流水線型局部加權(quán)回歸RFID室內(nèi)定位

張金藝， 張晶晶， 李若涵， 徐德政， 徐秦樂

1．上海大學(xué)特種光纖與光接入網(wǎng)省部共建教育部重點實驗室，上海200072

2．上海大學(xué)微電子研究與開發(fā)中心，上海200072

3．上海大學(xué)教育部新型顯示與系統(tǒng)應(yīng)用重點實驗室，上海200072

隨著現(xiàn)代計算機(jī)技術(shù)及無線網(wǎng)絡(luò)的飛速發(fā)展，人們逐步尋求一種可以隨時隨地提供用戶需求的智能型服務(wù)，其中人們所處的位置是判斷提供何種服務(wù)的重要信息之一[1].2012年8月，由Sony、Nokia、Samsung、Qualcomm等20多家廠商聯(lián)手成立了室內(nèi)定位聯(lián)盟（In-Location Alliance），旨在發(fā)展高精確度室內(nèi)定位（high accuracy indoor positioning,HAIP）技術(shù)和相關(guān)服務(wù)，共同推動室內(nèi)定位的技術(shù)發(fā)展與應(yīng)用普及.可見，室內(nèi)定位已成為大家關(guān)注的熱點，有望在未來的智能化服務(wù)方面衍生出龐大的商業(yè)模式與應(yīng)用.全球定位系統(tǒng)（global positioning system,GPS）、伽利略衛(wèi)星導(dǎo)航定位等是比較成功的室外定位技術(shù)，但受定位時間、定位精度、室內(nèi)復(fù)雜環(huán)境等條件的限制，且對室內(nèi)定位的精度要求較高，故GPS等室外定位系統(tǒng)不能滿足室內(nèi)定位的需求[2].

射頻識別技術(shù)（radio frequency identif ication,RFID），又稱電子標(biāo)簽，是利用射頻方式進(jìn)行非接觸式雙向通信數(shù)據(jù)交換，無需識別系統(tǒng)與特定目標(biāo)之間建立機(jī)械或光學(xué)接觸[3].使用RFID技術(shù)進(jìn)行室內(nèi)定位具有成本低、技術(shù)成熟、定位精度高等優(yōu)點[4].在非視距（non light of sight,NLOS）條件下，讀寫器可以對讀取范圍內(nèi)的標(biāo)簽進(jìn)行快速讀寫，在智能識別領(lǐng)域有著非常好的發(fā)展前景.因此，研究高精度、低成本的RFID定位系統(tǒng)具有重要的意義.

根據(jù)傳統(tǒng)理論模型，RFID讀寫器在水平平面內(nèi)的讀取范圍近似于一個圓形.適當(dāng)調(diào)整讀寫器的距離及其發(fā)射功率后，鄰近讀寫器之間會有部分讀取重疊的地方，于是可以通過讀寫器讀取的重疊信息來判斷出標(biāo)簽所在的區(qū)域范圍.

