一种基于RFID的室内无线定位方法

摘要

本发明涉及一种基于RFID的室内无线定位方法，首先获取参考标签的坐标，并测量每个阅读器到参考标签与待测标签的RSSI值，设参考标签的RSSI值为RSSI

说明书

技术领域

本发明涉及无线定位领域，特别是一种基于RFID的室内无线定位方法。

背景技术

随着智能手机和因特网的普及，地理位置服务(Location Based Service,LBS)的需求越来越旺盛。近些年,无线局域网技术和无线个域网技术的飞速发展和普及，为无线定位提供了更多的定位技术和方法。无线局域网中的Wi-Fi技术是当前日常工作和生活中使用的最主流的一种无线通信技术，由于Wi-Fi热点的覆盖范围越来越大，为基于Wi-Fi热点的地理位置的估算打下了良好的前期应用基础。基于Wi-Fi的定位系统的定位精度可达几米到几十米，定位的更新频率可达到秒级甚至毫秒级。无线个域网技术是为了满足那些活动范围小、各种业务类型、有特殊需要的群体而提出的一种无线通信网络技术，因此采用个域网技术来作为室内定位技术就具有得天独厚的优势。无线个域网的规范标准主要是IEEE802.15这个系列中几个子标准，包括射频识别RFID技术、蓝牙(803.15.1)技术、超带宽UWB(802.15.3)技术和ZigBee(802.15.4)技术等。其中RFID技术中的RFID标签具有体积小、寿命长、识别速度快、可靠性高以及可同时识别多个目标等优点，并且，由于RFID的标签同封闭的器件以及与阅读器的通信无需直接接触，使得RFID技术可以工作在恶劣的环境下，因此，RFID技术就成为了无线定位技术首选技术之一。

目前，基于RFID技术的室内定位系统主要是使用RSSI算法的定位系统。其中比较具有代表性的定位系统主要有以下3种：SpotON系统、Bluebot系统、LANDMARC(LocationIdentification Based on Dynamic Active RFID Calibration)系统。

SpotON系统是由美国华盛顿大学的C.Vakili、J.Hightower、G.Borriello等人提出的定位系统，该系统使用聚合算法来减少RSSI误差，它根据各阅读器所接收到的各个待测标签RSSI值，并利用三角定位原理及室内路径损耗模型来确定终端的位置信息。不过，一套完整的SpotON系统到目前为止由于各种原因而没有完成，再加上其算法中计算量过大，所能定位到的距离太短等原因，使其在现实中应用也不具备有利的条件。

Bluebot系统是由美国密歇根州立大学与公司共同开发的一种室内定位系统。该系统由无源标签系统和组成。在该系统中，机器人上面装有阅读器及定位终端，通过机器人不断的待定位区域移动，完成对待定位目标的确认，数据收集，最终通过交集算法完成对目标的定位。该系统的定位精度较高，但定位终端需要遍历整个定位区域使得定位时间过长，对环境适应性也较差，同时由于机器人搜集信号的特点也使得系统不能对目标进行实时定位。

LANDMARC系统是最具有代表的室内定位系统之一，它是由香港科技大学和美国密歇根州立大学提出的一种室内定位系统。该系统创新性的采用了主动标签技术，并引入了参考标签，在待定位区域根据需要放置了参考标签。其核心思想是根据参考标签和待定位标签之间所测得的RSSI值之间的差别，找出若干个RSSI值差别最小的几个参考标签作为最近邻居。从提出该系统到现在，许多的学者及科研工作者在此系统的基础之上提出了许多改进方案。典型的有香港科技大学在此系统基础上有提出了著名的具有非常大的代表性的VIRE(Virtual Reference Elimination)系统。LANDMARC系统和VIRE系统的定位精度都很高，特别是VIRE系统，在LANDMARC的基础进行了改进，精度更高。但这两个系统都存在一些缺点，就是存在多径问题以及对边缘节点的定位误差较大。

