英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
RADAR：一种基于射频的室内用户定位和跟踪系统
Paramvir Bahl和Venkata N.Padmanabhan
微软研究院
{bahl, padmanab}@microsoft.com
摘要
移动设备和无线网络的激增促使人们越来越关注位置感知系统和服务。在本文中，我们介绍了RADAR，一种基于射频（RF）的系统，其用于定位和跟踪建筑物内的用户。RADAR通过在多个基站处记录和处理信号强度信息来进行操作，这些基站被定位用以在需要的区域中提供重叠覆盖。它将经验测量与信号传播建模相结合，以确定用户位置，从而实现位置感知服务和应用。我们提供的实验结果表明RADAR能够以高精度估测用户位置。
关键词：位置感知服务，用户位置和跟踪，无线局域网，射频无线网络。
1 介绍
移动设备和无线网络的激增促使人们对位置感知系统和服务产生了越来越大的兴趣。此类系统的关键区别特征是，呈现给用户的应用信息和/或界面通常是他或她的物理位置的函数。 所需的位置信息的精度可能因应用程序而异。 例如，定位附近的打印机需要相当低精度的位置信息，而在图书馆中定位书籍则需要高精度的信息。
虽然许多研究都集中在为位置感知系统开发服务架构上（例如[Maa97，Ne198]），但是对于定位和跟踪移动用户的基础和具有挑战性的问题关注度较低，尤其是在室内环境中。解决该问题的努力很少，通常在红外（IR）无线网络的背景下完成。红外网络的范围有限,这便于用户定位, 但也是提供无处不在的覆盖的一个障碍。此外，IR网络通常仅用于定位人员，而不提供传统的数据网络服务。为了避免这些限制，我们在研究中专注于RF无线网络。我们的目标是通过准确的用户定位和跟踪功能来补充RF无线局域网的数据网络功能，从而提高此类网络的使用价值。
在本文中，我们介绍了RADAR，这是一种基于射频的系统，用于定位和跟踪建筑物内的用户。 RADAR使用在多个接收器位置收集的信号强度信息来对用户的坐标进行三角测量。 使用经验确定的和理论上计算的信号强度信息进行三角测量。
我们的实验结果非常令人鼓舞。RADAR很大概率能够将用户的位置估计到距离实际位置几米的范围内。这表明我们可以在RF无线数据网络上建立大量的位置感知服务。
本文的其余部分安排如下。在第2节中，我们调查了位置确定技术的相关工作。在第3节中，我们讨论了我们的研究方法。第4节包含了本文的核心部分，其中我们提出了经验并分析信号传播的建模方法。关于基础RADAR系统扩展的讨论见第5节。最后，我们在第6节中给出了结论。
2 相关工作
用户位置和跟踪领域的相关工作分为以下几大类：（1）室内IR网络，（2）广域蜂窝网络（基于RF），以及（3）全球定位系统（GPS）。
主动徽章系统[Wan92，Har94]是对位置感知系统领域的早期重要贡献。在该系统中，人的徽章每10秒发出一次独特的IR信号。放置在建筑物内已知位置的传感器接收唯一标识符并将这些标识符转发给位置管理器软件。虽然该系统能提供准确的位置信息，但它有几个缺点：（a）由于IR的范围有限，它的规模很小;（b）它会带来较高的安装和维护成本;（c）在阳光直射的情况下，其性能较差，在带窗户的房间里可能有问题。
在[Azu93]中描述了另一种基于IR技术的系统。红外发射器安装在建筑物中已知位置的天花板上。头戴式单元上的光学传感器感测IR信号，使软件能够确定用户的位置。但该系统具有与Active Badge系统类似的缺点。
[ATC97]中描述的系统基于脉冲直流磁场，多个传感器放置在车身安装的外围设备（如数据手套）上，并对其输出信号进行处理，以高精度确定人员的位置和方向。这种技术在计算机动画工业中得到了广泛的应用。然而，它相当昂贵，而且，像红外一样，其射程严重受限，因此不适合大规模部署。
最近，几种用于广域蜂窝系统的定位系统[Tek98]被提出。其用于定位蜂窝网络电话的技术替代方案包括及测量信号衰减、到达角（AOA）和/或到达时间差（TDOA）。 虽然这些系统在室外环境中具有发展前景，但是它们在室内环境中的有效性受到RF信号所遭受的多次反射的限制，并且不能提供现成的和廉价的硬件以提供高精度时间同步。
基于全球定位系统[GPS99]的方案虽然在室外非常有用，但在室内却无效，因为建筑物阻挡了GPS信号传输。
