【CSI室内定位相关理论基础概述5400字】

CSI室内定位相关理论基础概述目录TOC\o"1-3"\h\u2375CSI室内定位相关理论基础概述 1281241.1引言 1254061.2WLAN室内定位介绍 1226321.1.1几何解算法 1319781.1.2位置指纹法 5142281.3CSI相关关键技术介绍 8129131.3.1正交频复用技术 858861.3.2多输入输出技术与信道状态信息 91.1引言本章主要介绍CSI室内定位技术相关的常见解决方案与基本原理。首先对主流WLAN室内定位方法进行原理解析，阐述CSI相关的技术MIMO、OFDM的基本原理，最后介绍常见CSI指纹匹配定位算法。1.2WLAN室内定位介绍WLAN作为人们日常生活中应用最为广泛的电磁波技术，具有覆盖广、功耗低、存在空间差异性等优点，基于Wi-Fi无线网络的室内定位技术是现阶段主流的解决方案之一。依据电磁波传播特性，Wi-Fi定位技术包含几何解算法和位置指纹法两种定位方法。几何解算法通过几何学原理完成位置估计，需要在空间内设置三个以上接入设备，根据接收信息解析当前位置与各AP的相对位置关系。位置指纹法则通过在定位空间中均匀合理地采集参量信号，结合采集点位置坐标生成当前位置的独有指纹；出现定位需求时，需在实时位置以同样形式获取指纹数据，与指纹数据库样本进行匹配，计算待定位点坐标。1.1.1几何解算法基于信号到达时间(TimeofArrival，TOA)的定位方法三个不共线的点能够描述一个二维平面。在室内定位应用中，获取到三个不同AP的相对距离，便能够确定一个参考点在室内平面图中的绝对位置。TOA定位算法提出参考点与各个AP间的距离能够通过计算信号收发的时间差解算得到[43]。图2-1a)为理想环境下TOA定位算法示意图。如图所示，以参考点到各AP的距离为半径、以AP为圆心作圆后，测距圆的相交点即为参考点。假设从第个AP位置坐标为，信号传播到参考点的时间为，参考点位置坐标，无线信号传播速度为，则参考点到的距离可表示为： (2-1)得到至少三个AP到参考点的距离后，可结合AP坐标以公式(2-1)的形式联立方程组，求解后即可获取参考点坐标。a)理想条件b)非理想条件a)Idealenvironmentb)Non-idealconditions图2-1TOA原理示意图Fig.2-1SchematicdiagramofTOAprinciple图2-1（b）为非理想的情况下TOA原理示意图。实际应用中，收发设备间难以实现完全精准的时间同步，多径效应与信号随机衰落广泛存在，导致难以保证各个AP测距圆能够交汇于一点。此时通用解决方案为使用交汇点的中心点作为参考点估计。假设交汇点为、、，对应坐标为、、，则参考点坐标估计可表示为： (2-2)基于到达时间差(TimeDifferenceofArrival，TDOA)的定位方法由于电磁波在空气中传播速度为光速，极小的时间偏差也会引起巨大的测距误差，基于TOA的定位方法要求所有信号收发设备的时钟必须精准同步。为改善对时钟同步的苛刻要求，在参考点处设置信号发射设置，在定位空间内部署多个时间同步的接收设备，测距模型使用信号到不同接收端的到达时间差结合各AP的相对位置建立，其定位原理如图2-2所示：图2-2TDOA原理图Fig.2-2SchematicdiagramofTDOA图中(,),(,),(,)为信号接收基站，、、为三个基站到参考点的距离。假设、为信号到基站、到的时间差，光速为，则距离差可表示为：(2-3)分别距离差为焦距，以基站、为焦点绘制双曲线。由于参考点位置同时满足两双曲线上的相对位置条件，则参考点位置可确定为两双曲线相交处。参考点位置满足方程：(2-4)相较于TOA定位方法，TDOA不限制待定位点处设备与接收基站的时间同步。由于接收基站在统一组网部署的情况下可共享同一系统时钟，因此从系统实现的角度讲TDOA较TOA具有更大的推广潜力。基于信号到达角(Angle-of-Arrival,AOA)的定位方法通过解析多个接收信号的到达角度，可根据其反向延长线的交汇点估算出参考点位置[44]。在二维定位空间中，AOA定位算法需要在参考点部署信号发射装置，在参考点非共线位置布置接收基站。该算法只需两个额外接收基站实现基本定位，定位原理图如图2-3所示：图2-3AOA原理图Fig.2-3SchematicdiagramofAOA图中、分别为参考点到天线阵列中基站1、2的入射角。假设两个基站位置坐标为、，结合入射角可联立方程得到： (2-3)求解公式(2-3)中方程后可获取参考点的位置坐标。准确获取基站端信号入射角信息是精确定位的关键，基于AOA定位方法要求天线阵列的部署需要定位空间中包含平坦、开阔地带；同时对硬件要求较高，需要接收基站天线具有角度解析功能，因此该方法在普适性上具有一定局限性。基于信号强度测距的定位方法电磁波在自由空间的传播会随距离增加产生扩散损耗，因此可将功率损耗信息视为传播距离的映射[45-46]。在室内定位应用中。基于RSSI的测距方案中，理想环境下接收强度与传播距离的关系可通过Friis传输公式[47]建模为： (2-4)公式(2-4)中、分别为信号发射与接收功率，、分别为发射端与接收端增益，为电磁波波长。为提升复杂环境适应性，根据信号载波的随机衰减特性，可假设RSSI的变化服从对数正态分布[48]，则路径损耗模型可建模为： (2-5)公式(2-5)中为AP与参考点间距离为时的参考点处的信号强度；为路径损耗系数，不同的路径损耗系数可用于描述不同的传播过程；用于表示遵循高斯分布的随机环境噪声。该模型具备一定对干扰信号的自适应能力，针对不同环境也可加以区别做出修正，但是在广泛的应用需求中，定位环境的先验知识难以获取，路径损耗模型的测距准确度难以保证。由于CSI是OSI模型物理层信息，不适用基于RSSI建立的测距模型。作为信道频率响应(ChannelFrequencyResponse,CFR)的载波采样估计，CSI中包含的幅值信息是对信道功率衰减的描述，基于CSI的测距模型通常使用其作为参量进行距离估计。文献[29]在RSSI路径损耗模型的基础上进行了修改，使用直射路径上信道的幅值信息建立了传播模型： (2-6)公式(2-6)中为解析CFR得到的幅值信息，为电磁波传播速度，为信道中心频率，为路径损耗衰落指数。为环境因子，用于体现环境差异性。由于在穿透直射路径上的障碍物会导致电磁波传输功率的衰减，模型通常设置环境因子为接收端与发送端的信号增益。与RSSI路径损耗模型的应用类似，影响该方案推广的主要因素为环境先验知识的获取。此外该方案需额外增加对直射路径的辨识工作，增大了实时定位的运算压力。1.1.2位置指纹法在相同室内场景中，不同位置接收到的Wi-Fi信号在墙壁、障碍物的影响往往存在差异性。同时由于信号功率整体上随传播距离的增加而逐步衰落，相近位置采集的Wi-Fi信号又会呈现出一定相似性[49]。位置指纹法以此上述理论为基础，利用特定信号属性作参量生成定位指纹，通过指纹相似度定义未知参考点与已知参考点的相对位置联系。与需要对信号传播过程进行解析的几何解算法不同，位置指纹法只需在待定位点对用于生成定位指纹的信号属性进行采集与处理，以数据驱动为核心思想，避免了复杂传播过程的建模工作。位置指纹法的基本原理如图2-4所示。该方法将定位工作划分为离线准备阶段与在线实时定位阶段。离线阶段，首先需将整体定位空间映射到平面地图上，并进行详细的坐标标注；合理规划出指纹采集点，使采集点尽量覆盖可能出现定位行为的所有位置；在规划好的采集点进行信号采集，通常选择RSSI或CSI作为指纹生成的参考量；进行数字滤波等预处理后，与采集点的室内坐标联立生成一条定位指纹，存入指纹数据库。在线阶段则需要在参考点处采集与生成定位指纹，与指纹数据库中指纹样本进行实时匹配，计算出参考点的位置坐标。图2-4位置指纹法基本原理图Fig.2-4Basicschematicdiagramoflocationfingerprintmethod基于位置指纹法的定位系统中，指纹匹配算法性能直接影响着最终定位精度。下面列举的是三种常用指纹匹配算法：KNN近邻[50]、贝叶斯[51]以及人工神经网络[52]。KNN算法KNN是一种基于距离的监督学习模型，是懒惰学习(lazylearning)的一种。KNN没有类似其他机器学习算法的模型训练过程，对于已标注了分类标签数据集，收到实时新样本后直接进行全量的对比匹配工作。在分类任务中，匹配度被定义为待分类样本与训练集样本的欧式距离。KNN的相似度计算公式如下所示： (2-7)公式(2-7)中与均为n维空间向量，在位置指纹法中分别代表指纹库内样本与实时指纹样本，当取2时表示欧氏距离。以此为基础，KNN每次会将实时样本在数据库中选取匹配度最高的K个已存样本，通过投票法将K个样本中出现次数最多的类别作为分类结果。KNN结构相对简单，在线性数据集上表现良好，但由于每次求解分类结果均需要遍历整个搜索空间，算法的运行效率难以提升。同时K值的选取对算法性能十分关键[53-54]，当K的取值过小时，容易受训练样本中随机噪声的影响导致预测精度下降。K的值选取过大则相当于在较大的范围内选取近似样本，距离较远的不相关点被引入判别范围，造成误判。贝叶斯算法贝叶斯类算法是基于条件概率原理延伸出的常用分类方法，原理为根据类的先验信息结合训练样本估算后验概率，随后以误判损失最小化为目的选取分类结果。基于生成式模型的后验概率估计方法计算方式为： (2-8)公式(2-8)中训练点坐标为=,(i=1,2,…,n)，为当前参考点的指纹坐标值。其中代表指纹样本空间内第i类别训练样本的占有比例，在一定样本规模下，可作为先验概率描述样本的出现频率，为后验概率，视为指纹样本与实时指纹的匹配概率。最终定位结果选取最大化的坐标分类组合。贝叶斯类作为基于概率模型的分类方法，具有结构简单、泛化能力较高的优点。但是贝叶斯模型对事件先验概率的准确性同样有着有较高要求，这使贝叶斯模型的普适性存在局限。人工神经网络人工神经网络（ArtificialNeuralNetwork，ANN）是一种具有强非线性拟合能力的机器学习算法，是深度学习的重要基础理论。它模仿了自然界生物的大脑结构，通过数学模型模拟神经元突触的传递信息行为，根据误差最小化原则不断反馈调节自身结构，具有较强的泛化与自适应能力。根据上述特性，ANN逐渐被越来越多的WLAN定位系统作为指纹匹配的解决方案。人工神经元是构成ANN基础架构的最小单元。人工神经元按层排列，层内部不传递信息，层间通过权值与激活函数传递信息。激活函数由模仿大脑突触传递电信号行为建模而来，主要用于抑制或激活神经元，模拟决策过程；权值矩阵则决定信息传递的具体内容。其基本结构如图2-5所示。图2-5ANN基本结构Fig.2-5BasicstructureofANN指纹定位应用中，训练阶段ANN输入为指纹中的定位信号部分，输出为平面坐标，随机初始化神经元间的权重矩阵。每当网络计算出输出，便使用损失函数计算实际输出与期望的误差值，表明当前网络输出与期望输出的偏差程度。常用损失函数为绝对均方误差： (2-9)公式(2-9)中、为权值矩阵与偏置，是第i个指纹样本对应输出,是期望输出。随后使用该误差值使用梯度下降法反向传播迭代[55]，不断更改传递矩阵内神经元权重，以最小化与期望之间的偏差。ANN理论上具备拟合任何数据分布的能力，但是多轮迭代的训练形式与大量超参数的存在，使ANN模型的训练与调优需要耗费大量人力与系统算力。1.3CSI相关关键技术介绍1.3.1正交频复用技术正交频复用(OrthogonalFrequencyDivisionMultiplexing,OFDM)是无线通信多载波传输方案的一种，其基本思想为：将整个数据编码流划分为多个正交子信道，每个信道以子载波的形式并行传输数据，接收端通过恢复原数据流。图2-6为OFDM信号流传输的具体流程。图2-6OFDM信号传输基本流程Fig.2-6BasicsignaltransmissionprocessofOFDMOFDM系统首先在发射端将高速率数据流进行调制，经串并转换将信号映射到为多个子载波传输形式上，形成速率降低的并行传输流；通过快速傅里叶逆变换（InverseFastFourierTransform，IFFT）将信号转换成时域上的叠加态，在信号中增加循环前缀标志以避免载波间相互干扰；通过并串模数转换将信息以电磁波形式发出。接收端与上述流程相反，接收并去除标志后，使用快速傅里叶变换（FastFourierTransform，FFT）将子载波上的信号还原，通过同步信号校正信道，最后经过并串转换后完全恢复初始数据流[56]。OFDM的多载波传输模式凭借良好的兼容性与稳定性技术，已广泛应用于支持IEEE801.11a/g/n设备中。1.3.2多输入输出技术与信道状态信息OFDM技术的应用使高速信息流得以可靠传输。为了进一步提升信息传输能力，提升信道容量和频谱利用率是另一个可行角度。多输入输出(Multiple-InputMultiple-Output,MIMO)技术在收发装置上均采用了多天线设计模式，令每个发射天线均与接收天线一一成组，分离的天线对在多径散射环境下能够带来远低于独立信道的功率衰减率，大大提升空间分集利用率，从而提升传输速率与可靠性。图2-7MIMO基本原理图Fig.2-7MIMObasicschematicMIMO系统基本原理如图2-7所示。信道状态信息即为MIMO-OFDM传输模式下用于描述信号散射与衰减情况的通信链路层状态量[57]，其主要作用为提供当前通信信道的传播状况，供接收装置更为快速完整地复刻发送信号。无线信道的多径传播形式可通过信道冲击响应（ChannelImpulseResponse，CIR）描述为： (2-10)公式(2-10)中与分别代表第i条子载波的功率衰减与相位偏移，为传输时延，为脉冲函数，其中功率衰减与相位偏移是描述信道传输情况的重要变量。现阶段在IEEE801.11n与部分商业网卡的支持下，信道频率响应（ChannelFrequencyResponse，CFR）能够通过修改的网卡与驱动程序直接解析。不考虑带宽限制，CFR可视为CIR的频域表示[58]。假设信号发射端天线数量