气压计融合WiFi楼层定位算法*

卢彦霖, 章志明, 邓建刚, 余 敏

(1.江西师范大学 软件学院,江西 南昌 330022； 2.江西师范大学 计算机信息工程学院,江西 南昌 330022)

0 引 言

目前,提出的楼层定位技术可分为基于无线信号[1～4]、基于传感器[5～8]以及多种定位源融合技术[9～11]。基于无线信号的定位方式大多数研究都利用GSM信号或WiFi信号的位置指纹匹配技术,但无线信号存在抗干扰性差,时变性强等缺点,且构建指纹数据库需要耗费大量的人力。SkyLoc[1]系统提出一种基于GSM指纹的楼层判别方法,并研究在保证较高判别正确率的情况下有效地减少指纹采集量,但75 %的正确率实用性较差。邓中亮等人[2]提出基于K-means算法的WLAN室内定位楼层判别方法,根据楼层间明显的信号差异和所属类的方法确定楼层,更大的匹配粒度使其正确率超过95 %。孙子砚等人[3]借鉴室内外无缝切换思想,通过在楼梯等过渡区域布设无线传感器网络(wireless sensor networks,WSNs)节点,实现楼层间切换,该方法切换成功率大于75 %。

伴随微机电系统(micro-eletro-mechanical system,MEMS)技术飞速发展,基于传感器的楼层定位技术正在兴起。Ftrack系统[7]在无需基础设施的楼层中,仅依靠手机内置加速度计识别用户上下楼行为,能达到97 %的准确率；B-Loc系统[8]首创仅利用手机中内置气压计实现楼层定位,在10层楼的环境中准确率高达98%,但系统太过依赖用户实时气压指纹采集,在用户数量较少时无法提供高准确率服务。

基于以上WiFi和气压计楼层定位的优缺点,本文提出气压计融合WiFi楼层定位方法。以WiFi楼层定位为基础,采用群智感知技术[12]实时收集气压指纹,构建气压计楼层定位模块,利用气压计楼层定位填补WiFi信号覆盖盲区并监测WiFi楼层定位结果误差,实时动态更新WiFi指纹数据库。

1 基于WiFi楼层定位

相较传统WiFi定位算法,基于K-means算法的WLAN室内定位楼层判别方法[2]有更高的准确率且设备成本低,故本文沿用此算法。具体操作如下:

1)扫描所有训练集采样点,记录每个采样点上WiFi信号向量,得出每层楼中每个接入点(access point,AP)的信号范围。

2)通过K-means聚类方法对同一楼层的AP信号进行聚类。满足式(2)收敛时K-means停止聚类

(1)

式中E为所有对象的平方误差和,p为数据对象,mi为簇Ci的平均值。

3)实时定位阶段,当接收到信号(RSSIAPi,RSSIAP2,…,RSSIAPn)时：

a.若找到RSSIAPi所属的信号强度区间,则根据AP所属楼层判断位置；否则,返回离该信号最近区间所属楼层。

b.返回的层数多于2层时,则根据楼层内聚类集合进行比较,返回距离最近簇所属楼层。

2 气压计融合WiFi楼层定位

2.1 实现气压计楼层定位

1)数据采集

本文通过群智感知技术采集数据,将采集每个层气压值的任务分解并分配给建筑物内每名持有智能手机的用户,每个客户端程序以设定的频率实时采集当前楼层气压值(如果该手机有气压计)和WiFi信号值。并将采样时间和当前手机唯一标识码IMEI也一并记录到该指纹中,每一个采样点的指纹可以用以下向量表示：FPi={Time,IMEI,Ba,(RSSI1,RSSI2,…,RSSIn)}，其中，Time为当前指纹的采集时间，IMEI为手机标识，Ba为气压值。在待定的时间,所有客户端将自身采集的数据上传到云服务平台。

2)数据处理

由于楼层定位系统通过群智感知技术采集数据样本大、冗余度高以及复杂性高,需要对数据集合进行预处理。

a.平滑处理：系统客户端以5 Hz的频率采集数据,气压传感器的原始读数存在噪声,本文首先过滤噪声,然后以1 000 ms为窗口(即(T-500)～(T+500))对数据进行平滑处理,从而达到降低误差的效果。

b.RSSI标准化：将所有RSSI向量Sn求并集U,并按照U将所有Sn标准化处理得到Fi,对于未检测到的AP值设为经验最小值-110，有

(2)

