基于菲涅尔先验模型的无线电层析成像.pdf

物联网技术 2023年/第12期 可靠传输 Reliable Transmission460 引 言传统的免携带设备定位技术（Device-Free-Localization,DFL）通常是基于摄像头、雷达等，这些定位技术不仅设备成本较高，而且在一些特定应用场合还存在隐私泄露风险。无线层析成像技术（Radio Tomographic Imaging,RTI）的诞生1弥补了传统定位技术的不足，由于无线信号可以穿透墙壁和非金属物体，因此 RTI 在复杂的环境下也可以实现定位感知。现有研究表明，在老人摔倒等感知检测以及入侵检测等定位应用中，该类系统的检测准确率甚至高于基于摄像头的感知系统2-4。因此，基于无线电的感知技术在室内环境智能辅助生活系统中，特别是老年人居家日常养护方面，具有巨大的应用潜力。近年来，研究学者已经陆续提出了基于 RFID5-6、无线传感器网络7、WiFi 等8-9无线电通信设施的 DFL 系统。目前基于信号接收强度（Received Signal Strength,RSS）的DFL 技术可以分为三大类：基于指纹库的方法10、基于蒙特卡洛方法11以及本文的 RTI。指纹库的方法需要预先在检测场景采集大量的数据构建指纹库，耗时耗力且对环境的适应性较差；基于蒙特卡洛的方法精确度较高但需要采集大量的检测样本且计算复杂度较高；RTI 成像方法的 DFL 最为直接，但其定位精度与样本量成正比，再者，受到无线通信网络传输容量的限制，无法在短时间内获得大量检测样本。因此，如何以更少的样本获得最佳的重构性能成为 RTI 研究领域一个颇具挑战性的问题。近年来，有学者引入压缩感知，从少量的样本中进行成像定位12-13，但是性能不如经典的 RTI系统。针对目前领域的挑战，本文提出了基于无线电传输菲涅尔区先验模型的无线电层析成像系统。通过建立感知区域内的菲涅尔区模型，预先对感知区域内的关键链路进行计算，仅保留受目标影响的链路，在保持高精度定位性能的同时，极大减少了样本数量，同时也加快了成像速度，有利于提高系统的实时性。1 RTI 系统模型RTI 系统由多个无线传感器节点围成一个感兴趣区域，每两个无线传感器节点之间形成一条通信链路，如图 1 所示。假设共有 K 个无线传感器节点，那么感知区域就可以形成M=K*(k-1)/2 条信号传输链路。为了便于定位目标位置，我们将无线网络区域量化等分成 N 个体素的网格，并将 M 条链路的整体衰减情况映射到对应的 N 个体素上，那么衰减最大的体素对应的区域即目标的定位点。因此，整个 RTI 系统模型可以描述为：yWx=+n （1）式中：y=y1,y2,y3,.,yMT为测量矢量，表示无线传输链路中节点之间的 RSS 变化量；Wi,j=wi,j是一个 MN 维的权重矩阵，M 代表无线通信链路的总条数，N 代表无线网络区域体素的数量；重构信号 x 映射的是无线区域中观测目标位置的信号衰减情况，其表示式为 x=x1,x2,x3,.,xNT，基于菲涅尔先验模型的无线电层析成像余毓鑫，钱 慧（福州大学 物理与信息工程学院，福建 福州 350116）摘 要：得益于无线通信以及数据科学的飞速发展，物联网智能终端拥有了无源感知的能力。Device Free Localization（DFL）是一种重要的无线电无源感知技术之一，十多年来已经有大量研究，具有广阔的发展前景。基于 RSSI 的射频层析成像（RTI）方法因其成本低、部署方便等优点备受关注。然而，需要大量的观测样本是目前无线电层析成像难以实现实时成像的主要原因。利用压缩感知技术虽然可以有效降低 RTI 所需观测向量的数量，但是由此导致 RTI 性能急剧下降，难以满足无设备定位的应用需求。针对这一问题，本文构建了基于菲涅尔区的无线电传输经验模型，预先确定受目标影响的无线链路，极大减少了采集系统的样本数，提高了成像的实时性。实验结果表明，本系统将样本数减少至 8.42%左右，仍然能够保持高定位精度。关键词：智能物联网应用；无线电层析成像 RTI；免设备定位 DFL；菲涅尔区模型；共稀疏解析模型；ADMM算法中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2023）12-0046-04DOI：10.16667/j.issn.2095-1302.2023.12.012收稿日期：2023-02-08 修回日期：2023-03-102023年/第12期 物联网技术可靠传输 Reliable Transmission47是一个 N1 维的矢量；n 是无线通信传输中的噪声（此处主要是指无线通信传输中存在的高斯白噪声）。W 是一个非满秩矩阵，即 W 矩阵的行数小于列数（MN），那么向量 x的未知数个数远远超过线性系统方程的个数。重构信号 x 是非确定性的解，即表示目标的位置信息。由此可知，RTI 系统对信号 x 重构的过程是一个典型的不适定问题。图 1 RTI 系统拓扑与成像图2 菲涅尔区先验模型无线信号在复杂环境中传播时，信号的传播不仅仅是沿直线传播，根据所处环境还会发生反射、衍射等现象，导致通信链路上的信号幅度或者相位发生变化。单纯的利用 LoS（Line-of-Sight）模型来研究无线信号的衰减严重偏离了无线信号实际的物理传播规律。因此，在无线信号传播研究领域，为了更好地描述和研究无线通信设备之间信号的传播规律，研究学者引入了菲涅尔区的概念。如图 2 所示，菲涅尔区定义为两个通信节点之间的椭球体空间区域。以发射节点 T 和接收节点 R 为椭圆的焦点，形成一些同轴的椭球体，定义每个菲涅尔区的边界公式为：TQRQTRmmm+=2 （2）式中：是无线电波长；Qm是第 m 个菲涅尔区边界上的点；TQm和 RQm分别表示 Qm到发送节点和接收节点的欧氏距离；TR 为两节点之间的欧式距离。当 m=1 时，边界公式所表示的就是第一菲涅尔区（First Fresnel Zone,FFZ）的范围。图 2 第一菲涅尔区示意图定义椭球体最大横截面圆心为 O，椭球体横截面半径 Rm=OQm，圆心到发射节点和接收节点的欧式距离分别为 d1和 d2，当 Rm远远小于 d1和 d2时，它们之间的关系如下：TQdRdRdRQdRdRdmmmmmm=+=[phone] （3）将公式（3）代入公式（2）便可得出第一菲涅尔区的半径为：Rd dddmm=+1212 （4）无线信号在传输过程中，70%的能量通过第一菲涅尔区传播，并且在 FFZ 中，无线信号的传播主要以衍射为主，而在 FFZ 外，信号主要通过反射传播。因此本文的 RTI 成像采集系统只采集目标位于 FFZ 内的无线链路，具体流程如下：（1）确定收发无线节点，定位目标三者的位置。（2）计算以此对无线收发节点为焦点的椭圆长轴a=(di,j+/2)/2；其中，di,j为第 i 个发送节点 Ti与第 j 个接收节点 Rj的欧氏距离。（3）判断目标是否在椭圆内，计算目标到收发节点的距离di,j(1)、di,j(2)。如果|di,j(1)|+|di,j(2)|2a，则目标位于该椭圆内，即目标位于该条无线链路的 FFZ 内。通过以上分析可知，一旦观测目标确定，那么系统 中受影响的链路数可以利用菲涅尔区先验模型确定。仅保留关键链路，大大减少了采集系统的工作量，且能减少图像的无关噪声影响。3 图像重构由于重构图像具备较高的稀疏性，所以本文采用共稀疏解析模型对目标图像进行重构。重构信号 x 在解析算子 下将得到近似全零的解析向量，这一稀疏先验信息 x 可作为信号 x 重构的约束项。式（1）可以通过共稀疏解析模型建模的正则化进行求解，将其改为如下形式：xyWxx=+argminx220 （5）式中：是正则化权重参数。在上述共稀疏解析模型的框架下，本文采用交替方向乘子法（ADMM）对原问题进行分块求解，提高了图像重构的效率。由于 ADMM 算法一般将 l0范数近似替代为 l1范数进行计算，所以式（5）可以分块表示为：argmins.t.xWxyxx+=2210z （6）构造增广拉格朗日函数，令 u=(1/)，缩放对偶变量。Lz uzzuu(,)/xWxyx=+()+()221222222（7）ADMM 算法的求解过程可以表示如下：物联网技术 2023年/第12期 可靠传输 Reliable Transmission48xxxxkxkkkzkfzuzg z+=()+()=()+1221122argmin/argmin/z zuuuzkkkkk+()=+22111x （8）通过对增广拉格朗日函数的三个变量迭代求解，得到最优的重构结果 x。4 实验评估实验部署如图3所示。RTI系统包含20个无线传感节点，每个节点沿着 5 m5 m 的正方形区域边界部署，占地面积为 25 m2。相邻节点之间的距离为 1 m，每个节点设备都固定在距离地面 0.9 m 的支架上。通过 ZigBee 通信设备（其内核为 TI 公司出品的 CC2530 芯片，工作频段为 2.4 GHz）发送和接收信号。在数据收集过程中，使用 PC 与协调器联合控制每个节点的收发，并收集链路的 RSS 值。本文在感知区域设置了 16 个定位参考点，以便对定位性能进行评估。图 3 实验部署示意图为验证本文所提的菲涅尔先验模型对关键链路的计算效果，本文在感知区域随机标定了 35 个参考点，每个参考点上影响的链路数占区域内总链路数的比值如图 4 所示。可以看出，感知区域中实际受目标影响的链路数只占总链路数的十分之一不到，平均为 8.42%。实验结果表明，RTI 系统中存在大量不必要的无线链路。图 4 不同定位点受目标影响的链路数占总链路数的比例根据菲涅尔区模型，本文的采集系统只对受目标影响的关键链路进行采集，仅使用少量的链路样本数进行图像重构。为对比本文重构模型和重构算法的性能，实验展示了使用综合稀疏模型的 OMP 算法和同样使用共稀疏解析模型的 GAP算法的重构结构，成像效果如图 5 所示。选取的 16 个参考点的定位性能如图 6 所示。从实验结果可以看出，本文所提的菲涅尔区先验模型在滤除无关链路后，使用共稀疏解析模型 及 ADMM 算法进行图像重构仍然可以保持良好的定位性能。从图 5 可以看出，本文重构算法的成像结果噪声最小，图像最大衰减点即为目标的实际位置。同时，图 6 展示了本文所提模型的定位性能，16 个参考点的平均定位精度约为 0.93 m，均优于其它两种算法模型。图 5 不同算法重构结果5 结 语本文提出了一种基于无线信号菲涅尔区传输的经验模型，对 RTI 系统中的无线传输链路进行计算筛选，仅保留了受目标影响的关键链路，极大程度减少了 RTI 系统的样本数2023年/第12期 物联网技术可靠传输 Reliable Transmission49量。使用共稀疏解析模型和 ADMM 重构算法进行图像重构，实现了在保持良好定位性能的同时，尽可能减少 RTI 系统所需样本数。在未来的工作中，可以将成像算法和采集系统联合优化，实现视频帧的实时成像感知。图 6 不同参考点的定位性能参考文献1 WILSON J，PATWARI N.Radio tomographic imaging with wireless networks J.IEEE transactions on mobile computing，2010，9（5）：621-632.2 CIANCA E，DE SANCTIS M，DI DOMENICO S.Radios as sensors J.IEEE internet of things journal，2016，4（2）：363-373.3 TAN J，ZHAO Q，GUO X，et al.A review on uncertainty quantification of shadowing reconstruction and signal measurements in radio tomographic imaging J.Computer communications，2022.4 YIITLER H，JNTTI R，KALTIOKALLIO O，et al.Detector based radio tomographic imaging J.IEEE transactions on mobile computing，2017，17（1）：58-71.5 MA Y，ZHANG Y，WANG B，et al.SCLA-RTI：A novel device-free multi-target localization method based on link analysis in passive UHF RFID environment J.IEEE sensors journal，2020，21（3）：3879-3887.6 MA Y，WANG B，GAO X，et al.The gray analysis and machine learning for device-free multitarget localization in passive UHF RFID environments J.IEEE transactions on industrial informatics，2019，16（2）：802-813.7 GUO Y，YU D，LI N.Exploiting fine-grained subcarrier information for device-free localization in wireless sensor networks J.Sensors，2018，18（9）：3110.8 ZHANG L，GAO Q，MA X，et al.DeFi：Robust training-free device-free wireless localization with WiFi J.IEEE transactions on vehicular technology，2018，67（9）：8822-8831.9 DUBEY A，SOOD P，SANTOS J，et al.An enhanced approach to imaging the indoor environment using WiFi RSSI measurements J.IEEE transactions on vehicular technology，2021，70（9）：8415-8430.10 WANG Z，ZHANG X，WANG W，et al.Deep convolutional auto-encoder based indoor light positioning using RSS temporal image C/2019 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting（BMSB）.IEEE，2019：1-5.11 HUANG K，YANG Z.Noise adaptive optimization scheme for robust radio tomographic imaging based on sparse bayesian learning J.IEEE access，2020，8：118174-118182.12 XU S，LIU H，GAO F，et al.Compressive sensing based radio tomographic imaging with spatial diversity J.Sensors，2019，19（3）：439.13 WANG J，GAO F.Speed up imaging construction in radio tomographic imag ing based on principal component analysis and compressed sensing C/2019 4th International Conference on Computational Intelligence and Applications（ICCIA）.IEEE，2019：11-15.作者简介：余毓鑫（1997），男，福建泉州人，硕士研究生，研究方向为无线感知、无线电成像。钱 慧（1977），女，湖北人，博士，副教授，研究方向为信号处理、无线感知。陕西物联网产业联盟（ASII）陕西物联网产业联盟是由陕西地区从事物联网产业相关技术研究、产品生产的企事业单位和团体自愿组成，于2011年3月由陕西省工业和信息化厅批复正式成立，联盟秘书处设在西安光电子专业孵化器，西安中星测控有限公司为第二届理事会理事长单位。联盟致力于推动物联网及相关产业发展，服务于企业、服务于政府，促进交流合作，努力形成产、学、研、用开放式的合作机制。联盟通过搭建关键技术及公共服务平台，推动物联网技术、产业、应用的协同发展。积极开展产业调研与政策研究，协助实施重大项目，承接政府有关产业促进服务工作。开展行业共性关键技术攻关研究，积极参与国家物联网行业相关技术标准的制定。承担国家和省、市科技计划项目，通过联盟促进科技成果的快速有效转化，促进联盟成员间的技术合作与共同进步，使联盟成为物联网产业重大技术创新的重要平台。联盟将在政府相关政策引导和行业主管部门指导下，建设以市场需求为导向、以物联网产业核心企业为主体、跨行业产学研相结合的创新平台，不断整合行业优势科技资源，融汇技术研发能力，组织关键技术创新攻关，加快研究成果共享与转化，推动陕西物联网产业的发展。