基于相邻子信道差分的CSI定位算法

1、基于相邻子信道差分的CSI定位算法 薛凯文，李朝晖，赵方作者简介：薛凯文（1990-），男，硕士研究生，主要研究方向：移动计算与智能感知通信联系人：李朝晖（1966-），女，副教授，主要研究方法：移动计算和多媒体技术. E-mail: 1.51.51.51.51.51.51.51.51.51.51.5College of Software Engineering, Being University of Posts and Telecommunications, Beijing,100876;College of Software Engineering, Being University o

2、f Posts and Telecommunications, Beijing,100876;College of Software Engineering, Being University of Posts and Telecommunications, Beijing,100876北京邮电大学软件学院，北京 100876;北京邮电大学软件学院，北京 100876;北京邮电大学软件学院，北京 100876100876;100876;北京市海淀区西土城路10号北京邮电大学学十楼1414;北京市海淀区西土城路10号北京邮电大学明光楼309;薛凯文（1990-），男，硕士研究生，主要研究方向：移

3、动计算与智能感知;李朝晖（1966-），女，副教授，主要研究方法：移动计算和多媒体技术;薛凯文;李朝晖;赵方XUE Kaiwen;LI Zhaohui;ZHAO Fang李朝晖1.51.51.51.51.51.51.51.51.51.51.51.51*|*期刊*|*Bahl P, Padmanabhan V N. RADAR: An In-Building RF-based User Location and Tracking SystemJ. Institute of Electrical & Electronics Engineers Inc, 2000, 2:775-784.&l

4、t;CR>2*|*论文集*|*Youssef M, Agrawala A. The Horus WLAN location determination systemC/ Proceedings of the 3rd international conference on Mobile systems, applications, and services. ACM, 2005:205-218.<CR>3*|*期刊*|*Yang Z, Zhou Z, Liu Y. From RSSI to CSI: Indoor Localization via Channel Respons

5、eJ. Acm Computing Surveys, 2013, 46(2):25:1-25:32.<CR>4*|*专著*|*Heiskala J, Terry Ph D J. OFDM wireless LANs: A theoretical and practical guideM. Sams, 2001.<CR>5*|*期刊*|*Halperin D, Hu W, Sheth A, et al. 802.11 with multiple antennas for dummies.J. Acm Sigcomm Computer Communication Revie

6、w, 2010, 40(1):19-25.<CR>6*|*论文集*|*Chen D, Du L, Jiang Z, et al. A fine-grained indoor localization using multidimensional Wi-Fi fingerprintingC/ 2014 20th IEEE International Conference on Parallel and Distributed Systems (ICPADS). IEEE Computer Society, 2014:494-501.<CR>7*|*期刊*|*Chapre

7、Y, Ignjatovic A, Seneviratne A, et al. CSI-MIMO: An efficient WiFi fingerprinting using Channel State Information with MIMOJ. Pervasive & Mobile Computing, 2015.<CR>8*|*期刊*|*Serrano O, Rodero Merino L, Matellán Olivera V, et al. Robot localization using WiFi signal without intensity m

8、apJ. 2012.<CR>9*|*论文集*|*Moghtadaiee V, Dempster A G, Lim S. Indoor localization using fm radio signals: A fingerprinting approachC/Indoor Positioning and Indoor Navigation (IPIN), 2011 International Conference on. IEEE, 2011: 1-7.<CR>10*|*论文集*|*Xiao J, Wu K, Yi Y, et al. FIFS: Fine-Grain

9、ed Indoor Fingerprinting SystemC/ International Conference on Computer Communications & Networks. 2012:1-7.<CR>11*|*期刊*|*Wu K, Xiao J, Yi Y, et al. FILA: Fine-grained indoor localizationJ. Proceedings - IEEE INFOCOM, 2012, 131(5):2210-2218.<CR>12*|*论文集*|*Wang X, Gao L, Mao S, et al.

