一种利用无线信号的被动式多目标定位系统

邢天璋， 谢彬彬， 杨 康， 汤战勇， 房鼎益

(西北大学 信息科学与技术学院，陕西 西安 710127)

一种利用无线信号的被动式多目标定位系统

邢天璋， 谢彬彬， 杨 康， 汤战勇， 房鼎益

(西北大学 信息科学与技术学院，陕西 西安 710127)

针对真实环境中的多径分布及非视距路径的多目标定位问题，基于指纹库匹配的思想，在无源射频识别标签环境中，提出一种被动式多目标定位系统．重点针对多目标的计数问题进行了深入的分析，通过无源标签边缘检测，将标签间距离与目标个数建立函数关系，并对阅读器碰撞现象进行分析，从而确保定位数据的有效性与目标统计的精确性; 其次，探索了目标相对于标签位置的相异性，并利用标签位置作为目标定位的约束条件，提升定位精度．在真实环境中对该系统予以测试，实验数据表明，该系统在目标个数统计与定位精度两个方面有效且均能满足设计要求，并较现有方法有明显提高．

目标定位;指纹匹配;目标计数;射频识别

近年来，被动式目标定位已经在博物馆，军事战区，银行和学校等公众性场所发挥了重要作用．多媒体监测因受其设备价格、安装角度以及环境光线、天气的影响而存在一定局限性．同时，基于射频信号(Radio Frequency， RF)的被动式定位方法已成为新一代目标检测定位与行为识别的重要手段之一[1]，传统方法是以密集的部署代价换取较高的检测定位精度[2，3]．即使如此，一旦监测区域中同时存在多个目标时，由于信号反射后的多径传输路径已经发生变化，定位精度也将无法保证[4]．为此，如何准确分析目标引起的多径分布，从而有效且准确地定位多个目标，是笔者主要的研究工作．

较早的被动式定位工作中通常忽略了多径效应的影响[5-7]，只考虑由目标在视距路径(Line of Sight， LoS)产生的信号衰减或信道变化，将多径干扰视为影响定位精度的不利因素并予以消除或者优化，这样的研究提升了定位精度，然而在实际场景无法避免或消除多径干扰以及非视距(Non-Line of Sight， NLoS)情况的客观存在性，这些方法在实际应用中很难得到推广与普适．近年来，国内学者对该问题也予以了关注并进行了有效研究，PinIt[8]利用合成孔径雷达(Synthetic Aperture Radar， SAR)和动态时间规划(Dynamic Time Warping， DTW)方法来建立和比较多径分布，其获取方式是基于特定设备而完成的，这一工作为之后的真实场景应用系统与方法研究提供了新的思路与方向．随后，包括Wi-Vi[9]，WiTrack2.0[10]及WiDeo[11]在内的诸多研究工作均充分考虑了真实场景中的多径效应，然而上述工作均需使用专用设备，这无疑增加了大规模部署时的成本，在实际使用中存在困难．在诸多无线网络环境中(如WiFi，Bluetooth，Zigbee)，为了减少定位代价[12]，笔者采用无线射频识别(Radio Frequency Identification Devices，RFID)无源标签作为工作的无线环境平台．然而在实际研究中，多目标的数量不同，以及所处位置的不同，都会引起多径分布的不一致，从而导致与先验指纹匹配失谐，定位精度无法保证．因此，笔者将重点研究目标出现及位置变化所带来的多径分布变化，通过分析多径变化来确定目标数量，完成目标定位．

1 系统概述

系统设计分为3部分: 指纹库建立、多目标计数和细粒度定位，如图1所示．每个部分包括使用多径分布的几个函数，最后一步使用参考指纹，但前者不需要．与已有监测定位系统相比，该系统重点在于对目标个数的统计，从而提升定位精度．

在指纹库建立部分，首先监测区域划分为固定大小的均匀正方形网格单元Gs(Gs= 0.4 m)，每个单元格只有一个绝对坐标; 其次，当没有目标出现在监测区域时，测量并记录所有标签反射信号的相位值，通过这些相位可以计算出该监测区域的多径分部; 最后，当目标处于监测区域内时，测量并收集相位值，同时计算该时刻的多径分布．通过采用DTW方法对比第2和第3步的结果，由此确定每个网格的受影响标签．

在多目标计数部分，尝试使用两个RFID读取器精确检测受影响标签的边界，受文献[13]边界测量的启发，笔者通过评估多径失真情况来确定标签是否受影响．一旦失真，相应的标签可以被进行标记并用于之后的定位．通过这种做法，笔者为多个无源阅读器设计了有效的识别碰撞方案，目的是在最短的时间内确定影响标签，以便计算受影响的标签集以及目标的数量．

