一种基于细粒度子载波信息的低代价被动式定位方法与流程

本发明涉及室内定位技术领域，特别涉及一种基于细粒度子载波信息的低代价室内被动式定位方法。

背景技术：

近些年以来，室内定位在许多新兴的应用中起到了至关重要的作用，然而现存的大多数定位技术都需要目标自身携带可通讯设备，这造成了许多场景不适用。随着WiFi应用的普遍性，基于WiFi的被动式室内定位技术以其不需要用户佩戴任何无线设备且可以穿透非金属物质的墙体的特点，受到了学术界和产业界的巨大关注。

现有的基于WiFi的室内被动式定位方法分为以下2类：

第一类：基于RSS的被动式定位。由于商用设备获得RSS信息方便，该方法实现了低硬件成本定位。现有基于RSS的被动式定位大多是采用模型和指纹的方法。然而RSS是粗粒度信息，受多径影响严重，要想在室内环境中得到一个精准的模型来进行高精度的定位结果是很困难的，通常要求目标在无线链路的LOS路径上，或者需要成本非常昂贵的硬件设备。若采用指纹方法，当环境变化时，需要频繁地更新指纹库，消耗大量人力。

第二类：基于CSI信息的被动式定位。现有基于细粒度CSI信息的被动式定位方法大多是采用指纹方法。通过收集目标在不同的位置指纹来建立一个指纹数据库，然后定位一个目标位置时，将观测的指纹和原来所得到指纹数据库进行对比分析，进而确定目标位置。该方法能得到令人满意的高精度，但是每当环境受到巨大变化或者细微变化时，它需要人工周期性地更新该指纹数据库来获得精准的定位，而这一过程会消耗大量的人力和物力。因此该类方法所需要的成本过高，可行性不好。

综上所述，现有的被动式技术在定位精度、适普性、成本等方面存在不足。因此需要有更高可行性的被动式定位新技术。

技术实现要素：

为了解决上述现有技术存在的问题，本发明的目的在于，提供一种基于细粒度子载波信息的低代价被动式室内定位方法，该方法既能提供令人满意的高精度又能避免建立指纹库，降低人耗和成本。

为了实现上述任务，本发明采取如下的技术解决方案：

1.一种基于细粒度子载波信息的低代价被动式定位方法，包括以下步骤：

步骤1，构建WI-FI收发网络，包括N个发送端和M个接收端,还包括M×N条链路，其中任意一个发送端到任意一个接收端即为一条链路，所述的WI-FI收发网络分为第一菲涅尔区域外部和第一菲涅尔区域内部，所述的第一菲涅尔区域内部分为视距路径和非视距路径；

步骤2，当构建的WI-FI收发网络中没有目标时，采集每条链路的CSI值作为基线CSI值F_k，1≤k≤K，K为每条链路采集的CSI值的子载波数量；

步骤3，当构建的WI-FI收发网络中存在一个目标时，采集每条链路的CSI值作为CSI测量值O_k，1≤k≤K；

步骤4，若WI-FI收发网络中存在的目标在第一菲涅尔区域外部，则通过(式1)对CSI测量值进行滤波预处理得到预处理后CSI值CSI_ycl：

其中，CSI_ycl为预处理后CSI值，O_k是第k个子载波的CSI测量值，f₀是中心频率，f_k是第k个子载波的频率，K是子载波总数；

若WI-FI收发网络中存在的目标在第一菲涅尔区域内部，则对CSI测量值进行滤波预处理：

去除CSI测量值中子载波幅度大于基线CSI值子载波幅度的CSI测量值，即得到预处理后CSI值；

步骤5，通过对(式2)所示的目标函数求解，得到发送端、接收端、目标的坐标，即实现目标定位；

其中，Y为N个发送端和M个接收端组成的所有链路数量，C_i为发送端i的坐标，C_i＝[x_i，y_i]；C_j为接收端j的坐标，C_j＝[x_j，y_j]；C_t为目标的坐标，C_t＝[x_t，y_t]；h_t表示目标最高点到第ij链路的距离；CSI_ijy为预处理后第ij链路的CSI值；

