蔡文郁，周展業(yè)，張　棟

(杭州電子科技大學(xué)電子信息學(xué)院，浙江 杭州 310018)

?

基于BL4.0 iBeacon技術(shù)的室內(nèi)定位算法研究

蔡文郁，周展業(yè)，張棟

(杭州電子科技大學(xué)電子信息學(xué)院，浙江 杭州 310018)

通過BL4.0 iBeacon技術(shù)進行室內(nèi)定位，分析了最鄰近值算法和貝葉斯算法的不足，提出一種將上述兩者優(yōu)點進行融合的算法.首先，使用最鄰近值算法的優(yōu)選區(qū)域限定，縮小貝葉斯算法對指紋庫的搜索范圍，然后，采用貝葉斯概率法計算各個iBeacon節(jié)點的信號強度值集合在指紋庫中每一位置參考點對應(yīng)的條件概率值，概率最大的點就是待測點的預(yù)測位置.實驗結(jié)果表明，使用該算法計算的坐標(biāo)準(zhǔn)確度比較高，坐標(biāo)誤差較小，能明顯提高室內(nèi)定位的精度.

室內(nèi)定位；指紋庫；藍牙4.0；iBeacon

0　引　言

近年來，隨著人們對位置服務(wù)需求的與日俱增，室內(nèi)定位技術(shù)受到廣泛的關(guān)注.目前應(yīng)用于室內(nèi)定位的技術(shù)主要有藍牙、WiFi、超聲波、Zigbee等.2014年，蘋果公司推出了iBeacon技術(shù)，利用藍牙4.0進行室內(nèi)定位成了研究的熱點之一.基于藍牙4.0技術(shù)的藍牙芯片憑借其功耗低、反應(yīng)快、性能好、價格低廉而在眾定位芯片中脫穎而出.另外iBeacon傳播距離可達到100 m，使得基于藍牙4.0室內(nèi)定位范圍得到了進一步的拓展.本文基于藍牙4.0的室內(nèi)定位方法，在分析現(xiàn)有指紋庫室內(nèi)定位算法的基礎(chǔ)上提出了一種將距離確定型算法和概率分布型算法[1]融合的室內(nèi)定位新方法，既能提高定位精度，又能降低算法復(fù)雜度.

1　iBeacon節(jié)點設(shè)計

iBeacon技術(shù)是蘋果公司在IOS7系統(tǒng)之上所支持的移動設(shè)備室內(nèi)定位新技術(shù)[2]，基于iBeacon技術(shù)的室內(nèi)定位原理示意如圖1所示.本文研制的iBeacon節(jié)點采用TI公司的CC2541芯片方案[3]，CC2541是TI公司推出的一款解決最新BLE 4.0的芯片，具有集成性高、功耗低等優(yōu)點.

2　指紋庫定位算法

指紋庫定位算法是通過對室內(nèi)多個iBeacon節(jié)點的信號強度進行實際測量，將得到的多個節(jié)點信號質(zhì)量RSSI記錄下來，建立該環(huán)境下的一個位置指紋庫，然后在某一位置部署iBeacon接收設(shè)備，將實際接收到的RSSI數(shù)據(jù)與指紋庫中數(shù)據(jù)進行比對，從而確認(rèn)該設(shè)備所在的具體位置[4].指紋庫定位原理如圖2所示，分為算法訓(xùn)練階段和位置定位階段.

算法訓(xùn)練階段也就是數(shù)據(jù)采集階段，目的就是為了建立某一室內(nèi)環(huán)境的信號強度“指紋庫”，訓(xùn)練階段采集的數(shù)據(jù)如表1所示.

