基于CSI非視距識(shí)別的被動(dòng)式指紋室內(nèi)定位

王妙羽 李憲軍

摘 要：由于基于WiFi的室內(nèi)定位技術(shù)的主要挑戰(zhàn)是多路徑和非視距（NLOS），因此，室內(nèi)定位可以從NLOS識(shí)別中獲益。然而，來(lái)自商用WiFi的接收信號(hào)強(qiáng)度信息（RSSI），使得非視距識(shí)別受限于有限的帶寬和粗略的多徑分辨率。文章提出了一種更加細(xì)粒度的方法，即利用物理層的信道狀態(tài)信息（CSI）進(jìn)行室內(nèi)非視距識(shí)別。利用網(wǎng)卡及現(xiàn)有的WiFi設(shè)備，采集室內(nèi)環(huán)境的CSI信息并提取特征信息，構(gòu)建視距和非視距CSI指紋。利用一種基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行非視距識(shí)別，從而達(dá)到室內(nèi)定位的目的。在不同室內(nèi)環(huán)境下的實(shí)驗(yàn)結(jié)果表明，本方案的NLOS識(shí)別率達(dá)到96.43%，能有效并準(zhǔn)確地區(qū)分視距與非視距位置。

關(guān)鍵詞：CSI；非視距識(shí)別；室內(nèi)定位；神經(jīng)網(wǎng)絡(luò)

關(guān)于WiFi系統(tǒng)中非視距（Non Line of Sight，NLOS）識(shí)別的研究，有研究提出了基于機(jī)器學(xué)習(xí)的方法，其中接收的信號(hào)強(qiáng)度指示（Received Signal Strength Indication，RSSI）的幾個(gè)統(tǒng)計(jì)特征包括均值、標(biāo)準(zhǔn)差、峰度、偏度、Rician K因子和卡方，利用擬合優(yōu)度識(shí)別NLOS條件。作為多徑分量的疊加，RSSI不僅在信號(hào)波長(zhǎng)的量級(jí)上隨距離變化，而且即使在靜態(tài)鏈路上也隨時(shí)間波動(dòng)。文獻(xiàn)[1]提出了一種名為PhaseU的實(shí)時(shí)LOS識(shí)別方案，探索和利用PHY層信息的相位特征，利用天線(xiàn)元素的空間分集和利用正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）子載波的頻率分集。文獻(xiàn)[2]提出了一種名為L(zhǎng)iFi的基于物理層的NLOS識(shí)別方法，并努力消除從信道狀態(tài)信息（Channel State Information，CSI）獲得的多徑信道脈沖響應(yīng)（multipath Channel Impulse Response，CIR）的無(wú)關(guān)噪聲和NLOS路徑，并利用CIR樣本的偏度和Rician K因子識(shí)別NLOS路徑。雖然該方案利用細(xì)粒度CSI來(lái)識(shí)別NLOS條件，但是問(wèn)題在于需要預(yù)定義的識(shí)別閾值，這可能受到環(huán)境和設(shè)備的極大影響。由于室內(nèi)環(huán)境極其復(fù)雜和可變，因此很難獲得具有高精度的廣泛適用的閾值。

本文提出了一種基于WiFi信號(hào)的CSI指紋的NLOS識(shí)別技術(shù)。根據(jù)CSI在不同環(huán)境下進(jìn)行的大量實(shí)驗(yàn)的理論分析和觀(guān)察，利用CSI的關(guān)鍵特征，結(jié)合神經(jīng)網(wǎng)絡(luò)算法識(shí)別LOS/NLOS條件，提高位置估計(jì)的精度。

1 系統(tǒng)結(jié)構(gòu)

