RSSI-LQI动态距离估计

基于RSSI和LQI的动态距离估计算法

摘要：本文提出了一种基于RSSI和LQI的动态距离估计算法。其思想就是通过对无线电传播路径损耗模型以及大量实测数据的分析，用分段线性逼近的方法得到RSSI、LQI这2者与传播距离的衰落曲线。在距离估计时，分别对这2条衰落曲线计算出估计距离，并动态地进行优化处理得到最终的距离估计值。算法在基于ZigBee的硬件平台上进行，证明了该算法较普通的基于RSSI的测距方法有了明显的进步，提高了距离估计的精度，并且适合在通信开销小、硬件要求低的节点上应用，有利于提高基于RSSI测距的定位算法的精度。

关键词：RSSI LQI；衰落曲线；逼近；ZigBee

0 引 言

随着无线个域网(WPAN)的不断发展，基于IEEE 802.15.4的ZigBee技术正日益受到人们的重视。这种以低成本、低功耗、低数据传输速率、低复杂度为显著优点的短距离无线通信协议，满足了小型、低成本的固定、便携或移动设备无线联网的要求。目前，越来越多的应用直接利用现成的ZigBee无线通讯模块来估计对象节点的位置，如矿井下人员定位系统可以随时了解矿工的工作位置，医疗看护定位系统可以随时了解被看护对象活动区域或贵重医疗设备的放置场所，而消防救护定位系统可以动态掌握进入火灾现场消防队员的活动区域，为现场指挥提供有效的资料。

本文的目标是在充分研究现有的RSSI测距技术的基础上，利用已有的硬件设备和ZigBee标准，综合考虑RSSI和LQI这2个与距离有关的变量来估计2个相互通信的设备间的距离，并且提高估计的精度。本文提出了一种简单有效的基于RSSI和LQI的动态距离估计算法，在提高距离估计的精度的同时，适合在通信开销小、硬件要求低的场合下使用。

1 相关研究

目前学术界已经有了大量关于无线设备间距离估计和定位的研究。在基于测距的定位算法中，现有的测量2个无线设备间距离的技术大致有[1]：接收信号强度(RSS)、到达时间(TOA)、时间差(TDOA)和到达角度(A0A)，以RSSI和TDOA两种方法最为常用。

1.1 RSS

基于接收信号强度(receive signal strength，RSS)的测距是一种廉价的测距技术，也是本文测距算法的基础。已知发射信号强度，接收节点根据收到的信号强度，计算信号在传播过程中的损耗，使用理论或经验的信号传播模型将传播损耗转化为距离。由于无线信号对于复杂环境的适应能力较弱，这种方法的精确度不高。但是其

借助的硬件设备较少，而且很多无线通信模块都可以直接提供RSSI值。因此，基于RSSI的测距方法还是被广泛应用的。

1.2 T0A

基于到达时间(time of arrival，TOA)的测距技术是用测量到的信号传输时间乘以光速来得到2点问的距离，其优点是准确性高。但TOA要求节点问有精确的时间同步，对硬件要求比较高。

1.3 TDOA

基于时间差(time difference on arrival，TD0A)的测距技术一般是在节点上安装超声波和无线电信号收发器。发射端同时发射2种信号，在接收端记录其到达时间的差异。利用超声波与电磁波在空气中传播速度的巨大差异把时间转化为距离。该技术的测距精度可达到cm级，但也需要精确的时间同步，而且使用超声波测量需要额外的硬件，增加了成本。

1.4 AOA

基于到达角度(angle of arrival，AOA)的测距技术是通过阵列天线或多个接收器结合来得到相邻节点发送信号的方向，从而构成一根从接收机到发射机的方位线，2根方位线的交点即为未知节点的位置。AOA技术也易受外界环境的影响，而且需要特殊的硬件支持。

2 基于RSSI和LQI的距离加权估计算法

2.1 RSS与LQI

RSSI(receive signal strength indicator)即为信号强度指示，是真实的接收信号强度与最优接收功率等级间的差值。LQI (link quality indicator)是链路质量指示，表征接收数据帧的能量与质量。其大小基于信号强度以及检测到的信噪比(SNR)，由MAC(media access control)层计算得到并提供给上一层，一般与正确接收到数据帧的概率有关口。RSSI值和LQI值在ZigBee收发模块每接收一个数据帧时都可以得到

