CN108614237B - 基于压缩感知的指纹库建立及rfid定位方法 - Google Patents

Abstract

本发明提供了一种基于压缩感知的指纹库建立及RFID定位方法，包括：步骤1，将监测区域划分为多个等边三角形网格；步骤2，在监测区域中的每个被监测对象上部署对象标签a，在等边三角形网格的交点上部署参考标签i；步骤3，建立指纹库矩阵X_ia；步骤4，计算对象标签j的测量向量y_j(i)；步骤5，选取相似度最高的两个列向量作为两个候选区域；步骤6，定位对象标签j。本发明减少了用于RFID定位系统的参考标签的数目；有效的提高了定位精度；且很大程度上节省了部署成本，对大规模RFID定位场景，提高了系统可行性。

Description

基于压缩感知的指纹库建立及RFID定位方法

技术领域

本发明属于被动感知领域，具体涉及一种基于压缩感知的指纹库建立及RFID定位方法。

背景技术

基于RFID的定位技术已经成为仓库和图书馆等场所库存管理的重要应用方法和解决方案。然而现有的解决方案要么对环境噪声很敏感，要么需要部署很多的参考标签。这导致了高额的部署成本，并且增加了数据冲突的机会。现有的定位系统有如下几类：

第一类是利用目标标签周围的RSS(接收信号强度)信息来估计目标的位置。因为RSS本质上对环境噪声很敏感，所以利用RSS信息进行定位的精度较差。

第二类是AOA(到达角度)方法，这种方法是针对利用RSS信息对环境噪声敏感问题的改进，该方法采用大量的天线去减少环境噪声。通过测量目标标签和天线之间的射频信号不同的相位来计算目标对象的位置。但是由于AOA的工作机制是假设RF信号是按照视距路径传播，而这个假设往往在非视距环境下不能成立，即就是意味着定位精度会受到信号传播路径上的阻碍物很大的影响。

第三类方法是PinIt，这是目前最先进的基于RFID的定位系统。它的目标是解决非视距(NLOS)问题，该系统通过部署已知位置的参考标签，然后用和目标标签具有最大相似性的参考标签来计算目标标签的位置。为了达到很高的精确度，PinIt方法要求部署很多的参考标签，但是大量的参考标签不仅导致了高额的部署费用，而且增加了标签之间的数据冲突，从而对大规模部署有很大的不利。

综上所述，现有的定位系统或存在对环境噪声敏感的问题或存在需部署大量标签导致成本太高等的缺点和不足，因此需要一种低成本高精度高效率的定位系统。

发明内容

针对现有技术存在的不足，本发明的目的在于，提供一种基于压缩感知的指纹库建立及RTID定位方法，解决现有技术中部署大量标签导致成本太高且对环境噪声敏感的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

一种基于压缩感知的指纹库建立方法，包括以下步骤：

步骤1，将监测区域划分为多个等边三角形网格；所述监测区域中部署有RFID阅读器，所述RFID阅读器上连接有Q根等间隔分布的天线，其所述Q根等间隔分布的天线在监测坐标中位于同一纵坐标处；Q为大于等于1 的自然数；

所述监测坐标以监测区域的水平方向为横坐标，以监测区域的竖直方向为纵坐标，以监测区域的任一角为原点；

步骤2，在监测区域中的每个被监测对象上部署对象标签a，在等边三角形网格的交点上部署参考标签i；a＝1,2,...,N；i＝1,2,...,M；N≥M，N和M 均为大于等于1的自然数；

步骤3，通过计算每个对象标签的多径序列包与每个参考标签的多径序列包之间的相似性，建立指纹库矩阵X_ia；

X_ia＝||P_a(θ)-P_γi(θ)||_DTW，其中；i＝1,2,...,M；P_a(θ)为第a个对象标签的多径序列包；P_γi(θ)为第i个参考标签的多径序列包；||·||_DTW为两个多径序列包之间的相似性；

