结合菲涅尔理论的免携带设备定位研究*

2015-05-06刘凯,夏然,柴柯

传感技术学报 2015年2期

关键词：菲涅尔示意图链路

刘凯,夏然,柴柯

(上海大学特种光纤与光接入网重点实验室通信与信息工程学院,上海 200072)

结合菲涅尔理论的免携带设备定位研究*

刘凯*,夏然,柴柯

(上海大学特种光纤与光接入网重点实验室通信与信息工程学院,上海 200072)

针对免携带设备定位DFL(Device Free Localization)精度低,近距离定位目标不易区分等问题,提出了一种结合菲涅尔理论的定位估计方法。该方法首先通过无线层析成像RTI(Radio Tomographic Imaging)原理,粗定位出人体目标位置,其次计算环境参量,划分限制区域,考虑肩宽、头宽等具体人体参数,对限制域中满足菲涅尔理论的位置点进行拟合加权,实现精确定位;在出现近距离目标时,对比人体参数的实验值与理论值,判断是否为多目标。实测数据下的定位仿真结果表明,与传统的RTI方法相比,该方法在定位的准确度上提高了30%,同时实现了近距离目标数目的判决。

免携带设备定位;无线层析成像;菲涅尔理论;正则正交匹配追踪算法

免携带设备定位DFL(Device Free Localization)是在不需要目标携带任何设备的情况下,获取到目标的位置信息,因而在紧急救援、安防、智能家居、医院病人检测等场合应用前景广泛。近年来,基于无线射频信号的定位方案,由于具有成本低、通用性能优良的特点[1-2],成为DFL的优选方案。当目标进入无线传感器网络中,目标的遮挡会使得无线射频信号产生阴影衰落[3],进而影响网络中各个无线节点的接收信号强度RSS(Received Signal Strength)[4],利用目标出现前后无线节点的RSS量的差异就能实现定位。图1是DFL原理示意图。

图1 Device-free Localization系统示意图

DFL是2007年Youssef[4]和张滇[5]分别提出来的,以无线网络作为通信网络,由链路的衰落量求解目标位置。Youssef[6-7]将DFL问题建模为指纹识别问题,通过比较当前实时的链路RSS量与存储在离线射频地图中的数据信息,得到目标的估计位置。之后,张滇[8]根据目标对链路RSS量的影响特性,提出用链路法进行定位。Patwari[9]类比工业CT的原理,将RTI[10]用于DFL中,为之后的相关研究提供了理论基础。由于RTI只能定位静止的人,Wilson[11]提出根据RSS方差量和目标空间位置的关系进行定位,随后他还提出了增强该算法健壮性的方法[12]并且结合卡尔曼滤波实时定位。

为了获得有效的RSS量,Wilson[13]建立了包含有RSS衰落量和增强量的Skew-Laplace信号强度模型,依据该模型,Patwari[14]提出多尺度空间模型,修改了权重因子参数。Wang[15]根据相邻两个时刻的RSS差值和链路异常检测方案实现DFL,之后他又提出用飞行时间求解RTI[16]。Zhao[17]提出了用直方图之间核距离来代替RSS变化量的KRTI。

由于目标的个数相对较少,可以将目标看作是稀疏信号,Kanso[18]等最先将压缩感知[19]应用到RTI中,并通过求L1范数最小化进行信号重构,估计目标位置。Wang[20]提出贝叶斯贪婪匹配追踪算法,解决RTI中的病态求逆问题。Wang[21]通过利用压缩感知的稀疏场景部署来提高目标的定位精度。由于基于压缩感知的稀疏重构运算量与所选的链路有关,Yang[22]根据链路的变化与目标的空间位置的相关性,用压缩最大匹配选择算法快速重构信号。这些工作成功应用了压缩感知实现免携带设备定位,但重构算法复杂,定位效率低,对于多目标定位,尤其是当出现近距离目标时,区分效果不是很理想。

