Design and implementation of indoor 2D positioning system based on RSSI joint algorithm
-
摘要: 针对位置指纹匹配算法计算量大导致室内定位精度不高的问题,提出了一种基于接收信号强度指示(RSSI)的联合算法. 该算法以K近邻位置指纹匹配算法为基础算法,加入三角定位辅助算法,首先进行三角定位得出参考区域,再进行位置指纹匹配进行精准定位,有效地提高了定位精度. 使用Android Studio基于Java语言开发了一款集Wi-Fi位置指纹采集与在线定位一体化的软件,并在试验场地进行测试.实验结果表明:该算法定位精度在二维平面内达到 1~3 m,较单一算法定位精度有所提高.Abstract: Previous location fingerprint matching algorithm have some problems of low positioning accuracy caused by huge calculating. This study proposed a joint algorithm based on received signal strength indication (RSSI). The joint algorithm integrate K nearest neighbor position fingerprint matching and triangulation auxiliary. Firstly, the positioning coordinates was obtained and modified by triangulation and then position fingerprint matching was conducted. This can improve the positioning accuracy. A software integrating location fingerprint collection and online positioning was developed using Android Studio in Java language and tested on the test site. The results show that the RSSI-based algorithm can resch positioning accuracy between 1 and 3 meters in 2D plane, which is higher than the single algorithm.
-
Key words:
- joint algorithm /
- indoor positioning /
- triangulation /
- location fingerprint /
- K nearest neighborhood /
- Android
-
表 1 扫描到的AP信息
序号 位置坐标 网络地址 MAC地址 RSSI/dBm 1 (591.416,911.9238) 606 48:0e:ec:a6:15:b0 –55 2 (591.416,911.9238) 608 48:0e:ec:a6:15:f2 –56 3 (591.416,911.9238) 610 d0:76:e7:ed:19:e9 –58 4 (591.416,911.9238) 土木学院601 ae:a6:15:b7:13:21 –61 5 (591.416,911.9238) chzu-wlan 6c:e5:f7:36:c9:b0 –62 表 2 两种算法定位数据对比
算法 不同定位精度下的误差累积概率/% 最大误差/m 最小误差/m 平均误差/m 1.5 m 2 m 2.5 m 3 m 3.5 m 4 m 4.5 m 5 m 单一算法 0 0 3 21.5 46.5 64.5 96.5 100 4.58 2.05 3.31 联合算法 3 50 75 100.0 100.0 100.0 100.0 100 2.86 1.01 1.93 -
[1] 史永. 空间场景约束的室内定位方法研究[D]. 南京: 南京师范大学, 2016. [2] 李征航, 何良华, 吴北平. 全球定位系统(GPS)技术的最新进展第二讲网络RTK[J]. 测绘信息与工程, 2002, 27(2): 22-25, 32. [3] 施闯, 赵齐乐, 李敏, 等. 北斗卫星导航系统的精密定轨与定位研究[J]. 中国科学: 地球科学, 2012, 42(6): 854-861. [4] 陈丽娜. WLAN位置指纹室内定位关键技术研究[D]. 上海: 华东师范大学, 2014. [5] 王益健. 蓝牙室内定位关键技术的研究与实现[D]. 南京: 东南大学, 2015. [6] 杨洲, 汪云甲, 陈国良, 等. 超宽带室内高精度定位技术研究[J]. 导航定位学报, 2014(4): 31-35. [7] 徐盈. 室内定位系统设计[D]. 西安: 西安电子科技大学, 2009. [8] COX J. Apple’s iBeacon turns location sensing inside out[J]. Network world, 2014, 45(6): 367-378. [9] 李兴鹤, 胡咏梅, 宋吉波, 等. 基于LANDMARC系统的室内定位仿真研究[J]. 计算机工程与应用, 2008, 44(27): 209-212. [10] 张文学. 基于Wi-Fi的RSSI指纹定位算法研究[D]. 成都: 电子科技大学, 2015. [11] 黄华晋, 秦建息. 基于三角定位算法的Wi-Fi室内定位系统设计[J]. 广西科学院学报, 2016, 32(1): 59-61. [12] 秦泗明. 基于位置指纹的Wi-Fi室内定位技术研究[D]. 成都: 电子科技大学, 2013. [13] 李兵兵. 基于WI-FI位置指纹的室内定位算法研究[D]. 保定: 河北大学, 2020. [14] 张明华. 基于WLAN的室内定位技术研究[D]. 上海: 上海交通大学, 2009. [15] 关沧海. 基于Android平台的室内定位系统设计与实现[J]. 测绘与空间地理信息, 2020 (增刊): 35-37, 41. [16] 孙玉曦, 甄杰, 郭英, 等. 最强基站MAC地址匹配的RSSI加权室内定位方法[J]. 导航定位学报, 2020, 8(5): 19-24. [17] 吴雨, 杨力, 王梦茹, 等. 基于Android平台的Wi-Fi定位系统研究与实现[J]. 全球定位系统, 2016, 41(4): 90-93. [18] 李刚, 姬同凯, 杨建光, 等. 基于Android的位置指纹数据采集系统[J]. 计算机时代, 2017(9): 9-12. [19] 米伟娟. 基于Wi-Fi的室内定位系统的设计与实现[D]. 石家庄: 河北科技大学, 2019. [20] 罗宇锋, 刘艳辉, 刘艳玲. 基于MIMU/Wi-Fi指纹组合室内定位系统的研究[J]. 全球定位系统, 2018, 43(5):7. [21] 庄逸众. 基于LBS移动服务框架设计与实现[D]. 北京: 北京邮电大学, 2012. [22] 陈思敏. 基于位置指纹识别的Wi-Fi室内定位算法研究与实现[D]. 南京: 南京邮电大学, 2016.