陶佳峰， 楊曉洪， 王劍平， 張 果

(昆明理工大學(xué)信息工程及自動化學(xué)院,云南昆明 650500)

?

基于BLE的室內(nèi)指紋定位優(yōu)化技術(shù)

陶佳峰， 楊曉洪， 王劍平， 張 果

(昆明理工大學(xué)信息工程及自動化學(xué)院,云南昆明 650500)

摘要針對RSSI的室內(nèi)定位技術(shù)的功耗高和精度低的問題，采用藍牙4.0作為節(jié)點，應(yīng)用具有低功耗、遠距離和成本低等優(yōu)點的BLE技術(shù)，通過在離線階段采用高斯-均值算法對指紋數(shù)據(jù)庫進行優(yōu)化和在現(xiàn)階段改進的跳變自適應(yīng)卡爾曼算法進行數(shù)據(jù)濾波研究，并且通過藍牙4.0無線網(wǎng)絡(luò)系統(tǒng)進行試驗。結(jié)果表明，優(yōu)化后的指紋庫和自適應(yīng)卡爾曼定位算法，在復(fù)雜的環(huán)境中比傳統(tǒng)的定位算法更加穩(wěn)定和準確。

關(guān)鍵詞藍牙低功耗技術(shù)； 高斯-均值濾波； 跳變自適應(yīng)卡爾曼濾波； 室內(nèi)指紋定位

隨著移動設(shè)備和無線局域網(wǎng)的普及，定位服務(wù)越來越成為人們生活中必不可少的功能。相比于目前已經(jīng)很成熟的戶外GPS地圖定位，室內(nèi)位置信息的獲取，特別是在場地復(fù)雜的公共場所比如大型超市、商場、機場、博物館等環(huán)境中，也成為日益需求的服務(wù)，并且具有較為廣闊的應(yīng)用前景。藍牙低能耗(BLE)技術(shù)是低成本、長距離、高速啟動和互連、可互操作的魯棒性無線技術(shù)[1]，這些特點對于室內(nèi)定位都是非常有利的，而且在最近幾年里，藍牙4.0模塊已廣泛應(yīng)用于手機及平板電腦中，對于室內(nèi)定位的推廣是很有利的。以上這些都保證了藍牙低功耗技術(shù)在室內(nèi)定位的實用性和可行性。

由于在復(fù)雜室內(nèi)環(huán)境中，信道信號的的傳播容易受到多徑效應(yīng)、反射、散射等干擾，這也是給定位帶來較大誤差的主要因素。應(yīng)用典型的參數(shù)化室內(nèi)測距技術(shù)有基于信號到達角度模型(AOA)、基于接收信號強度指示模型(RSSI)[2]、基于信號到達時間模型(TOA)[3]、基于信號達到時間差模型(TODA)[4]等;但是由于室內(nèi)物體的遮擋會造成比較嚴重的多徑效應(yīng)干涉以及反射、散射等現(xiàn)象[5],信號到達角與 RSSI 值等信息不能精確地描述兩點之間的位置關(guān)系[6]，故需要對RSSI信號值進行濾波處理，才能達到理想的定位效果。

由于基于RSSI的距離測量技術(shù)是一種新型低成本和低實現(xiàn)復(fù)雜度的距離測量技術(shù)，并且在室內(nèi)定位領(lǐng)域有著廣泛的應(yīng)用，故該研究也提出基于RSSI的藍牙4.0指紋定位優(yōu)化技術(shù)。室內(nèi)指紋定位技術(shù)主要分為2個階段[7]：①離線階段，在所需要定位的區(qū)域內(nèi)預(yù)定坐標(biāo)點，然后在每個坐標(biāo)點上采集每個信標(biāo)節(jié)點的RSSI值，存入到相應(yīng)坐標(biāo)點的數(shù)組中，最后建立RSSI指紋庫；②在線階段，通過接收每個信標(biāo)節(jié)點的RSSI值，在線匹配指紋數(shù)據(jù)庫中的RSSI信息，實時顯示所處的坐標(biāo)位置。筆者分別對這2個階段進行算法的改進，首先，離線階段指紋庫建立的準確與否直接關(guān)系到在線定位的精度，故通過高斯-均值濾波算法對采集的信號數(shù)據(jù)進行優(yōu)化處理，然后再存到指紋庫中；在在線定位階段，對采集的定位信息數(shù)據(jù)進行跳變自適應(yīng)卡爾曼濾波算法處理，得到實時的信息數(shù)據(jù)，然后采用K-加權(quán)最近鄰算法進行實時定位，從而達到精度較高的室內(nèi)定位效果。

