CN115119297B

CN115119297B - 一种基于LoRa信号路径衰减模型的室内动态测距方法

Info

Publication number: CN115119297B
Application number: CN202210738862.9A
Authority: CN
Inventors: 荆楠; 李雪薇; 王林; 王思杨
Original assignee: Yanshan University
Current assignee: Yanshan University
Priority date: 2022-06-28
Filing date: 2022-06-28
Publication date: 2023-07-04
Anticipated expiration: 2042-06-28
Also published as: CN115119297A

Abstract

本申请涉及物联网应用技术领域，尤其涉及一种基于LoRa信号路径衰减模型的室内动态测距方法。方法包括：以节点和网关之间的收发距离，以及影响LoRa信号传输效果的动态环境变量为参数，建立路径衰减模型；获取历史信号强度序列并且根据历史信号强度序列预测当前时刻的信号强度预测值，以及计算当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，得到信号强度差值；根据历史信号强度序列，确定上一时刻的动态环境变量实际值，以及根据路径衰减模型和信号强度差值，上一时刻的动态环境变量实际值进行自适应调整，得到当前时刻的动态环境变量预测值；根据路径衰减模型和当前时刻的动态环境变量预测值，确定当前时刻的收发距离的预测值。

Description

一种基于LoRa信号路径衰减模型的室内动态测距方法

技术领域

本申请涉及物联网应用技术领域，尤其涉及一种基于LoRa信号路径衰减模型的室内动态测距方法。

背景技术

基于无线信号RSSI信息建立路径衰减模型进行无线测距一直以来是无线领域广泛关注的技术。而基于WiFi、BLE和Zigbee等多种室内无线技术被证明了在房间级别区域的有效性。但是，由于这些技术的感知距离短，所以需要在办公楼等大型建筑的场合中密集地部署接入点，从而导致了较高能耗和部署维护成本。

基于到达时间信息测距方法首先硬件成本因传感器等外设的增加而增大，其次室内中的装修家具或移动人员带来的多径效应会直接影响信号的到达时间，最后设备之间还必须具有严格的时钟同步，这使得在现场实际部署困难。相比于时间测量的方式，角度的测量不需要解决时钟同步的问题，但天线阵列的额外部署相对来说会更加困难。

发明内容

本申请提供了一种基于LoRa信号路径衰减模型的室内动态测距方法，能够解决现有的室内测距方法存在的需要额外步数接入点导致较高能耗和步数维护成本，以及需要严格保持收发端的时钟同步的问题。

本申请的技术方案是一种基于LoRa信号路径衰减模型的室内动态测距方法，用于通过测量持续移动的发送LoRa信号的节点与接收LoRa信号的网关之间的收发距离进行室内测距，包括：

S1：以节点和网关之间的收发距离，以及以相应于所述收发距离的变化而变化的影响LoRa信号传输效果的动态环境变量为参数，建立路径衰减模型；

S2：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度序列并且根据历史信号强度序列预测当前时刻的信号强度预测值，以及计算当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，得到信号强度差值；

S3：根据历史信号强度序列，确定上一时刻的动态环境变量实际值，以及根据所述路径衰减模型和信号强度差值，上一时刻的动态环境变量实际值进行自适应调整，得到当前时刻的动态环境变量预测值；

S4：根据所述路径衰减模型和当前时刻的动态环境变量预测值，确定当前时刻的所述收发距离的预测值。

可选地，所述路径衰减模型如下所示：

L＝20×log₁₀(d)+20×log₁₀(f)-a_u；

RSSI＝P_t+G_t+G_r-L；

式中，a_u表示动态环境变量，单位为dB；d表示节点与网关之间的收发距离，单位为km；L表示LoRa信号在室内的传输损耗；f表示频率，单位为MHz；RSSI表示网关接收的信号强度；P_t表示发送功率；G_t表示节点的天线增益，G_r表示网关的天线增益。

可选地，所述步骤S2包括：

S21：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度序列；

S22：通过单位根检验方法判断所述历史信号强度序列的平稳性，如果单位根显著性检验统计量均小于包括10％、5％和1％的三个置信度，判定所述历史信号强度序列平稳；如果不平稳，对所述历史信号强度序列进行一阶差分，得到历史信号强度平稳序列；

S23：通过截尾和拖尾的方式确定关于历史信号强度平稳序列的ARIMA模型的最大阶数p_max和q_max，以及通过赤池信息准则或者贝叶斯信息准则确定最优阶数p和q，以及对最优阶数p和q进行残差检验，如果满足检验，选定p和q为历史信号强度平稳序列的模型参数，得到历史信号强度预测模型；

赤池信息准则的公式如下所示：

AIC＝-2ln(L)+2k；

贝叶斯信息准则的公式如下所示：

BIC＝-2ln(L)+ln(n)×k；

式中，L表示ARIMA模型的最大似然，n表示数据数量，k表示ARIMA模型的变量个数；

S24：根据历史信号强度预测模型和历史信号强度平稳序列，预测当前时刻的信号强度预测值，以及计算当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，得到信号强度差值。

可选地，所述步骤S21包括：

S211：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度初始序列；

S212：对所述历史信号强度初始序列中的初始RSSI数据依次进行以1.0s为时间步的线性插值补偿处理和卡尔曼滤波处理，以及对历史信号强度初始序列中的初始SNR数据进行滑动均值滤波处理，得到历史信号强度序列。

可选地，所述步骤S2还包括：

S25：判断所述历史信号强度平稳序列中相近的若干个信号强度实际值是否发生剧烈变化，如果发生剧烈变化，根据剧烈变化的信号强度实际值确定分区点，以及根据分区点对历史信号强度平稳序列进行校准和调整。

可选地，所述步骤S3包括：

S31：根据历史信号强度序列，确定上一时刻的动态环境变量实际值；

S32：根据路径衰减模型，获取上一时刻的路径衰减模型，公式如下所示：

a_u ⁱ＝20×log₁₀(d_i)+20×log₁₀(f)-L_i；

L_i＝P_t+G_t+G_r-RSSI_i；

式中，i表示上一时刻；a_u ⁱ表示动态环境变量实际值，单位为dB；d_i表示节点与网关之间的收发距离实际值，单位为km；L_i表示LoRa信号在室内的传输损耗实际值；RSSI_i表示网关接收的信号强度实际值；P_t表示发送功率；G_t表示节点的天线增益，G_r表示网关的天线增益；