在室內(nèi)環(huán)境下，由于有墻壁、空調(diào)、電風(fēng)扇等一系列物體，無線信號在傳播過程中會受到相應(yīng)物體的影響而發(fā)生折射傳播、反射傳播、陰影傳播及衍射傳播等，以致產(chǎn)生嚴(yán)重的多徑效應(yīng).因此，在各位置處接收到的信號有著一定程度的不規(guī)則性，迄今為止還沒有理想的室內(nèi)環(huán)境下的信號傳播模型[5].目前，室內(nèi)RFID定位算法可分為兩大類：基于測距的方式和非基于測距的方式.前者對于硬件要求較高，實現(xiàn)困難，并且受到非視距及多徑干擾的影響比較大，在定位精確度上有一定的局限性；后者通常為基于場景的定位，也可稱為位置指紋定位.信號的多徑傳播對環(huán)境具有很強(qiáng)的依賴性，因而對于每個位置而言，該位置上的信道的多徑結(jié)構(gòu)是唯一的，這樣的多徑特征可以認(rèn)為是該位置的指紋.基于場景的定位為不同位置所接收的信號特征參數(shù)建立數(shù)據(jù)庫，計算實際接收信號參數(shù)與數(shù)據(jù)庫中的參考點信號參數(shù)，實現(xiàn)了移動目標(biāo)的定位[5].常用的基于場景的定位算法有LANDMARK算法[6]和VIRE算法[7].LANDMARK算法采用額外的固定參考標(biāo)簽輔助定位，通過參考標(biāo)簽的信號強(qiáng)度值與待定位標(biāo)簽的信號強(qiáng)度值，采用最近鄰距離權(quán)重思想，計算出待定位標(biāo)簽的坐標(biāo).室內(nèi)信號會受到多徑效應(yīng)的影響，使得信號強(qiáng)度值有一定程度的不穩(wěn)定性以及判斷出的最近鄰標(biāo)簽并非真正的最近鄰標(biāo)簽，從而導(dǎo)致定位精度不高.VIRE算法是在LANDMARK算法的基礎(chǔ)上通過線性插值的方法增加虛擬參考標(biāo)簽，但信號強(qiáng)度值隨距離呈非線性變化，也會引起較大的誤差.文獻(xiàn)[8]提出了一種基于天線陣列的標(biāo)簽讀取方式，在同一個地方放置多根天線，使得到的天線的讀取范圍接近于一個規(guī)整的圓，從而提高了準(zhǔn)確率，但大大增加了系統(tǒng)成本.文獻(xiàn)[9]提出了一種通過調(diào)節(jié)RFID讀寫器的發(fā)射功率以及改變讀寫器的讀寫范圍來提高定位精度的方法.這種方法在定位過程中操作繁瑣，并且增加了算法的復(fù)雜度.

鑒于此，本文基于RFID技術(shù)及場景算法，提出了一種流水線型局部加權(quán)回歸定位算法.首先分析鏈路收包率與信號強(qiáng)度之間的關(guān)系，并考慮到實時性要求，提出了流水線方式的收包率獲取方法.通過分析室內(nèi)環(huán)境下各位置的信號接收情況，提出了流水線型局部加權(quán)回歸定位算法.在邊緣等定位誤差相對較高的地方，可采用增加采樣點的方法來進(jìn)一步提高定位精度.經(jīng)實驗驗證，本文提出的流水線型局部加權(quán)回歸定位算法相對于LANDMARK算法，定位精度提高了56.56%，相對于VIRE算法，定位精度提高了36.73%，實現(xiàn)了實時的低成本、高精度室內(nèi)定位，且在多目標(biāo)情況下也可以實現(xiàn)實時精確的定位.

1 流水線收包率信息處理

1.1 鏈路質(zhì)量研究

在無線通信環(huán)境下，通信模式在本質(zhì)上是廣播形式.通信中信道的競爭必定會產(chǎn)生信號之間的相互干擾，干擾信號被稱為噪聲.當(dāng)天線與標(biāo)簽之間的距離增大時，接收處接收到的信號逐漸減小，當(dāng)距離超出天線某個特定的范圍時，信噪比（signal to noise,SNR）就無法達(dá)到維持可靠通信所需的閾值，說明射頻定位系統(tǒng)的定位范圍是受限的[10].文獻(xiàn)[11]認(rèn)為：信號接收情況，即鏈路質(zhì)量衡量指標(biāo)大致有收包率（packet reception rate,PRR）、接收信號強(qiáng)度指示值（received signal strength indicator,RSSI）、鏈路質(zhì)量指示值（link quality indicator,LQI）3種.本文研究的是PRR和RSSI之間的關(guān)系.

1.1.1 RSSI的測距原理

無線信號傳輸中普遍采用的信號傳播損耗模型如下[12]：

式中，P(d)表示距離信號發(fā)射處為d時接收端接收到的RSSI值；P(d0)表示距離信號發(fā)射處為d0時接收端接收到的RSSI值；d0為參考距離；n為路徑損耗指數(shù)，一般根據(jù)實際環(huán)境而定，環(huán)境中的障礙物越多，n值越大，也就是接收處接收到的能量隨著距離的增加而加速下降;R是一個均值為0、方差為σ2的高斯隨機(jī)變量，能反映噪聲對接收信號的影響程度,其單位為d Bm.