1指紋庫數(shù)據(jù)優(yōu)化

離線指紋庫建立的精確與否對在線定位的精度有著較大影響，所以建立一個較為準確的指紋庫是提高定位精度的基礎(chǔ)。大量研究表明，采集的RSSI數(shù)據(jù)的隨機分布是近似符合高斯分布模型的。使用高斯濾波模型[8]可以比較好地擬合RSSI在實際環(huán)境中的分布，從而消除那些小概率噪聲干擾，然后通過均值濾波，得到穩(wěn)定、平滑的RSSI值。具體濾波設(shè)計的過程：首先在數(shù)組中存儲采樣中的一組RSSI信號數(shù)據(jù)，采集的RSSI數(shù)據(jù)量為m；然后利用公式求解所要擬合的高斯濾波模型的均值和方差，求出其密度函數(shù)f(RSSI)。公式如下：

(1)

(2)

(3)

式(2)根據(jù)均值μ和方差δ2確定RSSI的有效范圍，k為密度函數(shù)取值區(qū)間[k，1]的下限值，通過設(shè)置k的數(shù)值設(shè)置，可以得到采集數(shù)據(jù)保留的樣本數(shù)。如果k過大，則說明保留的數(shù)據(jù)少，有可能會對RSSI數(shù)據(jù)的真實性造成破壞；若k過小，會提高保留的樣本數(shù)，保證數(shù)據(jù)的真實性，但這樣對小概率事件濾波效果下降，所以k值的正確選取有助于提高計算速度和更好地排除突變的小概率數(shù)據(jù)。高斯濾波可以有效地濾除偏離真實值的數(shù)據(jù)，但并不能消除數(shù)據(jù)的波動。為了達到RSSI的樣本數(shù)據(jù)的平滑、穩(wěn)定的輸出，該研究采用均值算法繼續(xù)對樣本數(shù)據(jù)進行處理。

通過大量數(shù)據(jù)分析，選擇臨界值在0.6時效果最佳，具體公式如下：

(4)

式(4)對篩選后的RSSI求其均值，然后存入指紋庫中。

2在線定位優(yōu)化算法

2.1卡爾曼濾波算法由于室內(nèi)環(huán)境復(fù)雜，信號信道受到的干擾因素比較多，那么未知節(jié)點接收到的信號數(shù)據(jù)仍然會有很大的波動，對于定位將是很不利的?？柭鼮V波器能有效去除數(shù)據(jù)中的突變數(shù)據(jù)和噪聲波動，實現(xiàn)值的準確、平滑輸出?？柭鼮V波算法分為預(yù)測和修正2個階段[9-10]。

2.1.1時間更新(預(yù)測階段)。

(1)計算先驗狀態(tài)估計值：

x(k|k-1)=F·x(k-1|k-1)+B·u(k)+w(k)

(5)

(2)計算先驗狀態(tài)估計值的協(xié)方差：

P(k|k-1)=F·P(k-1|k-1)·FT+Q

(6)

式(5)、(6)初始值分別為x(0)、P(0)。

2.1.2測量更新(修正階段)。

(1)計算加權(quán)矩陣(卡爾曼增益)：

Kg(k)=H·P(k|k-1)·HT+R

(7)

(2)對預(yù)測值進行修正：

x(k|k)=x(k|k-1)+Kg(k)·[Z(k)-H·x(k|k-1)]

(8)

(3)更新修正值的協(xié)方差：

P(k|k)=[1-Kg(k)·H]·P(k|k-1)

(9)

