VehLoc：基于低功耗藍(lán)牙多信道RSSI值的車內(nèi)高精度定位方法

趙澤，高源,2，崔莉

（1. 中國科學(xué)院計(jì)算技術(shù)研究所，北京 100190；2. 中國科學(xué)院大學(xué)計(jì)算與控制學(xué)院，北京 100049）

1 引言

定位問題一直是物聯(lián)網(wǎng)研究領(lǐng)域的一個(gè)重點(diǎn)研究內(nèi)容，自物聯(lián)網(wǎng)技術(shù)誕生以來就一直受到相關(guān)研究人員的重點(diǎn)關(guān)注。基于位置的服務(wù)（LBS，location based service）是物聯(lián)網(wǎng)技術(shù)的重要應(yīng)用，定位方法的研究是 LBS的基礎(chǔ)問題。對于室外情況，使用GPS定位的方法已經(jīng)取得較好的成果，但非室外空間由于無法接收到GPS信號，實(shí)現(xiàn)精準(zhǔn)定位的難度比較大。然而近年來室內(nèi)定位和車內(nèi)定位受到了越來越多的關(guān)注，在車內(nèi)實(shí)現(xiàn)精準(zhǔn)定位，對于處于不同位置的乘客可以提供更多差異化的智能服務(wù)，例如，可以針對車內(nèi)不同位置的人員進(jìn)行個(gè)性化的溫濕度調(diào)節(jié)、空間調(diào)整、信息推送和多媒體服務(wù)；可以根據(jù)某輛車長期的乘客分布和用戶用車習(xí)慣，推測出該車輛用途（家用/商用）和常使用該車輛的乘客數(shù)目以及人員座位習(xí)慣等，從而進(jìn)一步提供智能化的服務(wù)。

目前，在室內(nèi)定位方面的研究已經(jīng)取得了許多進(jìn)展。但和室內(nèi)相比，車內(nèi)空間更加封閉，資源更加有限，且車輛經(jīng)常處于不同的運(yùn)動(dòng)狀態(tài)，因此基于手機(jī)傳感器[1]、加速度傳感器、陀螺儀和上下文信息等定位方法不適用于車內(nèi)定位。大部分室內(nèi)定位方法是利用無線信號的相關(guān)特征來進(jìn)行定位，根據(jù)利用無線信號的方法不同，大體可以分為基于功率、基于時(shí)間和基于角度3種定位方法。RSSI值就是一種基于功率的定位方法。近年來，除了使用RSSI值外，基于功率的方法還有使用 Wi-Fi的CSI(channel state information)定位方法[2]，其精度為40 cm 左右，比單純使用 RSSI(精度為 1～3 m 或room-level[3])要高，但車內(nèi)空間狹小，電源供給有限，不適合利用多個(gè)Wi-Fi的AP（access point）實(shí)現(xiàn)定位。基于時(shí)間的定位方法，如 ToA（time of arrival）[4]，通過信號到達(dá)的時(shí)間來測距，但無線信號作為電磁波是以光速傳播的，導(dǎo)致ToA方法對時(shí)間精度要求較高；TDoA（time difference of arrival）也是目前經(jīng)常使用的定位方法[5]，常用于多個(gè)接收端接收一個(gè)固定的 RFID（radio frequency identification）或WLAN（wireless local area network）熱點(diǎn)的信號，TDoA需要接收端有準(zhǔn)確的振蕩器來保證時(shí)間同步，顯然也不適用于車內(nèi)[6]。基于角度的定位方法，如最常見的AoA（angle of arrival）[7]，需要多個(gè)發(fā)送和接收天線組成天線陣，由于部署起來比較繁雜，實(shí)際應(yīng)用的場合比較少。從定位精度上分析，傳統(tǒng)RSSI精度為2～4 m，基于指紋庫的方法準(zhǔn)確度通常為1～3 m，比基于Cell-ID的方法要好一些[8]，目前的CSI精度在40 cm[2]左右，在本研究中車內(nèi)的座位寬度為60～80 cm，因此上述定位方法的精度都不適用于此應(yīng)用場景。

在專門針對車內(nèi)人員定位的方法研究中，文獻(xiàn)[9]使用聲波的方式對車內(nèi)的位置進(jìn)行判定并取得了良好的結(jié)果，但是需要對車內(nèi)的揚(yáng)聲器系統(tǒng)進(jìn)行改造，使之發(fā)出一定頻率的聲波，并且需要在車內(nèi)加裝一些揚(yáng)聲器。一般來說，車輛在出廠之后設(shè)備、布線基本固定，不能做過多改動(dòng)，并且從安全的角度考慮，不宜采用對車輛進(jìn)行改裝的方法。同時(shí)，定位系統(tǒng)應(yīng)該具備普適性強(qiáng)、可開展、結(jié)果準(zhǔn)確這3個(gè)特點(diǎn)[2]。而文獻(xiàn)[9]定位系統(tǒng)成本高，且部署時(shí)必須對揚(yáng)聲器進(jìn)行一定的改造，不滿足普適性強(qiáng)、可開展，不能完全適用于本文研究的車內(nèi)定位場景。

從實(shí)用角度考慮，使用藍(lán)牙信號是較好的選擇。其優(yōu)勢主要體現(xiàn)在以下幾方面：體積小，包裝體積在幾立方厘米內(nèi)，不會(huì)影響駕駛員駕駛和乘客的活動(dòng)；在車內(nèi)空間較小、移動(dòng)的環(huán)境中，藍(lán)牙可以發(fā)揮其短距離、低功耗的特征，更好地提供服務(wù)；不需要對車輛進(jìn)行改造，使用方便。

為了能更好、更方便地解決提高車內(nèi)定位精度的問題，讓人們能夠更好地獲取車內(nèi)準(zhǔn)確定位帶來的相關(guān)服務(wù)，本文提出了一種基于BLE的多信道多RSSI值的定位方法VehLoc，該方法通過采集分析多個(gè)信標(biāo)在不同信道下的多個(gè) RSSI值來實(shí)現(xiàn)。在進(jìn)行缺失值和濾波處理之后，先使用粗分類器對前后排位置進(jìn)行區(qū)分，再使用函數(shù)擬合進(jìn)行位置概率計(jì)算，最后使用細(xì)分類器進(jìn)行位置校正。

