CN105911519A - 一种自适应校准的大型室内rssi混合滤波定位方法 - Google Patents

Abstract

本发明公开了一种自适应校准的大型室内RSSI混合滤波定位方法，包括自适应校准定位装置，所述自适应校准定位装置包括位于ZigBee无线网络中的数个终端节点、数个待测节点和一个协调器节点，其中，终端节点和协调器节点均设置在室内固定位置，相互距离已知；本发明采用ZigBee无线组网，并结合混合滤波法，可以有效降低由于环境因素造成的测距不准，能克服因室内障碍造成的信号阻隔等，能有效提高抗干扰性和准确性；而且适用性强，在不同的应用场景下，免去了事先测量路径衰减因子的麻烦，同时也使得测距成本大大降低。

Description

一种自适应校准的大型室内RSSI混合滤波定位方法

技术领域

本发明涉及一种定位方法，尤其涉及一种自适应校准的大型室内RSSI混合滤波定位方法。

背景技术

在首都国际机场、成都新会展中心这样的大型单体建筑内，找到方位不是一件容易的事情，人们常常在里面丢失了方向，无法知道自己具体在什么地方。所以需要有效精确的定位方法。

室内定位有很多种方法，Zigbee模块体积小、自动组网，所以非常灵活，而Zigbee定位中，会用到RSSI定位方法。基于RSSI(Received Signal Strength Indication接收的信号强度指示)的定位技术，在无线传感器网络的应用中，占据了非常重要的地位。RSSI定位是一种低成本、低功耗、无需额外的硬件开销的定位技术，只需要对接收信号强度的判断，便可通过数学模型得出距离。

但是实际应用中RSSI极易受到环境的干扰，产生较大波动，使得定位结果不理想。为了将波动对测量结果产生的影响减小，需要对RSSI值进行数字滤波，目前常用的有均值滤波、中值滤波以及高斯滤波模型。

均值滤波法是指接收一组RSSI信号，求其算术平均值作为估算值，只有当测量数据足够多时，才能减小波动，但这也对设备的实时处理能力提出了较高的要求，同时当数据波动较大时，偏差仍然较大。

中值滤波法是接收一组数据，按照数据的大小进行排列，然后取中间的数值作为估算值,其取值少，不能真实反映RSSI值的情况。

高斯滤波法是剔除波动较大的异常数据，筛选出这些大概率数值，求算术平均，作为滤波后的估算值。它提高了测距的抗干扰性和稳定性，但是对于能量反射等长时间干扰处理效果欠佳。

通常情况下，接收信号平均功率的衰减与距离，表现出一种指数形式的关系。目前常用的无线电信号传播损耗模型为对数-常态分布模型：

$P\left(d\right)=P\left(d_0\right)-10*\mathrm{\η}*{\lg }^{d/d_0}+X_{\mathrm{\σ}}---\left(4\right)$

η为路径衰减因子，不同环境下取值不同；P(d₀)是距离为d₀时信号的强度，通常情况下，d₀典型值为1m。X_σ为服从高斯分布的随机噪声，其均值为零，标准差为σ；P(d)为距离为d时的信号强度，即RSSI值。将式①进行转换得到式②，如下：

$d={10}^{\frac{P\left(d_0\right)-P\left(d\right)+X_{\mathrm{\σ}}}{10*\mathrm{\η}}}---\left(5\right)$

由式(5)可以看出，P(d₀)、P(d)、路径损耗因子η以及高斯噪声X_σ决定了距离d。测距误差便是从这其中产生。实际测量时会提前测量P(d₀)的值，相距1m时不易受到环境因素干扰，其值较为准确；高斯噪声X_σ对RSSI的影响较小，为了简化算法，通常会将其忽略。所以误差的主要来源是P(d)和路径损耗因子η。由于RSSI的取值与路径衰减因子有关，而路径衰减因子因环境不同而改变，所以这些滤波方法还是不能避免受它的影响。

