CN103209478A - 基于分类阈值及信号强度权重的室内定位方法 - Google Patents

Abstract

本发明涉及室内无线定位领域，特别是一种基于分类阈值及信号强度权重的RSSI无线定位方法。该方法在离线训练阶段首先收集一个场景中多个参考点的信号特征，建立RSSI指纹数据库；然后根据该场景的信号传输损耗特征，为每个参考点独立计算匹配阈值。在定位阶段，先依据待测位置的指纹和各参考点的阈值，从指纹数据库中优选出参考点；然后，引入参考点信号强度作为权重参与K邻近加权，从而实现移动节点的定位。本方法简单易行，定位精度高，能有效减少RSSI随机抖动以及个别异常信标节点对定位计算造成的影响。

Description

基于分类阈值及信号强度权重的室内定位方法

技术领域

本发明涉及室内无线定位领域，特别涉及一种基于分类阈值及信号强度权重的RSSI无线定位方法。

背景技术

随着无线网络技术的发展，各种类型的无线应用发挥着越来越重要的作用。精确的位置服务可以在多方面改变人们的生产和生活活动，能给社会带来更高的便捷性。特别是室内场所，如在机场、超市、矿井等各种环境中，人员或物品的位置信息对管理有着至关重要的作用。室内无线定位服务主要面临两个问题：一是定位精度，二是成本。基于RSSI（received signal strengthindicator）指纹的定位方法由于无需增加额外硬件，简单易行，已广泛应用于各种无线网络定位中。然而，由于室内环境复杂多变，RSSI值又容易受反射、多径传播、背景干扰和天线增益等环境问题的影响，因此，传统基于RSSI的室内定位方法都存在随机性较大的定位误差，定位精度难以满足实际需求。

目前针对信号指纹法定位研究主要集中在K邻近加权算法，然而以往的方法只是利用参考点与信标节点RSSI差值最小的K个参考点或者采用固定阈值的投票机制来加权得到移动节点点位置。这些算法没有考虑到RSSI随距离变化的实际损耗特征，因而得到的结果往往受室内干扰因素影响较大。

因此，针对室内无线网络定位中基于RSSI指纹定位的精度问题，提出一种减少RSSI定位精度受室内干扰影响的方法已成为本领域技术人员亟待解决的技术课题。

发明内容

本发明要解决的技术问题是提供一种无线网络中基于分类阈值及信号强度权重的室内定位方法，该方法有利于减小RSSI受室内多径、绕射、障碍物、人员走动等干扰因素引起的定位误差，从而提高室内定位精度。

本发明采用以下方案实现：一种基于分类阈值及信号强度权重的室内定位方法，其特征在于包括以下步骤：

1）将目标区域划分成均匀网格，在各网格中心点测量接收到的各信标节点的RSSI值，并构建RSSI指纹地图；

2）根据各参考点采集的平均信号强度与距离之间的关系对所有参考点分类；

3）利用步骤2）的分类结果，分别确定各参考点的匹配阈值；

4)在移动节点的定位阶段中，根据实时RSSI值以及各类参考点阈值，从RSSI指纹地图中投票选出优选参考点；

5）以优选参考点的信号强度作为权重，采用加权K邻近定位算法估算出移动节点的位置。

在本发明的实施例中，所述步骤1）中将目标区域划分成均匀网格，要使得每个网格中心点之间的间隔为1.5米，在目标区域四个角落各放置一个信标节点，移动节点测量各信标节点的信号强度并上报给基站。

在本发明一实施例中，所述RSSI信号指纹是采用以下方式得到：在各网格中心点连续N次采集各信标节点的RSSI值，并对接收到的RSSI值取平均，即：

$S_i=[{\stackrel{\‾}{\mathrm{rssi}}}_{i1},{\stackrel{\‾}{\mathrm{rssi}}}_{i2},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{im}}]$

其中，

表示第i个参考点接收到第j个信标节点的平均信号强度值，i=(1,…,n),n为参考点数目，j=(1,…,m)，m为信标节点数目，N为常数。

在本发明一实施例中，所述步骤2）中根据各参考点采集的RSSI信号指纹与距离之间的关系，绘制RSSI-距离的关系图，并将该图进行曲线拟合，得到该定位环境的具体RSSI路径损耗特征。

