CN109151707B - 一种移动状态下的视距/非视距路径识别方法 - Google Patents

Abstract

本发明公开了一种移动状态下的视距/非视距路径识别方法，获取连续W个数据包的CSI数据；对每个CSI数据进行反傅里叶变换，获得对应的信道冲击响应；找出每个信道冲击响应的最高能量值及该最高能量值所对应的到达时间序列；对W个时间序列组成的时间序列集进行标准方差计算，得到方差值STD；根据计算得到的方差值STD，判断所述CSI数据属于LOS环境或NLOS环境；获取新的W1个CSI数据包，将新获取的数据包与原数据中的后面W‑W1个数据包合并组成新的数据集合，重复判断过程。本发明无需离线采集数据，并且可以避免因为环境的变化而重新进行数据采集所产生的人力代价。

Description

一种移动状态下的视距/非视距路径识别方法

技术领域

本发明涉及位置服务应用领域，特别是一种基于物理层信息的移动状态下视距/非视距路径识别方法。

背景技术

近年来，基于位置服务(Location based Services,LBS)的应用受到了研究者的广泛关注。位置服务可以应用到许多领域，例如对智能仓库进行物品管理，在大型商场进行智能导航，在紧急情况下提供被困人员的位置信息等。随着当前移动计算的飞速发展，人们对位置服务精度的要求也越来越高。

在位置服务的应用中，无线室内定位技术作为其中的关键技术之一，成为了研究人员的焦点。目前，无线室内定位技术主要分为两类：基于信号强度的室内定位技术和基于信道状态信息的室内定位技术。而信道状态信息以其稳定性的优势成为主要研究对象。影响室内定位精度的主要因素是室内复杂多径的影响，因此如何从这些复杂的传输路径中将视距/非视距路径进行分离，是当前能够提高室内定位精度的有效方法。已有视距/非视距路径的识别方法，需要特定的设备或进行离线信息采集或者需要加入一些人为故意运行，才能够达到较高的识别精度，具有一定的局限性。

与室外开放的信号传输环境相比，室内环境由于受到大量室内物体的分隔与阻拦(例如室内家具、人员干扰)等影响，使得无线信号的传输环境变得更为复杂。这些信号传输路径包括视距和非视距路径，由非视距传播带来的误差通常会产生信号的延迟增大，信号强度衰减及到达角度的改变等影响。因此，如何识别室内信号的传播距离为视距或非视距，根据室内不同环境对信号传播路径的影响进行判断，以达到提高室内目标定位精度的目的。

在室内信号通信系统中，室内信号会因为室内物体产生非视距路径传播影响，比如非视距传播距离增大、相位变化和信号到达时间的延迟等，因此，接收端所接收的信号常很可能在较短的时间内会出现较急剧的变化。这种由非视距路径产生的影响，在一定程度上会降低室内定位精度。如何通过识别室内LOS/NLOS路径，避免或减小由NLOS路径带来的误差，成为现在室内定位技术研究人员的研究重点。

目前已有相关工作实现了室内视距/非视距路径的识别工作。Pi-Chun Chen^[1]提出了一种利用定位残差对定位结果进行加权的算法来识别NLoS路径。文献[2]中设计了一种利用二次规划方法来识别NLoS路径的方法。后来Li Cong等人^[3]进一步在到达时间差(Time Difference of Arrival，简称TDOA)定义的基础之上，研究了移动用户位置到达时间差的非视距传播识别和校正，提出了一个基站NLoS路径识别的方法。文献[5]利用UWB提出了一个基于多径信道特征(例如峰度、平均延迟时间和平方根)统计来识别NLoS路径的方法。该方法需要特定的带宽来实现路径的识别，不适用于现在室内普遍部署的窄带网络系统。Wylie等人^[6]利用不同基站在不同的时间点所测量的距离信息，结合不同时间的测量信息差和测量噪声的标准差等信息，设计了一个能够判断基站间是否存在视距的判别算法，该方法通常需要足够多的参考点参与路径的识别，并且视距的参考点占大多数。然而在实际环境中，很难使得所有的识别环境都具备这种条件，有时甚至没有视距的参考点存在，因此，这种视距识别方法并不能适用于大多数场合。

