CN102338866A - 基于虚拟标签算法的无线射频室内定位方法 - Google Patents

Abstract

本发明公开了一种基于虚拟标签算法的无线射频室内定位方法，将参考标签固定在定位区域内的适当位置，其坐标相对容易的通过测量获得，对参考标签的信号强度，通过设定的RFID读写器每隔一段时间读取一次，以便适应环境因素变化对定位误差带来的影响；而将定位的标签附着在待定位目标上，通过RFID读写器接收到的定位标签的信号来估计其在空间的位置，按照以下步骤实施：先进行环境变量的估计，包括路径损耗指数估计和正态分布标准差估计；再构造虚拟参考标签；最后基于虚拟参考标签的定位算法实现。本发明的室内定位方法，克服了现有技术设置高密度参考标签带来的射频信号干扰问题，参考标签布局灵活，同时扩展了定位区域范围，提高了室内定位精度。

Description

基于虚拟标签算法的无线射频室内定位方法

技术领域

本发明属于射频识别技术领域，涉及一种基于虚拟标签算法的无线射频室内定位方法。

背景技术

无线射频识别(RFID，Radio Frequency Identification)是一种通过电磁场利用无线射频方式进行非接触双向通信，以达到识别目标的目的，并实现非接触式自动数据交换的技术。目前，射频识别技术已被广泛应用于生产、物流、交通运输等应用领域，并在定位跟踪、自动扫描等无人自动管理领域具有广泛的应用前景。特别是随着“物联网”(IoT，Internet of Things)概念引起业界广泛关注，作为一种先进生产力，RFID技术的广泛应用对提高生产效率、提升用户应用对应用的体验具有极大的促进作用。

射频识别系统一般包括RFID读写器、RFID标签、天线和中间件等。RFID读写器与RFID标签之间的通信通过电磁波传输与接收来实现。RFID读写器可以快速扫描读取信号覆盖范围内的多个RFID标签信息。在信号覆盖范围内，RFID标签反射的信号可以透过纸张、木材、塑料甚至墙壁等非金属或非透明材质，进行穿透性通信，穿透性较强。并且，RFID传输的数据内容可以加密，从而保证数据传输过程的安全性。

目前在RFID定位方法研究和应用方面，主要是通过部署大量的参考标签和RFID读写器，采集待定位标签的RSSI信息，基于传统信号传播模型以及三角定位等方法进行位置计算。但现有的基于RFID技术设计的定位系统，在系统可靠性、定位方式、定位精度、定位效率等关键问题上还存在着诸多问题，这些因素造成了现有基于RSSI的定位系统定位精度较差。此外现定位系统的规模相对较小，可扩展性较差。部分定位系统采用部署参考标签的方法来提高使用RSSI定位的精度，但是系统性能受到参考标签密度、部署布局的影响，不适合实际的应用需求。

发明内容

本发明的目的是提供一种基于虚拟参考标签算法的无线射频室内定位方法，克服了现有技术设置高密度参考标签带来的射频信号干扰问题，参考标签布局灵活，同时扩展了定位区域范围，提高了室内定位精度。

本发明所采用的技术方案是，一种基于虚拟标签算法的无线射频室内定位方法，将参考标签固定在定位区域内的适当位置，其坐标相对容易的通过测量获得，对参考标签的信号强度，通过设定的RFID读写器每隔一段时间读取一次，以便适应环境因素变化对定位误差带来的影响；而将定位的标签附着在待定位目标上，通过RFID读写器接收到的定位标签的信号来估计其在空间的位置，该方法按照以下步骤实施：

步骤1、进行环境变量的估计

采用经典的对数路径损耗模型，对于确定的T-R间隔距离d从信道中获得的信号强度RSSI的分贝值，用公式(1)来预测：

$\mathrm{RSSI}=\mathrm{RSSI}\left(d_0\right)-10N\log \left(\frac{d}{d_0}\right)+X_{\mathrm{\σ}}---\left(1\right)$

其中，N代表路径损耗指数，X_σ代表阴影造成的影响，d₀指发射站的近地参考距离，从该公式(1)可知，由于受到阴影效应的影响，在同一地点RFID读写器获得的定位目标信号强度值将会随时间而变化，

设在定位区域内有m台信号相互覆盖的RFID读与器，分别表示为R₁，R₂...R_m，并且该区域内部署有n个参考标签，分别记为RT₁，RT₂...RT_n，这些参考标签均能够被上述m台读写器定位，则从参考标签RT_j发送的信号被读写器R_i接收到的信号强度记为RTRSSI_ij，其中i∈[1，m]，j∈[1，n]，假设在定位区域内有被追踪的定位标签T，则T被读写器R_i获得的信号强度记为RSSI_i，

由于参考标签部署之后位置固定，通过测量获得参考标签的坐标，参考标签RT_j与读写器R_i之间的距离比较容易的求出，根据公式(1)和RSSI值样本，估计路径损耗指数和正态随机变量的标准差σ等环境变量：

1.1)路径损耗指数估计

路径损耗指数N的数值依赖于特定的信号传播环境，在室内的视距条件下，N值通常在3.0dB到4.0dB间，

在估计对数路径损耗指数N时，选择近地参考距离为d₀＝1m，对d₀处的信号强度RSSI(d₀)，RFID标签的发射功率P_t，天线增益G_t，RFID读写器接收天线增益G_r与载波的频率f，在设备确定后都比较容易获得，所以沿着读写器R_i与参考标签RT_j方向上的路径损耗指数通过公式(2)计算：

