CN102333372A - 一种基于射频指纹的实时定位方法和系统 - Google Patents

Abstract

本发明提供一种基于射频指纹的实时定位系统，采用定位标签主动发射短数据包，阅读器测量相应信号强度并发送到定位服务器，定位服务器负责数据同步并估计定位标签的位置。该系统减少了定位标签发射数据量，降低定位标签能耗，延长标签单次充电后的工作时间，而且由于定位服务器采用了混合高斯分布模型、基于公共阅读器集的预定数目最大信号强度阅读器挑选、自适应区域搜索等机制，提高该系统的定位精度并降低了计算量。

Description

一种基于射频指纹的实时定位方法和系统

技术领域

本发明属于无线通信技术领域，尤其涉及基于射频信号强度的实时定位技术。

背景技术

近年来，随着无线通信技术的发展以及各种无线网络的广泛部署，基于无线保真(Wireless Fidelity，简称WiFi)和无线射频识别(Radio FrequencyIdentification Devices，简称RFID)等短距离无线通信技术的定位技术受到越来越多的关注。其主要原因是基于WiFi、RFID等短距离无线定位技术不仅没有视距要求，而且还不需要另外搭建昂贵的定位基础设施，目前这些短距离定位技术已成为GPS等卫星定位的有益补充，尤其适合在室内、地下、高楼林立的街区等封闭或半封闭场景应用(卫星定位在这些场景下基本失效)。考虑到由多个接收信号强度(Received Signal Strength，简称RSS)构成的信号强度矢量(也称为射频指纹)能较好地克服复杂室内场景下RSS与收发距离之间不存在良好映射关系这一难题，目前基于射频信号强度的射频指纹定位技术已成为定位技术的研究热点。

现有的射频指纹定位过程主要包括以下的步骤：(1)部署。根据应用环境地理分布情况，进行网络部署(即用于定位的阅读器的布局)，形成网络分布拓扑图，并划分射频指纹采样所使用的网格。(2)采样。训练节点主动发射扫描信号，测量接收到阅读器的信号强度，将接收到的信号强度发送给定位服务器；(3)训练。定位服务器使用接收到的所有接收信号强度，计算并获得在每个网格内RSS信号的统计特征，构建RSS指纹库(也可称为训练指纹库)，并建立RSS指纹和对应网格的映射关系；(4)定位。定位终端(定位标签)实时测量阅读器发射的信号强度，发送到定位服务器，定位服务器使用接收到的信号强度构建该定位终端的射频指纹(也可称为观测指纹)，并在训练指纹库中搜索与观测指纹最“像”(后验概率最大)的指纹，该指纹对应的网格位置就是对该定位标签的位置估计。

现有基于射频指纹定位技术存在如下问题：

(1)在训练阶段大都采用单一高斯分布模型来表征网格内接收信号强度的分布特性，不能准确反映复杂场景内接收信号强度的分布特性。由于射频信号受多径传播、阴影衰落、非视距阻挡、收发器硬件校准精度、人员活动、温湿度变化等随机因素影响，射频信号具有较强的时变特性和随机特性，一般情况下并不服从高斯分布，采用近似高斯模型，导致定位误差较大。

(2)在定位阶段，现有射频指纹定位方法在进行指纹匹配搜索时，大都选择在整个定位区域范围内进行全局搜索，需要对每个网格进行匹配运算，定位计算开销较大，当定位区域较大，且需要定位的节点较多时，定位实时性较差。

(3)在进行射频指纹匹配搜索时，现有射频指纹定位方法大都采用基于最大后验概率(即似然函数与先验概率的乘积)准则确定位置估计。在计算似然函数时，现有射频指纹定位方法只是简单地选择预定数目接收信号强度较大的阅读器，或者使用所有能接收到信号的阅读器进行计算。由于不同网格之间没有使用公共的阅读器集(在不同网格位置接收到的阅读器集合一般不同)，导致不同网格的似然函数值不具可比性。此外，阅读器集合中还可能包含一些距离非常远、信号非常弱的阅读器，这类阅读器对于该网格的似然计算没有多大的参考价值，反而会带来误差。

(4)现有射频指纹定位方法没有有效利用历史数据或邻居节点信息，导致定位结果来回跳动，鲁棒性不好。受环境各种干扰因素的影响，射频信号接收信号强度波动性较大，即使精选定位区域和阅读器，也难以保证每次似然计算的准确性。

(5)现有基于WiFi网络的射频指纹定位技术大都采用定位标签主动扫描方式，需要进行多次握手通信，每次扫描过程包括：在所有信道发送无线扫描信号；等待阅读器应答；获得阅读器的返回信息，并测量阅读器发射信号的信号强度，基于测量到的所有阅读器的信号强度构建射频指纹向量。这样一次扫描过程的能耗包括在所有信道发送和接收两次通信能耗和中间等待阅读器应答的能耗，造成定位能耗较高。

