英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
用于基于Android的智能手机的基于Wi-Fi的室内跟踪系统的校准
Miguel MartAtilde;nez del Horno，Ismael GarcAtilde;a-Varea and Luis Orozco Barbosa
摘要：随着配备Wi-Fi技术的智能手机的不断发展以及对廉价室内定位系统的需求，许多研究人员将精力集中在基于Wi-Fi的室内定位方法的开发上。但是，由于难以表征此类环境中Wi-Fi无线电信号的传播，因此通用室内定位机制的开发仍然是一个未解决的问题。在本文中，我们专注于智能手机将使用的基于Wi-Fi的室内跟踪系统的校准。主要目标是在室内场景中构建准确而强大的Wi-Fi信号传播表示。通过引入一种新颖的运动中校准方法，我们使用三种不同的信号传播特征并附加了粒子滤波器，从而分析了该方法在基于智能手机的室内跟踪系统中的适用性。我们将在现实情况下，将三种表征运动校准方法中的每种方法获得的结果与使用静态校准方法获得的结果进行比较。根据我们的实验结果，我们表明运动校准机制的使用大大提高了跟踪精度。
关键字：基于RSSI；颗粒过滤器运动校准智能手机跟踪；路径损耗模型
介绍
在过去的十年中，室内定位系统的研究有了长足的发展。 虽然室外定位系统（例如GPS）满足大多数上下文感知的应用程序要求，但准确的室内定位机制的设计仍然是一个未解决的问题。这种情况的主要缺点是存在障碍物，例如墙壁或家具，可能对信号造成负面影响。
已经提出了许多使用无线技术的室内定位机制，例如Wi-Fi，蓝牙，ZigBee或LoRa。但是，由于室内环境中Wi-Fi信号的广泛可用性以及当前智能手机中存在Wi-Fi适配器，因此基于Wi-Fi的定位机制引起了最大的关注。
基于Wi-Fi的定位机制依赖于Wi-Fi无线电频谱参数，例如到达时间差（TDoA），到达角度（AoA）或接收信号强度指示器（RSSI）。最广泛使用的参数是RSSI，因为它是一种不昂贵的指标，并且可以在大多数商用无线设备上使用，而无需其他硬件。但是，此参数会受到室内固有特征的极大影响，这些固有特征会导致信号中的反射，干扰和阴影。
在基于RSSI的室内定位方法中，我们发现两种方法：基于指纹图谱和范围模型。正在考虑两种方法来解决两个主要的定位问题：定位和跟踪。前者仅估算智能手机的位置，而后者则考虑到其轨迹来估算智能手机的位置。虽然指纹图谱已被证明可用于开发精确的定位机制，它在开发跟踪机制中的使用引起了很多关注。
对于大多数现有的基于RSSI的测距模型，它们通常取决于发射机和接收机之间的路径损耗。RSSI使用依赖于环境的指数与距离相关，该指数需要在目标环境中实际部署定位机制之前获得。传统上，对数距离路径损耗模型[7]（LDPLM）已为大多数研究所采用，可以表示为：
(1)
其中Pr（d）是d米处的接收信号强度（dBm），Pr（d0）是d0米处的接收信号强度dBm，n是路径损耗指数（无单位）。n值指示无线电信号在特定情况下的扩展方式。在室内情况下，它在2到3之间变化，具体取决于发射器和接收器之间的视线（LOS）操作条件。在LOS条件下，n值接近2，而在非视距（NLOS）条件下，n值接近3。但是，由于影响Wi-Fi信号的因素多种多样，LDPLM本身无法准确表示室内RSSI信号的实际衰减。
在我们以前的作品之一中，我们使用RANdom SAmple Consensus（RANSAC）平滑算法解决了这些问题。此外，我们提出了一种用于室内定位系统的（静态）校准方法，该方法能够通过将环境划分为几个区域来定义一个LOS和不同的NLOS条件。尽管该方法被证明可以改善RSSI估计，但是我们发现，当智能手机将其用于室内跟踪机制的开发时，该方法存在严重的局限性。
