TW201525510A

TW201525510A - 三維空間定位方法

Info

Publication number: TW201525510A
Application number: TW102148471A
Authority: TW
Inventors: Hsu-Yang Kung; zhi-jun Zhang; Sih-Ying Li; Mei-Hsien Lin; Yu-Hsin Luo; Ching-Mei Chu; Tsung-Jui Lin
Original assignee: Univ Nat Pingtung Sci & Tech
Priority date: 2013-12-26
Filing date: 2013-12-26
Publication date: 2015-07-01
Also published as: TWI498582B

Abstract

本發明揭示一種三維空間定位方法，用於符合三維空間定位需求，包含收集數個參考標籤的訊號強度指數，計算該些訊號強度指數的平均值及標準差，濾除偏離該標準差的訊號強度指數，以一類神經網路訓練各訊號強度指數及所屬參考標籤的座標，產生該參考標籤的間距；收集一追蹤標籤的訊號強度指數，計算該追蹤標籤與各參考標籤之訊號強度指數的差值，選取差值較小的八個參考標籤作為八個定位標籤；及計算該追蹤標籤與各定位標籤間訊號強度指數的相關係數，依據該相關係數計算各定位標籤的權重值，依據各權重值及其所屬定位標籤的座標計算該追蹤標籤的座標。藉此，可解決上述問題。

Description

三維空間定位方法

本發明係關於一種定位方法；特別是關於一種三維空間定位方法。

隨著科技發展，紅外線、超音波、IEEE 802.11或無線射頻辨識技術(RFID)等已逐漸成為定位技術的主流，其中，RFID定位技術具有穩定性高、環境容性佳及成本低等優點，且可利用訊號抵達角度(AoA)、訊號抵達時間(ToA)、訊號抵達時間差(TDoA)及接收訊號強度(RSSI)等技術進行定位，而漸受青睞。其中，接收訊號強度的技術適用於大範圍佈署，且成本低，能應用於行動運算裝置，逐漸成為RFID定位技術的研發重點，舉例說明如下。

典型的RFID定位技術為LANDMARC演算法(詳參「Pahlavan,K.,L.Xinrong,J.P.Makela,“Indoor geolocation science and technology,”IEEE Communications Magazine,Vol.40,No.2,2002,pp.112-118.」)。G.Y.Jin等學者(2006)以LANDMARC為參考基礎，提出參考標籤的篩選機制，進而改良室內定位的精確度，並減少RFID標籤的建置數量；S.T.Shih等學者(2006)引用LANDMARC的理論，並以訊號強度決定權重，再利用權重代表物體遠近，進而使用三角形劃分區域，慢慢逼近目標點；Xuejing Jiang等學者(2009)經由LANDMARC系統定位後，將參考標籤與最接近的追蹤標籤(Tracking Tag)互換，再次定位後，與之前的實驗結果比較，可提高系統的定位準確度；Chai-Hao Chang等學者(2009) 則結合RFID與超音波技術進行定位實驗，降低RFID訊號受外界干擾所造成的影響。另，中華民國專利公開第201032138 A1號「RFID定位方法及其系統」揭示，電腦可藉由數個中繼識別訊息的RSSI值，以定位演算法(例如三角定位演算法)計算出RFID標籤的座標位置。然而，上述研究內容僅適用於二維(2-D)空間的定位，無法符合三維(3-D)空間的定位需求。

此外，M Ayoub Khan等學者(2009)雖以實驗結果指出LANDMARC演算法運用於三維空間是可行的。惟其定位精準度不佳，且在取鄰近點的方式上仍須調整與改善，方可實際應用於三維空間定位。