然而，由于室內(nèi)環(huán)境的復(fù)雜性，信號在傳播過程中會受到多徑效應(yīng)、衰退效應(yīng)、反射效應(yīng)、陰影效應(yīng)等的影響，信號接收值具有不確定性，受外界環(huán)境的影響較大.這些影響都會使得以RSSI值作為接收信號的定位系統(tǒng)產(chǎn)生較大的定位誤差.

1.1.2 PRR與RSSI的鏈路質(zhì)量比較

PRR是指一段時間內(nèi)接收器成功收到的包數(shù)量占發(fā)送器已發(fā)送包數(shù)量的比例，是反映鏈路質(zhì)量最直觀的指標(biāo)[12]，其計算公式為

式中，v為發(fā)包速率，g為T時間內(nèi)實際收到包的數(shù)目.本試驗中讀寫器發(fā)出的信號頻率是固定的，讀寫器相應(yīng)讀到的標(biāo)簽的次數(shù)反映了此時標(biāo)簽與讀寫器天線所在位置的鏈路情況，即以固定時間內(nèi)讀到的標(biāo)簽次數(shù)來表示標(biāo)簽所在位置的收包率情況.

文獻(xiàn)[13]指出：在發(fā)射功率恒定的情況下，PRR與RSSI存在著較高的線性關(guān)系.從PRR和RSSI的定義來看：RSSI反映的是鏈路瞬時狀態(tài)的信號強(qiáng)度值，在復(fù)雜的室內(nèi)環(huán)境下容易受到多徑效應(yīng)的影響，尤其不穩(wěn)定，如圖1所示.在同一處測量的RSSI值具有較大的不穩(wěn)定性，如果作為定位信號參數(shù)，將使后續(xù)的定位結(jié)果產(chǎn)生較大的誤差；而PRR是一段時間內(nèi)對接收消息數(shù)量的統(tǒng)計值.由圖1可知，相對于RSSI而言，PRR的穩(wěn)定性好，是一個相對穩(wěn)定的反映鏈路質(zhì)量的參數(shù)，可以作為定位信號參數(shù)，有利于定位算法的精確定位.

圖1 RSSI和PRR信息Figure 1 RSSI and PRR

1.2 流水線收包率信息提取

本文提出的流水線型局部加權(quán)回歸定位算法是以數(shù)據(jù)鏈路指標(biāo)PRR作為參數(shù)進(jìn)行運算的.由于PRR是一個累加量，在統(tǒng)計PRR的時間方面有一定的累計要求；又由于天線的發(fā)射信號是等間隔發(fā)射的，在固定時間內(nèi)讀到的標(biāo)簽次數(shù)可以反映鏈路的情況.如圖2中的（a）所示，假設(shè)定位信號參數(shù)是通過統(tǒng)計2 s內(nèi)的讀取次數(shù)取得的，則信號的表達(dá)式如式（3）和（4）所示：

第1次信號為

第2次信號為

式中，n1，n2,···,nm表示讀寫器1,2,···,m在2 s內(nèi)所讀到的標(biāo)簽次數(shù)，即2 s內(nèi)的收包情況.由式（3）和（4）可知：對于定位信號參數(shù)，需2 s才能夠得到一組，顯然不能很好地滿足實時性要求；如果目標(biāo)在2 s內(nèi)有大幅度的位置變化，則定位結(jié)果不能顯示其中的細(xì)節(jié)位置.

本文采用一種流水線方式的收包率獲取方法，很好地滿足了定位算法的實時性要求和定位細(xì)節(jié)要求.流水線方式的收包率是通過對時間段的劃分來得到相應(yīng)時間段的收包率，如圖（2）b所示.假設(shè)2 s內(nèi)要求有5組收包率數(shù)據(jù)，則將時間段以0.4 s進(jìn)行劃分，后一個2 s是以前一個2 s的0.4 s處為起始時間，可得信號的表達(dá)式如式（5）和（6）所示：

第1次信號為

第2次信號為

圖2 收包率信息Figure 2 Packet reception information

由式（5）和（6）可知：在相同的時間下，信息的采集頻率提高了5倍，即定位的實時性提高5倍.相應(yīng)地在移動目標(biāo)的軌跡圖中，有更多的位置細(xì)節(jié)數(shù)據(jù)點，可使得軌跡更精確.

