基于改进PDR与指纹库PSO-BP融合室内定位算法

蔡文炎 何洋

摘要：针对目前室内定位算法精度不高的应用现状，提出一种基于接收信号强度指示（RSSI）的测距方法和改进行人航迹推算（PDR）融合的室内定位算法。基于现代生活环境中被广泛部署的Wi-Fi无线信号作为节点，采用电磁指纹库匹配识别的方法，对进入网络范围内的未知节点进行定位，并利用PSO-BP神经网络算法，融合惯导测量单元的数据对通过RSSI定位结果进行修正。通过实验仿真表明与传统单一方法的室内定位方式相比，所提出的方法通过融合算法不仅解决了RSSI定位易受环境影响的摆动性，并且在很大程度上提高了室内定位精度与时效性。

关键词： 电磁指纹; 室内定位; PSO-BP神经网络; PDR

【Abstract】 Aiming at the current application status of indoor positioning algorithm with low precision， a ranging method based on received signal strength indicator （RSSI） and an indoor positioning algorithm modified to perform human track derivation （PDR） fusion are proposed. Based on Wi-Fi wireless signals that are widely deployed in modern living environments as nodes， the method of matching and identifying electromagnetic fingerprints is used  to locate unknown nodes within the scope of the network， and PSO-BP neural network algorithm is used to fuse INS measurements unit's data pair， which is corrected by the RSSI positioning result. The experimental simulation shows that compared with the traditional single method indoor positioning method， the proposed method not only solves the oscillating problem that RSSI positioning is susceptible to environmental influences， but also improves the indoor positioning accuracy and timeliness to a large extent.

【Key words】  electromagnetic fingerprint; indoor location; PSO-BP neural network ; PDR

0 引 言

近年來随着第四代网络通信技术的成熟和微电子行业的迅速发展，移动终端设备在人们日常生活中得到很大程度的普及，由此基于用户位置服务（Location Based Services，LBS）的需求也日益增长。

不同于开阔的室外环境可以使用北斗等基于卫星的定位方式，人们日常大多数生活与工作活动均在室内进行，由于卫星信号在室内环境受到钢筋水泥等建筑掩体的遮挡等影响严重，所以基于电磁信号的室内定位研究开始受到广泛关注。

目前被广泛关注的室内定位技术有RFID、UWB和ZigBee等技术，虽然此类方法均能满足室内终端定位，但是都要依赖相关特定的硬件设备，部署成本较大，很难做到较大范围的推广。相比而言，Wi-Fi在人们日常生活环境中大多已经实现全覆盖，尤其是在大型室内商场和写字楼等场所。Wi-Fi具有易于推广和响应性能良好的特点，已经成为目前室内定位技术研究的热点之一。

具体来说，就是通过分析空间中Wi-Fi接收信号强度（received signal strength， RSS），实现室内定位[1-3]，其中得到广泛关注的是基于位置指纹的定位方法，利用Wi-Fi电磁信号在空间中的传播与分布规律，建立特征数据库作为定位基础。文献[4]构建了基于Wi-Fi的电磁指纹库的室内定位系统，并且结合了实际采集的RSSI数据对Wi-Fi在室内环境下的传播影响因素做了研究，分析了不同终端由于RSSI量化差异引起的定位误差，并且使用BP神经网络进行了非线性矫正，但是BP神经网络的收敛速度并不理想。由此，文献[5]利用RFID，使用PSO-BP神经网络去解算RFID阅读器和RSSI之间的距离关系，且得到了很好的收敛效果，但是并没有考虑待定位目标本身具有的信息，如运动方向和速度等重要信息。

文献[6-9]提出了使用粒子滤波和卡尔曼滤波等融合算法，对PDR信息和位置指纹库信息进行了一定的融合，其中卡尔曼滤波的输入与输出关系主要依赖时间更新算法和状态更新算法，如果系统存在较大的延迟，则对估计位置产生极大的影响，且主要针对线性问题的解决，实际上，大多数实际问题是非线性的。针对此问题，文献[10]所提出的无迹卡尔曼滤波，实际上也只是针对弱非线性问题，噪声基本服从正态分布，非线性程度依然较低。同样采用粒子滤波融合算法也存在粒子退化问题，且效果并不理想。

针对上述现象，本文提出基于PSO-BP神经网络结合改进PDR算法数据和Wi-Fi电磁指纹库信息的融合定位方式，通过实验表明，在很大程度上提高了单一指纹定位的精度，且针对非线性问题有了良好的改进。