[4]，及时反映信号强度的变化和受到的干扰的变化。LQI的动态范围比RSSI大，有更高的分辨率。把LQI值融入距离估计算法将使基于RSSI的测距技术有提高的空间。

2.2 RSSI和LOI衰落曲线的分段逼近

建立RSSI和LQI的衰落曲线就是要拟合出简单而有效的RSSI和LQI随距离变化的衰落曲线，并且用数学公式来模拟衰落曲线，以此作为以后估计节点距离的依据。实际应用环境比理想环境复杂得多，存在着多径干扰、绕射、障碍物等不定

因素，对于某个具体环境而言，根据原理模型和大量实测的经验数据来建立经验公式是最有效的一种方法。

2.2.1 经典的信号衰减模型

自由空间的无线电传播路径损耗模型由式(1)给出：

Loss=32.44+1Onlgd +1Onlgf (1)

式中：d为接收端与发射端的距离(km)；f为无线电传播的频率(MHz)；n为路径衰减因子，一般取2～5。

在实际应用环境中，由于多径、绕射、障碍物等因素，无线电传播路径损耗与理论值相比有些变化，常采用对数常态分布模型，式(2)给出模型的数学表达式：

PL(d)=PL0+1Onlg(d/d0)+X0 (2)

式中：PL(d)为经过距离d后的路径损耗(dBm)；d0为参考距离，通常取值1m；X0是平均值为0的高斯分布随机变数，其标准差一般为4～1O。PL(d0)是经过参考距离d0后的路径损耗。由式(1)和式(2)可以得到接收端的信号强度，由式(3)给出：

Pr(d)=Pt-PL(d) (3)

式中：Pr(d)为接收信号强度(dBm)，也可表示成RSSI(d)，为发射信号功率(dBm)。基于这样的原理，IEEE802.15.4给出了简化的信道模型，由式(4)给出：

图1显示了该模型下接收信号强度RSSI与距离d的关系曲线图。从该信道模型中可以看出，信号的衰减与距离成指数衰减的关系，并且当节点间距离比较近时，其路径衰减因子k较小(k=2)；当距离增大时，衰减增大(k=3.3)。尽管IEEE802.15.4将信道模型进行了简化，但是幂级数形式的计算对硬件的要求比较高。从信号的衰减特性可以看出，在距离较近的地方，衰减曲线比较陡直，在距离较远的地方，曲线渐渐变得平缓。因此，可以用分段逼近的方法来拟合衰减曲线。

根据图2和图3所示的实际衰落曲线和上述分析，以10m为界分两段进行线性逼近，得到分段逼近的RSSI和LQI衰落曲线如图4和图5所示。

2.2.2 建立分段逼近的RSSI和LQI衰落曲线

实际测量得到的RSSI和LQI随距离的衰落曲线如图3和图4所示。从图3中可以观察到，实际的衰落曲线存在一些不规则的振荡和衰落。信号强度在10m以内的区域中较好地符合了802.15.4的信号衰减曲线，但当距离加大时，RSSI的衰减曲线就比较平缓，明显高于802.15.4的信号衰减曲线。这可能是由于RSSI值受到硬件

条件的限制，其有效范围较为有限(实测条件下，一般在-4O～-9OdBm)。图4显示了LQI随距离的衰落情况。其衰落趋势与RSSI大致相同：在10m的范围内波动比较小，随着距离的增大，振荡也增大了，也有较大的不规则的衰落。相比之下LQI值的有效范围要宽得多，在40～170之间。因此，如果增加LQI值来进行距离估计，能够得到更宽的线性度，从而提高定位精度。

2.3 动态的距离估计

从图4和图5可以看出，LQI的两段线性衰落曲线的斜率都要高于RSSI的线性逼近衰落曲线，LQI可以提供更高的分辨率。在小于10 m的范围内，实际的LQI衰落曲线围绕其逼近曲线的波动要略小于实际的RSSI衰落曲线围绕其逼近曲线的波动，相对比较稳定，但是当距离较大时，LQI值的波动就比RSSI的波动厉害得多，此时，用LQI的逼近曲线计算得到的距离就与真实的距离相差很大，而此时RSSI比较稳定。因此，如果能预知需估计距离所在的范围，在此距离较小时，首选LQI来计算；而当此距离较大时，首选RSSI来计算，这样就达到了动态处理估计距离的目的。

实测结果显示，在较近的范围内用LQI和用RSSI计算得到的距离误差都比较小，2者的距离之差较小；而当距离增大时，由于LQI的大幅度波动造成距离估计也有很大的误差，从而导致2者的距离之差较大。因此，此距离差可作为预知估计距离所在范围的标准。由实测结果还可看出，在某个位置上多次测得的一组RSSI和LQI值如果波动较大，那么该位置的真实衰落曲线偏离逼近曲线的程度也较大(如图6所示)，利用这一点，可以对RSSI和LQI值在一定范围内进行修正。假设用RSSI的逼近衰落曲线得到的估计距离为d1，用LQI的逼近衰落曲线得到的估计距离为d2，某点的最终估计距离为d，考虑3种动态优化处理的方法，并在下一节中对其结果进行了比较。

(1)分别给d1和d2一个权重a1和a2进行加权处理，d=a1d1+a2d2；

(2)根据具体环境，找到一个阈值t,当|d1-d2|≤t时，d=d2；当|d1-d2|>t时，d=d1；

(3)在(2)的基础上用RSSI或LQI的波动对估计距离进行有限次数的修正： 当|d1-d2|≤t时，用LQI的波动来对LQI值进行修正，d=d2(LQI±△LQI)； 当|d1-d2|>t时，用RSSI的波动来对RSSI值进行修正，d=d1(RSSI±△RSSI)。

3 实验结果

实验在基于ZigBee的硬件平台上完成，使用Helicomm的ZigBee通讯模块IPLink1221完成固定节点和待定节点间的通信以及RSSI与LQI的采集。在如下的一系列距离点上进行RSSI和LQI的测量，每个点测量100组RSSI和LQI值，并计算其波动范围△RSSImax和△LQImax：1、2、3、4、5、6、7、8、9、10、15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100、105、110、115、120m。对比算法在0～l0m、10～80m、大于80m的3个距离段以及整个范围内的估计距离的平均偏差和均方差，表1对比了各种算法下的最优结果。

表1中的第1、第2行数据验证了当距离比较近时，用LQI来估计距离比用RSSI估计有更小的平均偏差；当距离较远(大于80m)时，用RSSI的效果。算法1由于是对d1和d2进行了权重的调整，其在各距离段中的性能介于两者之间，但在整个范围内的性能得到了提高；算法2由于根据估计距离的远近，动态地选择了各距离段上较优秀的方式(RSSI或者LQI)来计算距离，所以其在各个距离段以及整体上都优于算法1；算法3由于引入了对RSSI或者LQI的修正机制，其性能是3种算法中最好的。

从表1给出的数据看，在10～80m的距离段上普遍误差比较大，这是由于无线信号本身在30m附近存在大的衰落，这种衰落本应在60m左右的地方才会出现，因此，可以结合其他方法来对其进行修正。

基于RSSI和LQI的动态距离估计算法，通过预知需估计距离的远近，动态地选择各距离段上较优秀的方式(RSSI或者LQI)来计算距离，并且根据RSSI(或LQI)的波动范围，对RSSI(或LQI)进行一定的修正。在基于ZigBee的硬件平台上验证了该算法较普通的RSSI测距有了明显的进步，提高了距离估计的精度，并且适合在通信开销小、硬件要求低的节点上应用，有利于提高基于RSSI测距的定位算法的精度。在以后的工作中，可将衰落曲线继续细分，增加逼近的线性段数来得到更精确的分段逼近曲线，从而提高估计精度。还可以结合其他方法来修正该算法中无法修正的由于较大衰落引起的误差，如实际移动定位中的前后位置的连续性等，使距离估计性能得到进一步提升。

本文来源：https://www.bwwdw.com/article/e21j.html