基于信道狀態信息的無源室內定位

吳哲夫，徐強，王中友，陳濱，宣琦

(1.浙江工業大學 信息工程學院，浙江 杭州 310023； 2.中國通信服務杭州公司，浙江 杭州 310050； 3.浙江工業大學 藝術學院，浙江 杭州 310023)

基于信道狀態信息的無源室內定位

吳哲夫1，徐強1，王中友2，陳濱3，宣琦1

(1.浙江工業大學 信息工程學院，浙江 杭州 310023； 2.中國通信服務杭州公司，浙江 杭州 310050； 3.浙江工業大學 藝術學院，浙江 杭州 310023)

針對傳統室內定位方法在準確性及穩定性上的不足，本文提出了一種基于信道狀態信息(channel state information，CSI)的無源室內定位方法。該方法采用普通設備搭建了實驗平臺，離線階段采集CSI數據建立位置指紋庫，在線階段則利用機器學習的樸素貝葉斯算法進行位置分類。為進一步提高分類準確度，本文還提出了置信度方法，通過綜合多條天線對的結果來減少位置誤判。實驗結果表明，本文所提出方法能有效實現對室內人員的無源定位，可以達到90%以上的準確度。

無源定位； 正交頻分復用； 多輸入多輸出； 信道狀態信息； 異常值； 指紋庫； 樸素貝葉斯分類； 置信度

室內定位是實現基于位置服務的關鍵技術之一，已經受到越來越多的理論研究和工程應用關注。GPS[1]在室外環境中獲得了廣泛應用，但其信號無法穿過厚重的水泥墻，而且室內環境要比室外復雜的多，因此GPS不適合應用于室內定位。目前幾種主要的室內定位技術包括紅外線、超寬帶(ultra-wide band, UWB)、射頻識別(radio frequency identification, RFID)和超聲波等，大部分都要求主動定位和性價比低等缺點。隨著無線局域網(wireless local area network, WLAN)[2]的發展，無線熱點已經廣泛部署于各種室內場合，如學校、醫院、餐廳、超市等。如果能有效利用這些現有的設備實現室內定位，將大大降低系統成本；同時隨著無線局域網傳輸速率的不斷提高，如未來的802.11ac將具有更高的工作頻帶，這為進一步精確的室內定位提供了可能性。

目前已經出現了一些基于WLAN的室內定位方案。根據被定位目標是否攜帶有源設備參與到定位過程，可以將基于WLAN的定位方法分成有源和無源兩種[3]。在很多情況下，目標不一定會攜帶定位設備，一個典型的場景就是應用在安防領域的入侵檢測。在這種情況下，入侵者并不希望自己的位置被檢測到。傳統無源定位利用的是RSSI(received signal strength indicator)，該物理量是多條路徑信號的強度疊加。一種典型的利用RSSI實現無源定位的方法是指紋庫方法[4]。與傳統的強度-距離模型不同，指紋庫在訓練階段建立不同位置的不同RSSI模式，在測試階段則與庫中RSSI的相似度進行位置匹配。RSSI強度易于獲得，但由于室內普遍存在著多徑效應使得基于RSSI的定位方法存在波動性大且不夠穩定的缺點[5]。

雖然基于RSSI仍然是WLAN定位的主流技術之一，但已經出現了一些利用物理層更穩定的信道狀態信息(channel state information, CSI)來進行定位的研究。特別是近幾年隨著CSI的獲取更加容易[6]，對CSI的研究也越來越多[7]。在所采用的定位算法方面，Li B等利用概率方法即貝葉斯公式[8]實現了定位，但其物理量仍然是RSSI，具有進一步改進的空間。文獻[9]中引入了CSI和RSSI并利用貝葉斯算法進行濾波處理，提高了不同房間位置的分類效果。然而，總體上說該方法在精度上仍然有很大的改進空間。

