CN102928813A - 基于rssi质心加权算法的无源rfid标签定位方法 - Google Patents

Abstract

本发明一种基于RSSI质心加权算法的无源RFID标签定位方法。本发明方法根据待定位标签和参考标签相对于RFID天线的信号强度值计算相应的欧氏距离，找出与待定位标签距离最近的K个坐标已知的参考标签（K的值根据已有实验结果一般选择为‘4’）。由之前计算得出的欧式距离，计算与待定位标签最临近的这K个参考标签所具有的权值，最后根据参考标签的坐标和权值计算得出待定位标签的坐标。本发明方法在定位成本和性能之间达到一个较好的平衡，同时兼具便捷、灵活易于部署等优点。一方面可适用于市场上大量的RFID无源标签，另一方面由于RSSI易于获得，定位系统也可以具备良好的实时性。

Description

基于RSSI质心加权算法的无源RFID标签定位方法

技术领域

本发明涉及一种RFID（射频识别）标签定位方法，具体说是一种基于RSSI质心加权算法的无源RFID标签定位方法。

背景技术

随着嵌入式技术的发展，移动设备的计算能力也在显著提升。作为移动计算服务的典型代表，GPS（Global Positioning System）系统的成功普及应用，使人们对定位服务有了新的了解，并且也提出了新的需求。基于位置的服务（Location-Base Service）在生活、生产、商业、医疗、物流、交通等许多领域都有着广泛的应用前景。在众多室内定位技术中，RFID技术凭借非视距、非接触、成本低等优点，正得到越来越多的关注与青睐，成为首选的室内定位方案。现有RFID定位技术基本情况如下。

RFID定位方法分类

根据标签分为无源标签和有源标签，RFID定位方法也可以相应地分为被动定位和主动定位。RFID标签被动定位通常依靠标签是否被阅读器读到来判断标签所在的区域。但是这种定位方式较为单一，导致误差波动也比较大，虽然已经有一些改进定位精度降低误差的方法出现，比如Shang Ma等人（Shang Ma, Yuanchun Shi. A ScalablePassive RFID-Based Multi-user Indoor Location System.International Conference on  Wireless Communications,Networking and Mobile Computing (WiCOM), 2011 , Page(s): 1- 4）提出了基于动态PRI来保证在RF节点间传输定位数据的可靠传输协议。但是当前更多研究集中在有源标签上，并且学术界也已经基于有源标签提出了一些比较成型的定位方案。

根据定位技术是否需要测距也可以将其分为无需测距（range-free）算法和基于测距（range-based）两类。基于测距的定位算法通常首先测量待定位目标到位置坐标已知的参考节点的距离或者角度信息，再通过K临近算法或质心加权算法等方法来估计待定位目标的位置。参考节点可以是位置坐标已知的阅读器或者标签。测量距离的方法通常依据信号到达的时间TOA、信号传播往返时间RTOF、信号到达的时间差TDOA、信号到达的角度AOA、接收信号强度RSSI等。无需测距的定位则不需要测量距离、信号角度等参数，一般通过记录链路质量、网络连通性和信号强度等场景特征进行分析来进行目标节点的定位。场景分析需要考察待定位节点和参考节点的接近程度，通过记录分析场景特点来推断待定位节点的位置。而且这样的场景通常是易于观测、获得、表示、对比的，比如场景图像和信号接收强度。使用场景分析进行定位的好处在于它不需要待定位的目标参与，是在待定位标签不知情的情况下进行的，具备一定的保密性，不足之处是在定位系统部署前需要搜集定位区域内的场景数据并建立数据集，并且当定位区域场景发生变化时需要重新建立该数据集。

基于测距的定位方法

基于测距的定位方法通常采用三边（或多边定位）、三角定位（如图1所示）。

假设A、B、C是三个位置坐标已知的参考节点，D是待定位的目标节点，各点坐标为（xa，ya），（xb，yb），（xc，yc），（xd，yd），根据欧氏距离公式有以下等式：

