综合AP选择的蓝牙地铁车站定位

金 霄，吴 飞，朱 海，鄢 松，胡 锐，陆雯霞

（上海工程技术大学 电子电气工程学院，上海 201620）

0 引言

随着城市的不断建设，地下空间带来的经济价值不断突出[1]，地下商场、地铁站、城市综合管廊等的出现，使得以高精度定位为支撑的基于位置的服务（location based services, LBS）成为研究热点[2]。随着蓝牙5.1协议[3]的发布，蓝牙应用空间得到了不断发展。在弱卫星信号环境的室内定位领域，蓝牙技术凭借着定位精度高、成本低、功耗低等特点适用于各类环境，并且作为构建“地下北斗系统”的1种研究方向受到广泛的关注。

在地铁车站环境下，被广泛关注的是基于蓝牙信号的多边定位法和指纹匹配定位法[4]。多边定位法的缺点是在一些复杂环境下，信号易受到多径效应影响，导致部分区域定位精度低。指纹匹配定位法的缺点是由于环境问题导致指纹库庞杂。在实际工程应用中，普通地铁车站多为长条形，需要布置上百个蓝牙，其中有些接入点（access point, AP）会存在遮挡，造成散射、衍射、反射等现象[5]，甚至有些AP信号值是错误的[6]，这些都会对定位精度造成较大影响。文献[7]提出了基于误差分析的启发式AP选择算法，以有效选择AP子集用于定位，可以降低定位计算的复杂度，提高定位性能。文献[8]利用每个AP在参考点的信息增益，然后选取信息增益前m个AP构建指纹数据库，以降低接收信号强度（received signal strength, RSS）变化带来的影响，该方法仅仅独立地考察了单个AP的判别能力。文献[9]只在某个采样点考虑该点处的平均信号强度，缺乏综合考量该处的区域性和波动性。

基于此，本文主要通过研究分析地铁环境下AP信号的特性，融合AP属地区域特征，用最大平均值和稳定度排序的方法实现AP组合的最优化。

1 蓝牙指纹定位法

基于蓝牙信号的指纹定位技术是近年来室内定位技术的研究重点。指纹法就是将环境的位置与特定的指纹联系起来[10-11]，指纹中存储1种或多种特征，在实际定位中，通过实际获得的多个特征与指纹库中的特征匹配来进行定位。蓝牙指纹定位过程分为2个阶段：离线阶段和在线阶段[12]。离线阶段首先设定坐标系，获取全体待定位点位置坐标集合，然后选择第i个位置，测量j次来自m个AP的RSS值，最后收集完所有数据，对数据预进行处理，数据预处理主要针对数据滤波和AP选择，最终得到指纹库。在线阶段，选择适合的匹配算法，将指纹数据库和实时采集的指纹数据匹配，获得最终位置。图1为蓝牙指纹匹配整体流程。

图1 蓝牙指纹匹配整体流程

目前指纹匹配算法中使用最广的是K近邻（K-nearest neighbor, KNN），KNN是著名的模式识别统计学方法，从定位角度理解，KNN是从在线阶段采集的RSS中，选择前k个欧式距离最小的位置指纹，然后计算指纹对应位置坐标的平均值作为定位结果，其中欧式距离代表在线采集RSS和指纹库中RSS向量的接近程度，即

式中：(xi,yi)为第i个采样点的位置坐标；(x,y)为待定位点坐标；d为待定位点z和第i个采样点的欧式距离。

加权K近邻（weighted KNN, WKNN）算法为改进的KNN法，充分考虑了不同采样点和待定位处的距离对定位结果的影响程度，指纹中最为接近的参考点的影响系数较大，反之影响系数较小。具体计算公式为

式中：γ为权重系数；ε为接近于0的正常数。

2 地铁车站蓝牙AP特性

在错综复杂的地铁车站环境下，干扰无处不在，从各个AP采集的RSS值具有随机性，而且RSS集与定位距离并不完全成正比例关系，可能同一位置不同的时间内采集到的RSS序列也不同，所以光靠单一选择方式如最大平均值AP法[13]，在地铁环境下的可行性不高。为找到合适地铁环境下的AP选择方案，需要对地铁环境的特性进行综合分析。

