基于数据融合技术的室内人员准确定位方法研究

韩成浩，王思琦，王忠涛

吉林建筑大学 电气与计算机学院,长春 130118

0 引言

室内人员准确定位系统研究在公共安全领域具有非常重要的研究意义和应用价值.如在建筑物内发生突发紧急事件(火灾、地震、恐怖活动)时,对室内的被困人员进行及时的准确定位和实施救援.目前较常见的室内定位技术主要有:ZigBee、超声波、RFID,WiFi和超宽带(UWB)技术等.因这些定位技术普遍存在着要么定位误差较大(一般5 m～10 m),要么成本较昂贵(UWB为例,单位面积成本达140元人民币),很难满足用户需求,所以在实际应用中应采取相应方法和技术措施.

多传感数据(或信息)融合技术是20世纪70年代美国海军采用多个声呐探测器跟踪敌方潜艇时首次提出的.数据融合技术在武器制导、空中交通、医学诊断和无线通信等军事和民用领域应用非常广泛.本文拟利用多传感数据融合技术,将ZigBee定位数据和由惯性测量单元测出的定位数据进行融合[1],降低定位误差,有效提高室内人员定位精度.

图1 接收信号强度指示(RSSI)定位模型Fig.1 Location model of the received signal strength indication(RSSI)

1 ZigBee定位原理及方法

图1为二维平面上人员定位方法示意图.图1中参考节点的坐标P1(X1,Y1) ～P4(X4,Y4)为确定的已知量,目标定位节点(人员佩戴的无线发射模块)的坐标P(X′,Y′)为待定的未知量.坐标值的计算分两步完成.

1.1 参考节点至目标定位节点的距离计算

图1中4个参考节点至移动目标定位节点的信号

功率衰减值(Power attenuation value,英文缩写为PAV)来计算参考节点和移动目标定位节点之间的实际距离Li(i=1,2,3,4;即L1,L2,L3和L4).信号功率衰减值ARSSI-VRSSI与信号传播单位距离L之间的关系为:

(1)

式中,L为参考节点与移动目标定位节点之间的单位距离,即实际距离Li与参考距离L0之比,参考距离通常按L0=1 m计取;ARSSI为距信号发射点1 m处接收的信号强度功率,dBm;VRSSI为距信号发射点Li处ZigBee芯片接收的信号强度功率,dBm;n为信号衰减系数[2],其大小取决于信号传播环境,典型值为2～4.

1.2 目标定位节点坐标计算

图1中移动目标定位节点与4个参考节点之间的实际距离Li(i=1,2,3,4)按以下方程计算:

(X′-X1)2+(Y′-Y1)2=L12

(2)

(X′-X2)2+(Y′-Y2)2=L22

(3)

(X′-X3)2+(Y′-Y3)2=L32

(4)

(X′-X4)2+(Y′-Y4)2=L42

(5)

对式(2)～式(5)等号左侧开平方,并移项化简整理得:

X′2+Y′2-2X1X′-2Y1Y′=L12-X12-Y12

(2a)

X′2+Y′2-2X2X′-2Y2Y′=L22-X22-Y22

(3a)

X′2+Y′2-2X3X′-2Y3Y′=L32-X32-Y32

(4a)

X′2+Y′2-2X4X′-2Y4Y′=L42-X42-Y42

(5a)

对式(2a)～式(5a)同时下式减上式即式(3a)减式(2a)、式(4a)减式(3a)、式(5a)减式(4a),消去X′2+Y′2,得:

(X1-X2)X′+(Y1-Y2)Y′=(X12-X22+Y12-Y22-L12+L22)/2

(X2-X3)X′+(Y2-Y3)Y′=(X22-X32+Y22-Y32-L22+L32)/2

(X3-X4)X′+(Y3-Y4)Y′=(X32-X42+Y32-Y42-L32+L42)/2

进而得如下矩阵:

AP=B

(6)

式中,

利用最小二乘法可求解上述矩阵方程,得到已知节点P(X,Y)的近似值a[即移动目标定位节点坐标P(X′,Y′)]:

a=P(X′,Y′)=(X′,Y′)T=(ATA)-1ATB

(7)

上述结果是根据ZigBee定位技术的VRSSI值和最小二乘法测算得出的,其与实际验证用的已知节点P(X,Y)坐标值有一定的偏差[3].