有鑑於此，有必要提出一種三維空間定位方法，以改善上述基於LANDMARC先前技術的缺點，符合三維空間的定位需求，提升其實用性。

本發明之主要目的係提供一種三維空間定位方法，以提高RFID應用於三維空間定位的精確度。

本發明提出一種三維空間定位方法，包含：設置八個讀取器於一立方形空間的八個角落，於該立方形空間中均勻佈置數個參考標籤，該些讀取器收集各參考標籤的訊號強度指數，交由一電腦系統計算該些訊號強度指數的平均值及標準差，將偏離該標準差的訊號強度指數濾除後，以一類神經網路訓練各訊號強度指數及所屬參考標籤的座標，用以產生該參考標籤的間距；由該讀取器收集一追蹤標籤的訊號強度指數，交由該電腦系統計算該追蹤標籤與各參考標籤之訊號強度指數的差值，選取差值較小的八個參考標籤作為八個定位標籤；及由該電腦系統計算該追蹤標籤與各定位標籤間訊號強度指數的相關係數，依據該相關係數計算各定位標籤的權重值，依據各權重值及其所屬定位標籤的座標計算該追蹤標籤的座標。

較佳地，該平均值的計算方式係如下式所示：其中，μ、為平均值，n為該些訊號強度指數的數量，k(k [1,n])為各參考標籤的編號，x_k為各參考標籤的訊號強度指數。

較佳地，該標準差的計算方式係如下式所示：其中，σ為標準差，μ為平均值，n為該些訊號強度指數的數量，k(k [1,n])為各參考標籤的編號，x_k為各參考標籤的訊號強度指數。

較佳地，在將偏離該標準差的訊號強度指數濾除後，計算各訊號強度指數的機率密度函數，該機率密度函數的計算方式如下式所示：其中，f(x)為該機率密度函數，x為欲計算機率密度函數的訊號強度指數，σ為標準差，μ為平均值。

較佳地，該相關係數的計算方式係如下式所示：其中，i為該數個定位標籤的編號，E_i為第i個定位標籤與該追蹤標籤間訊號強度指數的相關係數，θ_i為各定位標籤的訊號強度指數，S為該追蹤標籤的訊號強度指數，n為該定位標籤的數量。

較佳地，該權重值的計算方式係如下式所示：其中，i、j為該數個定位標籤的編號，w_j為第j個定位標籤的權重值，k為該定位標籤的數量，E_i為第i個定位標籤與該追蹤標籤間訊號強度指數的相關係數。

較佳地，該追蹤標籤的座標計算方式係如下式所示：其中，(x,y,z)為該追蹤標籤的座標，k為該定位標籤的數量，w_j為第j個定位標籤的權重值，(x_i,y_i,z_i)為第i個定位標籤的座標。

〔本發明〕

1‧‧‧實體層

11‧‧‧讀取器

11a~11h‧‧‧讀取器

12‧‧‧參考標籤

12a’~12h’‧‧‧定位標籤

2‧‧‧定位層

21‧‧‧訊號收集模組

22‧‧‧範圍切割模組

23‧‧‧座標定位模組

24‧‧‧資料庫

3‧‧‧應用層

31‧‧‧圖書書目管理系統

32‧‧‧物流倉儲管理系統

33‧‧‧家庭物品管理系統

C‧‧‧角落

P‧‧‧立方形空間

R‧‧‧電腦系統

T‧‧‧追蹤標籤

X,Y,Z‧‧‧軸

S1‧‧‧訓練步驟

S2‧‧‧切割步驟

S3‧‧‧定位步驟

第1圖係本發明三維空間定位方法一實施例之系統架構圖。

第2圖係本發明三維空間定位方法一實施例之運作流程圖。

第3圖係本發明三維空間定位方法一實施例之標籤位置前視與透視示意圖。

第4圖係本發明三維空間定位方法一實施例之標籤座標示意圖。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：

本發明全文所述之「無線射頻辨識技術」(Radio Frequency Identification，RFID)，係指一讀取器(Reader)可藉由無線射頻訊號辨識不同標籤(Tag)的技術，並可依該標籤是否具有傳輸能力，而分為主動式及被動式RFID標籤，係本發明所屬技術領域中具有通常知識者可以理解。