2.1 AP区域性分析

本实验分为2部分，皆在上海地铁诸光路站站厅层内进行，站厅层大致是由4个如图2所示的区域组合而成，图2中圆点代表采样点，三角形代表蓝牙AP，每个区域内部设置有长方形围廊。

图2 试验区域

第1部分试验是以1个AP、4个不同采样点进行分析，即图中围廊的西北角布设有1个蓝牙AP，使用华为P10手机分别在A1、A2、A3和A4处采集数据，采集频率为1 Hz，采集时长为1 min。AP与各个采集点的距离分别为5.51、7.42、17.73、27.14 m。每个采集点的位置如图2所示。图3为该AP在不同位置下的信号强度，可知在一段时间内皆是较为稳定的，但是RSS值有着明显的变化，尤其从图3（d）可看出，该位置RSS值较低，原因是采集点与AP距离较大且存在建筑物对信号的遮挡，所以在指纹采集时，应根据属地特征，注意不同位置的AP对定位区域的影响程度。

图3 同AP不同位置信号强度变化

第2部分实验是在AP出现频率方面，采样点及蓝牙分布如图4所示。实验以上海诸光路地铁站闸机附近抽取的24个采样点为采样区域，24个采样点用方块表示，整个站厅层42个已编号的蓝牙用圆点表示。采样点出现的频次如图5所示。从图5可以出，部分AP在实验区域出现次数较少。这是因为该区域在长条形车站的一端，所以在该区域内采集到的AP个数有明显的差别。综上分析，无论从单个AP还是整体AP都能说明，区域性对整体定位有一定影响，定位时应该结合属地特征综合考虑信号较强的AP[14]。

图4 24个采样点和42个蓝牙的分布

图5 24个采样点AP出现频率

2.2 AP信号的波动性分析

为了验证不同AP信号的波动性，在上海地铁诸光路站站厅层对其中的2个蓝牙进行分析，分别为AP1和AP2，用华为P10手机在同一点对2个蓝牙，以1 Hz的采集频率各采集8 min数据，其结果如图6所示。由图6（a）和图6（c）的波动图进行对比可得，AP1波动幅度较大，AP2波动幅度较小。从图6（b）和图6（d）所示的概率分布可以看出，2个蓝牙都类似于高斯分布，且RSS值多集中在-50 dB·m左右。产生上述结果是由于地铁环境复杂，易造成多径效应。因此，在进行AP选择时，要考虑该AP的整体集中程度。

图6 AP信号强度变化及概率分布

AP选择算法，大多通过RSS数据在样本中的出现概率以及对位置的分辨能力作为衡量标准，虽然减小了定位计算量，但都没有考虑AP的样本数据在特定环境下的稳定性，像在地铁车站里，空间实现指纹定位的缺点之一就是在一些特殊环境下，会遭遇无线信号不稳定，导致数据缺失，造成指纹库质量不高，所以需要在采样阶段，对指纹库AP进行稳定性筛选，去除掉影响较大的AP，便能够提高定位精度。地铁内4个蓝牙AP的性能如表1所示。

表1 地铁环境下RSS情况

常用的AP选择，均未考虑RSS的离散程度即方差。其中，常用的最大均值AP选择法仅考虑了RSS的集中程度[15]。从表1可知，AP1的RSS最大值比AP2高，然而其波动起伏较大，容易造成数据的变化，最终影响定位结果。所以稳定性也是AP选择时考量的重要因素，在稳定性上可以通过判断稳定度大小的方式进行选择。其中稳定度应包含采样位置的每个AP的波动幅度和AP信号在该采样位置接收的采集次数的频率。