发明内容

本发明的目的就在于提供一种解决上述问题，能够有效避免因路径衰减因子造成测距不准，能提高抗干扰性和准确性的一种自适应校准的大型室内RSSI混合滤波定位方法。

为了实现上述目的，本发明采用的技术方案是这样的：一种自适应校准的大型室内RSSI混合滤波定位方法，包括自适应校准定位装置，所述自适应校准定位装置包括位于ZigBee无线网络中的数个终端节点、数个待测节点和一个协调器节点，其中，终端节点和协调器节点均设置在室内固定位置，相互距离已知；

定位方法包括以下步骤：

(1)在室内布设N个终端节点B₁-B_N，和协调器节点B，终端节点与协调器节点的相互距离已知，分别为d₁-d_N；

(2)组网：协调器上电启动，探测是否有待测节点加入网络，若有，则与协调器连接；

(3)设待测节点为A，计算AB间的距离d；

(31)利用混合滤波法求AB间的RSSI的值h；

所述混合滤波法为：A接收B发送的信息，从中提取一组RSSI的值，剔除两个端值，剩下的数值经高斯模型进行滤波处理，再求平均值；

(32)利用混合滤波法求AB1间的RSSI的值k1；

(33)利用公式(1)求出AB之间的第一个估值D1；

$D_1={d_1}^{\frac{h-P\left(1\right)}{k_1-P\left(1\right)}}---\left(1\right)$

其中，P(1)为任意两个终端节点在上述室内相距1米时的RSSI平均值；

(34)重复上述步骤(32)、(33)，依次得出AB2到ABN间的RSSI值k2-kN，并得出估值D2-DN，再根据式(2)，求出AB间的距离；

$d=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{D}_n---\left(2\right).$

作为优选：所述高斯模型为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}\]}---\left(3\right)$

其中X为混合滤波中，剔除端值后剩下的RSSI的一组样本值，

其中：

$\mathrm{\μ}=\frac{1}{N}{\Σ}_{i=1}^N{x}_i,\mathrm{\σ}=\sqrt{\frac{1}{N-1}{\Σ}_{i=1}^N{(x_i-\mathrm{\μ})}^2}.$

作为优选：所述协调器节点还连接一智能终端，所述智能终端获取AB间的距离值并显示。

与现有技术相比，本发明的优点在于：克服了路径衰减因子因环境不同而改变，导致定位不精确的缺陷，只需要预知几个已知点即可精确测距。本发明的主体在于距离的测量，是因为基于精确的测距，才能实现精确的定位。另外，本发明的定位方案适用性强，在不同的应用场景下，免去了事先测量路径衰减因子的麻烦，同时也使得测距成本大大降低。

为什么说本发明采用的公式(2)能有效避免因路径衰减因子造成测距不准，是因为如图2所示：已知节点B₁、B₂、B₃...B_N，B是与目标节点A进行测距的已知节点。d₁、d₂、d₃...d_n分别是B与B₁、B₂、B₃...B_N之间的距离，d为A与B之间待测的距离。其中B₁、B₂、B₃...B_i为在B通信范围内的节点。

根据背景技术中式(4)可知：

AB间的测距模型为：P_AB(d)＝P(1)-10*η*lg^d；

BB_n间的测距模型为：

联立上两式，抵消η得：将该式转换后，从而得出一个与η无关的测距关系式，消除了η对测距的影响。

附图说明

图1为本发明结构示意图；

图2为本发明组网图；

图3为实施例1的实验对比图。

具体实施方式

下面将结合附图对本发明作进一步说明。

实施例1：参见图1到图3，本发明原理为：在室内固定位置布设数个终端节点和一个协调器节点，其中，终端节点和协调器节点均设置在室内固定位置，相互距离已知，任意两个终端节点在相距1米的RSSI值也就是P(1)已知。

待测节点也为数个，是自由加入网络中的，需要被测距的节点，协调器节点通过无线通信模块连接一智能终端；所述智能终端可以是智能手机、平板电脑等，方便计算出待测节点与协调器节点的距离后，在智能终端上显示。

