刘业辉



蓝牙4.0下接近度分类的室内定位算法分析

刘业辉

北京工业职业技术学院电气与信息工程学院，北京 100042

蓝牙室内算法以k-邻近算法为主，但在室内定位过程中需建立大规模指纹数据库，且必须依托于计算全部待定位点的方式计算全部已知样本间的距离以实现在线定位，缺乏实时性。为优化室内定位算法，提出了一种基于蓝牙4.0接收信号强度，提前剪辑已知样本并对搜索区域进行限制，以提高室内定位实效性。

蓝牙4.0；接近度；室内定位；算法

在智能终端设备快速普及，移动互联网技术迅速发展的背景下，人们对于室内定位信息的需求呈现出了非常显著的增长趋势。各类公共场所，如商场、机场、景点等均需要为人们提供精确的室内定位信息，以实现室内位置的服务功能。现阶段，室内定位的基本需求是：在无需添加硬件的前提下可直接借助移动终端获取室内位置服务，定位精度达到m级，响应速度达到s级。蓝牙4.0作为新一代蓝牙技术，具有低功耗、长距离以及高速启动的优势，在室内定位领域中有着巨大的应用潜力。

1 离线训练

图1所示为蓝牙4.0接收信号强度与距离之间的关系示意图。由图1可见，两者在室内环境中的关系主要包括三种类型：第一，在1.0 m距离范围内，接收信号强度随着距离会产生较大幅度的变化；第二，在1.0～6.0 m距离范围内，接收信号强度随着距离所产生的变化幅度明显减慢；第三，在6.0 m距离范围外，接收信号强度随着距离所产生的变化幅度趋于稳定状态。因此，可确定以下三类接近度分类：第一类为距离1.0 m内，定义为接近；第二类为距离1.0～6.0 m内，定义为附近；第三类为距离6.0 m外，定义为远。

图1 蓝牙4.0接收信号强度与距离之间的关系示意图

在蓝牙4.0协议标准下，AP广播数据的构成简单，主要由标识符、接收信号强度、主要值、次要值这几个部分构成。当设备检测AP广播数据后，根据标识符、主要值、次要值等可判定与之通信的AP位置。将AP广播数据覆盖范围（即待定位室内区域）划分为网格，网格纵横共划分为M×N个网格点，参与定位的AP广播数据包括m个，对应接收信号强度为同样为m个。假定参考节点表示为（APw），定位区域内某一特定节点为（x1，y1），两者间对应接收信号强度为Rw（x1，y1）。由此可知，该特定节点相对于参考节点的接近度可以如式（1）表示：

2 在线定位

在经离线训练过程引入接近度分类特征信息的基础之上，可以通过在线定位的方式筛选数据库信息，并经K邻近算法对数据进行处理。在室内定位技术的实现过程中，将某待定位点实时性定位信息所对应的接受信号强度集合定义为RD，R可表示为[RD1，RD2，...，RDw]。则对于指纹数据库中某一特定点（x，y）而言，在线定位过程中该点所对应的接受信号强度向量可用式（3）进行表示：

在得出接收信号强度所对应向量关系的基础之上，传统方法直接展开邻近匹配计算，但容易出现前文中提到的时效性不高问题。因此，本文在室内定位算法中引入接近度特征，将前文中计算所得的三类接近度分类原则转换为接近度关系式，并以接近度集合为依据，从数据库中筛选与接近度相匹配的集合。

对于室内移动终端而言，接受信号强度向量可以与指纹数据库中与接近度集合相匹配的S集合进行对应，以计算实时定位状态下接收信号强度向量第i个RD之间距离，用式（4）表示：

最后，在所构建的指纹数据库系统中，计算K个值所对应的最小指纹记录，并以所对应坐标平均值作为定位结果，将定位结果记录为（xf，yf）格式，与算法计算坐标对应。

3 实验结果

以搭载iOS 11.0处理系统的iPhone 7为实验设备进行接收强度信号的采集，以标准Estim-ote Beacon作为蓝牙4.0信标点。考虑到室内环境复杂性，在24 h内分4个时间段进行采集，每批次采集数据25组。待定位室内空间取10.0 m×10 m大小，共布置4个参考节点，节点坐标分别为（0，0）、（10，0）、（10，10）、以及（0，10）。按照0.5 m间隔距离设置采样点，待检测室内空间中共分布400个采样点。应用前文中离线训练与在线定位方法，对试验区域进行接近度分类，得到当前点接近度后自数据库中查找与该接近度区域相匹配的坐标点，最后经匹配算法得到定位输出结果。实际坐标与计算坐标对比结果如图2所示。

图2 实际坐标与计算坐标对比结果示意图

结合图2数据可见，在蓝牙4.0接受强度信号接近度分类方法作用下，应用K-邻近改进算法能够实现对室内任意位置的准确定位，具有良好实时性与准确性优势，定位误差均值为0.5 m，定位延时低于ms级，证实本方案的可靠性。

4 结束语

室内定位是当前信息技术领域的研究热点之一，应用前景非常广泛。在蓝牙4.0技术的普及背景下，基于蓝牙4.0技术以及相关算法支持室内定位的实现已成为业内研究重点之一。本文提出了一种在蓝牙4.0接收信号强度技术基础之上，提前剪辑已知样本并对搜索区域进行限制，以提高室内定位实效性，经实验验证具有计算量小、准确度高、定位时延短等一系列优势，值得在室内定位交互领域中推广应用。

[1]赵稳稳，罗智杰，曹阳，等.基于多模融合的室内定位算法研究[J].现代电子技术，2017（18）：7-10.

[2]蒋守花，贺春林.基于RFID技术的室内定位算法优化方法研究[J].信息技术，2017（4）：24-28.

[3]黄丹平，于少东，田建平，等.基于电力线室内定位算法研究[J].仪器仪表学报，2016（1）：136-143.

[4]罗宇锋，王鹏飞，陈彦峰.基于RSSI测距的Wi-Fi室内定位算法研究[J].测控技术，2017（10）：28-32.

[5]仲江涛，秦斌，吴健春，等.基于Kalman滤波的Chan室内定位算法改进[J].通信技术，2017（10）：23-28.

Analysis of Indoor Location Algorithm of 4 lower proximity classification under Bluetooth 4.0

Liu Yehui

School of Electrical and Information Engineering, Beijing Polytechnic College, Beijing 100042

The Bluetooth indoor algorithm is mainly based on the k-proximity algorithm, but in the indoor localization process, we need to build large scale fingerprint database, and we must rely on the way of computing all the location points to calculate the distance between all known samples to achieve online location, and lack of real-time. In order to optimize indoor location algorithm, a Bluetooth 4.0 based signal reception strength is proposed, which cuts the known samples in advance and limits the search area so as to improve the effectiveness of indoor location.

Bluetooth 4.0; proximity; indoor location; algorithm

TN925

A

1009-6434（2017）12-0001-03

刘业辉（1969—），男，北京工业职业技术学院电气与信息工程学院教授，从事移动网络工程、移动互联应用系统研究等。