根据路径衰减模型，获取当前时刻的路径衰减模型，公式如下所示：

式中，i+1表示当前时刻；a_u ⁱ表示动态环境变量实际值，单位为dB；d_i+1表示节点与网关之间的收发距离实际值，单位为km；

表示LoRa信号在室内的传输损耗实际值；

表示网关接收的信号强度实际值；P_t表示发送功率；G_t表示节点的天线增益，G_r表示网关的天线增益；

根据上一时刻的路径衰减模型和当前时刻的路径衰减模型，确定环境参数变量，公式如下所示：

式中，

表示环境参数变量并且与上一时刻的收发距离预测值相关；/>

表示当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，即信号强度差值；

S33：根据所述路径衰减模型、信号强度差值和环境参数变量，上一时刻的动态环境变量实际值进行自适应调整，得到当前时刻的动态环境变量预测值。

可选地，所述步骤S4包括：

S41：根据上一时刻的路径衰减模型、当前时刻的路径衰减模型和当前时刻的动态环境变量预测值，确定当前时刻的收发距离预测值，公式如下所示：

可选地，所述方法还包括：

S5：获取当前时刻的信号强度实际值并且迭代执行所述步骤S2，直至完成室内测距。

有益效果：

(1)本申请提出的新型基于LoRa信号的室内自适应路径衰减模型忽略对障碍物的具体划分，将每一地点所有阻塞直接路径上的遮挡衰减都合并设置为当前地点的动态环境变量，该模型对室内环境结构变化更为敏感。

(2)在节点的移动过程中，通过衰减模型中的参数自适应变化，动态的匹配参数调用，实现节点与网关间收发距离预测值的动态预测。

(3)本申请的技术方案方法无需特殊硬件支持，在部署完LoRa网关和节点后，通过ADPL路径衰减模型的环境自适应参数变化将网关观测到的接收信号强度指标(ReceivedSignalStrengthIndicator,RSSI)和终端节点到网关的距离位置进行匹配，低能耗和低开销地实现基于LoRa的大规模室内测距。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中一种基于LoRa信号路径衰减模型的室内动态测距方法的流程示意图；

图2为本申请实施例中节点和网关的结构示意图；

图3为本申请实施例中实验场景一的平面地图；

图4为本申请实施例中一种LoRa信号在室内的传送示意图；

图5为本申请实施例中在图3所示场景中两次通过①-②-③路径的RSSI数据示意图；

图6为本申请实施例中在图3所示场景中通过不同路径的RSSI数据示意图；

图7为本申请实施例中在图3所示场景中通过不同路径的SNR数据示意图；

图8为本申请实施例中对初始RSSI数据进行线性插值处理前后的对比示意图；

图9为本申请实施例中对将经过线性插值后的初始RSSI数据进行卡尔曼滤波处理前后的对比示意图；

图10为本申请实施例中对初始SNR数据进行滑动均值滤波处理前后的对比示意图；

图11为本申请实施例中信号强度预测值与信号强度实际值的对比示意图；

图12为本申请实施例中通过依次经过线性插值处理和卡尔曼滤波处理后的初始RSSI数据拟合的动态环境变量与通过初始RSSI数据拟合的动态环境变量的对比示意图；

图13为本申请实施例中根据图12的分区中的历史初始RSSI数据拟合得到的动态环境变量的示意图；

图14为本申请实施例中信号强度实际值、信号强度预测值与收发距离实际值的示意图；

图15为本申请实施例中一种基于LoRa信号路径衰减模型的室内动态测距方法的信息流转图；

图16为本申请实施例中通过RSSI序列预测算法预测的信号强度实际值与信号强度预测值之间的差值示意图；

图17为本申请实施例中根据不同时刻收集到的样本组中预测差值的示意图；

图18为本申请实施例中不同模型参数下的预测时间成本的示意图；

图19为本申请实施例中实验场景二的平面地图；

图20为本申请实施例中实验场景三的平面地图；

图21为本申请实施例中ES1各路径下使用动态环境变量调整变化后的动态距离预测情况示意图；

图22为本申请实施例中ES1和ES2各路径下使用动态环境变量调整变化后的动态距离预测情况示意图；

图23为本申请实施例中ES1和ES3各路径下使用动态环境变量调整变化后的动态距离预测情况示意图；

图24为本申请实施例中累积误差跟随收发距离实际值变化的变化示意图；

图25为本申请实施例中不同路径下动态环境变量的拟合示意图；

图26为本申请实施例中不同路径下动态环境变量的变化范围示意图；

图27为本申请实施例中同一路径不同速度下的收发距离预测值和收发距离实际值的对比示意图；

图28为本申请实施例中同一路径不同速度下的收发距离预测误差的数据表；

图29为本申请实施例中不同路径下的收发距离预测误差的数据表；

图30为本申请实施例中三种实验场景中收发距离预测误差的示意图；

图31为本申请实施例中不同节点数量下的收发距离预测误差的示意图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

本申请实施例首先根据无线信号在室内环境结构的特点设计了一种新型的自适应路径衰减模型(ADPL Model)，使模型中的动态环境变量不断根据环境改变，以及在ADPL模型的基础上实现一个基于LoRa信号的室内动态测距方法。

近年来为了迎合物联网技术的多方应用和蓬勃发展，人们提高了对各类定位服务的需求量。为了解决室外定位系统不能适用于室内的问题，学术界和工业界开始对适用于物联网技术的室内定位方面做相关的研究。物联网应用设备满足所需内存更少，占据带宽更少，能量消耗更少，成本更少等基本设计原则，而传统的无线技术因达不到物联网所要求的低能耗和可扩展性的要求而受到了限制。由此提出了LPWAN等新的低功耗技术标准和协议，用来实现大面积的无线电覆盖，该协议下的基础设备可以对传输功率、传输速率、调制模式等参数进行调整，高效的连接方式使得终端设备极大的减少了自身能量的消耗以及提升了使用时长。