式中，I為1的矩陣，對于單模型單測量時，I=1。式(7)～(9)中，x(k)是k時刻的系統(tǒng)狀態(tài)，u(k)是k時刻對系統(tǒng)的控制量，P(k|k-1)是x(k|k-1)對應(yīng)的協(xié)方差。F和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，他們是矩陣。Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。w(k)表示過程噪聲,被假設(shè)成高斯白噪聲，其協(xié)方差是Q，這里假設(shè)W(k)不隨系統(tǒng)狀態(tài)變化而變化。

2.2卡爾曼濾波算法的優(yōu)化但是實時定位的過程中，在采集的RSSI值在小范圍波動的時候，卡爾曼濾波算法可以比較好地及時跟蹤這些變化，調(diào)整RSSI的估計值，定位較為準確，但是，當(dāng)未知節(jié)點移動較大位置后，此濾波算法得到的估計值只能較為緩慢地接近真實值，表現(xiàn)的收斂速度是很慢的，這對RSSI的準確估計是很不利的。

由于卡爾曼濾波算法在RSSI信號跳變應(yīng)用中存在的不足，該研究提出了一種對RSSI信號出現(xiàn)跳變有自適應(yīng)能力的優(yōu)化卡爾曼濾波算法(簡稱跳變自適應(yīng)卡爾曼濾波算法)。此算法能通過前幾次接收的RSSI觀測值快速的判斷出RSSI是否發(fā)生了跳變，如果發(fā)生了跳變，這時可以及時修改卡爾曼濾波的相關(guān)參數(shù)，從而有效地降低此濾波算法對發(fā)生跳變前的狀態(tài)估計值的信任度，可以在消除室內(nèi)環(huán)境干擾的前提下，提高此算法對出現(xiàn)RSSI跳變情況后的再次收斂快速性，進而使此算法在室內(nèi)復(fù)雜環(huán)境下的自適應(yīng)能力顯著增強，提高采集的RSSI值的準確度。

跳變自適應(yīng)卡爾曼濾波算法是在卡爾曼濾波算法的基礎(chǔ)上，增加了RSSI跳變時候的判斷函數(shù)，具體公式如下：

(10)

(11)

(12)

式(11)～(12)中，ψ(k)為從k(k≥α)時刻起前k次觀測值的迭代均值。Φ(k)為RSSI是否發(fā)生跳變的判定函數(shù)，反映的是最近α次觀測值和估計值的均值近似程度。其中，α的值需要依據(jù)實際RSSI的波動情況進行具體設(shè)定(當(dāng)α的值過小時，利用當(dāng)前觀測值進行跳變判定時很容易受到突變現(xiàn)象的影響，從而將影響到躍變判定的準確性；但當(dāng)α的值過大時，就會對算法躍變判定的反應(yīng)靈敏度產(chǎn)生影響);P(k-1)是k-1時刻的誤差協(xié)方差，所以當(dāng)算法趨于收斂時，P(k-1)的值會變得較小。由P(k-1)和β可以使算法在對連續(xù)發(fā)生的跳變進行判定時，有效地避開上一次RSSI跳變處理造成的數(shù)據(jù)波動的階段，使跳變判定過程在上一次的RSSI跳變處理趨于收斂后能夠再次生效，也就防止跳變判定過程進入死循環(huán)中。其中γ是RSSI跳變判定的臨界值，當(dāng)Φ(k)>γ時，則可認為信號強度RSSI發(fā)生了跳變。 通過分析可知，γ若越小，則算法越容易在外界突變干擾的影響下出現(xiàn)跳變誤判，γ若越大，則可能使算法躍變判定的靈敏度下降，因此，γ的值需要根據(jù)所處的具體實驗環(huán)境分析而定。

跳變自適應(yīng)卡爾曼濾波算法是通過基礎(chǔ)式(5)～(9)和改進式(10)～(12)來實現(xiàn)，使卡爾曼濾波算法由實測、預(yù)測、校正的3步迭代方法，進而擴展為實際測量、跳變判定、預(yù)測、參數(shù)校正的4步迭代方法。此改進算法的流程見圖1。

圖1　跳變自適應(yīng)卡爾曼濾波算法流程Fig.1　Flow of hopping adaptive Kalman filter algorithm

通過試驗數(shù)據(jù)分析，得到較為滿意的濾波算法的參數(shù)，參數(shù)設(shè)置為：R=0.3，Q=0.005；α=8,β=4,γ=0.5。故改進后的對RSSI數(shù)據(jù)處理的效果見圖2。

