無論是在室內(nèi)還是在室外環(huán)境下，快速而準(zhǔn)確地獲得終端的位置信息以及位置服務(wù)的需求變得日益迫切。

    目前室內(nèi)定位系統(tǒng)采用的技術(shù)主要有射頻識(shí)別、ZigBee、超聲波、視頻、超寬帶等；定位算法按照是否對(duì)距離進(jìn)行測(cè)定分為基于測(cè)距和非測(cè)距兩類。前者主要有TOA(Time of Arrive)、AOA(Angle of Arrive)、TDOA(Time Difference of Arrive)等方法，后者主要有基于接收信號(hào)強(qiáng)度RSSI(Received Signal Strength Indicator)的定位算法等。由于室內(nèi)無線信號(hào)存在多徑傳播，以及參考時(shí)鐘的不精確性, 這些因素都將使距離估計(jì)的準(zhǔn)確性大打折扣。另外，室內(nèi)情況下設(shè)備之間的距離較短,存在嚴(yán)重的反射、衍射和繞射等非直線傳播的情況,信號(hào)在各條多徑分量上的時(shí)間相當(dāng)接近,現(xiàn)有設(shè)備的分辨率不足以區(qū)分時(shí)間上如此接近的各路信號(hào),所以精確的TOA估計(jì)或TDOA估計(jì),幾乎成為不可能[1]。而基于RSSI技術(shù)則具有檢測(cè)設(shè)備硬件成本低、測(cè)量信號(hào)穩(wěn)定可靠、定位算法簡(jiǎn)單等優(yōu)點(diǎn)。因此基于RSSI非測(cè)距的定位技術(shù)成為近年來室內(nèi)定位研究的熱點(diǎn)[2]。
    當(dāng)前低成本的藍(lán)牙無線通信技術(shù)發(fā)展迅速，藍(lán)牙技術(shù)又能提供接收信號(hào)強(qiáng)度RSSI、鏈路質(zhì)量LQ(LinkQuality)、傳輸功率級(jí)TPL(Transmit Power Level)[3]等參數(shù),因此藍(lán)牙系統(tǒng)可以方便地使用基于非測(cè)距的定位算法。
   基于RSSI的非測(cè)距定位算法在定位階段進(jìn)行信號(hào)采集時(shí)仍然會(huì)受干擾，因此需要對(duì)采集到的RSSI信息進(jìn)行濾波處理，然后利用匹配定位算法來提高定位的準(zhǔn)確性。
    匹配定位算法中，利用神經(jīng)網(wǎng)絡(luò)雖然可以有效地控制平均定位誤差,但它同時(shí)也存在著容易陷入極小點(diǎn)、結(jié)構(gòu)和類型的選擇過分依賴經(jīng)驗(yàn)的缺點(diǎn)?；诟怕实乃惴ㄓ执嬖谒惴◤?fù)雜的劣勢(shì)。K階近鄰算法較適合于本問題[4]。
    本文介紹了一種基于RSSI指紋的K階近鄰定位算法，該算法在原有定位算法的基礎(chǔ)上增加了對(duì)信號(hào)的突變?cè)肼暤臑V除，是一種低計(jì)算資源消耗藍(lán)牙室內(nèi)定位技術(shù)，同時(shí)又具有整體成本低、定位精度高、定位迅速的優(yōu)點(diǎn)，是一種較為理想的室內(nèi)定位方式。
1 基于指紋技術(shù)的藍(lán)牙室內(nèi)定位系統(tǒng)
1.1 硬件構(gòu)成
    基于藍(lán)牙技術(shù)室內(nèi)定位系統(tǒng)硬件主要由兩部分組成，包括若干藍(lán)牙錨節(jié)點(diǎn)和待定位節(jié)點(diǎn)。錨節(jié)點(diǎn)由3~7個(gè)藍(lán)牙串口模塊構(gòu)成，串口藍(lán)牙模塊如圖1所示，厚度5 mm，寬度13 mm，長(zhǎng)度28 mm，主要由電源模塊和藍(lán)牙核心模塊組成，單個(gè)硬件成本約為4美元。待定位節(jié)點(diǎn)主要由一個(gè)藍(lán)牙適配器和上位機(jī)組成，上位機(jī)負(fù)責(zé)數(shù)據(jù)采集。

