CN102692618A - 基于rssi加权融合的rfid定位方法 - Google Patents

Abstract

基于RSSI加权融合的RFID定位方法，包括测距和算法两个部分的创新。首先，对卡尔曼滤波进行改进，根据卡尔曼的新息过程使其增益动态变化，较好地消除测距过程中的非视距误差。然后结合标签与节点的距离、定位单元质量和标签所处的位置三方面，对定位坐标进行加权融合。与传统的三边定位算法相比，定位结果稳定、精度高，可靠性强，具有较大的理论意义和实用价值。

Description

基于RSSI加权融合的RFID定位方法

技术领域

本发明涉及一种RFID定位方法。 

背景技术

射频识别技术(RFID)已经被广泛应用于日常生活的方方面面，作为RFID支撑技术之一的定位技术，近年来研究十分活跃。RFID技术利用射频通信实现非接触式自动识别，其与互联网、通讯等技术相结合，可实现大范围跟踪与信息共享。由于RFID标签具有体积小、容量大、寿命长、可重复使用等特点，可以很方便地来标识包括人在内的各种目标。 

RFID射频识别技术被公认为是本世纪最有发展前途的信息技术之一，已经得到业界高度重视。近年来，RFID技术已被广泛应用于工业自动化、商业自动化、交通运输控制管理等众多领域，主要决定因素是该项技术在相应领域中的经济效益。经常提到的具体应用包括：钞票及产品防伪技术、身份证、通行证(包括门票)、电子收费系统，如香港的八达通与台湾的悠游卡、家畜或野生动物识别、病人识别及电子病历、物流管理等。 

在国外，欧洲和美国RFID技术已经用于物品的跟踪与库存；国际航空运输协会、IT和通讯提供商Sita和剑桥大学Auto-ID实验室现在集中资源调查如何应用联网识别技术来加快不同飞机的周转协议，同时最大限度地确保安全和效率；韩国政府也将自己定位为RFID应用演示基地，韩国国防部2007年6月份宣布它将使用RFID 芯片来跟踪弹药的供应。在国内，上海海鼎对RFID在商业流通领域的应用进行开发；上海通用卫星导航有限公司正在尝试将RFID运用于航空物流管理；上海国际港务正在进行RFID在集装箱管理中的应用测试；另外，北京维深电子、江苏瑞福和江苏盛科等公司也参与其中。 

目前定位算法的测距方法主要有基于到达角度(AOA)的测距，基于到达时间(TOA)的测距，基于到达时间差(TDOA)的测距和基于接收信号强度指示(RSSI)的测距等。AOA测距法以TOA测距法为基础，在计算时相对方位或角度时要用到根据TOA测距法求得的距离信息，会产生二次累积误差。TOA测距法要求发射节点和接收节点严格时间同步，对系统的时钟精度要求很高，这在低硬件成本定位中不适用。TDOA测距法优于TOA测距法，在无线传感器网络的定位研究中使用较多，但它对硬件的要求很高，而且超声波信号的传播距离非常有限，不适合应用于大规模定位网络中。RSSI测距比较简单，实际应用比较多，如微软公司开发的RADAR是基于IEEE 802.11无线技术的一种室内定位系统，未知节点根据RSSI计算与多个基站的距离，然后使用三边测量法定位。Pinpoint公司的3D-iD定位系统，与PADAR系统原理相似。但是由于实际环境中温度、多径效应、非视距误差等条件容易发生变化，使得计算出的距离有很大的误差。 

发明内容

本发明要克服RSSI测距易受环境影响的缺点，提出一种抗干扰能力强、定位精度高、稳定性好，且硬件要求低的基于RSSI的加权融合定位方法。 

本发明所述的基于RSSI加权融合的RFID定位方法，其工作步骤是： 

1.根据不同环境状态，绘制能量衰减与节点距离的对应曲线； 

2.根据预测值与测量值的差值，适当调整卡尔曼增益矩阵 

$\left\{\begin{array}{cc}{K}^{\&prime;}(t+1)=0,& \left|\mathrm{\&epsiv;}(t+1)\right|\&GreaterEqual;\mathrm{threshold}\\ K^{\&prime;}(t+1)=K(t+1)/(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1)),& \mathrm{\&epsiv;}(t+1)\&GreaterEqual;0\\ K(t+1)=K(t+1)*(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1)),& \mathrm{\&epsiv;}(t+1)<0\end{array}\right.$