$\sqrt{{(x_d-x_a)}^2+{(y_d-y_a)}^2}=d_a$

$\sqrt{{(x_d-x_b)}^2+{(y_d-y_b)}^2}=d_b$

$\sqrt{{(x_d-x_c)}^2+{(y_d-y_c)}^2}=d_c$

只要通过一定的技术手段测得节点D分别到节点A，B，C的距离，便可以根据以上等式求出节点D的坐标（xd，yd）。

$\left[\begin{array}{c}{x}_d\\ y_d\end{array}\right]={\left[\begin{array}{c}2(x_a-x_c)2(y_a-y_c)\\ 2(x_b-x_c)2(y_b-y_c)\end{array}\right]}^{-1}\left[\begin{array}{c}{x_a}^2-{x_c}^2+{y_a}^2-{y_c}^2+{d_c}^2-{d_a}^2\\ {x_b}^2-{x_c}^2+{y_b}^2-{y_c}^2+{d_c}^2-{d_b}^2\end{array}\right]$

测量距离的方法通常依据信号到达时间TOA、信号传播往返时间RTOF、信号到达的时间差TDOA、信号到达的角度AOA、接收信号强度RSSI。

1.TOA

TOA即信号达到时间（Time of Arrival），如图2所示。

该方法使用一台发射机和一台接收机，测出信号的发射时间T0和到达时间T1，据此信号传播时间进行测距。由于无线射频信号的传播时间接近于光速c，因此待定位节点和参考节点的距离可根据下式来计算：

d=(T₁-T₀)×c

使用TOA方法进行测距一个显而易见的优点就是简单，但是在另一方面，发射机和接收机之间必须保持严格的时钟同步，若不能保证这一点则可能会带来较大的精度误差。

2.RTOF

RTOF即往返传播时间（Roundtrip Time Of Flight），如图3所示。

发射机和接收机分别测量无线射频信号的发送、到达时间，（T3-T2）+（T1-T0）即为往返传播时间，待定位节点和参考节点之间的距离可根据下式计算：

$\begin{array}{c}d=[(T_3-T_2)+(T_1-T_0)]\×c\÷2\\ =[(T_3-T_0)+(T_2-T_1)]\×c\÷2\end{array}$

发射机和接收机分别测试信号传播的时间差，由此带来的一个好处就是不需要时钟同步，由此可以降低系统的复杂程度。

3.TDOA

TDOA即信号到达时间差（Time Difference Of Arrival），如图4所示。

TDOA使用两种不同传播速度的信号，记录他们的发送到达时间，通过计算他们的到达时间差来进行测距，待定位节点和参考节点之间的距离可根据下式计算：

$d=[(T_3-T_1)-(T_2-T_0)]\×\frac{V_{\mathrm{RF}}{V}_{\mathrm{US}}}{V_{\mathrm{RF}}-V_{\mathrm{US}}}$

其中，VRF、VUS是这两种信号在介质中传播的速率，同TOA和RTOF这两种测距方式相比，TDOA对设备的要求更高，导致测距成本增加，但它的优点是不需要时钟同步，从而降低了系统的复杂程度并且测距的精度也比较高。

4.AOA

AOA即信号到达角度（Angle of Arrival），是通过阵列天线测量待定位目标所发射的无线信号，来检测其所在的方向，从而实现根据信号到达角度测距的一种方式。AOA技术的原理如图5所示。

在A和B设置阵列天线或方向性天线，并检测待定位目标T发射的无线信号，T到检测装置A、B的角度可由A、B分别测出，那么T的位置就位于这两个方向线的交点上。并且两检测装置A、B之间的距离是已知的，那么根据角度信息和该距离就可以计算得出带定位目标T的具体位置。

AOA方式的优点在于结构简单，最少仅需要两个参考节点就可以实现平面定位，如果有三个参考节点便可以实现三维定位。但是AOA方式对硬件的要求较高，要求天线具备良好的灵敏度，系统成本相对较高，同时定位精度容易受到多径效应的影响。

5.RSSI

RSSI即信号接收强度（Received Signal Strength Indication），指接收机接收到的信道上的宽带接收功率。该方法通过测量无线信号在传播过程中的强度衰减，并根据理论或者经验的信号强度衰减模型将其转换成发射机和接收机之间的距离，再选择恰当的算法来估算待定位目标的具体位置。

