基于Wi-Fi的室外人员定位系统的研究与设计

李佶骏 谭顺华

(西南科技大学信息工程学院 四川 绵阳 621000)

0 引 言

人员定位系统工作时，通过识别人员所携带的定位设备发出的信号，由具有收发信号功能的AP节点中转，利用相关定位算法实现人员定位。然而，室外环境无法保证部署足够的特定AP，同时存在各种环境障碍，极大地影响了定位精度。因此，研究一种室外人员定位系统是有必要的。

面对人员定位问题，Dumanli 等[1]提出了基于RBF神经网络的室内定位算法，通过改进聚类算法和LM算法，修改参考轨迹，动态迭代调整修正参数，实现了最优误差补偿；莫树培等[2]采用二分k-means聚类算法对采集的RSSI数据进行分类，建立离线指纹库，采用K近邻算法动态修正权重值，结合离线指纹库估算人员实时位置；Yoo[3]提出了基于Wi-Fi RSSI的室内定位算法，通过PCA和高斯过程将RSSI数据库重构为概率特征数据库，然后用KL散度作为度量标准来度量现有数据库和测试数据的相似性，估算人员位置。白璐等[4]提出通过引力搜索算法(GSA)进行数据的优化，提高定位精度；王维[5]提出了将Hadoop应用于人员定位系统中，利用并行计算的优势提高定位性能。但是，这些方法[6-14]大多停留在理论阶段，同时时间复杂度高，实验环境通常比较理想，障碍物较为单一，设备部署复杂。

本文针对室外环境中存在大量电线杆、树木、大楼等有遮挡的障碍物环境，基于Wi-Fi和智能手机搭建室外人员定位系统，优化RSSI测距算法，设计定位权重和修正参数并应用于人员定位算法中，通过150次重复实验证明算法在AP节点密集、RSSI较强的环境下的有效性。

1 人员定位原理与系统架构

基于Wi-Fi的室外人员定位系统主要由三部分组成，包括手机等智能设备、Wi-Fi无线网络和数据库服务器。智能设备读取MAC地址，通过IEEE802.11n协议，由Wi-Fi无线网络采集信息并发送到服务器，服务器通过人员定位算法实现人员精确定位与跟踪，并将结果显示到前端，实现人员定位可视化，如图1所示。

图1 系统架构

2 定位过程建模

数据库服务器对人员跟踪定位过程建模，在场景通道两侧每隔5 m分别部署能够收发信号的AP节点，当携带安装有定位App的智能设备的人员通过通道时，其身上智能设备所发出的信号将被与其最近的多个AP节点所捕获，如图2所示。

图2 定位环境设备部署

无论人员处于通道的哪个位置，都会有多个对应的AP节点对其进行定位跟踪，从而实现人员的精准定位，如图3所示。

图3 人员定位模型

3 本文定位算法

3.1 RSSI测距算法及优化

传统的RSSI测距算法为：

RSSI=A-10nlgd

(1)

式中：A为1 m处接收到的信号强度；n为环境衰减因子；d为距离。RSSI测距算法优化主要分为三个阶段：

阶段1在实际定位环境中，每个AP节点会收到大量的RSSI数据，对这些数据求平均值：

(2)

式中：n为RSSI数据测量次数。实践结果表明，随着n增大，定位精度有所提高，最终趋于稳定。

阶段2通过高斯滤波消除因噪声干扰信号造成的偏差较大的数据，去除小概率事件，然后求二次平均值，提高接收RSSI数据精度。高斯分布函数为：

(3)

式中：δ为标准差；μ为期望。

设定概率为0.6时发生干扰概率为高的强度值，即：

0.6

(4)

由此可得：

0.15δ+μ≤x≤3.09δ+μ

(5)

则强度值取值范围为[0.15δ+μ,3.09δ+μ]。

阶段3由于每个AP节点的发射功率不能保证相同，本文通过在式(1)中消除参数A和n，以此消除因发射功率不同带来的影响，从而提高RSSI测距精度。由图3和式(1)可知，AP节点A接收到其他AP节点B、C和待定位节点P的信号强度为：

RSSIB=AA-10nAlgdB

(6)

RSSIC=AA-10nAlgdC

(7)

RSSIP=AA-10nAlgdP

(8)

由式(6)、式(7)、式(8)可知：

(9)

阶段4经过高斯滤波处理，得到式(1)中A为-45.59 dBm，根据RSSI模型特征，取环境衰减因子n为3，将A和n代入式(1)，得：

RSSI=-45.59-30lgd

(10)

