一、講座信息

主題：基于實時WIFI-藍牙檢測數(shù)據(jù)的交通目標定位及出行模式甄別技術

主講人：華南理工大學黃紫林(研三，畢業(yè)讀博)

直播回放地址：暫不提供直播回放

PPT下載地址：https://github.com/JinleiZhangBJTU/Transportation_with_Machine_Learning

或公眾號后臺回復 “GitHub”

二、提綱

黃紫林同學的研究方向是基于WIFI的定位技術，近幾年主要關注以下任務：

基于WIFI-藍牙背景下的接受信號降噪以及測距、行人車輛定位、交通出行模式甄別。根據(jù)實際交通場景的不同，本次講座主要涉及到三種基于WIFI- 藍牙檢測數(shù)據(jù)的技術：

(1)基于接收信號強度指示(RSSI)的信號降噪及測距技術；

(2)復雜城市道路環(huán)境下融合多傳感器數(shù)據(jù)的行人/車輛定位技術；

(3)基于路側實時WIFI-藍牙檢測數(shù)據(jù)的交通出行模式甄別技術。

三、背景

車路協(xié)同系統(tǒng)是目前智慧城市/智慧交通很熱門的一個方向，其本質是將車載設備無法精準感知及獲取的信息通過路側感知獲取，其核心是智慧公路。智慧公路通過道路上廣布各式具有通信的物聯(lián)網(wǎng)傳感器、結合重點區(qū)域部署視頻攝像頭及車載設備，實現(xiàn)路、車、人的實時感知和通信。

現(xiàn)如今通訊波檢測技術已經(jīng)有了相當?shù)膽脠鼍?#xff1a;長安大學, 趙祥模、徐志剛教授課題組的泛在無線技術在智能公路的應用；Kurkcu, A.等利用WIF-藍牙技術計算公交車站到站時間和人群密度；P. Ho 等提出的基于WIFI的人車避障技術；Wang, J.等利用WIFI檢測熱點區(qū)域識別，檢測人群的移動，對行人軌跡進行識別；Hidayat, A.等根據(jù)WIFI檢測信號對上下車人數(shù)進行識別以及Lesani, A根據(jù)WIFI-藍牙檢測對行人計數(shù)和行人模式分類。

目前智能車路協(xié)同無線通信網(wǎng)絡主要分為3類：4G/WIFI/DSRC，后兩者都是基于IEEEE 802.11通信協(xié)議，本次講座主要討論WIFI的定位技術，每個智能電子設備都有一個獨特的硬件代碼，稱為MAC地址(12個字符的十六進制數(shù)字)。根據(jù)ieee802.11白皮書，支持WIFI的智能電子設備將嘗試通過定期廣播探測請求來連接到附近的WLAN。即使在不使用設備時，啟用了WIFI的設備也會廣播探測信號。此外，每個啟用WIFI的智能電子設備的探測請求幀都可以被WIFI探測器捕獲和存儲。當在一個監(jiān)控區(qū)域內(nèi)布置多個檢測器時，就可以利用多檢測器捕捉到的信號強度信息及本身位置信息，進行協(xié)同定位。

其中基于通訊波信息數(shù)據(jù)進行室外復雜交通環(huán)境下的數(shù)據(jù)深度挖掘時，仍存以下技術難點：

①通訊波信號強度指示(RSSI)在傳播過程中容易受到周邊環(huán)境的影響，存在較大的波動噪聲；

②復雜城市道路環(huán)境下難以提取準確的距離信息，導致較大的測距誤差；

③融合多檢測器檢測信號數(shù)據(jù)，從中提煉移動目標的空間位置信息難度較大；

④從交通目標的動靜態(tài)軌跡中，甄別移動目標交通出行方式的方法還不成熟。

四、主體內(nèi)容

⑴基于接收信號強度指示(RSSI)的信號降噪及測距技術

RSSI信號的衰減與距離存在一定的耦合關系，如果通過卡爾曼濾波算法進行降噪會造成數(shù)據(jù)序列中初始位置的RSSI值存在較大誤差，因此考慮到交通環(huán)境中，行人或汽車運動存在特定規(guī)律，參考之前學者們提出的constant-velocity, constant-acceleration, singer acceleration model, mean-adaptive acceleration model等建模方法，設計了一種Constant ?Velocity-Kalman Filtering (CVKF) 融合算法對RSSI信號進行降噪。

CVKF算法的實現(xiàn)基于兩個基本假設：1. 行人在實驗區(qū)域內(nèi)的運動不是隨意的，而是有方向性的；2. 行人的移動速度是一個常量參數(shù)。其本質核心是在卡爾曼濾波算法中嵌入了一個速度常量算法，以解決傳統(tǒng)卡爾曼濾波初始值敏感的問題。首先是將原始RSSI減去一個預測值，得到的差乘以一個參數(shù)，再加上原來的預測值，作為平滑后的RSSI值。

傳統(tǒng)測距模型中對數(shù)距離路徑損耗模型(Propagation Model)利用在幾個觀測點上獲得的一些信號樣本，可以對PM系數(shù)進行校準。一般來說，PM具有理想的傳播效果，可以在室外寬敞的環(huán)境中在視線(LOS)場景中很好地工作。但是這個模型過于簡單，在擁擠的城市道路環(huán)境中，由于摩天大樓、隧道、車輛、混凝土墻等建筑材料的信號反射、陰影和多路徑過渡，無法獲得準確的距離。近年，研究者提出了一些改進的方法：回歸神經(jīng)網(wǎng)絡(GRNN)、多項式回歸(PRM)、曲線擬合(CF)、分割擬合(SF).

本文提出的PPRM(分段多項式)，基于PRM通過分段來降低由于時間長序列造成的誤差，與已有的PM和PRM相比，假設RSSI-distance關系可以在不同的RSSI分段上表示為不同的n 階多項式，并利用訓練數(shù)據(jù)集對多項式系數(shù)進行校準。此外，PPRM可以自動將RSSI劃分為不同的水平，從而校準一系列多項式回歸函數(shù)。?

⑵復雜城市道路環(huán)境下融合多傳感器數(shù)據(jù)的行人/車輛定位技術

基于RSSI技術定位方法分為兩種：①基于RSSI的小型區(qū)域內(nèi)動靜態(tài)目標指紋定位技術(Fingerprinting Localization) ，其主要研究從多個WIFI掃描器接收到的移動設備指紋與參考點(PRs) 的差異，或者同一位置出現(xiàn)的概率。這些方法的性能取決于單位面積采用的 參考點數(shù)量，即參考點密度。②基于RSSI的大中型區(qū)域內(nèi)動靜態(tài)目標復雜定位技術(Range-based Methods) 。基于距離的方法分為兩個子問題:一個是使用RSS測量估計盲錨距離的測距階段,另一個是根據(jù)距離估計計算盲節(jié)點位置的定位階段。

在行人定位技術方面，文章[12]提出LS-TSE+UKF法，該方法基本原理是通過改進原來的三邊定位方法，用最小二乘法進行泰勒級數(shù)展開，發(fā)現(xiàn)其性能優(yōu)于單獨使用三邊定位或者最小二乘模型以及LS-TSE方案。

⑶基于路測實時WIFI-藍牙檢測數(shù)據(jù)的交通出行模型甄別技術

文章根據(jù)不同的交通方式產(chǎn)生不同的RSSI信號的原理。考慮到信號的振動可能是由旅行速度、道路和旅行時間引起的。假設當步行者和騎自行車的人移動時，WIFI探測器足夠敏感，可以捕捉到這些動態(tài)特征以及特征提取和模式分類技術可以將混合非機動車交通網(wǎng)絡的MAC地址分為步行和騎自行車兩類。基于以上建立了WiPedestrian結構系統(tǒng)。WiPedestrian系統(tǒng)由數(shù)據(jù)采集、數(shù)據(jù)處理、特征提取和模式分類四部分組成。數(shù)據(jù)收集模塊捕獲覆蓋區(qū)域內(nèi)啟用WIFI的設備廣播的探測請求，并記錄諸如MAC地址、RSSI、時間戳等數(shù)據(jù)包。數(shù)據(jù)處理模塊具有三個關鍵功能:去除機動車產(chǎn)生的不準確數(shù)據(jù)，恢復丟包丟失的數(shù)據(jù)，降低RSSI信號噪聲。特征提取模塊進一步提取無線傳播模型的參數(shù)和相關特征，如旅行速度、連接數(shù)量和RSSI信號的一階導數(shù)。模式分類模塊由LSTM訓練和LSTM預測兩部分組成。在前一部分中，該模塊基于相關特征訓練LSTM模型;在第二部分，基于訓練好的LSTM模型，將MAC地址分為步行和騎自行車兩種不同的非機動車交通模式。

五、下期預告

主題：待定

主講人：香港理工大學馬瑋

時間：2020年7月25號晚7點，具體時間請關注公眾號后續(xù)通知。

總結

以上是生活随笔為你收集整理的wifi rssi 计算 距离_PPT|交通未来第3期 基于实时WIFI蓝牙检测数据的交通目标定位及出行模式甄别技术...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。