一種基于全向指紋庫(kù)的WiFi室內(nèi)定位方法

畢京學(xué)，汪云甲，曹鴻基，王永康

(中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221116)

室內(nèi)定位技術(shù)是導(dǎo)航與位置服務(wù)領(lǐng)域的研究熱點(diǎn)，許多研究機(jī)構(gòu)、公司和大學(xué)利用紅外線、超聲波、射頻識(shí)別(radio frequency identification，RFID)、ZigBee、無(wú)線局域網(wǎng)(wireless local area network，WLAN)、藍(lán)牙、微機(jī)電系統(tǒng)(micro electro mechanical systems，MEMS)傳感器、超寬帶(ultra-wideband，UWB)、地磁、可見(jiàn)光通信、計(jì)算機(jī)視覺(jué)、偽衛(wèi)星等技術(shù)開(kāi)展了大量研究工作[1]，開(kāi)發(fā)了相應(yīng)的室內(nèi)定位系統(tǒng)，不同定位技術(shù)的定位精度如圖1所示。其中，WiFi室內(nèi)定位技術(shù)由于存在基于RSSI[2]和信道狀態(tài)信息[3-5](channel state information，CSI)兩種定位技術(shù)，定位精度分別為3～5 m和優(yōu)于1 m，UWB和偽衛(wèi)星室內(nèi)定位技術(shù)可獲取厘米級(jí)甚至毫米級(jí)的定位結(jié)果，成本較高，實(shí)現(xiàn)難度較大。大多數(shù)室內(nèi)定位系統(tǒng)由于普適性差無(wú)法大面積推廣使用，一方面，由于需要專有設(shè)備或基礎(chǔ)設(shè)施，如UWB、偽衛(wèi)星、RFID、超聲波和紅外線等；另一方面，由于移動(dòng)終端電池續(xù)航能力和計(jì)算能力不足，無(wú)法完成大量圖像處理計(jì)算，如計(jì)算機(jī)視覺(jué)定位。從普適性角度考慮，WiFi室內(nèi)定位技術(shù)具有得天獨(dú)厚的優(yōu)勢(shì)，因?yàn)閹捀?、傳輸速率快、價(jià)格便宜、部署方便，可滿足移動(dòng)辦公、移動(dòng)生活?yuàn)蕵?lè)的需求，廣泛應(yīng)用于機(jī)場(chǎng)、寫(xiě)字樓、大型商場(chǎng)、酒店、校園和家庭。常見(jiàn)的WiFi室內(nèi)定位系統(tǒng)通過(guò)RSSI估計(jì)目標(biāo)位置，通常以幾秒的頻率進(jìn)行位置更新，可區(qū)別房間，但樓層識(shí)別能力較弱。WiFi室內(nèi)定位由于不需要額外添加硬件設(shè)備或電子標(biāo)簽，已成為最常用的室內(nèi)定位技術(shù)。

自從微軟的Radar系統(tǒng)[6]和馬里蘭大學(xué)的Horus系統(tǒng)[7]推出以來(lái)，研究人員對(duì)WiFi接收信號(hào)強(qiáng)度室內(nèi)定位技術(shù)進(jìn)行了深入研究。Lionel[8]等提出了加權(quán)K近鄰法(weighted K nearest neighbors，WKNN)，以待測(cè)點(diǎn)與參考點(diǎn)之間在信號(hào)空間的歐氏距離分配權(quán)重，得到加權(quán)均值坐標(biāo)。Beomju[9]等通過(guò)試驗(yàn)發(fā)現(xiàn)，當(dāng)K取值為5時(shí)，KNN和WKNN算法定位結(jié)果最優(yōu)。實(shí)際室內(nèi)環(huán)境下，WiFi信號(hào)強(qiáng)度多為非高斯分布，會(huì)呈現(xiàn)出左偏、右偏或雙峰特性，Kaemarungsi[10]利用直方圖法對(duì)Horus進(jìn)行改進(jìn)，Ladd[11]等利用非參數(shù)估計(jì)法構(gòu)建RSSI概率分布函數(shù)，如核函數(shù)估計(jì)[12]。然而，上述研究成果都未考慮人體對(duì)WiFi室內(nèi)定位系統(tǒng)的影響，由于人體約含70%左右的水分，可以吸收2.4 GHz的無(wú)線電信號(hào)，導(dǎo)致較大的信號(hào)延遲，面向接入點(diǎn)(access point，AP)和背對(duì)接入點(diǎn)的情況下，由身體遮擋引起的信號(hào)衰減高達(dá)5 dB。陳斌濤[13]等雖然將用戶朝向引入研究中，但是在信號(hào)指紋采集過(guò)程中需旋轉(zhuǎn)360°，增大了指紋采集工作量。此外，智能手機(jī)的朝向估計(jì)含有較大誤差，取值范圍為0～15°，在離線訓(xùn)練階段和在線定位階段引入角度誤差。劉春燕[14]等雖然研究了4個(gè)方向RSSI差異特性，但在定位過(guò)程中選擇RSSI最大值進(jìn)行位置估計(jì)。

