一种阴影衰落辅助的免携带设备定位方法与流程

本发明涉及一种免携带设备定位方法，是一种由阴影衰落辅助的免携带设备定位方法，属于无线网络中的无线定位技术领域。

背景技术：

目标的位置信息在很多应用中有着很重要的作用，比如基于位置的服务(LBS)、智能家居以及卫生健康等。传统的定位方法比如摄像头、WiFi定位以及惯性传感器等都需要目标携带一个定位装置。在很多情况下，目标可能不方便(比如病人)携带装置。最近，免携带设备定位(DFL)的方法得到了很大关注，它不需要目标携带任何装置。它利用的是目标导致的链路接收信号强度(RSS)变化，其中RSS可以由环境中广泛存在的无线设备获得。

目前DFL方法主要分成两类：无线层析成像(RTI)方法和指纹识别方法。RTI利用遮挡物造成的RSS衰减成像。而指纹识别方法需要事先建立一个RSS指纹数据库，然后将在线的RSS测量值和指纹数据库做模式匹配得到目标的位置。和指纹识别技术相比，RTI不需要事先建立数据库。但是RTI不适合复杂的环境，因为RTI的基本假设是当目标遮挡链路时，链路的RSS发生较大阴影衰落，这在室内环境下很难成立，而基于指纹识别的方法不需要这个限制，因此指纹识别方法比RTI方法更具有鲁棒性。然而在室内环境中，尽管不是所有被目标遮挡的链路都会发生衰减，但是实际上仍然有一些链路发生较大衰减，尤其是功率较强的链路，这些链路我们称为阴影衰落链路。阴影衰落链路提供了目标位置信息，如果在基于指纹识别方法中考虑阴影衰落，那么定位精度将得到很大的提高。

技术实现要素：

为了解决上述技术问题，本发明提出了一种由阴影衰落辅助的免携带设备定位方法。传统基于指纹识别的定位方法不关心RSS变化的根源，通过记录目标在每个训练位置导致的RSS变化建立一个RSS指纹数据库，然后在测量阶段将在线测量的RSS和指纹数据库作对比推断出目标的位置。同时，当目标位于监测区域中时，会出现发生较大衰减的阴影衰落链路。这些阴影衰落一般发生在目标十分靠近链路的LOS路径时，因此它能够提供未知目标的方向信息。可以采用类似RTI的定位方法，根据阴影衰落链路的交点来确定目标的位置。本发明基于这两种思想提出一种混合的方法来实现位置未知目标的定位。本发明所述的阴影衰落辅助的免携带设备定位方法，包括以下步骤：

步骤一：部署无线测量节点，构造监测区域：

将工作在相同频段且支持相同通信协议的K个无线测量节点构成测量节点阵列且K≥2，将测量节点阵列、1个基站节点放置在一个2维平面内，并且这些节点具有相同的物理结构，测量节点阵列包围的区域构成监测区域D；构成测量节点阵列的K个测量节点的坐标已知，分别为(x_i,y_i)^T,i∈{1,2,...,K}；K个测量节点相互之间构成L＝K×(K-1)/2条无线链路；基站节点距离各测量节点的距离应小于测量节点发送的信号所能传输的最远距离；

步骤二：建立离线RSS指纹数据库：方法包括如下步骤：

步骤2.1：记录目标没有在监测区域时链路l的RSS值l∈{1,2,...,L}；

步骤2.2：记录目标在监测区域位于每个训练位置时各链路的RSS：

假设在监测区域D内选择N个训练位置，记第n个训练位置的坐标为z_n，并记当目标位于第n个训练位置时，链路l的RSS值为r_l,n，n＝1,2…N；

步骤2.3：根据步骤2.1和2.2记录的RSS数据得到目标在监测区域内每个训练位置的RSS变化量，并建立离线RSS指纹数据库：

目标在不同训练位置导致的各链路RSS变化为将所有训练位置的各链路RSS变化按照矩阵的方式排列，获得指纹数据库Ψ：

Ψ称为指纹数据库，它的每一列Ψ_n,n＝1,2...N称为一个指纹，即目标在第n个训练位置时各链路的RSS变化；

步骤三：阴影衰落链路检测，包括如下步骤：

步骤3.1：t时刻当目标进入监测区域后，静立于测试位置，所有测量节点重新测量各链路的RSS，记t时刻第l条链路的RSS是r_l(t)，得到t时刻所有链路的RSS变化量向量为Δr(t)＝[Δr₁(t),Δr₂(t),…,Δr_L(t)]^T，其中

