一種針對異構設備和環境變化的室內定位算法

摘要： 針對基于藍牙指紋的室內定位中存在設備異構性和藍牙信標節點發生變化的問題， 提出一種針對異構設備和環境變化的室內定位算法. 首先，" 利用普氏分析法對接收到的信號強度進行標準化處理， 使用核極限學習機（kernel extreme learning machine， KELM）對標準化的指紋庫建模， 減少用戶移動終端差異導致的信號強度差異； 其次， 當接入點（access point， AP）信號發生變化時， 利用高斯過程回歸重新校準該接入點信號， 更新指紋庫， 消除接入點因信號衰弱、 位置移動或環境變化導致的定位誤差. 測試分析結果表明： 該算法能有效克服異構設備產生的影響， 并更好地適應環境變化.

關鍵詞： 室內定位； 普氏分析法； 異構設備； 環境變化； 高斯過程回歸

中圖分類號： TP393 文獻標志碼： A 文章編號： 1671-5489（2023）04-0915-07

An Indoor Location Algorithm for HeterogeneousDevices and Environmental Changes

SUN Shunyuan， YU Jingyuan

（Key Laboratory of Advanced Process Control for Light Industry of Ministry of Education，

School of Internet of Things Engineering， Jiangnan University， Wuxi 214122， Jiangsu Province， China）

Abstract： Aiming at the problem of equipment heterogeneity and the change of Bluetooth beacon nodes in indoor location based on Bluetooth fingerprint， we proposed an indoor location algorithm for heterogeneous devices and environmental changes. Firstly， we used Procrustes analysis method to standardize the received signal strength， and used kernel extreme learning machine （KELM） to model the standardized fingerprint database to reduce the signal strength differences caused by the differences of users’ mobile terminals. Secondly， when the access point （AP） signal changed， the access point signal was recalibrated by Gaussian process regression （GPR）， and the fingerprint database was updated to eliminate the positioning error caused by the weak signal， position movement or environmental change of the access point. Test analysis results show that the algorithm can effectively overcome the impact of heterogeneous equipment， and better adapt to the environmental changes.

Keywords： indoor location; Procrustes analysis method; heterogeneous equipment; environmental change; Gaussian process regression （GPR）

近年來， 隨著移動設備的爆炸式增長和社交網絡的普及， 人們對位置服務（location based services， LBS）的需求不斷增大［1］. 全球定位系統（global positioning system， GPS）廣泛應用在室外定位中， 但由于衛星與室內接收器之間缺乏視距傳輸通道， 因此無法在室內環境中提供足夠精確的定位服務［2］. 藍牙［3］和WiFi［4-5］等技術的迅速發展以及智能手機的不斷更新， 使基于信號接收強度（received signal strength， RSS）指紋的室內定位技術逐漸興起［6-10］. 在測試設備與參考設備相同且環境相同的情況下， 指紋識別的方法可取得較高的定位精度， 但使用異構設備或接入點發生變化時， 會產生較大誤差［11-12］. 因此， 本文主要考慮如何克服設備異構性的影響、 自適應接入點（access point， AP）信號變化.

為解決室內定位中設備異構的問題， 目前已有許多方法可提升定位的魯棒性. 文獻［13］通過線性變換的方法手動調整不同測試設備的RSS值， 該方法需提前獲知異構設備的設備類型， 以便進行離線回歸， 自動化程度較低， 同時， 簡單的線性關系并不能有效表征異構設備之間的差異; 文獻［14］提出了使用信號強度差（signal strength difference， SSD）代替RSS作為指紋， 以避免繁瑣的手動RSS校準程序， 該方法雖然可以減少異構設備的影響， 但也減少了指紋特征; 文獻［15］提出了基于普氏分析對信號強度指紋進行標準化， 并定義信號趨勢指數度量這些標準化指紋之間的相似性， 然后采用加權平均構建出新的測試指紋， 該方法能有效克服異構設備產生的影響， 但無法解決AP變化產生的影響； 文獻［16］提出了采用高斯過程回歸（Gaussian process regression， GPR）的方法更新參考點（reference point， RP）指紋， 可以在目標區域的任意位置使用GPR調整指紋庫以適應AP變化， 更新指紋數據庫.

綜合上述方法的優缺點， 本文提出一種基于普氏分析和GPR的指紋庫自適應算法. 在目標區域中各RP處采集藍牙RSS指紋， 使用普氏分析對指紋庫進行標準化處理， 然后將標準化后的數據輸入極限學習機建立定位模型； 當AP發生改變時， 使用GPR重新構建指紋庫， 以適應環境變化.

1 定位模型的構建

3 實驗分析

3.1 實驗設置

實驗場景為江南大學物聯網工程學院C區一樓“L”型走廊區域， 以區域相鄰的兩邊為橫縱坐標軸， 并標記為x軸和y軸. 該區域可視為由兩個大小不等的矩形區域組成， 其大小分別為30 m×2 m和20 m×2 m， 如圖1所示. 根據實驗測得的藍牙信號衰減趨勢， 在這兩個連通的矩形走廊區域中每隔4 m布置一個低功耗藍牙信標節點， 共11個節點， 即為AP點. 該AP點采用以NRF52832芯片作為核心的低功耗藍牙信標， 主要實現了廣播功能， 不停地向外發送數據. RP位置的選取主要采用網格拓撲， 在走廊中間每隔1 m設立一個RP點， 共156個點.

為討論設備異構性問題， 在實驗中使用了3種不同的手機， 型號分別為小米10pro、 華為 mate40和蘋果12. 將小米10pro作為參考設備， 在156個RP點采集RSS數據. 在RP點上每隔2.5 s采集1次數據， 每個參考點采集4次， 并且每次采集的數據都經過了10次均值濾波， 共獲得624組數據， 其中312組數據作為訓練集， 各156組數據作為驗證集和測試集， 其他兩部手機在每個RP點只采集1次， 用于測試. 采集數據時， 所有手機均保持在同一高度且朝向相同. 為驗證AP變化所產生的問題， 移動某個AP， 之后使用這三部手機在目標區域中各RP點再采集一組數據用于測試.

3.2 指紋標準化效果分析

本文采用基于普氏分析法對采集到的數據進行標準化處理， 使不同設備采集到的RSS曲線能趨近于同一條. 本文采用3種不同類型的手機進行實驗分析， 使用這3臺設備在某一RP點采集來自11個AP的RSS數據曲線如圖2（A）所示. 由圖2（A）可見， 不同手機在同一位置接收到的信號強度有明顯差異， 其中最大差值甚至超過了10 dBm. 同時也發現雖然信號強度有差值， 但信號曲線的形狀相似， 信號的變化趨勢大致相同. 圖2（B）為上述RSS曲線經過普氏分析后的標準化結果. 由圖2（B）可見， 標準化后的信號強度曲線趨近于相同.

以小米10pro作為參考設備， 采用KELM對標準化前后的指紋庫分別建立定位模型， 然后使用測試集進行測試， 結果列于表1. 由表1可見， 當使用小米手機作為參考設備并構建定位模型后， 使用其他設備測試定位精度時均會導致定位精度下降， 與使用小米手機相比， 誤差約增加1 m. 在指紋經過標準化后， 異構設備的定位精度雖不及參考設備， 但誤差均有所下降， 其中華為手機的精度提升23%， 蘋果手機的定位精度提升35%.

3.3 指紋庫更新效果分析

在實際定位場景中， 可能會存在AP位置改變、 設備信號衰減等問題， 導致定位精度下降. 本文提出使用GPR更新指紋庫， 并重新構建定位模型， 以克服AP變化帶來的影響. 本文實驗僅使用小米手機進行測試， 實驗結果如圖3和圖4所示.

由圖3可見， 在指紋庫經GPR更新后， 平均定位精度比更新前更高， 且離群點較少， 誤差中位線也較低， 僅為0.72 m， 同時最大誤差也更小. 由圖4可見， 指紋庫更新后的定位模型具有更快的誤差累積速度， 約90%的測試點誤差在2 m以下， 而未經過更新的指紋庫所構建的模型有30%的測試點誤差超過了2 m. 實驗結果表明， 加入了GPR更新指紋庫后能有效克服AP變化所產生的影響.

綜上所述， 針對基于藍牙指紋在室內定位中存在設備異構性和藍牙信標節點發生變化的問題， 本文提出了一種針對異構設備和環境變化的室內定位算法. 先利用普氏分析對采集到的數據進行標準化， 然后使用標準化后的數據構建定位模型." 當環境中AP發生變化時， 采用高斯過程回歸對其進行校準并更新指紋庫， 根據新的指紋庫重構定位模型. 實驗結果表明， 該算法能有效克服異構設備產生的影響， 并自適應環境變化.

參考文獻

［1］王慧強， 高凱旋， 呂宏武， 等. 高精度室內定位研究評述及未來演進展望 ［J］. 通信學報， 2021， 42（7）： 198-209. （WANG H Q， GAO K X， L H W， et al. Research Review and Future Evolution Prospect of High-Precision Indoor Positioning" ［J］. Journal of Communications， 2021， 42（7）： 198-209.）

［2］XIA S X， LIU Y， YUAN G， et al. Indoor Fingerprint Positioning Based on Wi-Fi： An Overview ［J］. ISPRS International Journal of Geo-Information， 2017， 6（5）： 135-1-135-25.

［3］田增山， 王陽， 周牧， 等. 基于自適應漸消記憶的藍牙序列匹配定位算法 ［J］. 電子與信息學報， 2019， 41（6）： 1381-1388. （TIAN Z S， WANG Y， ZHOU M， et al. Bluetooth Sequence Matching Location Algorithm Based on Adaptive Fading Memory ［J］. Journal of Electronics and Information， 2019， 41（6）： 1381-1388.）

［4］HAO Z J， DANG J W， CAI W B， et al. A Multi-floor Location Method Based on Multi-sensor and WiFi Fingerprint Fusion ［J］. IEEE Access， 2020， 8： 223765-223781.

［5］潘維蔚， 康凱， 張武雄， 等. 基于WiFi的室內定位準確率改進算法 [J]. 計算機工程， 2020， 46（2）： 207-213. （PAN W W， KANG K， ZHANG W X， et al. Improved Indoor Location Accuracy Algorithm Based on WiFi [J]. Computer Engineering， 2020， 46（2）： 207-213.）

［6］秦寧寧， 王超， 楊樂， 等. 基于多元高斯混合模型的離線指紋數據庫 ［J］. 電子與信息學報， 2021， 43（6）： 1772-1780. （QIN N N， WANG C， YANG L， et al. Off-Line Fingerprint Database Based on Multivariate Gaussian Mixture Model ［J］. Journal of Electronics and Information， 2021， 43（6）： 1772-1780.）

［7］鄔春明， 齊森南. 改進K-means聚類的自適應加權K近鄰指紋定位算法 [J]. 重慶郵電大學學報（自然科學版）， 2021， 33（6）： 946-954. （WU C M， QI S N. The Adaptive Weighted K-Nearest Neighbor Fingerprint Location Algorithm Based on K-Means Clustering Is Improved [J]. Journal of Chongqing University of Posts amp; Telecommunications （Natural Science Edition）， 2021， 33（6）： 946-954.）

［8］劉影， 李國慶， 錢志鴻， 等. 采用確定性信號傳播模型的普適尋優定位方法 [J]. 重慶郵電大學學報（自然科學版）， 2021， 33（3）： 378-386. （LIU Y， LI G Q， QIAN Z H， et al. Universal Optimal Location Method Based on Deterministic Signal Propagation Model [J]. Journal of Chongqing University of Posts amp; Telecommunications （Natural Science Edition）， 2021， 33（3）： 378-386.）

［9］李新春， 黃朝暉. 基于聚類的PCA和GRNN的CSI指紋定位算法 [J]. 重慶郵電大學學報（自然科學版）， 2021， 33（3）： 449-457. （LI X C， HUANG Z H. CSI Fingerprint Location Algorithm Based on Clustering PCA and GRNN [J]. Journal of Chongqing University of Posts amp; Telecommunications （Natural Science Edition）， 2021， 33（3）： 449-457.）

［10］郭悅， 王紅軍. 基于改進LSSVR模型的移動節點定位技術研究 [J]. 重慶郵電大學學報（自然科學版）， 2021， 33（1）： 44-51. （GUO Y， WANG H J. Research on Mobile Node Location Technology Based on Improved LSSVR Model [J]. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2021， 33（1）： 44-51.）

［11］何富貴， 楊錚， 吳陳沭， 等. 一種層次Levenshtein距離的無指紋校準的室內定位方法 ［J］. 智能系統學報， 2017， 12（3）： 422-429. （HE F G， YANG Z， WU C S， et al. A Hierarchical Levenshtein Distance Indoor Location Method without Fingerprint Calibration" ［J］. Journal of Intelligent Systems， 2017， 12（3）： 422-429.）

［12］金彥亮， 王妍， 齊崎， 等. 室內環境下無線干涉定位系統的多徑誤差分析 [J]. 計算機工程， 2021， 47（7）： 135-139." （JIN Y L， WANG Y， QI Q， et al. Multipath Error Analysis of Wireless Interferometric Location System in Indoor Environment [J]. Computer Engineering， 2021， 47（7）： 135-139.）

［13］王敬彬. 室內定位RSSI空間建模與接收設備偏差研究 ［D］. 成都： 西南交通大學， 2017. （WANG J B. Research on Spatial Modeling of Indoor Positioning RSSI and Deviation of Receiving Equipment ［D］. Chengdu： Southwest Jiaotong University， 2017.）

［14］謝代軍， 孔范增， 胡捍英， 等. 終端異質下位置指紋的魯棒性研究 ［J］. 計算機工程， 2014， 40（5）： 81-85. （XIE D J， KONG F Z， HU H Y， et al. Study on the Robustness of Position Fingerprint under Terminal Heterogeneity ［J］. Computer Engineering， 2014， 40（5）： 81-85.）

［15］ZOU H， HUANG B Q， LU X X， et al. A Robust Indoor Positioning System Based on the Procrustes Analysis and Weighted Extreme Learning Machine ［J］. IEEE Transactions on Wireless Communications， 2019， 15（2）： 83-90.

［16］HE S N， LIN W B， CHAN S H G. Indoor Localization and Automatic Fingerprint Update with Altered AP Signals ［J］. IEEE Transactions on Mobile Computing， 2016， 16（7）： 1897-1910.

［17］KJ[KG-*3]EEGAARD M B， MUNK C V. Hyperbolic Location Fingerprinting： A Calibration-Free Solution for Handling Differences in Signal Strength ［C］//6th Annual IEEE International Conference on Pervasive Computing and Communications. Piscataway， NJ： IEEE， 2008： 110-116.

［18］GOWER J C. Generalized Procrustes Analysis ［J］. Psychometrika， 1975， 40（1）： 33-51.

［19］徐巖， 李寧寧. 雙層PSO-ELM融合室內定位算法 ［J］. 天津大學學報（自然科學與工程技術版）， 2021， 54（1）： 61-68. （XU Y， LI N N. Double-Layer PSO-ELM Fusion Indoor Location Algorithm ［J］. Journal of Tianjin University （Science and Technology）， 2021， 54（1）： 61-68.）

［20］郭伯勛， 李軍. 基于KELM的位置指紋室內定位方法研究 ［J］. 計算機工程與應用， 2016， 52（9）： 78-83. （GUO B X， LI J. Research on Indoor Location Method of Location Fingerprint Based on KELM ［J］. Computer Engineering and Applications， 2016， 52（9）： 78-83.）

［21］BROOKS A， MAKARENKO A， UPCROFT B. Gaussian Process Models for Indoor and Outdoor Sensor-Centric Robot Localization ［C］//Proceedings 2006 IEEE International Conference on Robotics and Automation. Piscataway， NJ： IEEE， 2006： 1314-1351.

（責任編輯： 韓 嘯）

收稿日期： 2022-03-03.

第一作者簡介： 孫順遠（1985—）， 男， 漢族， 博士， 副教授， 從事無線傳感網與慣性導航的研究， E-mail： hzrobin@stu.jiangnan.edu.cn.

基金項目： 國家自然科學基金（批準號： 61702228）.