基于無源RFID的定位研究

柯成杰 沈子成 朱澤玉 周彪

【摘要】? ? 針對傳統室內定位中RSSI不穩定、室內定位精度低問題，本文采用鏈路穩定性高的收包率（PRR），抗干擾能力強。本文提出了一種新型的定位模型，用收包率確定的幾何圓環重疊來限制劃分定位區域，建立位置指紋識別庫，每個位置指紋都能唯一映射到一塊定位區域;并且通過布置參考標簽用KNN算法進一步精確定位，找到物體。聚類劃分收包率區域允許室內多徑效應導致的收包率波動，增加了模型的魯棒性，KNN算法采用鄰近參考標簽確定目標標簽具體位置，進一步提高模型的準確性。

【關鍵詞】? ? 射頻識別技術? ? RFID? ? 定位

引言：

隨著室外衛星定位技術的成熟，人們開始把目光投向室內定位。室內定位環境較小，對定位精度要求高，并且室內建筑結構復雜，會對無線電信號造成很大的干擾，目前，室內定位技術的研究主要有WiFi、藍牙、UWB、RFID等技術。

無源， 射頻識別技術（radio frequency identification， RFID）使用的無源標簽價格低廉，系統布置成本低，適合用于物品密集、需要大量標簽的地方。其中常用的定位算法有：TOA、TDOA、AOA、RSSI，但是這些定位算法不僅精度有限，并且易受外界環境影響，因此我們需要設計一種精度較高、能夠適應各種復雜環境的定位模型。因為收包率（PRR）是一段時間內對發送消息數量的統計，是一個相對穩定的參數，所以本文基于不同區域的收包率概率研究并引進K近鄰算法，設計了室內區域定位模型，找到一個目標最優位置，一定程度上改善了定位精度，并且能克服室內約束條件，對往后的室內定位模型研究有一定的借鑒意義。

一、研究設計

1.1收包率研究

1.1.1基本概念

收包率（PRR）指某一段時間內，接收端成功接收到發送端發送的數據包的個數占已發送包個數的比例。由于無源標簽不能主動發送信息包裹，定義一個放于讀寫器表面的參考標簽，參考標簽被實時識別，用參考標簽被識別到的次數表征讀寫器掃描次數，收包率定義為讀寫器掃描100次，收到定位標簽的包裹數，用公式描述為：

其中，RP為讀寫器接收到的包裹數，T為讀寫器掃描次數，這里T=100。相比于RSSI反映的是標簽的一個瞬時狀態，PRR是對標簽一段時間內的發送消息數量的統計值，所以PRR相對穩定，受到環境的干擾較小。對于定位模型來說，大量實驗表明，PRR與標簽距讀寫器遠近相關，當距離變化時，能夠慢速反應這種變化，因此可以作為定位模型中的指標，提高評估準確性。

1.1.2變化規律

實驗表明，在無線鏈路上，信號的接收區域根據收包率變化規律可以分為中心區、過渡區和非識別區三部分。其中，中心區收包率為100%，無丟包產生;在非識別區，由于信號衰減嚴重，收包率為0，標簽的信號不能夠被讀到;而過渡區，主要受到噪聲干擾，收包率波動幅度很大。

1.2定位模型

1.2.1幾何限制定位模型

1.2.1.1區域劃分

單個讀寫器的識別區域根據收包率做幾何分割：中心區region_center、過渡區region_transition、非識別區region_no，收包率分別為100%、0-100%、0。本系統采用3個讀寫器進行粗定位。3個讀寫器的識別區域互相重疊，每個區域的邊界都由幾個讀寫器的收包率幾何界定，如圖1中的區域5，其三段區域邊界確定其位于讀寫器Ⅰ的中心區、讀寫器Ⅱ的過渡區、讀寫器Ⅲ的非識別區。三圓交叉重疊的中心區域面積較小，為了簡化區域劃分，規定三個中心區不相交，三個讀寫器共劃分定位區域為18塊，如下圖1。

圖1? ? 多讀寫器識別區域

1.2.1.2位置指紋算法

粗定位算法采用了位置指紋法的思想，在訓練階段，建立位置指紋識別庫，就像人類的指紋一樣，每塊分割區域都有唯一的符號表示。以0、1、2表示標簽位于非識別區、過渡區、中心區，每個位置指紋（x，y，z）唯一映射一塊區域，例如位置指紋（0，1，2）表示標簽位于讀寫器Ⅰ的非識別區、讀寫器Ⅱ的過渡區、讀寫器Ⅲ的中心區，也就是圖3中的區域12。在線階段時，當目標進入識別范圍時，三個RFID讀寫器設備對該物品進行掃描監控，根據三個讀寫器對一個標簽的收包率確定位置指紋（x，y，z），將實測位置指紋與位置指紋識別庫比對，確定讀取到的位置。以物品A為例，物品A測得位置指紋為（1，1，0），則物品A位于區域4中;若物品A測得位置指紋為（ 1，1，2），則物品A位于區域3。若目標沒有被感知到，則目標位于非識別區域。

1.2.2基于KNN算法的修正模型

當目標物體位于區域13、14、15、16、17、18時，用位置指紋雖然能識別到物體位于此區域，但是這些區域面積較大，物品具體位置不確定，定位精度不高。為了修正上面的粗定位模型，對較大區域我們引進基于RSSI值的KNN算法，這里不用PRR是因為PRR變化規律呈圓環衰減，同一圓上參考標簽的特征指紋相同，不能用KNN算法，因此選用RSSI。

