CN104678351A

CN104678351A - 一种基于ZigBee技术的室内定位系统的算法

Info

Publication number: CN104678351A
Application number: CN201310627553.5A
Authority: CN
Inventors: 陆婷
Original assignee: Individual
Current assignee: Individual
Priority date: 2013-11-29
Filing date: 2013-11-29
Publication date: 2015-06-03

Abstract

本发明提出了一种基于ZigBee技术的室内定位系统（IPS）的解决方案，文中结合基于接收信号强度测距法（RSSI）和场景指纹定位法，提出了RSS场景指纹定位法，该算法采用RSS“场景特征信息”作为定位场景的“指纹信息”，以此建立“指纹信息”数据库，最后利用最近邻居匹配算法来实现室内定位。在实际应用过程中，此方法除了可以提供基础的定位服务以外，还可以通过改进盲节点的硬件结构，使得盲节点具有自身实现定位算法的能力，此外，还可通过添加额外的系统，如室内环境信息数据库，高速率的通信系统，此室内定位系统可以提供室内地图、导航、搜索等相关功能，在现实生活中具有较大的应用价值。

Description

一种基于ZigBee技术的室内定位系统的算法

技术领域

本发明提出一种基于ZigBee技术的室内定位系统的算法，属于信息通信控制领域。

背景技术

目前室内定位系统可以根据其使用的无线技术分为几类，分别是 RFID，蓝牙，ZigBee，红外，WiFi等，在这些技术中，RFID 和ZigBee 在低成本方面具有极大的优势。在实际应用中，一个大型场景内的室内定位系统可能会使用到成百上千的感应节点，ZigBee 和 RFID 在成本上的优势会更加凸出体现。而相对与 RFID 技术，ZigBee 是一组针对短距离、低速率的无线网络通信协议标准. 基于ZigBee 的无线设备在 868 MHz, 915 MHz 和 2.4 GHz 频段下工作，它的最大传输速率为每秒 250 千字节。 ZigBee主要针对于使用电池供电的并且对数据传输速率要求不高，对电池寿命要求较高的设备。ZigBee由于具有相对广泛的覆盖面积和节点直接具有相互数据通信的能力，使得ZigBee更适用与商业化的室内定位系统。目前几种传统的测距算法如下：

1 信号强度测距算法

信号强度随着传播而衰减，所以测量信号强度可以与物理距离相对应。理论上，根据能量法则，信号强度随着距离的增大而减小。此方法中的信号一般选取RFID频射信号。

无线信号传播的一般模型为：

（式1）

其中，n是路径损耗因子，即路径长度和路径损耗之间的比例因子，表示路径损耗随着距离增长的速度，它与周围的环境有关，依赖于建筑物的结构和它使用的材料。一些典型值为：办公楼n=3.25，一般建筑物n=2.76，购物商场n=2.18。X₀ 称为路径损耗附加值，表示通过墙壁或建筑物的衰减因子，它同样依赖于建筑物的结构和使用材料，一些典型值为：玻璃8dB，隔墙10~15dB，预制板20~30dB.。d₀ 是参考距离，通常选择1米，P(d₀) 是当距离为参考距离d₀时的功率；d shi发送端和接收端之间的距离，通常情况下，当d₀ = 1m, P(1) = 30dB. 接收端的信号强度公式为：

(式2)

其中，p_r(d) 表示接收功率，也可以用接收信号强度RSSI(d)来表示。p_t是传输功率，p(d)是当路径为d时的路径损耗。所以，在已知发射功率的情况下，通过测量接收功率，可以计算出传输损耗，即可以使用信号传输模型将传播损耗转化为距离。在实际测量中，概率最大的RSSI值和多个RSSI的平均值差距不太大，因此，一般都是通过计算RSSI平均值的方法来得到某个距离点上的RSSI值。

场景指纹定位算法

对于每一个位置，每个位置都有自己唯一的多径结构，终端发送的无线电波经过反射和折射，产生与周围环境联系紧密的多径信号，这个多径特征可以认为是该位置的“指纹”, 这个“指纹信息” 可以认为是场景特征。因为信号强度的分布对传输地形和障碍物有依赖性，所以它呈现出较强的环境特殊。场景指纹算法就是依据这种特殊性来获得用户的位置。场景指纹定位方法有两个阶段：

l 离线阶段。首先，完成建立指纹数据库，记录不同位置的场景参数，通常采取盲节点漫游在定位区域，记录每个位置接收到的信号强度和其他指纹信息，接着将这些信息和当前漫游状态成对的记录到数据库中。

l 在线阶段。通过获得盲节点的“指纹信息”，接着将信息与离线阶段建立的数据库中的“指纹信息”相匹配，运用相应的匹配算法来确定接收到的“指纹信息”中与数据库中信息匹配度最高的位置，从而确定出用户实际的位置。