一个常用的无线信号传播衰减模型如下式：

$\mathrm{PL}\left(d\right)=\mathrm{PL}\left(d_0\right)-10\mathrm{nl}\left(\frac{d}{d_0}\right)-x_{\mathrm{\α}}$

d：发射机与接收机之间的距离

d0：参考距离

n：信道衰减指数

xα：随机噪声变量

PL（d0）：距离发射机d0处的信号强度

PL（d）：距离发射机d处的信号强度

根据上面的式子，容易得到

$d=d_0{10}^{\left(\frac{\mathrm{PL}\left(d_0\right)+x_{\mathrm{\α}}-\mathrm{PL}\left(d\right)}{10n}\right)}$

如果n,xα都已知的话，那么很快就可以计算出待定位目标的距离。这两个参数在不同的环境下面有不同的值，需要在线学习和估计。一般来说，可以利用机器学习的方式来计算。我们可以在系统中设置一些样本，这些样本的RSSI值以及其他一些特征值和到基站的距离都是已知的，根据这些样本我们可以利用机器学习的方法（比如神经网络）把这些参数学习出来。这种方法的缺点是依赖于大量的训练样本，因为训练样本获取的代价比较昂贵的。而简单点的方法就是利用统计方法来估计这些参数，由于该信道模型是一个线性模型，所以估计参数就变成了一个线性回归拟合的问题，常用的方法就是加权最小二乘法。

RSSI方式的原理较为简单，无需复杂的时钟同步和数据交换，并且由于无线设备通常比较容易获取信号强度，基于RSSI的定位技术已成为当前学术界的一个研究热点。但是在室内无线信号强度的衰减会受到多径效应、室内结构和气压温度等环境、传播方向以及人的走动的影响，加上信号强度的衰减模型比较复杂，导致了RSSI方式精度通常不会太高。该方式适合用于对定位精度要求不高的场合，此外也可以与其它定位技术相结合，加以改进，从而达到提高定位精度的目的。

基于场景分析的定位方法

由于无线信号在室内的传播存在反射、折射已经多径效应等问题，目前并没有一个很好的室内传播模型，因此基于测距的方法在某些环境下定位效果不是太好，因此一些研究学者在基于测距的定位方法以外提出了基于场景特点分析的定位方法。

基于场景的定位通常也称为位置指纹定位，又称为数据库相关定位。基于场景的定位方法与基于测距的定位方法在原理上有显著的差别，它针对不同位置的信号特征参数建立数据库，然后通过将实际接收到的信号参数与数据库中的信号特征参数进行匹配来估算待定位目标的位置。由于信号的多径传播极易受到物理环境的影响，对室内环境有很强的依赖性，因此对于每个位置而言，该位置上信道的多径结构是唯一的，无线信号经过折射和反射，形成了与周围物理环境密切相关的特定的多径信号，这样的特征可以作为该位置的“指纹”标记。

一个典型的基于场景的定位方法就是视频监控，通过分析摄像头捕获的图片，从中估算出待定位目标的位置。除了图片外，对于指定位置的其它可测量的场景特征也可以应用场景分析技术。比如记录信号接收强度，把接收到的信号强度与实现测量的、存储在数据库中的信号强度集进行匹配，再估算待定位目标的位置。

通常，基于场景的定位过程分为两个阶段。首先是训练阶段，也称为离线阶段，主要采集定位区域内各个参考节点的信号特征，比如信号强度，将该位置与该位置处的信号特征相对应并存入数据库；其次是定位阶段，定位系统读取某个信号特征值，并且在数据库中进行匹配，得到一个或多个相近的位置，然后使用特定的算法来估算待定位目标的位置，常用的方法有K最临近法、概率估计法、神经网络。

K最临近法

K最临近算法是为了改进最邻近算法精度不足而提出的一种算法。该算法的原理如下，首先有总数为N的位置坐标已知的参考节点，各参考节点的RSSI向量值事先已测量并存储在数据库中，测量得出待定位节点的RSSI向量，求出此向量与各参考节点向量的距离，从中选取K个最小值，则待定位节点的距离可用这K个参考节点的坐标来估算。假设第i个参考节点的RSSI向量如下：

V_i=(v₁,v₂,…,v_N)

