CN109327797A - 基于WiFi网络信号的移动机器人室内定位系统 - Google Patents

Abstract

本发明公开了一种基于WiFi网络信号的移动机器人室内定位系统，该系统包括移动机器人控制平台和上位机，其中通过移动机器人控制平台可以实现数据采集以及移动机器人实时定位时的数据交互，而上位机安装的定位软件，则可以对采集到的WiFi信号强度的数据使用RPCA‑ELM算法进行处理，实现移动机器人的室内定位，其定位速度、精度和稳定性较高且不需要其它传感器的辅助，大大降低了开发成本，具有很高的可移植性，另外，系统安装简便，维护方便，可长时间运作，还可以通过上位机来控制移动机器人的运动。

Description

基于WiFi网络信号的移动机器人室内定位系统

技术领域

本发明涉及一种基于WiFi网络信号的移动机器人室内定位系统。

背景技术

目前，全球定位系统(Global Positioning System，GPS)技术在大多数室外环境下已经可以实现精确的定位，同时在交通、测绘、军事等领域得到了广泛的应用。然而，由于GPS 卫星信号无法穿透建筑，卫星定位导航技术无法满足人们对室内定位的需求。

为了解决室内特殊环境的定位问题，必须研究相对应的室内定位技术。与已成熟的室外 GPS技术相比，室内定位技术还处于起步阶段。然而，室内定位技术具有很大的应用前景，主要应用领域包括室内导航、位置服务、监控以及智能室内空间等。

近年来，国内外大学及科研机构对室内定位技术展开了深入的研究，提出UWB、红外射频、Zigbee、蓝牙等室内定位技术。然而，上述室内定位技术均需要安装额外的基础设施。基于WiFi的室内定位由于只利用室内环境中普遍存在的网络基础设施和移动终端，且能实时地提供较精确的室内位置信息，因此得到了广泛关注。

按照定位原理划分，基于WiFi的室内定位技术可以分成两大类：基于传播模型(model-based)的定位和基于指纹(fingerprint-based)的定位。根据测量方式不同，WiFi室内定位技术可以分成基于测距(range-based)和无需测距(range-free)两大类。

其中，基于传播模型的定位方法虽然实现简单，也无需依靠专业设备就能计算出距离，但是由于传播模型无法全面准确的描述室内环境，导致定位精度不高。

在基于测距的定位技术中，根据获取节点间距离或角度等特征参数的方式不同可分为：基于信号到达时间(Time of Arrival，TOA)的定位，基于信号到达时间差(TimeDifference on Arrival，TDOA)的定位，基于信号到达角度(Angle of Arrival，AOA)的定位和基于接收信号强度(Received Signal Strength Indicator，RSSI)的定位。

由于TOA、TDOA、AOA这几种方法要求有专门的设备，在实现室内WiFi定位时还需要添加额外设备，投入成本比较大，一般多应用于室外卫星定位系统中。

无需测距的定位技术分为两大类：基于匹配的定位和基于通信跳数的定位。基于匹配的定位首先对监测区域内的参考位置进行采样，建立位置与特征参数数据库，进行节点定位时，将测量到的特征参数与数据库进行对比，获得当前目标节点的信息。基于通信跳数的定位则是通过计算目标节点与信标节点间的最小跳数及跳段距离进行定位估计，DV-Hop算法被公认为其中的最经典算法，目前大多数研究集中在如何改进DV-Hop算法。其改进主要包括三个方面：改进节点拓扑结构、改进跳段间距离计算方法和一些混合改进方法。

移动机器人能减少人对危险环境和危害性任务的直接参与，在军事侦察、反恐、防爆、防核化及污染等领域有着广阔的应用前景。

如果将室内定位系统在移动机器人进行应用的话，就需要一个频率高、移植性好的设备。而且不仅要对无线信号进行采集，还要可以控制机器人的移动。目前，国内外许多研究工作中将同步定位与地图构建(SLAM)运用在机器人的自主导航和定位中。

其中运用了视觉、激光、里程计等大量的传感器做辅助，目的是实现在陌生的环境中定位和构建地图。这样做的优点是可以在未知环境中定位，并且通过各种传感器的协同运作使得定位精度比较高，然而使用单目视觉SLAM虽然简单，价格低，却可靠性差。

