WAVE協(xié)議棧下基于高斯混合模型的無(wú)線定位研究

摘 要：無(wú)線定位是車聯(lián)網(wǎng)中各應(yīng)用的基礎(chǔ)，對(duì)實(shí)時(shí)性和精度要求更高?；诖?，本文提出了一個(gè)在WAVE系統(tǒng)下基于混合高斯模型的位置指紋定位算法。該算法由離線訓(xùn)練和在線定位兩部分組成，采用GMM對(duì)離線訓(xùn)練階段的指紋數(shù)據(jù)庫(kù)進(jìn)行聚類建模處理，并在定位階段對(duì)結(jié)果采用多點(diǎn)均值方法，不僅降到了系統(tǒng)定位誤差，也減少了定位階段的運(yùn)算量，提高了定位的實(shí)時(shí)性。實(shí)驗(yàn)結(jié)果表明，該算法有較好的定位精度和實(shí)時(shí)性，為WAVE環(huán)境下的快速定位進(jìn)一步研究提供有效參考價(jià)值。

關(guān)鍵詞：車聯(lián)網(wǎng)WAVE；高斯混合模型；EM算法；定位系統(tǒng)

Abstract：Wireless Location is the basis of each vehicle networking applications， needing real-time and high precision. So as，we propose an algorithm for fingerprint positioning based on a Gaussian mixture model（GMM） in the WAVE system，which consists of an offline training phase and a real time localization phase. On offline training phase， we use GMM clustering process the whole fingerprint database，and use the multi-point average method processing results of the positioning on a real time localization phase， which not only reduces the system positioning errors， but also reduces the amount of computation， and improves real-time positioning. Experimental results show that the algorithm has better performance in both accuracy and real-time， and also provides effective reference value for further researching the fast positioning in WAVE environment.

Key words：Internet of Vehicles；WAVE；GMM；EM；Positioning Systems

1 引言

2013年我國(guó)機(jī)動(dòng)車數(shù)量突破2.5億輛，較2012年增長(zhǎng)了13.7%。隨著汽車的普及，道路擁擠的加劇，平均每個(gè)駕駛員在汽車上的時(shí)間越來(lái)越多，車載導(dǎo)航和車載信息服務(wù)、娛樂(lè)服務(wù)等需求日益猛烈。而車聯(lián)網(wǎng)顯然是實(shí)現(xiàn)這種需求的最佳形式。所謂的車聯(lián)網(wǎng)是指利用先進(jìn)傳感技術(shù)、網(wǎng)絡(luò)技術(shù)、計(jì)算技術(shù)、控制技術(shù)、智能技術(shù)，對(duì)道路和交通進(jìn)行全面感知，實(shí)現(xiàn)多個(gè)系統(tǒng)間大范圍、大容量數(shù)據(jù)的交互，對(duì)每一輛汽車進(jìn)行交通全程控制，對(duì)每一條道路進(jìn)行交通全時(shí)空控制，以提供交通效率和交通安全為主的網(wǎng)絡(luò)與應(yīng)用[1]。目前，世界各國(guó)都在大力開(kāi)展針對(duì)車聯(lián)網(wǎng)的研究。為此，IEEE委員會(huì)制定了WAVE（Wireless Access in vehicular Environment）協(xié)議棧，專門用于車聯(lián)網(wǎng)系統(tǒng)。WAVE協(xié)議棧將網(wǎng)絡(luò)設(shè)備分為RSU（Road-Side Unit）和OBU（On-Board Unit）兩類。其中，RSU所扮演角色即是AP，OBU設(shè)備屬于車載設(shè)備。RSU一般安裝固定在道路兩側(cè)，并利用有線或無(wú)線的方式將其與互聯(lián)網(wǎng)聯(lián)通。RSU和OBU之間基于WAVE協(xié)議棧定義的報(bào)文格式進(jìn)行交互通信。如今，隨著蘋果CarPlay車載系統(tǒng)的發(fā)布，車聯(lián)網(wǎng)必將加速普及。