为目标在t时刻造成的链路l的RSS变化量；

步骤3.2：从RSS变化量向量Δr(t)中筛选出阴影衰落链路集合：阴影衰落链路集合可以表示为

由上式可知，阴影衰减链路需要满足两个条件：

第一个条件Δr_l(t)＞γ_A，即阴影衰落链路的RSS变化量大于阈值γ_A；

第二个条件衰落电平大于阈值γ_F；其中衰落电平F_l定义为第l条链路无遮挡时测量的RSS与根据自由空间路径损耗模型预测的RSS的差值：

其中P_Ref为任意一对测量节点在单位距离即相距1m时且它们之间无遮挡情况下的接收信号功率，β为路径损耗指数，||p_l-q_l||为构成链路l的两个测量节点之间的欧式距离；所述自由空间路径损耗模型是如下公式：

所以P_r(dB)＝P_Ref-10βlg||p_l-q_l||，也就是公式F_l中括号内的部分；P_Ref通过多次测量取平均得到,而路径损耗指数β可以根据不同距离的自由路径接收功率测量值用估计的方法得到；阈值γ_F的实际取值根据实验环境和链路衰减的实际差别来确定；

步骤四：得到步骤三中筛选出的所有阴影衰落链路的阴影衰落区域的交集，并根据交集的不同情形选择定位算法：

步骤4.1：定义为链路l的阴影衰落区域，本发明中阴影衰落区域为以构成该链路的两测量节点为焦点的椭圆，所有阴影衰落区域的相交区域为

步骤4.2：根据相交区域的不同情形判断是否使用阴影衰落链路来辅助定位：

阴影衰落区域的相交关系分三种情形：

1)当时，即没有检测出阴影衰减链路，那么用传统的DFL指纹识别方法进行定位，即根据t时刻所有链路的RSS变化量向量Δr(t)＝[Δr₁(t),Δr₂(t),…,Δr_L(t)]^T查找步骤二建立的指纹数据库，即将在线测量值与指纹数据库中的值进行比较，相似度最高的就判定为目标在该训练位置；

2)当时，即只存在一条阴影衰落链路或若干不相交的阴影衰落区域，那么用指纹识别的方法进行定位，但是只有位于阴影衰落区域内的训练样本才被用来定位目标，即根据t时刻阴影衰落链路的RSS变化量向量查找步骤二建立的指纹数据库中位于阴影衰落区域内的训练位置的RSS变化，获得相似度最高的训练位置坐标作为目标所在的位置；

3)当时，即所有阴影衰落链路存在一个共同的相交区域，那么目标的位置可以直接由阴影衰落的相交区域决定，取该相交区域的几何中心作为目标位置的估计。

进一步地，

①作为优选，根据步骤4.2判定的结果，所述情形1对目标的位置进行估计的方法如下：

采用基于概率的估计方法，目标位置估计表示为

其中为归一化的概率分布，即z_n为第n个训练位置的坐标，p[Δr(t)|ψ_n]的推导过程如下：

如果t时刻目标恰好位于某个训练位置上，那么目标位置估计可写为

其中，p[Δr_l(t)|Δr_l,n]为t时刻目标在第n个训练位置时链路RSS变化量的先验分布，本发明假定它服从高斯分布，其中σ²为噪声方差，即

②作为优选，根据步骤4.2判定的结果，所述情形2对目标的位置进行估计的方法如下：

定义集合为落在阴影衰落区域内的训练样本，那么目标位置估计为

其中

③作为优选，根据步骤4.2判定的结果，所述情形3取相交区域的几何中心作为目标位置的估计，对目标的位置进行估计的方法如下：

将监测区域划分为正方形网格，每个网格边长为Δv，假设监测区域内有M个网格并且第m个网格的中心坐标记为e_m；如果令w_lm表示第l条链路是否穿过第m个网格，取值1表示是，取值0表示否，阴影衰落链路穿过最为密集的网格为

以|χ|表示符合要求的网格的个数，目标位置的估计即为这些网格的几何中心：

④作为优选，步骤1所述无线测量节点采用TICC2530节点，各节点工作在2.4GHz的ISM频段并且每个节点都安装有全向天线。

所述无线测量节点工作于同一信道且具有相同的发送功率。

所述无线测量节点均支持IEEE802.15.4协议。

对比传统基于指纹识别的DFL方法，本发明有益效果在于，本发明提出的由阴影衰落辅助的免携带设备定位方法，将阴影衰落和指纹识别方法结合起来，通过在进行模式匹配之前进行链路检测并根据链路数目及相交性采取不同的策略。排除了一些非阴影衰落链路的影响，并有效利用阴影衰落链路辅助指纹识别，从而使目标定位更精确。

