论文部分内容阅读
传统的基于信号强度(Received Signal Strength,RSS)的WiFi室内定位技术,其缺点是信号强度随时间波动较大、对环境噪声敏感、多径衰减严重和信息维度低,单AP仅能分辨出米级定位。而近几年信道状态信息(Channel State Information,CSI)支持从物理层提取,能更细粒度表示信号的传输过程,为基于WiFi的高精度的室内定位开辟了新空间。本文在现有研究的基础上,提出了一种基于RSSI与CSI融合的室内定位技术,主要工作和创新如下:1.介绍了WiFi室内定位的技术模型,并指出使用WiFi指纹方案的优势。2.从不同时间、人员走动频繁程度和不同环境等多个方面的对比分析RSSI与CSI的特性,得出结论为RSSI不稳定,而CSI稳定性更高,并且CSI在不同位置或不同环境下的区分更明显,从而更适合于精确定位。3.从WiFi接收机原理处,深入分析CSI的误差模型,并针对误差模型提出解决方案。其中:使用卡尔曼滤波对CSI幅值进行平滑滤波,减轻噪声干扰;使用解卷绕、线性变换和基于相位差的概率统计的算法对CSI的线性相位进行矫正;使用莱文贝格马夸特算法对CSI的非线性相位进行误差分析和参数提取,实验结果证明了算法的正确性。4.本文实现并搭建了基于RSSI与CSI融合的实时定位系统。使用Atheros 9380网卡与开源的OpenWRT路由器获取原始CSI与RSSI数据;在预处理阶段,对CSI幅值和相位进行矫正,包括创新性的对CSI幅值进行平滑滤波,创新性的使用基于时间反转能量的二次聚类剔除畸形数据包,以及减少数据冗余,有效降低了数据的存储量和提高了指纹的质量;在线阶段,使用RSSI的KWNN算法进行粗定位,减少在线CSI的个数,而后使用单AP多链路的组合时间反转算法(Combined Time Reversal Resonating Strength,CTRRS)进行CSI精确定位;在实时网络通信服务器中,采用多线程Reactor的one loop per thread模型,保证通信的高效,并创新性的在客户端和服务端设计了二阈值法,提供了可靠的定位机制。5.本文从多个角度进行实验分析,所设计的基于RSSI与CSI融合的室内定位系统,使用TR聚类并结合RSSI进行粗定位,能有效减少约1/3的指纹参考点,减少了定位的时间,并保持定位性能。在视距与非视距环境下,进行多天线融合后,扩展了有效带宽,最终使用CTRRS算法实现了秒级定位,且准确度达到90%。