一种用于跟踪低速移动车辆的RSSI拟合方法与流程

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)a^t+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)h^t/(hp(t|t-1)h^t+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。