RFID室内定位算法的研究与改进

RFID室内定位算法的研究与改进
刘晨曦;胡圣波
【摘要】首先对低成本、高精度的VIRE算法进行简单的介绍,并对算法中的小概率位置排除法进行分析,发现仍可能出现离目标标签比较远的“邻近区域”的问题,进而提出了一种在小概率位置排除法之后,添加半径阀值进行优化的方法,来降低参考标签之间的信号干扰以及多径效应带来的影响,从而减少邻近区域过多的情况.仿真结果表明,相比于VIRE算法,通过增加半径阀值优化后,算法在室内定位精度上有了进一步提升.
【期刊名称】《贵州师范大学学报（自然科学版）》
【年(卷),期】2014(032)006
【总页数】6页(P90-95)
【关键词】RFID;室内定位;RSSI
【作者】刘晨曦;胡圣波
【作者单位】贵州师范大学智能信息处理研究所,贵州贵阳550001;贵州省教育厅射频识别与传感网络工程中心,贵州贵阳550001;贵州师范大学智能信息处理研究所,贵州贵阳550001;贵州省教育厅射频识别与传感网络工程中心,贵州贵阳550001
【正文语种】中文
【中图分类】TP311
0 引言
室内环境具有其本身的特殊性，因此高精度、高性价比的定位实现难度往往很大。

目前常见的无线定位技术从红外、超声波、蓝牙、超宽带到Wi-Fi、RFID，它们
都各有利弊。

其中RFID 技术是通过无线射频信号在读卡器与射频卡之间进行通信来对信息进行交换，以达到定位的目的。

RFID 技术能精确和快速处理大量数据，并且不易被干扰及泄露用户信息，同时还有维护费用低以及性价比高的特点。

由于其非基础和非视距等优点，已经被广泛应用到物流和供应管理、生产制造和装配、港口码头集装箱管理、邮件快递、图书馆管理等各个领域，并成为室内定位的优先选择。

一般来说RFID 定位系统由数据处理终端(PC)、标签(tag)、天线和阅读器(reader)三部分部件组成。

现有的RFID 定位技术有比如:到达时间定位(TOA)、到达时间差定位(TDOA)、信号强度定位(RSSI)以及方向测量定位(AOA)等。

对于这些定位算法，都开发出了相对应的RFID 定位系统如:基于TOA 算法的SAW ID-tag 系统，基于TDOA定位算法的LPM 定位系统等。

本文通过介绍VIRE 算法，分析该算法在通过RSSI 阀值进行小概率位置排除法之后，依然存在离目标标签比较远的“邻近区域”的问题，提出了一种在小概率位置排除法之后，设置半径阀值的方法进行优化，减少由于参考标签之间的信号干扰以及多径效应导致的出现多个“邻近区域”干扰的影响，降低了成本，提高了定位精度。

通过仿真分析，这种优化改进能够使得VIRE 算法的定位精度得到进一步提高。

1 VIRE 算法简介
Lionel M.Ni等人首次提出了经典的LANDMARC 定位算法:该算法引入了参考标
签的概念，尽量减少可能的环境因数对定位效果的影响，同时不增加读卡器的数量，经“最邻近”算法和经验公式计算出待定位目标的坐标。

直到目前，LANDMARC
系统依然被当作先进定位算法的原始模型［15］。

LANDMARC 定位算法精度较高、易扩展、对环境的适应能力较强，在实际应用
中是很有价值的定位算法。

但是为了提高定位精度，需要布置密集的参考标签来对定位进行辅助，在一定程度上提高了系统的成本，而且由于密集的标签引入，标签之间必然会出现干扰现象，从而出现定位误差反而增加的问题。

通过对上述问题进行分析改进，诞生了VIRE 算法，它在LANDMARC 算法的基础上引入虚拟参考
标签，根据插值法计算出虚拟参考标签的RSSI 值，之后当作实际参考标签来使用。

这种改进不但减小了标签的使用从而节约了成本，并且很大程度上的减少了标签之间的相互干扰，提高了定位的精度，它采用的是拉格朗日非线性插值法，符合RSSI 值与d 的非线性关系，可大大减小多径效应［6］。

VIRE 算法系统结构如图
1 所示。

首先，将实际标签和通过插值计算出来的参考标签进行计算，将他们的RSSI 值以及对应的物理坐标存入计算机以备计算待测标签使用。

根据到对应读写器的距离d，采用拉格朗日插值法估算虚拟参考标签对应的RSSI 值。

这里需要注意的是:拉格朗日插值法的一个缺点是遇到高次幂插值时容易发生不稳定情况，造成估算的RSSI 误差较大。

为此应该按距离从小到大分段，之后每段距离再依次进行插值，这样插值都是低次，避免了较大误差的产生，更加贴近实际值［3］。

最后，将处于不同距离分段的插值结果进行组合，就可以得到参考标签的RSSI(si)-di关系曲线，综
合出每组中所有参考标签的(si，di)。

拉格朗日系数多项式为:
则与读写器距离为d 的虚拟参考标签RSSI 值由式(2)得到，其中RSSI 值sk为因
变量，而标签与读写器之间的距离值di为自变量。

图1 VIRE 系统结构Fig.1 the structure of VIRE system
根据公式(2)得出每个虚拟参考标签的RSSI值，将待定位目标的RSSI 值与虚拟标
签比较，若差值在规定阈值之内，则标记出该虚拟标签对应的小区域。

对所有读写器的相近地图做交集得出最后的邻近区域，以消除不可能位置，即为小概率位置排除法。

为了进一步提高定位精度，利用VIRE 系统引入的两种权重因子w1i，w2i，总体
权重因子wi=w1i·w2i。

权重因子w1i，依据选定的虚拟参考标签与待定位目标间
的RSSI 差值来确定［3］。

其中，Sk(Ti)表示某个虚拟参考标签的RSSI值，Sk(R)表示待定位目标的RSSI 值，k 为读写器个数。

权重因子w2i与虚拟参考标签的密度有关，pi表示在整个待定位区域范围内连接
的邻近区域的比率。

其中，nci表示连接的邻近区域的数量，na表示全部邻近区域的数量。

最后采用LANDMARC 系统中的权重法，对上述得到的交集中的实际参考标签和
虚拟参考标签用式(5)计算待定位目标的坐标:
其中，(xi，yi)表示邻近区域内虚拟标签的坐标。

综上所述，基于拉格朗日插值法的VIRE 算法具体流程如下图2 所示。

2 小概率位置排除法简介以及优化改进
在建立虚拟的网格之后，每一个阅读器都能将每个虚拟标签的RSSI 计算出来并且存入数据库中，同样的，每个阅读器也能够测得待测标签的RSSI 值。

由于参考标签之间的信号干扰以及多径效应的影响，测得的参考标签的RSSI 可能对应多个不
同的区域，这些区域都被认为是参考标签可能出现的区域。

为此VIRE 算法引入了邻近地图的思想，假定每个区域中心的RSSI 值代表本区域
的RSSI 值。

假设待定位目标数量为L，射频读写器数量为M，区域中心的数量为N，定位所选的邻近区域数量为K。

假设待定位目标i 的信号强度矩阵为S=［Sij］(i=1，2，…，L;j=1，2，…，M)，其中Sij表示读写器j 检测到待定位目标i 的信号强度值。

同理可以得到，设区域
中心的虚拟参考标签h 的在相应读写器的信号强度矩阵为θ=［θhj］(h=1，2，…，N;j=1，2，…，M)，其中θhi表示读写器j 检测到的虚拟参考标签h 的信号强度值。

则对应某读写器j，待定位目标i 与区域中心虚拟参考标签h 的RSSI 差值为Ej，如式(6)所示［19］:
图2 VIRE 算法流程图Fig.2 flow chart of the VIRE algorithm
对应每一个读写器，根据上式求出Ej，设置一个自适应阈值，选取区域中心对应
的Ej为小于阈值的邻近中心点，构成一个集合，类似一个邻近地图。

邻近地图思想如图3 所示，读卡器通过读取RSSI 值，并且依据RSSI 阀值的限制
来选取符合要求的可能出现的区域，再依据所有读卡器所计算出来的区域做取交集操作，就可以排除可能性小的区域，筛选出可能性大的区域，从而减小不必要的区域对定位精度造成的影响。

这种算法称之为小概率位置排除法。

由上述分析可以看出，合适的门限值是VIRE算法中一个重要的参数，在定位过程中，可以通过不断的减少门限值来减少检测到的可能的邻近区域，排除对定位精度有干扰的区域，但是如果一昧的减少门限值来减少邻近区域是不可取的，这样反而会降低定位精度。

由于现实的室内环境的复杂，必然会存在多径效应的影响，读写器所读取的RSSI 的值并不是一个理想环境下的值，其RSSI 值一定是在某一个理想的值附近浮动，
本身就不精确，如果通过不精确的RSSI 值来对阀值进行严格的限定，反而会对定位的误差有更加消极的影响，因此在设置阀值的时候需要适当的扩大阀值范围，但是这样必然会带来邻近区域过多而导致的定位精度不够精确的影响。

