外文翻译-使用多种无线技术的室内定位

1使用多种无线技术的室内定位A.K.M.MahtabHossain,HienNguyenVan,YunyeJin,Wee-SengSoh电气与计算机工程系新加坡国立大学电子邮件：g0500774，u0303567，jinyunye，.sg摘要采用位置指纹的室内定位技术因为其成本效益与其他基于基础设施的定位系统相比较低而日益普及。然而，该技术的报告精确度却低于同行。在本文中，我们探讨了基于指纹定位系统的很多方面来提高该技术的精度。首先，我们推导分析了一个强大的定位指纹的定义，并通过实验来验证。我们也设法通过简单的线性回归技术来促进在训练的位置系统。这种技术减少了训练的时间，并且在周围或设定的定位区域发生变化是特别有用。进一步实验表明，因为一些接入点的位置或者是周围的环境因素，其信号强度与距离密切相关。我们认为，在特别考虑到这些接入点的位置计算时这种技术是更为有用的，由于其对空间信号明显的辨别能力。当我们全体使用多个无线技术的信号来表示一个位置的识别标志时，遇到这样接入点的可能性将会更高。利用上述因素，我们提出了两个著名的定位算法的结果（K最近邻和贝叶斯概率模型），并使用蓝牙和Wi-Fi信号技术。当我们的思想实现时，我们已经研究出了在他们准确度明显改善的意义。关键字指纹定位SSD插值锚杆定域蓝牙Wi-Fi定位系统1简介最近，在室内定位技术已经引起相当大的关注。人们普遍认为，一个理想的室内定位系统应具有高精度，短训练阶段，高成本效益（最好使用现成的硬件），并且在先前未观察到情况下的坚固性。我们的工作旨在实现完成所有这些要求的系统。在未来的普适计算环境下，手持设备的位置服务可能会有一个高需求。然而，这些设备预计会随着许多不同的硬件解决方案出现，即使是相同的无线技术。结果表明，一个定位系统如果仅仅依靠信号强度的测量来定义位置指纹是不够的。不论一个装置信号强度的感知在接入点（APs）是用来表示设备的定位指纹，还是APs的信号强度在设备上的感知被使用，这种指纹在设备的硬件条件下，甚至是在同一个无线条件下，可能会有显著的不同。这能被证明在现有流行的无线技术中，如Wi-Fi或者蓝牙技术。在一些无线技术的功率控制中叶存在进一步复杂化的问题。不管多么复杂的算法，坚固位置指纹的需要是利用它强制任何定位算法。在本文中，我们的分析表明，信号强度在APs感知差异提供一个更强大的位置指纹，而不是绝对的信号强度值。我们也验证了我们所要求的详细的实验结果。有一个早期2的报告1为了找一个流氓机利用这个想法只提供了实验结果，而没有适当的分析为什么信号强度差异应被归类为稳定的位置指纹。一些之前的作品2，3试图缩短定位系统训练阶段。他们主张简单的收集一定数量的读数，而不是执行一个需要大量成本和劳动力的详尽调查来创建位置指纹数据库。Haebarlen等人3通过将整个区域分为室/细胞来实现这一目标，从而限制了位置估计房间级别的间隔尺寸。相反，Li等人2试图使用在其他培训点数据差值完成数据库。我们的研究采用了后者的方法。我们认为，当环境或者设置发生改变时，基于插值训练的方法可能会变得突出。通常在这样的情况下，当等待一个适当的位置指纹数据的产物塑造了变化时，位置服务可能会被暂停。本程序是时间和劳动力密集型的。相反，该定位系统管理员可以选择通过在变化了的环境粗略调查（即，以小样本）或安装来提供继续定位服务，并在插值技术的帮助下填补了训练集数据库中的空隙。数据库尅逐步增大到定位系统达取得合理的精度。Li等人2仅仅使用了一些直观的指导仿真来生成这些假训练点。在本文中，我们采用加权线性回归促使这些虚拟训练点利用空间相似性4获得信号强度分布较好的拟合。如今，有无数的设备包括多个无线技术，且这种趋势在不久的将来有望茁壮成长。随后，可能会有来自不同技术的相当大数目的APs来服务这些设备。如果我们要考虑所有不同技术信号共同地表示位置的签名，那么许多APs的信号需要从任意特定的位置来考虑。早期文献5表明，越来越多的APs表示一个特定位置的签名不一定能单调地提高精度。使用较少一些好的APs来表示签名是明智的，因为这减少了存储需求和计算开销。在本文中，我们设计了一些简单的标准来区分好的APs，称之为锚。我们认为这些锚信号单独考虑将达到和使用所有APs的信号作为一个签名的系统一样的精度。本文的其余部分组织如下，在第二节中我们简短的描述了本文研究的相关内容；在第三节中简述我们的贡献思想领域中的基于指纹的定位系统；第四节中则使用我们目前的实验结果来支撑我们的主张；最后，我们在在第五节中给出得到的结论和未来的研究方向。2相关研究虽然GPS是最受欢迎的室外定位系统，但因为其信号不能穿透大部分建筑材料而不在室内工作。室内定位系统的研究，基本可以分为两大类：依靠专门的硬件（如，红外线或射频标签，超声波接收器）和需要单独定位基础设施的广泛部署6-9。基于现有的基础设施（如，Wi-Fi或蓝牙网路）和使用现成的无线网络硬件10-16。随着这些系统由于其集成和成本效益的减少而日益普及，我们的研究主要集中在二类以上。下文中，我们提供了在这一范畴的一些现有方法的简单介绍。有兴趣的读3者可以参考文献1718，有更深入的讨论。上述第二类主要取决于位置指纹，这些方案试图在这一点上找出独特定位的信号强度。一个家庭的定位技术是雷达10主要是因为合适的无线信号传播模型在室内不可用。这为许多被用于定位问题的不同技术打开了大门。比如，半字节11是用概率方法的位置估计的第一个系统之一。到目前位置，Ekahau的定位引擎软件12声称是基于概率模型的最准确的定位系统。他们声称，一个一米的平均精度具有很短的训练时间。统计学理论15和神经网络16也被定位调查。为了达到更好的精度，一些研究13、14也尝试从不同技术方面（例如，Wi-Fi和蓝牙）合计定位数据。3基于指纹定位的研究区域简言之，本文从以下几个方面表示一个典型的基于指纹定位系统：坚固位置指纹：不只是利用绝对信号强度的位置指纹，我们坚决主张在分析和实验中，APs信号感知差异将为任何移动设备提供一个更为稳定的签名，并与移动设备的硬件无关。虚拟训练要点：在适当插值技术的帮助下，我们表明只有少数真正的训练样本应充分实现定位系统的合理精度。锚：通过智能选择好的APs（即，锚），像先前讨论的定位系统则可以受益。我们有正式的非常简单的准则来表示这些锚文本。未来的移动设备都会包含多个无线技术，因此提高APs在一个特定区域为他们服务的个数，这种想法会更相关的那种方案。在第三节（A）中，讨论我们不论用于移动设备硬件还是为了一个特定的定位定义一个坚固的指纹的想法。然后，在第三节（B）中详细说明我们使用简单的线性回归技术来提高用很少的训练样本定位模型的思想。在这两种情况下，我们根据我们在阴影模型19的分析，在第三节（C）中提供了一些直观的指引以选择锚。差分信号的指纹假设和分别表示一个装置在任意距离和接近的参考距离，从对数正太阴影模型我们可以得到如下式：Pr(d)/Pr(d0)dB=-10log(d/d0)+XdB(1)式1的第一部分定义了路径损耗分量（为路径损耗指数），第二部分反映了在一定距离的接收功率的变化（XdBN(0,dB）式1可改写为：Pr(d)/dBm=Pr(d0)/dBm-10log(d/d0)+XdB(2)4式2表示，收到的信号在一个特定的位置（即视为位置指纹上）可以被解释为在一个接近参考功率的表达式（其中包括各种黑色贝的具体参数，例如天线增益）和路径损耗、阴影的变化。这取决于所有的硬件在AP和移动设备在参考距离的功率，即，的变化，位置指纹也是因此而产生的。我们认为，与其使用绝对信号强度值的位置指纹，不如使用两个APs从移动设备接收信号的差异来定义一个更强大的签名，我们称之为信号强度差异或SSD。有分析法地解释，我们假设分别表示接收信号强度（RSS）从移动设备上的两个不同的APs的。我们认为，所有的APs是同一类型的，即他们的硬件（如天线）就是采用类似的类型。因此，使用式2，我们对可以表示为:Pr(d1)/dBm=Pr(d0)/dBm-101log(d1/d0)+X1dB(3)对可以表示为：Pr(d2)/dBm=Pr(d0)/dBm-102log(d2/d0)+X2dB(4)结合式3和式4，得到：Pr(d1)/Pr(d2)dB=-101log(d1/d0)+102log(d2/d0)+X1-X2dB(5)式5表示SSD从而来的自由表达式，应该提醒，定位指纹比绝对的RSS要更为坚固。虚拟训练点我们知道，信号强度的对数（距离）呈线性变化，按照这个确实的证明，式1还可以用以下方式来表示：Pr(d)/dBm=-10log(d)+Pr(d0)/dBm+10log(d0)+XdB（6）5图1为了推断2个虚拟点的4培训点上述的方程式可解释为，假设y=ax+by=Pr(d)/dBm,a=-10,x=log(d)，我们推断b=Pr(d0)/dBm+10log(d0)+XdB=常数。在我们测试平台任何点的RSS标准偏差的测量只有8dB最大。由于RSS指纹是许多样本的平均值，可被视为常数。此外，在一个包括为指定虚拟点更重要训练点的小面积块，可能对所有的问题都具有相同的特征。我们把使用从实际训练样本点集插值生成数据库培训点称为虚拟训练点。为了推到除一个虚拟的培训点，每个APs的RSS在整个定位区域是根据上述基于训练点上他们签名的线性回归方程。例如，假设有4个APs，将会形成4个不同的回归方程。未知的参数，即每个AP的a、b都使用加权最小二乘法逼近。我们的目标是将表示实际和预测在训练点的签名。我们选择的是重量成反比距离之间的某个虚拟点j，且实际的培训点i（在我们的试验中，简单的表示为）。因此，我们认识到每个接近训练点的虚拟点更有助于制定符合信号强度分布的空间相似分布的APs回归方程（见图1（a）和图1（b）所示）。重量主要目的是为接近更高虚拟点的培训点提供帮助。注意，为了获得不同的虚拟点，含有4个APs的回归方程将被改变。换句话说，为了推论出每个虚拟点，我们每次都会因这4个APs而得到4个不同回归方程。一旦我们有近似的信号模式在整个定位区域从APS利用回归模型，我们只会塞在特定的虚拟点的距离为相应的APS获得签名。6图2实验的试验台Youssef等人20采用聚类技术来缓解计算为止估计的计算开销。他们选的地点看得到相同的具有最强信号强度值的k个APs来确定一个特定的集群。因为我们要选择可用于区分不同位置基础上信号的APs，我么选择的k个APs或锚的动机有所不同。如果它显示其信号在整个定位区域的更大可变性，我们把一个AP称作锚。我们用两个直观的指引来选择这些锚：特色：假设在特定位置的信号强度样本收集的模式具有位置指纹的特征。让表示第j个AP在M位置的信号强度样本的模型。M模型中，假设只有l是不同的，则。现在，显著性度量的第j个AP可以定义为。如果是系统定义的参数，且参数依赖于定位区域的大小和不同培养定位网格数量，那么这个AP可以被认为是锚变异：另一个参数可以考虑是通过AP在整个定位区域指纹的变换来定义锚。如果上文指出的方案来选择模式以表示定位指纹，则有且，其中和代表平均值和标准偏差在整个定位区域中第j个AP的模式或指纹。同样，如果则该AP可定义为锚。4实验研究在这一部分中，我们首先描述我们的实验测试平台和数据采集过程，然后提供我们的实验结果。7图3信号强度在一个特定的训练点的AP及其高斯近似直方图测试平台的建立我们实验的测试平台位于我们学校的演讲厅，面积超过540平方米。我们用建碁MP945迷你电脑作为我们的接入点，并将它放置在靠近天花板的位置。这些接入点的位置如图2所示，当训练点被指示为点，被标记为星星。每个MP945都安装建碁WN2302A迷你PCI局域网适配器以被动检测Wi-Fi设备和测量他们的RSS。他们也混合bt-2100的1类蓝牙适配器，继续通过定期发行询价扫描蓝牙数据包。每个迷你电脑或AP连接到我们学校的内网为了依靠有线局域网的连接服务器进行通讯。我们所有的迷你电脑运行SuSe10.1Linux分配最新的Libpcap库21和BlueZ协议栈22。数据采集程序在我们的测试平台，有62个培训点或者说网格。训练过程开始通过在一个特定培训点的移动设备。由于需要少量从移动设备的参与是更可取的定位系统，我们的APs手机和RSS信息。在移动设备上的无线设备发送请求持续一些时间才能收集到足够的数据包在APS的听力，而APS问题蓝牙查询时，移动设备响应。在任何情况下，数据包的信息及时传递给我们的中央服务器数据库。我们的蓝牙适配器提供绝对的RSS度量我们用来表示一个位置的指纹的信号强度值从其他蓝牙技术（例如，相对的RSSI，链路质量）在蓝牙核心规范23提供已被证明不能令人满意的定13。最后，我们从培训定位点中选择了44个完全不同的试验点，中央服务器负责测试期间的位置估计计算。8图4RSS和SSD考虑2种不同的设备（例如，笔记本电脑和PDA）合并蓝牙和Wi-Fi实验结果和发现首先，列出了我们在相应的实验结果的基础上进行的假设：在本文中，每当我们使用RSS作为某些实验位置指纹，都假定它是正态分布。尽管有些研究无视这一现象，仍有其他人支持它的4。我们的实验结果也表明这是一个合理的近似我们没有取得明显改善考虑RSS的直方图表示。图3显示了RSS分布在一个特定的点一定AP及其高斯逼近曲线。我们选择了定位文献资料中两个众所周知的算法，即，K近邻和贝叶斯概率模型来测试我们的想法。选择这两个众所周知的算法是因为我们的目的是要表明思想相当通用，且不管选择何种算法都是是富有成效的。我们选择了k值来证明K近邻算法类似于之前的文献10提到的。同时运用贝叶斯公式，现有的概率被假定为均匀分布。为了应用概率模型，一个从不同的APS的RSS值的独立性的假设已经得到广泛的应用。这个假设是一个合理的良好设计的网络，每个AP上运行一个非重叠信道。Kaemarungsi和Krishnamurthy4通过实验评估了APs的RSS值相关因素中存在的干扰，从而强化了这个假设，我们还采用了他们的证明。1）SSD作为强大指纹的理由：在这个实验中，我们选择了两个不同的设备（如笔记本电脑和PDA）和APS测量其信号强度。我们的笔记本电脑上安装有英特尔9PRO/Wireless3945ABG迷你PCI局域网适配器而用于PDA的无线网卡是三星swl-2455802.11b。同样，在试验中1类蓝牙USB适配器插入笔记本电脑中时，我们的PDA蓝牙芯片已经综合了2类蓝牙芯片。我们挑选了20个随机训练点和进驻自己的设备在这些地点和在两个设备的APS收集足够的样本。图4（a）和图4（b）被画在一个特定的AP，而图4（c）和图4（D）则表示APS的RSS值之间的差异。图5.RSS和SSD的比较作为位置的指纹蓝牙和WiFi考虑KNN和贝叶斯算法图6.KNN和贝叶斯算法的性能对应在每种情况下产生的不同数量的虚拟训练点的固定数目我们随机挑选了20个测试点，并在这些点的位置上放置设备，在两个设备的无线接入点收集足够多的样本。图4（a）和4（b）画的是在一个特定的无线接入点，接收信号强度的读取，而4（c）和图4（d）描绘的是在两个不同的无线接入点的RSS值之间的差。根据图4（a）和4（b），可以明显得出，绝对信号强度感知在两个设备一定的AP有相当显著的变化。当不同的移动设备在测试中被使用时，不同的指纹形式都有10反应。大多数作品完成他们的训练和测试阶段使用的是相同的装置，因此，对这一现象的不利影响被排除。与此相反，同步信号的检测受到了影响，因此图4（c）和4（d）提供了一个更可靠的指纹。这很容易符合我们在第三节（A）的分析。我们进一步从图（4）注意到，关于蓝牙SSD往往是其将被我们后来的结果进一步验证更加坚固。SSD和RSS作为位置指纹图谱的比较：如图5(a)和5(b)所示，可以看出，在蓝牙和无线网络中，基于SSD的定位系统优于基于RSS的定位系统。此外，我们还看到如预期在此前的实验，基于蓝牙SSD的系统的表现优于利用无线网络SSD的定位系统。6种不同对的4个用于蓝牙和无线网络连接无线接入点，会被利用来推断出每个位置的6个SSD值。但通过我们的实验中，我们已经知道，在6个方案中为了实现类似的功能只需要3个这样的值就足够了。因此，我们蓝牙和无线网络的SSD向量是由3个元素组成，比相应的RSS向量少一个元素。虚拟训练要点：在第三节（B），有人认为，运用恰当的插值技术可以极大地增强了在训练定位系统的精度。在这方面，我们的简单线性回归系的方法在图6（a）和6（b）有很好的表现。图7.考虑到4BT的AP类似于考虑到所有（4BT+4个无线网络）8个接入点相结合我们可以知道，仅在20个地点以及基于它们的虚拟训练点收集的训练样本，实际上优于多达62训练点的定位系统。为了得到图6（a）和6（b），在每个真实训练点的案例中设置固定数量的虚拟点。然后，SSDs的计算采用两种类型的点（即，真11实，虚构）。最后，为了定位的目的，近邻算法和贝叶斯算法都会被使用。在这个实验中，我们只包括图表考虑的蓝牙SSDs-只包括蓝牙接入点的定位系统。在我们的实验中，无线网络接入点也表现出相似的性能提升。主播实验：根据我们的直观的指引来选择，正如第III-C的讨论，我们不难发现，蓝牙接入点更可能在我们的情况被挑选出来成为主播。图（7）揭示了，只考虑4个蓝牙接入点的定位系统表现得跟使用所有的8个接入点的定位系统几乎相同，甚至更好。对于本实验，对所有的8个接入点显着性和可变性的度量的计算，实际上只有4个点被选中。5结论和未来的工作在本文中，基于位置指纹和获得系统有利的结果，我们讨论了一些有趣的问题。基于我们的分析和实验结果，可以得出以下结论：SSD提供了一个比传统的RSS对于电波传播更强大的位置指纹。我们的实验结果和分析验证了这种说法。经过我们的分析和总结，通过训练系统在正确的位置，采用合适的插值方法在很大程度上解决了缺陷。之前的作品2已经表明，当足够多的样本，占据了整个定位区域，利用插值增益仿真技术是不显著的。我们的研究结果表明在图6（a）和图6（b）中显示出类似的趋势。此外，可以看出，一个合适的平台尺寸将需要62个或更多真正的样品点进行训练以得到合理的精度。为了缩短训练周期，也降低劳动成本，这使得我们需要大尺寸平台或必要的技术。它已被证明在一些作品中5增加APS的数量不一定会增加定位精度单调。所以在设置许多APS时，很方便地找到的一个子集APS，我们表示为锚。选择这些APS肯定会对定位精度产生影响。从图7，我们发现，4的Wi-Fi基础定位系统的性能远低于其蓝牙配对的性能。我们的向导，保证我们选择蓝牙接入点，从而，保证相对于整体系统，具有相似的精度。由于没有合适的用于定位的蓝牙信号强度参数（例如，相对的RSSI，链路质量等）和缺乏广泛可用的蓝牙网络，因此，到目前为止，没有一个合理且成功的蓝牙定位系统设计。在实验中，通过对SSD位置指纹的选择，我们发现蓝牙比Wi-Fi更为智能。总之，我们试图到达一个鲁棒轨迹，仔细地分析并验证它。我们还设计了一个方法，通过简单线性回归技术推动下代先进的的定位系统的产生。此外，我们考虑的多无线技术和制定一些简单直观的方法形成APS之间一个良好的子集APS用于服务各自的技术。在下面，我们列出了一些我们可预见的重要的未来发展方向：SSD在我们的位置指纹实验中表现良好。由于我们只在我们自己中等大小的测试平台测试了它，应当在测试平台上，通过不同实验进行验证耳鼻喉科设置及尺寸以得到更确定的信息。12在一些简化假设下，我们使用了线性回归模型方法，用于生成虚拟的点。其他复杂的传播模型可能更适合关于这些类型的插入法。我们只提供了一些直观的指导方针为了选择锚点。在一定的约束条件下，一种理论方法选择正确编号的锚APs可能是有趣的。定位系统依赖于蓝牙，所以当然需要更多的调查。我们在以前的作品13，14中获得关于蓝牙的结果，或者是提供了令人失望的结果，或者需要额外的无线技术的成果（如无线网络）。由于与多个无线技术和许多应用程序，现在服务于同一区域整合移动设备的扩散，基于集群的做法20将是未来有趣的发展前景。更多的研究应如何划分本地化区域划分的基础上无数种无线接入点的集群进行。6致谢本文报道的这项研究是由教育部新加坡，ACRF一级的资金部的支持下，批准号：R-263-000-320-112和R-263-000-320-133。参考文献1P.Tao,A.Rudys,A.M.Ladd,andD.S.Wallach,“WirelessLANlocation-sensingforsecurityapplications,”inProceedingsofthesecondACMWorkshoponWirelessSecurity(WiSe03),SanDiego,CA,Sept.2003,pp.1120.2B.Li,J.Salter,A.G.Dempster,andC.Rizos,“IndoorpositioningtechniquesbasedonwirelessLAN,”in1stIEEEInt.Conf.onWirelessBroadband&UltraWidebandCommunications,Sydney,AUS,Mar.2006.3A.Haeberlen,E.Flannery,A.M.Ladd,A.Rudys,D.S.Wallach,andL.E.Kavraki,“Practicalrobustlocalizationoverlarge-scale802.11wirelessnetworks,”inProceedingsofthe10thannualinternationalconferenceonMobilecomputingandnetworking(MobiCom04),Philadelphia,PA,2004,pp.7084.4K.KaemarungsiandP.Krishnamurth,“PropertiesofindoorreceivedsignalstrengthforWLANlocationfingerprinting,”in1stAnnualInternationalConferenceonMobileandUbiquitousSystems:NetworkingandServices(MobiQuitous04),SanDiego,CA,2004,pp.1423.5K.KaemarungsiandP.Krishnamurthy,“Modelingofindoorpositioningsystemsbasedonlocationfingerprinting,”inProc.ofthe23rdAnnualJointConferenceoftheIEEEComputerandCommunicationSocieties(INFOCOM04),Mar.2004,pp.10121022.6R.Want,A.Hopper,V.Falc?ao,andJ.Gibbons,“Theactivebadgelocationsystem,”ACMTrans.onInformationSystems,vol.10,no.1,pp.91102,Jan.1992.7A.Ward,A.Jones,andA.Hopper,“Anewlocationtechniquefortheactiveoffice,”IEEEPersonalCommunications,vol.4,no.5,pp.4247,Oct.1997.138N.Priyantha,A.Chakraborty,andH.Balakrishnan,“Thecricketlocation-supportsystem,”inProc.ofthe6thAnnualInterna-tionalConferenceonMobileComputingandNetworking(Mobi-Com00),Boston,MA,Aug.2000,pp.3243.9N.Priyantha,A.Miu,H.Balakrishnan,andS.Teller,“Thecricketcompassforcontext-awaremobileapplications,”inProceedingsofthe7thAnnualInternationalConferenceonMobileComput-ingandNetworking,Rome,Italy,July2001,pp.114.10P.BahlandV.N.Padmanabhan,“RADAR:Anin-buildingRF-baseduserlocationandtrackingsystem,”inProceedingsofthe19thAnnualJointConferenceoftheIEEEComputerandCommunicationsSocieties(INFOCOM),TelAviv,Israel,Mar.2000,pp.775784.11P.Castro,P.Chiu,T.Kremenek,andR.R.Muntz,“Aprobabilis-ticroomlocationserviceforwirelessnetworkedenvironments,”inProceedingsofthe3rdInternationalConferenceonUbiqui-tousComputing(UbiComp01),Atlanta,GA,Sept.2001,pp.1834.12Ekahau.Online.Available:/13D.Pandya,R.Jain,andE.Lupu,“Indoorlocationusingmultiplewirelesstechnologies,”inProc.IEEEPIMRC,Beijing,China,Sept.2003,pp.22082212.14Y.Gwon,R.Jain,andT.Kawahara,“Robustindoorlocationestimationofstationaryandmobileusers,”inProc.ofthe23rdAnnualJointConferenceoftheIEEEComputerandCommuni-cationSocieti