CN106332277A - 一种基于信道状态信息分布的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于信道状态信息分布的室内定位方法(D‑CSI)，包括训练阶段和定位阶段；训练阶段利用各个参考点位置的指纹信息建立指纹数据库；定位阶段首先计算待定位用户所在位置的指纹信息，然后利用KL距离来计算待定位用户所在位置的指纹信息和指纹数据库中各个参考点位置的指纹信息之间的距离值，再利用K最近邻算法得出待定位用户所在位置的位置。本发明充分利用了不同子频带间的频率多样性和不同天线间的多样性，能够增强位置特征指纹的时间稳定性和空间差异性，从而提高定位精度。

Description

一种基于信道状态信息分布的室内定位方法

技术领域

本发明涉及一种基于信道状态信息分布的室内定位方法。

背景技术

近年来，室内定位引起了越来越多研究人员的关注，提出了各种技术方案，其中包括Wi-Fi、蓝牙、射频识别、FM信号、声音信号、磁场、超宽带以及光线等。在这些信号中，即便基于Wi-Fi信号的定位方法在定位精度上不如基于专有设备的定位方法(比如：ActiveBAT，Cricket等)，但其由于无线基础设备的大量部署以及移动设备普及，依旧得到了持续广泛的研究。

近年来基于无线局域网(WLAN)的室内定位方法受到越来越多的关注。基于WLAN的定位方法所采用的物理测量值包括RSSI(Received Signal Strength Indicator,接收信号强度指示)和CSI(信道状态信息)两种信号。在已有的工作中，由于RSSI获取方式简单并且具有很好的普适性，其被广泛用作无线信号的物理测量值。但是RSSI已经被研究人员证实它并不是一个稳定的值，由于多径效应，RSSI是信号经发射机发射后在空间中经由直射、发射、散射等多条路径传播，在信号接收机处形成多径叠加后的平均值，具有时变性。这样就有可能出现距离发射机较近位置的RSSI小于距离发射机较远的位置，也就是RSSI会因信号多径传播引起的小尺度阴影衰落而不再随传播距离增加单调递减，从而限制测距精度，定位准确度将受到较大的不利影响。由于室内环境中的多径效应，RSSI只能粗略的刻画不同位置间的区别，从而限制了定位精度。

为了实现更准确的定位效果，需要提取出具有时间稳定性以及能够消除多径影响的信息作为无线信号的物理测量值。在目前广泛使用的IEEE 802.11网络中，数据的传送和接收采用正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)。要传送的数据被调制到多个不同频率的子频带上后被同时发射出去，在经过衰落、散射及反射等信道影响后到达接收机，在此过程中，使用Intel 5300NIC无线网卡可以获得一个反映信道质量的信息，即是信道状态信息(Channel State Information,CSI)。不同于RSSI，CSI是从物理层提取出的更细粒度的值，包含了诸多介质访问控制(Medium Access Control,MAC)层不可见的信道信息。CSI可从一个数据包中同时测量多个子频带的频率响应，而非全部子频带叠加的总体幅度响应，从而更加精细地刻画频率选择性信道。它描述的是信号在每条传输路径上的衰弱特性，记录了每对发射天线和接收天线之间各个子频带的增益和相位信息。所以，CSI在一定程度上可以刻画多径传播，从而提供更稳定和更细粒度的位置特征。

从2011年后，研究人员利用CSI信息提出了许多基于模型和指纹的定位方法。SpinLoc首先提取用户相对于接入点的直接路径信号的信息，通过用户的旋转来估计出自身相对于接入点的方向，然后利用三角定位方法得出用户位置。实验结果表明，此方法定位精度为5米左右。Wu等人提出了基于CSI信息的室内传播模型，当用户在某位置获得CSI后，通过此模型可以算出其到相应接入点的距离值，在获得到多个接入点的距离值后，通过三边定位法估计出用户位置。相比较于基于RSSI的传播模型，此方法增强了距离估计的准确性。CUPID利用CSI估计出移动设备与AP(Access Point)直接路径的信号强度和方向，达到平均定位误差2.7米的定位效果。Mariakakis等人提出只利用一个AP估计用户位置的SAIL***，通过估计用户和AP之间的传输延迟来计算二者之间的距离，利用移动设备的传感器信息来计算用户的移动距离，最后通过几何关系得出用户的最终位置。实验结果表明，SAIL在仅有一个AP的情况下达到2.3米的平均定位误差。SpotFi在AP只有三根天线的情况，将CSI通过高分辨率的算法进行处理得到各个多径分量的到达角度，进而判断出用户与接入点天线间的直接路径的到达角度，最后通过结合RSSI和几何关系求得用户的位置。通过实验结果显示此方法可以达到40厘米的平均定位精度。以上这些均为基于模型的方法，而基于模型的定位方法需要知道AP的精确位置，但是由于隐私安全方面的考虑，有些情况下无法获取AP的位置。相反，基于指纹的定位方法既不需要距离测量值也不需要角度测量值，因此更具有可用性。

与上述利用CSI构建模型不同，Wu等人利用CSI设计位置特征指纹，提出了基于指纹的室内定位***FIFS。指纹设计时将各个子频带的CSI振幅累加以利用频率多样性，对所有天线的CSI取平均以利用空间多样性，但是这种仅仅利用累加和取平均值得出的特征指纹是一个粗粒度的值并且可能不能对不同位置进行正确的刻画。Sen等人提出利用每个子频带的频率响应作为位置特征指纹，在定位阶段采用机器学习算法来得出目标位置。这种方法只利用了CSI的频率多样性，却没有考虑CSI的空间多样性。Wang等人提出了一种基于深度学习的指纹定位***DeepFi。虽然这些***达到了较高的定位精度，但是机器学习以及深度学习都需要大量的计算和更多的指纹采样。

因此，有必要设计一种能够增强位置特征指纹的时间稳定性和空间差异性的利用信道状态信息分布的室内定位方法。

发明内容

本发明所解决的技术问题是，针对现有技术不足，提出一种基于信道状态信息分布的室内定位方法(D-CSI)，能够增强位置特征指纹的时间稳定性和空间差异性，从而提高定位精度。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于信道状态信息分布的室内定位方法，基于N个AP、一个移动设备和定位服务器构成的定位***；其中N为定位区域内能收到的AP的个数，每个AP配置有一根天线，移动设备配置有无线网卡，无线网卡具有M根天线；N个AP的N根天线与移动设备无线网卡的M根天线构成N×M个收发天线对；

所述室内定位方法包括训练阶段和定位阶段；

所述训练阶段，收集各个参考点位置处，N×M个收发天线对之间的CSI振幅分布，得到各个参考点位置的指纹信息；利用所有参考点的位置以及对应的指纹信息构建指纹数据库；

所述定位阶段，收集在待定位用户所在位置处，N×M个收发天线对之间的CSI振幅分布，得到待定位用户所在位置的指纹信息；

定位服务器计算待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息的相似性，并通过匹配算法求出待定位用户所在位置。

所述训练阶段具体包括以下步骤：

由AP和移动设备之间共有N×M对收发天线，每一对收发天线可以获得30个子载波的CSI，所以对于每个数据包，可以获得N×M×30个CSI，为了简单起见，在步骤1)～5)只考虑一对收发天线间的CSI，在步骤6)再整合所有天线对的信息。

1)收集某一参考点位置处，移动设备无线网卡第m根天线接收到的第n个接入点的天线发送的S个数据包中的信道状态信息，记为H_a＝{H_s}，其中H_s＝[H_s,1,H_s,2,H_s,i,…,H_s,30]^T，表示第s个数据包中的信道状态信息；H_s,i(s＝1,2,…,S；i＝1,2,…,30)表示第i个子频带的CSI，即信道状态信息，CSI是一个复数，包括幅度和相位；对于中心频率为f_c的子频带，它的信道状态信息H(f_c)是一个复数，代表一个OFDM子频带的幅度和相位，表示为

2)计算H_a的振幅H_amp：

$H_{amp}=\left|H_a\right|=\left[\begin{array}{cccc}\left|H_{1,1}\right|& \left|H_{2,1}\right|& \mathrm{...}& \left|H_{S,1}\right|\\ \left|H_{1,2}\right|& \left|H_{2,2}\right|& \mathrm{...}& \left|H_{S,2}\right|\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ \left|H_{1,30}\right|& \left|H_{2,30}\right|& \mathrm{...}& \left|H_{S,30}\right|\end{array}\right];$

3)针对H_amp每一行都找出一对最大值和最小值，即找出每个子频带CSI振幅的最大值和最小值；并对最大值和最小值分别进行向上取值和向下取整，得到H_max,i和H_min,i；由于CSI振幅的值可能不是整数，对找出的最大值和最小值采取取整的操作，H_max,i为比第i个子频带CSI振幅的最大值大的第一个整数，H_min,i为比第i个子频带振幅的最小值小的第一个整数；得到30个子频带的CSI振幅范围为：

$\[H_{amp\_\min },H_{amp\_\max }\]=\left[\begin{array}{cc}{H}_{\min ,1}& H_{\max ,1}\\ H_{\min ,2}& H_{\max ,2}\\ .& .\\ .& .\\ .& .\\ H_{\min ,30}& H_{\max ,30}\end{array}\right];$

4)对各个子频带的CSI振幅进行区间划分；将所有子频带CSI振幅的区间划分结果记为R＝{r_ij}，r_ij表示第i(i＝1,2,…,30)个子频带的第j(j＝1,2,…,m_i)个区间，取值为：

r_ij＝(H_min,i+(j-1)·Δ,H_min,i+j·Δ)

其中，Δ表示区间长度；m_i表示第i个子频带的区间个数；由于各个子频带CSI振幅的最大值和最小值不一定相同，所以针对各个子频带CSI振幅进行区间划分得到的区间个数也不相同；

5)根据步骤2)、3)和4)，获得移动设备无线网卡第m根天线与第n个接入点之间的CSI振幅分布hp_n,m＝hp，如下所示：

$hp=\left[\begin{array}{cccc}{p}_{1,1}& p_{1,2}& \mathrm{...}& p_{1,m_1}\\ p_{2,1}& p_{2,2}& \mathrm{...}& p_{2,m_2}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ p_{30,1}& p_{30,2}& \mathrm{...}& p_{30,m_{30}}\end{array}\right]$

其中，hp的每一行表示一个子频带的CSI振幅分布，其中p_i,j表示第i个子频带中CSI振幅值落入第j个区间的数据包个数占数据包总个数S的比例；hp每一行和其余行之间均是相互独立的CSI振幅分布；

6)根据步骤1)～5)，计算移动设备无线网卡每一根天线与每一个接入点之间的CSI振幅分布，从而得到该参考点位置的指纹信息Hp，如下所示：

$Hp=\left[\begin{array}{cccc}{\mathrm{hp}}_{1,1}& {\mathrm{hp}}_{1,2}& \mathrm{...}& {\mathrm{hp}}_{1,M}\\ {\mathrm{hp}}_{2,1}& {\mathrm{hp}}_{2,2}& \mathrm{...}& {\mathrm{hp}}_{2,M}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ {\mathrm{hp}}_{N,1}& {\mathrm{hp}}_{N,2}& \mathrm{...}& {\mathrm{hp}}_{N,M}\end{array}\right]$

其中，N，M分别表示接入点的个数和移动设备无线网卡上天线的根数。

7)重复步骤1)～6)，得到不同参考点位置的指纹信息；利用所有参考点的位置以及对应的指纹信息构建指纹数据库；

所述定位阶段包括以下步骤：

在待定位用户所在位置处，待定位用户携带的移动设备收集信道状态信息，并发送到定位服务器；定位服务器根据上述步骤2)～6)，计算得到待定位用户所在位置的指纹信息；

定位服务器计算待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息的相似性，并通过匹配算法求出待定位用户所在位置。

所述定位阶段，计算得到待定位用户所在位置的指纹信息后，通过以下步骤，得到待定位用户所在位置：

ⅰ)定位服务器基于待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息之间的对称KL距离(Kullback-Leibler Divergence)计算它们之间的相似性：

设待定位用户所在位置(x,y)处的指纹信息为Hp_t＝Hp|{x,y}，指纹数据库中第l个参考点位置(x_l,y_l)的指纹信息为Hp_l＝Hp|{x_l,y_l}，则它们之间的对称KL距离为：

$D({\mathrm{Hp}}_t,{\mathrm{Hp}}_l)=\underset{n=1}{\overset{N}{\Σ}}\underset{m=1}{\overset{M}{\Σ}}D\left({\mathrm{Hp}}_{n,m}\right|\{x,y\},{\mathrm{Hp}}_{n,m}\left|\right\{x_l,y_l\left\}\right)$

其中，

p_i(Hp_n,m|{x_l,y_l}表示第l个参考点位置(x_l,y_l)的指纹信息中子矩阵Hp_n,m中第i行元素集合，也就是在(x_l,y_l)处，Hp_n,m第i个子频带的CSI振幅分布；p_i(Hp_n,m|{x,y})表示待定位用户所在位置(x,y)的指纹信息中子矩阵Hp_n,m中第i行元素集合，也就是在(x,y)处，Hp_n,m第i个子频带的CSI振幅分布；

$\begin{array}{c}D\left(p_i\right({\mathrm{Hp}}_{n,m}\left|\right\{x,y\}),p_i({\mathrm{Hp}}_{n,m}\left|\right\{x_l,y_l\}\left)\right)\\ =\underset{j=1}{\overset{m_i}{\Σ}}{p}_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x,y\})\log \left(\frac{p_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x,y\})}{p_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x_l,y_l\})}\right)+\underset{j=1}{\overset{m_i}{\Σ}}{p}_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x_l,y_l\})\log \left(\frac{p_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x_l,y_l\})}{p_{i,j}\left({\mathrm{Hp}}_{n,m}\right|\{x,y\})}\right)\end{array}$

其中，p_i,j(Hp_n,m|{x_l,y_l}表示p_i(Hp_n,m|{x_l,y_l}第j列的元素，p_i,j(Hp_n,m|{x,y})表示p_i(Hp_n,m|{x,y})第j个元素，由步骤5)可得；若某元素为零，为了避免对数求值时有零值，对每个为零的元素加上一个非常小的常数ε，10^-6≤ε≤10^-2(比如取10^-6)；

给定一个随机变量X，对于两个概率分布A(X)和B(X)，他们之间的KL距离可以表示为：

$KL(A,B)=\underset{x\∈X}{\Σ}A\left(x\right)log\left(\frac{A\left(x\right)}{B\left(x\right)}\right).$

KL距离不是一个对称的测量值，也就是说A(X)到B(X)的KL距离与B(X)到A(X)距离不同。本发明定义了一个对称的KL距离来表示两个概率分布的KL距离，如下所示：

D(A,B)＝KL(A,B)+KL(B,A)

本发明利用此值来测量分布之间差异性的大小。

通过上述计算，得到待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息之间的对称KL距离；

ⅱ)利用KNN算法求出移动用户的位置坐标；找出与待定位用户所在位置的指纹信息的KL距离值最小的k个参考点位置；也就是，

$\arg \underset{\left\{k\right\}}{min}\[D({\mathrm{Hp}}_t,{\mathrm{Hp}}_1),D({\mathrm{Hp}}_t,{\mathrm{Hp}}_2),...,D({\mathrm{Hp}}_t,{\mathrm{Hp}}_L)\]$

其中L为参考点位置的个数；

ⅲ)对上述k个参考点位置的坐标取平均，得到待定位用户所在位置。

优选k＝3。

所述移动设备配置有Intel 5300无线网卡，Intel 5300无线网卡具有三根天线。

有益效果

与现有技术相比，本发明所具有的有益效果为：本发明采用所有子频带以及所有天线对的CSI振幅分布作为位置指纹特征的定位方法D-CSI，相较于FIFS，本发明充分利用了不同子频带间的频率多样性和不同天线间的多样性，提出的指纹特征包含更丰富的CSI信息，可以更加稳定的区分不同位置间的差异，从而提高定位精度。在两个典型室内环境中的实验结果表明，相比较于已有的基于CSI的指纹定位方法，本发明所提出的方法定位精度分别提高了22％和29％。

附图说明

图1 60个数据包的CSI振幅曲线；图1(a)、图1(b)和图1(c)分别为位置1(1.8，3)、位置2(3，3)和位置3(7.8，3)处接收的 60个数据包的CSI振幅曲线；

图2两个位置对之间振幅分布距离的曲线；

图3方法流程；

图4位置1处不同子频带的CSI振幅分布；图4(a)和图4(b)分别为位置1处子频带1和10的CSI振幅分布；

图5位置2处不同子频带的CSI振幅分布；图5(a)和图6(b)分别为位置1处子频带1和10的CSI振幅分布；

图6实验场景；图6(a)和图6(b)分别为实验室和会议室；

图7各实验场景下的不同定位方法的定位误差对比；

图8两种实验场景中，FIFS和D-CSI在不同AP个数下的平均定位误差；图8(a)和图8(b)分别为会议室和实验室场景中，FIFS和D-CSI在不同AP个数下的平均定位误差

图9会议室场景下，不同AP个数下两种方法的定位误差累积分布函数；图9(a)、图9(b)、图9(c)和图9(d)分别为1、2、3和4个AP时两种方法定位误差的累积分布函数；

图10实验室场景下，不同AP个数下两种方法的定位误差累积分布函数；图10(a)、图10(b)、图10(c)和图10(d)分别为1、2、3和4个AP时两种方法定位误差的累积分布函数；

图11两种实验场景中，FIFS和D-CSI不同天线对个数的平均定位误差；图11(a)和图11(b)分别为会议室和实验室场景中，FIFS和D-CSI不同天线对个数的平均定位误差；

图12会议室场景中，不同收发天线对个数下的定位误差累积分布函数；图12(a)、图12(b)和图12(c)分别为收发天线对个数为1、2和3下的定位误差累积分布函数；

图13实验室场景中，不同天线对个数下的定位误差累积分布函数；图13(a)、图13(b)和图13(c)分别为收发天线对个数为1、2和3下的定位误差累积分布函数；

图14两种实验场景中，D-CSI在不同区间长度下的平均定位误差；图14(a)和图14(b)分别为实验室和会议室场景中，D-CSI在不同区间长度下的平均定位误差；

图15两种实验场景中，D-CSI定位误差的累积分布函数；图15(a)和图15(b)分别为实验室和会议室场景中，D-CSI定位误差的累积分布函数；

具体实施方式：

本发明***结构如图3所示，包括训练阶段和定位阶段两部分。在训练阶段，使用配有Intel 5300网卡的移动设备在所有参考点位置收集CSI值，然后对每对收发天线获得的CSI进行处理得到CSI的振幅信息。不同于FIFS，本发明将每对天线获得的CSI振幅进行处理得到每个子频带的振幅分布，作为相应参考点的特征指纹，所有参考点的位置以及对应的指纹信息共同构建成指纹数据库。

在定位阶段，待定位用户手持移动设备首先收集CSI，然后CSI被发送到定位服务器进行与训练阶段同样的处理，获得位置指纹信息。之后，使用对称KL距离分别计算此位置的CSI分布与每个指纹数据库中参考点CSI分布的相似性，最后通过匹配算法求出待定位用户的位置。

一般来说，有许多匹配算法用于基于指纹的定位***中，其中确定性方法包括最近邻算法(Nearest Neighbor,NN)以及其改进算法KNN和加权KNN。最大似然估计、核估计、神经网络、支持向量机以及极限学习机也都被用来求待定位用户的位置。本发明使用KNN来计算移动用户的位置，实验结果表明这种较为简单的算法能够取得令人满意的结果。本发明没有选择其它匹配算法主要有以下两个方面的考虑，一是其它方法需要较大的计算量，二是它们需要更多的采样个数。

首先说明本***的构成及如何采集CSI，本***包括一些AP和一个移动设备。每个AP配有一根天线，移动设备配有Intel 5300无线网卡，共有三根天线，所以在AP和移动设备之间共有三对收发天线对，也即是三个数据流。每个数据流都可以获得30个子频带的CSI，所以对于每个数据包可以获得3*30＝90个CSI。为了简单起见，先只考虑一对收发天线间的CSI信息，因为每对收发天线获得CSI振幅分布的过程是相同的，最后再整合所有天线对的信息。在每个参考点，共收集S个数据包的CSI，那么共有S*30个CSI，下面以此收集到的原始数据讲述如何生成特征指纹。

1)收集某一参考点位置处，移动设备无线网卡第m根天线接收到的第n个接入点的天线发送的S个数据包中的信道状态信息，记为H_a＝{H_s}，其中H_s＝[H_s,1,H_s,2,H_s,i,…,H_s,30]^T，表示第s个数据包中的信道状态信息；H_s,i(s＝1,2,…,S；i＝1,2,…,30)表示第i个子频带的CSI，即信道状态信息，CSI是一个复数，包括幅度和相位；

2)计算H_a的振幅H_amp：

$H_{amp}=\left|H_a\right|=\left[\begin{array}{cccc}\left|H_{1,1}\right|& \left|H_{2,1}\right|& \mathrm{...}& \left|H_{S,1}\right|\\ \left|H_{1,2}\right|& \left|H_{2,2}\right|& \mathrm{...}& \left|H_{S,2}\right|\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ \left|H_{1,30}\right|& \left|H_{2,30}\right|& \mathrm{...}& \left|H_{S,30}\right|\end{array}\right];$

3)针对H_amp每一行都找出一对最大值和最小值，即找出每个子频带CSI振幅的最大值和最小值；并对最大值和最小值分别进行向上取值和向下取整，得到H_max,i和H_min,i；得到30个子频带的CSI振幅范围为：

$\[H_{amp\_\min },H_{amp\_\max }\]=\left[\begin{array}{cc}{H}_{\min ,1}& H_{\max ,1}\\ H_{\min ,2}& H_{\max ,2}\\ .& .\\ .& .\\ .& .\\ H_{\min ,30}& H_{\max ,30}\end{array}\right];$

4)对各个子频带的CSI振幅进行区间划分；将所有子频带CSI振幅的区间划分结果记为R＝{r_ij}，r_ij表示第i(i＝1,2,…,30)个子频带的第j(j＝1,2,…,m_i)个区间，取值为：

r_ij＝(H_min,i+(j-1)·Δ,H_min,i+j·Δ)

其中，Δ表示区间长度；m_i表示第i个子频带的区间个数；

5)根据步骤2)、3)和4)，获得移动设备无线网卡第m根天线与第n个接入点之间的CSI振幅分布hp_n,m＝hp，如下所示：

$hp=\left[\begin{array}{cccc}{p}_{1,1}& p_{1,2}& \mathrm{...}& p_{1,m_1}\\ p_{2,1}& p_{2,2}& \mathrm{...}& p_{2,m_2}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ p_{30,1}& p_{30,2}& \mathrm{...}& p_{30,m_{30}}\end{array}\right]$

其中，hp的每一行表示一个子频带的CSI振幅分布，其中p_i,j表示第i个子频带中CSI振幅值落入第j个区间的数据包个数占数据包总个数S的比例；

6)根据步骤1)～5)，计算移动设备无线网卡每一根天线与每一个接入点之间的CSI振幅分布，从而得到该参考点位置的指纹信息Hp，如下所示：

$Hp=\left[\begin{array}{cccc}{\mathrm{hp}}_{1,1}& {\mathrm{hp}}_{1,2}& \mathrm{...}& {\mathrm{hp}}_{1,M}\\ {\mathrm{hp}}_{2,1}& {\mathrm{hp}}_{2,2}& \mathrm{...}& {\mathrm{hp}}_{2,M}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ {\mathrm{hp}}_{N,1}& {\mathrm{hp}}_{N,2}& \mathrm{...}& {\mathrm{hp}}_{N,M}\end{array}\right]$

其中，N，M分别表示接入点的个数和移动设备无线网卡上天线的根数。

基于指纹的定位方法最主要的是设计一个可靠的位置特征指标，所以如何对CSI进行处理得出一个能有效标识位置特征的指标是定位方法是否成功的关键步骤。CSI包含有振幅和相位信息，正如现有文献中指出的那样，即使在一个完全静态的环境中，CSI的相位信息也会有比较大的变化，相反，CSI的振幅信息在同一个位置所表现出的变化量要小的多。所以，本发明忽略了CSI的相位信息，只采用振幅信息来设计位置特征指纹。

虽然已有许多室内定位方法都采用了CSI，但是他们设计的位置指纹只是简单的讲所有子频带的振幅信息进行累加，这种处理方式可能忽略了这样一个事实，多个子频带和多对天线获取到的CSI包含了频率多样性和空间多样性的性质，而这些信息可以被用来设计出精度更高的定位算法。

在通过Intel 5300无线网卡获得的CSI中，对于一个数据包，不同收发天线对的CSI振幅响应都不尽相同，如图1(a)所示，每个颜色代表了一对收发天线。在已有文献中，对三对收发天线上获得的60个数据包的CSI取平均，得出一组60个数据包的CSI，这个过程降低了利用空间多样性这一性质的有效性。相反，本发明是利用了不同收发天线间的差异性来增强定位的准确度。

另一方面，针对一对收发天线得到的CSI，每个子频带的振幅响应也是很不相同的。如图1所示，30个子频带表现出了不一样的值。FIFS所采用的方法是将这些子频带的振幅响应求和，这样的方式势必会丢失频率多样性的特性。相反，本发明利用30个子频带的振幅值，得到每个子频带的CSI振幅的分布信息，设计成位置特征指纹，这样就利用了CSI频率多样性的性质，所以可以获得更好的定位性能。

首先通过获得的CSI对上述讨论进行实验验证，实验数据是在图6(a)的实验环境中选择的三个位置的CSI，在每个位置处接收60个数据包，每接收一个数据包，每对收发天线都可以获得30个子频带的CSI，因为Inter 5300无线网卡共有三根天线，所以每个位置共可得到180根曲线，如图1(a)、1(b)和1(c)所示。如图所示，对于某个特定的子频带，不同收发天线对所得到的CSI振幅都呈现出了显著的变化，从而说明CSI振幅具有空间多样性。如果考虑某对特定收发天线，30个子频带的CSI振幅也都有很大变化，这也验证了CSI振幅具有频率多样性的特性。

对于位置1(1.8，3)，位置2(3，3)和位置3(7.8，3)，将采集到的CSI数据应用于FIFS中，分别得到他们的位置特征指纹分别为11726、8825.8和11841，根据位置特征指纹的大小可以看出，位置1应该更靠近位置3而不是位置2，显然这与他们真实的物理位置关系并不相符。

本发明不直接使用所有子频带振幅的和作为特征指纹，而是采用每个子频带振幅的分布作为特征指纹，然后通过计算分布之间的距离来判定位置间的远近。图2说明了位置1和位置2、位置1和位置3所获得的CSI振幅分布距离的曲线，可以看到，位置1和位置3之间的分布距离要大于位置1和位置2的分布之间的距离，这和他们物理位置相距较远是一致的，说明实验结果和实验设置是匹配的。

接下来验证CSI振幅分布具有时间稳定性以及空间差异性。图4和图5分别表示两个相距三米的位置处的CSI振幅分布，其中每个图都是包括两个子频带：子频带1和子频带10，每个位置均采集了60个数据包的CSI，通过4.2节得到相应的振幅分布。在两个图中，我们都可以看到在不同时间点每个子频带的分布都没有什么变化，这说明D-CSI具有时间稳定性。

另一方面，如图4和5所示，D-CSI在不同位置表现出的差异性也相当明显。对不同子频带的CSI振幅分布也互不相同，从两个图中都可以看出，在两个子频带下位置1和位置2的曲线都有明显差异。

在本文实验中，使用的AP型号为TP-Link TL-WR742N无线路由器，移动设备为配有Intel 5300无线网卡的Dell E6410笔记本，采用已有文献中的方法对无线网卡的驱动程序进行了微调，以此获得CSI。本文共在两个典型的室内环境中进行了数据采集来评估两种定位方法的性能，分别是实验室和会议室，参考点均匀地分布在这两个室内环境，具体场景介绍及采集如下所述。

1)实验室

实验室场景的平面图如图6(a)所示，4个AP分别部署在4个角上。在训练阶段，相邻参考点之间的距离为1.2m，共收集42个位置的CSI。在非参考点位置，随机选取40个点作为待测位置。在每个位置处均采集60个数据包的CSI。

2)会议室

第二个实验场景部署在中南大学计算机楼的一个会议室，如图6(b)所示，同样4个AP部署在房间的4个角上，此环境中，相邻参考点的间距为1m，共收集49个位置的CSI。在非参考点位置，随机选取15个位置作为待测位置。在每个位置也都采集了60个数据包的CSI。

图7给出了两种实验场景下各定位方法的平均定位误差，从图中可以看出，在会议室场景中，D-CSI的平均定位误差是1米，比FIFS的平均定位误差降低了0.4米，也就是提高了29％的性能。另外，在实验室场景中，由于多径现象更加复杂，本文提出的方法平均定位误差1.48米，也还是比FIFS的平均定位误差降低了22％。

图8给出了两种方法的定位误差随AP数目变化的直方图，从图中可以看出，不管采用了几个AP，本文提出的D-CSI的平均误差都低于FIFS。同时，随着AP数目的增加，两种方法的定位性能都在提高，AP数目越多，定位误差越小，两种实验场景下都有相似的趋势。

图9和图10分别表示在两个场景下，两种方法定位误差随AP数目变化的累积分布函数。如图9所示，在会议室场景中，当AP数目为1、2、3和4时，FIFS中超过80％的点的定位误差分别落入2.6米、2.5米、2.3米和2.2米。相反，在同样的实验条件下，本文提出的D-CSI的定位误差分别在2米、1.9米、1.75米和1.5米内。

如图10所示，在实验室场景中，当AP数目为3个或4个时，本文的D-CSI能够达到所有测试点的定位误差小于2.5米，而FIFS只有72％和80％的测试点达到这一定位效果，当AP数目为1和2时也有同样的性能表现，D-CSI分别有80％和87％的测试点的定位误差小于2.5米，但是对于FIFS，只有60％和75％的测试点达到同样的定位精度。

相对于FIFS，本文方法的另一个优势是D-CSI能够实现更为精确的定位，也就是说较多的测试点的定位误差小于1米。如图9(d)所示，当AP数目为4时，D-CSI有超过68％的测试点的定位误差小于1米，然后FIFS只有33％的测试点。值得注意的是两种方法在实验室场景中的定位效果都不如会议室场景，这是由于实验室场景下的无线信号传播更为复杂造成的。

图11显示了在两种实验场景下，定位误差随着收发天线对的个数变化的情况。从图中可以看出，D-CSI的定位精度高于FIFS，并且当只使用一对天线时，定位误差最高。具体的说，如图11(a)所示，在天线对个数为1、2和3的情况下，FIFS的平均定位误差为1.9米、1.6米和1.4米，分别比D-CSI高出了0.1米、0.1米和0.4米。在图11(b)中，也可以看出D-CSI比FIFS的平均定位误差降低了0.12米、0.22米和0.44米。总的来说，随着天线对个数的增加，两种方法的定位准确性都在提高。

图12和图13分别表示在两个场景下，两种方法定位误差随天线对数目变化的累积分布函数。如图12所示，当天线对个数分别为1、2和3时，D-CSI超过一半的测试点的误差分别在小于1.75米、1.35米和0.7米，然而，FIFS在同样的天线对个数和测试点个数情形下的定位误差分别落入2.1米、1.5米和1.25米的区间内。

如图13所示，在实验室较为复杂的环境中，当天线对为3个时，50％的测试点定位误差小于1.4米，比天线对为1和2时定位精度明显提高。但是FIFS由于没使用CSI振幅分布而使用较为粗糙的求和作为特征指纹，其定位性能较D-CSI低了许多。

图14给出了在两种实验场景下，D-CSI平均定位误差随着区间长度变化的曲线。可以看到当区间长度为0.5到1之间时，定位误差可以达到最小值，过大或者过小的区间长度都将使得等我性能变差。原因如下，区间长度过大可能会失去一些分布特征，比如在极端情况下，区间长度为子频带CSI振幅的最大值和最小值的差，此时只有一个分布信息，这样D-CSI就和FIFS这些使用CSI振幅累积值的方法类似了。另外，当区间长度过小时，CSI振幅分布将会有许多产生不确定性，使得同一位置的振幅分布都有可能不一样，这样也会增大定位误差。

图15给出了两种场景下，D-CSI的定位误差在不同区间长度情况下的累积分布函数。如图15(a)所示，在区间长度为0.5时，超过80％的测试点的定位误差小于1.5米，但当区间长度为0.1和2时，同样多的测试点个数情况下，定位无误差的范围分别扩大到了1.85米和2米。在图15(b)中也有相同的趋势。这些结果表明，在实际部署过程中，区间长度的设定不易太大和太小，根据我们在两个实验场景中的结果，当区间长度设定在0.5左右时，D-CSI可以达到较好的定位性能。

Claims (5)

1.一种基于信道状态信息分布的室内定位方法，其特征在于，基于N个AP、一个移动设备和定位服务器构成的定位***；其中N为定位区域内能收到的AP的个数，每个AP配置有一根天线，移动设备配置有无线网卡，无线网卡具有M根天线；N个AP的N根天线与移动设备无线网卡的M根天线构成N×M个收发天线对；

所述室内定位方法包括训练阶段和定位阶段；

所述训练阶段，收集各个参考点位置处，N×M个收发天线对之间的CSI振幅分布，得到各个参考点位置的指纹信息；利用所有参考点的位置以及对应的指纹信息构建指纹数据库；

所述定位阶段，收集在待定位用户所在位置处，N×M个收发天线对之间的CSI振幅分布，得到待定位用户所在位置的指纹信息；

定位服务器计算待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息的相似性，并通过匹配算法求出待定位用户所在位置。

2.根据权利要求1所述的基于信道状态信息分布的室内定位方法，其特征在于，所述训练阶段具体包括以下步骤：

1)收集某一参考点位置处，移动设备无线网卡第m根天线接收到的第n个接入点的天线发送的S个数据包中的信道状态信息，记为H_a＝{H_s}，其中H_s＝[H_s,1,H_s,2,H_s,i,…,H_s,30]^T，表示第s个数据包中的信道状态信息；H_s,i(s＝1,2,…,S；i＝1,2,…,30)表示第i个子频带的CSI，即信道状态信息，CSI是一个复数，包括幅度和相位；

2)计算H_a的振幅H_amp：

3)针对H_amp每一行都找出一对最大值和最小值，即找出每个子频带CSI振幅的最大值和最小值；并对最大值和最小值分别进行向上取值和向下取整，得到H_max,i和H_min,i；得到30个子频带的CSI振幅范围为：

$\[H_{amp\_\min },H_{amp\_\max }\]=\left[\begin{array}{cc}{H}_{\min ,1}& H_{\max ,1}\\ H_{\min ,2}& H_{\max ,2}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ H_{\min ,30}& H_{\max ,30}\end{array}\right];$

4)对各个子频带的CSI振幅进行区间划分；将所有子频带CSI振幅的区间划分结果记为R＝{r_ij}，r_ij表示第i(i＝1,2,…,30)个子频带的第j(j＝1,2,…,m_i)个区间，取值为：

r_ij＝(H_min,i+(j-1)·Δ,H_min,i+j·Δ)

其中，Δ表示区间长度；m_i表示第i个子频带的区间个数；

5)根据步骤2)、3)和4)，获得移动设备无线网卡第m根天线与第n个接入点之间的CSI振幅分布hp_n,m＝hp，如下所示：

其中，hp的每一行表示一个子频带的CSI振幅分布，其中p_i,j表示第i个子频带中CSI振幅值落入第j个区间的数据包个数占数据包总个数S的比例；

6)根据步骤1)～5)，计算移动设备无线网卡每一根天线与每一个接入点之间的CSI振幅分布，从而得到该参考点位置的指纹信息Hp，如下所示：

其中，N，M分别表示接入点的个数和移动设备无线网卡上天线的根数。

7)重复步骤1)～6)，得到不同参考点位置的指纹信息；利用所有参考点的位置以及对应的指纹信息构建指纹数据库。

所述定位阶段具体包括以下步骤：

在待定位用户所在位置处，待定位用户携带的移动设备收集信道状态信息，并发送到定位服务器；定位服务器根据上述步骤2)～6)，计算得到待定位用户所在位置的指纹信息；

定位服务器计算待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息的相似性，并通过匹配算法求出待定位用户所在位置。

3.根据权利要求1所述的基于信道状态信息分布的室内定位方法，其特征在于，所述定位阶段，计算得到待定位用户所在位置的指纹信息后，通过以下步骤，得到待定位用户所在位置：

ⅰ)定位服务器基于待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息之间的对称KL距离计算它们之间的相似性：

设待定位用户所在位置(x,y)处的指纹信息为Hp_t＝Hp|{x,y}，指纹数据库中第l个参考点位置(x_l,y_l)的指纹信息为Hp_l＝Hp|{x_l,y_l}，则它们之间的对称KL距离为：

$D({\mathrm{Hp}}_t,{\mathrm{Hp}}_l)=\underset{n=1}{\overset{N}{\Σ}}\underset{m=1}{\overset{M}{\Σ}}D\left({\mathrm{Hp}}_{n,m}\right|\{x,y\},{\mathrm{Hp}}_{n,m}\left|\right\{x_l,y_l\left\}\right)$

其中，

p_i(Hp_n,m|{x_l,y_l}表示第l个参考点位置(x_l,y_l)的指纹信息中子矩阵Hp_n,m中第i行元素集合，也就是在(x_l,y_l)处，Hp_n,m第i个子频带的CSI振幅分布；p_i(Hp_n,m|{x,y})表示待定位用户所在位置(x,y)的指纹信息中子矩阵Hp_n,m中第i行元素集合，也就是在(x,y)处，Hp_n,m第i个子频带的CSI振幅分布；

$\begin{array}{c}D\left(p_i\left({\mathrm{Hp}}_{n,m}|\left\{x,y\right\}\right),p_i\left({\mathrm{Hp}}_{n,m}|\left\{x_l,y_l\right\}\right)\right)\\ =\underset{j=1}{\overset{m_i}{\mathrm{\Σ}}}{p}_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x,y\right\}\right)\log \left(\frac{p_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x,y\right\}\right)}{p_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x_l,y_l\right\}\right)}\right)+\underset{j=1}{\overset{m_i}{\mathrm{\Σ}}}{p}_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x_l,y_l\right\}\right)\log \left(\frac{p_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x_l,y_l\right\}\right)}{p_{i,j}\left({\mathrm{Hp}}_{n,m}|\left\{x,y\right\}\right)}\right)\end{array}$

其中，p_i,j(Hp_n,m|{x_l,y_l}表示p_i(Hp_n,m|{x_l,y_l}第j列的元素，p_i,j(Hp_n,m|{x,y})表示p_i(Hp_n,m|{x,y})第j个元素，由步骤5)可得；若某元素为零，为了避免对数求值时有零值，对每个为零的元素加上一个非常小的常数ε，10^-6≤ε≤10^-2；

通过上述计算，得到待定位用户所在位置的指纹信息与指纹数据库中各个参考点位置的指纹信息之间的对称KL距离；

ⅱ)找出与待定位用户所在位置的指纹信息的KL距离值最小的k个参考点位置；

ⅲ)对上述k个参考点位置的坐标取平均，得到待定位用户所在位置。

4.根据权利要求3所述的基于信道状态信息分布的室内定位方法，其特征在于，k＝3。

5.根据权利要求1～4中任一项所述的基于信道状态信息分布的室内定位方法，其特征在于，所述移动设备配置有Intel 5300无线网卡，Intel 5300无线网卡具有三根天线。