$N_{\mathrm{ij}}=\frac{P_t+G_t+G_r+20\log \left(\frac{\mathrm{\λ}}{4\mathrm{\π}}\right)-{\mathrm{RTRSSI}}_{\mathrm{ij}}}{10\log d_{\mathrm{ij}}},---\left(2\right)$

由于传播介质和障碍物沿着RFID标签不同方向的路径损耗指数有所不同，所以对其分别计算，公式(2)中忽略了正态分布随机变量X_σ的影响，如果通过单个样本值估计路径损耗指数N_ij误差，将会偏离真实值很大，为了抵消单个样本对N_ij估计的偏差，需要在第一阶段在系统运行后积累一定量的参考标签的RSSI值，然后利用这些样本根据估计路径损耗指数

其中p代表样本数量：

${\hat{N}}_{\mathrm{ij}}=\frac{1}{p}\underset{r=1}{\overset{p}{\mathrm{\Σ}}}{N}_{\mathrm{ijr}}=\frac{p-1}{p}{\stackrel{\‾}{N_{\mathrm{ij}}}}_{\mathrm{Pr\; ev}}+\frac{1}{p}{N}_{\mathrm{ijp}},---\left(3\right)$

根据上述公式(3)，只需存储当前的估计值和上次参数更新线程计算周期的估计值，

1.2)正态分布标准差估计

假设在定位区域内，该随机变量的标准差在整个信道中能够用一个统一值来表示，利用公式(4)求解出参考标签各方向上该随机变量标准差的估计值后，对所有参考标签求解平均值：

${{\mathrm{\σ}}_{\mathrm{ij}}}^2=\frac{1}{p}(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}^2+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p}^2)-\frac{1}{p^2}{(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p})}^2;---\left(4\right)$

步骤2、构造虚拟参考标签

对二维平面的定位系统，假设定位区域的大小为S×T，若每个虚拟参考标签之间沿着X和Y坐标轴方向上的间隔均为Interval，那么沿X轴方向需要部署

个虚拟参考标签，沿Y轴方向需要部署

个虚拟参考标签，设虚拟参考标签表示为VT_st，

则有

在对虚拟参考标签的RSSI进行模拟计算之前，需要预设一个虚拟参考标签范围，对于某个虚拟参考标签，在虚拟参考标签范围以内的所有参考标签都会被选中作为虚拟参考标签RSSI值计算的输入数据，设H_st代表虚拟参考标签VT_st范围内相邻的真实参考标签的集合，并且VT_st的信号强度表示为VTRSSI_st，故由于真实参考标签RT_j的影响，虚拟参考标签VT_st发送到读写器R_i的信号强度采用公式(5)计算：

${\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}}={\mathrm{RTRSSI}}_{\mathrm{ij}}-10N_{\mathrm{ij}}\log \left(\frac{d_{\mathrm{st}\·i}}{d_{\mathrm{ij}}}\right),---\left(5\right)$

其中d_st·i表示虚拟参考标签VT_st与读写器R_i之间的距离，并且对于相邻集合内的每个参考标签RT_j∈H_st均会对虚拟参考标签VT_st的构造过程产生影响，

之后，虚拟参考标签VT_st的信号强度VTRSSI_st的复合值，需要通过一个权值公式来综合评估相邻集合H_st中的每一个参考标签对虚拟参考标签信号强度的影响，如果参考标签RT_j越接近虚拟参考标签VT_st的位置，则VTRSSI_st·i应当在VTRSSI_st中所占的比重越大，所以，为VTRSSI_st指派一个更大的权值，采用如下权值公式(6)为VTRSSI_st计算权值：

$w_j={\left(\frac{\∂\mathrm{RSSI}}{\∂d}\right)}^2={\left(\frac{10N_{\mathrm{ij}}}{\ln \left(10\right)d_{\mathrm{st}\·i}}\right)}^2,---\left(6\right)$

所以，虚拟参考标签VT_st的信号强度通过公式(7)进行复合构造：

${\mathrm{VTRSSI}}_{\mathrm{st}\·i}=\underset{j\∈H_{\mathrm{st}}}{\mathrm{\Σ}}{w}_j{\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}},---\left(7\right)$

理想情况下，相邻集合H_st应当包含三个以上参考标签，在本发明中，虚拟参考标签的位置设定是静态的，并且只需对其设置的位置信息计算一次即可，但是虚拟参考标签的信号强度会伴随着参考标签信号强度的更新在参数更新线程里定时更新，

步骤3、基于虚拟参考标签的定位算法实现

首先，该定位区域内的每个读写器会分别接收到发送自定位标签T，在追踪线程计算较短时间间隔内获取的多个RSSI值的平均值，记为RSSI_i，

然后，算法将计算定位标签T与虚拟参考标签VT_st间信号强度的Euclidean距离，设E_st表示T与VT_st间Euclidean距离，则用公式(8)计算：

$E_{\mathrm{st}}=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i})}^2},---\left(8\right)$

其中，定位区域内部署有m台读写器，并且i∈[1，m]，所以当设置S×T个虚拟参考标签时，以每个虚拟参考标签的Euclidean距离E_st为元素组成矩阵E，

然后，需要从矩阵E各项中选择出最小的k项作为邻近虚拟参考标签集合，记作K，这样，如果这最小的k项虚拟参考标签足够接近定位标签T，则通过这些虚拟参考标签的坐标可以可靠的合成定位标签T的坐标，所以，定位标签的坐标(x，y)最后通过公式(9)得到：

$(x,y)=\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}{w}_{\mathrm{st}}(x_{\mathrm{st}},y_{\mathrm{st}}),---\left(9\right)$

