基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法

楊 智，嚴(yán) 華

(四川大學(xué) 電子信息學(xué)院，成都 610065)

?

基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法

楊 智，嚴(yán) 華

(四川大學(xué) 電子信息學(xué)院，成都 610065)

針對(duì)室內(nèi)環(huán)境復(fù)雜性造成的室內(nèi)定位精度不足問(wèn)題，提出一種基于支持向量機(jī)回歸和粒子濾波的室內(nèi)導(dǎo)航方法；離線階段通過(guò)采集室內(nèi)接收信號(hào)強(qiáng)度并利用統(tǒng)計(jì)學(xué)習(xí)方法，構(gòu)建室內(nèi)RSS與物理位置之間的支持向量回歸映射模型，定位階段使用智能移動(dòng)設(shè)備采集加速度、方向角等運(yùn)動(dòng)狀態(tài)信息和Wifi模塊感知的環(huán)境信息，并利用粒子濾波將運(yùn)動(dòng)數(shù)據(jù)和回歸結(jié)果進(jìn)行融合處理，推算移動(dòng)用戶運(yùn)動(dòng)軌跡；室內(nèi)實(shí)驗(yàn)結(jié)果表明，本方法最大定位誤差為1.891 m，平均誤差為0.669 m，有效地提高了室內(nèi)定位導(dǎo)航精度。

支持向量機(jī)回歸；粒子濾波；WLAN；接收信號(hào)強(qiáng)度

0 引言

目前最流行的定位方法是GPS(全球定位系統(tǒng))，在戶外區(qū)域，包含GPS芯片組的便攜式手持設(shè)備可以很方便地提供存在有限誤差的地理位置信息。但是由于建筑物的遮擋以及室內(nèi)環(huán)境的復(fù)雜性會(huì)造成無(wú)線信號(hào)阻塞或信號(hào)衰減，限制GPS在室內(nèi)定位領(lǐng)域的應(yīng)用，而基于無(wú)線局域網(wǎng)技術(shù)的無(wú)線基礎(chǔ)設(shè)施非常適合用來(lái)實(shí)現(xiàn)室內(nèi)定位和位置追蹤。

無(wú)線基礎(chǔ)設(shè)施，包括基于IEEE 802.11的WLAN、基于IEEE 802.15.4的ZigBee、基于IEEE 802.15.4a的超寬帶(UWB)、藍(lán)牙等等。WLAN作為有線網(wǎng)絡(luò)的延伸，隨著技術(shù)標(biāo)準(zhǔn)的完善，以其高速通信、高可靠性、部署便捷、使用靈活、易于擴(kuò)展等特點(diǎn)，快速融入到人們的日常生活中，逐漸成為現(xiàn)代移動(dòng)辦公、移動(dòng)生活?yuàn)蕵?lè)必不可少的一部分，而基于WLAN的定位技術(shù)研究在這種背景下快速發(fā)展起來(lái)[1-2]，逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)。

常用的定位技術(shù)有TOA、TDOA、RTOF、AOA、RSS、FDOA以及AOA/TDOA聯(lián)合定位技術(shù)和TDOA/FDOA聯(lián)合定位技術(shù)[1,3-4]等，結(jié)合無(wú)線定位算法如三邊測(cè)量、三角測(cè)量、小區(qū)ID(蜂窩)和指紋等進(jìn)行位置估計(jì)。由于WLAN室內(nèi)環(huán)境的復(fù)雜性和多徑效應(yīng)的影響，RSS信號(hào)呈現(xiàn)非線性、非高斯的統(tǒng)計(jì)特性[5]，傳統(tǒng)定位技術(shù)往往無(wú)法滿足用戶的定位需求。

隨著無(wú)線通信網(wǎng)絡(luò)技術(shù)的快速發(fā)展，智能手機(jī)正逐漸深入社會(huì)生活的各個(gè)層面，其計(jì)算、存儲(chǔ)和處理能力等得到大幅提升，各種各樣的傳感器加入到手機(jī)中，包括加速度傳感器、方向傳感器、陀螺儀等，使得智能手機(jī)能夠?yàn)槭覂?nèi)定位與導(dǎo)航提供必要的感知信息，而將智能手機(jī)慣性導(dǎo)航與傳統(tǒng)定位技術(shù)結(jié)合已成為目前的發(fā)展趨勢(shì)。

