卡爾曼濾波在iBeacon室內(nèi)定位系統(tǒng)中的應(yīng)用*

孔慶達(dá)，余成波，李彩虹

(重慶理工大學(xué) 遠(yuǎn)程測試與控制研究所，重慶 400054)

卡爾曼濾波在iBeacon室內(nèi)定位系統(tǒng)中的應(yīng)用*

孔慶達(dá)*，余成波，李彩虹

(重慶理工大學(xué) 遠(yuǎn)程測試與控制研究所，重慶 400054)

為了抑制iBeacon信號在傳播過程中由于人員擾動、多徑效應(yīng)等引起的噪聲，以及移動定位過程中定位結(jié)果的不穩(wěn)定，在iBeacon室內(nèi)定位系統(tǒng)中引入了卡爾曼濾波算法分別對采集到的iBeacon信號與移動定位結(jié)果進(jìn)行處理。首先通過卡爾曼濾波對采集的信號進(jìn)行處理，降低了信號噪聲，提高了信號的質(zhì)量，其次應(yīng)用卡爾曼濾波對移動定位結(jié)果進(jìn)行二次處理，提高了移動定位結(jié)果的穩(wěn)定性與精度。實(shí)驗(yàn)結(jié)果表明,在辦公室環(huán)境下采用卡爾曼濾波進(jìn)行處理后可將1 m以內(nèi)的定位精度提高到80%以上。

iBeacon室內(nèi)定位；卡爾曼濾波；信號采集；實(shí)時定位；多徑效應(yīng)

1 引 言

近年來，基于位置的服務(wù)在各行各業(yè)中越來越受到重視，基于GPS的室外定位已經(jīng)在現(xiàn)實(shí)生活中被廣泛應(yīng)用，但是GPS信號在室內(nèi)衰減嚴(yán)重，無法實(shí)現(xiàn)精準(zhǔn)的室內(nèi)定位，而在實(shí)際生活中人們在室內(nèi)的時間遠(yuǎn)遠(yuǎn)大于室外，對于室內(nèi)定位技術(shù)的需求與日俱增。隨著智能手機(jī)以及平板等設(shè)備普及，藍(lán)牙4.0技術(shù)在手持設(shè)備中被廣泛應(yīng)用。2013年蘋果公司提出了基于藍(lán)牙4.0的iBeacon技術(shù)，因具有低功耗、長距離、低成本、應(yīng)用廣等優(yōu)勢，已成為現(xiàn)階段室內(nèi)定位的研究熱點(diǎn)[1]。

室內(nèi)定位技術(shù)最早的研究是在1992年。目前國內(nèi)外的研究中實(shí)現(xiàn)室內(nèi)定位的算法主要集中在兩個方向：一是基于信號強(qiáng)度(Received Signal Strength Indication，RSSI)測距的室內(nèi)定位，主要包括三角質(zhì)心定位算法；二是基于信號指紋庫的定位算法。由于基于信號強(qiáng)度測距的室內(nèi)定位技術(shù)嚴(yán)重依賴于信號的穩(wěn)定性，且受多徑效應(yīng)影響時定位精度下降嚴(yán)重，因此本文主要采用國內(nèi)外應(yīng)用較普遍的基于信號指紋庫的定位技術(shù)[2]，該技術(shù)研究重點(diǎn)集中在如何對采集到的信號同建立的指紋庫進(jìn)行快速精準(zhǔn)匹配，主要匹配算法有K近鄰算法(K-Nearest Neighbor,KNN)[3]、神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Networks,ANNs)、支持向量機(jī)(Support Vector Machine,SVM)、貝葉斯法等，本文采用KNN算法進(jìn)行指紋庫的匹配?，F(xiàn)階段國內(nèi)外對室內(nèi)定位的研究主要是通過改進(jìn)指紋庫匹配算法來提高室內(nèi)定位精度，而在實(shí)際應(yīng)用中由于室內(nèi)環(huán)境下人員走動以及信號傳播過程中多徑效應(yīng)等的影響，采集的iBeacon信號強(qiáng)度會出現(xiàn)失真，即使指紋庫匹配算法匹配精度再高也無法消除信號強(qiáng)度失真造成的誤差，所以必須對采集到的信號進(jìn)行濾波去噪處理。同時，在現(xiàn)有的室內(nèi)定位技術(shù)中，對于移動定位結(jié)果一般不會做任何處理，但在實(shí)際移動定位過程中，定位的結(jié)果變化不平緩，波動較大[4]，所以需要對移動定位結(jié)果進(jìn)行濾波處理來抑制移動定位結(jié)果的大幅波動，以達(dá)到提高實(shí)際定位精度和穩(wěn)定定位的效果。