文献[4]提出了利用Kalman技术进行LoS路径检测。文献[7]通过离线采集房间内的大量信号特征，利用支持向量机对其中的某几个信号特征集进行训练来对路径进行识别。但是，这些方法均需要事先采集大量的数据，进行离线训练，并且不同场景下由不同的信号特征。那么每次室内环境发生变化，均需要重新采集数据，这样就使得识别工作量非常大，不适用于易变化的室内场景。文献[8][9]算法在实现过程中需要接收端一直处于运动的状态下，通过增大接收端信号的随机性来识别LOS和NLOS路径，并且需要对大量数据包的信号特征进行统计来达到高精度的识别率，会产生额外的人力开销且实时性较差。PhaseU算法^[10]在实现动态环境下LOS识别的过程中，需要目标对象携带某种内嵌传感器的移动设备，通过获取传感器的方向和重力等信息来区分LOS和NLOS路径，具有一定的应用局限性。

本发明所用到的名词解释如下：

视距：指在发送端和接收端之间能够相互“看见”的距离内，信号从发送端到接收端的一种方式。

非视距：当发送端的信号在直线传播过程中遇到障碍物阻碍后，信号的传播路径会发生改变，信号会通过反射或折射等传播方式到达接收端。

信道状态信息(Channel State Information，CSI)：通信链路的一种信道属性。它在频域上描述了信号在不同频率上的相应特性。

信道冲击响应(Channel Impulse Response,CIR)：通信链路的一种信道属性。它在时域上描述了信道的冲击相应特性。

发明内容

本发明旨在提供一种基于物理层信息的视距/非视距路径识别方法，避免由离线训练所产生的时间和人力开销，解决在传播路径复杂的室内环境中，分辨视距/非视距路径的问题，以提高定位的精度，达到高精度位置服务质量的目的。

为解决上述技术问题，本发明所采用的技术方案是：一种移动状态下的视距/非视距路径识别方法，其特征在于，包括以下步骤：

1)获取连续W个数据包的CSI数据；

2)对每个CSI数据进行反傅里叶变换，获得对应的信道冲击响应；

3)找出每个信道冲击响应的最高能量值及该最高能量值所对应的到达时间序列；

4)对W个时间序列组成的时间序列集进行标准方差计算，得到方差值STD；

5)根据计算得到的方差值STD，判断所述CSI数据属于LOS环境或NLOS环境；

6)获取新的W1个CSI数据包，将新获取的数据包与原数据中的后面W-W1个数据包合并组成新的数据集合，重复步骤1)～步骤5)。

步骤2)的具体实现过程包括：

1)每个CSI数据表示一个子载波的振幅和相位：

其中，H(f_k)表示表示载波中心频率f_k的CSI信息，||H(f_k)||和∠H(f_k)分别表示H(f_k)的振幅和相位信息；

2)对H(f_k)进行反傅里叶变换，得到H(f_k)的信道冲击响应：

其中，a_i，θ_i和τ_i分别表示第i个路径上的振幅、相位和时延，N指所有路径个数，δ(τ)是delta函数。

步骤5)中，具体判断公式为：

其中，ρ为阈值。

ρ取值范围为1.2～1.8。本发明中，ρ＝1.6。

与现有技术相比，本发明所具有的有益效果为：本发明无需离线采集数据，并且可以避免因为环境的变化而重新进行数据采集所产生的人力代价。此外，该方法还适用于动态环境中，当信号传输路径在视距/非视距之间进行转变时，也能够实时识别传输路径的变化，路径识别平均时延为328毫秒。

附图说明

图1为由视距转向非视距路径其方差值的变化；

图2为由非视距转向视距路径其方差值的变化；

图3为不同数据包与路径识别率之间的关系；

图4为时间对识别率的影响；

图5为当终端移动导致路径状态变化时的识别时延的累积分布。

具体实施方式

(1)获取Wi-Fi的信道状态信息

目前，利用商用网卡Intel 5300可以获得CSI信息。在实验中，我们统一使用装有Intel 5300商用网卡的笔记本和支持IEEE 802.11n标准的无线路由器来采集CSI信息。笔记本上装有合适的操作系统和相关CSI集成工具，当笔记本连接上Wi-Fi热点后，便在终端以每2毫秒的频率向路由器发送ping命令，然后将所接收到的集成数据包信息进行保存。CSI信息中，每个子载波表示传输信号从发送端到接收端的信号状态信息，利用Intel 5300网卡可以获得30个子载波信息。每个CSI表示的是各个子载波的振幅和相位：