首先，我們定義了位置空間LAS上的一組點。L表示為：

其中（xi ， yi）表示區域內參考標簽的二維位置，1≤i≤n。在離線階段，收集每個讀寫器對一個參考標簽的q個RSSI值。由于是三個讀寫器，對于一個參考標簽我們將有γ=3×q個RSSI，用向量表示為，

在線階段，當目標物體粗定位在上面提到的較大區域，假設位于區域14，該區域設有參考標簽m個，1≤m≤n。收集每個讀寫器對目標物體的RSSI，得到RSSI向量Pγ，接著用歐幾里得距離來表征目標物體和參考標簽的差異度：

接著我們選出K個Err值最小的鄰近標簽，1≤K≤m，則目標物體的位置為：

其中，wi是權重因子，表示第i個參考標簽對目標位置的影響，可以由下面式子得到：

Erri越小，表示目標與參考標簽越靠近，參考標簽對目標位置的重要性就越大。

1.3系統設計

尋物系統包括客戶端查詢模塊、服務器端、數據轉換模塊、數據傳輸模塊、多個RFID讀寫器模塊和帶電子標簽的物品，如下圖1所示。其中電子標簽為獨立的HT-H47無源電子芯片，其內部集成電路通過接收來自讀寫器的電磁波進行驅動，發出預先存在標簽內的數據信息;RFID讀寫器設備為基于R2000芯片的多標簽遠距離的HR4512R讀寫器，讀寫距離可達十幾米。

設計尋物系統，該系統分為數據處理層和傳感與數據采集層，其中數據處理層包括網關模塊、數據傳輸模塊、服務器端、數據轉換模塊，傳感與數據采集層包括多個獨立的RFID讀寫模塊和若干個帶電子標簽的物品，多個RFID讀寫模塊通過WIFI通信向上位機發送數據;三個RFID讀寫模塊的輸出端均經過網關模塊與數據處理層相連，網關模塊采用python編寫的腳本為每一個讀寫器開辟線程，分別對所有讀卡器的對應網口進行實時的數據讀取，并通過一系列算法來計算三個讀卡器對于各個標簽所能夠讀取到的概率，將概率實時標記到數據庫中。服務器端用數據庫存儲數據，通過java web搭建的后端實現連接mysql數據庫、接收和返回來自客戶端用戶請求的功能。數據傳輸模塊和數據轉換模塊與服務器端的一個輸入端連接;數據傳輸模塊也可以直接將數據傳給數據轉換模塊，最后可在客戶端查詢所需數據。

正常運作下讀寫器會將讀取的標簽信息傳輸到網關，網關過濾掉無用數據后經過粗定位處理后傳輸并保存到服務器的數據庫中，該部分會形成一個閉環，會根據標簽的位置變化而實時更新數據。客戶端用jsp和vue框架搭建的網頁，提供標簽查找功能，將查詢請求發送到服務器，后端就能合并處理數據并返回信息，將標簽的位置顯示在電子地圖上。

二、結論

在幾何限制定位模型下，當目標物體出現在定位區域內，預測可以看到目標物體出現電子地圖區域的某一塊分割區域，但是在該塊區域的具體位置不知道，重復實驗目標位置會在該塊區域跳動，這是由于聚類分割帶來的該塊區域的特征指紋單一造成的;在進一步引進參考標簽后，由KNN算法可以讓目標位置在大區域內更加精確，且跳動范圍變小，可以基本確定目標的位置。

三、討論

目前該項目雖然仍有很多空缺，但隨著研究的進一步深入，相信還會有更好的應用意義。如果未來出現更為強大的RFID設備，或許該項目的研究成果可以為大型倉庫的室內定位提供一些參考，未來計算機與通信技術的革命與發展也能提供，如5G就能為這類室內定位提供更快的通信速度，通過深度學習技術對定位模型進行一些訓練也可以進一步優化定位技術，提高定位的準確性。該項目可以作為一種物聯網項目，將物流業的包裹與讀寫器作為終端，在倉庫室內形成了一個局域互聯網，這對未來的物聯網在各行各業的發展提供了一個范例。

作者簡介：

柯成杰（2000-），男，漢族，福建莆田人，本科，研究方向：通信工程。

沈子成（1999-），男，漢族，浙江臺州人，本科，研究方向：應用化學。

朱澤玉（2001-），男，漢族，山西臨汾人，本科，研究方向：物聯網。

周彪（1989-），山東菏澤人，江南大學副教授，研究方向：無線定位技術。

參? 考? 文? 獻

[1]肖龍. 基于無線射頻識別技術的貝葉斯概率模型的室內定位技術研究[D].上海師范大學，2014.

[2]王一樂. 基于RFID的室內定位方法研究與應用[D].西安理工大學，2010.

[3]李軍懷，賈金朋，王懷軍，王志曉，張翔.基于信號強度差的RFID室內定位研究[J].計算機科學，2015，42（11）：154-157+169.

[4]劉進軍. 室內被動定位的節點優化研究[D].合肥工業大學，2018.

[5]劉曉旭. 基于模型迭代的室內定位方法研究[D].西安電子科技大學，2018.

[6]Wenzhan Zhu. Weiling Zheng.Dian Zhang. Beyond RSS： A PRR aided RSS System to LocalizeTransceiver-free Target in Sparse Wireless Network. ” IEEE Transactions on Vehiculat Technology. 6

[7]何芳.基于RFID的室內定位追蹤技術研究[J].工程技術研究，2021，6（06）：58-59.

[8]謝恩德，洪毅.室內定位方法綜述[J].電腦知識與技術，2021，17（11）：231-234+244.