Daedalus项目[Hod97]开发了一个低精度用户定位系统。基站发射基于物理坐标的增强信号。使移动主机估计其位置与它所连接的基站的位置大致相同。因此，系统的精度受到（可能大的）单元大小的限制。
我们的做的不同于以前的工作，因为我们解决了在室内环境中常见的基于射频的·无线网络上用户定位和跟踪问题。在范围、可扩展性、部署和维护方面，RF网络比IR外网络更具优势。此系统连接速度高达11 Mbps，已经得到了迅速的认可，并被广泛部署在办公室、学校、家庭等场所。
我们最近发现了[CG93]中描述的胁迫警报定位系统（DALS）。虽然他们的工作和我们的在某些方面相似，但在重要方面也有所不同。简而言之，他们的系统（1）依赖于专用硬件，（2）不使用传播建模来构建建筑物的无线电地图，（3）不考虑用户身体取向，（4）需要基础设施部署在无线数据网络之上。以下各节阐明了这些要点。
3 研究方法
我们首先描述了实验测试平台。然后，我们讨论数据收集过程，包括我们为此目的开发的工具。最后，我们将对数据执行的处理做为第4节中描述的分析的前提条件。
3.1 实验测试平台
我们的实验测试场所位于一栋3层楼的二楼。地板的布局如图1所示。地板的尺寸为43.5米times;22.5米，面积为980平方米（10500平方英尺），包括50多个房间。
我们在图1所示的位置放置了三个基站BSI，BS2和BS3。每个基站都是基于奔腾的PC，运行FreeBSD 3.0，配备无线适配器。我们的移动主机由被跟踪的用户携带，是一台运行Microsoft Windows 95的基于奔腾的笔记本电脑。
每个基站和移动主机都配备了Digital RoamAboutTM网络适配器（NIC），基于朗讯广受欢迎的WaveLANTM RF LAN技术。该网络运行在2.4 GHz免授权ISM（工业，科学和医疗）频段。 它具有2 Mbps的原始数据速率和1-2 ms的单向延迟。对于开放式，半开放式和封闭式办公环境，[Roa96]中规定的网络范围分别为200米，50米和25米。该分类基于发射器和接收器之间的障碍物的类型和密度。根据这种命名法，我们的测试平台环境将被整理为沿着基站所在的走廊开放，其他地方关闭。基站在地板的部分区域提供重叠覆盖，并且一起覆盖整个楼层。
3.2 数据采集
我们研究的关键一步是数据收集。我们根据用户的位置记录有关无线信号的信息。 如第4节所述，我们使用信号构建和验证，离线分析期间信号传播的模型，以及实时推断用户的位置。我们将前者称为离线阶段，将后者称为实时阶段。
除其他信息外，WaveLAN NIC还提供信号强度（SS）和信噪比（SNR）。SS以dBm为单位报告，SNR以dB表示。s瓦的信号强度相当于10 * log10（s / 0.001）dBm。s瓦的信号强度和n瓦的噪声功率产生10 * log10（s / n）dB的SNR。例如，1瓦的信号强度相当于30 dBm。 此外，如果噪声功率为0.1瓦，则SNR为10dB。
FreeBSD 3.0 WaveLAN驱动程序每次接收到广播数据包时从WaveLAN固件中提取SS和SNR信息1。然后，它通过ioctl系统调用，将信息提供给用户级应用程序。我们使用wlconfig实用程序来提取信号信息，它为ioctl调用提供了一个封包器。
1.修改驱动程序以记录其他数据包的信息非常容易，但我们没有理由这样做。
在我们的试验中，我们选择了基于Windows的移动主机定期广播数据包（信号），并让FreeBSD基站记录信号强度信息。然而，在移动主机远比基站多的系统中，可能需要后者传输信号，前者测量信号强度。当然，用户定位和跟踪的准确性不受此选择的影响2。
2.虽然我们的分析并没有假设信号强度的对称性，但我们在两端测量信号强度的少数实例表明几乎没有不对称性。
我们使用Tcl / Tk [Ous94]和Per1 [Wa196]编写了一个简单的程序来控制来自移动主机的整个数据收集过程。 该过程如下操作。首先，移动主机和基站上的时钟是同步的（在无线链路的往返延迟基本上小于5ms）。 然后，移动主机开始广播UDP分组，每个UDP分组具有6字节的有效载荷并且以每秒4个的默认速率均匀地发送。 每个基站（bs）记录信号强度（ss）测量值3和同步时间点t，记录成形式（t，bs，ss）的元组。 在离线阶段和实时阶段都收集该信息。
