異構無線網路定位教育機器人
摘要：根據移動式教育機器人室內交互應用需要，定位服務對象具體位置尤為重要。因此，提出了一種基於WiFi和RFID異構無線網路的融合定位的方法。無線接入路由器（APs）網路採用等邊三角形結構布局，電子標籤（Tags）採用一種特殊陣列（正六邊形+正四邊形+中心點）布局，利用WiFi信號為機器人提供初略定位，之後利用RFID信號提供精確定位，定位機器人過程中採用接收信號強度（RSS）作為指紋信息，提出了基於資料庫RSS能量最強深度優先搜索演算法，並通過RSS能量增強作為導航決策，引導移動教育機器人到達指定服務目標。
0 引 言
在無線網路環境和人工智慧迅速發展的背景下，利用無線網路對教育機器人進行定位服務變為現實。縱觀幾屆烏鎮全球物聯網盛會[1-4]，中國在無線網路覆蓋和人工智慧領域研發已經取得了長足進步，尤其人工智慧最具代表的機器人開始服務於生產、生活及教育等領域。2017年10月21日，在濟南召開的CAC2017中國自動化學會暨國際智能製造創新大會[5]上，王飛躍院士、鄭南寧院士作重要報告，指出了人工智慧在中國未來發展的潛力和未來，機器人進入工業、農業、國防、航天航海及服務行業等領域已經不再是夢想。在2017中國?光谷國際人工智慧產業峰會（IAIS 2017）[6]上，蔡自興院士做作了關於人工智慧的精彩報告。2017年7月20日，國務院印發的《新一代人工智慧發展規劃》將人工智慧發展定位為戰略目標[7]，並規划了三步走戰略。可見，中國在人工智慧發展產業上已經上升到國家層面。
《2016全球教育機器人發展白皮書》[8]對國外教育機器人研究進行了報道，開發了iCub、Robovie等具備教育功能的機器人。國內也有很多高校、科研院所和企業進行機器人的研究，涉及教育領域比較成功的機器人，是在2017年高考期間參與高考的高考機器人（AI-MATHS，學霸君）。要讓機器人更好地服務人類，尤其是室內環境下的教育機器人，需要對其自主地進行導航和定位。其中，利用室內環境中的無線信號進行定位，是目前行之有效的一種途徑。下面利用無線指紋異構網路對教育機器人進行混合定位展開討論。
1 無線指紋異構網路混合定位
定位的目的是讓機器人能夠在特定的位置提供一定功能的服務，實現人機智能化互動。這需要對機器人的定位和演算法進行應用性研究。為了能夠對教育機器人提供有效定位，在成本和現有條件允許的情況下，利用室內WiFi和射頻識別技術相結合的方式，對教育機器人進行混合定位。
1.1 WiFi和RFID指紋定位原理
指紋定位（或場景分析）是一種模式識別技術，將在線信號特徵與存儲在指紋資料庫中的離線特徵相匹配[9]。室內環境中，定位教育機器人一種流行的方法是基於參考信號指紋[10]。基於指紋特徵的方法可以是信號的幅度特徵、頻譜特徵和RSS特徵等。基於RSS的測距技術目前非常流行，大多數感測器網路都內置射頻晶元，不需要額外的硬體開銷[11]。本研究採用基於RSS特徵進行指紋地圖構建資料庫。指紋定位包括離線階段和在線階段兩個階段[12]。離線階段是在需要定位的目標區域進行空間網格（指紋）化，根據定位精度需求構建一定尺寸的指紋，之後在各個指紋點採集RSS無線信號，通過對每個指紋點採集一定的數據量，選擇合適的處理方式，從而建立RSS離線資料庫。在線階段是讓機器人在已經構建指紋的區域進行運動，實時採集RSS數據，並把實時數據發送到近端伺服器，通過實時採集的RSS數據與離線階段RSS資料庫進行模式匹配，然後通過最大相似度獲取機器人的大概位置[13]。
1.2 基於WiFi/RFID的RSS指紋定位演算法
基於WiFi/RFID的RSS指紋定位演算法分為兩個階段，包括離線階段和在線階段[14]。
離線階段利用機器人採集大量WiFi/RFID的RSS信號並建立資料庫構建資料庫地圖，原理如圖1所示。
離線階段包括以下步驟。
步驟1：將信標節點（地面標籤）按定位需求分配到跟蹤區域；
步驟2：把跟蹤區域分成許多小網格（指紋），並以網格點（指紋點）作為跟蹤區域的參考點；
步驟3：將所獲取大量WiFi/RFID的RSS經過一定演算法處理後，存儲到相應的坐標資料庫中。