2 藍(lán)牙廣播方式與頻率對RSSI的影響

不同于傳統(tǒng)藍(lán)牙定位，本文使用了區(qū)分信道的方法，將藍(lán)牙的3個(gè)廣播信道當(dāng)作不同的特征，分開計(jì)算。

2.1 藍(lán)牙傳輸方式與信道分布

藍(lán)牙工作在2.4 GHz頻段，使用這個(gè)頻段的無線信號包括ZigBee、Wi-Fi等，沖突相對比較嚴(yán)重。為了保證通信質(zhì)量，藍(lán)牙協(xié)議采用了 AFH(adaptive frequency hopping)、LBT(listen before talk)、功率控制等抗干擾措施，進(jìn)行跳頻傳輸，選擇信道質(zhì)量最好的信道進(jìn)行數(shù)據(jù)傳輸；而在接收端接收時(shí)，通過主機(jī)設(shè)備對信道做出選擇，進(jìn)行跳頻傳輸[10]。

BLE4.0是第 4代藍(lán)牙標(biāo)準(zhǔn)，具有功耗低等特點(diǎn)，與之前的藍(lán)牙標(biāo)準(zhǔn)相比，其帶寬變寬，通信距離變大，數(shù)據(jù)容量也有所提升。BLE4.0工作頻率范圍為 2 400～2 480 MHz，一共有 40個(gè)信道（0～39），每個(gè)信道帶寬為 2 MHz。在廣播時(shí)，使用 37、38和39共3個(gè)信道。藍(lán)牙的設(shè)計(jì)者在設(shè)計(jì)信道時(shí)，為了避免廣播信道之間的干擾，將它們的頻率分隔開，而不是使用連續(xù)的3個(gè)信道。這使得3個(gè)廣播信道間存在頻率差，37信道的頻率為2 402 MHz，38信道為2 426 MHz，39信道為2 480 MHz[11]，表1為BLE信道的分布情況。

從表1可以看出，藍(lán)牙中不同的廣播信道之間存在頻率差。在藍(lán)牙進(jìn)行廣播時(shí)，如果沒有對廣播信道進(jìn)行特殊限制，發(fā)送端會(huì)同時(shí)使用 37、38和39這3個(gè)廣播信道進(jìn)行廣播發(fā)送，每次發(fā)送稱為一個(gè)廣播事件；而對于接收端，可能接收來自3個(gè)信道中任意一個(gè)或多個(gè)信道的廣播數(shù)據(jù)（具體信道個(gè)數(shù)取決于接收端）。

表1 BLE信道分布情況

2.2 頻率對藍(lán)牙RSSI的影響

已經(jīng)有文獻(xiàn)[12-13]確定，RSSI的衰減和多徑效應(yīng)都會(huì)受到頻率的影響，而 RSSI就是基于接收信號的功率來計(jì)算的，如式(1)所示。

文獻(xiàn)[13]中，給出了在無干擾的自由空間模型下接收端的功率估計(jì)式，如式(2)所示。

其中，tP和Pr分別表示發(fā)射功率和接收功率，l表示發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)間的距離，c為光速，f為無線信號的頻率。

文獻(xiàn)[13]中，給出了多反射條件下接收端的功率估計(jì)式，如式(3)所示。

其中，L表示由于發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)的阻抗不匹配導(dǎo)致的損失，表示信號的波長，γ是路徑損耗系數(shù)，表示在視距方向上發(fā)射和接收天線場的輻射模式，r和rΓ表示信號發(fā)射和反射經(jīng)過的路徑長度，則表示在分別在r和rΓ方向上發(fā)射和接收天線場的輻射模式的乘積，是接收到的2個(gè)信號的相位差，如果多徑效應(yīng)更加明顯，則相位差更大。

在發(fā)射功率為0 dBm時(shí)，使用式(2)計(jì)算得出3個(gè)信道在距離發(fā)射位置1 m處接收到的理論功率值分別為：0.009 93 mW(37信道)，0.009 84mW(38信道)，0.009 626 mW(39信道)。車內(nèi)空間狹小，多徑效應(yīng)造成的后果更加嚴(yán)重，導(dǎo)致在這3個(gè)信道上接收到的信號差更加明顯，對于不同信道的RSSI值，如果不加以區(qū)分，會(huì)導(dǎo)致接收到的RSSI值變化嚴(yán)重，不利于后續(xù)處理。

在同一位置分別使用區(qū)分信道的方法和不區(qū)分信道方法接收信號，圖1展示了這2種方法接收到的RSSI值。圖1(a)為使用區(qū)分信道方法，接收端在接收信號時(shí)，將同一數(shù)據(jù)分組中的 3個(gè)廣播信道值分開記錄，圖 1(b)為普通的接收方法，只記錄接收到的RSSI值，而不對信道進(jìn)行區(qū)分。

圖1 在相同條件下區(qū)分與不區(qū)分信道時(shí)終端所接收到的RSSI值

由于不同接收終端對藍(lán)牙底層數(shù)據(jù)的過濾規(guī)則不同，使得對于同一個(gè)廣播事件，不同接收端接收到的數(shù)據(jù)量也不相同。例如某些接收終端在nms內(nèi)只接收一次，這可能導(dǎo)致對同一個(gè)廣播事件接收不完整，n值不同會(huì)導(dǎo)致每個(gè)廣播事件接收的數(shù)據(jù)量不同。為了與區(qū)分信道的方法進(jìn)行對比，保證數(shù)據(jù)量的公平性，本文認(rèn)為接收終端可以接收到廣播事件的3個(gè)信道的數(shù)據(jù)分組。

