CN105277917A

CN105277917A - 一种基于反馈机制的动态指纹库室内定位方法

Info

Publication number: CN105277917A
Application number: CN201510728625.4A
Authority: CN
Inventors: 罗娟; 杨倩; 刘宇; 姚祥菊; 聂嘉威
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2015-10-30
Filing date: 2015-10-30
Publication date: 2016-01-27
Anticipated expiration: 2035-10-30
Also published as: CN105277917B

Abstract

本发明公开了一种基于反馈机制的动态指纹库室内定位方法，该方法对传统的指纹库定位方法采用指纹库动态更新机制，通过在离线阶段加入网格之间的距离矩阵，在线阶段定义“更新点”和“非更新点”以及截至区域，通过空间相关性，利用线性插值法计算“非更新点”的RSS值，从而使得该位置的RSS值也得以更新，实现了“更新点”到“非更新点”RSS值的反馈，然后进行定位，把定位效果最好的RSS值保存至离线数据库，在有效调整指纹库的同时也减少了更新的代价和复杂度；不仅保持了指纹库的实时性，也为下一次定位打下了良好的基础。

Description

一种基于反馈机制的动态指纹库室内定位方法

技术领域

本发明属于无线传感器定位领域，特别涉及一种基于反馈机制的动态指纹库室内定位方法。

背景技术

目前,先进的卫星定位系统GPS已广泛应用于经济、军事、生产生活的各个领域,因此,GPS几乎能满足人们对室外定位的所有需求。而随着智能移动终端的普及,人们对室内定位的需求与日俱增。高精度、低复杂度的室内定位技术已经成为国内外研究的热点和焦点。

室内定位技术主要分为:基于专用设备的定位技术、基于Wi-Fi信号测距的定位技术以及基于位置指纹的定位技术。其中,基于专用设备的定位技术的优点是精度较高,大多都可以达到厘米级别的定位精度,缺点是需要部署专用的硬件设备,成本较高；基于Wi-Fi信号测距的定位技术不易获得特征信息、精度低、极易受室内环境变化的影响；基于位置指纹的定位源于数据库技术，这种技术的优点是成本低、易实现,精度较高。所以，位置指纹定位技术是目前相对来说比较流行且普遍的一种室内定位技术，但是，位置指纹定位技术的一个主要问题是：在室内复杂多变的环境下，由于有干扰物体(比如人的移动)和多径衰落的影响，任意位置的RSS指纹都是动态变化的，然而离线指纹库却是固定不变的，这样会导致在线定位阶段匹配一个离实际位置相差较远的指纹，从而带来较大的定位误差。为了解决这一问题，就必须调整指纹库，使其和当前RSS指纹的差别尽可能小。一种减小数据库中的指纹和实时指纹差别的方法就是在所有参考位置重新测量RSS值，然而，更新的位置越多，成本和复杂度越大,有些研究者试图测量一部分位置的RSS值来减少成本，但这种方法只能调整更新位置的RSS值，并没有有效的更新指纹库。

因此，有必要设计一种全新的动态指纹库定位方法用于室内定位。

发明内容

本发明针对现有技术中定位精度不高的问题，提出了一种基于反馈机制的动态指纹库室内定位方法，通过实时更新离线RSS数据库，提高定位精度。

一种基于反馈机制的动态指纹库室内定位方法，包括以下几个步骤：

步骤1：对室内区域进行均匀化网格划分，获取锚节点坐标(x,y)，将已有的离线RSS值赋值到每个网格中的节点的RSS信息，构建初始RSS数据库Ψ；

其中，表示放置于网格j的节点接收到锚节点i的平均RSS，q为网格中的节点j接收到锚节点i的RSS样本总数；是第j个网格接收到锚节点i的第τ条RSS值；L表示锚节点个数，N表示网格总数；

如果位于网格j的节点在锚节点i的通信范围r以外，即放置于网格j的节点不能接收到来自锚节点i的消息，令

步骤2：构建网格中节点之间的距离矩阵D；

D = [\begin{matrix} d_{11} & d_{12} & . & . & d_{1 N} \\ d_{21} & d_{22} & . & . & d_{2 N} \\ . & . & . & . \\ . & . & . & . \\ d_{N 1} & d_{N 2} & . & . & b_{N N} \end{matrix}]

其中，位于网格m中的节点到位于网格n中的节点之间的距离为d_mn；如果m＝n,d_mn＝0；

步骤3：构建待验证节点的测量矩阵Φ，Φ＝[s₁,s₂,…,s_L]，并计算待验证节点的每个锚节点的RSS值与初始数据库中Ψ所有已知位置的节点RSS值之间的距离l_i；

