基于BLE定位指纹分类的室内定位系统外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

基于BLE定位指纹分类的室内定位系统

Yu-Chi Pu，Pei-Chun You

Department of Maritime Information and Technology, National Kaohsiung University of Science and Technology, Cijin District, Kaohsiung City, 80543, Taiwan

摘 要:位置估计是定位服务的一项重要技术。许多服务和应用，如导航辅助、病人监测和社交网络，都是根据用户的位置开发的。虽然GPS在定位系统中起着重要作用，但它的信号强度在建筑物内部非常弱。因此，为了提高室内定位的准确性，还需要其他的传感装置。近十年来，研究人员在无线传感器网络的基础设施下，基于WiFi、ZigBee或蓝牙设备的接收信号强度（RSS）开发了一系列室内定位技术，用于定位估计。我们可以通过测量装置的RSS来计算装置的距离，但由于无线电信号的干扰是一个相当大的问题，而且室内无线电设备的配置过于复杂，无法建模，所以结果的正确性并不令人满意。利用位置指纹估计目标位置是一种可行的策略，因为位置指纹记录了信号的特征，信号强度与空间关系有关。这种算法通过将在线测量与最近的先验位置指纹相匹配来估计目标的位置。匹配或分类算法是位置指纹正确性的关键所在。本文提出了一种基于广义加权k-最近邻算法的目标节点位置估计算法。网格点的训练间隔为2米，估计位置误差约为1.8米，因此该方法计算量小，精度可接受。

1. 引言

在许多具有位置感知服务的应用中，室内定位技术是一个关键问题。例如，在老年或残疾人护理中心，了解老年居民或痴呆患者的位置在医疗保健监测中很重要。在商业应用中，室内位置信息可以帮助商家或商店了解顾客的行为，从而改进各种活动，如促销、访客引导和欺诈检测。

全球定位系统（GPS）能够在室外进行良好的定位，但由于障碍物引起的信号较弱，它在建筑物内并不总是有效工作。随着无线电台的广泛应用，室内环境中大多数基于位置的服务都是基于无线传感器网络（WSN）提供的。在过去的十年中，无线传感器网络被广泛用于解决室内定位问题。观察者或用户在无线传感器网络环境中接收射频信号，并根据信号信息估计其位置。

根据不同的射频协议，基于无线传感器网络的室内定位可分为射频识别（RFID）技术[1,2]、WiFi技术[3–7]、ZigBee技术[8]、蓝牙技术和其他技术。RFID定位系统由读卡器和标签设备组成；基于RFID标签定位的读卡器可以分为主动型和被动型。活动标签需要内部供电。活动标签的传输距离很长，但它们体积庞大且成本高昂。被动标签的灵感来自于读者的信号。这些标签不需要电源，体积小，价格便宜。然而，被动标签的传输距离较短。WiFi接入点（APS）在大多数建筑物中广泛存在，通过信号强度分析确定用户相对于APS的位置是可行的。然而，用户与接入点之间的距离往往太远，定位精度不够高。ZigBee在定位距离和功耗方面均优于前两种技术。ZigBee设备仅用于定位，而WiFi接入点不仅用于定位，还用于通信。最新的手持设备支持蓝牙低能量（BLE）技术，使用BLE设备进行室内定位似乎是可行的。通过部署廉价和低成本的iBeacon，研究人员通过从iBeacon接收到的信号强度来估计手持设备的位置[9]。

近十年来，人们对WiFi定位指纹技术进行了广泛的研究。WiFi的功耗为数百mA，而ZigBee或BLE等低功耗无线技术的功耗为数十mA。为了节省电池寿命，BLE的广告频道数量限制在三个以内，并且频道之间的干扰很高。此外，由于BLE的带宽比WiFi的带宽窄，因此使用BLE的信道增益不均匀和多径干扰效应比WiFi严重[10]。

由于BLE设备在个人手持设备和公共区域的普及，基于BLE的技术适用于短距离的场景。短距离可以提高定位精度，但射频信号的不稳定特性会干扰定位精度。尽管先前的研究[11]提出了射频传播模型，但由于复杂的环境因素，这些数学模型可能无法很好地工作。由于射频信号的不确定性，采用基于无线传感器网络的定位指纹技术是一种很好的定位策略。

