融合位置指纹和压缩感知的RFID多目标室内定位技术研究

Indoor location technology, with it can provide a rich variety of position information services, grows international concern. Because closed space signal shielding and other factors, the traditional positioning technology, such as GPS, cannot be directly applied in the indoor location; meanwhile, the signal propagation multipath effect in the indoor environment and noise signal fast fading is also making it harder for indoor location. To solve above problems, this project through fundamental research, the key technology in RFID indoor location combined with the current international frontier in the field of the fingerprint orientation method as well as compressive sensing, Intends to research and development of a series of innovative technologies which reach the domestic leading level, i.e. RFID anti-collision algorithm based on the markov chain model under the capture effect, stadia fingerprints based on double locating node localization algorithm, multi-objective radio frequency map modeling method and compressive sensing weak matching denoising reconstruction algorithm based on kalmanand filtering. We also make these novel technologies integrated with RFID network, to construct good real-time performance, strong robustness, high positioning accuracy of multi-objective indoor location system. The researches of this project will provide theoretical reference and analytical data of the system platform for indoor location common key scientific issues in the field of research and production.

室内定位技术以其能提供丰富多样的位置信息服务而日益受到国际关注。由于闭合空间信号屏蔽等因素，传统的定位技术，如GPS，无法直接应用于室内定位；同时，室内环境中的信号传播多径效应以及噪声信号快衰落也使得室内定位更加困难。针对以上问题，本项目通过对RFID室内定位关键技术的基础研究，结合目前国际前沿领域里的指纹定位法、压缩感知等先进技术，拟研究捕获效应下基于马尔可夫链模型的RFID防碰撞算法、基于双定位节点的视距指纹定位算法、多目标射频地图建模方法、基于卡尔曼滤波的压缩感知弱匹配去噪重构算法等一系列达到国内领先水平的创新性技术，并使之与RFID 射频网络相融合，构造实时性好、鲁棒性强、定位精确度高的多目标室内定位系统。该项目研究成果将为国内室内定位研究和生产领域里的共性关键科学问题提供理论借鉴和系统平台分析数据。

由于RFID具有非视距、体积小、成本低、抗干扰能力强、识别速度快且能同时识别多个目标等优点，其在室内定位、产品识别等方面得到广泛应用。传统的室内定位方法采用普通的路径传播模型，需要考虑信号衰减和角度等因素。然而，基于机器学习的指纹识别方法并不依赖于传播模型，该方法在不同的位置收集数据特征，并为每个点构建指纹。本项目依托机器学习和群体智能算法，主要研究了以下内容：.1. 基于半监督actor critic using Kronecker-Factored Trust Region(SACKTR)的RFID室内定位算法。该方法可以显著减少标记参考目标的数量，减少了定位的成本，具有更快的收敛速度，在处理大量定位目标时，具有更好的定位能力和鲁棒性。实验数据表明，基于SACKTR的RFID室内定位算法与其他的RFID室内定位算法相比，定位平均误差分别下降了平均误差下降了50.226%，41.916%，25.004%。定位稳定性分别提高了23.430%，28.518%，38.631%，.2. 基于近端策略优化的RFID室内定位算法。该算法将室内定位过程看作马尔可夫决策过程，首先将动作评价与随机动作相结合，然后进一步最大化动作回报值，最后选择最优坐标值。实验结果表明，本文提出的算法与其他的RFID室内定位算法相比，定位平均误差分别下降了36.361％，30.696％，28.167％，定位稳定性分别提高了46.691％，34.926％，16.911％，计算复杂度分别降低了84.782％，70.213％，63.158％。.3. 基于异步优势动作评价的RFID室内定位算法。通过将多个线程子动作网络并行交互采样学习，利用子评价网络评价动作值的优劣，使模型不断优化，找到最优信号强度值，训练得到定位模型。实验数据表明，该算法与传统的基于向量机定位、基于极限学习机定位、基于多层神经网络定位的RFID室内定位算法相比，定位平均误差分别下降了66.114％，50.316％，44.494％；定位稳定性分别平均提高了59.733％，53.083％，43.748％。实验结果表明，该算法在处理大量室内定位目标时具有较好的定位性能。