基于WiFi-藍(lán)牙混合定位技術(shù)的震后壓埋人員手機(jī)定位方法

彭偉豪,肖東升,3

(1. 西南石油大學(xué) 土木工程與測繪學(xué)院,四川 成都 610500; 2. 西南石油大學(xué) 測繪遙感地理信息防災(zāi)應(yīng)急研究中心,四川 成都 610500; 3. 成都高新減災(zāi)研究所,四川 成都 610041)

0 引言

我國是地震最頻繁、地震災(zāi)害最嚴(yán)重的國家之一[1],目前震后壓埋人員的搜救主要依靠接觸式和非接觸式的生命探測技術(shù)[2],這類技術(shù)存在成本高、效率低、搜救范圍小且受環(huán)境影響大等缺點,在一定程度上影響了震后救援工作的開展。隨著手機(jī)等智能設(shè)備的普及,對智能設(shè)備的室內(nèi)定位可間接實現(xiàn)對壓埋人員的定位,將基于壓埋人員智能設(shè)備的定位看作是一種特殊環(huán)境下的靜態(tài)室內(nèi)定位,射頻信號定位技術(shù)、傳感器定位技術(shù)和多源融合定位方法是目前主要的3類室內(nèi)定位技術(shù)[3-4]。目前基于智能設(shè)備的震后壓埋人員定位還處于起步階段,XIA等[5]從數(shù)量、位置、變化率、震中距等幾個方面分析了手機(jī)定位信號數(shù)據(jù)在地震應(yīng)急救援工作中的可行性,為應(yīng)急救援決策提供了科學(xué)依據(jù)。劉小洪[6]探討了WiFi信號接收機(jī)的位置分布方式、網(wǎng)格密度以及與壓埋手機(jī)相對位置對震后壓埋定位精度的影響。洪利等[7]基于智能手機(jī)WiFi信號設(shè)計了一種地震災(zāi)害中面向生命探測的無線定位系統(tǒng)。羅尚等[8]提出一種針對未知震后壓埋環(huán)境的快速定位算法,有效地改善了定位精度。肖東升等[9]通過模擬3種典型建筑物倒塌壓埋空間,建立不同場景下的最優(yōu)無線信道模型,提高了壓埋人員的搜救效率。

WiFi和藍(lán)牙室內(nèi)定位技術(shù)都可以通過信號接收強(qiáng)度(received signal strength indication, RSSI)測距定位技術(shù)實現(xiàn)定位[10],非視距、多路徑、干擾多變等因素會在一定程度上影響RSSI在室內(nèi)環(huán)境中的傳輸[11],在震后壓埋環(huán)境中這些影響將變得更加突出,因此需要構(gòu)建適用于不同壓埋環(huán)境的無線信號衰減模型來提高定位精度[12]。為降低RSSI的隨機(jī)性引起的測距誤差,需要對接收到的RSSI數(shù)據(jù)進(jìn)行濾波預(yù)處理。常用的濾波方法有均值濾波[13]、中值濾波[14]、遞推平均濾波[15]、高斯濾波[16]、狄克遜檢驗法濾波[17]、卡爾曼濾波[18]等?；赗SSI測距的定位算法包括最小二乘算法、三角質(zhì)心算法等[19],在此基礎(chǔ)上也發(fā)展出定位精度更高的加權(quán)質(zhì)心定位算法[20]、Chan算法[21]和加權(quán)三維質(zhì)心定位算法[22]等。

文中提出的基于WiFi-藍(lán)牙混合定位技術(shù)的震后壓埋人員手機(jī)定位方法,模擬震后壓埋環(huán)境,利用混合濾波方法分別對WiFi和藍(lán)牙RSSI數(shù)據(jù)進(jìn)行預(yù)處理,構(gòu)建基于震后壓埋環(huán)境的無線信號衰減模型,采用改進(jìn)的加權(quán)質(zhì)心定位算法分別解算WiFi和藍(lán)牙定位結(jié)果。通過評價WiFi和藍(lán)牙定位結(jié)果的可信性,根據(jù)評估結(jié)果選取最優(yōu)值實現(xiàn)定位結(jié)果的混合。