LoRa是最具有代表性的LPWAN技术，LoRa网络部署具有基础设备成本很低、能量消耗很小的优势，由此获得了物联网领域应用的青睐。由于LoRa信号工作在sub-GHz频段，所以避免了ISM频段的共存干扰问题，而且LoRa信号具有的穿透传播特性还克服了现有室内定位系统中由墙壁、天花板和其他移动或非移动障碍物引起的无线覆盖范围有限的主要问题。单个LoRa节点最大可实现八层建筑的无线覆盖，作为基于BLE、WiFi等室内测距定位系统的替代方案，将会显著降低室内定位基础设施的安装和维护成本。此外，LoRa技术拥有现有无线技术不具备的通信距离远、网络容量较大以及抗干扰性强的优点。

信号强度RSSI是对经过多个路径叠加后的信号能量强度的描述，RSSI数据可以用于表征无线通信链路的质量好坏。RSSI数据值会随着通信距离的増大而削减，所以网关和节点之间的距离远近和位置关系能够通过RSSI值分析得到。一般的射频芯片都配备了测量RSSI的功能，因此接收信号强度值常被用作测距定位的指标。目标节点接收到参考节点发送的无线信号后，计算出其接收信号强度值，然后将测量得到的RSSI值代入测距模型中，从而计算出两节点之间的距离。RSSI测距原理简单易懂、操作方便且对设备没有额外要求，因此更适宜应用于室内范围环境中，更加符合物联网应用场景的需求。

基于RSSI的方法具有对硬件要求低、部署简易、实施方便和成本低廉的优势。并且，测量RSSI早已是通讯射频芯片中的基础功能，消除了基于RSSI测距系统的部署成本和难度。传统路径损耗模型直接使用统一的模型来表征整个无线链路的路径损失，忽略了沿链路的不同环境覆盖类型会导致总体路径损失的偏差以及需要消耗大量体力的问题。

本申请实施例提供了一种基于LoRa信号路径衰减模型的室内动态测距方法，用于通过测量持续移动的发送LoRa信号的节点与接收LoRa信号的网关之间的收发距离进行室内测距，如图1所示，图1为本申请实施例中一种基于LoRa信号路径衰减模型的室内动态测距方法的流程示意图，方法包括：

S1：以节点和网关之间的收发距离，以及以相应于所述收发距离的变化而变化的影响LoRa信号传输效果的动态环境变量为参数，建立路径衰减模型。

具体地，本申请实施例通过部署硬件LoRaWAN系统设备进行数据采集。

如图2所示，图2为本申请实施例中节点和网关的结构示意图，图中左侧为设置有LoRa天线的LoRa节点，图中右侧为设置有LoRa天线和WiFi天线的LoRa网关，根据图2的位置，左侧为LoRa天线，右侧为WiFi天线。申请实施例采用一个商用LoRa网关(型号RHF2S024)作为LoRa信号的网关，采用一个LoRa modem终端节点(型号RHF3M076B)作为LoRa信号的节点。

LoRamodem内置MCU和sx1276，可使用AT指令对其进行调制，外置一根LoRa天线，用于发送和接收LoRa信号。LoRa网关作为网关，配备有两根天线，其中一根为LoRa天线，用于发送和接收LoRa信号，另一根为WiFi天线，用于将接收到的LoRa数据包信息通过MQTT协议上传至服务器。

在实际应用中，如图3所示，图3为本申请实施例中实验场景一的平面地图，LoRa网关部署于特定位置，部署高度可为1m，LoRa节点放置在实验人员身上，随着人员在室内不同走廊区域的移动，LoRa节点不断向网关发送LoRa数据包，网关处记录RSSI和SNR等信息并予以存储。其中，所有发送的报文传播系数，即扩频因子SF、带宽BW等由LoRaWAN协议的自适应速率决定，目的是为了保证数据传输的最高可靠性，编码率CR统一采用4/5，保证数据的最小传输开销。终端节点和网关的频段统一使用915MHz，两个相邻报文之间的发送间隔时间为1000ms，发送功率Pt、发送天线增益Gt以及接收天线增益Gr的总和为14dB，网关处实时记录终端节点发送的数据包信息。

室内建筑环境中密集的墙壁和公共基础设施等障碍物，会引起无线信号的阴影衰落效应或多径效应，从而降低无线通信链路的质量。通过在网关部署位置不变的情况下进行试验分析，节点处于室内建筑中的不同环境位置时往往有着不同的通信链路质量，而先前的路径损耗模型采用的是固定的区域环境建模，没能充分考虑和利用细粒度的环境信息，所以在不同的室内场景下并不能有良好的表现。

在室内环境实践中，LoRa网络的部署也不只在开放空间中，绝大多数情况下Tx和Rx之间是有诸多障碍物的，如墙壁、铁门、木门、玻璃窗等，如图4所示，图4为本申请实施例中一种LoRa信号在室内的传送示意图，室内无法实现自由空间条件，尤其因为桌椅、移动人员等障碍物的详细室内地图信息很难准确测量，所以室内空间中损耗系数的准确确定也是很难实现的。

对于室内环境中的无线信道来说，信号是经过建筑物内部结构引起的多条反射、绕射和散射的路径(称为多路径现象)到达网关的。室内的多路径衰减受到建筑布局、使用的建筑材料以及建筑中物体的数量和类型的强烈影响。另外，LoRa信号还具有良好的穿墙特性，必要时还需要考虑传播经过的房间内布置情况的遮挡衰减影响。一般情况下为了建立一个更精确的传播模型，会考虑信号经过各种障碍因素引起的衰减效应，为每一种衰减因素设置一种衰减系数，但这是耗费大量人力的，且分类也是粗糙的，无法做到通用性。

ADPL模型将每一地点周围所有的完全阻塞或部分阻塞Tx到Rx之间路径上的遮挡衰减合并设置为当前地点的动态环境变量a_u，表达式如(1)和(2)所示。

L＝20×log₁₀(d)+20×log₁₀(f)-a_u； (1)