圖2　改進后的對RSSI處理的效果Fig.2　Processing effect of RSSIT after improvement

3K加權(quán)最近鄰定位算法

基于RSSI的位置指紋定位算法主要包括：最近鄰法(Nearest Neighbor,NN)、K最近鄰法(K-Nearest Neighbor,KNN)、K加權(quán)最近鄰法(WKNN)等。目前采用較多的是K加權(quán)最近鄰法，此算法是在前兩個定位算法上進行的改進，定位精度更好，所以本位也采用此算法進行定位。

當(dāng)移動終端進入定位區(qū)域后，會實時采集來自n個定位節(jié)點的RSSI信號強度值，設(shè)為Z=[Z1，Z2，…，Zn]，選取指紋庫中一組指紋數(shù)據(jù)，設(shè)為Xi=[S1i,S2i,…，SNi]，通過對比實時信號的位置指紋Z和指紋庫中的X的距離，以此來計算未知節(jié)點和定位節(jié)點之間的歐式距離；然后將加權(quán)和作為待定位節(jié)點的最終目標(biāo)，具體公式如下：

L=arg mini∈[1,N]‖Z-Xi‖

(13)

(14)

圖3　室內(nèi)指紋定位算法優(yōu)化過程Fig.3　Optimization process of indoor fingerprint positioning algorithm

4仿真試驗和數(shù)據(jù)分析

此次試驗的硬件系統(tǒng)選取有Ti公司的CC2541芯片集成的藍牙4.0低功耗模塊，選取1 m×6 m實驗室作為試驗區(qū)域。在離線指紋庫建立階段，選取兩個節(jié)點之間的距離為1 m，為了適合實驗室的環(huán)境，選取總共40個指紋點。通過Matlab對改進的定位優(yōu)化算法進行仿真分析，結(jié)果表明，該研究采取的改進算法的定位精度比傳統(tǒng)定位算法有顯著提高，下面對部分仿真結(jié)果進行顯示和分析。此優(yōu)化算法的實時定位顯示見圖4。

圖4　優(yōu)化算法定位實時顯示仿真結(jié)果Fig.4　Real-time display simulation results of the optimized algorithm location

通過3組實驗驗證優(yōu)化算法的有效性，試驗一只采用均值濾波建立離線庫，然后采用K加權(quán)最近鄰進行定位；試驗二采用高斯-均值濾波建立指紋庫，然后采用K加權(quán)最近鄰進行定位；試驗三也就是該研究采用的優(yōu)化算法，是在試驗二的基礎(chǔ)上，增加了對在線采集的RSSI數(shù)據(jù)進行跳變自適應(yīng)卡爾曼濾波，然后通過K加權(quán)最近鄰算法完成最終定位。3組試驗定位結(jié)果對比分析見表1。

表13組試驗定位結(jié)果對比分析

Table 1Comparative analysis of three groups of experimental positioning results

試驗組Testgroup最大誤差Maximumerror平均誤差Meanerror試驗一Test12.722.23試驗二Test22.141.71試驗三Test31.421.15

由表1可知，試驗二定位精度比試驗一有一定的提高，說明指紋庫的優(yōu)化能有效地降低最終的定位誤差；試驗三和試驗二的對比結(jié)果顯示，通過對現(xiàn)在定位階段采集的RSSI數(shù)據(jù)的實施濾波處理，進一步提高了實時定位的準確度，驗證了所提出的優(yōu)化技術(shù)的可行性和實用性。

