英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于信号强度的学习性适应时态无线电地图的位置估计

摘要——在无线网络中，可以使用从信号发射机接收的信号强度来估计客户端的位置。静态指纹技术通常用于位置估计，其中通过在离线阶段校准信号强度值来构建无线电图。这些值被编成确定性或概率模型，用于在线定位。然而，由于环境动态，当信号强度值随时间变化时，无线电地图可能已经过时，并且重复的数据校准是不可行或昂贵的。在本文中，我们提出了一种称为LEMT（使用模型树的位置估计）的新颖算法，以使用在参考点处接收到的实时信号强度读数重建无线电图。该算法可以考虑每个时间点的实时信号强度值，并利用估计位置和参考点之间的依赖关系。我们表明，该技术可以有效地适应不同时间段的信号强度变化，需要重复重建无线电地图。 LEMT的有效性使用从802.11b无线网络收集的两个真实数据集和一个基于RFID的网络证明。

关键词——位置估计，时域无线电图，接收信号强度，参考点

I．介绍

无线技术和移动计算设备的出现促进了对开发各种位置估计系统的日益增长的商业和研究兴趣。构建这种系统的核心任务是开发用于估计无线环境中的移动设备（因此用户）的位置的技术。在室内设置中，通过利用流行的基础设施，例如IEEE 802.11b无线局域网（RF），使用接收信号强度（RSS）测量，开发了基于射频（RF）的位置估计技术，网络（WLAN）[1] [6] [10] [22]和基于射频识别（RFID）的网络[11]。能够完成这些任务在许多位置感知应用中发挥重要作用，范围从上下文相关的内容传递到移动物体和人的监控[4][19]。

基于RF的位置估计系统利用从诸如WLAN接入点（AP）和RFID标签的信号发射机接收的信号强度来推断用户的位置。在理论上，信号强度与对数距离线性衰减并且简单使用来自三个或三个以上三个信号发射机的信号强度的三角测量方法可以唯一地识别用户的位置。然而，在实践中，不可能获得准确的信号传播模型，因为环境的物理特性，例如墙壁，家具甚至人类活动，给RSS测量增加了显着的噪音。因此，在室内位置估计系统中经常采用基于静态位置指纹的技术。

基于指纹的技术由两个阶段组成：离线训练阶段和在线定位阶段[1] [6] [10] [22]。在离线阶段，通过在感兴趣区域中的预定位置列出从信号发射机接收的RSS测量值来构建无线电地图。这些值包括物理区域的无线电图，其被编译成用于在线定位的确定性或概率模型。在在线定位阶段，从信号发送器接收的实时RSS样本被用于搜索无线电图，以根据学习模型估计用户的当前位置。

在离线阶段，学习的位置估计模型本质上是信号空间和位置空间之间的映射函数。确定性技术通过简单地将已知位置的集合中的平均RSS值存储起来构建这样的映射，并使用最邻近方法来定位客户端。另一方面，概率技术通过将RSS分布存储为无线电图的内容来构建映射。然后将这些分布用于定位的最大似然计算。利用足够的培训数据，通过直接处理RSS测量的不确定性，概率方法通常比其确定性对应方更准确。然而，基于指纹的方法的主要限制是无线电图是静态的。一旦在离线阶段学习，此后应用静态无线电地图来估计未更新时间的位置。这种简单的假设对位置估计的有效性构成了严重的问题。在动态室内环境中，无线电信号传播遭受时间相关的衰落效应，通常由两部分组成：由建筑物的阴影效应引起的长期衰落或自然特征，以及由于周围的快速散射引起的短期衰落移动设备。因此，在在线阶段测量的RSS样本可能会显着偏离存储在无线电图中的样本。因此，使用基于静态指纹的技术进行位置估计可能是严重不准确的，因此需要重复的数据采集来维持预测精度。

为了考虑动态环境变化，近年来提出了几种自适应算法[7] [9] [11]。Haeberlen等人[7]通过在几个已知位置校准新的RSS样本来适应静态无线电图，并在这些样本和来自无线电图的旧样本之间拟合线性函数。在在线阶段，首先使用估计的线性函数将新样本转移到旧样本，以便重新使用原始的无线电图。主要的假设是可以独立于位置进行适应。然而，在真实的环境中，RSS值可以从一个位置变化到另一个位置。LANDMARC系统[11]和LEASE系统[9]均利用参考点自适应地抵消由环境变化引起的RSS样本的变化。这些系统的优点是位置估计可以通过使用在参考点接收的实时RSS样本来适应环境动态。然而，这些系统的实验表明，只有当参考接收机密集分布时，才能保证这些系统的准确性。

