無線區域網路中結合RFID技術的室內定位與追蹤系統研究

(1)

無線區域網路中結合 RFID 技術的室內定位與追蹤系統研究

葉生正邱堅智洪晟恩

銘傳大學資訊傳播工程學系

摘要

隨著無線網路技術的蓬勃發展、許多相關的服務也隨之出現。由於 GPS 不適用於室內環境及無線區域網路的快速發展，使室內定位技術相對受到注目。RADAR 系統是利用 IEEE 802.11 無線區域網路進行定位，但其龐大的運算量勢必對系統造成負擔，因此日後發展了預測模型 (prediction model) ，以減少運算量、節省人力與時間成本，但也因採取預測方式，必會有所誤差。無線射頻技術 (RFID) 其因可辨識使用者及標籤 (tag) 體積小、易佈建，在近年來有廣泛的需求與大量的運用。本研究提出以無線區域網路環境結合 RFID 技術的定位與追蹤系統研究，期望利用 RFID 技術改進 RADAR 與預測模型的精準度並提供即時校正的功能，設計一套適用於無線區域網路環境的室內定位與追蹤系統。

關鍵詞：無線區域網路，LBS，RADAR，預測模型，RFID。

A STUDY OF INDOOR LOCATING AND TRACKING SYSTEMS BASED ON WIRELESS LOCAL NETWORKS WITH RFID TECHNIQUE

Sheng-Cheng Yeh Chen-Chih Chiu Cheng-En Hung

Department of Computer and Communication Engineering Ming Chuan University

Taoyuan, Taiwan 333, R.O.C.

Key Words: WLAN, LBS, RADAR, prediction model, RFID.

ABSTRACT

Many related services have been developed, in tandem with wireless networking technologies. Since GPS does not apply to the indoor environment there has been much interest in developing tracking systems for use indoors. The RADAR system utilizes the IEEE 802.11 wireless local area network to locate, but places a huge computational burden on the system. The future development of prediction models, in order to reduce computation, save manpower and time, will definitely involve errors.

Radio Frequency Identification (RFID) has been widely accepted and

applied because of its ability to recognize user identity (UID), its small size

tags, and easy installation. This paper proposes a combination of a

wireless local area network environment, and RFID technology, to produce

a positioning and tracking system using RFID to improve on the accuracy

of RADAR and the prediction model to provide timely correction

functions.

(2)

一、前言

近年來，由於無線通訊科技的快速發展，無線區域網路 (WLAN) 也遍及全球，而許多服務也伴隨著無線通訊科技的出現，其中一項熱門的就是定位服務 (Location-

Based Service, LBS)

，分為戶外與室內兩系統，在戶外系統方面，最廣泛的是全球定位系統 (Global Positioning

System, GPS)

，主要是以接收環繞地球上空的衛星訊號定

位，但容易受到直視 (Line-of-Sight, LoS) 與氣候等因素影響，會造成相當程度的誤差。由於 GPS 不適用於室內環境以及無線區域網路的快速發展，使室內定位服務相對受到注目。在目前室內定位服務系統方面常見的技術有

RADAR

系統[1, 2]以及無線射頻技術 (RFID)[3, 4]與預測模型[5-8]，但是這些技術都有其相對的限制。以 RADAR 系統而言，其主要定位方式是藉由收集鄰近無線存取點

(access point, AP)

的訊號強度與該環境的訊號紋資料庫

(radio map)

中的訊號做比對，找出最相近的訊號值，但因

訊號值會隨著時間、空間的不同而改變，所以須反覆去建立符合當時環境的 radio map，而花費過多的成本，又由於其定位方式為收集鄰近 AP 訊號與資料庫做比較，產生非常龐大的運算量，造成系統的負擔。而預測模型 (prediction

model)

是利用預測的方式，先對基地台涵蓋範圍利用

Matlab Polyfit

函數建立預測模型資料庫，定位時將接收到

的訊號強度代入預測模型，雖然可以有效的減少運算量，

但若不能正確的代入模型，便容易產生較大的誤差。RFID 有可以精確的辨別識別碼 (UID) 的優點，但是因讀取機

(reader)

