卡爾曼濾波后的KNN指紋定位在藍(lán)牙室內(nèi)定位中的應(yīng)用

湯謹(jǐn)瑜　輔智豪　李高正　趙學(xué)龍

摘要：在地下停車場(chǎng)中，衛(wèi)星信號(hào)較弱，無(wú)法滿足定位的精度要求。隨著智能手機(jī)硬件配置和性能的提升，藍(lán)牙的性能也得到極大改善。在進(jìn)行室內(nèi)較封閉的環(huán)境定位時(shí)，利用安卓智能手機(jī)自帶的藍(lán)牙，搜尋室內(nèi)所部署的藍(lán)牙模塊的RSSI信號(hào)值，可以滿足地下停車場(chǎng)中停車、尋車的定位需求。定位時(shí)，采用KNN算法，將環(huán)境中的各個(gè)位置劃分為小塊，采集其指紋，設(shè)備通過(guò)指紋比照定位，誤差在2.5m左右。針對(duì)RSSI信號(hào)白噪聲較大的特點(diǎn)，采用卡爾曼濾波算法對(duì)其進(jìn)行濾波，降低噪聲干擾，提升定位精度。經(jīng)測(cè)量，誤差進(jìn)一步降低到0.9m，效果顯著。

關(guān)鍵詞：藍(lán)牙定位? KNN? 卡爾曼濾波算法

引言

隨著基于位置的服務(wù)（Location Based Service）的興起，對(duì)于室內(nèi)較封閉環(huán)境定位的需求越來(lái)越強(qiáng)烈。在商場(chǎng)、醫(yī)院、停車場(chǎng)等環(huán)境中，部署定位服務(wù)可以給用戶帶來(lái)更好的服務(wù)體驗(yàn)。傳統(tǒng)的衛(wèi)星定位技術(shù)，如全球定位系統(tǒng)GPS技術(shù)，在室內(nèi)電磁屏蔽強(qiáng)、衛(wèi)星信號(hào)差的環(huán)境內(nèi)無(wú)法應(yīng)用;同時(shí)，民用GPS定位精度一般在200米以下，平均10米級(jí)左右，這樣的定位精度無(wú)法滿足室內(nèi)定位覆蓋空間小、精度要求高的需求。

室內(nèi)定位的難點(diǎn)在于環(huán)境復(fù)雜、干擾較強(qiáng)，這種環(huán)境下單一信號(hào)的定位精度較低;如果能將多種定位技術(shù)科學(xué)地結(jié)合使用，可以使定位效果更好。目前室內(nèi)定位主要采用藍(lán)牙、WiFi、UWB等技術(shù)，但在不改進(jìn)定位算法的情況下，定位精度低、結(jié)果誤差大，部分成本也很高。目前這幾種定位技術(shù)均需要部署anchor（即定位基站）：WiFi定位需要部署AP，藍(lán)牙定位需要部署iBeacon或藍(lán)牙基站，UWB需要部署超寬帶基站。其中，WiFi室內(nèi)定位技術(shù)精度較高，傳輸距離遠(yuǎn)，但功耗較高;UWB定位技術(shù)定位精度最高，但其所需的超寬帶基站數(shù)目多，價(jià)格高昂，硬件網(wǎng)建立難度高。相比而言，藍(lán)牙定位所采用的iBecon基站是蘋果主導(dǎo)研制的，其的顯著優(yōu)勢(shì)是功耗相對(duì)較低;同時(shí)，如果部署一張專用的定位的網(wǎng)絡(luò)對(duì)系統(tǒng)的可靠性而言要比兼顧數(shù)據(jù)傳輸和定位的WIFI網(wǎng)絡(luò)要健壯，穩(wěn)定性要好。藍(lán)牙定位也可以利用手機(jī)和其他設(shè)備的藍(lán)牙功能，省去了部分終端的部署。

藍(lán)牙信號(hào)的ID、強(qiáng)度、傳播時(shí)間、接收角度等信息都能被用于定位。其中，基于藍(lán)牙信標(biāo)的信號(hào)接收強(qiáng)度指示（Received Signal Strength Indication，即RSSI）在定位領(lǐng)域有廣泛的應(yīng)用。根據(jù)采用的算法不同，定位技術(shù)可以分為2類：基于信號(hào)傳播模型的定位和基于位置指紋匹配的定位。基于信號(hào)傳播模型的定位是對(duì)藍(lán)牙信號(hào)的傳播信道進(jìn)行建模，這需要考慮如障礙物的大小、材質(zhì)、朝向等復(fù)雜的現(xiàn)實(shí)情況，很難用數(shù)學(xué)模型進(jìn)行較好的擬合，加大了定位建模的難度。而基于位置指紋識(shí)別的定位方法通過(guò)采集指紋數(shù)據(jù)、建立數(shù)據(jù)庫(kù)，構(gòu)建RSSI信息與位置信息之間的函數(shù)關(guān)系，不需要建立模型以確定位置，很大程度上降低了算法的難度，同時(shí)提升算法魯棒性。

文獻(xiàn)[1]將iBeacon和手機(jī)MEMS相融合，提高行人航跡推算（PDR）的精度;文獻(xiàn)[2]將RSSI技術(shù)、加權(quán)質(zhì)心算法、倒數(shù)距離加權(quán)插值定位思想結(jié)合，提出IIDWC定位算法，提高定位精度。受這些技術(shù)啟發(fā)，本文利用K最近鄰算法（K Nearest Neighbor， KNN）思想在藍(lán)牙RSSI指紋定位的基礎(chǔ)上，通過(guò)卡爾曼濾波處理數(shù)據(jù)，提高定位精度和定位結(jié)果的精確性。