PFM(C_i,C_j,C_t,h_t)表示估计WI-FI收发网络中存在一个目标时第ij链路的CSI测量值R_ij：

当目标在视距路径上时，

R_ij＝L_ij+D_ijt+A_t

当目标在非视距路径但在第一菲涅尔区域内部时：

R_ij＝L_ij+D_ijt

当目标在第一菲涅尔区域外部时：

R_ij＝L_ij

其中，A_t为目标遮挡视距路径时的吸收衰减值，第ij链路为发送端i和接收端j之间的链路；R_ij为WI-FI收发网络中存在一个目标时第ij链路的估计CSI测量值；i＝1，…，N；j＝1，…，M；

L_ij为第ij链路的传播衰减值：

d_ij是发射端i和接收端j的距离，λ是在中心频率的波长；

D_ijt为目标遮挡第ij链路引起的绕射衰减值：

v为菲涅尔-基尔霍夫绕射参数，h_t表示目标最高点到第ij链路的距离，d_it是发射端i和目标的距离，d_jt是接收端j和目标的距离；

其中，

进一步地，步骤1中所述的WI-FI收发网络分为第一菲涅尔区域外部和第一菲涅尔区域内部，所述的第一菲涅尔区域内部分为视距路径和非视距路径是指：

若ΔCSI_eff>A_to，则WI-FI收发网络中存在的目标在视距路径上；

若δ_eff<ΔCSI_eff≤A_to，则WI-FI收发网络中存在的目标在非视距路径但在第一菲涅尔区域内部；

若ΔCSI_eff≤δ_eff，则WI-FI收发网络中存在的目标在第一菲涅尔区域外部；

其中，A_to为预设的目标遮挡视距路径时的吸收衰减初始值；

δ_eff为基线CSI值子载波的平均标准差，f₀是中心频率，f_k是第k个子载波的频率，δ_k是第k个子载波的基线CSI值的标准差，k＝1，…，K；K为每条链路采集的CSI值的子载波数量；

ΔCSI_eff表示有效CSI的变化，，f₀是中心频率,O_b为基线CSI值，F_b为CSI测量值，I＝{b:O_b–F_b>δ_eff,1≤b≤K}。

与现有技术相比，本发明具有以下技术效果：

本发明避免了大量的人力和物力建立指纹库，减少相应的成本，并且对获得的CSI值进行预处理，有效降低多径对定位精度的影响，提高了基于模型被动式定位方法的可行性。

附图说明

图1是本发明的基于细粒度子载波信息的低代价被动式定位方法流程图；

图2是本发明的基于细粒度子载波信息的低代价被动式定位方法部署示意图；

图3是LiFS与RASS,Pilot和RTI定位误差累计分布图；

图4是LiFS与RASS,Pilot和RTI四种定位方法在强视距场景下的定位误差；

图5是LiFS与RASS,Pilot和RTI四种定位方法在非强视距场景下的定位误差；

图6是客户端数量对定位误差的影响；

图7是客户端移动数量对定位误差的影响；

图8是不同尺寸目标对定位误差的影响结果；

图9是两个目标相距5.4m,3m,1.8m和0.6m远时的定位结果；

下面将结合附图和实施例对本发明作进一步地详细描述。

具体实施方式

实施例1

如图1所示，一种基于细粒度子载波信息的低代价被动式定位方法，包括以下步骤：

步骤1，构建WI-FI收发网络，包括4个发送端和7个接收端，其中一个发送端到一个接收端即为一条链路，则该WI-FI收发网络中有4×7条链路；

在大小为10m×15m的典型家庭环境，随机部署11台装有Intel 5300 NIC的笔记本电脑。其中四台电脑作为发送端，其余7台作为接收端。该环境中包括家具和以混凝土墙和玻璃/金属门形式组成的障碍物。每两个测试点均相距0.6m，实验目标为一个高为1.72m的人，依次站在各测试点。客户端每隔一百毫秒(一个典型的信标传输间隔)来获取一次CSI。充当服务器的是一台拥有3.6GHz CPU(Intel i7-4790)和8GB内存的台式机，它通过有线连接来收集CSI的测量值，同时运行我们的定位算法。在我们的试验中4个AP的位置和1个客户端的位置是已知的。通常，大多数客户端(例如笔记本电脑或者手机)放在桌子上或者拿在手里，所以我们设置客户端的高度是距离地面1.2m。

