RFID 定位方法之比較
林張群 長庚大學資訊管理系 Email:ccl@mail.cgu.edu.tw 陳昫如 長庚大學資訊管理系 Email: miniqq1123@gmail.com 摘要―無線射頻辨識技術(RFID)的應用日漸廣泛,除 了應用於辨識用途外,更進一步發展到可用於物件與人員 的室內定位,因此利用 RFID 的設備與特性建構室內定位 系統的想法也日漸受到重視。目前較常使用的 RFID 室內 定位方法有 SpotON、LANDMARC 和類神經網路。文獻 探 討 發 現 , 目 前 應 用 類 神 經 網 路 的 定 位 研 究 都 是 在 IEEE802.11 的環境下進行,並未發現有應用於 RFID 環境 者。此外,亦未發現有研究針對不同的 RFID 定位方法進 行比較性的研究。因此本研究在相同的環境下,對不同定 位方法的效果,進行比較性的研究。結果顯示,SpotON 的定位效果較差,LANDMARC 與類神經網路則不分軒 輊,整體而言類神經網路表現較佳。 關鍵詞―行動運算、RFID、室內定位、類神經網路。一、前言
無線科技、行動運算設備以及網際網路促進 了位置偵測系統與服務的發展。許多此類的應用 都必須知道服務對象的確切位置。個人化的消費 電子產品,如 GSM、PHS 手機、PDA、GPS 導 航系統、或者是對某些特定標的物所設計的追蹤 系統,都是定位服務概念的延伸與應用。定位服 務已成為現代人生活中不可或缺的一部份。其中 最典型的當屬全球定位系統 GPS。然而 GPS 必 須於戶外才能使用。另外的許多應用則牽涉到物 件或使用者於室內的定位問題。目前已有的室內 位置感知技術有紅外線[12]、802.11[1]、超音波 [6,11]及無線射頻辨識技術 RFID 等。各有各的優 點及缺點。近年來,隨著 RFID 技術的逐漸成熟, 各式各樣可行的應用也開始蓬勃發展,而利用 RFID 的設備與特性來建構室內定位環境的想法 也逐漸受到重視。 無 線 射 頻 辨 識 技 術 (Radio Frequency Identification) [5],簡稱 RFID。最早使用在第二 次世界大戰時,分辨敵我戰機的用途上。戰後 RFID 的應用亦被延伸至保全系統,出入口控制 及自動閘口等方面。RFID 系統是由 RFID 讀取 器(Reader)、感應器(Transponder)也就是俗 稱的電子標籤(Tag),以及中介軟體互相串聯起 來的一套架構。RFID 的基本原理是利用電磁感 應與無線訊號傳播進行通訊,以達到非接觸的自 動識別技術。當物體位於讀取器可讀取的範圍 內,其附載的電子標籤感應到讀取器的訊號時, 便主動將標籤內儲存的資訊透過電磁波傳送至 讀取器,達到自動識別與自動收集資訊的功能。 在讀取資訊的同時,讀取器也可根據訊號的強 弱,判斷電子標籤距讀取器的大概距離。若同時 整合數個讀取器的訊號強度資料,便可據以判斷 電子標籤的位置。 目 前 較 常 使 用 的 RFID 室 內 定 位 方 法 有 SpotON[7] 、 LANDMARC[10] 和 類 神 經 網 路 [2-4,8,9]這些方法皆可達到一定的定位效果。但 由於無線訊號於室內較容易因為受到建物的格 局與材質、物品的擺設位置或人員的移動等干 擾,造成訊號呈現不穩定的現象,導致這些定位 方 法 都 存 在 1 至 數 公 尺 的 誤 差 。 其 中 LANDMARC 系統需要用到多個參考點標籤,因 此設置成本較高。然而在這些方法發表之後,並 未有研究針對這些方法的定位效果進行比較。因 此本研究 的目的 便在於利用 相同的 環境 與設 備,比較這些方法的定位效能,並探討實際運用 的可行性。本文結構如下。第二節介紹 SpotON、 LANDMARC、類神經網路等方法的詳細內容。第三節說明本研究的實驗設計。第四節就所得之
實驗結果進行探討。第五節則是結論與建議。
二、RFID 定位方法
RADAR( Radio Detection and Ranging )[1]是 由 Bahl and Padmanabhan 於 2000 年發表的定位 技術,它是最早應用於無線區域網路環境下的室 內定位方法。RADAR 的核心技術是將訊號傳遞 模型(signal propagation mmmodel)及實測模型 (empirical model)結合。利用實測模型與訊號 傳遞模型的訊號強度,推算未知物件的實際座 標。但 RADAR 有其缺點存在,就是被追蹤物件 本身必須支援相關的設備,因此,在一些小型或 者是電量有限的被追蹤物上面是比較難達成的。 SpotON[7]利用 RFID 讀取器、與許多的電子 感應標籤,建構出一個涵蓋範圍有限的室內無線 感測網路環境,是第一個運用 RFID 技術做室內 定位的系統。SpotON 假設電子標籤的訊號強度 SS隨距離d 越遠而遞減,其關係可以二次方程 式表示成 c bd ad SS = 2 − + 。 (1) 方程式的參數可以根據已知的樣本資料估 計而得。對於未知坐標之訊號來源,SpotON 利 用聚集演算法(aggregation algorithm)推算出未 知物件位置。步驟如下: 1. 選擇一個隨機的座標點s 為起點與一固定距 離ε。 2. 對沿著 x 、y、z座標軸方向與 s 相距ε單位 的 6 個點,根據(1)式估計對各讀取器的訊號 強度。 3. 計算每一個點的訊號強度與實際訊號強度的 均方根誤差。 4. 選擇誤差最小的點p,以p取代 s 。 5. 當 s 不再改變時,以 s 為估計的位置,停止搜 尋。