3)气压计标定

在相同的大气压下,各手机气压传感器的偏移量较大,但偏移量的标准差很稳定。可以以一种手机的气压数据为参考,通过式(3)计算各种手机与参考数据的偏移量,通过偏移量进行气压数据校正

drifti=Bai-Ba0

(3)

式中 在同一时间同一楼层,Bai为i型号手机的气压计读数;Ba0为参考手机气压计读数;drifti为i手机的偏移量。通过偏移量补偿可以校正各手机气压传感器。记录下的偏移量信息表可以用在任何的建筑物中。

4)构建实时气压指纹库

当每一层都分布有用户采集气压值时,根据WiFi信号提供的楼层信息,可以得到每一层的气压值Bafn,建立气压指纹库。

本文通过附加参考点(〈t,b〉),补偿气压指纹库,减小气压波动对定位结果的影响。比如,气压60 s变化Δb,参考点将会更新〈t+60,b+Δb〉。而每个手机客户端周期性上传数据,在一定周期内整体更新气压指纹库,保证以最小的能耗提供高精度的定位服务。

5)用户定位

当WiFi信号不足以提供定位服务时,定位服务需要依赖气压计楼层定位模块。用户采集当前气压数据,经过偏移量信息校正之后匹配气压指纹库,返回气压指纹库中气压值最接近的楼层。

2.2 WiFi楼层定位误差检测

1)判断定位误差

通过手机气压数据Bai对比WiFi判定楼层Fi对应气压指纹库Bafi,经过偏移量信息表校正之后,一段时间内Bai和Bafi之间的标准差S与经验值S0(0.04 HPa)相差超过阈值(0.47 HPa)[8],说明当前WiFi楼层定位结果有误

(4)

2)校正定位结果

2.3 动态更新WiFi信号指纹库

1)利用前述方法获得正确WiFi信号向量。

2)更新WiFi信号指纹库。将处理过的WiFi向量集,通过K-means聚类方法将Ti时段内的WiFi向量集与正确楼层内的簇首WiFi向量进行聚类,更新楼层内的WiFi信号指纹库。

3 实验与结果分析

实验选取其中5～7楼,3层楼。每层楼层布设了4个TL—WR885N型号AP。各个采样点分布在3个楼层的走廊及房间内,两个相邻采样点之间的距离约为2 m,利用信号采集端(智能手机)对每个点进行20次间隔为1 s的采样。如图1所示。

图1 实验环境

实验设备为三星Note2,华为Mate 8和小米5智能手机,表1中给出了气压计参数。WiFi信号的采样频率1 Hz,气压计的采样频率为5 Hz。在每个采样点,客户端扫描 AP信号并记录其RSS与MAC地址。定位服务器建立指纹图后对所有指纹进行聚类,并建立WiFi楼层定位模块。

表1 气压计参数

采用楼层定位准确率评估定位性能：定位准确率=估计位置所在楼层与实现位置楼层一致的数目/定位总数。

3.1 气压计楼层判别准确率

本文为了检验气压计楼层定位模块,建立动态气压指纹库。选取图1中3个测量点,从图2中可以看到,1#测量点由于墙体阻隔导致信号特征不明显,只有82 %准确率的楼层定位结果。2#测量点在走廊环境中,没有墙体阻隔WiFi信号,可获得90 %较理想的准确率。3#超出采样点范围后,定位准确率只有63 %,而气压计定位模块在楼层任意位置都可提供90 %以上高准确率的楼层定位服务。有效降低设备部署成本,克服室内环境复杂性,增强定位系统适用性。

图2 定位准确率对比

3.2 指纹库更新

选取2#测试点进行为期2周的实验测试,通过对比传统人工更新指纹库方法(2天更新1次)以及不更新指纹库情况,检验本文指纹库更新方法有效性[13],实验结果如图3所示。

图3 更新指纹库方法准确率对比

可知,传统人工更新指纹库方法能维持较高的定位准确率,但是耗费巨大人力。不更新指纹库会使定位准确率急剧下降,导致系统无法提供有效的定位服务。在无专业人员参与的情况下,本文指纹库更新方法能维持定位准确率在80 %左右,说明本文提出的方法能够在一定程度上解决WiFi信号时变性问题。

4 结 论

本文提出的气压计融合WiFi指纹楼层定位方法,满足多层建筑室内定位需求,提高了定位型适用性。且一定程度上解决人工现场勘测,维护指纹库耗费巨大成本的问题,在多楼层环境中的室内定位方向产生积极作用。