基于RFID虛擬標簽的室內停車場車輛定位算法

摘要：在室內停車場中應用基于RFID的LANDMARC算法進行車輛定位時，由于室內停車場的復雜結構以及多徑效應的影響，車輛定位精度不能通過增加參考標簽數目或均勻規則的部署參考標簽等方式來提升。提出了一種基于虛擬RFID標簽的室內定位算法（location algorithm based on virtual tag，LAVT）。該算法通過近鄰標簽確定車輛的近鄰區域，計算出近鄰區域的外心并插入虛擬參考標簽；通過虛擬參考標簽替換原近鄰標簽、縮小近鄰區域面積，使新近鄰標簽更臨近待定位車輛，從而更精確地計算出車輛的位置。仿真實驗表明：LAVT算法在室內停車場環境中將車輛定位精度提升了19.03%。LAVT算法應用于室內停車場環境中的車輛定位具有更好的適用性，能滿足室內停車場車輛定位的基本需求。

關鍵詞：射頻識別；外心；虛擬參考標簽；拉格朗日插值；近鄰區域

中圖分類號：TP391文獻標志碼：A文章編號：1001-3695（2023）01-033-0000-00

doi： 10.19734/j.issn.1001-3695.2022.06.0291

Vehicle localization algorithm for indoor parking lot based on virtual RFID tag

Luo Shitao， Jia Xiaolin， Gu Yajun

（Southwest University of Science amp; Technology， RFIDamp;IOT Lab， School of Computer Science amp; Technology， Sichuan Mianyang 621000， China）

Abstract：

When applying the LANDMARC algorithm for vehicle location in an indoor parking lot， the accuracy of vehicle positioning cannot be improved by increasing the number of reference tags or deploying reference tags uniformly and regularly， because the complex structure of the indoor parking lot and the influence of multi-path effects of wireless. This paper proposed a location algorithm based on virtual tag（LAVT）. The algorithm got the neighbor region of the vehicle through location of the nearest neighbor tags， to finding the center of the circumcircle and calculate the circumcenter of the neighbor region as the insertion point of the virtual tag. This paper replaced the original nearest neighbor tag with the virtual tag， to reduce the size of the neighbor region， and made the new nearest neighbor tag closer to the vehicle to be located， and to calculate the position vehicle more accurately. The simulation experiments and results show that LAVT improves the location accuracy by 19.03% compared to the traditional algorithm. The LAVT algorithm has better applicability for vehicle positioning in indoor parking lot environment， meeting the basic requirement of vehicle positioning in indoor parking lot.

Key words：RFID; circumcenter; virtual tag; Lagrange interpolation; neighbor region

0引言

隨著交通智能化、信息化的大力推進，解決停車場停車難、取車難的問題已愈發重要［1］。物聯網技術、車聯網技術的快速發展，使得車輛定位技術越來越成熟［2，3］。GPS技術、北斗技術在室外車輛定位中得到廣泛應用，但GPS信號卻很難穿透到達室內或地下環境，因此急需一種較高精度的室內車輛定位技術［4，5］。室內停車場復雜的布局結構，以及多徑、散射和陰影效應的影響使得室內車輛定位面臨著巨大的挑戰。在室內定位的多種解決方案中，基于RFID的室內定位技術，因其傳輸速率高、安全性好、不受視距通信問題困擾，且部署方便、抗干擾能力強、識別率高等特點［6～11］，在室內停車場場景下的車輛定位中得到廣泛應用。

目前，國內外有許多基于RFID定位技術的研究，LANDMARC［12］、VIRE［13］等定位系統都是基于RFID定位技術的經典研究。LANDMARC（location identification based on dynamic active RFID calibration）定位算法是基于RFID的RSSI（received signal strength indicator）定位算法中一種十分優秀的算法。許多學者在LANDMARC算法的基礎上提出了各自的優化定位方法。文獻［14］提出一種幾何修正算法，通過幾何關系排除并校正參考標簽信號波動而錯選鄰居標簽的定位問題；文獻［15］提出一種近端策略優化算法，通過引入剪切概率比和隨機梯度對定位進行更新，提升大規模定位時的精度與速度；文獻［16］提出一種二次加權定位計算方法，對參考區域進行幾何切割劃分，再進行二次加權定位，優化參考標簽不規則部署場景下的定位精度；文獻［17］提出一種克里金插值定位計算方法，實現自動調整閾值，使鄰近標簽數量最優，從而提升定位精度；文獻［18］提出一種基于向量回歸的定位算法，降低標簽異常點對定位精度的影響；文獻［19～22］提出采用神經網絡和深度學習提升定位精度。