图2 目标定位节点硬件电路设计Fig.2 Hardware circuit design of the target locating node

2 两节点硬件电路设计和惯性测量单元测距法

2.1 参考节点和目标定位节点设计

参考节点和目标定位节点均采用CC 2530控制芯

片为核心的最小控制系统.在CC 2530程序设计中，通过ZigBee协议栈设置目标定位节点的无线发射功率,每个参考节点根据目标定位节点至自身的接收的信号强度指示(Received signal strength indication,英文缩写为RSSI)来直接计算出参考节点至目标定位节点之间的距离.为了更准确地掌握人员的移动方向和运动状态,在目标定位节点的硬件设计中增设了惯性测量单元MPU 9150,该单元内设三轴加速度计、三轴陀螺仪和三轴磁力计.MPU 9150和CC 2530芯片之间的数据通信采用I2C总线方式.图2为目标定位节点的硬件电路设计[4].

2.2 噪声信号的滤波处理

因外部干扰和传感器自身原因,惯性测量单元MPU 9150采集到的X轴、Y轴向的加速度数据含很多噪声干扰信号,需进行滤波处理.本文采用卡尔曼滤波算法滤掉惯性测量单元中存在的各种噪声干扰,提高测量精度.卡尔曼滤波是一种递归过程,主要有时间更新和观测更新.整个递归过程主要包括状态预测、协方差预测、卡尔曼增益、加速度的观测值、状态更新和协方差更新等[5].图3和图4为MPU 9150采集到的X轴、Y轴向上的原始数据与经卡尔曼滤波后的数据对比.

图3 传感器和卡尔曼滤波下X轴向加速度随时间的变化曲线Fig.3 The change curve of X axial acceleration with time under sensor and Kalman filter

图4 传感器和卡尔曼滤波下Y轴向加速度随时间的变化曲线Fig.4 The change curve of Y axial acceleration with time under sensor and Kalman filter

2.3 基于惯性测量单元的目标定位节点坐标值计算

设目标定位节点从已知的初始坐标P(Xn,Yn)点向已知节点P(X,Y)移动.经过时间T秒后到达已知节点P(X,Y).利用对目标定位节点上的MPU 9150加速度传感器采集到的数据进行两次积分,就能计算出X轴、Y轴向移动的距离[6],即：

(8)

则新产生的目标定位节点坐标为:

P(X″，Y″)=a=(X″,Y″)T=(Xn+Sx,Yn+Sy)T

(9)

3 数据融合处理

为了得到目标定位节点更准确的位置,利用测量

值加权融合算法对用ZigBee定位方法和惯性测量单元测算出的两组目标定位节点坐标数据a和b(即式(7)和式(9)的计算数据)进行数据融合处理,数据融合处理式如下:

c=λ×a+β×b

(10)

式中,c为数据融合后的坐标,m;λ和β为权重值,根据无线传感节点和惯性测量单元模块的噪声干扰和实际测试效果确定,本文中的权重值λ,β分别取0.9和0.1;a为用ZigBee定位方法计算出的目标定位节点的坐标,m;b为用惯性测量单元计算出的目标定位节点的坐标,m.

图5为数据融合后的室内人员定位跟踪效果比较.

图5 定位人员实际行走坐标轨迹与数据融合后坐标轨迹之间的对比Fig.5 Comparison between the coordinate track of locating personnel actual walk and the coordinate track after data fusion

4 结语

针对利用ZigBee无线传感定位技术接收的信号强度指示测算室内人员位置方法误差大的问题,本文采用测量加权融合算法进行定位,该方法是通过RSSI值与惯性测量单元测算出来的两组定位坐标数据的融合,获得一组新的定位坐标数据,收到了较理想的定位效果,从而验证了数据融合技术在复杂建筑物内人员准确定位的可行性具有广泛的应用前景.