調頻廣播定位技術的研究

蘇 敏,秦紅磊

(北京航空航天大學電子信息工程學院,北京 100191)

調頻廣播定位技術的研究

蘇 敏,秦紅磊

(北京航空航天大學電子信息工程學院,北京 100191)

針對全球衛星導航系統在復雜環境下會出現無法定位的問題,本文提出了一種基于公共調頻廣播信號的定位方法。該方法利用調頻廣播的多種信號特征,結合指紋定位技術進行定位。調頻廣播覆蓋范圍廣、信號穩定、抗干擾能力強等優點,可使其應用于室內外定位。在室外復雜環境,研究區域級別定位;在室內環境,除了區域級別定位,還研究精確定位。文中除了闡述方法的原理,還應用了幾種不同的定位算法并比較其結果。結果表明,室外的區域判別準確率可達90.81%,室內的區域判別準確率可達100%,室內精確定位的精度可達11.16 m。

調頻廣播;指紋定位;室外定位;室內定位

0 引言

隨著科學技術的飛速進步,現代社會經濟、軍事對導航定位系統性能要求日益增高,無線電導航是一種重要的導航手段,而其中應用最廣泛的是全球衛星導航定位系統。但是,在復雜環境下,如樓宇密集的室外和室內環境,衛星導航會因為丟失衛星信息而出現無法準確定位的情形,這時就需要其他導航手段進行補充。在這種情形下,出現了基于藍牙、射頻識別(radio frequency identification,RFID)、紅外線、無線保真(wireless fidelity,WiFi)等定位技術。但是,因為這些信號覆蓋范圍小,所以在定位區域上有很大限制,大部分只用于室內環境。而且對于不具備這些設備的環境,需要增加相應的發射源。調頻(frequency modulation,FM)廣播有著悠久的歷史,其發射基站多、覆蓋范圍廣、信號穩定、受干擾小、接收成本低等優點使得其成為一種很有潛力的導航源。

目前,國內外基于FM廣播的導航定位研究并不多,主要處于理論研究階段。2003年[1]微軟公司成立的首個研究利用FM廣播定位的團隊,采用智能手表采集公共FM廣播信號強度并將其排序后用于定位,區域定位準確率可達80%。文獻[2]展示了兩年后,他們改進了系統的算法后,在美國西雅圖地區其定位精度可以達到8 km。2009 年,文獻[3]展示了“FINDR”定位系統,該系統使用短射程FM信號傳送器發射信號并利用接收信號強度、定向天線間夾角和信號傳播時間來確定用戶的位置。文獻[4-7]第一次將公共FM廣播信號用于室內定位:用智能手機收集信號強度特征,并用指紋定位法取得了很好的定位結果。文獻[8]介紹了用信號傳播模型進行自動數據庫的創建,省去大量時間和人力資源。

總而言之,目前大部分研究主要是基于FM廣播信號強度特征來進行定位,方法主要有兩種:一種是建立信號傳播模型,另一種是指紋定位法。與之前的研究不同的是,除了信號強度特征外,本文還采用了FM廣播信號的其他特征參數,將幾種特征參數融合后進行定位。定位方法主要采用指紋定位法,因為在復雜環境下,FM廣播信號的傳播模型受多種因素影響,難以建立。而指紋定位法目前已被廣泛應用于各種室內定位,可行性良好。

1 基于指紋的FM廣播信號定位方法

指紋定位法分兩個階段:第一階段是數據特征地圖的采集階段,也稱訓練階段,第二階段是在線定位階段。在本研究中,第一個階段主要是采集公共FM廣播信號的信號特征,第二個階段是利用不同的定位算法進行位置的解算[9]。如圖1所示。

圖1 基于指紋的FM廣播信號定位方法框圖

1.1 FM廣播信號特征數據庫的采集

在FM廣播特征數據庫的采集階段,需要考慮兩個問題:第一個是采集設備的選擇,第二個是采集地點的選擇。因為采集設備采集數據的可靠性、采集地點的適配性都會關系到未來定位準確率和精度。

由于FM廣播的覆蓋范圍非常廣,包含室內和室外的大部分區域。所以在本研究中將其應用于室外和室內的定位。對于室外區域,主要進行區域級別定位;對于室內區域,主要進行區域級別定位和精確定位。

因為指紋定位法主要利用環境信道特征的不同來定位,所以在采集區域的選擇上,主要選擇環境特征較明顯的區域。圖2與圖3是室外和室內的采集區域。其中圖2是北京航空航天大學校園,將其劃分成10個區域;圖3是北京航空航天大學教學樓內的某一層,因為無法進入每個房間進行數據采集,主要在走廊進行采集,采集分成7個區域。

圖2 室外實驗區域

圖3 室內實驗區域

FM廣播自20世紀30年代誕生以來,已經經歷了近一個世紀的發展,就目前來說,FM廣播主要的用途是用來傳輸音頻信號,所以市面上關于接收FM廣播的產品主要是收音機,或者是直接的收音芯片。而在本文的研究中,需要得到可以利用其定位的信號特征參數,如接收信號強度(received signal strength indicator,RSSI)等。經過幾個方案的嘗試,最終構建了如圖4的采集系統。

圖4 數據庫采集系統

該采集系統有著很多優點,它不僅可以實時的保存采集到的數據,而且因為其體積小而具有很好的便攜性。除此之外,它不僅可以采集FM廣播的RSSI特征而且還給出幾個其他可用于定位的特征參數,包括信噪比(signal-noise ratio,SNR),多徑指示(Multipath),頻率偏移。這些特征參數為以后提升定位準確率與精度提供了有利的條件。

1.2 在線定位階段

在這一階段,要結合在第一階段采集的特征數據庫完成位置的解算,最重要的是定位算法的選擇。本研究中主要采用了K-近鄰定位算法(K-nearest neighbor,KNN),K-近鄰加權定位算法(K-weighted nearest neighbor,KWNN),高斯過程回歸算法(Gaussian process regression, GPR),人工神經網絡算法。下面分別簡單介紹一下各種算法。

1.2.1 KNN與KWNN

KNN算法原理簡單且容易實現,其基本思想是:在給定一個未知的位置后,根據與該位置FM信號特征的相似程度在特征數據庫中選取k個參考點,然后根據這k個參考點的位置進行測試點位置的判定。相似程度主要用歐氏距離評估:

式(1)中,p代表每個參考點的特征向量的維數,即選取的調頻廣播電臺數目。XRPi是某個參考點特征參數向量的第i個分量,XTi是測試點特征參數向量的第i個分量。

KWNN與KNN的不同,主要體現在不同距離的近鄰對預測估計貢獻的大小上。

式(2)是直接將k個近鄰參考點的位置(xi,yi)的平均作為測試點的位置。式(3)是將每個近鄰參考點的位置用式(1)中的歐氏距離進行加權后得出測試點的位置[10]。

1.2.2 GPR定位算法

GPR是基于貝葉斯理論和統計學習理論發展起來的一種全新機器學習方法,適于處理高維數、小樣本和非線性等復雜回歸問題。該方法具有容易實現、超參數自適應獲取以及輸出具有概率意義等優點[11]。在GPR中,為了保證建模的準確性,只將RSSI特征參數應用其中。

在本文中,考慮滿足模型:y=f(x)+ε。其中,觀測量y是位置坐標,輸入量x是FM廣播信號的RSSI,ε是噪聲,假設其滿足ε～N(0),則可以得到觀測量y滿足分布:

式(4)中,K是協方差函數的矩陣,協方差函數反應不同點函數值的相關性。在本文中,選取最常用的協方差函數即平方指數協方差:

2 實驗及結果分析

2.1 實驗設置

室外的主要實驗區域是北京航空航天大學校園內部,如圖2所示,被劃分的10個區域都有著不同的環境特征,對每個區域都用圖4中所述的采集設備采集了一定數量的參考點,共計550個,每個參考點的數據包括12個電臺的RSSI、SNR和Multipath等特征參數,還有它們所屬的區域號;室內的主要實驗區域是北京航空航天大學新主樓,目前共采集了400余個參考點的數據。圖3是北京航空航天大學新主樓四層的采集區域圖,這一層被劃分成7個區域,主要地點是不同的走廊。對于每個參考點,除了RSSI、SNR和Multipath等特征參數和區域號外,還標定了它們的相對位置坐標。圖5和圖6是室內外不同地點的FM廣播信號強度分布圖,表1是室內外數據庫中存儲的信息。

圖5 室外信號強度分布圖

圖6 室內信號強度分布圖

表1 數據庫中存儲信息

2.2 實驗結果分析

2.2.1 室內外區域級別定位結果分析

區域級別的定位實質上是一種分類的問題,本研究中主要采用的定位算法是KNN,將k個近鄰參考點所在頻率最多的區域作為測試點的區域。圖7和圖8是將三種特征參數分別作為輸入的定位結果:

圖7 基于KNN的室外區域定位準確率

圖8 基于KNN的室內區域定位準確率

由圖7和圖8可知,基于KNN的定位算法, k的選取對定位結果有很大影響。室外區域級別定位的最高準確率可以達到80.37%,室內最高可達到71.43%。分別比較基于RSSI、SNR、Multipath三種特征參數的定位結果,可以發現,基于RSSI的定位結果遠遠優于其他兩種定位參數,原因可能是RSSI能更好的反映FM廣播信號在某一環境下的特征。

圖9是將三種特征參數融合后室外區域級別的定位結果。

由圖9可以看出將這三種特征參數進行兩兩融合或三者融合后可以有效提升定位的準確率,最高的準確率能夠達到90.80%。但是,由表2也可以看出,并不是特征參數融合的越多越好,要搭配適當才能出最佳效果,在以后的研究中可以考慮自適應融合,選取最佳搭配組合。

2.2.2 室內精確定位結果分析

在室內區域,對定位精度有著更高的要求,所以除了區域級別的定位外,還要研究精確定位。在室內的精確定位,主要采取KNN、KWNN和GPR定位算法。

圖10是在圖3實驗區域進行的基于KNN和KWNN的實驗結果分析:

由圖10可知KNN與KWNN的定位結果極其相似,說明在本實驗中,加權并沒有改善定位效果。原因可能是近鄰點與測試點的距離相差不大。在圖3的113 m×42 m的區域里,定位的最小均方根誤差是基于RSSI的17.84 m。

基于KNN、KWNN的定位算法,將三種特征參數融合后的定位結果如表3。

圖9 基于三種參數融合后的室外區域定位結果

表2 基于不同特征參數的室內外區域定位準確率比較

對于GPR定位算法,因為GPR只能解決回歸問題,不適用于分類問題,所以在本研究中只將其應用于室內的精確定位中,而且只將RSSI特征參數作為唯一的輸入。通過將RSSI與位置坐標建立模型,得到的定位誤差是13.34 m。圖11是KNN、KWNN、GPR三種算法的誤差累計分布函數(cumulative distribution function,CDF),如圖11所示,GPR的性能要優于其他兩種算法。

圖10 基于KNN和KWNN的室內定位誤差分析

表3 基于不同特征參數的室內定位精度比較

圖11 三種算法的CDF圖

3 結束語

本文提出了一種基于公共FM廣播信號的定位方法,該方法利用了多種FM廣播信號特征參數,采用指紋定位法進行定位。第一階段采集室內外的FM廣播信號特征數據庫,第二階段用KNN、KWNN、GPR三種定位算法進行了位置的解算。KNN與KWNN可用于區域級別的定位和精確定位,GPR只能用于精確定位。通過對實驗結果分析,將多種參數融合后再進行定位可將室外區域級別定位準確率從80.46%提升至90.81%,室內區域級別定位準確率從71.43%提升至100%,室內精確定位誤差從17.84 m降至11.16 m。在單獨利用RSSI特征參數定位時,GPR比KNN、KWNN更有優勢。下一步研究主要會從如何提升FM廣播定位性能來進行,定位區域的適配性、特征參數如何組合都會在考慮范圍之內。

[1] KRUMM J,CERMAK G,HORVITZ E.RightSPOT:A novel sense of location for a smart personal object[EB/OL]. [2014-09-10].http://research.microsoft.com/en-us/um/people/jckrumm/Publications%202003/rightSPOT%20publish.pdf.

[2] YOUSSEF A,KRUMM J,MILLER E,et al.Computing location from ambient FM radio signals[EB/OL].[2014-09-10]. http://research.microsoft.com/en-us/um/people/jckrumm/Publications/SPOT%20WCNC.pdf.

[3] PAPLIATSEYEU A,KOTILAINEN N,MAYORA O,et al.FINDR:Low-cost indoor positioning using FM radio[EB/ OL].[2014-09-10].http://link.springer.com/chapter/10.1007/978-3-642-01802-2_2?no-access=true#page-1.

[4] POPLETEEV A.Indoor positioning using FM radio signals[D].Trento:University of Trento,2011.

[5] MATIC A,POPLETEEV A,OSMANI V,et al.FM radio for indoor localization with spontaneous recalibration[J].Pervasive and Mobile Computing,2010,6(6):642-656.

[6] MATIC A,PAPLIATSEYEU A,OSMANI V,et al.Tuning to your position:FM radio based indoor localization with spontaneous recalibration[EB/OL].[2014-09-10].http://venetosmani.com/publications/fm_positioning_recalibration.pdf.

[7] PAPLIATSEYEU A,OSMANI V,MAYORA O.Indoor positioning using FM radio[J].International Journal of Handheld Computing Research(IJHCR),2010,1(3):19-31.

[8] YOON S,LEE K,RHEE I.FM-based indoor localization via automatic fingerprint DB construction and matching[EB/ OL].[2014-09-10].http://lens.csie.ncku.edu.tw/Library/Paper/ACM%20mobisys_2013/mobisys/p207.pdf.

[9] MOGHTADAIEE V,DEMPSTER A G,LIM S.Indoor localization using FM radio signals:a fingerprinting approach[EB/ OL].[2014-09-10].http://ipin2011.dsi.uminho.pt/PDFs/Shortpaper/32_Short_Paper.pdf.

[10]楊清.基于指紋的無線室內精確定位方法研究[D].杭州:浙江大學,2011.

[11]何志昆,劉光斌,趙曦晶,等.高斯過程回歸方法綜述[J].控制與決策,2013,28(8): 1121-1129.

Research on Location with FM Broadcasting Signal

SU Min,QIN Honglei
(School of Electronic and Information Engineering,Beihang University,Beijing 100191,China)

Because GNSS will be unavailable in a complex environment,a method using FM broadcasting signal to locate was proposed,which used many FM signal features and the fingerprinting technique to locate.The wide coverage,good stability and strong anti-interference ability ma k e FM broadcasting signal a good choice in indoor and outdoor positioning.The research focuses on the regional level location in the outdoor,while the accurate location is also in consideration in the indoor.In addition to the theory statement,several algorithms were applied and the experimental results were compared.It turns out that the outdoor regional level positioning accuracy can reach 90.81%,which is 100%in indoor environment,and the accuracy of indoor accurate positioning is 11.16 m.

FM radio;fingerprinting technique;outdoor positioning;indoor positioning

TN96

A

2095-4999(2015)-04-0044-06

2014-10-16

蘇敏(1990—),女,內蒙古自治區包頭人,碩士生,主要研究方向為基于FM廣播的定位技術。

蘇敏,秦紅磊.調頻廣播定位技術的研究[J].導航定位學報,2015,3(4):44-49.SU Min,QIN Honglei.Research on Location with FM Broadcasting Signal[J].Journal of Navigation and Positioning,2015,3(4):44-49.

10.16547/j.cn k i.10-1096.20150409