本文針對無源室內定位，提出了一種將信道狀態信息和樸素貝葉斯分類結合的定位算法，同時引入了置信度方法，從而進一步提高了室內定位中位置分類的正確率。

1 無源室內定位系統結構

本文實現方法的總體結構如圖1所示。

圖1 總體結構框圖Fig.1 Overall structure diagram

系統首先基于不同的訓練位置采集了該位置的信道狀態信息數據。在訓練階段，系統采集每根天線對上的子載波數據作為一個樣本特征，并進行數據異常值去除和歸一化處理。通過對每個位置的所有訓練樣本求出平均值和標準差，作為該位置的一個指紋。在測試階段，系統利用樸素貝葉斯方法對數據進行指紋比對和位置分類。同時，為了進一步提高分類準確率，系統還引入了置信度指標，綜合不同天線對上的分類結果并通過置信度進行聯合判斷，從而得到最終的估計位置。

2 信道狀態信息及樸素貝葉斯分類方法

2.1 信道狀態信息

傳統基于WLAN的無源定位方法主要是基于RSSI，但RSSI存在信號不夠穩定、可靠性差和定位精度低等不足。信道狀態信息可以有效克服RSSI這些缺點，通過更細粒度的信道分布感知和采集物理層信息來實現室內定位。

在一個典型的室內環境中，發送信號經過多條路徑到達接收端，每條路徑都會引入不同的時延、幅度衰減和相移。為了區分每條不同的路徑，可以將無線信道建模為空間線性濾波器，從而得到信道沖激響應(channel impulsive response,CIR)：

(1)

式中：ai、θi、τi分別代表第i條路徑的幅度、相位和時延。

進一步的，通過FFT將CIR轉換到頻域，得到信道頻率響應(channelfrequencyresponse,CFR)：

(2)

目前WLAN的協議，如802.11n等都將正交頻分復用(orthogonalfrequencydivisionmultiplexing,OFDM)技術和多入多出(multiple-inputmultiple-output,MIMO)[10]技術作為其標準技術。這兩種技術在CSI數據形成中起到了重要作用。

OFDM對信道頻率響應以一定的頻率間隔進行抽樣，得到抽樣后的信道頻率響應為

(3)

式中：H(fK)為復數值，表示每個子載波fK的幅度和相位值。

MIMO技術則實現了信號的分集發送與接收。假設發送天線數為T，接收天線數為R，則最多可得到T×R條鏈路。如果通過提取每條鏈路上的CSI數據進行分析，每個樣本可得到T×R×30個子載波，其中30為子載波數。

在實際測量中，CSI數據的采集過程和數據格式如圖2所示。監控點(monitor point, MP)接收從接入點(access point, AP)發來的數據包分組，同時將信道狀態信息數據記錄到一個dat文件中。dat文件中的數據由多個數據包構成，而每個數據包又由T×R個包含30個子載波的CSI數據組成。

無源室內定位實現的關鍵在于：室內人員處于不同位置時會引起環境的不同變化，并對無線信號的信道狀態產生不同影響。因此，有效定位所采用的物理量需要滿足以下兩個條件：1)在同一個位置具有穩定性；2)在不同位置具有一定的區分度。

圖2 CSI數據格式Fig.2 Format of CSI data

為驗證以上兩個條件，實驗首先在真實的場景中進行了3次CSI數據采集。第1次，人體靜止于室內某個點，采集到數據樣本1；第2次，間隔一段時間后，再次采集人體位于該點時的CSI，得到樣本2；第3次，人體靜止于室內另一個位置得到樣本3。

圖3分別為人體位于同一個位置(數據樣本1和數據樣本2)和位于不同位置(數據樣本1和數據樣本3)時采集到的CSI幅度，統一選取天線鏈路1-1來進行說明。其中橫坐標表示1～30個子載波序列，縱坐標表示CSI幅度值。需要說明的是，由于CSI幅度是一個相對值，因此這里的信號幅度沒有單位。

可以看到圖3(a)兩次數據的曲線基本上重合，說明人體位于同一個位置時信道狀態的特征是非常類似的，因此具有穩定性；圖3(b)表示兩個位置采集到的CSI數據，具有一定的區分度，可以分辨出兩個位置。

