基于BP神經網絡WIFI輔助IMU室內聯合定位

李 彪，袁國良，朱若琪，謝 奎

(上海海事大學信息工程學院，上海 201306)

1 引言

近年來，人們對基于位置的服務(Location-Based Services， LBSs)需求急劇增加，移動定位技術成為研究的熱點，其中室外定位技術已經十分成熟，如全球定位系統(Global Position System， GPS)、北斗等，并且已經達到較高的定位精度，能夠有效地滿足用戶在室外環境中對精確性的需求，然而在室內環境中，諸如消防員定位、物流管理、大型商場的位置服務等應用需要更穩定的定位技術。GPS導航在室內環境下，因建筑物的遮擋，僅有4.5%的時間獲得可靠的GPS信號[1]，不能適用于室內定位場景，因此，如何實現高效精確的室內定位已成為研究的熱點和難點之一。

目前，研究人員致力于部署更加靈敏且精確的室內定位系統[2-3]，現在主流的室內定位技術有超寬帶(Ultra-Wide Band， UWB)定位技術，無線局域網(Wireless Local Area Network， WLAN)定位技術，基于自包含傳感器的航位推算法(Dead Reckoning， DR)定位技術等。文獻[4-6]提出了基于超寬帶定位技術，取得了較高的定位精度，但此方法需要為智能終端增加相應的硬件設備，同時也給無線網絡帶來了額外負擔，此方法對條件要求苛刻，很難普及。利用IMU模塊進行定位具有不受環境影響，穩定性高的特點，但是航向角在環境的影響下，隨著時間的推移會出現較大的誤差，步態的判斷及步長的計算誤差也會導致慣性定位無法長時間準確定位[7]，如今對WIFI定位技術已有深入的研究[8-10]，文獻[11]通過MAC地址對無線接入點(AP)進行過濾，選取固定的參考AP獲取位置指紋信息，并結合改進的K最近鄰匹配算法，進一步減小定位誤差，定位精度可達到2m左右，能夠滿足一般定位需求，但是魯棒性較差，當周圍WIFI信號較弱或者AP點較少時，定位效 果就大打折扣。單一定位方法不可避免有些缺陷，當下應用多種方法聯合定位是一個發展趨勢[12-13]。

筆者綜合分析了基于IMU的定位技術和基于WIFI無線網絡的定位技術的優缺點以及前人的研究成果，提出了基于BP神經網絡的WIFI輔助IMU室內聯合定位技術。在聯合定位模型中，WIFI指紋定位技術可以提供初始位置信息，并實現周期性的糾正PDR導航算法的定位結果，減小累積誤差的產生；而PDR導航算法[14-15]則可以減小WIFI指紋定位所產生的波動性、減小魯棒性的產生，提高定位效果。本文在實驗部分首先根據定位模型的執行步驟，通過基于BP神經網絡的WIFI指紋定位方案獲取行人行走的初始位置點坐標，再根據IMU模塊采集到的姿態信息求出測試人員行走的步伐長度、步伐數目以及行進方向等信息，通過改進的PDR導航算法得到測試人員行走一段時間后的軌跡信息。模型中提出利用基于BP神經網絡的WIFI指紋定位算法周期性的糾正改進的PDR導航定位算法的定位結果，并周期性的更新改進PDR導航定位算法的初始位置點坐標，削弱因長時間定位而產生的累計誤差，提高定位結果。

2 基于BP神經網絡的WIFI指紋定位算法

WIFI指紋定位可以實現位置坐標與信號強度的映射關系，且若干信號AP節點的信號強度可以唯一的表征指定位置點的坐標信息。由于BP神經網絡具有較強的非線性函數映射能力，非常適合用來建立WIFI指紋信息的傳播模型。所以結合WIFI指紋信息的特性和BP神經網絡的優勢，本文提出了基于BP神經網絡的WIFI指紋定位算法傳播模型，并通過大量實驗對于該定位算法的可行性和定位效果進行了驗證。

目前為止，還沒有一種確切的理論作為指導來確定神經網絡的具體架構，都是根據經驗公式作為依據并進行適當的選擇。而經驗公式是通過大量的實驗分析得到，估算最佳隱含層節點數的經驗公式，如式(1)和(2)所示：

Hn=2In+1

(1)

(2)