在線階段，機器人把實時採集到的RSS信號發送到伺服器。根據不同的信號點所獲取的RSS值，伺服器通過在線搜索等演算法估計教育機器人的位置。原理如圖2所示。
在線階段包括以下步驟。
步驟1：教育機器人進入跟蹤區域，然後從每個信標節點實時獲取RSS值；
步驟2：將實時採樣到的RSS值與資料庫中的存儲的RSS值進行匹配；
步驟3：檢索資料庫中RSS值匹配的最近位置。
2 指紋資料庫準備
2.1 基礎設施和實驗設置
為了使教育機器人有一個真實的教學環境，在5 m×9 m的教室分別構建WiFi信號覆蓋和RFID區域覆蓋的實驗環境。
2.1.1 APs布局
在教室布局3個無線路由器（APs），分別命名為AP1、AP2和AP3。講台顯示屏上面布局2
個APs，AP1位於講台後面，正對左廊道；AP2位於右前方牆面上，正對右廊道；AP1和AP2間距為4 m；AP3位於教室後面，距離顯示屏9 m。3個Aps室內布局為正三角形結構。
2.1.2 Tags布局
本實驗模擬投影區域的是一塊50 cm×50 cm的正方形板子。在該板子上，布局11個Tags。布局後的板子放在右顯示屏下面，處在AP2正下方。
2.1.3 地面標籤布局
地面標籤分別布局在WiFi定位和RFID定位兩個區域。WiFi覆蓋區域布局，在三個廊道和顯示屏前面都布局有距離稀疏的地面標籤，標籤間距為1 m，3個廊道以外的桌椅區域沒有布局。在投影區域前20 cm區域布局2 m×2 m的密集型標籤，標籤間距為10 cm。交互環境布局如圖3所示。WiFi和RFID的RSS資料庫建立過程如圖4所示。
2.1.4 軟體硬體介紹
RSS指紋數據採集過程中，硬體和軟體是定位實驗不可缺少的一部分。只有具備這些基礎，才能建立WiFi和RFID定位系統RSS資料庫。
WiFi信號強度數據採集軟體是inSSIDer，APs是360迷你路由器，RFID系統硬體包括VM-5GA RFID模塊和11個無源電子標籤。RSS信號採集軟體是UHF RFID閱讀器應用程序v2.1，PC是聯想Thinkpadx220。實驗用的教育機器人是本小組開發的平台，部分設備圖如圖5所示。
2.2 實驗數據採集
2.2.1 WiFi的RSS無線指紋數據採集
WiFi的RSS資料庫建立是根據機器人活動場景進行設計的。首先，用人工方式把近端伺服器（筆記本電腦）放在教育機器人平台上，然後使機器人在室內布局好的間隔0.5 m的地面標籤沿著廊道進行運動，並在每個標籤點停頓下來，利用軟體分別採集3個APs的信號。每個AP信號源採集10個RSS數據，並分別歸檔記錄。RSS採集如圖6所示。
2.2.2 RFID的RSS無線指紋數據採集
RSS數據採集是在指紋間距為10 cm的2 m×2 m正方形區域進行。電子標籤布局在正前方的20 cm處，如圖7所示。
採集數據前期先構建好坐標系，從右牆面方向開始，從右向左軸線採集，到最左邊後從第二軸線向右開始採集。如此蛇形採集數據，每個數據採樣點採集10次，每次記錄11個標籤數據，每次在相應坐標點記錄的RSS數據量達到110個，並分別以中心位置的Tag建立資料庫。正四邊形的4個Tags建立資料庫，正六邊形的6個Tags建立資料庫，最後對共11個Tags建立資料庫。
2.3 RSS無線指紋資料庫的建立
數據源由多個感測器產生，如對AP1、AP2、AP3三個信號源，在每個採樣點採集10次數據後，通過剔除異常值（壞點）後，需要對每個感測器數據分別進行均值處理，得到相對準確的合理數據。在Tags採集區域，也需要採用同樣的處理方式獲取每個採樣點各個Tag的均值，並建立相應的無線指紋資料庫，數學函數為：
式中，為第i 採樣點的APs（AP1/AP2/AP3）無線信號均值，ri 為第i 採樣點無線信號的瞬時值，，j 為採樣次數，最大為N ，為10次。
RFID無線指紋RSS資料庫，相對要複雜得多。在RFID的RSS採樣區域，每個採樣點採集11個標籤，每個標籤採集10個RSS數據，意味著每個採樣點總採集110個RSS信號，同樣剔除掉異常值，根據數據處理需要建立均值函數：
式中，表示在二維坐標中各個採樣點的接收信號強度均值，M 表示i 時刻採集到的標籤數目，Ti 表示在i 時刻進行採樣，N 表示第j 個電子標籤被採樣的次數，RSSj 表示採集到第j 個電子標籤時接收信號的強度。
通過對教育機器人移動區域進行RSS指紋數據處理，建立了RSS指紋資料庫地圖，並保存在近端伺服器，為教育機器人運動時實時採集到的RSS數據提供匹配需要。
3 交互區域導航定位演算法設計
3.1 演算法設計
當教育機器人進入到需要投影推送區域時，設定教育機器人有3個方向可以進入到2 m×2 m投影區域。設定機器人分別從地面標籤左側面進入、中間底部進入和右側面進入。根據這3種不同的進入狀況，演算法設計分別如圖8、圖9和圖10所示。
機器人從不同方向進入到投影區後的導航決策分析如下。
3.1.1 從下中部任意一點 進入RFID地面標籤區域
教育機器人出發點設定為ai,j ，根據RSS能量導航決策，機器人實時採集RFID覆蓋區域的RSS數據並與資料庫中的RSS進行比較，初步設定機器人當前所處位置的ai,j 。在資料庫前方90°角方向上，機器人下一步走的方向可能會在左45°角臨近點ai-1,j-1 、正前方臨近點ai-1,j 和右前方45°角臨近點ai-1,j+1 三個方向的一個。機器人可能走的方向為這三點中的任意一點，這裡根據資料庫檢索方式獲取RSS能量最強的點作為導航驅動，使機器人根據最強的RSS作為下一步運動決策的方向。
通過對資料庫地圖中ai-1,j-1 、ai-1,j 、ai-1,j+1 這三個RSS值進行比較，選取能量最強的RSS作為機器人下一步運動的方向，並執行運動決策，引導機器人向下一個目標點運動。
3.1.2 教育機器人從左側任何一點 進入RFID地面標籤區域
同樣，在任一點ai,j 處進行路由決策，根據RSS能量增強為導航決策，通過RSS資料庫地圖中ai-1,j 、 和ai-1,j +1 的RSS能量強度進行比較，選取最強的點作為機器人下一步的運動方向。
3.1.3 教育機器人從右側任何一點 進入RFID地面標籤區域。
同樣，在任一點 處進行路由決策，根據RSS能量增強為導航決策，通過RSS資料庫地圖中ai-1,j、ai-1,j 和ai,j-1 的RSS能量強度進行比較，選取最強的作為機器人下一步的運動方向。
3.2 演算法偽代碼實現效果
為了驗證演算法設計思路，對基於RSS信號強度導航定位進行演示，從下中部、左側、右側各任意取一個點作為機器人進入點。圖11為模擬的教育機器人的運動軌跡。
教育機器人從投影位置（Tags）前地面標籤區域任意一點進入，根據RSS資料庫地圖的能量分布情況，同時依據演算法設計思想進行模擬。機器人在能量增強為導航驅動下，總能到達預設的投影交互點，即投影交互位置，實現理想定位，驗證了演算法設想的正確性。利用異構網路下的混合定位技術，採用開發的教育機器人進行基於定位交互的實驗，提出了基於教育機器人在教育中的一些人機交互應用，包括大學教學成果展廳基於二維碼定位的講解、教室環境下投影的推送、語音交流和教育雲平台應用等。
4 結 語
教育機器人將來會是教育環節中一個重要的參與者，與老師、學生構成了一個教學生態圈，使三者實現良好的交互共融，是開發者的初衷。根據教育機器人服務場所的特殊性，本研究在教室環境中構建了無線異構網路。通過對WiFi和RFID電子標籤進行合理布局，提出了基於RSS能量增強的深度優先演算法，根據RSS能量改變情況進行路由決策。實驗中，對APs進行等邊三角布局，同時對電子Tags布局進行優化處理，並通過無線指紋技術對實驗區域進行空間網格化，建立起離線RSS資料庫，通過實時RSS數據採集並進行匹配，在大環境下實現了利用WiFi信號為教育機器人進行精度2 m以內的定位[15]。同時，在小環境場景下，利用RFID系統，通過優化布局Tags，對投影區域進行導航定位，實現了室內環境下教育機器人導航和定位的預期目標。
基於無線環境下的室內定位技術還有待提升，同時開發的教育機器人還處在初級階段，有很多不盡人意的地方，尤其是在各種系統兼容和軟體的匹配上還有很大的研究空間，演算法上還有很大的改進必要，這將是下一步的研究內容。
參考文獻：
[1] 張冰.烏鎮要用超5A級服務迎接互聯網盛事 WiFi今年更給力[EB/OL].(2015-10-09)[2018-01-12].http://www.wicnews.cn/system/2015/10/09/02086540,7.shtml.
