基于可穿戴設(shè)備的室內(nèi)定位技術(shù)研究

蘇春芳

GPS（Global Positioning System）是一種準(zhǔn)確的定位技術(shù)，廣泛應(yīng)用于室外定位，但是由于室內(nèi)環(huán)境會(huì)影響衛(wèi)星信號(hào)的接收，使得GPS很難做到準(zhǔn)確的室內(nèi)定位.因此，準(zhǔn)確、可靠、便攜的室內(nèi)定位系統(tǒng)成為當(dāng)前研究的熱點(diǎn).目前室內(nèi)定位技術(shù)主要包括RFID（Radio Frequency Identification）、BLE（Bluetooth Low Energy）、無(wú)線(xiàn)WIFI、ZigBee、運(yùn)動(dòng)傳感器（Motion-Sensor）、圖像等.文獻(xiàn)［1］充分考慮到智能手機(jī)內(nèi)置的WIFI 接收模塊，利用信號(hào)加權(quán)歐氏距離進(jìn)行指紋匹配和位置估計(jì)，開(kāi)發(fā)設(shè)計(jì)一套基于WIFI 信號(hào)的室內(nèi)定位系統(tǒng).文獻(xiàn)［2］使用RFID技術(shù)實(shí)現(xiàn)室內(nèi)、室外的準(zhǔn)確定位，另外隨著低功耗藍(lán)牙（BLE）技術(shù)的成熟，出現(xiàn)了應(yīng)用IBeacon 實(shí)現(xiàn)室內(nèi)定位的研究［3］.還有基于機(jī)器視覺(jué)技術(shù)，應(yīng)用深度攝錄機(jī)或者第一視角攝錄機(jī)進(jìn)行室內(nèi)定位的研究［4］.室內(nèi)定位系統(tǒng)不僅要兼顧對(duì)使用者隱私的保護(hù)，還要考慮定位設(shè)備使用是否便捷的問(wèn)題.非臨床條件下，在對(duì)居家老人照顧、護(hù)理的領(lǐng)域中，更需要考慮以上兩個(gè)方面的因素，一般情況下，被照顧者不喜歡佩戴復(fù)雜的設(shè)備，所以經(jīng)常會(huì)出現(xiàn)人與設(shè)備分離的情況.針對(duì)以上問(wèn)題，本文提出一種基于可穿戴式設(shè)備（智能手環(huán)）的室內(nèi)定位方法，融合手環(huán)內(nèi)置的傳感器（藍(lán)牙、加速計(jì)、陀螺儀）信息來(lái)實(shí)現(xiàn)室內(nèi)定位.

基于手環(huán)進(jìn)行室內(nèi)定位的挑戰(zhàn)在于藍(lán)牙信號(hào)的不穩(wěn)定性，由于藍(lán)牙信號(hào)容易受到室內(nèi)金屬材料、無(wú)線(xiàn)設(shè)備、室內(nèi)結(jié)構(gòu)的干擾，這些干擾因素將引起信號(hào)強(qiáng)度（Received Signal Strength Indicator，RSSI）的波動(dòng)，致使信號(hào)強(qiáng)度與物理距離之間是一種非線(xiàn)性關(guān)系.另一方面手環(huán)與接收器之間的方向也會(huì)引起RSSI 的上下波動(dòng)，進(jìn)一步加劇了定位的難度.

針對(duì)RSSI 與物理距離之間的非線(xiàn)性關(guān)系，本文挖掘手環(huán)歐拉角與RSSI 之間的關(guān)系，建立RSSI 損失的補(bǔ)償模型，并在此基礎(chǔ)上，融合RSSI 特征與環(huán)境信息（手環(huán)方位特征）建立訓(xùn)練數(shù)據(jù)集，進(jìn)而應(yīng)用隨機(jī)森林算法建立室內(nèi)位置的分類(lèi)模型，并設(shè)計(jì)有限狀態(tài)自動(dòng)機(jī)對(duì)定位結(jié)果進(jìn)行校正.