在细粒度定位部分，根据目标个数及目标影响的标签，首先对参考指纹进行筛选，确保筛选出的参考指纹中至少存在一个与实时监测指纹相同的标签; 其次，将标签位置信息作为约束条件，提升匹配准确性，提高定位精度．

2 多目标计数

精确的目标计数对于提升定位精度具有重要意义[14]．在设计中，快速且准确地识别被影响的标签对于目标个数的统计起到了至关重要的作用．关于被影响标签的识别，不仅要考虑目标出现前后的无线信号多径分布，还需考虑相同标签随时间变化所引起的多径随机偏差;同时，受影响标签所处区域的检测是确定目标数量的关键，本节将予以分析并提出两者之间的函数关系;最后，多阅读器访问标签的碰撞问题(标签在同一时刻只能处理一个阅读器的请求)也需要被正视，这将有效减少多径分布指纹库所需时间．

2.1 标签识别

为了识别每个目标的受影响的标签，提出多径分布离散度的概念．多径分布离散度用来描述一个标签在不同时间的多径分布的相似程度，离散度值越大，两个多径分布越不相同．使用DTW的方法计算多径分布的离散度，记为Dis值，即

(1)

其中，Di,j是i和j之间的欧几里得距离，L是多径分布的长度，Bα和Bβ是两个不同的多径分布，定义如下:

B=B(0)，…，B(i)，…，B(180) ．

(2)

基于已有经验知识，在相同环境下不同时间的随机偏移有一个固定的范围．为了达到高精度的多目标计数，文中将采用容错方法设置适当的阈值来确定目标是否产生多径分布失真．对于新的Dis值，平均值a和平均变差m可进行重新估计，g= 0.125，h= 0.25，参考于RFC6289．

(3)

2.2 边缘检测

目标不会影响所有标签，所以本节旨在通过使用两个RFID阅读器检测受影响的标签所在区域的边界来计算目标的数量．例如图2(a)，其中每个正方形图标都是一个无源标签，在区域I和区域II的标签的多径分布受到目标的影响很类似，而区域Ⅲ标签的多径分布没有受到目标的影响．针对此类情况，受影响区域的数量是指目标的数量．

实际应用中阅读器不能观测到隐藏于其他目标之后的另一目标，如图2(b)所示，一个受影响区域内含有多个目标，且目标位置具有特殊性．天线阵列无法计算区域Ⅰ中的target1和隐藏在其后的target3这两个目标之间的边界．为了检测那些隐藏的目标，可添加一个阅读器做正交方向检测．例如，在图2(c)中，在监测区域有两个阅读器并且由两个阅读器检测到的受影响的边界以确定目标所在区域，则隐藏的目标可以被检测．这里，认为天线阵列Y在区域Ⅰ和区域Ⅳ是有效的，天线阵列X在区域Ⅱ和区域Ⅳ有效．

图2 边缘检测示意图

另一个重要问题是多目标共同所影响的标签无法被划分时，就会导致目标计数错误．考虑图2(d)中的情况，区域Ⅰ中的目标不能由天线阵列来识别．因此，针对此类情况，需要根据标签部署信息，计算受影响标签数组相对于有效天线阵列的长度．根据阅读器发射功率进行计算，受影响的标签数组长度相对于有效天线阵列不大于 1.2 m．一旦受影响的标签数组的有效长度大于 1.2 m，则受影响的标签是由n个目标共同作用的结果，则目标个数n被认为是 (n-1)d/ 1.2，其中d是两个标签之间的距离间隔．

2.3 碰撞分析

作为多目标定位的一个重要因素，碰撞问题会导致较高的计算复杂性，从而增加系统响应延迟．虽然有争议的标签可以从另一阅读器中过滤信号，但从这些标签反射的数据信息量不足以支撑短时间内目标所在区域的划分与后期的匹配定位．因此，在这里关注如何消除或减少RFID系统中多阅读器的碰撞问题，提高有效数据信息的正确性．

假设在每个单位时间内的发射器的数据发送定义为具有速率W的泊松过程，通过有争议的标签碰撞的信号滤除，每个阅读器的成功采样率FW=Wexp(-2W)，在文中，W=Nλ，其中N是有争议标签的数量，λ是在单位时间内由一个标签反射出的平均数据数．因此FW可记为

Fw=Nλexp(-2Nλ) ．

(4)

根据抽样理论[15]中提出的数据抽样理论，有用数据的收集可以重建目标分布在天线的方向上，当且仅当采样间隔S= 1/FW，且被定义为S=Ne lnN+r，其中r是1和n之间的随机变量，e为自然指数，则有

