面向火灾救援的室内定位与逃生路径规划系统

2013-10-08高洪晔张建辉

杭州电子科技大学学报(自然科学版) 2013年6期

高洪晔，张建辉

(杭州电子科技大学计算机应用技术研究所，浙江杭州310018)

0 引言

现代化城市中人们的工作、生活越来越多地集中在高层楼宇中，这样的环境往往人员密集、环境局限、出口选择少，当发生火灾等紧急情况时，如何安全、快速、有效地进行导航、疏散是一个重大挑战。无线传感网络近几年发展迅速，以其成本低、实时监测环境信息等特性广泛地应用于建筑结构监控［1］、环境监测［2］、火灾监测［3］领域。国内外现存的火灾监测方案主要有依靠节点LED灯、警报进行设计的火灾监测和营救支持系统［3］;无线传感网络(Wireless Sensor Network，WSN)与 Internet结合［4］方案，仅通过无线传感网络进行信息采集、传输，利用服务器汇总信息，使得引导人员可以实时监测;WSN路由协议优化［5］方案，侧重节点部署、路由协议优化、可靠性提升等方面。以往的研究有一个共同的缺陷，即被动式引导。为解决以上问题，本文提出了一种基于无线传感网络与智能手机的主动式逃生方案WSN-SP，利用智能手机对受困人员进行定位［6］，利用BlueTooth检测周围人群密度，WSN节点收集报警信息，它们作为路径导航的预备知识，采用带权重的无向图方案来进行最短路径规划，最终引导受困人员逃生。

1WSN-SP系统

1.1 系统模型概述

本文设计的主动逃生方案的挑战在于需要考虑人物位置、人群密度和出口位置、火灾现场等信息，全局最优地选择逃生路径，增大每个人的逃生概率和总体逃生人数。基于WSN-SP的火灾逃生系统结构如图1所示。

图1 火灾逃生系统WSN-SP的结构

首先利用智能手机中配备的WiFi和BlueTooth分别进行受困人员定位与人群密度检测，通过部署在楼宇内的无线传感器节点探测火势，汇聚到中央服务器，进行数据处理后发送给手机端，接着在手机端进行路径规划，为受困人员导航。

1.2 系统模块分析

1.2.1 基于WSN网络的火势探测

(1)分布在楼宇内的telosb节点不断地采集温度、湿度、光照强度信息，节点之间通过基于IEEE 802.15.4标准的Zigbee协议通信，所有节点采集到的信息最终发送给汇聚节点;

(2)汇聚节点连接中央服务器，转发采集到的节点信息，交付给中央服务器进行处理;

(3)中央服务器实现数据提取、数据分析、数据匹配的工作。首先获取串口缓冲中的数据，依据协议字段对数据进行提取，根据设置的温度、湿度、光照等阈值综合判断此节点是否为火源点，将此信息结合节点号存入MySQL数据库;

(4)数据库中预先存储节点位置信息，按照此前的判断将相应节点号的火情标识符Flag置位，为后续路径选择提供依据。

1.2.2 基于Bluetooth的人群密度检测

火灾现场的烟雾和火光导致能见度降低，受困人员无法感知周围人群数量，需要借助设备来识别周围人数。本文提出周围人数即蓝牙个数的概念转换，测试手机的蓝牙频段为2.4 GHz ISM，数据速率为1 Mbps，采用标准class2，在周围有人或障碍物的情况下传输距离为10 30 m，考虑到火灾时空气中固体颗粒增加导致信号衰减，实际测得为10 m左右。检测开始阶段，受困人员的蓝牙设备主动扫描周围的设备，无需配对即可获取周围人数，设置扫描间隔为200 ms，进行实时更新。

2 基于K-Means的Fingerprint定位算法

Fingerprint定位算法利用了室内普遍存在的WiFi信号来对人物进行定位，根据WiFi信号的衰减模型，每一个信号发射点(AP点)的信号强度随距离增加而减少，若干个AP点之间相互干扰，产生多径效应，使得空间任意一个位置的信号强度(RSSI)具有唯一性。多个AP点的不同RSSI值构成的向量集合，唯一标识了这个空间的地理特性。

(1)离线采集阶段

在这个阶段，采集空间中每个点的信号强度，记作Fi=(rssi1，rssi2，…，rssim)，rssii为某一个 AP 的 RSSI值，记录集为Set=(F1，F2，…，Fn)，并对应真实地理位置 L(x，y)。考虑到在任一位置获得的AP信号是不确定的，即若干个向量的分量个数和类别不同，需要向量标准化处理。首先求得S中各分量的并集F=F1∪F2…∪Fn，将Fi根据F映射到Fi'，对于无法检测到的AP点RSSI值设最小值－119，形成标准化向量Fi'=(rssi1'，rssi2'，…，rssim')以及标准化向量集合 S'={F1'，F2'，…，Fn'}，这样构建了Fingerprint数据库。

图2 K-Means定位算法示意

(2)在线定位阶段

在线定位阶段主要通过目标人物实时获取的RSSI值Fx'=(rssi1，rssi2，…，rssim)，与Fingerprint数据库中的RSSI值Fi'=(rssi'1，rssi'2，…，rssi'm)对比，计算其欧几里德距离，则前K个与当前位置最近的距离可以表示成:

取前K个最小值对应的L(x，y)值作为K-Means聚类的采样点，将样本类别设置为4类，采用KMeans聚类方法，首先初始化4个聚类的质心点，以后每次调整类别的质心，如图2所示，对于每个样本计算其属于的类，对于每个类，重新计算该类的质心，直至质心不变，取这4个质心的平均值作为被估计的位置点。

3 最短路径规划

采取Dijkstra算法，对除了用户所在位置点以外的点求最短路径，接着挑选出权重值最小的M个出口的最短路径，如图4所示。图4中，箭头起点的圆点表示用户所在位置，其余双环圆点表示部署在现场的火势探测节点，黑色表示Flag置位的节点，即该区域附近出现火灾概率高，箭头所指即为即为可供受困人员选择的路径。

图3 最短路径示意

图4 WSN-SP实验图

4 实验设计和结果分析

为评估WSN-SP，在校园内某教学楼布置了一个实验系统，每隔5 m部署 CrossBow公司的 TelosB节点，由其部件Sensirion Sht11采集温湿度、Hamamatsu S1087采集光强，基于Zigbee协议自组建组织网络，通过多跳传递信息给汇聚节点，由中央处理器处理结果。智能手机采用HTC G13，Android OS2.3，蓝牙 3.0+A2DP，WiFi支持协议 IEEE 802.11 n/b/g，对受困人员进行自身定位，实验效果评估如表1、图5所示。

实验结果表明，在采样点低于40个时，K-Means方法定位精度相比传统方法提高9.3%。采样间隔为1 m时，误差1 m的累积分布函数(CDF)值达60%，1.5 m以内可达80%，相较传统方法，显著提高了小误差的概率。WSN-SP方案比以往的方案节省人力开销，能传递火势信息，定位受困人员，能达到全局伤亡人数最少，逃生速度更快的目标。

表1 扩展的K-NNSS与K-Means误差比较

5 结束语

本文针对现存火灾逃生导航研究中存在的不足，提出了主动式逃生与导航的概念;同时对室内定位方法进行了改进，提出K-Means方法，提高了定位的精度;对人群分流与火灾点探测给出了解决方案;对路径导航方案给出加权无向图模型;实现了一个基于Android系统应用。实验结果表明，该系统可行性强，导航结果更有针对性、更高效。本文结合无线传感网络和智能手机为室内逃生导航方案提供了新的思路。此外，在部分WiFi热点失效的情况下，如何提高该系统的可用性与鲁棒性是未来需要研究的方向。