基于WLAN的大型船舶艙體內部指紋定位算法

許智勛，高 尚

(江蘇科技大學 計算機科學與工程學院，江蘇 鎮江 212003)

0 引 言

隨著現代信息技術的發展，船舶設備的信息化水平也迅速提升[1]。其中，船舶導航定位系統一直以來都是保障船舶安全航行的重要助航系統，并朝著綜合化、精確化、垂直化的趨勢發展[2]。對于大型船舶而言，設計尺寸、建造結構、艙內環境都日趨復雜，艙體內的人員位置難以鎖定，將容易造成施工易迷路、作業效率低、緊急搜救難度大等問題。大型船舶艙體內的人員定位研究對船舶的設計建造、日常作業、救援保障等方面有著重要的意義。

船舶導航定位領域常用的技術有衛星定位技術[3]、傳感器定位技術[4]和無線通信網絡定位技術[5]，具體包括GPS定位、北斗定位、紅外線定位、超聲波定位、超寬帶定位、射頻定位等。衛星定位技術在船舶導航方面有成熟的沉淀積累，然而，由于多徑干擾、非視距傳輸、信號衰減等原因[6]，衛星微波信號無法穿透船艙建筑，提供艙體內的定位服務。傳感器定位技術能夠實現高精度定位，然而，需要大量的硬件部署，且要求定位空間內的各項環境指標長時間保持不變。無線通信網絡定位技術可利用現有通信網絡進行定位，無需額外的硬件部署，其中WLAN定位技術采用2.4 GHz公開頻段及應用廣泛的IEEE 802.11標準[7]，具有容易部署、應用范圍廣、環境適應能力強等特點[8]，更符合艙體內定位環境和定位精度的需求。文獻[9]設計了基于二維碼指紋的主動式艙體內定位方法；文獻[10]利用Zigbee技術進行艙內人員定位；文獻[11]設計了船舶艙體內的超聲波定位系統；文獻[12]提出了超寬帶技術，用于艙內船員的救援監測。

本文在綜合考慮船艙內環境、精度要求、硬件部署及算法實現等因素，提出了基于WLAN的艙內指紋定位方法。并針對定位各階段提出定位算法和AP選擇算法，與傳統定位算法和AP選擇算法相比，提升了船艙內環境下的定位精度。

1 WLAN指紋定位模型

WLAN是一種基于IEEE802.11標準的無線局域網業務。在WLAN的網絡覆蓋區域內，若干接入點（AP）分散于空間各處，其信號的收發符合無線電磁波的傳播規律，可以利用數學模型將傳播信號轉化為確定性的長度、角度等參數，或者概率性的指紋特征參數。

WLAN指紋定位流程如圖1所示。位置指紋是一種在信號特征與地理位置間建立起來的映射關系。通過離線階段采樣收集數據，按照約定的規則存儲，形成指紋數據庫；在線階段實時采集接收信號強度（RSS），經特征提取后與指紋數據庫進行比對，找出等同或相似的一一映射關系，估算出待定位點的位置坐標。RSS衰減模型表示如下：

圖1 WLAN指紋定位流程Fig. 1 WLAN fingerprint positioning process

1.1 離線訓練階段

如圖2所示，離線訓練階段需要對定位空間劃分采樣網格，在各采樣網格內采集RSS指紋數據，構建指紋數據庫。圖2中，定位區域劃分為4行7列的網格（共28個網格點），2個AP。在每一個網格點上，利用移動通信設備及進行一段時間的數據采樣（5～15 min，每秒采集一次）得到來自各個AP的平均RSS，采集時考慮移動設備不同的朝向和角度。

圖2 RSS指紋離線采集與訓練Fig. 2 RSS fingerprint offline collection and training

圖3為在二維信號空間中展示的RSS指紋分布。當AP數量擴展到，則指紋將擴展為維。

圖3 二維RSS指紋分布Fig. 3 Two-dimensional RSS fingerprint distribution

表1 RSS指紋數據庫Tab. 1 Example Fingerprint Database

1.2 在線估算階段

在線估算階段，移動設備處于定位空間內，但是不知道它的具體位置坐標。假設待定位點處采集到的RSS向量為需要將在線采集的RSS向量與離線指紋數據庫中的數據進行匹配，找出最接近的指紋，通過指紋的坐標來代替或者估算出待定位點的位置。如果那么最匹配的樣本是表1中的第1項，移動設備被定位于坐標處。