在本发明一实施例中，所述分类根据距离的范围分为三类：第一类为0-4米，该范围内，距离的变化会显著改变RSSI值。第二类为4-12米，该范围内，距离的变化对RSSI值影响不明显。第三类为12-14米，该范围内，距离的变化也会显著改变RSSI值。

在本发明一实施例中，所述步骤3）中，先根据拟合曲线的拐点对距离进行分类，然后对各类再进行线性拟合，获得各类的拟合直线的斜率ratio，最后根据该斜率确定各参考点的匹配阈值，方法如下：

${\mathrm{\δ}}_{\mathrm{ij}}=\mathrm{ratio}*\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rssi}}_{\mathrm{ij}}^k-\stackrel{\‾}{{\mathrm{rssi}}_{\mathrm{ij}}})}^2/(N-1)}$

其中，δi_j表示第j个信标节点在第i个参考点的匹配阈值，表示在第i个参考点对第j个信标节点的第k次RSSI采集，ratio为阈值系数。

在本发明一实施例中，所述步骤4）所述投票选出优选参考点的方法是：根据移动节点接收到的各个信标节点的实时RSSI值，以遍历的方式去匹配指纹地图中的指纹信息；并为每个匹配的参考位置进行投票；然后将票数高于阈值T的参考位置选为优选参考点，进行加权定位。

在本发明的实施例中，所述步骤5）是根据与移动节点距离最近的信标节点作为参照，计算各优选参考点的权重。具体算法如下：

①设移动节点与优选参考点的欧式距离为 $\stackrel{\→}{E}=(E_1,E_2,...,E_K),$ $E_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_j-{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}})}^2},$ i=(0,…,K)，K为优选参考的个数，RSSI_j为移动节点实时接收到第j个信标节点的信号强度值。

②各优选参节点的权重计算如下：

$w_l=\frac{{\mathrm{rssi}}_{\mathrm{lx}}/E_l}{\underset{n=1}{\overset{K}{\mathrm{\Σ}}}({\mathrm{rssi}}_{\mathrm{lx}}/E_l)}$

其中，rssi_lx指第l个优选参考点存储的最近信标节点的RSSI指纹。

本发明的有益效果在于：

1.本发明利用根据参考点分类为每个参考为每个参考点独立计算匹配阈值，削弱了RSSI受多径、绕射、衍射、物品移位、人员走动等干扰因素的影响，减小定位误差。

2.本发明通过把参考点信号强度作为参考点权重引入对优选参考点加权阶段，削弱乃至消除被严重干扰的信标考点的影响，进一步提高定位精度。

本发明所提供的一种无线网络中基于分类阈值及信号强度权重的室内定位方法中，没有大量运算，实现简单，非常适合能量受限、计算能力受限、存储资源受限以及通信能力受限的无线网络的应用场景。

附图说明

图1是本发明的无线网络中基于分类阈值及信号强度权重的室内定位方法的流程图。

图2是本发明实施例中无线网络节点及网格点部署图。

图3是本发明实施例得出的表示RSSI与距离之间关系的路径损耗特征图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种基于分类阈值及信号强度权重的室内定位方法，其特征在于包括以下步骤：

1）将目标区域划分成均匀网格，在各网格中心点测量接收到的各信标节点的RSSI值，并构建RSSI指纹地图，即RSSI指纹数据库；

2）根据各参考点采集的平均信号强度与距离之间的关系对所有参考点分类；

3）利用步骤2）的分类结果，分别确定各参考点的匹配阈值；

4)在移动节点的定位阶段中，根据实时RSSI值以及各类参考点阈值，从RSSI指纹地图中投票选出优选参考点；

5）以优选参考点的信号强度作为权重，采用加权K邻近定位算法估算出移动节点的位置。

在本发明一实施例中，所述步骤1）中将目标区域划分成均匀网格，要使得每个网格中心点之间的间隔为1.5米，在目标区域四个角落各放置一个信标节点，移动节点测量各信标节点的信号强度并上报给基站。