圖1 已有室內(nèi)定位技術(shù)定位精度和實(shí)現(xiàn)難度

本文提出一種基于全向指紋庫(kù)的WiFi室內(nèi)定位方法，離線階段分別采集4個(gè)朝向(建筑物走向的前、后、左、右4個(gè)方向)的信號(hào)指紋，將4個(gè)朝向的信號(hào)指紋合并訓(xùn)練建庫(kù)，形成1個(gè)全向指紋庫(kù)，在線定位階段利用WKNN算法分別進(jìn)行位置估計(jì)。試驗(yàn)表明，基于全向指紋庫(kù)的WiFi室內(nèi)定位方法要優(yōu)于基于方向識(shí)別的室內(nèi)定位方法。

1 基于方向識(shí)別和全向指紋庫(kù)的室內(nèi)定位

1.1 人體對(duì)RSSI的影響

很多建筑物并不是方方正正或正南正北朝向的，而且室內(nèi)建筑結(jié)構(gòu)復(fù)雜，行人往往在室內(nèi)環(huán)境下會(huì)丟失地理方向，而對(duì)前后左右比較敏感。此外，行人的行走方向往往與建筑物走向的垂直或平行，因此，需研究人體在建筑物4個(gè)朝向?qū)iFi信號(hào)強(qiáng)度的影響。如圖2(a)所示，在AP一定距離處，按照建筑物4個(gè)朝向以順時(shí)針次序分別采集WiFi信號(hào)，采樣頻率為1 Hz，采樣時(shí)間2 min，記錄2.4 GHz和5 GHz的信號(hào)強(qiáng)度。其中，方向1為面向AP的方向，方向3為背對(duì)AP的方向，WiFi信號(hào)強(qiáng)度分布情況如圖2(b)所示。

圖2 RSSI采集示意圖和結(jié)果展示

用戶為方向1時(shí)，相同傳輸距離5 GHz信號(hào)要比2.4 GHz信號(hào)衰減更快；用戶為方向4時(shí)，2.4 GHz信號(hào)和5 GHz信號(hào)強(qiáng)度大小基本一致，說(shuō)明2.4 GHz除了受到人體遮蔽效應(yīng)外，還被人體吸收大量能量；方向1、方向2和方向4時(shí)5 GHz信號(hào)強(qiáng)度大小基本相同，僅與在背對(duì)AP時(shí)有較大信號(hào)衰減，說(shuō)明5 GHz信號(hào)能夠準(zhǔn)確識(shí)別用戶朝向；方向3時(shí)，2.4 GHz和5 GHz信號(hào)均有高達(dá)20 dBm的信號(hào)衰減，結(jié)果與文獻(xiàn)[13]中的描述不同，可能是由于與AP間距不同所致。

1.2 基于方向識(shí)別的指紋定位方法

由于人體會(huì)對(duì)WiFi信號(hào)造成遮蔽效應(yīng)或吸收，因此在信號(hào)采集和定位過(guò)程中需顧及用戶朝向。如圖3所示，離線采集階段，在參考點(diǎn)位置分4個(gè)朝向分別采集信號(hào)指紋，構(gòu)建信號(hào)指紋與空間位置的映射關(guān)系，形成4個(gè)朝向不同的指紋庫(kù)文件；在線定位階段，根據(jù)用戶朝向判定需匹配的朝向指紋庫(kù)，利用WKNN算法進(jìn)行匹配運(yùn)算并估計(jì)測(cè)試點(diǎn)位置。

1.3 基于全向指紋庫(kù)的指紋定位方法

將離線階段采集的4個(gè)朝向指紋庫(kù)文件進(jìn)行合并，形成全向指紋庫(kù)文件；在線定位階段利用WKNN算法對(duì)測(cè)試點(diǎn)指紋與全向指紋庫(kù)進(jìn)行匹配并估算測(cè)試點(diǎn)位置。