得另外購買，造成額外的成本負擔，且感應距離

較短，並不適合於大範圍的定位。本研究期望利用 RFID 結合 RADAR 與預測模型以提升定位的精確度。

本篇研究主要分為五大章節，第一章節為前言；第二章節為相關技術研究；第三章節為系統架構、實驗環境及資料庫系統的介紹；第四章節則是本研究的方法與步驟；

最後第五章與第六章分別為研究結果、結論與未來研究展望。

二、相關技術研究

1. RADAR

系統

P. Bahl and V. N. Padmanabhan

於 2000 年發表了一項研究，是將 RADAR 技術最早應用於無線區域網路環境下的室內定位。在研究中，RADAR 技術使用了 empirical

model

及 signal propagation model 來對實驗結果作為一個比較。在 empirical model 的方法上，則是針對所有的訓練點去實測蒐集訊號強度，運作分為兩個階段，第一階段為離線階段 (off-line)，蒐集在各訓練點上實際測量的訊號強度，以建立各訓練點上的空間資料庫。第二階段為連線狀態 (on-line)，則為使用者行動端裝置回傳空間中接收到的

訊號強度，再與資料庫的資料做比對，判斷使用者端的空間位置，以達到定位及追蹤使用者所在位置的目的。signal

propagation model

則是僅實測空間三個點；其餘的則導入

模式中的數學函式求出預測的訊號強度。結果為 empirical

model

得到的精準度較高，但相對的這個方式必須耗費相

當大的時間及人工成本[9]。

2. Prediction Model

無線電訊號強度預測模型，是利用預測的方式，先對本地端基地台涵蓋範圍利用 Matlab Polyfit 函數，建立出預測模型資料庫；在連線階段時，以每個基地台做為基準點，

代入預測模型資料庫做運算，得出使用者的位置。預測模型的好處是在建立資料庫階段，可利用預測的方式獲得訓練點的訊號強度，不必像 pattern match 需要每一點做量測，但也因為是採預測的方式，必會有所誤差。一個最重要的因素為代錯模型，因為在整個實驗場地中，每個基地台會有一個不同的預測模型，於是在之前的研究中，把整個實驗場地切成大小不等的區塊，每個區塊有各自的特徵值，根據此特徵值先選擇正確的基地台，進而增加正確率

[10-12]

。

3. RFID

技術

無線射頻辨識 (Radio Frequency Identification，簡稱

RFID)

系統最早是用在第二次世界大戰，英國軍方用來判

斷敵機或友機，而近年來的發展趨勢則是準備全面取代傳統的條碼識別標籤，這是由於 RFID 系統具備下列特性

[13]

：

(

一) 沒有視線的限制：可無方向性的辨識標籤 (tag) 資料。

(

二) 可辨識距離長：以讀取機 (reader) 的操作頻率以及標籤來決定辨識距離。

(

三) 辨識速度快：讀取資料時間短，因此可縮短作業時間。

(

四) 資料讀取正確性高：不需人工單筆掃描，因此可減少人工上的錯誤。

(

五) 具有讀／寫操作：可根據 Tag 形式做讀取或寫入的功能。

(

六) Tag 壽命長，可回收重複使用。

(

七) Tag 的使用便利性高：Tag 造型多樣，可應用於不同的場合。

(

八) Tag 穿透性佳：只要不被金屬或液態物品覆蓋住，皆可被穿透讀取。

(

九) Tag 耐環境佳：具有強力的抗污性，且不影響辨識功能。

一個完整的 RFID 系統在辨識的過程為電腦下命令給讀取器 (reader)，此時讀取器 (reader) 上的射頻 (RF) 收發模組控制其內建天線的電流量已持續發射無線電波，當標籤 (tag) 進入到讀取器所發射的電波範圍時，標籤 (tag) 中的線圈或天線會感應耦合出電流，並轉換其可用的電源，將微晶片中的識別資料，如識別碼 (Ubiquitous

(3)

Server management

interface Server

AP

Mobile terminal

RFID reader RFID tag

圖

1

系統架構圖

Identification

，簡稱 UID) 或是存取資料透過天線以射頻

(RF)

電波傳回 Reader，再由終端電腦上的應用程式顯示辨

識資訊與進行管理[14]。

三、系統架構與實驗環境

1.