其中，H(f_k)表示表示载波中心频率f_k的CSI，||H(f_k)||和∠H(f_k)分别表示其振幅和相位信息。

(2)信道冲击响应

接收端获得的CSI信息属于无线信号的信道频域响应(Channel FrequencyResponse，CFR)，我们通过对信道状态信息进行反傅里叶转换(Inverse FourierTransform，IFT)，可以得到其信道冲击响应(Channel Impulse Response，CIR)：

其中，a_i，θ_i和τ_i分布表示第i个路径上的振幅、相位和时延，N指所有路径个数，δ(τ)是delta函数。

根据CIR得到每个不同时间到达的子载波信号特征后，通过对不同时延到达的信道信息，就可以分析在LOS和NLOS路径下的不同特征信息。

(3)信道特征选择

我们采集较多CSI信息后，对其进行反傅里叶分析时发现了一个很稳定的特征信息，对于某个数据包来说：在LOS路径下，拥有最高能量值的子载波总是会集中出现在某个固定的时间点(例如在我们的实验环境中总是第7、8个时间点到达的时间序列上的能量值最大)，而在NLOS路径下，最高能量值的子载波却表现的很随机(最大能量值可能出现在第3个时间到达点，或者第15、30个时间点)。

由于信号传播路径在室内NLOS环境下受到障碍物的影响，信号传播路径会发生改变，使得每个子载波选择的传送路径与在LOS环境下有所不同，因此相应的到达时间也会与在LOS环境下不一致。根据上图在不同LOS/NLOS路径下，CIR的信号能量分布不同，我们对最高能量值对应的时间序列这一特征进行了详细分析对比。

在室内定位技术的实现中，为了提高定位精度，往往会利用某段时间内的采集的一系列信号信息进行分析。起初，我们对一个CSI数据包的CIR能量分布进行了对比分析，为了证明该特征值的有效性，我们设置在每组实验中采集300个数据包，对该300个数据包的最高能量值所对应的时间序列进行统计。我们发现，在LOS环境下，300个数据包的最高能量值所对应相同时间序列的概率为80％以上，而在NLOS环境下300个最高能量值对应的时间序列却表现的比较分散，每个包的最高能量值到达的时间也更随机。

通过对300个不同环境下的数据包，在不同时间到达的信号能量分布图进行比较可以发现，在LOS路径下，信号传播路径比较稳定，最高能量值出现在同一个时间序列上的比率高达80％，而在NLOS路径下，最高能量值出现的时间序列呈随机状态，在同一时间上的比率较小。为了验证该CIR特征在LOS/NLOS环境下并非偶然，我们接着在不同时间，不同实验地点及不同设备上分别进行了实验。

通过不同时间和地点的实验结果，证明了利用CIR最高能量值的时间序列作为统计特征来识别LOS/NLOS并非偶然。在LOS环境下，因其信号传播路径没有其它障碍物的干扰，多个数据的传送路径相对较稳定；而在NLOS环境下，由于链路间的障碍物对通信信号的干扰，导致信号通过反射、折射等非视距路径传播后，信号到达时间会发生变化，并且相应的信号能量的分布也会因障碍物的出现而不同。因此，我们使用二元假设检验的方法，做出如下假设：

其中，X为测量值，

和

分别为LOS和NLOS环境下X的概率密度函数，并且有P(H₁)＝1-P(H₀)。

上述多次不同环境下的实验数据结果表明，利用CIR最高能量值的时间序列分布概率来识别LOS/NLOS路径具有普适性。

(4)基于滑动窗口的移动状态下LOS/NLOS路径识别算法设计

在LOS/NLOS路径下，数据信号的CIR最高能量值对应的时间序列分布概率不同。当测量数据最高能量值对应的时间序列概率分布服从于LOS环境下的概率密度，那么我们就认为此时为LOS路径，否则，如果测量数据属于NLOS路径下的概率密度分布，则该路径属于NLOS路径。在LOS路径下，最高能量值的概率密度及其相似，主要集中在第7个时间序列上，而NLOS路径下的最高能力值对应的时间概率分布却比较随机。因此，我们难以通过概率分布来判断该测量数据属于LOS/NLOS，于是，我们考虑使用一个标准方差来对这两种分布进行识别。