2 iBeacon室內(nèi)定位系統(tǒng)

本文搭建了一套iBeacon室內(nèi)定位系統(tǒng)，系統(tǒng)結(jié)構(gòu)框架如圖1所示，包括iBeacon節(jié)點(diǎn)、智能手機(jī)端、地圖定位服務(wù)器以及信號指紋庫服務(wù)器。

圖1 室內(nèi)定位系統(tǒng)示意圖

在智能手機(jī)端采用卡爾曼濾波對搜索到的iBeacon信號進(jìn)行處理，本文采用信號強(qiáng)度指紋定位技術(shù)，所以必須建立信號指紋庫，主要實(shí)驗(yàn)工作分為兩個階段。

(1)樣點(diǎn)采集與指紋庫建立階段，即在實(shí)驗(yàn)室環(huán)境下事先選取坐標(biāo)原點(diǎn)、X軸以及Y軸，按照每間隔1 m作為目標(biāo)樣點(diǎn)，通過在Android手機(jī)端開發(fā)的App來采集每個目標(biāo)樣點(diǎn)下的信號強(qiáng)度值以及記錄該樣點(diǎn)的坐標(biāo)并上傳到服務(wù)器數(shù)據(jù)中心，最后建立該實(shí)驗(yàn)室的完整信號指紋庫。

(2)實(shí)時定位階段，即App通過與服務(wù)器建立Socket通信，同時發(fā)出定位請求并將App此時采集到的iBeacon信號強(qiáng)度值按照一定的時間間隔不斷遞交給服務(wù)器，服務(wù)器從數(shù)據(jù)中心搜索調(diào)用信號指紋庫進(jìn)行匹配，匹配算法采用KNN算法得到3個最接近的樣本點(diǎn)并通過計算三點(diǎn)的質(zhì)心來得到此時用戶的位置信息，并將計算得到的位置坐標(biāo)回傳給App顯示到對應(yīng)地圖界面。

3 卡爾曼濾波在該定位系統(tǒng)中的應(yīng)用

卡爾曼濾波算法[5](Kalman Filter)是一種抑制高斯噪聲有效的最優(yōu)化自回歸數(shù)據(jù)處理算法，對于系統(tǒng)過程的濾波比較好，能夠有效濾除信號發(fā)生的突變，對于變化快速、實(shí)時更新的線性系統(tǒng)有著非常好的尋優(yōu)及濾波效果，且便于計算機(jī)編程語言的快速實(shí)現(xiàn)。本文室內(nèi)定位系統(tǒng)是離散線性系統(tǒng)，所以本文采用基本卡爾曼濾波算法即可滿足系統(tǒng)要求。

3.1 卡爾曼濾波算法

卡爾曼濾波的具體思想流程如圖2所示。圖中:A、B為系統(tǒng)參數(shù)，U(k)是k時刻對系統(tǒng)的控制量，Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，W(k)和V(k)分別表示過程和測量的噪聲，Q和R分別是過程噪聲和觀測噪聲的協(xié)方差,U(k)為現(xiàn)在狀態(tài)的控制量,A′表示A的轉(zhuǎn)置矩陣。

