一種無線傳感器信號衰減自適應(yīng)測距模型

孫鳳池，宋萌，劉光

(南開大學(xué) 軟件學(xué)院，天津300071)

移動機器人具有可移動性，能夠代替人到各種復(fù)雜或危險的環(huán)境中執(zhí)行偵查、勘探、救援、搜索等任務(wù)，從而在星球探測、海洋開發(fā)、軍事反恐、災(zāi)難救助、危險品處理等領(lǐng)域逐漸顯示出重要作用.為了完成各種作業(yè)任務(wù)，機器人必須能夠在所處環(huán)境中自主導(dǎo)航，而可靠的定位是移動機器人導(dǎo)航的基礎(chǔ)［1］.機器人依靠各種傳感器從環(huán)境中提取路標特征實現(xiàn)定位和導(dǎo)航，超聲、激光、紅外等測距傳感器以及視覺傳感器被普遍應(yīng)用于移動機器人定位和導(dǎo)航［2-5］.

近年來，射頻識別(radio frequency identification，RFID)技術(shù)被引入到機器人定位研究中，如文獻［6］使用裝備了RFID天線閱讀器的移動機器人，建立了描述RFID信號強度特性的概率模型，從而可以確定環(huán)境中某些物體上的標簽的位置，然后通過融合RFID信息和激光信息實現(xiàn)全局定位.文獻［7］綜合射頻通信和超聲波測距技術(shù)實現(xiàn)了一個用于室內(nèi)環(huán)境的移動機器人定位系統(tǒng)，通過事先在地面或者天花板上安放多個測距節(jié)點，實現(xiàn)對機器人的跟蹤.文獻［8］針對在某些未知環(huán)境中難以可靠提取自然路標的情況，基于RFID通信和超聲測距提出了一種可以根據(jù)定位需要進行動態(tài)配置的路標系統(tǒng).

室內(nèi)環(huán)境中機器人的精確定位是以精確的測距為基礎(chǔ)的，對于RFID定位傳感器，可以采用基于信號接收強度(received signal strength，RSS)的測距，也就是通過測量信號在傳播過程中的衰減實現(xiàn)距離的測定.與基于信號到達時間和信號到達角度的測距相比，該方法不需要額外的硬件設(shè)備來進行精確的時間同步和角度測量，成本較低，且可以兼用于室外和室內(nèi).這方面已有的方法主要是依據(jù)射頻信號能量衰減的物理原理，在大量人工測量數(shù)據(jù)的基礎(chǔ)上，采用最小二乘法之類的方法擬合物理衰減模型的參數(shù).但這種建模方法沒有考慮RFID傳感器的個體差異，而且所建立的模型不能適應(yīng)環(huán)境變化，因此一旦定位裝置進入新環(huán)境，就必須重新測量采集數(shù)據(jù)并擬合模型以適應(yīng)環(huán)境變化對射頻傳播造成的影響.為了克服上述缺點，本文提出了基于在線自學(xué)習(xí)方式，獲得對應(yīng)無線傳感器射頻信號能量衰減的自適應(yīng)測距模型，這種模型可以自動適應(yīng)外部環(huán)境的變化，兼顧無線傳感器個體之間的差異，并可以在線自我調(diào)整，以適用于規(guī)模較大、組成介質(zhì)多變的環(huán)境.

1 問題描述

1.1 RFID定位路標傳感器

圖1是采用的RFID無線傳感器的電路結(jié)構(gòu)與原理框圖，在設(shè)計上集成了射頻通信和超聲測距的功能，原理類似于文獻［9］中的系統(tǒng);但是在串口通信、超聲發(fā)射與接收等方面因應(yīng)用模式的差異而有較大的區(qū)別，并且射頻的發(fā)射和接收是可以控制切換的［8］.

圖1 無線傳感器路標電路結(jié)構(gòu)與原理Fig.1 The circuit schematic diagram of wireless sensors

RFID定位路標被安放好以后，以射頻信號的形式周期性地發(fā)射自己的身份信息，同時發(fā)送超聲波脈沖.機器人車載路標觀測節(jié)點能夠接聽路標發(fā)出的組合信息，并利用射頻信號和超聲波信號的到達時間差測量出自己和路標之間的距離，然后根據(jù)這些測距數(shù)據(jù)及多個節(jié)點之間的相對位置實現(xiàn)機器人定位［8］，但這種基于超聲波到達時間差的測距方法的適用范圍和角度受限于超聲波器件的物理特性.因此在本文中，超聲測距僅用來為在線學(xué)習(xí)射頻衰減測距模型自適應(yīng)參數(shù)修正，在機器人進行正常定位時，依據(jù)的是射頻衰減測距模型輸出的測距結(jié)果.在設(shè)計過程中，路標微控制器內(nèi)部的Flash存儲器內(nèi)存放了表示路標身份的編號信息.