本發明全文所述之「耦接」(coupled connection)，係指二裝置之間藉由無線通訊方式(如：RFID技術)相互傳遞資料，係本發明所屬技術領域中具有通常知識者可以理解。

本發明全文所述之「立方形空間」(cubic space)，係指一個呈現立方形的空間範圍，該空間範圍具有八個角落(corner)，各角落位於立方形的各頂點處，係本發明所屬技術領域中具有通常知識者可以理解。

本發明全文所述之「倒傳遞類神經網路」(Back-propagation neural network，BPN)，係指將多層感知機(MLP)與誤差倒傳遞演算法(Error Back Propagation,EBP)融合的類神經網路技術(詳參「張斐章，張麗秋，”類神經網路”，東華書局，2005」)，其中，倒傳遞類神經網路在學習階段時，會將輸出時所產生的誤差值，自輸出層往回傳遞至隱藏層，再至輸入層，並修正網路間的鍵結值，以求得到更接近所期望的輸出結果，係本發明所屬技術領域中具有通常知識者可以理解。

請參閱第1圖所示，其係本發明三維空間定位方法一實施例之系統架構圖。其中，一個三維空間定位系統包含一實體層1及一定位層2，該實體層1設有數個讀取器(RFID Reader)11及數個參考標籤(Reference Tag)12，該數個參考標籤12較佳均勻佈置於三維空間中，該讀取器11耦接該參考標籤12，用以收集該參考標籤12的訊號強度指數(Received Signal Strength Index，RSSI)，並傳送至該定位層2。在此實施例中，該RFID標籤12係以被動式RFID標籤作為實施態樣，惟不以此為限。

請再參閱第1圖所示，該定位層2可由一個可接收該訊號強度指數的電腦系統R執行一軟體程式，該電腦系統R可耦接上述讀取器11，該軟體程式可規劃成一訊號收集模組(module)21、一範圍切割模組22、一座標定位模組23及一資料庫24，用以依據該訊號強度指數計算設於一目標物(Target)之追蹤標籤(Tracking Tag)的座標。在此實施例中，該定位層2之訊號收集模組21具有〝收集訊號強度〞、〝機率密度函數(Probability Density Function，PDF)〞及〝類神經網路(如：倒傳遞類神經網路)〞等功能，用以確定已經篩選之RSSI值的範圍與距離的關係，並送至已訓練完成的類神經網路；該範圍切割模組22具有〝範圍分割，如：〝(algorithm)〞及〝範圍確認〞等功能，用以選取數個距離該追蹤標籤較近的參考標籤12，並依據該參考標籤12以Divide-and-Conquer演算法進行範圍切割，以估算該追蹤標籤的範圍；該座標定位模組23具有〝估算RSSI關係集合〞、〝估算參考標籤權重〞及〝估算追蹤標籤座標〞等功能，用以計算該追蹤標籤與參考標籤之間的RSSI值的關係集合，透過該追蹤標籤與參考標籤的關係計算各參考標籤的權重，依據各參考標籤的權重計算該追蹤標籤的座標；該資料庫24用以儲存上述計算過程所需的數值；惟不以此為限。

請再參閱第1圖所示，該定位層2還可藉由有線或無線網路連結一應用層3，該應用層3可為具有特殊應用功能的電腦系統，如：圖書書目管理系統、物流倉儲管理系統或家庭物品管理系統等，用以依據上述位置資訊執行圖書書目管理、物流倉儲管理或家庭物品管理等特殊應用功能，惟不以此為限。在此實施例中，該應用層3包含一圖書書目管理系統31、一物流倉儲管理系統32及一家庭物品管理系統33，惟不以此為限。

