CN107360548A - 基于rfid的室内物品定位方法和系统 - Google Patents
基于rfid的室内物品定位方法和系统 Download PDFInfo
- Publication number
- CN107360548A CN107360548A CN201710718078.0A CN201710718078A CN107360548A CN 107360548 A CN107360548 A CN 107360548A CN 201710718078 A CN201710718078 A CN 201710718078A CN 107360548 A CN107360548 A CN 107360548A
- Authority
- CN
- China
- Prior art keywords
- node
- reference sensor
- label
- measured
- rssi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004807 localization Effects 0.000 title abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 241000208340 Araliaceae Species 0.000 description 12
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 12
- 235000003140 Panax quinquefolius Nutrition 0.000 description 12
- 235000008434 ginseng Nutrition 0.000 description 12
- 238000005259 measurement Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 229910006119 NiIn Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
- H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
- H04B5/77—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes for interrogation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于无线射频识别技术的室内物品定位方法和系统,所述待定位物品贴有RFID标签,所述方法包括:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所述多个参考传感器节点从所述多个锚节点接收到的RSSI强度值作为样本集合,基于所述样本集合,采用回归分析算法对参考传感器节点进行定位;以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及所述三个参考传感器节点的位置信息,计算得出待测标签的位置坐标;在测得待测标签的坐标后,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层。本发明的定位方法既提高了定位精度,又使定位结果更加准确。
Description
技术领域
本发明涉及无线传感器网络领域,与RFID技术结合,尤其涉及一种基于RFID的室内物品精确定位方法。
背景技术
随着数据业务的增加和多媒体业务的普及,普通的定位技术已不能满足人们的日常需要,各种群体对室内定位服务的需求随之增加。近年来,基于无线传感网络、射频识别技术、超宽带、红外技术的室内定位技术迅速发展起来。尤其是射频识别技术,因为其读取速度快、识别非接触、存储容量大、传输范围广、成本价格低的优点成为室内定位的主要技术。由于室内的环境复杂,多径传播、随机噪声干扰等因素对室内定位都有较大的不利影响,定位算法多受室内环境影响大造成定位距离误差较大。因此,如何在复杂的室内环境下,提高物品定位的精度,是目前需要本领域技术人员迫切解决的一个技术问题。
发明内容
为了解决上述问题,本发明提供一种基于RFID的室内物品精确定位方法,是通过给物体贴上RFID标签来实现对家中物品的定位。针对接收信号强度指示(Received signalstrength indicator,RSSI)易受环境影响,且仅依靠RSSI进行定位的方法将导致定位精度不高的问题,,本发明采用多元回归分析的方法来消除环境对RSSI值的影响,通过回归分析获得所有锚节点的回归系数向量,利用该向量估计参考传感器节点接收到的信号强度值,并建立空间位置点和每个锚节点的映射关系,最后根据位置坐标空间确定参考传感器节点坐标。在测得带有阅读器模块的参考传感器节点位置坐标后,利用待测标签和三个参考传感器节点构造欧拉四面体模型,结合RSSI值测得的参考传感器节点的距离求得待测标签到三个参考传感器节点所确定平面的高及其含有待测标签坐标的表示方程,利用二者间的等量关系,表示出待测标签坐标,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层,最终实现对室内物品的精确定位。
为了实现上述目的,本发明采用如下技术方案:
一种基于RFID的室内物品精确定位方法,所述待定位物品贴有RFID标签,包括以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所述多个参考传感器节点从所述多个锚节点接收到的RSSI强度值作为样本集合,基于所述样本集合,采用回归分析算法对参考传感器节点进行定位;
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及所述三个参考传感器节点的位置信息,计算得出待测标签的位置坐标。
进一步地,所述步骤1中基于RSSI的回归分析算法具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型;
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
进一步地,确定所述每个其他参考传感器节点的预估位置的具体方法为:设其他参考传感器节点中的某一个为Nk,其实际接收的RSSI强度值向量为依次计算每个位置的估计RSSI强度值向量与之间的欧氏距离,将欧氏距离最小时对应的位置作为所述参考传感器节点Nk的预估位置。
进一步地,所述步骤2包括:
步骤2.1:根据传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的传感器节点,以待测标签和上述三个传感器节点为顶点,构造欧拉四面体模型;
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
步骤2.3:求出待测标签位置的坐标。
进一步地,所述步骤1中布置锚节点时,还记录锚节点的楼层参数,所述方法还包括步骤3:在测得待测标签的坐标后,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层。
进一步地,所述楼层参数为楼层值,所述步骤3包括:
步骤3.1:计算待测标签与其所能接收到信号的锚节点z坐标的差值h,将求得的差值样本作为初始样本;
步骤3.2:输入聚类个数为2,选择h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类,最终形成两个聚类;
步骤3.3:从以h最小值为聚类中心的聚类中,选择锚节点数目最多的楼层,作为参考传感器节点的估计楼层值。
根据本发明的另一方面,本发明还提供了一种用于室内物品精确定位的设备,包括待定位物品上的RFID标签、带有阅读器模块的参考传感器节点、无线传感器网络和计算装置,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所有参考传感器节点从所有锚节点接收到的RSSI作为样本集合,为每一个锚节点建立RSSI回归模型,基于所述RSSI回归模型,根据位置坐标空间对参考传感器节点进行定位;
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及选取的参考传感器节点的位置信息,计算得出待测标签的位置坐标。
进一步地,所述步骤1中基于RSSI的回归分析算法具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型;
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
进一步地,所述步骤2包括:
步骤2.1:根据传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的传感器节点,以待测标签和上述三个传感器节点为顶点,构造欧拉四面体模型;
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
步骤2.3:求出待测标签位置的坐标。
进一步地,所述步骤1中布置锚节点时,还记录锚节点的楼层参数,所述方法还包括步骤3:
步骤3.1:计算待测标签与其所能接收到信号的锚节点z坐标的差值h,将求得的差值样本作为初始样本;
步骤3.2:输入聚类个数为2,选择h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类,最终形成两个聚类;
步骤3.3:从以h最小值为聚类中心的聚类中,选择锚节点数目最多的楼层,作为参考传感器节点的估计楼层值。
本发明的有益效果:
1、本发明采用了一种通过传感器节点定位来辅助RFID标签定位的方法,首先基于RSSI的回归分析算法对带有阅读器模块的参考传感器节点进行定位,然后把参考传感器节点的位置作为参考位置,对RFID标签进行定位,大大降低了室内环境对定位进度的影响,增强了室内物品的定位精度。
2、本发明的定位方法除了获取待定位物品的位置坐标之外,还能够得到该物品所在楼层,更便于用户的查找,且实现简单。
附图说明
图1为本发明基于RFID的室内物品精确定位方法的流程图;
图2为欧拉四面体模型示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基本思想是:给需要定位的物品贴上RFID标签,根据室内环境特点,对传感器节点进行布局,用RFID的读写器模块代替无线传感器节点的传感器模块进行通信。首先用基于RSSI的回归分析算法对参考传感器节点进行定位,然后把参考传感器节点的位置作为参考位置,对RFID标签进行定位。这样,既能利用RFID技术迅速识别待定位的待测标签,又能利用自组织的无线传感网络实现通信和数据传输功能,两者结合,利用各自的优点,实现对室内物品的精确定位。
实施例一:
本实施例提供了一种基于RFID的室内物品精确定位方法,如图1所示,所述待定位物品贴有RFID标签,包括以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所述多个参考传感器节点从所述多个锚节点接收到的RSSI强度值作为样本集合,基于所述样本集合,采用回归分析算法对参考传感器节点进行定位;
具体地,在室内布置p个位置已知的锚节点和m个位置未知的参考传感器节点,假设目前室内有t个待测标签。
所述步骤1中基于所述回归分析算法对参考传感器节点进行定位具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型。
具体地,在训练阶段,基于RSSI易受环境影响,且动态变化的特点,我们采用回归分析算法来消除定位误差。我们采集参考传感器节点从锚节点接接收到的RSSI作为样本集合,建立radio map,针对环境的动态变换,采用线性回归分析算法来适应信号强度的变化,具体步骤如下:
我们首先根据具体室内环境定义一个位置坐标空间,L={l1=(x1,y1,z1),…,ln=(xn,yn,zn)},其中li=(xi,yi,zi),1≤i≤n表示参考传感器节点Ni的位置坐标。假设移动参考传感器节点Ni能收到所有p个锚节点发送的信号,收到的RSSI强度向量用Si=(Si1,Si2,...,Sip)表示,其中,Si,j代表了参考传感器节点i从第j,1≤j≤p个锚节点实际接收到的信号强度,假设该空间区域内共有m个参考传感器节点,第k个参考传感器节点实际收到的RSSI向量可以用Rk=(Rk1,Rk2,…,Rkp)来表示。其中Rkj表示第k个参考节点从第j个锚节点接收到的信号强度,其中1≤k≤m,1≤j≤p。
通过将移动参考传感器节点Ni放置在不同位置li,可以获取移动参考传感器节点Ni和其他参考传感器节点接收到第j,1≤j≤p个锚节点的RSSI,从而建立起空间位置li和锚节点j之间的对应关系Gij。然后我们在每个位置li为p个锚节点分别建立回归模型,即Gij代表了在位置li第j个锚节点的RSSI回归模型。
回归模型的目的是采用线性回归分析来预测其他参考传感器节点(空间中其他位置未知的无线传感网节点)接收的信号强度和移动参考传感器节点Ni接收的信号强度之间的关系。以移动参考传感器节点Ni位于位置li为例,收集全部m个参考传感器节点(包括移动参考传感器节点Ni和m-1个其他参考传感器节点)同一时间收到的RSSI值作为一组样本,假设进行了q次测量,即获取了q组样本,q大于m+1,对于第j,1≤j≤p个锚节点建立如下q个线性方程:
Sj1=α0j+α1jr1j1+…+αmjrmj1 (1)
Sj2=α0j+α1jr1j2+…+αmjrmj2 (2)
…
Sjq=α0j+α1jr1jq+…+αmjrmjq (q)
其中,q表示测量次数,每隔一定时间间隔进行一次测量,将第q次测量所述移动参考传感器节点Ni从第j个锚节点实际接收到的RSSI强度值代入Sjq,将第q次测量第m个参考传感器节点从第j个锚节点实际接收到的RSSI强度值代入rmjq,即可求得一组回归系数αj=(α0j,α1j,…,αmj)。至此,得到移动传感器节点Ni在位置li时从第j个锚节点接收到的RSSI的回归模型:Sij=α0j+α1jr1j+…+αmjrmj。基于相同方法,建立移动传感器节点Ni在位置li时从其他p-1个锚节点接收到的RSSI的回归模型,以上p个回归模型构成了移动传感器节点Ni在位置li的RSSI总回归模型。
基于以上方法,可以得到移动传感器节点Ni在任意位置L={l1=(x1,y1,z1),…,ln=(xn,yn,zn)}的RSSI总回归模型。
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
具体地,利用训练阶段建立的RSSI总回归模型,将所有m个参考传感器节点实际接收到的RSSI值代入,计算移动参考传感器节点Ni位于位置li时的估计RSSI值,获得估计RSSI强度值向量具体地,将第m个参考传感器节点从第j个锚节点实际接收到的RSSI强度值代入rmj,求得移动参考传感器节点Ni位于位置li时从第j个锚节点接收到的估计RSSI强度值Sij,通过RSSI总回归模型的p个回归模型,即可获取所述移动参考传感器节点Ni位于位置li时从所有p个锚节点接收到的估计RSSI强度值。
因此,基于上述方法,能够得到L={l1=(x1,y1,z1),…,ln=(xn,yn,zn)}中n个位置对应的移动参考传感器节点Ni的估计RSSI强度值向量
最后,将移动参考传感器节点Ni在每个位置对应的估计RSSI强度值向量与每个其他参考传感器节点实际RSSI强度值向量进行比较,具体地,设其他参考传感器节点中的某一个为Nk,其实际接收的RSSI强度值向量为依次计算与之间的欧氏距离,将欧氏距离最小时对应的位置li=(xi,yi,zi)作为所述参考传感器节点Nk的预估位置,即,将估计值和实际值距离最近的位置作为未知位置的参考传感器节点Nk的最终的预估位置,从而得到每个其他参考传感器节点的预估位置。
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及所述三个参考传感器节点的位置信息,计算得出待测标签的位置坐标。
测得所有参考传感器节点的坐标位置信息后,利用RFID标签接收到的RSSI值来测量参考传感器节点和RFID标签之间的距离。
所述步骤2是利用三个传感器节点与待测标签构造欧拉四面体模型,通过四面体的6个棱长可以求出欧拉四面体的体积,然后根据海伦-秦九昭公式得到底面积,即可得到垂直于底面积的高的长度,进而得出待测标签的坐标数据。具体包括以下步骤:
步骤2.1:根据参考传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的参考传感器节点,以待测标签和三个传感器节点为顶点,构造欧拉四面体模型,如图2所示,计算三个传感器节点两两之间的距离;
根据传感器节点与标签之间的RSSI值选取三个距离待测标签最近的传感器节点,设为A、B、C点,A、B、C三点坐标分别为(a1,b1,c1)、(a2,b2,c2)、(a3,b3,c3);待测标签设为D点,A、B、C、D四点可构成空间四面体D-ABC,四面体的六条棱长分别为l,m,n,p,q,r。
其中,
p,q,r由RSSI测距得出。
其中,基于RSSI值计算传感器与RFID标签的距离公式为:
其中[p(d)]表示距离阅读器为d时标签收到的信号强度即RSSI值。[p(d)]表示距离阅读器为d0时标签接收到的信号强度d0参考距离,n为路径损耗指数,得到d=10^((ABS(RSSI)-A)/(10*n))。
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
将六条棱长l,m,n,p,q,r带入欧拉四面体公式:
进一步,得D-ABC的体积:
由海伦-秦九昭公式得底面ABC的面积为:
其中
进一步,得空间四面体D-ABC垂直于ABC面的高h为:
步骤2.3:求出待测标签位置的坐标;计算方法如下:
(1)设待测标签D点坐标(a0,b0,c0),
(2)A、B、C三点确定的平面ABC方程为
即Ax+By+Cz+D=0,其中A=b1c2+b2c3+b3c1-b1c3-b2c1-b3c2,
B=a1c3+a2c1+a3c2-q1c2-q2c3-a3c1,
C=a1b2+a2b3+a3b1-a1b3-a2b1-a3b2,
D=a1b2c2+a2b1c3+a3b2c1-a1b2c3-a2b3c1-a3b1c2。
(3)平面ABC的一个法向量为:
(4)由于
得:2(a2-a1)a0-0+2(b2-b1)b0+2(c2-c1)c0=p2-a1 2-c1 2-q2+a2 2+b2 2+c2 2,
2(a2-a1)a0-0+2(b3-b1)b0+2(c3-c1)c0=p2-a1 2-c1 2-r2+a3 2+b3 2+c3 2,
进一步,得到D点坐标的值为:
所述步骤1中布置锚节点时,同时还记录并标明锚节点的楼层参数,所述定位方法还包括步骤3:在测得待测标签的坐标后,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层,使定位结果更加明确具体。根据锚节点所在楼层值,为其设置一个默认的楼层值H,代表它位于几楼。所述步骤3包括:
步骤3.1:测得待测标签的位置坐标(a0,b0,c0),计算待测标签Z轴坐标c0与其所能接收到信号的锚节点Z轴坐标zj,1≤j≤p的差值,hj=|zj-c0|,将差值样本h={h1,h2…ht}作为初始样本进行聚类分析;
步骤3.2:输入聚类个数为2,以h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类。最终形成两个聚类Cmax和Cmin。
步骤3.3:从以h最小的节点为聚类中心的节点中,选择节点数目最多的楼层F,作为传感器节点的估计楼层值。这样就可以得到物品所在楼层值,及其具体坐标,便于人们查找物品所在位置。
实施例二
本实施例提供了一种用于室内物品精确定位的系统,包括待定位物品上的RFID标签、带有阅读器模块的参考传感器节点、无线传感器网络和计算装置,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所述多个参考传感器节点从所述多个锚节点接收到的RSSI强度值作为样本集合,基于所述样本集合,采用回归分析算法对参考传感器节点进行定位;
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及所述三个参考传感器节点的位置信息,计算得出待测标签的位置坐标。
所述步骤1中基于RSSI的回归分析算法具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型;
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
所述步骤2包括:
步骤2.1:根据传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的传感器节点,以待测标签和上述三个传感器节点为顶点,构造欧拉四面体模型;
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
步骤2.3:求出待测标签位置的坐标。
所述步骤1中布置锚节点时,还记录锚节点的楼层参数,所述方法还包括步骤3:在测得待测标签的坐标后,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层。
所述楼层参数为楼层值,所述步骤3包括:
步骤3.1:计算待测标签与其所能接收到信号的锚节点z坐标的差值h,将求得的差值样本作为初始样本;
步骤3.2:输入聚类个数为2,选择h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类,最终形成两个聚类;
步骤3.3:从以h最小值为聚类中心的聚类中,选择锚节点数目最多的楼层,作为参考传感器节点的估计楼层值。
用户可以在日常生活中任何物品上贴上RFID标签,尤其是钥匙之类体积小但较为重要的物品,当用户记不清物品的所在位置时,通过本发明的方法,能够快速准确的找到所述物品。本发明的方法也可以进一步扩展应用到人员和贵重资产的有效定位,例如,医院需要随时能够查找到特定病人、医护人员、重要医疗设备的准确位置,从而保证人员和资源的准则快速调配,应对各种突发状况;在陈列贵重物品的商场或仓库中,也能够通过物品的准确定位,减少偷盗行为的发生。
