基于改进 RSSI 距离模型的室内定位算法外文翻译资料

Indoor Positioning Algorithm Based on the Improved RSSI Distance Model

Abstract

The Global Navigation Satellite System (GNSS) cannot achieve accurate positioning and navigation in the indoor environment. Therefore, efficient indoor positioning technology has become a very active research topic. Bluetooth beacon positioning is one of the most widely used technologies. Because of the time-varying characteristics of the Bluetooth received signal strength indication (RSSI), traditional positioning algorithms have large ranging errors because they use fixed path loss models. In this paper, we propose an RSSI real-time correction method based on Bluetooth gateway which is used to detect the RSSI fluctuations of surrounding Bluetooth nodes and upload them to the cloud server. The terminal to be located collects the RSSIs of surrounding Bluetooth nodes, and then adjusts them by the RSSI fluctuation information stored on the server in real-time. The adjusted RSSIs can be used for calculation and achieve smaller positioning error. Moreover, it is difficult to accurately fit the RSSI distance model with the logarithmic distance loss model due to the complex electromagnetic environment in the room. Therefore, the back propagation neural network optimized by particle swarm optimization (PSO-BPNN) is used to train the RSSI distance model to reduce the positioning error. The experiment shows that the proposed method has better positioning accuracy than the traditional method.

Keywords indoor positioning; Bluetooth; RSSI distance model; Kalman filter

Chapter 1 Introduction

1.1 Introduction

With the rapid development of mobile Internet technology, the demand for location-based services(LBS) has also increased. However, in indoor environments, satellite signals are easily occluded and there are serious multipath effects. Therefore, the positioning accuracy of GNSS is drastically reduced so that it can not meet the positioning requirements. With the emergence of a large number of indoor applications, such as the rapid search for parking spaces in underground parking lots and the search for elevators in large shopping malls, the acquisition of indoor location information is particularly important. People have gradually turned their attention to indoor positioning technology, hoping to solve this problem and achieve new breakthroughs.A variety of indoor positioning technologies have been proposed, such as Bluetooth,ultra-wideband (UWB), radio frequency identification (RFID) , micro-electro-mechanical system (MEMS), wireless local area networks (WLAN), computer vision, magnetic field, ultrasonic, infrared signal and others.

1.2 Introduce

Low-power Bluetooth is favored in indoor positioning because of its advantages such as easy deployment, low power consumption, and low cost. In 2013, Apple introduced the iBeacon technology based on Bluetooth low-energy (BLE), which made BLE widely used in various indoor environments. The positioning algorithms are mainly divided into two categories: the received signal strength indication (RSSI) distance method and wireless fingerprint positioning technology. Generally, the RSSI distance method acquires the received signal strength (RSS) from the Bluetooth anchor point to determine the distance-loss model, and then estimates the userrsquo;s position through some algorithms. Neburka investigated the performance of BLE indoor positioning based on RSSI in ideal and real indoor environments. Wang proposed a Bluetooth-based trilateration method employing the Bluetooth transmission model and trilateration positioning, which can only estimate an approximate region of the user. Kotanen adopted an extended Kalman filter to process the Bluetooth signals and estimate the RSSI distance model. This method can obtain an accurate distance with the premise of precise received signal strength. However, in practical tests, the accuracy was still average. Sh proposed a method of estimating the RSSI distance model using the back propagation neural network (BPNN), which improves the estimation accuracy of the distance-loss model but requires a large amount of data to train the neural network model. Zhou employed the Kalman filter to process the collected RSSIs at first. The RSSI-distance model was obtained by curve fitting and the position was determined using the weighted least-squares algorithm. However, the RSSI fluctuation noise is not Gaussian in distribution which implies that the Kalman filter is obviously not optimal. Fingerprint localization is also a RSSI-based method. It first collects all of the RSSIs of receivable Bluetooth beacons at the densest locations possible and then uses neural networks to match the locations with the RSSI. Finally, the userrsquo;s location can be estimated by the trained neural network. Pelant evaluated BLE localization performances based on RSS fingerprinting mapped by propagation modes in an indoor environment. Liu proposed a novel approach to track a user in an indoor environment by integrating a similarity-based sequence and dead reckoning. Zhou proposed the use of a novel, improved, semi-supervised manifold alignment approach to reduce both the number of reference points (RPs) and the sampling time involved in the fingerprint construction. Fingerprint crowdsourcing has recently been promoted to relieve the burden of site surveying. Wang combined the fingerprinting-based and distance-based localization algorithms to improve performance. Rozum proposed a new method to suppress RSSI fluctuation by employing spatial diversity and frequency diversity. Botta proposed and analyzed the static calibration and dynamic calibration of a log-normal shadowing radio propagation model for the estimationof the distance between two wireless nodes. Li proposed a method to adjust