2 RFID天線數(shù)據(jù)分析

2.1 RFID天線的讀取數(shù)據(jù)分析

RFID天線的讀取范圍一般與天線的發(fā)射功率有關(guān)，當(dāng)發(fā)射功率固定時，天線的讀取范圍也可以固定.在理想模型中，RFID天線在平面內(nèi)的讀取范圍是一個圓形.本文將多讀寫器天線所得的信息進(jìn)行融合，以判定目標(biāo)的位置；將讀寫器天線根據(jù)有一定重疊區(qū)域的讀取范圍進(jìn)行適當(dāng)?shù)臄[放，則讀寫器天線讀取范圍的理想情況如圖3中的（a）所示.然而，室內(nèi)環(huán)境很復(fù)雜，存在多徑效應(yīng)、反射、折射現(xiàn)象，且受到噪聲等因素的影響，使讀寫器天線的讀取范圍存在一定程度的不規(guī)則性.實際情況如圖3中的（b）所示，讀取范圍并不是一個規(guī)整的圓形.

由此可知，在距讀寫器天線相同距離處收到的天線發(fā)出的信號，其強(qiáng)度值也必定存在一定程度的偏差.在基于RSSI的定位算法中，目標(biāo)位置是根據(jù)接收到的信號強(qiáng)度值進(jìn)行計算的，并沒有將室內(nèi)環(huán)境的一些特殊性考慮進(jìn)去，從而使最后的定位結(jié)果存在一定的偏差.

本文在一個如圖4中的（a）所示的7 m×5 m的室內(nèi)環(huán)境中布置4個RFID讀寫器天線，并在相同時間內(nèi)統(tǒng)計標(biāo)簽在各個位置處的讀取總數(shù)，如圖4中的（a）～（e）所示.各讀寫器天線在其讀取范圍內(nèi)的讀取情況與理想模型區(qū)別很大，根據(jù)理想模型有：在離讀寫器天線越遠(yuǎn)處，接收到的信號越弱，即標(biāo)簽讀到的次數(shù)越少；距讀寫器天線相同距離處，所接收的信號強(qiáng)度應(yīng)該是相同的，即標(biāo)簽讀到的次數(shù)相同.而在實際情況中，由于室內(nèi)環(huán)境存在的綜合影響，讀寫器天線的讀取情況呈現(xiàn)較大的不規(guī)則性和特殊性，而傳統(tǒng)的信號傳播衰減模型無法恰當(dāng)?shù)孛枋鍪覂?nèi)信號的變化規(guī)律.

圖3 RFID讀寫器讀取模型Figure 3 Read pattern of RFID readers

2.2 讀取數(shù)據(jù)過濾分析

盡管RFID信號的傳播模型并不能很好地解釋RFID的信號衰減情況，但對于RFID讀寫器天線的讀取范圍，由圖4中的（b）～（e）可知是連續(xù)的.本文通過判斷哪些讀寫器天線讀到目標(biāo)物體所帶的標(biāo)簽來進(jìn)行一種位置過濾處理.如圖（5）所示，當(dāng)目標(biāo)物體所在位置只能被天線3和4檢測到時，在天線3和4以外的地方是不太可能在目標(biāo)標(biāo)簽附近的[6]，于是過濾掉天線3和4讀取范圍之外的參考標(biāo)簽，只讓天線3和4讀取范圍內(nèi)的參考標(biāo)簽進(jìn)入下一步的精確定位運算.過濾運算不但減小了所需的系統(tǒng)資源和運算復(fù)雜度，而且排除了無關(guān)點的信息.由文獻(xiàn)[6]可知，對于基于場景的定位算法，排除無關(guān)信息點可以提高定位算法的精確度.