系統架構

本研究主要是以預測模型作為定位的演算法，運算出行動端的位置；但因其有代錯模型而造成錯誤率提昇的重大缺點，所以本研究計畫利用 RFID 技術來代入正確的模型及進行即時的校正。再開發伺服端，便於管理者追蹤與監控。本系統架構，主要是在行動端開發便於使用的介面，

並在後端設置伺服器，用來監控及追蹤使用者所處的位置。整個系統可分為兩個主要部份，客戶端 (client) 和伺服端 (server)。

客戶端可分為兩部份，離線階段 (off-line) 和連線階段 (on-line) 。在離線階段時，使用者需先連線至伺服端建立使用者的資料，之後利用行動端的系統，對各訓練點測得訊號強度，並由此訊號強度製作訊號紋資料庫，再來利用 Matlab 的 polyfit 函式配合訊號紋資料庫，依據環境運算出一至數個模型。在連線階段，使用者需先於系統上輸入於離線階段所建立的使用者資料後，再利用 RFID 來選取要代入的模型，之後行動端對各基地台接收訊號強度，將接收到的訊號強度透過預測模型的運算，得出目前所在的位置，並顯示在使用者介面上，再透過 Winsock 的方式將運算出的位置及使用者的資訊傳送給伺服器，伺服器會根據由行動端傳回的資訊，記錄下來，並在伺服端顯示給管理者，如圖 1 所示。

2.

實驗環境

本研究以銘傳大學資訊大樓六樓為測試環境，配置如圖 2 所示，其中長走廊 33 公尺，短走廊 12 公尺，共 4 條走廊。

本實驗環境利用學校現有的無線區域網路基地台，提供 IEEE 802.11b 和 IEEE 802.11g 雙模傳輸模式，而 AP 的配置如圖上圓圈標示處：AP1、AP2、AP3 與 AP4。本

RFID tag

s618 s619 s620 s621 s622 s623 s624 s625

s633 s632 s631 s630 s629 s628 s627 s626

s635 AP2

33 m AP3 AP4

12 m

AP1

圖

2

實驗環境示意圖

研究以 MAC Address 區分此 4 個 AP。並於環境中的四個角落放置八塊 ISO 15693 標準的 Tag，如圖上圓點標示之。

3.

資料庫系統

資料庫系統區分為兩個部份，一個是利用來存放使用者資訊，以便於在連線階段辨別使用者身份。另一部份則是用來存放訊號紋及預測模型所要使用的模型。離線階段之資料庫系統是在實驗環境中的四條走廊上，短走廊為 12 公尺 (12 個 TP，間距 1 公尺)，長走廊為 33 公尺 (33 個

TP

，間距 1 公尺)，建立每個訓練點的訊號紋資料。以 AP 之 MAC Address 辨析訊號強度來源。同樣地，每個訓練點上，分別以 4 個方向對 4 個 AP 進行訊號強度取樣。取樣週期設定為 20 秒，取樣頻率為 0.5 秒／次 (每秒 2 個 RSSI 樣本)，並在每個訓練點上以掃描方式進行相同 BSSID 之

AP

訊號強度擷取。換句話說，就是將訓練點上可以擷取之

AP

訊號紀錄下來，再以 MAC Address 辨析訊號來源，分類判斷至所屬 AP 予以解析；同理最後也必須將 4 個方向之訊號強度以平均值建立資料庫。接下來利用建立好的訊號紋資料庫以四個走廊為區別，分別將資料代入 Matlab 之

polyfit

函數運算出四個走廊所屬的模型，並將模型存入資

料庫。

四、研究方法與步驟

本研究實作 Pattern match 及預測模型這兩種定位方式，使用者可以選擇其一為定位方式，如使用者選擇 Pattern

match

系統會將收到的訊號強度與 Radio maps 做比對來定

位，同理選擇預測模型則是會將收到的訊號強度代入

Models

做定位運算，如圖 3 所示。

1.

系統架構步驟

(

一) 於離線階段先用 Client 端程式連線至 Server 端建立使用者資料。

(

二) 於離線階段先用 Client 端程式配合選定好的 AP，接收

AP

的訊號強度，建立 94 個 TP 各四個方向的訊號紋資料庫。

(4)

Radiomap & model database

Start

Choose radiomap

Choose model

Pattern match

Prediction model

Position = ? On-line Off-line

Models

RSS RSS

Radiomaps

圖

3

系統流程圖

Start

Decide:

1. Number of training point 2. RSSI sample rate 3. RSSI duration time

1. Stay on each TP 2. Scan and record RSSI from AP with same BSSID

3. 4 Driections (east, west, south, north)

Distinguish RSSI by MAC address

The mean RSSI of 4 directions

End

For example: west BSSID: MCU

TP BSSID: MCU

1 RSSI1W MAC1 RSSI1W MAC2 ... RSSI1W MACi 2 RSSI2W MAC1 RSSI2W MAC2 ... RSSI2W MACi 3 RSSI3W MAC1 RSSI3W MAC2 ... RSSI3W MACi

. . . . .