圖2 卡爾曼濾波流程圖

由圖2可知，卡爾曼濾波的核心思想為狀態(tài)預(yù)測、參數(shù)更新、估計最優(yōu)，主要包括兩個過程，即預(yù)估與校正。卡爾曼濾波的狀態(tài)更新方程及時間更新方程[6]如式(1)～(5)所示。

(1)系統(tǒng)狀態(tài)方程

X(k)=AX(k-1)+BU(k)+W(k)。

(1)

(2)估計誤差的協(xié)方差

P(k|k-1)=P(k-1|k-1)+Q。

(2)

(3)卡爾曼增益的更新

Kg(k)=P(k|k-1)/(P(k|k-1)+R)。

(3)

(4)更新估計誤差的協(xié)方差

P(k|k)=(1-Kg(k))P(k|k-1)。

(4)

(5)最優(yōu)估計

X(k|k)=X(k|k-1)+Kg(k)(Z(k)-X(k|k-1))。

(5)

公式(4)中的P(k|k-1)表示k時刻的先驗(yàn)估計誤差的協(xié)方差矩陣，而P(k|k)為k的下一時刻的先驗(yàn)估計誤差的協(xié)方差矩陣。公式(5)中X(k|k-1)表示k-1時刻的系統(tǒng)狀態(tài)的最優(yōu)估計值，同時作為k時刻的預(yù)測值，X(k|k)表示k時刻的系統(tǒng)狀態(tài)的最優(yōu)估計值。

3.2 卡爾曼濾波器應(yīng)用于實(shí)時信號采集

在信號采集時，假設(shè)當(dāng)前狀態(tài)下實(shí)際采集的信號值為RSSI(k)，上一狀態(tài)的信號值為RSSI(k-1),經(jīng)測量在實(shí)驗(yàn)室環(huán)境下信號采集系統(tǒng)的卡爾曼濾波過程噪聲協(xié)方差初始值Q取值為2.6，本系統(tǒng)的觀測噪聲可視為高斯噪聲[1]，所以觀測噪聲協(xié)方差初始值R可取值0.01，本系統(tǒng)不存在控制量，所以控制量U(k)取值0,控制量的過程噪聲Wu(k)也為0，同時假設(shè)Wrssi(k)為信號的過程噪聲，V(k)為信號的測量噪聲，在本系統(tǒng)采集到的信號為單維數(shù)據(jù)，因此測量系統(tǒng)的參數(shù)A、B、H均取值為1，Z(k)為系統(tǒng)實(shí)時采集到的信號值，協(xié)方差P的初始值不為0即可。

根據(jù)以上條件可建立信號采集系統(tǒng)狀態(tài)模型如下：

(6)

(7)

信號采集系統(tǒng)的卡爾曼濾波實(shí)驗(yàn)結(jié)果如圖3所示，(a)為在實(shí)驗(yàn)室環(huán)境下iBeacon節(jié)點(diǎn)距離手機(jī)1 m之間有人員行走擾動時采集的100組信號強(qiáng)度值數(shù)據(jù)，(b)為在實(shí)驗(yàn)室快速運(yùn)動狀態(tài)下采集的100組信號強(qiáng)度值。

(a)人員擾動狀態(tài)下卡爾曼濾波前后的信號對比圖

(b)快速運(yùn)動狀態(tài)下卡爾曼濾波前后的信號對比圖

從圖3可知，將卡爾曼濾波應(yīng)用在iBeacon信號處理上可以有效濾除由于人員擾動、信號多徑效應(yīng)等因素引起的信號噪聲，對于建立穩(wěn)定有效的信號指紋庫具有非常好的應(yīng)用價值，同時在實(shí)時定位階段也能提高室內(nèi)定位的精度及定位結(jié)果的穩(wěn)定性。

3.3 KNN匹配算法應(yīng)用于實(shí)時定位

KNN匹配算法[7]是最為常用的室內(nèi)定位匹配算法，在室內(nèi)定位系統(tǒng)中該算法主要用于匹配信號指紋庫，其核心思想是求取采集信號與樣本點(diǎn)信號的歐氏距離，主要公式如下所示：

