室内定位学习笔记 1

• Robust Indoor Positioning Provided by Real-Time RSSI Values in Unmodified WLAN Networks

• 摘要

  基于接收信号强度（RSS, recieved signal strength）的定位，准确率依赖于：信号传播模型的准确性. 然而，在室内环境中，很难获得精确的信号传播模型. 于是，自然而然的想法就是能否在测量过程中利用RSS测量数据实时估计传播模型，然后基于这个模型估计距离，进而估计移动点（MS, mobile station）的位置. 这种方式基于：最大化MS和接入点（AP）距离估计的兼容性.

  一旦信号传播模型能够实时确定，MS和AP的距离估计准确度就会提高，接着就可以实行三角定位。

• 引言

  目前几种室内定位方法：

  • TOA，基于到达时间的定位方法
  • TDOA，基于到达时间差的定位方法
  • RSS，基于接收信号强度的定位方法
  • AOA，基于到达角度的定位方法，两个AP就可以实现

  基于时间或者角度的测量比较复杂，在通常的无线网络中难以直接测得。RSS信息是在802.11标准中的，容易测得。

  基于RSS的方法难以获得准确的距离信息，因为精确的信号传播模型难以测得。目前，主流的做法是：离线采集大量的参考点数据，训练模型，利用得到的模型进行在线定位。这种定位方法的缺陷：

  • 定位准确性依赖于离线采样点和测量数据的数量
  • 工作量大
  • 不同时间段准确性不同
  • 环境改变，重新标定

  本文方法的优点：

  • 不需要提前标定、地图信息、改变无线网络
  • 动态估计信号传播模型参数

• 802.11网络中的RSSI

  假设网络中有M个AP，在时间 $t_{1},t_{2},\cdots ,t_N$ 能够同时测量到MS到所有AP的RSS，用 $P_{R_i}(t_j)$ 表示。
  在802.11中，RSSI值是一个包含采样时间内RSS均值的字节，与适配器和生产商都有关系。RSSI是对数单位的，得到转化表后就可以得到RSS值，单位是dBm。

• 接收信号强度和距离的关系

  在信息邻域中，RSS值，可以建模成如下表达式：
  

  $$P_R = \frac{G_t\cdot G_r}{4\pi}\cdot P_t\cdot \frac{g^2\cdot \gamma}{d^n}$$
  其中，d表示接收器和发射器之间的距离，n是路径衰减指数。
  两边取对数，可以得到常用的RSSI值表达式：
  $$P_R = \alpha - 10\cdot n \cdot log_{10}(d) + X$$
  \alpha 是一个与设备等相关的一个常数，可以测量得到；X是零均值高斯噪声。
  关于X的解释：如果测量时间比较短，也就是t_N - t_1比较小，那么我们可以认为黄精变化不大，所以下式成立：
  $$P_{R_i}(t_j) - [\alpha - 10n_i log_{10}d_i(t_j)] \sim N(0,\sigma_i),j=1,2,\cdots N$$

• 最大似然距离估计器和Cramer-Rao界

• 情形1：只有一个RSSI值

  由上面的分析。我们可以得到
  

  $$P_{R_i}(t_j)\sim N(\alpha - 10n_i log_{10}d_i(t_j),\sigma_i(t_j))$$
  由高斯分布，得到条件概率密度函数
  $$f_d(P_{R_i})\propto \frac{1}{\sigma_i(t_j)}exp[-\frac{(P_{R_i}-(\alpha - 10n_i log_{10}d_i(t_j)))^2}{2[\sigma_i(t_j)]^2}]$$
  于是，得到最大似然估计器
  $$\hat{d} = arg~ max~ f_d(P_{R_i})$$
  对概率密度函数求导，并令其等于零，得到
  $$\hat{d} = 10^{(\alpha-P_{R_i}(t_j))/10n_i}$$
  由Fisher Information得到Cramer-Rao下界：
  $$\sqrt{Var(\hat{d})}\geq \frac{\sigma_i(t_j) \cdot d}{10n_ilog_{10}(d)}$$

• 情形1：多个RSSI值