LANDMARC(Location Identification based on Dymaic Active RFID Calibration)[10]是近期以 RFID 技 術 定 位 有不 錯 效 果 的 一 個 系 統 。 LANDMARC 系統的環境,是由n 個 RFID 讀取 器、 m 個參考標籤(reference tag)和 u 個要追蹤 的標籤(tracking tag)所構成。此系統最主要的 優點在於利用 參考標籤的概念,搭配定位演算 法,改善定位時的整體精確度。Ni et al.[10]的實 驗是在 2 m 20 的空間中,佈置 4 個讀取器與 16 個 間距 1~2m 的參考標籤,經過 48 小時持續的資 料收集後,定位估測誤差有 50%約在 1m 左右, 而最大的定位誤差則在 2m 以內。 LANDMARC 定位系統將事先規劃的 RFID 讀取器與參考標籤依照一定擺放方式放置室內 環境中,藉由 RFID 讀取器收取追蹤標籤與參考 標籤的訊號強度向量 s 與θ,藉由(2)式計算未知 物件訊號與各個參考標籤訊號的相對誤差向量 ) , , , (e1 e2 em = e 。其中
∑
= − = n i i i j s e 1 2 ) (θ 。 (2) 接著選擇誤差最小的k個參考標籤,令其權重為∑
= = k j j j j e e w 1 2 2 1 1 (3) 最後利用這k個最近參考標籤的座標與權重,估 計未知物件的座標為∑
= = k j wj xj yj y x 1 ( , ) ) , ( 。 (4)類神經網路(artificial neural network) 是人 工智慧重要的一支,近 年來在各個領域都常使用 到此技術,其基本概 念是模仿生物神經網路的資 訊處理方式,利用資料不斷的學習及錯誤修正以 達到正確的輸出。類神經網路具有學習功能,可 透過經驗上的學習來建立模型。目前發展的 類神 經網路當中,以倒傳遞網路為最具代表性,且應 用範圍為最廣泛。已廣泛應用於電機、機械、水 利、資訊、醫學、經濟等各個領域。其架構是由
層層並列的運算元所組成,網路中每一層運算元 僅接受前一層的輸出做為輸入,圖 1 為倒傳遞網 路之架構。 圖 1. 倒傳遞網路之基本架構 Battiti et al. [2]大概是最早使用類神經網路 於 室 內 無 線 網 路 定 位 的 研 究 。 他 們 在 IEEE802.11b 的環境下,使用 3 個基地台在一棟 面積 25.5m×24.5m 的 3 層樓建築物內進行實驗。 所使用的類神經網路有一個隱藏層,分別採用 4、8 及 16 個節點進行學習。其定位誤差依學習 樣本數的不同,大約介於 1.5m 至 6m 之間。 Martínez et al. [8]同樣也在 IEEE802.11b 的環境 下,使用 5 個基地台在面積 40m×20m、有 28 個 房間的室內進行實驗。所使用的類神經網路有一 個隱藏層,分別採用 8 及 16 個節點進行學習。 其 定 位 誤 差 介 於 0m 至 6m 之 間 。 同 樣 在 IEEE802.11b 的環境下,Castro and Favela [3]的實 驗場地為 46.8m×13.3m,共有 10 個房間。其定 位誤差介於 0m 至 8m 之間。然而 Ding et al. [4] 的實驗卻呈現較差的桔果,其實驗環境為一面積 108m×89m 的 2 層樓建築,共使用 30 個基地臺。 其輸入節點多達 60 個,隱藏層節點數分別為 30、60 及 90。大部份的定位誤差介於 0m 至 20m 之間,最大可達 40m。另外,Nerguizian et al. [9] 將類神經網路應用於坑道中的無線定位,或許是 因為坑道多為線性結構的關係,其定位誤差縮小 至 3m 以內。 由文獻的探討可以發現,目前應用類神經網 路的定位研究都是在 IEEE802.11 的環境下進 行,並未發現有應用於 RFID 環境者。此外,亦 未發現有研究針對不同的 RFID 定位方法在相同 的環境下進行比較性的研究。因此本研究的主要 目的便是期望在同樣的環境下,對不同定位方法 的效果,進行比較性的研究。
三、實驗設計