使用双目视觉SLAM虽然解决了单目的缺点，但是，整个系统的成本很高，设计非常复杂，受到一定的距离限制，由于需要的计算量庞大，很难做到实时定位，灵活性不高。

发明内容

本发明的目的在于提出一种基于WiFi网络信号的移动机器人室内定位系统，以便在室内环境中已有的网络基础设施条件下，为移动机器人实时地提供较精确的室内位置信息。

本发明为了实现上述目的，采用如下技术方案：

基于WiFi网络信号的移动机器人室内定位系统，包括：

位于室内的移动机器人控制平台以及上位机；其中：

移动机器人控制平台与上位机通过在室内多个WiFi网络设备之间组建的无线网络通信；

移动机器人控制平台，被配置为用于实时采集室内各个WiFi网络设备的WiFi信号强度的数据，并将采集的数据通过无线网卡发送至上位机；

上位机，被配置为用于接收移动机器人控制平台发送的数据，并利用定位软件对接收到的数据进行处理，实时显示移动机器人在室内的位置，同时控制移动机器人的移动。

优选地，定位软件中的定位算法采用基于指纹的室内定位算法。

优选地，定位软件是基于QT编译环境开发的。

优选地，定位软件具有用于显示室内场地、移动机器人实时位置坐标、移动机器人运行信息、WiFi信号强度的数据以及采集信息的上位机监控界面。

优选地，移动机器人控制平台包括主控单元、电机控制板和电机驱动板；其中：

主控单元配置有用于向上位机发送WiFi信号强度的数据的无线网卡；

主控单元、电机控制板以及电机驱动板依次连接，共同控制移动机器人的运动。

优选地，移动机器人控制平台包括向主控单元、电机控制板和电机驱动板供电的电池。

优选地，主控单元采用CORTEX-A8系列开发板gec210。

优选地，电机控制板采用STM32F103ZET6开发板。

优选地，电机驱动板采用L298N电机驱动板。

优选地，利用所述定位软件对移动机器人进行室内定位的过程如下：

设定室内WiFi网络设备的数量为N个；

在离线/训练阶段，采集参考点处WiFi信号强度及其对应的位置信息，大量的数据形成训练数据集，先用RPCA把训练数据X进行处理，分出数据集里的有效数据A和稀疏噪声矩阵E，把稀疏噪声矩阵E去掉，保留有效数据；RPCA实际上是求松弛的凸优化问题：

其中，||A||_*表示矩阵A的核范数；

λ是正加权参数；||E||₁表示矩阵E的绝对值之和；

下面是求解A和E的过程，为了求解这个优化问题，使用增广拉格郎日乘子方法：

首先给上述公式加上惩罚项：

其中，μ是一个正标量，||X-A-E||_F是X-A-E的Frobenius范数；

构造增广拉格朗日函数：

其中，Y是拉格朗日乘子，初始化需要用到的参数；

<Y,X-A-E>表示Y和X-A-E的内积；

初始化Y,μ₀＞0,k＝0；

μ₀是μ初始时刻的值，k是定义的循环初始值；

采用交替方向法求解：

其中，A_k+1是低秩矩阵A的第k+1项，E_k+1是稀疏噪声矩阵E的第k+1项，Y_k是Y的第 k项，μ_k是μ的第k项，分别为X的第1/μ_k、λ/μ_k项；

是指使得函数L()取得其最小值的所有自变量A的集合；

是指使得函数L()取得其最小值的所有自变量E的集合；

然后分别将有效数据A的后N列强度信号数据作为训练输入，前两列坐标数据作为位置坐标输出，构建ELM模型为在线定位做准备；离线训练过程如下：

有效数据A的后N列r_i＝(r_i,1,r_i,2,...,r_i,N)及其对应的空间位置前两列f_L＝{l₁,l₂,...,l_M}作为训练输入和目标输出，i＝1,2,...,M，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重w_i和隐藏层神经元偏置b_i；

则该网络可由如下数学模型表示：

该公式为RPCA-ELM模型公式，用矩阵形式表示为：

Hβ＝L；

其中，

求解方程得到输出权重估计

其中，为H的Moore-Penrose广义逆矩阵；

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计即可完成对RPCA-ELM模型的训练；

在线定位阶段，移动机器人接收来自WiFi网络设备的指纹信号，将其输入到构建好的ELM模型中，即可输出移动机器人位置估计，具体过程如下：

实时采集移动机器人接收到的来自N个WiFi网络设备的信号强度矢量r_o，将r_o输入到已训练好的RPCA-ELM模型中，得移动机器人的坐标估计

本发明具有如下优点：

本发明设计开发了移动机器人控制平台，提出鲁棒主成分分析超限学习机(RPCA-ELM) 算法，通过与上位机交互的方式实现实时定位。与传统机器人定位系统不同，该定位系统仅需WiFi网络设备即可完成移动机器人室内定位，硬件部署简单，系统成本大幅降低。

