一种用于实际WiFi定位系统的自适应混合滤波器

K⃝KKKKKK可在www.sciencedirect.com上在线ScienceDirectICT Express 1（2015）82www.elsevier.com/locate/icte一种用于实际WiFi定位系统的自适应混合滤波器南俊公园，Sukhoon Jung，DongsooHan韩国科学技术院计算机科学系，大田，韩国接收日期：2015年1月23日;接受日期：2015年2015年10月22日在线发布摘要本文提出了一种用于基于WiFi的室内定位系统的自适应混合滤波器。混合滤波器采用基本卡尔曼滤波器的预测框架内的粒子滤波器的概念。将运动物体的预测限制在一个的方式网络，并取代卡尔曼增益与动态加权方案的混合滤波器的关键特征。自适应混合滤波器显着优于基本的卡尔曼滤波器，和粒子滤波器的性能评估在三个测试地点：图书馆和N5大楼，KAIST，大田，和一个E-martmall，首尔。2015年，韩国通信信息科学研究所。制作和托管由Elsevier B.V.这是一个开放获取的文章根据CC BY-NC-ND许可证（http：//creativecommons. org/licenses/by-nc-nd/4. 0/）。关键词：室内定位系统;卡尔曼滤波;自适应混合滤波; WiFi指纹;粒子滤波1. 介绍在基于WiFi的定位中，估计的位置并不总是准确的，并且即使当用户停留在固定位置时，估计的位置也频繁地振荡。因此，以稳定的方式显示用户的位置是基于WiFi的室内定位系统的最具挑战性的问题之一。特别地，在非移动对象的单次位置估计中，在没有附加传感器（诸如陀螺仪、气压计、罗盘和3轴加速度计）的帮助下，很难应对这种精度波动问题然而，在导航或实时跟踪的情况下，我们可以通过参考先前的信号和位置信息（即，历史数据）。本文提出了一种新的用于室内定位系统的定位滤波器。由于新的滤波器在基本卡尔曼滤波器（BKF）[1]的框架中运行，并且它将粒子滤波器的概念引入到滤波器中，因此我们将其命名为自适应混合滤波器（AHF）。与BKF一样，AHF不需要来自陀螺仪、气压计、指南针或3轴加速度计等传感器的任何然而，在必要时，它使用来自传感器的附加信息。*通讯作者。电子邮件地址：njpark@kaist.ac.kr（N. Park），sh. kaist.ac.kr（S.Jung），dshan@kaist.ac.kr（D. Han）。同行审议由韩国通信研究所负责信息科学系.当我们比较BKF，AHF和粒子滤波器在韩国大田KAIST的N5大楼图书馆和首尔Seongsu的E-mart折扣店测量的精度 时 ， AHF 实 现 了 显 着 的 精 度 提 高 。在 图 书 馆 ，KAIST，约18.0%，在N5大楼，KAIST，29%，在E-mart折扣店，分别实现了当我们将AHF的精度与粒子滤波的精度进行比较时，AHF显示出比粒子滤波更好的精度改善，同时与粒子滤波相比，它在处理时间上表现出大大改善的性能。当我们应用AHF并将其与被称为第一个完全商业化的室内导航系统“myCoex”集成2. 自适应混合滤波器2.1. 状态模型为了更清楚地理解AHF，我们将AHF的状态模型与BKF的状态模型进行了对比。状态模型表示目标对象在某个时间的实例。在BKF中，使用位置和速度矢量;也就是，在时间k的状态实例，x由[Cx， Cy， Vx， Vy]T表示，其中CxCy是http://dx.doi.org/10.1016/j.icte.2015.09.0082405-9595/c2015韩国通信信息科学研究所。制作和托管由爱思唯尔B. V.这是一个开放获取的文章下，CC BY-NC-ND许可证（http：//creativecommons。org/licenses/by-nc-nd/4. 0/）。∼∼y++++K阿格夫公司简介01 0阿克斯KxK1k−1i=1错误K1k−1i=1错误KKKKKKKKKxKk−1SXk−1KwSKKKSEk k kkKN. Park等人/ ICT Express 1（2015）82-8583其中，wk是过程噪声wkN（0，Qk），Qk是过程误差协方差。在AHF的观测模型中，观测zk定义为：zzykCxvvykX10 0=KxCyFig. 1. BKF和AHF的状态模型。