基于SVRPSO-KF的RFID室内定位算法

杨丽 刘沁舒 徐洁 胡静 宋铁成 蒋宗清

【摘  要】提出了一種基于非线性支持向量机回归SVR、粒子群优化PSO和卡尔曼滤波KF的室内定位算法。对室内运动的物体，采用SVR训练RSSI和距离，构建RSSI和距离的非线性关系，提高RSSI测距精度;再根据待定位标签到各个阅读器的距离，利用PSO优化算法来确定待定位物体各时间点的位置坐标;最后通过卡尔曼滤波对运动轨迹进行滤波。实验结果表明，该算法提升了室内运动物体的定位精度，减小了定位误差。

【关键词】RFID;定位;非线性SVR;PSO;KF

1   引言

RFID（Radio Frequency Identification）定位技术[1]利用读写器和电子标签之间的双向数据交换[2-4]，对物体进行定位，该技术成本低，环境适应能力强，可以在很短的时间内达到较高的定位精度[5-6]。本文提出基于非线性支持向量机回归（SVR，Support Vector Regression）[7]、粒子群优化（PSO，Particle Swarm Optimization）[8]和卡尔曼滤波（KF，Kalman Filter）[9]的定位算法SVRPSO-KF。对于运动的物体，先通过非线性SVR构建接收信号强度指示（RSSI，Received Signal Strength Indication）与距离的非线性映射关系，提高RSSI测距的精度，再利用粒子群优化算法通过迭代搜索估计待定位标签各时间点的位置，最后通过卡尔曼滤波对运动轨迹进行滤波[10]以提高定位精度。

2   SVRPSO-KF定位算法

在SVRPSO-KF算法中，有两个阶段：更新阶段和预测阶段。一方面，根据待定位目标前一时刻的状态信息预测出目标当前时刻的状态信息;另一方面，根据预测信息更新目标当前时刻的状态信息和后验分布以及相关参数，由此对目标状态进行持续跟踪，结果即为待定位标签的运动轨迹。算法详细步骤如下：

（1）系统的动态模型为：

Xk是系统的状态向量，Zk是系统的观测向量，F是状态转移矩阵，H为观测矩阵，Wk为零均值、协方差矩阵为Q的过程噪声，Vk为零均值、协方差矩阵为R的观测噪声。

（2）通过将参考标签的RSSI矩阵与参考标签的距离矩阵作为非线性SVR的训练集，构建RSSI与距离的非线性映射关系，估算出待定位标签与阅读器之间的距离，再利用PSO优化方法通过迭代寻求目标函数的最优解，从而可以获取系统的观测向量Zk，具体步骤如下：

◆建立参考标签的RSSI矩阵和距离矩阵。

◆将参考标签的RSSI矩阵作为样本的输入值，将其距离矩阵作为样本的期待输出值，对其进行非线性SVR训练，得到决策函数，构建RSSI与距离的非线性映射关系。

◆阅读器获取待定位标签的信号强度值，建立待定位标签的RSSI矩阵。将待定位标签的RSSI矩阵作为决策函数的输入，则可估算待定位标签与阅读器之间的距离。

◆根据待定位标签的距离矩阵以及阅读器的位置坐标，构建出待定位标签位置的非线性方程组。将非线性方程组求解问题转化为目标函数的优化问题。

◆利用PSO优化方法，通过迭代寻求目标函数的最优解，计算并比较所有粒子的适应度值，根据全局最优值和个体最优值使粒子的位置和速度向最优解靠拢，得到的最优解为待定位标签的位置坐标也就是系统的观测向量Zk。

（3）对算法中的参数进行更新

（4）重复步骤（2）和步骤（3）即可对目标状态进行持续跟踪，结果即为待定位标签的运动轨迹。

3   算法仿真与结果分析

本文使用Python对算法进行了一系列仿真实验来评估SVRPSO-KF算法的性能。在仿真实验中，定位系统仿真布局如图1所示。待定位区域为8 m×8 m的室内区域，在这个区域中的每个角落放置一个阅读器，在整个区域中均匀放置4×4个参考标签，并生成待定位标签的运动轨迹。

为了验证本文提出算法的定位性能，同时对未进行滤波的VIRE算法[4]和SVR-PSO算法进行仿真。定位算法误差图如图2所示。在定位精度方面，本文提出的SVRPSO-KF算法比VIRE算法有很大的提升;在定位误差方面，本文提出的SVRPSO-KF算法比SVR-PSO算法有一定的改善，这说明利用KF对运动轨迹进行滤波可以降低定位误差，并且使系统的定位结果更稳定，这主要是因为SVR对RSSI和距离非线性回归比较准确，并且采用了PSO优化算法，通过迭代提高了定位精度，并且通过KF对轨迹进行滤波，进一步降低了定位误差。

4   结束语

本文在RFID环境下，通过阅读器对运动的标签进行定位，提出了一种SVRPSO-KF定位算法。该算法首先通过非线性SVR对RSSI和距离进行训练，构建RSSI与距离的非线性映射关系，提高RSSI的测距精度;然后再利用PSO优化算法通过迭代寻求待定位标签的位置坐标;最后利用KF对运动轨迹进行滤波。仿真结果表明，本文提出的SVRPSO-KF算法能够有效地提高定位精度，降低定位误差。

参考文献：

[1] M K Bek， E M Shaheen， S A Elgamel. Analysis of the global position system acquisition process in the presence of interference[J]. IET Radar， Sonar & Navigation， 2016，10（5）： 850-861.

[2] Scherh?ufl M， Pichler M， Stelzer A. UHF RFID Localization Based on Evaluation of Backscattered Tag Signals[J]. IEEE Transactions on Instrumentation and Measurement， 2015，64（11）： 2889-2899.

[3] Khan M M， Tahir F A， Cheema H M. Frequency Band Utilization Enhancement For Chipless RFID Tag Through Place Value Encoding[C]//2016 IEEE International Symposium on Antennas and Propagation （APSURSI 2016）. Fajardo ， Puerto Rico， 2016： 1477-1478.

[4] X Liu， M Wen， G C Qin， et al. LANDMARC with improved k-nearest algorithm for RFID location system[C]//2016 2nd IEEE International Conference on Computer and Communications （ICCC）. Chengdu， 2016： 2569-2572.

[5] Dian Z， Kezhong L， Rui M. A precise RFID indoor localization system with sensor network assistance[J]. China Communications， 2015，12（4）： 13-22.

[6] Zhang X， Peng， Cao X. RFID Indoor Localization Algorithm Based on Dynamic Netting[C]//2010 International Conference on Computational and Information Sciences. Chengdu， 2010： 428-431.

[7] 張谦. UHF RFID系统应用性能关键技术研究[D]. 上海： 上海交通大学， 2015.

[8] Lu X， Wang L， Wang H， et al. Kalman filtering for delayed singular systems with multiplicative noise[J]. IEEE/CAA Journal of Automatica Sinica， 2016，3（1）： 51-58.

[9] Kulikov G Y， Kulikova M V. The Accurate Continuous-Discrete Extended Kalman Filter for Radar Tracking[J]. IEEE Transactions on Signal Processing， 2016，64（4）： 948-958.

[10] H Zhou guo， L Fang， Y Yi. An improved indoor UHF RFID localization method based on deviation correction[C]//2017 4th International Conference on Information Science and Control Engineering （ICISCE）. Changsha， 2017： 1401-1404.