王孟妍 崔學(xué)榮 張國平 李娟 陳海華 黃庭培

摘 要：目前已有的位置指紋室內(nèi)定位算法大多都是建立在原始指紋數(shù)據(jù)庫的基礎(chǔ)上，指紋數(shù)據(jù)庫的建立精度會(huì)直接影響到最后的定位精度，因此在基于WiFi的定位技術(shù)中，對(duì)接收信號(hào)強(qiáng)度（received signal strength indication，RSSI）的穩(wěn)定性要求比較高。通過對(duì)指紋數(shù)據(jù)的研究，提出了一種基于高斯核函數(shù)融合卡爾曼濾波對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的方法。實(shí)驗(yàn)證明，該融合算法能有效剔除RSSI指紋數(shù)據(jù)中的突變數(shù)據(jù)和噪聲波動(dòng)，實(shí)現(xiàn)RSSI值的準(zhǔn)確、平滑輸出，從而建立準(zhǔn)確的指紋數(shù)據(jù)庫，使后期的定位結(jié)果更加精確。

關(guān)鍵詞：接收信號(hào)強(qiáng)度; 高斯核函數(shù); 卡爾曼濾波; 指紋數(shù)據(jù)庫

中圖分類號(hào)： TN914

文獻(xiàn)標(biāo)志碼： A

Abstract：Currently， most of the existing location fingerprint indoor positioning algorithms are based on the original fingerprint database. The accuracy of the fingerprint database will directly affect the final positioning accuracy. Therefore， in the positioning technology of WiFi， the stability of received signal strength indication （RSSI） is high relative. Based on the study of fingerprint data， the novel data processing algorithm that fuses Gaussian kernel function and Kalman filtering is proposed. The experiments verify that this fusion algorithm effectively eliminates the mutation data and noise fluctuation in RSSI data， and implements the precise and smooth output of RSSI. Thus an accurate fingerprint database can be established and it makes the later positioning results more accurate.

Key words：RSSI; Gaussian kernel function; Kalman filter; Fingerprint database

0 引言

近年來，隨著科技的高速發(fā)展以及人們生活品質(zhì)的不斷提高，定位服務(wù)的市場迅速發(fā)展，定位服務(wù)的需求量也呈現(xiàn)出飛速發(fā)展的趨勢(shì)，基于位置的服務(wù)LBS（Location-Bases Services）受到了人們的廣泛的關(guān)注。對(duì)于戶外環(huán)境下的定位，全球?qū)Ш叫l(wèi)星系統(tǒng)GNSS（Global Navigation Satellite System）[1]能夠提供很精確的定位結(jié)果，是一種成熟的定位技術(shù)，且應(yīng)用非常廣泛。但是對(duì)于一些建筑物比較密集的區(qū)域或者室內(nèi)環(huán)境中，衛(wèi)星信號(hào)強(qiáng)度由于受到建筑物或者室內(nèi)環(huán)境的一些遮擋物的影響而大幅度衰減，無法達(dá)到較好的定位結(jié)果甚至無法定位。醫(yī)院以及一些商場的位置服務(wù)、室內(nèi)環(huán)境下的應(yīng)急救援、一些特殊人群的監(jiān)護(hù)等領(lǐng)域都需要精確的位置信息，以至于室內(nèi)精確的位置信息顯得尤為重要[2，3]。針對(duì)這個(gè)問題人們探索了很多技術(shù)方案以滿足室內(nèi)定位服務(wù)的需求。目前，WiFi被廣泛應(yīng)用于城市的公共接入熱點(diǎn)，以及家庭網(wǎng)絡(luò)和辦公網(wǎng)絡(luò)，所以基于WiFi的室內(nèi)定位技術(shù)能夠充分利用目前室內(nèi)普遍存在的WiFi信號(hào)，不需要增加任何額外的硬件設(shè)備，大大降低了室內(nèi)定位的成本，并能保證定位精度和定位服務(wù)的覆蓋面[4]。

基于WiFi的室內(nèi)定位技術(shù)中應(yīng)用最多的是信號(hào)指紋定位法[5]。該方法主要包括兩個(gè)階段[6]：第一階段是訓(xùn)練階段（也有被稱為離線階段），此階段的主要任務(wù)就是在定位區(qū)域均勻并且合理地設(shè)置若干個(gè)指紋參考點(diǎn)，然后在這些指紋參考點(diǎn)所在的位置進(jìn)行信號(hào)采集，最后將所取得的位置指紋信息建立指紋數(shù)據(jù)庫;第二階段是在線定位階段，該階段的主要工作是在要進(jìn)行定位的位置點(diǎn)實(shí)時(shí)采集各個(gè)AP（Access Point）信號(hào)值，采用位置指紋定位算法估計(jì)出待定位點(diǎn)的準(zhǔn)確位置。位置指紋定位的流程如圖1所示：