附图说明

图1为本发明实施例中基于WiFi网络信号的移动机器人室内定位系统的结构框图；

图2为本发明实施例中移动机器人控制平台的结构框图；

图3为本发明实施例中上位机监控界面显示示意图；

图4为本发明实施例中指纹定位流程图；

图5为本发明实施例中SLFN网络结构示意图；

图6为本发明实施例中测试中路由器、离线训练点与在线测试点的部署示意图；

图7为本发明实施例中核函数与神经元个数变化时的定位精度示意图；

图8为本发明实施例中移动机器人控制平台采集的WiFi信号强度和位置坐标的示意图；

图9为现有定位算法与本发明RPCA-ELM定位算法定位误差比较示意图；

图10为现有定位算法与本发明RPCA-ELM定位算法累积误差分布图；

图11为本发明实施例中定位点的地图显示示意图。

其中，1-移动机器人控制平台，2-上位机，3-WiFi网络设备，4-主控单元，5-电机控制板， 6-电机驱动板，7-移动机器人，8-电池，9-降压板，10-无线网卡。

具体实施方式

本发明的基本思想是：

设计了移动机器人控制平台与上位机，其中，通过移动机器人控制平台可以实现数据采集以及移动机器人实时定位时的数据交互，而上位机安装的定位软件，则可以对采集到的WiFi 信号强度的数据进行处理，从而实现移动机器人的室内定位，其速度和稳定性较高且不需要其它传感器的辅助，大大降低了开发成本，具有很高的可移植性，另外，整个系统安装简便，维护方便，可长时间运作。同时还可以通过上位机来控制移动机器人的运动。

下面结合附图以及具体实施方式对本发明作进一步详细说明：

如图1所示，在硬件方面，基于WiFi网络信号的移动机器人室内定位系统，包括位于室内的移动机器人控制平台1以及上位机2。其中：

上位机2例如可以采用支持无线上网功能的台式电脑、笔记本电脑等等。

在室内布置有多个WiFi网络设备3，并且在他们之间形成有无线网络。

常见的WiFi网络设备有无线AP、无线路由器等等。

移动机器人控制平台1与上位机2通过上述无线网络(WiFi)进行通信，从而交换数据。

上述无线网络支持IEEE802.11b标准，传输速率高，达到11mbps，有效距离比较长，同时与802.11的设备兼容。数据交互运用了TCP/IP协议为传输数据的规则，通过WiFi来实现，它处于较高的层级，TCP/IP在发送和接收数据时会调用底层(WiFi的物理层)来具体实现。

通过图1可以看出，移动机器人控制平台1，被配置为用于实时采集室内各个WiFi网络设备3的WiFi信号强度的数据，并将采集的数据通过无线网卡10发送至上位机2。

上位机2，被配置为用于接收移动机器人控制平台发送的数据，并利用定位软件对接收到的数据进行处理，实时显示移动机器人在室内的位置，同时控制移动机器人的移动。

经过移动机器人控制平台1与上位机2的快速准确的配合，移动机器人7可以快速应对复杂的地面环境，准确到达指定目标点，实现室内定位的功能。

如图2所示，本发明中的移动机器人控制平台1主要由以下六个部分组成，包括主控单元4、电机控制板5、电机驱动板6、电池8、降压板9和移动机器人7。

其中，主控单元4配置有上述用于向上位机发送WiFi信号强度的数据的无线网卡10。

本实施例中的主控单元4例如可以采用高性能CORTEX-A8开发板gec210来进行数据采集以及实时定位时的数据交互。高性能CORTEX-A8开发板gec210通过无线网卡10采集数据的有效频率最高为一秒四次，可以很好的提高整体定位系统的稳定性。

该高性能CORTEX-A8开发板gec210作为主控模块4，负责接收上位机2发送的数据，以及通过无线网卡来实时收集WiFi信号强度的数据发送给上位机2。

而本实施例中的电机控制板5采用STM32F103ZET6开发板。电机控制板5与主控单元 4连接，此外，电机控制板5还与电机驱动板6连接。电机控制板5用于接收主控模块4发送来的信号，经过解包处理后，与电机驱动板5配合来控制机器7人的移动.

