基于RFID回波信號強度和KNN分類的生產現場網格化定位

王澤宇，王美清

(北京航空航天大學 機械工程及自動化學院 北京 100191)

0 引言

無線射頻識別技術(RFID)提供一種非接觸式的雙向通訊，具有快速精確、可靠耐用、成本低廉的特點。無源式RFID應用廣泛，如公交卡、員工卡等均采用了RFID技術，這類RFID電子標簽價格低廉方便使用，但是識別范圍比較小。有源式RFID識別范圍廣，在高速公路收費、港口貨物管理中有廣泛應用。RFID定位技術作為一種可以在室內部署的技術，也得到了廣泛研究。然而，RFID定位技術有著定位精度低、信號易遮擋、易受干擾等問題。

隨著大數據、物聯網等技術的應用，車間內部生產流程越來越數字化、規范化。為了提高工廠內整體的智能程度，室內定位也隨之應用起來：對工人的定位可以幫助管理人員優化作業計劃、提高管理效率；對于托盤、AGV小車等運輸物料設備的定位，可以隨時監測車間內的物流狀態，提高生產計劃的執行效率。一般而言，對室內定位的研究往往著眼于坐標式的定位，比如，密西根大學的LANDMARC[1]是一個比較知名的研究成果，其原理是在空間中設定參考基站，通過對回波信號強度指示（Received Signal Strength Indication，RSSI）加權平均計算標簽位置。Hightower等人設計的SpotON定位系統[2]是一種基于信號強度的三點式定位系統，他們設計并實現了這一系統的電路。

上述坐標式定位的粒度遠遠超過了車間內定位的需求，并且，為了提高定位的精度，研究者往往采取增加測點密度、提高信號基站功率、限定某一些場景模式和干擾源的方法[3]，或者使用SVM（Support Vector Machine）[4]、卡爾曼濾波[5]、粒子群優化[6]等方法。而這些對車間內區域式的定位而言是沒有必要的：車間內的定位需求一般是基于區域的，其粒度更粗一些，但需要提高定位的準確率、能抵抗車間內復雜環境的干擾、使用盡可能少的基站以便減少布線難度。這種定位更著重于判斷被識別者到達了哪一個工位區域，而不是實時的坐標點。

在室內定位的研究中，K-最臨近（KNN，K-Nearest Neighbor）法是最常見的一類計算方法。為了提升KNN的精度，研究者從模糊聚類[7]、幾何聚類[8]、SVM[9]等方面入手。使用WKNN的方法通常關注定權的方式，如高斯函數法[10]。使用KNN對經典LANDMARC方法[11]做提升的思路也是研究的熱點。

本文對基于RFID的生產現場區域定位技術展開研究，采用一種基于RFID信號強度分類的網格化定位方法來改善定位準確率，將受干擾的RFID信號強度作為一種特征，用于位置分類。根據生產現場布局，以工位為基礎將車間網格化。采用KNN和W-KNN的方法分析和建立信號強度與現場區域的對應關系，解決遮擋和干擾情況下的定位準確問題；并通過仿真驗證了所提方法的有效性。

1 常用RFID定位技術及問題分析

RFID技術早已深入到工業生產和日常生活中，它本身具有多種物理特性，可以用于實現定位。常見的利用信號時空幾何信息進行定位的方法有：臨近探測法、到達時間定位法（TOA）、到達時間差定位法（TDOA）和到達角度定位法（AOA）。

臨近探測法是最常見的RFID定位方法，部署簡單，通過識別一定范圍內的信號，判斷RFID標簽是否在識別區域附近。該方法識別精度低，通常用于RFID標簽的存在性識別，往往難以給出較為準確的結果。

到達時間定位法，即TOA（Time Of Arrival），是利用計算信號到達識別設備的時間定位。將時間長度乘上光速轉化為空間距離，結合三個或以上的識別基站，就可以實現坐標解算。這種定位方法對時間識別有比較高的要求，需要在短距離內實現很好的時間精度，識別設備和RFID標簽之間需要精確地同步時鐘，而RFID通信速率低，實現精確地時間同步較為困難。