1.2 射頻傳播能量衰減模型

無線電波傳播有許多不同的機理，傳播方式主要有視距傳播和非視距傳播.視距傳播就是自由空間傳播，而非視距傳播主要包括反射傳播、繞射傳播和散射傳播等方式.在環(huán)境中還存在障礙物及電磁波傳播多徑效應(yīng)的影響，在大多數(shù)情況下，電磁波的能量衰減和距離的n次方冪成反比，假設(shè)發(fā)射功率為Pt，對于傳播距離為d處的功率為Pr，則有如式(1)所示的經(jīng)驗?zāi)Ｐ完P(guān)系式:

式中:P0表示在參考距離處接收到的功率，與Pt的關(guān)系恒定;n為無線信號傳播的衰減因子，取值通常為［0，6］，其中在自由空間中n的取值為2，在室內(nèi)環(huán)境中距離和功率的關(guān)系取決于建筑物的材料、密度和高度，在走廊或室內(nèi)開闊空間的n值小于2，而在金屬建筑物中n值可以達到6［10］.

對式(1)2邊同時做10log分貝運算，可得

式(2)只有2個參數(shù)P0和n，在測定一些數(shù)據(jù)之后，P0和n的取值可以通過最大似然估計等方法擬合曲線來確定.這種基于測量數(shù)據(jù)擬合無線信號衰減模型參數(shù)的方法，具有簡單、方便的優(yōu)點;但是在實際應(yīng)用中與激光、超聲及紅外相比，它的測距誤差大，易受環(huán)境、自身工作條件干擾.基于以上模型存在的問題，本文通過在線學(xué)習(xí)獲得自適應(yīng)射頻衰減測距模型，在線學(xué)習(xí)的結(jié)果是一個從接收到的能量值和無線傳感器的身份編號映射到接收距離的神經(jīng)網(wǎng)絡(luò)模型，這種模型具有以下優(yōu)點.

1)具有在線學(xué)習(xí)能力，即可根據(jù)實際應(yīng)用的需要在線完成模型的學(xué)習(xí)，而以往的模型無論是經(jīng)驗?zāi)Ｐ?、多項式擬合模型還是概率模型，基本上都是離線模型［11］，即模型的參數(shù)確定都是離線完成的，然后才將此模型付諸于應(yīng)用.

2)具有自適應(yīng)的能力，在實際應(yīng)用過程中，此模型可以根據(jù)無線信號傳播環(huán)境的變化，進行參數(shù)調(diào)整，本文稱這種能力為自適應(yīng)能力;以往的模型一旦模型學(xué)習(xí)結(jié)束，在整個定位應(yīng)用過程中，模型的參數(shù)都不會發(fā)生變化.

3)能夠消除無線傳感器個體差異引起的誤差，已有的方法在建模過程中，很少考慮無線傳感器之間的差異，本文在建立模型的過程中，將無線傳感器的差異作為模型的一個輸入?yún)?shù)進行學(xué)習(xí)，這樣可以從根本上消除無線傳感器個體差異對建模的影響.

信號衰減自適應(yīng)測距模型在線學(xué)習(xí)流程如圖2所示，其中能量和距離數(shù)據(jù)的讀入階段主要負責無線傳感信號功率數(shù)據(jù)和超聲測距數(shù)據(jù)的讀入;能量和距離數(shù)據(jù)的處理階段，主要負責將讀入的功率數(shù)據(jù)和距離數(shù)據(jù)根據(jù)實際物理原理進行相應(yīng)的篩選操作;模型在線學(xué)習(xí)階段通過前饋神經(jīng)網(wǎng)路進行模型學(xué)習(xí);判斷模型是否要自適應(yīng)調(diào)整時，在實際應(yīng)用過程中模型參數(shù)可以隨著無線信號傳播環(huán)境的變化而更新.