從圖中可以看出，本文提出的基于高斯核函數(shù)融合卡爾曼濾波方法的誤差是最小的。同時(shí)，本文提出的算法中59個(gè)坐標(biāo)位置的定位誤差總和也是3種算法中最小的，平均誤差為2.2 m。實(shí)驗(yàn)證明本文提出的于高斯核函數(shù)融合卡爾曼濾波方法能使估計(jì)坐標(biāo)更接近真實(shí)坐標(biāo)。

3 總結(jié)

室內(nèi)環(huán)境的復(fù)雜性使得測得的RSSI樣本的總體無法用一種函數(shù)準(zhǔn)確的估計(jì)其分布，因此要想有效的提高定位精度的關(guān)鍵之一就是準(zhǔn)確的估計(jì)RSSI樣本總體的分布。本文的基于高斯核函數(shù)和卡爾曼濾波的融合算法既可以有效地剔除采集得到RSSI信號(hào)中的奇異值，又可以消除數(shù)據(jù)的波動(dòng)，從而使得位置估計(jì)更加準(zhǔn)確。實(shí)驗(yàn)效果顯示本文提出的算法比傳統(tǒng)的定位算法的定位精度有顯著的提高。

參考文獻(xiàn)

[1] HAN G， XU H， DUONG T Q， et al. Localization algorithms of Wireless Sensor Networks： a survey [J]. Telecommunication Systems， 2013， 52（4）： 2419-2436.

[2] 張忠娟. 基于UWB的室內(nèi)定位技術(shù)研究 [D]. 天津：天津大學(xué)， 2012.

[3] 任小麗. 基于UWB/GIS技術(shù)的室內(nèi)定位系統(tǒng)研究 [D]. 上海：華東師范大學(xué)， 2010.

[4] 陳淑敏， 喬曉田， 毛佳， 等. 基于接收信號(hào)強(qiáng)度（RSSI）的室內(nèi)二次定位方法 [J]. 傳感技術(shù)學(xué)報(bào)， 2015， 28（4）： 572-577.

[5] FANG S， LIN T. A dynamic system approach for radio location fingerprinting in wireless local area networks [J]. IEEE Transactions on Communications， 2010， 58（4）： 1020-1025.

[6] PEI L， LIU J， CHEN Y， et al. Evaluation of fingerprinting-based WiFi indoor localization coexisted with Bluetooth [J]. The Journal of Global Positioning Systems， 2017， 15（1）： 3.

[7] FANG S， LIN T， LEE K. A Novel Algorithm for Multipath Fingerprinting in Indoor WLAN Environments [J]. IEEE Transactions on Wireless Communications， 2008， 7（9）： 3579-3588.

[8] MAZUELAS S， BAHILLO A， LORENZO R M， et al. Robust Indoor Positioning Provided by Real-Time RSSI Values in Unmodified WLAN Networks [J]. IEEE Journal of Selected Topics in Signal Processing， 2009， 3（5）： 821-831.

[9] 陳霞， 陳曉， 鄒勝男. 基于正態(tài)檢驗(yàn)的室內(nèi)定位算法 [J]. 激光雜志， 2017， 38（3）： 41-45.

[10] Q L Y， W Z L， Q W， et al. Nonparametric Statistics Methods [M]. Chendu：Southwest Jiaotong University Press. 2010.

[11] HUANG Y， QI B， CHEN S. Modification of advanced boundary discriminative noise detection algorithm[C]// Proceedings of the 10th IEEE International Conference on Control and Automation （ICCA）， Hangzhou， China， 12-14 June 2013： 961-966.

[12] 萬群， 郭賢生， 陳章鑫. 室內(nèi)定位理論、方法和應(yīng)用 [M]. 北京：電子工業(yè)出版社， 2012.

[13] 仲江濤， 秦斌， 吳健春， 等. 基于Kalman濾波的Chan室內(nèi)定位算法改進(jìn)[J]. 通信技術(shù)， 2017， 50（10）： 2223-2228.

[14] BARSOCCHI P， CRIVELLO A， ROSA D L， et al. A multisource and multivariate dataset for indoor localization methods based on WLAN and geo-magnetic field fingerprinting [C]// Proceedings of the 2016 International Conference on Indoor Positioning and Indoor Navigation （IPIN）， Alcala de Henares， 4-7 Oct. 2016： 1-8.

（收稿日期： 2019.01.24）