发明内容

为了解决上述技术问题，本发明从系统的角度出发，提出了一种基于射频指纹的实时定位方法，提高定位精度和降低计算量，并降低定位标签能耗。

本发明的上述目的是通过以下技术方案实现的：

一方面，本发明提供了一种基于射频指纹的实时定位方法，所述方法包括：

步骤1)由定位标签周期性发射WiFi信号，所述WiFi信号包含该定位标签标识和WiFi包的序列号；

步骤2)由阅读器接收由定位标签发送的WiFi信号并测量该信号的信号强度；

步骤3)由阅读器将定位测量信息发送到定位服务器，所述定位测量信息包含该阅读器的标识、所接收的WiFi信号中定位标签的标识、WiFi包的序列号和所测量的信号强度；

步骤4)由定位服务器对从多个阅读器接收的定位测量信息进行同步，以形成对于定位标签的射频指纹，所述定位标签的射频指纹为各阅读器测量的由同一定位标签发射的同一WiFi信号的信号强度矢量；

步骤5)由定位服务器基于定位标签的射频指纹来估计该定位标签的位置。

上述方法中，步骤1)包括以下步骤：

步骤11)定位标签苏醒后，使用内部集成的加速度传感器采集自身加速度数据，并与最近一次采集的加速度数据进行比较；

步骤12)如果两次加速度数据差异超过阈值，则定位标签在预定信道发射一短串包含该定位标签标识和WiFi包序列号的WiFi信号，然后进入休眠状态；如果两次加速度数据差异在阈值范围内，则定位标签直接进入休眠状态；

其中，所述阈值由加速度传感器型号及精度决定，休眠周期根据应用需求而设定。

上述方法中，阅读器通过UDP协议将定位测量信息发送到定位服务器，所使用的UDP数据包包含阅读器的MAC地址、WiFi包的序列号、WiFi信号强度以及发射该WiFi信号的定位标签的MAC地址。

上述方法中，步骤4)包括以下步骤：

由定位服务器接收来自多个阅读器传递过来的定位测量信息；

由定位服务器根据定位测量信息中所包含的定位标签的标识以及WiFi包的序列号来对信号强度值进行组合，得到各阅读器测量的对于同一定位标签发送的同一WiFi信号的信号强度矢量。

上述方法中，步骤5)由定位服务器基于所形成的定位标签的射频指纹来估计该定位标签的位置包括以下步骤：

步骤51)选取与上次估计位置的距离小于d的网格作为定位区域S1；

步骤52)基于步骤51)所选择的定位区域S1所覆盖的阅读器和所述定位标签的射频指纹对应的阅读器选择公共阅读器；

步骤53)对于所选择的定位区域S1内的每个网格进行如下操作：

把该网格内所有选择阅读器的似然值相乘，得到对应网格的似然函数值，再与该网络对应的先验概率相乘，得到对应网格的后验概率；

步骤54)选择最大后验概率对应的网格作为对定位标签的位置的估计。

上述方法中，步骤53)还包括

对于与上次估计位置的距离大于d但小于D的区域S2内的每个网格计算似然概率的步骤。

上述方法中，步骤54)包括以下步骤：

如果定位区域S1内的最大的似然概率小于区域S2中k个似然概率时，则计算区域S2内的每个网格的后验概率，选择S2中最大后验概率对应的网格作为对定位标签的位置估计；否则，选择S1中最大后验概率对应的网格作为对定位标签的位置估计，其中D＝2d；k不超过区域S2内网格总数的50％。

上述方法中，在步骤1之前还包括训练的步骤，所述训练步骤包括以下步骤：

训练节点主动发射WiFi信号，阅读器将训练节点的定位测量信息发送到定位服务器；

定位服务器根据从多个阅读器所接收的定位测量信息，利用混合高斯分布对每个阅读器获取的在相同网格位置的同一个定位标签发射的多个信号强度测量值进行统计分析，并建立射频指纹和对应网格的映射关系。

上述方法中，步骤52)还包括以下步骤：

如果选出来的公共阅读器个数太大，则选取其中信号强度最大的K个，参数K依据实际环境来调整。

又一方面，本发明还提供了一种基于射频指纹的实时定位系统，所述系统包括：

定位标签，用于周期性发射WiFi信号，所述WiFi信号包含该定位标签标识和WiFi包的序列号；

阅读器，用于接收由定位标签发送的WiFi信号并测量该信号的信号强度，以及将定位测量信息发送到定位服务器，所述定位测量信息包含该阅读器的标识、所接收的WiFi信号中定位标签的标识、WiFi包的序列号和所测量的信号强度；