圖2 自適應(yīng)測距模型學(xué)習(xí)流程Fig.2 The learning process of the adaptive range model

2 射頻衰減自適應(yīng)測距模型的學(xué)習(xí)

2.1 能量和距離數(shù)據(jù)讀取

無線電信號在傳播的過程中，有2種調(diào)制方式，一種是頻率調(diào)制(FM)，另一種是幅值調(diào)制(AM).在頻率調(diào)制的整個過程中，待調(diào)制信號的能量與傳播的二進制數(shù)據(jù)無關(guān)，其特點是抗干擾能力比較強;而在幅值調(diào)制的整個過程中，帶調(diào)制信號的能量與傳播的二進制數(shù)據(jù)有關(guān)，其特點是可以傳播很遠的距離.本文的無線電數(shù)據(jù)采用AM調(diào)制，為了實現(xiàn)對能量數(shù)據(jù)的精確讀取，首先對傳輸數(shù)據(jù)進行歸一化處理(即增加冗余數(shù)據(jù)保證每次傳輸數(shù)據(jù)0和1的比例相同)，然后進行序列均值平滑處理.圖3為采用上述方法讀取的能量直方圖，這2個圖都是在某一距離下讀取一定數(shù)量的能量數(shù)據(jù)，通過統(tǒng)計得到的能量直方圖.

圖3 接收能量數(shù)據(jù)直方圖Fig.3 The histogram of energy receiving

2.2 能量和距離數(shù)據(jù)處理

從圖3可以看出，當距離一定時接收信號的能量基本上滿足正態(tài)分布.因此可以引入如下數(shù)據(jù)處理方法，當能量測取無線傳感器在某一固定位置時，讀取某一未知發(fā)射無線傳感器的所有RSS數(shù)據(jù)，并將其存儲到數(shù)組A中，根據(jù)高斯分布特點，在A中肯定有些統(tǒng)計數(shù)據(jù)的概率特別低，為使模型學(xué)習(xí)更精確，通過高斯模型將這些小概率點消除.由于讀取的能量服從高斯分布，可以建立高斯分布函數(shù)如式(3):

根據(jù)實際經(jīng)驗，選0.7為數(shù)據(jù)篩選的關(guān)鍵點，當高斯分布函數(shù)值F(x)≥0.7時，判定對應(yīng)的RSS值為大概率事件;當F(x)＜0.7時，判定對應(yīng)的RSS值為小概率事件.具體處理過程如下:

1)通過式(4)、(5)，計算出均值u和方差σ2;

2)通過式(6)，計算出RSS值大概率事件的取值范圍;

3)根據(jù)第2)步計算出的大概率事件的取值范圍，可以從A中選擇大概率事件的RSS值，并保存到AG中，從而將小概率事件從A中去掉.

2.3 模型在線學(xué)習(xí)

能量和距離的關(guān)系模型可看作是一個簡單的非線性函數(shù)，已有研究表明，只要網(wǎng)絡(luò)的結(jié)構(gòu)充分大，通過選擇網(wǎng)絡(luò)的參數(shù)，3層神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何連續(xù)的函數(shù)，因此能量和距離的關(guān)系模型可以用3層前饋神經(jīng)網(wǎng)絡(luò)來逼近.本文稱要建立的3層神經(jīng)網(wǎng)絡(luò)為能量距離神經(jīng)網(wǎng)絡(luò)，此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3層的前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層.

2.3.1 能量距離神經(jīng)網(wǎng)絡(luò)的建立

在能量距離神經(jīng)網(wǎng)絡(luò)中，輸入層用于輸入測量到的數(shù)據(jù)，包括能量值P和傳感器編號I，輸出層輸出距離映射值D，與輸入數(shù)據(jù)相對應(yīng)，中間的隱含層接收所有輸入單元傳來的信號，并把處理后的結(jié)果傳給每個輸出單元.神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元個數(shù)由數(shù)據(jù)的表達方式和需要逼近的問題共同確定.本文所建立的神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)為2個，輸出層神經(jīng)元個數(shù)為1個，綜合考慮擬合精度和學(xué)習(xí)收斂速度的需要，設(shè)計隱含層神經(jīng)元個數(shù)為8.