在这项工作中，我们提出了当捕获设备（智能手机）运动时信号传播行为的分析。据我们所知，这是研究这种行为，尤其是智能手机中这种行为的第一篇著作。主要目标是设计一种新颖的校准方法，该方法可创建信号传播表示，以供基于Wi-Fi的室内跟踪系统中的基于Android的智能手机使用。此外，我们还设计了一种基于粒子过滤器的室内跟踪算法，该算法能够使用提出的校准方法。
这项工作的主要贡献是：
- 分析运动捕捉中的RSSI信号行为，以实现智能手机的室内跟踪系统。
- 提出了一种新颖的运动校准方法的建议，该方法可以在典型的室内场景中使用廉价的时间过程来实现。结果是属于无线平台的接入点的信号传播表示。
- 遵循粒子过滤器方法的室内跟踪系统的设计。特别地，不是将RSSI转换为距离，而是粒子滤波算法的加权阶段根据距离使用RSSI估计。RSSI估计基于所采用的信号传播表示。
本文的其余部分安排如下。部分2介绍一些相关的工作。部分3显示了在智能手机视角下对运动中Wi-Fi信号行为的研究。基于此分析，本节4描述了提出的校准方法，该方法创建了几种信号传播表示。部分5提出了一种能够使用所得信号传播表示形式的跟踪算法的设计。完整的室内跟踪算法是在第一部分的实际场景中进行评估的6。最后，我们在本节中总结了论文7。
相关工作
-
- 影响Wi-Fi信号的因素
Wi-Fi无线电信号的传播对多种因素敏感，通常分为两类：环境特征以及发送器和接收器设备之间的硬件差异。前者包括多径传播，衰落，LOS和NLOS情况以及人员运动。后者涵盖发送功率，天线各向异性，硬件异质性，信号传播变化等。室内跟踪系统必须能够应对所有这些因素，以实现合适的精度。
这些因素的直接后果是RSSI级别的连续变化。传统上，由于Wi-Fi信号固有的随机传播特性，将这些因素产生的影响建模为高斯噪声。但是，为了减少噪声，研究团体已经应用了一些平滑或滤波算法。Belmonte-Hernaacute;ndez等。建议使用卡尔曼滤波器（MKF）的修改版和Alpha-Beta滤波器应用多级滤波器。Chen等人也使用卡尔曼滤波器。结合基于Tukey测试方法的离群值消除来平滑RSSI值。但是，使用卡尔曼滤波器需要了解实际的Wi-Fi信号传播模型。Martiacute;nez等。应用RANSAC平滑算法，以在知道发送器和接收器之间的实际距离的情况下移除RSSI离群值。但是，RANSAC算法不适用于室内跟踪系统，因为此类设备之间的实际距离未知。提出了三种滤波器算法之间的分析：窗口移动平均滤波器（WMAF），指数加权移动平均滤波器（EWMAF）和跨度阈值滤波器（STF）。这些算法适用于跟踪，因为当前位置估计是使用以前的RSSI值获得的，即位置估计是使用实际RSSI样本确定的，而不是通过应用信号传播模型确定的。任何信号模型。尽管EWMAF和STF均显示出良好的结果，但它们的某些参数需要使用真实的RSSI值进行调整，从而再次引入一些噪声。考虑到所有这些，我们在这项工作中选择使用WMAF。
-
- 基于Wi-Fi的室内定位系统的校准
根据后续的定位方法，基于Wi-Fi的室内定位系统的先前校准工作可以分为两类，即指纹识别或基于范围的模型。指纹校准包括在环境的几个已知位置捕获RSSI，以便创建RSSI室内无线电地图，例如：基于范围的模型定位系统的校准旨在调整模型参数，以表示给定环境中的信号传播。 尽管已证明指纹识别方法可用于开发精确的定位机制，但我们将重点放在基于范围的模型上，因为它们提供了更通用的解决方案，并且不需要重建室内无线电地图。
已经提出了几种基于距离的模型来预测室内无线电传播：LogDistance路径损耗模型（LDPLM），多层模型（MWM），新经验模型（NEM）或无线电不规则模型（RIM）。 LDPLM（等式（1））假设路径损耗和距离之间具有对数相关性。NWM和NEM是LDPLM的修改，作者在其中引入了一些新参数来对壁衰减，地板衰减和入射角进行建模。最后，RIM引入了一些参数来模拟无线电不规则性原因：各向异性，连续变化和异质性。事实证明，引入此类参数可以改善RSSI估计，但是，要估计的参数数量会增加，并且计算复杂度也会随之增加。因此，在这项工作中，由于其简单性，我们选择使用LDPLM。