发明内容

有鉴于此，本发明的目的是提出一种基于RFID的室内无线定位方法，解决边缘节点定位误差较大的问题，并同时提高整体节点的定位精度以及解决多径问题，对各种环境的适应性更好。

本发明采用以下方案实现：一种基于RFID的室内无线定位方法，具体包括以下步骤：

步骤S1：获取参考标签的坐标，并测量每个阅读器到参考标签与待测标签的RSSI值，设参考标签的RSSI值为RSSI_ref，待测标签的RSSI值为RSSI_tag；

步骤S2：针对每个阅读器，均比较参考标签与待测标签的RSSI值，选定与待测标签RSSI值最接近的3个参考标签作为候选邻接标签；

步骤S3：根据每个候选邻接标签出现的次数选定邻接标签；

步骤S4：根据步骤S3选定的邻接标签计算待测标签的位置。

进一步地，所述步骤S3具体包括：

步骤S31：集合所有阅读器测量所选出的候选邻接标签，计算集合中每个候选邻接标签出现的次数，判断是否存在出现次数最多的候选邻接标签，若存在，则进入步骤S32，否则进入步骤S33；

步骤S32：选择出现次数最多的候选邻接标签作为邻接标签；

步骤S33：选取与待测标签RSSI差值最小的候选邻接标签作为邻接标签。

进一步地，所述步骤S4具体包括：

步骤S41：根据每个阅读器计算到的待测标签RSSI和邻接标签RSSI的差值，确定待测标签与邻接标签的相对位置；相对位置以邻接标签为原点的四个象限来表示，即待测标签在邻接标签的第几象限；

