王妙羽 李宪军

摘 要：由于基于WiFi的室内定位技术的主要挑战是多路径和非视距（NLOS），因此，室内定位可以从NLOS识别中获益。然而，来自商用WiFi的接收信号强度信息（RSSI），使得非视距识别受限于有限的带宽和粗略的多径分辨率。文章提出了一种更加细粒度的方法，即利用物理层的信道状态信息（CSI）进行室内非视距识别。利用网卡及现有的WiFi设备，采集室内环境的CSI信息并提取特征信息，构建视距和非视距CSI指纹。利用一种基于深度学习的神经网络算法进行非视距识别，从而达到室内定位的目的。在不同室内环境下的实验结果表明，本方案的NLOS识别率达到96.43%，能有效并准确地区分视距与非视距位置。

关键词：CSI；非视距识别；室内定位；神经网络

关于WiFi系统中非视距（Non Line of Sight，NLOS）识别的研究，有研究提出了基于机器学习的方法，其中接收的信号强度指示（Received Signal Strength Indication，RSSI）的几个统计特征包括均值、标准差、峰度、偏度、Rician K因子和卡方，利用拟合优度识别NLOS条件。作为多径分量的叠加，RSSI不仅在信号波长的量级上随距离变化，而且即使在静态链路上也随时间波动。文献[1]提出了一种名为PhaseU的实时LOS识别方案，探索和利用PHY层信息的相位特征，利用天线元素的空间分集和利用正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）子载波的频率分集。文献[2]提出了一种名为LiFi的基于物理层的NLOS识别方法，并努力消除从信道状态信息（Channel State Information，CSI）获得的多径信道脉冲响应（multipath Channel Impulse Response，CIR）的无关噪声和NLOS路径，并利用CIR样本的偏度和Rician K因子识别NLOS路径。虽然该方案利用细粒度CSI来识别NLOS条件，但是问题在于需要预定义的识别阈值，这可能受到环境和设备的极大影响。由于室内环境极其复杂和可变，因此很难获得具有高精度的广泛适用的阈值。

本文提出了一种基于WiFi信号的CSI指纹的NLOS识别技术。根据CSI在不同环境下进行的大量实验的理论分析和观察，利用CSI的关键特征，结合神经网络算法识别LOS/NLOS条件，提高位置估计的精度。

1 系统结构

整个系统设计主要包括数据预处理阶段、训练阶段和在线阶段。采集到的CSI样本信号，在传输的过程中会受到周围环境的噪声干扰，同时由于硬件限制等原因会产生相位偏移，因此，需要对CSI数据进行信号预处理。本文只利用CSI数据的相位信息，用线性拟合的方法对提取到的相位信息进行校正。离线阶段，分别采集LOS和NLOS位置的CSI数据，得到每个位置的指纹信息，并添加位置标签，作为指纹样本输入神经网络中进行离线训练，构建特征指纹库。在线阶段，将实时采集到的CSI数据进行相位矫正后，输入训练好的神经网络中匹配识别得到位置标签。

本文的主要创新点包括以下几点：

（1）本文引入了基于CSI指纹的NLOS识别技术，更加细粒度地分析和研究室内多径效应的分布规律，通过区分NLOS/LOS路径，更有利于后续进行位置定位的工作。

（2）本文提出了在不携带设备的前提下利用CSI相位信息作为定位指纹。在室内环境下，人的活动对接收到的相位信息的影响不同，人在室内某个位置活动，对于CSI各信道的相位会造成不同程度的延迟。充分利用这些特征，可以提高定位准确率。

（3）本文采用基于深度学习的神经网络分类算法对处理后的CSI样本的相位进行训练，采用一发两收的实验场景，两个接收端的信息相对于单一接收端的信息，增加了训练集的数据量，有效提高了识别率。

2 相位校正

本文主要利用CSI的相位信息进行指纹识别。相位误差产生的原因主要分为两类：载波频移（Carrier Frequency Shift，CFO）和采样频移（Sampling Frequency Shift，SFO）。

3 识别算法

我们设计了一个包含两个隐层的全连接分类神经网络，输入层120个节点，第一个隐层200个节点，第二个隐层100个节点，第二个隐层到输出层采用softmax分类函数，将得到的输出数据与位置标签作为交叉熵损失函数的输入，得到特征提取阶段的权重修正。

在迭代之前，首先将训练数据分类为利用分类函数得到的LOS和NLOS，然后应用非线性最小二乘回归分析来建立LOS和NLOS的信号和距离之间的回归模型。在预测过程中，首先对来自预测点的CSI进行预处理，并提取特征以识别利用分类模型的LOS或NLOS，然后将相应的回归模型应用于位置标签匹配。

4 实验结果评估

4.1 实验场景

在本节中，我们首先解释实验平台和方法，然后对提出的NLOS识别方法进行详细的性能评估。实验环境：选取一个环境比较复杂的实验室作为实验场景，室内环境中配有桌子、电脑和其他木制或金属家具。数据收集：测量在室内15个点处进行，收集每个给定点的400个CSI数据包，一部分数据在LOS条件下，另一部分在NLOS條件下。数据一台支持802.11协议的TP-Link路由器，两根发射天线在IEEE802.11nAP模式下以5.8 GHz运行。两套台带有三根天线的笔记本电脑用作接收器ping数据包发送器，它配备5300NIC并运行Ubuntu11.04LTS，以上设备在室内环境构成了两条通信链路。

4.2 效果评估

由于PhaseU和LiFi分别选择Rician-k和偏度作为特征，并利用二元假设检验来识别LOS条件，但其性能对预定阈值非常敏感。考虑到干扰和距离因素，选择满意且广泛适用的阈值是极其困难的，因为基于阈值的方法等效于线性分类器，而大多数LOS/NLOS条件不是线性可分的。为了展示本方案的先进性能，我们将我们的方案与PhaseU和LiFi在室内环境中进行比较。如前文所述，本方案无需定义阈值，因此可能更适合在不同的现实场景中使用。图1为本方案与其他两种方案的识别率比较，由于采用CSI指纹表示的特征更加细粒度，且本方案采用了一发多收的实验场景，相较于其他两种阈值判定法及单发单收的实验场景，显然识别率要更高。

5 结语

本文提出了一种在室内环境中使用现有的WiFi设备物理层的CSI数据，进行NLOS识别方法，无需被测对象携带任何额外设备。从CSI和其他统计特征中探索和利用描述多径效应的新特征，以基于深度学习的神经网络算法识别NLOS。本方案避免了在基于阈值的识别方法中选择适当阈值的问题。采用一发两收的实验场景，提高了信号的空间覆盖率，两条通信链路的设置增加了数据集，使得实验效果明显超出了现有方法的性能。接下来的工作将从定位精度上着手，在NLOS识别的基础上研究和探索更加有效、更精确的室内定位方案。

[参考文献]

[1]ZHOU Z，YANG Z，WU C，et al.LiFi： Line-of-Sight identification with WiFi[C].Toronto：Proceedings of the 33rd IEEE International Conference on Computer Communications，2014.

[2]YANG Z，ZHOU Z，LIU Y.From RSSI to CSI： indoor localization via channel response[J].Acm Computing Surveys，2013（2）：1-32.