其中，s_j表示待验证节点收到第j个锚节点的最新RSS值；p取值为1或2；

【所述待验证节点为所处网格坐标已知的节点，利用已知位置的节点验证当前RSS数据库是否准确，若不准确，则实时更新；】

步骤4：按从小到大选取K个步骤3获得的距离l_i，利用选取的距离l_i对应的节点i所在的网格坐标(x_i,y_i)，采用K近邻法计算待验证节点的估计位置

(\hat{x}, \hat{y}) = \frac{1}{K} Σ_{i = 1}^{K} (x_{i}, y_{i})

其中，K取1-11之间的整数；

步骤5：更新RSS数据库；

5.1：在室内区域中以步骤4获得的待验证节点的估计位置为圆心，半径为R，绘制圆，将圆形内的区域作为截止区域；

5.2：将截止区域中的已知网格坐标中的节点作为非更新点，截止区域以外的已知网格坐标中的节点作为更新点；

5.3：以非更新点所在位置作为圆心，半径为R，绘制圆，从得到的圆形区域中任意选取三个更新点；

5.4：对从RSS数据库中提取步骤5.3所选的更新点的RSS值，采用线性插值法，计算获得步骤5.3中所述非更新点的RSS更新值，更新RSS数据；

【即把RSS值从“更新点”反馈给“非更新点”。】

步骤6：利用更新后的RSS数据库，返回步骤3，重新计算待验证节点的估计位置，计算本次得到的估计位置与待验证节点位置之间的位置误差对值δ，若δ<T，则进入步骤7，否则，判断RSS数据库的更新次数g是否大于设定的最大更新次数G，若大于，则进入步骤7，否则，返回步骤1，任意选择RSS数据库中的Θ个节点作为反馈点，实时测量其最新RSS值，更新初始RSS数据库；Θ的取值为网格总数N的十分之一到八分之一；

其中，G取整数，取值范围是[1，5]；T为位置误差阈值，取值为0.3-0.6m；

步骤7：以获得位置误差绝对值最小时对应的RSS数据库作为在线实时定位RSS数据库；

步骤8：利用在线实时定位RSS数据库，将待定位节点作为待验证节点，返回步骤4，经步骤4获得待定位节点的估计位置。

所述步骤5.3中任意选取三个更新点具体操作如下：

(i)如果非更新点周围只有三个更新点，则选择当前的三个更新点；

(ii)如果非更新点周围不足三个更新点，则按照截止区域内非更新点的RSS值变化频率从小到大选取非更新点代替更新点，补足三个更新点；

(iii)如果周围超过三个更新点，则选择截止区域内离当前所选的非更新点距离最近的三个更新点。

所述p取值为2。

【计算两点之间的距离时，使用欧几里得距离效果更好。】

所述待验证节点数量为1-8个。

所述最大更新次数G取值为5。

有益效果

本发明提供了一种基于反馈机制的动态指纹库室内定位方法，该方法对传统的指纹库定位方法采用指纹库动态更新机制，通过在离线阶段加入网格之间的距离矩阵，在线阶段定义“更新点”和“非更新点”以及截至区域，通过空间相关性，利用线性插值法计算“非更新点”的RSS值，从而使得该位置的RSS值也得以更新，实现了“更新点”到“非更新点”RSS值的反馈，然后进行定位，把定位效果最好的RSS值保存至离线数据库，这样不仅保持了指纹库的实时性，也为下一次定位打下了良好的基础。

该方法通过判断定位误差大小来决定是否需要更新现有的指纹库，这和许多指纹库定位法不同。

本方法同时提出“更新点”和“非更新点”以及截至区域，利用线性插值法计算此“非更新点”的RSS值，把RSS值从“更新点”反馈给“非更新点”，在有效调整指纹库的同时也减少了更新的代价和复杂度。

而且，本发明采取多次更新的方式使现有的指纹库更加接近于实时的室内环境，同时，本发明记录了每次更新时得到的定位结果，最后输出误差最小的结果，并把能够得到最优结果的RSS指纹保存到离线数据库，不仅使定位结果最优化，也保证了指纹库的实时性，有利于下一次的定位。

附图说明

图1是本发明的定位方法流程图；

图2是本发明的网格和锚节点示意图；

图3是本发明提出的截止区域示意图；

图4是本发明提出的“更新点”和“非更新点”示意图；

图5为最大更新次数对本算法定位精度的影响仿真示意图；

图6为反馈点数量对定位精度的影响仿真示意图；

图7为截止区域半径对定位精度的影响仿真示意图；

图8为同一待验证节点对RSS数据库进行验证的测量次数，分别对本算法、Fingerprint算法、TraditionalCS算法的影响仿真示意图；

图9为待验证节点数量对Fingerprint、TraditionalCS、和本算法定位精度的影响仿真示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

