馬子耀 程琳琳 李月

DOI：10.16644/j.cnki.cn33-1094/tp.2021.11.005

摘? 要： 傳統(tǒng)RSSI測(cè)距模型在移動(dòng)機(jī)器人對(duì)使用者進(jìn)行定位時(shí)存在依賴環(huán)境參數(shù)和不能辨別目標(biāo)方位等問題，因此提出一種基于BP神經(jīng)網(wǎng)絡(luò)的測(cè)距定位方法。該方法采用了RSSI測(cè)距模型和超聲波測(cè)距模型，利用測(cè)距定位模塊收集到的RSSI值與超聲波數(shù)據(jù)作為輸入對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該方法有效地解決了傳統(tǒng)RSSI測(cè)距模型的問題，對(duì)目標(biāo)距離估計(jì)準(zhǔn)確率達(dá)89.98%、對(duì)目標(biāo)方位估計(jì)準(zhǔn)確率達(dá)88.18%，在移動(dòng)機(jī)器人對(duì)使用者進(jìn)行定位時(shí)取得良好效果。

關(guān)鍵詞： RSSI測(cè)距模型; 超聲波測(cè)距模型; BP神經(jīng)網(wǎng)絡(luò); 移動(dòng)機(jī)器人; 測(cè)距定位模塊

中圖分類號(hào)：TP228;TP242? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ?文章編號(hào)：1006-8228（2021）11-16-05

Research on RSSI and ultrasonic positioning based on BP neural network

Ma Ziyao， Cheng Linlin， Li Yue

（Guangdong Communications Polytechnic， Guangzhou， Guangdong 510650， China）

Abstract： The traditional RSSI ranging model has the problems of relying on environmental parameters and unable to distinguish the target position when the mobile robot locates the user. Therefore， a ranging and positioning method based on BP neural network is proposed. The method adopts RSSI ranging model and ultrasonic ranging model， and uses the RSSI value and ultrasonic data collected by the ranging and positioning module as input to train the BP neural network. The experimental results show that this method effectively solves the problem of the traditional RSSI ranging model. The accuracy of target distance estimation is 89.98%， the accuracy of target position estimation is 88.18%， and good results are obtained when the mobile robot locates the user.

Key words： RSSI ranging model; ultrasonic ranging model; BP neural network; mobile robot; ranging and positioning module

0 引言

近年來(lái)，智能機(jī)器人逐漸被應(yīng)用于不同領(lǐng)域之中，如醫(yī)院藥物配送、家庭服務(wù)、餐飲服務(wù)等等。但在運(yùn)載工廠貨物、超市和藥店的商品更換時(shí)，由于勞動(dòng)力短缺，導(dǎo)致出現(xiàn)效率低下的現(xiàn)象，而下一代機(jī)器人研究的核心問題是如何進(jìn)行人機(jī)共融[1-3]，即機(jī)器人與人在同一空間內(nèi)的密切交互，機(jī)器人精準(zhǔn)定位到使用者并進(jìn)行跟隨，這是解決以上問題的一種人機(jī)交互方式。

目前，定位的方法有很多種，如北斗衛(wèi)星、超聲波、ZigBee[4]、GPS、激光雷達(dá)等等。由于大部分超市、倉(cāng)庫(kù)等是建在地下的，衛(wèi)星無(wú)法提供精確的位置給機(jī)器人;激光雷達(dá)雖然可以通過測(cè)量與目標(biāo)物體之間的距離從而來(lái)進(jìn)行目標(biāo)跟隨，但不能判定被測(cè)物體的類別，容易導(dǎo)致丟失目標(biāo)[5];隨著無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Network， WSN）的發(fā)展，常用的測(cè)距方法有：到達(dá)時(shí)間（Time Of Arrival，TOA）、接收信號(hào)強(qiáng)度指示（Received SignalStrength Indication，RSSI）、到達(dá)角（Angle Of Arrival， AOA）等[6]。由于RSSI不需要額外的硬件就可以進(jìn)行定位，以及具有較低的能耗、復(fù)雜度低等特點(diǎn)被廣泛用于定位，文獻(xiàn)[7]通過構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最后利用Matlab進(jìn)行模擬仿真;文獻(xiàn)[8]通過引進(jìn)蟻群算法來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化;文獻(xiàn)[9]通過使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練RSSI測(cè)距模型，這些測(cè)距模型相對(duì)于傳統(tǒng)RSSI模型減少了對(duì)環(huán)境參數(shù)的依賴并且測(cè)距精度比傳統(tǒng)的測(cè)距精度高，但是這些測(cè)距模型只能測(cè)量目標(biāo)到信號(hào)發(fā)射源之間的距離，并不能確定目標(biāo)在信號(hào)發(fā)射源的哪個(gè)方位。