由于室內停車場中有大量墻體、電梯樓道等障礙物的存在，而致使參考標簽不能均勻規則部署。因此本文在不能均勻規則部署參考標簽和不增加參考標簽密度的情形下，在LANDMARC的基礎上，提出一種基于RFID虛擬標簽的室內定位算法（location algorithm based on virtual tag，LAVT）。LAVT通過三角形外心動態插入虛擬參考標簽的方式，降低真實參考標簽的部署密度，由此降低系統成本，降低參考標簽部署難度并提高整個系統部署的靈活性，使該算法更適用于室內停車場中的車輛定位。

1相關工作

1.1RFID技術

閱讀器與電子標簽之間的信號會在傳輸過程中出現損耗。實際室內環境的路徑損耗通常符合對數距離路徑損耗模型公式，如式（1）所示。

PL（d）=PL（d0）+10n lg（dd0）+Xσ（1）

其中：PL（d0）為標簽信號在距離為d0處的路徑損耗；Xσ為平均值為0的高斯分布隨機變量；n為路徑損耗因子，由室內環境與障礙物決定，一般為1.8～4.2。

RFID標簽信號經路徑損耗衰減后，閱讀器接收到的標簽信號強度Pr（d）與距離d之間關系為式（2）。

Pr（d）=Pr（d0）－10n lg（dd0）－Xσ（2）

其中：Pr（d0）為閱讀器在離標簽d0處的接收的信號強度，為計算方便通常設d0=1。

1.2LANDMARC算法

1.2.1算法定位原理及步驟

LANDMARC算法是建立在接收參考標簽的RSSI之上的加權算法，通過實時獲取參考標簽的RSSI值作為參考，消除了鄰近位置的環境因素對待定位標簽信號的干擾，從而提高定位的精度。

設LANDMARC定位系統中使用m個閱讀器、n個參考標簽、t個待定位標簽。定義參考標簽與待定位標簽在每個閱讀器的RSSI矩陣Ej=［E1j，E2j，…，Enj］和θj=［θ1j，θ2j，…，θnj］。其中：Eij表示第i個參考標簽在第j個閱讀器上的RSSI。

通過歐氏距離計算式（3），計算出待定位標簽i與參考標簽j之間的歐氏距離Dij。

Dij=∑mk=1（θki-Ekj）2（3）

其中：Dij表示參考標簽j與待定位標簽i之間的距離位置關系。則有待定位標簽的歐氏距離矩陣Di=［Di1，Di2，…，Din］。

根據K-NN對近鄰參考標簽采用式（4）進行加權，計算出待定位標簽的位置信息。

（x，y）=∑ki=1wi（xi，yi）（4）

wi=1/Di∑ki=11/Di（5）

其中：（xi，yi）為第i個近鄰參考標簽的坐標位置；wi是近鄰參考標簽i的權值，通過式（5）求解。

估計誤差表示估計位置與實際位置的距離差值，如式（6）所示。

e=（x－xp）2+（y－yp）2（6）

其中：（xp，yp）是待定位標簽的真實位置。

1.2.2算法存在的問題

LANDMARC定位算法的原理是通過部署大量廉價的參考標簽來提高定位精度。但是室內停車場中環境相對復雜，LANDMARC算法應用于此環境中，將出現下列問題：

a）室內停車場中有承重柱等結構，將導致參考標簽部署的間距不能一致，從而使原LANDMARC標簽布局會被破壞，定位精度降低。

b）高密度的參考標簽布局不僅增加了RFID定位系統硬件成本，同時還增加了多標簽碰撞的發生率和算法計算量，更增強了多徑效應的干擾影響。

2LAVT算法

2.1LAVT基本思路

2.1.1標簽布局優化

LANDMARC算法的參考標簽布局為1 m×1 m高密度布局，通過均勻高密度的參考標簽布局來提升定位精度。

針對室內停車場的復雜布局結構，本文對參考標簽的部署進行了優化，RFID定位系統的參考標簽與閱讀器的部署采用了如圖1所示。標簽部署中將參考標簽分為車位標簽與道路標簽兩類；車位標簽部署在每個車位中心位置，不再同LANDMARC定位系統中參考標簽部署一致；道路標簽則布置在道路中心線位置，每兩個道路標簽間隔5 m。

