Multi-Variable Flocking Control for Multi-Agent Systems via a Received Signal Strength Indicator

A novel flocking control approach is proposed for multi-agent systems by integrating the variables of velocities, motion directions, and positions of agents. A received signal strength indicator （RSSI） is applied as a variable to estimate the inter-distance between agents. A key parameter that contains the local information of agents is defined, and a multi-variable controller is proposed based on the parameter. For the position control of agents, the RSSI is introduced to substitute the distance as a control variable in the systems. The advantages of RSSI include that the relative distance between every two agents can be adjusted through the communication quality under different environments, and it can shun the shortage of the limit of sensors. Simulation studies demonstrate the effectiveness of the proposed control approach.

一种WiFi混合滤波的RSSI室内定位算法

针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

基于改进麻雀搜索算法优化的RSSI定位

针对传统接收信号强度指示(RSSI)测距受环境中不同因素干扰,导致定位精度不高的问题,提出基于改进麻雀搜索算法(ISSA)优化的RSSI定位算法。首先,通过混合滤波对RSSI值优化处理,剔除异常值并消除波动,RSSI测距模型将滤波后可靠的信号值换算为距离。其次,对基础麻雀搜索算法(SSA)进行改进,得到未知节点的精确坐标。实验结果表明:与另一种ISSA及粒子群优化万有引力搜索算法(PSOGSA)混合定位算法相比,该算法具有更高的定位精度。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

不依赖位置坐标的室内Wi-Fi网络覆盖度量方法

3GPP在版本16(R16,Release 16)中升级了最小化路测(MDT,minimization of drive test)技术,提出移动终端可利用4G/5G网络自主上报Wi-Fi信号的接收信号强度指示(RSSI,received signal strength indicator),为运营商度量Wi-Fi网络的覆盖率带来了可能性。然而,现有基于MDT技术的网络覆盖度量方法严重依赖GPS提供的位置坐标,但全球定位系统(GPS,global positioning system)不能提供室内精准定位,无法用于室内Wi-Fi网络的覆盖度量。为此,提出了一种不依赖位置坐标的RSSI聚类方法,充分利用室内相近位置RSSI的统计相似性,区分不同位置的RSSI测量差异,在无位置坐标条件下准确估计出室内Wi-Fi网络的覆盖率。实验结果表明,所提方法估计的覆盖率与基于真实位置坐标测量的覆盖率相近,度量准确度明显优于现有的其他方法。

基于深度学习与信息交互的5G终端群组定位方法

针对传统无线定位问题中基于接收信号强度指示(Received Signal Strength Indicator,RSSI)的测距与定位方法精度过于依赖RSSI测距精度,以至于提升定位精度成本较大的问题,提出了基于深度学习与信息交互的第5代移动通信技术(5G)终端群组定位方法,以降低其对基站与终端间RSSI测距精度的依赖。在5G终端群组条件下,基于终端间的相互测距信息,利用终端间测距误差较小的特点来弥补基站与终端间RSSI测距的误差,并结合深度神经网络,将接收到的RSSI信号作为输入特征、位置信息作为输出特征,进行模型训练并输出5G终端群组定位结果,使得最终定位精度得到有效提升。仿真试验验证了所提出方法的有效性。

基于深度神经网络的室内定位算法

提出了一种基于深度学习的接收信号强度指示(RSSI)指纹定位算法。该算法将深度神经网络引入到指纹定位的2个阶段中:离线阶段对不同遮挡情况的指纹库进行特征训练,其中指纹数据作为输入,不同遮挡情况的指纹库编号作为标签;在线阶段将实时接收到的数据送入到网络中进行指纹库匹配,然后结合改进的加权K近邻(WKNN)算法进行定位。通过对比实验结果表明:所提算法的定位精度优于其他定位算法,有着很好的定位性能。

考虑信号统计特征的神经网络室内测距方法

针对现有神经网络测距方法易陷入局部极值而降低测距精度的问题,提出一种考虑信号统计特征的神经网络蓝牙室内测距方法:提出一种反馈-卡尔曼混合滤波算法进行数据预处理;并分析接收信号的传播特性,引入信号统计特征参数作为输入信号,构建改进麻雀搜索算法优化的埃尔曼(Elman)神经网络(ISSA-Elman)测距模型。实验结果表明,该测距方法能够有效提高测距精度,平均测距误差约为15 cm。

基于无线传感器网络的狭长空间定位方法

通过实验室走廊测试实验得出,采用对称取均值的方式可以极大改进RSSI值和距离的线性关系,基于此提出了一种对称非均匀部署方式及定位方法,并进行了MATLAB仿真实验和分析。仿真实验结果表明,该方法相较传统定位方法,平均定位误差小4~6 m,定位精度较高且受环境影响小,适用于井下巷道和超长隧道等狭长空间。

基于RSSI的井下人员定位算法改进

在无线传感器网络中,针对接收信号强度指示(Received Signal Strength Indication,RSSI)在煤矿井下长距离巷道内信号衰减快、测距精度偏差大等问题,提出了一种基于RSSI的高斯滤波加权质心定位算法。采用高斯滤波对采集的RSSI值进行修正,一定程度上减轻环境造成的影响。将RSSI测距算法与改进加权质心算法相结合,得出待测节点坐标位置。仿真试验表明,该改进算法与原有定位算法相比,定位误差明显降低,可基本满足煤矿井下人员的安全生产和定位需求。

基于改进灰狼算法的共享仓储动态盘点方法

依据共享仓储货物定位精度准和盘点效率高的要求,提出了一种采用改进灰狼算法(Gray Wolf Optimization Algorithm)的货物动态盘点方法。通过射频识别技术和接收信号强度测距方法搭建了货物的三维定位模型;采用粒子群参数优化的灰狼算法对仓储货物的三维定位进行解算,实现共享仓储的自动盘点。仿真结果表明,改进的灰狼算法具有较好的定位精度和稳定的寻优性能,可以满足复杂动态环境下共享仓储货物盘点要求。

基于接收信号强度指示的AP簇测距方法

对移动目标的高精度测距是室内定位的关键。室内环境中无线接入点(Access Point, AP)采集的移动目标设备的接收信号强度指示(Received Signal Strength Indication, RSSI)受阴影衰落波动严重。受到RSSI采集频率和目标机动能力的限制,AP采集到的RSSI样本量少,导致基于RSSI测距精度差。为提高基于RSSI对移动目标测距的精度,本文提出了基于RSSI的AP簇测距(AP Cluster Ranging, APCR)方法。该方法通过对多个AP进行位置约束组成AP簇采集移动目标设备的RSSI,在相同采集频率下可获得更多的RSSI样本。利用RSSI波动特点,使用最大值选取和Dixon检验相结合的方式从AP簇采集的RSSI样本中筛选出高质量的RSSI样本,以提高对移动目标的测距精度。仿真和实验结果表明,与传统RSSI处理方法相比,本方法在室内环境简单或复杂时都具有更高的测距精度,在少量RSSI采集次数下同样能保持较高精度,更能满足对移动目标测距的需求。

基于BLE Mesh的资产定位系统设计

针对当前资产定位系统定位精度、建设成本和部署灵活性难以有效平衡的问题,基于BLE Mesh采用多维标度分析(MultiDimensional Scaling-Map,MDS-MAP)定位算法设计了一种资产定位系统。系统首先对原始接收信号强度(Received Signal Strength Indicator,RSSI)进行高斯-卡尔曼融合滤波,提高了RSSI值的准确性;然后利用生存时间(Time To Live,TTL)对中继节点进行约束,提高了数据传输的有效性;最后利用半径弥补法与Bellman-Ford融合迭代方案对生成的距离矩阵进行修正,减小了测距误差。实验结果表明,所设计的系统可有效完成蓝牙标签信息更新以及位置展示,平均定位精度达到了0.94 m。本系统具有成本低、工程实施方便的优点,有一定的应用价值和发展前景。

一种调频广播信号辅助PDR的室内定位技术

针对室内定位系统中现有的行人航位推算(pedestrian dead reckoning,PDR)方法存在加速度计适用性较差,以及基于惯性和磁传感器的航向估计易受器件误差和磁场环境的影响,导致精度较低的问题,在不增加基础设施成本和现场勘察工作的前提下,提出一种调频(frequencymodulation,FM)广播信号辅助PDR的室内行人定位技术:在传播模型理论基础上探究FM信号接收信号强度指数(RSSI)与步长的关系,将其与加速度组合以提升步长估计的适用性;然后通过分析FM信号在直线/转弯运动模式下的变化,将其与角速度组合以提升模式识别准确率,并使用模式识别结果约束航向漂移误差;最后,综合步长与航向估计结果实现定位。实验结果表明,引入FM信号后定位误差均值可分别减小36.1%、78.9%。

基于改进海鸥优化算法的可见光室内定位研究

为提高室内定位精度,提出了一种基于黄金正弦与Sigmoid连续化海鸥优化算法(GSCSOA)的接收信号强度(Received Signal Strength Indication,RSSI)可见光室内定位技术。传统的海鸥优化算法(SOA)收敛速度慢、寻优精度低,在海鸥搜寻过程中引入Sigmoid函数使算法在后期快速收敛,在海鸥扑食过程中加入黄金正弦机制能提高算法的寻优能力。在6 m×6 m×3 m的房间顶板上按3×3的网格状布设9盏LED灯,经过实验表明:利用传统的RSSI定位估计算法得到的定位精度为1.28 m,改进的海鸥优化算法结合RSSI的定位算法得到的定位精度为7.17 cm。显然,改进后的室内定位算法精度更高,可应用于大部分的室内定位场所。

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.00991,优于其他的传统定位方法。

基于RSSI序列特性的RFID多标签相对定位方法

室内多目标的高精度定位技术是实现定制化智能服务的关键。当前,基于射频识别技术(Radio Frequency Identification,RFID)的室内定位技术因其成本低、易于部署和多目标感知等优势,受到了学术界和产业界的广泛关注。然而,传统的基于RFID的多目标相对定位系统需要使用多组接收天线进行数据收发,这导致系统的部署成本高昂,同时接收信号强度指示(Received Signal Strength Indication,RSSI)序列还会出现数据中断的问题。为解决这些问题,提出了一种基于RSSI序列特性的RFID多标签相对定位方法。该方法首先采用匀速移动天线的方式来获取多目标标签的接收RSSI信号序列;然后,对接收RSSI数据进行预处理来填充缺失数据,并构建基于余弦相似度的序列相似度量表;最后,从多个组维度设计不同的标签分组算法,以实现RFID多标签的相对定位。通过对典型室内多组RFID标签阵列进行大量相对定位测试,实验结果表明,所提方法的RFID标签相对定位平均准确率超过92%,对5*5的天线阵列平均定位计算时长小于1 s,相比其他工作计算效率提高了近10倍。

基于ZigBee混合滤波RSSI的室内定位算法

针对复杂的室内环境,基于ZigBee的接收信号强度指示(RSSI)室内定位技术以功耗低、成本低等优势脱颖而出。但RSSI信号强度容易受环境、障碍物、人员走动的干扰而产生波动,影响定位精度。针对以上问题,结合现有滤波算法的优点,提出一种基于卡尔曼滤波、高斯滤波、限幅滤波、加权平均值滤波相融合的新型混合滤波算法——KGWAL。以KGWAL滤波后的RSSI采样值为基础,根据最小二乘法估计路径损耗模型。最后用加权质心三边定位得到实际位置。实验结果表明:KGWAL滤波能很大程度提高RSSI采样值精度,优化后的室内路径损耗模型能够精确反应RSSI与距离的关系,定位精度在0.315 m左右,定位精度得到明显提升。

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网(wireless fidelity,WIFI)室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络(2D-convolutional neural network,2D-CNN)的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点(access point,AP)的接受信号强度(received signal strength indicator,RSSI)值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。

基于无线传感器网络与无迹卡尔曼滤波的室内定位系统设计

基于接收信号强度指示(Received Signal Strength Indicator,RSSI)的测距方法和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)实现了一种无线传感器网络室内定位系统。系统主要由协调器节点、锚节点和盲节点组成,首先由盲节点发送RSSI信标信号至锚节点处,锚节点接收信标信号后做均值处理,并将自身位置信息一起打包回发给盲节点;然后盲节点将定位信息的相关数据通过协调器无线发送至上位机;最后在上位机中完成对盲节点的定位计算。为进一步提高定位精度,首先应用三边定位方法获得盲节点的初步定位结果,然后采用无迹卡尔曼滤波实现了二次精确定位。使用C#语言开发上位机软件,在20 m×20 m的定位范围内,对10个随机位置处的盲节点进行了定位测试,其中最大定位误差为1.52 m,最小误差为0.50 m,平均定位误差为1.04 m。结果表明所提出的定位算法性能良好,系统定位方案切实有效。