RSSI＝P_t+G_t+G_r-L； (2)

S2：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度序列并且根据历史信号强度序列预测当前时刻的信号强度预测值，以及计算当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，得到信号强度差值。

具体地，通过包括从起始时刻至i个时刻的所有时刻的信号强度实际值的历史信号强度序列{RSSI₀,RSSI₁,...,RSSI_i}对i+1时刻的信号强度值

进行预测。在对i+1时刻预测结束后，将网关收集到的i+1时刻的信号强度实际值添入历史信号强度序列，以此再对i+2时刻的信号强度预测值进行预测，以此类推。

其中，步骤S2包括：

S21：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度序列。

其中，步骤S21包括：

S211：获取包括从起始持续至上一时刻的所有时刻的信号强度实际值的历史信号强度初始序列。

S212：对历史信号强度初始序列中的初始RSSI数据依次进行以1.0s为时间步的线性插值补偿处理和卡尔曼滤波处理，以及对历史信号强度初始序列中的初始SNR数据进行滑动均值滤波处理，得到历史信号强度序列。

具体地，如图5所示，图5为本申请实施例中在图3所示场景中两次通过①-②-③路径的RSSI数据示意图，左侧为第一次行走时记录的RSSI数据，右侧为第二次行走时记录的RSSI数据，从两组实验数据中可以看出，RSSI值是呈对数函数趋势下降的，距离越远信号越弱，且此区域信号强度的下降趋势明显可以分为三段，每一段从数值上看减弱程度较小，该实验结果恰好也符合了图3实验场景的环境结构变化情况。

如图6和图7所示，图6为本申请实施例中在图3所示场景中通过不同路径的RSSI数据示意图，图中左侧为通过①-②-③路径的RSSI数据示意图，图中中间为通过①-④路径的RSSI数据示意图，图中右侧为通过⑤路径的RSSI数据示意图，图7为本申请实施例中在图3所示场景中通过不同路径的SNR数据示意图，图中左侧为通过①-②-③路径的RSSI数据示意图，图中中间为通过①-④路径的RSSI数据示意图，图中右侧为通过⑤路径的RSSI数据示意图，由图6和图7可知，不同环境结构下的RSSI值的稳定性不同，对应的SNR也有很大区别。

在不改变走廊环境时，SNR的变化情况相对于RSSI来说更为稳定，当收发端不处于同一走廊时，受到了更多墙壁遮挡的影响，SNR会发生急剧改变，所以可以利用SNR对环境的敏感性对路径分割情况起一个判别作用，即如果SNR发生剧烈变化，可以判定为是发生了转向，若没有发生明显变化，可以用于考虑是否会发生反向移动。

所以，根据LoRa信号的RSSI和SNR在室内的显著性变化特性，对其进行预处理之后，采用其作为后续路径变化的判断依据。

为了更有效的使用LoRa信号接收初始RSSI数据和初始SNR数据信息的特征，需要对其进行一些预处理操作。

线性插值可以有效的对初始RSSI数据中缺失的数据点进行补齐；卡尔曼滤波可以有效地对带有噪声的初始RSSI数据消除干扰，进行降噪和平滑；滑动均值滤波可以用来平衡初始RSSI数据的平稳性，并很好地保留陡峭的边沿。

1)采用线性插值和卡尔曼滤波对初始RSSI数据进行处理：

线性插值：由于无线信号在复杂的室内结构传播过程中会受多径和墙体等障碍物衰减的影响，在收发端达到一定的距离后不可避免会出现丢包的情况，本申请实施例采用1.0秒的时间步来对一维初始RSSI数据进行线性插值补偿，结果如图8所示，图8为本申请实施例中对初始RSSI数据进行线性插值处理前后的对比示意图。

卡尔曼滤波：真实使用条件下，测量到初始RSSI数据会包含不同干扰因素引起的噪声，这些噪声不仅有系统本身产生的，还有室内环境中的各种无法预估的干扰因素，导致测量所得的初始RSSI数据波动很大。因此需要有效的滤波技术来降低甚至消除诸多干扰因素引发的RSSI测量误差，提高测距的精度。如图9所示，图9为本申请实施例中对将经过线性插值后的初始RSSI数据进行卡尔曼滤波处理前后的对比示意图。

2)采用滑动均值滤波对初始SNR数据进行处理：

滑动均值滤波：滑动均值滤波是一种低通滤波技术，通常被用于时域降噪，能够有效地抑制由环境引起的噪声变化，并且也能够很好地保留陡峭的边沿变化。采用滑动均值滤波对SNR数据进行降噪处理。滑动均值滤波需要合理的选择滑动窗口的大小。如果窗口选择过小，滤波效果不够明显，还有可能存在较大的噪声，不利于室内结构特征信息提取；而滑动窗口选择过大，将会出现过拟合现象，破坏原始数据的特征。

如图10所示，图10为本申请实施例中对初始SNR数据进行滑动均值滤波处理前后的对比示意图，图中左侧为初始SNR数据，图中中间为经过5点滑动均值滤波处理后的初始SNR数据，图中右侧为经过10点滑动均值滤波处理后的初始SNR数据，通过比较经过5点滑动均值滤波处理过的初始SNR数据与经过10点滑动均值滤波处理过的初始SNR数据可知，虽然窗口大小为10时，滤除了许多的环境噪声，得到的波形更平滑和干净，但出于实时性的需求考虑，采用更多的点需要更多收集样本时长以及处理时长。经过多次测试，本申请实施例选择采用5点滑动均值滤波处理初始SNR数据，与初始SNR数据相比，经过5点滑动均值滤波处理初始SNR数据被除去了一些噪声并且保留了明显变化趋势点的位置。

S22：通过单位根检验方法判断历史信号强度序列的平稳性，如果单位根显著性检验统计量均小于包括10％、5％和1％的三个置信度，判定历史信号强度序列平稳。如果不平稳，对历史信号强度序列进行一阶差分，得到历史信号强度平稳序列。

