一种应用于机器人室内定位的WiFi_FLA_叶和敏.pdf

基金项目:国家自然科学基金项目(62063006);广西自然科学基金项目(2018GXNSFAA281164)收稿日期:20210203修回日期:20210509第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02048204一种应用于机器人室内定位的 WiFi FLA叶和敏1，彭建盛1，2(1广西师范大学电子工程学院，广西桂林 541004;2河池学院人工智能与制造学院，广西宜州 546300)摘要:针对传统 WiFi 指纹定位算法定位精度不高，难以满足机器人对室内定位精度要求。提出一种应用于机器人室内定位的 WiFi 指纹定位算法，通过降低传统算法参考点间距，采用分时段采集方法在每个参考点采集 WiFi 信号，利用标准化处理方法对 WiFi 信号进行标准化处理，提高指纹数据的特殊性，运用马氏距离大小作为相似度参考并融合改进的自适应 K 值WKNN 算法，实现指纹匹配准确率的提高。实验结果表明，提出的算法定位精度高于传统算法，定位精度满足机器人室内定位精度的要求。关键词:机器人;室内定位;指纹定位算法中图分类号:TP301.6文献标识码:BA WiFi FLA for Indoor obot PositioningYE Hemin1，PENG Jiansheng1，2(1 School of Electronic Engineering，Guangxi Normal University，GuilinGuangxi541004，China;2 School of Artificial Intelligence and Manufacturing，Hechi University，Yizhou Guangxi546300，China)ABSTACT:Since the positioning accuracy of traditional WIFI fingerprint positioning algorithm is not high，it is dif-ficult to meet the requirements of indoor positioning accuracy of robots Therefore，a WIFI fingerprint positioning al-gorithm applied tofor indoor positioning of robots was proposed By reducing the reference point spacing of the tradi-tional algorithm，the WiFi signal wais collected at each reference point by the timedivided acquisition method，andthe signal iswas dealt with by the standardized processing method to improve the particularity of the fingerprint dataThe Mahalanobis distance is was used as the similarity reference and the adaptive K value WKNN algorithm is was in-tegrated，so that the accuracy of fingerprint matching is was improved Experimental results show that the positioningaccuracy of the proposed algorithm is higher than that of the traditional algorithm，and the positioning accuracy meetsthe requirements of the robots indoor positioning accuracyKEYWODS:obot;Indoor positioning;Fingerprint location algorithm(FLA)1引言随着室外 GPS 定位1 的不断发展，GPS 定位技术为人们带来了巨大的便利2。近年来，人们对室内定位的需求越来越大5。但目前问题是，GPS 信号会受到室内建筑物的遮挡和吸收3 导致定位精度难以满足人们在室内定位的需求4。针对室外定位技术无法适用于室内定位的问题，越来越多的研究者投入到室内定位技术的研究中来。文献 67 的作者提出了采用红外线来进行室内定位。采用红外线技术进行定位最大的问题就是红外线无法穿透室内障碍物，使得它只能视距传播且易受其它光源干扰。针对该问题，文献 8 提出了基于蓝牙指纹的室内定位，采用融合聚类的方式对 Kmeans 算法进行优化，最后通过肘方法和轮廓系数法确定最佳聚类数及 Kmeans 算法的初始聚类中心。文献 9 提出一种基于区域优选的自适应蓝牙指纹定位算法，通过离线阶段建立 SSI 位置映射指纹库，在线阶段，采用加权欧式距离和区域优选算法，最终实现 90%的点定位精度优于1.5 米。不过蓝牙定位技术存在信号覆盖范围小的问题。在较大的室内空间需要布置大量的蓝牙基站，这显然是不现实的。随着无线 WLAN 技术的发展，无线 WiFi 设备成为人们在室内的无线网络接入点，而且越来越多室内环境随处可284见。因此采用 WiFi 信号进行室内定位最大的优点是不需要额外布置定位所需的设备13。文献 14 基于 WiFi 定位，提出了一种奇异谱分析与高斯过程回归算法相结合的室内WiFi 定位方案。文献 15提出一种基于 WiFi 指纹数据空间位置关系对指纹数据分级的方法，实验结果表明，该方法实现了 1.5 米的平均定位精度。文献 1415 均采用传统的WiFi 指纹算法进行室内定位的。但是平均定位精度在 1.5米3 米。显然这样的精度难以满足机器人在室内定位精度的要求。导致传统算法定位精度不高的问题在于:传统算法参考点间距通常为 1 米，参考点间距较大会导致算法定位误差增大;传统算法通常在一个时段进行 WiFi 信号采集，所采集的WiFi 信号不够全面，用于定位时将产生较大误差;传统算法的位置指纹数据特殊性不高，容易出现匹配错误;传统算法采用欧式距离大小作为相似度参考，指纹匹配准确率不高。因此，提出一种应用于机器人室内定位的 WiFi 指纹定位算法，所提算法实际上是在传统算法基础上进行相应的改进和优化。在改进的算法中，将原来参考点间距 1 米缩小为 0.3米，增加参考点的数量10。然后采用分时段采集方法在一天不同时段采集不同次数的 WiFi 信号强度数据，使得采集到的信号强度值足够全面。针对传统算法的位置指纹数据特殊性不高的问题，采用标准化处理方法11 对采集到的WiFi 信号进行标准化处理，从而提高指纹数据的特殊性。由于传统算法指纹匹配准确率不高，在实时定位阶段，以马氏距离大小作为相似度参考并融合改进的自适应 K 值 WKNN算法，从而提高指纹匹配的准确率。2定位系统的介绍该系统是对机器人进行室内定位。图 1 所示是机器人室内定位系统图。为了获得机器人在室内中的位置。在离线阶段，用户通过移动终端或 PC 端连接机器人上的 WiFi 热点信号，访问机器人的控制页面。通过控制页面，可以控制机器人进行 WiFi 信号采集和存储。机器人在室内分布均匀的 N 个参考点采集位于室内不同位置的 q 个路由器的 WiFi信号。在每个参考点处采集到 q 个 WiFi 信号强度值并组成信号强度向量(rssi1，rssi2，rssiq)。经过机器人对数据的处理并将该参考点的所有信息存入的机器人的指纹数据库中。机器人在此系统中起到关键性作用，数据的处理和定位算法的执行均在机器人上进行。在实时定位阶段，用户通过控制页面发出定位请求。机器人在接收到定位请求指令后，机器人立刻采集当前位置的 WiFi 信号，经过机器人 CPU 对数据的处理和计算，最终把定位结果返回到控制页面上。用户此时可知道机器人在室内的位置。3基于传统 WiFi 指纹定位算法的改进图 2 是机器人室内定位系统运行模型图，该模型主要分为两个阶段:离线操作阶段和实时定位阶段。在离线操作阶图 1定位系统段，首先将室内划分为等间距的网格图，每个网格的顶点作为机器人采集信号的参考点。机器人在室内每个参考点进行信号采集，在每个参考点采集到 q(室内 WiFi 接入点个数)个 WiFi 信号强度值。然后继续从其它参考点采集 WiFi信号强度值，直到将室内所有参考点的信号强度值都采集完。最后经过标准化处理 WiFi 信号建立位置指纹标准化数据库。该数据库包含参考点位置坐标、参考点采集到 WiFi信号强度值的期望向量以及 WiFi 信号强度值的协方差矩阵。图 2机器人室内定位系统运行模型在实时定位阶段，机器人在室内某个待定位点采集 q 个实时的 WiFi 信号。然后采用马氏距离公式计算待定位点采集到的数据与指纹数据库的各个指纹数据之间的马氏距离。以马氏距离大小作为相似度的参考。然后采用改进的自适应 K 值 WKNN 算法计算出待定位点的坐标。最后机器人将待定位点的坐标发送到手机端或 PC 端。用户可在控制页面上查看到机器人在室内的位置，由一个红点表示出来。3.1减小参考点间距目前传统的 WiFi 指纹的定位算法，每个参考点间距通常为 1 米。为了获取室内更多有效信息，从而提高算法定位精度，将传统算法参考点间距从 1 米改为 0.3 米。如图 3 所示是长 10.5 米宽 7.3 米的室内俯视图，其中每个小圆点代表一个参考点，每个参考点间距是 0.3 米。在这个室内不同384位置布置了 4 个 WiFi 接入点，分别是 AP1、AP2、AP3、AP4。图 3室内俯视及参考点位置3.2分时段采集 WiFi 信号构建指纹数据库WiFi 信号强度值在室内传播会受到多径、散射、衍射、反射以及室内物体吸收等影响。WiFi 信号强度值每时每刻都存在波动，而且一天中每个时段波动的程度也存在差异。针对该问题，改进的算法在室内每个参考点进行了 n=100 次的 WiFi 信号采集，而且这 100 次采集是在不同时段的室内环境下进行的，分别是早上 8:0011:30 采集 30 次，中午 12:001:30 采集 10 次，下午 2:305:30 采集 30 次，晚上 7:3010:30 采集 30 次。这样分时段的采集将有效解决 WiFi 信号噪声对定位精度影响较大的问题。3.3构建标准化指纹数据库改进的算法所构建的指纹数据库与传统算法构建的指纹数据库不同，称之为标准化指纹数据库。传统算法的指纹数据通常表示(xt，yt)，SSI1，SSI2，SSI3，SSI4)，其中(xt，yt)表示参考点 t 的坐标，SSI1 SSI4表示在参考点 t处采集到的 4 个 WiFi 设备的平均信号强度值。传统算法的指纹数据特殊性很低导致定位精度不高。为此，采用标准化处理方法对 WiFi 信号进行标准化处理。标准化处理后的指纹数据标记为(xt，yt)，m(t)，t)，t 表示当前参考点(t=1，2，N)。对于这样的指纹数据，指纹数据库中有 N 个(N表示参考点的总数)。其中，(xt，yt)表示参考点 t 的坐标。m(t)是参考点 t 处采集到 4 个 WiFi 设备信号强度的期望向量，m(t)可以由式(1)估计得出m(t)=1nnk=1Xt1，k，1nnk=1Xt2，k，1nnk=1Xt3，k，1nnk=1Xt4，k()(1)其中，向量中的第一项表示为参考点 t 处采集接入点 AP1信号强度的均值，X 表示信号强度值，k 表示第 k 次采集，n 为采集总次数。第二、三、四项分别表示 AP2、AP3、AP4的信号强度均值。t是一个协方差矩阵，它可以表示为t=(cov(