优选地，本实施例中的电机驱动板6采用L298N电机驱动板。

电池8用于向主控单元4、电机控制板5和电机驱动板6供电，电池8例如采用12V锂电池。由于高性能CORTEX-A8开发板gec210和STM32F103ZET6开发板的额定电压不同，所以使用了一个降压板9将电压降到5V分别给高性能CORTEX-A8开发板gec210和STM32F103ZET6开发板供电，而电机驱动板6则直接与12V的锂电池相连。

在软件层面，本实施例中定位软件中的定位算法采用基于指纹的室内定位算法。常见的室内定位算法包括KNN、OS-ELM、BYS、K-ELM和经典ELM算法等。

通过上述室内定位算法可以配合硬件结构实现WiFi网络信号的移动机器人室内定位。

本实施例中的定位软件是基于QT编译环境开发的，具有良好的可移植性，以及运作速度快，可以做成界面的形式。同时，可以调用MATLAB的程序来处理采集的WiFi数据。

此外，在上位机2上还具有上位机监控界面，用于显示处理后的定位结果。同时，上位机2也可以通过监控界面来控制机器人7的移动。基于移植Linux内核ARM开发板建立的室内WiFi定位系统的QT上位机界面可以实现对机器人移动的全面监控，不需要摄像头的辅助。同时还可以直接与开发板建立通信，接收开发板采集的WiFi数据。

如图3所示，QT环境中编写定位系统的上位机监控界面，里面含有实验场地的地图，移动机器人位置的实时坐标显示，控制台窗口，设定机器人速度和转弯的差速角度，以及在采集WiFi数据的时候设定采集的坐标点和采集次数，还能实时显示把八个路由器的信号强度。

其中，change按钮是可以改变地图框内的坐标，方便随时根据地图的大小进行调整。robot 按钮相当于开始按钮，当点击robot按钮时，系统开始定位。Single Level表示的是下面不同路由器对应的信号强度的数值。send按钮点击可以发送其左边文本框里面的指令。

为了进一步提高移动机器人的室内定位精度和速度，本实施例还提出了一种不同于上述几种算法的RPCA-ELM室内定位算法，其速度和稳定性较高且不需要其它传感器的辅助。

下面对利用上述RPCA-ELM室内定位算法实现移动机器人定位的具体过程进行描述：

在本实施例中，使用信号强度作为位置的指纹特征。指纹定位法在定位过程中分为两个阶段：“离线/训练”和“在线/定位”，定位流程图如图4所示。

在图4中，L表示位置坐标，RSS表示信号接收强度数据，AP1表示无线AP。

在离线/训练阶段

指纹定位在离线/训练阶段主要采集定位区域内采样点位置对应的接收信号特征，构建由采样点坐标与其对应的接收信号特征组成的指纹数据库。

在线/定位阶段

移动机器人在某一位置处接收到周围AP接入点的实时信号特征矢量，可应用匹配算法对此RSS矢量与位置指纹库中的指纹进行匹配，找到匹配指纹后则认为位置指纹库中与该指纹对应的位置为当前移动机器人的位置。当然，也可以采用机器学习算法计算当前移动机器人的位置，其中，离线阶段学习位置指纹库中位置与指纹之间的关系函数，在线阶段将收到的实时信号指纹输入到关系函数中对移动机器人的位置坐标做出预测。

超限学习机(Extreme Learning Machine)ELM，是2004年由新加坡南洋理工大学黄广斌提出来的一种求解单隐层神经网络(Single-hidden Layer FeedforwardNetworks,SLFNs)的算法。传统的神经网络算法(如BP神经网络)在训练过程中需要人为设置大量的训练参数，且容易陷入局部最优。ELM可以随时初始化输入权重和偏置，主线一台设置隐藏层节点个数，且拥有唯一最优解，因此，ELM与传统的神经网络相比，在保证学习精度的前提下比传统的神经网络算法速度更快，更适用与实际应用中的室内定位。

单隐藏层前馈神经网络是前馈神经网络的一种常用模型，其训练过程就是不断逼近训练样本最优的过程，ELM是求解单隐藏层神经网络的一种极快算法，其网络结构如图5所示。

假设存在M个任意独立的样本(x_i,t_i)

其中x_i＝[x_i,1,x_i,2,...,x_i,n]^T∈Rⁿ，t_i＝[t_i,1,t_i,2,...,t_i,m]^T∈R^m。

对于一个有个隐层节点的单隐层神经网络可被描述为：

其中，h(x)为激活函数；

w_i＝[w_i,1,w_i,2,...,w_i,M]^T为输入神经元与第i个隐含层神经元间的连接权重矩阵；

β_i＝[β_i,1,β_i,2,...,β_i,M]^T表示第i个隐藏层神经元与输出神经元之间的权重矩阵；

b_i为第i个隐藏层神经元的偏置；

o_j表示相应的输出向量；

w_i·x_j表示w_i与x_j的内积。

SLFN学习的目标是可以零误差逼近样本输出，即：

存在β_i、w_i及b_i满足：

简写为如下矩阵方程：

Hβ＝T (4)

