一种基于RSSI和TOF的优化混合测距方法

敬振宇, 熊兴中

(四川轻化工大学自动化与信息工程学院, 四川自贡643000)

引言

随着矿井自动化、信息化建设的不断深入，矿井行业对井下人员/机车等目标的定位管理要求越来越高，而采用传统区域定位方法的矿井人员定位系统已经难以满足矿井建设的需要[1]。与区域定位只能定位一个大的位置范围不同，精确定位能将井下目标准确定位到具体范围，能直观展现井下目标的确切位置，对矿井安全生产具有重要意义。因此从长远角度讲，在人员定位系统中，精确定位是发展的趋势。

精确定位的前提条件是精准测距[2]，当前的研究也主要集中在基于测距方式的定位算法上面[3]。目前测距方式主要有飞行时间(Time of Flight，TOF)、到达时间差(Time Difference of Arrival，TDOA)、接收信号强度(Received Signal Strength Indicator，RSSI)、到达角度(Angle of Arrival， AOA)等[4]。由于电磁波在井下传输中存在明显的多径原因，到达角度(AOA)技术暂不具备实际应用条件[5]，在此不做具体分析。到达时间差(TDOA)技术实现测距需要多个定位节点协同工作，由于能源、带宽和网络寿命的限制，以及需庞大数目的定位节点参与定位，因此不能很好地改善定位性能，还会增加系统的复杂性和消耗[4]。基于RSSI的测距方式已被众多研究证明具有实际应用的基础，但由于环境问题，RSSI在应用中仍旧存在诸多问题，如：因其远距离分辨率低而无法应用于远距离测距，另外易受实际环境影响、测距误差较大[6]。飞行时间(TOF)作为当前测距最准确的技术之一[7]，研究其测距特性对提升矿井定位精度有着较大的实际意义。但由于TOF本身特性[8]，它在近距离的测距时误差较大，基本上都在8 m以上[9]。综上所述，在多变的环境中，这些单一的测距手段已不再适用，使得测距技术的融合应用已成为无线测距技术发展的趋势。

为了满足在不同距离段对测距的需求，且保证测距的精度和稳定性，综合考虑到RSSI测距在近距离段和TOF测距在远距离段有良好的测距性能，本文在研究TOF和RSSI测距技术的基础上，针对实际环境中TOF近距离的测距误差比较大的问题，提出了采用RSSI和TOF融合的优化测距方法，以减少测距误差，提高稳定度，满足实际需求。

1 TOF和RSSI测距

1.1 TOF测距特性

TOF方式是在已知信号传播速度的前提下, 通过信号在节点之间传输的时间来达到测距目的[10]，其测距原理如图1 所示。其测距公式为：

dTOF=c*tTOF

(1)

tTOF=((tAA-tAB)-(tBB-tBA))/2

(2)

其中：tAA和tAB分别代表当前设备A节点发和收的时间；tBB和tBA分别代表当前设备B节点发和收的时间；c为光速(3×108m/s)。

图1 TOF测距原理

图2 TOF测距性能

此时，在0 m～30 m区间内使用TOF测距，测得的数据值和实际值误差较大，部分点测距误差能够达到10 m以上，无法满足测距要求。因此需要进行测距校正使测距精度符合要求才能进行定位。

1.2 近距离RSSI测距特性

接收信号强度指示(RSSI)的测距定位技术对硬件的要求低、功耗小，且不需要时间同步，具有容易实现等优点，在实际中得到了广泛的应用。

在定位理论中，RSSI测距定位技术是通过发射点和接收点之间的信号强度值来估计两点之间的传播损耗，再根据经验模型和相关理论知识将发射节点和接收节点之间的传输损耗转换为两点之间的距离，最后根据相应的算法推算出未知节点的位置，现在普遍使用的理论模型是[11]：

(3)

其中：d为接收端和发送端两点间的距离；d0是一个参照距离，一般取1 m；PL(d0)是距离发送点d0处位置的接收信号功率；X是一个均值为0的高斯随机变量，代表着当距离一定时接收信号功率的变化情况；n为路径损耗指数，与矿井中的实际环境有关。