1 WiFi-藍(lán)牙混合定位技術(shù)

1.1 RSSI數(shù)據(jù)濾波處理

由于環(huán)境等影響因素,同一個節(jié)點接收到的多個RSSI值中必然存在由誤差引起的小概率事件,通過高斯模型篩選出滿足一定概率要求的RSSI值作為有效值,能夠有效地減少小概率、大干擾誤差對整體測量數(shù)據(jù)的影響,提高定位精度。高斯濾波模型解決了RSSI在傳輸環(huán)境中易受干擾、穩(wěn)定性差等問題,但對陰影效應(yīng)、能量反射等長時間干擾問題處理效果欠佳,使得定位的時效性受到一定影響[23]。

卡爾曼濾波的基本思想[18]是:利用信號和噪聲的狀態(tài)空間模型,通過對前一時刻的估計和對當(dāng)前時刻的觀測更新狀態(tài)變量的估計,以最小均方誤差為最佳估計準(zhǔn)則,根據(jù)系統(tǒng)方程和由最小均方誤差建立的觀測方程估計待處理的信號?？柭鼮V波能在一定程度上減小由于噪聲疊加引起的RSSI觀測值偏離,經(jīng)過卡爾曼濾波處理后的RSSI值穩(wěn)定性更好,對高斯分布的隨機(jī)過程信號具有較好的濾波效果。

結(jié)合高斯濾波和卡爾曼濾波的優(yōu)缺點,文中提出的混合濾波算法首先對原始RSSI數(shù)據(jù)進(jìn)行高斯濾波,得到RSSI(k)∈(μ-σ,μ+σ),然后利用卡爾曼濾波消除高斯濾波后的RSSI值的隨機(jī)噪聲得到RSSI(i),對這些RSSI值進(jìn)行中值濾波得到RSSI(a);同樣的,對這些RSSI值進(jìn)行均值濾波得到RSSI(b),則:

RSSI(i)=Kalman[Gauss(RSSI(1),RSSI(2),…,RSSI(k))]i=1,2,…,k

(1)

RSSI(a)=Med{RSSI(1),RSSI(2),…,RSSI(k)}

(2)

(3)

最后對RSSI(a)和RSSI(b)做算術(shù)平均處理,即:

(4)

文中提出的混合濾波算法能夠有效地濾除偏離真值的數(shù)據(jù),使RSSI值輸出更加平滑,更接近于真值,提高測距的精度,從而提高定位的精度,更好地服務(wù)于室內(nèi)定位。

1.2 無線信號衰減模型

無線信號傳播路徑損耗模型主要包括自由空間傳播模型、衰減因子模型、對數(shù)距離路徑損耗模型等[24]。信道衰落無論是大尺度衰落還是小尺度衰落其特性服從對數(shù)正態(tài)分布,因此對數(shù)距離路徑損耗模型通常用于RSSI距離測量中,可將其表示為:

PL(d)=PL(d0)-10nlg(d/d0)+φ

(5)

式中:PL(d)為距發(fā)射信號的已知點d處的待定位點的接收信號強(qiáng)度;PL(d0)為距發(fā)射信號的已知點d0處的參考點的接收信號強(qiáng)度,通常d0取1 m;n是環(huán)境因子,與定位環(huán)境有關(guān),表明了路徑損耗隨距離的衰減速率,具體取值將在測距前進(jìn)行相關(guān)實驗獲取經(jīng)驗值;φ為衰減因子,與傳播距離無關(guān),通?？珊雎圆挥?。

發(fā)射信號與接收信號強(qiáng)度之差,即為信號強(qiáng)度損耗值,如式(6)所示:

P=P0-RSSI(d)

(6)

式中:P0為發(fā)射信號強(qiáng)度;RSSI(d)為d處的接收信號強(qiáng)度。

由式(5)、式(6)可以得出對數(shù)路徑損耗模型,見式(7):