3. 在我们的实验过程中，我们发现信号强度是一个比信噪比更强的位置函数。后者受到噪声过程中随机波动的影响。所以我们只使用信号强度信息进行分析。
图1为实验的地形图。 黑点表示收集经验信号强度信息的位置。 大五角星标明了3个基站的位置。方向是北（上）和东（右）。
另外，在离线阶段（非实时阶段）期间，用户通过点击楼层地图来指示其当前所在位置，用户的坐标（x.y）和时间点t被记录下来。
在我们的实验中，我们发现给定位置的信号强度变化非常显着（最多5 dBm），这取决于用户的方向，即他/她面向的方向。在一个方向上，移动主机的天线可以具有到基站天线的视距（LOS）连接，而在相反方向上，用户的身体可能形成障碍物。因此，除了用户的位置（x，y）之外，我们还记录了测量时他/她所面对的方向（d）（北，南，东或西）之一4。 因此，移动主机在离线阶段记录形式为（t，x，y，d）的元组。 我们将在第4节中更详细地讨论用户方向的含义。
4. 虽然还有其他波动源，如其他人和物体的运动，但这些波动往往是随机的。相比之下，携带移动主机的人的身体引入了一个系统的错误源。
总之，在离线阶段，我们在70个不同的物理位置收集了4个方向中每个方向的信号强度信息。对于位置和方向的每个组合（即（x，y，d）元组），我们收集了至少20个信号强度样本。
3.3 数据处理
在第4节，我们概述了作为分析前提所执行的数据处理过程。
3.3.1 信号强度信息
依据同步时间点，我们将在离线阶段收集的所有记录合并到一个统一的表中，该表包含形式（x，y，d，ss，snr）的元组，其中i isin;{1,2,3}.对于每个（x，y，d）元组，我们计算每个基站的相应信号强度值的均值，标准偏差和中值。对于我们的大部分分析，我们使用以此处理的数据集（主要是平均值）而不是原始数据集。
我们编写了程序来搜索已处理的数据集，以确定最接近的匹配项。有相当数量的数据研究文献描述了这种多维搜索的有效数据结构和算法（例如R-Tree [Gut84]，X-Tree [Be196]，最佳k-最近邻搜索[Sei98]等） 然而，我们选择了一种简单的线性时间搜索算法，因为我们相对较小的数据集和维度（最多3个，如第4节所述）并不能适应上述算法的复杂度。此外，我们的研究重点是分析而不是开发最佳的匹配实现机。
3.3.2建筑楼层布局信息
我们得到了我们楼层的布局信息，其中指定了每个房间的坐标。我们还得到了三个基站的坐标。利用这些和Cohen-Sutherland线裁剪算法[F0190]，我们计算了阻塞基站之间直线距离的墙的数量，以及我们之前收集信号强度数据的位置。利用这一点，我们建立一个精确的信号传播模型（第4.2节）。
4 算法与实验分析
在本节中，我们将讨论用户位置和相关的几种算法，并用我们的实验数据分析这些算法的表现。
我们工作的前提是信号强度（SS）信息提供了推断用户位置的方法。为了证明这是一个合理的前提，我们在图2中展示了当用户沿着逆时针方向沿着走廊的外走廊行走时，3个基站中每个基站测量的SS如何变化（图1）。步行开始并终止于西北角（靠近BSI）。当用户在循环走动时，三个基站记录的SS中存在明确的趋势。毫无疑问，当用户接近它时，基站接收的信号最强，而当用户离很远时，信号最弱。这一显著趋势表明使用SS来推断位置是一种很有前景的方法。
图2为当用户在走动时三个基站记录的信号强度。
我们的基本方法是三角测量法5。给定每个基站处的一组信号强度测量值，确定与观察到的信号强度数据最匹配的位置，然后我们“猜测”这是用户的位置。由于以下各项有多种选择，因此出现了基于这种基本思想的多种变体：
- 总结在基站测量的信号强度样本的方法。
- 确定最佳匹配的基础。
- 用于确定最佳匹配的度量标准。
我们将依次讨论这些问题。
5．我们的测试平台上有三个基站，这只是巧合。也可以使用更少或更多的基站进行三角测量。
首先，我们使用样本均值来计算来自基站的多个信号强度样本。在静态用户的位置和方向是固定的（用户位置问题）的情况下，我们很清楚哪些信号强度测量应该包括在样
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[439246]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