(8)

(9)

(10)

式中：RSSId表示信號指紋庫中某個樣本點(diǎn)的信號序列，每個樣本點(diǎn)都有唯一的信號序列；RSSIt表示實(shí)際定位過程中采集的實(shí)時信號序列；L為KNN算法中的樣本匹配度，其中L越小表示實(shí)際位置與信號指紋庫中的某個樣本點(diǎn)位置越接近。將實(shí)時采集的信號序列與信號指紋庫中的所有樣本點(diǎn)信號序列進(jìn)行逐一匹配求出所有樣本點(diǎn)的樣本匹配度L，最后留取L值最小的n個樣本點(diǎn)，并將這n個樣本點(diǎn)的質(zhì)心點(diǎn)作為最后的定位結(jié)果，經(jīng)過實(shí)驗(yàn)測試最后留取3個樣本點(diǎn)求取質(zhì)心得到的定位結(jié)果最佳。定位結(jié)果如圖4所示。

圖4 KNN算法定位結(jié)果

從圖4的定位結(jié)果來看，本系統(tǒng)采用KNN定位算法能夠?qū)崿F(xiàn)基本的定位，但同時本系統(tǒng)也存在一些缺點(diǎn)：首先，定位結(jié)果突變性大，造成定位穩(wěn)定性差；其次，定位結(jié)果連續(xù)性不佳，影響系統(tǒng)的定位實(shí)時性和準(zhǔn)確性。為了解決上述問題，移動定位過程中有必要對移動定位結(jié)果進(jìn)行二次處理，來穩(wěn)定定位結(jié)果以及提高準(zhǔn)確性。

3.4 卡爾曼濾波器應(yīng)用于室內(nèi)位置移動

在實(shí)時定位階段，本文采用了KNN算法得到最后的定位結(jié)果。如圖4所示，在實(shí)際定位過程中，由于手持智能手機(jī)設(shè)備在移動時信號采集不夠連續(xù)以及電磁環(huán)境的干擾，造成最后的定位結(jié)果波動較大以及定位誤差較大，因此本系統(tǒng)引入了濾波算法對移動定位結(jié)果進(jìn)行優(yōu)化處理來穩(wěn)定定位結(jié)果并提高定位精度。在濾波算法的選擇上本文選擇了最常用的卡爾曼濾波和遞推平均濾波來對系統(tǒng)定位結(jié)果分別進(jìn)行處理，最后對兩種濾波算法的結(jié)果進(jìn)行了比較。

遞推平均濾波法也稱滑動平均濾波法，常用在線性系統(tǒng)中來抑制信號突變，基本原理如圖5所示。首先定義一個長度為N的樣本隊列，當(dāng)新采集到一個樣本時，去除隊列中最后一位樣本，隊列中其余樣本后移，同時將新樣本排入隊首，最后求取隊列的平均值作為濾波后的結(jié)果。

圖5 遞推平均濾波器原理

本系統(tǒng)的定位結(jié)果為一個二維輸出，即在定位場所選取原點(diǎn)位置、X方向、Y方向，最后獲得相對原點(diǎn)的X、Y的值。假設(shè)當(dāng)前狀態(tài)下定位結(jié)果為X(k)、Y(k)，上一狀態(tài)的信號值為X(k-1)、Y(k-1),經(jīng)測量在實(shí)驗(yàn)室環(huán)境下信號采集系統(tǒng)的卡爾曼濾波過程噪聲協(xié)方差初始值Q取值為0.5，本系統(tǒng)的觀測噪聲可視為高斯噪聲，所以觀測噪聲協(xié)方差初始值R可取值0.01。依據(jù)文獻(xiàn)[1]的研究，移動定位系統(tǒng)中X、Y坐標(biāo)值不存在控制量Ux(k)、Uy(k)取值為0，X、Y坐標(biāo)值控制量的過程噪聲WUx(k)、WUy(k)也為0，同時假設(shè)Wx(k)、Wy(k)分為X、Y坐標(biāo)值的過程噪聲，Vx(k)、Vy(k)分別為X、Y坐標(biāo)值的測量噪聲。