RSSI(d)=-10nlgd+A

(7)

1.3 改進(jìn)的加權(quán)質(zhì)心定位算法

不論采用哪種測距模型,接收信號強(qiáng)度RSSI與真實值之間總是存在一定誤差,從而導(dǎo)致測距結(jié)果存在一定誤差,因為復(fù)雜的室內(nèi)環(huán)境尤其是震后壓埋環(huán)境的未知性,解算出的傳感器節(jié)點到未知節(jié)點的距離d總是大于實際2個節(jié)點間的距離。如圖1 所示,信號接收傳感器A,B,C,未知信號發(fā)射節(jié)點D,根據(jù)RSSI測距模型分別計算出的節(jié)點A、B、C這3個點到D的距離rA、rB、rC。分別以A、B、C為圓心,rA、rB、rC為半徑畫圓,3個圓相交。三角質(zhì)心定位算法的基本思想[25]是:計算3個圓交疊區(qū)域的3個特征點E,F,G的坐標(biāo),這3個點構(gòu)成的三角形的質(zhì)心為未知點M。

圖1 質(zhì)心定位算法原理圖Fig. 1 Schematic diagram of centroid location algorithm

特征點E點的坐標(biāo)(xE,yE)計算方法為:

(8)

傳統(tǒng)的三角質(zhì)心算法假定每組估計坐標(biāo)的權(quán)值相等,不能反映數(shù)據(jù)的不同影響?；诰嚯x倒數(shù)的加權(quán)質(zhì)心定位算法在距離測量值較精確時可以得到較優(yōu)的定位結(jié)果,但當(dāng) RSSI數(shù)據(jù)本身的誤差較大時,會直接影響到距離測量,進(jìn)而導(dǎo)致誤差累積,降低定位精度。崔法毅等[26]指出,在解方程時,當(dāng)b為準(zhǔn)確值時,可以得到正確的坐標(biāo)估計值X,方程AX=b左右相等,但b在實際定位過程中總是存在一定誤差,且b的誤差越大,方程解算結(jié)果的誤差也越大,坐標(biāo)估計值的精度越低。文中以解得坐標(biāo)誤差值的倒數(shù)為權(quán)值改進(jìn)加權(quán)質(zhì)心算法,如式(9)所示:

(9)

(10)

(11)

文中采用基于誤差倒數(shù)的加權(quán)質(zhì)心算法分析了3個定位結(jié)果對定位精度的不同影響力,誤差較大的數(shù)據(jù)權(quán)值較小,誤差較小的數(shù)據(jù)權(quán)值較大,優(yōu)化了基于距離倒數(shù)的加權(quán)質(zhì)心算法,從定位結(jié)果的精度中選擇權(quán)值,避免了誤差累積,提高了定位結(jié)果的精度。

1.4 基于WiFi和藍(lán)牙定位結(jié)果的混合定位方法

1.4.1 定位流程

文中依據(jù)WiFi和藍(lán)牙定位2種定位坐標(biāo)之間的間距和RSSI值的分析結(jié)果,評估2種定位結(jié)果的可信性,從而實現(xiàn)定位結(jié)果的混合。根據(jù)評估結(jié)果,主要有WiFi 定位可信、WiFi 定位不可信、藍(lán)牙定位可信、藍(lán)牙定位不可信4種判定來解算最終定位結(jié)果。如圖2所示,當(dāng)WiFi定位結(jié)果和藍(lán)牙定位結(jié)果同時可信或同時不可信時,則取加權(quán)平均值作為最終定位結(jié)果;若WiFi定位結(jié)果可信,藍(lán)牙定位結(jié)果不可信時,則取WiFi定位結(jié)果作為最終定位結(jié)果;反之則取藍(lán)牙定位結(jié)果作為最終定位結(jié)果。

