基于RSS指纹的低代价高鲁棒被动式目标定位及轨迹测绘研究

【摘要】：基于无线信号的定位技术以其基础设施相对简单和普适,覆盖范围广,价格相对低廉等优势,成为近年学术界和工业界广泛关注的热点。其中,无需待定位目标携带任何设备并主动参与定位过程的被动式目标定位技术,在如入侵监测、智能家居、智慧医疗等应用中具有重要的前景,而成为最新的研究热点。在众多无线信号被动式目标定位技术中,基于RSS指纹的被动式定位技术由于其较高的精度和简单的系统实现,已经成为技术主流。具体地,通过在离线阶段收集目标对无线通信链路接收信号强度(received signal strength,RSS)造成的扰动建立指纹库,将在线阶段测量的实时RSS与指纹库进行匹配,就可以实现对目标位置的估计。尽管基于RSS指纹的被动式目标定位技术在国内外取得了重要的进展,但是在实际应用中,现有方法还存在如下四个主要的问题。第一,在环境渐变情况下,指纹库中的RSS值会发生改变引起指纹库失效,现有方法需要重新手动收集定位区域的RSS值对指纹库进行更新,导致高人力代价,制约了系统的实际应用。第二,在环境突变条件下,传统方法由于受环境噪声影响使得在线阶段测得RSS值波动增大,导致定位精度下降,限制了系统在真实环境中的可用性。第三,在定位空间区域发生改变时,由于不同大小区域指纹库不同,传统方法需要针对不同区域重新手动构建指纹库,导致巨大的人力开销,制约了系统的应用范围。第四,现有被动式目标轨迹测绘方法都是基于多次定位进行位置拼接,导致计算开销大和能耗高的问题,使得其无法得到真实应用。因此,探索在真实应用中具有低代价高鲁棒的被动式目标定位和轨迹测绘方法非常迫切。本文从基于RSS指纹的被动式目标定位出发,分析在环境渐变、突变,以及在空间区域发生改变的情况下进行定位,和在进行轨迹测绘时,以低代价、高鲁棒性、低能耗为目标,提出了三种在真实场景下的被动式目标定位方法和一种被动式目标跟踪轨迹测绘方法。本文的主要创新研究如下:(i)针对现有基于RSS指纹的被动式目标定位技术在环境渐变条件下需要手动更新整个指纹库带来高人力代价的问题,本文提出一种基于矩阵填充的低代价被动式目标定位方法iUpdater。具体地,根据指纹库矩阵的冗余稀疏性,并结合指纹库矩阵的特有性质,将指纹库更新问题建模为基于正则奇异值分解的矩阵填充问题。通过收集少量参考位置处的RSS指纹实现整个指纹库矩阵的更新,大大降低了人力代价;利用非线性优化匹配模型进行定位,实现精确估计目标位置。大量真实实验表明,iUpdater相比于现有方法,能够在保证定位精度的前提下降低指纹库更新的人力代价,因此更适用于真实应用。(ii)针对传统基于RSS指纹的被动式目标定位技术在环境突变条件下RSS值波动增大导致定位精度下降的问题,本文提出一种基于信号分解的高鲁棒被动式目标定位方法RosenLoc。具体地,将测量RSS值分解为由目标引起的扰动分量和由环境引起的噪声分量,利用基于有限状态马尔科夫链的线性迁移模型提取RSS值中的扰动分量。扰动分量对环境噪声鲁棒性高,因此利用扰动分量构建指纹库,提高定位系统的鲁棒性;利用动态时间规整算法匹配扰动分量与指纹库,实现高精度定位。大量真实实验表明,RosenLoc相比于传统方法,能够在保证定位精度的前提下有效降低环境噪声的影响,因此具有真实可用性。(iii)针对现有基于RSS指纹的被动式目标定位技术在空间区域改变时手动重建指纹库带来高人力开销的问题,本文提出一种基于空间迁移学习的低代价被动式目标定位方法FitLoc。具体地,根据不同大小区域部署链路长度不同对应RSS分布不同的特性,将指纹库随区域大小改变的重建问题建模为RSS分布的迁移学习问题。通过利用基于Fisher线性判别分析的优化迁移模型,将原区域指纹库进行迁移使不同大小区域共用迁移后的指纹库,降低人力代价;对迁移后多目标定位模型有效性进行分析并提出定位误差的上界。大量真实实验表明,FitLoc相比于现有方法,能够在保证定位精度的前提下降低指纹库重建的人力代价,因此更适用于真实应用。(iv)针对传统被动式轨迹测绘方法需要多次定位后进行位置拼接导致计算开销大能耗高的问题,本文提出一种基于压缩感知的低能耗被动式目标跟踪轨迹测绘方法CSTD。具体地,根据目标位置在时间上的独立性和空间上的统一性,及轨迹上位置个数相比于所有位置个数的稀疏性,将轨迹测绘建模为基于压缩感知的稀疏恢复问题。通过利用压缩感知理论,在不降低测绘精度的前提下,减少数据量并降低能耗;提出自适应匹配追踪算法,在轨迹位置个数未知的前提下,对轨迹进行精确恢复。大量真实实验表明,CSTD相比于现有方法,能够在保证高精度的前提下有效降低能耗,因此更具有真实可用性。