基于WiFi 和藍(lán)牙融合的誤差區(qū)域加權(quán)算法研究

武 濤，王冠凌，代廣珍，周先存

(1．安徽工程大學(xué)安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000;2．皖西學(xué)院網(wǎng)絡(luò)中心，安徽 六安 237012)

引 言

人們80%以上的時(shí)間都是待在室內(nèi)，如購(gòu)物、地鐵站、大型機(jī)場(chǎng)、大型廠房里的保安巡視等都是在室內(nèi)的［1］，導(dǎo)致位置服務(wù)需求的日益增長(zhǎng)，而全球定位系統(tǒng)(Global Position System，GPS) 在室內(nèi)環(huán)境中信號(hào)微弱，無(wú)法滿(mǎn)足室內(nèi)定位需求。近年來(lái)隨著位置信息服務(wù)越來(lái)越受到重視，利用室內(nèi)原有的WiFi 接入點(diǎn)，基于接收信號(hào)強(qiáng)度(Received Signal Strength Indicator，RSSI) 的WiFi 室內(nèi)定位技術(shù)因具有成本低、精度較高等特點(diǎn)，深受歡迎［2-3］。另外，藍(lán)牙技術(shù)發(fā)展也十分迅速，理想環(huán)境下iBeacon 技術(shù)可以達(dá)到1 m 以?xún)?nèi)的定位精度，并且藍(lán)牙信號(hào)節(jié)點(diǎn)價(jià)格低廉、易于部署，可以很好地彌補(bǔ)室內(nèi)WiFi 信號(hào)盲點(diǎn)。結(jié)合這兩種定位方法，利用多傳感器的融合，從而可以獲得更高的定位精度［4-5］。

基于WiFi 信號(hào)指紋方法的RADAR 系統(tǒng)［6-7］利用k近鄰算法進(jìn)行位置估算，但其受到多徑和環(huán)境的影響較大，會(huì)出現(xiàn)較大的估算誤差。Horus 系統(tǒng)［8］采用數(shù)學(xué)概率統(tǒng)計(jì)方法，在無(wú)線信號(hào)空間引入概率模型，利用最大似然數(shù)進(jìn)行位置估算，在多徑影響較小的地方，定位精度表現(xiàn)得較好，而在環(huán)境復(fù)雜的地方，精度明顯下降，且穩(wěn)定性差。文獻(xiàn)［9］提出了低功耗藍(lán)牙手機(jī)終端室內(nèi)定位方法，在離線階段設(shè)置室內(nèi)位置坐標(biāo)并獲取藍(lán)牙錨點(diǎn)的信號(hào)強(qiáng)度，建立藍(lán)牙信號(hào)指紋庫(kù)，通過(guò)在線階段獲取附近的實(shí)時(shí)藍(lán)牙信號(hào)強(qiáng)度，并與指紋庫(kù)進(jìn)行匹配獲得最終的位置信息，定位精度高，但是需要定期的人工維護(hù)，即對(duì)指紋數(shù)據(jù)庫(kù)進(jìn)行更新，人工成本較高。文獻(xiàn)［10］進(jìn)一步優(yōu)化了藍(lán)牙定位，提出了一種藍(lán)牙RSSI 的貝葉斯區(qū)域判別定位算法，構(gòu)建了不同區(qū)域RSSI 值向量組，通過(guò)貝葉斯估計(jì)判別接受信號(hào)強(qiáng)度的精確區(qū)域，并對(duì)此區(qū)域的RSSI 向量組進(jìn)行多點(diǎn)質(zhì)心定位。相較于文獻(xiàn)［9］，文獻(xiàn)［10］提出的優(yōu)化算法提高了定位精度、降低了定位誤差，但是忽略了指紋變量對(duì)定位結(jié)果的影響，也忽略了定位點(diǎn)接受信號(hào)的多徑效應(yīng)。文獻(xiàn)［11］基于藍(lán)牙RSSI 提出了一種高效節(jié)能的室內(nèi)定位算法，利用用戶(hù)動(dòng)作迭代縮小搜索空間以定位目標(biāo)設(shè)備，并在幾個(gè)實(shí)際場(chǎng)景中進(jìn)行了評(píng)估，在定位精度、搜索時(shí)間和能量消耗等方面都取得了良好的效果。但是過(guò)分依賴(lài)于室內(nèi)環(huán)境和用戶(hù)動(dòng)作，定位穩(wěn)定性欠佳。文獻(xiàn)［12］提出了優(yōu)化貝葉斯的室內(nèi)WiFi 與藍(lán)牙融合定位算法，并引入競(jìng)擇假設(shè)建立了融合定位誤差模型，通過(guò)獲取全局定位誤差的無(wú)偏估計(jì)，得到最終的位置信息，但是忽視了室內(nèi)多徑效應(yīng)產(chǎn)生的誤差區(qū)域化。

