本发明涉及rssi定位与车辆移动定位技术领域,尤其涉及一种用于跟踪低速移动车辆的rssi拟合方法。
背景技术:
随着智慧城市的快速建设,将会在城市道路两侧布置大量的无线传感器网络,基于无线信号的车辆定位技术已成为重要的交通信息实时采集、状态监测方法。该定位技术是以驾驶员或者乘客随身携带的智能手机、平板电脑以及笔记本(能够连接wifi网络的设备)作为移动终端mt(mobileterminal),通过wifi嗅探设备监听由移动终端(mt)发出的探测请求帧(proberequest),提取其中的mac地址、时间戳(time)、信号强度(rssi)。结合wifi嗅探设备自身的经纬度信息,可以推算出低速移动车辆的位置数据。
现阶段,基于信号强度(rssi)的定位技术具有成本低、功耗低、适用于多遮挡环境等特点,在室内定位领域应用较广。基于固定终端的rssi信号传播模型和滤波算法研究有很多,这也为实现低速移动车辆的跟踪提供了理论基础。但在实际应用中,车辆的移动会造成rssi信号不可避免的小尺度衰落,在加上未考虑实际测量过程中噪音干扰和障碍遮挡的影响,rssi数据的有效性低,存在很大的信号波动问题,严重影响到对移动车辆的定位推算。
显然,基于固定终端的rssi拟合方法并不适用于移动车辆场景,急需提出一种用于跟踪低速移动车辆的rssi拟合方法。
技术实现要素:
为了克服上述背景中提出的技术问题,本发明旨在提供一种用于跟踪低速移动车辆的rssi拟合方法,能克服现有技术rssi获取误差大、信号波动强等难题。
本发明所提供的技术方案为一种用于跟踪低速移动车辆的rssi拟合方法,包含以下步骤:
步骤s1:在同一平面的道路两侧布置wifi嗅探设备,确定其经纬度位置,并建立跟踪定位系统的相对坐标系;
步骤s2:对wifi嗅探设备接收到的rssi信号进行gaussian滤波处理,确定衰减模型中信号衰减指数λ值,获得符合实际道路环境的无线信号衰减模型;
步骤s3:基于道路环境下车辆直线移动的约束特点,采用最大误差距离准则对rssi值进行判断筛选,设定门限概率值f;
步骤s4:将判断筛选后的数据,进行kalman滤波处理,获得降噪后的有效rssi信号。
步骤s5:运用推导得到的实际道路环境无线信号衰减模型,解算出rssi值对应的距离,从而确定低速移动车辆距离wifi嗅探设备的相对距离,达到跟踪效果。
本发明提出一种用于跟踪低速移动车辆的rssi拟合方法,能克服移动环境影响所带来的rssi值波动范围大的问题。首先对终端固定时采集到的rssi信号进行gaussian滤波处理,然后运用最大误差距离准则判断进行筛选,再对筛选后的rssi信号进行kalman滤波处理,获得去噪后的有效rssi信号。整个过程中,运用gaussian滤波处理,获得符合实际道路环境的无线信号衰减模型,并考虑低速移动车辆场景中rssi值的变化规律,引入最大误差距离准则进行筛选,经过kalman滤波处理后,能有效降低rssi误差,提高跟踪精度。
附图说明
图1是本发明一种用于跟踪低速移动车辆的rssi拟合方法原理示意图;
图2是本发明实施例中道路环境下的rssi信号分布图。
具体实施方式
本发明中的rssi拟合方法应用于跟踪低速移动车辆环境中,最关键的构思在于:利用gaussian滤波处理,获得符合实际道路环境的无线信号衰减模型,并考虑低速移动车辆场景中rssi值的变化规律,引入最大误差距离准则进行数据筛选,最后进行kalman滤波处理,克服噪声的影响,输出平滑的波形。
本发明实施例提供了一种用于跟踪低速移动车辆的rssi拟合方法,能够筛选出车辆移动场景中有效的rssi信号,从而降低测量实验的误差值,达到提高rssi拟合效果的目的。
为了实现上述技术目的,以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,一种用于跟踪低速移动车辆的rssi拟合方法,包括以下步骤:
步骤s1:在同一平面的道路两侧布置wifi嗅探设备,确定其经纬度位置,并建立跟踪定位系统的相对坐标系。步骤包括:
(1)在某一平面的道路两侧区域,布置已知位置的wifi嗅探设备一部、移动终端i台,将移动终端标记作i,i=1~i。
设wifi嗅探设备的坐标为(xr,yr),移动终端的坐标为(xr+1,yr+1),…,(xr+i,yr+i),…,(xr+i,yr+i);布置终端时,应依次分别选取等间隔距离的位置,即终端坐标应满足条件:
式中,d1,…,di,…,di分别为第i部终端到wifi嗅探设备之间的距离。
(2)通过电脑端mysql数据库连接wifi嗅探设备,获得从移动终端嗅探到的rssi数据信息,分为i个通道储存。
设每台移动终端被采样j次,每次采样得到一个rssi值,则从第i台移动终端采样获得的数据可表示为ri,j=(rssii,1,…,rssii,j,…,rssii,j),其中j=1~j,i台移动终端在测试时间内获得的rssi数据可表示r={r1,j,…,ri,j,…,ri,j};其中,rssii,j为第i台移动终端第j次采样获得的rssi值,ri,j为第i台移动终端在测试时间内采样j次获得的rssi集合。
步骤s2:对wifi嗅探设备接收到的rssi信号进行gaussian滤波处理,确定衰减模型中信号衰减指数λ值,获得符合实际道路环境的信号衰减模型。步骤包括:
(1)在理想自由空间中,无线电传播损耗通常采用对数—常态分布模型,模型如下:
式中,ad1、ad2分别为移动终端在两次测试时刻与wifi嗅探设备之间的距离(m),rssiad1、rssiad2分别为移动终端在ad1、ad2处测得的rssi(单位为db),λ信号衰减因子(在不同的测试环境中取不同值)。
对于集合ri,j=(rssii,1,…,rssii,j,…,rssii,j),由于j个rssi值是随机离散的变量,可知rssi值关于x的密度分布函数如下式所示。
(2)通过对gaussian滤波的阈值进行设置,保留满足预设概率阈值ρ的rssi信号,同时舍弃小于概率阈值ρ的rssi信号,概率阈值ρ一般设置为0.6,具体表达式如下:
式中,σ为方差,μ为均值。选取范围[0.15σ+μ≤x≤3.09σ+μ]内的rssi值,设共有n个,第i台移动终端新的rssi值集合标记作ri,n=(rssii,1,…,rssii,n,…,rssii,n),rssii,n为gaussian滤波后第i台移动终端第n个时间序列的rssi值。对集合ri,n进行算术平均,得到距离一定时rssi值的平均值;
(3)求出rssi值与距离d的关系,从而确定符合实际道路环境的无线信号衰减模型。
rssi=-(10λlog10d+a)(式7)
无线信号衰减模型中,参数a取gaussian滤波后,d=1m时的rssi值平均值;
步骤s3:基于道路环境下车辆“直线”移动的约束特点,采用最大误差距离准则对rssi值进行判断筛选,设定门限概率值f。步骤包括:
(1)原始数据采集:取当前时刻之前某时间区间t内rssi信号值m个,将时间戳记为集合tm,tm=(t1,…,tm,…,tm),将对应的rssi值记为集合rssim,rssim=(rssi1,…,rssim,…,rssim);
(2)变化趋势判断:设集合x(m)={(t1,rssi1),…,(tm,rssim),…,(tm,rssim)},对集合x(m)作最小二乘拟合。其中x(m)为时间戳和对应的rssi值,tm为第m个时间戳,rssim为第m个时间戳对应的rssi值。
设拟合直线l方程为ax+by+c=0,根据直线斜率k=-a/b,可以判断得知rssi信号值的变化趋势。当k>0时,表示rssi信号值呈上升趋势;当k=0时,表示rssi信号值平稳变化;当k<0时,表示rssi信号值呈下降趋势;
(3)门限概率值f确定:计算集合x(m)中各点到直线l的欧氏距离,记为集合l,l={l1,…,lm,…,lm},其中lm为第m个时间戳点到拟合直线l的欧氏距离。对集合l进行算术平均并将结果作为门限概率值f;
进一步地,以门限概率值f为阈值判断当前时刻rssi值是否为异常rssi值。对集合tm采用下述rssi值滤波器,得到滤波后的集合x(t)。
式中,t为时间序列参数;x(m)为当前时刻测量数据,x(t-1)为上一时刻测量数据,x(t)为滤波后的数据。
在本发明优选实施例中,设m=30,得到的拟合直线l为:0.9801x+y+50.1076=0。结果如图2所示。
步骤s4:将判断筛选后的数据,进行kalman滤波处理,获得降噪后的有效rssi信号。
kalman滤波系统的状态预测方程:
x(t|t-1)=ax(t-1|t-1)+bu(t)
p(t|t-1)=ap(t-1|t-1)at+q
kalman滤波系统的状态更新方程:
x(t|t)=x(t|t-1)+kg(t)(z(t)-hx(t|t-1))
kg(t)=p(t|t-1)ht/(hp(t|t-1)ht+r)
p(t|t)=(i-kg(t)h)p(t|t-1)
式中,x(t|t-1)为根据上一时刻预测得到的当前时刻的rssi值;x(t-1|t-1)为上一时刻rssi值得预测值;a、b为测量系统系统参数矩阵;u(t)为当前时刻测量系统系统的控制量;p(t|t-1)为x(t|t-1)对应的协方差矩阵;p(t-1|t-1)为x(t-1|t-1)对应的协方差矩阵;q为系统噪声;z(t)为当前时刻rssi值的测量值;h为测量系统的参数矩阵;kg(t)为kalman滤波增益;r为测量噪声;p(t|t)当前状态的更新值;i为单位矩阵。
kalman滤波可以通过“预测—更新模型”的递归思想由系统的实际测量值和预估值来消除随机噪声,用上一时刻移动车辆的rssi预估值和当前时刻rssi的测量值来推导出当前状态的rssi值,使得输出的rssi值更为平滑,作图输出该辆移动车辆的rssi值经过kalman滤波处理后的效果图。
步骤s5:最后,将kalman滤波处理后得到的rssi值,代入推导得到的实际道路环境的无线信号衰减模型中,解算出rssi对应的距离,从而推算出低速移动车辆距离ap的相对距离。
本发明主要是针对基于无线定位技术跟踪低速移动车辆中遇到的rssi信号值波动范围过大、数据不平滑的问题,设计了一种符合道路环境车辆“直线”移动约束特点的rssi拟合方法。该方法首先修正无线信号衰减模型,再引入最大误差距离准则进行数据筛选,最后进行kalman滤波处理,克服噪声的影响,输出平滑的波形,进而实现跟踪低速移动车辆的目的。通过实例分析,移动车辆的rssi值在经过该拟合方法处理后,有效地控制了波动范围。