θ为波束角，0°≤θ≤180°；

s_aq是从第q根天线得到的第a个对象标签的信号，ω_a(q,θ)是当波束角度为θ时的权重，λ是波长，x_q是第q根天线的横坐标；

s_iq是从第q根天线得到的第i个对象标签的信号。

一种基于压缩感知的RFID定位方法，在本申请建立的指纹库矩阵X_ia中定位对象标签j，包括：

(1)计算对象标签j的多径序列包与每个参考标签的多径序列包的相似性，得到对象标签j的测量向量y_j(i)；

其中，y_j(i)＝||P_j(θ)-P_γi(θ)||_DTW，i＝1,2,...,M；P_j(θ)为第j个对象标签的多径序列包；

(2)将指纹库矩阵X_ia中的所有列向量进行分类，得到多个分类区域，选取与对象标签j的测量向量y_j(i)相似度最高的两个分类区域作为两个候选区域；

(3)将对象标签j分别与两个候选区域中的每个对象标签进行逐一对比，找到对象标签j的位置，即定位对象标签j。

本发明与现有技术相比，具有如下技术效果：

本发明通过等边三角形部署方法有效的减少了用于RFID定位系统的参考标签的数目；通过利用目标和参考标签之间稳定的空间关系来建立噪声不敏感的指纹库，并且采用基于压缩感知的恢复算法来恢复目标位置向量，有效的提高了定位精度；参考标签数目的大规模减少很大程度上节省了部署成本，对大规模RFID定位场景，提高了系统可行性。

附图说明

图1是本发明的原理示意图。

图2是参考标签和目标标签的部署示意图。

图3是CSRP和PinIt的整体性能比较图。

图4是各种恢复算法的定位精度随着可接受定位误差的改变而变化的情况。

图5是不同数目的参考标签下相应的定位误差的变化。

图6随着标签数目增加数据冲突几率的变化图。

图7是随着参考标签数目的增加系统部署费用的比较。

图8是视距和非视距环境下定位精度与标签间距的关系图。

以下结合附图对本发明的具体内容作进一步详细解释说明。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例1：

本实施例给出一种基于压缩感知的指纹库建立方法，其特征在于，包括以下步骤：

步骤1，将监测区域划分为多个等边三角形网格；所述监测区域中部署有RFID阅读器，所述RFID阅读器上连接有Q根等间隔分布的天线，其所述Q根等间隔分布的天线在监测坐标中位于同一纵坐标处；Q为大于等于1 的自然数；

监测坐标以监测区域的水平方向为横坐标，以监测区域的竖直方向为纵坐标，以监测区域的任一角为原点；

本实施例中在监测区域一方放置有RFID阅读器，阅读器上连接八根全向天线，将阅读器读取数据的模式调至单频模式，其频率为924.375MHz，然后测量链路上的相位值作为基准数据。天线组使用8根Q900F-900全向天线构成线性天线组，相邻天线之间的间距是16cm，即半波长。标签则使用超高频RFID标签作为对象标签和参考标签。

步骤2，在监测区域中的每个被监测对象上部署对象标签a，在等边三角形网格的交点上部署参考标签i；a＝1,2,...,N；i＝1,2,...,M；N≥M，N和M 均为大于等于1的自然数；

由于标签部署的目标是在给定数目的参考标签下使定位精度最大化，需满足两个准则：(1)任意两个相邻参考标签的间距应最大化；(2)每个对象标签和与它最近的参考标签的间距应最小化。

经证实，将参考标签放在等边三角形网格的顶点处就可满足上述两个条件，即可达到最大的定位精度。现将两个准则证明如下：

第一个准则：当参考标签位于等边三角形的网格的交点处时，任意两个相邻之间的距离可以被最大化。假设相邻参考标签之间的距离是d_m，以每个参考标签为中心，以d_m/2为半径画圆，并且圆之间不重叠。根据Thue 定理，所有三角形的面积和整个部署区域的面积的比值上限是

即

当三角形三边等长时S达到最小值

这就证明了使用等边三角形部署标签时可使参考标签之间的距离最大化的结论。

第二个准则：当参考标签位于等边三角形网格的交点处时每个标签与其最近的参考标签之间的距离可以被最小化。由于部署区域可被划分成三角形，每个标签就可被平均分配到每个三角形，所以假设标签p位于Δabc中， oa₁，ob₁和oc₁是边bc，ac和ab的中垂线。因此，如果 p∈ab₁oc₁,或p∈ba₁oc₁,或p∈ca₁ob₁，那么与p相距最近的参考标签是a,b或c。为证明上述理论，首先计算标签p和与它距离最近的参考标签的期望值，用E_pa表示在Δaob₁中标签p和参考标签a的期望，用