圖4 讀寫器在各個位置的讀取情況Figur e 4 Cover pattern of RFID readers

圖5 位置過濾處理Figur e 5 Position f iltration process

3 室內(nèi)RFID局部加權(quán)回歸定位算法

為了更好地將室內(nèi)環(huán)境的特殊性考慮進(jìn)去，需尋求一種能較好地符合標(biāo)簽位置與其信號參數(shù)之間的關(guān)系.本文針對標(biāo)簽在讀寫器天線上的流水線型的收包率信息，提出了一種局部加權(quán)回歸（locally weighted regression,LWR）定位算法.首先需要進(jìn)行數(shù)據(jù)訓(xùn)練，通過采集室內(nèi)定位區(qū)域的參考點處的信號特征參數(shù)，形成位置信號參數(shù)數(shù)據(jù)庫（本文采集的是各天線在2 s內(nèi)的讀取標(biāo)簽的次數(shù)，即可看作收包率）.判斷目標(biāo)位置時，將實際接收到的信號參數(shù)通過局部加權(quán)回歸定位算法得到目標(biāo)物體的位置.

3.1 算法模型定義

如圖6所示，x為標(biāo)簽信號，y為標(biāo)簽位置.局部加權(quán)回歸定位算法首先通過訓(xùn)練樣本信息和目標(biāo)信息X來擬合算法，計算位置信息時檢查數(shù)據(jù)集合，對目標(biāo)信息X周圍區(qū)域內(nèi)的樣本信息作算法處理.局部加權(quán)回歸算法注重對鄰近點的精確擬合，同時忽略那些離得較遠(yuǎn)的樣本點的貢獻(xiàn).擬合后可得到讀寫器天線讀到的信號參數(shù)和位置的關(guān)系，于是可以在任意位置處根據(jù)讀寫器天線得到的信號參數(shù)信息來計算目標(biāo)標(biāo)簽所在的位置.由圖6可知，定位算法的設(shè)計是獲得精確定位的關(guān)鍵.

圖6 定位算法框圖Figure 6 Flowchart of the positioning algorithm

3.2 局部加權(quán)回歸定位算法步驟

定義標(biāo)簽在各讀寫器天線上的信號參數(shù)信息為

式中，x1,x2,···,xm表示標(biāo)簽在天線1,2,···,m上被讀取到的情況.定義標(biāo)簽在室內(nèi)的位置信息為

式中，loc x和loc y分別表示標(biāo)簽在室內(nèi)的橫坐標(biāo)和縱坐標(biāo).假設(shè)標(biāo)簽信號參數(shù)X與位置Y的關(guān)系為

此處為便于書寫，將x0定義為1.h(x)就定義了從輸入到輸出的一個轉(zhuǎn)化關(guān)系，其中θT稱為權(quán)重參數(shù)，表示此線性函數(shù)的空間映射.

為了使得局部加權(quán)回歸定位算法的預(yù)測在訓(xùn)練樣本數(shù)據(jù)上盡可能準(zhǔn)確，應(yīng)使預(yù)測值和實際值的平方差盡可能小，定義代價函數(shù)

式中，n表示訓(xùn)練樣本的數(shù)目；i表示第i個訓(xùn)練樣本；w(i)為權(quán)重參數(shù)，表示目標(biāo)信號和樣本信號的近似程度.如果近似程度越高，則w(i)越大，在局部加權(quán)回歸定位算法中的權(quán)重越大，相當(dāng)于給所有的樣本信號加權(quán).在確定目標(biāo)的位置時，與目標(biāo)信號越近的樣本信號參與的比例越大.定義權(quán)重參數(shù)w(i)為

式中，τ為帶寬參數(shù)，控制了權(quán)值隨距離下降的速度；x1,x2,···,xm是天線1,2,···,m實際檢測到的信號值，是第i個樣本信號在天線1,2,···,m的檢測值.假如

由式（11）可知，權(quán)值函數(shù)w(i)是一個鐘形函數(shù).當(dāng)τ較小時，會得到一個比較窄的鐘形函數(shù)，即選取較少的鄰近參考樣本信息進(jìn)入擬合算法；當(dāng)τ較大時，得到的鐘形函數(shù)較寬，會取得較多的鄰近參考樣本信息進(jìn)入擬合算法.τ的選取要適當(dāng)，否則會陷入欠擬合或過擬合的情況，導(dǎo)致算法的精確度下降.