如圖4所示，虛線表示指紋匹配采用的決策邊界，白色圓圈為待定位點，在決策邊界內有一個RSS指紋與白色圓圈接近，則可用該指紋對應的坐標作為待定位點的位置坐標。常用的指紋匹配算法有K近鄰算法和樸素貝葉斯算法。

圖4 在線匹配估算Fig. 4 Online match estimate

2 貝葉斯分簇定位算法

定位空間中，將第i個參考點處的RSS向量記為待定位點處觀測到的RSS向量記為則其中表示該觀測點處可視AP的數量。若定位空間內共有個參考點，則共有組指紋數據，記為與各組指紋有映射關系的參考點位置記為表示相應位置坐標。計算實時采集的在各個參考點位置上的后驗概率用于表示某個參考點上能產生的概率。計算方法下式：

確定了概率和最大的簇之后，其中各參考點的后驗概率將用于進一步的位置估算。后驗概率越大，則越接近定位目標，反之亦然。因此，繼而通過簇內各點的后驗概率，便可估算出目標點的坐標。

3 基于信息增益的AP選擇改進算法

3.1 算法流程

由于并非所有可視AP均對定位有相同貢獻[13]，所以需對AP進行選擇，剔除無用AP，選取最佳AP子集用于定位。

本文所提的AP選擇算法流程，如圖5所示。在各網格采樣點采集可視AP的RSS數據，將全體可視AP組成初始AP集合；計算出每個AP的信息增益值；在信息增益值的基礎上，分析出AP在相鄰AP中的可辨性，以反映一個AP的與其他AP之間的區分程度；將所有可視AP依照可辨性進行綜合降序排列；選取前個AP組成篩選后的AP子集，建立位置指紋數據庫，作為在線定位階段的輸入。

圖5 AP選擇流程圖Fig. 5 AP selection flow chart

3.2 信息增益計算

首先給出單個AP的信息增益的計算，如下式：

3.3 綜合可辨識性計算

4 仿真與實驗結果分析

根據本文提出的算法，選取包含12個房間1條走廊的一個樓層進行仿真實驗。各房間房門關閉，以模擬船艙的封閉式狀態。選取經典的K近鄰算法[14]、樸素貝葉斯算法[15]2種定位算法同貝葉斯分簇定位算法進行對比；選取Max-Mean算法[16]和InfoGain算法[17]2種AP選擇算法與本文基于信息增益的AP選擇改進算法進行對比。

定位算法仿真結果如圖6所示，可以看出，本文算法在定位精度上優于樸素貝葉斯算法和K近鄰算法，在1.5～2.5 m的誤差范圍內，累積概率明顯提升。其中，誤差范圍在1.5 m以內的累積概率，本文算法比樸素貝葉斯算法和K近鄰算法的定位精度分別提升10%和25%。說明本文算法有效提高了定位算法的精度范圍，在采樣網格尺寸不變的情況下，更高定位精度結果出現的概率明顯提升。

圖6 定位算法比較Fig. 6 Positioning algorithm comparison

圖7為AP選擇算法在不同采樣點處的定位結果。可以看出，本文提出的AP選擇算法定位誤差要低于另外2種。在不同位置上的定位穩定性也更高，定位誤差范圍始終在1.5～2.5 m上下浮動。

圖7 AP選擇算法定位誤差Fig. 7 AP selection algorithm positioning error

3種AP選擇算法下的累積誤差分布圖如圖8所示。可以看出，本文的AP選擇算法使整體定位精度明顯提升，同InfoGain算法和Max-Mean算法相比，定位誤差在1.5 m以內的概率分別增加了12%和24%；定位誤差在2 m以內的概率分別增加了7%和13%。

圖8 誤差累積概率Fig. 8 Error accumulation probability

5 結 語

在大型船舶艙體內定位的應用背景下，本文提出了基于WLAN的艙體內指紋定位算法。對在線階段和離線階段分別提出了貝葉斯分簇定位算法和基于信息增益的AP選擇改進算法。實驗結果表明，本文所提算法能夠符合大型船舶艙體內多封閉空間下的定位需求。本文算法與傳統室內定位算法及AP選擇算法相比，定位精度明顯提升。