基于改進PDR與指紋庫PSO-BP融合室內定位算法

蔡文炎 何洋

摘要：針對目前室內定位算法精度不高的應用現狀，提出一種基于接收信號強度指示（RSSI）的測距方法和改進行人航跡推算（PDR）融合的室內定位算法。基于現代生活環境中被廣泛部署的Wi-Fi無線信號作為節點，采用電磁指紋庫匹配識別的方法，對進入網絡范圍內的未知節點進行定位，并利用PSO-BP神經網絡算法，融合慣導測量單元的數據對通過RSSI定位結果進行修正。通過實驗仿真表明與傳統單一方法的室內定位方式相比，所提出的方法通過融合算法不僅解決了RSSI定位易受環境影響的擺動性，并且在很大程度上提高了室內定位精度與時效性。

關鍵詞： 電磁指紋; 室內定位; PSO-BP神經網絡; PDR

【Abstract】 Aiming at the current application status of indoor positioning algorithm with low precision， a ranging method based on received signal strength indicator （RSSI） and an indoor positioning algorithm modified to perform human track derivation （PDR） fusion are proposed. Based on Wi-Fi wireless signals that are widely deployed in modern living environments as nodes， the method of matching and identifying electromagnetic fingerprints is used ?to locate unknown nodes within the scope of the network， and PSO-BP neural network algorithm is used to fuse INS measurements unit's data pair， which is corrected by the RSSI positioning result. The experimental simulation shows that compared with the traditional single method indoor positioning method， the proposed method not only solves the oscillating problem that RSSI positioning is susceptible to environmental influences， but also improves the indoor positioning accuracy and timeliness to a large extent.

【Key words】 ?electromagnetic fingerprint; indoor location; PSO-BP neural network ; PDR

0 引 言

近年來隨著第四代網絡通信技術的成熟和微電子行業的迅速發展，移動終端設備在人們日常生活中得到很大程度的普及，由此基于用戶位置服務（Location Based Services，LBS）的需求也日益增長。

不同于開闊的室外環境可以使用北斗等基于衛星的定位方式，人們日常大多數生活與工作活動均在室內進行，由于衛星信號在室內環境受到鋼筋水泥等建筑掩體的遮擋等影響嚴重，所以基于電磁信號的室內定位研究開始受到廣泛關注。

目前被廣泛關注的室內定位技術有RFID、UWB和ZigBee等技術，雖然此類方法均能滿足室內終端定位，但是都要依賴相關特定的硬件設備，部署成本較大，很難做到較大范圍的推廣。相比而言，Wi-Fi在人們日常生活環境中大多已經實現全覆蓋，尤其是在大型室內商場和寫字樓等場所。Wi-Fi具有易于推廣和響應性能良好的特點，已經成為目前室內定位技術研究的熱點之一。

具體來說，就是通過分析空間中Wi-Fi接收信號強度（received signal strength， RSS），實現室內定位[1-3]，其中得到廣泛關注的是基于位置指紋的定位方法，利用Wi-Fi電磁信號在空間中的傳播與分布規律，建立特征數據庫作為定位基礎。文獻[4]構建了基于Wi-Fi的電磁指紋庫的室內定位系統，并且結合了實際采集的RSSI數據對Wi-Fi在室內環境下的傳播影響因素做了研究，分析了不同終端由于RSSI量化差異引起的定位誤差，并且使用BP神經網絡進行了非線性矯正，但是BP神經網絡的收斂速度并不理想。由此，文獻[5]利用RFID，使用PSO-BP神經網絡去解算RFID閱讀器和RSSI之間的距離關系，且得到了很好的收斂效果，但是并沒有考慮待定位目標本身具有的信息，如運動方向和速度等重要信息。

文獻[6-9]提出了使用粒子濾波和卡爾曼濾波等融合算法，對PDR信息和位置指紋庫信息進行了一定的融合，其中卡爾曼濾波的輸入與輸出關系主要依賴時間更新算法和狀態更新算法，如果系統存在較大的延遲，則對估計位置產生極大的影響，且主要針對線性問題的解決，實際上，大多數實際問題是非線性的。針對此問題，文獻[10]所提出的無跡卡爾曼濾波，實際上也只是針對弱非線性問題，噪聲基本服從正態分布，非線性程度依然較低。同樣采用粒子濾波融合算法也存在粒子退化問題，且效果并不理想。

針對上述現象，本文提出基于PSO-BP神經網絡結合改進PDR算法數據和Wi-Fi電磁指紋庫信息的融合定位方式，通過實驗表明，在很大程度上提高了單一指紋定位的精度，且針對非線性問題有了良好的改進。