室內(nèi)位置移動的狀態(tài)模型[8]如下：

(11)

(12)

在實(shí)驗(yàn)室環(huán)境下，參照采集階段選取好的原點(diǎn)、X軸及Y軸，打開Android手機(jī)端App與藍(lán)牙，按照預(yù)定路線勻速移動，移動狀態(tài)下手機(jī)端不停地更新采集iBeacon信號，同時每隔0.5sApp將采集到的iBeacon信息及信號序列通過建立的Socket通信發(fā)送到服務(wù)器端，通過KNN算法來匹配服務(wù)器端的信號指紋庫，得到實(shí)時的定位結(jié)果，最后共得到220組未處理的移動定位結(jié)果，對定位結(jié)果中的X坐標(biāo)值以及Y坐標(biāo)值分別進(jìn)行卡爾曼濾波和遞推平均濾波處理，最后得到處理后的二維坐標(biāo)，并將處理后的定位結(jié)果與實(shí)際移動路徑坐標(biāo)進(jìn)行對比，實(shí)驗(yàn)結(jié)果如圖6所示。

(a)X坐標(biāo)濾波前后對比圖

(b)Y坐標(biāo)濾波前后對比圖

(c)二維空間坐標(biāo)濾波前后對比圖

(d)本文系統(tǒng)定位結(jié)果誤差分析圖

從圖6(d)的誤差分析可以發(fā)現(xiàn)，在本次定位處理中卡爾曼濾波處理后的定位誤差在0～1 m的誤差百分比為84%，1～2 m的誤差百分比為16%，而2～3 m的誤差百分比0%，可以看出卡爾曼濾波處理后的定位誤差最小，而未做任何濾波處理的定位結(jié)果誤差最大，說明對移動位置坐標(biāo)進(jìn)行濾波處理是必要的。將濾波算法應(yīng)用于室內(nèi)移動定位結(jié)果的處理，可以減小定位坐標(biāo)的波動，提高室內(nèi)定位的精度、定位結(jié)果的可靠性及穩(wěn)定性，其中卡爾曼濾波處理后定位效果最佳，因此本定位系統(tǒng)最后采取了卡爾曼濾波對移動定位結(jié)果進(jìn)行優(yōu)化處理。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)計與布置

本文iBeacon節(jié)點(diǎn)的部署環(huán)境：室內(nèi)面積為112 m2(8 m×14 m)的辦公室，其中包括一個辦公隔間，20個小辦公分隔區(qū)，室內(nèi)環(huán)境復(fù)雜度較高，是典型的辦公室環(huán)境。由于環(huán)境復(fù)雜，iBeacon節(jié)點(diǎn)未按照對稱方式進(jìn)行布局，共布置了12個iBeacon節(jié)點(diǎn)，實(shí)驗(yàn)過程中移動路徑及iBeacon節(jié)點(diǎn)布置圖如圖7所示。圖中左下角作為坐標(biāo)原點(diǎn)，向右為X軸正坐標(biāo)，向上為Y軸正坐標(biāo)。

圖7 定位移動路徑及節(jié)點(diǎn)布置示意圖

信號采集過程中主要采集iBeacon節(jié)點(diǎn)的UUID、MAC地址、MAJOR、MINOR及信號強(qiáng)度值RSSI。其中UUID全設(shè)為FDA50693-A4E3-4FB1-AFCF-C6EB07647825，iBeacon廣播功率全部設(shè)為0 dBm，MAJOR為iBeacon組號，作為某個區(qū)域的識別號，MINOR為iBeacon單號，作為iBeacon在該區(qū)域內(nèi)的唯一編號，通過MAJOR值可以判斷出當(dāng)前所處的區(qū)域，MINOR值則可識別該區(qū)域內(nèi)對應(yīng)的唯一iBeacon。本實(shí)驗(yàn)中iBeacon節(jié)點(diǎn)主要配置信息如表1所示。