定位服务器，用于对从多个阅读器接收的定位测量信息进行同步，以形成对于定位标签的射频指纹，并且基于所形成的定位标签的射频指纹来估计该定位标签的位置，所述定位标签的射频指纹为各阅读器测量的由同一定位标签发射的同一WiFi信号的信号强度矢量。

上述系统中，定位标签苏醒后，使用内部集成的加速度传感器采集自身加速度数据，并与最近一次采集的加速度数据进行比较；如果两次加速度数据差异超过阈值，则定位标签在预定信道发射一短串包含该定位标签标识和WiFi包序列号的WiFi信号，然后进入休眠状态；如果两次加速度数据差异在阈值范围内，则定位标签直接进入休眠状态；其中，所述阈值由加速度传感器型号及精度决定，休眠周期根据应用需求而设定。

上述系统中，阅读器通过UDP协议将定位测量信息发送到定位服务器，所使用的UDP数据包包含阅读器的MAC地址、WiFi包的序列号、WiFi信号强度以及发射该WiFi信号的定位标签的MAC地址。

上述系统中，定位服务器包括信息处理模块和定位引擎，所述信息处理模块用于接收来自多个阅读器传递过来的定位测量信息并根据定位测量信息中所包含的定位标签的标识以及WiFi包的序列号来对信号强度值进行组合，得到各阅读器测量的对于同一定位标签发送的同一WiFi信号的信号强度矢量；

所述定位引擎基于所形成的定位标签的射频指纹，采用如权利要求5、6、7、8和10之一所述的方法来估计该定位标签的位置。

与现有技术相比，本发明采用定位标签主动发射短数据包，阅读器测量的工作模式，尽可能地减少定位标签发射数据量，降低定位标签能耗，延长标签单次充电后的工作时间。此外，通过构建混合高斯分布模型、基于公共阅读器集的预定数目最大信号强度阅读器挑选、自适应区域搜索等机制，提高定位精度和降低计算量。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1为根据本发明实施例的基于射频指纹实时定位系统架构示意图；

图2为根据本发明实施例的基于射频指纹的实时定位方法的流程图；

图3为根据本发明实施例的定位标签的整体架构示意图；

图4为根据本发明实施例的定位标签的工作流程示意图；

图5为OpenWrt开源系统中包含mac80211模块的CompatWireless模块示意图；

图6根据本发明实施例的定位服务器上信息同步模块的示意图；

图7为根据本发明实施例的定位服务器上定位引擎的工作流程图；

图8为根据本发明实施例的一个实验环境的示意图；

图9为根据本发明实施例的定位效果示意图；

图10为根据本发明实施例的定位引擎实时定位的性能示意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1所示的是基于射频指纹实时定位系统的一个实施例的架构示意图。该系统包括定位标签、阅读器(AP或无线路由器)和定位服务器。定位标签为可发射WiFi信号的待定位终端；阅读器为在待定位区域内部署的与有线网络连接的接入点，能够接收并解析指定信道的WiFi信号，并把接收到的WiFi信号相关信息通过有线或无线方式传送到定位服务器；定位服务器为处理能力较强的计算机，主要负责完成节点定位计算以及定位结果的动态展示，同时为外部用户提供可以访问定位结果的接口。

图2为基于射频指纹的实时定位方法的一个实施例的流程图，其描述了图1所示的实时定位系统完成一次定位的具体过程，主要步骤如下：

1)定位标签定期苏醒后，使用内部集成的加速度传感器采集自身加速度数据，并与最近一次采集的加速度数据进行比较，如果两次加速度数据差异超过阈值，则定位标签在预定信道发射一短串包含自身标识(如MAC地址)和数据包序列号的WiFi信号，然后进入下一步；如果两次加速度数据差异在阈值范围内，则定位标签直接进入下一步。

2)定位标签进入休眠状态，休眠周期由应用需求决定。例如，对于定位实时性要求较高或者运动比较剧烈的人员，休眠周期小于1秒；对于静态物品或者较少运动的物品，休眠周期可设置为1小时等。

3)各阅读器测量定位标签发射的WiFi数据包的信号强度，并提取定位标签发射的WiFi数据包的序列号及该标签的MAC地址。

4)阅读器将提取的WiFi数据包信号强度值、包序列号、标签MAC地址以及阅读器MAC地址进行打包，然后发送到定位服务器。

5)定位服务器接收各阅读器传递过来的定位测量数据。该测量数据包含了定位标签的信号强度、MAC地址、数据包序列号以及测量阅读器的MAC地址等信息。

6)定位服务器对接收的定位测量数据进行同步处理。在对所有阅读器采集并发送过来的数据包进行解析后，先后以标签MAC地址以及数据包序列号为标准对信号强度值进行组合，得到各阅读器对同一定位标签发送的同一WiFi信号包的信号强度测量矢量，用以构建定位射频指纹(即观测指纹)。