90 RSSI90W MAC1RSSI90W MAC2 ... RSSI90W MACi

1 RSSI1AVE MAC1 RSSI1AVE MAC2 ... RSSI1AVE MACi

TP MAC1 MAC2 ... MACi

2 RSSI2AVE MAC1 RSSI2AVE MAC2 ... RSSI2AVE MACi 3 RSSI3AVE MAC1 RSSI3AVE MAC2 ... RSSI3AVE MACi

. . . . .

90 RSSI90AVE MAC1RSSI90AVE MAC2 ... RSSI90AVE MACi

圖

4

離線階段程式的運作流程

(

三) 利用步驟 (二) 所建立的訊號紋資料庫，建立四個方向總和再平均的訊號紋資料庫。

(

四) 利用步驟 (三) 所建立的訊號紋資料庫，分類成四個走廊，代入 polyfit 函式中運算出四個走廊個別的預測模型，再將之存入資料庫。

(

五) 於連線階段先用 Client 端程式連線至 Server 端確認使用者資料。

(

六) 利用 RFID 來決定所要代入的模型及進行即時的校正。

(

七) Client 端接收 AP 的訊號強度，將之代入預測模型運算出所屬的位置。

(

八) Client 端將所算出的位置及使用者資訊傳回 Server 端。

(

九) Server 端接收到資訊後，將其記錄下來，並將結果顯示給管理者。

2.

客戶端的系統開發

本研究的客戶端分為兩部份，離線階段和連線階段。

離線階段程式的運作流程如圖 4。

本離線階段程式於開始時記錄下每個訓練點 (TP)，配合每個方向上之訊號強度，於最後平均四個方向的訊號強度，製作出訊號紋資料庫。

TP46 TP45 AP1: MCU

AP2: MCU TP13

TP12

TP1 AP4: MCU

TP90

TP57

TP58 s618 s619 s620 s621 s622 s623 s624 s625

s633 s632 s631 s630 s629 s628 s627 s626

s635 AP3: MCU

圖

5

連線階段程式的操作介面

Start

Initial locating system

Real-time signal strength

sensedRFID

No

Yes

Pattern match

Mobile location

User stop Yes

End No

Update radiomap

&

select cluster

&

calculate offset

圖

6 Pattern match

定位運作流程圖

而本系統於連線階段實作出了兩種定位模式，一種是

RADAR

的 Pattern match，一種是預測模型 (prediction

model)

。當選擇好網卡及定位模式後即可開始定位，另外

可選擇是否開啟 RFID、Offset 與 Update 輔助定位的功能。

連線階段程式的操作介面如圖 5 所示

Pattern match

定位運作流程如圖 6 所示，其步驟如下：

(

一) 定位開始後會先將訊號紋資料庫載入。

(

二) 接受訊號強度。

(

三) 當 RFID 感應到 Tag 時會執行更新資料庫、區塊選擇、

計算 Offset 等步驟，當 RFID 沒有感應到時執行步驟

(

四)。

(5)

Start

Initial locating system

Real-time signal strength

RFID sensed No

Yes

Solution model

Root selection

User stop Yes

End No

Update model

&

select model

&

calculate offset

Mobile location

圖

7 Prediction model

定位運作流程圖

(

四) 執行 Pattern match 定位運算。

(

五) 將運算結果顯示出來。

(

六) 如使用者沒有停止定位就重複執行步驟(二)(三)(四)

(

五)。

Prediction model

定位運作流程如圖 7 所示，其步驟如下：

(

一) 定位開始後會先將訊號紋資料庫載入。

(

二) 接收訊號強度。

(

三) 當 RFID 感應到 Tag 時會執行更新預測模型、區塊模型、計算 Offset 等步驟，當 RFID 沒有感應到時執行步驟(四)。

(

四) 執行 Prediction model 定位運算。

(

五) 將運算結果顯示出來。

(

六) 如果使用者沒有停止定位就重複執行步驟(二)(三)