本文主要研究基于SVR和粒子濾波的室內(nèi)導(dǎo)航算法，通過(guò)離線階段采集室內(nèi)信號(hào)強(qiáng)度數(shù)據(jù)，訓(xùn)練室內(nèi)信號(hào)強(qiáng)度與坐標(biāo)的SVR回歸模型，定位階段將智能手機(jī)慣性導(dǎo)航數(shù)據(jù)和SVR回歸確定的絕對(duì)位置，利用粒子濾波進(jìn)行數(shù)據(jù)融合，確定用戶運(yùn)動(dòng)軌跡，以滿足用戶室內(nèi)定位需求。

1 基于手機(jī)的室內(nèi)無(wú)線導(dǎo)航方法

傳統(tǒng)的行人航跡推算技術(shù)不能獲得用戶的絕對(duì)定位信息，且使用智能手機(jī)內(nèi)置的傳感器會(huì)帶來(lái)較大誤差，因此本文引入支持向量機(jī)回歸和粒子濾波，通過(guò)在離線階段采集室內(nèi)空間中RSS樣本，并通過(guò)支持向量機(jī)回歸學(xué)習(xí)，構(gòu)建室內(nèi)信號(hào)強(qiáng)度序列與位置點(diǎn)的回歸映射模型。在定位階段，利用手機(jī)內(nèi)置的加速度傳感器、方向傳感器對(duì)用戶的運(yùn)動(dòng)行為進(jìn)行感知，利用WIFI模塊對(duì)用戶環(huán)境進(jìn)行感知[6]，并通過(guò)粒子濾波將用戶運(yùn)動(dòng)信息和經(jīng)由回歸模型確定的絕對(duì)位置信息進(jìn)行濾波融合，以提高室內(nèi)導(dǎo)航精度。算法整體結(jié)構(gòu)如圖1所示。

圖1 室內(nèi)導(dǎo)航方法整體框架圖

1.1 基于手機(jī)的航位推算

隨著智能手機(jī)中MEMS(Micro-Electro- Mechanical System)的發(fā)展，用于航位推算的傳感器尺寸、重量、成本大大降低，精度有所提升，使得航位推算在行人導(dǎo)航中得以應(yīng)用[7]。常用的航位推算方法有兩種：基于距離和基于步態(tài)的航位推算。第一種方法通過(guò)對(duì)加速度傳感器采集的數(shù)據(jù)進(jìn)行連續(xù)積分處理，推算用戶行進(jìn)距離，這種方式需要大量積分，且存在零狀態(tài)漂移誤差；第二種方法通過(guò)對(duì)加速度傳感數(shù)據(jù)進(jìn)行數(shù)值轉(zhuǎn)換和濾波處理，獲取用戶步態(tài)特征，并推算出用戶行進(jìn)步數(shù)和步長(zhǎng)[8]。

文獻(xiàn)[9]中的步伐探測(cè)算法是通過(guò)對(duì)合加速度的局部方差進(jìn)行平滑濾波來(lái)提取用戶步態(tài)特征，但從設(shè)備獲取的原始加速度值準(zhǔn)確度有限，且其中錯(cuò)誤的加速度計(jì)值和噪聲擁有高頻特性，此時(shí)的步伐探測(cè)算法不能很好的濾除干擾因素，因此本文根據(jù)用戶運(yùn)動(dòng)頻率特性，引入低通巴特沃斯濾波對(duì)合加速度數(shù)據(jù)進(jìn)行濾波，并根據(jù)文獻(xiàn)[9]中使用的步伐探測(cè)、步長(zhǎng)計(jì)算和方向判斷方法，對(duì)用戶航位進(jìn)行推算。

