基于WiFi的設備無關被動式定位技術研究

朱春華 田稼科

摘? 要： 基于WiFi的被動式定位技術因其不要求目標攜帶射頻標簽、定位設備已商用化、定位數據便于獲取等優點得到廣泛關注。文中綜述了現有的基于WiFi的設備無關被動式定位系統，按照定位數據特點和定位實現原理，對比分析了基于接收信號強度（RSS）和基于信道狀態信息（CSI）的WiFi定位系統的架構、定位性能和適用性，所得結論可作為定位系統選擇的依據。

關鍵詞： 被動式定位; WiFi定位系統; 指紋匹配; 目標檢測; 接收信號強度; 定位性能分析; 定位數據獲取

中圖分類號： TN926?34? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）11?0024?05

Research on device?free passive localization technology based on WiFi

ZHU Chunhua， TIAN Jiake

（College of Information Science and Engineering， Henan University of Technology， Zhengzhou 450001， China）

Abstract： The passive localization technology based on WiFi is widely concerned because it does not require the target to carry the radio frequency tag， the localization equipment has been commercialized， and the localization data is easy to obtain. The existing device?free passive localization systems based on WiFi have been reviewed in this paper. According to the characteristics of the localization data and the localization implementation principle， the two localization systems based on the received signal strength （RSS） and channel state information （CSI） are contrasted and analyzed in the implementation structure， location accuracy and applicability. The results can be used for the selection of the localization systems.

Keywords： passive localization; WiFi positioning system; fingerprint matching; object detection; received signal strength; positioning performance analysis; positioning data acquisition

0? 引? 言

目標定位在雷達、聲納、無線傳感器網絡、天線基站等領域應用非常廣泛，它也是目標追蹤、識別和監測的基礎。能夠提供室外精準位置服務的全球定位系統[1]（Global Positioning System，GPS）和北斗導航定位系統[2]（BeiDou Navigation Satellite System，BDS）等技術極為成熟，但其用于室內定位時由于衛星信號受到建筑物阻擋，出現衰減和室內環境復雜多變難以提供高精度的位置信息。近些年射頻定位技術因其硬件實現簡單、組網靈活、分辨率高等優點成為新的研究熱點，若按照目標是否攜帶射頻標簽，則可分為主動式定位和被動式定位兩大類。文獻[3]首次提出了被動式定位的概念，與主動式定位相比，被動式定位不要求待側目標攜帶標簽，不涉及目標隱私和安全性，具有更為廣闊的應用場景。在藍牙[4]（Bluetooth，BT），ZigBee[5]，WiFi，射頻標簽[6]（Radio Frequency Indentification，RFID），超寬帶無線電[7]（UltraWideBand，UWB）等現有的定位技術中，基于WiFi的射頻定位技術能夠利用現成的IEEE 802.11n標準下的商用無線網卡（如Intel 5300）實現組網，且能夠獲取精確的接收信號強度（Received Signal Strength，RSS）信息或信道狀態信息（channel state information，CSI），從而可在無線網絡已大范圍覆蓋的室內場景中實現目標定位[8]。

本文綜述了基于WiFi的射頻定位技術的典型系統，依據鏈路層和物理層定位實現原理，對比分析了基于RSS和基于CSI的WiFi定位系統架構、定位性能和應用場景。

1? 基于WiFi的典型被動式定位系統

1.1? 基于RSS的WiFi被動式定位

無線信號在室內空間傳輸時的RSS變化與傳輸距離存在一定的規律[9]，WiFi信號的接收強度用于定位是完全可行的。受限于設備條件和網絡協議的發展，國內外學者最早的研究都是基于RSS。早在2000年，微軟公司的Bahl等人便利用指紋庫匹配技術實現了基于WiFi的RSS主動式定位系統RADAR[10]，該系統在1 000 m2的空間能夠達到5 m的定位精度，從此WiFi定位技術開始了飛速的發展。

2007年，Moustafa Youssef團隊首次提出了在可控環境下基于無線局域網的被動式定位（Device?free Passive Localization，DFPL）的概念，并且詳述了DFPL的三大功能，即入侵檢測、定位追蹤和行為識別。Youssef等人對人體檢測模塊提出了移動平均和移動方差的算法，對于軌跡追蹤模塊和行為識別模塊提出了基于被動電子地圖的概率論匹配算法，并據此論證了設備無關被動定位的可行性。DFPL系統工作原理如圖1所示。

在2009年NTM會議上，Youssef團隊基于真實環境下RSS的能量級存在一定的波動這一發現，提出真實環境下基于WiFi的DFP檢測系統[11]。在原有的DFPL系統檢測模塊上運用假設檢驗算法，進一步從時間和空間上研究環境改變對系統精度的影響。以上兩項工作奠定了基于WiFi設備無關被動式定位的理論基礎和整體框架。

Youssef團隊在后續工作中分別研究了基于多目標的DFP系統[12]、基于輕量級的DFP系統[13]和基于大規模的DFP系統[14]。以此為基礎，面向大規模WLAN真實環境，提出并設計了基于WiFi的設備無關被動式定位跟蹤系統Nuzzer[15]，該系統采用指紋庫匹配算法，工作分為兩大階段：離線訓練階段和在線定位階段。在離線訓練階段，不攜帶任何設備的目標依次站立在不同的測試點，接收端依次記錄相對應的RSS值建立指紋庫;在在線定位階段，利用離散空間估計和連續空間估計算法在離散空間和連續空間實現室內人體定位和追蹤。離散估計使用最大概率估計輸出一個位置坐標;連續估計對離散階段一系列坐標位置進行空間平均和時間平均來提高定位精度，不同位置的空間目標坐標定義為：

[x=i=1kp（i）?xi=1kp（i）] （1）

式中：[k]是參與定位計算的指紋點的個數;[p（i）]是每個點對應的概率;[x]表示降序排列的指紋點坐標。不同時刻的時間平均坐標定義為：

[xt=i=t-min（w，t）+1tximin（w，t）] （2）

式中：[xi]表示不同時刻的目標坐標;[w]表示平均窗口長度;[t]表示時間段。Nuzzer系統提出的時空平均算法的中位誤差達到了1.82 m，相對于傳統的貝葉斯算法其精確度提高了38%。

指紋庫在構建過程中需要大量的物力財力，且無法適應多變的環境，一旦環境發生改變，就需重新測量建立指紋庫。鑒于此，Youssef團隊在2014年提出了輕量級的定位追蹤系統Ichnaea[16]，在靜態環境下構建指紋庫時不再像以往系統一樣，Ichnaea系統對接收的信號強度經過短時間的訓練（典型2 min）得到非參數的信號特征。在檢測模塊中引入RASID[12]設備無關被動人體檢測系統的統計異常檢測技術，確定是否有用戶出現在監控區域，監控區域估計的信號密度定義為：

[fj（x）=1nhji=1nVx-xj，ihj] （3）

式中：[xj，i]和[hj]分別表示第[j]個數據流的采樣和帶寬;[V]代表核函數;[n]是滑動窗口的個數。檢測模塊采用高效的Epanechnikov核函數，可表示為：

[V（q）=34（1-q2），? ? ?q≤10，? ? ?otherwise] （4）

式中：最優帶寬采用Scott正則化方法[17]選取，即[h?j=2.345σjn-0.2]，[σj]為[xj，i]的標準差。在檢測模塊中，對于給定的參數[a]，只需檢測實際累計分布函數[Fj]是否大于檢測閾值[F-1j（a）]即可判斷有無目標。定位模塊采用粒子濾波算法。對于[t]時刻的數據流[j]來說，給定它的異常分數[aj，t]，則粒子[i]當前的權重可定義為：

[zij，t=aj，t?djdAPj，i+dMPj，i] （5）

式中：[dApj，i]和[dMpj，i]分別表示粒子到接收端和發射端的距離;[dj]表示發射端到接收端的距離。根據所有數據流，可以得到粒子[i]的位置即權重最大的位置[zi，t=maxjzij，t]，相對于傳統的基于電子地圖的WiFi定位系統，Ichnaea系統在保證定位精度的同時，節省了大量的人力物力和財力，具有較強的系統抗干擾能力，從而使該系統具有更好的穩定性和普適性。

1.2? 從RSS到CSI

室內環境復雜多變，到達接收端的信號往往經過了環境的反射、折射、透射等，RSS作為鏈路層參數是多條無線路徑的能量疊加值，只能描述無線信號在傳輸過程中的衰減程度，而無法反映室內多徑效應的程度。靜態環境下接收機1 min接收到的RSS會產生5 dB的波動[18]，這將限制系統定位精度和魯棒性的提升。在IEEE 802.11系列協議中，WiFi引入正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）技術，將傳輸信道劃分為若干個更加細粒度的子信道，將傳輸信息放到多個子載波[fk]上傳輸，接收端能夠記錄到達接收端所有子載波的振幅和相位，記作CSI。國內外學者最初只能采用價格昂貴的軟件無線電（Universal Software Radio PeriPheral，USRP）來記錄CSI，例如，著名的穿墻檢測系統WiVi[19]，隨著CSI?tool[20]技術的提出，WiFi環境下廉價的商用設備使得CSI的廣泛應用成為了可能。

射頻節點接收到的CSI信號可表示為[H（fk）=H（fk）eisin（∠H（fk））]，其中，[H（fk）]是頻率為[fk]的第[k]個子載波的CSI，[H（fk）]和[∠H（fk）]分別代表第[k]個子載波的幅度和相位。以高通的AR9580NIC網卡為例，有無探測目標時，射頻節點接收端接收到的CSI信號幅值和相位分別如圖2和圖3所示。

為了應對當前頻譜資源匱乏的問題，IEEE 802.11n協議引入了多輸入多輸出（Multiple Input Multiple Output，MIMO）技術。MIMO技術在保證帶寬和傳輸功率一定的情況下，通過增加接收端和發射端的天線數目來提高數據吞吐量和傳輸距離。MIMO系統中發射端和接收端每一對天線都可以看作是一個數據流，假設發射端和接收端分別有[M]和[N]根天線，數據流數目為[M×N]，所有數據流的CSI信息可表示為：

[H=H11H12…H1MH21H22…H2M????HN1HN2…HNM] （6）

CSI在一定程度上抑制了多徑效應，而且其攜帶的幅度和相位信息更為豐富。基于CSI的WiFi被動式定位技術領域的成果不斷涌現，室內定位的精確度和普適性都得到了較大的改善。

1.3? 基于CSI的WiFi被動式定位

文獻[21]提出了基于CSI的被動式定位系統Pilot，Pilot系統分為兩大階段：離線訓練階段和在線定位階段。離線訓練階段，Pilot系統以靜態環境下數據包的自相關函數的均值[CiNor]為特征建立指紋庫，把異常環境下數據包的互相關函數的均值[CiAbn]作為“觸發器”，分別定義為：

[CiNor=1nj=1ncorr（HiNor，HjNor）] （7）

[CiAbn=1nj=1ncorr（HjNor，HiAbn）] （8）

式中：[n]是數據包個數;[HiNor]代表離線訓練階段第[i]個數據包的CSI集合;[HiAbn]代表檢測階段的第[i]個數據包的CSI集合。

在線定位階段，系統時刻運行人體檢測模塊，Pilot系統借助于RASID系統實現輕量級的基于CSI的被動人體檢測。當確定存在目標，需要啟動定位模塊時，Pilot系統利用概率算法將檢測到的異常數據與指紋庫進行對比，從而感知目標所在的位置。實驗結果表明，在相同的實驗環境下，Pilot系統的異常檢測性能優于RASID，定位精度相比于Nuzzer系統提升6%。

雖然被動式定位已經得到了較快的發展，但大部分系統都要求監控區域設置一定數量的發射機?接收機對，而家庭場景中發射機?接收機對較少，甚至只有一個接入點。針對該問題，Yourssef團隊在WCNC 2013會議上提出了精確的基于單流的被動式MonoPHY[22]定位系統。MonoPHY系統采用一對發射?接收機，利用指紋匹配的方法實現目標定位。MonoPHY記錄目標位于不同位置的CSI，經過長時間的實驗觀察，在測試位置每個載波的CSI值都呈現出分簇現象，且分簇數最多不超過3個，據此每簇都可以建立高斯分布模型用于定位計算。此外，MonoPHY系統還引入MIMO技術和OFDM技術增加定位精度。假設在測試空間，發射端有[n]根天線，接收端有[m]根天線，則在只有一對發射?接收機的情況下存在[n×m]條天線對，發射端采用OFDM調制技術在[f]個子載波上傳輸數據包。這樣在監控區域就存在[n×m×f]條數據鏈路。一個鏈路對應一個子載波，其到達接收端都具有不同的幅值和相位。MonoPHY主要采用幅值信息，在離線訓練階段，MonoPHY采用[k]均值將每條數據流最多劃分為3個簇，同時采用高斯混合模型建立指紋庫;在在線定位階段，采用最大化后驗概率算法對測試對象進行定位。實驗結果表明，MonoPHY系統可以達到1.36 m的中位距離誤差，比Nuzzer系統提高了48.1%。

在MonoPHY系統中，每個位置上每個簇的子載波攜帶的CSI幅值信息都可以用高斯混合建模，但相鄰位置的CSI文件高度重合以及數據處理階段[k]均值算法帶來的平滑效應降低了定位精度。針對這一問題，Yourssef團隊提出基于單流的WiFi被動式定位系統MonoStream[23]。MonoStream系統將定位問題建模為一個目標識別問題，在離線訓練階段，它將不同位置上的CSI信息建模為不同圖像，并采用聯合boosting技術降低算法運算時間，提取一系列的特征值，在在線定位階段采用離散空間估計和連續空間估計的方法。實驗結果表明，相比MonoPHY系統，MonoStream系統獲得了0.95 m的中位誤差，定位精度提升了26%，且運行時間小于23 ms，更加適合實時監測。

以上基于CSI的WiFi被動式定位技術都采用幅值信息，而忽略了更加敏感的相位信息。鑒于此，在2014年清華大學的劉云浩團隊第一次提出了基于幅度和相位的PADS[24]檢測系統。PADS系統在數據處理階段采用相位線性變化來消除定時偏移和信號噪聲，采用Hampel濾波器來降低孤立值帶來的較大波動;在特征提取階段不再采用與信號功率有關的方差特征。PADS系統利用一種與環境變換無關的歸一化幅值協方差和相位協方差矩陣;且采用支持向量機實現目標檢測。實驗結果表明，PADS系統在引入相位信息之后性能有一定的提升，證明了相位信息的有效性。文獻[24]也表明，CSI中的相位信息與目標關系的探明將是未來的研究重點。當前的天線設備和帶寬限制了CSI系統精度的進一步提升，文獻[25?27]將CSI信息與傳統定位系統采用的RSS信息等的多信息多技術融合將能夠進一步提升定位系統的性能，未來混合信息和技術的研究也將推動CSI系統的應用。

1.4? 對比分析

對現有的典型被動式定位系統對比分析結果如表1～表3所示。

由表1～表3可以看出：當前的WiFi被動式定位系統基本使用指紋匹配的方法;當今的WiFi被動式定位系統的發展主流是使用含有更多信息的CSI;基于CSI的WiFi被動式定位系統大多采用易于處理的幅值信息。

2? 結? 論

本文對比分析了基于RSS的WiFi被動式定位技術和基于CSI的WiFi被動式定位技術及其典型的實現架構。分析結果表明，與基于RSS的系統相比，基于CSI的系統能夠更加細粒度地描述無線信道，系統具有更高的精確度和魯棒性。CSI中的相位信息與目標關系的探明以及CSI信息與RSS信息的特征融合和定位系統的融合將是未來射頻探測技術研究的方向。

參考文獻

[1] HSU L T. Analysis and modeling GPS NLOS effect in highly urbanized area [J]. GPS solutions， 2018， 22（7）： 1?12.

[2] YANG Yuanxi， XU Yangyin， LI Jinlong， et al. Progress and performance evaluation of BeiDou global navigation satellite system： data analysis based on BDS?3 demonstration system [J]. Science China earth sciences， 2018， 61（5）： 614?624.

[3] YOUSSEF M， MAH M， AGRAWALA A K. Challenges： device?free passive localization for wireless [C]// Proceedings of the 13th Annual International Conference on Mobile Computing and Networking. Montreal， Quebec， Canada： ACM， 2007： 222?229.

[4] HAARTSEN J C. The Bluetooth radio system [J]. IEEE personal communications， 2000， 7（1）： 28?36.

[5] FANG S H， WANG C H， HUANG T Y， et al. An enhanced ZigBee indoor positioning system with an ensemble approach [J]. IEEE communications letters， 2012， 16（4）： 564?567.

[6] MONTASER A， MOSELHI O. RFID indoor location identification for construction projects [J]. Automation in construction， 2014， 39： 167?179.

[7] YU K， MONTILLET J P， RABBACHIN A， et al. UWB location and tracking for wireless embedded networks [J]. Signal processing， 2006， 86（9）： 2153?2171.

[8] WANG Yan， LIU Jian， CHEN Yingying， et al. E?eyes： device?free location?oriented activity identification using fine?grained WiFi signatures [EB/OL]. [2016?05?11]. http：//www.doc88.com/p?0116903478276.html.

[9] HAFEZI P， NIX A， BEACH M A. An experimental investigation of the impact of human shadowing on temporal variation of broadband indoor radio channel characteristics and system performance [C]// Vehicular Technology Conference Fall 2000. Boston， MA， USA： IEEE， 2000： 37?42.

[10] BAHL P， PADMANABHAN V N. RADAR： an in?building RF?based user location and tracking system [C]// Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies. Tel Aviv， Israel： IEEE， 2000： 775?784.

[11] MOUSSA M， YOUSSEF M. Smart devices for smart environments： device?free passive detection in real environments [C]// IEEE International Conference on Pervasive Computing & Communications. Galveston， TX， USA： IEEE， 2009： 1?6.

[12] SABEK I， YOUSSEF M. Multi?entity device?free WLAN localization [C]// 2012 Global Communications Conference. Anaheim， CA， USA： IEEE， 2013： 2018?2023.

[13] KOSBA A E， SAEED A， YOUSSEF M. RASID： a robust WLAN device?free passive motion detection system [C]// 2012 IEEE International Conference on Pervasive Computing and Communications. Lugano， Switzerland： IEEE， 2011： 180?189.

[14] SEIFELDIN M， YOUSSEF M. A deterministic large?scale device?free passive localization system for wireless environments [C]// Proceedings of the 3rd International Conference on Pervasive Technologies Related to Assistive Environments. Samos， Greece： ACM， 2010： 51?58.

[15] SEIFELDIN M， SAEED A， KOSBA A E， et al. Nuzzer： a large?scale device?free passive localization system for wireless environments [J]. IEEE transactions on mobile computing， 2013， 12（7）： 1321?1334.

[16] SAEED A， KOSBA A E， YOUSSEF M. Ichnaea： a low?overhead robust WLAN device?free passive localization system [J]. IEEE journal of selected topics in signal processing， 2014， 8（1）： 5?15.

[17] EPANECHNIKOV V A. Non?parametric estimation of a multivariate probability density [J]. Theory of probability and its applications， 1969， 14： 153?158.

[18] WU K， XIAO J， YI Y， et al. FILA： fine?grained indoor localization [C]// Proceedings of 2012 IEEE INFOCOM. Orlando， FL， USA： IEEE， 2012： 2210?2218.

[19] ADIB F， KATABI D. See through walls with WiFi [EB/OL]. [[2017?03?09]]. https：//wenku.baidu.com/view/24664404a22 d7375a417866fb84ae45c3b35c22b.html.

[20] HALPERIN D， HU W， SHETH A， et al. Predictable 802.11 packet delivery from wireless channel measurements [J]. ACM SIGCOMM computer communication review， 2010， 40（4）： 159?170.

[21] XIAO J， WU K， YI Y， et al. Pilot： passive device?free indoor localization using channel state information [C]// 2013 IEEE 33rd International Conference on Distributed Computing Systems. Philadelphia， PA， USA： IEEE， 2013： 236?245.

[22] ABDEL?NASSER H， SAMIR R， SABEK I， et al. MonoPHY： mono?stream?based device?free WLAN localization via physical layer information [C]// IEEE Wireless Communications and Networking Conference （WCNC 2013）. Shanghai， China： IEEE， 2013： 4546?4551.

[23] SABEK I， YOUSSEF M. MonoStream： a minimal?hardware high accuracy device?free WLAN localization system [EB/OL]. [2013?08?04]. https：//www.arxiv.org/abs/1308.0768.

[24] QIAN K， WU C， YANG Z， et al. PADS： passive detection of moving targets with dynamic speed using PHY layer information [C]// 2014 20th IEEE International Conference on Parallel and Distributed Systems （ICPADS）. Hsinchu， Taiwan， China： IEEE， 2014： 1?8.

[25] SUN C， GAO F， LIU H， et al. A radio tomographic imaging method using channel state information and image fusion [C]// 2018 8th International Conference on Electronics Information and Emergency Communication （ICEIEC）. Beijing， China： IEEE， 2018： 223?227.

[26] CHOI J S， LEE W H， LEE J H， et al. Deep learning based NLOS identification with commodity WLAN devices [J]. IEEE transactions on vehicular technology， 2018， 67（4）： 3295?3303.

[27] HUANG X， GUO S， YAN W， et al. A fine?grained indoor fingerprinting localization based on magnetic field strength and channel state information [J]. Pervasive & mobile computing， 2017， 41： 150?165.