其中，H为隐藏层输出：

其中，为输出权重，为期望输出。

为训练单层神经网络零误差逼近样本输出，需找到及满足：

等价于最小化损失函数：

可采用梯度下降法来求得最优解，梯度下降法是通过不断迭代来实现的。

参数w的迭代过程如下所示：

其中，η为学习率。

基于梯度下降法的典型代表为BP神经网络学习算法，BP算法可通过输出输入的反向传播，高效地进行梯度学习，因此被广泛地应用于前馈神经网络学习中。

但是BP神经网络学习算法也存在诸多缺陷：

学习率很难选择，学习率较小时迭代过程的收敛速度非常缓慢，较大则可能导致算法不稳定无法收敛；算法容易陷入局部最优，出现过度训练，十分消耗时间。

ELM算法可有效解决上述单隐藏层神经网络学习算法的缺陷。

不同于传统的SLFN学习算法，在ELM算法中，不需调整网络的输入权重w_i和隐藏层偏置b_i，隐藏层输出矩阵H在输入参数随机确定时也被确定。

算法开始时，随机给定输入层与隐藏层间的权重w_i，隐藏层偏置b_i。

则式(6)关于的最小二乘解为：

可推导出：

其中，为H的Moore-Penrose广义逆矩阵。

黄广斌教授证明只要激活函数h(x)可微，则在随机给定输入层与隐藏层直接的连接权重w_i和隐藏层节点偏置b_i后不需更新，就可由式(10)得到β唯一的最小二乘解。

基于ELM的指纹定位算法将定位问题视为一个回归问题。

在离线/训练阶段，采集参考点处WiFi指纹信号及其对应的位置信息，分别将其作为训练输入及输出，构建ELM模型为在线定位做准备。

在线定位阶段，移动终端接收来自AP热点的指纹信号，将其输入到构建好的ELM模型中，即可输出移动终端位置估计。

如公式(11)所示，为Robust PCA等价的优化问题，与经典描述的PCA相同，RobustPCA 在实质上也是求解数据在低维空间上的最佳投影问题。

对于低秩数据观测矩阵X，假如X受到随机(稀疏)噪声的影响，则X的低秩性就会破坏，使X变成满秩的。所以就需要将X分解成包含其真实结构的低秩矩阵A和稀疏噪声矩阵 E之和。找到了低秩矩阵，实际上就找到了数据的本质低维空间。PCA假设数据的噪声是高斯的，对于大的噪声或者严重的离群点，PCA会被它影响，导致无法正常工作。而Robust PCA则不存在这个假设。它只是假设它的噪声是稀疏的，而不管噪声的强弱如何。

如图8所示，在实验环境下，采集WiFi信号强度(RSS)和位置点作为训练数据，如图8所示为数据的一部分。以第一行为例子，前两个数为(x,y)的坐标值，这个是自己设定的，第三个数开始到最后为8个路由器的WiFi信号强度。

其中，||E||₀为E的0范数，s.t(subject to)表示约束条件。

由于rank和L0范数在优化上存在非凸和非光滑特性，所以我们一般将它转换成求解以下一个松弛的凸优化问题：

其中，||A||_*表示矩阵A的核范数(即奇异值之和)；||E||₁表示矩阵E的绝对值之和；λ是正加权参数。为了求解这个优化问题，使用ALM(增广拉格郎日乘子)方法：

首先给式(12)加上惩罚项：

其中，μ是一个正标量，||X-A-E||_F是X-A-E的Frobenius范数。

构造增广拉格朗日函数：

其中，Y是拉格朗日乘子，初始化需要用到的参数；

<Y,X-A-E>表示Y和X-A-E的内积；

初始化Y,μ₀＞0，k＝0；

μ₀是μ初始时刻的值，k是定义的循环初始值；

采用交替方向法求解：

其中，A_k+1是低秩矩阵A的第k+1项，E_k+1是稀疏噪声矩阵E的第k+1项，Y_k是Y的第 k项，μ_k是μ的第k项，分别为X的第1/μ_k、λ/μ_k项；