表1 iBeacon節(jié)點(diǎn)配置表

4.2 實(shí)驗(yàn)結(jié)果分析

Android手機(jī)端實(shí)時采集信號及定位結(jié)果如圖8所示。

圖8 Android端信號采集及定位結(jié)果示意圖

本文定位系統(tǒng)建立的指紋庫示例如表2所示。

表2 坐標(biāo)為(300,600)cm的樣本點(diǎn)采集的指紋庫

本文實(shí)驗(yàn)參考文獻(xiàn)[1]的定位系統(tǒng)精度評價標(biāo)準(zhǔn)，經(jīng)過實(shí)際環(huán)境下多次的移動定位測試，對定位精度進(jìn)行了統(tǒng)計，評估結(jié)果如表3所示。

表3 采用卡爾曼濾波進(jìn)行處理的定位精度對比表

同文獻(xiàn)[1]中的WiFi室內(nèi)定位[9]方式相比，iBeacon室內(nèi)定位具有實(shí)時性高、精度高等優(yōu)點(diǎn)。同時,采用卡爾曼濾波處理后本系統(tǒng)的定位結(jié)果誤差在1 m以內(nèi)的比例達(dá)到了80%以上，使整體定位精度得到了提升，說明將卡爾曼濾波應(yīng)用到本系統(tǒng)的移動定位處理上能夠有效地提升定位精度。

5 結(jié)束語

本文針對室內(nèi)定位中信號采集時噪聲較大、移動定位中結(jié)果精度較低及波動較大問題，將卡爾曼濾波應(yīng)用到iBeacon室內(nèi)定位系統(tǒng)中，實(shí)驗(yàn)結(jié)果表明，一方面卡爾曼濾波能夠有效地濾除iBeacon信號的噪聲，提高信號的質(zhì)量，另一方面能夠有效地降低移動定位的波動，提高定位結(jié)果的穩(wěn)定性與精度。在實(shí)際應(yīng)用中，將本系統(tǒng)應(yīng)用到商場定位導(dǎo)航以及博物館定位導(dǎo)航方面能夠滿足基本定位要求。但是本系統(tǒng)仍然有需要改進(jìn)的地方以及解決的難題：一是iBeacon節(jié)點(diǎn)布置方式對于室內(nèi)定位精度的影響，二是環(huán)境中的溫濕度對于iBeacon信號傳播的影響以及手機(jī)接收信號功率的差異影響。希望在接下來的研究中能夠基于以上這些因素研究一種動態(tài)更新的信號指紋庫來進(jìn)一步提升定位的精度。

[1] 趙永翔，周懷北，陳淼，等. 卡爾曼濾波在室內(nèi)定位系統(tǒng)實(shí)時跟蹤中的應(yīng)用[J].武漢大學(xué)學(xué)報(理學(xué)版),2009,55(6):696-700. ZHAO Yongxiang,ZHOU Huaibei,CHEN Miao,et al.Application of Kalman filter in indoor positioning system for real-time tracking[J].Journal of Wuhan University(Natural Science Edition),2009,55(6):696-700.(in Chinese)

[2] 彭丁聰. 卡爾曼濾波的基本原理及應(yīng)用[J].軟件導(dǎo)刊,2009,8(11):32-34. PENG Dingcong. Basic principle and application of Kalman filter[J].Software Guide,2009,8(11):32-34.(in Chinese)

[3] OKAR I. A bluetooth signal strength based indoor localization method[C]//Proceedings of 21th IEEE International Conference on Systems,Signals and Image Processing. Dubrovnik,Croatia:IEEE,2014:251-254.

[4] 萬群，郭賢生，陳章鑫.室內(nèi)定位理論、方法和應(yīng)用[M].北京：電子工業(yè)出版社，2012:110-112.

[5] FARAGHER R,HARLE R.Location fingerprinting with bluetooth low energy beacons[J].IEEE Journal on Selected Areas in Communication,2015,33(11):2418-2428.