1.2 支持向量機(jī)回歸

Wifi信號(hào)在室內(nèi)環(huán)境存在復(fù)雜的衍射、反射現(xiàn)象，室內(nèi)不同位置點(diǎn)存在不同的衰減情況，使得信號(hào)強(qiáng)度與室內(nèi)位置之間存在復(fù)雜的非線性關(guān)系，很難求出準(zhǔn)確的的解析表達(dá)式，而支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)和VC維理論的機(jī)器學(xué)習(xí)方法，它以最小化結(jié)構(gòu)風(fēng)險(xiǎn)為目標(biāo)，已在解決高維和非線性問(wèn)題方面表現(xiàn)出了很多優(yōu)勢(shì)，因此選擇支持向量機(jī)回歸來(lái)構(gòu)造室內(nèi)RSS信號(hào)與物理位置之間的非線性映射關(guān)系，回歸模型示意圖如圖2所示。

圖2 回歸模型示意圖

支持向量機(jī)回歸可表述為：給定訓(xùn)練數(shù)據(jù)集D={(ri，(xi，yi))|i=1，2，…，n}，其中ri= (RSSIi1，RSSIi2，…，RSSIim)，RSSIij為第j個(gè)信號(hào)源在采樣節(jié)點(diǎn)i處的信號(hào)強(qiáng)度，(xi，yi)為采樣參考點(diǎn)的二維坐標(biāo)。通過(guò)一個(gè)非線性映射φ(·)將輸入樣本數(shù)據(jù)映射到一個(gè)高維特征空間，然后在高維特征空間構(gòu)造回歸估計(jì)函數(shù)：

(1)

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，原始問(wèn)題可以轉(zhuǎn)化成求解凸二次規(guī)劃問(wèn)題：

(2)

引入Lagrange函數(shù)，構(gòu)造支持向量回歸函數(shù)：

(3)

其中:函數(shù)K為核函數(shù)。這里通過(guò)對(duì)離線階段采集的樣本進(jìn)行訓(xùn)練和參數(shù)尋優(yōu)，得到兩個(gè)獨(dú)立的分別輸出兩維物理位置坐標(biāo)的SVR回歸函數(shù)。

1.3 粒子濾波融合

粒子濾波是一種基于順序蒙特卡洛方法(sequential Monte Carlo)的貝葉斯推理(Bayesian inference)過(guò)程，廣泛應(yīng)用于機(jī)器人定位和跟蹤的方法。本文將經(jīng)由回歸模型確定的絕對(duì)位置信息作為環(huán)境觀測(cè)，并利用粒子濾波將其與智能手機(jī)檢測(cè)到的用戶運(yùn)動(dòng)信息進(jìn)行濾波融合，基本步驟如下。

1)初始化階段：

2)轉(zhuǎn)移階段：

粒子狀態(tài)轉(zhuǎn)移，也就是用戶位置隨時(shí)間的更新過(guò)程[6]。這里以每一個(gè)步態(tài)周期為單位進(jìn)行粒子狀態(tài)轉(zhuǎn)移，不同粒子將根據(jù)用戶在此步態(tài)周期中的步長(zhǎng)和方向產(chǎn)生不同的路徑。

(4)

3)決策階段：

利用當(dāng)前位置點(diǎn)采集的信號(hào)強(qiáng)度序列，經(jīng)離線階段訓(xùn)練的支持向量機(jī)回歸模型，得到定位絕對(duì)坐標(biāo) (xt,SVR，yt,SVR)，以此作為環(huán)境觀測(cè)值來(lái)更新粒子權(quán)重，公式如下：

(5)

其中:R是測(cè)量噪聲。

粒子權(quán)值歸一化：

(6)

采用粒子加權(quán)和來(lái)確定用戶位置：

(7)

