基于Spring Boot和小程序的WiFi室內(nèi)定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

曾森烽，楊楓，王艷乾，邱樹偉

（韓山師范學(xué)院計(jì)算機(jī)與信息工程學(xué)院，潮州 521041）

0 引言

基于WiFi指紋的室內(nèi)定位技術(shù)是當(dāng)前室內(nèi)定位的主流技術(shù)，該技術(shù)在智慧樓宇建設(shè)中有著極其重要的作用。對(duì)智慧樓宇中的WiFi設(shè)備進(jìn)行定位是實(shí)現(xiàn)各項(xiàng)基于位置的服務(wù)的重要基礎(chǔ)。

當(dāng)前，基于WiFi的室內(nèi)定位技術(shù)已有較為成熟的研究與開發(fā)案例。潘有順等［1］設(shè)計(jì)了基于WiFi室內(nèi)定位的樓宇智能照明控制系統(tǒng)，該系統(tǒng)通過無線信號(hào)測距技術(shù)對(duì)人員進(jìn)行定位，同時(shí)向照明設(shè)備分發(fā)開啟/關(guān)閉等控制指令，實(shí)現(xiàn)對(duì)照明設(shè)備的智能控制。朱正偉等［2］針對(duì)WiFi信號(hào)強(qiáng)度容易受室內(nèi)環(huán)境變化以及多徑效應(yīng)的影響這一問題，采用網(wǎng)格法劃分定位區(qū)域，用奇異譜分析方法消除采集數(shù)據(jù)中的波動(dòng)和干擾。同時(shí)，采用高斯過程回歸算法構(gòu)建指紋數(shù)據(jù)庫，提高了定位精度。祝文飛等［3］指出，全球定位系統(tǒng)和蜂窩網(wǎng)絡(luò)系統(tǒng)無法滿足高精度的室內(nèi)定位需求。為解決這一問題，該文提出基于位置指紋的WiFi定位技術(shù)，通過引入與AP信號(hào)強(qiáng)弱相關(guān)的目標(biāo)函數(shù)，提高了定位精度。為提高出行效率，陳婷婷等［4］開發(fā)基于WiFi定位的地鐵到站提醒系統(tǒng)。該系統(tǒng)通過App實(shí)時(shí)監(jiān)測地鐵Wi Fi信號(hào)的MAC地址，實(shí)現(xiàn)地鐵定位和到站提醒服務(wù)。為提高地下停車位的利用率，陳曉玉等［5］基于WiFi位置指紋設(shè)計(jì)了一套地下停車場車輛定位系統(tǒng)。通過與App相結(jié)合，該系統(tǒng)能夠準(zhǔn)確定位車輛位置，方便用戶及時(shí)查看停車場空位信息，提高了地下車位的利用率。此外，為分析室內(nèi)大型活動(dòng)人群的移動(dòng)軌跡，徐洋等［6］提出了一種基于混合三邊測量和RSSI（re?ceived signal strength indication，RSSI）的 定 位方法，該方法可實(shí)現(xiàn)人員定位、人流量分析和人群劃分等功能，為大型室內(nèi)場館的管理人員提供決策支持。

上述技術(shù)方案主要以“服務(wù)端+移動(dòng)App”架構(gòu)為主，尚缺乏對(duì)小程序的支持。為了彌補(bǔ)這一空白，本文設(shè)計(jì)了基于Spring Boot和小程序的Wi Fi室內(nèi)定位系統(tǒng)。本系統(tǒng)前端采用微信小程序進(jìn)行開發(fā)，服務(wù)端采用Spring Boot+MyBatis+Spring MVC進(jìn)行開發(fā)?；诒鞠到y(tǒng)，用戶可通過微信小程序采集周圍WiFi信號(hào)的強(qiáng)度并將其傳輸給服務(wù)端，服務(wù)端實(shí)時(shí)地將用戶的位置計(jì)算出來，并將位置信息發(fā)送到前端進(jìn)行渲染和顯示。本系統(tǒng)的開發(fā)和應(yīng)用有助于提高WiFi室內(nèi)定位服務(wù)的便捷性。

1 系統(tǒng)設(shè)計(jì)

1.1 總體框架設(shè)計(jì)

系統(tǒng)的總體框架采用分層設(shè)計(jì)，主要包括運(yùn)行環(huán)境、數(shù)據(jù)庫、數(shù)據(jù)層、業(yè)務(wù)層、表示層以及微信小程序。上述前四層運(yùn)行于服務(wù)端，后兩層運(yùn)行于前端。系統(tǒng)的總體框架如圖1所示。

圖1 系統(tǒng)的總體框架

系統(tǒng)工作流程主要包含兩個(gè)階段。

（1）建立WiFi指紋庫。在定位功能實(shí)現(xiàn)之前，需要先建立目標(biāo)區(qū)域中所選定的參考點(diǎn)的WiFi指紋庫，為后續(xù)位置估算奠定基礎(chǔ)。

（2）實(shí)時(shí)定位。用戶在目標(biāo)區(qū)域中的某個(gè)地點(diǎn)實(shí)時(shí)獲取各WiFi信號(hào)的RSSI并將這些RSSI數(shù)據(jù)傳輸?shù)椒?wù)端。服務(wù)端通過與指紋數(shù)據(jù)庫交互并調(diào)用定位算法（見1.2節(jié)）計(jì)算出用戶當(dāng)前的位置，然后將位置信息傳送到前端進(jìn)行渲染和顯示。

1.2 定位算法設(shè)計(jì)

本系統(tǒng)的核心是實(shí)現(xiàn)定位功能。定位功能位于本系統(tǒng)的業(yè)務(wù)層，該層包括用戶管理、WiFi指紋庫建設(shè)、位置計(jì)算以及誤差統(tǒng)計(jì)，具體內(nèi)容如下：

（1）用戶管理。包括用戶注冊(cè)以及用戶授權(quán)登錄。

（2）Wi Fi指紋庫建設(shè)。在目標(biāo)區(qū)域中，先選取一些預(yù)定的參考點(diǎn)，然后對(duì)每個(gè)參考點(diǎn)所在的位置進(jìn)行多次WiFi信號(hào)采集，再對(duì)這些信號(hào)進(jìn)行處理（如取平均值、取中位數(shù)或取眾數(shù)等），最后將處理后的信號(hào)存入WiFi指紋數(shù)據(jù)庫。

以（xi，yi）表示第i個(gè)參考點(diǎn)所在的位置，以R S Sij表示在位置i所獲得的第j個(gè)Wi Fi的信號(hào)強(qiáng)度信息，i=1，2，…，m；j=1，2，…，n。則所獲得的指紋數(shù)據(jù)庫可以表示為如下m×（n+1）矩陣：

其中，第1列表示m個(gè)參考點(diǎn)的位置坐標(biāo)，第2至n+1列表示m個(gè)參考點(diǎn)所對(duì)應(yīng)的n個(gè)WiFi的信號(hào)強(qiáng)度值。建立好WiFi指紋庫之后，后續(xù)將以其為依據(jù)計(jì)算用戶的實(shí)時(shí)位置。

（3）位置計(jì)算。系統(tǒng)采用KNN（K-Nearest Neighbor）進(jìn)行位置計(jì)算，具體算法如下。

1）定位算法：KNN

2）算法輸入：當(dāng)前位置的Wi Fi信號(hào)強(qiáng)度向量R=（R1，R2，…，Rn）。

3）算法輸出：當(dāng)前位置的坐標(biāo)（a，b）。

①計(jì)算各參考點(diǎn)與當(dāng)前位置的WiFi信號(hào)強(qiáng)度的距離，計(jì)算公式為：

②根據(jù)d i（i=1,2,…,m）的值進(jìn)行升序排序，并選取前K個(gè)值所對(duì)應(yīng)的參考點(diǎn)坐標(biāo)。

③計(jì)算所選取的K個(gè)參考點(diǎn)的權(quán)值ω，計(jì)算公式為：

該權(quán)值反映了不同距離對(duì)位置估算結(jié)果的貢獻(xiàn)度，即貢獻(xiàn)大的距離其權(quán)值較大，而貢獻(xiàn)小的距離其權(quán)值較小。

④估算當(dāng)前位置（a,b），計(jì)算公式為：

其中，（xi，yi）為從指紋庫中所選取的K個(gè)參考點(diǎn)之一，i=1,2,…,K。

（4）誤差統(tǒng)計(jì)。誤差為實(shí)際坐標(biāo)（x，y）和所估算的坐標(biāo)（a，b）之間的距離，于是，兩者之間的誤差為：

2 服務(wù)端的實(shí)現(xiàn)

系統(tǒng)服務(wù)端采用Spring Boot+MyBatis+Spring MVC框架進(jìn)行開發(fā)。開發(fā)工具采用IDEA 2019.3.3，編程語言為Java，運(yùn)行環(huán)境為JDK 1.8。系統(tǒng)由config、controller、dao、model、service以及resources共六個(gè)包組成，這些包所包含的子包、類、資源文件和配套文件及其作用見表1。

表1 服務(wù)端程序結(jié)構(gòu)

3 小程序的實(shí)現(xiàn)

如前所述，用戶可通過微信小程序進(jìn)入本系統(tǒng)主頁面并進(jìn)行注冊(cè)和登錄。用戶登錄成功之后，可以進(jìn)行如下3種操作：建立WiFi指紋庫、實(shí)時(shí)定位和誤差統(tǒng)計(jì)。小程序的實(shí)現(xiàn)主要采用微信開發(fā)者工具，編程語言采用HTML、CSS和JavaScript。同時(shí)，采用微信小程序所提供的API進(jìn)行開發(fā)，主要API見表2。

表2 微信小程序API

此外，小程序端的核心JS文件為culWifi.js和wifi.js，其中，culWifi.js文件主要實(shí)現(xiàn)了計(jì)算WiFi信號(hào)強(qiáng)度的平均值、中位數(shù)、眾數(shù)的函數(shù)；wifi.js文件實(shí)現(xiàn)了獲取WiFi列表的函數(shù)。

4 實(shí)驗(yàn)結(jié)果與性能分析

4.1 實(shí)驗(yàn)環(huán)境

系統(tǒng)的實(shí)驗(yàn)環(huán)境位于本單位的工程中心，該中心已有WiFi接入點(diǎn)一個(gè)，其周邊存在10個(gè)以上WiFi接入點(diǎn)，這些接入點(diǎn)的位置未知。實(shí)驗(yàn)過程中小程序從這些Wi Fi接入點(diǎn)采集RSSI數(shù)據(jù)作為指紋數(shù)據(jù)庫，并利用指紋數(shù)據(jù)庫進(jìn)行實(shí)時(shí)定位。實(shí)驗(yàn)環(huán)境的布局如圖2所示。

圖2 實(shí)驗(yàn)環(huán)境平面圖和參考點(diǎn)示意圖

4.2 實(shí)驗(yàn)過程

4.2.1 建立WiFi指紋庫

首先，在工程中心選取20個(gè)參考點(diǎn)，相鄰參考點(diǎn)之間相距1 m。所選取的參考點(diǎn)如圖2所示。然后，由實(shí)驗(yàn)人員在各個(gè)參考點(diǎn)所在位置采集Wi Fi信號(hào)強(qiáng)度。分兩輪進(jìn)行，在第一輪中，每個(gè)參考點(diǎn)采集信號(hào)的次數(shù)為5次，在第二輪則采集20次，采集間隔為0.5 s。接著，對(duì)所采集到的WiFi信號(hào)強(qiáng)度進(jìn)行計(jì)算。系統(tǒng)采用三種計(jì)算方法，分別為：取平均值、取中位數(shù)和取眾數(shù)。最后，將計(jì)算結(jié)果發(fā)送到服務(wù)端進(jìn)行存儲(chǔ)。建立指紋庫的界面如圖3所示。

圖3 建立指紋庫界面

4.2.2 實(shí)時(shí)定位

（1）由實(shí)驗(yàn)人員在目標(biāo)區(qū)域中任意選取一個(gè)點(diǎn)，再通過小程序采集該點(diǎn)所接收到的WiFi信號(hào)強(qiáng)度。與建立指紋庫的過程類似，定位實(shí)驗(yàn)也是分兩輪進(jìn)行，第一輪和第二輪分別采集5次和20次。

（2）對(duì)所采集到的WiFi信號(hào)分別取平均值、取中位數(shù)和取眾數(shù)。

（3）將計(jì)算結(jié)果發(fā)送到服務(wù)端與WiFi指紋數(shù)據(jù)庫進(jìn)行匹配和估算。所采用的定位算法為KNN，且K的取值為3。在得到實(shí)時(shí)坐標(biāo)值之后，該坐標(biāo)值會(huì)自動(dòng)返回到小程序界面并顯示所定位的位置。定位界面如圖4所示（紅點(diǎn)為實(shí)際位置，黑色點(diǎn)為服務(wù)端返回的位置）。

圖4 定位界面

4.2.3 誤差分析

服務(wù)端得到定位坐標(biāo)之后，計(jì)算與實(shí)際坐標(biāo)之間的距離，即可得到定位誤差。為了更客觀地反映定位誤差，本文分別對(duì)“取平均值”“取中位數(shù)”和“取眾數(shù)”等多種WiFi信號(hào)強(qiáng)度值處理方法進(jìn)行了誤差分析，同時(shí)，對(duì)不同數(shù)據(jù)采集次數(shù)（如5次和20次）也進(jìn)行了定位和誤差分析。

4.3 實(shí)驗(yàn)結(jié)果

本文對(duì)所設(shè)計(jì)的定位系統(tǒng)進(jìn)行多方面的測試，主要從RSSI值的計(jì)算方法和RSSI采集次數(shù)兩方面進(jìn)行實(shí)驗(yàn)，每一種實(shí)驗(yàn)的次數(shù)為10次，在得到每次實(shí)驗(yàn)的誤差之后，取誤差的平均值作為平均誤差。實(shí)驗(yàn)結(jié)果見表3。

表3 實(shí)驗(yàn)結(jié)果

由表3的實(shí)驗(yàn)數(shù)據(jù)可知，定位方法1的平均誤差最低，為277.304 cm，而定位方法3的平均誤差最高，為500.31 cm。定位方法1和3的可視化效果如圖5和圖6所示（五角星表示實(shí)際坐標(biāo)，圓形表示定位坐標(biāo)，圖中僅顯示5個(gè)實(shí)驗(yàn)點(diǎn)）。

圖5 定位方法1的可視化效果

圖6 定位方法3的可視化效果

值得說明的是，在實(shí)驗(yàn)過程中，誤差相對(duì)較大的點(diǎn)主要集中于障礙物（如桌子、墻體等）的位置附近，而在相對(duì)比較空曠的位置則誤差較小。

5 結(jié)語

目前，已有的WiFi室內(nèi)定位系統(tǒng)主要以“服務(wù)端+App”架構(gòu)為主，對(duì)小程序的支持不足。針對(duì)這一問題，本文設(shè)計(jì)和實(shí)現(xiàn)基于Spring Boot和小程序的WiFi室內(nèi)定位系統(tǒng)，該系統(tǒng)前端采用了微信開發(fā)者工具進(jìn)行開發(fā)，服務(wù)端采用Spring Boot+MyBatis+Spring MVC集成框架進(jìn)行開發(fā)。系統(tǒng)采用KNN定位算法，定位過程中WiFi的RSSI處理方法分別采用“取平均數(shù)”“取中值”和“取眾數(shù)”等。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)的平均定位誤差介于277.304 cm～500.31 cm之間，可滿足大型室內(nèi)場館定位服務(wù)的需求。本系統(tǒng)在保證較高定位精度的同時(shí)，極大地提高了用戶享受WiFi室內(nèi)定位服務(wù)的便捷性。