7)定位服务器将经过同步处理后形成的定位射频指纹(各阅读器读取的由同一定位标签发射的同一WiFi数据包的信号强度矢量)提交给定位引擎，由定位引擎完成定位计算。

下面参照图3-10对上述定位系统和定位方法进行更详细的讨论。

1定位标签

图3所示的定位标签的一个实施例的架构示意图。在本实施例中，定位标签采用的是GainSpan公司的低功耗SoC(System on Chip)芯片GS1011，使用uVelOsity实时操作系统，在此基础上编写标签驱动程序和应用层程序。

在本实施例中，为了降低能耗，为定位标签(也可简称为标签)设计了休眠和唤醒机制，并在GS1011基础上扩展了ADI公司的加速度传感器ADXL202。如表1所示，定位标签休眠时功率只有0.3mW，若延长单位时间内定位标签休眠时间百分比，将能大大地节省其能耗。此外，由于携带者在行走时，标签会上下颠簸，因此，当标签唤醒后，首先对加速度传感器进行数据采集，若采集到的加速度数据变化较小，则说明标签很可能没有移动。此时，标签将跳过信号发射阶段(节点的能耗主要用于发射信号)，直接进入休眠状态。

表1

图4所示的是该定位标签的工作流程图，主要包括以下步骤：首先，定位标签被RTC(Real Time Clock)时钟定时唤醒，其中，休眠周期由应用需求决定。例如，对于定位实时性要求较高或者运动比较剧烈的物体，休眠周期可小于1秒；对于静态物体或者较少运动的物体，休眠周期可设置为1小时，甚至更长时间；接着，采集加速度传感器数据，若加速度数据与上次苏醒时刻数据相比变化小于某一阈值，则直接进入休眠状态；若两次加速度传感器数据变化大于某一阈值(该阈值由加速度传感器型号及精度决定，一般随着硬件的不同而有所不同，具体数值可通过实验获得，(例如在本实施例中，该阈值为170mg)，则在预定信道发射一串包含自身标识(如MAC地址)和数据包序列号的WiFi数据包，然后定位节点进入休眠状态。

2阅读器

在本实施例中，阅读器(也可简称为AP，Access Point)的主要任务是测量并提取定位标签WiFi信号强度等信息，并将提取出的信息传递到定位服务器。更具体地，阅读器包括实现无线信号监听、提取定位标签WiFi信号、提取信息和发送信息到定位服务器的功能。在本实施例中，所选择的阅读器硬件平台为LinkSys 54gs v3.0路由器，阅读器软件是基于OpenWrt开源工程，在如图5所示的OpenWrt中处理无线信号的兼容无线(CompatWireless)模块中提供的Mac80211模块的基础上开发的。本实施例中，阅读器将所提取的信息(该信息包括定位标签发射的WiFi数据包的序列号，接收信号强度和该标签的MAC地址以及阅读器自身的MAC地址)通过UDP协议发送到定位服务器。表2所示为阅读器所采用的UDP数据包的格式。

表2

3定位服务器

定位服务器的主要任务就是依据阅读器采集的数据进行分析，并完成定位。一个标签发射的WiFi信号被信号可接收范围内的所有阅读器异步接收后，发送到定位服务器，定位服务器在进行定位工作之前需要对各阅读器传来的异步数据进行信息整合，实现异步数据的同步化，才能用于指纹匹配搜索。定位服务器主要由两大部分构成，一是负责数据同步处理的信息处理模块，另一个则是完成定位工作的定位引擎。以下将分别就这两部分进行详细介绍。

3.1信息处理模块

信息处理模块的功能主要是对所有阅读器采集并发送过来的数据包进行解析，先后以数据包中标签MAC地址以及数据包序列号为标准对不同数据包的中含有的WiFi信号强度值进行组合，得到各阅读器对同一定位标签发送的同一WiFi信号包的信号强度测量矢量，用以构建定位射频指纹，并将其发送给定位引擎。