在行車安全和各種車輛應(yīng)用需求中，車輛移動(dòng)定位正是其中的關(guān)鍵基礎(chǔ)。目前廣泛使用的是基于GPS的室外定位技術(shù)，然而，GPS信號(hào)很容易受到障礙物的干擾和阻斷，在密集的城市地帶、隧道、室內(nèi)等環(huán)境中，定位誤差比較大，精度難以滿足實(shí)際要求。具體到WAVE技術(shù)，因?yàn)樵趯?shí)際使用中WAVE系統(tǒng)需要設(shè)置大量的RSU（Road-Side Unit），即路邊單元設(shè)備，那么利用其進(jìn)行行車定位將具有很好的研究和應(yīng)用價(jià)值。

當(dāng)前，可供WAVE系統(tǒng)使用的無(wú)線定位方式有多種，基于測(cè)距的定位方式主要有TOA（Time of Arrival）、TDOA（Time Difference of Arrival）、AOA （Angle of Arrival）和RSSI（Received Signal Strength Indicator）[2]。TOA需要精確的時(shí)鐘同步，TDOA需要AP配備超聲波收發(fā)裝置，AOA需要有天線陣列或麥克風(fēng)陣列，這三種定位對(duì)硬件要求較高，能量消耗較大。而WAVE協(xié)議棧是一系列無(wú)線通信協(xié)議標(biāo)準(zhǔn)的統(tǒng)稱，其組成包括IEEE 802.11p協(xié)議及IEEE 1609系列協(xié)議。利用WAVE系統(tǒng)的RSSI進(jìn)行定位是簡(jiǎn)單、經(jīng)濟(jì)的選擇?；赗SSI測(cè)距定位的原理是已知發(fā)射節(jié)點(diǎn)的發(fā)射信號(hào)強(qiáng)度，接收節(jié)點(diǎn)根據(jù)收到信號(hào)的強(qiáng)度，計(jì)算出信號(hào)的傳播損耗，利用理論或經(jīng)驗(yàn)?zāi)Ｐ蛯鬏敁p耗轉(zhuǎn)化為距離[3]，再根據(jù)相關(guān)定位算法計(jì)算出位置，包括三邊測(cè)量法，三角測(cè)量法，加權(quán)質(zhì)心算法，極大似然值估值算法等。這些定位算法的關(guān)鍵是測(cè)出待定位點(diǎn)與發(fā)射點(diǎn)的物理距離，距離越精確，定位的精度就越高。但是無(wú)線信號(hào)傳播環(huán)境復(fù)雜多變，信號(hào)強(qiáng)度通常會(huì)遭遇傳播路徑損耗、多徑衰落以及慢衰落等。因此在WAVE系統(tǒng)中，基于RSSI的測(cè)距的定位方式，誤差也很大。

在實(shí)際情況中，無(wú)線信號(hào)在傳播過(guò)程中經(jīng)過(guò)吸收衰減、反射、衍射、多徑衰落和陰影效應(yīng)后，在不同的物理位置形成特定的信號(hào)狀態(tài)，常稱為位置指紋信息。基于此，我們采用基于高斯混合模型（GMM，Gaussian Mixture Model）[4]的位置指紋的定位方式。

2 基于GMM的指紋定位算法

2.1 位置指紋定位原理

一般無(wú)線指紋定位主要分為離線訓(xùn)練和在線定位兩個(gè)階段。主要流程如圖1所示。

⑴離線階段：在目標(biāo)區(qū)域內(nèi)，WAVE終端在有限個(gè)樣本點(diǎn)處從周圍的AP采集信號(hào)，測(cè)量從鄰近若干AP接收的信號(hào)強(qiáng)度，并記錄自身位置（Lat，Lon）。同時(shí)，終端捕獲觀測(cè)AP MAC作為識(shí)別信息。然后將包含AP識(shí)別信息、AP信號(hào)強(qiáng)度和對(duì)應(yīng)觀測(cè)樣本點(diǎn)位置等信息的先驗(yàn)數(shù)據(jù)保存，建立信號(hào)指紋數(shù)據(jù)庫(kù)。第j次觀測(cè)所得的原始數(shù)據(jù)M（j）可以描述為下述形式：