由于信號(hào)在傳播過(guò)程中受環(huán)境影響而造成的多徑、衰減等干擾使得RSS 信號(hào)具有時(shí)變性，基于RSSI 的室內(nèi)定位算法隨定位時(shí)間的延長(zhǎng)精度越來(lái)越低［13-14］。這將需要定期維護(hù)數(shù)據(jù)指紋庫(kù)，從而提高了人工成本，給工作人員帶來(lái)了極大的不便。本文提出了一種基于WiFi 和藍(lán)牙融合的誤差區(qū)域加權(quán)定位算法(ERWLA) :(1) 離線階段，利用WiFi 和藍(lán)牙的信號(hào)強(qiáng)度，采用多邊定位得到各模型的定位區(qū)域，再利用區(qū)域面積的自適應(yīng)加權(quán)算法得到WiFi 和藍(lán)牙融合的位置信息，以降低定位誤差，并建立融合誤差模型，進(jìn)行誤差分析。利用移動(dòng)最小二乘插值法(MLSI) 對(duì)誤差進(jìn)行曲面擬合，以獲得誤差回歸函數(shù)［15-18］。(2) 在線階段，算法獲取輸入融合位置信息，輸出加權(quán)擬合誤差，獲得最終的位置估計(jì)。本文算法考慮到室內(nèi)的誤差區(qū)域化，通過(guò)運(yùn)用權(quán)函數(shù)對(duì)局部誤差加權(quán)，以達(dá)到最優(yōu)的位置估算，實(shí)現(xiàn)高精度的定位服務(wù)。實(shí)驗(yàn)結(jié)果表明基于WiFi 和藍(lán)牙融合的誤差區(qū)域加權(quán)定位算法具有良好的定位性能，且相較與對(duì)比算法，在相同的環(huán)境下具有更好的定位精度和穩(wěn)定性。因此，在復(fù)雜的室內(nèi)環(huán)境中也能達(dá)到很好的定位效果。

1 基于定位區(qū)域加權(quán)融合算法

1.1 基于信號(hào)強(qiáng)度的測(cè)距模型

基于信號(hào)強(qiáng)度的測(cè)距模型［5，12］，其核心思想在于:信號(hào)在傳播過(guò)程中，接受的信號(hào)強(qiáng)度會(huì)隨距離的增加而衰減。因此，信號(hào)在傳播過(guò)程中的衰減特性暗含著距離信息。

在真實(shí)環(huán)境中，信號(hào)的反射、散射或者遮蔽的現(xiàn)象對(duì)信號(hào)的采集產(chǎn)生很大的干擾。這些影響通常與環(huán)境相關(guān)，且難以用精確的數(shù)學(xué)模型來(lái)刻畫(huà)。由于信號(hào)傳播的不確定性，研究者通常假設(shè)接收信號(hào)強(qiáng)度滿(mǎn)足對(duì)數(shù)正態(tài)分布。在該假設(shè)條件下，信號(hào)強(qiáng)度隨距離變化的模型可以被進(jìn)一步描述為對(duì)數(shù)正態(tài)陰影模型:

其中，P0(d0) 和Pr(d) 分別表示接收在距離信號(hào)源為d0和d 處的信號(hào)強(qiáng)度; η 表示路徑損耗參數(shù); Xσ是服從正態(tài)分布的隨機(jī)變量，表示信號(hào)的反射現(xiàn)象對(duì)所接收信號(hào)造成的影響。本文在室內(nèi)設(shè)置場(chǎng)景進(jìn)行實(shí)驗(yàn)時(shí)將η 值選取為2.0，對(duì)Xσ經(jīng)過(guò)多次測(cè)量后修正為2.6。在路徑損耗參數(shù)已知時(shí)，接收者可以通過(guò)接收到的RSSI值來(lái)估計(jì)與AP 之間的距離。

