CN115119158A - 一种利用LoRa信号指纹实现室内无源被动定位的方法 - Google Patents

一种利用LoRa信号指纹实现室内无源被动定位的方法 Download PDF

Info

Publication number
CN115119158A
CN115119158A CN202110299476.XA CN202110299476A CN115119158A CN 115119158 A CN115119158 A CN 115119158A CN 202110299476 A CN202110299476 A CN 202110299476A CN 115119158 A CN115119158 A CN 115119158A
Authority
CN
China
Prior art keywords
data
lora
rssi
positioning
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110299476.XA
Other languages
English (en)
Inventor
叶海波
王珩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110299476.XA priority Critical patent/CN115119158A/zh
Publication of CN115119158A publication Critical patent/CN115119158A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种利用LoRa信号指纹实现室内无源被动定位的方法，首先在离线阶段：利用LoRa节点设备和LoRa网关设备搭建室内定位环境，实现LoRa网关和节点设备之间的通信；使用代理服务器作为数据中转站，接收从LoRa网关发送来的带有LoRa节点设备ID和RSSI的数据；使用Java语言编写监听程序，从代理服务器将接收到的数据存储到本地；对采集到的数据先通过差值‑限幅滤波算法对异常数据进行剔除，保留数据的整体特征；再使用高斯‑朴素贝叶斯算法对模型进行训练得到一个基于LoRa信号接收强度的指纹库；在线定位阶段：对待定位的设备或人员，采集LoRa节点设备的RSSI数据，根据训练好的模型进行位置的预估。该方法能够在待定位物体或人员在未携带任何定位设备的情况下，对某一室内区域进行人员入侵的监测，以及进一步推断物体或人员在室内的具体位置信息。