假设其中一个携带待测节点的用户走入该室内，我们需要对其精确定位并显示其位置。

所以实现定位和显示的具体步骤如下：

(1)在室内布设N个终端节点B₁-B_N，和协调器节点B，终端节点与协调器节点的相互距离已知，分别为d₁-d_N；

(2)组网：协调器上电启动，探测是否有待测节点加入网络，若有，则与协调器连接；

(3)设待测节点为A，计算AB间的距离d；

(31)利用混合滤波法求AB间的RSSI的值h；

所述混合滤波法为：A接收B发送的信息，从中提取一组RSSI的值，剔除两个端值，剩下的数值经高斯模型进行滤波处理，再求平均值，这里说的端值，是指一组RSSI值中的最小值、最大值；

(32)利用混合滤波法求AB1间的RSSI的值k1；

(33)利用公式(1)求出AB之间的第一个估值D1；

$D_1={d_1}^{\frac{h-P\left(1\right)}{k_1-P\left(1\right)}}---\left(1\right)$

其中，P(1)为任意两个终端节点在上述室内相距1米时的RSSI平均值；

(34)重复上述步骤(32)、(33)，依次得出AB2到ABN间的RSSI值k2-kN，并得出估值D2-DN，再根据式(2)，求出AB间的距离；

$d=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{D}_n---\left(2\right);$

计算出AB间的距离后，经协调器节点传送给智能终端，智能终端获取AB间的距离值并显示。

将数个终端节点随机放置协调器节点B的附近。本次实验将在A距离B：4.5米、9米、13.5米、18米、22.5米处进行。对比采用校正模型和未采用的情况下，二者的差异。实验对比图结果如下图3。

由图3可以看出，随着测量距离的增加，测量误差呈现减小趋势。尤其在13.5米处，误差减小的效果很明显，绝对误差的百分比降低了将近20％；总体测量精度提高了约12.4％。

Claims (4)

1.一种自适应校准的大型室内RSSI混合滤波定位方法，其特征在于：

包括自适应校准定位装置，所述自适应校准定位装置包括位于ZigBee无线网络中的数个终端节点、数个待测节点和一个协调器节点，其中，终端节点和协调器节点均设置在室内固定位置，相互距离已知；

定位方法包括以下步骤：

(1)在室内布设N个终端节点B₁-B_N，和协调器节点B，终端节点与协调器节点的相互距离已知，分别为d₁-d_N；

(2)组网：协调器上电启动，探测是否有待测节点加入网络，若有，则与协调器连接；

(3)设待测节点为A，计算AB间的距离d；

(31)利用混合滤波法求AB间的RSSI的值h；

所述混合滤波法为：A接收B发送的信息，从中提取一组RSSI的值，剔除两个端值，剩下的数值经高斯模型进行滤波处理，再求平均值；

(32)利用混合滤波法求AB1间的RSSI的值k1；

(33)利用公式(1)求出AB之间的第一个估值D1；

$D_1={d_1}^{\frac{h-P\left(1\right)}{k_1-P\left(1\right)}}---\left(1\right)$

其中，P(1)为任意两个终端节点在上述室内相距1米时的RSSI平均值；

(34)重复上述步骤(32)、(33)，依次得出AB2到ABN间的RSSI值k2-kN，并得出估值D2-DN，再根据式(2)，求出AB间的距离；

$d=\frac{1}{N}\underset{1}{\overset{N}{\Σ}}{D}_n---\left(2\right).$

2.根据权利要求1所述的一种自适应校准的大型室内RSSI混合滤波定位方法，其特征在于：所述高斯模型为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}\]}---\left(3\right)$

其中X为混合滤波中，剔除端值后剩下的RSSI的一组样本值，

其中：

$\mathrm{\μ}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{x}_i,\mathrm{\σ}=\sqrt{\frac{1}{N-1}{\mathrm{\Σ}}_{i=1}^N{(x_i-\mathrm{\μ})}^2}.$

3.根据权利要求1所述的一种自适应校准的大型室内RSSI混合滤波定位方法，其特征在于：

公式(1)的来源是：

AB间的测距模型为：P_AB(d)＝P(1)-10*η*lg^d

BB_n间的测距模型为：

联立上两式，抵消η得：将该式转换后，从而得出一个与η无关的测距关系式，消除了η对测距的影响。

4.根据权利要求1所述的一种自适应校准的大型室内RSSI混合滤波定位方法，其特征在于：所述协调器节点还连接一智能终端，所述智能终端获取AB间的距离值并显示。