rssi室内定位算法原理_一種基于rssi的室内定位方法

一種基于rssi的室内定位方法

【技術領域】

[0001] 本發明設及一種基于RSSI的室内定位方法，尤其設及在噪聲環境下利用基于卡 爾曼的濾波優化方法對RSSI測量值進行濾波去噪并改善定位系統累積誤差的基于RSSI的 室内定位方法，屬于移動計算和信号處理的交叉技術應用領域。

【背景技術】

[0002] 室内定位算法力求通過不同的無線信号技術，利用對應的距離計算方法，在室内 環境中對待定位物體進行快速、高效的精準定位，進而得到精确的物體坐标。

[000引 目前的室内定位算法都是基于無線網絡(Wireless Fidelity, Wi-Fi)、 無線傳感器網絡(Wireless Sensor Network, WSN)、射頻識别(Radio Rrequen巧 Identification, RFID)、藍牙炬 luetooth) W 及超寬帶化 Itra Wide Band, UWB)等無線 技術。結合信号傳輸時間(Time of Arrival, TOA)、信号傳輸時間差(Time Difference of Arrival, TDOA)信号傳輸角度(Angle of Arrival, AOA) W及信号強度訓示化eceived Si即al Strength Indicator, RSSI)該些方法中的一種，再利用S邊測量或者S角測量的 方法測算得到待定坐标。

[0004] 室内定位算法的性能名額有定位精度、時間開銷、定位實時性、算法複雜度等。其 中，定位精度是室内定位算法的關鍵名額。一些室内定位算法在理論上可預見較高的定位 精度，但是在實際環境中定位精度卻很低，該是由于該些定位算法沒有考慮室内環境中的 人及人的活動。對于Wi-Fi信号來說，其通信頻率為2. 4GHz，和水的共振頻率一樣，而人體 的含水比例約為70%，室内環境中的人會對信号的傳播産生影響，如果人員衆多且活動頻 繁，那麼該些室内環境中的人将在室内定位過程中産生較大噪聲，降低定位精度。

[0005] 可見，單純地考慮各種無線技術在室内無人環境的定位是不足的，特别是在諸如 博物館，商業中屯、等大型室内定位場景當中，人員衆多且人流量大，要想通過合适的定位算 法得到較高的定位精度，就不得不解決人本身所帶來的噪聲影響。

【發明内容】

[0006] 本發明所要解決的技術問題在于克服現有技術不足，提供一種基于RSSI的室内 定位方法，通過改進的卡爾曼濾波算法對RSSI測量值進行處理，進而消除人對無線信号傳 播所産生的噪聲影響，有效改善因為累積誤差導緻的定位精度的降低，能夠在噪聲均值變 化幅度較大的室内環境仍能保持較高的定位精度，且能夠提高室内定位的穩定性并保持較 低的時間開銷。

[0007] 本發明具體采用W下技術方案：

[000引一種基于RSSI的室内定位方法，首先對RSSI測量值進行基于卡爾曼的濾波優化， 然後利用濾波優化後的RSSI值進行室内定位；所述基于卡爾曼的濾波優化，在每一次對增 益矩陣進行求解之前，首先将目前殘餘奇異值的最大值與一預設闊值進行比較，若殘餘奇 異值的最大值大于或等于所述闊值，則将增益矩陣置零并進入下一次自循環中，否則，不采 取任何額外操作，進入狀态更新階段。

[0009] 優選地，所述基于RSSI的室内定位方法，具體包括W下步驟：

[0010] 步驟1、擷取RSSI測量值并進行定位系統初始化；

[0011] 步驟2、進行時間更新：根據初始資料或上一輪自循環中狀态更新得到的資料，計 算RSSI的先驗值和先驗誤差協方差；

[0012] 步驟3、奇異值判定；在進行狀态更新開始前，計算殘餘奇異值的最大值，并将其 與經驗闊值P作比較：若計算得到的奇異值最大值不小于經驗闊值P，轉到步驟4 ;若計 算得到的奇異值最大值小于經驗闊值P，則不做其他操作，準備進入狀态更新，轉到步驟 5 ；

[0013] 步驟4、将增益矩陣置0,跳過本輪循環的狀态更新過程，準備進入下一輪的自循 環過程，轉到步驟2;

[0014] 步驟5、進行狀态更新：根據本輪時間更新得到的資料進行增益Kk的計算，更新 RSSI估計值和RSSI的協方差誤差；

[0015] 步驟6、判斷疊代是否結束，若結束則轉到步驟7 ;若未結束，則進行下一輪的自循 環優化過程，轉到步驟2;

[0016] 步驟7、根據得到的RSSI值計算出距離值，并根據距離值得到最終的估計坐标值， 結束算法循環。

[0017] 相比現有技術，本發明具有W下有益效果：

[001引本發明具有W下有益效果：

[0019] (1)本發明方法有效優化了大型室内環境中人在定位過程中産生的噪聲，克服了 人員衆多的情況下定位精度有所降低的難題，提高了定位精度；

[0020] (2)本發明方法能夠有效改善因為累積誤差導緻的定位精度的降低，進一步提高 了室内定位的精度；

[0021] (3)本發明方法的穩定性能夠保證即使在室内噪聲值變化很大且不穩定的環境 下，和傳統的定位算法相比，依然能夠保持較高的定位精度，提高了定位系統的定位穩定 性；

[002引 (4)本發明方法的時間複雜度為0(n)，時間開銷小，定位實時性高。

【附圖說明】

[0023] 圖1為本發明的室内定位方法的流程示意圖；

[0024] 圖2為本發明适用的定位環境的場景示意圖。

【具體實施方式】

[0025] 下面結合附圖對本發明的技術方案進行詳細說明：

[0026] 本發明針對現有基于RSSI的室内定位算法對于人流較大的場景定位精度較低的 不足，利用基于卡爾曼的濾波優化方法對RSSI測量值進行去噪，根據矩陣論原理，利用簡 單的奇異值判定來消除累積誤差的影響，進而可有效消除較大人流環境下人體本身對無線 信号所産生的影響，提高定位精度。

[0027] I960年卡爾曼發表了 一篇著名的論文[Kalman R E. A new approach to linear filtering and prediction problems[J].Journal of Fluids Engineering, 1960, 82(1) :35-45.]，在文中他闡述了一種解決離散資料線性濾波問題的遞 歸方法，并由Stanley Schmi化首次實作了該種遞歸優化算法，該種優化算法稱為卡爾曼濾 波器。卡爾曼濾波器最初隻是一種形式一般的簡單濾波器，伴随着數字計算機技術的不斷 豐富和進步，卡爾曼濾波器算法也得到了不斷的擴充與發展，特别是在工程領域中，從自動 化機床的控制到計算機圖形圖像的處理，從飛彈追蹤到雷達系統探測，從機器人導航到衛 星軌迹預測等，卡爾曼濾波器在工業、軍事和高科技領域均有廣泛的應用，有着難W替代的 地位。簡單來說，"卡爾曼濾波器是一個最優化自回歸資料處理算法"。

[002引正是由于卡爾曼濾波器的最優化自回歸特性，在室内定位的程序中，經過卡爾曼 濾波器的時間更新過程和狀态更新過程的反複疊代，來得到定位坐标的優化值。實驗結果 表明，卡爾曼濾波器确實能夠提高定位精度，并且效果明顯又穩定。但是伴随着疊代次數的 不斷增加，由定位系統産生的累積誤差(Accumulative化ror)也将越來越大，特别是在人 員衆多、人員活動頻繁、室内結構複雜的室内環境之中，所産生的累積誤差效應将對室内定 位精度産生很大的影響。因為Wi-Fi的通信頻率為2. 4GHz，和水的共振頻率一樣，而人體的 含水比例大約為70%，是以人體對Wi-Fi信号的影響十分顯著，特别是在人員衆多且活動 頻繁的室内環境當中，人對無線信号的影響W及對室内定位精度的影響尤為明顯。

[0029] 本發明所提出的基于卡爾曼的改進型濾波算法利用矩陣論的奇異值原理，結合一 個經驗闊值去選擇性地處理整個優化方法的循環過程，改善累積誤差對定位精度的影響， 進而提升在該頻段噪聲室内環境中的定位精度。

[0030] 本發明提出的室内定位算法分為時間更新，奇異值判定W及狀态更新=個過程， 并通過該=個過程的反複疊代來得到RSSI的優化值，進而便于得到更為精确的定位坐标。 算法的核屯、思想是根據矩陣論中的奇異值理論，在算法優化疊代的自循環過程中設定一個 奇異值判定過程，并結合經驗闊值選擇性地在第k次自循環中将殘餘的增益置零，使第k 次的自循環跳空，利用算法自循環的慣性預測特性進行第k+1次RSSI值的估算，減少累積 誤差的疊加，減輕定位系統中非線性特性稍強或者噪聲特性偏離高斯分布較大所帶來的影 響，進而優化RSSI值，W便于得到更為精确的位置坐标。

[0031] 定位算法中的離散過程可由下面的差分方程和觀測方程來表示，其中n維狀态變 量X G護，m維觀測變量y G r。

[0032] 差分方程：

[003引 Xk= AXk-i+B?k-i+e k-i (D

[0034] 觀測方程；

[0035] 化,.+巧： (2)

[0036] 在式(1)和式似中，e和中分别表示定位系統的過程激勵噪聲和觀測噪聲，都是 期望為0的白噪聲