一种基于RSSI不均匀空间分辨率的改进加权定位方法

摘要

本发明公开了一种基于RSSI不均匀空间分辨率的改进加权定位方法，包括在室内环境中选取若干校准点和若干测试点，对于各校准点分别提取位置指纹，得到位置指纹库；计算所有校准点和测试点间的物理距离，并筛选出距离测试点物理距离最近的若干校准点；采用改进加权定位方式对测试点进行定位，确定测试点的估计位置，包括基于筛选的校准点，分别计算由各校准点自身的RSSI值对几何空间的分辨率确定的权，由各校准点的RSSI和测试点的RSSI之间的空间相关性确定的权，计算各校准点综合后最终的权，计算该测试点的估计位置。本发明具有更好的定位精度和抗干扰性。

说明书

技术领域

本发明属于室内定位技术领域，涉及一种室内位置定位方法，具体涉及一种新基于RSSI不均匀空间分辨率的改进加权定位方法。

背景技术

基于Wi-Fi RSSI(received signal strength indication,接收信号强度指示)的室内定位算法一般分为两种方法：基于RSSI信号衰减模型的三边定位算法和位置指纹定位算法。三边定位算法使用三边测量计算两节点之间的距离，是基于信道传播模型。指纹定位方法使用RSSI数据库和几何或概率模型来计算未知点的位置，不需要信道传播模型。

WKNN(Weighted K-nearest Neighbor,传统加权K邻近)算法是一种最常用的室内定位算法。WKNN算法的定权是通过RSSI信号差的倒数对校准点的坐标进行定权，然而，由于RSSI和物理实际距离之间的非线性关系，导致WKNN定位结果不够准确。为了解决这个问题，不少学者提出了基于概率模型或融合方法的方法来分配权重。然而，他们并没有考虑到Wi-Fi RSSI的空间分辨率是不均匀的。因此，为了提高传统WKNN定位算法的定位精度，亟需提出一种基于RSSI空间分辨率不均匀的加权方法。

发明内容

本发明提出了一种基于RSSI不均匀空间分辨率的改进加权定位方法，该方法适用于基于Wi-Fi RSSI的室内定位，是在现阶段根据校准点位置信息对测试点位置进行加权估算的定位方法。

本发明所采用的技术方案提供一种基于RSSI不均匀空间分辨率的改进加权定位方法，包括以下步骤：

步骤1，在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据；

步骤2，对于各校准点分别提取位置指纹，得到位置指纹库；

步骤3，计算所有校准点和测试点间的物理距离，并筛选出距离测试点物理距离最近的k个校准点，k为预设的筛选数目，；

步骤4，采用改进加权定位方式对测试点进行定位，确定测试点的估计位置，包括以下子步骤，

步骤4.1，基于步骤3筛选的k个校准点，分别计算由各校准点自身的RSSI值对几何空间的分辨率确定的权WRP_i；

步骤4.2，基于步骤3筛选的k个校准点，分别计算由各校准点的RSSI和测试点的RSSI之间的空间相关性确定的权WSC_i；

步骤4.3，基于步骤3筛选的k个校准点，分别计算各校准点综合步骤4.1和步骤4.2所得结果后最终的权ω_i，采用如下公式计算，

步骤4.4，计算该测试点的估计位置，采用如下公式计算，

其中，表示测试点的二维坐标估计值，(x_i,y_i)表示第i个校准点的坐标。

而且，步骤2中，对于各校准点分别提取位置指纹的实现方式为，对RSSI观测值数据从强到弱依次排序，计算前面若干个RSSI观测值的平均值作为RSSI估计值，将RSSI估计值和校准点的位置信息关联起来组成位置指纹。

而且，步骤3，计算测试点与指纹数据库中所有校准点之间的实际物理距离D_i，采用如下公式计算，

其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤1选取的校准点的总数，实施例中N＝43；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子。

而且，步骤4.1，基于步骤3筛选的k个校准点，分别计算由各校准点自身的RSSI值对几何空间的分辨率确定的权WRP_i，采用如下公式计算，

其中，i是校准点的编号，i＝1,2,…k；WRP_i是校准点自身的RSSI值对几何空间的分辨率确定的权，j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d₀是距离信号源1米，RSSI(d₀)是距离WiFi信号源的距离d₀为1米处的接收信号强度，是第i个校准点到第j个WiFi信号源的距离，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子。

而且，步骤4.2，基于步骤3筛选的k个校准点，分别计算由各校准点的RSSI和测试点的RSSI之间的空间相关性确定的权WSC_i，采用如下公式计算，

其中，i是校准点的编号，i＝1,2,…k；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子。

与现有技术相比，本发明具有的特点：

(1)经典的WKNN算法的定权是通过RSSI信号差的倒数对校准点的坐标进行定权，然而，由于RSSI和物理实际距离之间的非线性关系，导致WKNN定位结果不够准确。而基于概率模型或融合方法的方法来分配权重，同样没有考虑到Wi-Fi RSSI的空间分辨率的不均匀性。

本发明所提出新的改进加权定位技术方案基于RSSI的不均匀空间分辨率，不仅考虑到校准点的RSSI值不同，其对应的空间分辨率也不同；而且考虑到测试点与校准点之间的空间相关权，应该由它们之间的实际物理距离差的倒数来确定，因此从理论上来说，新方法就具有较高的定位精度；

(2)实验分析表明：新的改进加权定位方法具有更高的精度。新方法的定位精度明显优于KNN算法和优于WKNN算法的定位精度；

(3)由于新策略既不受RSSI(d₀)的影响，又不受环境衰减因子的影响，从而具有很好的通用性，能够在各种室内环境广泛使用，具有重要的市场价值。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的实验方案分布示意图；

图3是本发明实施例的定位的累积分布函数(CDF)示意图；

图4是本发明实施例的定位误差向量的示意图，其中图4a、图4b、图4c、图4d分别是K邻近点算法(KNN)、WKNN算法(p＝1，采用信号空间的马氏距离)、WKNN算法(p＝2，采用信号空间的欧式距离)和本发明的方法(Proposed)四种不同定位方式的定位误差向量示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于RSSI不均匀空间分辨率的改进加权定位方法，包括以下步骤：

步骤1：在室内环境中选取若干校准点，采集校准点处的RSSI数据，作为校准点数据；然后随机选取若干测试点，采集测试点处的RSSI数据，作为测试点数据。

实施例在室内环境中选取43个校准点(图2中三角形标识)，随机选取105个测试点(图2中实心圆形标识)，先后采集各校准点处和各测试点处的WiFi接收信号强度指标(RSSI)，采用1秒的采样率，采集约40秒，将采集的RSSI数据储存到移动端，移动端可利用现有设备，例如手机。

步骤2：对于各校准点，分别执行以下操作，提取位置指纹库：

剔除RSSI数据丢失率较高的WiFi信号源，剔除RSSI数据丢失率较高的WiFi信号源；对RSSI观测值数据从强到弱依次排序，计算前5个RSSI观测值的平均值作为RSSI估计值；将RSSI估计值和校准点的位置信息关联起来组成该校准点的位置指纹。

提取所有校准点的位置指纹完成后，得到位置指纹库。

步骤3：利用Wi-Fi信号强度衰减公式反推，计算所有校准点和任一测试点间的物理距离，并筛选出距离该测试点物理距离最近的k个校准点；

对任一测试点，筛选出距离该测试点物理距离最近的k个校准点，其具体实现包括以下子步骤：

步骤3.1：求取测试点与指纹数据库中所有校准点之间的实际物理距离D_i，采用如下公式计算：

其中，i是校准点的编号，此步骤中i＝1,2,…N，N是步骤1选取的校准点的总数，实施例中N＝43；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子。

步骤3.2：对计算出来的测试点与所有校准点之间的物理实际距离D_i从小到大排序，筛选出距离测试点物理距离最近的k个校准点，k为预设的筛选数目，本实施例中k的数值优选取5。

步骤4：采用改进加权定位方式对任一测试点进行定位，确定该测试点的估计位置

实施例采用基于RSSI不均匀空间分辨率改进加权定位方式对任一测试点进行定位，其具体实现主要在本步骤，包括以下子步骤：

步骤4.1：基于步骤3所得距离该测试点物理距离最近的k个校准点，分别计算由各校准点自身的RSSI值对几何空间的分辨率确定的权(WRP_i)，采用如下公式计算：

其中，i是校准点的编号，k是步骤3筛选出距离测试点物理距离最近的校准点数量，此步骤中i＝1,2,…k；WRP_i是校准点自身的RSSI值对几何空间的分辨率确定的权，j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d₀是距离信号源1米，RSSI(d₀)是距离WiFi信号源的距离d₀为1米处的接收信号强度，是第i个校准点到第j个WiFi信号源的距离，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子。

步骤4.2：基于步骤3所得距离该测试点物理距离最近的k个校准点，分别计算由各校准点的RSSI和测试点的RSSI之间的空间相关性确定的权(WSC_i)，采用如下公式计算：

其中，i是校准点的编号，k是步骤3筛选出距离测试点物理距离最近的校准点数量，此步骤中i＝1,2,…k；j是WiFi信号源的编号，M是WiFi信号源的个数，j＝1,2,…M；d^j是测试点到第j个WiFi信号源的距离，是第i个校准点到第j个WiFi信号源的距离，RSSI(d^j)是测试点接收的第j个WiFi信号源的信号强度，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子，WSC_i是由校准点的RSSI和测试点的RSSI之间的空间相关性确定的权。

步骤4.3：基于步骤3所得距离该测试点物理距离最近的k个校准点，分别计算各校准点综合步骤4.1和步骤4.2所得结果后最终的权ω_i，采用如下公式计算：

步骤4.4：计算该测试点的估计位置，采用如下公式计算：

其中，表示测试点的二维坐标估计值，(x_i,y_i)表示第i个校准点的坐标，k表示距离测试点物理距离最近的校准点的个数，本实施例中k的数值取5。

本实施例的测试点的真实位置(x,y)与估计位置的误差err计算如下：

运用以上流程，可以估计任意测试点的位置。

为验证估计结果的可靠性，本实施例的理论分析如下，主要是对WiFi信号强度的空间分辨率进行分析：

WiFi信号强度的衰减模型如下：

其中，RSSI(d₀)和RSSI(d_i)分别是距离信号源距离为d₀和d_i处接收到的RSSI,η是环境衰减因子。当d₀、RSSI(d₀)和η都已知时，根据Wi-Fi信号强度衰减公式反算距离d_i的RSSI表达式如下，

进一步推算得距离差Δd_ij的RSSI表达式如下，

其中，RSSI(d_i)是距离信号源距离为d_i处接收到的RSSI，RSSI(d_j)是距离信号源距离为d_j处接收到的RSSI。需要说明的是，此处符号i，j具有一般含义，并不特指校准点的编号和WiFi信号源的编号。

空气中的环境衰减因子是2，d₀的值为1米，RSSI(d₀)的值为-20dB。表1中列出了根据d₀、RSSI(d₀)、和η结合Wi-Fi信号强度衰减公式反算出来的距离d_i和距离差Δd_ij如表1所示：

表1WiFi RSSI理论上的空间分辨率

如表1所示，给定相同的RSSI差时，较大的RSSI产生较小的差距，而较小的RSSI产生较大的差距。因此，RSSI具有不均匀的刻度线，所以仅仅基于RSSI差分配权重是不准确的。

本发明提出一种改进加权定位技术方案，测试点与指纹数据库中校准点之间的实际物理距离D_i计算公式如下：

其中，∝表示该符号左右两端具有正比例关系，i是校准点的编号，j是WiFi信号源的编号，d₀是距离信号源1米，RSSI(d₀)是距离WiFi信号源的距离d₀为1米处的接收信号强度，是第i个校准点到第j个WiFi信号源的距离，是第i个校准点接收的第j个WiFi信号源的信号强度，η是WiFi信号强度的路径衰减因子，M是WiFi信号源的个数。

一个校准点的权可以分为两个部分：1、校准点自身的权(WRP)，这是由它的RSSI空间分辨率的确定；2、校准点与测试点的空间相关权(WSC)，这是由它的RSSI和测试点的RSSI之间的空间相关性决定。

RSSI(d)对d的偏导数如下：

其中，RSSI(d)是距离信号源距离为d处接收到的RSSI,η是环境衰减因子。

因此，可以进一步推导出校准点自身的权(WRP)的公式：

在水准测量中，当每公里的精度相等时，每条水准路线观测的权与距离成反比。用同样的方法，本发明提出可以根据物理空间的距离计算出WSC。

因此，得到某个校准点的权ω_i如下式：

本实施例的实验结果如下，其中不同环境衰减因子对CDF的影响请见表2：

表2环境衰减因子对CDF的影响

在某大学科技楼14楼进行了实验用来评估提出的新方法的性能。实验区域总面积大小约为2756.25m²(52.5m*52.5m)。总共采集了43个校准点和105个测试点。校准点和测试点的物理位置请见图2，其中三角形代表校准点，实心圆形代表测试点。

首先分析不同环境衰减因子对定位结果的影响。改进加权方案被用于改善WKNN的权，精确度采用累积分布函数(CDF)，即真正的位置和估计的位置之间的位置误差。一般来说，无线信号在自由空间甚至空气中的路径损耗指数是2。根据相关文献报告的结果，混凝土墙和走廊隔开的办公楼的环境衰减因子值为3。当环境衰减因子值的范围从2到3变化时，位置误差CDF如表2所示。从表2中可以看到，环境衰减因子对CDF的影响很小。

然后，分析K邻近点算法(KNN)、WKNN算法(p＝1，采用信号空间的马氏距离；p＝2，采用信号空间的欧式距离)和本发明的方法(Proposed)三种不同定位方法对定位精度的影响。由于环境衰减因子对CDF的影响很小，把环境衰减因子η的值设为2。从图3所示的结果中，可以看出，本发明的方法比其他算法获得更好的定位精度。

接下来，研究三种不同方法对定位误差向量的影响。每一测试点的误差向量由一个从真实坐标指向其估计坐标的箭头表示。从图4所示的结果可以看出，本发明的方法比其他算法得到了更小的误差矢量，图4中X、Y分表代表两个坐标轴，图4a、图4b、图4c、图4d分别是K邻近点算法(KNN)、WKNN算法(p＝1，采用信号空间的马氏距离)、WKNN算法(p＝2，采用信号空间的欧式距离)和本发明的方法(Proposed)四种不同定位方式的定位误差向量示意图。

当比较η＝2和η＝2.5之间的误差向量时，可以得出105个测试点中有84个测试点的误差向量较差小于0.3米。这也再次证明了环境衰减因子对算法定位性能的影响很小。因此，本发明的方法既不受RSSI(d₀)的影响，又不受环境衰减因子的影响，从而具有很好的通用性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。