具体地，首先进行平稳性判断。在一段历史信号强度初始序列{RSSI₀,RSSI_i,...,RSSI_i}进入系统后，首先通过单位根检验(ADF)来判断历史信号强度初始序的平稳性。当单位根显著性检验统计量均小于三个置信度(10％，5％，1％)，可认为历史信号强度初始序是平稳的。若不平稳，则进行一阶差分，通常情况下，一阶差分后就会是平稳序列。

S23：通过截尾和拖尾的方式确定关于历史信号强度平稳序列的ARIMA模型的最大阶数pmax和qmax，以及通过赤池信息准则或者贝叶斯信息准则确定最优阶数p和q，以及对最优阶数p和q进行残差检验，如果满足检验，选定p和q为历史信号强度平稳序列的模型参数，得到历史信号强度预测模型。

赤池信息准则的公式如下所示：

AIC＝-2ln(L)+2k。

贝叶斯信息准则的公式如下所示：

BIC＝-2ln(L)+ln(n)×k。

式中，L表示ARIMA模型的最大似然，n表示数据数量，k表示ARIMA模型的变量个数。

具体地，其次求解序列的自相关函数(ACF)和偏自相关函数(PACF)。用截尾和拖尾的方式进行确定ARIMA模型的最大阶数p_max和q_max，再通过赤池信息准则(AIC)或者贝叶斯信息准则(BIC)找出最优阶数p和q，AIC和BIC准则如公式(3)和公式(4)所示，式中，L表示ARIMA模型的最大似然，n表示数据数量，k表示ARIMA模型的变量个数。根据准则选择BIC最小值对应的模型阶数即可，最后对选择好的模型参数进行残差检验，满足检验则可确定预测模型参数，得到历史信号强度预测模型。

AIC＝-2ln(L)+2k (3)

BIC＝-2ln(L)+ln(n)×k (4)

具体地，通过历史信号强度预测模型对信号强度预测值进行预测，如图11所述，图11为本申请实施例中信号强度预测值与信号强度实际值的对比示意图，左侧为远离网关方向的对比示意图，右侧为靠近网关方向的对比示意图，预测过程需要历史时刻的真实值作为训练样本，因此图11中的信号强度预测值从i＝6时刻开始。

每个时刻新增加的信号强度实际值会对下一个时刻的信号强度预测值进行校准，避免在预测过程中产生过大的误差。无论是远离网关还是靠近网关，预测都逐渐趋于稳定和精准，达到了较好的预测效果。

计算当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，得到信号强度差值，即得到

S25：判断历史信号强度平稳序列中相近的若干个信号强度实际值是否发生剧烈变化，如果发生剧烈变化，根据剧烈变化的信号强度实际值确定分区点，以及根据分区点对历史信号强度平稳序列进行校准和调整。

具体地，通过图7可知，当从一种环境结构情形转变到另一种情形后，LoRa信号的衰减会发生较大变化，信噪比也随之发生变化。

在实际应用中，可采用依次经过线性插值处理和卡尔曼滤波处理后的初始RSSI数据去拟合每个位置的动态环境变量。如图12所示，图12为本申请实施例中通过依次经过线性插值处理和卡尔曼滤波处理后的初始RSSI数据拟合的动态环境变量与通过初始RSSI数据拟合的动态环境变量的对比示意图，经过处理后的动态环境变量拟合结果不仅可以更好的观察出环境结构影响带来的变化，还可以保留不同环境改变时对参数影响变化的走势。

从图12可知，经过处理后的拟合结果削弱了初始RSSI数据的不稳定性。当节点在远离网关的路径上移动时，从通过依次经过线性插值处理和卡尔曼滤波处理后的初始RSSI数据拟合的动态环境变量中可以看到两个急剧下降变化的位置，这说明存在有空间拐点，空间拐点指空间结构布局发生很大变化的位置，例如走廊拐角等，节点的行走路径发生了变化，空间拐点在图12中粗略表示为分区点。如果节点是在靠近网关的方向路径上移动时，则会出现上升变化很快的趋势情况。

如图13所示，图13为本申请实施例中根据图12的分区中的历史初始RSSI数据拟合得到的动态环境变量的示意图，通过图12中的分区点将图12的依次经过线性插值处理和卡尔曼滤波处理后的初始RSSI数据分段，第一段初始RSSI数据拟合得到的动态环境变量为图13中左侧所示的近似横线的区域，第二段初始RSSI数据拟合得到的动态环境变量为图13中中间所示的近似横线的区域，第三段初始RSSI数据拟合得到的动态环境变量为图13中右侧所示的近似横线的区域，因此很清晰显示出了分割路径前后的数值变化。每段路径上的动态环境变量情况整体稳定在一个水平线上。第一段路径上的动态环境变量在-70dBm到-60dBm之间，第二段路径上的动态环境变量在-81dBm到-75dBm之间，第三段路径上的动态环境变量在-92dBm到-88dBm之间，表明了不同结构信息对动态环境变量的影响很大，同一种路径上影响很小。一般情况下，收发端设备距离相差在十米内后，就不再做拐点的检测，这时默认两者在同一段路径上。

对移动路径的分割有助于在不同的路径环境中使用对应不同的适应函数去进行距离预测。卡尔曼滤波的处理相当于削弱了初始RSSI数据的不稳定性，而ADPL模型的动态环境变量变化情况相当于二次削弱了初始RSSI数据的不稳定性并且对环境变化较为敏感。

随着节点的移动，依据动态环境变量的敏感变化，找到滤波平滑后快速上升或急剧下降的拐点进行分区，再利用室内空间结构固有的特征，即行走路径种类有限，以及结合不同结构下信噪比的衰减性变化，对移动节点转换路径的方向进行判别。该过程只需真实信号强度值和距离的参与，所以可跟随系统实时进行。

在空间拐点出现时，虽然需要节点在新的路径移动一段距离后，即收集到环境变化的样本后，才可确定，导致过渡区域距离预测的不准确。但一旦确定空间分区点就可根据提前记录在系统的特定位置信息对含有累计误差的预测距离进行校准和调整，开始新路段上的收发距离预测值的预测。

S3：根据历史信号强度序列，确定上一时刻的动态环境变量实际值，以及根据路径衰减模型、信号强度差值和上一时刻的动态环境变量实际值，确定当前时刻的动态环境变量预测值。

