CN107677989B

CN107677989B - 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法

Info

Publication number: CN107677989B
Application number: CN201711014770.1A
Authority: CN
Inventors: 薛卫星; 花向红; 邱卫宁; 张伟; 赵朋
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2017-10-26
Filing date: 2017-10-26
Publication date: 2019-09-10
Anticipated expiration: 2037-10-26
Also published as: CN107677989A

Abstract

本发明公开了一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，首先在室内环境中选取若干校准点，采集校准点处的WiFi接收信号强度指标(RSSI)；然后对于某一校准点，将其采集到的某个WiFi信号源AP的RSSI分别从大到小排序，从最大值或次大值开始依次选取M个值；求取这M个值的平均值，作为该校准点对应的该AP的RSSI估计值；将求到的所有的RSSI估计值和校准点的位置信息关联起来组成位置指纹，得到位置指纹库；同样采集测试点的WiFi RSSI数据并处理得到测试点的RSSI估计值；最后假定距离定位点最近的K个指纹点已经筛选出来，采用WKNN对测试点进行定位，确定测试点的估计位置。根据不同室内环境下测试的定位结果证明了本发明具有更好的定位精度和抗干扰性。

Description

一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法

技术领域

本发明属于室内定位技术领域，涉及一种室内位置定位方法，具体涉及一种新基于RSSI最大值进行RSSI去除噪声提取的室内位置定位的方法。

背景技术

随着信息技术的迅猛发展，室内定位技术得到快速发展。在各种室内定位技术中，基于RSSI(基于接收信号强度定位技术)的位置指纹定位方法因无需添加任何硬件设备和无需知道AP的位置信息及准确的信道模型等优点，已经成为室内定位的主流定位方法。该方法一般分为离线和在线两个阶段。离线阶段通过测量定位区域所有指纹参考点的RSSI信号并提取信号特征建立Radio Map的位置指纹数据库；在线阶段得到定位点的信号特征，并和位置指纹库匹配找出最相近的一组或几组指纹参考点数据，然后采用一定的定位算法得到定位点的定位结果，由此可见，无论是在离线阶段还是在线阶段，RSSI信号特征值的选取都是非常重要的工作，然而人们对RSSI信号特征的研究并不多。

一般选取RSSI信号特征的平均值作为其定位特征值，考虑到室内环境的复杂性和动态性，信号传播过程中往往存在多路径传播和非视距传播，RSSI的平均值进行指纹定位有一定的局限性。因此，为了保证和提高算法的定位精度，亟需提出了一种新的基于无线信号的传播原理的RSSI信号的提取算法。

发明内容

本发明提出了一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，该方法适用于RSSI信号特征值的提取，是对采样点(包括指纹点和测试点)RSSI数据处理的基础算法，不需要区分离线阶段和在线阶段。

本发明所采用的技术方案是：一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，其特征在于，包括以下步骤：

步骤1：在室内环境中选取若干校准点，采集校准点处的WiFi接收信号强度指标RSSI；

步骤2：对于某一校准点，将其采集到的某个WiFi信号源AP的RSSI值分别从大到小排序，从最大值或次大值开始依次选取M个值；求取这M个值的平均值，作为该校准点对应的AP的RSSI估计值；将求到的所有的RSSI估计值和校准点的位置信息关联起来组成位置指纹，得到位置指纹库；

步骤3：采集测试点(x,y)的WiFi RSSI数据，将测试点的WiFi RSSI数据采用步骤2的原理进行处理，得到测试点的RSSI估计值；

步骤4：假定距离定位点最近的K个指纹点已经筛选出来，采用WKNN对测试点进行定位，确定测试点的估计位置

与现有技术相比，本发明具有的特点：

(1)经典的选取RSSI信号特征的平均值作为其定位RSSI值。而室内环境具有复杂性和动态性，信号传播过程中往往存在多路径传播和非视距传播，RSSI的平均值不能很好的逼近RSSI的真值。而采用卡尔曼滤波算法、粒子滤波算法等后，定位精度有了一些改善，但也并不理想。而这些传统的算法都不能好的保证其鲁棒性。新的RSSI提取策略不仅选取RSSI“尺子”精度较高的部分来进行测量定位，并且尽可能地舍弃因多路径传播或非视距传播导致非正常衰弱的RSSI采样数据。因此，从理论上来说，新方法就具有较高的定位精度和较强的抗干扰性；