在实际环境中，通常采用理论模型与实际相结合的方法得到偏重实际的模型[12]：

RSSI=-(10nlgd+A)

(4)

其中：射频参数A被定义为用dBm(分贝毫瓦：指代功率的绝对值)表示的距离发射器 1 m 接收到的平均能量绝对值，也就是距发射节点 1 m 处的接收信号强度；n为信号传输常数，与信号传输环境有关；d为距发射节点的距离。其中A和n都与实际环境有关。

根据式(4)的实际模型(A=37，n=1.6)为例说明RSSI的测距特性，其测距分辩率如图3 所示。

图3 RSSI测距分辨率

从图3 可知，RSSI在近距离测试中，0 m～30 m时其RSSI降低了26 dB，测距分辨率最高，能够达1.15 m/dB，在30 m～100 m时RSSI降低了10 dB，测距分辨较高，此范围内达到7 m/dB[13]，在100 m～500 m区间，RSSI降低了10 dB，此时的测距分辨率为40 m/dB，无法满足测距要求。因此在实际应用中，由于RSSI的测距分辨率问题，使其在几十米级之内应用能够实现稳定测距，但超过这个距离就无法实现稳定测距。

综合考虑到RSSI测距在近距离段的良好测距性能和TOF测距在近距离段测距误差较大的情况，为了满足在近距离段对测距的需求，采用RSSI和TOF的融合测距方式来减少测距误差。

2 TOF和RSSI融合测距

由前面分析可知，TOF在近距离测距时，误差较大，无法用于定位算法中，而此时RSSI的测距精度较高，在几十米级的范围内定位误差都相对较小。综合考虑两种测距方式的特性，本文采用RSSI和TOF融合的优化测距方法来实现高精度的人员定位需求。

2.1 RSSI测距优化

在近距离实际测试中由于环境的影响，导致了RSSI和距离并不是严格意义上的一一对应的情形，而是一对多的情况[14]，即一个RSSI可能同时对应了几个距离值，而这几个距离值可能相隔较远，而且由于没有对接收到的RSSI进行筛选，导致可能收到的突变RSSI也被转化为距离值，与实际测量情况偏差非常大。

在实际环境中，多径干扰、障碍物遮挡等都会对RSSI造成明显的影响，使得在某点接收到的RSSI值会在一定范围内变化，如图4 所示。对于RSSI在实际测量中的多变和一对多特性，需要对测得的RSSI值进行优化后才可用于测距，否则会导致测距误差较大，无法实现准确测距。为此，本文提出优化指纹库和EWKNN(动态权重KNN)的方式来提升测距精度。

图4 RSSI波动范围

2.1.1 优化指纹库

指纹库(即位置指纹)原理为：RSSI值与位置点的匹配具有唯一性，利用在每一个参考点上采集到的来自节点的信号强度，依据当前节点信号强度与当前位置点处的一一对应来反映当前位置信息。指纹定位大致有两个步骤：(1)得到指纹库；(2)比对得到的信息。指纹库是通过训练得到的，即通过在实际环境中测量特定点对应的信号强度，并将其记录在指纹库中。特定点的密度和位置由操作者自己选定，密度越大，理论上精度越高。之后得到的RSSI值和指纹库中的RSSI值进行匹配，得到当前的位置信息。

某点的RSSI取值是多变的(图4 )，因此采用高斯算法对指纹库中RSSI在某点的测量值进行优化，以减小误差。高斯模型的实现是选取系统中发生在高概率区的测量值，然后再取其统计平均值，这样可以避免测距过程中一些因小概率事件导致的较大误差值参与最优值的计算，从而提高系统的测距精度。在使用指纹库方式对RSSI进行测距时，采用高斯算法先对指纹库进行数据处理[15]，滤除掉干扰数据，其公式为：

RSSI～N(μ,σ)

(5)

(6)

(7)

(8)

(9)