而在线阶段测得的待定位节点X的RSSI向量如下：

X=(x₁,x₂,…,x_N)

那么X到第i个参考节点的距离Di为：

$D_i={\left({\mathrm{\Σ}}_{i=1}^N{|x_i-v_i|}^p\right)}^{\frac{1}{p}}$

当p=1时，Di为Manhattan距离，当p=2时，Di为Euclidean距离。当D1，D2，…，DN计算完毕之后，从中选出K个最小的Di，则X的坐标可估算为：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{{\mathrm{\Σ}}_{i=1}^K(x,y)}{K}$

概率估计法

概率算法也是目前基于场景的定位算法里比较常用的一种。假设已有N的参考节点L1，L2，…，LN，在线阶段在这N个参考节点测得的RSSI向量值为V，假设对于所有的i，j=1,2,3，…，n，i≠j，有：

P(L_i|V)>P(L_j|V)

则选定Li。

根据贝叶斯公式，判定条件可由后验概率转化成似然函数：

$P\left(L_i\right|V)=\frac{P\left(V\right|L_i)P\left(L_i\right)}{P\left(V\right)}$

可以将似然函数看作是高斯分布并计算出其均值和方差，假设各个参考标签节点是独立分布的，那么待定位目标的坐标可根据下式算出：

$(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(P\left(L_i\right|V)(x_{\mathrm{Li}},y_{\mathrm{Li}})\right)$

使用概率估计法的好处是算法原理简单易理解，也容易实现，定位精度比较高；缺点是为了达到较好的精度需要大量样本，并进行相当规模的计算，定位前期的工作量很大。

神经网络

根据位置指纹定位算法的原理，在线学习阶段测量待定位节点的信号强度，然后在数据库中与参考节点进行匹配的过程，可看成是一个机器学习的过程，因此在位置指纹定位里可以借鉴机器学习领域的思想和方法，为此提出了使用神经网络这一方法。神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点（神经元）之间相互连接的关系，从而达到处理信息的目的。整个神经网络是一个包含多个信息输入分量、一个或多个计算单元、一个输出分量的信息处理单元。神经元的典型结构如图6。图中：a1~a_n为输入向量的各个分量；w1~w_n为神经元各个输入分量的权值系数；b为偏置；f为激励函数，通常为非线性函数；t为神经元输出。

在使用神经网络的位置指纹定位中，各输入分量通常是各参考节点的信号强度，输出是位置坐标。经过样本训练和自学习过程，神经网络能够对新输入的样本进行计算，也就是对待定位节点测得的信号强度进行定位，输出待定位节点的坐标。使用神经网络的优点是系统效率高，可扩展性好，可以推理产生一个自动识别系统，不足之处是对于不熟悉定位系统原理的使用者来说不太容易理解。

邻近定位算法

邻近定位算法是原理最简单且易于理解和实现的定位算法。它的原理是利用RFID阅读器有限的读取范围来估算标签的位置信息。当标签处于阅读器的读取范围时，标签就可以被阅读器读到，若标签离开阅读器的范围，就不能被阅读器读取。通常在定位区域内部署很多天线，使得天线的读取范围尽量覆盖整个定位区域。这些天线的坐标都是已知的，当携带RFID标签的目标进入某个天线的读取范围时，阅读器就可以获得该目标的信息，并可以估算目标的大致位置。当标签被多个天线同时读取时，可以通过天线接收信号的强度值来确定目标的位置。邻近算法原理非常简单，定位结果相对稳定，邻近定位算法对硬件的要求不高。可广泛用于机场行李跟踪、企业资产管理、仓储物流定位等方面。定位系统很容易建立，只需要将RFID标签附着于待侦测的物体上，配置一定数量的RFID阅读器，当携带RFID标签的物体进入此定位区域时，系统即刻开始进行识别以及定位的处理。不足之处是定位形式比较单一，只能被动地等待定位结果而不便于主动发起定位追踪一个可能处于移动状态的物体。此外当定位区域增大时，需要增加相应数量的阅读器和天线来保证系统覆盖所有的定位区域，而这会导致成本的提高。邻近算法是一种优势和不足都比较明显的定位算法，面向实际的定位需求时应该根据具体的定位场景来选择使用与否。