首先本研究在簡單的室內空地上設置一 9m ×12m 的實驗場地,其間並無任何的障礙物,亦 無人員的干擾。每隔一公尺設一個取樣點,總共 有 130 個取樣點。圖 2 為測試空間的平面圖。在 這個空間中將 RFID 讀取器分別放置於(0,0)、 (9,0)、(0,12)、(9,12)等 4 個位置上,並使用主動 式標籤以讀取每個點的 RSSI 訊號值。 圖 2. 9m×12m 的實驗環境 本研究分別將相距 2、3、4m 的取樣點視為 訓練樣本,其餘則為測試樣本,因此產生 3 組實 驗數據,2m 間隔產生 35 個訓練樣本與 82 個測 試樣本;3m 間隔產生 20 個訓練樣本與 110 個測 樣本;4m 間隔則有 12 個訓練樣本與 105 個測試 樣本。圖 3 至 5 分別為間隔 2、3、4m 的訓練樣 本配置圖。 圖 3. 間隔 2m 的取樣點圖 4. 間隔 3m 的取樣點 圖 5. 間隔 4m 的取樣點 類神經網路的實驗使用 Super PC Neuron 5.0 Trial 版軟體。輸入與輸出層分別有 4 和 2 個節 點,隱藏層節點數分別設為 4、8 及 16。學習次 數則為 1000、10000 與 100000 次。每一網路結 構在不同的訓練次數下共進行 5 次實驗。
四、結果與討論
(一) SpotON 實驗結果 假設(1)式足以代表訊號的傳遞模式,以間隔 2m 的取樣資料迴歸得到訊號的傳遞模式為 62 . 153 4959 . 4 1537 . 0 2 − + = d d SS 。 3m 的取樣資料迴歸得到訊號的傳遞模式為 14 . 154 3465 . 4 1404 . 0 2 − + = d d SS 。 4m 的取樣資料迴歸得到訊號的傳遞模式則是 92 . 153 0533 . 4 117 . 0 2 − + = d d SS 。 接著根據測試樣本之 RSSI 資料以 SpotON 的聚集演算法估計測試樣本之位置,並計算與實 際位置之距離誤差,將誤差累積機率做圖如圖 6 所示。可以發現以 SpotON 定位的誤差,80%在 5m 以內,6m 以內的機率約為 85%。此外,隨著 取樣點間隔的增加,誤差僅有為小幅度的增加, 可見取樣間隔的影響不大,至少在 4m 以內沒有 太大的差異。 0% 20% 40% 60% 80% 100% 0 5 10 15 20 2m 3m 4m 圖 6. SpotON 的誤差累積機率 (二) LANDMARC 實驗結果 在 LANDMARC 方法中必須設置參考標 籤,本研究以取樣點的 RSSI 資料代替參考標籤 的 RSSI 值進行計算。此外,根據 Ni et al.[10]的 發現,以最近 4 個參考標籤計算的位置誤差最 小,因此本研究亦令k =4。 圖 7 顯示,LANDMARC 的定位效果明顯優 於 SpotON,99%的誤差在 6m 以內。Ni et al.[10] 發現 LANDMARC 的誤差都在 2m 以內,但是其 參考標籤的間隔也是 1 或 2m。如此密集的參考 標籤配置或許有助於提高定位的精確度,但也會 增加許多額外的成本。事實上 LANDMARC 與 k-NN (k-Nearest- Neighbors)並無太大的差別。而 本研究發現,LANDMARC 的最大誤差似乎很難 低於 6m。但取樣的間隔,也就是參考標籤的間 隔幾乎對定位效果不產生任何的影響。因此若欲 採用 LANDMARC 為定位方法,參考標籤的配置 似乎並不需要太過密集,4m 甚至更大的距離應不至於造成太大的誤差,如此也可省下大量的參 考標籤成本。 0% 20% 40% 60% 80% 100% 0 5 10 15 20 2m 3m 4m 圖 7. LANDMARC 的誤差累積機率 (三) 類神經網路實驗結果 在類神經網路的實驗中,對每一種網路結 構,分別設定 1000、10000 及 100000 三種學習 次數。在每一種學習次數下以不同亂數種子進行 5 次學習,5 次的平均誤差如表 1 至 3 所示。 表 1. 1000 次學習循環之平均定位誤差 取樣 間隔 隱藏層 節點數 訓練 MSE 測試 MSE 2m 4 1.842 2.249 8 1.843 2.235 16 1.825 2.230 3m 4 1.487 2.485 8 1.503 2.424 16 1.558 2.393 4m 4 1.508 2.506 8 1.549 2.491 16 1.589 2.468 當學習次數達 10000 次以上時,訓練誤差與 測試誤差的差距逐漸增大,代表過度學習的現象 開始顯現,因此 10000 次以下應該是比較適當的 學習次數。較小的取樣間隔有助於降低定位誤 差,但效果並不顯著。在較少的學習次數時,增 加隱藏層的節點數可以降低定位誤差,但效果也 不顯著。但是當學習次數增加時,增加隱藏層的 節點數將加劇類神經網路系統的記憶效應。 圖 8 至 16 所顯示的測試誤差累積機率分布 圖也可以佐證此一現象。隨著學習次數的增加, 累積機率分布曲線逐漸向右偏移,代表測試誤差 逐漸增加。而當學習次數較少時,幾乎無法察覺 隱藏層節點數的影響。但是當學習次數較多時, 隱藏層節點數的影響便開始顯現,圖 10 便是一 個典型的例子。 