1 相關(guān)工作

1.1 系統(tǒng)結(jié)構(gòu)

本系統(tǒng)主要包含機(jī)器學(xué)習(xí)和在線(xiàn)測(cè)試兩個(gè)階段，在離線(xiàn)學(xué)習(xí)階段，采集手環(huán)內(nèi)置的藍(lán)牙、加速度、陀螺儀傳感器的信息，進(jìn)而對(duì)藍(lán)牙RSSI 進(jìn)行信號(hào)補(bǔ)償、濾波，最后抽取特征值，建立訓(xùn)練樣本數(shù)據(jù)集.室內(nèi)定位會(huì)受到室內(nèi)建筑結(jié)構(gòu)的影響.因此，本文以房間為單位進(jìn)行定位區(qū)域的劃分，在每個(gè)房間內(nèi)安裝可以持續(xù)不斷接收藍(lán)牙信號(hào)的基地臺(tái)，在云端服務(wù)器應(yīng)用有監(jiān)督的分類(lèi)算法（隨機(jī)森林）建立室內(nèi)定位的分類(lèi)模型.

在線(xiàn)測(cè)試階段，一方面將采集的實(shí)時(shí)數(shù)據(jù)送入分類(lèi)模型，得到分類(lèi)結(jié)果；另一方面增加對(duì)定位結(jié)果的修正機(jī)制，在對(duì)室內(nèi)物理布局已知的基礎(chǔ)上，應(yīng)用已有的先驗(yàn)知識(shí)建立有限狀態(tài)機(jī)，進(jìn)而對(duì)定位結(jié)果進(jìn)行修正，得到準(zhǔn)確的室內(nèi)位置信息，系統(tǒng)結(jié)構(gòu)如圖1 所示.

圖1 系統(tǒng)結(jié)構(gòu)圖

1.2 信號(hào)補(bǔ)償與濾波

基于RSSI 的室內(nèi)定位方法，一般都是依據(jù)RSSI 值估計(jì)信號(hào)的歐氏距離，進(jìn)而估計(jì)觀察點(diǎn)到基地臺(tái)的實(shí)際距離，常用的方法包括三角定位［5-6］方法和基于位置指紋庫(kù)［7］的分類(lèi)方法.但是由于室內(nèi)環(huán)境的復(fù)雜性，藍(lán)牙信號(hào)在傳播過(guò)程中容易受到環(huán)境因素的影響，如噪聲、信號(hào)反射、信號(hào)衰減等因素都能引起RSSI 上下波動(dòng)，造成信號(hào)歐氏距離與實(shí)際的物理距離不一致的問(wèn)題，進(jìn)而影響室內(nèi)定位的準(zhǔn)確性.文獻(xiàn)［1］針對(duì)WIFI 信號(hào)歐氏距離不能很好地反映各位置點(diǎn)間物理距離的問(wèn)題，在每個(gè)參考點(diǎn)處采集東、南、西、北四個(gè)方向的信號(hào)強(qiáng)度觀測(cè)值，使用信號(hào)強(qiáng)度的均值和方差表征WIFI 的信號(hào)強(qiáng)度.本文采用的是融合方位角與信號(hào)強(qiáng)度，應(yīng)用中值濾波與信號(hào)補(bǔ)償相結(jié)合的綜合數(shù)據(jù)處理方法.

為了方便使用，硬件設(shè)備選用的是高登智慧科技公司的智能手環(huán)，手環(huán)內(nèi)置藍(lán)牙信號(hào)發(fā)射模塊，定時(shí)向外發(fā)送藍(lán)牙廣播數(shù)據(jù)包，而部署在室內(nèi)天花板上的藍(lán)牙基地臺(tái)則是藍(lán)牙接收模塊，實(shí)時(shí)接收藍(lán)牙信號(hào).一般情況下，被照顧者在室內(nèi)位置的變換經(jīng)常是伴隨著一種或者多種日常行為的發(fā)生而發(fā)生的，例如老人停留在客廳，可能會(huì)伴隨看電視或者讀報(bào)紙等行為；老人從臥室移動(dòng)到客廳的過(guò)程中，會(huì)伴隨著手部前后有規(guī)律擺動(dòng)的走路行為.被照顧者在從事日常行為的過(guò)程中，手腕會(huì)呈現(xiàn)一定的變化趨勢(shì)，微觀表現(xiàn)為手腕方位角的不斷變化，例如原地踏步走，手腕前后有規(guī)律的擺動(dòng)，會(huì)引起陀螺儀采集到的x軸、y軸、z軸的信號(hào)值呈現(xiàn)一定的變化，如圖2 所示.