在本发明一实施例中，所述RSSI信号指纹是采用以下方式得到：在各网格中心点连续N次采集各信标节点的RSSI值，并对接收到的RSSI值取平均，即：

$S_i=[{\stackrel{\‾}{\mathrm{rssi}}}_{i1},{\stackrel{\‾}{\mathrm{rssi}}}_{i2},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{im}}]$

其中，表示第i个参考点接收到第j个信标节点的平均信号强度值，i=(1,…,n),n为参考点数目，j=(1,…,m)，m为信标节点数目，N为常数，如N=10。

在本发明的一实施例中，所述步骤2）中根据各参考点采集的RSSI信号指纹与距离之间的关系，绘制RSSI-距离的关系图，并将该图进行曲线拟合，得到该定位环境的具体RSSI路径损耗特征。

在本发明一实施例中，所述分类根据距离的范围分为三类：所述分类根据距离的范围分为三类：第一类为0-4米，该范围内，距离的变化会显著改变RSSI值。第二类为4-12米，该范围内，距离的变化对RSSI值影响不明显。第三类为12-14米，该范围内，距离的变化也会显著改变RSSI值。

在本发明一实施例中，所述步骤3）中，先根据拟合曲线的拐点对距离进行分类，然后对各类再进行线性拟合，获得各类的拟合直线的斜率ratio，最后根据该斜率确定各参考点的匹配阈值，方法如下：

${\mathrm{\δ}}_{\mathrm{ij}}=\mathrm{ratio}*\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rssi}}_{\mathrm{ij}}^k-\stackrel{\‾}{{\mathrm{rssi}}_{\mathrm{ij}}})}^2/(N-1)}$

其中，δ_ij表示第j个信标节点在第i个参考点的匹配阈值，

表示在第i个参考点对第j个信标节点的第k次RSSI采集，ratio为阈值系数。

在本发明一实施例中，所述步骤4）所述投票选出优选参考点的方法是：根据移动节点接收到的各个信标节点的实时RSSI值，以遍历的方式去匹配指纹地图中的指纹信息；并为每个匹配的参考位置进行投票；然后将票数高于阈值T的参考位置选为优选参考点（T可以为经验值），进行加权定位。

在本发明一实施例中，所述步骤5）是根据与移动节点距离最近的信标节点（即RSSI值最大）作为参照，计算各优选参考点的权重。具体算法如下：

①设移动节点与优选参考点的欧式距离为 $\stackrel{\→}{E}=(E_1,E_2,...,E_K),$ $E_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_j-{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}})}^2},$ i=(0,…,K)，K为优选参考的个数，RSSI_j为移动节点实时接收到第j个信标节点的信号强度值。

②各优选参节点的权重计算如下：

$w_l=\frac{{\mathrm{rssi}}_{\mathrm{lx}}/E_l}{\underset{n=1}{\overset{K}{\mathrm{\Σ}}}({\mathrm{rssi}}_{\mathrm{lx}}/E_l)}$

其中，rssil_x指第l个优选参考点存储的最近信标节点的RSSI指纹。

具体的，如附图1所示，包括如下步骤：

步骤1：在本实施例中无线网络节点的部署如附图2所示，将目标区域划分成均匀网格，使得每个网格中心点之间的间隔为1.5米，在目标区域四个角落各放置一个信标节点，移动节点测量各信标节点的信号强度并上报给基站。在各网格中心点连续N次采集各信标节点的RSSI值，并对接收到的RSSI值取平均，即：

$S_i=[{\stackrel{\‾}{\mathrm{rssi}}}_{i1},{\stackrel{\‾}{\mathrm{rssi}}}_{i2},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{im}}]$

其中，

表示第i个参考点接收到第j个信标节点的平均信号强度值，i=(1,…,n),n为参考点数目，j=(1,…,m)，m为信标节点数目，N为常数，如N=10。

步骤2：根据各参考点采集的RSSI信号指纹与距离之间的关系，绘制RSSI-距离的关系图，并将该图进行曲线拟合，得到该定位环境的具体RSSI路径损耗特征（如附图3所示）。