圖1　iBeacon室內(nèi)定位原理示意圖

圖2　基于指紋庫技術(shù)的藍牙定位技術(shù)原理

位置對應(yīng)坐標(biāo)該點接收到的各個iBeacon節(jié)點的信號強度值S1(x1,y1)RSSI11,RSSI12,RSSI13,…,RSSI1i,…,RSSI1nS2(x2,y2)RSSI21,RSSI22,RSSI23,…,RSSI2i,…,RSSI2n…………Sj(xi,yi)RSSIj1,RSSIj2,RSSIj3,…,RSSIji,…,RSSIjn…………Sm(xm,ym)RSSIm1,RSSIm2,RSSIm3,…,RSSImi,…,RSSImn

位置定位階段[5]就是通過在某一參考位置采集各個iBeacon節(jié)點的信號強度數(shù)據(jù)，利用相應(yīng)的匹配算法，與“指紋庫”進行對比和匹配，進而得到所需定位點的估計位置.

最近鄰值算法是目前使用較成熟的距離確定性算法，原理如下：移動接收端在定位點獲取各個iBeacon節(jié)點的信號強度，記作MUi={mui1,mui2,…,muin}，其中n為iBeacon節(jié)點的個數(shù)，將此信號強度MUi與指紋庫信號強度RSSIj={RSSIj1,RSSIj2,…,RSSIjn}進行匹配，從而確定該移動接收端所在的位置數(shù)據(jù)[6].再通過計算MU與RSSIij之間的距離，獲取與移動接收端MU距離最短的指紋數(shù)據(jù)RSSIj，MU的估計位置即為指紋庫中對應(yīng)接收端所在的置信RSSIj的坐標(biāo).計算MU與RSSIj之間的距離如下：

(1)

其中，Di為移動接收端接收各個iBeacon節(jié)點的信號強度MU與指紋庫中第i個指紋坐標(biāo)的距離；mui為移動接收端接收第j個iBeacon節(jié)點發(fā)射的信號強度；RSSIij為指紋庫中第i個指紋坐標(biāo)點上接收到第j個iBeacon節(jié)點發(fā)射的信號強度；l是指紋庫中參考點的個數(shù)，當(dāng)q=1時，D為曼哈頓距離，當(dāng)q=2時，D為歐幾里得距離，本文設(shè)計中q值選擇為2.

在概率性分布算法中，采用貝葉斯概率法計算各個iBeacon節(jié)點的信號強度值集合MU在指紋庫中每一位置參考點對應(yīng)的條件概率值，記作p(Li|MU)，如下：

(2)

其中，L為指紋庫中參考點的數(shù)目，p(Li)為移動接收端在該參考點Li上的概率大小，可認(rèn)為p(Li)是均勻分布的，即p(Li)=1/L.由于在某一參考位置上，接收來自每一個iBeacon節(jié)點的信號強度是互不相關(guān)的，根據(jù)事件獨立性可得出p(Li|MU)的表達式如下：

p(MU|Li)=p(mu1|Li)p(mu2|Li)…p(mun|Li).

(3)

根據(jù)概率分布可知，在同一位置上接收的不同信號強度的分布可以用高斯分布來表示，所以在該點的概率分布函數(shù)如下：

(4)

其中，μ為信號強度的平均值，σ為信號強度的標(biāo)準(zhǔn)差，x為實際接收到的強度值.最后根據(jù)選取條件概率最大的參考點作為待定位點的最終估計位置：

(5)

最近鄰法的優(yōu)選區(qū)域限定是根據(jù)和n個iBeacon節(jié)點距離的遠近把需定位區(qū)域劃分為n個區(qū)域.位置定位階段中，當(dāng)需定位節(jié)點進入定位區(qū)域后，可以實時獲得RSSI位置指紋樣例G，包含來自m個參考節(jié)點接收信號的強度值，即G=(G1,G2,…,Gm).將這m個RSSI值從大到小排序，找出最大RSSI值的Gm，從而確定出此最大值Gm所對應(yīng)的參考節(jié)點，由此指紋數(shù)據(jù)庫的查詢范圍縮小到了第m個參考節(jié)點附近的整個定位空間的1/n范圍內(nèi).在算法訓(xùn)練階段此范圍內(nèi)選取一系列采樣點記作Si∈{S1,S2,…,Sn}，通過把實時信號的位置指紋G和位置指紋庫中的樣例Si的距離進行比較，把最鄰近的位置指紋所對應(yīng)的點確定為定位點.利用歐幾里德距離來度量兩者的鄰近性：

(6)

取其最小的歐氏距離，即定位節(jié)點的估計位置L=minD(S,Fi).算法步驟如圖3所示.