其中K(t+1)，K′(t+1)分别表示卡尔曼增益矩阵在t+1时刻的计算值和调整后的值。ε(t+1)为测量值与预测值的差值，即，卡尔曼新息过程。当ε(t+1)绝对值越大，测量值与预测值的偏差就越大。当ε(t+1)绝对值大于一个阈值时，认为当前测量值偏差过大，令卡尔曼增益为0，用状态预测值来代 替状态估计值。当ε(t+1)绝对值在阈值内，大于（小于）零时，减小（增大）卡尔曼增益，使估计值更接近真实值。α，β为卡尔曼增益调整系数，threshold为新息过程门限值； 

3.选取N个定位单元，根据卡尔曼滤波后的距离值，由三边定位算法计算得到N个待测标签的坐标：(x_j,y_j)，j=1…N； 

4.R_i表示节点i与标签的距离，三个节点形成一个定位单元用距离表示，则第j个定位单元为： 

得到定位单元关于距离的权值 

$w_j^R=\frac{\frac{1}{R_{j_1}}+\frac{1}{R_{j_2}}+\frac{1}{R_{j_3}}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(\frac{1}{R_{i_1}}+\frac{1}{R_{i_2}}+\frac{1}{R_{i_3}})}.$

5.由最小角度量方法衡量定位单元的质量，表达式为 

其中α_min表示三角形最小内角，得到定位单元 关于其质量的权值 

$w_j^{\mathrm{\&Delta;}}=\frac{q_{\mathrm{\&alpha;}\min j}}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_{\mathrm{\&alpha;}\min j}};$

6.根据待测标签与定位单元重心的距离，得到定位单元 

的权值 

$w_j^G=\frac{\frac{1}{D_j}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{D_j}},$ 其中 

为重心与标签的距离； 

7.结合三项权值得到最终的权值W_j， 

μ，γ，η为加权系数。将N个坐标进行加权融合，得： 

$x=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;x_j,$ $y=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;y_j.$

(x，y)为所求标签的坐标。 

基于RSSI的RFID定位算法就是克服环境因素对测距造成的影响，在实际测 距过程中，环境温湿度的变换，非视距误差的干扰都会影响测距精度，我们需要找到某种方法来尽量降低测距误差，提高定位精度。为此本发明提出了一种基于RSSI加权融合的定位算法，能够减少测距干扰，提高定位精度。我们对本发明的原理进行如下阐述：在不同环境中，设定相应的能量衰减-距离曲线，减少温湿度对测距的影响。通过动态卡尔曼滤波消除由非视距误差、多径干扰等带来的干扰。三边定位算法的精度受定位单元质量，待测标签与定位节点间的距离以及待测标签与定位单元的位置关系的影响，本发明综合考虑以上三个方面，选取合适的定位单元，通过多次定位融合，使定位结果更加精确。 

本发明的有益效果主要表现在： 

1.硬件要求低； 

2.定位精度高； 

3.抗干扰性强； 

4.学习速度快； 

5.灵活性大，根据实际情况选取N。 

附图说明

图1是本发明的流程图 

具体实施方式

参照附图： 

在确定定位方法后，提出本发明解决其技术问题所采用的技术方案： 

1.我们在一个20×30米的室内布置25个定位节点，以区域左下角为坐标原点建立坐标系。根据不同环境状态，绘制能量衰减与节点距离的对应曲线； 

2.使用自主设计的芯片对定位节点进行特定环境测试，以0.2m为间隔测量，测量距离在0-100m之间，每个距离测量20次取能量衰减平均，确定能量衰减-距离的关系，绘制能量衰减-距离对应曲线； 

3.加入非视距误差后进行测距，根据能量衰减-距离对应曲线得到测量的距离，确定卡尔曼增益系数α,β和门限值threshold的最优取值，通过卡尔曼滤波增益矩阵 $\left\{\begin{array}{cc}{K}^{\&prime;}(t+1)=0,& \left|\mathrm{\&epsiv;}(t+1)\right|\&GreaterEqual;\mathrm{threshold}\\ K^{\&prime;}(t+1)=K(t+1)/(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1)),& \mathrm{\&epsiv;}(t+1)\&GreaterEqual;0,\\ K(t+1)=K(t+1)*(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1)),& \mathrm{\&epsiv;}(t+1)<0\end{array}\right.$ 改变卡尔曼迭代过程，使距离估计值接近真实值； 