在本文中，我们提出了一种称为LEMT的新方法，用于在RSS样本随时间动态变化时估计位置。我们的方法有三个步骤：首先，我们将多个RF接收机放在固定位置，以检测实时RSS样本;这些接收器称为参考点。其次，我们使用在一定时间收集的无线电图来了解移动客户端和参考点之间RSS样本中的功能关系。第三，我们应用基于最近邻的方法来找到最可能的位置。这种方法被称为用于位置估计的自适应时态无线电图。在我们的初步工作[20]中，我们已经表明，使用模型树在WLAN中动态地调整无线电映射是可行的。我们通过比较我们对现有自适应方法（LANDMARC系统[11]和LEASE系统[9]）的方法来扩展这项工作。除了WLAN环境，我们还通过在基于RFID的网络环境中的广泛实验来评估我们的方法。

图1说明了LEMT方法背后的想法。与以前的工作一样，我们首先在时刻t ₀收集数据构建一个静态无线电图。在任何后续的时间段t_i，其中ige;1，而不是重复地重建无线电图，我们放置几个RF接收器，作为整个地理区域的动态参考点。基于在参考点收到的实时RSS样本，我们应用回归分析来获得包括我们需要对静态无线电图进行校正的估计无线电图。在我们的方法中，静态无线电映射被编入基于模型树的模型中，其中树被构建在在移动客户端收集的RSS值和在参考点收集的RSS值。在在线阶段，这些模型用于预测移动客户端最可能的位置。我们表明，随着时间的推移和环境的变化，这种方法更加健壮。我们演示了这种方法在两个真正的无线网络域中的能力。

在这项工作中，我们的目标是扩展现有的室内位置估算技术，以应对不同时期无线电地图的变化。这个扩展将允许在一个时刻构建的无线电地图适用于其他时刻。我们主要关注处理建筑中短期褪色所引起的环境变化，如不可预测的人员搬迁和开门或打折。我们还可以应对长期褪色引起的小环境变化，如光的变化，温度和湿度在环境中。然而，如果发生重大的基础设施变更，例如建筑布局的变化和信号发射器的移动，则需要通过校准新的RSS样本来重建无线电地图。我们的基本直觉是，对于特定位置的移动客户端，其邻居可以反映其周围环境中类似的动态变化。因此，即使在相同位置，RSS样本的值可能随时间而变化很大，信号强度取决于其相邻参考点的相对保持相对恒定。换句话说，当地邻居关系保持不变，而每个邻居可能随时间而变化。这种约束通常用于机器学习，当降维应用于复杂数据时[16]。因此，我们可以使用在其他时刻t _i处的参考点接收的实时RSS样本来适应在特定时刻t ₀建立的无线电图。这一假设将通过第四节中提出的广泛实验进行彻底的验证。

我们工作的新颖性可以总结如下：

bull;与以前的静态指纹技术相比，我们提出的LEMT方法可以更好地适应由环境动态引起的RSS值的变化。

bull;我们提出的LEMT方法可以实现比现有的自适应技术更高的定位精度，即使是低密度的参考点。

本文的其余部分安排如下。第二部分回顾了使用射频信号强度的位置估计工作。第三部分详细介绍了我们提出的位置估计算法。第四节对我们提出的算法进行了广泛的实验评估。第五节总结论文，并讨论未来工作的方向。

II．基于RF信号强度的位置估计

在本节中，我们将讨论使用RF信号强度进行位置估计的两种主要方法。第II-A部分回顾了基于指纹的位置估计技术。第II-B节介绍了RF信号强度的噪声特性。第II-C节讨论了自适应技术来解决由于环境变化引起的信号强度的变化。

A．基于静态指纹的技术

已经对使用静态指纹方法的位置估计进行了重大研究。基本思想是通过在离线阶段收集预定义位置的RSS样本来构建无线电地图，并应用无线电图来估计在线阶段的位置。根据无线电地图的构建方式，我们将基于指纹的方法分为确定性技术和概率技术。确定性技术[1] [2]应用确定性推论来估计客户的位置。例如，Microsoft Research [1]的RADAR系统使用最近邻方法来推断用户的位置。在离线阶段，RADAR通过在每个位置存储每个AP的平均RSS值来构建无线电映射。在在线阶段，将新的RSS样本与无线电地图进行比较，并将最佳匹配的坐标进行平均以给出位置估计。RADAR的精度约为3米，概率为50％。由于RADAR仅代表使用简单均值而不是整个信号分布的RSS样本，因此其定位性能有限。

概率技术[4] [10] [15] [21] [22] [23]形成了第二类基于指纹的方法。它们通过在无线电图中的位置构建RSS分布来解决室内无线网络中的不确定性问题，并使用概率推理方法进行本地化。例如，基于机器人的位置感测系统[10]首先基于RSS采样来计算位置上的条件概率。然后使用利用用户移动轨迹的空间约束的后处理步骤来改进位置估计并拒绝估计显示位置空间有重大变化。根据是否使用后处理步骤，该方法的精度分别在1.5米以内为83％或77％。优素福等人[23]应用联合聚类技术对位置进行分组，以降低系统的计算成本。该方法首先确定在其中搜索最可能的位置的最可能的集群，然后应用贝叶斯推理来估计集群内最可能的位置。这些方法的核心技术是使用最大似然（ML）方法，其计算在RSS样本上的位置调节的概率分布，并且将位置估计为在分布中具有最大似然性的位置。 ML方法的优点是使用条件概率捕获信号传播中的噪声特性。因此，它可以保存RSS样本中包含的完整信息以进一步定位。

