IEEE ISIE 2005, June 20-23, 2005, Dubrovnik, Croatia
Indoor Robot Localization System Using WiFi Signal Measure and Minimizing Calibration Effort
M. Ocantilde;a*, L. M. Bergasa*, M.A. Sotelo*, J. Nuevo*, R. Flores*
* Universidad de Alcalaacute;. Departamento de Electroacute;nica. Madrid. Spain
Abstract— This paper presents a robot localization system for indoor environments using WiFi signal strength measure. We analyse the main causes of the WiFi signal strength variation and we experimentally demonstrate that a localization technique based on a propagation model doesnrsquo;t work properly in our test-bed. We have carried out a localization system based on a priori radio-map obtained automatically from a robot navigation in the environment in a semi-autonomous way. We analyse the effect of reducing calibration effort in order to diminish practical barriers to wider adoption of this type of location measurement technique. Experimental results using a real robot moving are shown. Finally, the conclusions and future works are presented.
I. INTRODUCTION
The boom in wireless networks over the last few years has given rise to a large number of available mobile tools and their emerging applications are becoming more and more sophisticated by year. Wireless networks have become a critical component of the networking infrastructure and are available in most corporate environments (universities, airports, train stations, tribunals, hospitals, etc) and in many commercial buildings (cafes, restaurants, cinemas, shopping centres, etc). Then, new homes are slowly starting to add WiFi services in order to enable mobility to perform many routine tasks, in the known as intelligent houses. There are even emerging some projects about WiFi enabled cities as Paris, Barcelona, etc.
The recent interest in location sensing for network applications and the growing demand for the deployment of such systems has brought network researchers up against a fundamental and well-known problem in the field of the robotics as is the localization. Determining the pose (position and orientation) of a robot from physical sensors is not a trivial problem and is often referred to as “the most important problem to providing a mobile robot with autonomous capabilities” [1]. Several systems for localization have been proposed and successfully deployed for an indoor environment. Examples include infrared-based systems [2], various computer vision systems [3], ultrasonic sensors and actuator systems [4], physical contact based actuator systems [5] and radio frequency (RF) based systems [6].
Many mobile robot platforms use wireless networking to communicate with off-line computing recourses, human-machine interfaces or others robots. Since the advent of inexpensive wireless networking,
many mobile robots have been equipped with 802.11b wireless Ethernet. In many applications, a sensor from which position can be inferred directly without the computational overhead of image processing or the material expense of a laser is of great use. Many robotics applications would benefit from being able to use wireless Ethernet for both sensing position and communication without to add new sensors in the environment.
WiFi location determination systems use the popular 802.11b network infrastructure to determine the user location without using any extra hardware. This makes these systems attractive in indoor environments where traditional techniques, such as Global Positioning System (GPS) [7] fail. In order to estimate the user location, wireless Ethernet devices measure signal strength of received packets. This signal strength is a function of the distance and obstacles between wireless nodes and the robot. Moreover, the system needs one or more reference points (Access Points) to measure the distance from. Triangulation on signal strength from multiple access points could be the most natural technique to be applied but unfortunately, in indoor environments, the wireless channel is very noisy and the radio frequency (RF) signal can suffer from reflection, diffraction and multipath effect, which makes the signal strength a complex function of distance. To overcome this problem, WiFi location determination systems uses a priori radio map (wireless-map), which captures the signature of each access point at certain points in the area of interest. These systems work in two phases: training phase and estimation phase. During the training phase, the system constructs the wireless-map. In the estimation phase, the vector of samples received from each access point is compared to the wireless-map and the “nearest” match is returned as the estimated user location. However, the accuracy of this technique usually depends on a meticulous calibration procedure that consists of physically moving a wireless client to many different known localizations, and sometimes orientations, inside a building. This procedure is a practical barrier to wider adoption of this type of localization technique.
WiFi location estimation techniques are divided into deterministic and probabilistic techniques. In the first one the physical area making up the environment is first divided into cells. Location is performed in the estimation phase selecting the most likely cell in order to determine which cell the new measurement fits best [8]. On the
|
0-7803-8738-4/05/$20.00 copy;2005 IEEE |
1545 |
Authorized licensed use limited to: Univ de Alcala. Downloaded on July 20, 2009 at 10:37 from IEEE Xplore. Restrictions apply.
