基于SVRPSO-KF的RFID室內定位算法

楊麗 劉沁舒 徐潔 胡靜 宋鐵成 蔣宗清

【摘? 要】提出了一種基于非線性支持向量機回歸SVR、粒子群優化PSO和卡爾曼濾波KF的室內定位算法。對室內運動的物體，采用SVR訓練RSSI和距離，構建RSSI和距離的非線性關系，提高RSSI測距精度;再根據待定位標簽到各個閱讀器的距離，利用PSO優化算法來確定待定位物體各時間點的位置坐標;最后通過卡爾曼濾波對運動軌跡進行濾波。實驗結果表明，該算法提升了室內運動物體的定位精度，減小了定位誤差。

【關鍵詞】RFID;定位;非線性SVR;PSO;KF

1? ?引言

RFID（Radio Frequency Identification）定位技術[1]利用讀寫器和電子標簽之間的雙向數據交換[2-4]，對物體進行定位，該技術成本低，環境適應能力強，可以在很短的時間內達到較高的定位精度[5-6]。本文提出基于非線性支持向量機回歸（SVR，Support Vector Regression）[7]、粒子群優化（PSO，Particle Swarm Optimization）[8]和卡爾曼濾波（KF，Kalman Filter）[9]的定位算法SVRPSO-KF。對于運動的物體，先通過非線性SVR構建接收信號強度指示（RSSI，Received Signal Strength Indication）與距離的非線性映射關系，提高RSSI測距的精度，再利用粒子群優化算法通過迭代搜索估計待定位標簽各時間點的位置，最后通過卡爾曼濾波對運動軌跡進行濾波[10]以提高定位精度。

2? ?SVRPSO-KF定位算法

在SVRPSO-KF算法中，有兩個階段：更新階段和預測階段。一方面，根據待定位目標前一時刻的狀態信息預測出目標當前時刻的狀態信息;另一方面，根據預測信息更新目標當前時刻的狀態信息和后驗分布以及相關參數，由此對目標狀態進行持續跟蹤，結果即為待定位標簽的運動軌跡。算法詳細步驟如下：

（1）系統的動態模型為：

Xk是系統的狀態向量，Zk是系統的觀測向量，F是狀態轉移矩陣，H為觀測矩陣，Wk為零均值、協方差矩陣為Q的過程噪聲，Vk為零均值、協方差矩陣為R的觀測噪聲。

（2）通過將參考標簽的RSSI矩陣與參考標簽的距離矩陣作為非線性SVR的訓練集，構建RSSI與距離的非線性映射關系，估算出待定位標簽與閱讀器之間的距離，再利用PSO優化方法通過迭代尋求目標函數的最優解，從而可以獲取系統的觀測向量Zk，具體步驟如下：

◆建立參考標簽的RSSI矩陣和距離矩陣。

◆將參考標簽的RSSI矩陣作為樣本的輸入值，將其距離矩陣作為樣本的期待輸出值，對其進行非線性SVR訓練，得到決策函數，構建RSSI與距離的非線性映射關系。

◆閱讀器獲取待定位標簽的信號強度值，建立待定位標簽的RSSI矩陣。將待定位標簽的RSSI矩陣作為決策函數的輸入，則可估算待定位標簽與閱讀器之間的距離。

◆根據待定位標簽的距離矩陣以及閱讀器的位置坐標，構建出待定位標簽位置的非線性方程組。將非線性方程組求解問題轉化為目標函數的優化問題。

◆利用PSO優化方法，通過迭代尋求目標函數的最優解，計算并比較所有粒子的適應度值，根據全局最優值和個體最優值使粒子的位置和速度向最優解靠攏，得到的最優解為待定位標簽的位置坐標也就是系統的觀測向量Zk。

（3）對算法中的參數進行更新

（4）重復步驟（2）和步驟（3）即可對目標狀態進行持續跟蹤，結果即為待定位標簽的運動軌跡。

3? ?算法仿真與結果分析

本文使用Python對算法進行了一系列仿真實驗來評估SVRPSO-KF算法的性能。在仿真實驗中，定位系統仿真布局如圖1所示。待定位區域為8 m×8 m的室內區域，在這個區域中的每個角落放置一個閱讀器，在整個區域中均勻放置4×4個參考標簽，并生成待定位標簽的運動軌跡。

為了驗證本文提出算法的定位性能，同時對未進行濾波的VIRE算法[4]和SVR-PSO算法進行仿真。定位算法誤差圖如圖2所示。在定位精度方面，本文提出的SVRPSO-KF算法比VIRE算法有很大的提升;在定位誤差方面，本文提出的SVRPSO-KF算法比SVR-PSO算法有一定的改善，這說明利用KF對運動軌跡進行濾波可以降低定位誤差，并且使系統的定位結果更穩定，這主要是因為SVR對RSSI和距離非線性回歸比較準確，并且采用了PSO優化算法，通過迭代提高了定位精度，并且通過KF對軌跡進行濾波，進一步降低了定位誤差。

4? ?結束語

本文在RFID環境下，通過閱讀器對運動的標簽進行定位，提出了一種SVRPSO-KF定位算法。該算法首先通過非線性SVR對RSSI和距離進行訓練，構建RSSI與距離的非線性映射關系，提高RSSI的測距精度;然后再利用PSO優化算法通過迭代尋求待定位標簽的位置坐標;最后利用KF對運動軌跡進行濾波。仿真結果表明，本文提出的SVRPSO-KF算法能夠有效地提高定位精度，降低定位誤差。

參考文獻：

[1] M K Bek， E M Shaheen， S A Elgamel. Analysis of the global position system acquisition process in the presence of interference[J]. IET Radar， Sonar & Navigation， 2016，10（5）： 850-861.

[2] Scherh?ufl M， Pichler M， Stelzer A. UHF RFID Localization Based on Evaluation of Backscattered Tag Signals[J]. IEEE Transactions on Instrumentation and Measurement， 2015，64（11）： 2889-2899.

[3] Khan M M， Tahir F A， Cheema H M. Frequency Band Utilization Enhancement For Chipless RFID Tag Through Place Value Encoding[C]//2016 IEEE International Symposium on Antennas and Propagation （APSURSI 2016）. Fajardo ， Puerto Rico， 2016： 1477-1478.

[4] X Liu， M Wen， G C Qin， et al. LANDMARC with improved k-nearest algorithm for RFID location system[C]//2016 2nd IEEE International Conference on Computer and Communications （ICCC）. Chengdu， 2016： 2569-2572.

[5] Dian Z， Kezhong L， Rui M. A precise RFID indoor localization system with sensor network assistance[J]. China Communications， 2015，12（4）： 13-22.

[6] Zhang X， Peng， Cao X. RFID Indoor Localization Algorithm Based on Dynamic Netting[C]//2010 International Conference on Computational and Information Sciences. Chengdu， 2010： 428-431.

[7] 張謙. UHF RFID系統應用性能關鍵技術研究[D]. 上海： 上海交通大學， 2015.

[8] Lu X， Wang L， Wang H， et al. Kalman filtering for delayed singular systems with multiplicative noise[J]. IEEE/CAA Journal of Automatica Sinica， 2016，3（1）： 51-58.

[9] Kulikov G Y， Kulikova M V. The Accurate Continuous-Discrete Extended Kalman Filter for Radar Tracking[J]. IEEE Transactions on Signal Processing， 2016，64（4）： 948-958.

[10] H Zhou guo， L Fang， Y Yi. An improved indoor UHF RFID localization method based on deviation correction[C]//2017 4th International Conference on Information Science and Control Engineering （ICISCE）. Changsha， 2017： 1401-1404.