圖3 同一位置的CSI和不同位置的CSIFig.3 CSI from the same and different location

滿足條件1)、2)，意味著信道狀態信息可以通過人體位于每個位置時產生的不同信號特征來表征這個位置，并能與其他的位置進行區分，相當于一條“信號特征-位置”的指紋，從而可以實現對室內目標的無源定位。

2.2 CSI數據預處理

在對CSI數據進行樸素貝葉斯分類前，需要對其進行預處理。訓練數據的預處理主要包括異常值處理和歸一化兩部分。

異常值是指明顯偏離平均值的CSI幅度值。如圖4(a)所示，在第15號子載波上，某個樣本的幅度出現了明顯的不同，因此可判斷為一個異常值。異常值的存在僅僅是對于數量來講。在室內環境中，往往會出現多個比較強的多徑，其表現為CSI幅度也會呈現出多個“簇”。圖4(a)中的“異常值”極有可能是另一條多徑形成的簇。在實驗環境中，發現大部分位置的分組集中在一個簇中，而另一簇的分組數量較少，因此在實際應用中將這一部分的數據視為異常值。

本文采用了拉依達方法檢測異常值并將異常值代替為樣本的均值。拉依達方法通過將某個數據與同一特征的均值進行比較，若差值大于3倍的標準差，則判斷該值為異常值。異常值處理過程的偽代碼如下：

輸入：原始數據X

1 for each feature

2 for each sample

3 if |X(s,f)-Xmean(1,f)|>3·Xstd(1,f)

4X(s,f)=Xmean(1,f)

5 end if

6 end for

7 end for

輸出：去除異常值后的數據X

其中，X(s,f)表示需處理的數據中的第s個樣本、第f個特征(子載波)的CSI值；Xmean(1,f)表示第f個特征值的平均值；Xstd(1,f)表示第f個特征值的標準差。

圖4 異常值和異常值處理后的CSIFig.4 Abnormal value and CSI after processed

數據預處理的第二部分是歸一化。歸一化是指將每一維度的數據轉換到0～1的范圍內，這可以有效防止某些取值過大的特征對其他特征產生影響，使得特征間更具有可比性。采用如下方法對數據進行歸一化：

(4)

式中：Xnew表示經過歸一化處理后的數據，Xold表示歸一化前的數據。這里用到了所有訓練數據中的最大和最小值，如果訓練數據中存在異常值，則會對歸一化過程造成嚴重的干擾。如圖4(a)中，當對第15個特征進行歸一化時，最小值為異常值，造成歸一化失敗。這也是需要首先進行異常值處理的目的。

另外，值得注意的是，通常訓練階段的樣本數遠多于測試階段的樣本數。當樣本數較少時，去除異常值的方法可能會失效。因此測試階段的數據預處理僅進行歸一化即可。

2.3 樸素貝葉斯分類

利用CSI進行無源室內定位最終可以歸結為分類的問題。本文采用了機器學習中一個經典的分類算法——樸素貝葉斯分類[11]。樸素貝葉斯分類的理論基礎是貝葉斯公式：

(5)

式中：P(A)表示事件A發生的概率，P(B)表示事件B發生的概率，P(A|B)表示事件B發生的情況下，A發生的概率，P(B|A)表示事件A發生的情況下，B發生的概率。

樸素貝葉斯分類的核心思想是：對于一個待分類項，通過計算該項出現的條件下各個分類出現的概率，并選取概率最大的類別作為待分類項的類別。樸素貝葉斯分類需要基于兩個假設：1)特征之間相互獨立；2)每個特征同等重要。

本文采用的樸素貝葉斯分類過程可以概括如下：

1)待分類項：

(6)

式中fm表示待分類數據中第m個特征；

2)類別集合:

(7)

式中Ln表示第n個位置形成的類別；

3)計算待分類數據在各個位置類別下出現的概率：

(8)

4)選擇概率最大的所在類為待分類數據的類

(9)

根據貝葉斯公式，式(9)可化為

(10)

這里假設所有位置都是等概率出現的，則有

(11)

而P(f)為已知量，因此式(10)等價于求解：

max(P(f|Li))