附图说明

图1：由阴影衰落辅助的免携带设备定位方法的流程图；

图2：实验环境及节点布置示意图

图3：实验环境中训练位置及测试位置的分布；

图4：衰落区域的示意图；

图5：本发明与RTI及传统DFI指纹识别方法的定位误差累积分布图。

具体实施方式

下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果。本发明提出的由阴影衰落辅助的免携带设备定位方法的流程图如图1所示，具体包括如下实施步骤：

步骤一：部署无线测量节点，构造监测区域：

将工作在相同频段且支持相同通信协议的K个无线测量节点构成测量节点阵列且K≥2，将测量节点阵列、1个基站节点放置在一个2维平面内，并且这些节点具有相同的物理结构，测量节点阵列包围的区域构成监测区域D如图2所示；构成测量节点阵列的K个测量节点的坐标已知，分别为(x_i,y_i)^T,i∈{1,2,...,K}；K个测量节点相互之间构成L＝K×(K-1)/2条无线链路；基站节点距离各测量节点的距离应小于测量节点发送的信号所能传输的最远距离；

需要说明的是，本发明在一个典型的办公室环境下进行了目标定位的实验，办公室面积约为5.4m*3.9m。我们用TICC2530节点作为测量节点来采集RSS数据，TICC2530能够完全支持IEEE802.15.4协议。各测量节点被固定在墙上离地面约为0.9m，如图2所示。我们用了11个测量节点，所有节点都工作于同一信道且具有相同的发送功率。测量节点将采集的RSS数据传给基站节点，基站节点将接收到各测量节点的RSS数据传给电脑做后处理。节点之间的通信协议采用Wilson开发的令牌环协议，测量一轮需要的时间约为0.1s；

步骤二：建立离线RSS指纹数据库：方法包括如下步骤：

步骤2.1：记录目标没有在监测区域时链路l的RSS值l∈{1,2,...,L}；

步骤2.2：记录目标在监测区域位于每个训练位置时各链路的RSS：

假设在监测区域D内选择N个训练位置，如图3所示。记第n个训练位置的坐标为z_n，并记当目标位于第n个训练位置时，链路l的RSS值为r_l,n，n＝1,2…N；目标在每个训练位置上保持一段时间(以保证所有链路RSS测量完成)，与此同时各测量节点测量链路的RSS；训练位置个数与监测区域的大小和目标的尺寸有关，训练位置越多则可以匹配的坐标越多，定位就越准确。目标采用圆柱体模型。

步骤2.3：根据步骤2.1和2.2记录的RSS数据得到目标在监测区域内每个训练位置的RSS变化量，并建立离线RSS指纹数据库：

目标在不同训练位置导致的各链路RSS变化为将所有训练位置的各链路RSS变化按照矩阵的方式排列，获得指纹数据库Ψ：

Ψ称为指纹数据库，它的每一列Ψ_n,n＝1,2...N称为一个指纹，即目标在第n个训练位置时各链路的RSS变化；

需要说明的是，如图2所示办公室环境里有很多家具和物体包括桌子，箱子等等。我们在里面选择26个训练位置来构造指纹数据库，如图3中的圆圈所示。目标在每个训练位置站立10s，与此同时各测量节点测量链路RSS的变化并建立指纹数据库；

步骤三：阴影衰落链路检测，包括如下步骤：

步骤3.1：t时刻当目标进入监测区域后，静立于测试位置，所有测量节点重新测量各链路的RSS，记t时刻第l条链路的RSS是r_l(t)，得到t时刻所有链路的RSS变化量向量为Δr(t)＝[Δr₁(t),Δr₂(t),…,Δr_L(t)]^T，其中

为目标在t时刻造成的链路l的RSS变化量；

步骤3.2：从RSS变化量向量Δr(t)中筛选出阴影衰落链路集合：阴影衰落链路集合可以表示为

由上式可知，阴影衰减链路需要满足两个条件；直观上来说是阴影衰落链路的RSS衰减较大，因此有第一个条件Δr_l(t)＞γ_A，即RSS变化量大于阈值γ_A；

第二个条件取自Wilson在2011年的一篇文献(Wilson J,Patwari N.A Fade-Level Skew-Laplace Signal Strength Model for Device-Free Localization with Wireless Networks[J].Mobile Computing IEEE Transactions on,2011,11(6):947-958.)中提出的衰落电平的概念，衰落电平F_l定义为第l条链路无遮挡时测量的RSS与根据自由空间路径损耗模型预测的RSS的差值

其中P_Ref为任意一对测量节点在单位距离即相距1m时且它们之间无遮挡情况下的接收信号功率，β为路径损耗指数，||p_l-q_l||为构成链路l的两个测量节点之间的欧式距离；未知参数P_Ref和β可由自由空间路径损耗模型结合实际环境决定。

