CN108871332A - 一种基于XGBoost的RFID室内定位系统及方法 - Google Patents

Abstract

本发明涉及一种基于XGBoost的RIFD室内定位系统及方法，包括：RFID标签，其分布在室内，用于发射数据；多个阅读器天线和一个阅读器终端，其分布在室内，用于收集RFID标签信息和RSSI值；WiFi无线收发模块：用于接收和传输阅读器的数据；PC上位机：用于读取阅读器获取的标签信息和输出RFID标签位置。该方法包含以下步骤：离线阶段对于室内定位区域数据采集、原始数据预处理、训练数据库的建立和定位模型的构建；在线阶段实时获取RFID标签信号、数据采集并将处理后的数据实时输入到离线阶段所构建的模型中，输出目标标签的位置。与现有的技术相比，本发明具有定位精度高，节省电子标签成本，抗干扰能力强等优点。

Description

一种基于XGBoost的RFID室内定位系统及方法

技术领域

本发明涉及无线射频定位技术领域，具体地说是一种基于XGBoost的RFID室内定位系统及方法。

背景技术

物联网是在互联网的基础上，将其用户端延伸和扩展到任何物品，进行信息交换和通信的一种网络。物联网的关键技术，射频识别(Radio Frequency Identification，RFID)技术是一种通过射频信号进行非接触式识别的自动识别技术，可对被识别物体进行识别。而其领域中的室内定位由于在室内导航，人员货物定位和应急救援等方面的优势，受到了各方的关注，并呈现出广阔的市场前景和广泛的产品应用。

常用的定位技术包括GPS，红外，WiFi，蓝牙等。GPS在室外空旷的场所能实现高精度的定位。但在室内，由于房屋墙体等复杂场景下障碍物对于电磁波的阻拦，削弱和吸收，导致GPS定位精度受限，并且GPS耗电量巨大，有时不利于人们使用。而红外线，WiFi等技术相比于RFID射频技术而言，RFID在室内定位中所具有的定位精度高，抗干扰能力强，成本低廉，使用方便等一系列优点，使其具有更为巨大的优势和发展潜力。

通过文献检索，我们检索到了以下相关文献，这些文献所采用的室内定位算法可以实现一定精度的室内定位，但都没有使用XGBoost算法，如：

中国专利CN201710735262.6，一种基于RFID的室内定位方法、装置及系统，专利权人：广东工业大学。该专利公开了一种基于RFID的室内定位方法、装置及系统，控制RFID天线以预设角度进行旋转，对标签进行扫描，获取对旋转角度对应的信号强度值。依据旋转角度，信号强度值和旋转天线定位算法进行定位。该发明实施例仅采用了一个RFID天线，具有系统结构简单、成本低、部署难度低及硬件利用率高的优点。但其应对复杂环境，常常导致定位精度不高，容易收到障碍物的干扰。并且实施例仅仅使用一个RFID天线，若需要增加定位的准确度，则相应的成本又会增加。

中国专利CN201710050791.2，一种基于BP-Landmarc神经网络的室内定位装置和控制方法，专利权人：吉林大学。该专利公开了一种基于BP和Landmarc算法的室内定位装置及方法，RFID读写器读取RFID电子标签的RSSI值，构建了BP-Landmarc人工神经网络，通过对参考标签RSSI数据的学习，得到各层之间互连的权值，从而在参考标签和位置之间建立了特定非线性映射模型，实现了输出对应的动态标签运动轨迹或静态目标位置分布图的目标。

发明内容

本发明的目的在于提供一种基于XGBoost的RFID室内定位算法。致力于将机器学习中的XGBoost算法与RFID定位技术相结合，以增强整个系统对于噪声的抗干扰能力，提高定位准确性的同时节约成本。为了实现本发明的目的，提供了一种基于XGBoost的室内定位系统和方法，包括：