圖2 手腕方位角的變化趨勢(shì)

引起藍(lán)牙接收RSSI 上下波動(dòng)的因素有兩個(gè)，一是手腕的轉(zhuǎn)動(dòng)和前后擺動(dòng)，會(huì)改變藍(lán)牙發(fā)射器與接收器之間的方向，另外在人們從事日?；顒?dòng)過(guò)程中，會(huì)出現(xiàn)身體對(duì)藍(lán)牙信號(hào)的遮蔽，從而引起藍(lán)牙信號(hào)的繞射、反射，甚至丟失；二是室內(nèi)建筑布局、物品的擺放也會(huì)引起RSSI 的上下波動(dòng).當(dāng)室內(nèi)位置固定不變，僅改變手腕的方向角，RSSI 也會(huì)出現(xiàn)一定范圍的上下波動(dòng)，甚至數(shù)據(jù)丟失現(xiàn)象，如圖3 所示.為了去除噪聲的干擾，本文采用中值濾波對(duì)藍(lán)牙信號(hào)進(jìn)行濾波［8-10］.中值濾波是一種非線(xiàn)性數(shù)字濾波器，用于圖像或者數(shù)字信號(hào)處理取得了良好的濾波效果.本文考慮到被照顧者移動(dòng)的速度，以及定位的實(shí)時(shí)性，將滑動(dòng)窗（Slidewindow）設(shè)置為5 s，重疊（Overlab）設(shè)置為4，這樣可以有效地去除丟包、繞射對(duì)RSSI的影響.綜合以上兩個(gè)引起RSSI 波動(dòng)的因素，建立信號(hào)補(bǔ)償與濾波方法，去除卷積噪聲（Convolutional Noise）和 加 性 噪 聲（Additive Noise）的影響，繼而得到穩(wěn)定、可靠的樣本集.

圖3 RSSI 原始數(shù)據(jù)

1.3 特征抽取

考慮到環(huán)境因素對(duì)藍(lán)牙信號(hào)強(qiáng)度的影響，本文融合RSSI 特征值與環(huán)境特征值，不僅抽取RSSI 的特征值，還要抽取手腕方位角的特征.手環(huán)以秒為單位向外發(fā)射藍(lán)牙廣播包，藍(lán)牙接收器會(huì)接收到處于其接收范圍之內(nèi)的手環(huán)所發(fā)出的廣播包，在這些數(shù)據(jù)包中，包含手環(huán)編號(hào)BandId、RSSI、時(shí)間戳三部分重要信息.藍(lán)牙接收器對(duì)以上數(shù)據(jù)包進(jìn)行重新編碼，將自己的編號(hào)BridgeId 添加到數(shù)據(jù)包的首部，重新生成一個(gè)新的、長(zhǎng)度為36 字節(jié)的數(shù)據(jù)包（見(jiàn)圖4），然后通過(guò)無(wú)線(xiàn)網(wǎng)絡(luò)上傳到云端服務(wù)器.以房間為單位，在每個(gè)房間的天花板上安裝一個(gè)藍(lán)牙接收器，接收器的數(shù)量記為m，假設(shè)共有n位右手手腕佩戴智能手環(huán)的使用者，則云端服務(wù)器每秒鐘收到藍(lán)牙數(shù)據(jù)包的數(shù)量num∈［1，m×n）.通常情況下，手環(huán)與接收端之間的距離，以及身體的遮檔等因素會(huì)造成藍(lán)牙信號(hào)的丟失，因此收到的數(shù)據(jù)包的數(shù)量遠(yuǎn)遠(yuǎn)小于m×n.另外藍(lán)牙基地臺(tái)之間的距離也會(huì)影響數(shù)據(jù)包的質(zhì)量，如果距離太遠(yuǎn)，所有的接收器都收不到廣播包；如果距離太近，則會(huì)出現(xiàn)各個(gè)接收器收到的RSSI 值相同或者相似的情況.針對(duì)以上問(wèn)題，根據(jù)我們實(shí)驗(yàn)環(huán)境，手環(huán)的發(fā)射距離d配置為4 m，各個(gè)基地臺(tái)之間距離Dij∈［3 m，4 m］.