(12)

根據特征之間相互獨立的假設，得到

P(f|Li)=P(f1|Li)·P(f2|Li)…P(fm|Li)

(13)

當特征值不是離散值時，式(13)需建模為高斯分布:

(14)

式中：fj表示待分類樣本的第j個特征，Mi表示第i個位置類別的均值，Di表示第i個位置類別的標準差。

根據上面的推導，不難發現要實現樸素貝葉斯分類，需要求出每個位置類別的均值和標準差，這一過程可視為樸素貝葉斯分類的訓練過程。

與其他分類算法相似的是，確定數據的特征值是算法中非常重要的環節。本文將每個子載波的幅度作為分類的特征值，即式(6)中的每個特征對應著一個子載波幅度。

3 置信度方法

為了進一步提高位置估計的正確度，本文提出了置信度的方法。

3.1 置信度的定義

假設待分類的測試數據為

(15)

式中：記sj為測試數據中的第j個樣本，對sj進行樸素貝葉斯分類：

Lj=Bayes(M,D,sj),j=1,2，…,p

(16)

式中：Lj表示對第j個樣本的分類結果。定義置信度為

(17)

式中：mode(Lj)表示所有分類結果中出現次數最多的分類位置，而count(mode(Lj))表示該位置的出現次數，p代表該測試數據中總的樣本數。舉例說明如下，如測試數據中有20個樣本，判斷為位置1的有15個，剩余5個樣本判斷為其他位置。這樣，得到出現次數最多的分類為位置1，其出現的次數為15次，又因為樣本總數為20個，得到置信度15/20=0.75。

3.2 利用置信度來提高分類的正確率

不同天線對上的位置分類結果有以下幾種情況，如表1所示。

表1 天線對分類結果

單純選擇某對天線對的分類結果會使另一對天線對上的信息丟失，需要盡可能利用每對天線對上的分類結果，做出更加可靠的分類結果。

置信度正是為了用于衡量分類的可信度而提出的。當可信度低于一定水平時，分類結果的可靠性就比較低。需要綜合其他天線對的分類結果進行判斷。具體而言，利用置信度來提高分類準確度的過程為：通過對某個位置CSI數據中的所有測試樣本進行樸素貝葉斯分類后，得到估計的位置和置信度，而最終位置為置信度最大的天線對所對應的估計位置。

4 實驗設計

4.1 實驗平臺

實驗平臺主要分成接入點(AP)和監控點(MP)兩部分。AP使用普通的無線路由器，型號為TP-LINK WR842 N，其有兩根天線。MP為安裝了Intel 5300無線網卡的Compaq筆記本，其操作系統為Ubuntu 10.04 LTS。

根據AP和MP的天線數，理論上最多可以產生2×3=6條天線對鏈路，但在實際中MP僅有2條天線接入，因此最多的鏈路數為4。此外，由于受到環境波動、設備工作狀態等因素影響，能夠穩定提取到的鏈路數在2～4。為避免數據格式不一致對算法造成的影響，本文選取了天線對1-1和1-2進行研究。

在數據采集時，人體靜止于房間內某個位置，MP接收來自AP的數據包，并從中提取出CSI數據。CSI數據中包含了人體的位置信息。

4.2 實驗環境及參數設置

選擇兩種不同的室內環境進行實驗。第一種環境是在實驗室中，如圖5(a)，這種環境相對具有較多的多徑。第二種環境是在一個相對空曠的教室里，如圖5(b)，對應于受到多徑效應較少的環境。

圖5 實驗環境Fig.5 Experiment environment

如圖6(a)所示的環境1中，房間大小為7.2 m×7.2 m，選取19個數據采集點；如圖6(b)所示的環境2中，房間大小為5 m×15 m，數據點數量為30個且均勻分布于測試區域中。在兩種環境中，位置點之間的距離均在1～1.2 m，每個點的采集時間均為80 s。AP高度為20 cm，MP高度為38 cm。在每個采集點，人體的朝向與姿勢保持一致。另外，為了證明本文方法同樣適用于環境中沒有目標的情況，本文增加了對室內無人時的CSI數據采集，并同樣將其視為一個位置分類。