在NLOS情况下，由于其时间序列集合数据变化较大，对应的标准方差也就越大；当在LOS环境下，由于信号传播路径较稳定，每个数据包的最高能量值所在的时间序列变化范围很小，所以在LOS路径下，最高能量值的时间序列集的标准方差就会比NLOS路径下的较小。根据这个特征，我们设计了一个LOS/NLOS路径识别的算法。

为了在设备移动的情况下动态的识别出LOS/NLOS路径的变化情况，我们提出了一种基于滑动窗口的方法。首先，从采集的第一个数据开始，构建一个包含随后w个数据的窗口，其中w表示窗口的大小。例如，第一个窗口包含第1个数据到第w个数据。我们计算该窗口中的CIR最高能量值对应的位置的方差，并将该方差与前述第(4)步中的阈值ρ进行比较来判断当前是出于LOS还是NLOS状态。然后我们将窗口向前滑动1个数据，即第二个窗口包含第2个到第w+1个数据，并重复前述过程。第i个窗口包含第i个数据到第(i+w-1)个数据。

算法思想：

1.首先获取W个CSI数据构成当前窗口；

2.对每个数据包进行IFFT(反傅里叶转换)获得CIR(信道冲击响应)；共得到W个CIR数据；

3.找出每个CIR中最高能量值及其所对应的到达时间序列；

4.计算窗口中每个CIR中最高能量值对应的时间序列的方差，记为STD

5.根据方差结果，判断数据属于LOS还是NLOS环境。

由于信息在NLoS环境下的随机性，其方差值STD会比LoS环境下的值偏大。因此，通过找到正确的阈值ρ，我们便可以将LoS数据和NLoS数据进行分类：

6.在一个间隔时间ΔT后重新对路径状态进行判断。假设在该时间内获取了W1个新的CSI数据，则将该W1个数据与原来窗口中的后面W-W1个数据组成新的窗口，并重复1-5步进行判断。

我们用实验证明了该方法的有效性。具体实验设置如下。我们将网卡向无线路由器发送命令的频率由原来的2毫秒改为了5毫秒。为了更好的体现视距路径到非视距路径动态环境的变化，我们由一人手持接收端，从发送端所在的房间以0.8米/秒的速度向外走，此时由视距路径转向了非视距路径。每组实验共采集5000个数据，其中，视距路径占2000个，非视距路径采集3000个数据，整组数据采集过程共耗时25秒。相应地，从非视距路径转向视距路径的过程中，首先在非视距路径采集了3000个数据，然后再转向视距路径，同样需要25秒的时间。

我们对动态环境下的处理方法是，首先对5000个数据包进行离散分离，以每95个数据包为单位作为一个时间分离点，并且每隔一位向后进行窗口滑动。我们利用以上根据CIR最高能量值的时间序列集的标准方差方法对每个时间点的信息进行处理，并用上述讨论过的最佳阈值进行不同路径判断。

根据我们实验环境的设置，视距路径采集了2000个数据包，再转向非视距路径继续采集数据。首先对2000个数据包进行分离，分布计算在每个时间点上数据的方差值，根据我们环境的设置，在识别正确的情况下，实验结果应在第1406个时间点时显示路径将由视距转到非视距。从图1可以看出，根据之前利用最高能量值的时间序列集的标准方差，在不同的LoS或NLoS路径上，其方差会存在比较大的波动，在非视距路径上的方差值明显比视距路径上的值大，虽然有一定的延时，但基本能够从其方差值大小的变化初步判断路径环境的变化。

为了充分证明该方法适用于动态环境，我们在由非视距路径转向视距路径的环境下进行了相应实验。在前3000个数据包为非视距路径数据时，方差值的趋势会比视距路径上的值大。由于我们的数据均是在一段连续的时间内所采集，为了能够分析在一段时间内路径的实时变化，我们将3000个数据包进行时间分离，每95个数据包被当做是一个时间点的数据，那么，可产生2906个时间点，也就是说，数据将由2907个时间点开始，转向LoS路径。路径实时判断结果如图2所示，在第1000个时间点的方差值对应于LoS路径范围，我们认为这是由噪音导致。因此，我们会从方差值的整体趋势来判断路径环境的变化。