該閱讀器與參考標簽的部署方式通過降低參考標簽部署密度，進而降低標簽碰撞的發生率，降低參考標簽之間的信號干擾與多徑效應，提升系統的穩定性；增加標簽部署的靈活性，降低室內停車場的部署成本和部署難度。

2.1.2虛擬標簽技術優化

a）插入方式優化

虛擬參考標簽的插入方式分為兩種。一種是網格化插入，插入虛擬參考標簽過多，虛擬參考標簽使用率不高；另一種是切割插入（以初次定位信息結合最近鄰居標簽的信息對近鄰區域進行分割，在每個區域通過幾何方式插入虛擬參考標簽），最終定位結果易受初次定位影響。

本文根據三角形有且僅有一個外心的原理（即近鄰區域只有唯一的虛擬參考標簽插入點），提出一種采用外心動態插入虛擬參考標簽方式，如圖2所示，即不用插入過多虛擬參考標簽，也不通過多次定位來提高定位精度。

根據圓上任意一點到圓心的距離相等的原理，即近鄰區域的三近鄰參考標簽到近鄰區域的外心的距離相等。以外心a的計算為例，根據原理建立式（7），通過對式（7）求解，得出外心插入虛擬參考標簽點的橫坐標xa和縱坐標ya為式（8）中的xa和ya，即外心插入點坐標為a（xa，ya）。

xA-xa）2+（yA-ya）2=R2（xB-xa）2+（yB-ya）2=R2（xC-xa）2+（yC-ya）2=R2

（7）

解得

xa=（C1·B2－C2·B1）/（A1·B2－A2·B1）ya=（A1·C2－A2·C1）/（A1·B2－A2·B1） （8）

其中：

A1=2·（xB-xA）A2=2·（xC-xB）B1=2·（yB-yA）B2=2·（yC-yB）C1=x2B+y2B-x2A-y2AC2=x2C+y2C-x2B-y2B

其中：xA，yA，xB，yB，xC，yC為近鄰標簽A、B、C的橫縱坐標。

b）虛擬標簽信號生成方式優化

RFID定位系統采用的電磁反向散射的方式進行工作，參考標簽的信號強度呈非線性衰減趨勢。為讓插入的虛擬參考標簽的RSSI更接近真實值，更接近在相同環境下部署的參考標簽RSSI，本文提出采用二階Lagrange插值法獲取虛擬參考標簽的RSSI。根據二階Lagrange插值數學原理構建插值函數式（9）。

g（dia）=∑Nk=1g（dik）lk，n（X）（9）

其中：g（dik）表示近鄰參考標簽k在閱讀器i上的RSSI；lk，n（X）計算方法見式（10）。

lk，n（X）=∏Nj=1j≠k（X－dji）∏Nj=1j≠k（dki－dji）=

（X－d1i）…（X－dk－1i）（X－dk+1i）…（X－dNi）（dki－d1i）…（dki－dk－1i）（dki－dk+1i）…（dki－dNi）（10）

其中：N=x+y；dki表示參考標簽k與近鄰參考標簽到閱讀器i的距離；X表示插入的虛擬參考標簽到閱讀器的距離。

2.2LAVT基本原理

假設LAVT系統中使用了m個閱讀器、x個車位標簽、y個道路標簽、t個待定位標簽。

LAVT算法步驟流程如圖3所示。

a）定位模型布置與標定：根據圖1的標簽布局部署閱讀器與參考標簽，并標定記錄閱讀器與參考標簽的位置信息。

b）標簽信號數據采集：定義兩類參考標簽在閱讀器上的信號強度，得到相應的RSSI矩陣如式（11）與（12）。

EA=e11e12…e1x

e21e22…e2x

em1em2…emx（11）

EB=e11e12…e1y

e21e22…e2y

em1em2…emy（12）

其中：EA（i∈（1，m）， j∈（1，x）），EB同理；eij表示第j個閱讀器接收的第i個參考標簽RSSI。

將車位標簽的RSSI矩陣EA與道路標簽的RSSI矩陣EB水平連接得到如式（13）的RSSI矩陣E′。

E′=|EA EB|=

e11…e1xe1（x+1）…e1（x+y）

e21…e2xe2（x+1）…e1（x+y）

em1…emxem（x+1）…e1（x+y）（13）

測出待定位車輛在閱讀器的信號強度矩陣，如式（14）所示。

θ′=θ11θ12…θ1t

θ21θ22…θ2t

θm1θm2…θmt（14）

其中：θ′ij（i∈（1，m），j∈（1，t））。

c）近鄰區域劃定。根據式（15）得出待定位車輛與參考標簽矩陣E之間的歐氏距離矩陣D′i=［D′i1，D′i2，…，D′i（x+y）］，并根據KNN算法選出歐氏距離最小的三個近鄰參考標簽A、B、C，連接三個近鄰標簽A、B、C，確定待定位車輛的近鄰區域△ABC。