具体说来，信息处理模块主要包含以下子模块：

信息接收子模块：监听某端口，接收阅读器发送过来的数据包，依据固定格式解析该数据包后，并将其放入缓存区。

信息缓存子模块：维护一个待处理信息队列，用于缓存接收的大量数据，若其非空，则可从该缓冲区提取数据。

信息同步子模块：将异步数据整合为规范的同步数据，表3为同步处理后的数据格式。

信息传递子模块：负责将处理好的同步信息传递给定位引擎。

表3

由于数据量较大，信息同步模块要求较快的数据处理速度以保证系统的实时性，以及较高的数据处理能力以保证系统的可扩展性。图6描述了信息同步子模块的一个实施例。如图6所示，该模块主要由多级线程组和对应的一些活动AP(Access Point)链表组成。其中，一级标签MAC分配线程从缓冲区取得一个数据包，依据定位标签MAC地址将该数据包分配给对应的二级序列号分配线程；若不存在对应的二级序列号分配线程，则创建一个新的对应二级序列号分配线程，并创建该线程对应的定时器线程，以及该线程对应的活动AP链表。二级序列号分配线程将接收的数据包依据包序列号将其分配给对应的三级组合线程，并且刷新此二级线程对应的活动AP链表，将该链表信息传递给对应的三级组合线程；若不存在对应的三级组合线程，则创建一个该线程，并启动其对应的定时器线程。三级组合线程等待二级线程传来数据，依据对应的活动AP链表信息定时检测同步数据是否接收完毕，若接收完毕则将该同步数据传递给发送模块，否则一直等待，直到定时器超时。处理定时器超时，再次检测数据完整性，若完整则传递给信息传递子模块，否则丢弃。二级定时器线程监测对应的二级线程活动情况，若在规定时间段内该线程无活动，就结束该线程。三级定时器线程控制对应三级线程等待时间，超时后结束该线程。每一个二级序列号分配线程对应一个活动AP链表，用于维护每一个定位标签对应的活动阅读器。

与现有大部分定位系统(在其中，定位标签主动扫描各个信道、触发AP或路由器发射应答信号、定位标签接收并测量AP或路由器发射的信号强度)的定位技术相比，在上述实施例中，由定位标签主动发射包含自身标识及序列号的短数据包，由AP监测并测量定位标签发射的信号强度，因而具有功耗低、容量大等优点。而且，在服务器端对接收到的信号进行同步处理时，采用多级线程组方式，具有更高的并发能力，能同时处理大量定位测量数据，可支持大量标签的同时实时定位。

3.2定位引擎

定位引擎接收来自信息处理模块的数据，并构建用于定位节点的RSS观测向量(即观测指纹)，然后在训练阶段预先采集的射频指纹(即训练指纹)中进行匹配搜索，找出与观测指纹“最匹配”的射频指纹，最匹配训练指纹对应的网格位置就是对待定位节点的位置估计。

图7为根据本发明实施例的定位引擎的工作流程示意图。从图中可以看出，定位引擎的工作流程主要包含采样、训练和定位三个阶段，每个阶段的具体任务如下：

(1)采样阶段。首先根据应用及应用环境的具体情况，对定位区域进行网格划分，网格大小由定位精度要求决定，而定位精度要求由具体应用决定。对于定位精度要求较高的场景，网格可划分为1.5m*1.5或2m*2m方格，对于定位精度要求不高的场景，可以把一个房间作为一个网格。该物理空间上的网格划分与服务器上待定位区域电子地图相对应。节点发射训练信号，附近所有阅读器监测并测量信号强度，记录下RSS值和对应标签的MAC地址以及训练信号的序列号，然后将数据发送给定位服务器，保存在数据库中。采样的一组数据以{ID，N，r_m1，r_m2，...，r_mk}形式表示，其中r_mi是MAC地址为mi的阅读器接收到由标识为ID的定位节点发射的序列号为N的信号强度。

(2)训练阶段。对于每个网格，使用采样阶段采集的RSS指纹建立一个映射关系。具体来讲，按照阅读器标识符对RSS指纹进行分组，对每个阅读器获取的同一个定位标签发射的多个RSS测量值进行统计分析，并用一个概率分布(如高斯或混合高斯)来描述其分布特性，用于定位阶段的似然函数计算。

由于射频信号受时间空间等各种干扰因素的影响，一般情况下，节点在相同网格位置以相同发射功率多次发射无线信号，同一阅读器多次测量该节点发射的信号强度，往往并不服从高斯分布，而现有大部分定位算法采用近似高斯模型，导致定位误差较大。在一个实施例中，使用混合高斯分布模型(GMM，Gaussian Mixture Model)，能较好地表征射频信号的统计特性，可提高定位精度。在该实施例中，采用的混合高斯分布模型为

其中x表示位置，Θ＝(α₁，K，α_M，θ₁，，K，θ_M)是GMM参数，

α_i表示单一高斯分布p_i(x|θ_i)的权值，θ_i代表第i个单一高斯分布的参数(μ_i，∑_i)。利用EM(Expectation-Maximize，期望最大化)算法，通过最大化 $Q(\mathrm{\Θ},{\mathrm{\Θ}}^g)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\α}}_i\right)p\left(i\right|x_j,{\mathrm{\Θ}}^g)+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\log \left[p_i\left(x_j\right|{\mathrm{\θ}}_i)\right]p\left(i\right|x_j,{\mathrm{\Θ}}^g)$ 求解模型参数。混合高斯模型能较好地表征复杂场景下接收信号强度的统计分布特性，可提高似然计算的准确性。