通过以上对LoS转向NLoS路径，以及从NLoS转向LoS路径的动态环境变化的结果分析可以看出，本文提出的算法不仅可以实现静态环境下室内LoS/NLoS路径的识别，在LoS路径与NLoS路径之间变化的环境下，仍然可以使用，并且该算法不需要目标对象携带任何特定设备来获得额外数据，来辅助算法的实现。

我们在实际环境中采集数据时，将数据发送频率设为2毫秒，将数据包采集个数设为300。我们采取大量CSI数据后，利用Matlab对数据进行了处理，并对基于物理层信息的视距/非视距路径识别方法进行了性能评估。

(1)不同数据包的个数对识别率的影响

当每组实验采集的数据个数越多时，其表示的路径状态则越准确，相应地，算法对视距路径的识别结果也就越准确。考虑在实际应用中，视距路径识别率的要求越高则其应用效果越理想。特别是在高要求的环境需求中，需要较理想的路径识别率，因此，我们将实验采集数据包的个数在300的情况下继续增加，并分析该算法的路径识别准确率是否也会随着数据包数量的增加而上升。

很显然，图3说明了不同数据包个数对视距识别率是有影响的，数据包个数越多，其识别率也就越高。当数据包个数为50时，LoS/NLoS识别率分别为90.1％和88.8％，将数据包个数增加到300时，识别率也分别提高到了94％和92.7％，基本上已经达到LiFi算法的水平。为了能够更好的与LiFi算法相比较，我们将数据包的个数设为和LiFi算法的数据包个数同为2000时，本算法的正确率可达97.5和94.3％，相比LiFi算法90％和93.09％的正确率，本算法在识别率上占有优势。

(2)算法实时性能的评估

而我们在数据采集过程中，获取数据的频率为2毫秒，所以对50个数据，我们只需耗费100毫秒的时间来获取数据，识别率为90％。相比之下，LiFi达到相同的精度却要耗费4秒的数据采集时间。从实时性能来看，我们的算法比LiFi算法更强。本算法在对100毫秒的采集时间下，可以达到90.1％的识别率，如图4所示，该正确率在某种程度上已经在可接受范围内，特别是在实时性要求较高却对精度没有特别强调的应用中，本算法具有一定优越性。

当系统对正确率要求较高时，可以在数据采集阶段适当增加数据个数，可以达到提高识别精度。实验证明，在对300个数据进行处理时，达到94％的识别率只需耗时600毫秒，相比LiFi算法实时性强，效率高。当对数据包的个数增加到2000时，此时需要消耗4000毫秒的采集时间，视距识别率可高达97.5％，在识别率方面远远超过了LiFi路径识别算法。

我们将实验结果与最新的LiFi算法进行了比较。LiFi算法提出了基于信道状态信息特征统计的方法来实现室内视距路径识别。该方法主要思想是利用接收端的移动来增加信号非视距传播路径的信号随机性，它根据信号的偏度和峰度来作为信号特征，根据其分布来区分视距/非视距路径。当数据量较少时，在不同路径上的偏度和峰值表现并不明显，因此，LiFi算法需要较多的数据量来证明其在视距和非视距路径上的不同表象，那么在数据采集方面就会耗费较多的时间。并且，该算法的实现需要保证接收端在接收数据时一直处于运动状态，因此，LiFi算法在其应用方面具有一定的局限性。

通过实验结果比较，LiFi算法在对50个数据包处理时，视距和非视距的准确率分别为77.5％和82.5％，当数据个数增加到2000时，其准确率可提升至90％和93.09％。而我们的算法在对50个数据包进行处理时，视距/非视距的识别率可达94.6％和93％，对2000个数据包进行处理时，识别率可达97.5％和94.3％。并且由此可以看出，本算法在实时性方面比LiFi算法更加优势。

(3)移动中的实时性评估

图5给出了当终端移动导致路径状态变化时，我们所提出的方法的识别时延的累积分布情况。可以看出，在LOS/NLOS路径发生变化的环境下，利用本算法可以监测路径状态的变化。根据以上多次实验结果的平均时延可知，当平均时延为235毫秒时，路径识别率可到95％。本算法通过对LOS/NLOS路径的判断，对某一路径上的数据完全识别的平均延迟时间为328毫秒。因此，我们相信该算法完全可以适用于动态环境下的LOS/NLOS路径的实时监测，并且，通过对算法的改进，将会比已有的路径识别算法具有更好的性能。

参考文献：

[1]Chen P C.A Non-Line-Of-Sight Error Mitigation Algorithm InLocation Estimation[C]//Wireless Communications and NETWORKING Conference,1999.WCNC.IEEE Xplore,1999:316-320vol.1.

