英语原文共 11 页
物理通讯 ISSN 1874-4907
Physical Communication,[DOI:10.1016/j.phycom.2018.09.003] http:// www.elsevier.com/locate/phycom
copy; 2018 Elsevier B.V. 版权所有.
城市环境中一种新的Wi-Fi/GPS融合的鲁棒定位方法[1]
Marwan Alfakih1, Mokhtar Keche1, Hadjira Benoudnine1,2
1(奥兰·穆罕默德·布迪亚夫科学与技术大学，电子系，信号与图像实验室，阿尔及利亚 奥兰治 31000)
2(阿卜杜勒哈米德·伊本·巴迪斯大学，科学与技术学院电气与电子系，阿尔及利亚，穆斯塔加奈姆 贝尔哈塞尔)
通讯作者: Marwan Alfakih, E-mail: marwan.alfakih@univ-usto.dz (M. Alfakih)
摘 要: 这篇论文提出了一种通过融合 GPS 导航系统提供的位置和使用 Wi-Fi 信号强度获得的位置测量，在城市环境中提高移动设备定位精度的跟踪框架。为了实现高效的融合，提出了一种基于双质点结构的滤波器和一种多模型(MM)方法。它融合了来自这两种独立技术的信息，以克服自身的缺陷。事实上，Wi-Fi 和 GPS 被视两个模型，其概率是通过一个过渡转移矩阵(TPM)和一个混合模型似然函数(MLF)计算出来的。然后，这些概率被用于结合两个粒子过滤器提供的大致移动状态。与这两个模型相匹配，这些过滤器通过交换一部分各自的粒子进行相互作用。通过实验评估，以及和纯Wi-Fi、纯GPS定位系统、其他融合方法对比的结果表明，该框架结构的定位误差在所有被提出的体系中是最低的。
关键词: Wi-Fi定位;GPS;接收信号增强;数据融合;粒子滤波器
中图法分类号: TP311
中文引用格式: 陈翔,顾庆,刘望舒,刘树龙,倪超.静态软件缺陷预测方法研究.软件学报. http://www.jos.org.cn/1000-9825/ 0000.htm
英文引用格式: Chen X, Gu Q, Liu WS, Liu SL, Ni C. State-of-the-Art survey of static software defect prediction. Ruan Jian Xue Bao/Journal of Software, 2016 (in Chinese). http://www.jos.org.cn/1000-9825/0000.htm
A new Wi-Fi/ GPS fusion method for robust positioning in urban environments
Marwan Alfakih1, Mokhtar Keche1, Hadjira Benoudnine1,2
1(Laboratoire Signaux et Images, Deacute;partement drsquo;Electronique, Universiteacute; des Sciences et de la Technologie drsquo;Oran Mohamed Boudiaf, USTO-MB, BP.1505 EL,Mrsquo;naouer, 31000, Oran, Algeria)
2(Electrical and Electronic Department, Faculty of Sciences and Technology, University of Abdelhamid Ibn Badis, BP 227 Route,Belhacel, Mostaganem, Algeria)
Abstract: This paper presents a tracking framework for enhancing the positioning accuracy of a mobile device by fusing the positions provided by a GPS navigation system and those obtained using Wi-Fi signal strength measurements, in urban environments. To achieve an efficient fusion, a structure based on two particle filters and a Multiple Model (MM) approach is proposed. It fuses the information coming from these two independent technologies, to overcome their own drawbacks. Indeed, the Wi-Fi and GPS are viewed as two models, whose probabilities are calculated using a Transition Probability Matrix (TPM) and a Mixing Likelihood Function (MLF). These probabilities are then used to combine the mobile state estimates, provided by the two particle filters. Matched to the two models, these filters interact by exchanging a part of their particles. The proposed architecture is experimentally evaluated and compared with the pure Wi-Fi and GPS positioning systems and other fusion methods. The results indicate that the positioning errors of the proposed scheme are the lowest.
Key words: Wi-Fi localization; GPS;Received signal strength; Data fusion; Particle filter
介绍