其中w_st表示利用虚拟参考标签对定位标签T进行定位时的权值。

本发明的有益效果是，通过采用区域化、加权和多尺度的方法，对传统定位模型进行了重新建模，利用经典信号传播模型在定位区域内构造虚拟参考标签空间，利用参考标签RSSI值和基于测距的方式计算出虚拟参考标签的RSSI值，并采用经典的对数路径损耗模型对环境变量进行估计，然后构造虚拟参考标签矩阵，通过加权平均值获得虚拟参考标签的RSSI值，有效抵消参考标签密集区信号强度相互干扰的缺陷，减小信号波动对定位时的影响，进而获得移动对象的位置。同时，克服了现有RFID定位方法在参考标签外围区域上定位精度失真的问题，降低了开发成本，为在较稀疏的参考标签密度条件下进行定位提供了一种可行的方法。

附图说明

图1是本发明方法依赖的RFID网络结构；

图2是本发明方法的系统流程图；

图3是本发明方法中定位算法在运行过程中的并行状态图；

图4是本发明方法中虚拟参考标签的构建示意图；

图5是本发明方法在MATLAB仿真中RFID读写器及参考标签的设置；

图6是本发明方法在σ＝5.0dB时在定位区域内MEE的等值曲线图和曲面图，其中，a是等值曲线图，b是曲面图；

图7是本发明方法在σ＝8.0dB时在定位区域内MEE的等值曲线图和曲面图，其中，a是等值曲线图，b是曲面图；

图8是本发明方法中虚拟参考标签的范围对MEE(误差)的影响；

图9是本发明方法中虚拟参考标签间隔对MEE(误差)的影响；

图10是本发明方法中邻近虚拟参考标签数量k对MEE(误差)的影响；

图11是本发明方法与LANDMARC算法在σ＝5.0dB和σ＝8.0dB时中心区域的MEE(误差)累计分布对比；

图12是本发明方法与LANDMARC算法在σ＝5.0dB和σ＝8.0dB时过渡区域的MEE(误差)累计分布对比；

图13是本发明方法与LANDMARC算法在σ＝5.0dB和σ＝8.0dB时外围区域的MEE(误差)累计分布对比；

图14是本发明方法与LANDMARC算法在σ＝5.0dB和σ＝8.0dB时整个区域的MEE(误差)累计分布对比。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1，本发明方法所依赖的定位系统采用Active RFID设备，典型的网络体系结构是，将参考标签固定在定位区域内的适当位置，其坐标相对容易的通过测量获得，对参考标签的信号强度，通过设定的RFID读写器每隔一段时间读取一次，以便适应环境因素变化对定位误差带来的影响；而将用来定位的定位标签附着在待定位目标上，通过RFID读写器接收到的定位目标的信号来估计其在空间的位置。

参照图2、图3，本发明的基于虚拟参考标签的RFID室内定位方法，按照以下步骤实施：

步骤1、进行环境变量的估计

采用经典的对数路径损耗模型，对于确定的T-R间隔距离d从信道中获得的信号强度RSSI的分贝值，用公式(1)来预测：

$\mathrm{RSSI}=\mathrm{RSSI}\left(d_0\right)-10N\log \left(\frac{d}{d_0}\right)+X_{\mathrm{\σ}}---\left(1\right)$

其中，N代表路径损耗指数，X_σ代表阴影造成的影响，d₀指发射站的近地参考距离，通常设为1m。从该公式(1)可知，由于受到阴影效应的影响，在同一地点RFID读写器获得的定位目标信号强度值将会随时间而变化。

设在定位区域内有m台信号相互覆盖的RFID读写器，分别表示为R₁，R₂...R_m，并且该区域内部署有n个参考标签，分别记为RT₁，RT₂...RT_n，这些参考标签均能够被上述m台RFID读写器定位，则从参考标签RT_j发送的信号被RFID读写器R_i接收到的信号强度记为RTRSSI_ij，其中i∈[1，m]，j∈[1，n]，假设在定位区域内有被追踪的定位标签T，则定位标签T被读写器R_i获得的信号强度记为RSSI_i。

由于参考标签部署之后位置固定，通过测量获得参考标签的坐标，参考标签RT_j与读写器R_i之间的距离比较容易的求出，根据公式(1)和RSSI值样本，估计路径损耗指数和正态随机变量的标准差σ等环境变量：

1.1)路径损耗指数估计

路径损耗指数N的数值依赖于特定的信号传播环境，在室内的视距条件下，N值通常在3.0dB到4.0dB间，一般地，信号衰减的速度取决于传播介质和方向性，如果该传播方向上存在障碍物，N值就会增大。

通常，在估计对数路径损耗指数N时，选择近地参考距离为d₀＝1m，对d₀处的信号强度RSSI(d₀)，RFID标签的发射功率P_t，天线增益G_t，RFID读写器接收天线增益G_r与载波的波长λ，，在设备确定后都比较容易获得，所以沿着读写器R_i与参考标签RT_j方向上的路径损耗指数通过公式(2)计算：

$N_{\mathrm{ij}}=\frac{P_t+G_t+G_r+20\log \left(\frac{\mathrm{\λ}}{4\mathrm{\π}}\right)-{\mathrm{RTRSSI}}_{\mathrm{ij}}}{10\log d_{\mathrm{ij}}}---\left(2\right)$

