信號(hào)強(qiáng)度分布的，而信號(hào)在一天中的不同時(shí)段的變化，不同日期同一時(shí)段的變化，會(huì)導(dǎo)致一次采集的信號(hào)強(qiáng)度的統(tǒng)計(jì)量不能對(duì)信號(hào)強(qiáng)度的分布進(jìn)行完整的描述，無(wú)疑會(huì)對(duì)定位結(jié)果產(chǎn)生影響。

為了消除WLAN信號(hào)的時(shí)變影響，并基于上述差分定位的思想，本文利用實(shí)測(cè)數(shù)據(jù)對(duì)上述方法進(jìn)行驗(yàn)證。

實(shí)驗(yàn)在中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院室內(nèi)外無(wú)縫定位試驗(yàn)場(chǎng)的地下車庫(kù)部分進(jìn)行，如圖4和圖5所示。圖4為車庫(kù)平面圖，其中三角符表示的為部署的路由器，均為TPLINK公司生產(chǎn)，型號(hào)為TL-WR845N，圖中帶網(wǎng)格的矩形為本次實(shí)驗(yàn)參考點(diǎn)部署范圍，其大小為15 m×15 m，圖5為參考點(diǎn)網(wǎng)格的真實(shí)場(chǎng)地照片。

圖4 地下車庫(kù)平面圖

圖5 實(shí)驗(yàn)場(chǎng)所照片

實(shí)測(cè)設(shè)備為三星公司生產(chǎn)的安卓(Android)平臺(tái)手機(jī)其型號(hào)為GT-I9500，先采集離線采樣指紋庫(kù)，選中標(biāo)定點(diǎn)坐標(biāo)為(13，13)，再在場(chǎng)地中選擇10個(gè)測(cè)試點(diǎn)，分別利用WLAN指紋定位和差分指紋定位測(cè)試定位結(jié)果。其中分類算法分別利用NN和NB算法，為了體現(xiàn)最初的分類的效果，不對(duì)最后結(jié)果做插值，另外，由于定位模型存在誤差，所以在誤差統(tǒng)計(jì)上利用定位距離的RMS值，其計(jì)算公式如下：

(10)

式(10)中，N為測(cè)試點(diǎn)總數(shù)，Δp為點(diǎn)位真誤差，最終獲得定位結(jié)果統(tǒng)計(jì)如下表1。

表1 定位結(jié)果誤差統(tǒng)計(jì)表/m

通過表1可以看出，利用差分定位方法，可以減小定位誤差，另外，從表格中也可以看出利用樸素貝葉斯推斷的效果優(yōu)于利用最鄰近點(diǎn)的效果。

4 結(jié)論及展望

通過對(duì)WLAN信號(hào)強(qiáng)度長(zhǎng)時(shí)間的觀測(cè)發(fā)現(xiàn)其極易受人為干擾，信號(hào)噪聲大，且不同日期同一時(shí)間段的信號(hào)強(qiáng)度也會(huì)存在明顯差別。利用實(shí)測(cè)結(jié)果發(fā)現(xiàn)，基于差分誤差改正的方法，可以一定程度上消除信號(hào)的影響，改善WLAN指紋定位的結(jié)果。

盡管本實(shí)驗(yàn)的結(jié)果是樂觀的，但也需看到實(shí)驗(yàn)測(cè)試點(diǎn)數(shù)偏少，實(shí)驗(yàn)環(huán)境單一等局限，另外，增加標(biāo)定點(diǎn)也就意味著要部署同步采集的設(shè)備，這些問題都是接下來需要研究的方向。

[1] HIGHTOWER J，BORRIELLO G.Location Systems for Ubiquitous Computing[J].Computer，2001，34(8)：57-66.

[2] GU Yan-ying，LO A，NIEMEGEERS I.A Survey of Indoor Positioning Systems for Wireless Personal Networks[J].IEEE Communications Surveys & Tutorials，2009，11(1)：13-32.

[3] 郎昕培，許可，趙明.基于無(wú)線局域網(wǎng)的位置定位技術(shù)研究和發(fā)展[J].計(jì)算機(jī)科學(xué)，2006，33(6)：21-24.

[4] ROOS T，MYLLYMKI P，TIRRI H，et al.A Probabilistic Approach to WLAN User Location Estimation[J].International Journal of Wireless Information Networks，2002，9(3)：155-164.

[5] BAHL P，PADMANABHAN V N.RADAR：An In-building RF-based User Location and Tracking System[C]//Proceedings of 19th Annual Joint Conference of the IEEE Computer and Communications Societies.Tel Aviv，Israel：IEEE，2000：775-784.

[6] HONKAVIRTA V，PERALA T，ALI-LOYTTY S，et al.A Comparative Survey of WLAN Location Fingerprinting Methods[C]//Proceedings of 6th Workshop on Positioning，Navigation and Communication(WPNC 2009).Hannover：IEEE，2009：243-251.

[7] ITO S，KAWAGUCHI N.Bayesian Based Location Estimation System Using Wireless LAN[C]//Proceedings of the 3rd IEEE International Conference on Pervasive Computing and Communications Workshops(PerCom 2005 Workshops).Kauai Island，HI：IEEE，2005：273-278.

[8] LIU Hui，DARABI H，BANERJEE P，et al.Survey of Wireless Indoor Positioning Techniques and Systems[J].IEEE Transactions on Systems，Man，and Cybernetics，Part C：Applications and Reviews，2007，37(6)：1067-1080.

[9] 郭紅成，羅海勇，尹浩，等.基于線性插值和動(dòng)態(tài)指紋補(bǔ)償?shù)姆植际蕉ㄎ凰惴╗J].傳感技術(shù)學(xué)報(bào)，2009，22(12)：1795-1801.

[10] COVER T，HART P.Nearest Neighbor Pattern Classification[J].IEEE Transactions on Information Theory，1967，13(1)：21-27.