步骤2，当构建的WI-FI收发网络中没有目标时，采集每条链路的10个CSI数据包作为基线CSI值F_k，1≤k≤K，K为每条链路采集的CSI值的子载波数量，本实施例中K为30；

步骤3，当构建的WI-FI收发网络中存在一个目标时，采集每条链路的10个CSI数据包作为CSI测量值O_k，1≤k≤K，本实施例中K为30；

步骤4，判断WI-FI收发网络中存在的目标是否在视距路径上、或者在非视距路径但在第一菲涅尔区域内部、或者在第一菲涅尔区域外部；

若ΔCSI_eff>A_to，则WI-FI收发网络中存在的目标在视距路径上；

若δ_eff<ΔCSI_eff≤A_to，则WI-FI收发网络中存在的目标在非视距路径但在第一菲涅尔区域内部；

若ΔCSI_eff≤δ_eff，则WI-FI收发网络中存在的目标在第一菲涅尔区域外部；

其中，A_to为预设的目标遮挡LoS路径时的吸收衰减初始值，一般|A_to|在4-9dBm范围内，这里取5dBm；

δ_eff为基线CSI值子载波的平均标准差，f₀是中心频率为2.42GHz，f_k是第k个子载波的频率，δ_k是第k个子载波的基线CSI值的标准差；

ΔCSI_eff表示有效CSI的变化，，f₀是中心频率,O_b为基线CSI值，F_b为CSI测量值，I＝{b:O_b–F_b>δ_eff,1≤b≤K}。

步骤5，若WI-FI收发网络中存在的目标在第一菲涅尔区域外部，则通过(式1)对CSI测量值进行滤波预处理得到预处理后CSI值CSI_ycl：

其中，CSI_ycl为预处理后CSI值，O_k是第k个子载波的CSI测量值，f₀是中心频率，f₀是中心频率为2.42GHz，f_k是第k个子载波的频率，K是子载波总数，本实施例中K为30；

若WI-FI收发网络中存在的目标在第一菲涅尔区域内部，则对CSI测量值进行滤波预处理：

去除CSI幅度大于基线CSI幅度值的子载波，即得到预处理后CSI值；

如果目标在第一菲涅尔区内部时，根据CSI变化趋势是否遵循绕射理论，将所有子载波分为预期，反常和过渡三部分。预期部分所有子载波的CSI幅度都应该降低，主要是由目标出现引起。反常部分子载波的CSI幅度变化与预期变化结果相反，是由室内环境的多径传播引起。过渡部分子载波CSI 变化有“下降特征”，是预期变化和反常变化的“过渡区域”，既有CSI幅度下降的子载波，也有CSI幅度升高的子载波。

反常部分的所有子载波CSI受多径影响严重，可以直接滤除。过渡部分的子载波CSI幅度有升高的也有下降的，我们采用阈值判断功率下降是否足够大，来滤除过渡区域的部分子载波。

步骤6，建立如(式2)、(式3)、(式4)所示的模型估计WI-FI收发网络中存在一个目标时第ij链路的CSI测量值R_ij：

当目标在视距路径上时，

R_ij＝L_ij+D_ijt+A_t (式2)

当目标在非视距路径但在第一菲涅尔区域内部时：

R_ij＝L_ij+D_ijt (式3)

当目标在第一菲涅尔区域外部时：

R_ij＝L_ij (式4)

