基于无线射频识别技术的矿工定位算法研究

方跃春 王 洪

(1.长沙民政职业技术学院电子信息工程学院,湖南 长沙 410004;2.湖南师范大学工程与设计学院,湖南 长沙 410081)

近年来,矿业生产中人员安全事故频繁发生,为保障矿工安全,有必要精准了解矿工在矿区内的活动轨迹和行为[1-3]。传统的定位技术主要包括全球定位系统(GPS)和惯性导航系统,但在矿山环境中,受限于信号遮挡、信噪比低等因素,无法满足实际需求。

近年来,不少学者开展了相关研究。洪飞[4]研发了一种适用于煤矿生产活动的智能监控系统。该系统能够对采矿过程进行智能监控,一旦出现瓦斯泄漏或水害等危险情况,则会及时向矿工和管理人员发出报警信息。此外,该系统还可以利用路由表查询每个路由器节点所管理的子节点,从而较为准确地确定矿工位置。基于矿工定位服务,矿山生产管理员可以实时查看矿山生产状态,并以此制定更为合适的救援方案拯救矿工。梁庆杰[5]研发了一种异构多核嵌入式控制系统,主控制器采用S3C2440,从控制器采用DSP F2812。该系统考虑到环境感知和“W”形摇臂式履带行走机构的控制需求,采用高性价比的主、从控制系统,在嵌入式Linux 内核上高效处理从控制器监测的语音、视频、距离和障碍等信号,适合于在事故矿井中使用。

传统的矿工定位算法主要采用基于传感器、图像处理等技术,存在以下不足:① 需要在矿山内安装专门的设备和传感器,实现难度较大;② 通常只适用于某些特殊的场景和矿区范围内定位,无法满足更广泛的位置数据收集和监视需求;③ 受限于环境因素如光照、天气等因素,且信号容易受到多路径效应干扰,定位精度不高,容易出现误差;④ 需要大量的硬件设备和专业人员维护,难以实现高效、低成本的矿工定位;⑤ 在进行视频监控或人员定位时,实质上涉及了矿工的位置、工作情况等隐私信息保护问题,如何保证数据安全和个人隐私信息被科学地使用,需引起重视[6-8]。

随着无线射频识别技术不断发展,基于无线射频识别技术的矿工定位成为一种新的解决方案。该技术通过对射频信号的接收和处理,确定物体的位置并向用户提供准确信息。与传统技术相比,无线射频技术具有设备简单、复杂环境下工作可靠、系统构建成本低等优点[9-11]。具体来说,该技术可以对矿工进行精确定位,实现室内定位的精度可以达到厘米级,从而更好地监控矿工的位置和行为,提高矿工的安全性。该技术还可以收集大量的数据,并对这些数据进行分析和挖掘,更好地了解矿工的行为和状态,提高矿山管理水平[12]。然而,由于无线射频信号在矿井中可能会受到各种因素干扰,例如多径效应和随机噪声等,会在一定程度上使得定位精度和鲁棒性下降。因此,提高基于无线射频识别技术的矿工定位精度和稳定性显得尤为重要[13-15]。

本研究针对基于无线射频识别技术的矿工定位问题进行分析,提出一种改进的定位算法。该算法采用信号强度值(RSSI)指标建立定位模型,并结合Log-Normal 信号传播模型和卡尔曼滤波算法处理信号,从而提高定位的精度和鲁棒性。同时,设计一种基于K-Means 聚类算法的参考点优化方法,以选择最佳的参考点,提升定位的准确性和稳定性。

1 算法原理

1.1 算法基本特点

基于无线射频识别技术的矿工定位算法研究的基本理念是通过在矿山内部部署多个电子设备和信号接收器,实现对矿工位置的实时准确检测。主要特点如下:

(1)无线射频技术。利用无线射频技术,通过天线收集由标签发送出的RSSI,而后根据其信号强度值计算矿工所处的位置信息。

(2)多点定位。通过设置多个参考节点和测试点,形成较为完整的信号网络,在需要定位的节点上安装无线射频标签,可以提高定位的精度和鲁棒性。

(3)实时性和可扩展性。基于无线射频技术的矿工定位算法可以实时监测矿工位置信息,随时更新数据,并且具有良好的可扩展性,可以根据需要便捷地添加或移除参考节点。

(4)低成本。相比传统技术,基于无线射频识别技术的矿工定位算法采用的硬件设备相对简单且易于安装,同时无须经常维护,因而大大降低了硬件成本。

1.2 基于RSSI 的矿工定位信号优化

在无线射频识别技术中,每个设备都有一个唯一的ID,在矿山中部署多个接收器可以通过硬件设备获取每个设备发送的RSSI[16]。RSSI是一种表示接收到信号强度的非负整数,通常将它转换成负的分贝单位(dBm),以便更直观地获悉信号的强度和损失。这些RSSI值可以通过网络协议传递和集成到应用程序中。在空中传播的电磁波随着距离的增加而衰减,这种衰减会影响到接收的RSSI。根据预先获取的RSSI数据生成RSSI模板,然后将接收的RSSI数据与设备之间预先确定的RSSI模板进行比较,从而获得定位信息。不同的模板匹配算法会采用不同的比较策略对RSSI值进行匹配,以实现最精确的位置估计。因此,可将RSSI作为估计两个设备之间距离的指标,从而确定矿工位置。

Log-Normal 模型是一种经典的无线电信号传输模型,描述了射频信号在传输过程中的衰减效应[17]。在该模型中,为了量化信号衰减,一般引入衰减因子n表示信号以指数方式随着距离增加而衰减,并假设无线信号损失服从高斯分布,可以将信号功率的平均损失描述为

式中,PL(d)表示距离为d时信号的平均功率损失;PL(d0)为参考距离d0处的信号平均功率损失;n为路径损耗指数;ε为由标准正态分布随机变量表示的噪声。

在实际矿工定位实践中,通常取d0=1 m,ε=0,从而得到实际的RSSI测距公式为

式中,A为距离信号发射源 1 m 处的信号强度平均值的绝对值;n′为环境参数,且与信号传播环境有关;A和n′为待定参数。

卡尔曼滤波算法通过不断地校正预测值和观测值之间的误差来估计矿工位置[18],包括两个基本步骤:预测和更新。预测步骤利用当前状态与外部输入信息来预测下一步状态,同时伴随着不确定度增加;更新步骤通过采集新的观测数据对预测值进行修正,并按照新的状态及其不确定度完成后验估计。卡尔曼滤波算法可通过以下几步完成。

RSSI预估值可表示为

式中,RSSIk-1为k-1 时刻的最佳估值;RSSI′[k/(k-1)]为k时刻的RSSI预估值。

矿工定位预估误差的协方差P可表示为

式中,P[k/(k-1)]是RSSI′[k/(k-1)]对应的协方差;Pk-1为RSSIk-1对应的协方差;Q为RSSI的过程噪声协方差。

k时刻的卡尔曼增益K可表示为

式中,R为RSSI系统的测量噪声协方差。

k时刻RSSI的最优估值可表示为

因此,k时刻的误差协方差可表示为

在矿工定位应用中,卡尔曼滤波算法可以将RSSI数据作为观测值,以Log-Normal 模型计算出的预测值作为先验估计,利用卡尔曼滤波器实现对矿工位置状态的估测,进而实现准确监测和定位。本研究基于RSSI的矿工定位信号优化算法流程如图1所示。

图1 基于RSSI 的矿工定位信号优化算法流程Fig.1 Mine location signal optimization algorithm flow based on RSSI