對于θ參數(shù)的選取，可通過最小化代價函數(shù)J(θ)來獲得.由J(θ)函數(shù)的表達(dá)式可知，一定存在一個全局最小值.本文由梯度下降算法獲得θ值，給θ一個初始值，再由式（14）不斷更新θ值，直到J(θ)收斂，則可認(rèn)為找到了最符合條件的θ參數(shù)

式中，參數(shù)α為學(xué)習(xí)速度，即每一次更新的幅度.

通過矩陣推導(dǎo)可得出θ的閉式解形式為

式中，X為經(jīng)過位置過濾處理后在可能范圍內(nèi)的參考位置的信號參數(shù)向量，Y為參考位置所對應(yīng)的坐標(biāo)向量，W為各參考位置在確定目標(biāo)位置時的權(quán)重貢獻(xiàn)向量.最后將θ參數(shù)向量代入式（9），得到待定位目標(biāo)在室內(nèi)的精確位置(loc x,loc y).

若在室內(nèi)采用局部加權(quán)回歸定位算法定位目標(biāo)物體，則可以通過對室內(nèi)環(huán)境的學(xué)習(xí)以及提取室內(nèi)各位置處的特征信息來提高定位精度.在原本誤差就高的邊緣地區(qū)，可增加參考位置信息，進(jìn)一步提高待定位目標(biāo)的位置精度.本系統(tǒng)是在一個7 m×5 m的空間中，每隔0.6 m進(jìn)行一個位置信息采樣，而邊緣地區(qū)的參考點數(shù)量較少，如圖7中的點所示.為了提高邊緣地區(qū)的定位精度，本文采用了增加邊緣地區(qū)采樣點信息的方法，在相鄰采樣點的中點處也進(jìn)行標(biāo)簽信號的采集，如圖8所示.

圖7 參考標(biāo)簽位置 Figur e 7 Reference label position

圖8 邊緣參考標(biāo)簽位置Figur e 8 Edge reference label position

4 系統(tǒng)構(gòu)建和實驗結(jié)果分析

4.1 系統(tǒng)構(gòu)建

本文的室內(nèi)定位驗證系統(tǒng)采用4個讀寫器天線來完成，且將這4個讀寫器天線作為一個基本單元在空間上進(jìn)行擴(kuò)展.

本定位系統(tǒng)的硬件由中央處理器、路由器、超高頻電子標(biāo)簽四合一讀寫器、超高頻讀寫器天線以及無源標(biāo)簽組成，系統(tǒng)架構(gòu)如圖9所示.讀寫器工作頻率范圍為902～928 MHz，輸出功率范圍為0～30 dBm.為了使4個讀寫器天線的讀取范圍適當(dāng)覆蓋室內(nèi)實驗環(huán)境，將讀寫器功率調(diào)整為25 dBm.

圖9 室內(nèi)定位驗證系統(tǒng)架構(gòu)Figure 9 Indoor positioning verif ication system architecture

4.2 實驗結(jié)果與分析

本文提出的流水線型局部加權(quán)回歸定位算法是在VS2010平臺下實現(xiàn)的.為驗證定位算法的有效性，在7 m×5 m的空間搭建整個定位系統(tǒng)，并隨機(jī)選取幾個位置.在這些位置處進(jìn)行多次定位算法驗證，驗證結(jié)果如圖10所示.圖中的“×”表示目標(biāo)人員實際所在的位置，“?”表示通過本定位算法所計算出的人員位置.從圖中可以看出，流水線型局部加權(quán)回歸定位算法在室內(nèi)環(huán)境下取得了較高的定位精度，使得誤差范圍控制在0.8 m之內(nèi).

