超高频RFID多标签目标位置感知方法研究*

李晓茹，江 河

(太原学院,山西 太原 030012)

0 引言

“在哪里?”是很多人在复杂室内环境下面临的主要问题,室内定位技术的市场规模逐年攀升,在许多场景有大量的定位需求。而在定位精度上,精准的代价往往是昂贵的硬件成本,因此如何开发出价格低廉,精度较高的定位方法,是目前研究的热点。无线通信技术的选择与室内定位算法的复杂度决定了定位技术的实用广度,研究探索基于超高频RFID技术的室内定位方法,随着射频识别技术的日趋成熟,利用其定位的精准度高于传统的定位模型,且拥有容易架设和成本低的特性。本文研究目前业界定位技术上存在的问题,分析了室内定位中所使用的定位技术中包含多种定位算法和标签干扰抑制的具体步骤。基于超高频RFID多标签干扰抑制室内定位包含RSSI信号处理的过程,以及定位网络模型的构建,对于系统的结果验证与实验分析包含参数的调整,干扰抑制。

1 系统总体设计

1.1 RFID技术定位方法

无线射频识别(RFID)的定位多是利用观测点(Anchor)扫描标签方式来确定距离。超高频标签通常不需要电源,其工作时长依据其物理特性,其读取距离较远,能满足定位的需求[1-2]。ZigBee等其他技术也是定位技术的一种选择,但是信号容易受到干扰,另外功耗、价位、读取距离等问题比较突出[3]。设备结合度也是研发室内定位很重要的一个方面,如果能使用物联网技术搭建系统,即可快速地架设与应用。三角定位法是RFID传统定位技术,在三角定位法的基础上,可以基于不同的无线通信技术设计出合适的室内定位算法,将RSSI值,或是信号角度等信息处理成距离,再计算待定位点的位置,也可将RSSI值通过信号指纹算法或是机器学习等,直接对应到最后的室内定位坐标[4-5]。

1.2 接收信号强度

接收信号强度(Received Signal Strength Indication,RSSI),利用设备接收的信号强度与信号衰减弱模型,来评估信号发送端与接收端间的距离,再利用此距离搭配定位算法,计算出待定位点的坐标[6]。但是射频信号的反射、散射、绕射以及遮蔽效应等现象,会影响距离的测量,因而可能产生测距误差。为了避免这些问题的干扰,可使用信号指纹定位算法,在每一个位置上进行多次的测量,以便建立出一个地图数据库,此方法精准度较高,但时间成本比较大。

信号指纹定位法需要在定位场域中,在各个已知参考点的标签上密集地测量,接收所有接入点的RSSI值,并建立起完整的地图数据库,日后只要将测量到的RSSI值,输入到数据库中做比对,即可取得相对应的坐标。此方法相比于单纯利用RSSI做三角定位的方式来的准确,且不会受到障碍物的影响,但是如果实验场地是变化性较大的情况,则会导致信号指纹定位法失准,后期需要频繁地维护数据库[7]。如图1所示,RSS信号常被使用在处理实践范畴内的数据,它利用信号的时序性来做校正,包含移动状态下的物体定位,以及物体移动轨迹的优化处理。其操作包含两个步骤,首先根据t1时刻的值为现阶段做估计,之后需通过实际测量值t2和估计值做出更精确的结果。系统采用的定位模型中,在构建RSSI地图的阶段会导入RSS信号,过滤掉RSSI的噪声[8]。

图1 指纹定位法示意图

2 定位系统设计

2.1 实验场景定义

工业物联网时常需要应用室内定位来快速确定对象位置,所以我们将待定位标签在实验环境中按照预定路线行进,在接收端收集信息的过程中,主机端完成前处理,数据整合,并进行定位网络模型的训练。为了使训练数据集足以呈现实验场域中所有的RSSI信号,且收集数据时小车可以持续地移动,不需要如传统信号指纹定位法在每一个接入点做停留,因此需要使用具备高采样率的硬设备,以建立良好的训练数据集,提升定位网络模型的效能。我们使用基站模块进行RSSI信号的收发,并与多标签模块一起架设于实验场域的四角作为观测点;多标签模块放置在各个位置上,收集超高频RFID的RSSI与多标签的定位估计坐标,经过一定的时间间隔完成信号指纹地图的数据库构建。数据集包含时间戳,标签对于四个观测点的RSSI,以及多标签所量测出的坐标值。如图2所示。