5結(jié)論

該研究分析了基于低功耗藍牙4.0室內(nèi)無線傳感器網(wǎng)絡(luò)通過RSSI進行指紋定位的性質(zhì)。針對RSSI信號在建立離線庫階段容易受到環(huán)境干擾，采用高斯-中值濾波對采集的數(shù)據(jù)進行處理，然后在保存到指紋庫中，保證了指紋庫的真實性，為后面的實時定位提供良好的前提；為了使在線定位階段降低RSSI值受到的干擾，采用卡爾曼濾波算法進行處理，但是隨著未知節(jié)點的移動，為了達到卡爾曼濾波算法的快速收斂，提出了改進的跳變自適應(yīng)卡爾曼濾波算法，不僅提高了濾波收斂的快速性，而且保障了RSSI值的平穩(wěn)輸出，最后通過試驗和Matlab仿真驗證了室內(nèi)定位優(yōu)化算法的可行性。該研究還采用了低功耗藍牙技術(shù)，通過藍牙4.0作為節(jié)點的高精度室內(nèi)指紋定位技術(shù)有廣闊的應(yīng)用前景。

參考文獻

[1] 李娟娟，張金藝，張秉煜，等.藍牙 4.0 標(biāo)準規(guī)范下的模糊指紋定位算法[J].上海大學(xué)學(xué)報 (自然科學(xué)版),2013,19(2)：126-131.

[2] GIROD L，BYCHKOVSKIY V，ELSON J，et al.Locating tiny sensors in time and space：A case study[C]//International Conference on Computer Design (ICCD 2002).Freiburg:IEEE Computer Society，2002： 214-219.

[3] ALA V I B，PAHLAVAN K．Modeling of the TOA-based distance measurement error using uwb indoor radio measurements[J]．Communications letters，IEEE，2006，10(4)：275-277.

[4] CURRAN K,FUREY E,LUNNEY T，et al．An evaluation of indoor location determination technologies[J]．Joumal of location based services，2011，5(2)：69-78.

[5] 詹 杰,劉宏立,劉述鋼,等.基于 RSSI 的動態(tài)權(quán)重定位算法研究[J].電子學(xué)報,2011,39(1):82-88.

[6] 容曉峰,楊娜.RSSI 位置指紋的定位誤差分析與仿真[J].西安工業(yè)大學(xué)學(xué)報,2010,30(6):574-578.

[7] YOUSSEF M A,AGRAWALA A,UDAYA SHANKAR A.WLAN location determination via clustering and probability distributions[C]//Proceedings of the First IEEE International Conference on.IEEE,2003:143-150.

[8] 詹杰，吳伶錫，唐志軍．無線傳感器網(wǎng)絡(luò)RSSI測距方法與精度分析[J]．電訊技術(shù)，2010，50(4)：83-87．

[9] 劉靜，姜恒，石曉原．卡爾曼濾波在目標(biāo)跟蹤中的研究與應(yīng)用[J]．信息技術(shù)，2011,15(10)：74-77．

[10] 彭丁聰．卡爾曼濾波的基本原理及應(yīng)用[J]．軟件導(dǎo)刊，2009，8(11)：32-35．

Indoor Fingerprint Location Optimization Technology Based on BLE

TAO Jia-feng，YANG Xiao-hong，WANG Jian-ping et al

(Faculty of Information Engineering and Automation，Kunming University of Science and Technology，Kunming，Yunnan 650504)

AbstractAiming at the problem of high energy consumption and low accuracy of RSSI indoor positioning technology，using Bluetooth 4.0 as a node，BLE technology with advantages of low energy consumption，long distance and low cost was adopted.Data filter was studied through optimizing fingerprint database by using Gauss-mean method and improved hopping adaptive Kalman algorithm，the experiment was carried out in Bluetooth 4.0 wireless network.The results showed that in a complex environment，the optimized fingerprint database and adaptive Kalman location algorithm is more stable and accurate than traditional positioning method.

Key wordsBluetooth low energy technology; Gauss-mean filter; Hopping adaptive Kalman filter; Indoor fingerprint location

基金項目國家自然科學(xué)基金項目(61364008);云南省應(yīng)用基礎(chǔ)研究重點項目(2014FA029);云南省教育廳重點基金項目(2013Z127);昆明理工大學(xué)復(fù)雜工業(yè)控制學(xué)科方向團隊建設(shè)計劃項目。

作者簡介陶佳峰(1990- )，男，安徽蕭縣人，碩士研究生，研究方向：實時運動控制。

收稿日期2016-02-07

中圖分類號TP 391

文獻標(biāo)識碼A

文章編號0517-6611(2016)08-289-04