從圖1中可以看出，相對于沒有區(qū)分信道方法的RSSI值，使用區(qū)分信道方法在每個(gè)信道內(nèi)獲取的值RSSI更加穩(wěn)定，波動(dòng)也相對較小，不同信道的RSSI值存在明顯的差異。

在定位過程中，使用區(qū)分信道的方式會(huì)有以下優(yōu)勢。1）不同的信道由于頻率不同，接收功率上會(huì)有差異，而這種差異會(huì)因?yàn)槎鄰叫?yīng)而變得更加明顯。相比于普通的不區(qū)分信道的BLE接收方式，使用區(qū)分信道的信號接收方式可以更完整地保留藍(lán)牙的信號信息，并且根據(jù)多徑效應(yīng)對不同頻率的信號干擾而造成的RSSI值差異分析，能夠有效得到不同接收位置的RSSI特征信息。2）實(shí)驗(yàn)證明，使用不區(qū)分信道的方法，在車內(nèi)不同位置接收到的RSSI值可能相同，而使用區(qū)分信道的方法，每個(gè)數(shù)據(jù)分組的信息量增加到3倍，使在不同位置收到相同RSSI值的概率下降，根據(jù)接收到的數(shù)據(jù)分析，不同位置收到完全相同RSSI數(shù)據(jù)分組的概率可以控制在1%之內(nèi)。3）從數(shù)據(jù)處理的角度來看，使用區(qū)分信道的方式使每個(gè)數(shù)據(jù)分組的信息維度增加，可以提高分類的精確度，更利于分類器的分類，并且接收端在不同信道的RSSI值之間的差異本身也是判斷接收端位置的一個(gè)重要因素。4）從圖1可以看出，同一數(shù)據(jù)分組內(nèi)不同信道的RSSI值是存在差異的，如果不對此進(jìn)行區(qū)分，會(huì)使特征集中在同一位置、同一信標(biāo)、不同信道之間的RSSI值差異，而不是不同位置的RSSI值差異，掩蓋了許多有用信息。

基于以上分析，本文提出了采用區(qū)分多信道的RSSI值來定位數(shù)據(jù)源的方法，從而得到包含完整的利于定位的RSSI數(shù)據(jù)的信道信息，達(dá)到對車內(nèi)進(jìn)行高精度定位的目的。

為了更好地區(qū)分接收設(shè)備在車內(nèi)的位置，分別使用多個(gè)信標(biāo)在不同信道的RSSI值作為采集的數(shù)據(jù)，并將其進(jìn)一步用于車內(nèi)的位置區(qū)分。為了保證不干擾駕駛員駕駛和乘客的正常使用，需要在車輛空閑位置安裝藍(lán)牙節(jié)點(diǎn)。在實(shí)驗(yàn)系統(tǒng)中使用3個(gè)信標(biāo)分別為beacon1、beacon2、beacon3，進(jìn)行 BLE數(shù)據(jù)的廣播，信標(biāo)的廣播數(shù)據(jù)遵從iBeacon協(xié)議。

3 數(shù)據(jù)處理方法與算法整體流程

整體定位方法分為模型建立和實(shí)際定位2個(gè)階段。在模型建立階段，對采集到的數(shù)據(jù)進(jìn)行濾波、粗分類、擬合及細(xì)分類等一系列建模處理，為每個(gè)位置都建立一個(gè)標(biāo)準(zhǔn)模型庫。在實(shí)際定位階段，對采集到的數(shù)據(jù)使用同樣的方法進(jìn)行處理，并與每個(gè)位置的標(biāo)準(zhǔn)庫相匹配，計(jì)算處于各個(gè)位置的概率，取概率最大的位置作為定位結(jié)果返回給用戶。

圖2為實(shí)現(xiàn)車內(nèi)定位的整體流程，其中，分隔線上方為模型建立階段，分隔線下方為實(shí)際定位階段。在實(shí)際定位階段，使用的粗分類器、擬合參數(shù)和細(xì)分類器都是在模型建立階段計(jì)算得出的，圖 2中的虛線表示了模型在定位階段的重新使用。在實(shí)際應(yīng)用場合，模型建立階段只需進(jìn)行一次，得到標(biāo)準(zhǔn)庫后可以用于后續(xù)定位。

整個(gè)定位過程可分成以下三部分：數(shù)據(jù)預(yù)處理部分（如圖2(a)所示），分類部分（如圖2(b)所示）和結(jié)果整合部分（如圖2(c)所示）。

3.1 數(shù)據(jù)預(yù)處理

3.1.1 丟失值的填充

在收集數(shù)據(jù)時(shí)，由于信道被占用，接收端的差異或接收延遲等，很容易出現(xiàn)數(shù)據(jù)丟失，如果不對丟失值進(jìn)行補(bǔ)充，會(huì)造成數(shù)據(jù)浪費(fèi)和接收信息不完整。在處理丟失值時(shí)，假定正確的相鄰RSSI差距不應(yīng)該太大。為了補(bǔ)全丟失數(shù)據(jù)，采集數(shù)據(jù)時(shí)保留該數(shù)據(jù)分組的編號，可以根據(jù)編號查看數(shù)據(jù)分組到來的先后順序。經(jīng)過實(shí)驗(yàn)統(tǒng)計(jì)，在普通情況下，數(shù)據(jù)的丟失率小于7%，相鄰數(shù)據(jù)分組之間的RSSI值方差大部分小于3，方差大于3的不超過3%。對于每組數(shù)據(jù)每個(gè)信道的值，如果存在數(shù)據(jù)分組丟失的情況，采用以下方法對缺失值進(jìn)行補(bǔ)充。首先計(jì)算編號最近相鄰3個(gè)RSSI的方差，如果方差小于4，則將這3個(gè)RSSI的平均值作為缺失值；否則，將差距較小的2個(gè)RSSI的平均值作為缺失值，如式(4)所示，其中vn表示第n個(gè)RSSI的值。