是指使得函数L()取得其最小值的所有自变量A的集合。

是指使得函数L()取得其最小值的所有自变量E的集合。

考虑到经典ELM算法随机给定输入权重和隐藏层偏置可能导致输出结果的不稳定，同时在传统ELM的基础上，仿照SVM的学习原理，加入核函数形成Kernel-ELM算法。

Kernel-ELM相比于SVM，具有更好的泛化能力。但是Kernel-ELM的计算量普通计算机完成不了，需要服务器来进行计算，而且训练阶段耗时长。

为此，发明人提出RPCA-ELM算法。根据优化理论将RPCA算法式(11)改写为式(12)。根据ALM方法，求解可得A和E如式(15)、(16)。

如图8所示，将式(1)中x_j用E后8列r_j代替，o_j用E前两列l_j代替，最终得到下式：

基于上述介绍，下面具体说明利用RPCA-ELM算法实现移动机器人定位的过程：

设定室内WiFi网络设备的数量为N个，例如布置八个AP热点。

在离线/训练阶段，采集参考点处WiFi信号强度及其对应的位置信息，大量的数据形成训练数据集。先用RPCA把训练数据X进行处理，分出数据集里的有效数据A和噪声数据E，把噪声数据E去掉，只用有效数据。RPCA实际上是求松弛的凸优化问题：

其中，||A||_*表示矩阵A的核范数(即奇异值之和)；

||E||₁表示矩阵E的绝对值之和；λ是正加权参数。

下面是求解A和E的过程：

为了求解这个优化问题，在这里使用ALM(增广拉格郎日乘子)方法：

首先给上述公式加上惩罚项：

其中，μ是一个正标量，||X-A-E||_F是X-A-E的Frobenius范数。

构造增广拉格朗日函数：

其中，Y是拉格朗日乘子，初始化需要用到的参数；

<Y,X-A-E>表示Y和X-A-E的内积；

初始化Y,μ₀＞0,k＝0；

μ₀是μ初始时刻的值，k是定义的循环初始值；

采用交替方向法求解：

其中，A_k+1是低秩矩阵A的第k+1项，E_k+1是稀疏噪声矩阵E的第k+1项。Y_k是Y的第 k项，μ_k是μ的第k项。分别为X的第1/μ_k、λ/μ_k项。

是指使得函数L()取得其最小值的所有自变量A的集合。

是指使得函数L()取得其最小值的所有自变量E的集合。

然后分别将有效数据A的后N列信号强度数据作为训练输入，前两列坐标数据作为位置坐标输出，构建ELM模型为在线定位做准备。离线训练过程如下：

有效数据A的后N列r_i＝(r_i,1,r_i,2,...,r_i,N)及其对应的空间位置前两列f_L＝{l₁,l₂,...,l_M}作为训练输入和目标输出，i＝1,2,...,M，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重w_i和隐藏层神经元偏置b_i。

则该网络可由如下数学模型表示：

该公式为RPCA-ELM模型公式。用矩阵形式表示为：

Hβ＝L。

其中，

求解方程得到输出权重估计

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计即可完成对RPCA-ELM模型的训练。

在线定位阶段，移动机器人接收来自AP热点的指纹信号，将其输入到构建好的ELM模型中，即可输出移动终端位置估计，具体过程如下：

实时采集移动机器人接收到的来自N个WiFi网络设备的信号强度矢量r_o，将r_o输入到已训练好的RPCA-ELM模型中，得移动机器人的坐标估计

其中，r_o＝(r_o,1,r_o,2,...,r_o,N)。

由于RSSI信号容易受到室内环境、无线信号干扰，采集到的RSSI信号含有噪声误差。为减少噪声对定位结果的影响，采用Kalman滤波对采集到的训练和测试数据进行预处理，消除非视距误差等因素造成的不稳定、非正常数据，然后再应用RPCA-ELM训练和预测。

本发明还对RPCA-ELM算法与现有算法在移动机器人定位时的各个指标进行了对比。

定位测试在山东科技大学机器人中心工业机器人实验室中进行，平面图如图6所示：

区域大小为32m×16m，其中圆点表示离线训练参考点的位置，共107个；三角形点标记测试点的位置，共30个；8个黑色信号发射标志代表无线接入点的位置。AP设备的型号为 TP-Link WDR6500，所有AP安装于距地1.2m的高度。

