基于Spring Boot和小程序的WiFi室內定位系統的設計與實現

曾森烽，楊楓，王艷乾，邱樹偉

（韓山師范學院計算機與信息工程學院，潮州 521041）

0 引言

基于WiFi指紋的室內定位技術是當前室內定位的主流技術，該技術在智慧樓宇建設中有著極其重要的作用。對智慧樓宇中的WiFi設備進行定位是實現各項基于位置的服務的重要基礎。

當前，基于WiFi的室內定位技術已有較為成熟的研究與開發案例。潘有順等［1］設計了基于WiFi室內定位的樓宇智能照明控制系統，該系統通過無線信號測距技術對人員進行定位，同時向照明設備分發開啟/關閉等控制指令，實現對照明設備的智能控制。朱正偉等［2］針對WiFi信號強度容易受室內環境變化以及多徑效應的影響這一問題，采用網格法劃分定位區域，用奇異譜分析方法消除采集數據中的波動和干擾。同時，采用高斯過程回歸算法構建指紋數據庫，提高了定位精度。祝文飛等［3］指出，全球定位系統和蜂窩網絡系統無法滿足高精度的室內定位需求。為解決這一問題，該文提出基于位置指紋的WiFi定位技術，通過引入與AP信號強弱相關的目標函數，提高了定位精度。為提高出行效率，陳婷婷等［4］開發基于WiFi定位的地鐵到站提醒系統。該系統通過App實時監測地鐵Wi Fi信號的MAC地址，實現地鐵定位和到站提醒服務。為提高地下停車位的利用率，陳曉玉等［5］基于WiFi位置指紋設計了一套地下停車場車輛定位系統。通過與App相結合，該系統能夠準確定位車輛位置，方便用戶及時查看停車場空位信息，提高了地下車位的利用率。此外，為分析室內大型活動人群的移動軌跡，徐洋等［6］提出了一種基于混合三邊測量和RSSI（re?ceived signal strength indication，RSSI）的 定 位方法，該方法可實現人員定位、人流量分析和人群劃分等功能，為大型室內場館的管理人員提供決策支持。

上述技術方案主要以“服務端+移動App”架構為主，尚缺乏對小程序的支持。為了彌補這一空白，本文設計了基于Spring Boot和小程序的Wi Fi室內定位系統。本系統前端采用微信小程序進行開發，服務端采用Spring Boot+MyBatis+Spring MVC進行開發。基于本系統，用戶可通過微信小程序采集周圍WiFi信號的強度并將其傳輸給服務端，服務端實時地將用戶的位置計算出來，并將位置信息發送到前端進行渲染和顯示。本系統的開發和應用有助于提高WiFi室內定位服務的便捷性。

1 系統設計

1.1 總體框架設計

系統的總體框架采用分層設計，主要包括運行環境、數據庫、數據層、業務層、表示層以及微信小程序。上述前四層運行于服務端，后兩層運行于前端。系統的總體框架如圖1所示。

圖1 系統的總體框架

系統工作流程主要包含兩個階段。

（1）建立WiFi指紋庫。在定位功能實現之前，需要先建立目標區域中所選定的參考點的WiFi指紋庫，為后續位置估算奠定基礎。

（2）實時定位。用戶在目標區域中的某個地點實時獲取各WiFi信號的RSSI并將這些RSSI數據傳輸到服務端。服務端通過與指紋數據庫交互并調用定位算法（見1.2節）計算出用戶當前的位置，然后將位置信息傳送到前端進行渲染和顯示。

1.2 定位算法設計

本系統的核心是實現定位功能。定位功能位于本系統的業務層，該層包括用戶管理、WiFi指紋庫建設、位置計算以及誤差統計，具體內容如下：

（1）用戶管理。包括用戶注冊以及用戶授權登錄。

（2）Wi Fi指紋庫建設。在目標區域中，先選取一些預定的參考點，然后對每個參考點所在的位置進行多次WiFi信號采集，再對這些信號進行處理（如取平均值、取中位數或取眾數等），最后將處理后的信號存入WiFi指紋數據庫。

以（xi，yi）表示第i個參考點所在的位置，以R S Sij表示在位置i所獲得的第j個Wi Fi的信號強度信息，i=1，2，…，m；j=1，2，…，n。則所獲得的指紋數據庫可以表示為如下m×（n+1）矩陣：

其中，第1列表示m個參考點的位置坐標，第2至n+1列表示m個參考點所對應的n個WiFi的信號強度值。建立好WiFi指紋庫之后，后續將以其為依據計算用戶的實時位置。