對于每個點采集到的CSI數據，選取其中的20個分組用于對算法的性能進行測試，其余分組則用于算法訓練。

圖6 數據采集點分布Fig.6 Distribution of data collecting points

5 實驗結果

5.1 樸素貝葉斯算法的性能

利用樸素貝葉斯方法對位置進行分類，實驗選取兩種環境下的1-1和1-2天線對數據，同時將無人環境的數據分別記為第20個位置和第31個位置。記錄每個位置20次測試分組的分類結果，畫出其混淆矩陣，如圖7所示，其中，顏色條表示分類效果，顏色越深表明分類效果越好。每個色塊的顏色深淺表示該位置分類到某個位置的數量。對角線的顏色越深，表明該位置的分類效果越好。

圖7 貝葉斯分類效果Fig.7 Performance of naive Bayes

總體來看，大部分的結果集中于對角線上，即獲得了正確的位置分類。圖7(a)和(b)中的位置14和位置16、位置19等，由于處于室內的墻角，人體位于這些位置時對環境造成的影響較小，因此分類效果變差。圖7(c)和(d)是環境2下的分類效果。環境2由于受到較少的多徑效應，其總體分類效果比環境1好。同時，位置20和位置31，即無人環境時，也得到了較好的分類效果，這說明本文方法同樣適用于環境中沒有目標的情況。

另外，還可以發現，同一環境下的同一個位置，不同的天線對上的分類效果是存在差異的，如環境1中的位置2、環境2的位置24等，雖然其中的一對天線對分類效果較差，但另一對則可能獲得較好的分類效果。

5.2 置信度方法的性能

在5.1節的基礎上，引入了置信度的方法，觀察置信度方法對性能的影響。圖8為兩種環境下不同方法的分類正確率。分別用樸素貝葉斯方法對天線對1-1和1-2進行位置分類，并與置信度方法進行比較。

圖8 置信度方法的性能Fig.8 Performance of the confidence method

從圖8中可以看到，環境1中兩對天線對的性能非常接近，正確率都在62.5%；而在環境2中，天線對1-1的性能比1-2好10%左右。由于受到較少的多徑干擾，環境2的分類正確率要比環境1高。在采用置信度的方法后，在兩種環境下的定位準確率都比單純采用樸素貝葉斯得到了提升。本文提出的置信度方法利用了不同天線對上的信息，起到了分集的作用，最終的分類正確率在90%以上。

6 結論

1)利用了普通筆記本和Intel 5300網卡不需要其他的特殊設備實現了室內人體無源定位。在準確率和穩定性方面相比傳統的方法具有較大的優勢，同時系統實現的成本較低，有利于普及；

2)將信道狀態信息與機器學習中的樸素貝葉斯分類方法結合來完成室內定位方案。實驗結果表明，本文方法具有較高的準確率；

3)引入了置信度的指標，綜合多條天線對的結果，進一步提高了分類準確度。置信度方法可在原來基礎上提升20%左右的性能，對定位精度具有較大改善。

本文方法在某些方面仍然具有改進空間，如增加可用天線鏈路的數量等。針對多目標及運動目標定位等更復雜的情況則需要進一步的深入研究，本文的無人環境和靜止單目標定位工作可為以后深入研究提供技術基礎。

[1]徐定杰, 呂東澤, 沈鋒. GPS輻射源的無源雷達兩級干擾抑制方法[J]. 哈爾濱工程大學學報，2012, 33(3): 336-341. XU Dingjie, LYU Dongze, SHEN Feng. A two-stage disturbance cancellation method for GPS based passive radar[J]. Journal of Harbin Engineering University, 2012, 33(3): 336-341.

[2]CROW B P, WIDJAJA I, KIM J G, et al. IEEE 802.11 wireless local area networks[J]. IEEE communications magazine, 1997, 35(9): 116-126.

[3]LI Z, BRAUN T, DIMITROVA D C. A passive WiFisource localization system based on fine-grained power based trilateration.[C]//World of Wireless, Mobile and Multimedia Networks, 2015: 1-9.