本文測(cè)距定位模型的輸入?yún)?shù)為提供測(cè)距定位模塊獲取的不同方位和不同距離類型的超聲波數(shù)據(jù)及對(duì)應(yīng)的RSSI值，經(jīng)過模型中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，希望達(dá)到同時(shí)可測(cè)量目標(biāo)距離和目標(biāo)方位的目的。

1 RSSI與超聲波測(cè)距模型

1.1 基于RSSI測(cè)距模型

基于RSSI測(cè)距模型[10]的工作原理是無(wú)線電信號(hào)在空氣中傳播的能量會(huì)隨著距離的增大而產(chǎn)生能量損耗，根據(jù)能量損耗值可以計(jì)算出傳播的距離，理想RSSI測(cè)距模型是Shadowing模型，其模型表達(dá)式為：

其中，P值是指未知點(diǎn)到已知點(diǎn)的距離所接收到的無(wú)線信號(hào)強(qiáng)度（dBm）;[P0]是指參考點(diǎn)到已知點(diǎn)的距離所產(chǎn)生的無(wú)線信號(hào)強(qiáng)度（dBm）;n是指無(wú)線信號(hào)在實(shí)際環(huán)境中傳輸時(shí)所產(chǎn)生的路徑損耗指數(shù)，[ξ]是指衰減指數(shù)，[d0]是參考距離，即參考點(diǎn)到已知點(diǎn)之間的距離，d是指未知點(diǎn)到已知點(diǎn)之間的距離。

現(xiàn)實(shí)中，由于在進(jìn)行RSSI測(cè)量時(shí)，存在障礙物以及周圍環(huán)境等問題，目前比較常用的測(cè)距模型為：

其中，RSSI（d）值是指設(shè)備接收到的無(wú)線信號(hào)強(qiáng)度（dBm）;d是指未知點(diǎn)到已知點(diǎn)之間的距離;A是指參考點(diǎn)到已知點(diǎn)指定距離所產(chǎn)生的無(wú)線信號(hào)強(qiáng)度（dBm）;n是指無(wú)線信號(hào)在實(shí)際環(huán)境中傳輸時(shí)所產(chǎn)生的路徑損耗指數(shù)，與周圍環(huán)境有關(guān)。

1.2 基于超聲波測(cè)距模型

基于超聲波測(cè)距[11]模型的主要工作原理是利用方波振蕩器發(fā)射發(fā)送40kHz的方波并轉(zhuǎn)換為超聲波，在特定時(shí)間內(nèi)接受由被測(cè)物體傳送回來(lái)的超聲波，此時(shí)根據(jù)超聲波在空氣中傳播的時(shí)間可以計(jì)算出超聲波發(fā)出體與被測(cè)物體之間的距離，通常：

其中，[Ultrasound（d）]是被測(cè)物體到超聲波發(fā)出體的距離，V是在15°的空氣中聲音的傳播速度，這里V的值是340m/s，[T1]是超聲波發(fā)出體發(fā)射超聲波時(shí)的時(shí)刻;[T2]是發(fā)出體接收到超聲波時(shí)的時(shí)刻。