根据式(10)可以得到RSSI随距离d变化的曲线，如图4所示。

图4 RSSI与距离d的关系

对式(10)两边求导，可得：

(11)

式中:|RSSI′|表示节点间距离为d时RSSI的变化率。

当d∈[0.1,4.0]时，|RSSI′|∈[3.26,130.30],由RSSI测距原理可知，当|RSSI′|>3时，得到的测距结果更为准确；当d∈(4,+∞)时，|RSSI′|<3，RSSI变化不再明显，无法满足测距的要求。因此，当RSSI∈[-64.65,-35.59]时，测量精度取得较大值，满足实际情况。

3.2 加权质心定位算法

传统的基于RSSI的质心定位算法是一种与锚节点之间距离无关的定位算法，通过锚节点之间的公共覆盖区域实现估计定位，多边形的质心即为未知节点的估计坐标。如图3所示，由质心定位算法可知，未知节点P的坐标为：

(12)

式中：E(x1,y1)、F(x2,y2)、G(x3,y3)为锚节点A、B、C覆盖区域内侧三角形的三个顶点。

针对上述算法精度不高的问题，有学者提出了加权的优化算法，其中常见的优化算法是以未知节点到锚节点的距离的倒数为权，数学表达式为：

(13)

式中：dA、dB、dC为未知节点P到锚节点A、B、C的距离。

以单一锚节点的距离为权虽然提高了定位精度，但是效果并不明显，有文献提出多边形顶点由两边距离值决定，根据这个思想提出的算法数学表达式为：

(14)

该算法中的权值以两边距离值较大的一边为主导，与距离越大影响越小的定位思想不符。

3.3 改进的人员定位算法

针对上述的问题，本文设计一种改进的人员定位算法。

多个锚节点对待测节点的权值应以距离值较小的一侧为主导，减少距离值较大的一侧的影响比重，可表示为：

(15)

考虑到待测节点周围的定位锚节点分布密度不同，环境障碍物等影响程度存在差异，选取固定数量的锚节点进行定位的思想倾向于理论化，算法根据待测节点的位置，参考特定阈值，灵活地选取合适的锚节点，动态调整其对应的权重比例，更符合实际情况。

设K个锚节点的位置坐标为(x1,y1),(x2,y2),…,(xK,yK)，与待测节点P的信号距离为d1,d2,…,dK。第i个锚节点的权值由近邻m个锚节点决定，应为：

(16)

(17)

同时，引入修正系数n，调节各锚节点之间距离值所占比重，得到权值ωi为：

(18)

求得待测节点P(x,y)坐标为：

(19)

4 测试结果与分析

为验证算法的精确度，在某施工高铁站进行现场测试，如图5所示。

图5 某高铁站测试现场

实验在100 m×100 m现场环境下，选取穿透性较强的2.4 GHz频率段，设置120个定位锚节点，分别在有无障碍物的环境下对传统算法、优化加权算法和本文改进算法进行150次重复测试，得到如图6、表1、图7、表2、图8、图9、表3、图10、表4、图11所示的结果。

图6 无障碍物环境人员定位

表1 三种算法在无障碍物环境下的定位误差

图7 三种算法在无障碍物环境下的定位误差

表2 本文算法在无障碍物环境下的多次测试误差平均值、中位数、方差

图8 本文算法在无障碍环境下的误差方差

图9 有障碍物环境人员定位

表3 三种算法在有障碍物环境下的定位误差

图10 三种算法在有障碍环境下的定位误差

表4 本文算法在有障碍物环境下的多次测试误差平均值、中位数、方差

图11 本文算法在有障碍环境下的误差方差

由图7和图10可以看出，本文改进算法误差更低，平均误差在3 m以内，比加权定位算法定位精度提升了24.9%。由图8和图11可以看出，算法方差不超过0.35，具有很强的稳定性。另外，当待测节点处于场景边缘时，误差较小，当处于场景中央时，误差较大，这是由于锚节点大都部署在环境边缘所导致的。

5 结 语

针对室外人员定位精度不够理想的问题，本文研究一种基于Wi-Fi的室外人员定位系统。首先，利用现有的企业级Wi-Fi和人员携带的智能设备搭建系统硬件平台；其次，使用K点定位法建立人员定位模型；然后，介绍并优化RSSI测距算法，介绍传统定位算法及其优化思想，提出改进的定位算法；最后通过实验验证了本文算法的效率和稳定性。实验表明，该算法适用于接收信号强度大于-64.65 dBm的场景，如商场、学校、医院等，能够很好地完成室外人员定位任务。