其中的λ是载波的波长，由于传播介质和障碍物沿着RFID标签不同方向的路径损耗指数有所不同，所以对其分别计算，公式(2)中忽略了正态分布随机变量X_σ的影响，如果通过单个样本值估计路径损耗指数N_ij误差，将会偏离真实值很大，为了抵消单个样本对N_ij估计的偏差，需要在第一阶段在系统运行后积累一定量的参考标签的RSSI值，然后利用这些样本根据估计路径损耗指数

其中p代表样本数量：

${\hat{N}}_{\mathrm{ij}}=\frac{1}{p}\underset{r=1}{\overset{p}{\mathrm{\Σ}}}{N}_{\mathrm{ijr}}=\frac{p-1}{p}{\stackrel{\‾}{N_{\mathrm{ij}}}}_{\mathrm{Pr\; ev}}+\frac{1}{p}{N}_{\mathrm{ijp}}---\left(3\right)$

根据上述公式(3)，只需存储当前的估计值

和上次参数更新线程计算周期的估计值，由于

的估计是无偏的，该计算过程能够减小路径损耗指数估计的误差。

1.2)正态分布标准差估计

由于阴影效应的存在，同一读写器对相同RFID标签读取的信号强度是波动的，对该正态分布随机变量的标准差估计，一些相关研究工作中采用了线性回归的方法。本发明假设在定位区域内，该随机变量的标准差在整个信道中能够用一个统一值来表示，利用公式(4)求解出参考标签各方向上该随机变量标准差的估计值后，对所有参考标签求解平均值：

${{\mathrm{\σ}}_{\mathrm{ij}}}^2=\frac{1}{p}(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}^2+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p}^2)-\frac{1}{p^2}{(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p})}^2;---\left(4\right)$

步骤2、构造虚拟参考标签

为了减小部署高密度参考标签造成信号间的干扰，本发明方法引入虚拟参考标签的概念，一方面，虚拟参考标签所提供的RSSI信息起到类似于参考标签的作用，能够提高系统精度；另一方面，由于虚拟参考标签并不真实存在，增加虚拟参考标签的密度不会对其他参考标签产生信号干扰，此外，虚拟参考标签的部署的位置相当灵活，而如何模拟虚拟参考标签的信号强度是接下来重点考虑的问题。

由于参考标签和其对应的位置信息比较容易获得，于是利用信号传播模型来计算虚拟参考标签的信号强度。

对二维平面的定位系统，假设定位区域的大小为S×T，如图4所示，若每个虚拟参考标签之间沿着X和Y坐标轴方向上的间隔均为Interval，那么沿X轴方向需要部署

个虚拟参考标签，沿Y轴方向需要部署

个虚拟参考标签，设虚拟参考标签表示为VT_st，

则有

在对虚拟参考标签的RSSI进行模拟计算之前，需要预设一个虚拟参考标签范围(Virtual Reference Range)，对于某个虚拟参考标签，在虚拟参考标签范围以内的所有参考标签都会被选中作为虚拟参考标签RSSI值计算的输入数据，设H_st代表虚拟参考标签VT_st范围内相邻的参考标签的集合，并且虚拟参考标签VT_st的信号强度表示为VTRSSI_st，故由于参考标签RT_j的影响，虚拟参考标签VT_st发送到读写器R_i的信号强度采用公式(5)计算：

${\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}}={\mathrm{RTRSSI}}_{\mathrm{ij}}-10N_{\mathrm{ij}}\log \left(\frac{d_{\mathrm{st}\·i}}{d_{\mathrm{ij}}}\right)---\left(5\right)$

其中d_st·i表示虚拟参考标签VT_st与读写器R_i之间的距离，并且对于相邻集合内的每个参考标签RT_j∈H_st均会对虚拟参考标签VT_st的构造过程产生影响。

之后，虚拟参考标签VT_st的信号强度VTRSSI_st的复合值，需要通过一个权值公式来综合评估相邻集合H_st中的每一个参考标签对虚拟参考标签信号强度的影响，如果参考标签RT_j越接近虚拟参考标签VT_st的位置，则VTRSSI_st·i应当在VTRSSI_st中所占的比重越大，所以，应当为VTRSSI_st指派一个更大的权值，本发明采用如下权值公式(6)为VTRSSI_st计算权值：

$w_j={\left(\frac{\∂\mathrm{RSSI}}{\∂d}\right)}^2={\left(\frac{10N_{\mathrm{ij}}}{\ln \left(10\right)d_{\mathrm{st}\·i}}\right)}^2---\left(6\right)$

所以，虚拟参考标签VT_st的信号强度通过公式(7)进行复合构造：

${\mathrm{VTRSSI}}_{\mathrm{st}\·i}=\underset{j\∈H_{\mathrm{st}}}{\mathrm{\Σ}}{w}_j{\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}}---\left(7\right)$

理想情况下，相邻集合H_st应当包含三个以上参考标签，在本发明中，虚拟参考标签的位置设定是静态的，并且只需对其设置的位置信息计算一次即可，但是虚拟参考标签的信号强度会伴随着参考标签信号强度的更新在参数更新线程里定时更新。

步骤3、基于虚拟参考标签的定位算法实现

首先，该定位区域内的每个读写器会分别接收到发送自定位标签T，在追踪线程计算较短时间间隔内获取的多个RSSI值的平均值，记为RSSI_i，

然后，算法将计算定位标签T与虚拟参考标签VT_st间信号强度的Euclidean距离，设E_st表示T与VT_st间Euclidean距离，则用公式(8)计算：

$E_{\mathrm{st}}=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i})}^2}---\left(8\right)$