超聲波在本文中的應(yīng)用將有助于解決預(yù)測(cè)被測(cè)物體在測(cè)距定位模塊的具體方位問題。

2 基于BP神經(jīng)網(wǎng)絡(luò)模型

由于使用RSSI模型進(jìn)行測(cè)距時(shí)需要的環(huán)境因素A和n屬于不確定因素，故很難在多個(gè)場(chǎng)所中使用;而超聲波測(cè)距模型只能測(cè)量單個(gè)障礙物到自身的距離，當(dāng)有多個(gè)障礙物在機(jī)器人周圍的時(shí)候，機(jī)器人雖然能獲得多個(gè)障礙物到自己的距離，卻無(wú)法準(zhǔn)確地判斷哪一個(gè)障礙物為目標(biāo)。神經(jīng)網(wǎng)絡(luò)具有較高的自適應(yīng)性以及學(xué)習(xí)能力強(qiáng)，在處理非線性的數(shù)據(jù)上，神經(jīng)網(wǎng)絡(luò)比其他算法有較大的優(yōu)勢(shì)，通過BP神經(jīng)網(wǎng)絡(luò)將收集到的RSSI值與超聲波數(shù)據(jù)進(jìn)行訓(xùn)練得到的模型[12-14]能夠規(guī)避RSSI模型環(huán)境參數(shù)A和n在不同環(huán)境中所帶來(lái)的測(cè)量精度不確定性，同時(shí)可解決超聲波測(cè)距模型無(wú)法辨別目標(biāo)方位的問題。

BP神經(jīng)網(wǎng)絡(luò)又稱為反向傳播神經(jīng)網(wǎng)絡(luò)（Backpropagation neural network），其主要由輸入層、隱含層以及輸出層所組成，其工作原理是通過前向傳播將預(yù)測(cè)到的數(shù)值與真實(shí)數(shù)值用損失函數(shù)進(jìn)行計(jì)算，將計(jì)算出的結(jié)果進(jìn)行鏈?zhǔn)角髮?dǎo)，從而更新權(quán)重與偏置值，一直重復(fù)訓(xùn)練直到預(yù)測(cè)值與真實(shí)值在誤差允許的范圍內(nèi)基本相同為止，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行前向傳播時(shí)的工作原理為首先將輸入的各個(gè)神經(jīng)元值與網(wǎng)絡(luò)初始權(quán)重值進(jìn)行乘法運(yùn)算并加上偏置值，將所求的值傳入到激活函數(shù)，從而得出該層前向傳播的值并作為新神經(jīng)元的值傳向下一層神經(jīng)元進(jìn)行前向傳播，其所用公式如下：

其中，[Xj]為輸入的神經(jīng)元值;[Yj]為神經(jīng)元輸出值;[Bj]為神經(jīng)網(wǎng)絡(luò)偏置值，[ωji]為神經(jīng)網(wǎng)絡(luò)權(quán)重值。

BP神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播的工作原理是將前向傳播所計(jì)算出預(yù)測(cè)值，與真實(shí)值進(jìn)行誤差運(yùn)算，最后使用梯度下降法進(jìn)行權(quán)重值與偏置值的數(shù)值更新，使得預(yù)測(cè)值能夠更好的接近真實(shí)值，有：

其中，E為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值的誤差，這里論文使用的函數(shù)是均方誤差（MSE）函數(shù);[Δωji]為更新的權(quán)重值;[ΔBj]為更新的偏置值;[l]為模型進(jìn)行訓(xùn)練時(shí)的學(xué)習(xí)率。

3 實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)所使用的操作系統(tǒng)是Windows10專業(yè)版，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練所使用的深度學(xué)習(xí)框架是Keras，顯卡是NVIDIA的RTX2060。

3.1 定位數(shù)據(jù)集

本文實(shí)驗(yàn)是在一個(gè)2.4m*2.4m的矩形空間中，以矩形的中心為測(cè)距定位模塊為核心，以測(cè)距定位模塊側(cè)面的前、后、左、右、左前、右前、左后、右后八個(gè)方向來(lái)收集超聲波傳回來(lái)的數(shù)值，同時(shí)收集具有藍(lán)牙功能手環(huán)到測(cè)距定位模塊的RSSI值，模塊的實(shí)物如圖2（a）所示，根據(jù)機(jī)器人跟隨使用者的實(shí)際使用場(chǎng)景，設(shè)置每個(gè)測(cè)量點(diǎn)以40cm為間隔比較適用，一共有24個(gè)測(cè)量點(diǎn)，如圖2（b）所示進(jìn)行數(shù)據(jù)收集，并將收集到的數(shù)據(jù)中跳動(dòng)幅度較大的數(shù)據(jù)進(jìn)行異常值剔除;同時(shí)由于經(jīng)過多次測(cè)量發(fā)現(xiàn)小間隔地增減超聲波數(shù)據(jù)對(duì)收集到的RSSI值沒有影響，所以將收集的測(cè)距定位模塊到手環(huán)超聲波數(shù)據(jù)以1cm為間隔分別進(jìn)行5次增減，就得到數(shù)據(jù)增強(qiáng)后的實(shí)驗(yàn)數(shù)據(jù)集，實(shí)驗(yàn)數(shù)據(jù)集一共有79200條數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)集一共有63360條數(shù)據(jù)，測(cè)試數(shù)據(jù)集有15840條數(shù)據(jù)，隨機(jī)選取5條數(shù)據(jù)如表1所示。

表1中，收集到的RSSI值是取絕對(duì)值后的值;Num1、Num2、…、Num8（前、右前、…、左前）是測(cè)距定位模塊根據(jù)超聲波數(shù)據(jù)測(cè)量到的八個(gè)方向到自身的距離，數(shù)據(jù)單位為cm;ST為測(cè)量點(diǎn)到模塊的距離類型，其中將同一個(gè)方向上的測(cè)量點(diǎn)到模塊間的距離分為三種距離類型，分別為近距離、中距離、遠(yuǎn)距離，距離類型結(jié)構(gòu)如圖2（b）所示，這樣機(jī)器人通過判斷與使用者之間的距離類型，使機(jī)器人可以根據(jù)不同場(chǎng)景需要來(lái)調(diào)整自身與使用者之間的位置;根據(jù)實(shí)驗(yàn)場(chǎng)景，測(cè)距模塊發(fā)送的八個(gè)超聲波中有一個(gè)超聲波能檢測(cè)到有目標(biāo)，我們將該超聲波命名UT。

3.2 構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)

本文采用深度學(xué)習(xí)框架Keras的Functional API模式，它能夠定義復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，并且可以定義多輸入、多輸出節(jié)點(diǎn)。本文模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

本文模型通過共享全連接層網(wǎng)絡(luò)可以減少模型參數(shù)，從而可以降低模型的大小、提高運(yùn)行速度，激活函數(shù)采用Relu[15]函數(shù);分類函數(shù)采用Softmax[16]函數(shù)，該函數(shù)用于分類距離類型和測(cè)量到目標(biāo)的方位類型;優(yōu)化器采用Adam[17]函數(shù);損失函數(shù)采用交叉熵?fù)p失函數(shù)替換BP神經(jīng)網(wǎng)絡(luò)中的均方誤差函數(shù)。

3.3 模型的結(jié)果分析

本文模型將測(cè)距定位數(shù)據(jù)集傳到圖1的網(wǎng)絡(luò)中，經(jīng)過多次實(shí)驗(yàn)發(fā)現(xiàn)，模型訓(xùn)練次數(shù)超過50次后，模型準(zhǔn)確率不再提高，趨于收斂。故選擇50次作為模型訓(xùn)練的次數(shù);每一次迭代后的結(jié)果都通過matplotlib進(jìn)行繪制，最后進(jìn)行曲線擬合，如圖4、圖5所示。

從圖4可以看到，模型的準(zhǔn)確率由四條曲線組成，分別代表距離類型、目標(biāo)方位類型以及它們對(duì)應(yīng)的驗(yàn)證集的準(zhǔn)確率，可以看出模型距離類型和目標(biāo)方位類型的準(zhǔn)確率分別達(dá)到89.98% 和88.18%，由圖5可以看出，模型的損失率基本趨向于一個(gè)平穩(wěn)的狀態(tài)。

本文將前面表1中所展示的5條數(shù)據(jù)傳入到訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示，可以看出5次預(yù)測(cè)均能準(zhǔn)確地預(yù)測(cè)出測(cè)量點(diǎn)到測(cè)距定位模塊的距離和方位。由此，可表明BP神經(jīng)網(wǎng)絡(luò)可以用于移動(dòng)機(jī)器人對(duì)使用者進(jìn)行定位。

4 結(jié)束語(yǔ)

本文用測(cè)距定位模塊收集不同位置的RSSI值與超聲波數(shù)據(jù)，并構(gòu)建定位數(shù)據(jù)集，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。通過實(shí)驗(yàn)表明，該模型能夠有效的解決RSSI測(cè)距模型中環(huán)境參數(shù)依賴問題和超聲波對(duì)測(cè)量物體方位未知性的問題，具有較高的準(zhǔn)確率。本文所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型可用于超市、倉(cāng)庫(kù)等大型場(chǎng)所中移動(dòng)機(jī)器人對(duì)使用者進(jìn)行定位。

參考文獻(xiàn)（References）：

[1] Song P， Yu Y Q， Zhang X P. A tutorial survey and comparison of impedance control on robotic manipulation[J].Robotica，2019.37（5）：801-836

[2] Meenakshi， Gupta， Swagat，et al. A Novel Vision-Based Tracking Algorithm for a Human-Following Mobile Robot[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems，2017.

[3] 姚瀚晨，彭建偉，戴厚德，林名強(qiáng).基于改進(jìn)彈簧模型的移動(dòng)機(jī)器人柔順跟隨行人方法[J].機(jī)器人，2021.6：1-10[4] Ha Ba Ebi M H，? Khamis R O，? Zyoud A， et al. RSS BasedLocalization Techniques for ZigBee Wireless Sensor Network[C]// International Conference on Computer & Communication Engineering.IEEE Computer Society，2014.

[5] 謝嘉，桑成松，王世明，李永國(guó)，趙雯琦.智能跟隨移動(dòng)機(jī)器人的研究與應(yīng)用前景綜述[J].制造業(yè)自動(dòng)化，2020.42（10）：49-55

[6] 余振寶，盧小平，陶曉曉等.一種 GA-BP 神經(jīng)網(wǎng)絡(luò)模型的RSSI測(cè)距算法[J].導(dǎo)航定位學(xué)報(bào)，2020.8（2）：63-68

[7] 費(fèi)揚(yáng)，杜慶治.基于BP神經(jīng)網(wǎng)絡(luò)模型的RSSI測(cè)距方法研究[J].電波科學(xué)學(xué)報(bào)，2018.33（2）：195-201

[8] 楊亞楠，夏斌，袁文浩等.應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的測(cè)距算法研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2018.3： 172-177

[9] 余振寶，盧小平，劉英，余培冬，張冬梅.一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度測(cè)距算法[J].測(cè)繪科學(xué)，2020.45（11）：48-52，67

[10] 方震，趙湛，郭鵬，張玉國(guó).基于RSSI測(cè)距分析[J].傳感技術(shù)學(xué)報(bào)，2007.11：2526-2530

[11] 陳志勇，楊天銀，楊騰，黃博，劉承楊.基于超聲波的測(cè)距和無(wú)線傳輸系統(tǒng)的設(shè)計(jì)與制作[J].電子測(cè)試，2021.9：31-32

[12] DE? Rumelhart，? Hinton G E，? Williams R J. Learning Representations by Back Propagating Errors[J].Nature，1986.323（6088）：533-536

[13 李麗娜，梁德骕，馬俊等.基于灰色-RBF神經(jīng)網(wǎng)絡(luò)的傳播損耗模型訓(xùn)練[J].計(jì)算機(jī)應(yīng)用與軟件，2016.33（8）：136-140

[14] 石曉偉，張會(huì)清，鄧貴華.基于BP神經(jīng)網(wǎng)絡(luò)的距離損耗模型室內(nèi)定位算法研究[J].計(jì)算機(jī)測(cè)量與控制，2012.20（7）：1944-1947

[15] 張煥，張慶，于紀(jì)言.激活函數(shù)的發(fā)展綜述及其性質(zhì)分析[J].西華大學(xué)學(xué)報(bào)（自然科學(xué)版）：1-10[2021-06-11].http：//kns.cnki.net/kcms/detail/51.1686.N.20210511.1054.002.html.

[16] 萬(wàn)磊，佟鑫，盛明偉，秦洪德，唐松奇.Softmax分類器深度學(xué)習(xí)圖像分類方法應(yīng)用綜述[J].導(dǎo)航與控制，2019.18（6）：1-9，47

[17] Kingma D，? Ba J. Adam： A Method for Stochastic Optimization[J].Computer Science，2014.