总体来说,这些方法都是基于传统的RTI,每一种定位方法都是将人体看作是圆柱体模型,没有给定位目标赋予人体特征的意义。人体作为定位对象,和桌子、椅子等物体具有较大区别,其体态特征的差异,对定位的准确性有极大影响。据此,本文将人体肩宽、头宽等具体参数考虑到DFL中,提出了一种基于菲涅尔理论的免携带定位方法。首先通过RTI得到人体目标的估计位置,其次根据菲涅尔理论,计算环境参量,在限制区域中对符合该理论条件的点进行加权处理,实现精确定位;对出现近距离目标的情况,通过比对人体参数值,判断是否为多目标。仿真结果表明本文提出的方法能够有效的提高免携带设备定位的精度,能够成功实现近距离目标数目的判断。

1 RTI及菲涅尔理论

1.1 RTI

在保证无线通信网络全覆盖的条件下,无线节点相互接收射频信号。在待探测区域没有目标进入时,采集N个节点构成的N(N-1)条无线链路,作为背景信息,同时将待探测区域分割成很多块区域,其中每块区域称为像素,当目标进入待探测区域时,进行无线信号强度实时采集,获得每条链路的RSS量。RTI[10]提出接收信号强度与人体位置关系满足线性方程

ΔRSS=WΔx+n

(1)

其中ΔRSS是接收信号强度的差值,W是每个像素点衰落值的权重矩阵,Δx是每个像素点上的RSS量衰落值,n是噪声。在RTI中,将人体看作是统一的圆柱体模型,不考虑人体的身高,肩宽等具体参数。

1.2 菲涅尔原理

根据惠更斯一菲涅尔原理,在电波的传输过程中,波阵面上的每一点都是一个进行二次辐射的球面波的波源(S),这种波源称为二次波源。而空间任一点的辐射场都是由包围波面的任意封闭曲面上各点的二次波源(E、H)发出的波在该点相互干涉、叠加的结果。显然,封闭曲面上各点的二次波源到达接收点的远近不同,这就使得接收点的信号场强的大小发生变化,图2是惠更斯一菲涅尔原理示意图。

图2 惠更斯一菲涅尔原理

对这种变化,引入空间菲涅尔区概念。根据Stefano Savazzi理论[23],在人体周围的菲涅尔区中,菲涅尔半径,人体参数值和RSS变化量存在以下关系:

(2)

(3)

(4)

ΔRSS表示RSS变化量,bx表示肩宽,by表示头部到背部的距离。rl(xt)表示在xt位置的时候所表示的菲涅尔半径,Δh0表示环境参量,γ1为π2/2,ql(xt)表示发射机到xt位置的距离,dl表示发射机和接收机之间的距离,λ表示载波的波长,fac表示人体参数。图3是人体在菲涅尔空间区域中,在随机位置下的菲涅尔半径示意图。

图3 人体在菲涅尔空间区域中,在随机位置下的菲涅尔半径

2 结合菲涅尔理论的DFL

2.1 粗定位

RTI的基本原理就是在已知RSS变化量ΔRSS的情况下,通过式(1)的方程反演求解,得到每个像素点上的衰落量Δx,然后通过层析成像实现定位。

由于多个可能的位置能够引起的RSS变化量的结果是相同的,因而通过RSS量求解目标位置是病态的欠定问题,为了提高定位的精确性,采用正则正交匹配追踪算法(ROMP)进行RTI方程求解,对目标进行初始定位。

2.2 曲线拟合法匹配环境参量

根据式(2)可以看出,环境参量和RSS变化量的关系是二次函数的关系,其中常数项Δh0即为此时的环境参数。在未进行定位之前由随机目标进入网络中,站在选定的位置上,通过测量到的数据由曲线拟合法求解出Δh0,图4为通过曲线拟合法求解环境参量Δh0的示意图。

通过ROMP算法对目标进行粗定位后,以粗定位位置为中心,1 m为半径的圆作为限制域,在该限制域中寻找更精确的位置。根据式(4)中可知,一般情况下,人体参数fac的取值范围是0.05到0.06之间,并且通过实验数据得到验证。图5是单个目标A和目标B在随机位置上计算得到的人体参数fac示意图。

在fac取值范围已知的情况下,通过对限制域中的点进行筛选,将坐标代入式(2)中,如果反算出的fac值落在阈值范围中,保留该位置。最后,对限制域中满足条件的位置的点进行拟合加权,得到更加精确的定位坐标。