Ne lnN<1/(Nλexp(-2Nλ)) ,

(5)

事实上，有标签的数量N是固定的，λ与读取器的访问频率有关，改变读取器的访问频率可以在碰撞情况下获取每个有争议标签所反射回的数据，从而进一步统计并纠正被影响的标签数．

3 高精度定位

(6)

同时，假设PD=(p1，p2，…，pN)代表无源标签位置样本的集合．在PD中位置样本顺序为标签距离阅读器远近递增顺序排列．这样，有两个可能的方式从FD到PD进行映射(σ1，σ2:FD→PD):

(7)

图3 实验场景

4 实验结果与分析

实验在室内环境中进行，使用922.88 MHz的RFID设备，共招募7名志愿者，历时 14 h，收集数据共计 1 054 400 条，如图3所示．在实验Ⅰ中，分别在不同尺寸场景下 (480 cm× 480 cm，600 cm× 600 cm，720 cm× 600 cm) 记录相位值．其中，场景1: 480cm× 480 cm，25个无源标签排列成 5×5 矩阵形式; 场景2: 600 cm× 600 cm，36个无源标签排列成 6×6 矩阵形式; 场景3: 720 cm× 600 cm，42个无源标签排列成7行，每行有6个无源标签．3个不同场所的目标数量分别是4，5和6个．此外，整个实验使用两个阅读器，每个标签记录20组数据．

实验Ⅰ结果如图4所示．其中，图4(a)描述了每个场所中多目标计数的精度．从实验数据可知，目标之间的距离间隔越大，则多目标计数精度越高．当距离大于 1 m，可以实现100%的精度，并且如果两个目标之间的距离小于 0.6 m，则系统将认定是同一个目标; 图4(b)显示了目标间距为 1.2 m 时，定位误差的累积分布函数(Cumulative Distribution Function， CDF)．可以发现，当每对标签之间距离为 1.2 m 时，系统对于多目标计数是有效的，同时具有较高精度的定位结果．

图4 系统有效性测试

实验Ⅱ验证系统多场景下的鲁棒性．在场景1和场景3中改变标签之间的距离间隔，两个区域的目标数量分别是4和6． 首先比较两个区域中不同标签距离下的目标计数精度，分别比较两种情况下定位误差．结果如图5(a)与图5(b)所示．系统在场景更换时，多目标统计及定位均具有较强的鲁棒性，主要原因在于文中所提方法已根据多径分布，将标签间距离与目标个数统计建立了函数关系，因此场景变化时，仅测量部署时的标签间距离及多径分布即可完成较高精度的目标统计，确保定位精度．

图5 系统鲁棒性测试结果

在实验Ⅲ中，将该系统与已有工作进行比较，如Alico[16]、RASS[7]和WiDeo[11]等系统．对比结果如图6所示，分别展示出LoS和NLoS实验中的定位误差，文中设计系统在两种客观存在的环境下几乎没有损失定位精度，其主要原因在于笔者首先对目标个数予以统计，而Alico、RASS和WiDeo仅考虑信号受目标影响的变化，而未考虑目标个数不同所引起的多径分布差异，因此目标定位精度不如文中所提方法，尤其是在NLos环境中，多目标的存在使得多径分布更为复杂，Alico、RASS和WiDeo定位精度明显下降．

图6 多系统定位精度比较

5 结 束 语

针对真实环境中多目标定位所面对的多径分布与非视距路径问题，提出一种被动式多目标定位系统．文章深入分析了多目标计数问题，并探索通过无源标签边缘检测完成计数统计，同时将标签位置作为目标定位的约束条件，提升定位精度．通过真实场景有效实验，验证了系统在定位精度方面的有效性，在场景普适应用方面的鲁棒性．

参考文献：

[1] YU Z W, XU H, YANG Z, et al. Personalized Travel Package with Multi-point-of-interest Recommendation Based on Crowdsourced User Footprints[J]. IEEE Transactions on Human-Machine Systems, 2016, 46(1): 151-158.

[2] BOCCA M, KALTIOKALLIO O, PATWARI N, et al. Multiple Target Tracking with RF Sensor Networks[J]. IEEE Transactions on Mobile Computing, 2014, 13(8): 1787-1800.

[3] NANNURU S, LI Y P, ZENG Y, et al. Radio-frequency Tomography for Passive Indoor Multitarget Tracking[J]. IEEE Transactions on Mobile Computing, 2013, 12(12): 2322-2333.