所述自由空间路径损耗模型用的是《无线通信》中的如下公式：

所以P_r(dB)＝P_Ref-10βlg||p_l-q_l||，也就是公式F_l中括号内的部分；P_Ref通过多次测量取平均得到,而路径损耗指数β可以根据不同距离的自由路径接收功率测量值用估计的方法得到；

Wilson的研究表明具有高衰落电平的链路被目标物遮挡时发生功率衰减的可能性更大，因此筛选出衰落电平大于阈值γ_F的链路

阈值γ_F的实际取值根据实验环境和链路衰减的实际差别来确定。我们在监测区域内选取了28个测试位置来做验证实验，如图3中的三角所示，在线阶段目标分别静立于每个测试位置进行定位；

步骤四：得到步骤三中筛选出的所有阴影衰落链路的阴影衰落区域的交集，并根据交集的不同情形选择定位算法：

步骤4.1：定义为链路l的阴影衰落区域，本发明中阴影衰落区域为以构成该链路的两测量节点为焦点的椭圆，此处运用无线层析成像方法中的椭圆权重模型方法，d_l,i(1)+d_l,i(2)＜d_l+λ，其中d_l为该链路两节点之间的距离，d_l,i(1)和d_l,_i(2)为像素i分别到构成链路l的两个测量节点的距离，λ是可变的控制参数，它的大小可以控制椭圆的大小。阴影衰落区域的示意图如图4所示；所有阴影衰落区域的相交区域为

步骤4.2：根据相交区域的不同情形判断是否使用阴影衰落链路来辅助定位：

阴影衰落区域的相交关系分三种情形：

1)当时，即没有检测出阴影衰减链路，那么用传统的DFL指纹识别方法进行定位，即根据t时刻所有链路的RSS变化量向量Δr(t)＝[Δr₁(t),Δr₂(t),…,Δr_L(t)]^T查找步骤二建立的指纹数据库，即将在线测量值与指纹数据库中的值进行比较，相似度最高的就判定为目标在该训练位置，可见此时所有的训练样本都用来估计目标位置；

2)当时，即只存在一条阴影衰落链路或若干不相交的阴影衰落区域，那么用指纹识别的方法进行定位，但是只有位于阴影衰落区域内的训练样本才被用来定位目标，这样可以快速进行定位，即根据t时刻阴影衰落链路的RSS变化量向量查找步骤二建立的指纹数据库中位于阴影衰落区域内的训练位置的RSS变化，获得相似度最高的训练位置坐标作为目标所在的位置；

3)当时，即所有阴影衰落链路存在一个共同的相交区域，那么目标的位置可以直接由阴影衰落的相交区域决定，取该相交区域的几何中心作为目标位置的估计；

步骤五：根据步骤四判定的结果，对目标的位置进行估计：

情形1)，本发明采用基于概率的估计方法，目标位置估计表示为

其中为归一化的概率分布，即z_n为第n个训练位置的坐标，p[Δr(t)|ψ_n]的推导过程如下：

如果t时刻目标恰好位于某个训练位置上，那么目标位置估计可写为

其中，p[Δr_l(t)|Δr_l,n]为t时刻目标在第n个训练位置时链路RSS变化量的先验分布，本发明假定它服从高斯分布，其中σ²为噪声方差，即

情形2)，定义集合为落在阴影衰落区域内的训练样本，那么可以表示为

||p_l-z_n||和||q_l-z_n||分别为构成链路l的两个测量节点各与第n个训练位置的欧式距离，||p_l-q_l||为构成链路l的两个测量节点之间的欧式距离；ε即为控制这个阴影衰落区域椭圆大小的参数。

那么目标位置估计为

其中

情形3)，取相交区域的几何中心作为目标位置的估计。将监测区域划分为正方形网格，每个网格边长为Δv，假设监测区域内有M个网格并且第m个网格的中心坐标记为e_m；如果令w_lm表示第l条链路是否穿过第m个网格，取值1表示是，取值0表示否，则它可以写为

阴影衰落链路穿过最为密集的网格为

以|χ|表示符合要求的网格的个数，目标位置的估计即为这些网格的几何中心：

实验结果表明阴影衰落辅助的免携带设备定位方法的根方误差(RMSE)为0.81m，RTI方法和传统指纹识别方法的根方误差分别为1.27m和1.9m，相比其他两种方法本发明的定位精度提高了40％和60％。三种方法定位误差的累积误差分布如图5所示，可以看出本发明的定位性能要优于其他两种方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换和替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。