[6] 劉春燕,王堅. 基于幾何聚類指紋庫的約束KNN室內(nèi)定位模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014,39(11):1287-1292. LIU Chunyan,WANG Jian.A constrained KNN indoor positioning model based on a geometric clustering fingerprinting technique[J].Geomatics and Information Science of Wuhan University,2014,39(11):1287-1292.(in Chinese)

[7] 徐偉. 基于Android手機(jī)的室內(nèi)定位技術(shù)研究與實(shí)現(xiàn)[D].武漢：華中師范大學(xué),2014. XU Wei.Research and implementation of indoor positioning technology based on Android[D].Wuhan：Central China Normal University,2014.(in Chinese)

[8] LIANG P C，KRAUSE P. Cost-effective design of real-time home healthcare telemonitoring[C]//Proceedings of 2014 IEEE International Conference on Health Informatics.Angers,France:IEEE,2014:1-5.

[9] 余彥培. 一種融合地圖與傳感器信息的室內(nèi)地圖匹配新算法[J].電訊技術(shù),2014,54(12):1656-1662. YU Yanpei.A new indoor map matching algorithm fusing map and sensor information[J].Telecommunication Engineering,2014,54(12):1656-1662.(in Chinese)

Application of Kalman Filter in an iBeacon Indoor Positioning System

KONG Qingda，YU Chengbo，LI Caihong

(Institute of Remote Test and Control,Chongqing University of Technology,Chongqing,400054,China)

In order to suppress the iBeacon signal noise caused by the disturbance of staff and multipath effects in communication process,as well as improve the stability of positioning results during the mobile positioning process,the Kalman filter algorithm is introduced into an iBeacon indoor positioning system for respectively processing the collected iBeacon signal and mobile positioning results. Firstly,the Kalman filter is used to process the collected signal,as a result,the signal noise is reduced and the quality of signal is improved. Secondly,the Kalman filter is used to estimate the optimal value of the mobile positioning results so as to improve the stability and accuracy. Experimental results show that the positioning accuracy within 1 m can be increased to 80% by using the Kalman filter in the office environment.Key words：iBeacon indoor positioning;Kalman filter;signal acquisition;realtime positioning;multipath effects

10.3969/j.issn.1001-893x.2017.04.014

孔慶達(dá)，余成波，李彩虹.卡爾曼濾波在iBeacon室內(nèi)定位系統(tǒng)中的應(yīng)用[J].電訊技術(shù)，2017,57(4):450-456.[KONG Qingda，YU Chengbo，LI Caihong.Application of Kalman filter in an iBeacon indoor positioning system[J].Telecommunication Engineering,2017,57(4):450-456.]

2016-06-22；

2016-10-09 Received date:2016-06-22；Revised date：2016-10-09

國家自然科學(xué)基金資助項(xiàng)目(61402063)；重慶市科技人才培養(yǎng)計劃(新產(chǎn)品研發(fā)團(tuán)隊)資助項(xiàng)目(CSJC2013KJRC-TDJS40012)；重慶市高校優(yōu)秀成果轉(zhuǎn)化資助項(xiàng)目(KJZH14213)

TN967.2

A

1001-893X(2017)04-0450-07

孔慶達(dá)(1991—)，男，山西呂梁人，2014年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為碩士研究生，主要研究方向?yàn)槭覂?nèi)定位技術(shù)；

Email:1159754385@qq.com

余成波(1965—)，男，江西波陽人，教授、碩士生導(dǎo)師，主要研究方向?yàn)檫h(yuǎn)程測試與控制技術(shù)、信號與信息處理；

Email:yuchengbo@cqut.edu.cn

李彩虹(1993—)，女，山西臨汾人，2015年獲工學(xué)學(xué)士學(xué)位，現(xiàn)為碩士研究生，主要研究方向?yàn)樾盘柵c信息處理。

Email:469368188@qq.com

*通信作者：1159754385@qq.com Corresponding author：1159754385@qq.com