本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于RFID的室内物品精确定位方法,所述待定位物品贴有RFID标签,其特征在于,包括以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所述多个参考传感器节点从所述多个锚节点接收到的RSSI强度值作为样本集合,基于所述样本集合,采用回归分析算法对参考传感器节点进行定位;
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及所述三个参考传感器节点的位置信息,计算得出待测标签的位置坐标。
2.如权利要求1所述的一种基于RFID的室内物品精确定位方法,其特征在于,所述步骤1中基于RSSI的回归分析算法具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型;
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
3.如权利要求2所述的一种基于RFID的室内物品精确定位方法,其特征在于,确定所述每个其他参考传感器节点的预估位置的具体方法为:设其他参考传感器节点中的某一个为Nk,其实际接收的RSSI强度值向量为依次计算每个位置的估计RSSI强度值向量与之间的欧氏距离,将欧氏距离最小时对应的位置作为所述参考传感器节点Nk的预估位置。
4.如权利要求1所述的一种基于RFID的室内物品精确定位方法,其特征在于,所述步骤2包括:
步骤2.1:根据传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的传感器节点,以待测标签和上述三个传感器节点为顶点,构造欧拉四面体模型;
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
步骤2.3:求出待测标签位置的坐标。
5.如权利要求1所述的一种基于RFID的室内物品精确定位方法,其特征在于,所述步骤1中布置锚节点时,还记录锚节点的楼层参数,所述方法还包括步骤3:在测得待测标签的坐标后,参考锚节点的楼层参数,利用k均值聚类算法确定待测标签所在的楼层。
6.如权利要求5所述的一种基于RFID的室内物品精确定位方法,其特征在于,所述楼层参数为楼层值,所述步骤3包括:
步骤3.1:计算待测标签与其所能接收到信号的锚节点z坐标的差值h,将求得的差值样本作为初始样本;
步骤3.2:输入聚类个数为2,选择h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类,最终形成两个聚类;
步骤3.3:从以h最小值为聚类中心的聚类中,选择锚节点数目最多的楼层,作为参考传感器节点的估计楼层值。
7.一种用于室内物品精确定位的设备,其特征在于,包括待定位物品上的RFID标签、带有阅读器模块的参考传感器节点、无线传感器网络和计算装置,所述计算装置中包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
步骤1:在室内布置多个位置已知的锚节点和多个带有阅读器模块的参考传感器节点,采集所有参考传感器节点从所有锚节点接收到的RSSI作为样本集合,为每一个锚节点建立RSSI回归模型,基于所述RSSI回归模型,根据位置坐标空间对参考传感器节点进行定位;
步骤2:以待测标签和三个参考传感器节点为顶点,构造欧拉四面体模型,根据建立的欧拉四面体模型,以及选取的参考传感器节点的位置信息,计算得出待测标签的位置坐标。
8.如权利要求7所述的一种用于室内物品精确定位的设备,其特征在于,所述步骤1中基于RSSI的回归分析算法具体包括:
步骤1.1:线下训练阶段,从所述多个参考传感器节点中任选一个作为移动参考传感器节点,采集所有参考传感器节点从锚节点接收到的RSSI作为样本集合,对所述移动参考传感器节点在不同位置从每个锚节点接收到的RSSI强度值建立回归模型;
步骤1.2:线上定位阶段,基于所述回归模型,计算所述移动参考传感器节点位于任意位置时从所有锚节点接收到的估计RSSI强度值向量,对每个位置的估计RSSI强度值向量与每个其他参考传感器节点实际接收的RSSI强度值向量进行比较,确定所述每个其他参考传感器节点的预估位置。
9.如权利要求7所述的一种用于室内物品精确定位的设备,其特征在于,所述步骤2包括:
步骤2.1:根据传感器节点与待测标签之间的RSSI强度值选取三个距离待测标签最近的传感器节点,以待测标签和上述三个传感器节点为顶点,构造欧拉四面体模型;
步骤2.2:计算所述四面体模型以三个传感器节点所构成的面为底面的高;
步骤2.3:求出待测标签位置的坐标。
10.如权利要求6所述的一种用于室内物品精确定位的设备,其特征在于,所述步骤1中布置锚节点时,还记录锚节点的楼层参数,所述方法还包括步骤3:
步骤3.1:计算待测标签与其所能接收到信号的锚节点z坐标的差值h,将求得的差值样本作为初始样本;
步骤3.2:输入聚类个数为2,选择h最小和最大的锚节点分别作为聚类中心,其余锚节点计算自己的h值与聚类中心节点h值的差值,加入与其差值较小聚类中心节点所在聚类,最终形成两个聚类;