图2 试验场地模拟图

2.2 信号指纹库

在数据收集模块获得相关的数据后,需要建立路径信号指纹地图数据库,系统需要利用多标签无线通信技术逐一地量测实验环境中每一网格线的RSSI,将多标签计算出来的坐标视为实际坐标位置,此方法可以迅速地收集大量的数据,大幅减轻信号指纹算法的构建成本。另外,为了完成整合多标签与超高频RFID同时收集的数据,在训练数据集的设计上,除了写入多标签所计算出的坐标和RSSI量测值,还需将时间戳也写入数据库,以方便后续的数据整合。

在使用前,我们还必须先将RSSI值进行RSS信号前处理,RSSI值一般会有明显的上下波动,通过RSS信号,则可以使RSSI数据趋于平滑,消除噪声和取得更有效的RSSI值。最后取得基于多标签的定位校准定位模型。之后,将处理好的RSSI值输入到训练好的定位模型,取得预测出来的坐标信息,使输出的各个点坐标形成平滑连续的移动路径,完成室内定位流程。

2.3 定位网络模型

网络模型的输入层为4个RSSI所组成的网络节点。输出层为2个节点,对应为二维坐标系的(x’,y’)预测坐标。中间为隐藏层,其中包含多个接口,并以全连接的方式与输入层连接。指纹库的建立过程中,会不断地更新权重值进行库优化,其中更新的方式将由优化函数所控制。定位网络模型需要判断每一次训练的结果好坏,并决定调整的方向。论文的主要目标是让模型的输出坐标,与真实坐标的距离相差最小,因此将使用均方误差作为损失函数。因为所使用的测试数据集,其采样率为10 Hz,在移动的状态下,数据间的坐标不应出现过大的移动距离,因此当我们结束定位网络模型的训练后,将对预测结果进行后处理,以取得更平滑的预测路径,降低个别异常值出现时,对于整体预测路径的影响。

3 系统测试与分析

为了测试RFID的标签与读写器之间可读取的有效距离,我们采用标签在各个测试点与读写器做测试,通过读写器在不同距离中所接收到数据包的数量,来观察读写器的有效读取距离。实验场域的四个顶点将会架设阅读器,场地中放置超高频参考标签与RFID设备,用来进行RSSI数据的收集。如图3所示。

图3 超高频RFID室内定位系统架构图

室内定位系统算法测试是整个系统的关键,本系统验证算法定位精度时采用了定位误差距离判断法,定位误差距离表示是实际的标签位置与使用算法得到的物理坐标之间的直线距离:

在上述表达式中,M-Error是计算得到的定位误差距离值,x和y是实际测试的物理坐标值,x’和y’是定位算法测试得到的位置坐标值。实验数据在神经网络训练的过程将会进行多次,每一次都会将验证数据集带入模型中,以预测出坐标值,再与多标签所计算出的坐标排除定位结果的误差,作为模型性能的评估指针。RSS信号对于优化定位误差值有非常好的效果,RSSI数值通过RSS信号的处理后,再进行定位网络模型,不仅能降低最大误差距离,整体平均也有明显的优化,去除后处理移动平均偏差,甚至可以优化至60 cm的定位误差值,优于很多定位结果。

图4为交叉验证时在分布式函数表现的部分,能明显看出累积分布线的趋势。RSSI数值通过卡尔曼滤波器(KF)的处理后,不仅能将最大误差大幅降低,整体平均也有明显的优化。在经过RSS信号整理后的曲线变化,证明了在阈值和参考标签数量确定的情况下,最终参考标签集合所需的迭代次数低于传统方法,不仅能减少线下阶段数据收集的时间以及人力资源消耗,还可通过RSSI数据集,预测出相对满意的定位坐标。其效率更高,有效地缩短了定位时间,提高了定位精度。

图4 标签RSSI误差累计趋势图

4 结论

本论文主要探讨RFID技术在室内定位应用的相关研究,利用RSSI信号强度计算距离实现室内定位,同时结合信号强度地图定位法以改善定位的精准度及稳定性,并将信号强度地图的数据库和定位地图模型计算放置在云计算主机上,以进行较复杂的运算。我们在数据收集方面设计了新的指纹图谱方式,通过多标签硬件的协助,能快速且完整地构建经过路径的RSSI信号指纹数据库。实验结果显示室内定位结果皆优于传统算法,且不需要繁琐的前置工作,面对新的环境时,能够更迅速地构建室内定位模型。未来可以使用更复杂的信号强度地图和环境地图模型来辅助定位,期望能够提供更好的定位精度,并在更大的室内环境中有更好表现。