[2] 張冰.鄔賀銓:中國網路強國之路還很長[EB/OL].(2015-12-17)[2018-01-12].http://2015.wicwuzhen.cn.
[3] 吳振宇,傑瑞?卡普蘭.人工智慧帶來結構性失業但不會取代人類[EB/OL].(2016-11-17)[2018-01-12].http://2016.wicwuzhen.cn/system/2016/11/17/021371720.shtml.
[4] 北青網.重磅！互聯網大會18項世界領先科技成果發布[EB/OL].(2017-12-03)[2018-01-12].http://news.ynet.com/2017/12/03/725005t70.html.
[5] 中國自動化學會.CAC2017中國自動化學會暨國際智能製造創新大會[EB/OL].(2017-11-24)[2018-01-12].http://www.caa.org.cn/index.php?me_id=188&ac_id=2662.
[6] 黃康.2017中國?光谷國際人工智慧產業峰會18日開幕[EB/OL].(2017-11-10)[2018-01-12].http://www.cnhubei.com/xwzt/2016/hbsglj/hbsglj/201711/t4023976.shtml.
[7] 國務院.國發〔2017〕35號,國務院關於印發新一代人工智慧發展規劃的通知[EB/OL].(2017-07-08)[2018-01-12].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[8] 劉德建,黃榮懷,陳年興等.全球教育機器人發展白皮書[M].北京:北京師範大學智慧學習研究院,2016.
[9] Liu Q,Chen S J,Wang H Q,et al.Carrier-Class Oriented High Precision Indoor Location Standards,Systems and Technology[M].Beijing:Electronic Industry Press,2017:43-44.
[10]Li D,Zhang B X,Li C.A Feature-Scaling-Based k-Nearest Neighbor Algorithm for Indoor Positioning Systems[J].IEEE Internet of Things Journal,2016,3(04):590-597.
[11]Zhang Z,Li Z B,Hu S W,et al.Mobile Robot Navigation Method in Hybrid Sensor Networks[J].ROBOT,2014,36(03):316-321.
[12]Lu F,Tian G H,Liu G L,et al.Design of Composite Global Positioning System for Service Robot Based on WiFi Fingerprint Localization and Particle Filter Under Intelligent Space[J].ROBOT,2016,38(02):178-184.
[13]Chen L.N.Indoor Location Technique of Position Fingerprint Based on WLAN[M].Beijing:Science Press,2015:30-36.
[14]Zhuang Y,Syed Z,Li Y,et al.Evaluation of Two WiFi Positioning Systems Based on Autonomous Crowdsourcing of Handheld Devices for Indoor Navigation[J].IEEE Transactions on Mobile Computer,2016,15(08):1982-1995.
[15]Luo W X.Research on Positioning of Educational Robot Based on WiFi Fingerprint Technology[C].SMCE2017,DEStech Publications.Inc,2017:460-465.
作者簡介：
羅文興，華中師範大學國家數字化學習工程技術研究中心，黔南民族師範學院，博士，副教授，主要研究方向為教育機器人、通信定位等；
文有美，黔南民族師範學院學士，主要研究方向為漢語言文學教育、教育信息化等。
（本文選自《通信技術》2018年第六期）
原創聲明 >>>
本微信公眾號刊載的原創文章，歡迎個人轉發。未經授權，其他媒體、微信公眾號和網站不得轉載。