本文选择的高斯滤波阈值为95%，即保证在某一点接收概率达到95%的RSSI被选中[16]，此时可保证最大限度地滤除掉误差值。此时RSSI的取值范围为：

RSSI∈(-1.5σ+μ,1.5σ+μ)

(10)

高斯滤波前后的指纹库如图5 所示。

图5 高斯滤波指纹库

从图5 可知，由于加入了高斯滤波，滤除了在测量值中出现频率极低的几个点，这些点的频率都在0.02左右，是属于出现概率极低的RSSI，使得此时的RSSI更为稳定。将高斯滤波后的RSSI值放入指纹库中，能够在一定程度上降低误差，使得定位的距离数据更加准确

2.1.2EWKNN方式

在实际中，通过指纹库匹配出的位置信息可能不止一个，因此，在指纹位置定位中，常用到WKNN方式处理该问题。WKNN算法是在KNN算法的基础上考虑了每一个匹配点对定位节点的贡献程度，由于每一个匹配点的欧式距离有大有小，因此可以通过欧式距离来衡量当前已知位置对定位节点的贡献程度。若当前的欧氏距离越小，则认为对最终定位节点的坐标信息的贡献程度越大，所以用某一匹配点欧式距离在所有匹配点中的欧式距离的占比来衡量最终的待定位节点的坐标信息。但此时WKNN中的k值是固定的[17]，无法针对不同环境进行动态改变，由此造成的结果是无法在所有位置处优化测距结果。而采用EWKNN方式即可解决此问题，针对不同环境的EWKNN方式可动态自选k值，从而减小测距误差。具体步骤如下：

(1) 匹配指纹库中当前接收RSSI的距离，并计算当前所有匹配距离的欧式距离di，将其从小到大排序，最小的为d1。

(11)

(3) 采用WKNN方式估计最终的测距距离。

经过优化，RSSI的测距结果如图6 所示。

图6 RSSI测距性能

2.2 数据融合

文献[18]提出的数据融合处理方式，存在方式简单且对不同环境的适应性较差的问题。鉴于此，本文提出了一种新的数据融合方法为：

(1) 根据实际情况建立一个最小阈值dmin。鉴于TOF测距在近距离中误差较大，对其测得的距离dTOF约定：如果dTOF和dRSSI都小于dmin，那么给予dTOF的权重为0。

(2) 根据实际情况建立一个最大阈值dmax。由于RSSI的准确性随着距离的提升会迅速下降，若dTOF和dRSSI都大于dmax，那么给予dRSSI的权重为0.

(3) 在dRSSI和dTOF位于[dmin,dmax]时，依据图3 所示的RSSI测距分辨率迅速下降的情况，dRSSI的权重也是随着距离增加而减小的，此时权值表示为：

(12)

3 仿真及分析

在一栋建筑物楼道进行仿真测试。该楼道长约50 m，测试长度为30 m。采用郑州芯力波通公司设计的LoRa模块进行实地测试，该模块能够同时进行TOF和RSSI测量。取得实测值数据，将其录入Matlab中，并和文献[18]的数据融合处理结果进行比对，结果如图7 所示。

图7 融合测距对比分析图

从图7 可知，通过对RSSI和TOF融合测距优化后，有效地减轻了TOF在近处的测距误差较大的问题，比文献[18]提出的数据融合法的最大误差减小了4 m左右，平均误差减小了约2.3 m。结果表明，通过融合测距并对测距数据融合后，有效地减小了测距误差，使得测距误差被降低在3 m范围内，比单一利用TOF或者RSSI测距的性能有明显提升。该法低于实际商用中对近距离测距5 m的要求[19]，因此能够在定位算法中有效使用并实现精确定位。

4 结束语

针对TOF测距方式在近距离范围内误差较大,影响实际使用的问题，提出了采用了RSSI和TOF融合测距的优化方法。针对融合测距中数据权重的问题，提出了自适应权重的数据融合方法。该法综合考虑TOF在远端测距较为准确和RSSI在近处测距较为准确的特性，将两者融合后进行测距。实验表明，优化融合测距方法比单一测距方法具有更高的测距精度，特别适用于精度要求较高的复杂环境中。