圖2 定位流程圖Fig. 2 Positioning flow chart

1.4.2 定位結(jié)果可信度評估

定位結(jié)果可信度評估方法流程如圖3所示,通過WiFi和藍(lán)牙定位坐標(biāo)之間的坐標(biāo)間距DBTP判斷當(dāng)前定位結(jié)果是否存在異?，F(xiàn)象,如果DBTP小于閾值T,說明兩者定位結(jié)果比較接近,即WiFi和藍(lán)牙定位都可信,取兩者的加權(quán)平均值作為最終定位結(jié)果;但是,WiFi和藍(lán)牙定位結(jié)果易受壓埋環(huán)境影響,出現(xiàn)誤差的概率較大,WiFi和藍(lán)牙定位結(jié)果之間的間距不可能一直相近,如果DBTP大于閾值T,說明兩者定位結(jié)果中可能存在異常定位結(jié)果,即某種定位結(jié)果不可信或2種定位結(jié)果都不可信。針對這種情況,文中通過對強(qiáng)RSSI數(shù)量進(jìn)行分析判斷定位結(jié)果的可信性,若藍(lán)牙強(qiáng)RSSI數(shù)量大于WiFi強(qiáng)RSSI數(shù)量,則取藍(lán)牙定位結(jié)果;若WiFi強(qiáng)RSSI數(shù)量大于藍(lán)牙強(qiáng)RSSI數(shù)量,則取WiFi定位結(jié)果;若兩者強(qiáng)RSSI數(shù)量相同則取加權(quán)平均值作為定位結(jié)果[27]。

圖3 定位結(jié)果可信度評估流程圖Fig. 3 Flow chart of reliability evaluation of positioning results

理想條件下,RSSI值越大,定位精度越高,因此可根據(jù)RSSI的大小確定WiFi和藍(lán)牙定位結(jié)果的權(quán)重,計算公式如式(12)所示:

(12)

式中:BW為藍(lán)牙定位結(jié)果的權(quán)重;WW為WiFi 定位結(jié)果的權(quán)重;RSSIBi為第i個藍(lán)牙節(jié)點的RSSI值;RSSIWi為第i個WiFi節(jié)點的RSSI值;M、N分別為接收WiFi和藍(lán)牙信號強(qiáng)度的傳感器個數(shù)。

2 實驗

2.1 實驗環(huán)境

由于震后壓埋環(huán)境復(fù)雜,震后建筑物倒塌按其破壞程度可以主要分為局部垮塌、整體傾斜、整體垮塌這3類,劉晶晶等[28]分別提出了 “傾斜型”、“塌落型”和“復(fù)合型”3種典型的壓埋環(huán)境,其中“傾斜型”壓埋環(huán)境的整體生存空間大,穩(wěn)定性最強(qiáng),壓埋人員的存活率最高,因此文中模擬“傾斜型”壓埋環(huán)境進(jìn)行實驗分析,無線信號在該壓埋環(huán)境中的大致信號傳播路徑如圖4所示。

圖4 “傾斜型”壓埋環(huán)境無線信號傳播路徑Fig. 4 Wireless signal propagation path in "inclined" buried environment

“傾斜型”壓埋環(huán)境影響無線信號傳播的障礙物主要為建筑物支撐墻,文中選擇室外與廢墟環(huán)境較為吻合的獨立建筑物作為模擬壓埋環(huán)境,其外墻為370 mm厚度的磚混結(jié)構(gòu),該結(jié)構(gòu)為國內(nèi)早期城鎮(zhèn)建筑物外墻的主要標(biāo)準(zhǔn)結(jié)構(gòu),也是地震易發(fā)區(qū)主要的建筑物外墻結(jié)構(gòu),其抗震等級要低于框架結(jié)構(gòu),在地震中更易倒塌。實驗過程中,壓埋智能設(shè)備固定在模擬壓埋環(huán)境內(nèi)部高1 m的支架上,WiFi、藍(lán)牙信號接收傳感器分布在模擬壓埋環(huán)境周圍,同樣固定在高1 m的支架上。通過實驗分析“傾斜型”壓埋環(huán)境下主要障礙物對無線信號衰減的影響,建立與之匹配的無線信號衰減模型適應(yīng)實際的震后壓埋手機(jī)的定位模型。