剩余内容已隐藏，支付完成后下载完整资料

基于改进 RSSI 距离模型的室内定位算法

摘 要

全球导航卫星系统（GNSS）无法在室内环境中实现精确的定位和导航。因此，高效的室内定位技术已经成为非常活跃的研究课题。蓝牙信标定位是最广泛使用的技术之一。由于蓝牙接收信号强度指示（RSSI）的时变特性，传统的定位算法由于使用固定的路径损耗模型而具有较大的测距误差。本文提出了一种基于蓝牙网关的RSSI实时校正方法，该方法用于检测周围蓝牙节点的RSSI波动并将其上载到云服务器。待定位终端收集周围蓝牙节点的RSSI，然后通过服务器上存储的RSSI波动信息实时调整它们。调整后的RSSI可用于计算并获得较小的定位误差。此外，由于房间中复杂的电磁环境，很难将RSSI距离模型与对数距离损耗模型精确拟合。因此，采用粒子群算法优化的反向传播神经网络（PSO-BPNN）来训练RSSI距离模型以减少定位误差。实验表明，该方法比传统方法具有更好的定位精度。

关键词 室内定位；定位蓝牙；RSSI距离模型；卡尔曼滤波器

第1章 绪论

1.1 引言

随着移动互联网技术的飞速发展，对基于位置的服务（LBS）的需求也在增加。但是，在室内环境中，卫星信号很容易被遮挡，并且会产生严重的多径效应。因此，GNSS的定位精度大大降低，无法满足定位要求。随着大量室内应用的出现，例如在地下停车场中快速搜索停车位以及在大型购物中心中搜索电梯，获取室内位置信息尤为重要。人们逐渐将注意力转向室内定位技术，希望解决这一问题并取得新的突破。已经提出了多种室内定位技术，例如蓝牙，超宽带（UWB），射频识别（RFID），微机电系统（MENS），无线局域网（WLAN），计算机视觉 ，磁场，超声波，红外线信号和其他的。

1.2 介绍

低功耗蓝牙具有易于部署，低功耗和低成本等优点，因此在室内定位中受到青睐。2013年，苹果推出了iBeacon技术基于蓝牙低功耗（BLE）的技术，使BLE广泛用于各种室内环境。定位算法主要分为两类：接收信号强度指示（RSSI）距离方法和无线指纹定位技术。通常，RSSI距离方法从蓝牙锚点获取接收信号强度（RSS）以确定距离损耗模型，然后通过一些算法估计用户的位置。内布尔卡研究了基于RSSI的BLE室内定位在理想和真实室内环境中的性能。王提出了一种采用蓝牙传输模型和三边测量定位的基于蓝牙的三边测量方法，该方法只能估计用户的大致区域。Kotanen采用了扩展的卡尔曼滤波器来处理蓝牙信号并估计RSSI距离模型。该方法可以在精确接收信号强度的前提下获得准确的距离。但是，在实际测试中，准确性仍然是平均水平。施提出了一种使用反向传播神经网络（BPNN）估计RSSI距离模型的方法，该方法提高了距离损失模型的估计精度，但需要大量的数据来训练神经网络模型。周首先使用卡尔曼滤波器处理收集到的RSSI。通过曲线拟合获得RSSI距离模型，并使用加权最小二乘算法确定位置。但是，RSSI波动噪声在分布上不是高斯分布，这意味着卡尔曼滤波器显然不是最佳的。指纹定位也是一种基于RSSI的方法。它首先在可能的最密集位置收集所有可接收蓝牙信标的RSSI，然后使用神经网络将位置与RSSI进行匹配。最后，可以通过训练后的神经网络来估计用户的位置。配兰特基于由传播模式在室内环境中映射的RSS指纹评估了BLE定位性能。刘提出了一种新颖的方法，通过集成基于相似度的序列和航位推算来跟踪室内环境中的用户。周提出使用一种新颖的，改进的，半监督的歧管对齐方法来减少指纹构造中涉及的参考点（RP）数量和采样时间。最近已推广了指纹众包，以减轻现场调查的负担。王结合了基于指纹和基于距离的定位算法，以提高性能。罗祖姆提出了一种通过利用空间分集和频率分集来抑制RSSI波动的新方法。博塔提出并分析了对数正态阴影无线电传播模型的静态校准和动态校准，以估计两个无线节点之间的距离。李提出了一种动态调整距离损耗模型参数的方法。它利用区域内的锚节点实时协作地估计距离损失模型参数。根据三边测量法或其他定位算法计算最终位置。但是，二元方程需要实时求解，具有很高的复杂度，并且在消除少量环境影响的同时，还带来了由多重逼近引起的新问题。