(

四)(五)。

由圖 6 和圖 7 可以得知，本系統與原始的 Pattern match 和 Prediction model 不同之處在於加入了 RFID 來輔助定位以提升精確度。

RFID

在此兩種定位方式下各有三種不同的功能來輔助定位，在 Pattern match 部份當 RFID Reader 感應到 RFID

Tag

時有以下三種功能：

(

一) 選擇區塊，將 Pattern match 於比對範圍限制於某一制定好之區塊內，當比對時就只要比對範圍內的訓練點，故此法將可降低比對時之運算量。

(

二) 配合當初佈放 RFID Tag 時所記錄下的位置及當前所收集到之訊號強度，和訊號紋資料庫中 Tag 擺放位置之訊號紋比對運算差異量，將此訊號紋資料庫裡的所有訊號加上此差異量。

TP46 TP45 AP1: MCU

TP13

TP12

TP1 AP4: MCU

TP90

TP57

TP58 s618 s619 s620 s621 s622 s623 s624 s625

s633 s632 s631 s630 s629 s628 s627 s626

s635 AP3: MCU

圖

8

伺服器端程式的操作介面

(

三) 求出當前位置上收集到之訊號強度與訊號紋資料庫的差異量，並利用此差異量於之後的定位運算時，將即時收集到之訊號強度加上差異量，再代入模型進行運算，這是對收集到的訊號強度作即時校正。

在 Prediction model 部份當 RFID Reader 感應到 Tag 時有以下三種功能：

(1)

選擇模型，配合當初佈放 RFID Tag 時所記錄下的位置，可以準確的選擇到正確的模型。

(2)

配合當初佈放 RFID Tag 時所記錄下的位置及當前所收集到之訊號強度，和訊號紋資料庫中 Tag 擺放位置之訊號紋比對運算差異量，將此訊號紋資料庫裡的所有訊號加上此差異量後重新建立預測模型。

(3)

求出當前位置上收集到之訊號強度與訊號紋資料庫的差異量，並利用此差異量於之後的定位運算時，將即時收集到之訊號強度加上差異量，再代入模型進行運算，這是對收集到的訊號強度作即時校正。

3.

伺服端的系統開發

伺服器端程式的操作介面如圖 8，按下 Start 按鈕即可啟動伺服器，而使用 Log 按鈕可以檢視客戶端移動的紀錄。

本伺服器端程式具有兩種功能：一是即時顯示目前使用客戶端程式之行動端位置，二是記錄下每個客戶端移動的歷史軌跡，使用程式即可檢視登入的使用者定位過的位置。

五、研究結果

在本研究中使用了 Pattern match 與 Prediction model 進行定位及擷取連線階段的數據來繪製累積分佈函數

(CDF)

圖，其縱軸為百分比，橫軸為誤差距離，單位為公

尺。以圖 9 來說明觀察方法，例如以方格線 Pattern match

(6)

表一定位方法配合其他輔助的平均誤差

With

Method Original RFID Offest Update Pattern

match 2.584 m 2.436 m 2.169 m 2.551 m Prediction

model 7.947 m 3.538 m 4.9103 m 4.9103 m

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25

Cumulative probability (%)

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

PatternMatch_Original PatternMatch_RFID PatternMatch_Offset PatternMatch_Update

圖

9 Pattern match

的

CDF

圖

來說，錯誤距離 3 公尺為 74%，意思就是連線階段中所定位出來的使用者位置，有百分之七十四的定位點，其錯誤距離在 3 公尺之內。下表一是兩種定位方法配合其他的輔助的平均誤差。

由圖 9 Pattern match 的 CDF 圖可以看出，使用了 Offset 來幫助定位後的準確率，比其他種方式還要來的準確，所以可以得知 Offset 對於定位是有幫助的，而且也由於 Offset 的運作方式是只於連線階段接收到訊號強度後對收到的訊號做加減，所以並不會增加很多運算量，而我們也可以由此觀察出，連線階段時所測得的訊號強度和離線時所測得的雖有不同，但在增加與減少上也有一定的比例，另外