RFID标签，其分布在室内，用于发射原始数据；

多个阅读器天线和一个阅读器终端，其分布在室内，用于读取RFID标签信息和RSSI值；

WiFi无线收发模块：用于接收和传输阅读器的数据；

PC上位机：用于读取阅读器标签、模型训练和输出RFID标签位置。

该方法包含以下步骤：离线阶段对于室内定位区域数据采集、原始数据预处理、训练数据库的建立和定位模型的构建；在线阶段实时获取RFID标签信号、数据采集并将处理后的数据实时输入到离线阶段所构建的模型中，输出标签的位置坐标。与现有的技术相比，本发明具有定位精度高，节省电子标签成本，抗干扰能力强等优点。

一种基于XGBoost的RFID室内定位方法，其特征在于，包括以下步骤：

步骤1)在离线阶段对于定位区域的数据采集：按照指定方式在区域内部署阅读器天线、阅读器终端和参考标签，记录参考标签的位置和阅读器接受到的RSSI信号强度值，获得原始训练数据；

步骤2)离线阶段原始数据预处理，利用每个样本的RSSI值向量的欧氏距离去除异常值；

步骤3)离线阶段训练数据库的建立：将离线阶段预处理之后的原始数据重新整合成训练数据；

步骤4)在线阶段RFID待测标签信号获取：当携带有RFID标签的待定位目标进入检测区域时，阅读器获取标签信息及RSSI值，通过WiFi无线收发模块传输至PC上位机，去除异常值。PC上位机对接受到的信息处理并构建关于此标签的实时信息数据库；

步骤5)在线阶段位置精确预测：将在线阶段得到的目标的数据输入到已经训练好的XGBoost定位模型中，输出待测标签的具体位置坐标。

本发明进一步说明，去除阅读器接受到RSSI异常值的具体方法为：计算每个样本RSSI值向量的欧氏距离L_i(其中i＝1，2...，K)，计算K个样本的平均欧氏距离L_avg、标准差L_std。去除欧氏距离大于或者小于平均欧式距离的三倍标准差的样本，即假定某个样本的欧氏距离为L_i，如L_i＞L_avg+3*L_std或者L_i＜L_avg-3*L_std，则删除L_i对应的样本。剩下的数据添加到训练数据集中。目标标签所收集到的RSSI值向量也做相应的如上处理。

本发明进一步说明，XGBoost算法的描述为：假定是一簇基函数的加权和，则有如下公式：

其中γi为每个基函数的加权系数，f_i(x)为基函数，C为常数。在XGBoost这个提升树模型中，梯度提升的主要目的就是寻找的最优解，使得损失函数在训练集上的期望最小。定义损失函数为：

其中：

其中T_t表示树的叶子节点，W_j为树的叶子节点的权重，γ，λ为模型超参数，需要在模型训练中调整。这个公式是为了防止模型出现过拟合现象。再根据Taylor公式和相应推导，可以得到最终的损失函数：

其中G_j为第j个叶子节点上损失函数一阶导数之和，H_j就为第j个叶子节点上损失函数二阶倒数之和。定义建树时的划分函数为：

在建树的时候，枚举所有可行的分割点，选择最大的划分，反复进行，直到构建完毕。设在第m步构造的树为t_m(X)，令树t_m(X)的叶子节点个数为T，决策树t_m(X)会在每个叶子节点给出一个确定性预测，对于输入X，t_m(X)：

其中b_jm是样本在区域R_jm的预测值，R_jm为树t_m(X)的第j个结合样本的划分，I(X)为指示函数。

本发明进一步说明，训练XGBoost模型的具体过程为：

a)在特定的室内环境内，部署N个阅读器天线和一个阅读器终端，分别编号1、2、...、N，M个参考标签，所有标签都在阅读器的读写范围之内，能获取到所有标签返回的RSSI值。对于任意标签均有一个N维的RSSI值向量记为：