3.1.2 數(shù)據(jù)濾波

圖2 車內(nèi)定位整體流程

影響RSSI的因素主要有3個(gè)：路徑衰減、遮擋、多徑效應(yīng)[2]。車內(nèi)空間狹小、遮擋物多，采集到的信號干擾較重，并且會(huì)經(jīng)常出現(xiàn)異常值，為了減少異常信號對數(shù)據(jù)的影響，對采集到的數(shù)據(jù)進(jìn)行了濾波處理?？紤]到數(shù)據(jù)在產(chǎn)生、采集和處理過程都會(huì)產(chǎn)生誤差，使用了卡爾曼濾波法?？柭鼮V波是一種常見的濾波手段，常用于信號處理和控制系統(tǒng)中，如機(jī)器人控制系統(tǒng)等，近年來逐漸用于傳感數(shù)據(jù)融合與微觀經(jīng)濟(jì)學(xué)等領(lǐng)域[14]?？柭鼮V波要求系統(tǒng)噪聲和測量噪聲都滿足高斯分布。在無線信號上，系統(tǒng)噪聲和測量噪聲都為高斯分布[15]，一個(gè)典型實(shí)例是從一組有限的、包含噪聲的、對物體某個(gè)特征的觀察序列，通過該特征的測量值預(yù)測出物體的下一個(gè)時(shí)段的特征[16]，在濾波過程中，卡爾曼濾波方法結(jié)合了第k-1次的預(yù)測值、第k次的預(yù)測值和第k次的測量值來預(yù)測第k次的準(zhǔn)確值，從而減少由系統(tǒng)和測量帶來的誤差，最大程度地還原出準(zhǔn)確值。整個(gè)計(jì)算過程如下。

在初始時(shí)，真實(shí)值和測量值的首次賦值都為首次測量值，在收到第k個(gè)數(shù)據(jù)分組時(shí)（第k個(gè)數(shù)據(jù)分組的測量值），會(huì)結(jié)合第k-1次數(shù)據(jù)分組的最優(yōu)值，進(jìn)行第k次的預(yù)測。

3.2 數(shù)據(jù)分類

在定位工作中，基于指紋方法的正確率往往比基于距離的方法要高，但如果單一記錄在某位置接收到的RSSI值，由于多徑效應(yīng)和信號的折射、反射，勢必會(huì)造成接收值和指紋庫中的值不匹配而導(dǎo)致定位結(jié)果不準(zhǔn)確。為了解決此問題，本文在采集到各位置的數(shù)據(jù)后，使用了函數(shù)擬合與機(jī)器學(xué)習(xí)算法相結(jié)合的方法。對采集到的數(shù)據(jù)進(jìn)行濾波后，首先使用粗分類器進(jìn)行前后排分類訓(xùn)練，得到用于區(qū)分前后排的分類模型，在實(shí)際計(jì)算中發(fā)現(xiàn)，增加前后排的預(yù)分類，可以增加預(yù)測的分類準(zhǔn)確度；然后對數(shù)據(jù)的各個(gè)位置每個(gè)信標(biāo)每個(gè)信道的值進(jìn)行函數(shù)擬合，得到相應(yīng)擬合參數(shù)；最后使用細(xì)分類器對數(shù)據(jù)進(jìn)行再次訓(xùn)練，得到細(xì)分類模型。由以上過程中得到的粗分類模型、函數(shù)擬合參數(shù)和細(xì)分類模型作為標(biāo)準(zhǔn)模型，在定位過程中，將收到的信號依次與每個(gè)位置的標(biāo)準(zhǔn)庫相匹配。首先使用粗分類模型得出前后排位置，再使用函數(shù)擬合模型分別計(jì)算處于該排各個(gè)位置的概率，采取概率最大的作為第一次分類的結(jié)果；為了防止由于粗分類模型導(dǎo)致的錯(cuò)誤，使用細(xì)分類模型對分類結(jié)果進(jìn)行校正，得到的結(jié)果作為第二次分類的結(jié)果。這兩次的結(jié)果都將被記錄并用于結(jié)果整合。

3.2.1 粗分類器

粗分類器用于數(shù)據(jù)進(jìn)行前后排預(yù)分類處理，以提高后續(xù)函數(shù)擬合的準(zhǔn)確度。

通過使用adaboost分類器，可以得到一個(gè)能分辨出前后排位置的分類器。adaboost是結(jié)果較好的分類器之一，其思想是使用多個(gè)弱化的分類器進(jìn)行多次訓(xùn)練。在初始狀態(tài)，所有訓(xùn)練數(shù)據(jù)的權(quán)重都相同，在弱分類器分類之后，對于分類錯(cuò)的數(shù)據(jù)，權(quán)重會(huì)加重，目的是使下一個(gè)分類器更專注于不易于分類的數(shù)據(jù)，以獲得更好的結(jié)果，在最終的結(jié)果輸出時(shí)，會(huì)對所有弱分類器使用投票算法，對所有弱分類器的結(jié)果進(jìn)行綜合。在本文使用這個(gè)算法時(shí)，利用的特征為每個(gè)位置采集的3個(gè)信標(biāo)的3個(gè)信道的RSSI值的9維特征，分類標(biāo)簽為前排（標(biāo)記為1）或后排（標(biāo)記為-1）。

在本文中，采用的弱分類器為“決策樹樁”[17]，即一個(gè)只有一層的決策樹，通過在數(shù)據(jù)集上的所有特征遍歷，找到一個(gè)具有最低錯(cuò)誤率的單層決策樹，并使用此樹作為當(dāng)前決策的弱分類器。

3.2.2 位置概率計(jì)算

由圖1可以看出，雖然是在同一位置，幾乎相同的時(shí)間來測量信號，理論上RSSI曲線應(yīng)該近似于直線，但實(shí)際曲線卻發(fā)生了較大的變化，為了實(shí)現(xiàn)精確定位，不能單純使用RSSI值創(chuàng)建一個(gè)完整的指紋體系，但可以根據(jù)RSSI的分布情況計(jì)算出在同一位置的RSSI值的概率。對于位置iP，在某一時(shí)刻收到的處于3個(gè)位置的3個(gè)信道的RSSI值可以表示為