步骤3：根据步骤2得到的路径损耗特征对距离分类，分类的依据是：在不同距离范围内，随距离的改变信号强度值变化的幅度大小不同，即在各距离范围内对RSSI-距离关系图进行直线拟合得到的直线斜率是不同的。因此可以先根据拟合曲线的拐点对距离进行分类。如附图2所示，可根据距离的范围分为三类，第一类为0-4米，该范围内，距离的变化会显著改变RSSI值。第二类为4-12米，该范围内，距离的变化对RSSI值影响不明显。第三类为12-14米，该范围内，距离的变化也会显著改变RSSI值。上述分类的优点在于可以对与信标节点之间的距离位于不同范围的参考点的阈值设置不同的阈值系数。如在0-4米范围内，即使RSSI相差较大，其距离相差却不是很大，因此该范围内阈值可相对设大一点；在4-12米范围内，即使RSSI相差较小，其距离却相差较大，因此该范围内阈值可相对设小一点。引入的阈值系数可以依据各参考点与信标节点之间距离的范围，借助上述规律，调整相应的阈值，从而针对性的提高投票的准确性，筛选出可信度较高的优选参考点。

步骤4：对每个参考点扫描到的信标节点对应的RSSI值取一个区间范围δ为阈值，从而构建一个RSSI指纹区间地图。δ根据距离的范围设不同大小，具体取法如下：

先根据拟合曲线的拐点对距离进行分类，然后对各类再进行线性拟合，获得各类的拟合直线的斜率ratio，最后根据该斜率确定各参考点的匹配阈值，方法如下：

${\mathrm{\δ}}_{\mathrm{ij}}=\mathrm{ratio}*\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rssi}}_{\mathrm{ij}}^k-\stackrel{\‾}{{\mathrm{rssi}}_{\mathrm{ij}}})}^2/(N-1)}---\left(1\right)$

其中，δ_ij表示第j个信标节点在第i个参考点的匹配阈值，

表示在第i个参考点对第j个信标节点的第k次RSSI采集，ratio为阈值系数。

步骤5：根据移动节点接收到的各个信标节点的实时RSSI值，以遍历的方式去匹配指纹地图中的每个参考点各个信标节点的指纹信息。若移动节点接收到某个信标节点的RSSI值落在p个参考位置点对应该信标节点的RSSI区间范围，则将这p个位置点的票数值加1，依次下去，各参考点的票数进行累加。投票结束后，将票数高于阈值T的参考位置选为优选参考点（T可以为经验值），进行加权定位。

步骤6：通过移动节点与各优选参考点的欧式距离计算权重，然后计算移动节点的坐标，由于在室内无线信号易受室内多径、绕射、衍射、物品移位、人员走动等干扰因素的影响，参考点获到取的各信标节点的RSSI值及其不稳定。但是参考点的RSSI越强，其可信度越高，表示该参考点对移动节点的位置越有信心，即其信心指数越大。因此我们把参考点信号强度作为各参考点的信心指数参与加权，从而削弱室内物品移位、人员走动的影响，使得定位精确度提高。

根据与移动节点距离最近的信标节点（RSSI值最大）作为参照，计算各优选参考点的权

重。具体算法如下：

①设移动节点与优选参考点的欧式距离为

$E_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_j-{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}})}^2},i=(0,...,K)---\left(2\right)$

其中K为优选参考的个数，RSSI_j为移动节点实时接收到第j个信标节点的信号强度值。

②各优选参节点的权重计算如下：

$w_l=\frac{{\mathrm{rssi}}_{\mathrm{lx}}/E_l}{\underset{n=1}{\overset{K}{\mathrm{\Σ}}}({\mathrm{rssi}}_{\mathrm{lx}}/E_l)}---\left(3\right)$

其中，rssi_lx指第l个优选参考点存储的最近信标节点的RSSI指纹。

因此得到移动节点的位置坐标为，

$(x,y)=\underset{l=1}{\overset{K}{\mathrm{\Σ}}}{w}_l(x_l,y_l)---\left(4\right)$

其中(x_l,y_l)为优选参考点的位置坐标。

综上所述，本发明通过根据路径损耗特征对参考点分类来确定匹配阈值并以参考点信号强度作为权重参与K邻近加权，如此，可减小室内环境干扰造成RSSI随机抖动的影响，削弱乃至消除被严重干扰的参考点的影响，较为准确地实现室内定位。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于分类阈值及信号强度权重的室内定位方法，其特征在于包括以下步骤：