輸入層到隱含層的權(quán)重為wij，即表示輸入層第j個單元到隱含層第i個單元的權(quán)重，隱含層到輸出層的權(quán)重為wi，即表示隱含層第i個單元到輸出層的權(quán)重.如果{wij，wi}給定，網(wǎng)絡(luò)中單元的取值與輸入向量X的關(guān)系可以描述如下.

對于輸出層單元，其輸入信號為

網(wǎng)絡(luò)的最終輸出如式(7):

2.3 .2 能量距離神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程可以歸結(jié)為一個最優(yōu)化問題，就是確定適當?shù)臋?quán)重{wij，wi}，使得網(wǎng)絡(luò)映射輸出和真實值誤差最小，即使式(8)的值達到極小，其中N為樣本數(shù).

然后，通過LM-BP學(xué)習(xí)算法實現(xiàn)權(quán)重學(xué)習(xí)，LMBP學(xué)習(xí)算法的優(yōu)點是計算量較小，可以保證有較快的收斂速度.

2.3 .3 模型的自適應(yīng)調(diào)整

模型的自適應(yīng)調(diào)整就是根據(jù)實際應(yīng)用的問題或者傳播環(huán)境的變化，適當調(diào)整自身參數(shù)以減小測距誤差.模型的自適應(yīng)調(diào)整發(fā)生在以下幾種情況:1)測距模型的測距誤差太大，無法應(yīng)用于實際，可以通過判斷學(xué)習(xí)距離的方差來實現(xiàn)，若學(xué)習(xí)距離的方差大于某一閾值，則判定模型參數(shù)不準確，需要進行參數(shù)調(diào)整;2)在測距應(yīng)用過程中，如果發(fā)現(xiàn)多個無線傳感器的編號未出現(xiàn)在學(xué)習(xí)數(shù)據(jù)中，則認為需要進行參數(shù)調(diào)整;3)當無線傳感器的應(yīng)用環(huán)境發(fā)生了很大的變化時，則應(yīng)調(diào)整模型參數(shù)以適應(yīng)外部環(huán)境.

3 實驗結(jié)果及分析

為了驗證所提出的自適應(yīng)測距模型，使用前述無線傳感器節(jié)點進行實驗，這種無線傳感器含有CC1000通信模塊，CC1000內(nèi)含RSS檢測單元，檢測信號的強度可以通過電壓的形式來指示.在室內(nèi)隨機安裝4個無線傳感器發(fā)射節(jié)點和1個無線傳感器接收節(jié)點，在此分別給出傳統(tǒng)經(jīng)驗?zāi)Ｐ秃捅疚乃崮Ｐ偷膶嶒灲Y(jié)果.

3.1 基于傳統(tǒng)經(jīng)驗?zāi)Ｐ偷哪芰繙y距

傳統(tǒng)經(jīng)驗?zāi)Ｐ偷膶嶒灲Y(jié)果如圖4、5所示.

圖4 1.2 m位置處傳統(tǒng)模型的測距結(jié)果Fig.4 The distance measurement results of the traditional ranging model at 1.2 m

圖5 2.7 m位置處傳統(tǒng)模型的測距結(jié)果Fig.5 The distance measurement results of the traditional ranging model at 2.7 m

圖4是距離大約1.2 m處的實驗結(jié)果，誤差均值為0.60 m，相對誤差是0.5 m;圖5是距離2.7 m左右的實驗結(jié)果，誤差均值為0.65 m，相對誤差是0.3 m.從圖中可以看出，采用傳統(tǒng)經(jīng)驗?zāi)Ｐ驮诓煌嚯x處進行測距時平均誤差差別很大.傳統(tǒng)模型對環(huán)境的適應(yīng)性不是很強，隨著測量距離的不同，測量誤差變化很大.

3.2 基于自適應(yīng)無線信號衰減模型的測距

圖6是本文提出的自適應(yīng)測距模型的實驗結(jié)果，平均測距誤差為0.2 m.圖7是加入數(shù)據(jù)濾波的實驗結(jié)果，平均誤差為0.05 m.可以看出，采用加入數(shù)據(jù)濾波的自適應(yīng)測距模型在更大的測量范圍內(nèi)取得了更優(yōu)的測距效果.