在采集数据时，每一位置点采集500组RSSI矢量数据，每次扫描间隔设定为250ms，利用CORTEX-A8开发板gec210性能上的优势，可以在1s的时间内扫描4次周围的WiFi信号强度数据，然后将扫描到的信号强度数据发送给上位机，上位机会截取系统设定好的8个路由器的信号强度。在107个训练数据点共采集到53500组位置指纹数据，将其作为训练数据库，在30个测试数据点共采集到15000组位置指纹数据，将其作为测试数据库。

由于环境对RSSI有较大影响，因此，对离线数据的采集分五个时间段进行，对离线数据进行预处理后在上位机训练RPCA-ELM位置预测模型。在线定位阶段，上位机对测试数据进行预处理后输入已训练好的RPCA-ELM位置预测模型，输出位置估计结果，并将位置估计发送给移动设备，用户即可获取移动机器人的位置。

基于对ELM算法的描述可知，激活函数与隐藏层神经元个数作为ELM模型中重要的参数，对离线训练时构建ELM预测模型的准确性有较大影响。

ELM激活函数的选择：离线训练阶段，通过采集到的53500组参考点离线数据，我们对 ELM模型中常用的三种激活函数：sin函数、sig函数与hard-limit函数，在不同神经元个数下的训练定位误差均值进行对比分析。实验结果如图7所示，hard-limit函数的训练精度明显高于sin函数与sig函数。因此，在本发明中选取hard-limit函数为激活函数。hard-limit函数的定位误差曲线显示，随着隐藏层神经元个数的增加，训练精度有所提高，当神经元个数达到700之后，定位精度趋于稳定。据此，ELM模型中隐藏层神经元个数设置为700。

为验证基于RPCA-ELM的定位系统的定位性能，本文采用传统的KNN、OS-ELM、BYS、K-ELM和经典ELM算法进行对比实验，比较上述算法与RPCA-ELM在定位系统中的性能。

为评估实验测试结果，使用评价指标：均方根误差(RMSE)、标准差(STD)：

其中，s为总测试样本数。

在本实验中，有30个测试点，每个测试点处采集500个数据，因此s为15000。

图9分别给出了各算法的定位误差的统计直方图，对比误差统计直方图可知，RPCA-ELM 算法的定位误差最小，且分布较集中，稳定度较高。其中，图9(a)为ELM算法的定位误差 的统计直方图；图9(b)为KNN算法的定位误差的统计直方图；图9(c)为BYS算法的定位误 差的统计直方图；图9(d)为OS-ELM算法的定位误差的统计直方图；图9(e)为K-ELM算法 的定位误差的统计直方图；图9(f)为RPCA-ELM算法的定位误差的统计直方图。

表1给出了室内测试环境下ELM、KNN、BYS、OS-ELM、K-ELM、RPCA-ELM在定位系统中的定位结果。由表1可知ELM、OS-ELM、BYS、RPCA-ELM的定位速度极快，K-ELM 和KNN定位耗时比上述算法高得多，而且普通计算机不能进行K-ELM的计算，只能通过服务器完成。表1中RPCA-ELM的平均定位精度最高，可达3.2074m，K-ELM次之，为3.6522m，其他算法的平均定位误差均在4m以上。

表1定位系统测试结果比较

算法	RMSE(m)	STD(m)	TrT(s)	TeT(s)
					ELM	5.8424	4.4616	3.4156	0.25
OSELM	12.316	6.9533	0.4688	3.2×10<sup>-3</sup>
					KNN	6.3185	4.4342	-	349
BYS	6.9662	5.2584	-	6.1×10<sup>-3</sup>
					K-ELM	3.6522	2.4178	374.38	3.22
RPCA-ELM	3.2074	4.5359	3.172	0.22

表1中，TrT表示的是训练时间，TeT表示的是测试时间。

图10为各算法的累积误差图，显然，RPCA-ELM、ELM、K-ELM算法的定位精度要高于其他算法。且由上述分析可知，RPCA-ELM算法的运行速度及精度满足应用需求，因此 RPCA-ELM算法在室内测试场景下的性能优于其他算法。

图11为实际测试时上位机界面的实时显示，其中，正方形标注为预测位置。此外，技术人员在上位机的键盘上通过上、下、左、右四个按键可以远程操控机器人的移动，当机器人不断的移动的时候，上位机界面里面的地图显示的定位点将随之变化。

综上，本发明实施例通过将RPCA-ELM算法与传统的KNN、OS-ELM、BYS、ELM、 K-ELM算法进行对比分析。RPCA-ELM算法可以在普通计算机上实现，K-ELM算法运行时需要运行内存极高的计算机，不利于使用。实际测试实验证明本系统采用的RPCA-ELM算法能实现较高的定位精度，而且耗时很短，在大数据情况下更具优势。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (10)