步骤S42：提取邻接标签坐标(x_t,y_t)；

步骤S43：以邻接标签为源点，设置偏移量d_off，计算(x_t±nd_off,y_t±md_off)的RSSI值；

步骤S44：取最接近待测标签RSSI值的坐标点为待测标签的位置(x,y)。

进一步地，所述步骤S43具体包括以下步骤；

步骤S431：计算邻接标签到阅读器之间的距离d_r：

其中，x_r,y_r为阅读器的坐标位置，x_t,y_t为标签的坐标位置；

步骤S432：确定待测标签的坐标位置为：

(x_t±x₀,y_t±y₀)；

其中，x₀,y₀为待测标签相对于邻接标签坐标的相对偏移量；

步骤S433：以邻接标签为原点，设置偏移量d_off，该偏移量可根据定位精度的需要设置，设置越小定位精度越高；

步骤S444：根据待测标签与参考标签所对应的坐标象限进行待测标签坐标的计算。

进一步地，所述步骤S444具体包括以下4中情况：

情况一：待测标签与参考标签所对应的坐标象限为第一象限：设参考标签的坐标为：

(x_t+nd_off,y_t+md_off)；

其中，n,m＝1,2,3,...且nd_off≤D_ref,md_off≤D_ref；其中，D_ref为参考标签之间的距离；

根据RSSI损耗模型公式、阅读器与标签的欧式距离计算公式计算RSSI_ref，并与待测标签的RSSI_tag进行比较；

其中，RSSI损耗模型公式为：

式中，d₀为参考距离，n为路径长度和路径损耗之间的比例因子，X_σ是平均值为0的高斯分布随机函数；

其中，阅读器与标签的欧式距离计算公式为：

式中，d为阅读器与标签的欧式距离，x_r,y_r为阅读器的坐标位置，x_t,y_t为标签的坐标位置；

情况二：待测标签与参考标签所对应的坐标象限为第二象限设参考标签的坐标为：

(x_t+nd_off,y_t-md_off)；

其中，n,m＝1,2,3,...且nd_off≤D_ref,md_off≤D_ref；

根据RSSI损耗模型公式、阅读器与标签的欧式距离计算公式计算RSSI_ref，并与待测标签的RSSI_tag进行比较；

情况三：待测标签与参考标签所对应的坐标象限为第三象限设参考标签的坐标为：

(x_t-nd_off,y_t-md_off)；

其中，n,m＝1,2,3,...且nd_off≤D_ref,md_off≤D_ref；

根据RSSI损耗模型公式、阅读器与标签的欧式距离计算公式计算RSSI_ref，并与待测标签的RSSI_tag进行比较；

情况四：待测标签与参考标签所对应的坐标象限为第四象限设参考标签的坐标为：

(x_t-nd_off,y_t+md_off)；

其中，n,m＝1,2,3,...且nd_off≤D_ref,md_off≤D_ref；

根据RSSI损耗模型公式、阅读器与标签的欧式距离计算公式计算RSSI_ref，并与待测标签的RSSI_tag进行比较。

进一步地，所述步骤S44具体为：通过比较找出与RSSI_tag值最接近的RSSI_ref值，即：

MIN(|RSSI_ref-RSSI_tag|)。

与现有技术相比，本发明有以下有益效果：本发明可以从整体上提高定位精度，同时解决了很多算法中边缘节点定位误差较大的问题，本发明的算法因为只是对RSSI进行对比，不参与具体的计算，所以受多径问题的影响较小，较好的解决多径问题，使得该算法对各种环境的适应性更好。

附图说明

图1为本发明实施例中的算法环境设计图。

图2为本发明实施例中的算法环境配置图。

图3为本发明实施例中的算法流程示意图。

图4为本发明实施例中的d_off＝0.5时各待测标签定位误差比较示意图。

图5为本发明实施例中的d_off＝0.5时各待测标签定位示意图。

图6为本发明实施例中的d_off＝0.3时各待测标签定位误差比较示意图。

图7为本发明实施例中的d_off＝0.3时各待测标签定位示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种基于RFID的室内无线定位方法。

本实施例包括以下内容：

(一)算法的工作环境。

本实施例实质上来讲是对LANDMARC系统的一个改进，所以工作环境参考了LANDMARC系统的设置，如下图1所示。图1只是这个算法应用的一个特例，实际的应用中可以根据不同的需求设置N个阅读器和M个参考标签，待测标签为K个。阅读器和参考标签也可以放置在不同的位置，参考标签之间的距离可以设置为D_ref。本特例中包含有4个阅读器，16个参考标签和10个待测标签，4个阅读器分布在四个顶点，16个参考标签均匀的分布在这4个阅读器的范围内，参考标签间的间距都为2米，待测标签任意分布。

(二)查找邻接标签。

1.测量每个阅读器读到参考标签与待测标签的RSSI值，设参考标签的RSSI值为RSSI_ref，待测标签的RSSI值为RSSI_tag；

2.每个阅读器都比较参考标签与待测标签的RSSI差值，选定与待测标签RSSI值最接近的3个参考标签作为候选邻接标签；

3.集合所有阅读器测量所选出的候选邻接标签，计算集合中每个候选邻接标签出现的次数，选出出现次数最多的候选邻接标签作为邻接标签。如果有出现次数相同的最高次数的候选邻接标签，则根据候选邻居与待测标签的RSSI差值来选择，差值最小的候选邻接标签为邻接标签。

(三)待测标签的定位。

通过上述步骤确定邻接标签节点之后，接下来就可以计算待测标签的位置。计算待测标签的步骤如下：

1.根据每个阅读器计算到的待测标签RSSI和邻接标签RSSI的差值，确定待测标签与邻接标签的相对位置。相对位置以邻接标签为原点的四个象限来表示，即待测标签在邻接标签的第几象限。

2.参考标签的位置已知，所以可以直接提取邻接标签坐标(x_t,y_t)；

3.根据待测标签和邻接标签的相对位置，计算待测标签的位置。

在计算过程中会用到以下几个公式：

RSSI损耗模型公式:

式中，P(d)是经过距离d后的路径损耗，单位为dB；d₀为参考距离，通常选择为1m，n为路径长度和路径损耗之间的比例因子，依赖于障碍物的结构和使用的材料，它的范围为2-5，X_σ是平均值为0的高斯分布随机函数，其标准差范围为4-10。

阅读器与标签的欧氏距离计算公式:

式中，d为阅读器与标签的欧式距离，x_r,y_r为阅读器的坐标位置，x_t,y_t为标签的坐标位置。

(1)由于阅读器和邻接标签的坐标已知，所以可以根据(式2)可计算出邻接标签到阅读器之间的距离，该距离设为d_r；

(2)待测标签在邻接标签附近，所以待测标签的坐标位置为(x_t±x₀,y_t±y₀)，其中(x₀,y₀)为待测标签相对于邻接标签坐标的相对偏移量；

(3)以邻接标签为原点，设置偏移量d_off，该偏移量可根据定位精度的需要设置，设置越小定位精度越高；

(4)根据待测标签与参考标签所对应的坐标象限进行待测标签坐标的计算：

1)如果是第一象限，则设参考标签的坐标为(x_t+nd_off,y_t+md_off)(其中n,m＝1,2,3,...且nd_off≤D_tag,md_off≤D_tag)，根据(式1)和(式2)计算出RSSI_ref,并与待测标签的RSSI_tag值进行比较，通过比较找出与RSSI_tag值最接近的RSSI_ref值，即MIN(|RSSI_ref-RSSI_tag|)，则该点的坐标即为待测标签的坐标(x,y)，其中(x＝x_t+x₀＝x_t+nd_off,y＝y_t+y₀＝y+md_off)。

2)如果是在第二象限，则设参考标签的坐标为(x_t+nd_off,y_t-md_off)(其中n,m＝1,2,3,...且nd_off≤D_tag,md_off≤D_tag)，根据(式1)和(式2)计算出RSSI_ref,并与待测标签的RSSI_tag值进行比较，通过比较找出与RSSI_tag值最接近的RSSI_ref值，即MIN(|RSSI_ref-RSSI_tag|)，则该点的坐标即为待测标签的坐标(x,y)，其中(x＝x_t+x₀＝x_t+nd_off,y＝y_t-y₀＝y-md_off)。

3)如果是在第三象限，则设参考标签的坐标为(x_t-nd_off,y_t-md_off)(其中n,m＝1,2,3,...且nd_off≤D_tag,md_off≤D_tag)，根据(式1)和(式2)计算出RSSI_ref,并与待测标签的RSSI_tag值进行比较，通过比较找出与RSSI_tag值最接近的RSSI_ref值，即MIN(|RSSI_ref-RSSI_tag|)，则该点的坐标即为待测标签的坐标(x,y)，其中(x＝x_t-x₀＝x_t-nd_off,y＝y_t-y₀＝y-md_off)。

4)如果是在第四象限，则设参考标签的坐标为(x_t-nd_off,y_t+md_off)(其中n,m＝1,2,3,...且nd_off≤D_tag,md_off≤D_tag)，根据(式1)和(式2)计算出RSSI_ref,并与待测标签的RSSI_tag值进行比较，通过比较找出与RSSI_tag值最接近的RSSI_ref值，即MIN(|RSSI_ref-RSSI_tag|)，则该点的坐标即为待测标签的坐标(x,y)，其中(x＝x_t-x₀＝x_t-nd_off,y＝y_t+y₀＝y+md_off)。

特别的，下面本实施例以一具体例子对本算法进行进一步介绍：

(一)算法实现的环境配置。

本实施例的实验环境设置在一个8米*8米的区域，包含有4个阅读器，16个参考标签和10个待测标签，4个阅读器分布在四个顶点，16个参考标签均匀的分布在这4个阅读器的范围内，参考标签间的间距D_ref都为2米，待测标签任意分布。如图2所示。