請參閱第2圖所示，其係本發明三維空間定位方法一實施例之運作流程圖，其中，該方法包含一訓練步驟S1、一切割步驟S2及一定位步驟S3，分別說明如後。

該訓練步驟S1，係設置八個讀取器於一立方形空間的八個角落，於該立方形空間中均勻佈置數個參考標籤，該些讀取器收集各參考標籤的訊號強度指數，交由一電腦系統計算該些訊號強度指數的平均值及標準差，將偏離該標準差的訊號強度指數濾除後，以一類神經網路訓練各訊號強度指數及所屬參考標籤的座標，用以產生該參考標籤的間距。其中，在將偏離該標準差的訊號強度指數濾除後，較佳還可計算各訊號強度指數的機率密度函數，用以確定各參考標籤之訊號強度指數的所在範圍，在後續步驟中若有不明標籤(如：該目標物之標籤等)的訊號強度指數被偵測到，則可與各參考標籤之訊號強度指數相比較，以判斷該不明標籤係鄰近哪一個參考標籤。詳言之，請參閱第1至3圖所示，首先，將八個讀取器11a~11h設置於該立方形空間P的八個角落C(如第3圖所示)，並在該立方形空間P中均勻佈置數個參考標籤12，例如：在該些讀取器11a~11h之間沿X、Y、Z軸均勻分佈，並且記錄各參考標籤12的座標，以利進行後續流程。接著，由該些讀取器11a~11h收集各參考標籤12的訊號強度指數(RSSI)，並交由該電腦系統R(如第1圖所示)計算該些訊號強度指數的平均值及標準差，該平均值及標準差的計算方式係如下式(1)、(2)所示：

其中，μ、為平均值，σ為標準差，n為該些訊號強度指數的數量，k(k [1,n])為各參考標籤的編號，x_k為各參考標籤的訊號強度指數。接著，可由該電腦系統R濾除偏離該標準差的訊號強度指數(如：訊號強度指數大於平均值加標準差，或小於平均值減標準差)，用以排除誤差過大的訊號強度指數。之後，由該電腦系統R計算各訊號強度指數(即未排除的訊號強度指數)的機率密度函數，該機率密度函數的計算方式如下式(3)所示：其中，f(x)為該機率密度函數，x為欲計算機率密度函數的訊號強度指數，σ為標準差，μ為平均值。

接著，由該電腦系統R儲存各訊號強度指數所屬參考標籤12的座標，並以該類神經網路(如：倒傳遞類神經網路等)訓練該剩餘訊號強度指數及所屬參考標籤12的座標，用以產生該剩餘訊號強度指數所屬參考標籤12的間距，以作為後續計算各參考標籤12的相對距離之依據。在本實施例中，該類神經網路較佳採用倒傳遞類神經網路，倒傳遞類神經網路的學習演算法訓練過程包含：(1)設定轉換函數及網路數值；(2)設定網路之初始加權值(如：14)及偏權值(如：-14)；(3)輸入訓練組(如：0)與目標輸出值(如：40)；(4)計算隱藏層之輸出值及輸出層之輸出值；(5)計算輸出層與隱藏層之容許差距量；(6)計算輸出層與隱藏層各差距量；(7)判斷輸出層與隱藏層計算出之差距量是否大於容許差距量；(8)修正輸出層與隱藏層之加權值與偏權值；重覆(4)~(8)，直到輸出層與隱藏層之差距量小於容許差距量，即完成訓練過程。

該切割步驟S2，係由該讀取器收集一追蹤標籤的訊號強度指數，交由該電腦系統計算該追蹤標籤與各參考標籤之訊號強度指數的差值，選取差值較小的八個參考標籤作為八個定位標籤。詳言之，請再參閱第1至3圖所示，先由該些讀取器11a~11h收集該追蹤標籤T(位於上述目標物)之訊號強度指數，再將該追蹤標籤T之訊號強度指數交給該電腦系統R，由該電腦系統R計算該追蹤標籤T與各參考標籤12之訊號強度指數的差值，選取差值較小的八個參考標籤12進行範圍切割，以作為該些定位標籤，如第4圖所示，由定位標籤12a’~12h’構成一定位範圍(矩形空間)，定位標籤12a’、12b’、12c’及12d’構成一平面，定位標籤12e’、12f’、12g’及12h’構成另一平面。在此實施例中，該範圍切割演算法可選為Divide-and-Conquer演算法，如下式(4)所示：其中，E為平面方程式，(x _i,y _i,z _i)為平面上第i點(如：12a’、12b’、12c’、12d’)的(x,y,z)座標，為一個垂直於平面的向量。因此，若該八個差值較小的參考標籤並非位於該追蹤標籤T附近，則可利用Divide-and-Conquer 演算法取得該追蹤標籤T的所在範圍，以便進行後續定位的相關流程。