在过去的数十年里，各研究人员和公司付出了巨大的努力去设计有效的定位系统。全球导航卫星系统(GNSS)，例如全球定位新系统(GPS)提供了在开放天空环境下的精确定位。然而，这些系统由于其信号无法穿透障碍物的缺点，不能工作于室内环境。在所谓的城市环境中，这些环境与建筑物相邻或处于许多高层建筑中，多路径现象和频繁的Gps 信号中断会影响定位性能。在这些情况下，可以使用基于射频的系统(Wi-Fi、蓝牙、超宽带(UWB)、无线射频识别(RFID)及惯性导航系统(INS))。但是，每个系统都有其自身的缺点。事实上，射频定位技术受到它们由多路径引起的信号波动影响以及其他器件的干扰。另一方面，惯性导航系统会受到由积累漂移所导致的测量噪音影响，并且其需要初步的位置和方向估计。因此，由于个别技术不能达到可接受的定位精度，融合多个系统可以显著提高定位性能。
使用接收信号强度(RSS)的Wi-Fi 定位系统通常在室内和室外都能够使用。 它们可以分为两大类，即几何技法(到达时间(ToA) 、到达时间差(TDoA)、到达角到达(AoA))和统计技术。几何方法受多径效应的影响很大，并且需要对多径信号进行处理额外的基础设施。统计定位技术使用传播模型或指纹方法。因为基于传播模型的定位是不准确的，并且需要一个固定方向的接收机和地图匹配，指纹方法由于其成本效益被认为是最可行的室内定位方法。在这个方法中，一个匹配的算法是比较实际的 RSS 测量值和那些在训练阶段收集的测量值。然而，这种方法计算较复杂，并且，由于噪音RSS值和类似指纹产生的问题，其不能提供一个顺利的定位。
在另一方面，GPS可以在开放天空的区域实现精准定位。然而在城市区域，它的准确度由于卫星信号的阻塞，衰减和反射而降低了。Gps 与 Wi-Fi 定位技术的融合框架可以在城市环境中提供更好的定位解决方案。事实上，全球定位系统的短处可以由无线网络的长处补偿，反之亦然。一些研究为了解决GPS /Wi-Fi一体化问题已经作出了尝试，这些研究可分为三种类型：辅助 GPS、测量域集成和位置域集成。辅助 GPS向全球定位系统接收机提供星历表、电离层修正参数、初始位置和估算时间以提高它的性能。然而，这种集成类型的作用仅限于减少首次定位的时间和提高 GPS 接收机的灵敏度。测量领域集成可以用来解决GPS信号中断的问题，它是基于提取 Wi-Fi RSS 或飞行时间(TOF)测距测量数据和 GPS 伪距的。在[12]中，当可见卫星的数量少于四颗时，GPS 系统方程组辅以 Wi-Fi RSS测量，由无线定位系统得出的一个或者更多方程式用于满足多点定位的要求。有一类似的想法发表在[13]，其中的Wi-Fi 定位仅辅以两颗可见卫星进行了改善。为了减小Wi-Fi 接收器的时钟偏移的影响，在[9]中，差异到达时间(DTOA)取代了TOA。在这里，DTOA WiFi测量使用单历元加权最小二乘法集成了GPS伪距。虽然这个类型的集成处理了GPS的信号中断问题，然而GPS信号衰减的情况仍然存在，同时，其由于RSS 测距的低准确度而产生的局限性也仍然存在。根据报道，在不同系统中其能够准确定位的范围从10米至100米不等。
在这种框架结构中，位置域积分集成是最常用的方法，它是基于GPS和 Wi-Fi 独立定位估计的融合。在这里，集成的性能很大程度上取决于这些独立的技术如何相互协调。在专业文献中提出了多种融合算法去集成多个定位系统。使用线性和高斯模型的标准卡尔曼滤波器(KF)通常用来集成GPS与INS或Wi-Fi。尽管 KF是一个低复杂度的过滤器，但它确实仅限于线性和高斯模型。扩展卡尔曼滤波(EKF)可以处理非线性问题，因此可以使用在室内环境下进行Wi-Fi/INS集成，以及户外环境的GPS/INS集成。然而，扩展卡尔曼滤波(EKF)由于Jacobi 矩阵的算法计算量较大，它也容易出现模型线性化错误，降低定位精度。粒子过滤器(PF)更适于处理非线性和非高斯噪音问题。它被广泛用于集成多个传感器，并且可以提供更好的性能。在[20]中 ，采用粒子滤波技术将 GPS 和 Wi-Fi 技术结合起来，利用间歇性 GPS 定位在 Wi-Fi 系统新更新的位置重新规范化 GPS 信号粒子云。然而，这种方法由于在 Wi-Fi 定位中使用路径损耗模型而存在多种较大错误。[21]的作者通过使用 Wi-Fi 指纹识别的可能性来减轻这个问题。这种可能性与全球导航卫星系统的可能性相乘，由伪距和载波相位测量构成在PF中的更新步骤。在这种方法中，两种技术没有紧密结合，这削弱了总体系统的表现。在[22]中提出了一种混合定位系统，是使用交互式多模型(IMM)来结合纯Wi-Fi和GPS技术的定位。惯性传感器数据也是用来确定在移动和静止时两个模型的航向角。
为了实现城市环境下的鲁棒跟踪，该论文提出了一种紧密融合方法，使用粒子滤波和多模式去集成Wi-Fi和GPS的定位方法。这种方法的灵感来自于在文献[23]中提出的视觉跟踪方法，即将多个跟踪器在计算机视觉领域的特性结合起来。我们已经在许多方面改进了这个方法以适应我们的问题。在我们的方法中的两个模型，第一种方法是使用Wi-Fi RSS测量，第二种方法使用GPS导航测量。在Wi-Fi的RSS测量中利用指纹技术来估计移动目标的位置。通过使用三边测量法，GPS的位置测量从经纬度转向本地笛卡儿坐标系。为了有效地融合这些数据，我们提出了一个基于过渡转移矩阵和重采样方法的交互算法。本论文的主要贡献概述如下：
- 充分利用放置于室内的接入点接收的Wi-Fi讯号，并在室外使用它们来集成全球定位系统(GPS)，以提高城市环境的定位准确度。
- 根据分布情况而非其平均值建立指纹数据库，以减少 RSS 的波动和多径衰落。
- 使用自适应重要抽样重采样(SIR)粒子滤波器为每一个追踪模型建模，并利用开发多个模型去整合它们。
- 基于 TPM 和重采样技术提出以交互算法。通过交换两个模型的部分粒子来有效地整合两个模型。
论文的其余部分组织如下：第二部分介绍单独的 GPS 和 Wi-Fi 定位方法。第三部分是详细描述了所提出的融合方法。第四节给出了实验结果并进行了分析。最后，第五部分得出一些结论。
初步报告
单独的定位技术由于一定的局限性以及缺点可能限制其性能。例如，以 Wi-Fi 为基础的 RSS 定位的准确性受时间波动重大影响。另一方面，GPS 信号由于其自身缺陷不能穿透障碍物。本节将详细介绍每种单独的技术。
Wi-Fi指纹识别
Wi-Fi 指纹识别方法常用于传送观测值给第一个追踪方法。 它包括两个阶段：离线训练阶段和在线定位阶段。在训练阶段期间，在每个参考点(RP)的范围内，从每个接达点收集的 RSS数据存储在
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。