除上图的硬件设备配置之外，还设置了以下几个参数，参数的含义参考(式1)及LANDMARC和VIRE系统。最邻近标签数k＝6，这个参数是为后面与LANDMARC和VIRE系统进行比较而设置的，路径损耗指数n＝2，门限值th＝2.2，这个参数是为后面与VIRE系统进行比较而设置的。

(二)实施步骤。本实施例提供的算法流程示意图如图3所示。

1.从图2中可知，参考标签1-16的坐标为：

x＝[1,3,5,7,1,3,5,7,1,3,5,7,1,3,5,7]；

y＝[1,1,1,1,3,3,3,3,5,5,5,5,7,7,7,7]；

2.测量每个阅读器读到的参考标签与待测标签RSSI值，设参考标签的RSSI值为RSSI_ref，待测标签的RSSI值为RSSI_tag；本列中参考标签有16个，对于阅读器A，B，C，D读取到的1-16参考标签的RSSI值分别为：

A(6.9897，0，-4.1497，-6.9897，0，-2.5527，-5.3148，-7.6343，-4.1497，-5.3148，-6.9897，-8.6923，-6.9897，-7.6343，-8.6923-9.9123)；

B(-6.9897，-7.6343，-8.6923，-9.9123，-4.1497，-5.3148，-6.9897，-8.6923，0，-2.5527，-5.3148，-7.6343，6.9897，0，-4.1497，-6.9897)；

C(-6.9897，-4.1497，0，6.9897，-7.6343，-5.3148，-2.5527，0，-8.6923，-6.9897，-5.3148，-4.1497，-9.9123，-8.6923，-7.6343，-6.9897)；

D(-9.9123，-8.6923，-7.6343，-6.9897，-8.6923，-6.9897，-5.3148，-4.1497，-7.6343，-5.3148，-2.5527，0，-6.9897，-4.1497，0，6.9897)。

对于阅读器A，B，C，D读取到的1-10待测标签的RSSI值分别为：

A(-6.6918，-1.8777，-2.6532，-6.3993，-0.1534，-7.4904，-3.8237，1.6037-5.8872，-5.5301)；

B(-9.5059，-4.7036，-7.3462，-8.9385，-6.7475，-7.8810，-5.0438，-5.7612-2.8669，3.8598)；

C(4.5772，-6.1524，-2.9625，2.1522，-4.8503，-1.9395，-5.2082，-6.5437，-6.8404，-9.9016)；

D(-6.6319，-7.4320，-7.4537，-6.1028，-8.2917，-3.2035，-6.1278，-8.8018，-4.6045，-8.2049)。

3.每个阅读器都比较参考标签与待测标签的RSSI差值，选定与待测标签RSSI值最接近的3个参考标签作为候选邻接标签；

本实施例以待测标签1为例，从上述数据中可以看出，阅读器A读取到待测标签1的RSSI值为RSSI_tag＝-6.6918,阅读器A读取到参考标签的RSSI中与RSSI_tag＝-6.6918最接近的三个RSSI_ref值为(-6.9897，-6.9897，-6.9897)，对应的参考标签号分别为(4，11，13)；同理，阅读器B对应的参考标签号分别为(4，3，8)；阅读器C对应的参考标签号分别为(4，3，8)；阅读器D对应的参考标签号分别为(4，6，13)。

4.集合所有阅读器测量所选出的候选邻接标签，计算集合中每个候选邻接标签出现的次数，选出出现次数最多的候选邻接标签作为邻接标签。如果出现次数相同的最高次数的候选邻接标签，则根据候选邻居与待测标签的RSSI差值来选择，差值最小的候选邻接标签为邻接标签。

从上一个步骤中可以得出阅读器A，B，C，D所选取的与待测标签1的RSSI值最接近的参考标签分别为(4，11，13)，(4，3，8)，(4，3，8)和(4，6，13)。在这些参考标签中，参考标签4出现了4次，标签3、8和13分别出现了2次，6和11分别出了1次。从统计的数据中可以看出选择出现次数最多的为4次，且只出现一次，因此，参考标签4选为邻接标签。