10、DeepFi: Deep learning for indoor fingerprinting using channel state informationC/ Wireless Communications and Networking Conference (WCNC), 2015 IEEE. IEEE, 2015.<CR>13*|*期刊*|*Halperin D, Hu W, Sheth A, et al. Tool Release: Gathering 802.11n Traces with Channel State InformationJ. Acm Sigcomm

11、Computer Communication Review, 2011, 41(1):53-53.<CR>14*|*期刊*|*Sen S, Radunovic, Bo&#, Choudhury R R, et al. You are facing the Mona Lisa: spot localization using PHY layer informationJ. Proceedings of the Acm Mobisys Mobisys , 2012:183-196.|1|薛凯文|XUE Kaiwen|北京邮电大学软件学院，北京 100876|College of

12、 Software Engineering, Being University of Posts and Telecommunications, Beijing,100876|薛凯文（1990-），男，硕士研究生，主要研究方向：移动计算与智能感知|北京市海淀区西土城路10号北京邮电大学学十楼1414|100876|<CR>*|2|李朝晖|LI Zhaohui|北京邮电大学软件学院，北京 100876|College of Software Engineering, Being University of Posts and Telecommunications, Beijing,1

13、00876|李朝晖（1966-），女，副教授，主要研究方法：移动计算和多媒体技术|北京市海淀区西土城路10号北京邮电大学明光楼309|100876|<CR>|3|赵方|ZHAO Fang|北京邮电大学软件学院，北京 100876|College of Software Engineering, Being University of Posts and Telecommunications, Beijing,100876|基于相邻子信道差分的CSI定位算法|A CSI Indoor Localization Algorithm based on the Difference bet

14、ween Adjacent Sub-channels|（北京邮电大学软件学院，北京 100876）摘要：近年来，随着无线设备的逐渐普及，基于定位需求服务日益增长，室内定位技术成为研究热点。其中基于WiFi网络室内定位技术由于具有部署便捷和低成本等优势成为室内定位技术主流。然而现有的基于WiFi定位技术大多通过测量接收端的 RSSI（Received Signal Strength Indicator）生成指纹来完成定位，由于受RSSI信号时变性和多径效应影响，现有WiFi定位技术存在较大误差。与此不同，论文使用新一代高速WiFi特有的可反映物理信道特征并具有多径区分能力的信道状态信息CSI（C

15、hannel State Information），结合MIMO（Multiple Input Multiple Output）天线技术，采用相邻子信道差提取定位特征值方法构建定位指纹库，实现室内高精度定位。实验结果表明，使用MIMO的基于信道差分的CSI指纹定位算法可获得0.98m的平均定位精度，明显优于使用SISO（Single Input Single Output）CSI指纹定位算法性能。关键词：室内定位；CSI；指纹匹配；MIMO中图分类号：TP393A CSI Indoor Localization Algorithm based on the Difference between

16、 Adjacent Sub-channelsXUE Kaiwen, LI Zhaohui, ZHAO Fang(College of Software Engineering, Being University of Posts and Telecommunications, Beijing,100876)Abstract: In recent years, with the growing popularity of the Wi-Fi devices，the need forlocation is growing,andindoor location technology has beco

17、me a research hotpot. because of the convenient and low cost, the indoor location technology which are based on widely deployed Wi-Fi network is very measuring the RSSI (Received Signal Strength Indicator) in receiver to generate fingerprints to complete positioning. However, In the process of measu

18、rement, under the influence of time-varying and multipath effect, the results of final positioning results has certain errors. In this paper, We use CSI(the Channel State Information) which reflects the characteristics of the physical Channel to locate,Combining MIMO(Multiple Input Multiple Output)

19、technology, Usingthe method which get the diff value between adjacent sub-channels to extract characteristic values and generate fingerprints, the results shows: with MIMO and difference between sub-channels method, location accuracy is better than the method using SISO(Single Input Single Output) o

20、r RSSI, the average accuracy is about 0.98m.Key words: indoor localization；CSI；fingerprint matching；MIMO0 引言近年来涌现出一批利用Wi-Fi进行室内定位的研究方向。其中利用接收RSSI作为度量是目前主流的做法，RSSI代表了接收端的接收信号强度。不同位置的强度值不同，以此特征完成定位1-2。但是把RSSI作为度量也存在缺陷3，一方面：室内环境复杂多变，由于室内环境中的存在反射，衍射，散射等多径效应，导致同一位置接收到的RSSI在不同时间会有所不同，另一方面如图1所示，同一个位置一分钟之中的

21、RSSI的差别有5dB左右，在不同的位置，RSSI的值可能会一样。因此，需要继续寻找一个更加细粒度的更加稳定的度量。图1 RSSI时变图此外，OFDM（Orthogonal Frequency Division Multiplexing）4将信道分成若干正交子信道，数据信号被调制到不同频率的子信道上同时进行传输，从而减少了子信道之间的相互干扰。IEEE 802.115标准基于OFDM技术可以提供不同信道的频率信息，即CSI（Channel State Information）。它描述了每个子信道的振幅和相位信息，能够在一定程度上消除多径效应带来的影响。基于不同位置的CSI有不同的信号特征，我们