1 电磁指纹库和PDR算法

1.1 基于RSSI电磁指纹库定位方法

目前，建立电磁指纹库定位方法的2种主要途径是基于距离的RSSI传播损耗模型和RSSI特征值法。针对该方法的建立需要考虑2种状态，即：离线阶段和在线阶段。对此可做阐释分述如下。

传播损耗模型，在离线阶段，待定位节点需要收集该区域内其他锚节点的RSSI信息，通过解算和多个（二维平面内，至少3个锚节点）锚节点之间的RSSI信息和距离，创建离线的电磁指纹库。这里，给出传播损耗模型如图1所示。

图1中，横轴x表示距离范围，纵轴y表示损耗，n表示传播常数，通过先验知识做出对比，可知当n取2时较为适合。

对于RSSI特征值法，是目前较为通用的方法，同样也是将定位区域划分为多个子区域，并且将该区域的中心点作为采样参考点，其中均值、中值、最大值为最常用的特征提取法，提取后的特征值保存在离线库中。

在线阶段，对于进入定位区域中的待定位节点，待定位节点动态地对锚节点信息解算，并且在允许延时范围内和离线库特征值相匹配，进而估算出当前用户的位置。定位流程如图2所示。

2 PSO-BP融合算法

2.1 PSO-BP神经网络算法的优化

根据PSO优化算法的启发式思想，结合BP神经网络的运用，可在很大程度上避免陷入局部最优解，提高收敛速度的能力。

首先，确定BP神经网络的整体结构，使用前向网络计算每组特征样本，通过PSO算法得到适应值的最小位置，并将粒子的当前位置Xi作为BP神经网络的权值和阈值，将误差函数的结果对应为PSO优化算法中的适应值，再根据规则更新粒子。针对上述过程，可推得各研发步骤具体如下。

2.2 PDR与电磁指纹库数据融合

根据前述内容易知，利用PDR的定位方法受到传感器精度和初始位置的选择影响较大，同样，利用电磁指纹库匹配定位的方式，也存在着其指纹信息容易随着环境的温湿度和其他电磁辐射等影响而变化，使得指纹信息失效的缺点与不足。

利用PSO-BP神经网络实现对PDR和电磁指纹库数据的融合，用于提高整体定位效果。数据融合原理如图6所示。

Wi-Fi电磁指纹库所对应的真实位置可以根据信号节点的布设得到，所以此绝对位置可以为PDR提供初始位置，由于PDR存在累积误差以及电磁指纹库易受到环境影响等缘故，使用PSO-BP神经网络，其中Wi-Fi处理模块的参数和PDR处理模块的参数作为PSO-BP的输入，那么输出即为通过神经网络进行数据融合而得到的待定位目标的位置信息。

相比于传统的BP神经网络，PSO-BP神经网络的权值和阈值的初始化已是经过最优化处理，所以将2个模块的参数作为输入可以更为有效地找到最优拟合方式，而且，还可以较小的时间代价得到数据之间的关系。

3 實验结果

3.1 实验数据分析

实验场地选在本校1号实训楼的一层走廊，在此环境下经过多次重复实验，将网格划分为1.5 m×1.5 m的网格区域，共采集了246个指纹数据，每个指纹连续采集120个，时间间隔为1 s，如图7所示。

实验设备使用三星Note3手机，搭载本团队研发的定位软件，利用本楼层现有的Wi-Fi信号作为AP节点，如图8所示。

本文主要通过对使用Wi-Fi电磁指纹库定位、PDR方式定位和利用PSO-BP神经网络对电磁指纹库与PDR数据进行融合定位，并对这三种定位模式的精度进行了相关实验和分析。其中，利用PPR定位的实验记录结果见表1。

由表1可知，将实验区域划分为10个子区域，每个子区域的行走时间控制在30 s，且进行20次取样，记录每个子区域中的可用样本数和偏离程度较大的样本数，依次获得利用PDR定位的误差。

在同样的条件下，按所设条件采集并建立Wi-Fi电磁指纹库，PDR与电磁指纹库实验时间间隔1 h（包含指纹库建立时间），如图9所示。

从图9可以清楚地分析，利用PDR定位对初始位置的选择很重要，所以在1区域PDR的初始误差0.20要明显大于指纹库定位误差0.15，在区域4之前的测量PDR均优于指纹库定位。区域4之后由于时间关系，PDR有一定的累积误差，此时相比于指纹库的稳定性，PDR定位误差会大于电磁指纹库。