    藍(lán)牙串口模塊主要利用bluelab作為工具進(jìn)行開發(fā)，支持多種連接模式。上位機(jī)的藍(lán)牙適配器底層驅(qū)動(dòng)為BlueSoleil6或者以上的版本,應(yīng)用開發(fā)工具包為IVT BlueSoleil Software Development Kit,支持藍(lán)牙一對(duì)多連接。
    在定位節(jié)點(diǎn)的藍(lán)牙適配器和所有錨節(jié)點(diǎn)連接完成后，通過調(diào)用Btsdk_GetRemoteRSSI函數(shù)來實(shí)現(xiàn)對(duì)多個(gè)錨節(jié)點(diǎn)的RSSI數(shù)據(jù)采集。
    整個(gè)定位系統(tǒng)的構(gòu)成僅需要若干藍(lán)牙模塊，目前藍(lán)牙模塊成本較低，普及率高，適合大范圍推廣。

1.2 指紋算法定位流程
    基于指紋技術(shù)的藍(lán)牙室內(nèi)定位系統(tǒng)是通過對(duì)藍(lán)牙多徑信號(hào)的實(shí)際測(cè)量，建立位置指紋庫，將需要定位的藍(lán)牙設(shè)備實(shí)測(cè)數(shù)據(jù)與位置指紋數(shù)據(jù)庫進(jìn)行對(duì)比來確定出藍(lán)牙設(shè)備的實(shí)際位置的一種技術(shù)。它的實(shí)施一般分為兩個(gè)階段：離線階段和在線定位階段[5]。
    (1)離線階段又稱之為數(shù)據(jù)采集階段，該階段的主要工作是采集所需定位區(qū)域的各位置的藍(lán)牙信號(hào)強(qiáng)度，形成位置指紋數(shù)據(jù)庫，每一個(gè)指紋信息對(duì)應(yīng)一個(gè)特定的位置。指紋定位系統(tǒng)離線階段的系統(tǒng)示意如圖2所示。

    離線階段的數(shù)據(jù)庫建立需要在定位區(qū)域內(nèi)用采集設(shè)備對(duì)數(shù)據(jù)進(jìn)行采集，錨節(jié)點(diǎn)支持點(diǎn)對(duì)點(diǎn)連接，而采集設(shè)備則支持一對(duì)多的連接方式。數(shù)據(jù)采集完成后存儲(chǔ)在采集設(shè)備內(nèi)，并完成數(shù)據(jù)庫的建立。
    錨節(jié)點(diǎn)通常布置在位置已知的坐標(biāo)點(diǎn)，采集設(shè)備在若干指定的位置坐標(biāo)點(diǎn)進(jìn)行一定時(shí)長(zhǎng)的信號(hào)采集，并對(duì)信號(hào)進(jìn)行處理，從而建立坐標(biāo)與藍(lán)牙信號(hào)的位置對(duì)應(yīng)指紋數(shù)據(jù)庫。
    (2)在線定位階段包括信號(hào)強(qiáng)度的采集、數(shù)據(jù)處理、判定區(qū)、距離估計(jì)和位置計(jì)算等工作。當(dāng)系統(tǒng)處于在線定位階段時(shí)，利用離線階段獲得的信息和在線收集的各個(gè)測(cè)試點(diǎn)的信號(hào)強(qiáng)度得出終端設(shè)備的位置。定位流程如圖3所示。