并且参考标签的具体坐标(x，y)已知；

b)对于M个参考标签，假设每个参考标签测量K次RSSI值向量，去除K次测量中的异常值，剩下的样本添加到训练样本集合中。以及它所对应的(x，y)分别作为特征和标记；

c)测得所有训练样本之后，按照以下两个公式训练XGBoost模型，得到训练好的模型(即得到XGB算法最优解)：

再扩展得到：

其中γm为学习率，使用线性搜索的方式得到。

所述的一种基于XGBoost的室内定位方法，当物体是运动目标时，按照一定的时间间隔获取坐标，当到达预计时限时，输出物体运动轨迹。当物体静态不动时，输出静态坐标。

所述的一种基于XGBoost的室内定位系统，RFID阅读器与PC上位机的连接方式为WiFi连接。

本发明的有益效果是：

a)标签RSSI值向量的预处理，去除了测量过程中发生的异常值，有效避免了异常数据对于定位精度的影响，建立了高质量的定位模型，有效的解决了算法受异常环境状况而导致的准确度低的问题；

b)机器学习XGBoost算法，其基本原理是利用阅读器接收到的RSSI值向量作为训练样本，任意参考标签都有一个N维的RSSI值向量去除异常值后，以和它对应的(x，y)值作为特征和标记训练XGBoost模型。定位时，待检测标签进入待检测区域，也会得到一个N维的RSSI值向量将其作为模型输入，就会得到具体精确目标。仿真数据表明，该方法相较于传统算法，泛化能力更好，精确度更高，并且能在提高精度的前提下降低定位系统使用成本，克服因信号发生多径效应、环境变化而带来的定位精度低的问题。

附图说明

图1.本发明一种基于XGBoost的RFID室内定位系统及方法的系统结构示意图；

图2.本发明一种基于XGBoost的RFID室内定位系统及方法的实例系统布置图；

图3.本发明一种基于XGBoost的RFID室内定位系统及方法的总体定位框架图；

图4.本发明一种基于XGBoost的RFID室内定位算法流程图。

具体实施方式

下面结合附图对本发明进一步说明。

实施例：

本发明提出了一种基于XGBoost的RFID室内定位系统及方法。具体为通过检测和收集参考标签的RSSI值向量作为特征数据，其相对应的(x，y)作为样本和监督位，训练XGBoost模型，然后通过PC上位机输入目标标签的RSSI值进行在线预测，获得具体位置坐标。其目标在于解决室内定位系统成本高、定位精度低和算法对环境噪声敏感等问题。

本发明提出一种基于XGBoost的RIFD室内定位系统包括：RFID标签，其分布在室内，用于发射数据；多个阅读器天线和一个阅读器终端，其分布在室内，用于收集RFID标签信息和RSSI值；WiFi无线收发模块：用于接收和传输阅读器的数据；PC上位机：用于读取阅读器获取的标签信息和输出RFID标签位置。

本发明提出一种基于XGBoost的RIFD室内定位系统及方法涉及两个阶段：离线阶段和在线阶段。离线阶段将RFID参考标签按照一定的规则布置在定位区域，通过RFID天线和RFID阅读器终端接受各个标签的信号强度值RSSI和具体位置坐标，从而获取XGBoost定位模型所需的含有异常值的原始训练数据集，PC上位机接收到原始数据之后，去除异常值构建XGBoost模型。在线阶段将目标标签携带进去检测区域，阅读器接受到目标标签的信息(RSSI值和ID号)，将信息通过WiFi无线收发模块传输到PC上位机终端，再次去除异常值，输入到已经训练好的XGBoost模型，进行在线预测，输出结果就是待测标签的具体位置坐标。

图1为本发明所涉及的定位系统的总体结构示意图。包括RFID阅读器、阅读器天线、WiFi无线收发模块、PC上位机。阅读器天线离线阶段完成定位区域参考标签信息数据采集和在线阶段待测目标标签信息的获取。RFID阅读器通过有线将4个天线与其相连，再通过WiFi无线收发模块将接受到的数据传送给PC上位机，PC上位机负责接受传输数据和发送控制命令。