1.2 WiFi 和藍(lán)牙的多邊測(cè)量定位融合模型

本文分別建立了WiFi 和藍(lán)牙多邊定位模型，并獲得WiFi 和藍(lán)牙當(dāng)前位置接收到的信號(hào)強(qiáng)度(RSSI1，RSSI2，RSSI3，…，RSSIn) ，運(yùn)用公式(1) 計(jì)算得到各個(gè)接入點(diǎn)AP 到當(dāng)前位置的距離(d1，d2，d3，…，dn) ，并選取其中的4 個(gè)最短距離進(jìn)行多邊測(cè)量。然后分別以這4個(gè)AP 接入點(diǎn)分別作為球心、相應(yīng)距離d 為半徑，建立數(shù)學(xué)模型，如圖1 所示。

令上面選取的4 個(gè)WiFi 和藍(lán)牙的AP 接入點(diǎn)坐標(biāo)分別為: (xw1，yw1，zw1) 、(xw2，yw2，zw2) 、(xw3，yw3，zw3) 、(xw4，yw4，zw4) 和(xb1，yb1，zb1) 、(xb2，yb2，zb2) 、(xb3，yb3，zb3) 、(xb4，yb4，zb4) 為了形式的簡(jiǎn)潔，將以上坐標(biāo)統(tǒng)一記為: (x1，y1，z1) ︿(x4，y4，z4) ，于是得到多邊測(cè)量的模型的方程組如下:

圖1 數(shù)學(xué)模型

利用式(2) ，可以得到四個(gè)球體的公共體積。令定位目標(biāo)的手持移動(dòng)設(shè)備高度為h，并使用(0，0，h) 平面來(lái)對(duì)公共部分進(jìn)行切割得到式(3) ，切割面如圖2 所示。簡(jiǎn)化模型得到定位可取區(qū)域，如圖3 陰影部分所示。

圖2 模型切割面

根據(jù)手持移動(dòng)設(shè)備的高度平面截取AP 接入點(diǎn)為球心的三維空間模型，得到二維定位可取區(qū)域，減小了定位范圍，降低了二維空間帶來(lái)的誤差，且提高了定位精度。

圖3 定位可取區(qū)域

圖3中陰影部分表示的是WiFi 和藍(lán)牙定位可取區(qū)域Aw和Ab，其面積記作ΔSw和ΔSb。由于定位精度和ΔS是成反比，即ΔS 越大，定位精度越低。因此，通過(guò)給定位可取區(qū)域面積ΔS 設(shè)立置信度限定可取區(qū)域，并對(duì)WiFi 和藍(lán)牙定位結(jié)果進(jìn)行加權(quán)融合，可以有效提升定位精度。WiFi 和藍(lán)牙定位的置信度分別定義為:

將式(4) 中的WiFi 和藍(lán)牙定位置信度融合，并進(jìn)行權(quán)值歸一化得到式(5) :

實(shí)驗(yàn)場(chǎng)景布置過(guò)程中設(shè)定的兩個(gè)先驗(yàn)信息源分別為:WiFi 定位坐標(biāo)(xw1，yw1) ，(xw2，yw2) ，…，(xwi，ywi) 和藍(lán)牙定位坐標(biāo)(xb1，yb1) ，(xb2，yb2) ，…，(xbi，ybi) ，分別記作(x，y)w和(x，y)b。與信息坐標(biāo)對(duì)應(yīng)的i 個(gè)參考點(diǎn)坐標(biāo)為(x1，y1) ，(x2，y2) ，…，(xi，yi) 。根據(jù)公式(5) ，分別對(duì)WiFi 和藍(lán)牙位置坐標(biāo)進(jìn)行加權(quán)處理，得到的融合定位坐標(biāo)為:

1.3 融合定位誤差分析

1.3.1 融合定位誤差

融合定位誤差定義為現(xiàn)場(chǎng)定位坐標(biāo)(x，y) 與WiFi和藍(lán)牙融合定位坐標(biāo)(x'，y') 之差，表示為(σx，σy) ，其中:

將WiFi 和藍(lán)牙融合坐標(biāo)與融合定位誤差組合，得到三維空間坐標(biāo)(x'，y'，σx) 和(x'，y'，σy) ，并采用移動(dòng)最小二乘插值法進(jìn)行擬合。

1.3.2 移動(dòng)最小二乘法

在三維區(qū)域內(nèi)的一個(gè)局部子域上誤差函數(shù)表示為σ(x) ，其中x = ［x，y］T。逼近擬合函數(shù)定義為:

其中，a(x) = ［a1(x) ，a2(x) ，…，an(x) ］T為相應(yīng)的待定系數(shù)向量，ai(x) (i = 1，2，…，m) 是關(guān)于x 點(diǎn)坐標(biāo)的函數(shù); p(x) = ［p1(x) ，p2(x) ，…，pn(x) ］T為m 維基函數(shù)向量，pi(x) (i = 1，2，…，m) 是一個(gè)二階多項(xiàng)式，m是基函數(shù)向量的項(xiàng)數(shù)。對(duì)于三維空間，基函數(shù)向量的項(xiàng)數(shù)為6，p(x) 表示如下:

引入緊支集限定點(diǎn)(x，y) 處的誤差值σ 只受到附近子域節(jié)點(diǎn)的影響，其子域稱(chēng)作點(diǎn)(x，y) 的影響區(qū)域，子域外的節(jié)點(diǎn)對(duì)其沒(méi)有影響，即設(shè)置定位置信度。定義逼近函數(shù)與誤差函數(shù)之差的平方加權(quán)為目標(biāo)函數(shù):

式中，w(x － xi) 是節(jié)點(diǎn)xi的權(quán)函數(shù)，n 為緊支區(qū)域內(nèi)的節(jié)點(diǎn)個(gè)數(shù)，u(x) 是逼近擬合函數(shù)，而σ(xi) 是定義域上的誤差函數(shù)。為了獲得相應(yīng)的系數(shù)a(x) ，將目標(biāo)函數(shù)對(duì)a(x) 進(jìn)行求導(dǎo)數(shù)，并求極值點(diǎn)a(x) :

其中，

把公式(12) 代入到式(8) 中，得到MLS 逼近擬合函數(shù):

目標(biāo)函數(shù)中的加權(quán)函數(shù)要求具有緊支性、非負(fù)性、連續(xù)性且具有高階導(dǎo)數(shù)，以保證系數(shù)的唯一性。由于高斯加權(quán)服從正態(tài)分布，對(duì)于較小的定位誤差權(quán)重較大，當(dāng)定位誤差越來(lái)越大時(shí)，權(quán)重越來(lái)越小，因此能夠很好地平滑擬合曲面。定義高斯加權(quán)函數(shù)為:

算法擬合曲面步驟如下:

Step1:實(shí)現(xiàn)采集的參考點(diǎn)和眾包定位準(zhǔn)確點(diǎn)的位置信息為(xi，yi，σi) ，選擇基函數(shù)p(x) 。

Step2:遍歷每個(gè)未知點(diǎn)，形成形狀函數(shù)。

(a) 建立加權(quán)函數(shù)w(x) ，n 個(gè)節(jié)點(diǎn)坐標(biāo)的加權(quán)函數(shù)并形成矩陣w。

(b) 通過(guò)公式(13) 計(jì)算出A(x) 和B(x) 的值。并用SVD 方法得出A－1(x) 。

Step3:結(jié)束未知點(diǎn)循環(huán)。

Step4:得到逼近擬合函數(shù)u(x) 。

1.3.3 移動(dòng)最小二乘插值法

移動(dòng)最小二乘法擬合的誤差函數(shù)與實(shí)際誤差之間存在偏差。若要減少擬合偏差，采用插值擬合就必須使得權(quán)函數(shù)w(x － xi) 在xi點(diǎn)處是奇異的，但這會(huì)使系數(shù)矩陣A(x) = pTw(x) p 在x →xi時(shí)趨向于無(wú)窮大。為此，采用對(duì)基函數(shù)正交處理。將基函數(shù)p1(x) 在x 點(diǎn)處單位化為:

再將p2，p3，．．．，pm與在x 點(diǎn)處正交化:

其中，v(x － xi) 為權(quán)函數(shù)的歸一化，即

運(yùn)用MATLAB 編程實(shí)現(xiàn)MLS 插值擬合法對(duì)融合定位誤差模型數(shù)據(jù)的仿真，得到如圖4 和圖5 所示的誤差擬合。

由于室內(nèi)RSSI 值受多徑效應(yīng)的影響，且環(huán)境隨著時(shí)間而改變。因此，采集的RSSI 值顯示為動(dòng)態(tài)性。當(dāng)前的參考點(diǎn)很少且都是靜態(tài)的，結(jié)合用戶(hù)反饋的定位效果好的眾包節(jié)點(diǎn)，動(dòng)態(tài)更新MLSI 算法需要擬合的已知節(jié)點(diǎn)。輸入當(dāng)前位置的融合信息(x，y) ，利用MLSI 算法的回歸函數(shù)，得到融合定位誤差σx和σy。當(dāng)前位置融合定位的最終估計(jì)值為:

其中，x' 和y' 分別是當(dāng)前位置融合定位的橫坐標(biāo)和縱坐標(biāo)，而σx和σy是通過(guò)影響區(qū)域加權(quán)回歸得到的融合定位坐標(biāo)誤差。

2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

WiFi 和藍(lán)牙融合定位試驗(yàn)環(huán)境為7 m×7 m 的實(shí)驗(yàn)室，如圖6 所示。實(shí)驗(yàn)中設(shè)置了4 個(gè)WiFi AP 信號(hào)節(jié)點(diǎn)，使用的是普通型號(hào)路由器TengDa-AC6，節(jié)點(diǎn)坐標(biāo)分別為(0，0，4) 、(6.6，0，4) 、(0，6.6，4) 、(6.6，6.6，4) ，單位為m。同時(shí)設(shè)置了4 個(gè)藍(lán)牙節(jié)點(diǎn)和64 個(gè)均勻分布的參考節(jié)點(diǎn)。

圖4 X 誤差擬合圖

圖5 Y 誤差擬合圖

采集設(shè)備為HuaWei Mate9，利用WiFi 魔盒APP 采集WiFi 信號(hào)的RSSI 值，利用BLE Debugger 采集藍(lán)牙信標(biāo)信息。

圖6 場(chǎng)景節(jié)點(diǎn)圖

2.2 實(shí)驗(yàn)結(jié)果分析

運(yùn)用MATLAB(2016) 軟件編程對(duì)本文提出的WiFi 與藍(lán)牙融合定位算法進(jìn)行實(shí)現(xiàn)，并與WiFi 定位和藍(lán)牙定位進(jìn)行比較。實(shí)驗(yàn)結(jié)果得到的誤差累積分布如圖7所示，其中，橫坐標(biāo)為誤差值，縱坐標(biāo)為對(duì)應(yīng)的誤差概率。

圖7 定位結(jié)果累積誤差分布圖

由圖7(a) 可知: (1) 單獨(dú)的WiFi 定位平均誤差為2.440 m，在誤差為2.4 m 時(shí)，定位精度能夠達(dá)到80%;(2) 單獨(dú)的藍(lán)牙定位平均誤差為0.894 m，在誤差為0.99 m 時(shí)，定位精度達(dá)到80%;(3) 本文提出的WiFi 和藍(lán)牙融合定位平均誤差為0.689 m，在誤差為0.89 m時(shí)，定位精度就已經(jīng)達(dá)到了80%，實(shí)驗(yàn)結(jié)果充分表明融合定位極大地提高了定位精度。WiFi 和藍(lán)牙融合定位相較于單獨(dú)的WiFi 定位和單獨(dú)的藍(lán)牙定位，精度分別提升了71.8%、22.9%。