基于场景指纹的定位技术，它的位置准确度依赖于测量网格的密度及网格大小。在最小的网格密度下，场景指纹定位方法可以获得最强的定位准确度和精确度。

发明内容

本发明提出了一种基于RSS场景指纹的定位算法，这种定位方法结合了接收信号强度算法（RSSI）和场景指纹定位法。这种方法首先需要在定位区域内部署盲节点的位置，从而形成ZigBee网络，同时，将盲节点放置于定位区域中，用RSSI方法去获得该位置的场景指纹，即盲节点的信号强度，接着结合这一点的信号强度以及位置信息，从而形成该位置的“场景特征信息”，这些信息是场景指纹数据库的来源。在实际的测量中，使用场景指纹定位法建立数据库，接着运用相应的匹配算法来找到与盲节点相似的匹配点，最后确定盲节点的位置。

附图说明

图1 离线阶段工作流程。

具体实施方式

在场景指纹定位方法的基础下，RSS场景指纹定位方法拥有同样的过程，也分为离线阶段和在线阶段两部分，但在收集“指纹信息”、建立指纹数据库、接收信号的读取以及场景距离测定等方面结合了RSSI的原理。因此，RSS场景指纹算法是一个基于两种方法的更加精确的算法，它的工作过程如下：

第一阶段——离线阶段，如图1所示，工作过程:

l 在定位区域内已经建立的无线网络中，“指纹

数据”采集节点和参考节点之间互相发射RFID频射信号，因为参考节点的位置是已知的，所以参考节点和采集节点之间通过信号测距法获取该采集节点的位置信息，同时，通过测量参考节点接收到的采集节点发射的信号功率可以获得采集节点在该参考节点处的“场景信息特征”——该参考节点位置的RFID频射信号的发射功率。

l 综合RSSI获取得到的位置信息以及“场景信息特征”，将这两种信息综合，从而得到盲节点在所在位置对应各参考节点的一组“场景信息指纹”。

l 通过指纹数据库生成法，将各个采集节点的“场景指纹信息”存入指纹数据库中，待第二阶段-在线阶段使用。

第二阶段——在线阶段：

l 与第一阶段的前两步相同，首先获取盲节点的 “场景指纹信息”，不同于在离线阶段的采集节点，第二阶段盲节点的位置是未知的，这是需要测量的数据，同样，这个节点是可以移动的，盲节点不断的移动，所以“场景指纹信息”是实时的信息，该组“指纹信息”将用于与指纹数据库中的各组“指纹数据”进行匹配。

l 使用某种匹配算法对盲节点的实时“场景指纹信息”与指纹数据库中的各组“指纹数据”进行比较和匹配，找出最匹配的一组，从而可以得出该盲节点的实际数据，从而估计出盲节点的位置。

同时，在RSS场景指纹定位法中解决了几个相关问题

A、指纹信息数据表示问题

由于在一些特定的位置，RFID频射信号会互相影响，导致频射信号不稳定。基于这种假设，每一个位置都有自己唯一的RFID频射信号特征向量值。因此，通常将一个位置和该位置的唯一的频射信号特征向量值作为一个整体，用来描述建筑物内该位置的“场景指纹”。

因此，可以使用下面的二元组来表示数据库中的“指纹信息”：(L , F)

L代表此位置的坐标或者类似位置的信息，表达式可以表示如下：

(式3)

F 表示该位置的RSS “场景特征信息”，是该位置上所有参考节点发送过来的RSSI平均值。

、定位区域内网格划分问题

网格是指将定位区域的平面图划分成一块块大小相等的范围，在该范围内取中心点作为定位区域内的RSS“指纹场景信息”采集点。我们将定位区域划分为若干的网格，而网格的大小也将直接影响到该区域的指纹数据库中“指纹数据”采集的好坏，从而最终影响定位精度。我们主要考虑的是各个网格的间距大小问题，间距太小会使数据增多，且对提高精度贡献不大，而如果间距太大，则必然导致精确度下降。

、指纹数据库生成问题

普通的指纹数据库生成是各个参考节点依次接收并测量每个采集节点的RSSI数据，并与每个采集节点的位置一一对应后，记录到指纹数据库中。

当采集节点按区域的大小和形状整齐的排列成网格状时，定位效果最好。采集点的排列接近于均匀分布时，它的间距可以指征定位精度。当采集节点均匀分布时，其节点间距为：

式4

S 是定位区域的面积，N为采集节点的个数。

但是，如果需要建立指纹数据库的定位区域太大时，使用上述方法并不方便，所以我们可以运用如下简单的插值方法，以周围位置Z(x_i) 来估计未来采样位置x₀的变量Z(x₀)的值，公式如下：