傳感器的分布采用“四邊形”傳感器分布模型,如圖5所示,其中4個WiFi探針和4個藍(lán)牙網(wǎng)關(guān)分別分布于邊長20 m的正方形的4個頂點,平面坐標(biāo)分別為(0,0)、(20,0)、(20,20)、(0,20),模擬壓埋智能設(shè)備位于“四邊形”內(nèi)任意位置。

圖5 傳感器分布模型Fig. 5 Sensor distribution model

實驗人員分別將WiFi探針和藍(lán)牙網(wǎng)關(guān)布置在對應(yīng)平面位置,設(shè)置好相關(guān)數(shù)據(jù)采集系數(shù),WiFi和藍(lán)牙的RSSI數(shù)據(jù)采集同時進(jìn)行,采集頻率為1 Hz,每個數(shù)據(jù)采集點共采集100組RSSI數(shù)據(jù)。

2.2 無線信號衰減參數(shù)估計

由于采集的WiFi和藍(lán)牙RSSI值存在多路徑、非視距等因素影響導(dǎo)致信號波動,在進(jìn)行參數(shù)估計前需要分別對WiFi和藍(lán)牙RSSI數(shù)據(jù)進(jìn)行濾波處理,根據(jù)1.1節(jié)介紹的濾波方法,通過MATLAB進(jìn)行數(shù)據(jù)處理,通過分別對距壓埋智能設(shè)備1～15 m進(jìn)行WiFi 、藍(lán)牙RSSI數(shù)據(jù)采樣濾波處理,從圖6可知,由于原始數(shù)據(jù)中存在較多突變的點,采用單一卡爾曼濾波算法,導(dǎo)致數(shù)據(jù)輸出整體波動性較大;單一的均值濾波和中值濾波數(shù)據(jù)輸出波動更加明顯;單一的高斯擬合方法無法在允許范圍內(nèi)消除大范圍波動;混合濾波能有效地消除數(shù)據(jù)突變點和突變間隔,平衡數(shù)據(jù)的噪聲波動,使數(shù)據(jù)輸出更加準(zhǔn)確、平滑。如圖7所示,混合濾波處理后的數(shù)據(jù)線性擬合絕對距離誤差的計算結(jié)果明顯優(yōu)于其他單一濾波的處理效果。

圖6 RSSI濾波效果Fig. 6 RSSI filtering effect

圖7 WiFi、藍(lán)牙絕對距離誤差Fig. 7 WiFi, Bluetooth absolute distance error

將幾種濾波后的WiFi、藍(lán)牙RSSI值分別帶入各自的距離損耗模型中,計算得到均方根誤差RMSE(見表1),其中混合濾波處理方式的均方根誤差最小,這說明混合濾波效果最佳,因此文中將采用經(jīng)混合濾波處理后的RSSI 值建立距離損耗模型。

表1 5種濾波方法均方根誤差Table 1 RMSE of five filtering methods

由式(7)可知,常數(shù)A和路徑衰減指數(shù)n的選取會直接影響距離d的計算。A和n的值主要由周圍的壓埋環(huán)境決定,為了保證測距精度,一般采用線性回歸算法進(jìn)行優(yōu)化以得到最逼近當(dāng)前環(huán)境信號傳播特性的參數(shù)值。

參數(shù)優(yōu)化的具體步驟為:

1)距離模擬壓埋環(huán)境發(fā)射節(jié)點每隔1 m就分別測量一組WiFi和藍(lán)牙RSSI值,每組包含100個RSSI數(shù)據(jù),共15組RSSI值;

2)對不同距離下的15組RSSI值分別采用混合濾波進(jìn)行濾波處理;

3)采用線性回歸算法分別得到“傾斜型”壓埋環(huán)境下WiFi和藍(lán)牙的無線信號衰減參數(shù),分別用(A1,n1), (A2,n2)表示,擬合曲線如圖8所示。