5.确定待测标签与邻接标签的相对位置。

通过阅读器A获取的参考标签4和待测标签1的数据RSSI_ref<RSSI_tag，可以判定标待测标签1在参考标签4的左边，可能是第三或是第四象限；通过阅读器D获取的参考标签4和待测标签1的数据RSSI_ref<RSSI_tag，可以判定标待测标签1在参考标签4的上边，可能是第一或是第四象限；综合这两个数据，标待测标签1在参考标签4的第四象限。

6.提取邻接标签4的坐标(7,1)。

7.根据待测标签和邻接标签的相对位置，计算待测标签的位置。

该实施例中邻接标签4为原点，设置偏移量d_off＝0.5米，利用(式1)(式2)并根据相对位置在第4象限的规则进行计算，即(7-0.5*n,1+0.5*m)，此例中D_ref＝2米，根据条件nd_off≤D_ref和md_off≤D_ref可得，n,m＝4。根据排列组合，x和y各有4次的组合数有16次，即计算该范围内16个点的RSSI值，找出其中最接近RSSI_tag的值，那么该点的坐标即为待测标签的坐标。经过计算，该16个点的RSSI值如下：

(-6.4836，-6.6511，-6.8574，-7.0969，-5.8263，-6.0206，-6.258，-6.5321，-5.1188，-5.3466，-5.6229，-5.9384，-4.3537，-4.6240，-4.9485，-5.3148)

从上述的16个RSSI值中可以选取出与待测标签最接近的值为-6.6511，该点坐标为(6.5000，2)，即为待测标签1的坐标(x,y)＝(6.5000，2)。也就是说根据公式x＝x_t-x₀＝x_t-nd_off＝6.5000，(x_t,y_t)＝(7,1)，则x₀＝7-6.5000＝0.5，即nd_off＝0.5，本实施例中d_off＝0.5，于n＝1，同理可得y₀＝1,m＝2。至此，待测标签1定位结束。

用相同的流程可计算待测标签2-10的坐标分别为：(3,3)(3.5000,2.5000)(6.5000,1.5000)(3,1)(6,4.5000)(3.5000,3.5000)(1.5000,2)(3.5000,5.5000)(0,6)

(三)性能分析

本实施例的算法与经典的LANDMARC和VIRE系统从定位精度上进行分析比较，为了保证比较数据的准确性和公平性，本算法和LANDMARC及VIRE系统都在相同的环境中进行定位，如图2所示的环境。根据MATLAB仿真软件的仿真，仿真结果如图4和表一所示。

表一本算法在d_off＝0.5时各待测标签根据不同算法的定位误差比较

通过图4和表一可以看出，本算法在偏移量d_off＝0.5时的定位精度要远远高于LANDMARC系统，但与VIRE比较还存在一些小的差距，不过这只是暂时的，因为本算法在此条件下并不是最优的，所以精度还可以大幅提高。并且本算法在对边缘节点的定位要优于VIRE系统，根据图5中可以看出，待测标签10在边缘位置，本算法对该点的定位精度都要高于LANDMARC和VIRE系统，对边缘节点的定位精度较好。

本算法可以很方便的只通过设置偏移量的方式来提高定位精度，而不必像其它的一些系统和算法需要附加硬件设备及改变结构等较繁琐的方法来提高定位精度，接下来就偏移量d_off＝0.3时与LANDMARC和VIRE系统的比较，如图6和表二所示。

表二本算法在d_off＝0.3时各待测标签根据不同算法的定位误差比较

通过图6、图7和表二可以看出，本算法在偏移量d_off＝0.3时的定位精度要远远高于LANDMARC系统，平均精度也要比VIRE系统略高，要优于VIRE系统。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。