其中，rbicj代表收到的beaconi在信道j的RSSI值，其中bi代表beaconi，cj代表信道36+j，對于每一個(gè)位置，都能收到一組RSSI值，利用這組RSSI值，可以對該位置的各個(gè) beacon的各個(gè)信道的值進(jìn)行整體的分布擬合。從底層信號傳播的角度來說，信號在經(jīng)過折射、反射和多徑之后，得到的值會(huì)比原始值小，這就導(dǎo)致了偏小的值要多于偏大的值，得到的結(jié)果基本是一種負(fù)偏分布。

為了對收到的信號進(jìn)行擬合，計(jì)算在各個(gè)位置的概率，使用了伽馬分布進(jìn)行擬合。伽馬分布常用于多徑衰落信號建模和船舶檢測[18]，或有偏分布的擬合。同時(shí)，使用Matlab對數(shù)據(jù)分布進(jìn)行測試，結(jié)果表明得到的信號可以用伽馬分布進(jìn)行擬合。伽馬分布的密度函數(shù)如式(5)所示。

每個(gè)伽馬分布有2個(gè)參數(shù)：α為形狀參數(shù)也稱為尺度參數(shù)；β為率參數(shù)。使用這2個(gè)參數(shù)可以確定一個(gè)伽馬分布，伽馬分布的概率密度函數(shù)如式(6)所示，式(6)也是判斷某一信號值處于某一位置的概率計(jì)算式。

其中，rn表示在狀態(tài)n(包括信道、beacon編號)下收到的單一值即的第n個(gè)分量，而ijα和ijβ表示對應(yīng)的第i個(gè)beacon第j個(gè)信道的伽馬分布參數(shù)，通過式(6)可以計(jì)算出該值處于某位置的概率。

建立模型階段，在采集到每個(gè)位置的 3個(gè)beacon 3個(gè)信道上的RSSI數(shù)據(jù)后，可以在每個(gè)位置為每個(gè)beacon的每個(gè)信道的RSSI值都使用一個(gè)伽馬函數(shù)進(jìn)行擬合作為標(biāo)準(zhǔn)分布，計(jì)算各個(gè)位置的α和β參數(shù)。在定位階段，可以計(jì)算接收到的處于各個(gè)位置的概率，為了方便表示，記可以認(rèn)定不同位置不同信道的RSSI之間沒有相關(guān)性，根據(jù)樸素貝葉斯理論和之前得到的伽馬分布，分別計(jì)算處于5個(gè)位置的概率。

可以認(rèn)定接收終端處于不同位置的概率是相同的，即P(pi)為一個(gè)常數(shù)[19]，同樣，每組RSSI值表示接收到的RSSI值的分布，也可以看成是一個(gè)定值，故式(7)可以簡化為

由于之前已經(jīng)使用 adaboost對收集到的RSSI值進(jìn)行預(yù)分類，可以確定該值處于前排或是后排，所以在比較時(shí)，可以取該排3個(gè)位置的最大值作為定位的位置。

同時(shí)為了防止某個(gè)RSSI值在某個(gè)伽馬函數(shù)內(nèi)的概率為0而導(dǎo)致整個(gè)計(jì)算結(jié)果為0，在實(shí)際計(jì)算時(shí)，對結(jié)果使用指數(shù)函數(shù)進(jìn)行處理，得到式(10)。

3.2.3 細(xì)分類器

為了防止在adaboost分類時(shí)的錯(cuò)誤導(dǎo)致伽馬擬合結(jié)果不正確，本文使用了細(xì)分類器對結(jié)果進(jìn)行校正。

支持向量機(jī)(SVM, support vector machine)是機(jī)器學(xué)習(xí)領(lǐng)域一種常用的、發(fā)展較為成熟的分類方法。傳統(tǒng)的SVM用于解決二分類的問題，其基本模型是定義在特征空間上的間隔最大的線性分類器[20]。對于線性可分的數(shù)據(jù)，可以使用解決相應(yīng)的凸二次規(guī)劃問題來得到最大化間隔的分類函數(shù)；而對于線性不可分的數(shù)據(jù)，則需要使用核函數(shù)將數(shù)據(jù)映射到高維空間，在高維空間中解決線性問題[20]。分類所使用的特征與adaboost相同，是在每個(gè)位置收集到的3個(gè)藍(lán)牙信標(biāo)的3個(gè)信道的RSSI值，與adaboost不同的是，這里使用的分類并不僅僅是前后排的二分類，而是對所有位置的5分類。

傳統(tǒng)的SVM是二分類器，為了使SVM能夠適用于5分類，需要使用10個(gè)二分類器，在每兩類之間進(jìn)行一次分類，最終將結(jié)果整合，統(tǒng)計(jì)每個(gè)分類器的結(jié)果，選取得到分類結(jié)果最多的那個(gè)類作為最終分類結(jié)果。

在建立模型階段，使用訓(xùn)練數(shù)據(jù)建立出來一個(gè)模型；在定位階段，通過此模型計(jì)算接收終端處于不同位置的概率。

3.3 結(jié)果整合

本文的研究中使用adaboost分類方法對前后排進(jìn)行分類，使用伽馬分布來計(jì)算接收到的R處于各個(gè)位置的概率，使用SVM方法來對接收終端的位置進(jìn)行校正。其中，使用adaboost分類方法和伽馬分布會(huì)得到第一次分類結(jié)果，使用SVM時(shí)會(huì)得到第2次的分類結(jié)果，所以在每收到一組數(shù)據(jù)時(shí)，可以得到2個(gè)結(jié)果。

在實(shí)際應(yīng)用時(shí)，需要綜合這3種方法來對位置進(jìn)行判斷，使用的方法為投票算法。如果第i次分類的結(jié)果為位置j，則位置j的票數(shù)+1；每收到一組n個(gè)數(shù)據(jù)時(shí)，會(huì)得到2n個(gè)結(jié)果，分別統(tǒng)計(jì)各個(gè)位置得到的票數(shù)，最后將票數(shù)最多的結(jié)果作為這次定位的最終結(jié)果。即每收到n個(gè)數(shù)據(jù)分組作為一輪，每輪結(jié)束時(shí)，會(huì)對這n次的結(jié)果進(jìn)行統(tǒng)計(jì)，分類次數(shù)最多的那個(gè)位置作為最終的位置，本過程的偽代碼如下。