图3 邻近地图思想示意图Fig.3 schematic diagram of thought of adjacent map
通过对以往大量的实验数据的分析，通过对参考标签以及虚拟标签RSSI 阀值的限定，筛选出来的区域绝大多数都比较集中的在待测标签的周围，只有少数的区域会离待测标签比较远，而形成比较偏远的“邻近区域”，由此提出一种可以对邻近区域筛选范围进行更进一步优化的方法。

具体方法如下:首先选取一个点，在这里设置半径阀值为R，计算出每个点分别以自己为中心，R 为半径的时候，所包含进的邻近区域的数量M，用这种方法来遍历通过RSSI 阀值筛选出来的所有邻近区域，通过比较，会得到一个M 值最大的区域，以该区域为中心，半径阀值R 为半径的区域，就是所需要的最接近待测标签的几个邻近区域所在的区域。

改进之后的邻近图如图4 所示。

通过使用优化之后的方法，在小概率排除法处理后进行进一步的筛选，排除了原本不是邻近区域，而是由于参考标签信号相互干扰以及多径效应导致的RSSI 值与待测目标比较接近的“伪邻近区域”，可以对定位精度有进一步提高。

同时值得注意的是，半径阀值同RSSI 阀值一样，需要进行细致的筛选，由于RSSI 值本身就含有误差，若选取的半径过小，会导致邻近区域过少，反而会因为数据的不全面使得定位精度降低。

图4 改进后邻近思想示意图Fig.4 sketch map of the improved adjacent thought
3 算法仿真测试与分析
经过长久以来的分析论证和实验证明，在室内环境下，平均信号强度随传播距离的
增加以对数形式衰减。

对数路径损耗模型是描述该规律的合理模型，阐述了无线信号强度在特定室内场景传播的变化规律，公式如式(7)所示:
其中，Xσ是标准差为σ 的零均值高斯随机变量，d 为信号源到目标的实际距离，d0为参考距离，可以是任意近距离，是距离d0处的平均RSSI 值，n 为路径损耗因子，PL(d)db是信号最终到达距离d 处的平均RSSI 值。

由公式(7)也可以看出，Xσ变量是随机变量，是不容易控制和确定的。

因此为获得具体的RSSI值，实际运用中一般采用平均对数衰减模型，公式如式(8)所示:
n 和参数值可以通过大量的实地场景实验通过计算得出，那么只要测得实际点处接收到的平均信号强度，距离d 就能算出，再根据相应的测距定位方法即可实现定位。

因此本实验使用平均对数衰减模型进行该算法的仿真。

整个的仿真环境设定在8m ×8m 的室内区域中:假定读写器放置在平面区域的四个端点上;将高频无源标签作为该算法的参考标签以及待测标签。

四个读写器的坐标分别是(0，0)，(8，0)，(0，8)，(8，8);然后根据理想的平均对数衰减模型计算出各参考标签的RSSI 值和对应的坐标位置。

利用MATLBA 软件进行仿真测试，来验证通过加入半径阀值来对邻近区域进行优化，对VIRE 算法定位精度的影响。

这里对VIRE 算法进行仿真，仿真的效果图如图5 所示，通过图5 可以看到整个系统的布局情况，对仿真的背景能够有充分的认识。

图5 VIRE 定位仿真效果图Fig.5 simulation effect diagram of VIRE positioning
在图5 的环境下，将添加有半径阀值R 的改进后算法与原本的VIRE 算法进行仿真对比，通过仿真可以得到图6 所示的各个点的误差分析图，仿真结果是通过10个随机的待测标签得到。

在图6 中可以看到，通过添加半径阀值R 对原算法的精度有了进一步的提高，改
进后系统定位的平均误差比改进前的有所减少，在这个仿真的基础上进行进一步的仿真分析:在图6 的仿真环境中加大噪声的干扰，继续对改进前后的算法进行仿真
分析，得到如图7 所示的同样随机的10个点的误差分析图。

从仿真的结果图中可以很清楚地看到，在仿真环境中添加噪声干扰，原VIRE 算法的定位精度受到了很大的影响，而改进算法的定位精度几乎不受影响。

可以得出，通过算法的改进，随着多径效应以及环境方面的其他干扰的增加，改进后算法的定位精度更加优于原VIRE 算法。

图6 改进前后定位误差对比图Fig.6 the comparison chart of the positioning error before and after the improvement
图7 增加噪声干扰之后，误差对比图Fig.7 the comparison chart of the error after adding noise
接着通过设置不同的半径阀值来对改进之后的算法进行比较分析，在这里，分别设置半径阀值为R=1，R=1.5，R=2，他们的误差分析对比图如图8 所示，可以看到，不同的半径阀值R 对定位精度有着不同的影响，在本次实验仿真中可以计算
得到，当R=1.5 的时候，平均定位误差相对于其他两种R 取值最小，定位精度最高。