到達時間差定位法，即TDOA（Time Difference Of Arrival），原理與TOA類似，不過計算的是信號到達識別基站之間時間的差值，使用雙曲線測距來計算坐標。這種方法在一定程度上能提高定位精度，不過依然存在時間測量難度大的問題。

到達角度定位法，即AOA（Angel Of Arrival），需要標簽和識別設備具有方向性的天線，可以識別出信號到達的角度，結合多個識別基站實現定位。這種方法對設備的要求比較高，并且容易受空間中干擾的影響，很容易因多徑效應產生較大誤差。

上述的幾種方法測量精度往往都難以保證，且容易受到干擾和多徑效應的影響。因此，逐漸發展出基于回波信號強度的定位方法（Received Signal Strength Indication，RSSI）。在理想環境中，信號在傳播中的損耗與距離相關，通常使用對數路勁損耗模型來描述如式(1)所示：

Pl表示經距離d后衰減的信號強度，P0表示距離為d0處的信號強度，n是路勁損耗系數，η是遮蔽因子。

事實上，由于空間中存在著各種干擾和多徑效應，僅靠信號衰減模型來計算坐標通常也會得到不夠理想的結果。但是，信號強度的測量比較方便，且其本身攜帶有環境因素影響下的信息，結合機器學習或神經網絡的方法，可以使用回波信號強度實現比較精準的定位。

2 基于工位和物流需求實現車間網格化

車間分塊是面向實際加工生產需要的，對于傳統的RFID定位而言，不管使用何種方法，都是計算出一個標簽的實時坐標。然而在車間物料運輸過程中，這種粒度的定位往往沒有必要。管理者關心物料何時從哪一個工位發出，何時到達目標工位，這種定位是與加工流程和物流需求相關聯的，因此，以工位為基礎的粒度劃分更為實用合理。

下圖給出了一個車間工位的劃分簡圖。圖中的各色線條代表了車間中的各類遮擋（木板、磚墻、玻璃、金屬等）。圖中標注了車間布置的6個高功率RFID基站，圖中的6個虛線框圍成的區域代表需要識別的6個工位。可以看出，車間網格化的目的是面向工位布局和物流需求的，將車間內物料的識別轉化為工位的分類，從而實現智能化管理。在網格的劃分上，可以不對全車間做完全覆蓋。網格和網格之間留有空隙，這樣可以提高識別精度，減小誤識別率。網格的選取，需要在方便運輸的基礎上，選擇信號好、網格和網格之間間距盡可能大的地方。

圖1 車間內布局與干擾

信號接收器的布局需要綜合考慮網格劃分和實際車間情況。接收器應均勻地分布在車間各網格之間，每一個網格都應至少有一個接收器可以無遮擋覆蓋。對于遮擋多、信號差的地方，可以采取多個多角度接收器的環繞布局。在網格間距比較接近的地方，需要布置多個有區分效果的接收器。本論文中，將被遮擋、被干擾的信號強度作為分類的依據，因此如果對某個網格而言，某接收器是被遮擋的，那么只要遮擋是比較充分均勻的，就不會對結果有很大影響。如果網格內的信號強度是不均勻的，應當調整網格和接收器布局，或在網格內多次均勻地做大量實驗。

在車間環境比較好的情況下，也可以增加網格數量、減小網格面積。這樣可以提高RFID標簽的識別精度。位置精度要求高的場合可以采取這種方法。

3 基于KNN和W-KNN的網格化區域分類方法

在網格化的基礎上，RFID標簽定位不再是一個計算坐標的回歸問題，而是一個區域的分類歸屬問題。在當前問題中，K-最臨近（KNN，K-Nearest Neighbor）是一種常用且有效的方法。

KNN是一種簡單、基礎但有效的人工智能算法，最早由Cover和Hart在1960s提出[12]。KNN的思路是，比較測試數據與訓練樣本的距離，選擇最接近的K個樣本，用于估計樣本的實際位置。W-KNN（Weight-KNN）是一種使用加權方法對KNN的優化，以便提高KNN的精度。這樣，KNN和W-KNN就成為一種計算坐標的回歸方法。本文基于KNN和W-KNN，提出一種面向網格化區域的分類方法。