上述方法可以将距离估计的准确性提高到一定程度。蓝牙信标在一个位置具有固定的传输功率。然而，发射功率有时会波动，这导致不正确的距离损耗模型和进一步不正确的定位。为了解决这个问题，本文分析了蓝牙信号强度的时变特性，提出了一种实时校正RSSI的方法来减弱波动影响。本文的贡献如下：

1.2.1 贡献

（1）提出了一种RSSI实时校正算法。蓝牙网关设置在固定位置，并将周围的蓝牙信标的RSSI实时收集到服务器。自从与信标的距离是固定的，服务器能够估计波动并反馈给用户（移动终端）以实时校正RSSI。此外，卡尔曼滤波用于进一步平滑RSSI。

（2）建立了通过粒子群优化（PSO-BPNN）RSSI距离模型优化的反向传播神经网络。那么，盲节点与锚节点之间的距离为使用由PSO-BPNN训练的RSSI距离模型进行估算。

（3）我们进行了广泛的实验，结果表明，由蓝牙系统的功率波动引起的定位误差明显减少。该方法不需要花费大量时间来建立指纹数据库，因此它具有较低的复杂性。实验结果表明，该方法具有良好的定位精度和稳定性。

第2章 相关工作

2.1 RSSI错误分布

智能终端测得的RSSI包含复杂的噪声，严重影响定位精度。蓝牙系统难以以固定功率发送信号，这导致RSSI随时间变化。而且，室内电磁环境很复杂，包括多径衰落和其他噪声。我们测试了不同公司生产的两个蓝牙信标的RSSI波动，如图2-1所示。可以看出，由于蓝牙系统的不稳定性，两个RSSI 值都是随时间变化的，最大波动值约为10dB。为了减少RSSI的随机波动并提高定位精度，通常使用滑动滤波器或平均滤波器。但是，为了降低功耗，蓝牙的频率设置通常较低。依靠多个RSSI值来平滑意味着延迟的增加。这给基于RSSI的低延迟，高精度定位系统的实现增加了很大的难度。研究人员试图使用卡尔曼滤波器或改进的卡尔曼滤波器来降低噪声。如图所示2-2，RSSI中的测量误差通常不具有高斯分布，因此即使采用卡尔曼滤波器，也很难获得良好的结果。

图2-1 蓝牙信号强度

图2-2 RSSI错误分布

2.2 RSSI距离模型

常见的传播路径损耗模型包括自由空间传播模型，对数距离路径损耗模型等。研究表明，信道衰落特性遵循对数正态分布。RSSI距离测量通常使用对数距离路径损耗模。表示为

（2-1）

其中d是发射机和接收机之间的距离，n是与特定无线传输环境有关的路径损耗参数。障碍越多,n将越大。A是与发射器的距离为的RSSI。是平均值为0且方差为的高斯分布随机变量。

为了便于计算，通常取1米的值。由于的均值为0，因此可以使用以下公式获得距离损失模型

（2-2）

其中，是当接收节点距离发射节点1米时的平均测得RSSI，这与蓝牙节点的RF电路有关。通过收集蓝牙信标在不同距离处的RSSI值并使用最小二乘算法拟合参数，我们可以获得RSSI距离模型。

