《电子技术应用》

无线定位与惯性导航结合的室内定位系统设计

来源:电子技术应用2014年第4期 作者:周 亮, 付永涛, 李广军
2014/6/3 15:10:00

摘  要: 面对室内定位的实际应用需求,分析了基于接收信号强度指纹法定位技术精度较低、单纯的惯性导航累积误差较大等问题,采用基于信赖度的联合定位算法对多种信息进行融合处理,以获得较高的综合定位精度。通过基于ZigBee的无线传感器网络平台及多种MEMS运动传感器的联合,设计并实现了多信息融合的室内定位演示系统。由于多种信息的融合,不需要依赖大量样本的指纹库,从而降低了实现过程中离线指纹库建立的工作量。经实验数据分析,基于信赖度的联合定位方法具有较高的定位精度和较低的实现复杂度。
关键词: 室内定位;无线定位;惯性导航;无线传感器网络

    基于位置的服务可以为用户提供周边环境信息查询、定位或者跟踪特殊目标、路径导航等服务,具有很好的实用价值和应用前景。GPS是当前使用最广泛的室外定位系统,但是由于遮挡等原因,不能在建筑物内或地下空间使用,因此在室内环境中需要由其他定位系统来获取目标位置信息。
    在目前的室内定位系统中,大多是基于无线信号的定位,包括基于RSS(Receive Signal Strength)、AOA(Angle-Of-Arrival)、TOA(Time-Of-Arrival)、TDOA(Time-Difference-Of-Arrival)[1-2]等定位技术,其中基于RSS的定位具有方法简单、成本低等优点。通过接收到的锚节点信号强度信息,以电波传播经验公式反演出距离信息,再利用数值的或拟合的方法即可得出被测目标的位置信息。但是由于室内环境的复杂性,室内电波传播具有较强的时变特性,指纹法定位[3-6]较传统的基于电波传播模型的定位能更准确地获取目标的空间位置,因而被广泛应用于室内定位系统中。指纹法的定位精度受离线阶段建立的指纹库的精细程度影响很大,高精细度指纹库的建立耗时费力,阻碍了指纹法的实际应用。利用加速度计、磁强计、陀螺仪等运动传感器能够精确地测得物体的运动信息[7],通过这些信息可以得到载体的航向和距离,再根据初始位置信息推算其位置,以实现载体的惯性导航。在嵌入式设备中通常使用MEMS传感器来获取相应的数据,但这些传感器存在较大的固有误差和随机测量误差等,长时间的误差积累会导致导航精度的下降,因此不适于长期单独工作。
    本文将基于RSS指纹的无线定位方法与基于运动传感器的航迹推算方法相结合,融合两种方法的定位信息,提高了系统整体定位精度;同时减少了指纹法中离线阶段的指纹库采集量,也解决了单纯惯导累计误差大的问题;设计并实现了具有一定实用价值的室内定位系统。
1 指纹法无线定位
    指纹法的实施主要有两个阶段:离线指纹库建立阶段和在线定位阶段。指纹法定位原理如图1所示。在离线阶段,对一些标定位置进行RSS信息的采集,建立样本点RSS指纹数据库。在线实时定位阶段,根据目标节点获取到的RSS信息,通过一定的算法与指纹库中的指纹信息进行匹配,匹配成功后即可获得目标节点的位置估计。指纹库的匹配算法有很多类型,其中直接计算指纹距离的方法简单且易于实现。将获取的目标节点RSS信息与指纹库中的各样本点信息进行比对,计算其与每个样本点的欧式距离,直接选取距离最小的样本点位置即可作为对目标节点位置的估计。但由于指纹库中样本点的数量通常比较稀少,各样本点之间的距离很大,所以这种简单的匹配方法得出的结果精度较差。为提高定位的精度,可以选取匹配距离最小的3个样本点坐标,以目标节点RSS信息与样本点RSS信息的欧式距离作为权值进行加权质心计算,将其结果作为估计的目标位置坐标。

    由于指纹库样本点数量有限,且在现实场景中无线电波的传播受环境变化影响很大,测得的RSS值会有较大的波动,因此通过指纹法作加权质心估计的目标位置仍然不会有太高的精度。
2 基于运动传感器的惯性导航和定位
 利用MEMS运动传感器提供的地磁方向、旋转速率、加速度等传感数据,通过航迹推算算法可以估计运动的方向和距离,从而估计出目标的实时位置。
 测量磁传感器的磁场强度,通过与地磁方向的比较计算,可以得出目标的运动航偏角,但单纯的磁传感器存在高频抖动和测量误差等问题,会导致航偏角出现偏差;利用陀螺仪测得的角速度数据通过积分也可以得到航偏角,但陀螺仪存在低频的指向漂移等问题,也会导致航偏角指向不准。因此为减小磁传感器的抖动误差以及陀螺仪指向漂移的问题,通常采用卡尔曼滤波或互补滤波器[8-9]的方法对传感数据进行处理。这两种方法中,前者收敛速度慢,对处理器的性能有较高的要求,并且实现复杂度高,而后者结构简单,相对更易于实现,因此本文采用互补滤波器融合两种方法测得的数据,减小了航偏角的最终误差。互补滤波器的结构如图2所示。首先,磁力传感器的数据通过低通滤波器滤除高频的抖动噪声,然后通过计算得到估计的航偏角;陀螺仪的数据经过积分,并通过高通滤波器滤除低频的漂移噪声,得到估计的航偏角。最后将得到的这两组数据加权求和得到最终的航偏角。

    获得载体的运动方向后,再通过加速度传感器可以测得系统的总体加速度,由于加速度传感器容易受运动影响产生高频抖动,故在应用前需对数据进行低通滤波。将总体加速度在运动方向上进行投影即可得到载体实际运动的加速度。最后将加速度信息对时间进行二次积分即可得到载体在运动方向上的距离。由于常用的MEMS传感器存在较大的固有误差和随机测量误差等,因此长时间积分会导致较大的累积位置误差。
3 两种方法融合的定位系统设计
    为解决单纯的指纹法或惯性导航精度偏低的问题,可以将无线定位和惯性导航的信息进行融合,以更小的代价获取更高的定位性能,其定位原理如图3所示。利用运动传感器获得的地磁方向、旋转速率、加速度等传感数据,通过航迹推算算法可以估计运动的方向和距离。基于RSS指纹的定位方法利用与锚节点通信的RSS信息,在指纹库中进行匹配,匹配成功后可以估计目标的位置信息。以室内二维平面定位为例,由预先设定的初始位置对航迹推算系统的起始位置进行初始化,在载体运动过程中,当获取到两种方式的定位估计值之后,利用信赖度对其结果进行加权融合,得到最终的联合定位位置。

    在实际应用中,设指纹法RSS采集周期为T1,运动传感器采集周期为T2,通常情况下T1>T2,即在一个RSS采集周期内会有连续多个运动传感信息。因此,仅在每个T1周期时刻上由式(3)进行定位信息的融合,并将融合的位置作为每轮的初始位置,在T1时间间隔内由惯性导航推算载体运动位置。采用以上方法得到的运动轨迹由于多种测量误差的影响会表现出位置的波动,可以通过滑动平均等简单的方法对位置信息进行滤波,得到最终的运动轨迹。
4 系统搭建及测试验证
    在测试中采用由TI公司CC2430芯片构成的满足ZigBee标准的无线传感器网络节点,该节点具备自组织网络功能,并能实时获取与其余节点通信的接收信号强度值,可以实现指纹法的无线定位。通过在扩展接口上连接多种MEMS运动传感器模块,可以实时测得载体的运动方向和加速度信息。对于这些信息的处理既可以采用集中式的处理也可以由各个节点进行分布式处理。由于自组织网络具有一定的通信能力,且RSS信息和运动传感器信息的数据量通常较小,所以在本文的测试验证中将这些信息发送至上位机进行集中演算处理,以避免节点自身计算资源不够、计算速度较慢的问题。
    在指纹法无线定位中,首先需要布置固定位置的锚节点,并建立可以通信的无线传感器网络,然后在测试区域内多个样本点测量RSS值,以收集指纹信息建立标准指纹库,该指纹库存放于上位机中。在物体定位跟踪过程中,将带有MEMS运动传感器的节点附带于物体之上,与载体一同运动。在运动中,节点将实时测得的RSS值和传感器信息传送至上位机,由上位机使用基于信赖度的联合定位算法完成各类信息的计算和融合,最终获得载体的位置信息。
    测试工作在一间7 m×7.5 m的房间中进行,测试场景如图4所示。其中小圆圈表示锚节点,星号表示用于构造指纹库的样本点采集位置,实线表示被测目标的实际运动轨迹。测试载体为一平板小车,带有MEMS传感器的节点固定于小车之上,从位置(0.9 m,2.1 m)开始沿实线箭头方向运动,最终停止于位置(0.9 m,2.5 m)处。

 

 

    在测试过程中,设定RSS采集周期T1=2 s,运动传感器采集周期T2=0.1 s,根据实验经验,设定指纹法信赖度阈值θ=20,设定惯性导航信赖度时间x=20 s,阈值ω=0.4。测试结果如图5所示。其中实线表示被测目标的实际运动轨迹,点划线表示单纯指纹法估计的轨迹,点线表示单纯惯性导航估计的轨迹,虚线表示基于信赖度的联合定位算法融合定位的最终轨迹。

    从测试结果可以看出,单纯的指纹法定位由于受电磁波传播环境变化的影响,所以轨迹跳动很频繁,而单纯的惯性导航由于测量误差的累积导致位置偏移越来越大,而融合后的定位轨迹精度最高,且随机波动也较小。通过对所有测试点进行的数值统计,指纹法的平均定位误差为1.34 m,惯性导航的平均定位误差为1.89 m,基于信赖度的联合定位算法的平均定位误差为0.81 m,验证了该方法对定位精度提高的有效性。
参考文献
[1] GUSTAFSSOR F,GUNNARSSON F.Mobile positioning using wireless networks: Possibilities and fundamental limitations based on available wireless network measurements[J]. IEEE Signal Process.Magazine, 2005,22(4):41-53.
[2] GOLDEN S A, BATEMAN S S. Sensor measurements for WiFi location with emphasis on time-of-arrival ranging[J]. IEEE Transactions on Mobile Computing, 2007,6(10):1185-1198.
[3] YAO Q M, WANG F Y, GAO H, et al. Location estimation in ZigBee network based on fingerprinting[C]. IEEE International Conference on Vehicular Electronics and Safety, ICVES, 2007.
[4] KUSHKI A,PLATANIOTIS K N,VENETSANOPOULOS A N. Kernel-based positioning in wireless local area networks[J].IEEE Transactions on Mobile Computing, 2007,6(6):689-705.
[5] OUTEMZABET S, NERGUIZIAN C. Accuracy enhancement of an indoor ANN-based fingerprinting location system using particle filtering and a low-cost sensor[C].IEEE Vehicular Technology Conference, 2008: 2750-2754.
[6] JI Y M, BIAZ S, PANDEY S, et al. Ariadne: a dynamic indoor signal map construction and localization system[C]. MobiSys 2006-Fourth International Conference on Mobile Systems, Applications and Services, 2006:151-164.
[7] 李泽民,段凤阳,李赞平. 基于MEMS传感器的数字式航姿系统设计[J]. 传感器与微系统, 2012,31(6):94-100.
[8] 梁延德, 程敏, 何福本,等. 基于互补滤波器的四旋翼飞行器姿态解算[J]. 传感器与微系统, 2011,30(11):56-61.
[9] 郭晓鸿,杨忠,陈喆,等. EKF和互补滤波器在飞行姿态确定中的应用[J]. 传感器与微系统, 2011,30(11):149-152.

继续阅读>>