式(1)和(2)中，In和On分別表示輸入層和輸出層的節點個數，L為1到10之中的任一常數。根據經驗公式可以先選擇隱含層節點個數為13，通過網絡訓練不斷的調整節點個數，并不斷的比較預測結果，使得預測結果達到最好的效果。表1為隱含層節點數分別為20、25、30、35、40時，預測結果與實際結果比較的誤差率大小。經過大量實驗的選取和比較，最終經實驗結果分析得到隱含層節點數目為32的時候BP神經網絡訓練的時間最短、輸出結果的誤差率最低，得到的定位結果也是較為理想的，所以最終確定BP神經網絡的網絡結構為6：32：2。

表1 不同隱含層節點數預測結果得到的誤差對比表

3 基于IMU的改進PDR導航定位算法

本文提出基于IMU模塊的定位技術，該技術雖然在短距離的定位過程中可以提供較為準確的定位效果，但是隨著行走距離的增加模塊在定位過程中產生的誤差會累計增加，定位誤差也會越來越大，并且基于慣性導航模塊無法自動獲取初始位置坐標。因此，本文針對慣性傳感器導航定位的研究，提出改進PDR定位算法的研究方案，用于提高傳統的定位算法的定位精度。改進PDR定位算法的實現流程如圖1所示。

圖1 改進PDR定位算法的導航定位流程圖

在步長計算時，提出利用WIFI輔助步長檢測的在線更新算法，提高步長檢測的準確性。在航向檢測時，提出將IMU模塊的坐標系與地理坐標系進行坐標轉換，實現對于航向信息的獲取，最后通過改進算法的實驗，得到實驗結果很好的實現了單獨定位的需求，為后續聯合定位算法的提出做了準備。

3.1 步態檢測

在進行步態檢測時，文獻[16]采用行人行走過程中豎直方向上的加速度數據作為步態檢測的依據，但是單軸加速度受到人體姿態變化、外界噪聲干擾以及模塊測量誤差的影響較大。因此，為了改進單軸加速度數據在步態判斷的統計誤差，實驗提出將合加速度作為計步的判決條件。式(3)為合加速度計算公式

(3)

式中，axgx、axgy、axgz分別為X、Y、Z坐標軸上的加速度數據，為合成加速度，圖2為合加速度濾波前后的波形變化圖。

圖2 合加速度濾波前后的波形變化圖

從圖中可以發現，在測試人員開始運動之前保持靜止狀態時，合加速度數值基本維持在1g/m2，得到的合加速度具有較強的周期性，波形曲線的變化光滑。因此，可以將合加速度作為步態檢測的依據。目前基于加速度的行人步態檢測算法主要有：穿零法和閾值檢測法。經過多次實驗測試，分別選取不同行走條件下對提出的改進步態檢測算法進行驗證，如表2所示為不同行走條件下的測量得到實驗結果。

表2 不同行走條件下步數統計對比表

3.2 步長計算

在已知航向的前提下，通過使用基于BP神經網絡的WIFI指紋定位周期性的位置點與基于PDR定位算法的推算點處于一條直線上，所以通過對于距離信息和步數信息的準確獲取，并且在這段時間內的步數相同，兩種定位的軌跡幾乎在同一條直線上，因此推出步長的計算公式如(4)式所示

L=D(位移)/n(步數)

(4)

式中，L為所求的步伐長度，D為連續進行WIFI指紋定位算法的兩點距離，n為連續兩次指紋定位之間的行走步數。

3.3 航向計算

本實驗選擇地理坐標系作為航向推斷的參考坐標系，將地理的東方作為坐標系的X軸，地理的北方作為坐標系的Y軸，選取與水平面垂直的方向作為坐標系的Z軸。陀螺儀傳感器獲取角度信息之后，通過轉化后與地球坐標系的關系如圖3所示。

圖3 IMU模塊和地理坐標系轉化示意圖

實驗選取初始位置點位為(1，4)，并通過改進的PDR定位算法進行實驗，實驗結果選取了定位過程中的五個連續導航階段如表3所示。第一列為測試的次數，第二列為實時的步長，(X1，Y1)為測試人員行走的坐標點，(X2，Y2)為改進后的PDR定位算法的估計坐標，(X3，Y3)為改進前的PDR定位算法的估計坐標。

表3 改進的PDR導航定位算法的定位結果

通過對于表3中導航結果的分析可以看出，基于改進的PDR定位算法的定位結果在短距離導航過程中能夠得到較為理想的導航軌跡。但是隨著測試距離的增加，定位誤差越來越大，并且基于慣性導航模塊的定位模型無法自動獲取初始位置坐標，考慮到這些缺點的限制，單獨的使用改進的PDR定位算法無法達到室內定位的要求。因此，考慮將該導航定位算法與其它的定位技術進行聯合，組成聯合的導航定位模型。

