王澤宇,王美清
(北京航空航天大學 機械工程及自動化學院 北京 100191)
無線射頻識別技術(RFID)提供一種非接觸式的雙向通訊,具有快速精確、可靠耐用、成本低廉的特點。無源式RFID應用廣泛,如公交卡、員工卡等均采用了RFID技術,這類RFID電子標簽價格低廉方便使用,但是識別范圍比較小。有源式RFID識別范圍廣,在高速公路收費、港口貨物管理中有廣泛應用。RFID定位技術作為一種可以在室內(nèi)部署的技術,也得到了廣泛研究。然而,RFID定位技術有著定位精度低、信號易遮擋、易受干擾等問題。
隨著大數(shù)據(jù)、物聯(lián)網(wǎng)等技術的應用,車間內(nèi)部生產(chǎn)流程越來越數(shù)字化、規(guī)范化。為了提高工廠內(nèi)整體的智能程度,室內(nèi)定位也隨之應用起來:對工人的定位可以幫助管理人員優(yōu)化作業(yè)計劃、提高管理效率;對于托盤、AGV小車等運輸物料設備的定位,可以隨時監(jiān)測車間內(nèi)的物流狀態(tài),提高生產(chǎn)計劃的執(zhí)行效率。一般而言,對室內(nèi)定位的研究往往著眼于坐標式的定位,比如,密西根大學的LANDMARC[1]是一個比較知名的研究成果,其原理是在空間中設定參考基站,通過對回波信號強度指示(Received Signal Strength Indication,RSSI)加權平均計算標簽位置。Hightower等人設計的SpotON定位系統(tǒng)[2]是一種基于信號強度的三點式定位系統(tǒng),他們設計并實現(xiàn)了這一系統(tǒng)的電路。
上述坐標式定位的粒度遠遠超過了車間內(nèi)定位的需求,并且,為了提高定位的精度,研究者往往采取增加測點密度、提高信號基站功率、限定某一些場景模式和干擾源的方法[3],或者使用SVM(Support Vector Machine)[4]、卡爾曼濾波[5]、粒子群優(yōu)化[6]等方法。而這些對車間內(nèi)區(qū)域式的定位而言是沒有必要的:車間內(nèi)的定位需求一般是基于區(qū)域的,其粒度更粗一些,但需要提高定位的準確率、能抵抗車間內(nèi)復雜環(huán)境的干擾、使用盡可能少的基站以便減少布線難度。這種定位更著重于判斷被識別者到達了哪一個工位區(qū)域,而不是實時的坐標點。
在室內(nèi)定位的研究中,K-最臨近(KNN,K-Nearest Neighbor)法是最常見的一類計算方法。為了提升KNN的精度,研究者從模糊聚類[7]、幾何聚類[8]、SVM[9]等方面入手。使用WKNN的方法通常關注定權的方式,如高斯函數(shù)法[10]。使用KNN對經(jīng)典LANDMARC方法[11]做提升的思路也是研究的熱點。
本文對基于RFID的生產(chǎn)現(xiàn)場區(qū)域定位技術展開研究,采用一種基于RFID信號強度分類的網(wǎng)格化定位方法來改善定位準確率,將受干擾的RFID信號強度作為一種特征,用于位置分類。根據(jù)生產(chǎn)現(xiàn)場布局,以工位為基礎將車間網(wǎng)格化。采用KNN和W-KNN的方法分析和建立信號強度與現(xiàn)場區(qū)域的對應關系,解決遮擋和干擾情況下的定位準確問題;并通過仿真驗證了所提方法的有效性。
RFID技術早已深入到工業(yè)生產(chǎn)和日常生活中,它本身具有多種物理特性,可以用于實現(xiàn)定位。常見的利用信號時空幾何信息進行定位的方法有:臨近探測法、到達時間定位法(TOA)、到達時間差定位法(TDOA)和到達角度定位法(AOA)。
臨近探測法是最常見的RFID定位方法,部署簡單,通過識別一定范圍內(nèi)的信號,判斷RFID標簽是否在識別區(qū)域附近。該方法識別精度低,通常用于RFID標簽的存在性識別,往往難以給出較為準確的結(jié)果。
到達時間定位法,即TOA(Time Of Arrival),是利用計算信號到達識別設備的時間定位。將時間長度乘上光速轉(zhuǎn)化為空間距離,結(jié)合三個或以上的識別基站,就可以實現(xiàn)坐標解算。這種定位方法對時間識別有比較高的要求,需要在短距離內(nèi)實現(xiàn)很好的時間精度,識別設備和RFID標簽之間需要精確地同步時鐘,而RFID通信速率低,實現(xiàn)精確地時間同步較為困難。
到達時間差定位法,即TDOA(Time Difference Of Arrival),原理與TOA類似,不過計算的是信號到達識別基站之間時間的差值,使用雙曲線測距來計算坐標。這種方法在一定程度上能提高定位精度,不過依然存在時間測量難度大的問題。
到達角度定位法,即AOA(Angel Of Arrival),需要標簽和識別設備具有方向性的天線,可以識別出信號到達的角度,結(jié)合多個識別基站實現(xiàn)定位。這種方法對設備的要求比較高,并且容易受空間中干擾的影響,很容易因多徑效應產(chǎn)生較大誤差。
上述的幾種方法測量精度往往都難以保證,且容易受到干擾和多徑效應的影響。因此,逐漸發(fā)展出基于回波信號強度的定位方法(Received Signal Strength Indication,RSSI)。在理想環(huán)境中,信號在傳播中的損耗與距離相關,通常使用對數(shù)路勁損耗模型來描述如式(1)所示:
Pl表示經(jīng)距離d后衰減的信號強度,P0表示距離為d0處的信號強度,n是路勁損耗系數(shù),η是遮蔽因子。
事實上,由于空間中存在著各種干擾和多徑效應,僅靠信號衰減模型來計算坐標通常也會得到不夠理想的結(jié)果。但是,信號強度的測量比較方便,且其本身攜帶有環(huán)境因素影響下的信息,結(jié)合機器學習或神經(jīng)網(wǎng)絡的方法,可以使用回波信號強度實現(xiàn)比較精準的定位。
車間分塊是面向?qū)嶋H加工生產(chǎn)需要的,對于傳統(tǒng)的RFID定位而言,不管使用何種方法,都是計算出一個標簽的實時坐標。然而在車間物料運輸過程中,這種粒度的定位往往沒有必要。管理者關心物料何時從哪一個工位發(fā)出,何時到達目標工位,這種定位是與加工流程和物流需求相關聯(lián)的,因此,以工位為基礎的粒度劃分更為實用合理。
下圖給出了一個車間工位的劃分簡圖。圖中的各色線條代表了車間中的各類遮擋(木板、磚墻、玻璃、金屬等)。圖中標注了車間布置的6個高功率RFID基站,圖中的6個虛線框圍成的區(qū)域代表需要識別的6個工位??梢钥闯觯囬g網(wǎng)格化的目的是面向工位布局和物流需求的,將車間內(nèi)物料的識別轉(zhuǎn)化為工位的分類,從而實現(xiàn)智能化管理。在網(wǎng)格的劃分上,可以不對全車間做完全覆蓋。網(wǎng)格和網(wǎng)格之間留有空隙,這樣可以提高識別精度,減小誤識別率。網(wǎng)格的選取,需要在方便運輸?shù)幕A上,選擇信號好、網(wǎng)格和網(wǎng)格之間間距盡可能大的地方。
圖1 車間內(nèi)布局與干擾
信號接收器的布局需要綜合考慮網(wǎng)格劃分和實際車間情況。接收器應均勻地分布在車間各網(wǎng)格之間,每一個網(wǎng)格都應至少有一個接收器可以無遮擋覆蓋。對于遮擋多、信號差的地方,可以采取多個多角度接收器的環(huán)繞布局。在網(wǎng)格間距比較接近的地方,需要布置多個有區(qū)分效果的接收器。本論文中,將被遮擋、被干擾的信號強度作為分類的依據(jù),因此如果對某個網(wǎng)格而言,某接收器是被遮擋的,那么只要遮擋是比較充分均勻的,就不會對結(jié)果有很大影響。如果網(wǎng)格內(nèi)的信號強度是不均勻的,應當調(diào)整網(wǎng)格和接收器布局,或在網(wǎng)格內(nèi)多次均勻地做大量實驗。
在車間環(huán)境比較好的情況下,也可以增加網(wǎng)格數(shù)量、減小網(wǎng)格面積。這樣可以提高RFID標簽的識別精度。位置精度要求高的場合可以采取這種方法。
在網(wǎng)格化的基礎上,RFID標簽定位不再是一個計算坐標的回歸問題,而是一個區(qū)域的分類歸屬問題。在當前問題中,K-最臨近(KNN,K-Nearest Neighbor)是一種常用且有效的方法。
KNN是一種簡單、基礎但有效的人工智能算法,最早由Cover和Hart在1960s提出[12]。KNN的思路是,比較測試數(shù)據(jù)與訓練樣本的距離,選擇最接近的K個樣本,用于估計樣本的實際位置。W-KNN(Weight-KNN)是一種使用加權方法對KNN的優(yōu)化,以便提高KNN的精度。這樣,KNN和W-KNN就成為一種計算坐標的回歸方法。本文基于KNN和W-KNN,提出一種面向網(wǎng)格化區(qū)域的分類方法。
假設區(qū)域內(nèi)布置了n個基站,一共有m個區(qū)域。在每個區(qū)域內(nèi)均勻地做多次實驗,可以得到這些實驗RSSI數(shù)據(jù)的平均值和方差為:
θij表示第i個區(qū)域中第j個基站的平均RSSI,表示第i個區(qū)域中第j個基站的RSSI方差。
和傳統(tǒng)方法類似,將RSSI矩陣記為行向量的形式H為:
選擇d最小的區(qū)域作為分類器判別的區(qū)域。
實際上,更常見的KNN方法中,不需要計算一個區(qū)域內(nèi)的平均RSSI,而是把所有的樣本測點都和實驗數(shù)據(jù)比較距離,選擇前K個測點,計算這K個點分別屬于那些區(qū)域,選擇點數(shù)最多的區(qū)域作為分類的結(jié)果。但是,這種方法計算量非常龐大,且并不能保證可以克服未知干擾的影響。
為了克服干擾的影響,同時減少計算量,結(jié)合方差使用W-KNN方法做分類。由于方差體現(xiàn)了一個基站在一個區(qū)域中RSSI的變化程度,因此方差較小的數(shù)據(jù)權重更大。
使用W-KNN方法時,實驗數(shù)據(jù)和第p個區(qū)域的加權歐式距離為:
wi表示權重,這也就是W-KNN中加權的含義。如果wi以某種特殊的形式確定,算法就是W-KNN算法。wi給定的方式有很多,一般來說,d小的樣本對應的wi比較大;有的文獻中考慮了樣本的方差屬性,在一個樣本點上做多次重復實驗,取實驗的平均值為訓練集,而實驗的方差作為權重取值的依據(jù),方差越小的點應獲得更多的權重。
本文給定的權重是方差的調(diào)和平均數(shù)。為了防止算式中由于方差太小以至于算出特別大的數(shù),分母中通常加一個常數(shù),這里取1。
用這種方法計算得到的p充分考慮了區(qū)域中不同點的特點,因而有更好的效果。
在仿真中,我們使用仿真軟件,模擬了工廠中在干擾影響下的信號強度。每個區(qū)域中均勻地選擇10個點采集RSSI數(shù)據(jù)。圖2給出了空間中信號分布仿真的結(jié)果。RSSI數(shù)據(jù)的單位是dB,該值最大為0,最小為-100,數(shù)據(jù)為-100時表示信號極其微弱可以忽略,或者完全搜索不到信號。計算每個區(qū)域中RSSI數(shù)據(jù)的平均值和方差,結(jié)果如表1所示。
圖2 車間內(nèi)信號分布仿真
表1 各網(wǎng)格信號的均值和方差
在每個區(qū)域中隨機選擇10個測點,使用KNN方法和WKNN方法測試識別的結(jié)果,結(jié)果如表2所示。
表2 KNN和WKNN判斷的正確率
可以看出,整體上使用WKNN的方法比使用KNN的方法識別正確率有提升,尤其是區(qū)域5提升明顯,但是區(qū)域2的正確率依然偏低。這和數(shù)據(jù)的特點有關。由于WKNN考慮了RSSI的方差,因此在信號不好的地方,方差一定程度上可以體現(xiàn)信號的穩(wěn)定性。區(qū)域5的信號整體上不好,但是基站3在區(qū)域5內(nèi)的方差比較低,說明變化比較小。更有代表性,使用WKNN方法時會獲得比較明顯的識別率提升;區(qū)域2中各基站的信號強度都偏低,且方差也比較大,說明區(qū)域內(nèi)信號不佳且變化大,即使使用WKNN方法也難以實現(xiàn)明顯的精度提升。以上分析說明,算法識別的精度與基站的布置有關。KNN方法和WKNN方法可以一定程度上適應復雜環(huán)境下區(qū)域識別的要求,但是需要區(qū)域內(nèi)有至少一個代表性比較強的基站信號特征,這種代表性可以用方差來衡量:這個區(qū)域內(nèi)RSSI方差越小的基站,越能代表這個區(qū)域的特征。因此,在基站布局上應合理考慮識別區(qū)域需求和基站位置,從而使識別正確率更高。
本文提出了一種基于RFID回波信號強度和KNN、WKNN的生產(chǎn)現(xiàn)場網(wǎng)格化定位方法,通過結(jié)合生產(chǎn)現(xiàn)場實際情況和物流需求,在車間內(nèi)設定若干個識別網(wǎng)格。為了充分覆蓋網(wǎng)格中的所有位置,需要在網(wǎng)格內(nèi)均勻地采集多個測點,使用KNN和WKNN方法來獲得信號強度的特征數(shù)據(jù)。在仿真中,我們比較了KNN和WKNN方法的效果,使用WKNN在一些情況下可以顯著提升識別精度,但是對于區(qū)域內(nèi)信號特征代表性不強的網(wǎng)格依然不能做到較好的識別,因此網(wǎng)格的選取和基站的布置對于識別的結(jié)果也是有影響的,這對于相關研究具有借鑒意義。