(3)定位阶段。定位阶段需要找到射频指纹和观测指纹最“像”的网格。定位引擎基于贝叶斯框架进行概率定位，对每个网格进行后验概率计算，概率越大则表示越“像”。主要过程为：1)获得需要定位节点的射频指纹(即观测指纹)；2)选择定位区域(锚点选择)；3)选择公共阅读器集；4)进行似然计算和后验概率计算；5)得到节点位置的估计，进行阈值判断；6)根据5)中的判断结果，如果小于阈值则进行自适应搜索。

下面对上述定位步骤进行更详细的介绍：

●锚点选择。锚点即采样过程中位置已知的各个点，用于限定指纹匹配搜索的区域范围。为减少计算复杂度，定位时选取距离上次估计位置(估计位置的返回值是网格的位置属性)d以内的网格作为定位区域来计算，根据训练阶段构建的各个网格之间的距离矩阵，可以得到d范围内的网格。这样可以避免因搜索其它不大可能网格带来时间浪费。该步骤是从第二次定位开始的。对于节点的首次定位，则在所有网格范围内进行似然计算，取最大似然值对应网格位置作为初次定位估计结果。d的具体值依据应用需求确定。

●公共阅读器集选择。阅读器部署在不同位置，导致在不同网格接收到的阅读器集合不同。定位选择区域内所有网格接收到的阅读器集合和当前的观察RSS值所对应的阅读器集合也不完全相同。传统算法一般使用网络中部署的所有阅读器(对于没有接收到的阅读器信号强度使用一个非常小的特定RSS值来替代)，或者简单地选择几个信号强度最大的阅读器。而似然概率的计算需要基于一个公共的阅读器集合，否则无法进行比较。所以对选取的锚点中覆盖的阅读器和观测值对应的阅读器进行公共阅读器选择。如果选出来的公共阅读器个数太大，则选取其中信号强度最大的K个，参数K依据实际环境可以调整。该选择策略既可减少射频指纹匹配搜索的计算量，而且还可以减少信号强度较小阅读器引入的误差，提高定位精度。

●先验计算和似然计算。先验概率是根据训练阶段生成的距离矩阵获得的，它反映了节点由任一网格位置到定位区域内所有网格位置的转移概率分布。一般来讲，两个网格之间相距越远，则从其中一个网格直接移动另一个网格的概率越小。似然计算基于训练阶段获得的混合高斯模型，使用定位阶段采集的定位指纹计算得到，它反映了在定位节点在相应网格发射信号，各阅读器接收到某一定位指纹的概率。把所有选择阅读器的似然值相乘，得到对应网格的似然函数值，再与该网络对应的先验概率相乘，得到对应网格的后验概率。按照上述方法，计算选择区域内其它网格对应的后验概率。当最大后验概率不小于预定某一阈值(关于该阈值的设置可参见下文自适应区域调整的搜索方法里的相关描述)时，该后验概率对应的网格位置就是标签的位置估计；如果最大后验概率小于预定某一阈值，则采用自适应区域搜索方法，扩大指纹匹配搜索范围，在扩大的区域范围内计算每个网格对应的后验概率，选择最大后验概率对应的网格作为标签的位置估计。

●自适应区域调整的搜索方法。现有射频指纹定位方法大都采用基于全局搜索，或者基于固定大小区域搜索方法。基于全局搜索方法存在计算量较大、实时性较差等不足。基于固定大小区域搜索的指纹定位方法无论最大后验概率大小，直接选择最大后验概率对应的网格，作为标签的位置估计，并不对定位结果进行修正，当某次定位误差较大时，锚点选择不当可能会使后面的定位误差发生累积效应，导致定位误差传播。在本实施例中，采用自适应区域调整的搜索方法，它根据已获得的最大后验概率的大小，动态调整搜索网格的区域范围。当最大后验概率小于预定阈值时，则扩大定位区域搜索范围，进行二次定位。在该实施例中，引入一个自适应比例阈值来避免定位结果误差的累积。比例阈值的作用是一旦最大似然概率小于该比例阈值时，便在一个比d大(D)的范围内进行搜索。作为可选方案，选择D＝2d。在计算d范围内网格的似然概率的同时，也计算(D-d)距离范围内各网格的似然概率，设定前者的似然概率空间为S₁，后者的似然概率空间为S₂，若S₁中最大的似然概率值小于S₂中的k个似然概率时，则在(D-d)范围内进行后验概率计算，生成新的定位结果。其中k＝S₂*t，t是一个百分比，是从经验历史数据中分析得到的，可选t＝20％或其它，但不应超过50％。这个策略可有效避免由于前一次发生定位错误而导致后面连续多次发生定位错误。即使在d范围内发生定位错误，只要节点客户端不超出D范围内，系统仍然可根据似然概率的变化判断出来定位错误，并在(D-d)的范围内进行错误纠正。可见，自适应区域搜索能有效避免因各种偶然因素引起单次定位错误而引入的定位误差积累和传播效应，提高定位鲁棒性和定位精度。