1 電磁指紋庫和PDR算法

1.1 基于RSSI電磁指紋庫定位方法

目前，建立電磁指紋庫定位方法的2種主要途徑是基于距離的RSSI傳播損耗模型和RSSI特征值法。針對該方法的建立需要考慮2種狀態，即：離線階段和在線階段。對此可做闡釋分述如下。

傳播損耗模型，在離線階段，待定位節點需要收集該區域內其他錨節點的RSSI信息，通過解算和多個（二維平面內，至少3個錨節點）錨節點之間的RSSI信息和距離，創建離線的電磁指紋庫。這里，給出傳播損耗模型如圖1所示。

圖1中，橫軸x表示距離范圍，縱軸y表示損耗，n表示傳播常數，通過先驗知識做出對比，可知當n取2時較為適合。

對于RSSI特征值法，是目前較為通用的方法，同樣也是將定位區域劃分為多個子區域，并且將該區域的中心點作為采樣參考點，其中均值、中值、最大值為最常用的特征提取法，提取后的特征值保存在離線庫中。

在線階段，對于進入定位區域中的待定位節點，待定位節點動態地對錨節點信息解算，并且在允許延時范圍內和離線庫特征值相匹配，進而估算出當前用戶的位置。定位流程如圖2所示。

2 PSO-BP融合算法

2.1 PSO-BP神經網絡算法的優化

根據PSO優化算法的啟發式思想，結合BP神經網絡的運用，可在很大程度上避免陷入局部最優解，提高收斂速度的能力。

首先，確定BP神經網絡的整體結構，使用前向網絡計算每組特征樣本，通過PSO算法得到適應值的最小位置，并將粒子的當前位置Xi作為BP神經網絡的權值和閾值，將誤差函數的結果對應為PSO優化算法中的適應值，再根據規則更新粒子。針對上述過程，可推得各研發步驟具體如下。

2.2 PDR與電磁指紋庫數據融合

根據前述內容易知，利用PDR的定位方法受到傳感器精度和初始位置的選擇影響較大，同樣，利用電磁指紋庫匹配定位的方式，也存在著其指紋信息容易隨著環境的溫濕度和其他電磁輻射等影響而變化，使得指紋信息失效的缺點與不足。

利用PSO-BP神經網絡實現對PDR和電磁指紋庫數據的融合，用于提高整體定位效果。數據融合原理如圖6所示。

Wi-Fi電磁指紋庫所對應的真實位置可以根據信號節點的布設得到，所以此絕對位置可以為PDR提供初始位置，由于PDR存在累積誤差以及電磁指紋庫易受到環境影響等緣故，使用PSO-BP神經網絡，其中Wi-Fi處理模塊的參數和PDR處理模塊的參數作為PSO-BP的輸入，那么輸出即為通過神經網絡進行數據融合而得到的待定位目標的位置信息。

相比于傳統的BP神經網絡，PSO-BP神經網絡的權值和閾值的初始化已是經過最優化處理，所以將2個模塊的參數作為輸入可以更為有效地找到最優擬合方式，而且，還可以較小的時間代價得到數據之間的關系。

3 實驗結果

3.1 實驗數據分析

實驗場地選在本校1號實訓樓的一層走廊，在此環境下經過多次重復實驗，將網格劃分為1.5 m×1.5 m的網格區域，共采集了246個指紋數據，每個指紋連續采集120個，時間間隔為1 s，如圖7所示。

實驗設備使用三星Note3手機，搭載本團隊研發的定位軟件，利用本樓層現有的Wi-Fi信號作為AP節點，如圖8所示。

本文主要通過對使用Wi-Fi電磁指紋庫定位、PDR方式定位和利用PSO-BP神經網絡對電磁指紋庫與PDR數據進行融合定位，并對這三種定位模式的精度進行了相關實驗和分析。其中，利用PPR定位的實驗記錄結果見表1。

由表1可知，將實驗區域劃分為10個子區域，每個子區域的行走時間控制在30 s，且進行20次取樣，記錄每個子區域中的可用樣本數和偏離程度較大的樣本數，依次獲得利用PDR定位的誤差。

在同樣的條件下，按所設條件采集并建立Wi-Fi電磁指紋庫，PDR與電磁指紋庫實驗時間間隔1 h（包含指紋庫建立時間），如圖9所示。

從圖9可以清楚地分析，利用PDR定位對初始位置的選擇很重要，所以在1區域PDR的初始誤差0.20要明顯大于指紋庫定位誤差0.15，在區域4之前的測量PDR均優于指紋庫定位。區域4之后由于時間關系，PDR有一定的累積誤差，此時相比于指紋庫的穩定性，PDR定位誤差會大于電磁指紋庫。