1）将目标区域划分成均匀网格，在各网格中心点测量接收到的各信标节点的RSSI值，并构建RSSI指纹地图；

2）根据各参考点采集的平均信号强度与距离之间的关系对所有参考点分类；

3）利用步骤2）的分类结果，分别确定各参考点的匹配阈值；

4)在移动节点的定位阶段中，根据实时RSSI值以及各类参考点阈值，从RSSI指纹地图中投票选出优选参考点；

5）以优选参考点的信号强度作为权重，采用加权K邻近定位算法估算出移动节点的位置。

2.根据权利要求1所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述步骤1）中将目标区域划分成均匀网格，要使得每个网格中心点之间的间隔为1.5米，在目标区域四个角落各放置一个信标节点，移动节点测量各信标节点的信号强度并上报给基站。

3.根据权利要求2所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述RSSI信号指纹是采用以下方式得到：在各网格中心点连续N次采集各信标节点的RSSI值，并对接收到的RSSI值取平均，即：

$S_i=[{\stackrel{\‾}{\mathrm{rssi}}}_{i1},{\stackrel{\‾}{\mathrm{rssi}}}_{i2},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}},...,{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{im}}]$

其中，

表示第i个参考点接收到第j个信标节点的平均信号强度值，i=(1,…,n),n为参考点数目，j=(1,…,m)，m为信标节点数目，N为常数。

4.根据权利要求1所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述步骤2）中根据各参考点采集的RSSI信号指纹与距离之间的关系，绘制RSSI距离的关系图，并将该图进行曲线拟合，得到该定位环境的具体RSSI路径损耗特征。

5.根据权利要求4所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述分类根据距离的范围分为三类：第一类为0-4米，该范围内，距离的变化会显著改变RSSI值；第二类为4-12米，该范围内，距离的变化对RSSI值影响不明显；第三类为12-14米，该范围内，距离的变化也会显著改变RSSI值。

6.根据权利要求1所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述步骤3）中，先根据拟合曲线的拐点对距离进行分类，然后对各类再进行线性拟合，获得各类的拟合直线的斜率ratio，最后根据该斜率确定各参考点的匹配阈值，方法如下：

${\mathrm{\δ}}_{\mathrm{ij}}=\mathrm{ratio}*\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{rssi}}_{\mathrm{ij}}^k-\stackrel{\‾}{{\mathrm{rssi}}_{\mathrm{ij}}})}^2/(N-1)}$

其中，δ_ij表示第j个信标节点在第i个参考点的匹配阈值，

表示在第i个参考点对第j个信标节点的第k次RSSI采集，ratio为阈值系数。

7.根据权利要求1所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述步骤4）所述投票选出优选参考点的方法是：根据移动节点接收到的各个信标节点的实时RSSI值，以遍历的方式去匹配指纹地图中的指纹信息；并为每个匹配的参考位置进行投票；然后将票数高于阈值T的参考位置选为优选参考点，进行加权定位。

8.根据权利要求1所述的基于分类阈值及信号强度权重的室内定位方法，其特征在于：所述步骤5）是根据与移动节点距离最近的信标节点作为参照，计算各优选参考点的权重；具体算法如下：

①设移动节点与优选参考点的欧式距离为 $\stackrel{\→}{E}=(E_1,E_2,...,E_K),$ $E_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_j-{\stackrel{\‾}{\mathrm{rssi}}}_{\mathrm{ij}})}^2},$ i=(0,…,K)，K为优选参考的个数，RSSI_j为移动节点实时接收到第j个信标节点的信号强度值；

②各优选参节点的权重计算如下：

$w_l=\frac{{\mathrm{rssi}}_{\mathrm{lx}}/E_l}{\underset{n=1}{\overset{K}{\mathrm{\Σ}}}({\mathrm{rssi}}_{\mathrm{lx}}/E_l)}$

其中，rssi_lx指第l个优选参考点存储的最近信标节点的RSSI指纹。

Images