基于CSI非視距識別的被動式指紋室內定位

王妙羽 李憲軍

摘 要：由于基于WiFi的室內定位技術的主要挑戰是多路徑和非視距（NLOS），因此，室內定位可以從NLOS識別中獲益。然而，來自商用WiFi的接收信號強度信息（RSSI），使得非視距識別受限于有限的帶寬和粗略的多徑分辨率。文章提出了一種更加細粒度的方法，即利用物理層的信道狀態信息（CSI）進行室內非視距識別。利用網卡及現有的WiFi設備，采集室內環境的CSI信息并提取特征信息，構建視距和非視距CSI指紋。利用一種基于深度學習的神經網絡算法進行非視距識別，從而達到室內定位的目的。在不同室內環境下的實驗結果表明，本方案的NLOS識別率達到96.43%，能有效并準確地區分視距與非視距位置。

關鍵詞：CSI；非視距識別；室內定位；神經網絡

關于WiFi系統中非視距（Non Line of Sight，NLOS）識別的研究，有研究提出了基于機器學習的方法，其中接收的信號強度指示（Received Signal Strength Indication，RSSI）的幾個統計特征包括均值、標準差、峰度、偏度、Rician K因子和卡方，利用擬合優度識別NLOS條件。作為多徑分量的疊加，RSSI不僅在信號波長的量級上隨距離變化，而且即使在靜態鏈路上也隨時間波動。文獻[1]提出了一種名為PhaseU的實時LOS識別方案，探索和利用PHY層信息的相位特征，利用天線元素的空間分集和利用正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）子載波的頻率分集。文獻[2]提出了一種名為LiFi的基于物理層的NLOS識別方法，并努力消除從信道狀態信息（Channel State Information，CSI）獲得的多徑信道脈沖響應（multipath Channel Impulse Response，CIR）的無關噪聲和NLOS路徑，并利用CIR樣本的偏度和Rician K因子識別NLOS路徑。雖然該方案利用細粒度CSI來識別NLOS條件，但是問題在于需要預定義的識別閾值，這可能受到環境和設備的極大影響。由于室內環境極其復雜和可變，因此很難獲得具有高精度的廣泛適用的閾值。

本文提出了一種基于WiFi信號的CSI指紋的NLOS識別技術。根據CSI在不同環境下進行的大量實驗的理論分析和觀察，利用CSI的關鍵特征，結合神經網絡算法識別LOS/NLOS條件，提高位置估計的精度。

1 系統結構

整個系統設計主要包括數據預處理階段、訓練階段和在線階段。采集到的CSI樣本信號，在傳輸的過程中會受到周圍環境的噪聲干擾，同時由于硬件限制等原因會產生相位偏移，因此，需要對CSI數據進行信號預處理。本文只利用CSI數據的相位信息，用線性擬合的方法對提取到的相位信息進行校正。離線階段，分別采集LOS和NLOS位置的CSI數據，得到每個位置的指紋信息，并添加位置標簽，作為指紋樣本輸入神經網絡中進行離線訓練，構建特征指紋庫。在線階段，將實時采集到的CSI數據進行相位矯正后，輸入訓練好的神經網絡中匹配識別得到位置標簽。

本文的主要創新點包括以下幾點：

（1）本文引入了基于CSI指紋的NLOS識別技術，更加細粒度地分析和研究室內多徑效應的分布規律，通過區分NLOS/LOS路徑，更有利于后續進行位置定位的工作。

（2）本文提出了在不攜帶設備的前提下利用CSI相位信息作為定位指紋。在室內環境下，人的活動對接收到的相位信息的影響不同，人在室內某個位置活動，對于CSI各信道的相位會造成不同程度的延遲。充分利用這些特征，可以提高定位準確率。

（3）本文采用基于深度學習的神經網絡分類算法對處理后的CSI樣本的相位進行訓練，采用一發兩收的實驗場景，兩個接收端的信息相對于單一接收端的信息，增加了訓練集的數據量，有效提高了識別率。

2 相位校正

本文主要利用CSI的相位信息進行指紋識別。相位誤差產生的原因主要分為兩類：載波頻移（Carrier Frequency Shift，CFO）和采樣頻移（Sampling Frequency Shift，SFO）。

3 識別算法

我們設計了一個包含兩個隱層的全連接分類神經網絡，輸入層120個節點，第一個隱層200個節點，第二個隱層100個節點，第二個隱層到輸出層采用softmax分類函數，將得到的輸出數據與位置標簽作為交叉熵損失函數的輸入，得到特征提取階段的權重修正。

在迭代之前，首先將訓練數據分類為利用分類函數得到的LOS和NLOS，然后應用非線性最小二乘回歸分析來建立LOS和NLOS的信號和距離之間的回歸模型。在預測過程中，首先對來自預測點的CSI進行預處理，并提取特征以識別利用分類模型的LOS或NLOS，然后將相應的回歸模型應用于位置標簽匹配。

4 實驗結果評估

4.1 實驗場景

在本節中，我們首先解釋實驗平臺和方法，然后對提出的NLOS識別方法進行詳細的性能評估。實驗環境：選取一個環境比較復雜的實驗室作為實驗場景，室內環境中配有桌子、電腦和其他木制或金屬家具。數據收集：測量在室內15個點處進行，收集每個給定點的400個CSI數據包，一部分數據在LOS條件下，另一部分在NLOS條件下。數據一臺支持802.11協議的TP-Link路由器，兩根發射天線在IEEE802.11nAP模式下以5.8 GHz運行。兩套臺帶有三根天線的筆記本電腦用作接收器ping數據包發送器，它配備5300NIC并運行Ubuntu11.04LTS，以上設備在室內環境構成了兩條通信鏈路。

4.2 效果評估

由于PhaseU和LiFi分別選擇Rician-k和偏度作為特征，并利用二元假設檢驗來識別LOS條件，但其性能對預定閾值非常敏感。考慮到干擾和距離因素，選擇滿意且廣泛適用的閾值是極其困難的，因為基于閾值的方法等效于線性分類器，而大多數LOS/NLOS條件不是線性可分的。為了展示本方案的先進性能，我們將我們的方案與PhaseU和LiFi在室內環境中進行比較。如前文所述，本方案無需定義閾值，因此可能更適合在不同的現實場景中使用。圖1為本方案與其他兩種方案的識別率比較，由于采用CSI指紋表示的特征更加細粒度，且本方案采用了一發多收的實驗場景，相較于其他兩種閾值判定法及單發單收的實驗場景，顯然識別率要更高。

5 結語

本文提出了一種在室內環境中使用現有的WiFi設備物理層的CSI數據，進行NLOS識別方法，無需被測對象攜帶任何額外設備。從CSI和其他統計特征中探索和利用描述多徑效應的新特征，以基于深度學習的神經網絡算法識別NLOS。本方案避免了在基于閾值的識別方法中選擇適當閾值的問題。采用一發兩收的實驗場景，提高了信號的空間覆蓋率，兩條通信鏈路的設置增加了數據集，使得實驗效果明顯超出了現有方法的性能。接下來的工作將從定位精度上著手，在NLOS識別的基礎上研究和探索更加有效、更精確的室內定位方案。

[參考文獻]

[1]ZHOU Z，YANG Z，WU C，et al.LiFi： Line-of-Sight identification with WiFi[C].Toronto：Proceedings of the 33rd IEEE International Conference on Computer Communications，2014.

[2]YANG Z，ZHOU Z，LIU Y.From RSSI to CSI： indoor localization via channel response[J].Acm Computing Surveys，2013（2）：1-32.