4 基于BP神經網絡的WIFI輔助IMU室內聯合定位模型

本文通過對兩種定位算法的優缺點分析后，提出WIFI指紋算法和PDR算法聯合定位的模型。在聯合定位模型中，WIFI指紋定位技術可以提供初始位置信息，并實現周期性的糾正PDR導航算法的定位結果，減小累積誤差的產生；而PDR導航算法則可以減小WIFI指紋定位所產生的波動性、減小魯棒性的產生，提高定位效果。

通過分析設計出了實現兩種定位算法聯合的定位模型流程圖及系統設計圖如圖4和圖5所示。

圖4 聯合定位模型流程圖

圖5 聯合定位系統設計圖

5 實驗結果與分析

為了體現本文提出改進的定位算法的定位效果，分別對三種模式下的定位算法進行導航實驗。繪制出了導航軌跡圖如下所示。

5.1 基于BP神經網絡的WIFI指紋定位算法

圖6為基于BP神經網絡的WIFI指紋定位算法的導航軌跡圖，從圖中可以看出，在接收AP相對充足的情況下，獲取到的定位結果圍繞在實際行走軌跡的兩側，誤差維持在兩米之內，能夠粗略實現定位。但是魯棒性和定位效果還不夠理想，達不到部分行業對室內定位精度的要求，所以單獨選取基于BP神經網絡的WIFI指紋定位方法有待進一步改進。

5.2 改進的PDR導航定位算法

改進的PDR導航定位算法定位軌跡如圖7所示，在慣性導航定位的短距離定位階段，采用改進的PDR導航定位算法得到的定位結果相對較為準確，但是當測試人員行走過一個直角彎的時候，行走軌跡發生明顯的偏移。緊接著測試人員又開始沿著長走廊進行直線行走，但隨著時間的推移產生的累積誤差越來越大，致使測試人員行走的軌跡越來越偏離實際行走的路線。所以得到單獨使用改進的PDR導航定位算法實現的定位結果會隨著時間推移逐漸偏離實際軌跡，單獨的該定位算法也不能滿足室內定位對于定位準確的需求。

圖7 改進的PDR導航定位算法軌跡圖

5.3 基于BP神經網絡的WIFI輔助IMU室內聯合定位模型

本文提出的基于BP-PDR算法的聯合室內定位模型的軌跡仿真圖如圖8所示。根據定位模型的執行步驟，首先通過基于BP神經網絡的WIFI指紋定位方案獲取行人行走的初始位置點坐標，再根據IMU模塊采集到的姿態信息求出測試人員行走的步伐長度、步伐數目以及行進方向等信息，通過改進的PDR導航算法得到測試人員行走一段時間后的軌跡信息。模型中提出利用基于BP神經網絡的WIFI指紋定位算法周期性的糾正改進的PDR導航定位算法的定位結果，并周期性的更新改進PDR導航定位算法的初始位置點坐標，削弱因長時間定位而產生的累計誤差，提高定位結果。

圖8 聯合定位模型的軌跡圖

從實驗結果可以得到，單獨定位算法的定位結果和實際行走軌跡誤差維持在2米以內，而聯合定位模型的定位偏差在一米之內，定位效果較為理想，明顯的提高了室內定位的精度。尤其在短距離的直線行走定位過程中，改進的PDR導航算法的定位結果較為理想，與實際行走估計偏差較小。當信號AP節點較為充足的情況下按照基于BP-PDR算法的聯合定位模型實現定位。當信號AP節點缺少的條件下，使用基于BP神經網絡的WIFI指紋定位結果誤差較大，不能作為定位的依據，這時結合基于改進的PDR定位算法的慣性導航定位結果作為當前定位的結果，直到獲取到至少三個AP節點的信號強度，再從該點繼續使用基于BP-PDR定位算法的聯合定位模型。

6 總結

針對現有室內定位技術精度不高的問題，作者深入的分析了目前主流室內定位技術的優缺點，確定使用聯合技術來彌補單個技術存在的不足，來提高定位的精度。在本文中提出了BP神經網絡與WIFI指紋定位技術相結合的算法模型，并通過大量實驗驗證了技術聯合的可行性。本文針對慣性傳感器導航定位存在誤差累積的現象，提出改進PDR定位算法的研究方案，用于提高傳統的定位算法的定位精度。最后，本文將以上已經驗證過的改進方案進行聯合，提出了基于BP神經網絡的WIFI輔助IMU室內聯合定位模型。通過實驗可看出使用基于BP神經網絡的WIFI輔助IMU室內聯合定位技術對室內定位精度的提升有了很大幫助，從而證明了此項聯合技術的有效性和可行性。