圖6 自適應(yīng)測距模型的測距結(jié)果Fig.6 The distance measurement results of the adaptive range model without data filtering

圖7 加入數(shù)據(jù)濾波的自適應(yīng)測距模型的測距結(jié)果Fig.7 The distance measurement results of the adaptive range model with data filtering

4 結(jié)束語

利用無線傳感器作為移動機器人定位與導(dǎo)航的路標，能夠解決某些環(huán)境中難以提取自然路標的問題，并便于實現(xiàn)特征關(guān)聯(lián).通過測量接收信號強度進行測距，是實現(xiàn)無線傳感器定位的關(guān)鍵.本文基于神經(jīng)網(wǎng)絡(luò)的方法為無線傳感器建立動態(tài)的自適應(yīng)射頻衰減測距模型.由于學(xué)習(xí)過程是在線進行的，環(huán)境因素如反射、折射、多徑效應(yīng)的影響被包含在模型中，提高了模型對環(huán)境的適應(yīng)能力，并且把路標的身份作為神經(jīng)網(wǎng)絡(luò)模型的輸入，從而區(qū)分了傳感器中個體的差異，實驗結(jié)果證明了這種建模方法在提高無線傳感器測距精度方面的有效性，顯示出對測距距離的良好適應(yīng)性.如何把這種測距方法用于無線傳感器動態(tài)配置、移動機器人同時定位與建圖，這是下一步的研究工作重點.

［1］陳衛(wèi)東，張飛.移動機器人的同步自定位與地圖創(chuàng)建研究進展［J］.控制理論與應(yīng)用，2005，22(3):455-460.

CHEN Weidong，ZHANG Fei.Review on the achievements in simultaneous localization and map building for mobile robot［J］.Control Theory and Applications，2005，22(3):455-460.

［2］魏芳，董再勵，孫茂相，等.用于移動機器人的視覺全局定位系統(tǒng)研究［J］.機器人，2001，23(5):400-403，420.

WEI Fang，DONG Zaili，SUN Maoxiang，et al.A vision global location system technique for mobile robots［J］.Robot，2001，23(5):400-403，420.

［3］蔡自興，王勇，王璐.基于角點聚類的移動機器人自然路標檢測與識別［J］.智能系統(tǒng)學(xué)報，2006，1(1):52-56.

CAI Zixing，WANG Yong，WANG Lu.Corner cluster based detection and recognition of natural landmark for mobile robots［J］.CAAI Transactions on Intelligent Systems，2006，1(1):52-56.

［4］LOPEZ D G，SJO K，PAUL C，et al.Hybrid laser and vision based object search and localization［C］//IEEE International Conference on Robotics and Automation.Pasadena，USA，2008:2636-2643.

［5］陸軍，孫凌麗，穆海軍，等.基于全景視覺的機器人相互定位的研究［J］.哈爾濱工程大學(xué)學(xué)報，2010，31(4):457-464.

LU Jun，SUN Lingli，MU Haijun，et al.Mutual localization of mobile robots using an omnivision system［J］.Journal of Harbin Engineering University，2010，31(4):457-464.

［6］HAHNEL D，BURGARD W，F(xiàn)OX D，et al.Mapping and localization with RFID technology［C］//IEEE International Conference on Robotics and Automation. New Orleans，USA，2004:1015-1020.

［7］CHO K，KANG M S，PARK S，et al.Development of indoor localization system using ultrasonic sensors［C］//International Symposium on Robotics(ISR).Seoul，Korea，2008:211-215.

［8］孫鳳池，苑晶.一種用于未知環(huán)境探索的可動態(tài)配置路標系統(tǒng)［J］.機器人，2010，32(1):77-82.

SUN Fengchi，YUAN Jing.A dynamically configurable landmark system for unknown environment exploration［J］.Robot，2010，32(1):77-82.

［9］PRIYANTHA N B，CHAKRABORTY A，BALAKRISHNAN H.The cricket location-support system［C］//Sixth Annual International Conference on Mobile Computing and Networking.New York，USA，2000:32-43.

［10］石鵬，徐鳳燕，王宗欣.基于傳播損耗模型的最大似然估計室內(nèi)定位算法［J］.信號處理，2005，21(5):502-504.

SHI Peng，XU Fengyan，WANG Zongxin.A maximumlikelihood indoor location algorithm based on indoor propagation loss model［J］.Signal Processing，2005，21(5):502-504.

［11］VORST P，ZELL A.Semi-autonomous learning of an RFID sensor model for mobile robot self-location［C］//European Robotics Symposium.Prague，Czech Republic，2008:273-282.