对现有定位方案的分析

1.RADAR

RADAR系统是P.Bahl 和V.N.Padmanabhan于2000年提出的最早应用于无线网络环境下的室内定位的一项技术。RADAR系统使用了经验模型和信号传播模型来对测量结果进行匹配。在经验模型中，针对所有的参考节点测量搜集信号强度，建立各个参考节点的信号特征数据库，这是离线（Off-Line）阶段。第二个阶段是在线（On-Line）阶段，待定位节点返回它所接收到的信号强度，再在数据库中进行匹配来判断该节点的位置，以达到定位及追踪使用者所在位置的目的。在信号传播模型中，仅测量三个参考节点，其余参考节点的强度则参考传播模型的数学函数求出，据此建立数据集。两相比较，经验模型得到的精度更高，但是需要花费相当大的时间来建立数据库，并且由于数据库是根据特定的物理环境建立的，当场景改变时需要重新建立，不能体现信号强度的时间波动性，难以快速部署。而采用信号传播模型则需要人工测定部分环境变量，降低了系统定位精度。由于需要将待定位节点接收到的信号强度与数据库中每一个参考节点的信号强度进行匹配，因此当存在大量参考节点时，可能存在计算延迟较大的问题。

2.SpotON

SpotON是一个典型的基于RFID技术开发的定位系统，其系统结构如图7所示。

SpotON系统利用RFID阅读器与多个参考标签构造一个无线感知环境，服务器收集各个阅读器上提交的信息，然后进行分析和计算，采用聚合算法（Aggregation Algorithm）来减少信号强度误差，并利用信号传播模型求解阅读器与待定位标签的距离，最后使用定位算法对目标三维空间进行定位。在定位系统的设计中，开发者在原有系统基础上又设计了基于Ad-hoc的SpotON定位系统，定位物体通过同构的感知节点来定位，而不需要进行集中控制。但是，该系统适用的定位范围较小，距离较短，使得该系统在实际应用部署中受到很大限制，在可扩展性方面也比较一般。

3.LANDMARC

LANDMARC系统是基于RFID的信号强度定位方案里比较成熟的一项技术。它借鉴了无线传感器网络中设置参考信标节点的原理，采用定位参考标签来进行辅助定位，这些位置坐标已知的标签作为系统的参考定位节点，利用多个阅读器测出若干个相对参考节点的信号强度和待定位标签的信号强度，用相对信号强度来计算得出两者之间的欧式距离（ Euclidean distance），据此得出待定位标签的各参考标签的权值，最后估算出待定位标签的位置坐标。

LANDMARC系统中阅读器和参考标签的标准部署方法如图8所示。

近年来，关于室内定位技术的研究有了很大的发展，尤其是各种定位技术和定位算法的研究，但是目前关于定位的很多研究主要集中在主动式RFID上，针对目前市场占有率比较大的被动式RFID的定位研究相对较少，往往采用邻近定位算法。为此，我们借鉴LANDMARC定位系统的思想，利用实验室的被动式RFID设备实现了一个基于RSSI的质心加权定位算法。在定位精度要求不高的场景下，使用该算法可以利用价格低廉的被动式RFID标签和若干RFID阅读器和天线迅速部署一个便捷灵活可扩展的RFID定位系统。

现有RFID定位技术的不足

在以上介绍的现有RFID定位技术中，一个不足之处就是：目前学术界更多地是对主动式的RFID系统（即通常所说的有源标签）的定位技术进行研究，对于被动式的RFID系统（无源标签）的研究较少，然而在市场上，无源标签以其标准化（EPC Class1 Generation 2标准）、价格便宜、容易部署、无需更换电源等特点，占据着市场上绝大部分的市场份额，因此研究针对被动式RFID标签的定位技术很有必要。

现有的LANDMARC是一个经典的主动式RFID标签定位系统，然而主动式的标签在应用方面具有一定的局限性。另一方面，在LANDMARC系统中是通过不断地调整RFID读写器衰减功率，判断标签是否能够被读取来确定标签所接收到的信号强度的，信号强度以天线为圆心划分为8个等级。在实际的应用中，由于受室内环境的影响（如无线信号的折射、反射），同样强度的信号并不一定按照圆形向外扩散，并且通过不断调整读写器衰减功率来确定标签接收信号强度，系统的实时性不太理想。