⑵在線定位階段：定位終端掃描接收范圍內(nèi)的各個(gè)AP，并根據(jù)各AP的信號(hào)強(qiáng)度，在指紋數(shù)據(jù)庫(kù)中找出與所觀測(cè)AP信號(hào)強(qiáng)度最接近的一條指紋記錄，并將此記錄中的位置信息作為終端的位置。常用的匹配方法有最近鄰法（NN，Nearest Neighborhood）、K近鄰法（KNN，K Nearest Neighborhood）、K加權(quán)近鄰法（WKNN，Weighted K Nearest Neighborhood）、貝葉斯概率算法[5]等。

2.2 GMM聚類模型及EM求解算法

位置指紋數(shù)據(jù)庫(kù)建立之后，在線定位階段需將待定位點(diǎn)所獲得的RSSI矢量（RSSI1，RSSI2，RSSI3，…RSSIN）與指紋數(shù)據(jù)庫(kù)中的指紋數(shù)據(jù)進(jìn)行匹配。在匹配的處理過(guò)程中，RSSI矢量必需與每一個(gè)指紋數(shù)據(jù)進(jìn)行匹配計(jì)算，才能找到最佳的估計(jì)位置坐標(biāo)。如果數(shù)據(jù)庫(kù)的指紋數(shù)據(jù)量很大，則匹配過(guò)程將非常的耗時(shí)，如果定位應(yīng)用實(shí)時(shí)性要求較高，則根本無(wú)法滿足使用。

基于以上原因，在利用位置指紋定位方法對(duì)行車進(jìn)行定位時(shí)必須有效解決延時(shí)的問(wèn)題。如果使用聚類的方法在離線訓(xùn)練時(shí)對(duì)采集到的指紋數(shù)據(jù)進(jìn)行分類則可以有效的解決在線匹配時(shí)的數(shù)據(jù)處理量。

離線訓(xùn)練階段對(duì)指紋數(shù)據(jù)進(jìn)行聚類處理的方法有很多種，考慮到移動(dòng)下的精度以及實(shí)用性，可以用GMM模型來(lái)進(jìn)行比較完備的聚類。

2.2.1 GMM聚類模型

⑴針對(duì)整個(gè)數(shù)據(jù)樣本，記共有N個(gè)位置點(diǎn)的指紋數(shù)據(jù)組成一個(gè)大樣本，這個(gè)樣本可以分成K個(gè)小分類，每個(gè)小分類自成一個(gè)小樣本，記屬于第i個(gè)小分類的樣本集合為L(zhǎng)（i）：

單個(gè)分類服從多維單高斯PDF（概率密度函數(shù)）：

現(xiàn)在把K個(gè)分類混合，得到每個(gè)位置點(diǎn)樣本個(gè)體的混合PDF，也即GMM：

2.2.2 EM算法求解GMM模型參數(shù)

用EM算法求解GMM模型參數(shù)，令

⑴初始化，k個(gè)高斯成分，初始參數(shù)：

⑵E-步：對(duì)于每個(gè)rss的樣本對(duì)象，計(jì)算每個(gè)對(duì)象屬于每個(gè)分布的概率

⑶M-步：給定期望步得到的概率，找出最大化該期望似然的新的參數(shù)估計(jì)更新第j個(gè)分量的權(quán)重：

更新均值矢量：

更新協(xié)方差矩陣：

（4）若 滿足下式收斂條件，迭代運(yùn)算結(jié)束，則

期望步與最大化步交替迭代運(yùn)算，直到系統(tǒng)似然函數(shù)不再增加或增加的很小

2.3 基于RSSI的GMM定位

本文用WAVE系統(tǒng)RSU的RSSI作為位置指紋，實(shí)現(xiàn)無(wú)線終端的定位。整個(gè)定位系統(tǒng)的架構(gòu)如下圖2所示：