67 positions
other hand, probabilistic techniques construct a probability distribution over the targets location for the physical area making up the environment. This last technique provides more precision with computational overhead. Some recent and representative works hav
剩余内容已隐藏，支付完成后下载完整资料
基于WIFI信号测量和最小校准工作的
室内机器人定位系统
摘要
本文提出了一种利用WiFi信号强度测量的室内机器人定位系统。我们分析了导致WiFi信号强度变化的主要原因，并通过实验证明基于传播模型的定位技术在我们的试验台上不能正常工作。我们采用半自主的方式，从机器人在环境中的导航中自动获取一幅先验的无线地图，进行定位系统。我们分析减少校准工作的效果，以减少实际障碍，以更广泛地采用这种类型的位置测量技术。实验结果表明，该方法具有较好的实用性。最后给出了结论和今后的工作。
- 概述
过去几年，无线网络的蓬勃发展催生了大量可用的移动工具，它们的新兴应用正变得越来越复杂。无线网络已经成为网络基础设施的一个重要组成部分，在大多数企业环境(大学、机场、火车站、法庭、医院等)和许多商业建筑(咖啡馆、餐厅、电影院、购物中心等)都可以使用。然后，新的家庭开始慢慢地增加WiFi服务，以使移动性能够执行许多日常任务，也就是所谓的智能房屋。甚至出现了一些关于WiFi城市的项目，如巴黎、巴塞罗那等。
最近对网络应用的位置传感的兴趣以及对这种系统部署的需求的不断增长，使得网络研究人员对机器人领域的一个基本的和众所周知的问题进行了研究，这就是本地化。通过物理传感器确定机器人的姿态(位置和方向)并不是一个简单的问题，通常被称为“提供具有自主能力的移动机器人最重要的问题”[1]。针对室内环境，提出并成功应用了几种定位系统。例子包括基于红外线的系统[2]、各种计算机视觉系统[3]、超声波传感器和执行机构系统[4]、基于物理接触的执行机构系统[5]和基于射频(RF)的系统[6]。
许多移动机器人平台使用无线网络与离线计算资源、人机界面或其他机器人进行通信。自从廉价的无线网络出现后，许多移动机器人都配备了802.11b无线以太网。在许多应用中，无需图像处理的计算开销或激光器的材料开销就能直接推断出位置的传感器是非常有用的。许多机器人应用将受益于使用无线以太网进行感应位置和通信，而无需在环境中添加新的传感器。
WiFi定位系统使用流行的802.11b网络基础设施来确定用户位置，而不使用任何额外的硬件。这使得这些系统在传统技术，如全球定位系统(GPS)[7]失效的室内环境中具有吸引力。为了估计用户的位置，无线以太网设备测量接收数据包的信号强度。该信号强度是无线节点与机器人之间的距离和障碍物的函数。此外，系统需要一个或多个参考点(接入点)来测量距离。三角测量信号强度从多个接入点可以最自然的技术应用,但不幸的是,在室内环境中,无线信道非常嘈杂,射频(RF)信号可以受到反射,衍射和多路径效应,使信号强度的复杂函数的距离。为了解决这一问题，WiFi定位系统使用一种先验无线电地图(无线地图)，它在感兴趣的区域的特定点捕获每个接入点的签名。这些系统工作在两个阶段:培训阶段和评估阶段。在培训阶段，系统构建无线地图。在估计阶段，将从每个访问点接收的样本向量与无线映射进行比较，并返回“最近”匹配作为估计的用户位置。然而，这种技术的准确性通常取决于一种细致的校准过程，它包括物理地将无线客户端移动到许多不同的已知位置，有时还包括建筑物内部的定位。这一过程是广泛采用这种本地化技术的一个实际障碍。
WiFi定位技术分为确定性技术和概率技术。在第一个区域中，构成环境的物理区域首先被划分为单元格。在选择最可能的单元格的估计阶段进行定位，以确定新测量的单元格[8]。另一方面，概率技术在组成环境的物理区域的目标位置上构造一个概率分布。最后一种技术提供了更精确的计算开销。一些最近的和有代表性的作品出现在这一行。在[9]中，作者利用贝叶斯信念网络推导出目标位置的后验概率分布。提出了一种基于序列蒙特卡罗抽样的基于递推贝叶斯滤波的概率方法。在这两种情况下，笔记本电脑都被用于本地化测试，获得的最佳精度大约为1.5米。
本文提出了一种基于WiFi信号强度测量的室内机器人平台概率定位系统。首先，我们分析了室内WiFi信号在试验台的传播情况以及在定位应用中的可能性。我们通过实验证明了基于传播模型的系统不适合在我们的试验台中使用，并且我们已经实现了一个基于由以半自治方式导航的机器人产生的无线电地图的系统。最后，我们提出了一种最小化校准工作量的策略，并从中得出结论。