步骤S3包括：

a_u ⁱ＝20×log₁₀(d_i)+20×log₁₀(f)-L_i；

L_i＝P_t+G_t+G_r-RSSI_i；

表示LoRa信号在室内的传输损耗实际值；

式中，

具体地，根据路径衰减模型，获取当前时刻的路径衰减模型，公式如下所示：

a_u ⁱ＝20×log₁₀(d_i)+20×log₁₀(f)-L_i； (5)

L_i＝P_t+G_t+G_r-RSSI_i； (6)

本申请实施例使用基于差分自回归移动平均模型的RSSI序列预测算法后i+1时刻的预测值

下得到的动态环境变量记为/>

表示LoRa信号在室内的传输损耗实际值；

表示网关接收的信号强度实际值；P_t表示发送功率；G_t表示节点的天线增益，G_r表示网关的天线增益。

S33：根据路径衰减模型、信号强度差值和动态环境变量变量，上一时刻的动态环境变量实际值进行自适应调整，得到当前时刻的动态环境变量预测值。

具体地，根据公式(5)～(8)，可得

即a_u ⁱ加上信号强度差值以及一个环境参数变量/>

/>

环境参数变

定义为i到i+1时刻关于收发距离Δd＝d_i+1-d_i的变化带来的动态环境变量影响，称为i到i+1时刻的参数适应变化量，可用公式(9)来表示：

式中，

表示当前时刻的信号强度预测值与上一时刻的信号强度实际值的差值，即信号强度差值。

公式(9)建立了a_u ⁱ到

变化的关系，RSSI_i和a_u ⁱ可以根据样本收集获得，

和/>

通过序列预测后获得，所以根据真实环境中的样本收集及预测过程可以将不同时刻的环境参数变量/>

拟合成与室内环境距离位置相关的参数适应函数，然后在收发距离预测阶段根据节点距离网关的位置关系直接调用对应的环境参数变量进行适应性的调整即可。

S4：根据路径衰减模型和当前时刻的动态环境变量预测值，确定当前时刻的收发距离预测值。

步骤S4包括：

具体地，提出基于ADPL的动态匹配测距模型，通过建立动态环境变量a_u的变化与收发距离预测值变化建立联系，用于进行收发端距离的预测。假设i+1时刻的环境影响因素和i时刻最为相像，即采用i时刻距离位置匹配使用的环境适应参数变化量，来预测出i+1时刻的距离。i+2时刻再根据i+1时刻的距离位置信息匹配相应的适应参数。以此类推，一直使用不同动态环境变量的路径衰减模型，完成移动过程中的每一时刻距离预测，直至节点移动完成。

i时刻的真实路径损耗L_i下距离d_i的表达式，表达式如下所示：

i+1时刻的预测路径损耗

下的收发距离预测值/>

的表达式，表达式如下所示：

式(11)中，d_i为i时刻节点到网关的收发距离实际值，a_u ⁱ为i时刻真实路径损耗下的动态环境变量；式(12)中，

为预测的i+1时刻节点到网关的收发距离预测值，/>

为i+1时刻预估损耗下的动态环境变量预测值；/>

的差值记为ΔRSSI。

如图14所示，图14为本申请实施例中信号强度实际值、信号强度预测值与收发距离实际值的示意图，图中左侧的拟合曲线1对应于d_i、RSSI_i的拟合曲线，拟合曲线2对应于d_i、a_u ⁱ+ΔRSSI的拟合曲线，拟合曲线3对应于d_i+1、

的拟合曲线。图中右侧的中Δd为i+1时刻收发距离实际值d_i+1和i时刻收发距离实际值d_i的差值，u为环境参数变量。通过对a_u的适应调整，将拟合曲线1变化到拟合曲线3，即让/>

无限接近于d_i+1，从而更为准确地通过上一时刻的相关数据预测当前时刻的收发距离预测值。

根据参数预测的方法可知，

可以写成a_u ⁱ加上ΔRSSI和/>

ΔRSSI可由每一次预测后得到，则根据公式(12)，/>

可以由公式(4)～(8)表示：

公式(13)简化后由公式(14)表示：

根据公式(14)中可知，如果要得到收发距离预测值

只需得到/>

即可。公式(13)还可写成如公式(15)所示的表达式：

节点移动过程中，每一时刻的

值都不同，/>

与收发间隔距离及路径上的环境因素有关。

在室内空间结构没有过于明显的改变时，

值可以通过室内地图信息和经过收集真实样本处理为一个与位置相关的函数，这只需在确定网关位置后，提前对新环境的不同路径进行一次实际测量，相同路径不同方向不需重复记录，记录RSSI样本值和对应距离值。

按1s的时间间隔对节点移动过程中的RSSI和收发距离实际值进行线性插值，根据插值后的距离变化情况拟合出

随当下环境结构变化的适应性函数，记录在系统中。正式启用时，直接根据上一时刻的收发距离预测值调用关于u的函数。

节点位置距离网关相对越远或空间结构越密闭，信号变化会更小和更稳定，ΔRSSI则越小，越接近于0；u也会更小，更接近于0，因为这时很小的u值就会引起很大的距离变化，这是由衰减模型的对数性质决定的。

S5：获取当前时刻的信号强度实际值并且迭代执行步骤S2，直至完成室内测距。

具体地，a_u ⁱ变化为

的过程即为参数适应过程。根据距离位置关系实时调用对应适应变化量，则会得到更准确的预测距离。适应参数的正负与节点移动方向有关，在远离网关方向移动时，u值取正，靠近网关方向移动时，u值取负。

起始的动态环境变量必须需要一次收发距离实际值的参与才可以进行确定，参数确定后，即可开始对下一时刻的收发距离预测值进行预测。后续的过程便可以用预测出来的距离代替真实距离进行动态环境变量预测。该室内动态距离预测方法避免不了会引入累计误差的影响，因为除了初始时刻，始终是用上一时刻预测距离参与下一时刻的参数预测。但引入的累计误差可以通过记录若干个室内空间结构变化明显的位置信息进行中间过渡的校准，即在特定位置处进行路径是否改变的判断，如果改变，则将特定位置地点作为新的位置起点从新开始对动态环境变量和距离进行预测。