該定位步驟S3，係由該電腦系統計算該追蹤標籤與各定位標籤間訊號強度指數的相關係數，依據該相關係數計算各定位標籤的權重值，依據各權重值及其所屬定位標籤的座標計算該追蹤標籤的座標。詳言之，請再參閱第1至3圖所示，該電腦系統R計算該追蹤標籤T與各定位標籤(如第4圖所示之12a’~12h’)間訊號強度指數的相關係數，如下式(5)所示：其中，i為該數個定位標籤的編號，E_i為第i個定位標籤(如：12a’~12h’)與追蹤標籤T間訊號強度指數的相關係數，θ_i為各定位標籤(如：12a’~12h’)的訊號強度指數，S為該追蹤標籤T的訊號強度指數，n為該定位標籤的數量(n=8)。接著，該電腦系統R依據該相關係數計算各定位標籤的權重值，如下式(6)所示：其中，i、j為該數個定位標籤的編號(i=j)，w_j為第j個定位標籤(如：12a’~12h’)的權重值，k為該定位標籤的數量(k=8)，E_i為第i個定位標籤(如：12a’~12h’)與追蹤標籤間T訊號強度指數的相關係數。之後，該電腦系統R依據各權重值w_j及其所屬定位標籤(如：12a’~12h’)的座標計算該追蹤標籤T的座標，如下式(7)所示：其中，(x,y,z)為該追蹤標籤T的座標，k為該定位標籤的數量(k=8)，w_j為第j個定位標籤的權重值，(x_i,y_i,z_i)為第i個定位標籤的座標。

舉例而言，如第4圖所示，其中，各參考標籤12的座標及訊號強度指數係如下表一所示，若該目標物之追蹤標籤的訊號強度指數為29，根據訊號強度指數可知，該追蹤標籤的座標接近座標(1,0,0)和(1,1,0)，因此，該電腦系統需計算座標(1,0,0)和(1,1,0)所組成的平面方程式，令座標(1,1,0)為基準點，可求得垂直該平面的向量為座標(0,1,0)與(1,1,0)之間的差(-1,0,0)，將座標(1,1,0)與差值(-1,0,0)帶入上式(4)，可得到平面方程式E=-1(x-1)+0(y-1)+0(z-0)。

接著，根據該訊號強度指數可得到該目標物在此平面範圍內，由於前述流程還可計算各參考標籤之訊號強度指數的機率函數密度，故可利用已知的機率函數密度確認該追蹤標籤鄰近哪一個參考標籤及所在範圍等資訊，並且，將該追蹤標籤與各參考標籤之訊號強度指數的差值排序後，可知構成該切割範圍的八個定位座標分別為(0,0,0)、(0,0,1)、(0,1,0)、(0,1,1)、(1,0,0)、(1,0,1)、(1,1,0)、(1,1,1)，將此八座標代入上式(5)，可得。

接著，該電腦系統依據上式(6)計算各定位標籤的權重值，可得w ₁=1、、、、、、、。因此，該電腦系統將各權重值w1~w8及其所屬定位標籤的座標代入上式(7)，可得該追蹤標籤的座標如下所示：(x,y,z)=w₁(1,1,0)+w₂(1,0,0)+w₃(0,1,1)+w₄(0,0,1)+w₅(1,1,1)+w₆(2,0,0)+w₇(0,1,0)+w₈(0,0,0)。