由于BLE定位系统的信号干扰比WiFi定位系统的信号干扰严重，因此，传统的基于WiFi的定位方法应该得到改进。本文提出了一种使用BLE器件的有效定位指纹算法。

1. 相关工作

由于越来越多的位置感知应用的出现，本文重点研究了室内定位系统[4,12]。基于广泛分布的无线传感器网络基础设施，大多数系统利用固定锚定装置和观测装置之间的无线电信号强度（RSS）来估计相对位置。以前，由于无线局域网基础设施的普遍性，一些系统使用WiFi接入点作为信号发送器[3–7]。Blumenthal等人[8]采用ZigBee提供的链路质量指示来评估参考点到已知设备的距离。近年来，BLE设备也被用作室内定位信标[10,13]，其功耗低，且具有体积小、价格便宜、安装方便等特点。近年来，大多数智能手机都配备了BLE，因此使用BLE设备进行室内定位是非常合适的。

在定位技术基础上，采用无线传感器网络的室内定位技术可分为：近距离、几何测量和指纹技术。基于邻近度的方法将目标的位置估计为固定锚节点的位置。例如，RFID标签可以通过RFID读卡器检测目标的位置[14]。无论是短距离还是长距离的射频设备都可以用于近距离定位，不同之处在于定位精度[1,2]。

几何方法根据估计点与参考点之间的几何关系估计角度或距离，包括到达角（AOA）、到达时间（TOA）和到达时差（TDOA）[15]。基于TOA的系统根据发送器和接收器之间信号传播延迟的估计来测量距离。然而，室内无线信道存在严重的多径传播和严重的衰落，因此，AOA的测量结果比TOA提供的测量结果更不准确。射频信号传播的估计误差分为两类：一类是多径传播引起的视线误差，另一类是直接路径阻塞引起的非视线误差。虽然AOA或TDOA方法在使用GPS卫星的室外环境中表现良好，但在室内环境中干扰严重。

由于在复杂的室内环境中，传播衍射、反射和散射会影响到接收信号的强度，基于三边定位的几何方法可能不可靠。通过忽略信号传播的物理特性，指纹技术基于先前构建的无线地图定位目标位置，深入研究了基于指纹的室内定位方法。

Bahl和Padmanabhan[16]首先提出了雷达架构。该体系结构定位于通过环境分析数据在无线网络中构建用户。在采集离线相位采样点的轮廓数据（指纹）后，需要度量和匹配方法来实时估计观测点。欧几里得距离常用于求观测的RSS矢量与测点之间的距离。匹配法将观测点的位置估计为指纹与观测点距离最小（最近邻分类，NN）的测量点或K最近邻测量点的算术平均值（K最近邻，KNN）。Roos[3]将位置估计作为一个机器学习问题，分别采用了KNN、基于中心点和直方图的方法来解决。基于指纹的概率方法可以忽略这些复杂的问题，利用预先测量的无线地图来估计目标的位置。Kushki[7]提出了一种基于中心点的距离计算算法，将RSS观测结果与RSS训练记录进行比较。Fen[17]使用压缩传感理论重建RSS无线地图，并显著减少测量次数。

Fang[5]将RSS转换为主要组件（PC），以压缩RSS的信息。只有一个PC子集用于提高精度和减少在线计算。因此，记录的训练样本更少，从而增强了对RSS异常的鲁棒性。Tran和Nguyen[18]使用支持向量机估计了WSN中节点的地理位置，尽管该过程耗时。

1. 基于BLE器件的指纹定位算法

在这项研究中，我们使用BLE设备作为我们的位置传感设备，因为BLE通信在大多数智能手机上都得到支持，而且诸如iBeacon之类的BLE外围设备广泛可用，并且可以很容易地安装在建筑物和商场中。BLE比WiFi更节能。BLE使用40个2兆赫带宽的信道，覆盖2.4兆赫的无线电频段，该频段也由WiFi覆盖（图1）。然而，由于BLE的带宽比WIFI窄，前者比后者遭受更严重的无线信道增益和快速衰落[13]。因此，BLE定位系统的指纹采集与匹配算法需要进一步考虑。

图1 BLE信道和WiFi信道的比较[13]

无线信号传播遵循对数距离路径损耗模型，无线信号强度（rss）与距离之间的关系可以表示为[19]：

其中RSS（d）是距离d处的接收信号强度，d₀是恒定距离（通常为1m），n是路径损耗参数，具体取决于传播环境。

根据式（1），目标距离d和参数可计算为:

设d=1，用环境中实测的经验数据计算路径损耗参数n。公式（2）似乎是一个封闭的形式来评估与RSS数据的距离。

由于多径传播和阴影衰落的影响，使用RSS进行位置估计过于复杂，难以建模。指纹识别体系结构是对复杂环境进行建模的良好策略。方法如下：从传输设备中选择多个训练地点并记录其RSS，将未知地点的RSS模式与训练地点的RSS模式进行比较，最后根据一些训练地点估计出未知地点。