[2]Wang X,Wang Z,O'Dea B.A TOA-based location algorithm reducing theerrors due to non-line-of-sight(NLoS)propagation[J].IEEE Transactions onVehicular Technology,2003,52(1):112-116.

[3]Cong L,Zhuang W.Non-line-of-sight error mitigation in TDOA mobilelocation[C]//Global Telecommunications Conference,2001.GLOBECOM'01.IEEE.IEEE,2001,1:680-684.

[4]Yu K,Dutkiewicz E.Improved kalman filtering algorithms for mobiletracking in NLoS scenarios[C]//Wireless Communications and NetworkingConference(WCNC),2012 IEEE.IEEE,2012:2390-2394.

[5]Zhang J,Salmi J,Lohan E S.Analysis of kurtosis-based LoS/NLoSidentification using indoor MIMO channel measurement[J].IEEE transactions onvehicular technology,2013,62(6):2871-2874.

[6]Wylie M P,Holtzman J.The non-line of sight problem in mobilelocation estimation[C]//IEEE International Conference on Universal PersonalCommunications.IEEE Xplore,1996:827-831 vol.2.

[7]Xiao Z,Wen H,Markham A,et al.Non-line-of-sight identification andmitigation using received signal strength[J].IEEE Transactions on WirelessCommunications,2015,14(3):1689-1702.

[8]Wu C,Yang Z,Zhou Z,et al.PhaseU:Real-time LoS identification withWiFi[C]//2015 IEEE Conference on Computer Communications(INFOCOM).IEEE,2015:2038-2046.

[9]Zhou Z,Yang Z,Wu C,et al.WiFi-Based Indoor Line-of-SightIdentification[J].IEEE Transactions on Wireless Communications,2015,14(11):6125-6136.

[10]Zhou Z,Yang Z,Wu C,et al.Lifi:Line-of-sight identification withwifi[C]//IEEE INFOCOM 2014-IEEE Conference on Computer Communications.IEEE,2014:2688-2696.

Claims (5)

1.一种移动状态下的视距/非视距路径识别方法，其特征在于，包括以下步骤：

1)获取连续W个数据包的CSI数据；

2)对每个CSI数据进行反傅里叶变换，获得对应的信道冲击响应；

3)找出每个信道冲击响应的最高能量值及该最高能量值所对应的到达时间序列；

4)对W个时间序列组成的时间序列集进行标准方差计算，得到方差值STD；

5)根据计算得到的方差值STD，判断所述CSI数据属于LOS环境或NLOS环境；

6)获取新的W1个CSI数据包，将新获取的数据包与原数据中的后面W-W1个数据包合并组成新的数据集合，重复步骤1)～步骤5)。

2.根据权利要求1所述移动状态下的视距/非视距路径识别方法，其特征在于，步骤2)的具体实现过程包括：

1)每个CSI数据表示一个子载波的振幅和相位：

其中，H(f_k)表示载波中心频率f_k的CSI信息，||H(f_k)||和∠H(f_k)分别表示H(f_k)的振幅和相位信息；

2)对H(f_k)进行反傅里叶变换，得到H(f_k)的信道冲击响应：

其中，a_i，θ_i和τ_i分别表示第i个路径上的振幅、相位和时延，N指所有路径个数，δ(τ)是delta函数。

3.根据权利要求1所述移动状态下的视距/非视距路径识别方法，其特征在于，步骤5)中，具体判断公式为：

其中，ρ为阈值。

4.根据权利要求3所述移动状态下的视距/非视距路径识别方法，其特征在于，ρ取值范围为1.2～1.8。

5.根据权利要求4所述移动状态下的视距/非视距路径识别方法，其特征在于，ρ＝1.6。

Images