其中，RSU即AP接入點(diǎn)放置在固定的位置，并用有線或無(wú)線方式將其與定位服務(wù)器連接；OBU代表移動(dòng)設(shè)備，在離線訓(xùn)練階段將每一個(gè)采樣點(diǎn)的位置指紋信息提交到定位服務(wù)器構(gòu)建指紋數(shù)據(jù)庫(kù)，在線定位階段OBU采集RSU的RSSI信息后請(qǐng)求定位服務(wù)器進(jìn)行定位處理；定位服務(wù)器（Position Server）負(fù)責(zé)建立和維護(hù)位置指紋數(shù)據(jù)庫(kù)，并處理定位信息。

系統(tǒng)工作過(guò)程如下：

⑴離線訓(xùn)練階段，OBU設(shè)備在不同的位置采樣點(diǎn)以主動(dòng)方式掃描其所在范圍內(nèi)可以探測(cè)到的WSA（WAVE Service Announcement），分析其所收集到的WSA，選擇加入某個(gè)RSU所建立的網(wǎng)絡(luò)；然后設(shè)定此OBU設(shè)備的掃描時(shí)間間隔和掃描次數(shù)，掃描周圍的RSU基站，收集其RSSI值并以此組成當(dāng)前所在位置的指紋信息，最后通過(guò)網(wǎng)絡(luò)通信經(jīng)RSU提交至定位服務(wù)器。對(duì)每一個(gè)指紋采樣點(diǎn)依次做同樣的處理，最終采集的所有指紋信息構(gòu)建成完整的指紋數(shù)據(jù)庫(kù)。采集完畢后，采用上面的GMM聚類方法對(duì)指紋數(shù)據(jù)庫(kù)進(jìn)行處理。

⑵在線定位階段，OBU設(shè)備以主動(dòng)方式掃描其所在范圍內(nèi)可以探測(cè)到的WSA，然后選擇加入某個(gè) RSU所建立的網(wǎng)絡(luò)；然后掃描周圍的RSU基站，收集其RSSI值并以此組成當(dāng)前所在位置的RSSI向量，通過(guò)RSU設(shè)備向定位服務(wù)器提交RSSI向量，定位服務(wù)器按照記錄的GMM參數(shù)計(jì)算出待測(cè)點(diǎn)屬于哪一分類。

在概率最大的L（i）分類中，再計(jì)算未知點(diǎn)位于分類樣本中每個(gè)采樣點(diǎn)的概率，結(jié)果中取概率最大的位置坐標(biāo)

取前P個(gè)具有最大概率值的點(diǎn)的坐標(biāo)均值為最終定位結(jié)果X：

（3）最后定位服務(wù)器通過(guò)RSU設(shè)備向OBU發(fā)送位置信息。

3 實(shí)驗(yàn)及評(píng)估

因硬件條件限制，以一個(gè)比較空曠的房間來(lái)模擬WAVE環(huán)境。本測(cè)試的結(jié)果將對(duì)于后續(xù)在動(dòng)態(tài)車載環(huán)境下更進(jìn)一步的研究和實(shí)驗(yàn)，提供有效參考作用。

本測(cè)試的平面示意圖如下所示：

其中紅點(diǎn)表示RSU，黃點(diǎn)表示采樣點(diǎn)，藍(lán)點(diǎn)表示測(cè)試點(diǎn)（藍(lán)點(diǎn)也屬于采樣點(diǎn)）。位置信息沒(méi)有使用GPS模塊獲得真正的位置信息，而是手動(dòng)方式輸入相對(duì)位置坐標(biāo)。