4.实验分析

为了更好地说明本发明的效果，发明人进行了下面的实验。实验环境如图8所示，使用了三个阅读器搭建三级子网，四个定位标签。

(1)功耗测试

通过对采用和不采用本发明提供的方法的实时定位系统中定位标签实际工作时间的监测，得到了如表4定位标签工作时间对照表所示的十组数据，不采用本发明提供的方法的系统中的定位标签苏醒一次平均工作时间为2.1s，而采用本发明提供的方法后系统中的定位标签苏醒一次平均工作时间只有0.18s，平均工作时间降低了91.4％。

实际使用中，定位标签每隔3s苏醒工作一次，依据表1，若标签开启24小时，不采用上述低功耗的方法下其耗电量为：(2.1*330+(3-2.1)*0.3)*24*3600/(3*1000)＝19966.176(J)；而采用上述低功耗的方法后其耗电量为：(0.18*330+(3-0.18)*0.3)*24*3600/(3*1000)＝1717.8048(J)。实际能耗使用降低了91.396％。

本次实验中使用的电池规格是3.7V*750mAh。理想工作模式下，不采用本发明提供的方法的定位标签的续航时间为11.97小时，而采用本发明提供的方法的定位标签的续航时间可提高到137.7小时。

表4

(2)定位结果

图9显示了定位效果图，左边显示了定位目标在桌面客户端中的当前位置和运行轨迹，右边两图分别显示了集成WiFi功能的终端在不同缩放层次上的定位显示效果。

图10显示了定位引擎实时定位的性能(累积概率分布，CDF，Cumulative Distribution Function)，图中三角形点线

描述的是本发明采用自适应搜索的定位结果，正方形点线

描述的是没有采用自适应区域调整搜索(与本发明相比仅缺少自适应搜索这步，其它相同)的定位结果，圆形点线

描述的是仅采用最大后验方法(没有使用锚点选择、阅读器公共集选择和自适应搜索这三个步骤)的定位结果。系统实验环境在中国科学院计算所办公楼的七层，定位区域为16m*24m，分为196个网格。节点在每个网格一次采样平均收到20个AP的信号，选择信号强度最大的4个公共AP进行定位。从图中可以看出，在3m的误差上，本发明定位引擎

的定位精度达到77.4％，相比简单的最大后验定位

提高了72％。而自适应区域搜索调整的加入也使定位精度从73.9％提高到了77.4％。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。

Claims (14)

1.一种基于射频指纹的实时定位方法，所述方法包括：

步骤1)由定位标签周期性发射WiFi信号，所述WiFi信号包含该定位标签标识和WiFi包的序列号；

步骤2)由阅读器接收由定位标签发送的WiFi信号并测量该信号的信号强度；

步骤3)由阅读器将定位测量信息发送到定位服务器，所述定位测量信息包含该阅读器的标识、所接收的WiFi信号中定位标签的标识、WiFi包的序列号和所测量的信号强度；

步骤4)由定位服务器对从多个阅读器接收的定位测量信息进行同步，以形成对于定位标签的射频指纹，所述定位标签的射频指纹为各阅读器测量的由同一定位标签发射的同一WiFi信号的信号强度矢量；

步骤5)由定位服务器基于定位标签的射频指纹来估计该定位标签的位置。

2.根据权利要求1所述的方法，其中，步骤1)包括以下步骤：

步骤11)定位标签苏醒后，使用内部集成的加速度传感器采集自身加速度数据，并与最近一次采集的加速度数据进行比较；

步骤12)如果两次加速度数据差异超过阈值，则定位标签在预定信道发射一短串包含该定位标签标识和WiFi包序列号的WiFi信号，然后进入休眠状态；如果两次加速度数据差异在阈值范围内，则定位标签直接进入休眠状态；

其中，所述阈值由加速度传感器型号及精度决定，休眠周期根据应用需求而设定。

3.根据权利要求1所述的方法，在步骤3)中阅读器通过UDP协议将定位测量信息发送到定位服务器，所使用的UDP数据包包含阅读器的MAC地址、WiFi包的序列号、WiFi信号强度以及发射该WiFi信号的定位标签的MAC地址。

