无源超高频RFID场景中人员被动式定位关键技术研究

Device free localization is a kind of localization method without any wireless device on target. Influenced by complicated channel environments and weak algorithms which could be subject to jamming, it is now a challenging problem to implement device free localization with high precision and robustness. Passive UHF RFID tags have the advantages of easy deployment, low price etc. In this project, we will deeply work on the study of device free localization theory in the environment of passive UHF RFID. We will propose improved algorithms and carry out performance simulation. Research details include: ①Scenario analysis and data acquisition for passive UHF RFID indoor device free localization, ②Channel modeling for passive UHF RFID device free personnel localization, ③Radio tomography image based passive UHF RFID device free personnel localization, ④Device free localization fingerprint establishment based on crowd-sourcing ⑤ Study of device free localization based on fingerprint and machine learning. The research results will help to achieve independent intellectual property rights of device free personnel localization channel model and optimized algorithms in the UHF RFID scenario. The proposed optimization algorithms will increase device free personnel localization accuracy in multipath and NLOS environment. The research has high research value and practical significance.

被动式定位是指无需待定位目标携带无线设备的定位方式。受信道环境复杂、算法抗干扰性弱等因素影响，实现较高精度且具有鲁棒性的被动式定位仍然是亟待解决的问题。无源超高频RFID标签具有部署方便、成本低等优势，本项目将深入开展无源超高频RFID场景下的人员被动式定位的理论研究，提出优化算法，并进行性能仿真。具体研究内容包括：① 无源超高频RFID室内被动式定位场景分析及数据获取；② 无源超高频RFID人员被动式定位场景下信道建模；③ 基于射频层析成像的无源超高频RFID人员被动式定位研究；④ 基于群智感知的人员被动式定位指纹库的构建方法；⑤ 基于指纹库与机器学习的室内人员被动式定位研究。课题研究成果将形成自主知识产权的无源超高频RFID场景下人员被动式定位信道模型和被动式定位优化算法，能够提升多径及非视距环境下的定位精度，具有较高的研究价值和实际意义。

被动式定位技术（DFL）是指无需待定位目标携带参与定位过程中的无线设备的定位技术。无源超高频RFID标签因其体积小、成本低、部署简单、无需供电等优点已经被广泛应用。因此，对无源超高频RFID场景下的DFL研究，具有重要的学术和经济价值。本项目针对室内信道环境复杂、算法抗干扰性不强等问题，进行了五个方面的定位研究。1.分析了天线相位中心不确定性和与标签方向相关的相位偏移，得出其对定位精度的影响；对复杂多径和非视距信道状态的分析和研究，建立虚拟站将非视距路径转换为视距路径；研究了一种基于超宽带信号到达时间的定位算法，单目标定位误差90%的概率低于0.3m，双目标定位误差78%的概率低于2m。2.分析信号相位误差、多径传播等统计特性，提出了一种计算不同多径环境下信号相位延迟的数学模型；研究了读取器天线和标签天线的极化特性，对信号的多径叠加进行建模，使用已知环境信息来计算多径效应。3.研究了基于横断面扫描、灰值分布分析和朴素贝叶斯分类器或随机森林分类器的方法准确地确定位置和目标数量；针对多目标定位中存在伪目标的问题，利用Adaboost机器学习算法来去除伪目标，其定位少于3个目标的误差为0.7米时的识别准确度达到86%；为了提高射频层析成像（RTI）的性能，提出了一种基于相位响应偏移特性的RTI，其性能是明显高于基于接收信号强度的RTI。4.提出了一种基于信号协方差矩阵、接收信号强度和信号子空间的多信息指纹技术，可以改善单一指纹定位易受环境变化影响的缺点；针对群智感知采集指纹数据量较大且分布状况复杂的问题，提出了一种基于AP聚类算法的指纹库建立及优化算法。5.提出了一种基于群智感知、学习向量量化和多维标度的指纹库构建算法，指纹库建立效率显著提高，单次定位的计算量下降63%；提出了一种基于扇环模型和自适应算法的多目标DFL方法，实现多目标定位，其计数和定位精度方面优于传统方法。