步骤3.3:从以h最小值为聚类中心的聚类中,选择锚节点数目最多的楼层,作为参考传感器节点的估计楼层值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710718078.0A CN107360548A (zh) | 2017-08-21 | 2017-08-21 | 基于rfid的室内物品定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710718078.0A CN107360548A (zh) | 2017-08-21 | 2017-08-21 | 基于rfid的室内物品定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107360548A true CN107360548A (zh) | 2017-11-17 |
Family
ID=60288956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710718078.0A Pending CN107360548A (zh) | 2017-08-21 | 2017-08-21 | 基于rfid的室内物品定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107360548A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564275A (zh) * | 2018-04-11 | 2018-09-21 | 山东师范大学 | 一种竞争力驱动的数据共享激励方法 |
CN108566620A (zh) * | 2018-04-18 | 2018-09-21 | 南京小木马科技有限公司 | 一种基于wifi的室内定位方法 |
CN108871334A (zh) * | 2018-06-11 | 2018-11-23 | 佛山市顺德区中山大学研究院 | 一种基于机器学习的rfid室内定位方法及系统 |
CN109089213A (zh) * | 2018-09-06 | 2018-12-25 | 上海正鹏信息科技有限公司 | 基于回归分析的无线信号定位方法 |
CN109581290A (zh) * | 2018-11-28 | 2019-04-05 | 珠海优特电力科技股份有限公司 | 无线定位系统的锚点定位仪、定位方法及装置 |
CN110177337A (zh) * | 2019-05-30 | 2019-08-27 | 河南大学 | 室内定位方法及室内定位购物车系统 |
CN111060873A (zh) * | 2019-12-27 | 2020-04-24 | 安徽建筑大学 | 室内定位方法 |
CN112291735A (zh) * | 2020-10-22 | 2021-01-29 | 广州市建筑科学研究院有限公司 | 一种基于uwb的可视化工程智能监测系统及方法 |
CN115988634A (zh) * | 2022-11-23 | 2023-04-18 | 香港中文大学(深圳) | 一种室内定位方法及子空间特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN103874118A (zh) * | 2014-02-25 | 2014-06-18 | 南京信息工程大学 | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
CN104981002A (zh) * | 2015-05-07 | 2015-10-14 | 水利部南京水利水文自动化研究所 | 一种无线传感器网络中汇聚节点的位置确定方法 |
CN106597370A (zh) * | 2016-12-09 | 2017-04-26 | 厦门大学嘉庚学院 | 一种基于rfid的室内无线定位方法 |
-
2017
- 2017-08-21 CN CN201710718078.0A patent/CN107360548A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN103874118A (zh) * | 2014-02-25 | 2014-06-18 | 南京信息工程大学 | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
CN104981002A (zh) * | 2015-05-07 | 2015-10-14 | 水利部南京水利水文自动化研究所 | 一种无线传感器网络中汇聚节点的位置确定方法 |
CN106597370A (zh) * | 2016-12-09 | 2017-04-26 | 厦门大学嘉庚学院 | 一种基于rfid的室内无线定位方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564275B (zh) * | 2018-04-11 | 2021-06-25 | 山东师范大学 | 一种竞争力驱动的数据共享激励方法 |
CN108564275A (zh) * | 2018-04-11 | 2018-09-21 | 山东师范大学 | 一种竞争力驱动的数据共享激励方法 |
CN108566620A (zh) * | 2018-04-18 | 2018-09-21 | 南京小木马科技有限公司 | 一种基于wifi的室内定位方法 |
CN108566620B (zh) * | 2018-04-18 | 2021-01-05 | 南京市木阿码网络信息科技有限公司 | 一种基于wifi的室内定位方法 |