其中，定位区域内部署有m台读写器，并且i∈[1，m]，所以当设置S×T个虚拟参考标签时，以每个虚拟参考标签的Euclidean距离E_st为元素组成矩阵E，

然后，需要从矩阵E各项中选择出最小的k项作为邻近虚拟参考标签集合(Top-k Nearest Neighbors)，记作K，这样，如果这最小的k项虚拟参考标签足够接近定位标签T，则通过这些虚拟参考标签的坐标可以可靠的合成定位标签T的坐标，所以，定位标签T的坐标(x，y)通过公式(9)得到：

$(x,y)=\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}{w}_{\mathrm{st}}(x_{\mathrm{st}},y_{\mathrm{st}})---\left(9\right)$

其中w_st表示利用虚拟参考标签对定位标签T进行定位时的权值，如果利用LANDMARC算法中的权值公式，w_st通过公式(10)计算：

$w_{\mathrm{st}}=\frac{\frac{1}{E_{\mathrm{st}}^2}}{\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}\left(\frac{1}{E_{\mathrm{st}}^2}\right)}---\left(10\right)$

但是，该权值公式只是通过对Euclidean距离进行了经验约束，为能对阴影造成的正态分布随机变量X_σ，所以，邻近虚拟参考标签集合K中的虚拟参考标签信息未必可以真实反映其与定位标签间的真实距离，本发明使用了Q-function，它是X_σ的概率累积分布函数的反函数，并据此提出了权值公式(11)：

$w_{\mathrm{st}}=\frac{\frac{1}{E_{\mathrm{st}}^2}\sqrt[m]{\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left(\mathrm{Qfunc}\left(\frac{{\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i}}{2\mathrm{\σ}}\right)\right)}}{\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}\left(\frac{1}{E_{\mathrm{st}}^2}\sqrt[m]{\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left(\mathrm{Qfunc}\left(\frac{{\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i}}{2\mathrm{\σ}}\right)\right)}\right)}---\left(11\right)$

该公式(11)引入了对正态分布随机变量X_σ的概率约束，通过该公式(11)计算，最终的定位精度能够显著提高。

为了全面评估基于虚拟参考标签方法设计的定位算法的性能，本发明使用MATLAB对算法进行了一系列仿真实验。定位算法的性能通过平均估计误差(MEE，Mean Estimation Error)作为度量，MEE通过公式(12)定义：

$\mathrm{MEE}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{{(x-x_0)}^2+{\left(y-y_0\right)}^2}---\left(12\right)$

其中，(x₀，y₀)和(x，y)分别表示定位标签的真实坐标和定位估计的坐标，n代表定位的次数，

在定位实验中，定位区域内设置4台RFID读写器，(m＝4)和13个参考标签(n＝13)，在定位目标上附着一个定位标签，在定位区域内RFID读写器具有40m×40m的重叠覆盖区域，在默认的系统设置下，定位区域内放置了41×41个虚拟参考标签、(即S＝41，T＝41)，Interval为1m，如图5所示，默认的虚拟参考标签范围(Virtual Reference Range)为20m，且默认的相邻虚拟参考标签(Virtual Reference Neighbors)设为13，为了方便的做出对比，实验中使用路径损耗指数N＝3.0dB。

上述步骤3中的不同参数对基于虚拟参考标签的定位算法的影响

不同参数对本发明方法的定位性能会有不同的影响，许多参数来自于虚拟参考标签部署空间的设置，如：标准差σ，虚拟参考标签范围和虚拟参考标签数量等，同时，部分参数设置与LANDMARC相似，例如邻近虚拟参考标签集合的数量等。

4.1)正态分布随机变量的标准差σ的影响

许多相关研究工作中都提到，采用RSSI定位的算法在定位精度上受到信号波动的影响较大，为了抵消受阴影造成的RSSI波动的影响，最有效的方式是对定位标签进行多次采样，但是，在较短的时间段内，RFID读写器只能对特定RFID标签采集有限的样本，而且会影响并发的对其他标签定位，所以标准差σ会对采用RSSI定位的算法的最终定位精度有较大影响。

本发明方法分别使用σ＝5.0dB和σ＝8.0dB来评估标准差σ对算法的影响，在实验中，在定位区域内设置的每一个虚拟参考标签处(41×41个点进行定位实验)都先后放置一个定位标签进行实验，每次定位实验中，对每个定位点的实验进行50次定位测定，然后求出该点处的MEE，本发明对这41×41个定位点的实验结果绘制成曲面图和等值曲线图，当σ＝5.0dB时，对整个定位区域内来说，本发明方法对定位标签定位的MEE为3.74m，如图6所示，除了极少数点例外，距离读写器距离越近的区域，MEE相对较小，随着与读写器的距离的增加，定位的MEE也会同时增加，由于中部区域内读写器密度较高，MEE在定位中心区域内增加的速度远小于外围区域。当σ＝8.0dB时，本发明方法在整个定位区域的MEE约为5.55m，如图7所示，对相同区域对比后可知，σ＝8.0dB时MEE的增加速度快于σ＝5.0dB时。所以，算法的定位精度会随着σ的增大而下降。

4.2)虚拟参考标签范围值的影响

如前文所述，对特定的虚拟参考标签，在虚拟参考标签范围内的所有参考标签都要被选中作为虚拟参考标签信息计算中的输入信息，虚拟参考标签范围值会影响到最终的定位精度，所以，在默认的系统设置基础上，在定位区域内随机的选择了1000个点，并对每个点进行了3次定位测定，则对不同虚拟参考标签范围值的MEE统计值可以绘制如下折线图，通过该图可以看出不同虚拟参考标签范围值对定位精度的影响，当虚拟参考标签范围值小于与参考标签间距离的最小值时，构造的虚拟参考标签的信号强度与参考标签的信号强度等价，图8中可以发现本发明方法获得最小MEE时，虚拟参考标签范围为19m，而虚拟参考标签范围值变化时，该方法的定位误差是波动的。