x， y在时间k处的坐标，并且Vx Vy是在其中，vk是观测噪声vkN（0，Rk），并且Rk是观测误差协方差同时，使用卡尔曼滤波器时间k[3]。Kk增益，其从误差协方差矩阵获得。在AHF中，BKF的状态模型略有改变AHF的状态模型由位置向量、速度和路径链路组成;也就是说，在时间k， xk的状态实例由[Cx， Cy， SK， W PS， W PE]T表示，其中SK是速度，并且W P、 W P分别是对应于道路网络的边缘的道路链路的起点和终点。在该模型中，速度和路径环节代替了BKF状态模型中的速度向量。图1显示了AHF和BKF的状态模型。2.2. 自适应混合滤波器基于上面定义的状态模型，我们可以描述在时间k的状态实例xk和在时间k−1的状态实例xk− 1之间的关系在BKF中，时间k和k−1的状态之间的关系定义为：Cx=Cx+δT·Vx，卡尔曼增益用于为预测和测量的组合分配权重。如果测量的位置不可靠，则它为预测的位置分配更高的权重。如果测量的位置是可靠的，则它为测量的位置分配更高的权重我们将如何计算误差协方差矩阵和卡尔曼增益的细节留给[1]。AHF在更新中不使用卡尔曼增益，因为卡尔曼增益通常收敛到特定值。因此，卡尔曼增益在反映动态变化的基于WiFi的定位的精度方面具有局限性。在AHF中，不是建立误差协方差矩阵，而是准确度然后计算每个位置的相对误差水平。最佳候选集（BCS）方法[4]用于误差估计。在BCS中，通过使用类似于kNN方法的方法估计的最近邻居和其余邻居之间的距离来计算误差。在确定相对误差水平之后，预测和测量的权重由下式定义：k k−1k−1C y= C y+δT·V。11N=+Kp11w=·k k−1k−1。k−1errekNk我k−1我Cx=Cx+δT·Sk−1·cosθ，1 1k k−1wm=·，Cy= Cy+δT·S·sinθ，kNk错误k k−1k−1k其中，θ是道路连接和基线的角度基座其中xp， yp是预测的坐标，k km m线路由所有的线路链接共享由于直线上有两个方向，θ在直线上有两个可能的值：θ和θ π。在一个垂直的四路交叉口，θ可以有四个可能的值：θ，θ π/2，θ π，θ 3π/ 2。这意味着，对于直线上的瞬间，我们假设有两种可能的预测候选人：向前和向前。向后的方向。在十字路口的一瞬间，预测阶段的结果，并且xk， yk是估计位置的坐标，其被转换为在以下范围内的实数：0-1.权重随着估计误差的平均值的减小而增大。一旦计算出权重，过滤器就通过以下方式组合预测和测量xk=wp·xp+wm·xm我们假设有四个可能的预测候选者。在候选人中，最接近平均值的候选人-yk=wp·yp+wm·ym，其中，x p， y p是预测的坐标，选择surement作为最终预测。只要角kkmm在AHF中，已知连接到交叉口的道路链路的数量和角度，则道路链路的数量和角度无关紧要。请注意，一旦从地图导出道路网络，我们就可以获得每条道路链接的角度AHF的预测模型描述如下：预测阶段的结果，并且xk，yk是估计位置的坐标。3. 实验结果3.1. 实验装置Cx1 0 δT·cosθx Cxk−1ky为了评价AHF用于室内空气净化的有效性，C y 1δT· sinθεCyS0 01+S另一方面，在AHF中，关系由下式定义：导航，我们收集了三个数据集：一个来自KAIST图书馆的四楼，一个来自KAIST N5大楼的二楼北纬84度Park等人/ICT Express 1（2015）82一个来自大田，一个来自韩国首尔Seongsu的E-mart 1楼。KAIST图书馆的四楼是一个2232平方米的开放空间，空间被67个书架分割，表1在KAIST library，N5 building，Daejeon and E-mart，Seongsu，Seoul对BKF、AHF和粒子过滤器的评价总结网络的复杂性。由于预处理的AP数量平均距离改善处理安装在地板上太小，无法构建WLAN无线电误差（m）率时间在地图上，我们还安装了18个AP。在557个点收集了学习数据，并在20个点收集了指纹。KAIST没有过滤3.48 0% 0µs每一点。对于测试数据，收集了20条迹线，每条迹线包括174个测量点。评价图书馆BKF 3.22 7.4% 21µsAHF 2.85 18.0% 30µs也在KAIST N5大楼2楼的一个长走廊上进行，面积为7553m2。学习数据是在74个测量点上以与所执行的相同的方式KAIST N5颗粒filter没有过滤3.06 12.0% 2322µs4.60 0% 0秒在KAIST图书馆易买得是拥有200家连锁店建筑BKF 4.48 2.6% 15µsAHF 3.27 28.9% 33µs位于Seongsu的E-mart是该连锁店的总部和主要商店。数据收集在一楼，这是8800平方米。易买得是一个开放的空间，区域由几十个货架划分。该区域的大小比KAIST库的大得多，并且AP密度像KAIST库一样稀疏。因此，为实验额外安装了40个AP采集学习数据725个点，共采集指纹14,500粒子过滤器否3.96 13.9% 1588µs4.88 0% 0秒对于测试数据，与KAIST图书馆和N5大楼的情况一样，收集了20条迹线，每条迹线包括188个测量点。3.2. 评价结果我们分别在KAIST图书馆、N5大楼和E-mart上比较了AHF、粒子滤波器和BKF一个加权k-NN算法被用来实现一个定位系统，以评估该方法的性能在将BKF、AHF和粒子滤波器与定位系统集成后，对性能进行了评估。粒子滤波器使用5000个粒子进行预测。在粒子滤波器中，我们将粒子的位置限制为只出现在路径网络上。由于AHF和粒子滤波器有许多不同的权重分配方法，因此我们在为粒子分配权重时使用了一个统一的值，以便进行公平的比较。我们准备了10条迹线，通过计算10条迹线的平均值获得结果如表1所示，AHF在KAIST图书馆和E-mart的三种方法中显示出最好的准确性在KAIST图书馆，AHF实现了18.0%的精度提高在KAIST N5大楼，AHF的准确度提高了28.9%（从4.60提高到4.60）。3.27 m），而BKF仅实现了2.5%的精度提高，而粒子滤波器仅实现了13.9%的精度提高。在E-mart，AHF的准确性提高了25.0%（从4.88提高到4.88）。3.66 m），而BKF仅实现了15.0%的精度提高，粒子滤波器仅实现了23.4%。粒子滤波的处理时间比AHF慢约80倍。如果我们使用更少数量的颗粒，我们可以进一步减少颗粒的处理时间滤波但准确性却下降了。例如当我们使用1000个粒子，我们可以将粒子滤波器的处理时间减少5倍。但两种情况下的准确性都下降了7-8%。另一方面，当我们将粒子数量增加到10，000时，只有处理时间大大增加，而精度没有任何进一步的提高。我们在KAIST N5大楼和E-mart比在KAIST取得更多改进的原因是因为KAIST N5大楼和E-mart的直线长度通常比KAIST图书馆的长通常，我们可以预期直线上的过滤效果比拐角或交叉点更大。4. 结论在 本 文 中 ， 我 们 提 出 了 一 种 自 适 应 混 合 滤 波 器（AHF）的室内导航，是新开发的传统BKF计划的扩展。建议的AHF已经取得了相当大的改善，在KAIST图书馆，N5大楼，和E-mart 3个数据集的准确性。这种精度的提高主要是由于移动目标对象的移动对道路网络的限制以及基于误差估计的动态加权方案。我们可以进一步提高精度，如果我们开发一个更先进和可靠的误差估计技术，这是目前的一个开放的问题。此外，将来自智能手机中的各种传感器（例如3轴加速度计和陀螺仪）的感测数据并入AHF将是更准确性改进的另一来源。致谢“This work was supported by the Center for IntegratedSmartE-mart过滤BKF4.1515.0%17微秒AHF3.6625.0%21微秒颗粒3.74百分之二十三点四2376微秒滤波器N. Park等人/ ICT Express 1（2015）82-8585&作为全球前沿项目的未来规划”（CISS-2012 M3 A6A6054195）。引用[1] R.E. 李文，线性滤波与预测问题的新方法，北京大学学报，2000，（1）：35-45。[2] D. 汉，S. 荣格，M。李，G.尹，建立一个实用的基于Wi-Fi的室内导航系统，IEEE普适计算。13（2）（2014）72-79。[3] A. Bekkali，H. Sanson，M.松本，RFID室内定位的基础上，概率RFID地图和卡尔曼滤波，在：WiMOB，2007年。[4] H. Lemelson，M.B.谢尔高河Hansen，T. 室内802.11位置指纹识别的误差估计，计算机讲义。Sci. 5561（2009）138-155。