4)重采樣階段：

為避免粒子退化，需要進(jìn)行重采樣，這里采用隨機(jī)采樣方法[6]，剔除低權(quán)重的粒子，復(fù)制權(quán)值高的粒子。

5)重復(fù)步驟2～4，逐步確認(rèn)用戶位置，直到導(dǎo)航結(jié)束。

2 實(shí)驗(yàn)測(cè)試

為評(píng)估本文提出的基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法的性能，本文在21 m*13 m的室內(nèi)環(huán)境內(nèi)進(jìn)行多次實(shí)驗(yàn)。選取的實(shí)驗(yàn)環(huán)境為研究所部分實(shí)驗(yàn)室區(qū)間，整個(gè)區(qū)域總共可以采集到15個(gè)AP節(jié)點(diǎn)信號(hào)，這里只選取布置于測(cè)試環(huán)境內(nèi)的3個(gè)AP節(jié)點(diǎn)進(jìn)行測(cè)試。實(shí)驗(yàn)采用的數(shù)據(jù)采集設(shè)備為小米1 s，整個(gè)算法分為離線訓(xùn)練和在線定位兩個(gè)階段，離線階段在圖3所示環(huán)境中，以人體平均步長(zhǎng)75 cm為間隔，對(duì)室內(nèi)可行區(qū)域進(jìn)行采樣，實(shí)際劃分了221個(gè)采樣點(diǎn)，并在每個(gè)采樣點(diǎn)以每秒采集一次的速率采集10次。然后利用LIBSVM工具箱[10]對(duì)采集到的2210個(gè)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，選擇ε-SVR和RBF核函數(shù)，并進(jìn)行網(wǎng)格參數(shù)尋優(yōu)，構(gòu)建室內(nèi)信號(hào)強(qiáng)度與物理位置之間的回歸映射模型。

圖3 室內(nèi)采樣點(diǎn)分布示意圖

2.1 步態(tài)檢測(cè)

本文引入低通巴特沃斯濾波對(duì)手機(jī)航位推算進(jìn)行優(yōu)化，并對(duì)其有效性進(jìn)行驗(yàn)證，結(jié)果如圖4、表1所示。

圖4 合加速度巴特沃斯濾波結(jié)果

測(cè)試用例步數(shù)測(cè)試次數(shù)準(zhǔn)確率距離平均誤差/m1502095%1.02621002090%1.513

從上述圖表可以看出，本文使用的低通巴特沃斯濾波效果較好，且步行距離誤差小于實(shí)際距離的3%，結(jié)果表明該方法可以準(zhǔn)確測(cè)量行人步數(shù)和行走距離。

2.2 室內(nèi)導(dǎo)航性能測(cè)試

為評(píng)估在線定位階段室內(nèi)導(dǎo)航方法的可行性和有效性，在智能手機(jī)上實(shí)現(xiàn)航位推算算法，然后由實(shí)驗(yàn)者手持智能移動(dòng)設(shè)備按照預(yù)先設(shè)定的軌跡以正常步速繞行3圈，采集行走過(guò)程中每個(gè)步態(tài)周期的步長(zhǎng)、方向和周圍環(huán)境實(shí)時(shí)的RSS信號(hào)強(qiáng)度，以此數(shù)據(jù)集作為在線定位階段的測(cè)試數(shù)據(jù)，并將導(dǎo)航定位結(jié)果與基于手機(jī)的航位推算定位結(jié)果進(jìn)行誤差對(duì)比。

實(shí)驗(yàn)者手持智能設(shè)備在圖5中約6.5 m*12 m的室內(nèi)區(qū)域，按照箭頭方向繞行三圈。圖5中帶箭頭的方框即為預(yù)設(shè)的理想步行軌跡，其中帶實(shí)心圓的曲線為行人航位推算的軌跡，可以看出其與理想軌跡嚴(yán)重偏離，且誤差較大。

圖5 航跡推算軌跡圖

圖6所示為本文提出的基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法對(duì)同一運(yùn)動(dòng)數(shù)據(jù)集的處理結(jié)果，從圖6中可以看出本算法處理所得行人軌跡曲線與理想軌跡重合度較高。

圖6 本方法測(cè)試軌跡圖

圖7中描述了本算法和航位推算的定位誤差，其中航位推算最大定位誤差為5.252 m，平均誤差為2.623 m，本文提出的室內(nèi)導(dǎo)航算法最大定位誤差為1.891 m，平均誤差為0.669 m，相比于航位推算，平均誤差減少了74.49%。