D′ij=∑mk=1（θ′ki－E′kj）2（15）

d）虛擬標簽插入與信號獲取。通過虛擬標簽技術，插入并獲取待定位車輛的近鄰區域△ABC外心虛擬標簽的信號強度g（dia）。

e）近鄰區域縮減。采用式（15）計算虛擬參考標簽與待定位車輛之間的歐氏距離da。比較虛擬參考標簽的歐氏距離da與近鄰參考標簽的歐氏距離D′i，替換歐氏距離最大的近鄰參考標簽，縮減近鄰區域大小。近鄰區域經三次迭代c）～e），逐步縮減近鄰區域，得到較小的近鄰區域，并得出更靠近待定位車輛的近鄰標簽。

f）車輛加權定位。采用式（16）進行權值加權定位，權值w′i計算見式（17），得出待定位車輛的坐標位置為O（x0，y0）。

（x0，y0）=∑ki=1w′i（xi，yi）（16）

w′i=1/D′2i∑ki=11/D′2i（17）

其中：D′i是近鄰標簽與待定位車輛之間的歐氏距離。

2.2.1定位性能

均方根誤差用于判斷定位算法的偏離度，從而推算出定位算法的穩定性，如式（18）。

σ=1n∑ni=1（e′i－）2（18）

其中：e′i是每個待定位標簽在定位中的估計誤差，計算方法見式（19），是系統的平均誤差，計算見式（20）。

e′=（（x0－xp）2+（y0－yp）2（19）

其中：（xp，yp）是待定位標簽的真實位置；（x0，y0）是待定位標簽的估計坐標。

=1n∑ni=1e′i（20）

其中：n為定位總次數。

3仿真實驗與分析

本文通過仿真軟件對如圖1所示的48 m×34 m的室內停車場示意圖進行了仿真模擬，在該模擬區域中模擬布置了閱讀器4個，64個車位標簽、26個道路標簽（共90個參考標簽）。

仿真實驗中，隨機選了8個待定位標簽，讓其分別用LAVT、二次加權和LANDMARC算法進行了對比測試。

由圖4可以看出，實驗中待定位標簽實際位置與LAVT估計位置之間的距離比與二次加權、LANDMARC估計位置之間的距離更短。

圖5是圖4中三種算法對待定位標簽的定位誤差直觀表現，可以看出LAVT定位算法中每個待定位標簽的定位誤差普遍小于另外兩種定位算法的定位誤差，由此說明LAVT算法定位誤差更小。

圖6是一組隨機待定位標簽多次在兩種算法下進行的模擬定位，多次定位實驗結果說明：LAVT算法的定位誤差、穩定性更優于傳統LANDMARC和二次加權算法。圖5為同一環境條件的多組待定位標簽同時定位的實驗結果、圖6為一組隨機待定位標簽多次定位的實驗結果。經對比可證明，無論是在單一的連續定位還是在多規模的同時定位，LAVT算法定位誤差更小，穩定性更好。

由表1得出實驗結果顯示，LANDMARC算法平均誤差為0.715 6，均方根誤差為0.884 2；二次算法平均誤差為0.715 6，均方根誤差為0.884 2；而LAVT算法的平均誤差為0.671 0，均方根誤差為0.808 7。通過三種算法的平均誤差和均方根誤差對比可以看出，LAVT算法的定位精度較LANDMARC算法提升了19.03%，較二次加權算法提升了3.53%，LAVT算法的精確度更高、魯棒性更好。

由圖4與圖7可以看出，LAVT算法無論是在無噪聲環境下還是有噪聲環境下，其定位誤差都普遍小于LANDMARC算法和二次加權算法。

圖8比較了三種算法在不同高斯噪聲環境下的定位誤差。由圖8可以看出，無論在何種高斯噪聲環境下，二次加權算法定位誤差優于LANDMARC算法，而LAVT算法定位誤差優于二次加權算法；同時雖然三種定位算法在高斯噪聲增長的環境下，其定位誤差都在增大，但LAVT算法的增長幅度最小。由此說明LAVT算法具有更好的抗干擾能力，在真實環境中具有更好的適用性與穩定性。

