基于WiFi信道狀態(tài)信息的室內(nèi)主動定位研究

武悅

摘 要：隨著室內(nèi)環(huán)境中定位需求的快速增長，基于WiFi的室內(nèi)定位以其較高的精度、較低的成本而引起了廣泛的關(guān)注。近年來，信道狀態(tài)信息（CSI）能夠被更多的無線商用設(shè)備獲取，它能更細粒度地展現(xiàn)信號的特征，擁有更好的穩(wěn)定性。文章記錄了使用CSI進行室內(nèi)定位的探索實驗以及最終定位結(jié)果。

關(guān)鍵詞：信道狀態(tài)信息；深層神經(jīng)網(wǎng)絡(luò)；室內(nèi)定位；主動定位

1 研究背景

與室外定位不同，在進行室內(nèi)定位的研究時，由于環(huán)境復雜多變，有許多無法忽略的障礙物使得很多方法無法在室內(nèi)實現(xiàn)，比如依賴視距傳輸路徑的GPS[1]無法穿透墻壁。這就需要我們想出其他的方法進行定位。

近年來，智能手機等移動設(shè)備日漸普及，無線網(wǎng)絡(luò)幾乎覆蓋了人們的日常生活。因此，WiFi室內(nèi)定位是更貼近人們?nèi)粘Ｉ畹囊环N定位方式，應(yīng)用場景也更加廣泛。室內(nèi)定位可以使用的方法有很多種，為了解決室內(nèi)定位的性能問題，這個新的物理特征需要滿足以下3點要求[1]。

（1）不被窄頻帶信號所干擾。

（2）對環(huán)境中的干擾要足夠敏感，同時，在靜態(tài)環(huán)境中要相對穩(wěn)定。

（3）能夠區(qū)分多條路徑的信號。

而正交頻分復用技術(shù)（Orthogonal Frequency Division Multiplexing，OFDM）[2]為尋找滿足上述3點要求的新特性提供了機遇。信道狀態(tài)信息（Channel State Information，CSI），指的就是通信鏈路的信道屬性。WiFi設(shè)備必須要支持802.11n的協(xié)議才能支持CSI信息的獲取，并且該協(xié)議基于OFDM技術(shù)。因此，在室內(nèi)定位的信號方法選擇上，CSI是不二之選。

2 設(shè)計方案與實施

2.1 確認并劃分實驗區(qū)域

如圖1所示，實驗區(qū)域中設(shè)置72個數(shù)據(jù)采集點，其中有60個訓練點，12個測試點。

2.2 數(shù)據(jù)采集

數(shù)據(jù)采集實驗中需要兩臺電腦，使用帶有網(wǎng)卡的電腦（深色）處于固定位置在Linux系統(tǒng)環(huán)境下連續(xù)發(fā)送數(shù)據(jù)，另外一臺（淺色）在實驗區(qū)域內(nèi)標號的位置點依次接收數(shù)據(jù)（見圖1），每個位置點采集1 min，得到的數(shù)據(jù)即為該點的原始位置信息。

2.3 數(shù)據(jù)處理

（1）首先將原始數(shù)據(jù)中的CSI數(shù)據(jù)提取出來，刪去冗余數(shù)據(jù)。（2）使用Matlab編碼從原始數(shù)據(jù)中提取需要的CSI數(shù)據(jù)后，繪圖觀察數(shù)據(jù)正確性與平整程度。（3）為了避開采集數(shù)據(jù)開始時的抖動，還需將開始和結(jié)束的數(shù)據(jù)刪去，留下中間不受干擾的數(shù)據(jù)。（4）將刪減過的數(shù)據(jù)寫入csv文件中，為隨后的訓練過程做準備。

2.4 訓練過程

使用若干訓練點的數(shù)據(jù)，基于Python搭建神經(jīng)網(wǎng)絡(luò)，建立深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）模型。

2.5 測試過程

選取若干測試點的數(shù)據(jù)來對DNN模型進行測試，檢測模型的效果，得到定位的精度。

3 復雜工程問題的處理

3.1 精度問題

DNN模型剛剛建立的時候，因為參數(shù)等問題導致了精度不高，訓練誤差精度在100 cm以上，測試誤差在此基礎(chǔ)上擴大為195 cm。

為了解決精度問題，首先我們需要明確影響精度的幾個因素。

3.1.1 訓練次數(shù)

在DNN模型中，訓練次數(shù)（training_epochs）是很重要的一個參數(shù)，它直接關(guān)系到模型是否符合真實數(shù)據(jù)情況。訓練次數(shù)過少將無法精準地使用模型學習數(shù)據(jù)的特性，直接影響精度；訓練次數(shù)過多會使模型建立的過程花費過多時間，嚴重影響測試模型好壞的效率。

3.1.2 學習率

學習率（lr）是一個重要的超參數(shù)，它控制著基于損失梯度調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值的速度，即參數(shù)到達最優(yōu)值過程的速度快慢。

3.1.3 神經(jīng)網(wǎng)絡(luò)層數(shù)

神經(jīng)網(wǎng)絡(luò)層數(shù)不夠會導致誤差過大，模型不能很好地表述數(shù)據(jù)特征，但是單純增加層數(shù)可能會出現(xiàn)過擬合。

3.1.4 訓練樣本數(shù)

訓練樣本數(shù)同樣很重要，當樣本容量不夠時，模型并不會完善地表示真實情境，測試的時候自然精度會不高。但一味地增加樣本容量會帶來不必要的工作量和時間上的浪費。

3.2 訓練的時候出現(xiàn)的異常值的問題

模型的建立分為訓練和測試兩部分。在訓練過程中，結(jié)果中的誤差（loss）和樣本標準差（std_dev）都為無窮（nan），初步分析原因可能是過擬合，或者存在數(shù)據(jù)的跳變增加使得數(shù)值變?yōu)闊o窮。

無窮異常值如下：

step： 5550 loss： nan

std_dev： nan

----------------

step： 5600 loss： nan

std_dev： nan

----------------

step： 5650 loss： nan

std_dev： nan

經(jīng)過分析，出現(xiàn)無窮異常值的原因可能是在DNN算法中，坐標為零的點引起了有一些數(shù)學運算的錯誤，所以接下來的解決方案就是重新調(diào)整訓練點和測試點的坐標，避開坐標為零的情況。經(jīng)過重新調(diào)試后，無窮值nan沒有再次出現(xiàn)。問題得到了徹底解決。

4 實驗結(jié)果

位置數(shù)據(jù)經(jīng)過訓練后的誤差值為16 cm（見圖2），測試后的最終誤差為164 cm（見圖3）。

5 結(jié)語

本文基于DNN模型算法設(shè)計了一個室內(nèi)定位的實驗。同時對室內(nèi)定位過程中遇到的復雜工程問題進行了探索并給出了對應(yīng)的解決方案。目前的室內(nèi)定位精度為164 cm。

[參考文獻]

[1]MARAL G，BOUSQUET M.Satellite communications systems： systems， techniques and technology[M].New York：John Wiley & Sons，2011.

[2]THRUN S，F(xiàn)OX D，BURGARD W，et al.Robust Monte Carlo localization for mobile robots[J].Artificial Intelligence，2001（2）：99-141.

Abstract：With the rapid growth of positioning requirements in indoor environments， indoor positioning based on WiFi has attracted wide attention due to its high precision and low cost. In recent years， channel state information（CSI）can be acquired by more wireless commercial devices， which can display signal characteristics in a finer granularity and have better stability. This paper documents the exploration experiments and final positioning results of indoor positioning using CSI.

Key words：channel state information； deep neural network； indoor location； active positioning