圖8 WiFi、藍(lán)牙距離損耗模型Fig. 8 WiFi, Bluetooth distance loss model

混合濾波處理后的WiFi、藍(lán)牙RSSI線性擬合參數(shù)估計值如表2所示。

表2 WiFi、藍(lán)牙無線信號衰減參數(shù)估計值Table 2 Estimation of attenuation parameters of WiFi and Bluetooth wireless signals

2.3 閾值T的選取和強(qiáng)RSSI的判定

由1.4.2節(jié)可知,根據(jù)WiFi和藍(lán)牙定位結(jié)果的坐標(biāo)間距DBTP判斷定位結(jié)果的可信度,當(dāng)坐標(biāo)間距小于閾值T時,則WiFi和藍(lán)牙定位結(jié)果都可信,取加權(quán)平均值作為最終定位結(jié)果,反之則認(rèn)為定位結(jié)果異常。為確定閾值T,文中分別選取1～10 m共10組閾值,每組傳感器分別采集10組WiFi和藍(lán)牙RSSI數(shù)據(jù),每組包含100個RSSI,進(jìn)行10次定位實驗。若WiFi和藍(lán)牙定位結(jié)果都可信,即DBTP小于閾值,則取加權(quán)平均值作為混合定位結(jié)果,計算出定位結(jié)果的誤差,并統(tǒng)計次數(shù);若定位結(jié)果不可信,即存在異常定位結(jié)果導(dǎo)致DBTP大于閾值,則取消此次定位,進(jìn)而得到不同閾值情況下的平均誤差和混合定位次數(shù)。如圖9所示,當(dāng)閾值T增大時,平均定位誤差趨于增大,DBTP小于閾值T的次數(shù)也不斷增加。當(dāng)閾值為5 m時,平均定位誤差為0.92 m,DBTP小于T的次數(shù)為7次,定位誤差較小且次數(shù)足夠多,故文中選取5 m作為閾值。

圖9 平均定位誤差及DBTP小于T的次數(shù)Fig. 9 Average positioning error and times when DBTP is less than T

RSSI測距定位通過信號強(qiáng)度特征實現(xiàn)定位,RSSI越強(qiáng),定位效果越好。定位時刻能接收到很多壓埋設(shè)備發(fā)射的WiFi和藍(lán)牙RSSI信號,如果大部分RSSI較小,信號特征不明顯,將造成信號波動性增加,增大測距定位的誤差。由圖10(a)、(b)分別表示W(wǎng)iFi、 藍(lán)牙的距離損耗模型和絕對距離誤差對比可知, 隨著定位距離的增加,絕對距離誤差明顯增大,其中WiFi距離損耗模型中絕對距離誤差在7 m處變化最為明顯,根據(jù)線性擬合公式計算d=7 m時,RSSI=-66.13 dBm,取整后即WiFi RSSI大于-66 dBm時判定為強(qiáng)RSSI;同理藍(lán)牙距離損耗模型中絕對距離誤差在7 m處變化也最為明顯,根據(jù)線性擬合公式計算d=7 m時,RSSI=-74.78 dBm,取整后即藍(lán)牙RSSI大于-75 dBm時判定為強(qiáng)RSSI。最后通過統(tǒng)計并比較WiFi、藍(lán)牙強(qiáng)RSSI的數(shù)量,進(jìn)而判斷定位結(jié)果的可信性。

圖10 距離損耗模型與絕對距離誤差比較Fig. 10 Comparison between distance loss model and absolute distance error

2.4 定位實驗

2.4.1 實驗結(jié)果分析

為驗證基于WiFi-藍(lán)牙混合定位方法的優(yōu)越性,文中通過定位實驗分析對比基于RSSI測距的WiFi定位方法、藍(lán)牙定位方法和混合定位3種定位方法的定位誤差,其中3種定位方法在數(shù)據(jù)濾波、定位模型、定位算法和定位傳感器的位置分布均保持一致。文中選取在20 m×20 m的模擬地震壓埋環(huán)境內(nèi)的13個已知坐標(biāo)點,分別為(5,5)、(5,10)、(5,15)、(10,5)、(10,10)、(10,15)、(15,5)、(15,10)、(15,15)、(7.5,7.5)、(12.5,7.5)、(7.5,12.5)、(12.5,12.5),單位為m。利用2.1節(jié)介紹的“四邊形”傳感器分布模型分別對13個點進(jìn)行定位試驗,3種定位方法的定位平面圖見圖11。