1.基于WiFi网络信号的移动机器人室内定位系统，其特征在于，包括位于室内的移动机器人控制平台以及上位机；其中：

移动机器人控制平台与上位机通过在室内多个WiFi网络设备之间组建的无线网络通信；

移动机器人控制平台，被配置为用于实时采集室内各个WiFi网络设备的WiFi信号强度的数据，并将采集的数据通过无线网卡发送至上位机；

上位机，被配置为用于接收移动机器人控制平台发送的数据，并利用定位软件对接收到的数据进行处理，实时显示移动机器人在室内的位置，同时控制移动机器人的移动。

2.根据权利要求1所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述定位软件中的定位算法采用基于指纹的室内定位算法。

3.根据权利要求1所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述定位软件是基于QT编译环境开发的。

4.根据权利要求3所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述定位软件具有用于显示室内场地、移动机器人实时位置坐标、移动机器人运行信息、WiFi信号强度的数据以及采集信息的上位机监控界面。

5.根据权利要求1所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述移动机器人控制平台包括主控单元、电机控制板和电机驱动板；其中：

主控单元配置有用于向上位机发送WiFi信号强度的数据的无线网卡；

主控单元、电机控制板以及电机驱动板依次连接，共同控制移动机器人的运动。

6.根据权利要求1所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述移动机器人控制平台包括用于向主控单元、电机控制板和电机驱动板供电的电池。

7.根据权利要求5所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述主控单元采用CORTEX-A8系列开发板gec210。

8.根据权利要求5所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述电机控制板采用STM32F103ZET6开发板。

9.根据权利要求5所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

所述电机驱动板采用L298N电机驱动板。

10.根据权利要求1所述的基于WiFi网络信号的移动机器人室内定位系统，其特征在于，

利用所述定位软件对移动机器人进行室内定位的过程如下：

设定室内WiFi网络设备的数量为N个；

在离线/训练阶段，采集参考点处WiFi信号强度及其对应的位置信息，大量的数据形成训练数据集，先用RPCA把训练数据X进行处理，分出数据集里的有效数据A和稀疏噪声矩阵E，把稀疏噪声矩阵E去掉，保留有效数据；RPCA实际上是求松弛的凸优化问题：

其中，||A||_*表示矩阵A的核范数；

λ是正加权参数；||E||₁表示矩阵E的绝对值之和；

下面是求解A和E的过程，为了求解这个优化问题，使用增广拉格郎日乘子方法：

首先给上述公式加上惩罚项：

其中，μ是一个正标量，||X-A-E||_F是X-A-E的Frobenius范数；

构造增广拉格朗日函数：

其中，Y是拉格朗日乘子，初始化需要用到的参数；

<Y,X-A-E>表示Y和X-A-E的内积；

初始化Y,μ₀＞0,k＝0；

μ₀是μ初始时刻的值，k是定义的循环初始值；

采用交替方向法求解：

其中，A_k+1是低秩矩阵A的第k+1项，E_k+1是稀疏噪声矩阵E的第k+1项，Y_k是Y的第k项，μ_k是μ的第k项，分别为X的第1/μ_k、λ/μ_k项；

是指使得函数L()取得其最小值的所有自变量A的集合；

是指使得函数L()取得其最小值的所有自变量E的集合；

然后分别将有效数据A的后N列强度信号数据作为训练输入，前两列坐标数据作为位置坐标输出，构建ELM模型为在线定位做准备；

离线训练过程如下：

有效数据A的后N列r_i＝(r_i,1,r_i,2,...,r_i,N)及其对应的空间位置前两列f_L＝{l₁,l₂,...,l_M}作为训练输入和目标输出，i＝1,2,...,M，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重w_i和隐藏层神经元偏置b_i；

则该网络可由如下数学模型表示：

该公式为RPCA-ELM模型公式，用矩阵形式表示为：

Hβ＝L；

其中，

求解方程得到输出权重估计

其中，为H的Moore-Penrose广义逆矩阵；

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计即可完成对RPCA-ELM模型的训练；

在线定位阶段，移动机器人接收来自WiFi网络设备的指纹信号，将其输入到构建好的ELM模型中，即可输出移动机器人位置估计，具体过程如下：

实时采集移动机器人接收到的来自N个WiFi网络设备的信号强度矢量r_o，将r_o输入到已训练好的RPCA-ELM模型中，得移动机器人的坐标估计

其中，r_o＝(r_o,1,r_o,2,...,r_o,N)。