圖4 網(wǎng)絡(luò)數(shù)據(jù)包內(nèi)容

借鑒航空領(lǐng)域?qū)︼w機(jī)姿態(tài)的描述，本文對(duì)手腕方位的描述是通過(guò)計(jì)算歐拉角實(shí)現(xiàn)的，分別計(jì)算翻滾（Roll）、俯仰（Pitch）、偏擺（Yaw）.收集手環(huán)內(nèi)置加速度、陀螺儀的數(shù)據(jù)，分別記為：，其中l(wèi)=1，代表x軸；l=2，代表y軸；l=3，代表z軸；n=30，采樣頻率是30 Hz.基于以上原始數(shù)據(jù)，分別計(jì)算翻滾、俯仰、偏擺，算法如下所述.

2 分類(lèi)模型構(gòu)建

2.1 隨機(jī)森林（Random Forest，RF）

隨機(jī)森林是由多棵決策樹(shù)組合而成的分類(lèi)模型，被廣泛應(yīng)用于各種預(yù)測(cè)、決策領(lǐng)域中.構(gòu)建隨機(jī)森林的過(guò)程就是對(duì)訓(xùn)練集（Training Data）進(jìn)行學(xué)習(xí)、建立多棵決策樹(shù)的過(guò)程.隨機(jī)且有放回的從訓(xùn)練集中抽取N個(gè)樣本，組成每棵決策樹(shù)的訓(xùn)練集，經(jīng)過(guò)以上隨機(jī)抽樣使得每棵決策樹(shù)的訓(xùn)練集都是隨機(jī)的、不同的.在機(jī)器學(xué)習(xí)過(guò)程中，最大程度地生成每一棵決策樹(shù)，并且去除剪枝過(guò)程，通過(guò)以上兩種策略，大大減少了隨機(jī)森林陷入過(guò)擬合（Overfitting）的情況，從而增強(qiáng)了模型抗噪的能力.另外RF 的隨機(jī)抽樣過(guò)程還包括隨機(jī)抽取特征值，使得每棵決策樹(shù)只使用了部分特征和部分訓(xùn)練樣本；在分類(lèi)決策過(guò)程中，每棵決策樹(shù)都會(huì)產(chǎn)生一個(gè)分類(lèi)結(jié)果，而最終的分類(lèi)結(jié)果則是通過(guò)投票決定的，因此隨機(jī)森林具有高效、無(wú)偏估計(jì)的優(yōu)點(diǎn)［11］.訓(xùn)練樣本集的不同，致使RF 中的每個(gè)決策樹(shù)都有不同的分類(lèi)模型，即便是同一個(gè)樣本，經(jīng)由不同的決策樹(shù)，也會(huì)產(chǎn)生不同的分類(lèi)結(jié)果，每棵決策樹(shù)的分類(lèi)準(zhǔn)確率可能不是很高，但是綜合這一群決策樹(shù)的分類(lèi)結(jié)果，就可能得到更理想的分類(lèi)結(jié)果，從而提高分類(lèi)的準(zhǔn)確率.

2.2 有限狀態(tài)機(jī)（Finite-State Machine，F(xiàn)SM）

室內(nèi)位置的變換受到建筑布局的限制，本文采用有限狀態(tài)機(jī)來(lái)描述室內(nèi)位置變換的關(guān)系，依據(jù)室內(nèi)各個(gè)房間的布局，建立狀態(tài)遷移模型，將有限自動(dòng)機(jī)定義為一個(gè)五元組(Σ,Q,q0,δ,F)［12］，其中：

Σ=(a,b,c)，有限輸入字符集合；

Q=｛等待狀態(tài)，客廳，廚房，臥室｝；

q0：初始初態(tài)；

δ：狀態(tài)轉(zhuǎn)換關(guān)系；

F：最終的狀態(tài)F∈{客廳，廚房，臥室}.

狀態(tài)遷移關(guān)系δ如表1 所示，在本文的實(shí)驗(yàn)環(huán)境中，從臥室移動(dòng)到客廳必須經(jīng)過(guò)開(kāi)放式的廚房才能到達(dá)，依據(jù)臥室與客廳不相通的先驗(yàn)知識(shí)，對(duì)室內(nèi)位置進(jìn)行校正.依據(jù)前一時(shí)刻的位置，校正當(dāng)前時(shí)刻的位置信息，對(duì)位置序列中{臥室，客廳}或者{客廳，臥室}的情況進(jìn)行校正，例如分類(lèi)模型的輸出是“acbbaca”，經(jīng)過(guò)有限自動(dòng)機(jī)處理后，位置序列校正為：客廳→客廳→廚房→廚房→臥室→臥室→臥室，描述的是一個(gè)從客廳到臥室的位置變換過(guò)程.