通过以上仿真可以分析得到，对VIRE 算法，在小概率位置排除法之后，通过增加半径阀值来对邻近区域的筛选进行进一步优化，对定位精度有积极的影响，可以在一定程度上提高定位精度，特别是在环境噪声比较大的情况下，同时也应该注意，半径阀值过大，邻近区域会增加从而降低定位精度，同样也不是半径阀值越小越好，在实际的使用中需要不断的去尝试不同的半径阀值，选取最优的半径阀值，使之更好的服务于具体的环境。

图8 不同的半径阀值仿真误差分析图Fig.8 simulation error analysis chart of
different radius threshold
4 结论
本文介绍了VIRE 算法以及它的优化方法，并通过理论阐述和实验仿真两方面分析得到，在通过RSSI 阀值对邻近区域进行小概率位置排除法之后，添加半径阀值来进行进一步优化，对定位精度有积极的影响。

在相对较稳定的室内环境中，改进后的算法的定位精度较原算法有所提高，而在环境比较复杂，噪声比较大的室内环境中，通过仿真可以看出，通过对算法的优化改进，很大程度上的降低了参考标签之间的信号干扰以及多径路径带来的RSSI 值不精确，导致的邻近区域过多的问题，优化了邻近区域的选取，从而使得定位精度在原算法上有了更进一步的提升。

参考文献:
【相关文献】
［1］林敏，鲍煦，王刚.改进Monte Carlo 算法用于RFID 标签的室内定位［J］.微计算机信息，2008，24(14):203-204.
［2］杜豪杰.多径衰落信道的LMS 自适应预测［D］.郑州:郑州大学，2011.
［3］顾嘉，钱钰博，孙厚芳，等.工装室内定位技术研究［J］.北京理工大学学报，2010，
30(9):1056-1058.
［4］金康福.基于RFID 技术的烟草出入库系统的设计与实现［J］.电脑知识与技术，2011，
7(4):813-816.
［5］樊启祥.务实创新推动标准化事业跨越式发展——前进中的武汉市标准化研究院［J］.世界标准信息，2007(4):44-47.
［6］张健翀.基于射频识别(RFID)技术室内定位系统研究［D］.广州:中山大学，2010.
［7］杜平，李白萍，高睿.基于RFID 井下定位技术的研究［J］.陕西煤炭，2011，30(1):12-13. ［8］李方敏，韩屏，罗婷.无线传感器网络中结合丢包率和RSSI 的自适应区域定位算法［J］.通信学报，2009，30(9):15-23.
［9］樊孝明，邱昕，郑继禹，等.超宽带(UWB)极窄脉冲的产生与实现［J］.电子技术应用，2005(1):53-55.
［10］顾宗海.基于RSSI 测距的室内定位算法研究［D］.郑州:郑州大学，2011.
［11］邵成钢.基于RFID 虚拟标签的室内定位算法研究［D］.北京:北京邮电大学，2013. ［12］文竹.Wi-Fi 在定位领域的应用［J］.数字通信世界，2010(12):24-25.
［13］Bahl P，Padmanabhan V N.RADAR:an in-building RF-based user location and tracking system［C］.Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies，Israel，2000，2:775-784.
［14］Hahnel D，Burgard W，Fox D，et al.Mapping and localization with RFID technology［C］.ICRA，New Orleans，LA，USA，2004，1:1015-1020.
［15］Ni L M，Yunhao L，Yiu C L，et NDMARC:indoor location sensing using active RFID［C］.Pervasive Computing and Communications，Texas，2003:407-415.
［16］Patil A，Munson J，Wood D，et al.BlueBot:asset tracking via robotic location crawling［C］.ICPS，Greece，2005:117-126.
［17］Yiyang Z，Yunhao L，Ni L M.VIRE:Active RFIDbased Localization Using Virtual Reference Elimination［C］.ICPP，Xi An China，2007:56-56.
［18］徐辉霞.基于UHF RFID 的室内定位研究与应用［D］.成都:电子科技大学，2013. ［19］朱风娟.射频识别(RFID)技术的室内定位算法研究［D］.广州:华南理工大学，2010.。