假設區域內布置了n個基站，一共有m個區域。在每個區域內均勻地做多次實驗，可以得到這些實驗RSSI數據的平均值和方差為：

θij表示第i個區域中第j個基站的平均RSSI，表示第i個區域中第j個基站的RSSI方差。

和傳統方法類似，將RSSI矩陣記為行向量的形式H為：

選擇d最小的區域作為分類器判別的區域。

實際上，更常見的KNN方法中，不需要計算一個區域內的平均RSSI，而是把所有的樣本測點都和實驗數據比較距離，選擇前K個測點，計算這K個點分別屬于那些區域，選擇點數最多的區域作為分類的結果。但是，這種方法計算量非常龐大，且并不能保證可以克服未知干擾的影響。

為了克服干擾的影響，同時減少計算量，結合方差使用W-KNN方法做分類。由于方差體現了一個基站在一個區域中RSSI的變化程度，因此方差較小的數據權重更大。

使用W-KNN方法時，實驗數據和第p個區域的加權歐式距離為：

wi表示權重，這也就是W-KNN中加權的含義。如果wi以某種特殊的形式確定，算法就是W-KNN算法。wi給定的方式有很多，一般來說，d小的樣本對應的wi比較大；有的文獻中考慮了樣本的方差屬性，在一個樣本點上做多次重復實驗，取實驗的平均值為訓練集，而實驗的方差作為權重取值的依據，方差越小的點應獲得更多的權重。

本文給定的權重是方差的調和平均數。為了防止算式中由于方差太小以至于算出特別大的數，分母中通常加一個常數，這里取1。

用這種方法計算得到的p充分考慮了區域中不同點的特點，因而有更好的效果。

4 仿真與分析

在仿真中，我們使用仿真軟件，模擬了工廠中在干擾影響下的信號強度。每個區域中均勻地選擇10個點采集RSSI數據。圖2給出了空間中信號分布仿真的結果。RSSI數據的單位是dB，該值最大為0，最小為-100，數據為-100時表示信號極其微弱可以忽略，或者完全搜索不到信號。計算每個區域中RSSI數據的平均值和方差，結果如表1所示。

圖2 車間內信號分布仿真

表1 各網格信號的均值和方差

在每個區域中隨機選擇10個測點，使用KNN方法和WKNN方法測試識別的結果，結果如表2所示。

表2 KNN和WKNN判斷的正確率

可以看出，整體上使用WKNN的方法比使用KNN的方法識別正確率有提升，尤其是區域5提升明顯，但是區域2的正確率依然偏低。這和數據的特點有關。由于WKNN考慮了RSSI的方差，因此在信號不好的地方，方差一定程度上可以體現信號的穩定性。區域5的信號整體上不好，但是基站3在區域5內的方差比較低，說明變化比較小。更有代表性，使用WKNN方法時會獲得比較明顯的識別率提升；區域2中各基站的信號強度都偏低，且方差也比較大，說明區域內信號不佳且變化大，即使使用WKNN方法也難以實現明顯的精度提升。以上分析說明，算法識別的精度與基站的布置有關。KNN方法和WKNN方法可以一定程度上適應復雜環境下區域識別的要求，但是需要區域內有至少一個代表性比較強的基站信號特征，這種代表性可以用方差來衡量：這個區域內RSSI方差越小的基站，越能代表這個區域的特征。因此，在基站布局上應合理考慮識別區域需求和基站位置，從而使識別正確率更高。

5 結語

本文提出了一種基于RFID回波信號強度和KNN、WKNN的生產現場網格化定位方法，通過結合生產現場實際情況和物流需求，在車間內設定若干個識別網格。為了充分覆蓋網格中的所有位置，需要在網格內均勻地采集多個測點，使用KNN和WKNN方法來獲得信號強度的特征數據。在仿真中，我們比較了KNN和WKNN方法的效果，使用WKNN在一些情況下可以顯著提升識別精度，但是對于區域內信號特征代表性不強的網格依然不能做到較好的識別，因此網格的選取和基站的布置對于識別的結果也是有影響的，這對于相關研究具有借鑒意義。