（3）位置計算。系統采用KNN（K-Nearest Neighbor）進行位置計算，具體算法如下。

1）定位算法：KNN

2）算法輸入：當前位置的Wi Fi信號強度向量R=（R1，R2，…，Rn）。

3）算法輸出：當前位置的坐標（a，b）。

①計算各參考點與當前位置的WiFi信號強度的距離，計算公式為：

②根據d i（i=1,2,…,m）的值進行升序排序，并選取前K個值所對應的參考點坐標。

③計算所選取的K個參考點的權值ω，計算公式為：

該權值反映了不同距離對位置估算結果的貢獻度，即貢獻大的距離其權值較大，而貢獻小的距離其權值較小。

④估算當前位置（a,b），計算公式為：

其中，（xi，yi）為從指紋庫中所選取的K個參考點之一，i=1,2,…,K。

（4）誤差統計。誤差為實際坐標（x，y）和所估算的坐標（a，b）之間的距離，于是，兩者之間的誤差為：

2 服務端的實現

系統服務端采用Spring Boot+MyBatis+Spring MVC框架進行開發。開發工具采用IDEA 2019.3.3，編程語言為Java，運行環境為JDK 1.8。系統由config、controller、dao、model、service以及resources共六個包組成，這些包所包含的子包、類、資源文件和配套文件及其作用見表1。

表1 服務端程序結構

3 小程序的實現

如前所述，用戶可通過微信小程序進入本系統主頁面并進行注冊和登錄。用戶登錄成功之后，可以進行如下3種操作：建立WiFi指紋庫、實時定位和誤差統計。小程序的實現主要采用微信開發者工具，編程語言采用HTML、CSS和JavaScript。同時，采用微信小程序所提供的API進行開發，主要API見表2。

表2 微信小程序API

此外，小程序端的核心JS文件為culWifi.js和wifi.js，其中，culWifi.js文件主要實現了計算WiFi信號強度的平均值、中位數、眾數的函數；wifi.js文件實現了獲取WiFi列表的函數。

4 實驗結果與性能分析

4.1 實驗環境

系統的實驗環境位于本單位的工程中心，該中心已有WiFi接入點一個，其周邊存在10個以上WiFi接入點，這些接入點的位置未知。實驗過程中小程序從這些Wi Fi接入點采集RSSI數據作為指紋數據庫，并利用指紋數據庫進行實時定位。實驗環境的布局如圖2所示。

圖2 實驗環境平面圖和參考點示意圖

4.2 實驗過程

4.2.1 建立WiFi指紋庫

首先，在工程中心選取20個參考點，相鄰參考點之間相距1 m。所選取的參考點如圖2所示。然后，由實驗人員在各個參考點所在位置采集Wi Fi信號強度。分兩輪進行，在第一輪中，每個參考點采集信號的次數為5次，在第二輪則采集20次，采集間隔為0.5 s。接著，對所采集到的WiFi信號強度進行計算。系統采用三種計算方法，分別為：取平均值、取中位數和取眾數。最后，將計算結果發送到服務端進行存儲。建立指紋庫的界面如圖3所示。

圖3 建立指紋庫界面

4.2.2 實時定位

（1）由實驗人員在目標區域中任意選取一個點，再通過小程序采集該點所接收到的WiFi信號強度。與建立指紋庫的過程類似，定位實驗也是分兩輪進行，第一輪和第二輪分別采集5次和20次。

（2）對所采集到的WiFi信號分別取平均值、取中位數和取眾數。

（3）將計算結果發送到服務端與WiFi指紋數據庫進行匹配和估算。所采用的定位算法為KNN，且K的取值為3。在得到實時坐標值之后，該坐標值會自動返回到小程序界面并顯示所定位的位置。定位界面如圖4所示（紅點為實際位置，黑色點為服務端返回的位置）。

圖4 定位界面

4.2.3 誤差分析

服務端得到定位坐標之后，計算與實際坐標之間的距離，即可得到定位誤差。為了更客觀地反映定位誤差，本文分別對“取平均值”“取中位數”和“取眾數”等多種WiFi信號強度值處理方法進行了誤差分析，同時，對不同數據采集次數（如5次和20次）也進行了定位和誤差分析。

4.3 實驗結果

本文對所設計的定位系統進行多方面的測試，主要從RSSI值的計算方法和RSSI采集次數兩方面進行實驗，每一種實驗的次數為10次，在得到每次實驗的誤差之后，取誤差的平均值作為平均誤差。實驗結果見表3。

表3 實驗結果

由表3的實驗數據可知，定位方法1的平均誤差最低，為277.304 cm，而定位方法3的平均誤差最高，為500.31 cm。定位方法1和3的可視化效果如圖5和圖6所示（五角星表示實際坐標，圓形表示定位坐標，圖中僅顯示5個實驗點）。

圖5 定位方法1的可視化效果

圖6 定位方法3的可視化效果

值得說明的是，在實驗過程中，誤差相對較大的點主要集中于障礙物（如桌子、墻體等）的位置附近，而在相對比較空曠的位置則誤差較小。

5 結語

目前，已有的WiFi室內定位系統主要以“服務端+App”架構為主，對小程序的支持不足。針對這一問題，本文設計和實現基于Spring Boot和小程序的WiFi室內定位系統，該系統前端采用了微信開發者工具進行開發，服務端采用Spring Boot+MyBatis+Spring MVC集成框架進行開發。系統采用KNN定位算法，定位過程中WiFi的RSSI處理方法分別采用“取平均數”“取中值”和“取眾數”等。實驗結果表明，系統的平均定位誤差介于277.304 cm～500.31 cm之間，可滿足大型室內場館定位服務的需求。本系統在保證較高定位精度的同時，極大地提高了用戶享受WiFi室內定位服務的便捷性。