图4 曲线拟合法求解环境参量Δh0

图5 单个目标在随机位置计算出来的人体参数值

2.3 近距离目标判决

在之前的相关研究中,目标的分布一般相对较远,在1 m范围以外是可以有效区分的。但是当目标距离较近时,判断目标个数成为一个急需解决的问题。传统的RTI,当出现近距离目标的情况时,成像结果往往相同,单纯的成像图无法体现定位的位置上有几个目标。图6是分别有一个目标和两个目标时的RTI成像结果的示意图。

图6 单个目标和多个目标时的RTI成像结果

针对这一问题,提出结合菲涅尔理论的求解方法。根据式(2)可以看出,单个人体的人体参数fac和RSS变化量是二次函数的关系,并且人体参数fac存在一定的取值范围。通过定位出的位置可知道菲涅尔半径,并且对位置点附近链路的RSS衰落量从大到小进行排序,保留衰落量较大的三条链路。利用式(1),根据筛选出来三条链路的RSS变化量反算出人体参数fac并加权平均。如果计算结果在fac的取值范围之内,判决为单目标;反之,判决为多个目标。

3 定位流程

综上所述,针对结合菲涅尔理论的DFL,本文算法的总体流程如图7所示。

图7 定位流程图

图8 CC2530传感器节点示意图

4 实验仿真结果分析

为了验证提出方法的有效性,本文进行了实验,收集、分析数据并进行MATLAB仿真。实验采用IEEE802.15.4标准的Zigbee通信网络,通信频率为2.4 GHz,实时采集无线信号接收强度。实验环境是在一个空旷的操场上,选择一个5 m×5 m的区域。实验器材,12个CC2530的传感器节点,4台电脑收集数据,图8是CC2530传感器节点示意图。12个传感器依次平行放置于两端采集数据,每个传感器节点相距1 m,方框表示人所站的位置编号,每个位置之间相距0.5 m。图9是实验具体场景布置的示意图,图10是实验场景模拟图。

图9 实验具体场景布置图

图10 实验场景模拟图

图11 RTI定位误差和利用菲涅尔区定位误差的对比

根据以上理论所述,当单个目标和多个目标分别位于位置7时,计算出来的人体参数fac如表1所列。

表1 单个目标和多个目标分别位于位置7时的人体参数值fac

从表1可以看出,通过计算得到的人体参数fac的大小,即使在RTI成像结果相同的情况下,也能够实现对该处人体目标个数的判断。

5 结论

免携带设备定位的出现为紧急救援、医院病护检测提供了可能,其中相关算法的研究在不断深入。本文提出的结合菲涅尔理论的免携带设备定位能够将人体的实际参数情况考虑到定位中,更贴合真实场景,在实测数据中,定位精度有30%的提高,同时,有效解决了在出现近距离目标的情况时,传统RTI无法判断目标个数的难题,仿真结果表明本文提出方法的有效性,并具有一定的研究应用价值。

[1] 张震,闫连山,刘江涛.基于DV-hop的无线传感器网络定位算法研究[J].传感技术学报,201l,24(10):1469-1472.

[2]刘凯,余君君.跳数加权DV-Hop定位算法[J].传感技术学报,2012,25(11):1539-1542.

[3]Agrawal P,Patwari N.Effects of Correlated Shadowing:Connectivity,Localization and RF Tomography[C]//International Conference on information Processing in Sensor Networks,2008:82-93.

[4]Youssef M,Mah M,Agrawala A.Challenges:Device-Free Passive Localization for Wireless Environments[C]//Proceedings of the 13th Annual ACM International Conference on Mobile Computing and Networking,2007:222-229.

[5]Zhang D,Ma J,Chen Q,et al.An RF-Based System for Tracking Transceiver-Free Objects[C]//Fifth Annual IEEE International Conference on Pervasive Computing and Communications,2007:135-144.

[6]Kosba A E,Abdelkader A,Youssef M.Analysis of A Device-Free Passive Tracking System in Typical Wireless Environments[C]//International Conference on New Technologies,Mobility and Security,2009:1-5.

[7]Eleryan A,Elsabagh M,Youssef M.Automatic Generation of Radio Maps for Localization Systems[C]//IEEE Proceedings of the 17th Annual International Conference on Mobile Computing and Networking,2011:93-94.

[8]Zhang D,Liu Y H.Link-Centric Probabilistic Coverage Model for Transceiver-Free Object Detection in Wireless Networks[C]//IEEE 30th International Conference on Distributed Computing Systems,2010:116-125.