4 實(shí)驗(yàn)結(jié)果與分析

在實(shí)際性能測試中，使用一輛5座轎車（車輛一）和一輛5座電動(dòng)車（車輛二）進(jìn)行測試。使用可以進(jìn)行信道區(qū)分的接收軟件進(jìn)行數(shù)據(jù)采集并按上述方法對數(shù)據(jù)進(jìn)行處理和分類，最終結(jié)果顯示，主駕駛、二排左位置和二排右位置正確率可以達(dá)到97%，副駕駛達(dá)到95%左右，二排中間位置正確率在90%左右。

4.1 數(shù)據(jù)采集系統(tǒng)方案

在實(shí)驗(yàn)中，采用的藍(lán)牙信標(biāo)為自行開發(fā)的遵循iBeacon協(xié)議的BLE信標(biāo)，如圖3所示。

圖3 BLE信標(biāo)

每輛車內(nèi)部都有兩排座位，BLE信標(biāo)部署的位置和接收終端的位置如圖 4所示。3個(gè) BLE信標(biāo)beacon1、beacon2和 beacon3，分別位于主駕駛的左上方、副駕駛的右上方和后排車頂中間車燈的位置，采集主駕駛、副駕駛、后排左側(cè)、后排右側(cè)和后排中間5個(gè)位置的數(shù)據(jù)。

圖4 車內(nèi)藍(lán)牙節(jié)點(diǎn)分布示意

將BLE信標(biāo)設(shè)定為500 ms發(fā)送一個(gè)數(shù)據(jù)分組，為了保證實(shí)驗(yàn)的準(zhǔn)確性，使用2種車，每種車進(jìn)行2次數(shù)據(jù)采集。采集過程中在每個(gè)位置的各個(gè)朝向都進(jìn)行了數(shù)據(jù)采集以保證數(shù)據(jù)的完整性。在2輛車的5個(gè)位置一共采集了4 559組數(shù)據(jù)，每組數(shù)據(jù)包含在該位置收集到的3個(gè)beacon在3個(gè)廣播信道上的RSSI值（9個(gè)維度），按4:1的比例劃分訓(xùn)練集和測試集，分別用于建立模型和測試模型，得到了3 647組訓(xùn)練數(shù)據(jù)和912組測試數(shù)據(jù)，為了獲得較好的應(yīng)用體驗(yàn)，設(shè)定每收到6個(gè)數(shù)據(jù)分組（即采集時(shí)間3 s）輸出一個(gè)結(jié)果。

4.2 數(shù)據(jù)分類處理

得到了訓(xùn)練數(shù)據(jù)后，對數(shù)據(jù)進(jìn)行處理。在卡爾曼濾波過程中，使用的數(shù)據(jù)誤差為 0.5，測量誤差為 1，標(biāo)準(zhǔn)值為收集到的第一個(gè)數(shù)據(jù)分組，使用這些參數(shù)進(jìn)行濾波，以第一排中間信標(biāo)beacon1的38信道收集的信號為例，圖5顯示了此處的信號濾波前后的對比圖像?？梢钥闯?，濾波后的圖像與原始圖像相比較為平滑，且保存了原有的曲線走勢，濾波前RSSI值的平均數(shù)為-81.23，方差為20.53，濾波后平均數(shù)為-81.33，方差為7.10，可以認(rèn)為此濾波方法消除了特殊值的影響。

圖5 卡爾曼濾波前后對比

預(yù)分類過程。使用訓(xùn)練集中每個(gè)位置收到的3×3組數(shù)據(jù)作為訓(xùn)練特征，進(jìn)行前后排的分類，使用弱分類器進(jìn)行了 1～30次的訓(xùn)練，得到的正確率如圖 6所示。雖然已經(jīng)有研究表明，迭代次數(shù)越多，在訓(xùn)練集上得到的預(yù)測準(zhǔn)確率越高[20]，但更多迭代次數(shù)對精度的提高并不明顯，同時(shí)為了防止過擬合，保證結(jié)果的準(zhǔn)確性和計(jì)算速度，在對測試集訓(xùn)練時(shí)使用了26次迭代。

圖6 adaboost不同迭代次數(shù)的正確率

伽馬函數(shù)擬合。使用每個(gè)位置訓(xùn)練集中的數(shù)據(jù)進(jìn)行伽馬分布擬合，分別計(jì)算每個(gè)位置、每個(gè)beacon每個(gè)信道的RSSI值擬合出來的伽馬分布函數(shù)，用此函數(shù)作為標(biāo)準(zhǔn)分布函數(shù)，對測試集進(jìn)行計(jì)算。

在5個(gè)位置3個(gè)beacon3個(gè)信道分別計(jì)算出α和β的值如表2所示。

表2 在5個(gè)位置3個(gè)beacon 3個(gè)信道使用伽馬擬合分別計(jì)算出的α和β值（部分）

取在不同位置某個(gè) beacon某個(gè)信道的原始分布和伽馬分布擬合的結(jié)果，如圖7所示，測試的原始數(shù)據(jù)分布情況是符合所設(shè)定的伽馬分布的。

采用SVM分類對缺失值補(bǔ)充、濾波處理后的數(shù)據(jù)進(jìn)行再次分類。通過采集到的數(shù)據(jù)發(fā)現(xiàn)數(shù)據(jù)是線性不可分的，為了更好地進(jìn)行分類，需要使用核函數(shù)將數(shù)據(jù)映射到高維空間，通過測試發(fā)現(xiàn)使用高斯核函數(shù)(RBF，radial basis function)，把原始特征映射到無窮維核函數(shù)時(shí)的效果最優(yōu)。