圖7 航跡與本算法定位誤差對(duì)比

3 結(jié)論

本文將智能手機(jī)慣性導(dǎo)航與傳統(tǒng)定位技術(shù)結(jié)合，提出一種基于SVR和粒子濾波的室內(nèi)導(dǎo)航方法，通過(guò)將離線階段訓(xùn)練所得室內(nèi)信號(hào)強(qiáng)度與物理坐標(biāo)的SVR回歸映射模型作為觀測(cè)條件，并利用粒子濾波將其與航位推算進(jìn)行融合處理，推算移動(dòng)用戶位置。實(shí)驗(yàn)結(jié)果表明，本文提出的方法提高了定位精度，并擁有良好的定位效果，能夠滿足用戶的室內(nèi)定位需求。

[1] 梁久禎. 無(wú)線定位系統(tǒng)[M]. 北京: 電子工業(yè)出版社, 2013.

[2] 郎昕培,許 可,趙 明. 基于無(wú)線局域網(wǎng)的位置定位技術(shù)研究和發(fā)展[J]. 計(jì)算機(jī)科學(xué), 2006, 33(6): 21-24.[3] Yamasaki R,Ogino A,Tamaki T. TDOA location system for IEEE 802.11b WLAN[A].Proc of Wireless Communications and Networking Conference[C]. IEEE Press, 2005: 2338-2343.

[4] 韋 丹. 基于移動(dòng)終端的室內(nèi)關(guān)鍵定位技術(shù)研究 [D]. 北京: 北京郵電大學(xué), 2014.

[5] 鄧志安,徐玉濱. 基于支持向量機(jī)回歸算法的WLAN室內(nèi)定位系統(tǒng)[J].儀器儀表學(xué)報(bào), 2009, 30(6): 578-582.

[6] 趙逢達(dá),閆亭亭,孔令富. 一種基于粒子濾波的智能移動(dòng)終端室內(nèi)行人定位算法[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2014, 35(8): 1842-1847.

[7] 王立劍. 基于Android平臺(tái)的手機(jī)室內(nèi)定位及導(dǎo)航的設(shè)計(jì)與實(shí)現(xiàn)[D].青島: 中國(guó)海洋大學(xué), 2013.

[8] Jeong Won Kim, Han Jin Jang, Dong-Hwan Hwang, et al. A step, stride and heading determination for the pedestrian navigation system [J]. Journal of Global Positioning Systems, 2004, 3(1): 273-279.

[9] 朱建佳. 基于Android平臺(tái)的室內(nèi)導(dǎo)航系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京: 北京郵電大學(xué), 2014.

[10] Chang Chihchung,Lin Chihjen. LIBSVM: a library for support vector machines [EB/OL]. (2013-04-01)[2013-07-14]. http:// www. csie. ntu. edu. tw/～cjlin/libsvm.

Indoor Navigation Method Based on SVR and Particle Filter

Yang Zhi，Yan Hua

(College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China)

Aiming at the lack of indoor positioning accuracy caused by the complex indoor environment, a method of indoor navigation based on support vector regression (SVR) and particle filter is proposed. At the offline stage, the indoor received signal strength (RSS) is collected, and statistical learning methods are used to construct support vector regression model indoor mapping between received signal strength and physical location. At positioning stage, intelligent mobile equipment is used to capture acceleration, direction angle and environmental information perceived by WIFI module. Based on the particle filter, the motion data and the regression result are fused to calculate the motion trajectory of the mobile user. Experimental results show that the maximum location error of proposed method is 1.891 m, while the average error is 0.669 m, and indoor location and navigation accuracy can be effectively improved.

support vector regression; particle filter; wireless local area networks; received signal strength

2016-04-01；

2016-04-29。

國(guó)家自然科學(xué)基金項(xiàng)目(61172181)。

楊 智(1992-)，男，湖南衡陽(yáng)人，碩士研究生，主要從事模式識(shí)別與智能系統(tǒng)方向的研究。

嚴(yán) 華(1971-)，男，四川渠縣人，教授，碩士研究生導(dǎo)師，主要從事模式識(shí)別與智能系統(tǒng)、嵌入式系統(tǒng)方向的研究。

1671-4598(2016)09-0231-03

10.16526/j.cnki.11-4762/tp.2016.09.064

TP393

A