2 系統(tǒng)定位算法
    藍(lán)牙系統(tǒng)使用跳頻技術(shù)來降低干擾，但在室內(nèi)環(huán)境下，人在建筑物內(nèi)的移動(dòng)會(huì)隨機(jī)地對(duì)無線信號(hào)的傳播產(chǎn)生影響。另外還有一些干擾源，包括溫度、空氣的運(yùn)動(dòng)以及運(yùn)行在相同頻率的其他設(shè)備，也會(huì)使得某些位置的接收信號(hào)隨著時(shí)間發(fā)生漂移[6]。因此首先對(duì)采集到的RSSI信息進(jìn)行濾波處理后，采用相應(yīng)的優(yōu)化匹配算法可以提高定位的準(zhǔn)確性。
    室內(nèi)環(huán)境下噪聲通常由兩部分組成，白噪聲和突變?cè)肼暋０自肼暱梢酝ㄟ^對(duì)信號(hào)進(jìn)行多次平均處理去除，離線階段就是采用這種方法消除白噪聲的影響。而在在線定位階段，定位信號(hào)的采集的長(zhǎng)度一般都是有限的，平均方法的使用將會(huì)受到很大的限制[7],在線階段采用卡爾曼濾波方法來去除白噪聲的影響，而在室內(nèi)環(huán)境下信號(hào)受突變?cè)肼曈绊戄^大，利用小波變換方法可以通過對(duì)信號(hào)進(jìn)行分解和重構(gòu)來消除這種突變的高頻噪聲的成分[8]，從而提高定位精度。
    K階近鄰算法[4]的基本思想是：在給定新的實(shí)例后，根據(jù)與該實(shí)例的相似度在訓(xùn)練樣本中選取與該實(shí)例距離最近的k個(gè)樣本，然后由這k個(gè)樣本進(jìn)行新實(shí)例的值的判定。該算法假定所有的實(shí)例對(duì)應(yīng)于n維空間的Rn中的點(diǎn)，在該n維空間中，任意一個(gè)實(shí)例x可以表示成如下的特征向量：



    在每個(gè)坐標(biāo)點(diǎn)采樣得到如下數(shù)據(jù)格式(xi,xj)<RSSIi1,RSSIi2，RSSIi3,RSSIi4>,<RSSIi1,RSSIi2,RSSIi3,RSSIi4>進(jìn)行均值處理，得到指紋數(shù)據(jù)庫。
3.2 在線定位階段
    目標(biāo)在(3，4)位置處靜止不動(dòng)，在室內(nèi)人員正?；顒?dòng)時(shí)進(jìn)行數(shù)據(jù)采集。采樣間隔為1 s,采樣點(diǎn)數(shù)為130個(gè)。數(shù)據(jù)采集完成后，對(duì)定位數(shù)據(jù)進(jìn)行不同濾波處理，采用3階近鄰法進(jìn)行定位。
3.3 定位結(jié)果
    定位結(jié)果如圖5~圖9所示。