1.3 基于K-Means 聚类的参考点优化

K-Means 聚类算法是一种经典的聚类算法,用于将观测数据分成不同的簇。在矿工定位领域中,KMeans 聚类算法也可以用来优化参考点选择[19-21]。假设有一个包含m个观测数据x1,x2,…,xm的集合,其中每个观测数据xi表示位置信息和对应的信号强度值等特征信息。需要从中选择l个参考点y1,y2,…,yl作为数据库中的参考点,并通过这些参考点来估计矿工的位置信息。K-Means 聚类算法的目标是将所有观测数据划分成l个非重叠的簇,使得同一簇内的观测数据彼此相似,而不同簇之间的观测数据差异较大。在聚类过程中,首先随机选择l个参考点,而后将每个观测数据分配到距其最近的参考点所在的簇中;通过重新计算每个簇内部的平均值来更新参考点位置,以使得该簇内部的每个观测数据到该参考点的距离最小化;再次将所有观测数据分配到更新后最近的参考点所在的簇中,而后重新计算参考点位置,迭代上述过程直至达到收敛条件。

基于用K-Means 聚类算法优化参考点选择方法的基本步骤如下:

(1)随机选择l个参考点y1,y2,…,yl。

(2)将所有观测数据分配到距离其最近的参考点所在的簇中,并根据每个簇内部的平均值计算出该簇内的新参考点位置y′i。

(3)利用上述K-Means 聚类结果,计算簇之间的相似度,选择其中最不相似(即样本间距离最大)的簇将其作为坏点簇。

(4)在坏点簇中随机选择一个观测数据xi,将其作为新的参考点yj,重新计算簇内平均值并迭代更新所有参考点的位置。

(5)重复步骤(2)至步骤(4),直到算法收敛或达到预定迭代次数后停止。

通过上述方法,可以利用K-Means 聚类算法选择合适的参考点,同时避免坏点干扰。该方法可以大幅度降低参考点选择难度,在减少计算时间的同时,保证矿工定位的准确性和鲁棒性。

2 试验分析

2.1 试验设置

(1)试验场地。选择典型的矿山工作场景,建立适当规模的试验场地,在场地内设置多个参考节点和测试点,保证试验条件的可控性和真实性。

(2)测试节点。多个测试节点应布置在不同区域,以获取较为全面的信号数据,同时避免在一个特定区域过于聚集导致结果出现偏差。测试节点应固定位置,并安装好无线射频标签或设备,用于信号采集和数据传输。

(3)参考节点。多个参考节点应均匀分布在试验场地内,其位置应提前记录,形成参考点数据库,用于处理RSSI,并确定矿工的具体位置。

(4)测试方案。为了验证算法效果,可以制定不同的测试方案和测试方法,如测试矿工移动轨迹、矿工数量和密度等,针对各种可能发生的情况进行测试和对比分析。

(5)数据采集。使用专业的数据采集设备,测量无线射频标签的RSSI,使用距离测量、数据滤波等方法进行预处理,并建立参考点数据库。

(6)试验分析。利用采集的信号数据,并根据具体算法模型计算矿工的精确位置,在特定时间段内记录定位误差与定位精度、鲁棒性等参数对算法进行分析与评估。

2.2 试验结果

利用 MATLAB 仿真软件,通过模拟RSSI信号在距离为14 m 时的对数损耗模型并引入少量大干扰信息,得到了50 次测量值。这些测量值使用滑动平均滤波、卡尔曼滤波和本研究算法进行处理,并将每次得到的结果取平均,得到了滤波后的平均RSSI值。滑动平均滤波是一种简单有效的滤波算法,其基本原理是利用一个窗口大小为N的移动窗口对数据进行滤波,每次将窗口中最旧样本移除并添加最新样本。该算法能够有效地平滑原始信号,并去除一部分噪声。但是,滑动平均滤波在处理非理想信号时容易产生较大误差,而且对于信号波动较大的情况无法有效地抑制噪声。卡尔曼滤波是一种广泛应用于底层控制系统中的估计算法,通过不断对比实际测量值和预测值之间的差异,对测量数据进行随时调整以达到更加准确的估计结果。相对于滑动平均滤波,卡尔曼滤波具有良好的适应性和追踪性能,但是该方法也需要更多的计算资源,因此实现较为复杂。当信号噪声本身的方差较小且能够被完全建模时,卡尔曼滤波常常能够获得更高的滤波效果。对数据各仿真50 次,取平均RSSI值,结果如图2所示。针对每次试验结果,计算了平均距离误差。测量平均误差为2.14 m,滑动平均滤波的平均误差为1.83 m,卡尔曼滤波算法的平均误差为1.36 m,本研究算法的平均误差为0.83 m。在采用本研究算法进行滤波后,信号质量有较大幅度提高,矿工定位精度也得到了明显提升。

