//Logo Image
作者:卓尚澤(2009-07-17);推薦:徐業良(2009-07-17)

ZigBeeLQI進行室內定位初步測試

本文架設IEEE802.15.4 ZigBee低功率無線感測網路,利用其連線品質指標(Link Quality Index, LQI),在實驗室環境中進行室內定位初步測試。

1.     連線品質指標簡介

「接收訊號強度定位法」是透過訊號強度和已知的頻道衰弱模型來估計參考點與待測點的距離,根據多個距離值就可以得到待測點的位置。在嵌入式裝置中,接受訊號強度常被轉換為「接收訊號強度指標(Received Signal Strength Indicator, RSSI)」,然而RSSI受訊號反射、散射、繞射等多重路徑衰減與遮蔽效應現象影響,在實務上發現與距離並無明顯關係而無法利用。

以無系網路進行室內定位,也可利用「連線品質指標(Link Quality Index, LQI)」決定距離。根據IEEE802.15.4LQI是依據訊號強度及所接收封包品質兩項特性訂定之指標,基本想法是距離越近,傳輸品質則越好,反之則越差LQI。對於接收訊號所評估的LQI值從0x000xFF(0~255)的整數範圍之間,數值越大代表訊號品質越好。實地測試比較可得知,LQI相對於RSSI對距離而言有較明顯的關係,因此本文架設IEEE802.15.4 ZigBee低功率無線感測網路,利用其連線品質指標(Link Quality Index, LQI),在實驗室環境中進行室內定位初步測試。

2.     測試環境

本文測試環境如圖1所示,在測試環境5M×6M的空間佈置4ZigBee發射器,以發射器天線端點為4個參考點(T1, T2, T3, T4)。各參考點對稱分佈於測試環境中的4個角落,各距離地面1.2m,且距離側邊牆面0.4m,然而由於測試環境門窗和家具位置並不對稱,因此測量LQI4個參考點環境條件仍非完全對稱;接下來在測試環境中央設定一個3×3的方格,每一小方格為1m×1m的大小,總共有16個待測點(P1~P16),待測點高度也設為距離地面1.2m,與4個參考點在同一平面。

1. 測試環境圖

3.     測試結果

測試過程中在每一個待測點同時接收4個參考點對待測點的LQI值,每次接收100筆,在這100筆數據中取眾數作為該點之LQI。圖2~5為測試結果,包括各參考點T1T2T3T4對各待測點的LQI值及該值眾數出現頻率。同時並以MATLAB畫出LQI等高線圖,以便於觀察每一台參考點ZigBee發射端的能量趨勢。能量趨勢圖中LQI值最高者為紅色,依序為橙、黃、綠、藍、靛、紫色。

 

T1

 

 

228

(81%)

222

(53%)

240

(79%)

228

(89%)

252

(54%)

252

(93%)

210

(72%)

210

(70%)

246

(48%)

252

(93%)

234

(69%)

246

(75%)

216

(61%)

222

(49%)

228

(45%)

228

(84%)

 

2. T1趨勢圖

T2

 

 

174

(47%)

216

(74%)

210

(45%)

180

(41%)

210

(70%)

210

(46%)

228

(74%)

216

(52%)

222

(51%)

240

(92%)

222

(84%)

222

(85%)

246

(49%)

210

(61%)

234

(22%)

198

(45%)

 

3. T2趨勢圖

 

T3

 

 

240

(88%)

234

(98%)

240

(78%)

180

(55%)

222

(51%)

216

(73%)

234

(98%)

216

(86%)

216

(46%)

234

(94%)

240

(58%)

222

(87%)

222

(58%)

240

(95%)

246

(58%)

255

(94%)

 

4. T3趨勢圖

T4

 

 

234

(70%)

246

(93%)

240

(55%)

255

(99%)

240

(37%)

210

(73%)

240

(98%)

255

(100%)

240

(62%)

222

(86%)

246

(76%)

198

(81%)

246

(65%)

222

(48%)

210

(45%)

234

(59%)

 

5. T4趨勢圖

從圖2~5測試結果,LQI分佈有一定趨勢,距離源周邊LQI較高,遠離則降低,但仍有不規則狀況,目前很難找到LQI與距離簡單而且明顯的關係,在這種情況之下,目前現有以距離為基礎的定位方法(TOATDOA)可能都不適用。未來將考慮使用類神經網路演算法或資料庫模型之建構作為本計劃的定位演算法。