離線訓(xùn)練階段，取采樣點(diǎn)的間隔為60cm，在每個(gè)采樣的點(diǎn)上OBU掃描周圍的RSU基站，設(shè)定描述次數(shù)為20次，每次時(shí)間間隔為10秒，記錄各個(gè)RSU無(wú)線信號(hào)RSSI的平均值與方差。根據(jù)這些RSSI信息和當(dāng)前的位置信息組成一條位置指紋信息。采樣完畢后，進(jìn)行數(shù)據(jù)GMM聚類處理。

在線定位階段，OBU設(shè)備在不同的位置點(diǎn)進(jìn)行定位測(cè)試。取前P個(gè)具有最大概率值的點(diǎn)的坐標(biāo)平均值作為最終定位結(jié)果。在每個(gè)測(cè)試點(diǎn)，分別測(cè)試三次取平均結(jié)果。測(cè)試數(shù)據(jù)的平均誤差統(tǒng)計(jì)結(jié)果如下表所示：

對(duì)測(cè)試數(shù)據(jù)處理，可得到定位結(jié)果平均精度如下圖所示：

由表1可知，B點(diǎn)的誤差最大，達(dá)6.36%，隨著取最大概率值個(gè)數(shù)的增大，B點(diǎn)的誤差有一個(gè)明顯的下降，然后趨于穩(wěn)定，保持在4%左右。觀察其它位置點(diǎn)也有類似規(guī)律，說(shuō)明GMM 概率最大的定位結(jié)果往往分布在真實(shí)位置的四周。結(jié)合圖4也表明，隨著取最大概率值個(gè)數(shù)的增大，平均誤差也趨于穩(wěn)定。從圖4中也可以看出，平均誤差維持在2.6米，這個(gè)誤差值偏大，主要由室內(nèi)環(huán)境的強(qiáng)反射、離RSU太近及采樣間隔太近造成。后續(xù)研究，可以適當(dāng)增大采樣點(diǎn)間隔和數(shù)量，并在室外進(jìn)行，以此降到誤差，提高定位精度。

4 總結(jié)

本文提出了一個(gè)在WAVE系統(tǒng)下基于GMM的位置指紋定位方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證和評(píng)估了該方法的可行性。實(shí)驗(yàn)結(jié)果表明，該方法在定位的精度和實(shí)時(shí)性方面均有較好的結(jié)果。此外在終端低速移動(dòng)的情況下，該定位方法表現(xiàn)穩(wěn)定。下一步工作是繼續(xù)完善該算法，將多次聚類和快速聚類方法結(jié)合，以進(jìn)一步縮減運(yùn)算量，提高定位響應(yīng)能力。同時(shí)將測(cè)試環(huán)境轉(zhuǎn)移到戶外，提高移動(dòng)終端速度，來(lái)進(jìn)一步檢驗(yàn)該方法，并不斷完善，以期符合WAVE環(huán)境下的應(yīng)用。

[參考文獻(xiàn)]

[1]百度百科.車聯(lián)網(wǎng)[EB/OL].http：//baike.baidu.com/view/3162798.htm.

[2]董梅，楊曾，張健，等.基于信號(hào)強(qiáng)度的無(wú)線局域網(wǎng)定位技術(shù)[J].計(jì)算機(jī)應(yīng)用，2004，24（12）：49-52.

[3]Bahl P，Padmanabhan V N.RADAR：An In-building RF-based User Location and Tracking System[C].Proc.of 2000 Annual Joint Conference of the IEEE Computer and Communications Societies.[S.l.]：IEEE Computer Society，2000.

[4]Roos T，Myllymaki P，Tirri H，et al.A Probabilistic Approach to WLAN User Location Estimation[J].International Journal of Wireless Information Networks，2002，9（3）：155-164.

[5]ITO S，KAWAGUCHI N.Bayesian Based Location Estimation System Using Wireless LAN.In Proceedings of the 3rd International Conference on Pervasive Computing and Communications Workshops，2005，273-278.

[6]謝鵬.基于WAVE協(xié)議棧的車聯(lián)網(wǎng)通信終端研究及定位系統(tǒng)實(shí)現(xiàn).華南理工大學(xué).2013.