[4]LIU H, DARABI H, BANERJEE P, et al. Survey of wireless indoor positioning techniques and systems[J]. IEEE transactions on systems man & cybernetics part C, 2007, 37(6): 1067-1080.

[5]ELNAHRAWY E, LI X, MARTIN R P. The limits of localization using signal strength: a comparative study[C]// IEEE Secon First IEEE Communications Society Conference on Sensor & Ad Hoc Communications & Networks， 2004: 406-414.

[6]HALPERIN D, HU W, SHETH A, et al. Predictable 802.11packet delivery from wireless channel measurements[J].ACM sigcomm computer communication review, 2010, 40(4): 159-170.

[7]ZHOU Z, YANG Z, WU C, et al. Towards omnidirectio-nal passive Human Detection[J]. Proceedings of IEEE INFOCOM, 2013, 12(11): 3057-3065.

[8]LI B, SALTER J, DEMPSTER A G, et al. Indoor positioning techniques based on wireless LAN[C]// IEEE International Conference on Lan， 2007: 13-16.

[9]朱榮, 白光偉, 沈航, 等. 基于貝葉斯過濾法的CSI室內定位方法[J]. 計算機工程與設計, 2015(3): 567-571. ZHU Rong, BAI Guangwei, SHEN Hang, et al. Bayesian filtering based CSI indoor localization method[J]. Computer engineering and design, 2015, 36(3): 567-571.

[10]畢曉君, 夏曉蕾. 基于自適應匹配追蹤的MIMO-OFD-M窄帶干擾檢測[J]. 哈爾濱工程大學學報, 2015(9): 1287-1291. BI Xiaojun, XIA Xiaolei. Narrow band interference detection forMIMO-OFDM systems based on sparsityadaptive matching pursuit[J]. Journal of Harbin Engineering University, 2015(9): 1287-1291.

[11]WU X, KUMAR V, QUINLAN J R, et al. Top 10 algorithms in data mining[J]. Knowledge & information systems, 2007, 14(1): 1-37.

本文引用格式：

吳哲夫，徐強，王中友，等. 基于信道狀態信息的無源室內定位[J]. 哈爾濱工程大學學報， 2017， 38(8): 1328-1334.

WU Zhefu, XU Qiang, WANG Zhongyou, et al. Passive indoor human localization based on channel state information[J]. Journal of Harbin Engineering University， 2017， 38(8): 1328-1334.

Passive indoor human localization based on channel state information

WU Zhefu1, XU Qiang1, WANG Zhongyou2, CHEN Bin3, XUAN Qi1

(1.College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China; 2.China Comservice Hangzhou Construction Co., Ltd., Hangzhou 310050, China; 3.College of Art, Zhejiang University of Technology, Hangzhou 310023, China)

To deal with the shortcomings of indoor localization in terms of accuracy and stability, a method based on channel state information (CSI) was proposed to realize passive indoor positioning. A platform was set up with off-the-shelf equipment to collect CSI data. During the offline stage of the method, gathered data from each location were stored as a fingerprint in the database. During the online stage, naive Bayes classification from machine learning was utilized to classify the locations. Furthermore, the degree of confidence was proposed to combine the estimation from different antenna pairs. Result shows that the proposed method can effectively realize passive indoor human localization with an accuracy of more than 90%.

passive localization; orthogonal frequency division multiplexing; multiple input multiple output; channel state information; outlier; fingerprint; naive Bayes classification; degree of confidence

2016-05-02.

日期：2017-04-27.

國家自然科學基金項目(61273212); 浙江省自然科學基金項目(LY13F010011,LY14F050004); 浙江省科技廳重大專項項目(2014NM002).

吳哲夫(1971-), 男, 副教授.

吳哲夫，E-mail: wzf@zjut.edu.cn.

10.11990/jheu.201605001

TP393

A

1006-7043(2017)08-1328-07

網絡出版地址：http://www.cnki.net/kcms/detail/23.1390.u.20170427.1413.060.html