图2为本发明的RFID室内定位具体系统布置图，包括N个阅读器天线放置于检测区域的四周，参考标签按一定规则部署，标签个数根据待测区域面积的大小而定，相邻最好相隔1m。待定位物体携带RFID标签进去检测区域，系统根据物体携带的标签进行定位；

具体步骤如下：

步骤1.离线阶段定位区域数据收集，首先根据定位区域的实际环境情况，合理分布RFID标签，如图2所示。然后部署N个阅读器天线分布在检测区域四周，通过阅读器天线收集各个标签的信号强度值RSSI和所对应的坐标，从而获得XGBoost定位模型的原始训练数据集。对于部署的某个参考标签，假设标签标号为j(其中j＝1，2，3，...，M)，测量K次RSSI值向量，得到K次样本数据，与所对应的(x，y)构成K行、N+2列的数据，结构如下：

步骤2.离线阶段原始数据预处理，计算每个样本RSSI值向量的欧氏距离L_i(其中i＝1，2，...，k)，计算K个样本的平均欧氏距离L_avg、标准差L_std。去除欧氏距离大于或者小于平均欧式距离的三倍标准差的样本，即假定某个样本的欧氏距离为L_i，若L_i＞L_avg+3*L_std或者L_i＜L_avg-3*L_std，则删除L_i对应的样本。剩下的数据添加到训练数据集中；

步骤3.离线阶段基于XGBoost的定位模型构建，对于所有参考标签，重复步骤1，步骤2，得到所有的训练数据。利用前2步测得的数据作为训练数据，其中RSSI值向量作为特征数据，对应的(x，y)作为样本的监督位。训练XGBoost模型，即可得到高质量的定位模型，该模型可以有效的避免定位精度受环境因素干扰的影响，完成离线阶段；

步骤4.在线阶段实时信号获取，当携带有RFID标签的物体进入定位区域，阅读器天线多次获取标签的RSSI值向量和ID，并通过阅读器终端和WiFi无线收发模块传输到PC上位机，PC上位机根据所获得的数据构建自身标签的信息库；

步骤5.在现阶段数据预处理，检测K次的待检测标签的RSSI值向量Test

根据步骤2方法去除异常值，假设剩下K_l个样本，取K_l次测量的平均RSSI值向量：

R_test＝(R₁，R₂，...，R_N)

其中：

R_i＝(R_1，i，R_2，i，...，R_kl，i)/K_l

得到在现阶段的模型的输入；

步骤6.在线阶段实时位置精确定位，将步骤5中处理后的高质量的R_test输入训练好的XGBoost模型，进行在线预测，模型的输出结果就是待测标签的具体位置坐标。

综上所述，本发明提出一种基于XGBoost的RFID室内定位系统及方法，具体为通过检测和收集参考标签的RSSI值向量作为特征数据，其相对应的(x，y)作为样本和监督位，训练XGBoost模型，然后通过PC上位机输入目标标签的RSSI值进行在线预测，获得具体位置坐标。解决了室内定位定位精度低和算法对环境噪声敏感等问题，且深度学习算法模型简单，定位系统成本较低，所以本发明具有很强的实用价值。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求内。

Claims (7)

1.一种基于XGBoost的RFID室内定位方法，其特征在于，包括以下步骤：

步骤1)在离线阶段对于定位区域的数据采集：按照指定方式在区域内部署阅读器、阅读器天线和参考标签，记录参考标签的位置和阅读器接受到的RSSI信号强度值，获得原始训练数据；

步骤2)离线阶段原始数据预处理：利用每个样本的RSSI值向量的欧氏距离去除异常值；

步骤3)离线阶段训练数据库的建立：将离线阶段预处理之后的原始数据重新整合成训练数据；

步骤4)在线阶段RFID待测标签信息获取：当携带有RFID标签的待定位目标进入检测区域时，阅读器获取标签信息及RSSI值，通过WiFi无线收发模块传输至PC上位机，去除异常值；PC上位机对接受到的信息处理并构建关于此标签的实时信息数据库；