图2 不同算法RSSI 信号滤波值对比Fig.2 Comparison of RSSI signal filtering values of different algorithms

在矿工定位中,常见的定位算法包括指纹定位算法、距离测量算法、视觉定位算法、传感器融合算法。其中,指纹定位算法是一种基于已有标记点位置和对应RSSI信号值建立指纹库的方法,利用指纹库来估计未知位置的矿工位置信息。距离测量算法是一种基于可靠距离测量技术计算矿工位置的方法,如GPS、超声波、光纤陀螺仪等,但由于受到室内环境复杂、信号衰减等因素影响,其精度受到一定限制。视觉定位算法是一种基于数字图像处理技术获取矿工位置信息的方法,如单目、双目或多目摄像机、深度相机等,但由于其受到光线、遮挡、角度等因素影响,需要针对不同场景进行优化。传感器融合算法是指通过将多种感知信息进行综合分析和加权计算,得到更准确和可靠的位置估计结果,但需要针对不同的环境进行调整、校正和优化,同时会增加硬件成本和复杂度。本研究方法结合了RSSI定位和卡尔曼滤波算法,利用RSSI信号和接收设备之间的距离关系,采用卡尔曼滤波进行预测和更新,从而实现矿工定位。本研究对该类算法的矿工定位误差进行了对比分析,结果如图3所示。由图3 可知:本研究算法平均距离误差仅为0.72,具有简单易实现、适用性强、具有一定的容错性等优点。

图3 不同算法矿工定位结果误差对比Fig.3 Error comparison of miner positioning results by different algorithms

基于K-Means 聚类算法的矿工定位参考点优化是一种应用于煤矿等地下矿井中的矿工定位方法。该方法通过选择适合矿井环境的各个节点作为参考点,使用射频信号强度三角测量技术对矿工位置进行定位。该方法的矿工定位原理如图4所示。本研究通过真实数据集试验进一步验证基于K-Means 聚类算法的矿工定位参考点优化方法的准确性,结果如图5所示。试验结果表明:在真实煤矿环境中,该方法可以将矿工所在位置的定位误差控制在2 m 以内,符合矿山生产精度要求。优化后的参考点可以减少数据传输量,从而提高了信号处理速度。同时,K-Means算法的计算复杂度较低,相对其他算法耗时较小,因此能够更快地完成矿工定位。该方法不依赖于任何精确的距离信息,并且对多重路径衰减、障碍物干扰等情形具有较好的鲁棒性,可适应矿井复杂环境。

图4 基于K-Means 聚类算法矿工定位原理示意Fig.4 Schematic of miner positioning principle based on K-Means clustering algorithm

图5 仿真环境可视化结果Fig.5 Visual results of simulation environment

3 结语

无线射频识别技术的应用可以实现矿工位置监测和定位,有效避免矿工因迷路或者其他原因而发生意外事故。本研究提出了一种基于无线射频识别技术的矿工定位算法,该算法采用RSSI指标建立定位模型,并结合Log-Normal 信号传播模型和卡尔曼滤波算法处理信号,并通过K-Means 聚类算法进行参考点优化。相对于经典矿工定位算法,本研究算法在定位精度、鲁棒性和稳定性方面均有显著优势,有助于提升矿工定位精度。