4.3)虚拟参考标签数量的影响

前面对虚拟参考标签构造的论述中已经提到，由于定位设备所覆盖区域是静态的，所以只有虚拟参考标签之间的间隔会对虚拟参考标签的数量产生影响，在实验中将Interval的值作为变量，对不同的Interval设定进行了一系列实验，在每次实验中随机选择了1000个位置，并对每个位置进行5次位置测定，以便获得不同Interval值设定对本发明方法定位性能的影响，实验的结果使用折线图来对不同Interval下的MEE进行分析，如图9所示，当Interval值增大时，定位精度会有所下降，但是，当Interval值低于2.5m时，对定位精度的提升非常有限。

4.4)邻近虚拟参考标签数量的影响

当对定位标签定位时，需要从邻近的虚拟参考标签中选择最小的k项，并分别计算该虚拟参考标签的权值w_st，邻近虚拟参考标签数量k的选择也会对定位算法的精度产生影响，每个k值的实验会在定位区域内随机选择1000个点分别进行5次定位测量，实验结果通过图10使用折线图将定位误差的变化过程予以描绘，不同的邻近虚拟参考标签数量k下的定位误差的波动比较明显，在实验中，当k值为30时，MEE达到最小值3.60m。

实施例

为了验证基于虚拟参考标签的定位算法在定位精度上的优越性，对基于虚拟参考标签的定位算法与LANDMARC算法进行了一系列对比实验。在定位实验中，LANDMARC算法采用邻近参考标签数K为4，以便获得最佳定位精度，而基于虚拟参考标签的定位算法在实验中采用了前述的默认设置，二者在定位区域内采用了相同数量的RFID读写器和参考标签，并且放置的位置相同，然后对二者的定位精度实验结果进行对比。

整个定位区域根据参考标签密度和与读写器远近程度被划分为中心区域、过渡区域、外围区域三个区域，如图5所示，然后在不同区域内分别对不同算法的MEE进行评估，对所有定位实验的MEE值使用累计分布函数(CDF，Cumulative Distribution Function)图，对二者的MEE进行对比分析；最后，再将三个区域的实验结果汇总，对整个定位区域的定位误差使用CDF图将两个算法的性能进行了对比分析。

中心区域对比

在中心区域，参考标签的密度约为1.25×10^-2/m²，在三个区域中该密度值中等，并且，在该区域的定位标签距离读写器的距离均在

以内，各读写器与定位标签的距离较近、并且各距离值相对接近，至少有一个距离值不超过

在图11中，中心区域内使用CDF图对实验的MEE进行了对比。

当σ＝5.0dB时，模拟实验结果显示LANDMARC的MEE统计结果，50％的定位测量值在4.15m以内，90％的定位结果在6.1m以内，使用LANDMARC算法对中心区域所有定位实验结果的MEE均值为4.11m，相比较而言，本发明方法在定位时有50％样本的MEE在3.0m以内，90％的MEE结果在4.56m以内，本发明方法对中心区域的MEE均值为3.15m，所以，在中心区域内本发明方法的定位精度比LANDMARC算法提高了约23.3％。

当σ＝8.0dB时，采用LANDMARC算法有50％的定位结果的MEE在5.58m以内，90％得到定位结果误差在7.49m以内，LANDMARC在中心区域所有样本的MEE约为5.28m，相比之下，本发明方法算法有50％的定位样本在4.50m以内，90％定位结果在6.11m以内，本发明方法在中心区域的定位误差的均值为4.61m，所以，本发明方法的定位误差比LANDMARC减少了约12.7％。

过渡区域对比

在过渡区域内，相比其他两个区域，参考标签的密度最高，约为2.4×10^-2/m²，并且至少有一个读写器与定位标签的距离在10m以内，实验对比结果如图12所示。

当σ＝5.0dB时，LANDMARC在过渡区域的MEE约为4.02m，50％的定位样本误差在4.02m以内，90％定位结果误差在5.53m以内，相比之下，本发明方法的MEE为3.65m，50％的定位样本误差在3.48m以内，90％的样本定位误差在5.49m，在过渡区域，本发明方法的定位精度比LANDMARC提高了13.4％。

当σ＝8.0dB时，LANDMARC算法在过渡区域有50％的样本定位误差在4.33m以内，90％的百分位下定位误差为6.46m，在本区域内的MEE为4.35m，相比之下，本发明方法在过渡区域内，50％的定位结果在4.15m以内，90％的定位结果在6.48m以内，在该区域内本发明方法的MEE为4.28m，所以，在过渡区域，本发明方法与LANDMARC的MEE结果相近，本发明方法的精度略高。

外围区域对比

在外围区域(或称作边界区域)，参考标签的密度约为11×10^-2/m²，为三个区域中参考标签密度最低的区域，并且读写器与定位标签距离较远，距离最近的读写器与定位标签的距离超过

其他读写器距离较远，最远可达

距离差距较大，对比实验的CDF曲线如图13错误！未找到引用源。所示。

当σ＝5.0dB时，LANDMARC在边界区域的MEE约为6.61m，其中50％的定位结果无才在6.38m以内，90％的定位误差在9.27m以内，相比之下，本发明方法在该区域的定位误差在5.12m内，50％的定位结果MEE在5.03m以内，90％的样本误差在7.51m以内，所以，在外围区域，本发明方法的定位误差比LANDMARC算法提升了22.5％以上。