指纹结构的匹配算法可以分为概率法和非概率法[20,21]。概率匹配算法利用预估计数据建立RSS概率分布函数，并利用最大似然估计概率位置。相反，非概率匹配策略[22,23]不需要构造参数模型，适用于较小的训练集和不稳定的环境。在本研究中，我们使用了基于KNN的非概率匹配算法，该算法可以很容易地实现，并且性能良好。

3.1 用于室内定位的BLE设备

本文以BLE装置作为发射信标及接收装置。BLE信标通过比WiFi更窄的频道广播广告信息，以减少干扰。接收设备通过三个广告渠道扫描信息。但是，BLE设备的传输范围比WIFI设备短。因此，BLE信标的部署必须比WiFi AP更密集。

定位指纹定位方法可分为训练和测试两个阶段。在训练（离线）阶段，训练样本的RSS被记录下来，形成环境中的无线电地图。然后，在测试（在线）阶段，通过将测量的RSS值与无线地图上的值进行比较来估计客户端的位置。指纹定位策略如图2所示。

图2 指纹定位策略的过程

3.2 提出的位置指纹算法

基于RSS的位置指纹是指通过将在线测量与最近的A-先验位置指纹匹配来估计目标位置的算法类型。位置指纹包括两个阶段：离线和在线。在离线阶段，在环境中执行站点调查。收集附近基站/信标的位置坐标/标签和各自的信号强度。在在线阶段，定位技术使用当前观察到的信号强度和以前收集到的信息来确定估计的位置。

图2中的在线阶段需要一个度量来评估训练样本和无线地图上测试样本的相似性。可以使用各种度量，如欧几里得距离、曼哈顿距离和切比雪夫距离。不同的度量计算可能会影响结果。我们讨论了后一个实验的影响。假设BLE信标的数量为m，那么一个称为minkowski的通用度量形式在未知位置s处测试RSS矢量rss和在已知位置t处训练RSS矢量rss_t之间的距离表示为：

其中rss_i^s和rss_i^t分别是从第i个信标到s和t的rss值。如果p=2，则度量为欧氏距离。如果p=infin;，则公制为切比雪夫距离。

在测量了无线地图上测试样本和训练样本的相似性之后，我们使用KNN方法来估计测试样本的位置。KNN是一种非参数机器学习算法，它选择最近的K训练样本，分析K样本的类别，并通过多数投票将测试样本分配给其中最相似样本的类别。

在大多数选择之后，让T₁，T₂，hellip;，T_k作为k个训练样本，根据公式（3）和训练样本t_iis（x_ti，y_ti）的位置坐标，与s的最小距离。然后，我们估计s的位置（x，y）为：

也就是说，估计位置是K-最近训练样本坐标的平均值。

KNN方法在无线地图数据库中搜索无线信号强度读数的k最佳匹配，并计算k位置的算术平均值，以定位估计位置。加权KNN使用k位置的加权平均值通过局部化扩展KNN。

基于（4）中KNN的位置估计，我们可以通过将k-近邻特征向量视为与距离成反比的不同权重来改进。我们可以简单地将重量定义为（5）中距离的倒数。

加权k-近邻（WKNN）算法估计s的位置（x，y）为：

在[3]中，Roos将最近邻策略与基于中心点和基于直方图的最近邻策略进行了比较，前者的定位误差大于后者。在这项工作中，我们分别采用改进的KNN和WKNN算法进行位置估计，而不是采用最近邻算法。在下一节中，实验将验证所提出方法的可行性。

1. 实验结果

4.1 实验台

在本研究中，我们使用来自RF Digital Corp.的Rfduino设备[24]作为BLE信标和手持设备。RFduino模块的核心是北欧半导体公司[25]的NRF51822芯片，它是一种带ARM Cortex M0微控制器的超低功耗BLE应用系统芯片设备。RF Digital Corp.使其SDK与Arduino平台兼容，以实现快速、简单的原型制作。根据BLE设备NRF51822的规格，RSSI精度为 /minus;6 dbm，有效范围为minus;50 dbm至minus;80 dbm。

为了评估BLE设备的传输特性，我们在室内（走廊）和室外（广场）环境中进行了初步测试，如图3所示。两种环境之间的差异很小，但是BLE设备的传输功率对RSS值的影响比环境大。我们测量了走廊内距离为1.5米至12米，发射功率分别为0dbm和4dbm的两台BLE设备之间的RSS，如图4（a）和（b）所示。虽然前者的功耗高于后者，但4dbm的功率增益比0 dbm的功率增益更精确。

1. (b)

图3 用于测

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19981]，资料为PDF文档或Word文档，PDF文档可免费转换为Word