综上可知，如图15所示，图15为本申请实施例中一种基于LoRa信号路径衰减模型的室内动态测距方法的信息流转图，本申请实施例的数据信息通过模型参数估计、数据采集、数据预处理和动态距离估计过程等步骤流转。

在信息流转的过程中，本申请实施例首先提出一种室内自适应变化的路径衰减模型(ADPL Model)。基于LoRa信号的室内自适应路径衰减模型忽略对障碍物的具体划分，将每一地点所有完全或部分阻塞直接路径上的遮挡衰减都合并设置为当前地点的环境参数变量，通过在不同结构环境中测量LoRa链路的路径损失与室内环境结构的关系，发现该模型对室内结构走廊变化分区敏感，不同的室内环境结构类型以及LoRa自身的低采样率，会导致不同的信号衰减特性，证明LoRa信号可以捕捉环境结构的变化信息。

其次，提出基于差分自回归移动平均模型的RSSI序列预测算法。为动态环境参数预测值和动态环境参数实际值预测值建立关于空间位置的关系，得到路径衰减模型下的环境自适应参数估计函数。能捕捉节点移动带来的路径损失的影响，对下一时刻进行预测，且不断跟随设备收集的数据进行预测。将预测值下的环境参数与真实值下的环境参数建立与移动距离的关系，为基于模型的动态测距方法奠定了可行性。

最后，提出基于ADPL的动态匹配测距模型。在节点的移动过程中，动态的匹配动态环境变量调用，实现节点与网关间收发距离预测值的动态预测。该方法在一定程度上弥补了基于传统物理模型测距的不足。

实施例一

在部署完网关和相关设备后，邀请5名志愿者(3名女生、2名男生)携带LoRa节点在不同室内场景下的不同走廊路径中进行移动，依据不同走廊的结构特性对室内的空间域进行分区。不同的志愿者则代表正常行走范围内的不同移动速度。现以下述技术方案对提出的算法、模型以及收发距离预测方法进行评估。

一、RSSI序列预测算法的性能

通过四种不同情景路径收集样本并评估通过RSSI序列预测算法得到的收发距离实际值与收发距离预测值之间的预测差值的情况。从第6个样本值开始，以十个样本为一组，记录组内预测差值的均值情况。

如图16所示，图16为本申请实施例中通过RSSI序列预测算法预测的信号强度实际值与信号强度预测值之间的差值示意图，具体地展示了四条不同情景路径下的分组平均预测差值，左侧纵列中括号内数字代表人员走过一段完整路径收集到的样本点数，每一组数据预测的准确性总体上随着样本数的增加而逐渐精准。

如图17所示，图17为本申请实施例中根据不同时刻收集到的样本组中预测差值的示意图，横轴代表随节点移动不同时刻收集的样本分组，十个样本差值为一个，纵轴为不同组内预测差值的均值，每组从左至右依次为Data1、Data2、Data3和Data4的。由图17可知，不符合下降规律的样本点区间一般为环境空间结构发生较大变化或者改变行走方向的区域，这些位置受到路径改变引起的衰减变化较大，预测需要适应，然后趋向准确。

本申请实施例通过对多组不同模型参数的RSSI序列预测算法进行了实验，结果如图18所示，图18为本申请实施例中不同模型参数下的预测时间成本的示意图，横轴表示参数预测训练的样本数，竖轴表示预测使用的时间，单位为ms。本申请实施例的RSSI序列预测算法使用的时间会随样本个数的增多而增加，但也和数据的稳定性息息有关。从图18可知，差分后的序列会减少预测时间并且使用多个模型参数会增加预测时间，以及模型阶数越大，预测时间成本越大。

在最优参数不唯一时，应以预测时间成本更低作为标准。通过真实采集数据对预测模型参数进行确定后，在参数估计阶段直接使用，可大大节约计算成本和时间。通过实验发现，采用适合的模型参数后，对100个样本值进行训练及预测只需不到50ms的时间，可以为后续实时的参数调整以及距离估计带来可行性。

二、ADPL动态测距性能

如图3、图19和图20所示，图19为本申请实施例中实验场景二的平面地图，图20为本申请实施例中实验场景三的平面地图，分别在三栋不同的室内结构环境下进行动态测距性能评估。为方便表述，下述说明种实验场景(ExperimentScenario)通过ES表示。

(1)ES1：如图3所示，系统部署在东校区信息馆四层，网关部署在401学术报告厅。

(2)ES2：如图19所示，系统部署在学生公寓四层，网关部署在427房间。

(3)ES3：如图20所示，系统部署在西校区信息馆2号楼五层，网关部署在505机房。

如图21、图22和图23所示，图21为本申请实施例中ES1各路径下使用动态环境变量调整变化后的动态距离预测情况示意图，图中左侧经过的路径为①-②-③，图中中间经过的路径为③-②-①，图中右侧经过的路径为①-④；图22为本申请实施例中ES1和ES2各路径下使用动态环境变量调整变化后的动态距离预测情况示意图，图中左侧经过的路径为ES1中①-②，图中中间为ES2房间427-410，图中右侧为ES2房间410-427；图23为本申请实施例中ES1和ES3各路径下使用动态环境变量调整变化后的动态距离预测情况示意图，图中左侧为ES1房间401-403，图中中间为ES1房间401-415，图中右侧为ES3房间505-501，该方法避免了距离摆动的问题，而且大大降低了收发距离的误差范围。

通过多组实验，确认基于ADPL模型的室内动态距离预测方法的距离预测误差非常小。虽然该方法避免了传统固定模型中经常出现的距离摆动问题，但原理上总是利用上一时刻的环境影响，估计当前时刻的距离，所以说如果当前时刻估计出来的距离带有误差，则会把该误差带入到下一个时刻，造成该方法在距离估计时具有累计误差的存在。接下来为了评估累计误差的范围，选取ES1中401-408房间的走廊区域，进行了多次移动实验测试。