当σ＝8.0dB时，LANDMARC在边界区域有50％定位结果误差低于7.30m，90％的样本的误差小于9.72m，LANDMARC在该区域的MEE为7.44m。相比之下，本发明方法有50％的定位结果误差在6.10m内，有90％的样本定位误差在9.04m，本发明方法在外围区域的MEE为6.32m，所以，本发明方法的定位误差比LANDMARC提高了15.1％以上。

整体分析对比

当通过实验研究标准差σ变化对基于虚拟参考标签的定位算法的影响时，本发明利用相同的实验设置对LANDMARC进行了定位实验，以便与该算法的定位误差进行对比分析。

如图14所示，当σ＝5.0dB时，LANDMARC在整个定位区域的MEE为4.87m，而本发明方法为3.74m，本发明方法的定位精度比LANDMARC算法提升了约23.2％，当σ＝8.0dB时，LANDMARC在整个定位区域的MEE约为6.30m，本发明方法的MEE为5.55m，定位精度提升了约11.9％。

综上所述，本发明方法相比较LANDMARC算法，表现出了更加优异的定位精度。

Claims (2)

1.一种基于虚拟标签算法的无线射频室内定位方法，将参考标签固定在定位区域内的适当位置，其坐标相对容易的通过测量获得，对参考标签的信号强度，通过设定的RFID读写器每隔一段时间读取一次，以便适应环境因素变化对定位误差带来的影响；而将定位的标签附着在待定位目标上，通过RFID读写器接收到的定位标签的信号来估计其在空间的位置，其特征在于，

该方法按照以下步骤实施：

步骤1、进行环境变量的估计

采用经典的对数路径损耗模型，对于确定的T-R间隔距离d从信道中获得的信号强度RSSI的分贝值，用公式(1)来预测：

$\mathrm{RSSI}=\mathrm{RSSI}\left(d_0\right)-10N\log \left(\frac{d}{d_0}\right)+X_{\mathrm{\σ}}---\left(1\right)$

其中，N代表路径损耗指数，X_σ代表阴影造成的影响，d₀指发射站的近地参考距离，从该公式(1)可知，由于受到阴影效应的影响，在同一地点RFID读写器获得的定位目标信号强度值将会随时间而变化，

设在定位区域内有m台信号相互覆盖的RFID读写器，分别表示为R₁，R₂...R_m，并且该区域内部署有n个参考标签，分别记为RT₁，RT₂...RT_n，这些参考标签均能够被上述m台读写器定位，则从参考标签RT_j发送的信号被读写器R_i接收到的信号强度记为RTRSSI_ij，其中i∈[1，m]，j∈[1，n]，假设在定位区域内有被追踪的定位标签T，则T被读写器R_i获得的信号强度记为RSSI_i，

由于参考标签部署之后位置固定，通过测量获得参考标签的坐标，参考标签RT_j与读写器R_i之间的距离比较容易的求出，根据公式(1)和RSSI值样本，估计路径损耗指数和正态随机变量的标准差σ等环境变量：

1.1)路径损耗指数估计

路径损耗指数N的数值依赖于特定的信号传播环境，在室内的视距条件下，N值通常在3.0dB到4.0dB间，

在估计对数路径损耗指数N时，选择近地参考距离为d₀＝1m，对d₀处的信号强度RSSI(d₀)，RFID标签的发射功率P_t，天线增益G_t，RFID读写器接收天线增益G_r与载波的频率f，在设备确定后都比较容易获得，所以沿着读写器R_i与参考标签RT_j方向上的路径损耗指数通过公式(2)计算：

$N_{\mathrm{ij}}=\frac{P_t+G_t+G_r+20\log \left(\frac{\mathrm{\λ}}{4\mathrm{\π}}\right)-{\mathrm{RTRSSI}}_{\mathrm{ij}}}{10\log d_{\mathrm{ij}}},---\left(2\right)$

由于传播介质和障碍物沿着RFID标签不同方向的路径损耗指数有所不同，所以对其分别计算，公式(2)中忽略了正态分布随机变量X_σ的影响，如果通过单个样本值估计路径损耗指数N_ij误差，将会偏离真实值很大，为了抵消单个样本对N_ij估计的偏差，需要在第一阶段在系统运行后积累一定量的参考标签的RSSI值，然后利用这些样本根据估计路径损耗指数

其中p代表样本数量：

${\hat{N}}_{\mathrm{ij}}=\frac{1}{p}\underset{r=1}{\overset{p}{\mathrm{\Σ}}}{N}_{\mathrm{ijr}}=\frac{p-1}{p}{\stackrel{\‾}{N_{\mathrm{ij}}}}_{\mathrm{Pr\; ev}}+\frac{1}{p}{N}_{\mathrm{ijp}},---\left(3\right)$

根据上述公式(3)，只需存储当前的估计值

和上次参数更新线程计算周期的估计值，

1.2)正态分布标准差估计

假设在定位区域内，该随机变量的标准差在整个信道中能够用一个统一值来表示，利用公式(4)求解出参考标签各方向上该随机变量标准差的估计值后，对所有参考标签求解平均值：

${{\mathrm{\σ}}_{\mathrm{ij}}}^2=\frac{1}{p}(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}^2+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p}^2)-\frac{1}{p^2}{(\underset{r=1}{\overset{p-1}{\mathrm{\Σ}}}{\mathrm{RTRSSI}}_{{\mathrm{ij}}_r}+{\mathrm{RTRSSI}}_{{\mathrm{ij}}_p})}^2;---\left(4\right)$