[9]Patwari N,Wilson J.RF Sensor Networks for Device-Free Localization:Measurements,Models,and Algorithms[J].Proceedings of the IEEE,2010,98(11):1961-1973.

[10]Wilson J,Patwari N.Radio Tomographic Imaging with Wireless Networks[J].IEEE Transactions on Mobile Computing,2010,9(5):621-632.

[11]Wilson J,Patwari N.See Through Walls:Motion Tracking Using Variance-Based Radio Tomography Networks[J].IEEE Transactions on Mobile Computing,2011,10(5):612-621.

[12]Zhao Y,Patwari N.Robust Estimators for Variance-Based Device-Free Localization and Tracking[OL].arXiv Preprint arXiv:110.1569,2013.

[13]Wilson J,Patwari N.A Fade-Level Skew-Laplace Signal Strength Model for Device-Free Localization with Wireless Networks[J].IEEE Transactions on Mobile Computing,2012,11(6):947-958.

[14]Kaltiokallio O,Bocca M,Patwari N.A Multi-Scale Spatial Model for RSS-Based Device-Free Localization[J].arXiv Preprint arXiv:1302.5914,2013.

[15]Wang J,Gao Q,Yu Y,et al.Robust Device-Free Wireless Localization Based on Differential RSS Measurements[J].IEEE Transactions on Industrial Electronics,2012,60(12):5943-5952.

[16]Wang J.Time-of-Flight-Based Radio Tomography for Device Free Localization[J].IEEE Transactions on Wireless Communications,2013:1-11.

[17]Zhao Y,Patwari N,Phillips J M,et al.Radio Tomographic Imaging and Tracking of Stationary and Moving People Via Kernel Distance[C]//Proceedings of the 12th International Conference on Information Processing in Sensor Network,ACM,2013:229-240.

[18]Kanso M A,Rabbat M G.Compressed RF Tomography for Wireless Sensor Networks:Centralized and Decentralized Approaches[C]//5th IEEE International Conference on Distributed Computing in Sensor Systems(DCOSS),Montreal,Canada,2009:173-186.

[19]Donoho D L.Compressed Sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

[20]Wang J,Zhang X,Gao Q,et al.Device Free Localization with Wireless Networks Based on Compressive Sensing[J].IEEE Transactions on Communications,2012,6(15):2395-2403.

[21]Wang J,Fang D,Chen X,et al.LCS:Compressive Sensing Based Device-Free Localization for Multiple Targets in Sensor Networks[C]//INFOCOM,2013 Proceedings IEEE,2013:145-149.

[22]Yang Z,Huang K,Guo X,et al.A Real-Time Device-Free Localization System Using Correlated RSS Measurements[J].EURASIP Journal on Wireless Communications and Networking,2013,2013(1):1-12.

[23]Savazzi S,Nicoli M,Carminati F,et al.A Bayesian Approach to Device-Free Localization:Modeling and Experimental Assessment[J].IEEE Journal of Selected Topics in Signal Processing,2014:16-29.

The Study of Device Free Localization with Wireless Networks Based on Fresnel Theory*

LIUKai*,XIARan,CHAIKe

(Key Laboratory of Specialty Fiber Optics and Optical Access Networks,Shanghai University School of Communication and Information Engineering,Shanghai 200072,China)

In allusion to problems such as low accuracy of Device Free Localization,uneasy differentiation of location targets within a short distance etc.,this paper proposes a localization estimation method based on the theory of Fresnel.This method roughly identifies the localization of human body at first through Radio Tomographic Imaging(RTI)principle.The second step is to calculate environmental parameters and divide the restricted area;meanwhile,in order to realize accurate positioning,weighted fitting is conducted to the positions within the restricted area which meet the demand of Fresnel by taking specific body parameters,such as the breadth of shoulders and head,into consideration.Thirdly,when targets within a short distance appear,the comparison between the experiment value and theoretical value of human parameters should be made,in order to identify whether there are multiple targets.According to simulation results,compared with traditional RTI method,this method improves the degree of accuracy by 30% in terms of positioning in our experiment;at the same time,the number of targets within a short distance can also be identified.

device free localization;radio tomographic imaging;fresnel theory;regularized orthogonal matching pursuit