一、講座信息

主題：基于實時WIFI-藍牙檢測數據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- 藍牙檢測數據的技術：

(1)基于接收信號強度指示(RSSI)的信號降噪及測距技術；

(2)復雜城市道路環境下融合多傳感器數據的行人/車輛定位技術；

(3)基于路側實時WIFI-藍牙檢測數據的交通出行模式甄別技術。

三、背景

車路協同系統是目前智慧城市/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網傳感器、結合重點區域部署視頻攝像頭及車載設備，實現路、車、人的實時感知和通信。

現如今通訊波檢測技術已經有了相當的應用場景：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檢測熱點區域識別，檢測人群的移動，對行人軌跡進行識別；Hidayat, A.等根據WIFI檢測信號對上下車人數進行識別以及Lesani, A根據WIFI-藍牙檢測對行人計數和行人模式分類。

目前智能車路協同無線通信網絡主要分為3類：4G/WIFI/DSRC，后兩者都是基于IEEEE 802.11通信協議，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字)。根據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。當在一個監控區域內布置多個檢測器時，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，進行協同定位。

其中基于通訊波信息數據進行室外復雜交通環境下的數據深度挖掘時，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境的影響，存在較大的波動噪聲；

②復雜城市道路環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據，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據序列中初始位置的RSSI值存在較大誤差，因此考慮到交通環境中，行人或汽車運動存在特定規律，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算法的實現基于兩個基本假設：1. 行人在實驗區域內的運動不是隨意的，而是有方向性的；2. 行人的移動速度是一個常量參數。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，再加上原來的預測值，作為平滑后的RSSI值。

傳統測距模型中對數距離路徑損耗模型(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：回歸神經網絡(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，并利用訓練數據集對多項式系數進行校準。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。?

⑵復雜城市道路環境下融合多傳感器數據的行人/車輛定位技術

基于RSSI技術定位方法分為兩種：①基于RSSI的小型區域內動靜態目標指紋定位技術(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，或者同一位置出現的概率。這些方法的性能取決于單位面積采用的 參考點數量，即參考點密度。②基于RSSI的大中型區域內動靜態目標復雜定位技術(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,另一個是根據距離估計計算盲節點位置的定位階段。

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展開，發現其性能優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-藍牙檢測數據的交通出行模型甄別技術

文章根據不同的交通方式產生不同的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。WiPedestrian系統由數據采集、數據處理、特征提取和模式分類四部分組成。數據收集模塊捕獲覆蓋區域內啟用WIFI的設備廣播的探測請求，并記錄諸如MAC地址、RSSI、時間戳等數據包。數據處理模塊具有三個關鍵功能:去除機動車產生的不準確數據，恢復丟包丟失的數據，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和相關特征，如旅行速度、連接數量和RSSI信號的一階導數。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站內容還不錯，歡迎將生活随笔推薦給好友。