3 综合AP选择策略

通过对信号特性分析，结合环境特征，提出了1种综合AP选择策略。该策略为在定位区域中，选择m个训练点采样，接收来自n个AP的RSS信号，AP集合表示成 AP = {A P1,AP2,… ,APn}，各训练点采集到的RSS值为 RSS = { RSS1,RSS2,… ,RSSm}，RSSij= {RSSij1,RSSij2,…, RSSijk}为第i个训练 点 处、第j个AP扫描的第k次数据，k是每个训练点处的采样次数，i=1, 2, …,m,j=1, 2,…,n。

首先对采集到的RSS数据，利用卡尔曼滤波进行滤波处理，这样可去除奇异值，同时平缓其变化范围，令数据更加真实可靠。

然后对RSS数据进行排序，在m个训练点的所有AP平均值中，选取数值最大的前x个RSS，再进一步从所有训练点中，选取出现频率最高的y个AP(y＜x)。将y个AP作为子集，计算子集信号强度的方差，即

式中：RSSij为第i个训练点处、第j个AP的采样信号强度的均值；为每个AP发送的RSS信号均值。考虑到方差可能为0，所以加入拉普拉斯平滑因子ε，以避免方差为0的情况[16]，与此同时，考虑AP信号在该采样位置接收的采集次数的频率，即

式中：Nj为整个采集过程中，APj在RSS总体样本中出现的个数；为所有训练点采集的数据。结合式（3）和式（4），可以得到AP集合中每1个AP的稳定度为

最后对稳定度进行排序，剔除稳定度较低的AP，保留了较为关键的AP，实现了对AP的更优选择。

4 实验与结果分析

4.1 实验环境

本文的实验场地选在上海地铁诸光路站站厅层付费区域，如图7所示，其中实验区域长101 m、宽19 m。实验测试环境中的AP，是地铁站厅层已布置的一共42个蓝牙AP，在图7中以圆点表示，不会随意更改AP或者加入其他AP。信号采集工具为自主开发的软件，采集RSS信息的设备为华为P10，每4个小网格组成1个大网格，以大网格中心为采集点，采集时长为60 s，采集的频率为5 Hz。为将定位结果量化，将真实值与测量值之间的距离定义为误差，即

图7 AP站厅层付费区结构

4.2 结果分析

本文对站厅层实验区域24个采样点，利用综合AP选择策略进行位置估计，同时与未经AP选择的方法、最大均值法和信息增益法进行实验对比。经过反复试验，实验中参数设置为：AP最佳数目选择为6，WKNN的k值选择为4；权重为欧氏距离的倒数。24个采样点部分采集指纹信息如表2所示。

表2 24个采样点部分采集指纹信息

图8为不同AP选择方法下定位误差的累计概率分布。

图8 不同AP选择方法的定位误差累积概率分布

从图8中可以看出，本文提出的综合AP选择策略与WKNN的定位效果更优，基本保证定位误差在2 m以内。作为比较，最大均值法和信息增益法相对于未经AP选择的方法虽具有一定效果，但并不明显，初步判断其原因为是因为没有考虑属地特性和信号波动性；而综合AP选择策略考虑了波动性、区域性、稳定性，使得AP组合为最优。通过对不同方法的平均误差分析，未经AP选择的平均定位误差为1.81 m，最大均值法平均定位误差为1.76 m，信息增益法的平均误差为1.43 m，本文的AP选择方法平均定位精度为1.09 m，其精度优于未经AP选择的方法，比平均定位精度提高0.45 m以上，且较为稳定。

5 结束语

在地铁环境下利用蓝牙技术进行定位时，本文采用指纹匹配法。在预处理AP选择阶段，通过对地下密闭空间的AP特性进行分析，提出了1种综合AP选择策略，该策略通过对AP波动性、区域性进行分析，结合AP属地区域特征，经过最大平均值和稳定度排序，使得AP选择组合得到一定程度的优化，并利用WKNN算法进行定位验证。通过对比实验，结果表明，相较于普通AP选择法，平均定位精度提高了0.45 m以上。下一步将研究在AP布局方向上进行优化，使得指纹设计更加合理，以获得更优的定位效果。