Description

一种利用LoRa信号指纹实现室内无源被动定位的方法
技术领域
本发明涉及一种新的定位技术，具体是一种利用LoRa信号指纹来判断某一室内区域是否有人员存在以及人员存在的情况下判断其具体存在的位置的方法。
背景技术
从古代发明的指南针技术到现代的基于无线电的定位技术，每一次定位技术的进步都给人们的日常生产生活带来极大的便利。目前常用的室内定位技术大都需要部署一定的基础设施，比如蓝牙、RFID和蜂窝网络。这些定位技术优缺点各不相同，在定位精度和适用场景上也各有限制。在一个室内区域，判断其是否有人员存在或者在有人员存在的情况下判断其所处的具体位置，是一个热门的问题。比如在大型博物馆或者监狱内的某一特殊区域，需要对此区域进行人员的监测(是否存在人员的入侵)，这样可以及时的做出对应的处理。
按照定位方式的不同，可将定位技术分为两类：主动定位和被动定位。
主动定位：该定位方式需要待定位物体或人员携带定位设备，在需要定位的时候主动参与定位过程，比较常见的用于主动定位的无线信号有Wi-Fi、蓝牙、RFID和红外线等。主动定位方式主要有以下几种方法：
1)基于信号指纹。该方法主要分为两个阶段：离线阶段和在线阶段。离线阶段，实验人员将待定位区域划分为一个个小的单元，并在单元区域的中心点处采集各个发射器所发射信号的RSSI，将其作为信号指纹存储起来。在线定位阶段，根据实时采集到的待定位数据，利用机器学习算法与指纹库中的数据进行最优匹配，得到预测的位置。
2)基于到达时间。该方法需要严格同步发射器和接收器的时钟，利用信号传播速度与信号在空间中的传播时间，计算出发射器和接收器之间的距离，之后再通过其他的方法，比如三边定位法，进行位置的求解。
3)基于到达时间差。和基于到达时间的方法相似，但是不需要发射器和接收器之间的时钟同步，只需要计算出发射器到达两个不同接收器的时间差与信号在空间中的传播速度，得到发射器与两个接收器之间的距离差，根据双曲线的定义进一步求解出物体的位置坐标。
4)基于到达角度。这种方法需要特殊的天线阵列，通过计算与不同接收器之间的信号传播角度，即可根据两条直线确定物体的位置。
被动定位：该定位方式不需要待定位物体或人员携带任何定位设备，只需要人员或物体进入到某一监测区域，该定位系统会自动识别出有无人员或物体的进出。其主要思想是：在待监测区域中，首先在固定位置处部署LoRa节点设备和LoRa网关设备，两者之间进行通信的LoRa信号会存在于室内空间中，当有人员出入该区域时，会对室内空间中的LoRa信号的传播产生影响，可以通过采集分析各个LoRa节点的RSSI来判断是否有人员的入侵；并且在有人员存在的情况下，通过分析在室内各个不同区域中存在人员时LoRa信号RSSI变化的规律，来进一步推断人员在室内区域中所处的位置。
近年来，随着物联网行业的蓬勃发展，LPWAN(Low-Power Wide-Area Network，低功率广域网)技术逐渐进入人们的视野，而LoRa技术作为其中的一个代表，凭借其传输距离远、功耗低、接收灵敏度高等特点，一经问世便受到学者的广泛研究。本发明即使用LoRa相关设备搭建一个室内无源被动定位系统，通过分析采集的数据，推断人员的位置信息。
发明内容
本发明要解决的问题是，当需要被定位的物体或人员未携带任何待定位设备时，如何在室内某一区域对其位置信息进行跟踪与监测，该方法只需要在监测区域安装简单LoRa相关设备，即可对未携带设备的人员或物体进行入侵检测和位置判断。
本发明所述的利用LoRa信号指纹实现室内无源被动定位的方法，其包括以下步骤：
1)在待监测区域，使用LoRa相关设备(主要包括LoRa网关设备、LoRa节点设备和网络服务器)搭建一个室内信号采集系统。该系统可以通过LoRa节点设备向LoRa网关设备发送上行信号帧，LoRa网关设备接收到该信号之后，可以解析得到该节点设备的RSSI值；LoRa网关设备再将该RSSI值与其对应的LoRa节点设备ID绑定到一个数据帧中，发送到网络服务器中；在服务器中编写Java程序接收采集到的RSSI值，将其存储到服务器。
2)数据处理阶段，使用差值-限幅滤波算法对采集到的RSSI数据进行滤波处理，剔除异常数据，保留数据的整体特征。
3)对滤波后的数据使用高斯-朴素贝叶斯算法进行模型的训练，得到一个RSSI指纹库，对于待定位的数据，根据模型得到最佳的匹配位置，即是预测的物体或人员的位置信息。
本发明的有益效果：本发明只需要在固定位置处部署少量的LoRa节点设备和网关设备即可，在定位阶段无需待定位物体或人员携带任何待定位设备，如手机、接收器或发射器等，可以大大减少成本开销；并且该发明适用于某些需要对人员强制定位的场景，如大型博物馆或监狱的某一特殊区域的人员入侵检测，无需待定位人员的主动配合。
附图说明
图1是基于LoRa设备搭建的一个室内无源被动定位系统中采集数据的网络架构图；
图2是室内待定位区域的划分；
图3和图4是不同位置处的不同LoRa节点RSSI值的空间分布图；
图5和图6分别是对采集的数据使用差值-限幅滤波算法处理前后的RSSI值的分布图；
图7是基于LoRa信号指纹实现室内无源被动定位的整体架构图。
具体实施方式
下面结合附图和实例对本发明进一步说明。
要实现本发明，需要解决以下几个问题：1)实现LoRa节点和LoRa网关设备之间的通信；2)将数据以消息队列的方式发送到网络服务器并接收；3)尽可能保留数据的整体特征并剔除偶然因素引起的异常数据；4)根据机器学习算法生成信号指纹库。
基于LoRa信号指纹的室内无源被动定位系统主要包括三个组成部分：LoRa节点设备、LoRa网关设备和网络服务器，其整体网络架构图如附图1所示。
1)LoRa节点设备。
LoRa节点设备事先固定在待定位区域的固定位置处，在其工作期间，LoRa节点设备会向LoRa网关设备发送上行信号帧，该数据帧结构如下表1所示，由于节点设备有多个，所以需要给每个节点设备设置一个ID以供区分，其中id1代表节点设备的ID名称，time1是节点发送信号帧结构的时刻，所有LoRa节点采用轮询的方式向同一个LoRa网关发送信号。
表1 LoRa节点设备发送的信号帧结构