22、可以据此构建更加准确的指纹库。因此我们选择使用CSI替代RSSI作为新的度量进行定位。最后，MIMO6-7技术指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，丰富了传输内容。这篇论文中，我们使用MIMO技术基于CSI描述了一个室内定位指纹模型。整个定位过程包括两个阶段：离线阶段：我们对相邻子信道进行差分处理原始的CSI信息，消除时差性和设备差异性，构建一个准确的指纹库；定位阶段：我们基于贝叶斯法则8和KWNN9算法确定最终位置。接下来的论文的组织如下。第1部分，我们介绍了相关工作；第2部分是我们定位模型的核心算法。第3部分是实验和评估。在第4部分

23、是总结了本文提出的定位模型并对以后的研究提出了建议。1 相关工作目前，基于CSI的室内定位已经吸引了很多研究人员的兴趣，一些先前的研究已经对定位精度做出了巨大的提升。基于CSI的室内定位算法已经尝试了若干种方法，提出了如下几种系统：FIFS10利用频率差异性，即CSI的值在不同子信道有不同幅度和相位，来唯一的确定一个位置。另外，在指纹中还加入多天线技术，增强了空间差异性。在离线构建指纹库阶段，在每个采样点，对于每一根天线获取30个子信道的振幅值求模的平方和，再对多根天线求平均值He，作为唯一的指纹；在线定位阶段，把一个固定位置的从AP接收的作为高斯变量，基于贝叶斯理论挑选了K个点，最终的位置是

24、候选点权重的和。然而由于设备异构性和时差性，在单个路径上的区分不够。在类似于走廊这样的环境中定位精度有待提高。FILA11系统中，首先通过IFFT（Inverse Fast Fourier Transform）处理原始CSI信息，以此消除多径反射引入的误差，接收端用30组CSI值的不同权重的CSI值来获得有效的CSI。在离线阶段，基于监督学习机制进行快速训练，从两个信标取得的多个CSI值来确定出环境因子和路径损耗指数，从第三个信标采集的CSI值来检验参数的有效性。然后迭代这两个步骤直到收敛。在线定位阶段，根据衰减模型来计算移动端于AP之间的距离，利用三边定位算法计算目标位置的精确坐标。然而由于

25、并未使用现有成熟的基于指纹的方法进行定位，也没有利用MIMO技术来增强传输内容，所以定位精度还可以进一步提升。DeepFi12提出了一个新的研究思路，在离线定位阶段使用深度网络来提取CSI信息，使用深度网络中的权重来代表指纹，配合贪心学习算法训练指纹。在线定位阶段使用了径向基函数法进行位置估算。但是遗漏了太多CSI中的特征信息，定位精度并没有太大的提升。为了消除设备异构性和时差性等问题，本文提出的定位模型在结合以上方案优点的基础上，提出基于信道差分的定位算法，利用差分值构建指纹库，最终实验结果表明使用相邻子信道差分提升了定位精度，平均精度可以达到0.98m。2 基于相邻信道差分的定位算法2.1

26、 定位算法概述在这篇论文中，所使用的室内定位方法是对常见的指纹定位算法的改进，指纹定位算法分为两个阶段，离线训练阶段和在线定位阶段，离线训练阶段：我们首先对信道特征值进行提取，然后用提取出的特征值构造指纹库；在线定位阶段使用基于贝叶斯法则和KWNN（K Weighted Nearest Neighbors）的算法求出目标位置。图2定位过程的算法结构。图2 定位过程中的算法流程图2.2 离线训练阶段2.2.1 子信道特征值提取 我们使用两个装有Inter 5300网卡的PC搭建定位环境，一个固定位置作为发射端，一个作为接收端在每个采样点处停留，以获取发送端传输过来的射频信号。我们使用 CSI T

27、ool 可以获取到信号中的CSI信息，在接收端可以获取到30个子载波组成的信道矩阵，如下所示： (1)每一个子载波接收到的是个复数值，从中可以提取出其振幅和相位信息： (2)是第k个子载波的幅度，而是第k个子载波的相位。基于802.11n协议支持MIMO技术，我们有三根发送和三根接收天线，则我们子载波的信道最终可以被表示为 的矩阵，也就是的矩阵，如(3)所示： (3)通过实验对比的矩阵大小的CSI信息已经供了丰富了CSI信息，因此在此进行了简化，取三条发射天线在每一个样本点的平均值。每一个采样点的CSI信息缩减至的矩阵。图 3 同一子信道多次采样的振幅波动性如图3所示，通过实验发现同一个子信道

28、在多次观测的过程中发现波动的浮动幅度较大，且存在的规律性不强，我们尝试通过对相邻子信道求差值则减弱了这种波动性，如图4所示：图 4 信道差分后多次采样的振幅波动性可以看到差分后，采样的波动性有所减弱并且呈现出明显的周期性。在采样阶段我们也尝试利用相位信息，如图5所示，相位波动性太强，无法从中提取出有效的特征信息。图 5 同一子信道多次采样的相位波动性因此我们决定仅对振幅进行差分，具体差分方法如下所示： (4)经过预处理之后，最终每个采样点的采样信息为CSI为的矩阵。2.2.2 指纹库构建通过实验观察，我们发现差分后的CSI采样信息呈高斯分布，如图6所示，因此使用高斯分布的期望和方差作为指纹信息

29、： (5)表示某相邻子信道差分后对应的指纹信息，,表示多次采样后计算出的期望和方差。由于有3根接收天线，为，则每个采样点的指纹值为： (6)表示第k个采样点，表示总的采样点个数，表示第j个子信道，表示三根不同的接收天线。图 6 同一子信道采样点的直方图2.3 在线定位阶段在线定位阶段，需要先对采样到的CSI的值使用训练阶段提到提取方法进行预处理，然后再与离线阶段训练得到的指纹库相比较，找到最接近的位置。整个过程结合使用了贝叶斯法则和KWNN算法。2.3.1 贝叶斯法则根据贝叶斯法则，最佳位置的确定是找出定位指纹在不同位置的后验概率，已知： (7)其中是训练阶段采样点个数,是在线定位阶段的指纹，

30、在我们的定位系统中，认为训练阶段的是等概率事件，所以， 是似然概率,我们使用高斯过程计算每一个差分信道的概率，由于信道之间相互独立，我们最后再对其进行求积： (8)找到各个采样点的概率后，我们找出概率最大的K个点，下一步再使用KWNN算法，得出最终的定位位置。2.3.2 KWNN算法在前一步贝叶斯法则的基础上，我们找出概率最大的K个点来进行KWNN算法，KNN算法的基本思路是：如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。我们在KNN 算法的基础上引入了权重，判断样本在不同权重

31、的类别的前提下，属于哪一类。基于我们的实验，即判断属于哪一定位区域，具体权重的算法如下表所示：表1 KWNN算法Input：fingerprints scores /不同位置的指纹概率得分Output: estimation location l(x,y)/最终预测的位置max_score1 = -inf;max_score2 = -inf; .max_scorek = -inf;sort(scores);/ 升序排列k个指纹最高的点max_score1 = scores(1);/概率值第1高的位置的概率值max_score2 = scores(2);/概率值第2高的位置的概率值max_sco

32、rek = scores(k);/概率值第k高的位置的概率值base = 1/max_score1 + /1max_score2 + 1/max_score3;/计算的分母l(x,y)=(1/max_score1)*loc_1(x,y)+(1/max_score2)/loc_2(x,y)+(1/max_scorek)/loc_k(x,y)/base;3 实验及分析3.1 实验条件为了对比和评估算法的定位精度，在中国科学院计算技术研究所科研楼7层的过道区域搭建了定位环境，具体部署环境如图7所示（定位区域面积为，定位区域划分为12个网格，网格中心点间距是,图中A点处为用作发射的PC。实验中使用两台

33、装配有Inter 5300网卡的ThinkPad x200 PC作为发送端和接收端。PC上安装了Ubuntu 14.04的操作系统，并使用软件CSI Tool13来获取CSI信息，在线定位阶段，每个网格采样2000次，作为训练数据，定位阶段每个点采取100次作为测试数据。图 7 实验环境布局实验从以下几个方面入手，分别比较了不同的差分算法，不同的相位补偿算法，不同的值的影响、时间迁移性影响，RSSI与CSI比较，最终基于累计误差分布函数（cumulative distribution function, CDF）图来表示定位性能。3.2 不同差分方法比较由于每个子信道既有振幅又有相位信息，在对

34、子信道进行差分时，我们尝试采用了如下几种方式进行差分：1）方法A只计算相邻子信道的振幅差，将振幅差作为CSI特征值，相当于取相邻子信道CSI向量模的长度差；2）方法B计算相邻子信道振幅差和相位差，然后再求出这两项差值对应的新的CSI值，再求出该值的模值，相当于新的CSI向量的模等于原先相邻子信道的模的差值，新的CSI向量的角度等于之前相邻子信道角度的差值；3）方法C计算相邻子信道CSI复数值的实部之差和虚部之差，然后用差值求出新的复数值，在求出该复数值的模值，相当于新的CSI向量的实坐标是原先相邻子信道实坐标之差，新的CSI向量的虚坐标是原先相邻子信道虚坐标之差。以下是几种不同的差分方法，最终

35、的定位性能比较结果如下，可以看出：图 8 不同差分方法定位结果对比图3.3 不同相位补偿方法比较由于相位的波动性较大，如果不对相位信息进行处理是无法用于定位的，因此我们尝试了如下几种方式进行相位补偿1） 方法A，我们重现了You are Facing MonaLisa14这篇文章提到的相位补偿方法。对于每一个子信道的相位值我们计算，是补偿后的相位值： (9) (10) (11)2） 方法B,由于30个子信道的相位在发送端应呈现递增的态势，然而在接收端由于多径效应，可能会打乱其递增的方式，因此我们在接收端作如下处理：如果出现非递增，我们就将使用如下方式进行角度补偿 (12) (13)3)方法C，

36、未利用相位信息只对相邻信道进行振幅差分。三种方法的对比结果如下图所示，可以看出使用相位信息进行定位的结果都不是十分理想，说明当前方法提取出的相位信息引入的误差较多，使用它反而不利于定位。图 9 不同相位补偿方法的定位结果对比图3.4 不同K值比较对KWNN中不同数目的K进行试验，分布取K=3-5,分析其最终的定位结果，从下图可以看出随着K值的增大，定位精度反而下降，造成该问题的原因可能是K值增大，偏离实际位置的概率反而增加，因而导致了定位精度的下降，再结合性能的考虑，我们取K=3进行定位较为合理。图10 不同K值的定位结果对比图3.5 CSI与RSSI定位性能比较图11比较了使用RSSI和CS

37、I信号的定位性能。从图中可以看出，使用相同的指纹定位方法，RSSI方法使用了10个AP，CSI使用了MIMO方法，M=3，相当于3个AP，即便如此，RSSI的定位结果远不及CSI定位效果。也进一步说明了CSI比RSSI的特征信息更多，更有利于室内定位。图 11 RSSI与CSI定位性能比较3.6 算法复杂度分析基于相邻信道差分算法的算法复杂度集中在指纹库的构造和定位阶段的匹配，构造指纹库的时间复杂度为，是采样数，为接收天线个数，为子信道个数；定位阶段的匹配，其时间复杂度为，为指纹库对应坐标点的个数，当前实验环境的，说明当前定位算法的时间复杂度偏高，还需进一步的优化。4 结论本文提出了一种基于差

38、分的CSI定位算法。 离线训练阶段先提取出样本中每根接收天线每一个子信道的特征值，利用相邻信道差分值所对应的高斯特征值构建指纹库； 在线定位阶段基于贝叶斯法则，与指纹库中的指纹进行匹配， 得到最匹配的K个点，利用KWNN算法得到最接近位置。通过对不同差分算法、不同的相位处理策略、K的个数以及与传统的RSSI定位方法对比进行实验评估，实验结果表明利用信道差分的CSI指纹定位算法的平均定位精度可以达到0.98m，1m内的定位精度接近达到60%，适合于室内定位。下一步研究可以在以下方向进行，一方面，可以增加信号发送端多个来改善定位精度； 另一方面，改进相位补偿策略。最后，由于如今的智能手机或者智能穿

39、戴设备已经装配有802.11n的芯片， 所以可以尝试在手机上实现本文的定位算法。参考文献 (References)1 Bahl P, Padmanabhan V N. RADAR: An In-Building RF-based User Location and Tracking SystemJ. Institute of Electrical & Electronics Engineers Inc, 2000, 2:775-784.2 Youssef M, Agrawala A. The Horus WLAN location determination systemC/ Proc

40、eedings of the 3rd international conference on Mobile systems, applications, and services. ACM, 2005:205-218.3 Yang Z, Zhou Z, Liu Y. From RSSI to CSI: Indoor Localization via Channel ResponseJ. Acm Computing Surveys, 2013, 46(2):25:1-25:32.4 Heiskala J, Terry Ph D J. OFDM wireless LANs: A theoretic

41、al and practical guideM. Sams, 2001.5 Halperin D, Hu W, Sheth A, et al. 802.11 with multiple antennas for dummies.J. Acm Sigcomm Computer Communication Review, 2010, 40(1):19-25.6 Chen D, Du L, Jiang Z, et al. A fine-grained indoor localization using multidimensional Wi-Fi fingerprintingC/ 2014 20th IEEE International Conference on Parallel and Distributed Systems (ICPADS).