一种基于多尺度无线信道特征融合的室内定位方法及装置

本发明涉及室内定位，特别是指一种基于多尺度无线信道特征融合的室内定位方法及装置。

背景技术：

1、随着智能制造、仓储物流、移动机器人、室内导航和位置服务等应用的发展，在卫星信号弱或完全不可用的室内环境中实现低成本、高精度且可连续运行的目标定位，已经成为无线感知与工业互联网领域的重要技术问题。现有室内定位方案通常采用超宽带、蓝牙、视觉、激光雷达或wi-fi无线信号等技术路线。其中，wi-fi基础设施部署广泛，能够在不额外布设昂贵专用硬件的情况下，通过接入点采集接收信号强度指示（received signalstrength indicator，rssi）和信道状态信息（channel state information，csi），从而形成室内无线指纹并进行目标位置估计。

2、现有基于wi-fi的定位方法大体可分为基于几何关系的测距/测角定位方法、基于传统机器学习的指纹定位方法和基于深度学习的端到端定位方法。不同技术路线围绕无线传播参数提取、指纹特征构建、位置匹配、坐标回归和无线信号表征学习等环节形成了不同实现方案。

3、在基于几何关系的测距/测角定位方法方面，现有方案通常利用wi-fi信号传播模型，将接收信号强度、到达时间、到达角、相位差或csi中的频域响应等信息转换为空间距离或角度参数，再结合多个接入点的位置关系，通过三角定位、测距定位、测角定位或图搜索方法估计待定位终端的位置。例如zl202210797947.4公开了一种结合csi和传感信息的室内定位方案，其根据csi获取多径信道到达角（angle-of-arrival，aoa），并融合传感信息、历史位置、真实接入点（access point，ap）和虚拟ap等信息，通过融合优化算法估计待定位设备的位置。

4、在基于传统机器学习的指纹定位方法方面，现有方案通常在离线阶段采集不同参考点处的rssi、csi幅度、csi相位或其他无线信号特征，建立位置指纹数据库；在线阶段采集待定位终端的无线信号，并通过k近邻、支持向量机、随机森林、聚类算法或多层感知机等方法进行位置匹配或坐标估计。例如申请号cn202511662694.x公开了一种基于位置指纹数据库和自适应加权k最近邻算法的定位方案，其通过采集参考点位置指纹建立离线数据库，并在在线阶段根据指纹相似度差异自适应确定k值、改造距离度量，从而估计待定位点位置。

5、在基于深度学习的端到端定位方法方面，现有方案主要围绕无线指纹特征构建、深度特征提取、注意力建模、序列建模和坐标回归等环节展开。例如，申请号zl201810300922.2公开了一种结合小波变换和卷积神经网络的wi-fi室内定位方案，其通过小波变换将wi-fi信号构建为位置特征图，并利用改进卷积神经网络进行分类定位，体现了小波特征与深度模型结合的技术路线。专利cn202310165399.8公开了一种结合数据增强、数据过滤、降噪自编码器、楼层分类模型和坐标回归模型的神经网络定位方案，用于从rssi等无线指纹中学习相对坐标，体现了无线指纹预处理、深度特征压缩和坐标回归相结合的技术路线。专利zl202310206508.6公开了一种利用生成器和判别器进行rssi数据增强的方案，通过生成新的rssi指纹数据扩充训练样本，体现了通过样本生成增强无线指纹数据分布的技术路线。专利zl202410324559.3公开了一种基于注意力机制重构rssi指纹特征的定位方案，通过注意力矩阵提高重要rssi特征的权重，体现了对不同无线指纹特征进行自适应加权的技术路线。专利cn202510881057.5公开了一种结合自编码器和注意力机制的rssi序列定位方案，用于提取rssi序列特征并完成定位估计，体现了特征压缩、序列特征提取和注意力加权相结合的技术路线。专利cn202511583367.5公开了一种基于移动终端rssi数据集和深度学习神经网络的定位方案，通过训练后的网络预测目标位置，体现了利用端到端深度网络建立rssi指纹与位置坐标映射关系的技术路线。