(2)实验分析表明：新的RSSI提取方法具有更高的精度和更强的抗干扰性。新方法的定位精度明显优于均值算法、卡尔曼滤波算法的定位精度和优于粒子滤波算法的定位精度。另外，相对传统的RSSI提取算法，新方法只选取了采样数据中的部分信号强度较强数据而舍弃了大部分可能受干扰而信号强度变弱的数据，具有很好的环境适用性；

(3)由于新策略对基于RSSI室内定位的基础数据处理进行了改进，因此对于所有基于RSSI室内定位技术起到了一定的借鉴作用。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的实验方案分布示意图；

图3是本发明实施例的不同M对WiFi信号强度曲线平滑度的影响图；

图4是本发明实施例的一维空间(走廊)采用不同提取算法的信号强度分布图；

图5是本发明实施例的二维空间(机房404)中AP1的信号强度分布图；

图6是本发明实施例的WKNN定位的累积分布函数(CDF)示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，包括以下步骤：

步骤1：在机房和走廊等室内环境中选取18个校准点(如图2)，采集校准点处的WiFi接收信号强度指标(RSSI)；采用1S的采样率，将采集5分钟的RSSI数据储存到移动端，如手机；

确定每个AP对应每个校准点的RSSI估计值其具体实现包括以下子步骤：

步骤2.1：RSSI从大到小排序，求其最大值和次大值的差值；

步骤2.2：如果最大值减去次大值的差值大于2，舍弃最大值，从次大值开始选取M个值；如果最大值减去次大值的差值不大于2，保留最大值，从最大值开始选取M个值；

步骤2.3：根据实验数据确定M的具体数值(如图3)，采用曲线平滑度指数S来进行对比分析：

其中，N为信号强度衰减曲线上采样点的个数，RSSI_i表示信号强度衰减曲线上第i个采样点的信号强度。

步骤3：采集测试点(x,y)的WiFi RSSI数据，采用1S的采样率，将采集5分钟的RSSI数据储存到移动端；将测试点的WiFi RSSI数据按照步骤2的原理进行处理，得到测试点的RSSI估计值；

WKNN方法具体实现原理：

校准点和定位点之间多维信号空间的距离L_i可以采用欧氏距离表示为：

其中，RSSI^j与分别是待定位点和指纹库中指纹点的信号强度特征值；

选取距离最短的K个校准点用于估计测试点的位置，通常采用距离反比例加权：

因此测试点的估计位置可通过下式计算：

其中表示测试点的二维坐标估计值，(x_i,y_i)表示是第i个校准点的坐标。

本实施例的测试点的真实位置(x,y)与估计位置的误差err计算如下：

本实施例的理论分析如下，主要是对WiFi信号强度的空间分辨率进行分析：WiFi信号强度的衰减模型如下：

其中，d和P_r,dB(d)分别是接收点距AP源的距离和信号强度值，d₀和P_r,dB(d₀)分别是参考点距AP源的距离和信号强度值，η为环境损耗因子；反算得距离的信号强度表达式

进一步推算得距离差的信号强度差值表达式

根据经典经验值，硬分割办公室和走廊的环境损耗因子η皆为3，d₀一般取值1米处，P_r,dB(d₀)取值为-20dB。当P_r,dB(d_i)-P_r,dB(d_j)＝1dB时，信号强度与其距离区分度Δd_ij如表1左半所示；当P_r,dB(d_i)-P_r,dB(d_j)＝0.1dB时，信号强度区间进一步细化的距离区分度Δd_ij′如表1右半所示：

表1WiFi信号强度理论上的空间分辨率

从表1中可以看出，RSSI值越大，其理论上的空间分辨率越好，所以基于RSSI概率分布最大值的提取算法用于导航定位的精度要优于基于RSSI概率分布平均值的提取算法。从表1中也可以看出，以0.1dB为刻度的WiFi信号强度理论上的空间分辨率明显优于以整数dB的WiFi信号强度理论上的空间分辨率；RSSI相差1～2dB就能对定位结果产生较大的影响，RSSI相差0.1～0.2dB对定位结果影响不大。因此，需要在RSSI概率分布最大值的基础上采用取平均值的算法，以增强算法的鲁棒性，同时也保证了精度。

本实施例的实验结果如下，其中不同M对WiFi信号强度曲线平滑度的综合影响图请见表2，不同算法的WiFi信号分布曲线平滑度指数S比较结果请见表3，同算法在不同区域的WiFi信号强度分布图中突变点的具体个数比较结果请见表4，不同RSSI提取算法用于定位的鲁棒性分析比较结果请见表5：