由于室內(nèi)定位存在多徑效應(yīng)，無(wú)法完全消除，只能通過(guò)算法減少其影響。圖7(b) 顯示了分別采用WiFi 多邊測(cè)量質(zhì)心法、近鄰(NN) 算法、K-近鄰(KNN) 算法、加權(quán)K-近鄰(WKNN) 算法和ERWLA，在減少室內(nèi)定位的多徑效應(yīng)影響時(shí)，得到的誤差累積分布對(duì)比。這些算法分別在誤差為3.1 m、2.8 m、2.4 m、1.35 m、0.8 m 時(shí)，定位精度達(dá)到80%。在誤差為5 m 時(shí)，幾種定位算法的概率基本都到達(dá)了1。多邊質(zhì)心算法把當(dāng)前接受到的四個(gè)RSSI 值等同看待，忽略了室內(nèi)的多徑效應(yīng)產(chǎn)生的誤差，因此定位精度較低; 近鄰(NN) 算法是采用RSSI 指紋法，相對(duì)于多邊測(cè)量，精度稍有提高;K-近鄰(KNN) 算法選擇K 個(gè)臨近節(jié)點(diǎn)，相比NN 算法，定位精度顯著提高;而加權(quán)K-近鄰(WKNN) 算法先進(jìn)行粗定位，給K 個(gè)臨近參考點(diǎn)設(shè)置權(quán)重，與KNN 比較，精度和穩(wěn)定性都得到了較大的提升。由圖7(b) 可知，本文提出的算法ERWLA 在1 m 時(shí)，定位精度達(dá)即可達(dá)到95%，與其他算法相比較，ERWLA 定位精度優(yōu)勢(shì)明顯。

本文是基于WiFi 和藍(lán)牙融合的室內(nèi)定位算法，無(wú)論是算法融合還是MLS 插值擬合都是自適應(yīng)的。由蒙特卡羅實(shí)驗(yàn)建立的融合定位誤差模型如圖8 所示，清晰地顯示出本文的ERWLA 算法具有明顯的優(yōu)越性。由圖8 可知，多邊質(zhì)心算法把當(dāng)前點(diǎn)接受到的四個(gè)RSSI 值等同看待，忽略了室內(nèi)的多徑效應(yīng)。近鄰(NN) 算法，每個(gè)參考點(diǎn)一個(gè)指紋信息，但是同一點(diǎn)的RSSI 值是多變的，在多徑效應(yīng)下，室內(nèi)環(huán)境對(duì)定位誤差影響很大。K-近鄰(KNN) 算法，在線指紋庫(kù)匹配K 個(gè)最相近的參考節(jié)點(diǎn)，求其中心位置作為定位結(jié)果，其忽略了指紋變量對(duì)定位結(jié)果的影響，也忽略了定位點(diǎn)四個(gè)接受信號(hào)的多徑效應(yīng)。加權(quán)K-近鄰(WKNN) 算法通過(guò)自適應(yīng)調(diào)整權(quán)值來(lái)進(jìn)行加權(quán)定位，但定位精度過(guò)分依賴(lài)于加權(quán)函數(shù)和指紋庫(kù)匹配的參考點(diǎn)。本文的算法采取自適應(yīng)的融合方法，可以通過(guò)自適應(yīng)調(diào)整權(quán)值來(lái)進(jìn)行加權(quán)融合。再采用區(qū)域加權(quán)的MLSI 算法擬合參考點(diǎn)誤差，考慮了室內(nèi)多徑效應(yīng)產(chǎn)生的誤差區(qū)域化，具有更高的定位精度和穩(wěn)定性。

3 結(jié)束語(yǔ)

圖8 不同算法的定位結(jié)果

采用三維坐標(biāo)進(jìn)行多邊測(cè)量，獲得模型定位的可取二維區(qū)域，相比于二維坐標(biāo)，能夠減少空間距離帶來(lái)的誤差。對(duì)WiFi 和藍(lán)牙定位進(jìn)行可取區(qū)域加權(quán)融合，相比單獨(dú)定位算法，不僅提高了定位精度，而且通過(guò)建立定位誤差模型明顯減小了噪聲的影響，抗干擾性增強(qiáng)。利用MLSI 算法對(duì)定位誤差進(jìn)行擬合，并通過(guò)設(shè)置置信區(qū)域?qū)φ`差函數(shù)進(jìn)行加權(quán)，相比于誤差無(wú)偏估計(jì)更加適應(yīng)復(fù)雜的室內(nèi)環(huán)境。此外，將客戶(hù)反映較好的眾包節(jié)點(diǎn)用來(lái)定時(shí)更新誤差擬合的參考節(jié)點(diǎn)，大大地減少了后期勘測(cè)維護(hù)的成本。