一种面向装配车间聚类分层的WiFi室内定位方法

本发明涉及wifi无线室内定位技术，具体涉及一种面向装配车间聚类分层的wifi室内定位方法。

背景技术：

1、在快速发展的制造业中，装配车间作为生产流程的核心环节，其效率和准确性直接影响着整个制造过程的质量和成本。随着工业4.0时代的到来，智能制造成为推动产业升级的关键力量。但是由于装配车间卫星信号缺乏，使得gps、北斗等卫星导航系统不能使用。所以高效的室内定位技术在优化生产流程、提高资源配置效率和降低运营成本方面扮演着至关重要的角色。

2、当前，装配车间采用各种定位技术来追踪工具、设备和人员，传统的室内定位技术有红外，超声波，视觉，蓝牙，wifi，射频识别(rfid)，超宽带(uwb)，紫蜂(zigbee，一种高级别的通信协议名字，用于小型，低功耗的数字无线通信)等。这些技术在室内环境下都面临着诸如信号干扰、定位不精确和系统复杂性等挑战。随着网络通信领域的不断扩大，wifi技术在各个方面都有相关研究和应用，因为它能够利用现有的网络基础设施，节约生产成本。在室内定位领域，wifi定位算法的研究更是已经有了成熟的技术。其中机器学习和信号处理技术是wifi定位算法取得进展的关键。目前基于wifi定位最常用的算法是wifi位置指纹定位算法，其定位精度较高，但是需要大量采集数据，所以在大型定位场景下，例如在装配车间中可能会引起一系列问题。

3、在装配车间中，广阔面积和复杂布局给自动引导车(agv)的定位带来了挑战，这直接关系到车间的运营效率和安全性。当前的agv定位方法依赖于庞大的数据指纹库，导致处理时间长，难以满足工业环境中对实时性的高要求。同时，车间管理人员和agv对定位精度的需求存在差异：管理人员需求较低的区域精度，而agv则需要高精度的位置信息以确保任务的准确执行和避免碰撞。因此，装配车间的agv定位系统设计面临着如何优化大规模数据处理以提高效率，以及如何平衡不同用户对精度需求的挑战。

技术实现思路

1、针对装配车间的定位系统设计面临着如何优化大规模数据处理以提高精度和效率的问题，提供一种适用于装配车间特点和需求的wifi定位方法。本发明在wifi位置指纹定位的基础上，提出一种基于wifi的分层定位方法，该方法通过融合xgboost分类模型，k-means聚类算法和wknn算法，通过指纹库分割，然后实施区域标签和位置坐标的双层定位机制。

2、本发明的技术方案为：

3、一种面向装配车间聚类分层的wifi室内定位方法，包括以下步骤：

4、s1：首先设置参考点并完成区域划分；根据装配车间的结构，将信号覆盖区域按照各功能区域进行划分；并对所有区域进行编号作为区域标签；在各区域内均匀布置n个参考点，并记录参考点坐标；

5、s2：采集参考点指纹数据，每个参考点采集若干组无线信号强度值，与参考点坐标以及区域标签构成参考点指纹数据，如下所示：

6、ri＝{[rssic1,rssic2,…,rssicj,...,rssicn],(xi,yi),[l]}         (1)

7、式中:ri为第i个参考点指纹数据,rssicj为该参考点第c次采集第j个ap接入点的rssi特征，其中ap接入点总数为n,(xi,yi)为第i个参考点的坐标，[l]为区域标签，l＝0，1，2…s,s为功能区数量；

8、s3：构建指纹库，先将每个参考点的所有采集的rssi值进行均值处理得到处理后的rssi特征表示rssii＝(rssi1,rssi2,…,rssin)，然后结合该点区域标签和位置坐标，得到该参考点的指纹信息，然后将所有参考点的指纹信息汇总得到定位区域的指纹库；

9、s4：在功能区域标签相同的指纹数据用k-means算法将功能区域的指纹信息进行聚类并更新区域标签，然后把指纹库进行分割得到子指纹库；更新区域后的指纹信息如下所示：

10、ri'＝{[rssi1,rssi2,…,rssij,...,rssin],(xi,yi),[l][m]}    (2)

11、式中：ri′为更新后参考点指纹数据,rssij为该参考点第j个ap经过均值处理的rssi特征，[m]为区域标签内子指纹库序号，其中，l＝0，1，2…s,s为功能区数量；m＝0，1，2…h,h为每个功能区指纹信息聚类后子指纹库的数量；

12、步骤s4具体包括如下步骤：

13、s41：在k-means聚类算法中，初始设置包括指纹库中的n个数据点f＝{f1，f2，…,fn}，每个数据点代表一个实际环境中的参考点；每个参考点经过均值处理后其接收信号强度指示用rssii＝(rssi1,rssi2,…,rssin)表示，rssii为第i个参考点的rssi特征，位置由坐标(xi,yi)定义，其中n为室内环境中ap接入点的数量；初始化聚类的簇数为o，设置c＝{c1,c2,…,co}为簇划分输出，每个簇对应一个簇类中心，表示为{μ1，μ2，…,μo}；

14、s42：k-means的第二步涉及随机初始化o个聚类中心，即从n个数据点中随机选取o个点作为初始簇中心；每个选定的聚类中心μp的信号强度由rssii＝(rssi1,rssi2,…,rssin)表示；

15、s43：在第三步中，任务是划分样本数据，通过计算每个参考点fi与各个聚类中心μp之间的信号强度相似性，使用欧氏距离作为度量，每个参考点fi与各个聚类中心μp之间的欧氏距离d(fi,μp)计算公式为：

16、

17、其中，rssi(i,j)和rssi(p,j)分别代表参考点fi和聚类中心μp在第j个ap接入点的信号强度值，n是接入点的总数；根据欧氏距离，每个参考点fi被分配到与其信号强度最相似的聚类中心代表的簇中；

18、s44：第四步是更新聚类中心，将每个簇cp的中心点μp更新为该簇内所有数据点的平均值，更新后的簇中心点μ′p计算公式为：

19、

20、其中，|cp|表示簇cp中参考点的数量，而求和符号下的fi代表属于簇cp的所有数据点；

21、s45：最后，算法通过反复迭代步骤s43和步骤s44直到满足特定停止条件，以优化簇中心位置达到最佳聚类效果；这包括根据最新的簇中心点μ′p重新计算每个参考点与各簇中心的相似性，并基于这些重新分配参考点到最相似的簇中，随后更新每个簇的簇中心；这个过程持续进行，直到簇中心不再有明显变化或达到其他预设停止条件；

22、s5：训练xgboost模型，将所有步骤s4中更新区域后的参考点指纹信息ri′划分为训练集和测试集，将rssi值作为特征，将区域标签和子指纹库序号作为标签进行训练；

23、s6：在线定位阶段，获取待测目标wifi信号rssi特征；

24、s7：使用训练好的xgboost模型粗定位预测其区域标签和子指纹库序号；

25、s8：根据区域标签和子指纹库序号，调用对应子指纹库数据，使用wknn算法精定位进行位置匹配，得到定位结果，并输出定位点的位置坐标(x,y)。

26、进一步的，步骤s5具体包括如下步骤：

27、s51：在xgboost训练开始时，xgboost初始化模型为一个基准预测值，通常是问题的平均值或零；这是通过构建第一棵树来实现的，其目的是提供一个简单的模型作为出发点；

28、s52：算法逐步添加新的决策树，每棵树都试图纠正前一轮迭代的残差也即前一轮的预测错误；对于每一次迭代，每棵新树的构建都是基于整个模型到目前为止的残差；

29、s53：xgboost使用一个特定的目标函数进行优化，该函数包含两部分：一部分是损失函数，衡量模型预测与实际值之间的差异，另一部分是正则化项，控制模型复杂度以防止过拟合；目标函数obj的形式：

30、

31、其中,表示损失函数,yq表示第q个观察点的实际值或目标值，表示第q个观察点的预测值；ω(fk)表示正则化项，fk代表第k个基学习器的函数；

32、s54：在每棵树的构建过程中，xgboost采用贪心算法来遍历所有可能的分割点，并选择最优分割以最大化目标函数的增益；分割的决策基于目标函数的改进量，这涉及到计算每个潜在分割的增益，并选择增益最大的分割点；

33、s55：利用泰勒级数展开来简化目标函数的优化过程，使得目标函数关于预测值的一阶和二阶导数可以被有效计算和优化；通过这种方式，xgboost能够更加精确和高效地优化目标函数；

34、s56：在xgboost中，关键参数对模型性能有显著影响；适当调整这些参数是优化模型性能和提高预测准确度的关键步骤；

35、s57：迭代继续，直到达到用户定义的停止准则。

36、进一步的，步骤s8具体包括如下步骤：

37、wknn算法通过引入权重因子ωt来赋予这些相似度高的指纹更高的权重，一般使用距离的倒数作为权重因子ωt的计算公式；wknn算法的位置估计公式如下：

38、

39、式中(x,y)是最后输出定位点的位置坐标，k是wknn算法中k的值，通常由调参数时确定；(xt,yt)表示选取的第t个坐标分量,t＝1,2,…k；

40、其中，ωt的计算公式为：

41、

42、式中d(t)表示第t个坐标到平均坐标的距离。

43、可选的，步骤s1中根据装配车间的结构，可以将采样点位置和无线ap接入点布局划分为：

44、划分的三个区域分布代表装配车间某三个相邻的功能区，把三个区域分布记为区域0，区域1，区域2，场景中共布置8个ap点，区域0有2个ap，区域1和区域2分别有3个ap；用移动设备采集ap的信号值，区域0的大小是5*10m,有55个采样点，区域1的大小5*5m，有40个采样点，区域2的大小是10*5，有80个采样点。

45、进一步的，步骤s57中用户定义的停止准则可以为树的最大数量或者模型性能的改进小于一个阈值。

46、本发明的有益效果在于：

47、(1)本发明的有益效果主要体现在它为装配车间设计了一套独特的算法，这一算法不仅考虑了环境因素，还特别针对车间的定位需求进行了优化。这使得本发明在提高装配效率、减少操作错误以及优化资源分配等方面具有显著优势。通过这种方式，本发明能够有效地解决现有技术在适应性和效率上的不足，为装配车间提供了一个更加精准、高效的解决方案。

48、(2)本发明的第二有益效果在于其提高了定位精度和效率。通过结合xgboost分类模型、kmeans聚类算法和wknn算法，本发明在处理大量的定位数据时能够有效地减少误差，提高了定位的准确性。此外，通过预先的指纹库训练和算法优化，能够实现更快的定位响应，从而大幅提升了定位系统的实时性和可靠性。这种高精度和高效率的定位技术对于装配车间等需要精确操作的环境来说，不仅可以提高生产效率，还能减少因定位误差导致的潜在错误，进一步优化生产流程和提高整体工作效率。