藉由前揭之技術手段，本發明三維空間定位方法實施例的主要特點列舉如下：首先，設置八個讀取器於一立方形空間的八個角落，於該立方形空間中均勻佈置數個參考標籤，該些讀取器收集各參考標籤的訊號強度指數，交由一電腦系統計算該些訊號強度指數的平均值及標準差，將偏離該標準差的訊號強度指數濾除後，可計算各訊號強度指數的機率密度函數，以一類神經網路訓練各訊號強度指數及所屬參考標籤的座標，用以產生該參考標籤的間距。接著，由該讀取器收集一追蹤標籤的訊號強度指數，交由該電腦系統計算該追蹤標籤與各參考標籤之訊號強度指數的差值，選取差值較小的八個參考標籤作為八個定位標籤。之後，由該電腦系統計算該追蹤標籤與各定位標籤間訊號強度指數的相關係數，依據該相關係數計算各定位標籤的權重值，依據各權重值及其所屬定位標籤的座標計算該追蹤標籤的座標。藉此，可確實改善習知基於LANDMARC演算法進行定位的缺點，並符合三維空間的定位需求，達成「提高RFID應用於三維空間定位的精確度」功效。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

S1‧‧‧訓練步驟

S2‧‧‧切割步驟

S3‧‧‧定位步驟

Claims

一種三維空間定位方法，包含：設置八個讀取器於一立方形空間的八個角落，於該立方形空間中均勻佈置數個參考標籤，該些讀取器收集各參考標籤的訊號強度指數，交由一電腦系統計算該些訊號強度指數的平均值及標準差，將偏離該標準差的訊號強度指數濾除後，以一類神經網路訓練各訊號強度指數及所屬參考標籤的座標，用以產生該參考標籤的間距；由該讀取器收集一追蹤標籤的訊號強度指數，交由該電腦系統計算該追蹤標籤與各參考標籤之訊號強度指數的差值，選取差值較小的八個參考標籤作為八個定位標籤；及由該電腦系統計算該追蹤標籤與各定位標籤間訊號強度指數的相關係數，依據該相關係數計算各定位標籤的權重值，依據各權重值及其所屬定位標籤的座標計算該追蹤標籤的座標。
根據申請專利範圍第1項所述之三維空間定位方法，其中該平均值的計算方式係如下式所示：其中，μ、為平均值，n為該些訊號強度指數的數量，k(k [1,n])為各參考標籤的編號，x_k為各參考標籤的訊號強度指數。
根據申請專利範圍第1項所述之三維空間定位方法，其中該標準差的計算方式係如下式所示：其中，σ為標準差，μ為平均值，n為該些訊號強度指數的數量，k (k [1,n])為各參考標籤的編號，x_k為各參考標籤的訊號強度指數。
根據申請專利範圍第1項所述之三維空間定位方法，其中在將偏離該標準差的訊號強度指數濾除後，計算各訊號強度指數的機率密度函數，該機率密度函數的計算方式如下式所示：其中，f(x)為該機率密度函數，x為欲計算機率密度函數的訊號強度指數，σ為標準差，μ為平均值。
根據申請專利範圍第1項所述之三維空間定位方法，其中該相關係數的計算方式係如下式所示：其中，i為該數個定位標籤的編號，E_i為第i個定位標籤與該追蹤標籤間訊號強度指數的相關係數，θ_i為各定位標籤的訊號強度指數，S為該追蹤標籤的訊號強度指數，n為該定位標籤的數量。
根據申請專利範圍第1項所述之三維空間定位方法，其中該權重值的計算方式係如下式所示：其中，i、j為該數個定位標籤的編號，w_j為第j個定位標籤的權重值，k為該定位標籤的數量，E_i為第i個定位標籤與該追蹤標籤間訊號強度指數的相關係數。
根據申請專利範圍第1項所述之三維空間定位方法，其中該追蹤標籤的座標計算方式係如下式所示：其中，(x,y,z)為該追蹤標籤的座標，k為該定位標籤的數量，w_j為第j個定位標籤的權重值，(x_i,y_i,z_i)為第i個定位標籤的座標。