適用於室內定位系統之粒子濾波器硬體設計

3.2.1 前言

在本計劃中，我們計畫開發一個以無線網

路為基礎的定位系統，以提供使用者即時的位 了粒子濾波器(Particle filter) [20][21]

[22]來改進預測的準確度。然而粒子濾波器運

在圖七的流程圖中，所謂 KNN Estimator 即是將比對訊號強度所得到的 K 最近的點，平

More particles mean higher probability )

(x p

xt

More particles mean higher probability

圖八 粒子與機率關係圖

粒子濾波器整個運作流程圖如圖九，在初 始化各粒子一開始的位置後，中間主要分成以 下四個步驟：

1.粒子產生(Particle Generation)：根 據系統模型，預測下一個時間點粒子可能所在 的位置。

2. 權重計算(Weight computation)：當

圖七 定位系統流程圖

Receive RSSI from Beacon

UDP Process

KNN Estimator

Particle Filter

(KNN-Estimated Location)

(Particle Filter Estimated Location)

Output to Display Subsystem Radio Map

Moving Model and Constraints

收到一個量測值後，根據這個量測值以及量測 模型來判斷粒子在預測位置的機率，機率越 高，代表計算出來的權重會越大。

3.權重正規化(Weight normalization)：

將所有權重正規化，以方便輸出的計算以及做

Initialize Particles

Normalize Weights

Output Estimates

Output Resampling

More Observations

Particle Generation

Weight Computation

Initialize Particles

Normalize Weights

Output Estimates

Output Resampling

More Observations

Particle Generation

Weight Computation

0 500 1000 1500 2000 2500 3000 3500

0.45

Number of particles

Root Mean Square Error

RMS vs Particle number

PF 圖十一所示。其中彩色的部份是 memory，最右 邊的兩個 memory 和最左邊兩個 memory 是同樣 的。在這個架構中，首先 SAMPLE 模組根據前 一個時刻 Resample 之後所得出的資訊，從 Particle Memory 中讀取要被複製的粒子，根 據 系 統 模 型 預 測 了 該 粒 子 下 一 個 時 刻 的 位 較高，反之亦然。此為 IMPORTANCE 模組的功 能。

在得到每個粒子的權重之後，接下來就是 重新取樣，RESAMPLE 模組會根據每個粒子之權 重大小，決定每個粒子是因為權重太小而要被 刪 除 ， 或 者 因 為 權 重 較 大 而 被 複 製 。 最 後 RESAMPLE 模組會產生應該要被複製粒子的 index 以及要被複製的次數，分別存在圖十一

Weight Update

write_en Weight

Memory

Resample

MEMi

particle new

particle

Particle Allocation

束後，便由 SAMPLE 模組開始根據 MEMi, MEMr 裡面的資訊，繼續下一個循環的粒子產生運 算。

另外還有一個 OUTPUT GENERATION 模組，

其主要功能是將所有的粒子以及權重，做加權 平均，以得出本系統最後估計的結果。

在此演算法當中，因為一個粒子被產生出 來之後馬上就可以推算它的權重，而權重計算 出來之後便可以將這個粒子加入輸出的估計 中，因此我們設計成管線化(Pipelining)的形 式，以增加系統整體效能。然而，因為 Resample 需要全部權重的資料，所以 Resample 這一部 分，在第一版中我們先將它完全獨立出來，如 圖十二所示。

圖十二 粒子濾波器之 Pipelining

由於在很多關於粒子濾波器的論文中，都 是用純方位追蹤(Bearings-Only Tracking)作 為粒子濾波器的一個應用。因此我們的第一個 版本將純方位追蹤的系統模型以及量測模型 考慮進去，未來一年我們會再調整成適合於本 計劃室內定位系統的模型。

純方位追蹤(Bearings-Only Tracking)，

顧名思義，就是當我們在對一個目標做追蹤的 時候，因為某些限制，只能定期的收到目標的 方位資訊，我們就根據這些方位的量測，進而 預測出目標的位置。如圖十三所示：

我們採用了[25]裡的系統模型以及量測 模型來進行我們硬體的驗證，在這個模型裡 面，一開始的位置及速度是落在某個已知的範 圍內，欲追蹤的目標基本上是採等速直線運 動，實際上的速度變化則當成系統模型中的 noise 來模擬。我們所做出來的成果如圖十四

所示，圖中顯示了實際上的路徑以及估計出的 路徑，我們可以看到兩者非常接近。

圖十三 純方位追蹤

圖十四 粒子濾波器硬體估計路徑與實際路徑比較

另外擷取某個時間點的粒子分布如圖十 五所示，在圖十五中，觀察者在右下角，我們 可以看到，相對於觀察者而言，粒子分布的角 度範圍很小，因為如果某個粒子的角度和實際 量測到的角度相差越多，表示這個粒子的可能 性不大，亦即權重很小，而權重小的粒子在 Resample 的時候就極有可能被捨棄掉，故留下 來的粒子的角度分布都會是集中在一個小角 度的範圍內。

-0.070 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01 0

0.02 0.04 0.06 0.08 0.1 0.12 0.14

x

y

Particle Distribution at time 11

observer Actual position Estimated position

圖十五 粒子分布情況

-0.05 -0.045 -0.04 -0.035 -0.03 -0.025 -0.02 -0.015 -0.01 -0.005 0 -0.8

-0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8

Actual path and Estimated path on hardware

x

y

Actual path Estimated path Observer

3.2.4 結果與討論

在過去一年中，我們針對粒子濾波器的演 算法做了一些瞭解，並成功設計出了第一版針 對純方位追蹤問題的硬體。在未來的二年中，

我們將設計出一個適用於本計劃室內定位系 統的系統模型與量測模型，並把這些模型套用 在粒子濾波器的演算法上，以完成適用於定位 系統之粒子濾波器硬體的設計。

3.3 視覺導向錯誤補償之硬體架構設計