LoRa节点设备ID：id1 节点发送信号帧时刻：time1
2)LoRa网关设备。
LoRa网关设备也需要事先固定于室内某一位置处，接收到LoRa节点发送的上行信号帧之后，对其进行解析，得到该节点设备的RSSI值，再将其发送到网络服务器。该过程发送的信号帧结构如下表2所示，其中index是所发送信号帧的索引值，id是LoRa节点设备的标识，time是网关发送该信号帧的时刻，rssi是对应ID为id的LoRa节点的RSSI值。
表2 LoRa网关向网络服务器发送的信号帧结构
数据帧索引：index LoRa节点ID：id 网关发送时刻：time LoRa节点RSSI值：rssi
3)网络服务器。
本发明使用Apache-Apollo代理服务器作为网络服务器，该服务器可以接受MQTT协议所发送的信号帧，并将其存储在一个唯一的topic(订阅号)下，等待该订阅号的订阅者从消息队列中取出该消息。
数据采集阶段，在室内区域如附图2所示部署好LoRa相关设备，根据上述步骤可实现数据从LoRa节点设备发送到LoRa网关设备，再将数据从LoRa网关设备发送到网络服务器，最后将代理服务器中的消息取出来存储到本地。
附图3和4是使用该系统采集的数据空间分布图，其中不同颜色的圆点代表不同的LoRa节点设备。共采集了附图2中所标识的6个位置处的三个LoRa节点设备的RSSI值，其中附图3是对于位置1、3和6处的不同LoRa节点RSSI的空间分布图，附图4是所有6个位置处的RSSI空间分布图。从图中可以明显看到，在不同的位置处，LoRa节点的RSSI的空间分布具有层次性，我们也正是根据这一规律对数据进行模型学习与训练，继而通过实时采集数据来对人员的位置信息进行判断。
对采集到的数据，首先使用差值-限幅滤波算法对异常或突变数据进行处理，以保证数据的稳定性，同时也保留了数据的整体特征，以便后面对数据的训练。附图5和6分别是采用差值-限幅滤波算法前后的某一位置处的RSSI分布图。
使用滤波算法对数据进行预处理之后，再采用高斯-朴素贝叶斯算法对数据集进行划分和模型的训练，最终得到一个基于LoRa信号的指纹库模型。在线定位阶段，根据实时采集到的数据，将其根据已训练好的模型与指纹库中的数据进行最优匹配，得到的结果即为推测的位置信息。
通过在真实环境下，对室内待定位区域的划分，在不同位置处采集数据以及进一步的处理与分析。实验证明该方案可以在3米范围内实现98.5％的准确率来判断该区域内是否存在入侵人员或物体，并且根据进一步实验，实现了在3米范围内实现平均为95％的准确率来判断在存在人员或物体的情况下，人员或物体具体所处的位置信息。
本发明的具体应用场景很多，比如大型博物馆或者监狱的某些特殊区域，以上所述仅是本发明的优选实施方案，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种利用LoRa信号指纹实现室内无源被动定位的方法，其特征在于，包括以下步骤：
1)在待定位的室内区域，搭建基于LoRa信号指纹的无源被动定位系统，实现从LoRa节点设备发送信号到LoRa网关设备，在网关设备计算出该节点设备的RSSI，并将该信息传输到网络服务器，编写Java程序获取服务器上的数据信息；
2)通过步骤1)采集到的RSSI数据，通过差值-限幅滤波算法进行异常数据的剔除，根据节点ID信息将数据集分为不同的列表，再依据不同的情况(如无人或有人，以及有人情况下人员处于不同位置处)按照固定的节点ID顺序，将RSSI数据重新分为新的列表集合；
3)将新生成的列表集合在本地进行模型学习与训练，本发明使用高斯-朴素贝叶斯算法对数据集进行训练，生成LoRa信号指纹库，该算法可以实现二分类和多分类；
4)对于实时定位阶段采集到的待定位数据，将其输入到训练好的模型中，与指纹库中的数据进行最优匹配，获得的结果即为最终预测的位置信息。
2.根据权利要求1所述的利用LoRa信号指纹实现室内无源被动定位的方法，其特征在于：所述步骤1中的数据采集阶段采用被动方式，即对于入侵某一区域的人员，不期待其携带任何可发射信号的定位设备，而是事先将相关设备部署在该区域，通过人员或物体对空间分布的信号强度值的影响，进而判断人员的入侵检测及其位置信息。
3.根据权利要求2所述的利用LoRa信号指纹实现室内无源被动定位的方法，其特征在于：所述步骤2中对数据进行滤波处理阶段，采用差值-限幅滤波算法：首先计算所采集相邻数据之间的差值Δi，然后计算所有差值Δi的平均值Δ，再将Δ与Δi进行比较，如果两者的差值在某一阈值δ内，则保留当前的RSSI数据，如果两者的差值大于该阈值δ，则继续比较RSSIi和RSSIi+1，如果RSSIi大于RSSIi+1，则将RSSIi-δ作为当前数据值的替代值，否则将RSSIi+δ作为当前数据值的替代值。
4.根据权利要求2所述的利用LoRa信号指纹实现室内无源被动定位的方法，其特征在于：所述步骤3中对模型的训练采用高斯-朴素贝叶斯算法：其目的是为了求解在给定预测集x的情况下argmaxP(yk|x)的最大值，根据贝叶斯定理和条件独立假设理论，可将其最终简化为：argmaxP(yk|x)＝argmaxP(yk)ΠP(xi|yk)，其中P(yk)为先验概率，P(xi|yk)可根据高斯正态密度分布函数分别求解出来。
CN202110299476.XA 2021-03-19 2021-03-19 一种利用LoRa信号指纹实现室内无源被动定位的方法 Pending CN115119158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110299476.XA CN115119158A (zh) 2021-03-19 2021-03-19 一种利用LoRa信号指纹实现室内无源被动定位的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110299476.XA CN115119158A (zh) 2021-03-19 2021-03-19 一种利用LoRa信号指纹实现室内无源被动定位的方法