从（2-2），需要准确估算参数A和n，以提高测距精度。参数n与无线传输环境有关，可以通过拟合大量实验测量值获得。A由蓝牙发射功率确定。理想情况下，一个蓝牙信标的A值应固定。实际上，蓝牙发射功率具有时变特性。由于室内环境复杂，使用对数距离损失模型很难准确计算RSSI与距离之间的关系。研究人员已经使用神经网络来拟合RSSI距离模型。但是，由于BP神经网络易于收敛到局部最小点，很难获得良好的室内RSSI距离模型。使用粒子群优化算法（PSO）优化BP神经网络的权重和阈值可以有效防止BP神经网络陷入局部最优解并缩短收敛时间。

第3章 RSSI实时校正算法

为了减少RSSI波动引起的定位误差，我们通过蓝牙网关实时监控RSSI波动，并补偿了由RSSI测量的RSSI盲节点。我们的系统模型如图所示3-1其中B1，B2，B3和B4是蓝牙锚点节点，M是蓝牙网关，N是盲节点，通常是用户或移动终端。

图3-1具有接收信号强度指示（RSSI）校正的蓝牙节点在室内进行的定位图

在离线阶段，平均RSSI记录在不同的距离处，可以通过曲线拟合获得相应的平均RSSI距离模型。

（3-1）

其中是距1m处的平均RSSI。由于M，N和B在相对较小的范围内，我们可以假设它们之间的传输环境大致相同，这意味着损耗参数（n）相同。以此方式，确定n和

在联机阶段，服务器记录，并以固定的时间间隔花费平均时间以达到平均信号强度()。根据参考（3-1），我们得到

（3-2）

假设网关M和蓝牙节点之间的距离（l = 1,2,3,4）为。首先，M收集周围的蓝牙节点的RSSI，并通过有线或无线Internet接口将它们实时上载到服务器。实时RSSI距离模型

(3-3)

其中是RSSI，距离1 m。

同样，对于要定位的盲节点（N），节点的平均信号强度()和实时信号强度()表示如下

(3-4)

(3-5)

使用（3-2）和（3-3），我们得到

（3-6）

其中表示蓝牙系统的实时波动，我们称其为RSSI校正偏移。

结合（3-4）（3-5）得

(3-7)

此外，获得校正后的RSSI

(3-8)

这也是实时路径损耗模型。

通过以上算法，可以消除蓝牙发射功率波动引起的误差，得到更准确的RSSI距离模型。这对于精确的室内定位至关重要。

第4章 系统型号

4.1 定位步骤

根据以上分析，蓝牙网关的位置是任意的，锚节点只需要与至少一个蓝牙网关通信即可。基于定位系统的架构如图4-1，我们提出以下定位方法：

1.部署锚节点和蓝牙网关。

2.蓝牙网关测量每个锚节点的实时信号强度并将其上载到服务器。

3.服务器记录每个锚节点的平均信号强度，并计算。

4.盲节点测量每个锚节点的信号强度，并读取服务器信息。

5.校正后的RSSI通过卡尔曼滤波器进行平滑处理，然后使用PSO-BPNN模型将RSSI转换为距离。

6.使用最小二乘法估计盲节点位置。

图4-1 定位示意图

4.2 PSO-BPNN RSSI距离模型

用对数距离损失模型很难准确地映射RSSI和距离之间的关系。在本节中，PSO-BPNN算法用于训练RSSI距离模型。PSO-BPNN由三层结构组成，包括一个输入节点，i个隐藏节点，和一个输出节点。训练样本输入值为RSSI= {RSS,hellip;RSS，hellip;RSS}训练样本输出值为D ={，hellip;，hellip;}如图所示4-2。定义为从输入层到隐藏层的权重，定义为隐藏层的阈值层节点定义为从隐藏层到输出层的权重，定义为输出层节点的阈值，O定义为神经网络的输出。

图4-2神经网络结构

PSO预先优化了BPNN的参数，以避免BPNN陷入局部最优解。在PSO算法中，将每个优化问题的潜在解决方案想象为x维空间中的一个点，称为粒子。根据有关粒子位置和速度的简单数学公式，粒子在搜索空间中移动。每个粒子的运动还受其局部最佳位置和全局最佳位置影响，这些位置可以通过适应度函数找到。经过多次迭代，计算出粒子的最佳位置和适应度函数的极值。在本文中，适应度函数显示为

（4-1

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[607498]，资料为PDF文档或Word文档，PDF文档可免费转换为Word