王建偉, 上官偉, 蔡慧敏, 芮 濤, 馮瑞霞
(1.北京首都國際機場股份有限公司 信息科技部,北京 100621; 2.北京交通大學 電子信息工程學院,北京 100044)
目前,國內外機場在信息化與智慧化建設方面進入了快速發(fā)展階段,人們生活水平不斷提高,對出行方式的選擇和出行效率的要求也越來越多,為了更加高效,越來越多的旅客選擇飛機這種出行方式,從而推進了我國航空業(yè)飛速發(fā)展。國內各地機場正在進行擴建,航站樓內往往建筑面積巨大并且結構復雜,隨著航站樓的不斷擴大,航站樓內建筑、商鋪和登機口也越來越多,對于一個對機場不熟悉的旅客而言,能夠在機場航站樓內快速準確地辦理好登機手續(xù)并按時登機是十分重要的,因此旅客對機場航站樓內的位置服務的需求越來迫切,近年來學術界和工業(yè)界的科研人員都在廣泛關注。
在機場環(huán)境下,無線信號的傳播會受到多種元素的影響,尤其是周圍環(huán)境因素的影響,如溫度、障礙物、人體走動等因素。目前藍牙信號在機場航站樓內的復雜環(huán)境中受到影響較大的是多徑效應、障礙物、長距離傳輸和周圍的人員走動等。多徑效應是指無線信號在航站樓內傳播的過程中,由于航站樓內障礙物的存在,會出現吸收、反射、衍射、散射等現象[1]。除了多徑效應對無線信號的傳播的會產生影響外,周圍人員的走動也會對其有影響,通過對前人學者的研究內容進行學習可知,當輻射頻率與人體[2]的固有頻率諧振時,吸收能力最強,即諧振吸收,在接收信號的時候,旅客手持移動端的角度、方向都會影響到藍牙信號的接收。由于旅客背對著基站,接收到的藍牙信號會經過人體后會出現削弱的情況,使得接收端接收的信號數據有所衰減。
目前在國內,多數的研究人員利用機場航站樓內部署的無線設備對基于無線網絡的定位技術[3]進行研究,并進行驗證。有人提出針對航站樓內特定的環(huán)境來進行人員的定位,主要是利用無線網絡,通過研究目前的空中無線信號傳播模型[4],在此基礎上為其設計了一種基于RSSI測距的定位方法,在RRSI測距的基礎上利用PS0算法進行優(yōu)化,以可以實現在不增加無線網絡硬件的基礎上進一步增加定位的范圍和適時提高定位精度;王忠明[5]針對機場候機樓室內的環(huán)境對無線網絡技術做進一步的研究,為了可以較好地解決機場候機廳內AP部署的位置高這一原因而導致的最后定位精度低的問題,提出了一種改進方法,該方法主要利用最小二乘算法來對空間中無線信號傳播模型中參數的進行求解,然后再采用最小均方差法來實現三維定位;還有人通過對無線局域網和信號強度的定位技術的深入研究[6],為了可以降低在候機大廳中旅客走動對定位結果的影響,提出一種集合和加權徑向基函數相融合的定位方法。
但是到目前為止,雖然針對機場航站樓內這一特殊環(huán)境下的定位技術已經有不少學者進行了研究,并且提出了許多的室內位置估計方法并得到了驗證,目前智能服務設備也部署在機場航站樓內,但大多數為固定智能服務終端[7],智能移動終端的服務設備還沒有真正的在機場內得到應用,更多的是處于研究階段。航站樓內的藍牙信號在傳播過程中會受周圍障礙物影響,并且存在人員流動的情況,因此針對航站樓這種特定環(huán)境的特點進行分析,設計了航站樓內低成本連續(xù)定位優(yōu)化算法,開發(fā)航站樓內定位軟件并對提出的定位優(yōu)化算法進行實驗驗證和結果分析。
iBeacon最開始是發(fā)布在移動設備OS上配備的新功能,它的工作方式是配備低功耗藍牙4.0(BLE)通信功能的設備[1],可以使用BLE技術向周圍發(fā)送自己特有的ID,接收到該ID的應用軟件會進行下一步行動。iBeacon采用的是BLE技術,只要是支持該技術的設備都可以接收到,Bluetooth設備工作在全球通用的2.4 GHz的ISM(Industrial,Science and Medicine)頻段。每一個iBeacon基站都有自己的信號傳輸范圍,藍牙信號的傳輸范圍可達50 m,當移動端進入到iBeacon基站的藍牙信號覆蓋范圍時,在移動端可以接收到iBeacon基站相關信息,根據藍牙信號強度進行處理。雖然藍牙有效的傳輸距離一般是幾m到幾十m[8],但是在實際應用中,在采集到藍牙信號后對數據進行處理時,需要考慮多種因素。在處理過程中,要在確定遠距離連接的藍牙信號穩(wěn)定時,才能確定接收到的藍牙信號數據可用。
藍牙信號會因航站樓內的障礙物而產生反射、折射等現象,使得信號衰減,因此隨著RSSI信號強度數據采集設備與基站之間距離的不斷增加,采集到的RSSI數據的誤差也隨之越來越大。通過設置藍牙基站,并分別在距離藍牙基站1 m,2 m,…,10 m的地方放置采集移動端,在同一位置采集20次后求其均值,得到表1中的結果。
表1 RSSI采集值
由表1可知,移動端和藍牙基站標之間的距離越短,采集到的藍牙信號強度則越高,在后續(xù)的定位應用中得到的結果越精準,但是在部署好藍牙基站后,由于藍牙基站之間會有一定的距離,在實際應用時,藍牙基站之間的距離并不能保證是較近的,可以采集較強的藍牙信號強度來進行定位,存在所處位置距離周圍的藍牙基站的位置都較遠的情況。當還未進入iBeacon基站覆蓋范圍時,采集到的藍牙信號強度數據就比較弱甚至數量不足以支持通過基于RSSI測距模型來實現定位。以上的場景被視為弱場環(huán)境。
作為我國的樞紐機場,機場航站樓環(huán)境復雜,無線信號在傳播過程中會由于周圍障礙物的存在和人員的影響產生多徑效應,另外存在其他無線信號、電磁波的干擾,另一方面由于樞紐機場的旅客吞吐量大、機場航站樓內多出現人員流動的情況,無線信號在傳播過程中會受到干擾,使得旅客接收端接收到的無線信號與實際的無線信號值差距較大。因此在基于機場航站樓內已部署的iBeacon基站中,由于產生的多徑效應,多數情況下會出現斷點的情況,在進行靜態(tài)定位時可以達到較為精確的效果,但是在旅客行走過程中進行動態(tài)定位時則會出現各種情況。由于藍牙信號自身的特性和智能移動端采集信號需要一定時長的影響,會出現斷點弱場的情況,使得在進行定位時得到的位置經常是不連續(xù)的,并存在一定的誤差,與實際位置相差較大,因此基于樞紐機場航站樓內斷點弱場環(huán)境下采用的是基于EKF(Extended Kalman Filter)的融合定位算法。由于機場航站樓內多出現人員流動的情況,在基于EKF的融合定位算法的基礎上進行地圖匹配算法進行融合,進一步改善機場航站樓內人員走動對旅客定位結果的影響,其定位方案如圖1所示。
圖1 航站樓內定位方案
在機場環(huán)境下,基于航站樓內復雜的環(huán)境,利用智能移動端內部傳感器來實現PDR(Pedestrian Dead Reckoning)定位,以增強旅客在航站樓內連續(xù)定位性能,在航站樓內信號強度較弱的情況下,可以采用基于EKF的連續(xù)融合定位技術來彌補弱場環(huán)境下的定位,進一步提高航站樓內定位的連續(xù)性,通過地圖匹配融合算法進一步提高定位精度。首先采集相關數據,利用智能移動端采集藍牙信號強度、加速度等相關數據,通過濾波處理后,由基于EKF的連續(xù)融合定位算法得到定位結果,減少定位中因為信號強度弱而引起的誤差。通過這種融合定位方法,可以增強旅客室內連續(xù)定位性能。將得到的定位結果進行進一步處理,和數據庫中存儲的數據化的地圖信息進行匹配,進一步提高定位精度。最后調用地圖服務器進行旅客的位置顯示。
為了解決前述由于藍牙覆蓋范圍使得定位越來越不連續(xù)的情況,采用基于擴展卡爾曼濾波的融合定位算法。PDR定位技術得到的旅客定位結果是連續(xù)的,得到的旅客位置信息不會出現突變的情況,但是誤差會隨著時間的累積而增大?;趇Beacon定位技術得到的位置坐標的精確度較高,但是由于采集到的藍牙信號強度會出現跳變的情況,得到的結果是不連續(xù)的,定位不穩(wěn)定,因此基于以上兩種定位算法進行初步定位,其具體的融合定位方法流程圖如圖2所示,通過利用位移、方向約束來優(yōu)化旅客位置,主要是利用iBeacon測距定位算法求得移動端的位置作為初始坐標,然后將位置坐標和PDR算法中的航向角作為擴展卡爾曼濾波的觀測量得到更新后的狀態(tài)。
圖2 航站樓內融合定位流程圖
① 首先采集相關數據信息,包括藍牙信號強度、藍牙的名稱和加速度傳感器的相應數據,輸出藍牙列表并將所用的相關信息存儲到SQLite數據庫[9]中。
② 在利用iBeacon進行定位時,因為藍牙RSSI信息在采集時會出現不穩(wěn)定的情況,在進行實驗時移動端越靠近iBeacon信標時,采集的信號強度越高,通過高斯濾波器將藍牙信號強度進行預處理,使用最小二乘法對數據進行傳播模型擬合。
③ 對藍牙數據信息進行預處理以后,利用三邊測距定位算法計算出移動端當前的位置坐標,并傳遞給PDR算法作為初始坐標。
④ 由于在進行實驗時藍牙信號強度有高低之分,因此需要對該時的場景進行判斷,通過RSSI信號強度閾值來進行判斷,在非弱場環(huán)境下即iBeacon的信號強度比較高的時候,采用iBeacon技術來實現定位功能;在弱場環(huán)境下即iBeacon信號強度較低的環(huán)境下或沒有iBeacon信號的場景下,采用PDR融合定位技術,基于目前場速度位置信息、旅客的行進速度、時間和步長的歷史信息,與iBeacon技術相融合進行定位。
⑤ 得到坐標后,更新目前的位置信息,并進行顯示。
PDR技術可以通過移動端采集到比較準確的位移和航向角,可以提供相對的位置,實現優(yōu)勢互補。
系統(tǒng)的狀態(tài)方程為
(1)
觀測方程為
(2)
式中,wk,vk為相互獨立的系統(tǒng)狀態(tài)噪聲和觀測噪聲,噪聲的協方差為Q和R。在狀態(tài)方程(1)中,xk,yk為第k時刻的位置坐標;φk為預測的航向角;xk-1,yk-1為第k-1時刻的融合定位坐標;Sk為第k-1時刻的步長和航向角的預測值;Δφk為估計得到航線角的增量。在預測方程(2)中,xk,yk分別為第k時刻通過iBeacon得到的位置坐標。
系統(tǒng)的先驗估計為
xk=Φkxk-1
(3)
(4)
得到的卡爾曼增益為
(5)
更新系統(tǒng)的狀態(tài)方程和協方差矩陣:
xk=xk+Kk(zk-Hkxk)
(6)
Pk=(I-KkHk)Pk
(7)
地圖匹配是指將旅客的走行軌跡和機場航站樓內數字地圖進行匹配的過程,主要是應用在已知路徑信息且路徑比較簡單的情況下,利用多傳感器定位技術計算出的旅客位置,然后與地圖信息中的路徑、關鍵點、標注點等相匹配,進行位置糾正。本次采用基于粒子濾波的地圖匹配算法。
粒子濾波[10]是結合抽樣理論和貝葉斯估計的一種近似算法。主要是通過尋找一組在線狀態(tài)空間傳播的隨機樣本對概率密度函數進行近似,以樣本均值代替積分運算,從而獲得狀態(tài)最小方差分布的過程,常用于解決非線性和非高斯性的問題。
該算法是以貝葉斯理論為基礎,貝葉斯定理主要是通過觀測信息來建立后驗概率密度函數,并且由密度函數來對系統(tǒng)做出決策。主要是通過已知的先驗概率利用貝葉斯公式來求解后驗概率,最后進行決策。
貝葉斯公式如下:
(8)
式中,P(B)為事件B發(fā)生的概率;P(A)為事件A發(fā)生的概率;P(B|A)為事件B在已知事件A發(fā)生情況下的概率;P(A|B)為事件A在已知事件B發(fā)生情況下的概率。將P(A)稱為先驗概率,P(A|B)則是通過轉化為的后驗概率。通過貝葉斯理論可以實現機場航站樓內的位置跟蹤,利用粒子濾波原理進行分析,其系統(tǒng)方程為
xk=f(xk-1,vk-1)
(9)
zk=h(xk,wk)
(10)
式中,xk為在第k時刻的系統(tǒng)狀態(tài),在本節(jié)表示的是第k時刻的位置信息;zk為第k時刻地圖信息的觀測值;vk-1為系統(tǒng)噪聲;wk為觀測噪聲;f(),h()分別為狀態(tài)轉移函數和系統(tǒng)觀測函數。它的初始概率密度為
p(x0|z0)=p(x0)
(11)
狀態(tài)預測方程為
(12)
狀態(tài)更新方程為
(13)
基于粒子濾波的地圖匹配算法是將網絡化的地圖數據存入到SQLite數據庫中,然后在定位的過程中,將航站樓內低成本的連續(xù)融合定位算法得到的位置坐標與SQLite數據庫中的地圖數據信息進行匹配,從而完成位置糾正。其具體的地圖匹配算法如圖3所示。
圖3 基于粒子濾波的地圖匹配算法
在航站樓內旅客定位軟件中,最為關鍵的是旅客位置的確定,本設計中,其定位功能的整體框架結構如圖4所示,主要由三部分構成:智能移動前端、后臺運算和數據庫。智能移動前端主要負責數據采集,接收到的iBeacon基站發(fā)射的藍牙信號相關數據以及多傳感器中的相關數據采集,通過后臺的濾波算法將采集到的數據進行預處理及相關模型構建,將處理好的數據存儲到SQLite數據庫中,通過第3節(jié)所述的針對機場航站樓環(huán)境下的定位算法解算出旅客的位置信息,最后由智能移動端將位置坐標進行顯示。
圖4 定位功能的系統(tǒng)結構
在基于iBeacon的室內定位中,其基本原理是部署iBeacon設備在固定的位置,固定的iBeacon信標作為基站,發(fā)射藍牙信號,而移動端在移動的過程中,通過接受到藍牙信號,根據移動端距離iBeacon設備越遠信號強度不斷衰減[11]的特性,根據采集到的信號強度數據確定移動端距離iBeacon設備的距離,進而計算出移動端的位置信息,使用的硬件介紹如下。
移動設備:榮耀平板Android 9.0,內置加速度傳感器、方向傳感器、地磁傳感器等本次實驗所用的傳感器,并且配置有支持藍牙 BLE4.0芯片。
iBeacon基站:采用的是智石科技的ibeacon Smart藍牙4.0基站,其主要參數如下
① 藍牙模塊:Nordic51822AA。
② 通信方式:BLE4.0。
③ 廣播功率:-30~4 dBm。
④ 廣播頻率:100~10000 ms,默認800 ms。
⑤ 傳輸距離:3~100 m(半徑)可調。
⑥ 支持設備:IOS7.0以上,Android4.3以上。
本次實驗環(huán)境的選取應為可視的室內環(huán)境。以某機場T3航站樓內的一個走廊作為實驗仿真環(huán)境原型,選取一個長為47.5 m,寬為35.8 m的仿真環(huán)境。在此環(huán)境中,部署10個藍牙信標作為參考節(jié)點,分別為AP1~AP10,當設置藍牙信標參數發(fā)射功率調到-4 dBm、發(fā)射間隔為417.5 ms時,藍牙信標之間的間隔為6~10 m為最佳定位距離,因此在部署時保持相鄰的藍牙信標之間的距離約為6~9 m,本次在部署藍牙信標具時,在拐點、交叉點的位置部署較為密集,在直線路徑上較為稀疏,其具體部署情況如圖5所示,其坐標如表2所示。
圖5 某航站樓內部分藍牙布置圖
表2 藍牙信標的相對位位置
在實際應用的場景中,定位結果通常會受到周圍環(huán)境的影響,例如環(huán)境中的障礙物、空氣溫度等物理因素,還會存在人員因素。人員走動對旅客定位精度有較大的影響。為了驗證機場航站樓內周圍人員走動對定位結果的影響,進一步對實際應用環(huán)境進行模擬實驗,加入應用環(huán)境中可能出現的場景,進行定位誤差結果分析。在實驗地點選取兩處分別進行多次實驗,針對相同的物理環(huán)境下,有無人員走動對最后的定位結果進行分析。
在實驗路段選取直線路徑上交叉口較少的位置作為測試點1,在該測量點利用智能移動端測取多組數據進行分析得到圖6。
圖6 測量點1處行人定位誤差對比圖
由圖6可以看出,在周圍環(huán)境因素相同的情況下,有無人員走動這一因素對最后行人的定位精度影響較大,在有人員走動時相較于無人員走動的定位精度普遍相對較低。在無人員走動時,得到的定位誤差在0.5~1.3 m之間,定位誤差均在1.5 m以下,約80%的定位精度是在1 m以內,定位精度較高,而在有人員走動時,得到的定位誤差在1~3 m之間,在一定程度上人員走動對得到的行人定位結果的影響較大。
在實驗路段選取拐點、交叉口較多的位置作為測試點2,在該測量點利用智能移動端測取多組數據進行分析得到圖7。
由圖7可以看出,同圖6情況基本一致,在周圍環(huán)境因素相同的情況下,在有人員走動時相較于無人員走動的定位精度普遍相對較低。在無人員走動時,得到的定位誤差在0.5~1.5 m之間,定位誤差均在1.5 m以下,約60%的定位精度是在1 m以內,定位精度相對較高,而在有人員走動時得到的定位誤差在1~3 m之間,在一定程度上人員走動對得到的行人定位結果的影響較大。
對比圖6、圖7可以看出,不管是在直線路線點處還是拐點處,人員的走動均對最后行人的定位結果存在的較大的影響,在實驗地點是直線路徑上交叉口較少的位置時得到的定位結果較于拐點、交叉口較多的位置定位精度較高。
本節(jié)對仿真的結果進行了展示和分析,主要包括定位結果誤差分析和多種算法定位結果的分析。本次是在實驗環(huán)境中進行仿真實驗,部署10個藍牙信標并選取32個測試點來進行實驗測試。通過對最后的定位結果來進行比較和分析可以看出,提出的航站樓內低成本融合定位算法和地圖匹配算法結合對航站樓內的最后定位結果的精度有所改善。
通過智能移動端采集選取32個點作為測量點,在每個測量點測量30組數據,得到的定位結果誤差數據表和定位算法誤差對比圖如表3和圖8所示。
表3 定位結果誤差數據表
圖8 多種算法定位誤差對比圖
由表3可知,地圖匹配融合算法最大定位誤差為1.5 m,平均誤差為0.86 m,相較于單一的iBeacon定位算法、PDR算法、航站樓內連續(xù)融合定位算法在定位精度上都有顯著的提高,較單一的iBeacon定位算法的平均誤差減少了0.68 m,較單一的PD定位算法的平均誤差減少了0.47 m,比航站樓內連續(xù)融合定位算法的平均誤差減少了0.25 m。
由圖 8可以看出,相交于單一的定位技術,設計的基于EKF的連續(xù)定位算法和地圖匹配融合定位算法得到的定位精度較高。
為了可以更加直觀地體現出在機場航站樓內地圖匹配融合定位算法相對于前面介紹的航站樓內的定位算法的優(yōu)越性,分別針對iBeacon測距定位、航站樓內連續(xù)定位和地圖匹配融合定位進行了仿真,通過智能移動端采集相關數據并通過高斯-卡爾曼濾波進行濾波處理,利用不同定位方式得到旅客走軌跡的仿真結果如圖 9所示,接下來對得到的定位結果進行分析。
由圖9可以看出,地圖匹配融合算法較航站樓內連續(xù)融合定位算法更加接近真實的軌跡,由于在航站樓內藍牙信號的傳播距離有限,距離藍牙信標越遠的地方信號衰減越厲害,定位精度和效果越偏離原來的軌跡,由于航站樓內各種環(huán)境的因素的影響,以及藍牙覆蓋范圍有限的原因, 在距離藍牙信標距離較遠的地方,藍牙RSSI值會比較小且由于采集數據需要一定時間,容易出現斷點弱場的情況,此時利用智能移動端中的多傳感器來對iBeacon測距算法進行位置校正,即在航站樓內使用連續(xù)融合定位算法對航站樓內的斷點弱場環(huán)境進行改善。作為我國的樞紐機場,其旅客吞吐量大、機場航站樓內多出現人員流動的情況,因此采用地圖匹配融合算法來進一步提高旅客在走行過程中的定位精度,減小人員流動對定位結果的影響。由圖9可以看出,在實驗人員走行過程中,在大部分測量點處,通過地圖匹配融合算法可以有效地改善在航站樓內的定位誤差。
圖9 多種定位算法走行軌跡圖
針對樞紐機場環(huán)境下對旅航站樓內的旅客位置服務進行研究,主要是通過部署在機場航站樓內的iBeacon基站結合智能移動設備中的多傳感器,在機場航站樓內的斷點弱場和密集人流環(huán)境下面向行人設計航站樓內低成本的連續(xù)定位算法,進一步提高定位精度,隨著現在移動通信網絡的發(fā)展,如何將所用的定位技術與蜂窩定位技術進行有效融合也需要進行進一步研究。