（式5）

d_i 是位置x₀ 和位置x_i间的距离。

通过这种简单的插值方法，可以减少指纹数据量建立的复杂度和工作量。

、指纹匹配算法问题

经过比较一些匹配算法之后，最近邻居算法性能比较好。这个算法通过选择K组最邻近信号强度值所对应的参考点，然后选择一个最佳位置作为盲节点的估计位置。

假设 S_ij 是离线阶段第i个参考节点接收来自第j个参考节点的信号强度平均值，S_i 是在线阶段盲节点测得的来自第i个参考节点的信号强度值，i=1,2…m,j=1,2…n, 其中m是参考节点个数，n是移动节点个数。S_i和S_ij 之间的距离，表示如下：

(式6)

在结果中从小到大选择K 个最小d_j 值所对应的参考点，运用公式（2-5）计算它们位置坐标的平均值作为结果输出。

(式7)

(x_i , y_i) 表示数据库中第i个被选取的参考节点所对应的坐标。

使用公式（2-5），通过K个最邻近的参考节点的位置来估计盲节点的位置，是基于它们到盲节点的位置是等距离的。但实际中并非如此，因此会存在一定的误差。所以，对上述方法进行了改进，对K个参考节点分别赋予不同的权值α_i，由于盲节点离这K个位置参考节点之间的距离与信号强度d_i成反比，所以权值可设置如下：

(式8)

因此，盲节点的坐标为：

(式9)

定位系统硬件设计方法

此定位系统主要由三部分组成：盲节点，参考节点和控制节点。

盲节点（blind node）是位置未知的待定位节点。系统的主要目标是利用定位算法来实现盲节点的定位。在此定位系统中，盲节点主要有两项任务。第一是每个一定的时间向周围的所有邻近参考节点广播信号脉冲。第二是在接收到周围参考节点发送回的RSSI 信息后将信息发送回控制节点。

参考节点（reference node）是在部署时设置好位置信息的节点。参考节点用在特定的算法中，给盲节点提供位置信息参考。在此室内定位系统中，参考节点的主要任务是在接受到盲节点的信号脉冲后，测量其 RSSI值，并存储这些值，在取得足够的采样值之后，将这些采样的平均 RSSI 发送回盲节点，同时，参考节点在部署后仍可改变自己的位置，并通过控制节点的指令来更新自己的位置信息。这也是本文选择其名为“参考节点”而不是一般通用“锚节点（anchor node）”。

控制节点（dongle node）为一类比较特殊的节点，它收集盲节点发回的 RSSI 信息然后通过串口通信提交给计算机，计算机通过定位算法给出最终估算的盲节点位置。同时参考节点也可以通过串口接受计算机给出的指令，发送位置配置信息给各个参考节点，实现系统的动态部署。

本发明提出了一个室内定位系统的设计和实现方法。从最初的理论计算到这个系统的设计再到最终的使用 TI 公司的开发平台Z-Stack 来实现系统。根据测试结果，这种低成本定位系统在覆盖超过 20m*20m 的面积里使用 4 个参考节点就能以2m 以内的平均定位误差满足普通的日常定位需求。在实际应用过程中，此系统除了可以提供基础的定位服务以外，通过改进盲节点的硬件结构，可以使得盲节点具有自身实现定位算法的能力。且通过添加额外的系统，如室内环境信息数据库，高速率的通信系统，此室内定位系统就可以提供室内地图、导航、搜索等相关功能，在现实生活中具有较大的应用价值。

Claims

1.一种基于ZigBee技术的室内定位系统的算法，该定位算法结合了接收信号强度算法和场景指纹定位法。

2.根据权利要求1所述的基于ZigBee技术的室内定位系统的算法，分为离线阶段和在线阶段两个阶段。

3.根据权利要求2所述的基于ZigBee技术的室内定位系统的算法的离线阶段，它首先完成建立指纹数据库，记录不同位置的场景参数，采取盲节点漫游在定位区域，记录每个位置接收到的信号强度和其他指纹信息，然后将这些信息和当前漫游状态成对的记录到数据库中。

4.根据权利要求2所述的基于ZigBee技术的室内定位系统的算法的在线阶段，它通过获得盲节点的“指纹信息”，接着将信息与离线阶段建立的数据库中的“指纹信息”相匹配，运用相应的匹配算法来确定接收到的“指纹信息”中与数据库中信息匹配度最高的位置，从而确定出用户实际的位置。