4.根据卡尔曼滤波后的待测标签与节点的距离值，优先选择距离较近的三个节点组成一个定位单元： 

共选取N个。由三边定位算法计算得到N个待测标签的坐标：(x_j，y_j),j=1…N； 

5.综合考虑定位单元质量，待测标签与节点的距离，通过C语言编程确定该定位单元关于定位单元质量的权值 

定位单元关于距离的权值 

待测标签与定位单元重心的距离的权值 

6.结合三项权值得到最终的权值W_j， μ，γ，η为加权系数。将N个坐标进行加权融合，得： 

$x=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;x_j,$ $y=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;y_j.$

(x,y)为所求标签的坐标。 

下面对本发明中技术步骤作进一步的说明： 

1.在步骤1中，布置25个定位节点，其坐标如下：{0,0}，{4,0}，{8,0}，{12,0}，{16,0}，{20,0}，{24,0}，{28,0}，{0,4}，{0,8}，{0,12}，{0,16}，{30,2}，{30,6}，{30,10}，{30,14}，{30,18}，{2,20}，{6,20}，{10,20}，{14,20}，{18,20}，{22,20}，{26,20}，{30,20}，节点间距为4米； 

2.在步骤3中，确定卡尔曼增益系数α=1,β=0.5，门限值threshold=5； 

3.待测标签在以下5个位置进行定位计算，坐标分别为{5,4}，{8,16}， {15,10}，{21,5}，{25,15}。选取加权系数 

定位单元选取N=3，N=4，N=5，N=6，分别进行20次定位计算，对于不同定位单元个数其定位误差如下表： 

表1、定位误差统计表 

在定位单元个数取5时，在此环境下定位精度较高。 

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。 

Claims (1)

1.基于RSSI加权融合的RFlD定位方法，其工作步骤是：

(1)根据不同环境状态，绘制能量衰减与节点距离的对应曲线；

(2)根据预测值与测量值的差值，适当调整卡尔曼增益矩阵

$\left\{\begin{array}{cc}{K}^{\&prime;}(t+1)=0,& \left|\mathrm{\&epsiv;}(t+1)\right|\&GreaterEqual;\mathrm{threshold}\\ K^{\&prime;}(t+1)=K(t+1)/(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1))& \mathrm{\&epsiv;}(t+1)\&GreaterEqual;0\\ K^{\&prime;}(t+1)=K(t+1)*(\mathrm{\&alpha;}+\mathrm{\&beta;\&epsiv;}(t+1))& \mathrm{\&epsiv;}(t+1)<0\end{array}\right.$

其中K(t+1)，K′(t+1)分别表示卡尔曼增益矩阵在t+1时刻的汁算值和调整后的值。ε(t+1)为测量值与预测值的差值，即，卡尔曼新息过程。当ε(t+1)绝对值越大，测量值与预测值的偏差就越大。当ε(t+1)绝对值大于一个阂值时，认为当前测量值偏差过大，令卡尔曼增益为0，用状态预测值来代替状态估计值。当ε(t+1)绝对值在阂值内，大于(小于)零时，减小(增大)卡尔曼增益，使估计值更接近真实值。α，β为卡尔曼增益调整系数，threshold为新息过程门限值；

(3)选取N个定位单元，根掘卡尔曼滤波后的距离值，由三边定位算法计算得到N个待测标签的坐标：(x_j，y_j)，j＝1…N；

(4)R_i表示节点j与标签的距离，三个节点形成一个定位单元用距离表示，则第j个定位单元为：

得到定位单元关于距离的权值

$w_j^R=\frac{\frac{1}{R_{j_1}}+\frac{1}{R_{j_2}}+\frac{1}{R_{j_3}}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(\frac{1}{R_{i_1}}+\frac{1}{R_{i_2}}+\frac{1}{R_{i_3}})};$

5)由最小角度量方法衡量定位单元的质量，表达式为

其中α_min表示三角形最小内角，得到定位单元

关于其质量的权值 $w_j^{\mathrm{\&Delta;}},w_j^{\mathrm{\&Delta;}}=\frac{q_{\mathrm{\&alpha;}\min j}}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_{\mathrm{\&alpha;}\min j}};$

(6)根据待测标签与定位单元重心的距离，得到定位单元

的权值 $w_j^G,w_j^G=\frac{\frac{1}{D_j}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{1}{D_j}},$ 其中

为重心与标签的距离；

(7)结合三项权值得到最终的权值W_j，

μ，γ，η为加权系数。将N个坐标进行加权融合，得：

$x=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;x_j,y=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\&CenterDot;y_j.$

(x，y)为所求标签的坐标。

Images