圖11 定位平面圖Fig. 11 Positioning plan

由表3定位結(jié)果與誤差比較可知,基于WiFi-藍(lán)牙混合定位方法的定位效果優(yōu)于WiFi定位與藍(lán)牙定位,單一的WiFi和藍(lán)牙定位技術(shù)的平均定位精度分別為0.917 m和0.867 m,而基于WiFi-藍(lán)牙混合定位技術(shù)的定位精度為0.541 m,相對于單一的WiFi和藍(lán)牙定位技術(shù),定位精度分別提高了41%和37.6%。

表3 定位結(jié)果與誤差比較Table 3 Comparison of positioning results and errors

2.4.2 定位效率對比實驗

為進(jìn)一步驗證文中提出的混合定位技術(shù)優(yōu)于單一的WiFi定位技術(shù)和藍(lán)牙定位技術(shù),通過以下實驗增加定位傳感器數(shù)量對比定位時間與定位精度的變化關(guān)系。在“四邊形”傳感器分布模型的基礎(chǔ)上,分別依次在每條邊的中點增加一個WiFi探針或藍(lán)牙網(wǎng)關(guān),分布模型如圖12所示。

分別利用“四邊形”傳感器分布模型中的8個WiFi探針和藍(lán)牙網(wǎng)關(guān)依次進(jìn)行單一的WiFi定位實驗和藍(lán)牙定位實驗,并結(jié)合2.4.1節(jié)的實驗,對每次實驗平均耗時進(jìn)行統(tǒng)計,實驗結(jié)果如表4所示。

實驗結(jié)果表明,增加單一定位傳感器數(shù)量雖然可以提高一定的定位精度,減少偶然誤差,但增加定位傳感器后定位精度仍低于混合定位的定位精度,且當(dāng)傳感器增加到一定數(shù)量后精度變化降低,精度值趨于穩(wěn)定。文中采取的定位算法只需要3個強(qiáng)RSSI數(shù)據(jù),增加定位傳感器數(shù)量的同時也會增加數(shù)據(jù)冗余度,定位時間也相應(yīng)增加,文中是基于震后壓埋人員的救援定位,定位效率是首先考慮的問題,即要求在盡量短的定位時間內(nèi)達(dá)到足夠的定位精度,為后續(xù)的救援工作開展?fàn)幦∽銐虻臅r間。綜上,文中提出的混合定位方法能在相對較短的時間內(nèi)滿足一定的定位精度,實現(xiàn)定位效率最大化。

3 結(jié)束語

文中根據(jù)理論研究和實驗分析提出的基于WiFi-藍(lán)牙混合定位技術(shù)的震后壓埋人員手機(jī)定位方法,充分利用了壓埋智能設(shè)備在壓埋環(huán)境中發(fā)射的WiFi和藍(lán)牙RSSI數(shù)據(jù),通過對模擬震后壓埋環(huán)境中獲取的信號強(qiáng)度值進(jìn)行高斯-卡爾曼混合濾波處理,建立適用于“傾斜型”壓埋環(huán)境的距離損耗模型,采用改進(jìn)的加權(quán)質(zhì)心定位算法分別解算WiFi和藍(lán)牙定位坐標(biāo),最后對2種定位結(jié)果進(jìn)行可信度評估解算最優(yōu)值作為定位結(jié)果輸出,實驗結(jié)果表明該方法在定位精度和定位效果上都具有一定的優(yōu)越性,提高了震后壓埋人員的搜救效率,使之更適用于震后壓埋人員的定位救援工作,為震后救援工作提供了新的技術(shù)支持。