表2 S和随M值的变化

表3不同算法的WiFi信号分布曲线平滑度S比较

表4不同算法的WiFi信号分布突变点个数比较

表5不同算法的鲁棒性分析

在四个房间和一个走廊的区域进行了实验用来评估提出的新方法的性能。房间404,408,412,414为计算机室并且存在人员的活动，实验区域总面积大小约为595m²(35m*17m)，具体房间尺寸请见图2。总共采集了18个校准点和70个测试点。相邻点之间的空间间隔为1.3m。校准点和测试点的物理位置请见图2，其中△代表AP，○代表校准点，●代表测试点。

选取走廊的数据，图3和表2表示了不同M对WiFi信号强度曲线平滑度的影响。由图3可以看出，不同AP的信号强度曲线平滑度指数S随M值的变化不尽相同，有的AP信号强度曲线平滑度指数S随M值的增大而减小，有的AP信号强度曲线平滑度指数S随M值的增大而增大，有的AP信号强度曲线平滑度指数S随M值的先减小后增大。综合所有AP的信号强度曲线平滑度指数S和随M值的变化，从表2中可以看出，当M取值13,时效果最好。

选取走廊的数据，图4和表3表示了一维空间中采用不同提取算法的RSSI信号质量分析。从图4中可以看出，新方法WiFi信号分布曲线的平滑度明显优于通常使用的取平均值的算法。一般而言，在同一直线方向上，无线信号强度的变化应该是平滑的，突变特异点越少越好。所以相对于取平均值、卡尔曼滤波、粒子滤波等常规算法而言，本文算法具有明显的优越性。表3则具体给出了不同算法的WiFi信号分布曲线平滑度指数S，更加量化的说明了本文算法用于WiFi信号强度提取的优点。

选取机房404,408,412,414的数据，图5和表4表示了二维空间中采用不同提取算法的RSSI信号质量分析。信号强度突变点个数越少，则信号分布的质量越好；理想情况下，信号强度的分布图中应该都是平滑的，没有突变点。以404机房中的AP1为例，采用不同提取算法得到的无线信号强度分布如图5所示。表4给出了本发明提出的基于RSSI概率分布最大值的提取算法和常规的均值定位算法、卡尔曼滤波算法、粒子滤波算法在不同区域处的突变点个数，从表4中我们可以看出，采用基于最大值算法的在多个不同区域的WiFi信号强度分布图中突变点的个数明显小于其他常规算法。

根据全部实验数据，图6是本发明实施例的WKNN定位的累积分布函数(CDF)示意图。从图6中可以看出，本发明中新方法的精度明显优于均值定位算法、卡尔曼滤波算法和粒子滤波算法。

表5则从算法复杂度和抗干扰度两方面给出了本发明提出的基于RSSI概率分布最大值的提取算法和常规的均值定位算法、卡尔曼滤波算法、粒子滤波算法的鲁棒性分析比较。由表6中的不同指标的分析可知，本发明算法相对于均值、卡尔曼滤波、粒子滤波等算法具有较好的鲁棒性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims

1.一种基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，其特征在于，包括以下步骤：

步骤2中，确定每个AP对应每个校准点的RSSI估计值；其具体实现包括以下子步骤：

步骤2.1：将RSSI值从大到小排序，求其最大值和次大值的差值；

步骤2.3：根据实验数据确定M的具体数值，采用曲线平滑度指数S来进行对比分析：

其中，N为信号强度衰减曲线上采样点的个数，RSSI_i表示信号强度衰减曲线上第i个采样点的信号强度；

步骤3：采集测试点(x,y)的WiFi接收信号强度指标RSSI数据，将测试点的WiFi接收信号强度指标RSSI数据采用步骤2的原理进行处理，得到测试点的RSSI估计值；

步骤4：当假定距离定位点最近的k个指纹点已经筛选出来，采用WKNN对测试点进行定位，确定测试点的估计位置

步骤4中所述采用WKNN对测试点进行定位，WKNN方法具体实现原理：

校准点和定位点之间多维信号空间的距离L_i采用欧氏距离表示为：

选取距离最短的k个校准点用于估计测试点的位置，采用距离反比例加权：

因此测试点的估计位置通过下式计算：

2.根据权利要求1所述的基于RSSI最大值进行RSSI去除噪声的室内位置定位方法，其特征在于：测试点的真实位置(x,y)与估计位置的误差err计算如下：