表 2. 10000 次學習循環之平均定位誤差 取樣 間隔 隱藏層 節點數 訓練 MSE 測試 MSE 2m 4 1.486 2.570 8 1.116 2.670 16 1.090 2.659 3m 4 1.219 2.891 8 1.059 2.853 16 1.123 2.767 4m 4 0.818 2.554 8 0.563 2.577 16 0.705 2.476 表 3. 100000 次學習循環之平均定位誤差 取樣 間隔 隱藏層 節點數 訓練 MSE 測試 MSE 2m 4 1.322 2.839 8 0.673 3.543 16 0.222 4.431 3m 4 0.793 3.526 8 0.082 3.873 16 0.032 3.660 4m 4 0.298 3.739 8 0.016 3.211 16 0.004 3.129
0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 8. 2m 取樣-1000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 9. 2m 取樣-10000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 10. 2m 取樣-100000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 11. 3m 取樣-1000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 12. 3m 取樣-10000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 13. 3m 取樣-100000 次學習之誤差累積機率
0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 14. 4m 取樣-1000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 15. 4m 取樣-10000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 4 8 16 圖 16. 4m 取樣-100000 次學習之誤差累積機率 0% 20% 40% 60% 80% 100% 0 5 10 15 20 SpotOn LANDMARC ANN 圖 17. 各方法誤差累積機率之比較 為了比較 SpotON、LANDMARC 與類神經 網路的差異,分別選取各種方法中表現最佳的一 組結果,將其誤差累積機率分布繪於圖 17。類神 經網路中表現最佳的一組是取樣間隔 2m、隱藏 層節點數 16、訓練次數 1000 的結果,SpotON 與 LANDMARC 都是 2m 取樣的結果較佳。 結果顯示,3 種方法中以 SpotON 的定位效 果較差,最大誤差可達到 15m。LANDMARC 與 類神經網路則不分軒輊,LANDMARC 的最大誤 差為 6m,類神經網路則是 7m。但類神經網路的 平均誤差為 2.23m,小於 LANDMARC 的平均誤 差 2.32,整體而言類神經網路表現較佳。
五、結論與建議
鑑於未曾發現有關 RFID 定位方法之間的比 較性研究,本研究針對可用於 RFID 定位的 3 種 方法 SpotON、LANDMARC 與類神經網路進行 比較性研究。由實驗結果可以發現,類神經網路 可以取代 LANDMARC 成為一種有效的 RFID 定 位方法。LANDMARC 的主要缺點是設置成本較 高,因為如果要達到高準確率,則需要配置大量 的參考標籤。標籤與電池的成本以及管理,對管 理者而言都是不小的負擔。反觀類神經網路,只 要一次取樣與學習即可使用長久的時間,即使需 要再學習,也不需經常為之。因此類神經網路應 是較理想的 RFID 定位方法。但因為類神經網路 是一種隨機過程,因此最佳的網路組態與學習策 略,可能需要進一部更詳細地加以探討。為了降低其他因素的干擾,本研究是在一個 空曠、少有人走動的場地進行實驗。若是要在較 大範圍的場地進行實驗,牽涉的影響因素可能會 更多,其中包括建築物的格局、建材、擺設的物 品、其他的電氣設備以及人員的移動等。未來可 以考慮在範圍較大、較真實的環境中進行實驗, 以探討與比較定位方法的實用效能,進而發展更 為實用的定位系統。
六、參考文獻
[1] P. Bahl and V.N. Padmanabhan, “RADAR: An in-building RF-based user location and tracking system,” In IEEE INFOCOM 2000, pp. 775–784, 2000.