Update

此法雖也與訊號強度之差異量有相關，但卻沒

Offset

理想，是因 Update 是更新了整個訊號紋資料庫，所

以代表訊號強度的差異量是會變動的，而 RFID 此法則同時有減少運算量且增進準確率的優點。

由圖 10 的 Prediction model 的 CDF 圖可以看得出來，

使用了 RFID 來幫助定位後的準確率，比其他種方式還要來的準確很多，所以由圖中可以知道 RFID 對於預測模型在定位上是有很大的幫助的，這也說明了選錯模型是預測模型這個定位方式的最大缺點，甚至從表二可以看到，使用了 RFID 的預測模型和都不用的 Pattern match 準確率並不會差很多，且預測模型降低了系統的運算量，而其他的方法雖然與用 RFID 還差，但卻一樣可以增加準確率，也因為使用 Offset 和 Update 的運作方式於預測模型來說意義上是一樣，因此兩種方式準確率一樣，而且也可以從這看出將訊號強度的差異量參考進預測模型來說，也可增加準確率。

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

PredictionModel_Original PredictionModel_RFID PredictionModel_Offset PredictionModel_Update

圖

10 Prediction model

的

CDF

圖

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

PatternMatch_Original PatternMatch_RFID PredictionModel_Original PredictionModel_RFID

圖

11

兩種定位方式和加入

RFID

輔助的

CDF

圖

圖 11 中我們可以觀察到，兩種定位方式在加入了

RFID

後，準確率於錯誤距離 8 公尺差距不大，但由於預測模型的運算量時的成本比 Pattern match 要低，且當預測模型加入了 RFID 後的準確率已經逼近了 Pattern match，因此可以發現，預測模型在選對了代入的模型後，準確率高很多，所以代入正確的模型的選擇於預測模型是很重要的，而且運用 RFID 也可以增加兩種方式的準確率，也可減少 Pattern match 的運算量。

從圖 12 及圖 13 配合表一中可以很明顯的看到，兩種定位方式在使用了 Update 與 Offset 後的準確率，比都不使用時高，但 Update 不會比使用 RFID 來判斷區塊或選擇模型還來的好，這代表訊號的差異量並不是一直都是固定的，所以當對整個資料庫作修正後會造成不同的準確率，

而這兩個圖也顯示了這兩種方式雖然考慮了訊號的差異量而進行了即時的校正，但改進的效應卻沒比選對區塊及模型來的好。

再來實驗於實驗環境的訊號紋資料庫建置後一個月，進行了第二次連線階段定位，以 New On-line 表示之。

表二為 New On-line 的兩種定位方法配合其他輔助的平均誤差，與一個月前連現階段定位 (Old On-line) 的平均誤差做比較後，其兩種定位方式配合各輔助方法的差異量如表三表示之。

(7)

表二定位方法配合其他輔助的平均誤差

(New On-line) With

Method Original RFID Offset Update Pattern

match 8.727 m 5.75 m 12.377 m 14.452 m Prediction

model 13.12 m 5.83 m 9.318 m 9.318 m

表三

New On-line

與

Old On-line

配合其他輔助的差異量

With

Method Original RFID Offset Update Pattern

match 6.143 m 3.314 m 10.208 m 11.901 m Prediction

model 5.173 m 2.292 m 4.4077 m 4.4077 m

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

PatternMatch_Original PatternMatch_Update PredictionModel_Original PredictionModel_Update

圖

12 Update

輔助

CDF

圖

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

PatternMatch_Original PatternMatch_Offset PredictionModel_Original PredictionModel_Offset

圖

13 Offset

輔助的

CDF

圖

由圖 14、15 可以看出，第二次連線階段測出的準確率，相較於第一次的準確率，兩者之間差距很大，這證明了第一次的環境和第二次的環境很不同，才會造成如此巨大的差距，但我們也可以從表二配合表三發現，在加入了

R F I D

後可以縮小因環境改變所造成的定位誤差，而

100 95 90 85 8075 70 65 60 55 50 45 40 35 3025 20 15 10 5

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

Original RFID Offset Update

圖

14 Pattern match

的

CDF

圖

(New On-line)

100 95 90 85 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5

0 1 2 3 4 5

Error distance (m)

6 7 8 9 10

Original RFID Offset Update

圖

15 Prediction model

的

CDF

圖 (New On-line)