整個(gè)系統(tǒng)設(shè)計(jì)主要包括數(shù)據(jù)預(yù)處理階段、訓(xùn)練階段和在線(xiàn)階段。采集到的CSI樣本信號(hào)，在傳輸?shù)倪^(guò)程中會(huì)受到周?chē)h(huán)境的噪聲干擾，同時(shí)由于硬件限制等原因會(huì)產(chǎn)生相位偏移，因此，需要對(duì)CSI數(shù)據(jù)進(jìn)行信號(hào)預(yù)處理。本文只利用CSI數(shù)據(jù)的相位信息，用線(xiàn)性擬合的方法對(duì)提取到的相位信息進(jìn)行校正。離線(xiàn)階段，分別采集LOS和NLOS位置的CSI數(shù)據(jù)，得到每個(gè)位置的指紋信息，并添加位置標(biāo)簽，作為指紋樣本輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行離線(xiàn)訓(xùn)練，構(gòu)建特征指紋庫(kù)。在線(xiàn)階段，將實(shí)時(shí)采集到的CSI數(shù)據(jù)進(jìn)行相位矯正后，輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中匹配識(shí)別得到位置標(biāo)簽。

本文的主要?jiǎng)?chuàng)新點(diǎn)包括以下幾點(diǎn)：

（1）本文引入了基于CSI指紋的NLOS識(shí)別技術(shù)，更加細(xì)粒度地分析和研究室內(nèi)多徑效應(yīng)的分布規(guī)律，通過(guò)區(qū)分NLOS/LOS路徑，更有利于后續(xù)進(jìn)行位置定位的工作。

（2）本文提出了在不攜帶設(shè)備的前提下利用CSI相位信息作為定位指紋。在室內(nèi)環(huán)境下，人的活動(dòng)對(duì)接收到的相位信息的影響不同，人在室內(nèi)某個(gè)位置活動(dòng)，對(duì)于CSI各信道的相位會(huì)造成不同程度的延遲。充分利用這些特征，可以提高定位準(zhǔn)確率。

（3）本文采用基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)分類(lèi)算法對(duì)處理后的CSI樣本的相位進(jìn)行訓(xùn)練，采用一發(fā)兩收的實(shí)驗(yàn)場(chǎng)景，兩個(gè)接收端的信息相對(duì)于單一接收端的信息，增加了訓(xùn)練集的數(shù)據(jù)量，有效提高了識(shí)別率。

2 相位校正

本文主要利用CSI的相位信息進(jìn)行指紋識(shí)別。相位誤差產(chǎn)生的原因主要分為兩類(lèi)：載波頻移（Carrier Frequency Shift，CFO）和采樣頻移（Sampling Frequency Shift，SFO）。

3 識(shí)別算法

我們?cè)O(shè)計(jì)了一個(gè)包含兩個(gè)隱層的全連接分類(lèi)神經(jīng)網(wǎng)絡(luò)，輸入層120個(gè)節(jié)點(diǎn)，第一個(gè)隱層200個(gè)節(jié)點(diǎn)，第二個(gè)隱層100個(gè)節(jié)點(diǎn)，第二個(gè)隱層到輸出層采用softmax分類(lèi)函數(shù)，將得到的輸出數(shù)據(jù)與位置標(biāo)簽作為交叉熵?fù)p失函數(shù)的輸入，得到特征提取階段的權(quán)重修正。

在迭代之前，首先將訓(xùn)練數(shù)據(jù)分類(lèi)為利用分類(lèi)函數(shù)得到的LOS和NLOS，然后應(yīng)用非線(xiàn)性最小二乘回歸分析來(lái)建立LOS和NLOS的信號(hào)和距離之間的回歸模型。在預(yù)測(cè)過(guò)程中，首先對(duì)來(lái)自預(yù)測(cè)點(diǎn)的CSI進(jìn)行預(yù)處理，并提取特征以識(shí)別利用分類(lèi)模型的LOS或NLOS，然后將相應(yīng)的回歸模型應(yīng)用于位置標(biāo)簽匹配。