和

分别表示

和

的面积，则有

同样地，也可以得到在Δboc₁中p和b之间距离的期望以及在Δaoc₁中p 和c之间距离的期望。

由于

并且|oa|＝|ob|＝|oc|，因此，在Δabc 中p与其最近的参考标签之间的期望距离可表示为：

因为

所以上式可变为：

由于S_Δabc是固定的，因此当且仅当

时E_p可以最小化，最终，期望距离被最小化。

另外，本实施例给出了等边三角形的边长。假设矩形监测区域的面积是 l_a×l_b(长为l_a宽为l_b)，该监测区域被划分成γ行等边三角形，且一行中底边的最大数目是β，α表示等边三角形的边长，这样分割的目的是使三角形尽可能地覆盖整个矩形区域，同时满足一下三个条件：(a)所有三角形的定点数之和等于参考标签的数目并且满足M>O(Klog(N/K))；(b)β个三角形的底边长之和应小于矩形区域的长；(c)γ行三角形的高之和应小于矩形区域的宽。于是每个三角形的边长α可以通过求解如下的线性规划问题来获得：

步骤3，通过计算每个对象标签的多径序列包与每个参考标签的多径序列包之间的相似性，建立指纹库矩阵X_ia；

X_ia＝||P_a(θ)-P_γi(θ)||_DTW，其中a＝1,2,...,N；i＝1,2,...,M；P_a(θ)为第a个对象标签的多径序列包；P_γi(θ)为第i个参考标签的多径序列包；||·||_DTW为两个多径序列包之间的相似性；

θ为波束角，0°≤θ≤180°；

s_aq是从第q根天线得到的第a个对象标签的信号，ω_a(q,θ)是s_q当波束角度为θ时的权重，λ是波长，x_q是第q根天线的横坐标；

s_iq是从第q根天线得到的第i个对象标签的信号。

实施例2：

本实施例还提供了一种基于压缩感知的RFID定位方法，其中，在实施例1建立的所述指纹库矩阵X_ia中定位对象标签j，包括：

(1)计算对象标签j的多径序列包与每个参考标签的多径序列包的相似性，得到对象标签j的测量向量y_j(i)；

其中，y_j(i)＝||P_j(θ)-P_γi(θ)||_DTW，i＝1,2,...,M；P_j(θ)为第j个对象标签的多径序列包；

(2)将指纹库矩阵X_ia中的所有列向量进行分类，得到多个分类区域，选取与对象标签j相似度最高的两个分类区域作为两个候选区域；

其中本实施例采用“Graph Embedding:A General Framework forDimensionality Reduction”中的方法将指纹库矩阵X_ia中的所有列向量进行分类。

(3)将对象标签j分别与两个候选区域中的每个对象标签进行逐一对比，找到对象标签j的位置，即定位对象标签j。

本实施例采用稀疏算法将将对象标签j分别与两个候选区域中的每个对象标签进行逐一对比，找到对象标签j的位置，即定位对象标签j。

实验结果对比：

发明人尝试从以下几个方面去评估本实例给出的基于压缩感知的低成本高精度的大规模RFID定位技术：整体性能、定位恢复方法、参考标签数据冲突几率、数据冲突、部署费用、视距和非视距环境下的性能。

1、整体性能：

本实例将本申请和PinIt进行对比，二者均有较好的定位性能，可分别准确定位84.7％和86.4％的测试项目。对于95％的对象标签，本申请的平均定位精度是7cm,明显地优于PinItp平均8.5cm的定位精度。这一精度的提高得益于本申请所用参考标签的显著减少(26vs285)以及利用空间关系减少环境噪声的影响，同时减少了不利的数据冲突。如图3所示。