Publications (1)

Publication Number Publication Date
CN115119158A true CN115119158A (zh) 2022-09-27

Family

ID=83323851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110299476.XA Pending CN115119158A (zh) 2021-03-19 2021-03-19 一种利用LoRa信号指纹实现室内无源被动定位的方法

Country Status (1)

Country Link
CN (1) CN115119158A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315915A (zh) * 2023-11-30 2023-12-29 山东科翔智能科技有限公司 基于遥感数据监测的农作物种植监管系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315915A (zh) * 2023-11-30 2023-12-29 山东科翔智能科技有限公司 基于遥感数据监测的农作物种植监管系统

Similar Documents

Publication Publication Date Title
US8665743B2 (en) User behavior model and statistical transition map to assist advanced WLAN applications
CN101854653B (zh) 一种无线多媒体传感器网络中的目标跟踪方法
KR100948412B1 (ko) 수신 신호 강도를 이용한 위치추정 방법 및 시스템
CN104335564A (zh) 用于标识和分析用户的个人情景的系统和方法
KR20090114900A (ko) 알에프수신신호세기의 확률적 필터링을 이용한무선센서노드 위치추적방법
CN115119158A (zh) 一种利用LoRa信号指纹实现室内无源被动定位的方法
Mo et al. A deep learning-based human identification system with wi-fi csi data augmentation
CN109600758B (zh) 一种基于rss的人流量监测方法
Atashi et al. Multiple model BLE-based tracking via validation of RSSI fluctuations under different conditions
CN113949986A (zh) 基于wr和射频指纹技术的定位方法、系统及监控方法
CN108600960A (zh) 一种基于NB-loT技术的追踪定位方法及动态追踪网络系统
Sikeridis et al. Occupant tracking in smart facilities: An experimental study
Krishnamoorthy et al. Energy‐Constrained Target Localization Scheme for Wireless Sensor Networks Using Radial Basis Function Neural Network
Avellenada et al. BLE-based Indoor Positioning Platform Utilizing Edge Tiny Machine Learning
CN109905868B (zh) 一种智能可穿戴设备蓝牙通信预测方法及系统
Lykov et al. Positioning in wireless sensor network for human sensing problem
KR101917362B1 (ko) 시각 장애인용 실내 위치기반 서비스 시스템
CN110658488A (zh) 基于射频信号的室内复杂环境下多目标定位及姿态识别方法
CN110366106B (zh) 一种移动终端的定位方法和定位系统
You et al. Proxy individual positioning via IEEE 802.11 monitor mode and fine-tuned analytics
US20220034680A1 (en) Method and system of topological localization in a built environment
Toro et al. A Survey of Data Mining Techniques for Indoor Localization
Mahmood et al. An Efficient Distributed Data Extraction Method for Mining Sensor Networks Data
Mondal A Framework to Estimate Classroom Occupancy using WiFi Channel State Information
Soni et al. Detecting Similar and Dissimilar Movement Patterns using Indoor Passive Localization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination