基于RSSI参数动态修正的ZigBee室内定位算法

doi:10.3969/j.issn.1006-2475.2024.01.006

摘要/Abstract

摘要： 摘要：ZigBee室内定位技术近年来发展迅速，但使用固定路径损耗模型的传统算法环境适应能力较差，会引起较大定位误差，影响定位精度。本文提出一种基于ZigBee平台的对数路径损耗模型参数动态修正的室内定位算法。首先经过高斯滤波对所得RSSI值进行筛选优化，然后根据锚节点之间的距离以及RSSI值来动态修正对数路径损耗模型参数，包括路径损耗因子以及距待测节点处的信号强度值，从而得到当下环境中具体的对数路径损耗模型；再利用卡尔曼滤波对现有的定位参数进行二次修正，以更正上述算法中因时刻变动引起的环境变化导致的定位偏差。实验结果表明，该定位算法比基于ZigBee的固定路径损耗模型定位性能提升了46.8%，可以改善因环境变化产生的定位误差问题。

关键词: 关键词：室内定位, ZigBee, 高斯滤波, 对数路径损耗模型, 卡尔曼滤波

Abstract: Abstract: ZigBee indoor positioning technology has developed rapidly in recent years， but the traditional algorithm using fixed path loss model has poor adaptability to the environment， resulting in large positioning errors and affecting positioning accuracy. This paper proposes an indoor location algorithm based on ZigBee platform with dynamic correction of logarithmic path loss model parameters. First， the RSSI value obtained is filtered and optimized by Gaussian filtering， and then the parameters of the logarithmic path loss model are dynamically modified according to the distance between anchor nodes and the RSSI value， including the path loss factor and the signal strength value from the node to be measured， so the specific logarithmic path loss model in the current environment is obtained； Then the Kalman filter is used to modify the existing positioning parameters twice， which can correct the positioning deviation caused by the environment change caused by the time change in the above algorithm. Experimental results show that the positioning performance of this algorithm is 46.8% higher than that of the fixed path loss model based on ZigBee， which can improve the positioning error caused by environmental changes.

Key words: Key words: indoor positioning, ZigBee, Gaussian filtering, logarithmic path loss model, Kalman filtering

中图分类号:

R392.12

李世宝, 丛玉杰. 基于RSSI参数动态修正的ZigBee室内定位算法[J]. 计算机与现代化, 2024, 0(01): 35-40.

LI Shi-bao, CONG Yu-jie. ZigBee Indoor Location Algorithm Based on Dynamic Modification of RSSI Parameters[J]. Computer and Modernization, 2024, 0(01): 35-40.

参考文献［27］

［1］	XUE H， CHEN B， WAN J W. A distributed target tracking algorithm based on asynchronous wireless sensor networks［C］// 2009 International Conference on Electronic Computer Technology. 2009:549-553.
［2］	BOANO C A， TSIFTES N， VOIGT T， et al. The impact of temperature on outdoor industrial sensornet applications［J］. IEEE Transactions on Industrial Informatics， 2010，6（3）:451-459.
［3］	XIAO L， BEHBOODI A， MATHAR R. A deep learning approach to fingerprinting indoor localization solutions［C］// 2017 27th International Telecommunication Networks and Applications Conference （ITNAC）. 2017:1-7.
［4］	AHMADI H， VIANI F， BOUALLGUE R. An accurate prediction method for moving target localization and tracking in wireless sensor networks［J］. Ad Hoc Networks， 2018，70:14-22.
［5］	CHEIKHROUHOU O， BHATTI G M， ALROOBAEA R. A hybrid DV-Hop algorithm using RSSI for localization in large-scale wireless sensor networks［J］. Sensors， 2018，18（5）:1469. DOI: 10.3390/s18051469.
［6］	XU Y M， ZHOU J， ZHANG P. RSS-based source localization when path-loss model parameters are unknown［J］. IEEE Communications Letters， 2014，18（6）:1055-1058.
［7］	冯秀芳，吕淑芳. 基于RSSI和分步粒子群算法的无线传感器网络定位算法［J］. 控制与决策， 2014， 29（11）:1966-1972.
［8］	程伟，史浩山，王庆文. 基于差分修正的传感器网络加权质心定位算法［J］. 系统仿真学报， 2012，24（2）:389-393.
［9］	韩江洪，祝满拳，马学森，等. 基于RSSI的极大似然与加权质心混合定位算法［J］. 电子测量与仪器学报， 2013，27（10）:937-943.
［10］	聂尔豪，于重重，苏维均，等. Wi-Fi实时定位算法研究［J］. 计算机应用研究， 2014，31（7）:2164-2167.
［11］	朱明辉，张会清. 基于RSSI的室内测距模型的研究［J］. 传感器与微系统， 2010（8）:19-22.
［12］	封小钰，周慧雯，许朝伍. 基于无线传感网络的改进质心加权定位算法［J］. 武汉理工大学学报（信息与管理工程版）， 2015，37（2）:131-134
［13］	唐琳，夏越. 基于定向天线的无线传感网络环境自适应定位算法［J］. 电信科学， 2012，28（7）:80-85.
［14］	谭志，张卉. 无线传感器网络RSSI定位算法的研究与改进［J］. 北京邮电大学学报， 2013，36（3）:88-91.
［15］	赵大龙，白凤山，董思宇，等. 一种基于卡尔曼和线性插值滤波的改进三角质心定位算法［J］. 传感技术学报， 2015，28（7）:1086-1090.
［16］	LUOMALA J， HAKALA I. Analysis and evaluation of adaptive RSSI-based ranging in outdoor wireless sensor networks［J］. Ad Hoc Networks， 2019，87:100-112.
［17］	LUOMALA J， HAKALA I. Effects of temperature and humidity on radio signal strength in outdoor wireless sensor networks［C］// 2015 Federated Conference on Computer Science and Information Systems （FedCSIS）. 2015:1247-1255.
［18］	GUIDARA A， FERSI G， DERBEL F， et al. Impacts of temperature and humidity variations on RSSI in indoor wireless sensor networks［J］. Procedia Computer Science， 2018，126:1072-1081.
［19］	GUIDATA A， DERBEL F. A real-time indoor localization platform based on wireless sensor networks［C］// 2015 IEEE 12th International Multi-Conference on Systems， Signals & Devices （SSD15）. 2015:1-8.
［20］	LIU H，DARABI H，BANERJEE P， et al. Survey of wireless indoor positioning techniques and systems［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part C （Applications and Reviews）， 2007，37（6）:1067-1080.
［21］	LIU W， KULIN M， KAZAZ T， et al. Wireless technology recognition based on RSSI distribution at sub-nyquist sampling rate for constrained devices［J］. Sensors， 2017，17（9）. DOI: 10.3390/s17092081.
［22］	RAO S N， BABU L K， PARTHASARATHY V. Effect of environmental parameters on long range Wi-Fi connectivity［C］// 2017 8th International Conference on Computing， Communication and Networking Technologies （ICCCNT）. 2017:1-6.
［23］	李江，王义伟，魏超，等. 卡尔曼滤波理论在电力系统中的应用综述［J］. 电力系统保护与控制， 2014（6）:135-144.
［24］	蔡博，高宏力，宋兴国，等. 基于改进增量卡尔曼滤波算法的UWB室内定位研究［J］. 机械设计与制造， 2020（2）:22-25.
［25］	安雷，张国良，汤文俊. 基于RSSI的机器人室内卡尔曼滤波定位算法研究［J］. 计算机工程与应用， 2012（8）:230-232
［26］	仲江涛，秦斌，吴健春，等. 基于Kalman滤波的Chan室内定位算法改进［J］. 通信技术， 2017（10）:2223-2228.
［27］	BIANCHI V， CIAMPOLINI P， De MUNARI I. RSSI-based indoor localization and identification for ZigBee wireless sensor networks in smart homes［J］. IEEE Transactions on Instrumentation and Measurement， 2018，68（2）: 566-575.

[1]	唐育林, 黄登山, 陈抒录, 陈朋明. 结合IHS与自适应滤波的SFIM影像融合方法[J]. 计算机与现代化, 2023, 0(09): 70-76.
[2]	李雨晴, 文勇军, 曾小为, 唐立军, 周庆华, 张志刚. 微柱凝胶血型检测卡异物智能检测系统[J]. 计算机与现代化, 2023, 0(03): 6-10.
[3]	秦嘉, 曹雪虹, 焦良葆. 基于深度学习的安全帽佩戴检测与跟踪[J]. 计算机与现代化, 2020, 0(06): 1-.
[4]	李国平,邢建春,王世强. 多传感器系统含状态约束的分布式并行卡尔曼滤波算法[J]. 计算机与现代化, 2018, 0(12): 1-.
[5]	郭皓星，闫连山，叶佳. 面向ZigBee无线传输的跳频扩频技术[J]. 计算机与现代化, 2018, 0(10): 101-.
[6]	白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, 2018, 0(09): 110-.
[7]	胡正伟1,2，刘创业1,2. 基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法[J]. 计算机与现代化, 2017, 0(7): 57-61.
[8]	肖令禄1,2. 基于ZigBee的分布式节水灌溉系统设计[J]. 计算机与现代化, 2017, 0(7): 62-67.
[9]	钟锡武，许淳煜，黄奕涛，黄震. 基于ZigBee的博物馆参观引导系统[J]. 计算机与现代化, 2017, 0(6): 76-79+102.
[10]	王流青，倪伟，王伟，钟群. 基于ZigBee无线传感网络的丙酮气体监控系统[J]. 计算机与现代化, 2017, 0(3): 106-.
[11]	胡乃平,耿同同,周艳平. 基于LEACH协议的数据融合技术[J]. 计算机与现代化, 2017, 0(10): 24-28.
[12]	李鹏飞 1,2，雷宏 1. 基于参数学习和运动预测的在线多目标跟踪算法[J]. 计算机与现代化, 2017, 0(10): 81-86.
[13]	曹亚琴 1,2，秦宁宁 1,2，杨乐 1,2，李曦 3. 基于高斯和滤波的高轨双星高超音速目标跟踪[J]. 计算机与现代化, 2017, 0(10): 87-94.
[14]	胡洪,李雪梅,秦丽圆,康德,鲁长江. 融合RSSI测距定位的室内PDR算法[J]. 计算机与现代化, 2016, 0(9): 87-90.
[15]	刘一宸. 基于色块边缘和颜色直方图的多目标跟踪算法[J]. 计算机与现代化, 2016, 0(2): 24-27.