    圖中星型點(diǎn)均表示在線定位階段1 s內(nèi)130個(gè)樣點(diǎn)的定位結(jié)果分布，黑點(diǎn)表示設(shè)備的實(shí)際位置。
    圖5是直接利用原始信號(hào)定位時(shí)的設(shè)備定位結(jié)果。由圖5可以明顯看出定位位置點(diǎn)分布比較稀疏，受室內(nèi)人員活動(dòng)帶來的突變?cè)肼曈绊懀苯佣ㄎ晃恢命c(diǎn)中與實(shí)際位置最大距離偏差為3 m，均方誤差為0.53 m。
    受噪聲的影響，直接利用原始信號(hào)定位的誤差較大，通過對(duì)原始信號(hào)進(jìn)行卡爾曼濾波處理后重新定位的結(jié)果如圖6所示。
    由圖6可以看出，采用卡爾曼濾波算法對(duì)原始數(shù)據(jù)進(jìn)行濾波處理后，在線定位階段定位位置變得集中起來,直接定位位置點(diǎn)中與實(shí)際位置最大距離偏差為2 m，均方誤差為0.27 m。由于卡爾曼濾波僅能消除部分的白噪聲，而對(duì)突變?cè)肼晠s不能很好地消除，從而造成定位結(jié)果偏差仍然過大，定位點(diǎn)不夠集中。
    針對(duì)突變?cè)肼?，采用小波變換濾波的方法來進(jìn)行消噪。利用小波去噪方法對(duì)原始信號(hào)進(jìn)行處理后，重新定位的結(jié)果如圖7和8所示，小波分解層次在保證信號(hào)不失真的前提下，一般取3~5，即可最大程度地濾掉噪聲，本文選取分解層數(shù)為3。閾值的選取，則按照最優(yōu)預(yù)測(cè)變量閾值Heursure準(zhǔn)則來對(duì)閾值進(jìn)行估計(jì)[10]。
    圖7是對(duì)原始信號(hào)進(jìn)行硬閾值小波變換[10]濾波處理后重新定位的結(jié)果。采用硬閾值小波變換處理后，定位位置分布變得較為集中，直接定位位置點(diǎn)中與實(shí)際位置最大距離偏差為0.62 m，均方誤差為0.09 m。
    圖8是對(duì)原始信號(hào)進(jìn)行軟閾值小波變換[10]濾波處理后，重新定位的結(jié)果。采用軟閾值小波變換處理后，直接定位位置點(diǎn)中與實(shí)際位置最大距離偏差為0.6 m，均方誤差為0.07 m。
    由圖7和圖8可以明顯看出，采用了小波變換對(duì)信號(hào)濾波處理后，突變?cè)肼暤玫搅撕芎玫囊种?，定位位置分布范圍變得較為密集，最大定位誤差僅為0.6 m，取得了很好的定位效果。
    由圖9則可以看出采用了小波去噪后定位的平均誤差大大降低。1 s內(nèi)進(jìn)行130次采樣定位的誤差均值為0.2 m，基本滿足室內(nèi)定位的實(shí)時(shí)性和精度的要求。
    通過對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行采集和定位，結(jié)果驗(yàn)證了基于指紋定位的藍(lán)牙室內(nèi)定位方法的可行性，實(shí)驗(yàn)結(jié)果也證明了小波去噪可以很好地消除突變?cè)肼暎岣咧讣y定位的精度，將設(shè)備平均定位精度提高至0.2 m，可滿足絕大部分設(shè)備的定位精度需求。而對(duì)于設(shè)備在移動(dòng)狀態(tài)下的濾波算法則需要做進(jìn)一步的研究。
參考文獻(xiàn)
[1] 倪巍，王宗欣.基于接收信號(hào)強(qiáng)度測(cè)量的室內(nèi)定位算法[J]. 復(fù)旦學(xué)報(bào)，2004，43(1):72-76.
[2] 王琦. 基于RSSI 測(cè)距的室內(nèi)定位技術(shù)[J]. 電子科技，2012，25(6)：64-66，78.
[3] IGLESIAS P，CORUA H J A，et al. Indoor person localization system through RSSI Bluetooth fingerprinting[C].IWSSIP，Vienna Austria.2012:40-43.
[4] 李文杰，李文明.基于K-近鄰算法的定位方法設(shè)計(jì)和仿真[J].計(jì)算機(jī)仿真，2009，26(4):194-196,351.
[5] Pei Ling，Chen Ruizhi，Liu Jingbin，et al. Using inquiry  based bluetooth RSSI probability distributions for Indoor positioning[J]. Journal of Global Positioning Systems，2010,8(4):1-25.
[6] 柴亦飛. 基于位置指紋的定位系統(tǒng)的實(shí)現(xiàn)與改進(jìn)[D].上海:復(fù)旦大學(xué)，2007.
[7] 謝獻(xiàn)忠，易偉健，王修勇，等.基于虛擬響應(yīng)信號(hào)的結(jié)構(gòu)參數(shù)時(shí)域辨識(shí)研究[J].計(jì)算力學(xué)學(xué)報(bào)，2007，24(6):859- 864.
[8] 朱來東，廉小親，江遠(yuǎn)志.小波變換在信號(hào)降噪中的應(yīng)用及MATLAB實(shí)現(xiàn)[J].北京工商大學(xué)學(xué)報(bào),2009,27(2):46-49.
[9] 容曉峰，楊娜.RSSI位置指紋的定位誤差分析與仿真[J]. 西安工業(yè)大學(xué)學(xué)報(bào)，2010，30(6):574-578.
[10] 蘇曉慶. 基于小波包變換的變形時(shí)間序列數(shù)據(jù)分析方法的研究[D]. 淄博:山東理工大學(xué)，2008.