发明内容

本发明所要解决的技术问题，在于克服现有技术存在的缺陷，提出了一种基于RSSI质心加权算法的无源RFID标签定位方法，是一种针对被动式RFID标签的具备实时性的定位方法。

在实际的应用中，待定位的物体很多是由RFID标签标识的，而RFID标签一般较为简单，不具备精确的测距能力，并且计算能力和能量资源都较弱。相反，监控者一般具有较强的计算能力并且能够进行精确测距。由于位置信息的使用者主要是监控者而不是被监控者，本发明方法可以利用监控者拥有的精确测距能力和较强的计算能力，使得定位算法要达到一定的实时性，即能在应用要求的时间内检测出物体的位置改变和重新计算物体的位置。

本发明基于RSSI质心加权算法的无源RFID标签定位方法，其定位过程如下：

用RSSI值来表示标签的信号强度，取代调整读写器衰减功率的方法，从而使系统具有较好的实时性；

设定系统中有N个RFID阅读器，M个参考标签节点，X个待定位节点，阅读器选择连续工作模式，测定待定位节点到阅读器的信号强度，得到测定待定位节点到阅读器的信号强度向量V；测定参考标签节点到阅读器的信号强度，得到参考标签节点到阅读器的信号强度向量S。

V=(V₁,V₂,…,V_n)

Vi表示待定位标签节点在阅读器i上的信号强度值，i∈（1，n） ；

S=(S₁,S₂,…,S_n)

Si表示参考标签节点在阅读器i上的信号强度值，i∈（1，n）  ；

对于任一待定位节点x，其到第j个参考标签节点之间的欧式距离为：

$D_j=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(S_i-V_i)}^2},j\∈(1,M)$

该欧式距离表示了带定位节点与参考标签节点之间的相对信号强度，则对于每一个待定位的标签节点都可以求出一组其相对于环境中所有M个参考标签节点的相对信号强度集合D：

D=(D₁,D₂,…,D_M)

从向量D中选取k个最小值。在进行实际定位之前，应针对实际定位区域进行若干先导实验，分别考察k=2，k=3，……，k=9时系统的定位误差，以确定一个最理想的k值，然后在后续的实际定位中选择使用这一具体值来代入公式。比如本发明在实验过程中，发现k=4或k=5时系统误差较小，因此可两者选其一。利用K临近算法即可估算出该待定位节点的位置坐标：

$(x,y)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{w}_i(x_i,y_i)$

wi是参考标签的权值，在定位系统中，权值的定义如下：

$w_j=\frac{\frac{1}{{D_i}^2}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{{D_i}^2}}$

总结以上过程，我们可以知道，整个定位过程就是依据待定位标签和参考标签相对于RFID天线的信号强度值，根据两者的信号强度值向量计算相应的欧氏距离，找出与待定位标签距离最近的K个坐标已知的参考标签（K的值根据已有实验结果一般选择为‘4’）。由之前计算得出的欧式距离，可以计算与待定位标签最临近的这K个参考标签所具有的权值，最后根据参考标签的坐标和权值计算得出待定位标签的坐标。再概括一点说来，本发明方法，是把待定位标签的坐标值，缩小到由K个与待定位标签最邻近的参考标签所确定的区域内，通过这个区域类确定待定位标签的坐标。从理论上讲，参考标签确定的这个区域范围越小，定位结果的精度也就越精确。

本发明方法所具有的有益效果：

适用于占据大量市场份额的被动式RFID标签，并且由于无源标签的标准化程度较高（通常使用的都是符合EPC Class1 Generation2标准的标签）以及价格低廉，很多企业使用的RFID解决方案都是基于无源标签的。此外，由于无源标签在定位时通常采用邻近定位算法，通过追踪标签是否被阅读器读取到来估算标签的位置。如前所述，邻近定位算法的定位精度取决于阅读器的读取范围，读取范围越小定位精度就越高，但是对于待定位的区域而言，读取范围小了那么需要参与定位的阅读器就多了，设备成本就上来了，这就存在定位系统的性能和成本之前的权衡。本发明方法在定位成本和性能之间达到一个较好的平衡，同时兼具便捷、灵活易于部署等优点。一方面可适用于市场上大量的RFID无源标签，另一方面由于RSSI易于获得，定位系统也可以具备良好的实时性。