为了获得LDPLM参数（即，校准模型），需要在目标环境的已知位置捕获一些RSSI 。 捕获的数据被传递到能够获得参数值的算法，例如最小二乘或粒子过滤器。
获得整个环境的单个参数值，但是，这种方法无法描述复杂现实环境中的信号传播。这是由于LDPLM无法在接收器和发送器设备之间存在NLOS情况的环境中准确表示Wi-Fi信号的实际衰减。 为了克服这个问题，Carrera等人。定义了获得特定模型的两种不同情况：一种用于LOS情况，另一种用于NLOS情况。但是，这种情况的定义取决于确定NLOS情况的RSSI值的确定。由于Wi-Fi信号传播的变化，该值可能会随时间变化，因此，系统可能会误解LOS和NLOS情况。相比之下，Martiacute;nez等人。根据环境平面图定义LOS和NLOS情况。由于可以正确地区分LOS和NLOS情况，因此该方法被证明更加准确。在本文中，我们介绍了一种新颖的运动校准方法，该方法基于粒子滤波器，其中我们根据距离估算RSSI，而不是将RSSI转换为距离。我们的数值结果显示了对定位估计性能的显着改善。
运动中Wi-Fi信号行为的研究
本部分显示了当接收器设备（在我们的情况下为智能手机）在给定空间内移动时Wi-Fi信号行为的研究。这项研究的主要目的是找出路径损耗指数的实际行为，以便在室内场景中建立准确而可靠的Wi-Fi信号传播表示。
为了实现这一目标，已经在阿尔巴塞特信息学研究所的一个实验室中进行了动态RSSI捕获。已在实验室的已知位置部署了一个在IEEE 802.11n Wi-Fi规范的2.4 GHz频带中运行的TP-Link Archer C7 AC1750接入点（AP）。接收器设备（LG Nexus 5）遵循已知坐标的预定义轨迹连续捕获此类AP的RSSI。
-
- RSSI平滑
在跟踪中，设备的当前位置取决于先前的位置，因此，当前位置必须基于先前位置的接近度。这样，室内跟踪系统不应允许意外的跳跃。由于Wi-Fi信号的噪声性质（反映在RSSI值的连续变化中），基于RSSI的室内跟踪系统可能会发生很大变化。为了克服这个问题，可以使用平滑算法来减少RSSI值噪声。
为了展示使用平滑算法的好处，在运动图中捕获了原始和平滑的RSSI值的运动捕捉1. 蓝线表示原始RSSI，红线表示使用窗口移动平均滤波器（WMAF）的平滑RSSI。
动态捕捉的RSSI
30
生的
已过滤
接收信号强度指示器（dBm）
40
50
60
70
80
90
0 1 2 3 4 5 6 7
时间（分钟）
图1。动态捕获的RSSI。
-
- RSSI与距离之间的关系
由于运动捕捉的地面真相是已知的，因此可以计算出发射器和接收器之间的实际距离。数字2显示在红线表示的相应距离处报告的RSSI。不出所料，Wi-Fi信号会随着距离。 但是，公式（1）无法完全表征RSSI指标的行为。
如图所示2，RSSI的值在距AP最近的距离上几乎保持恒定。其中作者得出结论，这种距离（小于20lambda;）表现出NLOS行为，即几乎没有信号衰减。20lambda;与15 m之间的距离（在我们的情况下，对应于LOS情况和最初的NLOS情况）表现出较高的信号衰减。大于15 m的距离，即在硬NLOS情况下，信号衰落很小。
RSSI和运动捕捉的距离演变
90 30
RSSI
距离
80 25
70 20
距离（米）
60 15
RSSI (dBm)
50 10
40 5
30 0
0 1 2 3 4 5 6 7
时间（分钟）
图2。运动捕获的接收信号强度指示器（RSSI）和距离演变。
-
- 路径损耗指数演化
由于我们的方法基于基于LDPLM范围的模型
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236060]，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。