使用本文提出的PSO-BP神经网络融合算法，迭代次数设为100，训练性能分析如图10所示。

进行100次迭代运算，在41次运算时BP神经网络的权重ω和阈值b已经达到最优状态，整体系统误差分析如图11所示。

通过建立PSO-BP神经网络，对预先采集到的PDR和指纹库数据分为训练集和测试集，用于对PSO-BP神经网络数据融合的前期训练和性能调整，验证集是待定位节点进入该实验区域后实时传入网络模型中的数据。

可以看到，三者数据得到结果的均方误差相比较起来是基本吻合的，其中验证集的最优均方误差在4.662 4*10-7，所以通过此方法进行室内定位的表现达到预计要求。

3.2 定位精度

可以清楚地看到，误差低于2 m的概率是0.76，单独使用Wi-Fi电磁指纹库进行定位的最大误差可以达到3.5 m。

使用改进PDR与电磁指纹库融合定位算法得到的定位误差直方图如图13所示。

由图13可以清晰地看到，定位误差低于2 m的概率在0.86，相比于单独使用电磁指纹库定位方法的0.76概率，已经有了显著的提高，且最大定位误差仅为2.4 m。2种定位算法的比较结果见表2。

综上所述，相比较单独使用电磁指纹库而言，使用融合算法则明显提升了当前时刻的定位精度。

4 结束语

考虑在室内这种弱缺卫星信号环境下，Wi-Fi电磁指纹库作为一种普遍使用的定位方式，但是由于其受到环境温、湿度等影响较大，使得在线阶段定位出现很大偏差。本文在分析传统的电磁指纹库定位算法的同时，加入了待定位节点自身的速度、步长等信息，即PDR技术，并在其基础上根据实际情况，提出了改进PDR模型，模型中则考虑了时间对传感器采集的影响。

充分利用电磁指纹库数据和改进PDR数据，针对此种非线性问题，使用强大的PSO-BP神经网络模型，对数据进行融合，平均误差仅在1.593 0 m，误差在2 m以下的概率达到86%。

参考文献

[1] 闫驰. 基于PSO-BP神经网络的无线传感器网络定位算法[J]. 电子科技， 2016， 29（4）：56.

[2]朱亚萍， 夏玮玮， 章跃跃，等. 基于RSSI和惯性导航的融合室内定位算法[J]. 电信科学， 2017（10）：99.

[3]LIU Caifeng， GU Yiming. Research on indoor fire location scheme of RFID based on WiFi[C]// Nicograph International（NicoInt）.Hangzhou，China： IEEE， 2016：116.

[4]李程程. 基于位置指纹的WIFI室内定位技术研究[D]. 合肥：合肥工业大学， 2016.

[5]张庆波， 傅忠谦， 杨可. 基于无迹卡尔曼滤波的粒子群算法研究[J]. 中国科学技术大学学报， 2013， 43 （10）：850.

[6]周瑞， 袁兴中， 黄一鸣. 基于卡尔曼滤波的WiFi-PDR融合室内定位[J]. 电子科技大学学报， 2016， 45 （3）：399.

[7]李志强. 基于粒子滤波和电子地图融合的室内定位技术研究[D]. 成都：电子科技大学， 2016.

[8]赵逢达， 闫亭亭， 孔令富. 一种基于粒子滤波的智能移动终端室内行人定位算法[J]. 小型微型计算机系统， 2014， 35（8）：1842.

[9]李瑞峰， 赵立军， 靳新辉. 基于粒子滤波器的室内移动机器人自定位[J]. 华中科技大学学报：自然科学版， 2008（S1）：145.

[10]WANG Changzhi， WU Fei， SHI Zhicai， et al. Indoor positioning technique by combining RFID and particle swarm optimization-based back propagation neural network[J]. Optik - International Journal for Light and Electron Optics， 2016， 127（17）：6839.

[11]刘小康， 郭杭. 基于Zigbee室内定位系统的指纹库优化算法[J]. 计算机工程， 2014， 40（2）：193.

[12]WANG Changzhi， SHI Zhicai， WU Fei. An improved particle swarm optimization-based feed-forward neural network combined with RFID sensors to indoor localization[J]. Information， 2017， 8（1）：9.

[13]WANG Changzhi， SHI Zhicai， WU Fei. Intelligent RFID indoor localization system using a Gaussian filtering based extreme learning machine[J]. Symmetry， 2017， 9（3）：30.

[14]ZHOU Mu， XU Yubin， TANG Li. Multilayer ANN indoor location system with area division in WLAN environment[J]. Journal of Systems Engineering and Electronics， 2010， 21（5）：914.

[15]張鹏， 赵齐乐， 李由，等. 基于PDR、WiFi指纹识别、磁场匹配组合的室内行人导航定位[J]. 测绘地理信息， 2016， 41（3）：29.