首先定义锚节点数量L，锚节点通信半径r，最大指纹库更新次数G,当前指纹库更新次数g，定位误差阈值T，传统的指纹库定位的平均误差为0.5m，所以这里设定T＝0.5m。

如图1所示，为本发明的定位方法流程图。定位分为离线阶段和在线阶段。离线阶段生成RSS指纹库、网格之间距离矩阵，得到锚节点坐标和网格坐标；在线阶段对于待定位节点生成测量矩阵，利用KNN算法定位，根据定位误差决定是否更新指纹库，并执行多次更新得到最优的定位结果。

(1)在离线阶段建立采样矩阵Ψ和网格到网格之间的距离矩阵D，获得锚节点的坐标以及各网格坐标，保存到离线数据库。

如图2所示，为本发明的网格和锚节点示意图；图中正方形为网格，每个网格中都有已知坐标的参考节点，黑点表示随机分布的锚节点，其坐标同样已知。

(2)在线阶段，获得测量矩阵Φ，通过K-NN匹配算法与Ψ匹配，获得待验证节点的估计位置Px，Py。

(3)计算该点实际位置(此步骤是为了验证算法的定位精度，以使本算法能达到最好的定位效果，故需要与实际位置作比较)与估计位置的误差δ，如果δ<T，则直接执行第8步，返回估计坐标；如果δ>T，则执行第4步。

在室内区域中以待验证节点的估计位置为圆心，半径为R，绘制圆，将圆形内的区域作为截止区域；

将截止区域中的已知网格坐标中的节点作为非更新点，截止区域以外的已知网格坐标中的节点作为更新点；

图3为本发明提出的截止区域示意图。R为截止区域半径，圆点为截止区域内的点，倒三角为截止区域外的点，A为“非更新点”或者为当前待定位节点的估计位置。

(4)重新测量一部分网格的RSS值，得到更新点和非更新点，并令g+1，执行第五步。

(5)更新RSS数据库；

(i)如果非更新点周围恰有三个更新点，则可直接计算该点的RSS值；

(ii)如果非更新点周围不足三个更新点，则选择截止区域内的RSS值变化频率较低的非更新点代替更新点，获得足够的更新点后再计算该点的RSS值；

(iii)如果周围超过三个更新点，则选择截止区域内离该点最近的三个更新点，然后计算该点RSS值。

图4为本发明提出的“更新点”和“非更新点”示意图。如果截止区域内恰有三个“更新点”，则可直接计算“非更新点”的RSS值；如果在截止区域内，“非更新点”周围有三个以上的“更新点”，则选择最近的三个“更新点”；如果周围不足三个“更新点”，则用截止区域内最近的RSS值变化频率较低的“非更新点”代替“更新点”。图中圆点表示非更新点，菱形表示更新点，倒三角表示代替更新点的非更新点。

(6)得到所有更新点的RSS值和计算得到的非更新点RSS值，返回给在线定位阶段。

(7)利用更新后的RSS值计算定位误差δ，如果δ<T，执行(8)；如果δ>T，判断更新次数，如果g>G，执行(8)，否则执行(4)。如果本次定位误差小于上一次定位误差，则把更新后的RSS数据库作为在线定位RSS数据库。

(8)比较所有的定位结果，返回具有最小误差的定位坐标Px，Py。

(9)利用在线定位RSS数据库对待定位的节点按照步骤(2)进行定位。

在本实例中，最大传输功率为20dbm，最小传输功率为1dbm。每个节点都在相同的信道上进行通信，每个锚节点都有着同样的通信半径。

把室内定位区域划分为N＝30x30个网格。L个锚节点随机部署在区域中，L＝30；锚节点通信半径取值为20m；锚节点位置为随机；所有的待定位节点都通过接受来自锚节点的RSS进行定位。仿真从待定位节点数量、测量次数、指纹库最大更新次数G和截止区域半径R对定位精度的影响来进行，并和TraditionalCS、fingerprintlocalization这两个经典定位算法相比较。

在仿真中，初始RSS数据库矩阵Ψ利用IEEE802.15.4标准定义的室内经典传输模型得到，如下式所示：

R S S (d) = \{\begin{matrix} P_{t} - 40.2 - 10 \times n \times l o g_{10} d, d \leq 8; \\ P_{t} - 58.5 - 10 \times n \times l o g_{10} d, d > 8; \end{matrix}

P_t是当与参考节点距离为1m时的接受信号强度。P_t可用下式表示：

P_{t} / P_{t}^{'} = {(\sqrt{G_{l}} λ / 4 π d)}^{2}

其中，d＝1m，非定向天线G_l＝1，λ＝c/f＝3x10⁸/2.4x10⁹.