[4] ADIB F, KABELAC Z, KATABI D, et al. 3D Tracking via Body Radio Reflections[C]//Proceedings of the 11th USENIX Conference on Networked Systems Design and Implementation. Berkeley: USENIX Association, 2014: 317-329.

[5] 马鑫迪, 马建峰, 高胜. 室内定位系统中指纹库的优化方法[J]. 西安电子科技大学学报, 2015, 42(6): 81-87.

MA Xindi, MA Jianfeng, GAO Sheng. Fingerprint Optimization Method for the Indoor Localization System[J]. Journal of Xidian University, 2015, 42(6): 81-87.

[6] WANG J, GAO Q H, WANG H Y, et al. Device-free Localization with Multidimensional Wireless Link Information[J]. IEEE Transactions on Vehicular Technology, 2015, 64(1): 356-366.

[7] ZHANG D, LIU Y H, NI L M. RASS: a Real-time, Accurate, and Scalable System for Tracking Transceiver-free Objects[J]. IEEE Transactions on Parallel and Distributed Systems, 2013, 24(5): 996-1008.

[8] WANG J, KATABI D. Dude, Where’s My Card? RFID Positioning that Works with Multipath and Non-line of Sight[J]. ACM Sigcomm Computer Communication Review, 2013, 43(4): 51-62.

[9] ADIB F, KATABI D. See through Walls with Wi-Fi![C]//Proceedings of the ACM SIGCOMM 2013 Conference on SIGCOMM. New York: ACM, 2013: 75-86

[10] ADIB F, KABELAC Z, KATABI D. Multi-person Localization via RF Body Reflections[C]//Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley: USENIX Association, 2015: 279-292.

[11] JOSHI K, BHARADIA D, KOTARU M, et al. Wideo: Fine-grained Device-free Motion Tracing Using RF Backscatter[C]//Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley: USENIX Association, 2015: 189-204.

[12] HAN J S, QIAN C, WANG X, et al. Twins: Device-free Object Tracking using Passive Tags[J]. IEEE/ACM Transactions on Networking, 2016, 24(3): 1605-1617.

[13] LIU Y H, ZHAO Y Y, CHEN L, et al. Mining Frequent Trajectory Patterns for Activity Monitoring Using Radio Frequency Tag Arrays[J]. IEEE Transactions on Parallel and Distributed Systems, 2012, 23(11): 2138-2149.

[14] SHANGGUAN L F, YANG Z, LIU A X, et al. Relative Localization of RFID Tags Using Spatial-temporal Phase Profiling[C]//Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley: USENIX Association, 2015: 251-263.

[15] CHEN Y J, LIU Z L, FU X W, et al. Theory Underlying Measurement of AoA with a Rotating Directional[C]//Proceedings of the IEEE INFOCOM. Piscataway: IEEE, 2013: 2490-2498.

[16] WANG J, XIE B B, FANG D Y, et al. Accurate Device-free Localization with Little Human Cost[C]//Proceedings of the 1st International Workshop on Experiences with the Design and Implementation of Smart Objects, Co-located with MobiCom 2015. New York: ACM, 2015: 55-60.

Passivelocalizationformulti-targetsviawirelesssignalprocessing

XINGTianzhang，XIEBinbin，YANGKang，TANGZhanyong，FANGDingyi

(School of Information and Science and Technology, Northwest Univ., Xi’an 710127, China)

Passive localization plays a critical role in the Internet industry. However, current methods only analyze and calculate the signal distortion of the target which generates in the Line of Sight without considering the Non Line of Sight and multipath effects. To address the problem, we present the multi-targets location system via the RFID base on the fingerprint matching. First, this paper uses the passive tag edge detection to build the function relation between the target distance and the target number, and analyzes the reader collision phenomenon to address multi-targets counting, further ensuring the effectiveness of location data and the accuracy of target statistics; Second, this paper improves localization accuracy by exploring the arteritis of the target relative to the tag position and using the tag position as the constraints. We conduct extensive experiments in 2 scenarios for 3 areas. Compared with other approaches, the system we proposed improves the target counting and location accuracy, scalability and robustness under various scenarios.

localization; fingerprint; target counting; radio frequency identification devices

2017-03-19

时间：2017-06-29

国家自然科学基金资助项目(61602381, 61672428, 61672427)； 陕西省国际合作资助项目(2015KW-003)

邢天璋(1981-)，男，高级工程师，E-mail: xtz@nwu.edu.cn．

http://kns.cnki.net/kcms/detail/61.1076.TN.20170629.1734.034.html

10.3969/j.issn.1001-2400.2018.01.017

TP915

A

1001-2400(2018)01-0093-06

(编辑： 王 瑞)