2、定位恢复算法：

该实例将本申请与传统的CS方法和目前最先进的PinIt方法进行比较。假设可接受的误差范围是10cm，则本申请的平均准确度是87.9％，而CS方法和PinIt方法分别是74.9％和17％。显而易见，本申请优于CS和PinIt 方法。如图4所示。

3、参考标签数据冲突几率：

在该实例中，我们分别部署26,46和81个参考标签在环境中来检测参考标签数目对定位精度的影响。如图5所示，当标签数目为26,46和81时定位准确率分别为84.7％，90.2％和94.3％；对于95％的标签定位误差分别为 7cm,6.3cm和3.2cm。这表明使用越多的参考标签会使定位更加准确，但我们所使用的参考标签数目还是远少于PinIt。

4、数据冲突：

为了量化在不同部署环境下标签之间(包括目标标签和参考标签)的数据冲突，我们计算一段时间内的数据接收速率来表示冲突可能性。如图6 所示，当对象标签数目保持一致时，少量的参考标签导致轻微的标签冲突，但是部署更少更稀疏的参考标签可以减少冲突。

5、部署费用

如图7所示，该实例中当对象标签数目增长到200时，本申请需要48 个参考标签，PinIt需要528个参考标签，假设每个标签$0.05，当对象标签数目达到40000时，本申请需要3800个参考标签，费用$190，而PinIt 需要参考标签42400个，费用$2120。这表明本申请大大地减少了人力和财力的消耗。

6、视距和非视距环境下的性能

为了检测在不同环境下本申请定位系统的性能，我们在4个移动的架子上部署11个参考标签和150个对象标签。将架子放置在空旷的走廊来构造视距环境，将架子放在办公室环境中实现非视距环境。如图8所示，从图中可以看出(1)当标签间距2到8cm时，视距和非视距环境下的定位精度都大约是90％，(2)无论在视距还是非视距环境下，定位精度都没有受到标签和接收器间距增大的有规律的影响。因此，本申请的定位精度没有受到距离的显著影响。

Claims (1)

1.一种基于压缩感知的指纹库建立方法，其特征在于，包括以下步骤：

步骤1，将监测区域划分为多个等边三角形网格；所述监测区域中部署有RFID阅读器，所述RFID阅读器上连接有Q根等间隔分布的天线，其所述Q根等间隔分布的天线在监测坐标中位于同一纵坐标处；Q为大于等于1的自然数；

所述监测坐标以监测区域的水平方向为横坐标，以监测区域的竖直方向为纵坐标，以监测区域的任一角为原点；

步骤2，在监测区域中的每个被监测对象上部署对象标签a，在等边三角形网格的交点上部署参考标签i；a＝1,2,...,N；i＝1,2,...,M；N≥M，N和M均为大于等于1的自然数；

步骤3，通过计算每个对象标签的多径序列包与每个参考标签的多径序列包之间的相似性，建立指纹库矩阵X_ia；

X_ia＝||P_a(θ)-P_γi(θ)||_DTW，其中；i＝1,2,...,M；P_a(θ)为第a个对象标签的多径序列包；P_γi(θ)为第i个参考标签的多径序列包；||·||_DTW为两个多径序列包之间的相似性；

θ为波束角，0°≤θ≤180°；

s_aq是从第q根天线得到的第a个对象标签的信号，ω_a(q,θ)是当波束角度为θ时的权重，λ是波长，x_q是第q根天线的横坐标；

s_iq是从第q根天线得到的第i个对象标签的信号；在所述指纹库矩阵X_ia中定位对象标签j，包括：

(1)计算对象标签j的多径序列包与每个参考标签的多径序列包的相似性，得到对象标签j的测量向量y_j(i)；

其中，y_j(i)＝||P_j(θ)-P_γi(θ)||_DTW，i＝1,2,...,M；P_j(θ)为第j个对象标签的多径序列包；

(2)将指纹库矩阵X_ia中的所有列向量进行分类，得到多个分类区域，选取与对象标签j的测量向量y_j(i)相似度最高的两个分类区域作为两个候选区域；

(3)将对象标签j分别与两个候选区域中的每个对象标签进行逐一对比，找到对象标签j的位置，即定位对象标签j。

Images