4.根据权利要求1所述的方法，其中，步骤4)包括以下步骤：

由定位服务器接收来自多个阅读器传递过来的定位测量信息；

由定位服务器根据定位测量信息中所包含的定位标签的标识以及WiFi包的序列号来对信号强度值进行组合，得到各阅读器测量的对于同一定位标签发送的同一WiFi信号的信号强度矢量。

5.根据权利要求1所述的方法，其中，步骤5)由定位服务器基于步骤4)所形成的定位标签的射频指纹来估计该定位标签的位置包括以下步骤：

步骤51)选取与上次估计位置的距离小于d的网格作为定位区域S1；

步骤52)基于步骤51)所选择的定位区域S1所覆盖的阅读器和所述定位标签的射频指纹对应的阅读器选择公共阅读器；

步骤53)对于所选择的定位区域S1内的每个网格进行如下操作：

把该网格内所有选择阅读器的似然值相乘，得到对应网格的似然函数值，再与该网络对应的先验概率相乘，得到对应网格的后验概率；

步骤54)选择最大后验概率对应的网格作为对定位标签的位置的估计。

6.根据权利要求5所述的方法，其中步骤53)还包括

对于与上次估计位置的距离大于d但小于D的区域S2内的每个网格计算似然概率的步骤。

7.根据权利要求6所述的方法，其中步骤54)包括以下步骤：

如果定位区域S1内的最大的似然概率小于区域S2中k个似然概率时，则计算区域S2内的每个网格的后验概率，选择S2中最大后验概率对应的网格作为对定位标签的位置估计；否则，选择S1中最大后验概率对应的网格作为对定位标签的位置估计。

8.根据权利要求7所述的方法，其中D＝2d；k不超过区域S2内网格总数的50％。

9.根据权利要求1所述的方法，在步骤1之前还包括训练的步骤，所述训练步骤包括以下步骤：

训练节点主动发射WiFi信号，阅读器将训练节点的定位测量信息发送到定位服务器；

定位服务器根据从多个阅读器所接收的定位测量信息，利用混合高斯分布对每个阅读器获取的在相同网格位置的同一个定位标签发射的多个信号强度测量值进行统计分析，并建立射频指纹和对应网格的映射关系。

10.根据权利要求5所述的方法，步骤52)还包括以下步骤：

如果选出来的公共阅读器个数太大，则选取其中信号强度最大的K个，参数K依据实际环境来调整。

11.一种基于射频指纹的实时定位系统，所述系统包括：

定位标签，用于周期性发射WiFi信号，所述WiFi信号包含该定位标签标识和WiFi包的序列号；

阅读器，用于接收由定位标签发送的WiFi信号并测量该信号的信号强度，以及将定位测量信息发送到定位服务器，所述定位测量信息包含该阅读器的标识、所接收的WiFi信号中定位标签的标识、WiFi包的序列号和所测量的信号强度；

定位服务器，用于对从多个阅读器接收的定位测量信息进行同步，以形成对于定位标签的射频指纹，并且基于所形成的定位标签的射频指纹来估计该定位标签的位置，所述定位标签的射频指纹为各阅读器测量的由同一定位标签发射的同一WiFi信号的信号强度矢量。

12.根据权利要求11所述的系统，其中，定位标签苏醒后，使用内部集成的加速度传感器采集自身加速度数据，并与最近一次采集的加速度数据进行比较；如果两次加速度数据差异超过阈值，则定位标签在预定信道发射一短串包含该定位标签标识和WiFi包序列号的WiFi信号，然后进入休眠状态；如果两次加速度数据差异在阈值范围内，则定位标签直接进入休眠状态；其中，所述阈值由加速度传感器型号及精度决定，休眠周期根据应用需求而设定。

13.根据权利要求11所述的系统，其中，阅读器通过UDP协议将定位测量信息发送到定位服务器，所使用的UDP数据包包含阅读器的MAC地址、WiFi包的序列号、WiFi信号强度以及发射该WiFi信号的定位标签的MAC地址。

14.根据权利要求11所述的系统，其中，定位服务器包括信息处理模块和定位引擎，所述信息处理模块用于接收来自多个阅读器传递过来的定位测量信息并根据定位测量信息中所包含的定位标签的标识以及WiFi包的序列号来对信号强度值进行组合，得到各阅读器测量的对于同一定位标签发送的同一WiFi信号的信号强度矢量；

所述定位引擎基于所形成的定位标签的射频指纹，采用如权利要求5、6、7、8和10之一所述的方法来估计该定位标签的位置。

Images