最近鄰值算法實現(xiàn)簡單，但是誤差較大；貝葉斯概率算法定位精度較高，但是算法復(fù)雜度較大，尤其在指紋庫中參考點比較多的情況下.為了既能降低算法復(fù)雜度，又能提高算法的精度，本文將最近鄰值算法和貝葉斯算法融合，使用最鄰近值算法獲取到與待測量位置點距離較小位置點的集合S，縮小貝葉斯算法對指紋庫的搜索范圍，然后利用貝葉斯概率算法對選取的集合S分別計算匹配概率，匹配概率最大的點就是待測點的預(yù)測位置.

圖3　算法步驟

3　實驗仿真

本文算法的測試實驗環(huán)境選擇在杭州電子科技大學(xué)第2教學(xué)樓中樓3樓走廊中進行，測試環(huán)境如圖4所示，本文使用4個藍牙iBeacon節(jié)點，分別為iBeacon節(jié)點1(UUID為XXXA0)、iBeacon節(jié)點2(UUID為XXXB0)、iBeacon節(jié)點3(UUID為XXXC0)、iBeacon節(jié)點4(UUID為XXXE0)，定位接收信號設(shè)備使用的是紅米手機定位終端界面，如圖5所示.

圖4　測試環(huán)境

圖5　定位終端界面

測試環(huán)境選用實驗室走廊，選取一段2.4 m×12 m的環(huán)境，并在墻壁上放置4個iBeacon節(jié)點，每塊瓷磚的邊長為60 cm.首先算法訓(xùn)練階段，將所選區(qū)域坐標(biāo)化，以每一塊瓷磚作為一個單位進行坐標(biāo)化，所選區(qū)域?qū)⑥D(zhuǎn)換成橫坐標(biāo)(0～20)，縱坐標(biāo)(0～4)的一個平面坐標(biāo)系，同時選擇20個位置作為參考點，如圖6坐標(biāo)系中黑色標(biāo)記，用手機在每一個參考點上接收來自4個iBeacon節(jié)點的信號強度，將信號強度加上參考點的坐標(biāo)來建立本文所需要的位置指紋庫.

在固定位置同時連續(xù)接收來自4個iBeacon節(jié)點的信號強度，時間持續(xù)20 s，結(jié)果如圖7所示.前8～10 s的時間中，信號接收波動很大，10 s之后波形趨于穩(wěn)定，所以延長接收時間求均值的方法，可以減小信號波形的波動，提高數(shù)據(jù)準(zhǔn)確性.完成指紋庫的建立之后，根據(jù)指紋庫中的數(shù)據(jù)分別計算出iBeacon 4個節(jié)點的信號強度平均值μ以及標(biāo)準(zhǔn)差σ，測得的指紋庫如表2所示.

圖6　測試環(huán)境坐標(biāo)轉(zhuǎn)換圖

圖7　同一位置接收到4個iBeacon節(jié)點的信號強度

參考點序號坐標(biāo)iBeacon節(jié)點1iBeacon節(jié)點2iBeacon節(jié)點3iBeacon節(jié)點41(1,1)-68.5-83.4-87.2-73.22(1,3)-71.4-86.2-84.9-76.03(3,1)-63.1-82.4-85.1-70.34(3,3)-69.4-81.8-82.4-65.85(5,1)-68.1-77.4-81.9-69.46(5,3)-65.2-78.2-77.2-59.47(7,1)-67.4-73.4-80.4-71.28(7,3)-66.2-75.1-76.2-69.89(9,1)-75.2-73.2-79.8-73.110(9,3)-72.3-74.4-75.7-73.411(11,1)-76.2-67.4-77.4-74.212(11,3)-77.4-67.5-74.5-75.113(13,1)-81.2-62.4-74.3-77.014(13,3)-82.4-60.2-69.4-80.215(15,1)-83.5-68.2-68.3-83.516(15,3)-81.4-64.2-72.1-82.617(17,1)-85.2-72.1-65.2-84.118(17,3)-83.2-77.2-68.3-84.919(19,1)-87.8-76.6-72.1-85.320(19,3)-85.5-78.1-69.2-86.2平均值μ-75.5-74.0-76.1-75.7標(biāo)準(zhǔn)差σ7.27.26.37.2

