本发明公开一种用于跟踪低速移动车辆的RSSI拟合方法，包括：在同一平面的道路两侧布置WIFI嗅探设备，建立跟踪定位系统的相对坐标系；对WIFI嗅探设备接收到的RSSI信号进行Gaussian滤波处理，确定衰减模型中信号衰减指数λ值，获得符合实际道路环境的信号衰减模型；对RSSI值进行判断筛选，将判断筛选后的数据，进行Kalman滤波处理，获得有效RSSI信号。本发明运用Gaussian滤波获得符合实际道路环境的无线信号衰减模型，并考虑低速移动车辆场景下RSSI值的变化规律，引入最大误差距离准则进行筛选，最后进行Kalman滤波处理。本发明能有效地降低RSSI信号波动，输出平滑的信号波形。
1.一种用于跟踪低速移动车辆的RSSI拟合方法，其特征在于，包括如下步骤：步骤S1、在同一平面的道路两侧布置WIFI嗅探设备，确定其经纬度位置，并建立跟踪定位系统的相对坐标系；(1)在一平面的道路两侧区域，布置已知位置的WIFI嗅探设备一部、移动终端I台，将移动终端标记作i,i＝1～I；
在相对坐标系中，设WIFI嗅探设备的坐标为(xr,yr)，移动终端的坐标为(xr+1,yr+1),…,(xr+i,yr+i),…,(xr+I,yr+I)；
(2)通过电脑端MYSQL数据库连接WIFI嗅探设备，获得从移动终端嗅探到的RSSI数据信息，分为I个通道储存；
设每台移动终端被采样J次，每次采样得到一个RSSI值，则从第i台移动终端采样获得的数据可表示为Ri,J＝(rssii,1,…,rssii,j,…,rssii,J)，其中j＝1～J，I台移动终端在测试时间内获得的RSSI数据可表示R＝{R1,J,…,Ri,J,…,RI,J}；其中，rssii,j为第i台移动终端第j次采样获得的RSSI值，Ri,J为第i台移动终端在测试时间内采样J次获得的RSSI集合；
步骤S2、对WIFI嗅探设备接收到的RSSI信号进行Gaussian滤波处理，确定衰减模型中信号衰减指数λ值，获得符合实际道路环境的无线信号衰减模型；具体包括：(1)通过对Gaussian滤波的阈值进行设置，保留满足预设概率阈值ρ的RSSI信号，同时舍弃小于概率阈值ρ的RSSI信号，概率阈值ρ设置为0.6，具体表达式如下：式中，σ为方差，μ为均值；取范围[0.15σ+μ≤x≤3.09σ+μ]内的RSSI值，设共有N个，第i台移动终端新的RSSI值集合标记作Ri,N＝(rssii,1,…,rssii,n,…,rssii,N)，rssii,n为Gaussian滤波后第i台移动终端第n个时间序列的RSSI值，其中n＝1～N，对集合Ri,N进行算术平均，得到距离一定时RSSI值的平均值；
(2)求出RSSI值与距离d的关系，从而确定符合实际道路环境的无线信号衰减模型，RSSI＝-(10λlog10d+A)，λ代表信号衰减指数λ，无线信号衰减模型中，参数A取Gaussian滤波后，d＝1m时的RSSI值平均值；
步骤S3、基于道路环境下车辆直线移动的约束特点，采用最大误差距离准则对RSSI值进行判断筛选，设定门限概率值F；包括：(1)原始数据采集：取当前时刻之前某时间区间T内RSSI信号值M个，将时间戳记为集合Tm,Tm＝(t1,…,tm,…,tM)，其中m＝1～M，将对应的RSSI值记为集合Rssim,Rssim＝(rssi1,…,rssim,…,rssiM)；
(2)变化趋势判断：设集合x(m)＝{(t1,rssi1),…,(tm,rssim),…,(tM,rssiM)}，对集合x(m)作最小二乘拟合，其中x(m)为时间戳和对应的RSSI值，tm为第m个时间戳，rssim为第m个时间戳对应的RSSI值；
设拟合直线L方程为Ax+By+C＝0，根据直线斜率K，判断得知RSSI信号值的变化趋势；当K>0时，表示RSSI信号值呈上升趋势；当K＝0时，表示RSSI信号值平稳变化；当K<0时，表示RSSI信号值呈下降趋势；
(3)门限概率值F确定：计算集合x(m)中各点到直线L的欧氏距离，记为集合l,l＝{l1,…,lm,…,lM}，其中lm为第m个时间戳点到拟合直线L的欧氏距离；对集合l进行算术平均并将结果作为门限概率值F；
以门限概率值F为阈值判断当前时刻RSSI值是否为异常RSSI值；对集合Tm采用下述RSSI值滤波器，得到滤波后的集合X(t)，式中，t为时间序列参数；x(m)为当前时刻测量数据，X(t-1)为上一时刻测量数据，X(t)为滤波后的数据；
步骤S4、将判断筛选后的数据，进行Kalman滤波处理，获得降噪后的有效RSSI信号。
2.根据权利要求1所述的一种用于跟踪低速移动车辆的RSSI拟合方法，其特征在于，步骤S4包括：Kalman滤波系统的状态预测方程：
X(t|t-1)＝AX(t-1|t-1)+BU(t)
X(t|t)＝X(t|t-1)+Kg(t)(Z(t)-HX(t|t-1))Kg(t)＝P(t|t-1)HT/(HP(t|t-1)HT+R)
P(t|t)＝(I-Kg(t)H)P(t|t-1)
式中，X(t|t-1)为根据上一时刻预测得到的当前时刻的RSSI值；X(t-1|t-1)为上一时刻RSSI值得预测值；A、B为测量系统参数矩阵；U(t)为当前时刻测量系统的控制量；P(t|t-
1)为X(t|t-1)对应的协方差矩阵；P(t-1|t-1)为X(t-1|t-1)对应的协方差矩阵；Q为系统噪声；Z(t)为当前时刻RSSI值的测量值；H为测量系统的参数矩阵；Kg(t)为Kalman滤波增益；R为测量噪声；P(t|t)当前状态的更新值；I为单位矩阵。
一种用于跟踪低速移动车辆的RSSI拟合方法
技术领域
[0001] 本发明涉及RSSI定位与车辆移动定位技术领域，尤其涉及一种用于跟踪低速移动车辆的RSSI拟合方法。
背景技术
[0002] 随着智慧城市的快速建设，将会在城市道路两侧布置大量的无线传感器网络，基于无线信号的车辆定位技术已成为重要的交通信息实时采集、状态监测方法。该定位技术是以驾驶员或者乘客随身携带的智能手机、平板电脑以及笔记本(能够连接WIFI网络的设备)作为移动终端MT(Mobile terminal)，通过WIFI嗅探设备监听由移动终端(MT)发出的探测请求帧(Probe Request)，提取其中的MAC地址、时间戳(Time)、信号强度(RSSI)。结合WIFI嗅探设备自身的经纬度信息，可以推算出低速移动车辆的位置数据。
[0003] 现阶段，基于信号强度(RSSI)的定位技术具有成本低、功耗低、适用于多遮挡环境等特点，在室内定位领域应用较广。基于固定终端的RSSI信号传播模型和滤波算法研究有很多，这也为实现低速移动车辆的跟踪提供了理论基础。但在实际应用中，车辆的移动会造成RSSI信号不可避免的小尺度衰落，在加上未考虑实际测量过程中噪音干扰和障碍遮挡的影响，RSSI数据的有效性低，存在很大的信号波动问题，严重影响到对移动车辆的定位推算。
[0004] 显然，基于固定终端的RSSI拟合方法并不适用于移动车辆场景，急需提出一种用于跟踪低速移动车辆的RSSI拟合方法。
发明内容
[0005] 为了克服上述背景中提出的技术问题，本发明旨在提供一种用于跟踪低速移动车辆的RSSI拟合方法，能克服现有技术RSSI获取误差大、信号波动强等难题。
[0006] 本发明所提供的技术方案为一种用于跟踪低速移动车辆的RSSI拟合方法，包含以下步骤：
[0007] 步骤S1：在同一平面的道路两侧布置WIFI嗅探设备，确定其经纬度位置，并建立跟踪定位系统的相对坐标系；
[0008] 步骤S2：对WIFI嗅探设备接收到的RSSI信号进行Gaussian滤波处理，确定衰减模型中信号衰减指数λ值，获得符合实际道路环境的无线信号衰减模型；
[0009] 步骤S3：基于道路环境下车辆直线移动的约束特点，采用最大误差距离准则对RSSI值进行判断筛选，设定门限概率值F；
[0010] 步骤S4：将判断筛选后的数据，进行Kalman滤波处理，获得降噪后的有效RSSI信号。
[0011] 步骤S5：运用推导得到的实际道路环境无线信号衰减模型，解算出RSSI值对应的距离，从而确定低速移动车辆距离WIFI嗅探设备的相对距离，达到跟踪效果。
[0012] 本发明提出一种用于跟踪低速移动车辆的RSSI拟合方法，能克服移动环境影响所带来的RSSI值波动范围大的问题。首先对终端固定时采集到的RSSI信号进行Gaussian滤波处理，然后运用最大误差距离准则判断进行筛选，再对筛选后的RSSI信号进行Kalman滤波处理，获得去噪后的有效RSSI信号。整个过程中，运用Gaussian滤波处理，获得符合实际道路环境的无线信号衰减模型，并考虑低速移动车辆场景中RSSI值的变化规律，引入最大误差距离准则进行筛选，经过Kalman滤波处理后，能有效降低RSSI误差，提高跟踪精度。
附图说明
[0013] 图1是本发明一种用于跟踪低速移动车辆的RSSI拟合方法原理示意图；
[0014] 图2是本发明实施例中道路环境下的RSSI信号分布图。
具体实施方式
[0015] 本发明中的RSSI拟合方法应用于跟踪低速移动车辆环境中，最关键的构思在于：利用Gaussian滤波处理，获得符合实际道路环境的无线信号衰减模型，并考虑低速移动车辆场景中RSSI值的变化规律，引入最大误差距离准则进行数据筛选，最后进行Kalman滤波处理，克服噪声的影响，输出平滑的波形。
[0016] 本发明实施例提供了一种用于跟踪低速移动车辆的RSSI拟合方法，能够筛选出车辆移动场景中有效的RSSI信号，从而降低测量实验的误差值，达到提高RSSI拟合效果的目的。
[0017] 为了实现上述技术目的，以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
[0018] 如图1所示，一种用于跟踪低速移动车辆的RSSI拟合方法，包括以下步骤：
[0019] 步骤S1：在同一平面的道路两侧布置WIFI嗅探设备，确定其经纬度位置，并建立跟踪定位系统的相对坐标系。步骤包括：
[0020] (1)在某一平面的道路两侧区域，布置已知位置的WIFI嗅探设备一部、移动终端I台，将移动终端标记作i,i＝1～I。
[0021] 设WIFI嗅探设备的坐标为(xr,yr)，移动终端的坐标为(xr+1,yr+1),…,(xr+i,yr+i),…,(xr+I,yr+I)；布置终端时，应依次分别选取等间隔距离的位置，即终端坐标应满足条件：
[0022]
[0023] 式中，d1,…,di,…,dI分别为第i部终端到WIFI嗅探设备之间的距离。
[0024] (2)通过电脑端MYSQL数据库连接WIFI嗅探设备，获得从移动终端嗅探到的RSSI数据信息，分为I个通道储存。
[0025] 设每台移动终端被采样J次，每次采样得到一个RSSI值，则从第i台移动终端采样获得的数据可表示为Ri,J＝(rssii,1,…,rssii,j,…,rssii,J)，其中j＝1～J，I台移动终端在测试时间内获得的RSSI数据可表示R＝{R1,J,…,Ri,J,…,RI,J}；其中，rssii,j为第i台移动终端第j次采样获得的RSSI值，Ri,J为第i台移动终端在测试时间内采样J次获得的RSSI集合。
[0026] 步骤S2：对WIFI嗅探设备接收到的RSSI信号进行Gaussian滤波处理，确定衰减模型中信号衰减指数λ值，获得符合实际道路环境的信号衰减模型。步骤包括：
[0027] (1)在理想自由空间中，无线电传播损耗通常采用对数—常态分布模型，模型如下：
[0028]
[0029] 式中，ad1、ad2分别为移动终端在两次测试时刻与WIFI嗅探设备之间的距离(m)，RSSIad1、RSSIad2分别为移动终端在ad1、ad2处测得的RSSI(单位为dB)，λ信号衰减因子(在不同的测试环境中取不同值)。
[0030] 对于集合Ri,J＝(rssii,1,…,rssii,j,…,rssii,J)，由于J个RSSI值是随机离散的变量，可知RSSI值关于x的密度分布函数如下式所示。
[0031]
[0032] (2)通过对Gaussian滤波的阈值进行设置，保留满足预设概率阈值ρ的RSSI信号，同时舍弃小于概率阈值ρ的RSSI信号，概率阈值ρ一般设置为0.6，具体表达式如下：
[0033]
[0034] 式中，σ为方差，μ为均值。选取范围[0.15σ+μ≤x≤3.09σ+μ]内的RSSI值，设共有N个，第i台移动终端新的RSSI值集合标记作Ri,N＝(rssii,1,…,rssii,n,…,rssii,N)，rssii,n为Gaussian滤波后第i台移动终端第n个时间序列的RSSI值。对集合Ri,N进行算术平均，得到距离一定时RSSI值的平均值；
[0035]
[0036]
[0037] (3)求出RSSI值与距离d的关系，从而确定符合实际道路环境的无线信号衰减模型。
[0038] RSSI＝-(10λlog10d+A) (式7)
[0039] 无线信号衰减模型中，参数A取Gaussian滤波后，d＝1m时的RSSI值平均值；
[0040] 步骤S3：基于道路环境下车辆“直线”移动的约束特点，采用最大误差距离准则对RSSI值进行判断筛选，设定门限概率值F。步骤包括：
[0041] (1)原始数据采集：取当前时刻之前某时间区间T内RSSI信号值M个，将时间戳记为集合Tm,Tm＝(t1,…,tm,…,tM)，将对应的RSSI值记为集合Rssim,Rssim＝(rssi1,…,rssim,…,rssiM)；
[0042] (2)变化趋势判断：设集合x(m)＝{(t1,rssi1),…,(tm,rssim),…,(tM,rssiM)}，对集合x(m)作最小二乘拟合。其中x(m)为时间戳和对应的RSSI值，tm为第m个时间戳，rssim为第m个时间戳对应的RSSI值。
[0043] 设拟合直线L方程为Ax+By+C＝0，根据直线斜率K＝-a/b，可以判断得知RSSI信号值的变化趋势。当K>0时，表示RSSI信号值呈上升趋势；当K＝0时，表示RSSI信号值平稳变化；当K<0时，表示RSSI信号值呈下降趋势；
[0044] (3)门限概率值F确定：计算集合x(m)中各点到直线L的欧氏距离，记为集合l,l＝{l1,…,lm,…,lM}，其中lm为第m个时间戳点到拟合直线L的欧氏距离。对集合l进行算术平均并将结果作为门限概率值F；
[0045]
[0046]
[0047] 进一步地，以门限概率值F为阈值判断当前时刻RSSI值是否为异常RSSI值。对集合Tm采用下述RSSI值滤波器，得到滤波后的集合X(t)。
[0048]
[0049] 式中，t为时间序列参数；X(m)为当前时刻测量数据，X(t-1)为上一时刻测量数据，X(t)为滤波后的数据。
[0050] 在本发明优选实施例中，设m＝30，得到的拟合直线L为：0.9801x+y+50.1076＝0。结果如图2所示。
[0051] 步骤S4：将判断筛选后的数据，进行Kalman滤波处理，获得降噪后的有效RSSI信号。
[0052] Kalman滤波系统的状态预测方程：
[0053] X(t|t-1)＝AX(t-1|t-1)+BU(t)
[0054] P(t|t-1)＝AP(t-1|t-1)AT+Q
[0055] Kalman滤波系统的状态更新方程：
[0056] X(t|t)＝X(t|t-1)+Kg(t)(Z(t)-HX(t|t-1))
[0057] Kg(t)＝P(t|t-1)HT/(HP(t|t-1)HT+R)
[0058] P(t|t)＝(I-Kg(t)H)P(t|t-1)
[0059] 式中，X(t|t-1)为根据上一时刻预测得到的当前时刻的RSSI值；X(t-1|t-1)为上一时刻RSSI值得预测值；A、B为测量系统系统参数矩阵；U(t)为当前时刻测量系统系统的控制量；P(t|t-1)为X(t|t-1)对应的协方差矩阵；P(t-1|t-1)为X(t-1|t-1)对应的协方差矩阵；Q为系统噪声；Z(t)为当前时刻RSSI值的测量值；H为测量系统的参数矩阵；Kg(t)为Kalman滤波增益；R为测量噪声；P(t|t)当前状态的更新值；I为单位矩阵。
[0060] Kalman滤波可以通过“预测—更新模型”的递归思想由系统的实际测量值和预估值来消除随机噪声，用上一时刻移动车辆的RSSI预估值和当前时刻RSSI的测量值来推导出当前状态的RSSI值，使得输出的RSSI值更为平滑，作图输出该辆移动车辆的RSSI值经过Kalman滤波处理后的效果图。
[0061] 步骤S5：最后，将Kalman滤波处理后得到的RSSI值，代入推导得到的实际道路环境的无线信号衰减模型中，解算出RSSI对应的距离，从而推算出低速移动车辆距离AP的相对距离。
[0062] 本发明主要是针对基于无线定位技术跟踪低速移动车辆中遇到的RSSI信号值波动范围过大、数据不平滑的问题，设计了一种符合道路环境车辆“直线”移动约束特点的RSSI拟合方法。该方法首先修正无线信号衰减模型，再引入最大误差距离准则进行数据筛选，最后进行Kalman滤波处理，克服噪声的影响，输出平滑的波形，进而实现跟踪低速移动车辆的目的。通过实例分析，移动车辆的RSSI值在经过该拟合方法处理后，有效地控制了波动范围。