圖10 流水線型局部加權(quán)回歸定位算法結(jié)果的分布圖Figure 10 Positioning results of the pipelined locally weighted regression algorithm

本文通過定位誤差來衡量定位算法的性能.定位誤差表示估計的定位結(jié)果與實際位置之間的差距，定位誤差越小，定位性能越好.本文將提出的流水線型局部加權(quán)回歸定位算法與LANDMARK算法、VIRE算法進(jìn)行比較，以驗證所提出的算法的優(yōu)越性.在7 m×5 m的定位區(qū)域內(nèi)隨機(jī)選取10個位置，經(jīng)20次運算得到這20次定位結(jié)果的誤差，再將誤差取平均值，得到如圖11所示的結(jié)果.

圖11 定位誤差結(jié)果比較Figure 11 Positioning error of different methods

由實驗結(jié)果可知，本文提出的流水線型局部加權(quán)回歸定位算法與傳統(tǒng)的LANDMARK定位算法和VIRE定位算法相比，有著較為顯著的優(yōu)勢.由于室內(nèi)環(huán)境的復(fù)雜性，在室內(nèi)環(huán)境下的信號傳播模型不能清楚地表示信號在各個位置的接收情況，其多徑效應(yīng)、反射、折射等因素會使得在每一個位置都有其獨特的信號接收情況，于是本文以流水線方式獲取的收包率信息作為定位信號參數(shù)，其相對穩(wěn)定的性質(zhì)有利于精確定位.根據(jù)局部加權(quán)回歸定位算法學(xué)習(xí)室內(nèi)環(huán)境對各位置處接收信號參數(shù)的影響，并將其融入定位算法中，可得到更準(zhǔn)確的定位信息，降低定位的誤差.由圖11的實驗結(jié)果可以看出：LANDMARK定位算法的最小定位誤差為0.83 m，最大定位誤差為1.22 m，平均定位誤差為1.059 m；VIRE算法的最小定位誤差為0.46 m，最大定位誤差為0.98 m，平均定位誤差為0.727 m；流水線型局部加權(quán)回歸定位算法的最小定位誤差為0.12 m，最大定位誤差為0.83 m，平均定位誤差為0.46 m.與前兩種算法相比，流水線型局部加權(quán)回歸定位算法的定位精度分別提高了56.56%和36.73%.

本文所提出的流水線型局部加權(quán)回歸定位算法是以流水線方式獲取的收包率信息作為定位信號參數(shù)，大大改善了穩(wěn)定性和實時性.由于天線是布置在天花板上的，信號遮擋這種情況發(fā)生的概率比較小.因此，當(dāng)人員在室內(nèi)移動時，只要人員之間沒有特別的位置關(guān)系（如遮擋）時，天線可以采集到各個人員佩戴的標(biāo)簽的信息.并且由實驗可知，在多目標(biāo)情況下，本文提出的定位算法仍然可以比較精確地得到多目標(biāo)物體的運動軌跡.如圖12所示，在室內(nèi)環(huán)境中的兩個目標(biāo)各自隨意在室內(nèi)運動，本定位算法可以精確地跟蹤目標(biāo)的運動，且將延時控制在0.5 s以內(nèi).

圖12 多目標(biāo)定位結(jié)果Figure 12 Multi-targets positioning result

5 結(jié)語

針對RFID信號在室內(nèi)傳播的不規(guī)則性導(dǎo)致定位精度不高的問題，本文提出了一種流水線型局部加權(quán)回歸定位算法.在合理布置室內(nèi)讀寫器天線的基礎(chǔ)上，對目標(biāo)位置所獲取的定位信號參數(shù)進(jìn)行過濾計算，以提高算法的效率；根據(jù)流水線型局部加權(quán)回歸定位算法將室內(nèi)環(huán)境對各位置的影響融合進(jìn)去，實現(xiàn)目標(biāo)的精確定位.本文將無線信號的鏈路收包率作為定位信號參數(shù)，可以降低由無線信號的不確定性導(dǎo)致的誤差.因為鏈路收包信息是一個累計量，相對于瞬時信號，更具穩(wěn)定性.在實時性方面，本文采用了流水線方式獲取收包率信息，通過流水線復(fù)用鏈路收包信息使得定位的實時性提高了5倍.經(jīng)實驗驗證，本算法在不增加系統(tǒng)復(fù)雜度以及參考數(shù)據(jù)的存儲復(fù)雜度的情況下，提高了定位精度.與LANDMARK算法和VIRE算法相比，分別提高了56.56%和36.73%，實現(xiàn)了低成本、高精度并且實時的室內(nèi)定位.在運算復(fù)雜度方面，相對于LANDMARK和VIRE定位算法有一定程度的增加.本文提出的基于RFID的定位模型和算法易于推廣和普及，為今后實現(xiàn)海量目標(biāo)的定位跟蹤以及多技術(shù)整合定位，如藍(lán)牙技術(shù)[14]等，奠定了基礎(chǔ).

