一种改进的WIFI位置指纹室内定位算法

2021-07-01谢世成余学祥赵佳星童子良

合肥工业大学学报（自然科学版） 2021年6期

谢世成,余学祥,赵佳星,汪涛,童子良

(1.安徽理工大学空间信息与测绘工程学院,安徽淮南 232001; 2.安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室,安徽淮南 232001; 3.安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心,安徽淮南 232001)

随着移动智群感知技术与物联网技术的发展,人们对于位置信息的需求日益迫切[1]。室外环境下,全球导航卫星系统(global navigation satellite system,GNSS)凭借其出色的表现,满足各种位置服务的需求。但是对于建筑物内或大型遮蔽场所内的导航定位，由于卫星信号被遮挡而不具有持续的精确位置测算能力[2]。相对于室外,室内环境中信号传播的多径和阴影效应等因素导致定位难度更大。由于人类大部分活动都处于室内环境,实现精确的室内定位,既有技术需求，同时也有十分重要的现实意义[3]。目前主要的室内定位技术有基于WIFI、低功耗蓝牙[4]、射频识别[5]、超宽带[6]、ZigBee[7]、超声波[8]、视觉[9]等,随着无线局域网(wireless local area networks,WLAN)技术的发展,基于WIFI的位置指纹定位逐渐成为主流技术。该技术主要包含离线采集和在线定位2个阶段[10]。离线阶段通过接收端接收的接收信号强度(received signal strength,RSS)构造与参考点之间的一一映射关系;在线阶段,待定位点通过RSS匹配算法实现位置估计,在WIFI覆盖率足够高的情况下,仅通过软件即可实现定位,避免了硬件成本的增加,具有低成本、高精度等优点。

确定待定位点的位置是位置指纹定位方法最关键的一步,即通过实时接收的信号强度与数据库进行匹配,找出相似度最高的若干个数据。目前,典型的匹配算法主要有最近邻法、核函数法、最大似然概率法、神经网络法、朴素贝叶斯法、支持向量回归法等[11]。最近邻算法(K-nearest neighbor,KNN)作为最基本的匹配算法,最先应用在微软的RADAR[12]系统,但是其存在定位精度不高且系统稳定性差等缺点。人们在此基础上提出了加权K最近邻(weightedK-nearest neighbor,WKNN)算法。相比KNN算法,WKNN算法通过赋予权重选择K值,能够提高边缘位置点的定位精度,因而成为目前最常用的匹配算法。

本文针对室内环境对接入点信号强度造成干扰的情况,采用基于方差修正距离的加权KNN匹配算法。根据参考点RSS的均值和方差信息,重新定义了欧式距离,通过对不同误差的信号强度值进行不同幅度的修正,使计算的欧式距离更加准确,从而可以更准确地选择K值进行定位。

1 位置指纹定位原理

基于WIFI信号强度的位置指纹定位算法主要原理[13]是:离线阶段,将定位区域离散化,在每个离散点(参考点)采集RSS信息,提取其特征向量作为唯一的指纹信息,并与实际物理位置一一对应,存入数据库;定位时,通过匹配算法找到数据库中与待定位点RSS特征相似度最高的点进行位置估计。

离线阶段主要工作分为两步:

(1) 在定位区域选取适当数量的参考点,然后在每个参考点采集来自不同访问接入点(access point,AP)的信号强度。

(2) 对采集的原始数据进行离群值剔除、滤波等预处理,提取处理后的数据特征作为指纹信息,并与参考点的位置关联,存入数据库。

设R为指纹数据库的集合,结构如下:

(1)

(2)

PFDB=[Loc,R]

(3)

在线阶段,在定位区域随机采集信号强度,预处理后利用匹配算法计算采集的数据与数据库中数据的相似性,选取相似度高的信号强度所对应的位置,将其赋予该点。具体流程如图1所示。

图1 位置指纹定位流程

实时定位阶段目前常采用加权K最近邻算法匹配位置。通常来说,就是通过移动终端实时采集信号强度组成RSS向量,计算指纹库中对应RSS向量的相似度,选择K个相似度高的向量对应的参考点,进行加权平均得到待定位点的估计位置。

(4)