1 藍(lán)牙RSSI指紋定位

1.1 RSSI介紹

RSSI（Received Signal Strength Indication），即信號(hào)接收強(qiáng)度指示，是接受信號(hào)的進(jìn)行定位的重要依據(jù)，RSSI值越大代表接受的定位信號(hào)越強(qiáng)。圖1顯示了140秒內(nèi)分別記錄下的三個(gè)不同位置的RSSI信息。

通過(guò)圖片可知，由于信號(hào)傳輸受到環(huán)境干擾，RSSI值會(huì)反映出一定的波動(dòng)。在應(yīng)用中，為了定位減少誤差，需要多次采集RSSI的指紋信息并計(jì)算平均值作為對(duì)應(yīng)位置的RSSI值。

1.2指紋采集

藍(lán)牙室內(nèi)定位技術(shù)可分為兩種：一是基于信號(hào)強(qiáng)度的傳播模型測(cè)定法，通過(guò)接受信號(hào)強(qiáng)度與信號(hào)衰減模型來(lái)計(jì)算待定位點(diǎn)與參考點(diǎn)的距離，但是由于室內(nèi)定位環(huán)境復(fù)雜、干擾強(qiáng)的特點(diǎn)，該算法存在多徑效應(yīng)，魯棒性不佳;第二種則是本文所采用的指紋定位法，預(yù)先建立藍(lán)牙指紋庫(kù)，在定位時(shí)比照藍(lán)牙指紋確定位置，但指紋法的缺點(diǎn)是需要采集指紋數(shù)據(jù)，需要維護(hù)數(shù)據(jù)庫(kù)。

在測(cè)定時(shí)，將地圖劃分為一個(gè)個(gè)小方格，每一方格為一個(gè)指紋類。測(cè)試每個(gè)類接受到的特征，作為指紋保存。在實(shí)際測(cè)定時(shí)，每個(gè)類采集10份特征，取平均值作為特征值登入指紋數(shù)據(jù)庫(kù)并將藍(lán)牙模塊的UUID等級(jí)為信標(biāo)。

1.3指紋匹配——KNN算法

在錄入指紋信息后，定位時(shí)需要將收到的藍(lán)牙RSSI信號(hào)強(qiáng)度與指紋進(jìn)行比照匹配，才能獲得定位結(jié)果。本文采用的是KNN算法，即K最近鄰算法。

K近鄰算法的基本原理是：在采集樣本后進(jìn)行樣本訓(xùn)練;定位時(shí)使用新的定位樣本信息，在訓(xùn)練樣本庫(kù)中選擇與新的定位樣本距離最接近的K個(gè)樣本，由這些樣本對(duì)新的定位樣本進(jìn)行位置判定。假設(shè)在一次定位實(shí)例中有M個(gè)iBeacon基站，共采集N次指紋，訓(xùn)練樣本庫(kù)表示為：

由表可以看出，卡爾曼濾波后的KNN算法大幅度提高了原有KNN算法的定位精度。同時(shí)，算法定位時(shí)間雖然有所提高，但比已有的HMM算法精度更高，定位時(shí)間更短，具有實(shí)用性。

4 結(jié)語(yǔ)

在地下停車場(chǎng)定位測(cè)試實(shí)驗(yàn)中，我們通過(guò)KNN藍(lán)牙指紋定位以及卡爾曼濾波處理進(jìn)行了定位實(shí)驗(yàn)，比較了卡爾曼濾波前后的定位效果。與使用單一KNN算法或單一卡爾曼濾波算法相比，本例創(chuàng)新地將兩者相結(jié)合，極大提升了算法的魯棒性，于實(shí)際應(yīng)用中得到顯現(xiàn)。同時(shí)，該技術(shù)也能用于其他室內(nèi)定位或密閉環(huán)境無(wú)微星信號(hào)的精確定位，應(yīng)用前景廣泛。實(shí)驗(yàn)驗(yàn)證卡爾曼濾波后的藍(lán)牙指紋定位擁有更高精度。同時(shí)，算法簡(jiǎn)潔，易于實(shí)現(xiàn)，是可用于基于位置的服務(wù)LDS的定位技術(shù)。

參考文獻(xiàn)

[1]謝紅，曹歡，劉立國(guó). 基于iBeacon和多自由度EMES的室內(nèi)融合定位技術(shù)研究[J].應(yīng)用科技，2017，44（5）：85-92.

[2]林信川，游貴榮.基于iBeacon的室內(nèi)定位算法優(yōu)化研究[J].陜西理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，33（3）：67-73.

[3] R.E.Kalman. A New Approach to Linear Filtering and Prediction Problems[J]. Transactions of the ASME–Journal of Basic Engineering， 82 （Series D）： 35-45.

[4] Bzarg. How a Kalman filter works，in pictures[J]. Mini-courses，2015.11.

[5] Sun， Z.， Mao， X.， Tian， W.， Zhang， X.Activity classification and dead reckoning for pedestrian navigation with wearable sensors Measurement Science and Technology200920111001520310.1088/0957-0233/20/1/0152032-s2.0-63749117828.

[6] Weinberg， H. Using the ADXL202 in Pedometer and Personal Navigation Applications2002Analog Devices.

[7] 李文杰，李文明.基于k-近鄰算法的定位方法設(shè)計(jì)和仿真[J].計(jì)算機(jī)仿真，2009，26（4）：194-196.

[8] Canedo-Rodriguez A， Alvarez-Santos V， Regueiro C V， et al. Particle Filter Robot Localisation Through Robust Fusion of Laser， WIFI， Compass， and a Network of External Cameras[J]. Information Fusion， 2016， 27：170-188.