且從表三我們可以發現，運用預測模型來定位的方法，較

Pattern match

於環境有大改變時，差距來的較小，而且當

在此情況下，預測模型利用 RFID 輔助定位的準確率，比

Pattern match

要好。

六、結論與未來研究展望

由這次的實驗結果可以得知，於測試的環境和離線階段的環境變化不少的情況下，預測模型配合 RFID 帶入正確的模型準確率高於 Pattern match 單獨使用時，由於預測模型的優點：運算成本低，這算是一大突破。且本實驗也得知，於定位時使用四個方位平均後的訊號紋資料庫，比連線階段時使用方向一樣的資料庫準確，證實了使用平均的訊號紋資料庫的正確性。

另外 RFID 除了選擇區塊或模型的功能外，也有其他功能適合使用，從實驗中可以得知，某些情況下定位準確度使用輔助機制會比不使用輔助來得好。

因此，未來除了定位準確率的增進之外，也希望能夠實際應用，例如博物館、校園或是大型購物商場的導覽等，

這些都是適合室內定位技術應用的服務，還有更多的實際應用服務是值得去設計的。

另外本研究建議利用主動式的 RFID 來對定位作更進

(8)

一步的幫助，目前構想除了原本的 RFID 輔助方法以外，

利用主動式 RFID 對於訊號紋資料庫進行比被動式 RFID 更進一步的校正是否可行是值得研究的。

誌謝

本研究由國科會計畫 NSC97-2221-E-130-006-MY2 經費支持，謹此誌謝。

參考文獻

1. Dhruv, P., Ravi, J., and Lupu, E., “Indoor Location Estimation Using Multiple Wireless Technologies,”

Proceedings of the 14

^th

PIMRC, Vol. 3, pp. 2208-2212, (2003).

2.

劉立群，「無線感測網路中建立有效平衡資料負載的低延遲資料收集樹」，碩士論文，中華大學資訊工程學系研究所，新竹 (2004)。

3.

邱方怡和葉生正，「以 RFID 技術為基礎的行動商務系統研究」，The 13-th Mobile Computing Workshop 暨國科會行動計算計畫研究成果發表會，彰化 (2007)。

4.

邱方怡和葉生正，「以定位服務為基礎的行動電子商務系統研究」，銘傳大學 2007 國際學術研討會 (2007)。

5.

葉生正、邱奕世和彭詠靖，「以 RSSI 預測模型為基礎之室內 LBS 技術的研究」，資訊電子學刊，第 1 卷，第

1

期，第 1-8 頁 (2006)。

6.

葉生正、彭詠靖、邱奕世和王晉良，「以接收訊號強度值為基礎建立無線電訊號傳遞之定位預測模型」，2006

全國電信研討會，高雄 (2006)。

7.

葉生正、邱奕世和彭詠靖，「無線區域網路中設計以預測模型為基礎之室內定位機制」，The 12-th Mobile

Computing Workshop

，高雄 (2006)。

8. Bahl, P. and Padmanabhan, V. N., “User Location and Tracking in an In-Building Radio Network,” Microsoft Research Technical Report, MSR-TR-99-12 (1999).

9. Bahl, P. and Padmanabhan, V., “RADAR: An In-Building RF-BASED User Location and Tracking System,” IEEE INFOCOM 2000, Tel-Aviv, Israel, pp. 775-784 (2000).

10.

陣軒志和葉生正，「以手持式行動裝置為主的定位系統研究」，The 13-th Mobile Computing Workshop, Taiwan

(2007)

。

11.

彭詠靖，「無線區域網路之定位研究」，碩士論文，銘傳大學資訊傳播工程學系所，桃園 (2006)。

12. Yeh, S.-C. and Chiou, Y.-S., “A Predicted Method of the Signal Propagation for Indoor Locating Systems Based on Wireless LANs,” The 11-th Mobile Computing Workshop, Taiwan (2005).

13.

陳宏宇，RFID 系統入門－無線辨識系統，文魁資訊股份有限公司，台北 (2004)。

14.

陳惠淳和伍麗樵，「網路監視器之研製」，台灣區網路研討會 TANET 1999 (1999)。

2009年 09 月 23 日收稿 2009年 10 月 05 日初審 2009年 12 月 07 日接受

無線區域網路中結合RFID技術的室內定位與追蹤系統研究