4 實(shí)驗(yàn)結(jié)果評(píng)估

4.1 實(shí)驗(yàn)場(chǎng)景

在本節(jié)中，我們首先解釋實(shí)驗(yàn)平臺(tái)和方法，然后對(duì)提出的NLOS識(shí)別方法進(jìn)行詳細(xì)的性能評(píng)估。實(shí)驗(yàn)環(huán)境：選取一個(gè)環(huán)境比較復(fù)雜的實(shí)驗(yàn)室作為實(shí)驗(yàn)場(chǎng)景，室內(nèi)環(huán)境中配有桌子、電腦和其他木制或金屬家具。數(shù)據(jù)收集：測(cè)量在室內(nèi)15個(gè)點(diǎn)處進(jìn)行，收集每個(gè)給定點(diǎn)的400個(gè)CSI數(shù)據(jù)包，一部分?jǐn)?shù)據(jù)在LOS條件下，另一部分在NLOS條件下。數(shù)據(jù)一臺(tái)支持802.11協(xié)議的TP-Link路由器，兩根發(fā)射天線(xiàn)在IEEE802.11nAP模式下以5.8 GHz運(yùn)行。兩套臺(tái)帶有三根天線(xiàn)的筆記本電腦用作接收器ping數(shù)據(jù)包發(fā)送器，它配備5300NIC并運(yùn)行Ubuntu11.04LTS，以上設(shè)備在室內(nèi)環(huán)境構(gòu)成了兩條通信鏈路。

4.2 效果評(píng)估

由于PhaseU和LiFi分別選擇Rician-k和偏度作為特征，并利用二元假設(shè)檢驗(yàn)來(lái)識(shí)別LOS條件，但其性能對(duì)預(yù)定閾值非常敏感?？紤]到干擾和距離因素，選擇滿(mǎn)意且廣泛適用的閾值是極其困難的，因?yàn)榛陂撝档姆椒ǖ刃в诰€(xiàn)性分類(lèi)器，而大多數(shù)LOS/NLOS條件不是線(xiàn)性可分的。為了展示本方案的先進(jìn)性能，我們將我們的方案與PhaseU和LiFi在室內(nèi)環(huán)境中進(jìn)行比較。如前文所述，本方案無(wú)需定義閾值，因此可能更適合在不同的現(xiàn)實(shí)場(chǎng)景中使用。圖1為本方案與其他兩種方案的識(shí)別率比較，由于采用CSI指紋表示的特征更加細(xì)粒度，且本方案采用了一發(fā)多收的實(shí)驗(yàn)場(chǎng)景，相較于其他兩種閾值判定法及單發(fā)單收的實(shí)驗(yàn)場(chǎng)景，顯然識(shí)別率要更高。

5 結(jié)語(yǔ)

本文提出了一種在室內(nèi)環(huán)境中使用現(xiàn)有的WiFi設(shè)備物理層的CSI數(shù)據(jù)，進(jìn)行NLOS識(shí)別方法，無(wú)需被測(cè)對(duì)象攜帶任何額外設(shè)備。從CSI和其他統(tǒng)計(jì)特征中探索和利用描述多徑效應(yīng)的新特征，以基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法識(shí)別NLOS。本方案避免了在基于閾值的識(shí)別方法中選擇適當(dāng)閾值的問(wèn)題。采用一發(fā)兩收的實(shí)驗(yàn)場(chǎng)景，提高了信號(hào)的空間覆蓋率，兩條通信鏈路的設(shè)置增加了數(shù)據(jù)集，使得實(shí)驗(yàn)效果明顯超出了現(xiàn)有方法的性能。接下來(lái)的工作將從定位精度上著手，在NLOS識(shí)別的基礎(chǔ)上研究和探索更加有效、更精確的室內(nèi)定位方案。

[參考文獻(xiàn)]

[1]ZHOU Z，YANG Z，WU C，et al.LiFi： Line-of-Sight identification with WiFi[C].Toronto：Proceedings of the 33rd IEEE International Conference on Computer Communications，2014.

[2]YANG Z，ZHOU Z，LIU Y.From RSSI to CSI： indoor localization via channel response[J].Acm Computing Surveys，2013（2）：1-32.