[1]ZHOU J H,GILMAN E,YLIANTTILA M,RIEKKI J．Pervasive service computing:visions and challenges[C]//IEEE International Conference on Computer and Information Technology(CIT),2010: 1335-1339．[2]DEDESG,DEMPSTERA G．Indoor GPSpositioningchallenges and opportunities[C]//Vehicular Technology Conference，2005:412-415．

[3]閆保中，張帥，張宇．基于RFID的室內(nèi)人員定位系統(tǒng)的設(shè)計與實現(xiàn)[J]．應(yīng)用科技，2011,38（11）:39-42,53．

YAN Baozhong,ZHANG Shuai,ZHANG Yu．Design and implementation of the indoor personnel positioning system based on RFID[J]．Applied Science and Technology,2011,38（11）:39-42,53．

[4]SAAD S S,NAKAD Z S A．Standalone RFID indoor positioning system using passive tags[J]．IEEE Transactions on Industrial Electronics,2011,58（5）:1961-1970．

[5]李魏峰．基于RFID的室內(nèi)定位技術(shù)研究[D].上海：上海交通大學(xué)，2010．

[6]JIN Guangyao,LU Xiaoyi．An indoor localization mechanism using active RFID tag[C]//Proceedings of the IEEE International Conference on Sensor Networks,Ubiquitous,and Trustworthy Computing,2006.

[7]ZHU Fengjuan,WEI Zongheng,HU Binjie,CHEN Jianguang, GUO Zimin．Analysis of indoor positioning approaches based on active RFID[C]//International Conference on Wireless Communications,Networking and Mobile Computing,2009:1-4．

[8]WANG C,WU H Y,TZENG N F．RFID-based 3-D positioning schemes[C]//IEEE International Conference on Computer Communications,2007:1235-1243．

[9]PARK Y S,LEE J W,KIM S W．Improving position estimation on RFID tag f loor localization using RFID reader transmission power control[C]//IEEE International Conference on Robotics and Biomimetics,2009:1716-1721．

[10]王一樂．基于RFID的室內(nèi)定位方法研究與應(yīng)用[D].西安：西安理工大學(xué)，2010．

[11]DHANANJAY L,MANJESHwAR A,HERRMANN F,UYSAL-BIYIKOGLU E, KESHAVARZIAN A.Measurement and characterization of link quality metrics in energy constrained wireless sensor networks[C]//Global Telecommunications Conference,2003:446-452．

[12]KHOSHGOFTAAR T M,PANDYA A S,LANNING G D L．Application of neural networks for predicting defects[J]．Annals of Software Engineering,1995,1(1):141-154．

[13]LIN S,ZHANG J,ZHOUQ G,GU L,STANKOVIC J A,HE T．ATPC:adaptive transmission power control for wireless sensor networks[C]//Proceedings of the 4th International Conference on Embedded Networked Sensor Systems,2006:223-236．

[14]李娟娟，張金藝，張秉煜，周榮俊，唐夏.藍(lán)牙4.0標(biāo)準(zhǔn)規(guī)范下的模糊指紋定位算法[J].上海大學(xué)學(xué)報：自然科學(xué)版，2013,19(2):126-131.

LI Juanjuan,ZHANG Jinyi,ZHANG Bingyu,ZHOU Rongjun,TANG Xia.Fuzzy f ingerprint location for bluetooth specif ication version 4.0[J].Journal of Shanghai University:Natural Science,2013,19(2):126-131.(in Chinese)