2 基于方差修正距离的WKNN算法

加权K最近邻算法中,通常使用欧式距离衡量2个信号强度向量之间的相似性[14],将欧式距离的倒数作为权值代入后面的计算。由于室内环境中障碍物遮挡、人员流动、多径效应等复杂环境的影响,采样点上采集到的RSS会有一定程度的波动,使得计算的欧式距离并不准确。因此本文采用了一种基于方差的WKNN匹配算法对欧式距离进行修正。

2.1 传统欧式距离

离线采集阶段,定位区域中某一参考点j接收到的N个AP的信号强度值为:

(5)

则定位点i与参考点j的欧式距离Dij为:

(6)

虽然欧式距离能够直观反映同一空间中2种信号强度的差异性,但是信号强度的变化不仅仅受定位点物理位置的影响,信号自身的波动也会导致欧式距离的改变。

2.2 方差加权欧式距离

针对欧氏距离受RSS波动影响的问题,对(6)式改进得到:

(7)

其中,dk为针对每个AP信号值的改正权值,通过赋予测量准确的信号较大的权值,使得计算的欧式距离更加准确。然而仅通过测量值并不能得到误差,因此在建库阶段根据每个AP采集的RSS值计算误差信息,将其作为标准与定位阶段采集的RSS值对比,从而计算测量误差。文献[15]通过实验发现,距离AP越近,信号强度值越大,信号波动的概率越小;距离AP越远,信号强度值越小,波动概率越大,同时信号强度的方差也较大;信号强度的方差与均值之间存在如下线性关系:

Var=aMean+b

(8)

建库阶段利用采集的信号强度值的方差和均值计算每个AP的a、b,其中a和b是线性函数的参数，并与参考点位置一起存入数据库,离线阶段将实时采集的RSS均值代入(9)式,计算近似方差值。通过上面的分析可知,数据的方差越小,表明此时的信号越稳定,可靠性越高。在计算欧式距离时应该赋予较大的权重,因此利用方差的倒数作为实时测量值的权重,即

(9)

2.3 改进WKNN算法流程

在线阶段，在参考点处采集各个AP的信号强度值,经过卡尔曼滤波后计算均值和方差,并与该点位置一起存入数据库;利用实时采集的RSS均值计算每个AP的近似方差,同时根据每个AP的修正权重对欧式距离进行改正;最后按照K-最近邻算法确定待定位点的估计位置。改进的WKNN算法流程如图2所示。

图2 改进的WKNN算法流程

3 实验验证与分析

3.1 实验环境

实验选取安徽理工大学测绘学院南103实验室为测试环境,实验区域大小约为9 m×9 m,定位区域平面图如图3所示。

图3 定位区域平面图

在房间4个角分别部署4个AP,以1 m为间隔,布设100个参考点。在每个参考点采集100次数据,经过卡尔曼滤波后,计算RSS的均值和方差,与参考点位置一起存入数据库。实时定位阶段,在定位区域选取24个点,每个点采集10次数据,经过处理后计算定位点位置。

为了验证本文提出的WKNN算法的可行性和有效性,利用同一组数据分别使用普通加权K最近邻算法、K最近邻算法和K-means-EWKNN计算待定点位置,对比最终的定位结果。

3.2 数据预处理

WIFI接收信号强度属于链路层信息,易受多径传播、人体吸收、阴影效应等因素的影响[16]。本文对所采集信号强度的特征进行分析,采用卡尔曼滤波方法进行降噪。

以定位区域内某一AP为例,采集500次数据进行统计分析,可以看出RSS易受环境干扰,波动较大,同时存在少量离群值。针对这种问题,本文首先使用3σ检测法剔除离群值,然后利用卡尔曼滤波对数据进行降噪,结果表明卡尔曼滤波对信号起到良好的平滑作用。

图4 卡尔曼滤波结果

3.3 结果与分析

本文采用定位误差,累计误差概率分布和平均定位误差,评价4种方法的定位精度，结果如图5、图6所示。

图5 定位误差

图6 累计误差概率分布

4种定位方法误差对比见表4所列。

从图5、图6、表1可见,改进的WKNN算法在面对RSS信号非线性波动时,具有良好的稳定性,能够减小定位误差,提高定位精度。改进的WKNN算法的平均定位精度为1.248 m,相比普通WKNN算法精度提升了20.3%,相比KNN算法精度提升1倍左右。对比最新的位置指纹算法,改进的WKNN算法整体性能优秀,虽然个别点的定位精度落后于K-means-EWKNN算法,但是改进的WKNN算法具有定位时间短、误差波动小等优势。