- 易迪拓培训,专注于微波、射频、天线设计工程师的培养
改进Monte Carlo定位算法用于RFID标签的室内定位
引言
随着RFID的日臻完善,对射频标签进行
定位
就成为一项重要课题[1]。利用标签对物体的唯一标识特性,可以依据读写器与安装在物体上的标签之间的信号到达时间延迟(TOA)来估计标签与读写器之间的距离。在室内环境中,由于存在较为严重的非视距(NLOS)传播情况,使得基于TOA的测量值发生很大偏差,从而不能正确反映标签与读写器之间的距离。对于TOA测量值中NLOS误差的抑制和消除,在各种文献中已提出了多种方法[2-3]。但基于TOA的
定位
算法往往需要三支以上的天线覆盖同一区域。需要的天线数越多,系统成本越高。当室内的阻挡物较多时,在读写器的工作范围内,三台读写器中只要有一台读写器接收不到标签信号,基于TOA的
定位
算法就无法对标签进行
定位
。然而,Monte Carlo
定位
算法[4]仍然能保持对标签的跟踪。
本文改进了Monte Carlo 定位 算法,将其用于室内射频标签的 定位 ,分析了天线极化失配对改进的Monte Carlo 定位 算法的影响。
1 RFID 定位 原理
在第k-1时刻,通过预测模型预测k时刻标签可能会出现的位置;在第k时刻,测得标签与读写器之间的距离,通过测量模型计算出标签的位置。其中,所用到的读写器天线覆盖模型、预测模型、测量模型分别由1.1-1.3小节给出。
1.1 天线覆盖模型
在具体应用中,为节约成本,希望使用尽可能少的读写器天线来实现室内的覆盖。因此,只有当获得了天线的覆盖模型时,才有可能更加精确的指导读写器天线的部署。假设室内的长宽高为6*6*3 ,电波频率为915MHz,读写器的发射功率为1w。读写器天线为半波振子,水平安装在天花板上距地面2.5m处。图1为当不考虑天花板对天线的影响时,读写器天线在地面的覆盖范围图。其中,A、B、C为功率电平值,即标签被识读的最小功率电平。标签的最小功率电平决定了读写器天线的覆盖范围,对读写器天线的部署意义重大。本文采用最小功率电平A所对应的读写器天线的覆盖范围来指导读写器天线的部署,则读写器天线的安装位置为(1.5,1.5)(1.5,4.5)(4.5,1.5)(4.5,4.5)(3,1)(3,5)(1,3)(5,3)。
图1 读写器天线在地面的覆盖范围
(直线表示天线放置的方向)
1.2 预测模型[4]
在第k-1时刻,通过预测模型预测第k时刻标签可能会出现的位置,即计算采样点的位置。假设室内噪声为高斯噪声,采用高斯分布的预测模型为:
2 Monte Carlo改进 定位 算法
在阐述贝叶斯滤波原理的基础上,针对传统Monte Carlo 定位 算法存在的缺陷,提出了用于室内射频标签 定位 的改进Monte Carlo 定位 算法。
2.1 贝叶斯滤波[4]
2.2 改进的Monte Carlo 定位 算法流程
3 模拟与仿真
假设标签的运动轨迹为:(3,0)(3,1)(3,1.8)(3.8,1.8)(5,1.8)(5,2.8)(5,3.8)(5,5)(4.5,4.5)(4,5)
(3.2,5)(2,5)(1,5)(1,4.1)(1,3.1)(1,2.3)(1,1.6)(1,0.7)。
3.1 极化失配对Monte Carlo改进 定位 算法性能的影响
天线的极化方向是天线辐射的电磁场的电场方向。接收天线的极化方式只有同被接收的电磁波极化形式相一致时,才能有效地接收到信号,否则将使接收信号质量变差,甚至完全接收不到信号,这种现象称为极化失配。图2为标签天线与读写器天线的极化方向图。图3和图4为理想情况(标签与读写器天线的极化方向时时对准)与现实情况(本文中RFID室内 定位 系统的天线极化失配)Monte Carlo改进 定位 算法的标签跟踪和 定位 误差图。可以看出,当标签天线的极化方向与读写器天线的极化方向时时一致时,Monte Carlo改进 定位 算法的 定位 误差较小;当考虑标签与读写器天线之间的极化失配时,Monte Carlo改进 定位 算法的 定位 误差较大,且 定位 误差随标签与读写器天线之间极化方向的夹角的增大而增大。
4 结论
改进的Monte Carlo 定位 算法能够适应动态环境, 定位 的稳定性好。此外,改进的Monte Carlo 定位 算法受天线极化失配的影响较大, 定位 误差随标签与读写器天线之间极化方向的夹角的增大而增大。
本文作者创新点:改进了Monte Carlo 定位 算法,将其用于室内射频标签的 定位 ,分析了天线极化失配对改进的Monte Carlo 定位 算法的影响。
参考文献:
[1] 吴永祥,射频识别(RFID)技术研究现状及发展展望[J].微计算机信息,2006,11-2: 234-236。
[2] M. Wylie, J. Holtzman, The non-line of sight problem in mobile location estimation [C], IEEE International Conference on Universal Personal Communications, pp.827-831, 1996.
[3] P. Chen, A non-line-of-sight error mitigation algorithm in location estimation [C], Wireless Communications and Networking Conference, pp.316-320, 1999.
[4] D. Jourdan, J. Deyst and M. Win, Monte-Carlo localization in dense multipath environments using UWB ranging [C], In Proceedings of IEEE International Conference on Ultra-Wideband, Zurich, pp.314–319, September 2005.