步骤5)在线阶段位置精确预测：将在线阶段得到的目标标签的数据输入到已经训练好的XGBoost定位模型中，输出待测标签的具体位置坐标。

2.根据权利要求1步骤2所述的一种基于XGBoost的室内定位方法，其特征在于：去除阅读器接受到RSSI异常值的具体方法为：计算每个样本RSSI值向量的欧氏距离L_i(其中i＝1，2...，K)，计算K个样本的平均欧氏距离L_avg、标准差L_std；去除欧氏距离大于或者小于平均欧式距离的三倍标准差的样本，即假定某个样本的欧氏距离为L_i，若L_i＞L_avg+3*L_std或者L_i＜L_avg-3*L_std，则删除L_i对应的样本；剩下的数据添加到训练数据集中；目标标签所收集到的RSSI值向量也做相应的如上处理。

3.根据权利要求1所述的一种基于XGBoost的室内定位方法，其特征在于：XGBoost算法的描述为：假定是一簇基函数的加权和，则有如下公式：

其中γ_i为每个基函数的加权系数，f_i(x)为基函数，C为常数；在XGBoost这个提升树模型中，梯度提升的主要目的就是寻找的最优解，使得损失函数在训练集上的期望最小；定义损失函数为：

其中：

其中T_t表示树的叶子节点，W_j为树的叶子节点的权重，γ，λ为模型超参数，需要在模型训练中调整；这个公式也是为了防止模型出现过拟合现象；再根据Taylor公式和相应推导，可以得到最终的损失函数：

其中G_j为第j个叶子节点上损失函数一阶导数之和，H_j就为第j个叶子节点上损失函数二阶倒数之和；定义建树时的划分函数为：

在建树的时候，枚举所有可行的分割点，选择最大的划分，反复进行，直到构建完毕；设在第m步构造的树为t_m(X)，令树t_m(X)的叶子节点个数为T，决策树t_m(X)会在每个叶子节点给出一个确定性预测，对于输入X，t_m(X)：

其中b_jm是样本在区域R_jm的预测值，R_jm为树t_m(X)的第j个结合样本的划分，I(X)为指示函数。

4.根据权利要求1所述的一种基于XGBoost室内定位方法，其特征在于：训练XGBoost模型的具体过程为：

a)在特定的室内环境内，部署N个阅读器天线和一个阅读器终端，分别编号1、2、...、N，M个参考标签，所有标签都在阅读器天线的读写范围之内，能获取到所有标签返回的RSSI值；对于任意标签均有一个N维的RSSI值向量记为：

并且参考标签的具体坐标(x，y)已知；

b)对于M个参考标签，假设每个参考标签测量K次RSSI值向量，去除K次测量中的异常值，剩下的样本添加到训练样本集合中；以及它所对应的(x，y)分别作为特征和标记；

c)测得所有训练样本之后，按照以下两个公式训练XGBoost模型，得到训练好的模型(即得到XGBoost算法最优解)：

进一步扩展得到：

其中γm为学习率，使用线性搜索的方式得到。

5.根据权利要求1所述的一种基于XGBoost的室内定位方法，其特征在于：当物体是运动目标时，按照一定的时间间隔获取坐标，当到达预计时限时，输出物体运动轨迹；当物体静态不动时，输出静态坐标。

6.根据权利要求1所述的一种基于XGBoost的室内定位系统，其特征在于：所述的系统包括：RFID标签，其分布在室内，用于发射原始数据；多个阅读器天线和一个阅读器终端，其分布在室内，用于读取RFID标签信息和RSSI值；WiFi无线收发模块：用于接收和传输阅读器的数据；PC上位机：用于读取阅读器信息和输出RFID标签位置。

7.根据权利要求6所述的一种基于XGBoost的室内定位系统，其特征在于：RFID阅读器与PC上位机的连接方式为WiFi连接。