圖9是200次實驗下，在三種算法計算下的誤差累積分布函數。從圖9可以看出，LAVT算法與二次加權算法的誤差累積分布函數的斜率更大，收斂速度更快，明顯優于LANDMARC算法。當累積分布函數p=0.5時LAVT算法定位誤差e=1.121 5，而二次加權算法定位誤差e=1.168 4，LAVT算法的誤差累積分布函數值略優于二次加權算法；而當plt;0.5，LAVT算法的誤差累積分布函數的斜率與收斂速度，明顯優于二次加權算法；當pgt;0.5，LAVT算法的誤差累積分布函數的斜率與收斂速度同二次加權算法相差并不大。由此說明LAVT算法誤差波動更小、更集中，系統穩定性更好。仿真實驗結果表明，LAVT算法在室內停車場參考標簽低密度與不均勻排列的情形下，不僅具有較小的定位誤差、較高的定位精度，而且能更好地提升定位系統的穩定性。

4結束語

本文提出的LAVT算法采用 “外心”動態插入虛擬參考標簽的方法，降低參考標簽的部署密度，降低了RFID多標簽碰撞的發生率，也降低系統成本。實驗中不再同傳統LANDMARC算法一樣要求參考標簽均勻規則部署，降低了RFID定位系統的部署難度，使算法適用性更廣。實驗證明：LAVT算法能明顯降低在參考標簽低密度、不規則部署情形下的定位誤差，使RFID定位系統具有更高的定位精度和更好的穩定性，說明該算法在室內停車場的復雜環境中具有更好的適用性，能滿足室內停車場車輛定位的基本需求。但是，LAVT算法目前只是適用于靜態環境下的車輛定位，下一步將在動態環境下車輛定位以及虛擬標簽信號獲取方式上開展進一步研究。

參考文獻：

［1］馬依婷，賈小林，李春燕，等. 基于RFID的大型停車場泊車導航系統的設計 ［J］. 物聯網技術，2018，8（6）： 65-67，71.（Ma Yiting，Jia Xiaolin，Li Chunyan，et al. Design of RFID-based parking navigation system for large parking lots ［J］. Internet of Things Technology，2018，8（6）： 65-67，71.）

［2］錢志鴻，田春生，郭銀景，等. 智能網聯交通系統的關鍵技術與發展 ［J］. 電子與信息學報，2020，42（1）： 2-19.（Qian Zhihong，Tian Chunsheng，Guo Yinjing，et al. Key technologies and development of intelligent networked transportation systems ［J］. Journal of Electronics and Information，2020，42（1）： 2-19.）

［3］李鵬程，張文勝，郭棟，等. 基于物聯網通信協議的車輛信息系統開發 ［J］. 計算機工程與設計，2022，43（3）： 646-653.（Li Pengcheng，Zhang Wensheng，Guo Dong，et al. Vehicle information system development based on Internet of Things communication protocol ［J］. Computer Engineering and Design，2022，43（3）： 646-653.）

［4］陳良，史志才，張翔. 基于PSO-ANN的RFID汽車室內定位算法 ［J］. 傳感器與微系統，2020，39（12）： 127-129，133.（Chen Liang，Shi Zhicai，Zhang Xiang. RFID vehicle indoor positioning algorithm based on PSO-ANN ［J］. Sensors and Microsystems，2020，39（12）： 127-129，133.）

［5］彭國旗. 基于RFID的車輛定位技術研究 ［D］. 長春：長春理工大學，2018.（Peng Guoqi. Research on RFID-based vehicle positioning technology ［D］. Changchun ：Changchun University of Science and Technology，2018.）

［6］曹子騰，郭陽，趙正旭，等. 室內定位技術研究綜述 ［J］. 計算機技術與發展，2020，30（6）： 202-206.（Cao Ziteng，Guo Yang，Zhao Zhengxu，et al. Review of indoor positioning technology research ［J］. Computer Technology and Development，2020，30（6）： 202-206.）

［7］鄧中亮，尹露，唐詩浩，等. 室內定位關鍵技術綜述 ［J］. 導航定位與授時，2018，5（3）： 14-23.（Deng Zhongliang，Yin Lu，Tang Shihao，et al. Review of key technologies of indoor positioning ［J］. Navigation Positioning and Timing，2018，5（3）： 14-23.）

［8］Jia Xiaolin，Feng Quanyuan，Yu Lishan，Stability analysis of an efficient anti-collision protocol for RFID tag identification［J］. IEEE Trans on Communications，2012，60（8）：2285-2294.