- 试验台
首先，我们描述了我们测试导航系统的环境以及需要的WiFi基础设施。试验台是在Alcala大学电子系的工业学院大楼的三层建立的。这个区域的布局如图1所示。它的尺寸是60米乘60米，有大约50个房间，包括办公室、实验室、浴室、储藏室和会议室。
在图2中，我们展示了进行本地化测试的两个走廊的细节。我们将环境分成67个单元，每个单元之间放置80cm，以便构建无线地图。
布法罗接入点(Buffalo Access point, APs) (wbr - 54g)安装在图1所示的位置，5个ap连接到全向天线，2个ap (AP3和AP7)连接到120的天线。
为了减少手工校准，我们使用了一个能够自动停止在每个单元的机器人，以测量来自不同APs的WiFi信号。作为移动机器人，我们使用了Activmedia robotics的先驱2AT，配置如下:Orinoco PCMCIA黄金无线卡，Linux Red Hat 9.0作为操作系统，Jean Tourrilhes[11]的无线工具，Orinoco驱动程序Moustafa a . Youssef补丁。图3描绘了实验中使用的机器人原型的图片。
本节介绍了室内环境中WiFi变化信号强度的主要原因。为了测试无线定位的可行性和可靠性，我们对我们的WiFi基础设施进行了一些真实的实验。主要结果由作者在[12]中提出。在这里，我们将提取主要思想来理解以下几点。
在[10]中，作者确定了导致室内环境中信号强度变化的三个主要原因:
1)时间变异:长期处于固定位置的变异。
2)规模化变化:由于衰减，信号强度在较长的距离内变化。
3)小规模变化:当用户移动一小段距离时，这些变化就会发生，这是由于信号的波长(2.4 ghz的波长为12.5cm，那么在小于12.5cm的距离就会出现这种影响)。
为了测试系统的时变效应，进行了平稳测量实验。我们从两个接入点(AP1和AP2)收集了整整一天(周五到周六)的样品，并在AP1附近对机器人进行了定位。采样率为1秒。从AP1获得的信号强度(= -56.8 dbm,= 4.5 dbm)从AP2比(= -70 dbm,= 3.7 dbm)。原因是由于AP1比来自机器人的AP2更接近，然后因为AP2信号需要穿过两面墙，并有相应的衰减。另一个结论是AP1信号的标准差大于AP2信号的标准差。原因是AP2的次级路径影响较小。然后，从AP2接收到的信号几乎都是由于直接路径，而从AP1接收到的信号具有较高的多径衰落影响。
另一方面，在没有人工作的情况下，信号强度是相当稳定和一致的，但它受到一些环境因素的影响，如人的运动、计算机噪音以及其他无线电信号(蓝牙鼠标和键盘链接等)的影响。这种影响在5到15dbm之间引起了变化。我们必须注意到，这个实验的条件非常极端，因为在工作时间，很多人在机器人周围走动，几乎所有办公室都有带有蓝牙链接的个人电脑。
为了测试大规模的变化，我们收集了来自AP1和AP2的信号强度，并让机器人在三条走廊上移动。我们把走廊上的无线电地图位置放在一个相隔80厘米的网格上，每个位置取300个样本。平均信号强度在18米范围内的变化约为20dbm。此外，由于多径效应，信号与距离的线性变化不存在。这就是为什么很难建立室内环境的传播模型。
为了演示小范围的变化，我们从AP1的不同点(小于125cm)中获取了几个测量值，并生成了每个病例的直方图。在小于10cm的距离上测量了多达3dbm的变化，并对直方图进行了不同的剖面图。
我们还分析了机器人定位在我们的环境中的影响。我们采取了多种信号强度测量方法，并在正交方向上得到了它的直方图，观察到不仅可以得到机器人的位置，还可以得到机器人的方位。测试方向的直方图剖面不同，8dBm测试用例的平均信号差异最大。这种变化的原因是天线不在机器人的中心，如图3所示。
我们将无线地图元组表示为每个单元的每个访问点的一组读数，如式(2)所示:
(x,y,{ AP1,AP2,hellip;APk })(2)
其中(x,y)表示地图上每个单元的物理点中心的笛卡尔坐标，以及{AP1,AP2，hellip;，APk}表示包含从访问点1、2、hellip;k中收集的读数集合的向量。
b .连续模式本地化。
所解释的离散模式对于定位是有用的，但是当目标是将WiFi信息与从其他传感器(测程、激光等)获得的信息融合在一起，从而为机器人开发一个鲁棒的公制导航系统时，则不能很好地工作。在这种情况下，更有趣的是获得一个连续的度量。为了解决这个问题，我们建议使用径向基函数(RBF)网络从每个接入点插入接收信号的平均值。使用这种技术，我们获得了机器人可以移动的环境的插值无线电地图，以及每个AP，如图6所示的接入点2。对RBF网络的输入点进行交叉标注，实心面显示插值图。