CN108871334A (zh) * | 2018-06-11 | 2018-11-23 | 佛山市顺德区中山大学研究院 | 一种基于机器学习的rfid室内定位方法及系统 |
CN109089213A (zh) * | 2018-09-06 | 2018-12-25 | 上海正鹏信息科技有限公司 | 基于回归分析的无线信号定位方法 |
CN109581290A (zh) * | 2018-11-28 | 2019-04-05 | 珠海优特电力科技股份有限公司 | 无线定位系统的锚点定位仪、定位方法及装置 |
CN109581290B (zh) * | 2018-11-28 | 2021-01-01 | 珠海优特电力科技股份有限公司 | 无线定位系统的锚点定位仪、定位方法及装置 |
CN110177337A (zh) * | 2019-05-30 | 2019-08-27 | 河南大学 | 室内定位方法及室内定位购物车系统 |
CN111060873A (zh) * | 2019-12-27 | 2020-04-24 | 安徽建筑大学 | 室内定位方法 |
CN112291735A (zh) * | 2020-10-22 | 2021-01-29 | 广州市建筑科学研究院有限公司 | 一种基于uwb的可视化工程智能监测系统及方法 |
CN112291735B (zh) * | 2020-10-22 | 2023-08-01 | 广州市建筑科学研究院有限公司 | 一种基于uwb的可视化工程智能监测系统及方法 |
CN115988634A (zh) * | 2022-11-23 | 2023-04-18 | 香港中文大学(深圳) | 一种室内定位方法及子空间特征提取方法 |
CN115988634B (zh) * | 2022-11-23 | 2023-08-18 | 香港中文大学(深圳) | 一种室内定位方法及子空间特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107360548A (zh) | 基于rfid的室内物品定位方法和系统 | |
CN106525031B (zh) | 一种组合的室内定位方法 | |
CN103109244B (zh) | 用于物体跟踪和识别的方法和装置 | |
CN107948930A (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN109874112A (zh) | 一种定位的方法及终端 | |
JP2011099753A (ja) | 測位装置、及びこれを用いたセンサ情報の統合解析による見守りシステム | |
CN108716918A (zh) | 一种基于网格聚类的rssi室内定位算法 | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN107302793B (zh) | 一种基于无线信号的定位方法、服务器、终端和系统 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN107421535A (zh) | 一种基于磁场特征和加速度信息计步的室内行人定位系统 | |
CN108984785A (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN109212476A (zh) | 一种基于ddpg的rfid室内定位算法 | |
CN107727095A (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
CN103916954A (zh) | 基于wlan的概率定位方法及定位装置 | |
CN109444812A (zh) | 一种引入动态阈值的rssi室内定位方法 | |
CN109239661A (zh) | 一种基于深度q网络的rfid室内定位系统及算法 | |
CN110446195A (zh) | 定位处理方法及相关产品 | |
Martínez et al. | Estimating user location in a WLAN using backpropagation neural networks | |
Sridharan et al. | Inferring micro-activities using wearable sensing for ADL recognition of home-care patients | |
CN105044659B (zh) | 基于环境光谱指纹的室内定位装置及方法 | |
Chen et al. | GraphLoc: A graph-based method for indoor subarea localization with zero-configuration | |
CN108919182A (zh) | 一种WiFi环境下基于支撑集及期望最大化的目标定位方法 | |
Elhamshary et al. | Towards ubiquitous indoor spatial awareness on a worldwide scale | |
Longo et al. | Localization and Monitoring System based on BLE Fingerprint Method. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |