基于信道状态信息的无源被动定位*

吴哲夫,周 言

(浙江工业大学信息工程学院,杭州 310023)



基于信道状态信息的无源被动定位*

吴哲夫*,周 言

(浙江工业大学信息工程学院,杭州 310023)

无源被动定位是指确定网络覆盖区域内没有携带任何发射和接收设备目标的空间位置。针对室内定位有效性问题,相比传统基于接收信号强度的方案,物理层的信道状态信息在无源被动定位方面更有优势。通过评估多径效应对室内无源定位的影响,定位方案讨论了信道状态信息相对稳定的物理特性,利用了信道中相应子载波幅度直方图性质建立的指纹库进行无源被动定位。通过两种不同室内环境下的实验结果表明,该方法在人体定位时相对接收端的8个方向上得出的误报率约为13%,漏报率约为7%;在有效检测半径1 m的情况下,偏差率为25%,相对误差为0.196 m。

无源定位;接收信号强度;信道状态信息;正交频分复用;物理层

在移动互联网应用中,无线设备的普及带来了大量环境感知和以用户为中心的计算服务,其中基于人员的空间定位技术是众多场景应用服务实现的关键。

近年来,服务于移动互联网的无线传感器网络WSN(Wireless Sensor Network)技术渐渐从理论研究走进了实际工程应用。当服务目标处于无线传感器网络覆盖范围内时,定位算法可根据其引起的传感信号、分组交换等信息来估测服务目标的位置。定位系统按照目标是否携带设备,可分为有源定位、无源定位或混合定位。相比于在室外环境中可以通过GPS进行有源定位,或者使用雷达技术进行无源被动定位,室内无源被动定位的实现要困难得多,应用也更具有广泛性。例如,警察在解救室内人质的过程中,人质可能没有携带任何电子设备或者设备由于电量不足等因素导致无法完成有效的有源定位工作;意外失火时,消防员希望知道建筑物中受困人员的方位等。

随着无线通信网络理论和软硬件技术的进步,近20年来涌现出了许多新的室内定位方法。各种传感和网络技术也都被应用于室内定位领域,包括超声波[1],红外线[2],蓝牙[3],Zigbee[4],WiFi[5]等等。如文献[6]中使用了数字压力传感器进行差分气压测高并进行定位,虽然其设备的部署需要较高成本。从本质上说,不同无线信号的空间特征奠定了不同定位方法的基础。

在主流的基于射频无线电定位方案[7-10]中,人员存在对信号的影响主要体现在接收信号强度RSSI(Received Signal Strength Indicator)上,以往方案大多希望通过RSSI来确定人员的位置。但实验表明,RSSI只是对应于数据包层面的信息,其值会随着时间波动而不够稳定,同时受限于多径效应导致定位精度和鲁棒性效果不够,从而容易引起误定位。

在2009年的IEEE 802.11n标准中,信道响应可以通过信道状态信息CSI(Channel State Information)参数从接收端提取出来[11]。CSI表征了信道中各个子载波的相位和幅度信息,相比于RSSI只停留在数据包层面上,CSI包含更细粒度的信息,能够更全面反映环境中的多径效应,因而在室内定位方面具有很好的应用潜力。

文献[12]对CSI应用于室内定位进行了尝试,文献[13]将CSI信息用于人群计数,另外将CSI和指纹系统相结合用于增强定位的还有文献[14],上述工作各有特色。本文基于CSI的物理特性而设计了室内无源被动式定位系统,后继内容安排如下:第1节介绍无源被动定位以及CSI;第2节给出定位算法思路以及实验方法;第3节是实验结果;第4节是总结与下一步工作。

1 无源被动定位与信道状态信息

1.1 无源被动定位

与射频识别系统RFID、全球定位系统GPS、雷达定位系统、实时仓管定位系统RTLS[15]等不同,无源被动定位技术DfP(Device-free Passive localization)是指通过传感节点的信号、信息交换来获取传感网络覆盖内某些无法或不愿意主动与部分或全部传感节点、网络进行无线通信的物体空间位置信息,特别适合当室内被定位目标处于非合作状态时,如室内入侵检测、室内人员位置信息隐蔽性收集等应用。

在如图1给出的基于无线信号发送-接收的应用场景下,我们希望在接收端附近以半径为r的覆盖范围内都能较好的定位出无源人员位置,即全向性的无源被动定位系统。与以往常见的采用无线传感器节点的方法不同,如基于接收信号强度RSSI的射频层析成像RTI定位系统[16],本系统的应用无需部署大量的传感器节点,仅需使用普通的商用无线局域网络,因而附加成本较低,并且在半径r内定位精度较高。技术的实现主要基于以下两点:①来自物理层更细粒度CSI信息的提取,相比以往基于RSSI值具有更好的定位稳定性;②基于指纹系统比对,通过充分利用各向异性无线传播环境,而不是以减少多径干扰为目的。

图1 无源被动定位模型

1.2 信道状态信息

无线室内定位的主要困难是丰富的多径衰落以及时间动态特性,这也导致了传统的RSSI定位无法在复杂的室内环境中提供较好的鲁棒性。

(1)

图2 RSSI与CSI对比

在OFDM系统中,经过多径信道之后的接收信号可表示为:

Y=HX+N

(2)

式中:Y与X分别是接收端与发射端信号的向量,H与N分别是信道矩阵与加性高斯白噪声。作为物理层表征发送端到接收端信道增益的信息,其中各个子载波的CSI可以估计为:

(3)

从式(3)中得到的CSI为频域下的信道频率响应CFR(Channel Frequency Response),可以表示为:

H(f)=[H(f1),…,H(fK)]

(4)

式中:H(fK)描述了子载波fK下的幅度与相位。将CFR进行傅里叶反变换后得到信道冲击响应CIR(Channel Impulse Response):

h(τ)=IFFT(H(f))

(5)

信道冲击响应反映了信道传输中多径信道在接收端的情况,αk与τk分别表示第k个路径的幅度与传输时延。设共有Lp个多径信道数,则CIR可以表示为:

(6)

2 特征提取与EMD

虽然CIR与CFR参数在描述的信道特性时是等价的,但是它们的幅度对链路近距离人员存在的敏感度是不同的。如图3所示了同一组链路中目标在3个不同位置时分别测到的CIR与CFR曲线。在时域中,人员对链路的影响体现在多径的路径分量上(例如第5个时延上有较大差别),而在频域中人员对链路的改变则由频率分集的变化得到。相比CIR,CFR是在频域中的不同的多径分量交织在一起。尽管人员位置在链路中的遮挡只引起了小部分多径路径,但在频域中CFR将会引起多个子载波较大的波动,因此CFR对人员存在与否更加敏感,从而更适合用来进行无源被动式定位应用。

图3 CIR与CFR的幅度

图4 两组CFR幅度分布

图4给出了两组实验下测到的各100个数据包的CFR分布情况(持续时间大约5 s),分别对应于接收端附近无人以及实验人员站在接收端前大约1 m位置的情况。从图4中可以看出,第10组～第20组子载波的幅度相比无人员的情况都有较大程度的衰减(最高达到7 dB),这表明使用CFR的特性进行定位是可行的,本文算法将利用这些信息来建立指纹库从而进行人员的无源被动定位。

算法将CFR的幅度以直方图的形式表示为h(H(fk)),则针对K(实验中K为30)个子载波的CFR可以表示为式(7),其中每个h(H(fk))对应于一个预设时间窗口W:

h(H(f))=[h(H(f1)),…,h(H(fK))]

(7)

算法引入EMD(Earth Mover’s Distance)[17]来比较指纹库的位置签名直方图间的距离。EMD主要用来度量两个图像、语音信号等数字化签名集之间的分布差异,给定两个分布P与Q,P为m个特征量Pi与其权重ωpi的集合,记为P={(P1,ωp1),(P2,ωp2),…,(Pm,ωpm)};同样的,另一个有n个特征量Qi与其权重ωQi的分布Q:Q={(Q1,ωQ1),(Q2,ωQ2),…,(Qn,ωQn)}。在计算这两个位置签名的EMD之前,定义P,Q任意取一个特征量之间的距离dij,dij的大小表示了每个特征量与其他特征量之间的关联度,在本例中距离dij设定为子载波i与j差值的绝对值且最大为4。EMD可以表达式(8)求解:

(8)

式中:并满足4个条件:

(9)

对于本文中CFR如式(7)所示,每个直方图对应于一个位置签名,直方图的每一根立柱(子载波编号)代表一个特征量,柱的高度值代表算法中的权重。在得到了两组CFR直方图后,实验使用预先编译好的C++代码进行求解,具体实现方法见[17]。

接下来的工作是建立指纹库,包括建立定位环境中目标位于各个位置li所对应的签名si:{si,li}以及无人情况下的签名s0。建立完成指纹库后,当接收端接收到一个新的签名s(在时间窗口W下),通过计算s与指纹库里各个签名之间的EMDd(snew,si)。当满足式(10)时,系统则判定在EMD最小时所对应指纹的签名位置处为目标检测位置;当式(10)不满足时,则判定为无人。

min(d(snew,si))

(10)

3 实验结果

实验采用TP-LINK型号为TL-WR842N的AP作为发送端,一台联想笔记本作为接收端。实验环境如图5和图6所示,其中图5为相对多径效应明显的场景,图6为多径效应相对较少的场景。

图5 多径效应严重的场景

图6 多径效应较少的场景

两个环境中AP与笔记本均置于1m高处,每个环境中各选取两条链路分别标记为链路1～链路4,每条链路的AP与接收端相距3.5m。建立指纹库时,目标分别位于接收端8个方向各0.5m的距离(图中黄色的点)以及各个方位更远端的情况(如图中绿色的点);另外,同时记录无目标位于接收端附近时的指纹数据。要指出的是,本实验主要研究接收端附近的目标定位,因此设定定位范围r设为1m,更广定位范围分析及误差讨论在下文中给出。

在各链路中,首先安排1名实验人员(175cm高,中等身材)静止于图中各个位置(无目标情况下所有人远离链路3m以上)。AP向接收端在1min内发送10 000个数据包,将收集得到的CFR取均值后得到指纹库;然后分别安排3名实验人员(A:160cm高,47kg重;B:170cm高,62kg重;C:185cm高,82kg重)站在各位置以同样方法收集1min的CSI数据。为了验证本系统的健壮性,在部分测试样本中,同时安排3名人员在离开链路3m左右处随机走动。

收集的原始数据通过式(1)处理得到样本数据,实验中链路1、链路2中RSS约为47dB,波动范围为6dB;链路3、链路4中RSS约为44dB,波动范围为4dB。如图7所示了对一组链路处理得到的CSI参数,图中给出了指纹库中目标在若干个方位(未全部列出)的CSI曲线以及对待定位目标测试所得的CSI曲线,由此样本计算得到min(d(snew,si))为46。当i取指纹库中目标为左时,这个结果小于d(snew,s0)(d(snew,s0)为175)。因此系统将待定位目标判定为位于接收节点的左边,和实际情况相符。

图7 CSI样本与指纹库的比较

为检验准确性,实验设定了两个指标来衡量系统的性能,分别是:①误报FP(FalsePositive):当没有人员在接收端附近时误判为有人;②漏报FN(FalseNegative):接收端附近有人但系统没有被检测出来。

如图8所示了两个实验环境下共4组链路测得的平均FN与FP率。样本为在各测试人员的样本中随机选取时间窗口为4s的数据,进行200次比对并将结果取平均值,其中链路1、链路2在多径效应严重的场景中测得,链路3、链路4在多径效应较少的环境中测得,每个位置随机选取了200个～300个样本。结果显示不同链路的FN值为13%左右,而FP大约在7%左右,实验能够较好检测出人员的存在。同时我们发现,得益于CSI细粒度地表现子载波的特性以及指纹库的搭建,多径效应对实验结果影响并不大。事实上实验的指纹库比对正是利用了多径效应引起的子载波衰落不同来检测识别目标。

图8 不同链路的FN/FP

如图9给出上述实验中区分检测人员的FN与FP,链路为随机选取并取均值。可以发现,人员B的FN及FP均最低。事实上,人员B的身高及体型与录入指纹库的人员最为接近,从而对接收端形成了最为近似的多径效应。从图中我们发现人员A与人员C也得到了相对较低的FN与FP,这也证实了实验可有效检测人员位置。

图9 不同检测人员的平均FN/FP

为进一步研究探测精度,图10列出了目标位于在有效测量半径1m内8个方位的平均检测率以及平均准确率。样本为在所有链路及人员的样本中随机选取窗口为4s的数据并对结果取平均值。实验目的是考察系统虽然能检测出目标,但是却被判定为错误的位置。其中当目标完全遮挡住链路时,其视距路径位置的角度记为0度,目标位置的探测结果以顺时针顺序列出。从图中看出,目标探测率一般维持在90%附近,而方位检测准确率一般维持在70%～80%之间,偏差率约为25%,统计计算得到相对误差为0.196m。相比而言,目标位于链路之前和之后位置的系统出错率要大一些,因为在这些位置目标对信号接收的干扰相对较小,但是CSI的物理层特性仍然使得出错率维持在一个较低水平。

图10 指纹库定位性能

实验还进一步测试了目标与接收端之间距离对检测率的影响,如图11所示。实验选取了4个主要方向相距接收端3种距离位置的检测准确率,链路同样采取对多条链路及多人员样本进行随机采集并将结果取平均值。从图中可以看出,随着距离的增加,检测准确率在不同位置均有降低,引起实验偏差率的升高,例如在目标位于接收端1.2m时,偏差率达到40%。这表明当目标距离AP较远时,对于链路的影响相对减少,使得探测能力不够而引起误差。目前我们的系统仅在目标位置离接收端较近(1m之内)时有较好的表现,因此系统设定有效测量半径为1m,如何能够满足更高精度要求下的更远距离人员检测是下一步的工作内容。

图11 不同距离下的指纹库定位性能

为了检验时间窗口对实验结果的影响,图12所示了不同时间窗口(2s～10s)下各链路及人员的平均FN与FP率。随着窗口时间增加,FN与FP都有明显的降低并有趋于恒定。图中在2s的时间窗口下,FN与FP的几率都在15%以内,这表明了该系统也可以改进并运用于实时监测,即当目标短暂停留在某个位置2s以上,系统就能较好的识别出目标位置。

图12 不同时间窗口下的FN/FP

图13给出了在2s～10s时间窗口下4个主要方向定位的检测率与检测准确率。各方向的检测准确率随着时间窗口的增加略微得到提高并趋于稳定,偏差率约为22%。相对来说,0度位置(目标完全遮挡链路)的定位准确率是最高的,而180度位置(目标完全无遮挡链路)的定位准确率要低一些,这和图10的结果相符合,即同样类似地说明了虽然实验天线并非完美的全向天线,但是由于得益于CSI物理层的细粒度特性,使得检测仍然得到一个较好的结果。

图13 不同时间窗口及方位下的定位性能

4 结论

本文展示了物理层参数即信道状态信息CSI在无源被动定位方面的应用潜力。通过分析CSI相比RSSI更稳定以及对接收端附近目标较敏感的特性后,定位算法通过物理层的CSI参数建立指纹库进行无源被动式定位。实验评估了室内环境中多径效应的影响,给出了全方向性无源被动式定位的可行性。实验在不同室内环境下的结果表明,室内人员检测在相对接收端8个方向的误报率约为13%,漏报率约为7%;在有效检测半径1m的情况下,偏差率为25%,相对误差为0.196m,在部署相对简单的情况下较RSSI有更好的室内定位精度。下一步工作将考虑多目标的检测以及提高更远检测距离目标的准确率,另外也考虑室内的实时检测和监控方案,实现跟踪动态人员目标的位置与轨迹。

[1] 韩霜,罗海勇,陈颖,等. 基于TDOA的超声波室内定位系统的设计与实现[J]. 传感技术学报,2010,23(3):347-353.

[2]Want R,Hopper A,Falcao V,et al. The Active Badge Location System[J]. ACM Transactions on Information Systems(TOIS),1992,10(1):91-102.

[3]Bargh M S,de Groote R. Indoor Localization Based on Response Rate of Bluetooth Inquiries[C]//Proceedings of the First ACM International Workshop on Mobile Entity Localization and Tracking in GPS-Less Environments. ACM,2008:49-54.

[4]郜丽鹏,朱梅冬,杨丹. 基于ZigBee的加权质心定位算法的仿真与实现[J]. 传感技术学报,2010,23(1):149-152.

[5]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. 2000,2:775-784.

[6]胡正群,张丽荣. 差分气压测高在室内定位系统中应用的性能分析[J]. 传感技术学报,2013,25(10):1463-1467.

[7]陈锡剑,程良伦. 基于RSSI的功率匹配定位算法的研究与实现[J]. 传感技术学报,2013,26(5):709-714.

[8]Youssef M,Mah M,Agrawala A. Challenges:Device-Free Passive Localization for Wireless Environments[C]//Proceedings of the 13th Annual ACM International Conference on Mobile Computing and Networking. ACM,2007:222-229.

[9]Wilson J,Patwari N. See-Through Walls:Motion Tracking Using Variance-Based Radio Tomography Networks[J]. Mobile Computing,IEEE Transactions on,2011,10(5):612-621.

[10]Zhang D,Ma J,Chen Q,et al. An RF-Based System for Tracking Transceiver-Free Objects[C]//Fifth Annual IEEE International Conference on Pervasive Computing and Communications,2007:135-144.

[11]Halperin D,Hu W,Sheth A,et al. Predictable 802.11 Packet Delivery from Wireless Channel Measurements[J]. ACM Sigcomm Computer Communication Review,2011,41(4):159-170.

[12]Sen S,Radunovic B,Choudhury R R,et al. You are Facing the Mona Lisa:Spot Localization Using Phy Layer Information[C]//Proceedings of the 10th International Conference on Mobile Systems,Applications,and Services. ACM,2012:183-196.

[13]Xi W,Zhao J,Li X Y,et al. Electronic Frog Eye:Counting Crowd Using WiFi[C]//IEEE Infocom,2014.

[14]Wu K,Xiao J,Yi Y,et al. CSI-Based Indoor Localization[J]. Parallel and Distributed Systems,IEEE Transactions on,2013,24(7):1300-1309.

[15]Ma Xiangguo,Liu Tongjuan. The Application of Wi-Fi RTLS in Automatic Warehouse Management System[C]//IEEE International Conference on Automation and Logistics,2011:64-69.

[16]Agrawal P,Patwari N. Correlated Link Shadow Fading in Multi-hop Wireless Networks[J]. IEEE Transactions on Wireless Communica tions,2009,8(8):4024-4036.

[17]Rubner Y,Tomasi C,Guibas L J. The Earth Mover’s Distance as a Metric for Image Retrieval[J]. International Journal of Computer Vision,2000,40(2):99-121.

Device-Free Passive Localization Based on Channel State Information*

WUZhefu*,ZHOUYan

(Zhejiang University of Technology,College of Information Engineering,Hangzhou 310023,China)

Device-free Passive localization is a system envisioned to detect,track and identify entities that do not carry any device,nor participate actively in the localization process. Compare to traditional solutions based on the received signal strength,channel state information(CSI)has more advantage. On observing the stable characteristics of CSI while retaining sensitivity to nearby human locomotion,the method proposed to leverage the histogram feature of the subcarrier amplitudes as signatures for omnidirectional passive human detection. It also considered the multipath affection of indoor environment and utilized the fingerprint system to improve performance. Experimental results show that the localization method is reliable with an average false positive of 13% and false negative of 7% in detecting human position in 8 directions. In the case of effective detection radius of 1 m,the deviation is 25% and the relative error is 0.196 m.

passive localization,RSSI,channel state information,OFDM,physical layer

吴哲夫(1971-),男,副教授,主要研究方向是无线传感器网络、室内定位算法和实现等,wzf@zjut.edu.cn;

周 言(1990-),男,硕士研究生,主要研究方向是无线网络室内定位技术。

项目来源:浙江省自然科学基金项目(LY13F010011,LQ13F050005,LY14F050004)

2014-08-31 修改日期:2015-01-29

C:6150P;7320C

10.3969/j.issn.1004-1699.2015.05.012

TN98

A

1004-1699(2015)05-0677-07