圖3 KNN定位原理

2 試驗(yàn)與分析

2.1 試驗(yàn)描述

試驗(yàn)場(chǎng)地位于中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院4樓的某一區(qū)域，包含有樓梯平臺(tái)和走廊兩種室內(nèi)場(chǎng)景，走廊長(zhǎng)約27.3 m，寬2.4 m，樓梯平臺(tái)長(zhǎng)7.2 m，寬2 m，在走廊和樓梯平臺(tái)高約3 m的位置共布設(shè)10個(gè)2.4 GHz的無(wú)線AP，如圖4所示。其中，實(shí)心三角形表示布設(shè)的無(wú)線AP，空心圓點(diǎn)表示參考點(diǎn)，共61個(gè)，參考點(diǎn)間隔為1.2 m，實(shí)心圓點(diǎn)表示測(cè)試點(diǎn)，共20個(gè)，隨機(jī)分布在整個(gè)測(cè)區(qū)。利用如圖5所示的自主開(kāi)發(fā)信號(hào)指紋采集軟件，在圖4的參考點(diǎn)位置處按照?qǐng)D中所示方向使用“指紋采集”功能分別采集并記錄參考點(diǎn)位置、方向和信號(hào)指紋，每個(gè)方向采樣60次，采樣頻率為1 Hz。取信號(hào)強(qiáng)度均值作為每個(gè)AP信號(hào)指紋特征值，得到4個(gè)朝向信號(hào)指紋庫(kù)文件和1個(gè)全向信號(hào)指紋庫(kù)文件。利用圖5所示信號(hào)指紋采集軟件在圖4所示的20個(gè)測(cè)試點(diǎn)(實(shí)心圓點(diǎn))位置處按照?qǐng)D中所示方向使用“測(cè)試采集”功能分別采集并記錄參考點(diǎn)位置、方向和信號(hào)指紋，每個(gè)方向連續(xù)采樣10次，采樣頻率為1 Hz，通過(guò)處理生成4個(gè)朝向測(cè)試文件和1個(gè)全向測(cè)試文件，以便于后續(xù)位置計(jì)算。

2.2 試驗(yàn)結(jié)果與分析

在整個(gè)試驗(yàn)區(qū)域可接收到73個(gè)2.4 GHz、3個(gè)5 GHz的無(wú)線信號(hào)，在利用測(cè)試點(diǎn)信號(hào)指紋與指紋庫(kù)中參考點(diǎn)信號(hào)指紋進(jìn)行匹配運(yùn)算時(shí)，常常會(huì)出現(xiàn)測(cè)試點(diǎn)信號(hào)指紋和參考點(diǎn)信號(hào)指紋AP缺失的情況。本文采用文獻(xiàn)[1]的方法，將缺失AP的RSSI值設(shè)為-95 dBm，分別基于全向指紋庫(kù)定位方法和基于方向識(shí)別的指紋定位方法進(jìn)行解算，對(duì)比定位結(jié)果并分析定位精度。

圖4 試驗(yàn)場(chǎng)地

每個(gè)朝向測(cè)試文件中含有20個(gè)測(cè)試點(diǎn)，共200次采樣，K取值范圍為[2，10]，計(jì)算不同K值時(shí)的平均定位誤差，如圖6所示。方向1、方向3和方向4在K=5時(shí)平均定位誤差最小，方向1的平均定位誤差為1.24 m，標(biāo)準(zhǔn)差為0.86 m，方向3的平均定位誤差為1.4 m，標(biāo)準(zhǔn)差為0.99 m，方向4的平均定位誤差為2.16 m，標(biāo)準(zhǔn)差為1.38 m；方向1、方向3和方向4中隨著K值的增加，定位誤差先變小后變大；方向2在K=2時(shí)平均定位誤差最小，為1.52 m，標(biāo)準(zhǔn)差為2.13 m，定位誤差隨K值增加而增大；取不同K值時(shí)方向4的平均定位誤差普遍比其他方向的定位誤差大；在走廊行進(jìn)方向上(即方向2和方向4)要比走廊左右方向(即方向1和方向3)上的定位誤差要大0.52 m。

圖5 自主研發(fā)信號(hào)指紋采集軟件

圖6 不同K值時(shí)4個(gè)朝向的定位誤差

全向測(cè)試文件中包含20個(gè)測(cè)試點(diǎn)4個(gè)朝向的信號(hào)指紋，共計(jì)800次采樣，由于每個(gè)空間位置處有4次采樣，因此K最大值取20，K取值范圍為[2，20]，計(jì)算不同K值的平均定位誤差，并與基于方向識(shí)別的指紋定位的平均定位誤差進(jìn)行比較，如圖7所示。

從圖中可以看出，K取4時(shí)基于全向指紋庫(kù)定位的平均定位誤差為1.44 m，標(biāo)準(zhǔn)差為1.6 m，而基于方向識(shí)別的指紋定位在K取5時(shí)平均定位誤差最小為1.6 m；不論K取值如何，基于全向指紋庫(kù)定位誤差要小于基于方向識(shí)別的指紋定位誤差。