如图24所示，图24为本申请实施例中累积误差跟随收发距离实际值变化的变化示意图，每组中从左至右方柱依次代表最大误差、平均误差和最小误差，虽然每次估计结果都有累计误差的存在，但在30米的走廊范围内，平均累计误差在2.1米以内；70米的走廊范围内，平均累计误差在4.6米以内。

三、不同动态环境变量的影响

分别在ES1和ES2中的各走廊区域对ADPL衰减模型中的动态环境变量进行拟合。

如图25所示，图25为本申请实施例中不同路径下动态环境变量的拟合示意图，图中四个表图从左至右依次为ES2房间427-410、ES1房间401-415、ES1房间401-419和ES1房间401-424，其中，ES1房间401-419部分的表图有两个分区，因此有两段动态环境变量预测值，ES1房间401-424部分的图表有三个分区，因此有三段动态环境变量预测值。

图25表现了节点在远离网关方向的不同路径下移动时的动态环境变量的变化。在ES2中427-410房间的走廊路径中，动态环境变量集中在-55dBm和-45dBm之间的水平范围内；在ES1中401-415房间的走廊路径中，动态环境变量集中在-66dBm和-60dBm之间的水平范围内；而在ES1中401-419房间的路径上和401-424房间的路径上，动态环境变量范围在-95dBm和-57dBm之间，多个走廊路径相比于一个走廊路径的情况，参数范围扩大了至少两倍。

该实验结果表明，从一个走廊区域走入另一个走廊区域时，如果经历了空间结构的大幅度改变后，动态环境变量也会有大幅度的变化。没有经历时，参数变化相对平稳，证明了本文提出的ADPL模型可以体现不同室内走廊环境影响的差异性。具体每段路径上参数变化范围如图26所示，图26为本申请实施例中不同路径下动态环境变量的变化范围示意图。

四、不同动态环境变量的影响

当不同人员移动过程中，可能会出现行走速度不一致的情况，如图27所示，图27为本申请实施例中同一路径不同速度下的收发距离预测值和收发距离实际值的对比示意图，具体地展示了两组同一路径不同移动速度下的距离预测的示意图，图中四个表图从左至右依次为1号志愿者在完成ES1中①-④路径移动时共收集到66个样本值以及用时136s、2号志愿者在完成ES1中①-④路径移动时共收集到47个样本值以及用时104s、1号志愿者在完成ES3中从505房间移动到501房间收集样本过程和2号志愿者在完成ES3中从505房间移动到501房间收集样本过程。

从图27可知，1号志愿者在完成ES1时的移动速度明显比2号志愿者在完成ES1时的移动速度更快；1号志愿者在完成ES3时的移动速度明显比2号志愿者在完成ES3时的移动速度更快。两组实验结果证明，在不同节点移动速度下，使用适应函数进行动态环境变量调整后的室内动态距离预测得到了较好的结果。

如图28所示，图28为本申请实施例中同一路径不同速度下的收发距离预测误差的数据表，图28具体地展示了五名志愿者携带节点在同一场景的同一路径下的移动情况以及使用ADPL衰减模型进行自适应参数室内动态距离预测方法后带来的预测误差，其中路径为ES1中①-④路径。

不同的志愿者分别代表不同的行走速度。五名志愿者的平均预测误差最大为7.019m，平均误差最小为1.849m，整体呈现出移动速度越慢，预测误差越小的表现，这是因为更慢的速度可以获得更多的样本值，也就能够获得更多的位置信息，从而使动态估计结果更加准确。

五、不同行走路径的影响

如图29所示，图29为本申请实施例中不同路径下的收发距离预测误差的数据表，具体地展示了同一名志愿者携带节点在不同场景的不同路径下移动，使用ADPL衰减模型进行自适应参数室内动态距离预测方法带来的预测误差，该方法实现了三种实验场景下平均最小预测误差0.287m，平均最大预测误差6.670m，整体平均误差2.920m的精度。

如图30所示，图30为本申请实施例中三种实验场景中收发距离预测误差的示意图，具体地展示了所有场景下的距离预测误差的CDF结果，从图30可知，50.6％的收发距离预测误差在2.0m以内，79.8％的误差在6.0m以内，10.0m内的误差达到了94.3％。由于室内有着走廊分区的限制，所以在该精度下可以估计出节点处于何段走廊位置中。

六、不同节点数量的影响

在同一场景中的相同路径上分别做了单节点移动测距的实验和双节点同时移动测距的对比实验，相同路径为ES1路径①-②-③，以及节点1在ES1路径①-②上移动，节点2在ES1路径①-②-③上移动。

如图31所示，图31为本申请实施例中不同节点数量下的收发距离预测误差的示意图，单节点下6.0m内的测距误差达到了80％，双节点下7.0m内的测距误差达到了80％以上。双节点下的测距精度与单节点下的十分相似，表明并没有因为增加节点同时使用后而降低精度。一方面是因为LoRa网关具有良好并发接收能力；另一方面是，本申请实施例的室内动态距离预测方法不断根据节点的收发距离预测值和真实损耗调整选择不同的模型参数，每个节点根据距离匹配模型参数的过程相互独立，所以增加节点数量并不会影响单个节点的测距性能。

综上可知，本申请实施例在三种不同建筑走廊结构中，真实部署LoRaWAN系统，进行了大量的实验。通过基于真实场景的自建数据集对ADPL路径损耗模型及动态距离估计的性能进行评估。大量实验与分析结果表明，ADPL路径损耗模型相比于现有模型对环境变化更敏感。基于ADPL模型的动态匹配距离预测方法达到了最小估计距离误差0.287米、平均距离误差为2.920米的测距精度。

以及，与现有的物理模型相比，实验结果表明，本申请实施例所记载的技术方案只需在少量的场景训练开销的前提下，就可在收发端间距最大83.6m直线距离的情况下，降低平均测距误差14.76米。

以上对本申请的实施例进行了详细说明，但内容仅为本申请的较佳实施例，不能被认为用于限定本申请的实施范围。凡依本申请范围所作的均等变化与改进等，均应仍属于本申请的专利涵盖范围之内。