結(jié)果整合。每收到6個(gè)數(shù)據(jù)分組時(shí)，對得到的12個(gè)分類結(jié)果進(jìn)行整合，計(jì)算每個(gè)位置收到的分類器“投票”的票數(shù)，并取票數(shù)最高的作為最終定位結(jié)果。

4.3 可重復(fù)性分析

按照圖2中的流程，模型建立階段只需執(zhí)行一次，定位階段可以多次執(zhí)行。以第二種車的兩組數(shù)據(jù)為例，分別使用了第一組數(shù)據(jù)與第二組數(shù)據(jù)進(jìn)行模型建立，在正常的定位過程中，獲得了標(biāo)準(zhǔn)模型之后，后續(xù)的定位都應(yīng)該根據(jù)首次的標(biāo)準(zhǔn)模型進(jìn)行定位，故在下文中，使用第一組數(shù)據(jù)得到的模型稱為標(biāo)準(zhǔn)模型，以第二組中的數(shù)據(jù)為訓(xùn)練集得到的數(shù)據(jù)模型稱為二組模型。使用上述兩種模型對第二組數(shù)據(jù)進(jìn)行定位處理，得到的兩組準(zhǔn)確率如圖8所示。

圖7 不同位置原始分布與伽馬分布擬合圖像(部分)

圖8 通過標(biāo)準(zhǔn)模型和二組模型得到的準(zhǔn)確率

在第二輛車的5個(gè)位置中，通過標(biāo)準(zhǔn)模型計(jì)算出的準(zhǔn)確率平均值為 94.11%，通過二組模型計(jì)算出的準(zhǔn)確率平均值為 94.48%。2種模型從準(zhǔn)確率來看，差別并不大；從計(jì)算參數(shù)上看，粗分類器和細(xì)分類器的參數(shù)完全相同；主要差別體現(xiàn)在擬合參數(shù)，表3和表4為2種模型獲得的擬合參數(shù)。

表3 標(biāo)準(zhǔn)模型擬合參數(shù)

為了直觀地表現(xiàn)2組參數(shù)的差異，繪制了幾組不同參數(shù)的伽馬分布如圖 9所示，其橫軸表示在式(6)中r的取值，縱軸為根據(jù)式(6)和α、β值計(jì)算出的對應(yīng)概率。

圖9(a)為主駕駛位beacon1 信道38的2種模型參數(shù)擬合，標(biāo)準(zhǔn)模型參數(shù)的α為 16.287 462 45，β為1.510 071 822，二組模型參數(shù)的α為14.823 689 52，β為1.604 142 498。圖9(b)為二排右beacon3信道39，標(biāo)準(zhǔn)模型參數(shù)的α為5.281 609 857，β為0.516 007 844，二組模型參數(shù)的α為5.052 166 039，β為0.529 292 595。

表4 二組模型擬合參數(shù)

圖9 不同位置標(biāo)準(zhǔn)模型參數(shù)和二組模型參數(shù)的擬合曲線

通過計(jì)算，這2種模型在同一取值下的概率之差不超過0.1，拐點(diǎn)和最值對應(yīng)的x值不超過3。通過以上分析可知，在同一輛車內(nèi)可以使用同一模型進(jìn)行定位。

4.4 結(jié)果分析

4.4.1 準(zhǔn)確度分析

為了進(jìn)一步驗(yàn)證該算法的有效性，使用這兩輛車的數(shù)據(jù)分別進(jìn)行了4組實(shí)驗(yàn)。

第1組使用VehLoc方法，采集多信道多RSSI值并使用圖 2中的分類方法進(jìn)行分類處理。

第2組在同一環(huán)境下使用不區(qū)分信息的方法對數(shù)據(jù)進(jìn)行采集（即傳統(tǒng)方法，只記錄RSSI值，而不關(guān)心該RSSI值來自于哪個(gè)信道），分類方法同樣使用圖 2中的分類方法進(jìn)行分類處理。

第3組單獨(dú)使用37信道進(jìn)行定位，其余的數(shù)據(jù)不使用，分類方法同樣使用圖 2中的分類方法進(jìn)行分類處理。

第4組使用區(qū)分信道的方法接收數(shù)據(jù)，但只使用37信道的數(shù)據(jù)，并使用改進(jìn)的傳統(tǒng)3點(diǎn)定位方法[21]進(jìn)行分類處理，即在3點(diǎn)定位的基礎(chǔ)上，添加分類過程。

為了方便計(jì)算，為5個(gè)位置和3個(gè)beacon分別設(shè)置了坐標(biāo)如下：主駕駛(-90,0)，副駕駛(90,0)，二排左位置(-90, -100)，二排中位置(0,-100)，二排右位置(90, -100)，beacon1(-100,0)，beacon2(100,0)，beacon3(0, -70)。

首先根據(jù)收到的RSSI值和傳統(tǒng)的RSSI距離式[22]分別計(jì)算當(dāng)前位置到3個(gè)beacon的距離

其中，A表示發(fā)射端和接收端相距1 m時(shí)的信號強(qiáng)度，這里取49；n為環(huán)境衰減因子，這里取4.5；d為計(jì)算出來的發(fā)射端和接收端的距離。在得到終端與3個(gè)beacon的距離之后，通過3點(diǎn)定位算法(如圖10所示)得到理論定位位置p，在5個(gè)車內(nèi)位置中，與p距離最近（歐幾里得距離）的點(diǎn)即為定位位置；準(zhǔn)確率計(jì)算為定位正確次數(shù)與定位次數(shù)的比值。

圖10 三點(diǎn)定位方法

圖10中3個(gè)圓的圓心分別為beacon1（坐標(biāo)設(shè)為-100，0），beacon2（坐標(biāo)設(shè)為 100，0）和beacon3所在位置（坐標(biāo)設(shè)為 0，-70），通過式(11)計(jì)算出當(dāng)前位置到3個(gè)圓心的距離分別為r1,r2,r3，由r1,r2,r3為半徑構(gòu)成的3個(gè)圓交點(diǎn)為p1,p2,p3，最終的定位位置p的坐標(biāo)為p1,p2,p3坐標(biāo)的均值