附图说明

图1：三边定位示意图

图2：TOA测距示意图

图3：RTOF测距示意图

图4：TDOA测距示意图

图5：AOA测距示意图

图6：神经元结构示意图

图7：SpotOn定位系统示意图

图8：LANDMARC系统标准部署图

图9：RSSI数据处理流程图

图10：定位算法流程图

具体实施方式

下面结合实施例，对本发明做详细说明。

假设定位系统有n个天线，部署了m个参考标签，存在x个待定位标签。通过设置标签返回信息的格式，我们可以获取每个标签返回对于读取该标签的天线的RSSI值。但是由于室内环境下无线信号传播存在多径效应，RSSI值易受标签方向、信号折射与反射以及周围物体的影响，单纯地采用一次读取标签所返回的RSSI值来计算是不够准确的。为避免室内环境的偶然因素引起的RSSI值波动，我们考虑让阅读器反复读取20次，记录每个标签每次返回的RSSI值，再求他们的算术平均值，以该平均值作为这个定位周期内标签对于读取该标签的天线返回的RSSI值。其次，为了定位结果更为精确，应该让每个天线尽量读取到更多的参考标签。阅读器可以设置在一次读取中几个天线同时工作，但是在实际的读取中我们发现这种情况下总会出现读取不均匀的情况，即0号天线读取到的标签数较多，其余天线读取到的标签数相比要少很多，为此我们采用手动控制天线读取顺序的方式，即设置阅读器的各个天线按Ant0、Ant1、Ant2、Ant3的顺序依次读取标签，具体步骤如图9所示所示。

通过以上两步，我们得到两种类型的标签相对于天线的RSSI向量值，一种是待定位标签节点在各个天线上的RSSI向量值，另一种是参考标签节点在各个天线上的RSSI向量值，这样对于每个待定位标签，我们可以计算它到各个参考标签的欧式距离，对于每一个待定位的标签节点都可以求出一组其相对于系统中所有m个参考标签节点的欧式距离，由此得到一个距离向量，从向量D中选取k个最小值。进行实际定位之前，应针对实际定位区域进行若干先导实验，分别考察k=2，k=3，……，k=9时系统的定位误差，以确定一个最理想的k值，然后在后续的实际定位中选择使用这一具体值来代入公式。本发明的实验过程中，发现k=4或k=5时系统误差较小，因此可两者选其一。利用K邻近算法选取这个K个最小值相应的参考标签即可估算出该待定位节点的位置坐标，在流程的最后，当估算结果误差较大时，我们可以通过坐标校正将估算结果调整回正确的区域内。

定位流程如图10所示。

Claims (1)

1.一种基于RSSI质心加权算法的无源RFID标签定位方法，其定位过程如下：

设定系统中有N个RFID阅读器，M个参考标签节点，X个待定位节点；阅读器选择连续工作模式，测定待定位节点到阅读器的信号强度，得到测定待定位节点到阅读器的信号强度向量V；测定参考标签节点到阅读器的信号强度，得到参考标签节点到阅读器的信号强度向量S；

V=(V₁,V₂,…,V_n)

Vi表示待定位标签节点在阅读器i上的信号强度值，i∈（1，n） ；

S=(S₁,S₂,…,S_n)

Si表示参考标签节点在阅读器i上的信号强度值，i∈（1，n）  ；

对于任一待定位节点x，其到第j个参考标签节点之间的欧式距离为：

$D_j=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(S_i-V_i)}^2},j\∈(1,M)$

对于每一个待定位的标签节点均按照上式求出一组其相对于环境中所有M个参考标签节点的相对信号强度集合D：

D=(D₁,D₂,…,D_M)

从向量D中选取k个最小值，利用K临近算法即可估算出该待定位节点的位置坐标：

$(x,y)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{w}_i(x_i,y_i)$

wi是参考标签的权值，在定位系统中，权值的定义如下：

$w_j=\frac{\frac{1}{{D_i}^2}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{D_i}^2}$   。

Images