上述基于指纹的方法大都是基于一个共同的假设，即离线阶段中建立的无线电地图在在线阶段后期不会变化很多。这一假设的主要限制来自信号传播和环境的动态特性，其中在在线阶段测量的RSS值可能显着偏离存储在无线电图中的值，从而限制了实际位置估计系统中的定位精度。

B．噪声特性RF信号强度

正如我们在第一节中提到的，我们的工作有动力去处理不同时期的无线电地图的变化。在本节中，我们通过展示RF信号强度的不确定性来证明对无线电地图适应的需要。我们说明了使用两个特定的实验测试台：室内WLAN环境和基于RFID的网络环境。下面我们分析两个网络中RF信号强度的噪声特性。

IEEE 802.11b WLAN使用2.4GHz频段的无线电频率，这是有吸引力的，因为它在全球绝大多数地方都是免授权的。然而，它确实存在固有的缺点。在2.4 GHz频段，微波炉，蓝牙设备，2.4 GHz无绳电话和其他设备可能是干扰源。受结构和人类的反射，折射，衍射和吸收，信号传播受到严重的多径衰落影响[8]。传输的信号可以通过不同的路径到达接收机，每个路径都有自己的幅度和相位。然后将这些不同的组件组合以再现原始信号的失真版本。这些现象在室内操作时特别严重，因为发射器和接收器之间很少有视线。此外，由于时间相关现象，射频信号强度也在不同的时间段发生变化[7]。这些现象包括人们移动或建筑物门开启和关闭引起的环境条件变化，以及其他电子产生的瞬态干扰设备。这些变化可能导致信号强度在小时和大时间尺度上随时间变化，这反过来使得在一段时间内收集的RSS无线电图在以后的时间段变得无效。

在图2中，我们给出了一个典型的例子来说明不同时间段内RF信号强度的变化。该图显示了在固定AP 20米处的特定位置处的不同时间段的三个信号强度直方图。为了构建每个直方图，在每个位置，我们在45秒的时间段内收集了450个RSS样本。从这些直方图，我们可以清楚地观察到，这些不对称和具有多种模式的分布基本上是非高斯的。更重要的是，信号强度直方图在不同的时间段内显着变化。这些变化表明，根据离线阶段训练的直方图，如果在在线阶段测量的RSS样本与离线阶段收集的样本相比，位置估计可能不准确。

图3示出了RFID读取器在基于RFID的网络中接收的两个信号强度直方图。为了构建每个直方图，我们在离RFID读取器三米远的地方收集了150个RSS样本。对于数据校准，我们在实验中使用了RF Code MANTIS TM有源读取器和标签[14]。工作频率为303.8MHz，传输范围可达1500英尺。RFID读取器检测和解释由RFID标签发射的射频信标，以识别它们并提供信号强度信息以确定它们的位置。我们可以看到，白天的信号强度直方图与夜间收集的信号强度直方图有很大的不同，尽管同一时间段内的不确定度不如WLAN环境中的RSS样本那么高。

总而言之，在WLAN和基于RFID的网络环境中收到的RSS样本在时间演变方面具有类似的不确定特性。因此，在这种动态变化的环境中准确地确定跟踪的客户端的位置是一项具有挑战性的任务。

C．以前的作品中的自适应技术

近年来，已经提出了几种自适应算法来处理由环境变化引起的信号强度变化。Haeberlen等人 [7]通过在几个已知位置校准新的RSS样本来适应静态无线电地图，并在这些值之间拟合线性函数和来自无线电图的旧值。在在线阶段，使用估计的线性函数首先将独立于不同位置的新RSS样本转移到旧样本，以便可以重复使用原始的无线电图。该方法的主要假设是，适应在所有位置均匀地执行。然而，在真实的无线环境中，RSS值可能会从一个位置到另一个位置有很大变化，这是不正确的。

LANDMARC系统[11]和LEASE系统[9]均利用指示点的概念来减轻由RF信号强度波动引起的影响。LANDMARC [11]首先计算跟踪的客户端和参考点之间的信号强度向量中的欧几里德距离，然后使用k个最近的参考点坐标来跟踪客户端的位置。作者报告说，每平方米需要一个参考标签来精确定位一到两米之间误差距离内的物体。然而，LANDMARC的准确性只能通过高密度参考点来保证。LEASE系统[9]部署了许

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140831]，资料为PDF文档或Word文档，PDF文档可免费转换为Word