步骤2、构造虚拟参考标签

对二维平面的定位系统，假设定位区域的大小为S×T，若每个虚拟参考标签之间沿着X和Y坐标轴方向上的间隔均为Interval，那么沿X轴方向需要部署

个虚拟参考标签，沿Y轴方向需要部署

个虚拟参考标签，设虚拟参考标签表示为VT_st，

则有

在对虚拟参考标签的RSSI进行模拟计算之前，需要预设一个虚拟参考标签范围，对于某个虚拟参考标签，在虚拟参考标签范围以内的所有参考标签都会被选中作为虚拟参考标签RSSI值计算的输入数据，设H_st代表虚拟参考标签VT_st范围内相邻的真实参考标签的集合，并且VT_st的信号强度表示为VTRSSI_st，故由于真实参考标签RT_j的影响，虚拟参考标签VT_st发送到读写器R_i的信号强度采用公式(5)计算：

${\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}}={\mathrm{RTRSSI}}_{\mathrm{ij}}-10N_{\mathrm{ij}}\log \left(\frac{d_{\mathrm{st}\·i}}{d_{\mathrm{ij}}}\right),---\left(5\right)$

其中d_st·i表示虚拟参考标签VT_st与读写器R_i之间的距离，并且对于相邻集合内的每个参考标签RT_j∈H_st均会对虚拟参考标签VT_st的构造过程产生影响，

之后，虚拟参考标签VT_st的信号强度VTRSSI_st的复合值，需要通过一个权值公式来综合评估相邻集合H_st中的每一个参考标签对虚拟参考标签信号强度的影响，如果参考标签RT_j越接近虚拟参考标签VT_st的位置，则VTRSSI_st·i应当在VTRSSI_st中所占的比重越大，所以，为VTRSSI_st指派一个更大的权值，采用如下权值公式(6)为VTRSSI_st计算权值：

$w_j={\left(\frac{\∂\mathrm{RSSI}}{\∂d}\right)}^2={\left(\frac{10N_{\mathrm{ij}}}{\ln \left(10\right)d_{\mathrm{st}\·i}}\right)}^2,---\left(6\right)$

所以，虚拟参考标签VT_st的信号强度通过公式(7)进行复合构造：

${\mathrm{VTRSSI}}_{\mathrm{st}\·i}=\underset{j\∈H_{\mathrm{st}}}{\mathrm{\Σ}}{w}_j{\mathrm{VTRSSI}}_{\mathrm{st}\·\mathrm{ij}},---\left(7\right)$

理想情况下，相邻集合H_st应当包含三个以上参考标签，在本发明中，虚拟参考标签的位置设定是静态的，并且只需对其设置的位置信息计算一次即可，但是虚拟参考标签的信号强度会伴随着参考标签信号强度的更新在参数更新线程里定时更新，

步骤3、基于虚拟参考标签的定位算法实现

首先，该定位区域内的每个读写器会分别接收到发送自定位标签T，在追踪线程计算较短时间间隔内获取的多个RSSI值的平均值，记为RSSI_i，

然后，算法将计算定位标签T与虚拟参考标签VT_st间信号强度的Euclidean距离，设E_st表示T与VT_st间Euclidean距离，则用公式(8)计算：

$E_{\mathrm{st}}=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i})}^2},---\left(8\right)$

其中，定位区域内部署有m台读写器，并且i∈[1，m]，所以当设置S×T个虚拟参考标签时，以每个虚拟参考标签的Euclidean距离E_st为元素组成矩阵E，

然后，需要从矩阵E各项中选择出最小的k项作为邻近虚拟参考标签集合，记作K，这样，如果这最小的k项虚拟参考标签足够接近定位标签T，则通过这些虚拟参考标签的坐标可以可靠的合成定位标签T的坐标，所以，定位标签的坐标(x，y)最后通过公式(9)得到：

$(x,y)=\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}{w}_{\mathrm{st}}(x_{\mathrm{st}},y_{\mathrm{st}}),---\left(9\right)$

其中w_st表示利用虚拟参考标签对定位标签T进行定位时的权值。

2.根据权利要求1所述的基于虚拟标签算法的无线射频室内定位方法，其特征在于，所述的权值公式(9)中的w_st通过公式(10)计算：

$w_{\mathrm{st}}=\frac{\frac{1}{E_{\mathrm{st}}^2}}{\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}\left(\frac{1}{E_{\mathrm{st}}^2}\right)};---\left(10\right)$

或者，通过使用Q-function，是X_σ的概率累积分布函数的反函数，并据此提出了权值公式(11)：

$w_{\mathrm{st}}=\frac{\frac{1}{E_{\mathrm{st}}^2}\sqrt[m]{\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left(\mathrm{Qfunc}\left(\frac{{\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i}}{2\mathrm{\σ}}\right)\right)}}{\underset{{\mathrm{VT}}_{\mathrm{st}}\∈K}{\mathrm{\Σ}}\left(\frac{1}{E_{\mathrm{st}}^2}\sqrt[m]{\underset{i=1}{\overset{m}{\mathrm{\Π}}}\left(\mathrm{Qfunc}\left(\frac{{\mathrm{RSSI}}_i-{\mathrm{VTRSSI}}_{\mathrm{st}\·i}}{2\mathrm{\σ}}\right)\right)}\right)},---\left(11\right)$

该公式(11)引入了对正态分布随机变量X_σ的概率约束。

Images