表1 狀態(tài)遷移關(guān)系

3 實(shí)驗(yàn)結(jié)果

對(duì)原始數(shù)據(jù)進(jìn)行濾波處理，去除卷積噪聲和加性噪聲的影響，進(jìn)而得到穩(wěn)定、可靠的樣本集，收集時(shí)長(zhǎng)為1 分鐘的原始數(shù)據(jù)，總共收集60 個(gè)數(shù)據(jù)包，其中丟失18 個(gè)數(shù)據(jù)包，丟包率為30%，經(jīng)過(guò)對(duì)藍(lán)牙信號(hào)進(jìn)行補(bǔ)償、濾波，得到較為穩(wěn)定的數(shù)據(jù)集，如圖5 所示.

圖5 數(shù)據(jù)包預(yù)處理結(jié)果

本文在線(xiàn)收集傳感器信息，經(jīng)過(guò)濾波、特征抽取后，生成由807 條有效數(shù)據(jù)記錄組成的測(cè)試樣本集，將該樣本集送入分類(lèi)器，得到最初的分類(lèi)結(jié)果，然后通過(guò)有限狀態(tài)機(jī)對(duì)分類(lèi)結(jié)果進(jìn)行調(diào)整.當(dāng)實(shí)驗(yàn)者在“客廳”時(shí)，系統(tǒng)共收集到203 條有效數(shù)據(jù)，僅有7 條被誤分為“廚房”類(lèi)，其余記錄都被分到“客廳”類(lèi)，產(chǎn)生上述分類(lèi)結(jié)果，主要是因?yàn)殚_(kāi)放式的廚房增加了客廳與廚房的連通性，藍(lán)牙信號(hào)經(jīng)過(guò)繞射、反射，到達(dá)了“廚房”的接收器，因此被誤認(rèn)為實(shí)驗(yàn)者的位置是“廚房”；而當(dāng)實(shí)驗(yàn)者位于廚房位置，3 條記錄被誤分為“客廳”類(lèi)，1條記錄被誤分為“臥室”類(lèi)，主要是因?yàn)閺N房位于客廳與臥室之間，藍(lán)牙接收器之間的距離相對(duì)較近而引發(fā)的；當(dāng)實(shí)驗(yàn)者在“臥室”時(shí)，收集到的有效數(shù)據(jù)有349 條，僅有4 條被誤分到“廚房”類(lèi)，其余都被分到“臥室”類(lèi)，原因是臥室僅通過(guò)門(mén)與其他區(qū)域相連，墻壁的阻擋可以有效地減少藍(lán)牙廣播包到達(dá)其他區(qū)域接收器的幾率.

系統(tǒng)的準(zhǔn)確率（Accuracy）、精確率（Precision）和召回率（Recall）計(jì)算見(jiàn)公式（5）、公式（6）、公式（7），其中TP表示真陽(yáng)性（True Positive），TN是假陽(yáng)性（True Negative），F(xiàn)P是假陽(yáng)性（False Positive），F(xiàn)N假陰性（False Negative），本系統(tǒng)平均準(zhǔn)確率和召回率分別為98.2%和98.1%，各個(gè)區(qū)域的精確率和召回率如圖6 所示.

圖6 系統(tǒng)分類(lèi)性能

4 結(jié)論

基于便捷的可穿戴設(shè)備——智能手環(huán)，設(shè)計(jì)綜合了信號(hào)補(bǔ)償與濾波方法對(duì)藍(lán)牙信號(hào)進(jìn)行預(yù)處理.一方面基于滑動(dòng)時(shí)間窗模型抽取RSSI 的特征、環(huán)境特征；另一方面應(yīng)用隨機(jī)森林算法建立室內(nèi)位置的分類(lèi)模型，并設(shè)計(jì)有限狀態(tài)自動(dòng)機(jī)對(duì)定位結(jié)果進(jìn)行校正.在線(xiàn)測(cè)試實(shí)驗(yàn)證明，本文提出的室內(nèi)定位方法能有效地實(shí)現(xiàn)室內(nèi)的定位，準(zhǔn)確率可達(dá)到98.2%.