RBF的输入是机器人的真实位置，输出代表该位置{APx}中的直方图的平均值。
一旦我们在训练阶段获得了一个连续的无线电地图，我们就实现了一个新的RBF网络来获得机器人的位置估计。在这种情况下,RBF的接收信号是输入不同的接入点{ AP1,AP2,hellip;,AP7 },和输出估计位置(xcirc;ycirc;)。图7显示了
连续模式下的定位。
为了测试该方法，我们获得了环境中的1000个随机位置，并计算了RBF估计位置与实际值之间的误差。平均误差为2.47 m。考虑到在测试中没有使用任何训练点，这个值是可以接受的。
基于WiFi的无线地图定位系统存在的主要问题是地图的手工生成。这类系统的准确性通常取决于精细的校准过程，其中包括物理地将无线客户端移动到许多不同的已知位置，有时还包括建筑物内部的朝向。指望任何人把资源花在这类工作上可能是不现实的。意识到这一问题，我们使用了一个能够在不同位置自动接收WiFi信号的机器人，并进行了一个最小化校准工作量的实验。
正如[14]中解释的那样，校准工作通过减少的方式减少:
1)每个地点的时间:他们在静态位置上花费的时间，以获取接收到的信号措施。
2)位置数量:表示获取参考无线电地图所需的位置。
他们减少了17%的时间他们只得到平均平方误差12%的增长。
在这项工作中，从原来的全套装置的校准位置的数量逐渐减少。作者从原始的校准集中选取k个位置，在原始位置上运行k-means聚类算法，生成k个簇。然后，他们选取k个最靠近k个簇质心的原始位置作为校正点。
在我们的例子中，我们使用k-means算法来减少位置数，但是我们没有选择离k个集群中心最近的k个位置，而是使用k个集群中心。图8显示了减少90%校准位置的一个例子。
为了尊重每一次校正的时间，我们减少了每一个位置的测量次数，从100个减少到10个。这一措施的减少假设时间从35秒减少到35,5秒。这些实验的结果将在下一节中显示。
在本节中，我们将利用在真实模式下收集的数据，以模拟模式展示我们的机器人定位系统的实验结果。
在这种模式下，机器人在环境中移动，移动过程中WiFi读数被收集到一个文件中。
仿真环境如图9所示。这个图显示了三条走廊(走廊3和4以及环境的主要走廊)。并给出了机器人采集信息的轨迹。然后，将收集到的信息用于模拟模式下的结果。
在第一个实验中，我们测试了位置数的减少。为此，我们将所有培训地点的数量从100%逐步减少到10%。我们已经运行了k均值算法来逐步减少k个簇的质心，然后我们选择了这些作为训练点。我们已经用连续模式定位系统测试了这种还原方法，并获得了图10所示的下一个结果。在这里，显示了平均平方误差与校准工作量的对比。x轴表示用于总体系统训练方面的位置分数。y轴表示得到的均方误差。
需要注意的是，我们的系统在比[14]更糟糕的情况下工作，因为我们的测试位置是随机的，[14]是训练位置。然而，我们得到了训练阶段中所有位置的均方误差为2.57m，低于[14]。取全部训练地点的40%，平均平方误差增加到4.78米。
我们进行的第二个实验是将每个位置的样本减少到本地化阶段的训练阶段。
为了测试这个实验，我们使用离散模式定位系统来获得正确的局部化的减少。如图11所示，我们可以使用总体样本的10%生成一个无线电地图，获得92的正确本地化的百分比，53%，本地化阶段只收集了18个样本。
本文提出了一种基于先验无线地图的室内环境机器人定位系统，采用了不同的定位方法，如连续模式定位和离散模式定位。该无线电地图已自动获得使用一个机器人导航在半自治的方式。
我们分析了导致WiFi信号强度变化的主要原因，并证明通过获取直方图而不是简单的测量，这种变化很容易减少。
利用我们的系统，我们得到了在真实模式下离散模式定位的全局定位误差为0%，并且有来自WiFi机器人的真实数据
培训阶段50个样品的接口，本地化阶段18个样品的接口。
我们还得到了一个全局定位系统，在一个模拟模式下，在连续模式下，平均误差为2.57m，并从WiFi机器人界面中获取真实数据。虽然这个错误对于导航应用程序来说似乎很高，但是我们必须认为这是通过单个位置获得的。在实践中，通过跟踪技术和与机器人的其他传感器进行数据融合可以降低这个值。
我们利用粒子滤波[12]得到了一些WiFi和测速融合的初步结果，我们得到了一个低于40
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[468242]，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。