使用本文提出的PSO-BP神經網絡融合算法，迭代次數設為100，訓練性能分析如圖10所示。

進行100次迭代運算，在41次運算時BP神經網絡的權重ω和閾值b已經達到最優狀態，整體系統誤差分析如圖11所示。

通過建立PSO-BP神經網絡，對預先采集到的PDR和指紋庫數據分為訓練集和測試集，用于對PSO-BP神經網絡數據融合的前期訓練和性能調整，驗證集是待定位節點進入該實驗區域后實時傳入網絡模型中的數據。

可以看到，三者數據得到結果的均方誤差相比較起來是基本吻合的，其中驗證集的最優均方誤差在4.662 4*10-7，所以通過此方法進行室內定位的表現達到預計要求。

3.2 定位精度

可以清楚地看到，誤差低于2 m的概率是0.76，單獨使用Wi-Fi電磁指紋庫進行定位的最大誤差可以達到3.5 m。

使用改進PDR與電磁指紋庫融合定位算法得到的定位誤差直方圖如圖13所示。

由圖13可以清晰地看到，定位誤差低于2 m的概率在0.86，相比于單獨使用電磁指紋庫定位方法的0.76概率，已經有了顯著的提高，且最大定位誤差僅為2.4 m。2種定位算法的比較結果見表2。

綜上所述，相比較單獨使用電磁指紋庫而言，使用融合算法則明顯提升了當前時刻的定位精度。

4 結束語

考慮在室內這種弱缺衛星信號環境下，Wi-Fi電磁指紋庫作為一種普遍使用的定位方式，但是由于其受到環境溫、濕度等影響較大，使得在線階段定位出現很大偏差。本文在分析傳統的電磁指紋庫定位算法的同時，加入了待定位節點自身的速度、步長等信息，即PDR技術，并在其基礎上根據實際情況，提出了改進PDR模型，模型中則考慮了時間對傳感器采集的影響。

充分利用電磁指紋庫數據和改進PDR數據，針對此種非線性問題，使用強大的PSO-BP神經網絡模型，對數據進行融合，平均誤差僅在1.593 0 m，誤差在2 m以下的概率達到86%。

參考文獻

[1] 閆馳. 基于PSO-BP神經網絡的無線傳感器網絡定位算法[J]. 電子科技， 2016， 29（4）：56.

[2]朱亞萍， 夏瑋瑋， 章躍躍，等. 基于RSSI和慣性導航的融合室內定位算法[J]. 電信科學， 2017（10）：99.

[3]LIU Caifeng， GU Yiming. Research on indoor fire location scheme of RFID based on WiFi[C]// Nicograph International（NicoInt）.Hangzhou，China： IEEE， 2016：116.

[4]李程程. 基于位置指紋的WIFI室內定位技術研究[D]. 合肥：合肥工業大學， 2016.

[5]張慶波， 傅忠謙， 楊可. 基于無跡卡爾曼濾波的粒子群算法研究[J]. 中國科學技術大學學報， 2013， 43 （10）：850.

[6]周瑞， 袁興中， 黃一鳴. 基于卡爾曼濾波的WiFi-PDR融合室內定位[J]. 電子科技大學學報， 2016， 45 （3）：399.

[7]李志強. 基于粒子濾波和電子地圖融合的室內定位技術研究[D]. 成都：電子科技大學， 2016.

[8]趙逢達， 閆亭亭， 孔令富. 一種基于粒子濾波的智能移動終端室內行人定位算法[J]. 小型微型計算機系統， 2014， 35（8）：1842.

[9]李瑞峰， 趙立軍， 靳新輝. 基于粒子濾波器的室內移動機器人自定位[J]. 華中科技大學學報：自然科學版， 2008（S1）：145.

[10]WANG Changzhi， WU Fei， SHI Zhicai， et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J]. Optik - International Journal for Light and Electron Optics， 2016， 127（17）：6839.

[11]劉小康， 郭杭. 基于Zigbee室內定位系統的指紋庫優化算法[J]. 計算機工程， 2014， 40（2）：193.

[12]WANG Changzhi， SHI Zhicai， WU Fei. An improved particle swarm optimization-based feed-forward neural network combined with RFID sensors to indoor localization[J]. Information， 2017， 8（1）：9.

[13]WANG Changzhi， SHI Zhicai， WU Fei. Intelligent RFID indoor localization system using a Gaussian filtering based extreme learning machine[J]. Symmetry， 2017， 9（3）：30.

[14]ZHOU Mu， XU Yubin， TANG Li. Multilayer ANN indoor location system with area division in WLAN environment[J]. Journal of Systems Engineering and Electronics， 2010， 21（5）：914.

[15]張鵬， 趙齊樂， 李由，等. 基于PDR、WiFi指紋識別、磁場匹配組合的室內行人導航定位[J]. 測繪地理信息， 2016， 41（3）：29.