使用這4種方法最終得到的正確率如圖11（車輛1）和圖12（車輛2）所示。

從圖 11和圖 12可以看出，本文提出的方法(VehLoc)可以區(qū)分出車內(nèi)的5個(gè)位置，其中主駕駛位和二排左的準(zhǔn)確率可以達(dá)到97%，二排右和副駕駛位準(zhǔn)確率也能達(dá)到95%左右，二排中的預(yù)測準(zhǔn)確率相比其他4個(gè)位置較低，主要原因應(yīng)該是人員手持手機(jī)的方式或是座位的朝向?qū)y試造成影響，但這個(gè)位置基本不會(huì)影響對車內(nèi)人員主要位置的判斷。使用3點(diǎn)定位計(jì)算出來的分類精確度普遍比使用上文提到的分類方法準(zhǔn)確率低，這也說明了上文提到的分類方法可以提高定位的精確度。通過上述實(shí)驗(yàn)可以得出如下結(jié)論：使用區(qū)分信道方法的準(zhǔn)確率要高于不區(qū)分信道、使用單一信道的方法與使用傳統(tǒng)3點(diǎn)定位的方法，說明使用區(qū)分信道的方法可以提高車內(nèi)定位的精度。

與使用聲波的定位方法相比，本文提出的方法不需要用戶參與，同時(shí)沒有對車輛內(nèi)部過多地改造，使方法更容易移植和使用；與使用角速度定位的方法相比，本文提出的方法能夠在較短時(shí)間（3 s）內(nèi)返回定位結(jié)果，更加高效。

4.4.2 復(fù)雜度分析

本文在定位時(shí)分為線下模型建立與線上模型匹配2個(gè)階段。在進(jìn)行線上模型匹配的過程中，需要進(jìn)行卡爾曼濾波、粗粒度模型匹配、伽馬分布概率計(jì)算及粗粒度模型匹配，具體過程如下。

1) 卡爾曼濾波，如前文所述，可以通過一維濾波來實(shí)現(xiàn)，對數(shù)據(jù)分組內(nèi)的各個(gè)維度分別處理以減少時(shí)間復(fù)雜度。

2) 粗粒度模型匹配需要利用決策樹，根據(jù)選取的特征進(jìn)行值判斷，得到二分類結(jié)果。

3) 分布擬合，通過計(jì)算伽馬函數(shù)來進(jìn)行概率計(jì)算，并選取排內(nèi)概率最大的作為定位位置。

4) 細(xì)粒度模型匹配則使用libsvm實(shí)現(xiàn)，通過調(diào)用predict函數(shù)，使用建立好的模型進(jìn)行5個(gè)位置的分類，為了方便計(jì)算，本文對libsvm的源代碼進(jìn)行了部分修改，將原本以文件形式傳輸?shù)臄?shù)據(jù)改為使用數(shù)組，以便于進(jìn)行定位處理，加快定位速度。

5) 結(jié)果整合，對每6個(gè)數(shù)據(jù)分組進(jìn)行次結(jié)果整合，分別計(jì)算各個(gè)位置被定位的次數(shù)一。

圖11 車輛1使用區(qū)分信道、不區(qū)分信道、單一信道和基于3點(diǎn)定位分類法的正確率對比

圖12 車輛2使用區(qū)分信道、不區(qū)分信道、單一信道和基于3點(diǎn)定位分類法的正確率對比

在實(shí)際定位時(shí)，只需要進(jìn)行模型的匹配過程，所以時(shí)間復(fù)雜度并不高。本文使用了聯(lián)想PC機(jī)，8 GB內(nèi)存、Win7系統(tǒng)對168條（28組）數(shù)據(jù)進(jìn)行定位處理，處理時(shí)間為1.26 s，準(zhǔn)確度為92.8%。設(shè)定500 ms進(jìn)行一次數(shù)據(jù)廣播，即在3 s內(nèi)可收到6個(gè)完整的數(shù)據(jù)分組，定位時(shí)間可以控制在5 s內(nèi)。由此可知，本文提出的方法可以在短時(shí)間內(nèi)對車內(nèi)人員的位置進(jìn)行判斷。

5 結(jié)束語

為了提高車輛的智能程度，為車內(nèi)乘客提供一個(gè)更加良好、智能的車內(nèi)環(huán)境，本文提出了一種基于多信道藍(lán)牙RSSI的車內(nèi)定位方法VehLoc。該方法可以充分利用不同信道頻率下 RSSI值的差異，結(jié)合卡爾曼濾波方法、伽馬函數(shù)擬合和相關(guān)分類方法進(jìn)行車內(nèi)定位。在車內(nèi)進(jìn)行大量數(shù)據(jù)采集并建立標(biāo)準(zhǔn)模型，在定位時(shí)使用標(biāo)準(zhǔn)模型進(jìn)行位置判斷。為了對本文提出的方法進(jìn)行評估與判斷，將兩次采集到的數(shù)據(jù)劃分為模型建立集與測試集，結(jié)果顯示，本文提出的VehLoc方法在車內(nèi)5個(gè)位置的準(zhǔn)確率都可達(dá)到90%，可以判斷用戶在車內(nèi)的位置。相對于目前已有的車內(nèi)定位方法，本文提出的方法能夠判斷所有乘客在車內(nèi)的位置，在定位過程中基本不需要用戶參與，對車內(nèi)駕駛員和乘客不會(huì)產(chǎn)生干擾，依靠現(xiàn)有的車內(nèi)電路即可進(jìn)行位置判斷，對車內(nèi)的影響也較小。

下一步的工作將研發(fā)更實(shí)用、高效的數(shù)據(jù)采集、訓(xùn)練方法，并采用多種智能終端作為接收終端，從而進(jìn)一步提高本文所述系統(tǒng)與方法的實(shí)用性與便利性。此外，本文提出的方法目前只適用于5座車，對于7座車或其他類型的車，還需要進(jìn)一步實(shí)驗(yàn)驗(yàn)證。