需要强调的是，本实例的实验环境都是动态变化的室内环境，也就是每一参考点处接收的RSS值和在线测量的RSS值都有可能随时发生变化，这和大多数定位算法的实验环境并不一样。

对不同的更新次数带来的结果做比较

首先将“反馈点数量”Θ设定为100，结果图5所示。从图5可以看出，随着测量次数的增加，各曲线的定位精度都有所提高，当G从1增加到5时，定位精度大概提高了0.4m，定位效果提高比较明显；但随着G继续增加到10，G＝5、G＝8、G＝10这三条曲线几乎重合，也就是说，当G大于5时，对定位精度几乎没有影响。由于更新指纹库的次数越多，算法的代价越高，在本实例中，规定指纹库最大更新次数G＝5。

反馈点数量Θ对定位结果的影响

本算法在更新指纹库的过程中，从室内网格区域中随机选取一部分节点作为反馈点，重新测量这些反馈点处的RSS值。反馈点数量越多带来的成本和代价越大，所以要选取尽量少的反馈点，在本实例中通过改变Θ的大小来观察其对定位精度的影响，结果如图6所示。从图6可以看出，随着反馈点数量Θ从100增加到500，定位精度也随之提高，但其中增加了400个反馈点，付出的成本可能会提高很多。从图8也可看出，当Θ＝100时，本算法的定位精度也要高于传统CS算法和传统指纹库算法，即当反馈点数量为100时，本算法的定位效果也较好，所以在实例中把Θ设为100。

截止区域半径R对定位精度的影响

截止区域半径决定发现“更新点”的数量，半径越小，“更新点”的数量越少，实验中，将截止区域半径R从2m增加到10m，结果如图7所示。从图7可以看出，当R从2m增加到5m时，定位精度有一定的提高，但当R大于5m之后，改变R的值对定位精度几乎没有影响。

同一待验证节点对RSS数据库进行验证的测量次数对实验结果的影响

从图8可以看出，在动态变化的室内环境下，传统CS和指纹定位两种算法在测量次数少于3次的情况下，定位误差相当大，而本算法在测量次数很少的情况下精度也很可观，所以本算法的稳定性要高于其他两个算法，而且当测量次数达到15次时，定位误差已经低于0.1m。并且，在所有测量次数下，本算法的定位精度都是最优的。

待验证节点数量对实验结果的影响

图9中，待验证节点数目从1增加到20，每个待验证节点定位误差通过15次的定位测得平均值。从实验结果可以看出，本算法在动态变化的室内环境下的定位误差要远低于Fingerprint算法和TraditionalCS算法，并且当待定位节点少于8个时，定位误差均小于0.1m。

综上所述，应用本发明所述方法进行实时定位时，精度明显优于现有技术。

Claims

1.一种基于反馈机制的动态指纹库室内定位方法，其特征在于，包括以下几个步骤：

步骤2：构建网格中节点之间的距离矩阵D；

D = [\begin{matrix} d_{11} & d_{12} & . & . & d_{1 N} \\ d_{21} & d_{22} & . & . & d_{2 N} \\ . & . & . & . \\ . & . & . & . \\ d_{N 1} & d_{N 2} & . & . & d_{N N} \end{matrix}]

(\hat{x}, \hat{y}) = \frac{1}{K} Σ_{i = 1}^{K} (x_{i}, y_{i})

其中，K取1-11之间的整数；

步骤5：更新RSS数据库；

步骤6：利用更新后的RSS数据库，返回步骤3，重新计算待验证节点的估计位置，计算本次得到的估计位置与待验证节点位置之间的位置误差对值δ，若δ<T，则进入步骤7，否则，判断RSS数据库的更新次数g是否大于设定的最大更新次数G，若大于，则进入步骤7，否则，返回步骤1，任意选择RSS数据库中的Θ个节点，实时测量其最新RSS值，更新初始RSS数据库；Θ的取值为网格总数N的十分之一到八分之一；

2.根据权利要求1所述的方法，其特征在于，所述步骤5.3中任意选取三个更新点具体操作如下：

3.根据权利要求1所述的方法，其特征在于，所述p取值为2。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述待验证节点数量为1-8个。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述最大更新次数G取值为5。