本文選取10個非參考位置進行測量，測量結(jié)果如表3所示.通過式(1-5)的計算可得出融合算法坐標(biāo).其中偏差為實際坐標(biāo)與融合算法所得坐標(biāo)的距離差.

(7)

表3　待測位置點的坐標(biāo)偏差

本文的融合算法是基于最臨界為約束條件的概率分布求解待測位置的坐標(biāo)，傳統(tǒng)的概率分布算法中，如果使用數(shù)目為M的參考點獲取N個iBeacon節(jié)點的信號強度時，傳統(tǒng)的概率分布算法的復(fù)雜度為O(MN)，本文的融合算法根據(jù)最臨界條件選出K(K?M)個符合臨界條件的參考點，復(fù)雜度降低為O(KN).

4　結(jié)束語

本文基于BL4.0iBeacon室內(nèi)定位技術(shù)，將最近鄰值算法和貝葉斯理論算法融合起來，提出了一種新的指紋庫定位方法.與傳統(tǒng)概率分布算法相比，融合算法提高了定位準(zhǔn)確度，減小了定位誤差，同時也降低了算法的復(fù)雜度.在研究過程中發(fā)現(xiàn)，建立指紋庫的過程比較復(fù)雜，如何更加簡便地建立指紋庫以及進一步提高定位的精度和實時性將是今后研究的方向.

[1]WARDA,JONESA,HOPPERA.Anewlocationtechniquefortheactiveoffice[J].PersonalCommunications,IEEE, 1997, 4(5): 42-47.

[2]尹賀.利用iBeacon技術(shù)實現(xiàn)簽到和投票功能應(yīng)用研究[J].福建電腦,2014 5:137-138.

[3]陳銀溢.基于CC2541和LIS3DSH的計步器設(shè)計[J].機械工程與自動化,2014(6):96-98.

[4]齊雙，王奇，黎海濤，等.傳感器輔助的WiFi指紋室內(nèi)定位方法[J].中國電子科學(xué)研究院學(xué)報，2015，10(1):102-106.

[5]YANGZ,ZHOUZ,LIUY.FromRSSItoCSI:Indoorlocalizationviachannelresponse[J].ACMComputingSurveys, 2013, 46(2): 25:1-25.

[6]FANGSH,LINTN.PrincipalcomponentlocalizationinindoorWLANenvironments[J].MobileComputing,IEEETransactionson, 2012, 11(1): 100-110.

Research on Indoor Positioning Algorithm Based on BL4.0 iBeacon Technology

CAI Wenyu, ZHOU Zhanye, ZHANG Dong

(SchoolofElectronicInformation,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

BL4.0 iBeacon technology is introduced for indoor positioning. This paper analyzes the shortcoming of two traditional positioning algorithms: KNN algorithm and Bayesian algorithm, then proposes a combined algorithm of these two algorithms. First KNN algorithm is used to obtain the position set of which the distance to the position to be measured is smaller, and thus narrow search range of fingerprint database for Bayesian algorithm. After that match probability is calculated using Bayesian probabilistic algorithms for the selected position set. The biggest probability of matching point is exactly the predicted position of the target point. The experiment results verify that the accuracy of coordinate with the proposed algorithm is relatively high, and coordinate error is small, so as to improve indoor positioning accuracy significantly.

indoor positioning; fingerprint database; bluetooth 4.0; iBeacon

10.13954/j.cnki.hdu.2016.05.001

2016-01-07

浙江省自然科學(xué)基金資助項目(LY15F030018,LY16F030004)

蔡文郁(1979-)，男，浙江慈溪人，副教授,電子系統(tǒng)集成.

TN925

A

1001-9146(2016)05-0001-05