[2] R. Battiti, A. Villani and T. Le Nhat, ”Neural network models for intelligent networks: deriving the location from signal patterns”, In Proceedings of the First Annual Symposium on Autonomous Intelligent Networks and Systems, 2002.
[3] L.A. Castro and J. Favela, “Continuous tracking of user location in WLANs using recurrent neural networks,” In Proceedings of the Sixth Mexcican International Conference on Computer Science, pp. 174-181, 2005. [4] X. Ding, H. Li, F. Li and J. Wu. “A novel
infrastructure WLAN locating method based on neural network”, In Proceedings of the 4th Asian Conference on Internet Engineering, pp. 47-55, 2008.
[5] K. Finkenzeller, RFID Handbook: Fundamentals and applications in contactless smart cards and identification, Chichester, England: Wiley, 2003.
[6] A. Harter, A. Hopper, P. Steggles, A. Ward and P. Webster, “The anatomy of a context-aware application,” in: Proceedings of the 5th Annual International Conference on Mobile Computing and Networking, pp. 59-68, 1999.
[7] J. Hightower, G. Borriello, and R. Want, “SpotON: An indoor 3D location sensing technology based on RF signal strength,” The University of Washington, Technical Report: UW-CSE 2000-02-02, February, 000.
[8] E.A. Martínez, R. Cruz and J. Favela, “Estimating user location in a WLAN using backpropagation neural networks,” Lecture Notes in Computer Science, Vol. 3315, pp. 737-746, 2004.
[9] C. Nerguizian, C. Despins and S. Affès, “Geolocation in mines with an impulse response fingerprinting technique and neural networks,” IEEE Transactions on Wireless Communications, Vol. 5, pp. 603-611, 2006. [10] L.M. Ni, Y. Liu and Y.C. Lau,
“LANDMARC : Indoor location sensing using active RFID,” IEEE International Conference in Pervasive Computing and Communications, pp. 701-710, 2003.
[11] N.B. Priyantha, A. Chakraborty and H. Balakrishnan, “The Cricket location-support system,” in: Proceedings of the 6th Annual International Conference on Mobile Computing and Networking, pp. 32-43, 2000. [12] R. Want, A. Hopper, V. Falcao and J. Gibbons,
“The active badge location system,” ACM Transactions on Information Systems, Vol. 10, pp. 91-102, 1992.