圖7 不同K值時(shí)全向指紋和基于方向識(shí)別定位誤差比較

圖8對(duì)上述兩種情況指紋定位的誤差累積分布進(jìn)行對(duì)比，基于全向指紋定位方法的定位精度優(yōu)于2 m的置信概率為88%，定位精度優(yōu)于1 m的置信概率為54%，基于方向識(shí)別的指紋定位方法定位精度優(yōu)于2 m的置信概率為76%，定位精度優(yōu)于1 m的置信概率為48%；但是基于全向指紋庫(kù)定位方法最大誤差為11.7 m，而基于方向識(shí)別的指紋定位最大誤差為7.8 m，這是因?yàn)榛谌蛑讣y庫(kù)中參考點(diǎn)數(shù)目是基于方向識(shí)別的指紋定位的4倍，由于多路徑效應(yīng)、行人走動(dòng)或人體遮擋等影響使得遠(yuǎn)離真實(shí)位置的參考點(diǎn)與測(cè)試點(diǎn)的歐氏距離很小，導(dǎo)致加權(quán)均值計(jì)算時(shí)距離很遠(yuǎn)的參考點(diǎn)權(quán)重很大，造成較大誤差。

圖8 定位誤差累積分布函數(shù)

3 結(jié) 語(yǔ)

室內(nèi)環(huán)境下WiFi 2.4 GHz和5 GHz信號(hào)衰減受人體遮蔽影響較大，本文考慮了用戶朝向引起的信號(hào)強(qiáng)度差異，提出了一種基于全向指紋庫(kù)的WiFi室內(nèi)定位方法。試驗(yàn)結(jié)果表明，該方法定位精度高于基于方向識(shí)別的指紋定位方法，在K取4時(shí)，平均定位誤差為1.44 m，定位精度優(yōu)于1 m的置信概率為54%，優(yōu)于2 m的置信概率為88%。由于室內(nèi)無(wú)線信號(hào)分布特性復(fù)雜多變，使得基于全向指紋庫(kù)的定位方法在某些點(diǎn)存在較大誤差，因此可把聚類分析引入后續(xù)研究，縮小基于全向指紋庫(kù)的搜索匹配范圍，旨在提高計(jì)算效率和定位精度。

[1] 畢京學(xué), 甄杰, 汪云甲, 等. 高斯函數(shù)定權(quán)的改進(jìn)KNN室內(nèi)定位方法[J]. 測(cè)繪通報(bào), 2017(6): 9-12, 35.

[2] HE S N, CHAN S H G. Wi-Fi Fingerprint-based Indoor Positioning: Recent Advances and Comparisons[J]. IEEE Communications Surveys & Tutorials, 2016, 18(1): 466-490.

[3] WU K S, XIAO J, YI Y W, et al. CSI-based Indoor Localization[J]. IEEE Transactions on Parallel and Distributed Systems, 2013, 24(7): 1300-1309.

[4] SEN S, LEE J, KIM K H, et al. Avoiding Multipath to Revive Inbuilding WiFi Localization[C]∥Proceeding of the 11th Annual International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2013: 249-262.

[5] WANG X, GAO L, MAO S, et al. CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach[J]. IEEE Transactions on Vehicular Technology, 2017, 66(1): 763-776.

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

[7] YOUSSEF M, AGRAWALA A. The Horus WLAN Location Determination System[C]∥Proceedings of the 3rd International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2005: 205-218.

[8] NI L M, LIU Y H, LAU Y C, et al. LANDMARC: Indoor Location Sensing Using Active RFID[J]. Wireless Networks, 2004, 10(6): 701-710.

[9] SHIN B, LEE J H, LEE T, et al. Enhanced Weighted K-nearest Neighbor Algorithm for Indoor WiFi Positioning Systems[C]∥Proceedings of the 8th International Conference on Computing Technology and Information Management. Seoul, South Korea: IEEE, 2012: 574-577.

[11] LADD A M, BEKRIS K E, RUDYS A, et al. Robotics-based Location Sensing Using Wireless Ethernet[J]. Wireless Networks, 2005, 11(1-2): 189-204.

[12] 李華亮, 錢(qián)志鴻, 田洪亮. 基于核函數(shù)特征提取的室內(nèi)定位算法研究[J]. 通信學(xué)報(bào), 2017, 38(1): 158-167.

[13] 陳斌濤, 劉任任, 陳益強(qiáng), 等. 動(dòng)態(tài)環(huán)境中的WiFi指紋自適應(yīng)室內(nèi)定位方法[J]. 傳感技術(shù)學(xué)報(bào), 2015, 28(5): 729-738.

[14] 劉春燕, 王堅(jiān). 基于幾何聚類指紋庫(kù)的約束KNN室內(nèi)定位模型[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(11): 1287-1292.