［9］Jia Xiaolin，Feng Quanyuan，Ma Chengzhen. An efficient anti-collision protocol for RFID tag identification［J］. IEEE Communications Letters，2010，14（11）：1014-1016.

［10］Jia Xiaolin，Miodrag Bolic，Feng Yuhao，et al. An efficient dynamic anti-collision protocol for mobile RFID tags identification［J］. IEEE Communications Letters，2019，23（4）：620-623.

［11］Mugahid O，Yunt G. Indoor distance estimation for passive UHF RFID tag based on RSSI and RCS ［J］. Measurement，2018，127（10）： 425-430.

［12］Ni L M，Liu Yunhao，Lau Y C，et al. LANDMARC： indoor location sensing using active RFID ［C］// Proc of the 1st IEEE International Conference on Pervasive Computing and Communications. Piscataway，NJ：IEEE Press，2003： 407-415.

［13］Zhao Yiyang，Ni L M. VIRE： virtual reference elimination for active RFID-based localization ［J］. Ad hoc amp; Sensor Wireless Networks，2013，17（3-4） ： 169-191.

［14］李寶山，岳康. LANDMARC定位算法的修正與優化 ［J］. 計算機應用與軟件，2016，33（4）： 99-102.（Li Baoshan，Yue Kang. Correction and optimization of LANDMARC positioning algorithm ［J］. Computer Application and Software，2016，33（4）： 99-102.）

［15］李麗，鄭嘉利. 基于近端策略優化的RFID室內定位算法 ［J］. 計算機科學，2021，48（4）： 274-281.（［Li Li，Zheng Jiali. RFID indoor positioning algorithm based on near-end strategy optimization ［J］. Computer Science，2021，48（4）： 274-281.）

［16］靳朋，郗濤，王莉靜. 基于二次加權的LANDMARC景區改進定位算法研究 ［J］. 計算機工程與科學，2019，41（3）： 485-489.（Jin Peng，Xi Tao，Wang Lijing. Research on improved localization algorithm of LANDMARC scenic spot based on quadratic weighting ［J］. Computer Engineering and Science，2019，41（3）： 485-489.）

［17］顧軍華，許鵬，董瑤，等. 基于克里金插值的自適應VIRE室內定位算法研究 ［J］. 計算機工程與應用，2018，54（12）： 100-104.（Gu Junhua，Xu Peng，Dong Yao，et al. Research on adaptive VIRE indoor positioning algorithm based on kriging interpolation ［J］. Computer Engineering and Applications，2018，54（12）： 100-104.）

［18］Xu He，Wu Manxing，Li Peng，et al. An RFID indoor positioning algorithm based on support vector regression ［J］. Sensors，2018，18（5）： 1504.

［19］Zhang Lin，Hongying Hu，Yajun Zhang，et al. Indoor location based on an LANDMARC improved algorithm［J］. Applied Mechanics and Materials，2014，687-691： 4105-4109.

［20］Li Xinyu，Zhang Yanyi，Marsic I，et al. Deep Learning for RFID-Based Activity Recognition［C］// Proc of the 14th ACM Conference on Embedded Network Sensor Systems CD-ROM. New York ： ACM Press，2016：164-175.

［21］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.

［22］Wu G S，Tseng P H. A deep neural network-based indoor positioning method using channel state information ［C］//Proc of International Conference on Computing，Networking and Communications Piscataway，NJ： IEEE Press，2018：290-294.

收稿日期：2022-06-17；修回日期：2022-08-02基金項目：國家自然科學基金面上項目（61471306）；四川省重點研發計劃項目（2020YFS0360）；四川省教育廳資助科研重點項目（18ZA0488）

作者簡介：羅仕濤（1997-），男，碩士研究生，主要研究方向為智能停車場、室內定位；賈小林（1975-），男（通信作者），教授，博士，主要研究方向為射頻識別技術、物聯網技術、計算機應用技術（my_jiaxl@163.com）；顧婭軍（1979-），女，講師，碩士，主要研究方向為計算機應用技術、物聯網技術.