其中，A_t为目标遮挡视距路径时的吸收衰减值，第ij链路为发送端i和接收端j之间的链路；R_ij为WI-FI收发网络中存在一个目标时第ij链路的估计CSI测量值；i＝1，…，4；j＝1，…，7；L_ij为第ij链路的传播衰减值；D_ijt为目标遮挡第ij链路引起的绕射衰减值；

d_ij是发射端i和接收端j的距离，λ是在中心频率的波长；

v为菲涅尔-基尔霍夫绕射参数，h_t表示目标最高点到第ij链路的距离，d_it是发射端i和目标的距离，d_jt是接收端j和目标的距离；

步骤7，通过对(式5)所示关于J的目标函数求解，得到发送端、接收端、目标的坐标，即实现目标定位；

其中，Y为4个发送端和7个接收端组成的所有链路数量，C_i为发送端i的坐标，C_i＝[x_i，y_i]；C_j为接收端j的坐标，C_j＝[x_j，y_j]；C_t为目标的坐标，C_t＝[x_t，y_t]；h_t表示目标最高点到第ij链路的距离；CSI_ijy为预处理后第ij链路的CSI值；PFM(C_i,C_j,C_t,h_t)为R_ij；

其中，PFM(C_i,C_j,C_t,h_t)为R_ij；即

由于存在菲涅尔积分，所以J是非线性函数。我们选择使用GA算法和GD算法的混合方法得到未知量C_i、C_j、C_t、h_t和A_t的解，在每次迭代中，先采用GA算法有效地初始化一组解，然后GD算法根据GA算法得到的初值进行细化，找到一个最优解。如图3所示，在本实例中优化求解得到的目标位置与真实目标位置的误差为0.7m。

实验结果对比：

发明人尝试从以下三个方面去评估本实施例给出的基于细粒度子载波信息的低代价被动式定位方法：

三种不同环境下的定位精度；不同参数下的稳定性能；两个目标的定位性能。

定位精度：

图3为室内家庭环境下，本发明与RASS,Pilot和RTI定位误差累计分布图，横轴表示定位误差，纵轴表示累积分布。从中可以看到本发明误差中位数小至0.7m，80％的误差小于1.2m，相比误差中位数为1.4.m，1.8m 和2.4m的RASS,Pilot和RTI系统，LiFS性能最优。

图4和图5为本发明与RASS,Pilot和RTI四种定位方法在教室视距和图书馆非视距场景中的定位误差。在视距场景中所有的方案性能都较好。在非视距条件下本发明、RASS、Pilot和RTI定位误差中位数分别降低了2倍,2.3倍,1.7倍和1.5倍。总的来说，与RASS,Pilot和RTI的相比，LiFS在视距及在非视距场景都有较高的精度。

不同参数下的稳定性能：

(1)客户端数量的影响

图6展示了客户端数量对定位误差的影响。实验中以每次2个的数量增加客户端从5个到21个。如图所示：横轴代表客户端的数量，纵轴代表定位误差，四个方案分别用不同颜色曲线进行标注。随着客户端数量增加，所有方案的误差都在减小。因为客户端增多时，链路增多，对目标位置的约束条件增加。但本发明性能始终优于其他方案。

(2)客户端移动的影响

在现实中，大部分的客户端是移动终端或者笔记本，所以要考虑客户端移动会对定位带来什么影响。图7展示了客户端移动的数量对定位精度的影响，横轴代表移动客户端的数量，左纵轴代表定位误差，右纵轴代表检测率。实验中让5个用户随机移动5个客户端，每人选一个客户端，保持其高度在一个水平，逐渐增加移动客户端的数量从1个到5个。其结果如图所示，随着移动客户端的数量增多，检测率下降，这是因为能用来定位的是由静止的客户端和AP组成的无线链路，链路数减少，对目标位置的约束条件减少。还可以发现，只要静止客户端数量不少于个，则检测率不低于90％。

(3)目标尺寸的影响

在现实中，不同目标大小是不同的。图8给出了不同大小目标对定位精度的影响结果，横轴表示不同大小的目标，纵轴表示定位误差，分别让6个不同重量和高度的人进行实验。由结果可见，LiFs性能最优，6个目标的定位误差都在0.7m-1m之间。

两个目标的定位性能：

我们在家庭环境下，尺寸为7m×6m起居室来实施实验。让身高为171cm和173cm的两个人当目标。让一个目标从左上角移动到右下角，同时另一个目标从右下角移动到左上角。图9展示了当两个目标相距5.4m,3m,1.8m和0.6m远时的定位结果。由图可知：计算得到的位置和真实位置非常接近，定位精度良好。因此，当目标稀疏分布在区域内时本发明可以完成对两个目标的定位。