英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

Android应用程序基于WiFi室内定位:

系统设计和性能分析

Nguyen Trong Thuong，Hoac Thieu Phong，Dinh-Thuan Do，Phan Van Hieu，Dao Tang Loc

信息技术部

东方国际大学工学院

平阳新市，越南

电子邮件：{thuong.nguyen.k1set，phong.hoac.k1set，thuan.do，hieu.phan.k1set，loc.dao.k1set}@eiu.edu.vn

摘要

本研究涉及使用无线以太网IEEE 802.11（Wi-Fi）标准的室内定位，其相对于其他室内无线技术具有低成本的显著优点。 本研究的目的是检查影响定位精度的基于位置指纹的室内定位的几个方面，探讨和分析人类行为对RSSI分布的影响。 总体上，在执行的实验中实现的定位精度为2.0至2.5米。 开发的应用已经在室内验证以用于未来的智能服务。

关键词：室内定位，Android，指纹，Wi-Fi，WLAN

1 介绍

应用于建筑内部的室内定位技术吸引了大量的研究工作。智能手机市场和基于位置的服务的广泛使用导致了具有相对高精度的定位系统的开发。在传统上，全球定位系统（GPS）信号被建筑材料隐藏在建筑中，导致其对于室内位置的提取变得没有太大用处[1]。相比之下，使用无线以太网IEEE 802.11（Wi-Fi）的室内定位具有价格低廉的优点，在公共场所的任何地方得到了广泛使用[2]。 Wi-Fi或WLAN（无线局域网）实际上补充了城市或室内环境中心的全球定位系统（GPS）的测量误差。 Wi-Fi信号被认为是一种廉价和短时耗时的基础设施部署。特别地，基于指纹的室内定位仅与接收信号强度（RSS）的特性相关。更重要的是，基于位置定位方案的WLAN不需要进一步投资专门的硬件。

WLAN系统开发具有信号覆盖广，通信能力强的特点，而且数据速率可以在各种统计无线电传播模型中产生。 此外，来自多个AP的RSS值之间的关系不是很好地理解。 为了理解和建模基于指纹的室内定位系统的性能，我们收集RSS值的分布，它们的标准偏差，它们的时间变化，以及来自多个接入点（AP）的RSS的独立性。 一般来说，根据本研究中的研究，RSS的分布遵循以dBm为单位正态分布。

室内无线电传播难以预测，因为密集的多径环境和传播效应，例如反射、衍射和散射。 多径衰落导致接收信号在特定位置处的平均值附近波动。 接收信号通常由大规模衰落和小规模衰落的组合效应建模。

此外，用户的存在接近天线的效果在平均RSS值的平均值和扩展方面起着重要作用。在[2]中得到了一个观察结果，即用户的方向导致RSS水平的变化高达5dBm。在另一种室内定位技术[3]中，KF（卡尔曼滤波器）稳定Wi-Fi信号并用于计算位置。在[4]中，提出了一种将Wi-Fi与GPS组合的方法，以更准确地计算位置。然而，Wi-Fi信号提供用于跟踪位置的低精度。因此，专用于在目标区域中安装用于定位服务的Wi-Fi AP以便获取目标的更精确的定位。此外，最近的研究工作[5]提出在Android上运行基于位置的服务，但表明需要一个精确的室内定位系统，因为大多数这些应用程序依赖于GPS。一些作者试图提高这种室内定位技术在室内场景中的效率，引入对路径损耗模型的新影响，以解决壁衰减，多径或噪声[6，7]，但是由于计算的硬件和软件需求该方法的算法复杂性以及实现的总体差的准确度使得这种方法对于当前技术的智能电话来说是不可行的。事实上，指纹技术已经证明能够提供更好的精度[8]。作者在[9]提出了隐私保护WiFi指纹定位方案（PriWFL），以保护客户端的位置隐私和数据从服务提供商。

除了蜂窝通信和WiFi技术之外，射频技术创建了用于定位的RSSI指纹技术，可以与其他方案比较，包括：

bull; 蓝牙，与WiFi相比，尽管有额外的基础设施要求，它可以达到1.2米的精度。

bull; 常规无线电，也可用于定位。 然而，专用硬件的要求以及设备只能位于郊区的事实，是其非常重要的缺点。

bull; 数字电视信号也被证明适合于本地化，但受专门的硬件要求和低分辨率的制约。

bull; ZigBee技术也可以用于定位通过指纹，达到约2米的精度。然而，这项技术还需要一个额外的硬件用于正确的实施，构成了一个主要的缺点。

2 基于WLAN的定位算法

A 位置指纹

在基于位置指纹的定位系统的模型中，通常工作在两个阶段：校准阶段（离线阶段）和定位阶段（在线阶段或运行阶段）。 首先，移动设备用于测量RSS值（以dBm为单位），然后在校准阶段使用。 在感兴趣区域中所选择的校准点处从若干环绕AP收集这样的数据。

在定位阶段，与在线阶段的数据相比，移动设备在更短的时间内测量未知位置中的RSS值。 移动客户端应用位置估计算法以使用先前创建的无线电地图来估计其当前位置。 有趣的是，可以假设独特的信号传播特性，每个位置可以与RSS值的唯一组合相关联。

图1 离线阶段开发软件截图

B 加权k-最近邻

原则上，在k-最近邻（KNN）中有两个步骤过程。 首先，找到无线电地图中的k个索引i1，i2，...，ik，其中ri1，ri2，...，rik是通过信号空间中的欧几里德距离计算的最近点。 计算欧几里德距离的公式为：

我们测量未知位置。 在下一步骤中，考虑作为具有最小Euclidean距离的k近邻的坐标值（第一步计算）是估计位置q的表达式

图2 开发在线阶段的软件截图

3 手机软件定位

在该提出的系统中，开发了在用户的设备上工作的室内定位系统的原型和在后端服务器中更新的数据，以执行实验。使用准备的无线电地图，设计的软件允许确定移动设备和其他设备内置的Wi-Fi芯片组，如平板电脑，笔记本电脑的位置。原则上，软件在两个分离的位置指纹识别阶段中操作，包括校准阶段和定位阶段。图1和图2示出了具有Android操作系统的手持设备的软件的屏幕截图。在校准阶段，我们测量在建筑物中不同位置的RSS中表征的可用Wi-Fi接入点。在每个点中，在限定的时间段内收集所有可用AP的RSS，然后计算平均值并将其写入无线电图中。在定位阶段，软件确定实际位置。测量所有感测到的AP的RSS值并将其与准备的无线电地图中的值进行比较，使得选择（在信号空间中的）最近邻居的数量并将其用于位置估计。虽然第一阶段通常由系统维护者完成，但第二阶段是由终端用户实际执行的阶段。

在校准阶段，软件具有以下功能：1）加载和查看建筑物的地图; 2）查看当前位置的所有可用AP及其当前RSS的列表; 3）通过点击地图中的当前位置来执行指纹。 定位阶段的功能：1）建筑物的载荷和视图; 2）估计位置（以坐标的形式以及加载的地图上的点）。

4 实验研究

实验在越南东方国际大学工程学院B11大楼三楼进行。 将7mtimes;10m的面积用于实验。 面积分为20个单元格，每个单元格命名为1〜20。 安装了一些AP，这些AP已经部署用于最大可用性的Wi-Fi因特网，并且可以在该区域的至少三分之一部分中被感测到。

智能手机是联想与CA7000上华硕MeMo Pad HD7 me173x品牌平板电脑。此外，来自较低楼层甚至第三楼层的一些AP也可以在一些小区域中被感测，并且表示为在应用中丢弃的噪声。 为了优化性能，同时在IEEE 802.11b / g / n模式下操作的网络和通信实验室中部署了位于地面以上1.2m高度的6个无线AP，从而允许获得2.4GHz和5GHz的RSS读数 Wi-Fi频段。 注意，没有部署额外的AP，并且没有移动现有AP —使用已经存在的基础设施进行实验。

表1 收集RSS集合的例子

测量主要在工作时间进行，人们四处走动，使用无线网络连接。 所有电话都被触发，每个在5分钟内收集300个RSSI样本。 其次，使用如先前介绍的设备在20个网格位置处收集2400个样本的RSSI数据，持续10分钟，并计算RSSI数据的分布。

首先，我们考虑用户的存在对单个RSS集的影响（这是随时间获得的在固定位置处的来自一个AP的RSS样本的集合）。 第二，我们调查单个RSS集合的统计属性（分布，稳定性，时间依赖性等）。 第三，我们研究多个RSS集合的属性（基本上来自多个AP的RSS值）。 我们评估每个RSS集是否独立于其他RSS集，以及它们是否都显示相同的统计属性。

为了确保测量环境的控制，AP1〜APi的RSSI数据在网络和通信实验室的固定位置从坐/站立的人，随机移动和移动的四个实验情景中收集。首先，仅在房间中的人进行测量。当人站在房间中时，测量环境可以被认为是静态环境。因此，RSSI数据的均值和标准差几乎没有差别。当在诸如在房间中移动的人的测量环境上存在一些动态变化时，RSSI的平均值将减小，并且标准偏差将显着增加。 RSSI的范围也随着人类行为影响AP的真实信号的传播路径而增加，这导致RSSI立即增加/减少。

图3 在有3个接入点的房间中移动人的情况下的精确率

图4 在有6个接入点的房间里移动人的情况下的精确率

图5 在只有3个接入点的房间内的人的准确率

图3示出了在所收集的位置ID的2m范围内的精度速率的百分比。注意，该实验中的离线数据仅在实验室房间中的人员进行。作为观察，有一些位置获得低速率，特别是在编号为16,17,18的位置。由于AP的数量较少，在这种情况下为3个AP，数据库和实际位置之间的比较具有高偏差。除此之外，人在房间的运动也影响RSSI，精度也下降。然而，当增加AP的数量时， 图4的预期准确率显著提高。通过使用6个AP提高了精度，使得指纹技术将从6个不同的源接收6个无线电信号，因此，当应用查询数据库时，错误率已经降低。有趣的是，如果只有人坐在配备3 APs的屋里，如图5所示，我们获得更好的性能。幸运的是，我们可以在拥挤的环境中收集数据用于离线阶段，并且在相同拥挤的环境中检测更精确的位置。因此，移动设备获得无偏差的清晰信号，因为它们不受障碍物的影响。

更重要的是，当使用高斯分布对室内定位系统的RSSI分布进行建模时，必须让某人随机移动，同时收集指纹的RSSI值，并避免两种类型的代表性人类行为，可能会导致双模态分布。

5 结论

我们为Android智能手机开发了室内无线定位系统。 我们安装专用于在特定位置进行本地化的AP，以提高定位精度。 使用Wi-Fi信号的定位容易实现，并且需要比其他定位系统更低的成本。 我们应用了一种新的算法来过滤错误信号，并找到智能手机的位置。 它获得适当的扫描时间和阈值，从而产生低错误率。 我们预计智能手机的室内定位系统可用于各种有用的应用，如移动营销。

室内定位系统使用加权筛选方法的研究

在无线室内定位系统中，由于存在许多变量，例如建筑物本身的结构复杂性，室内人群的影响

全文共7028字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[144413]，资料为PDF文档或Word文档，PDF文档可免费转换为Word