6、除rssi强度指纹外，csi信道状态信息能够提供更细粒度的幅度、相位和频域信道响应信息，因此也被用于深度学习端到端定位方案中。例如专利zl202011228750.6公开了一种利用csi测量值进行室内定位的方案，其通过csi幅度信息、相位信息、pca降维、小波变换以及csi幅相图像构建，并结合卷积神经网络分类模型输出位置结果，体现了csi幅相特征、小波处理和深度分类模型结合的技术路线。专利cn202511840292.4公开了一种面向多源无线信号的csi定位方案，其提取csi幅度和相位作为指纹信息，结合异常检测、滤波平滑、序列编码、transformer模型和不确定性估计实现位置预测，体现了csi指纹预处理、序列关系建模和预测可靠性估计相结合的技术路线。

7、现有基于wi-fi的室内定位方法虽然已经形成了基于几何关系的测距/测角定位、基于传统机器学习的指纹定位以及基于深度学习的端到端定位等多种实现方案，但在复杂室内环境下仍存在一定不足。室内环境中墙体、设备、人员移动和金属物体等因素会引起明显的多径传播、遮挡和非视距干扰，使无线信号的幅度、相位和频域响应随时间、位置和环境状态发生波动。基于几何关系的测距或测角方法通常依赖较稳定的传播路径、到达时间或到达角估计，当室内多径严重或接入点布设条件受限时，距离和角度参数容易产生偏差，从而影响最终定位精度。因此，需要一种不单纯依赖测距或测角参数、能够充分利用无线信道指纹特征进行位置估计的室内定位方法。

8、传统机器学习指纹定位方法通常依赖离线阶段建立的无线指纹库，并通过k近邻、支持向量机、随机森林或多层感知机等模型完成在线匹配或回归。该类方法实现相对简单，但通常更依赖rssi等低维信号强度特征，对csi中包含的幅度、相位和频域细节利用不足。同时，不同接入点的信号可靠性会随位置、遮挡和环境变化而改变，如果仅采用固定特征拼接或统一权重处理，难以充分区分不同接入点对当前定位样本的有效贡献。因此，需要一种能够联合利用rssi、csi和多尺度频域特征，并能够根据不同接入点信号状态自适应评估其可靠性和贡献权重，进而实现局部接入点特征与全局无线指纹特征有效融合的定位方法。

9、现有深度学习端到端定位方法能够从无线指纹中自动学习非线性位置表征，在一定程度上提高了定位模型的表达能力。然而，部分方法主要围绕rssi指纹增强、csi幅相图像构建、卷积特征提取、注意力加权或序列建模等单一环节展开，缺少对rssi、复数csi和小波多尺度特征的统一建模。对于csi信号而言，如果仅使用幅值图像、相位图像或简单拼接特征，可能难以充分保持csi实部与虚部之间的复数结构关系，也难以同时表达其频域多尺度变化。同时，不同接入点之间以及接入点与全局无线特征之间的关联关系也未得到充分建模。因此，需要一种能够保持csi复数结构、融合小波多尺度频域信息，并进一步建模不同接入点之间以及接入点与全局无线特征之间关联关系的定位方法。

10、此外，部分现有定位模型采用单一路径的神经网络输出位置结果，模型预测容易受到训练样本分布、特征尺度和环境变化的影响。在复杂多径、跨用户或局部信号异常的情况下，定位误差可能出现波动，尤其容易影响中位误差和尾部误差表现。因此，需要一种能够综合利用深度模型表达能力、无线指纹原始特征和传统回归模型稳定性的定位输出机制，以提高最终二维坐标估计的稳定性和可靠性。

技术实现思路

1、为了解决现有技术中无线信道细粒度特征利用不足、多接入点可靠性差异建模不足、局部与全局特征融合不充分以及单一路径定位输出稳定性有限等技术问题，本发明实施例提供了一种基于多尺度无线信道特征融合的室内定位方法及装置。所述技术方案如下：

2、一方面，提供了一种基于多尺度无线信道特征融合的室内定位方法，该方法由基于多尺度无线信道特征融合的室内定位设备实现，该方法包括：

3、s1、通过多个wi-fi接入点采集待定位终端的接收信号强度指示向量和信道状态信息矩阵。

4、s2、对信道状态信息矩阵进行重排得到复数信道状态信息矩阵，对每个接入点的复数信道状态子载波序列执行离散小波分解得到小波多尺度特征，对接收信号强度指示向量、复数信道状态信息矩阵和小波多尺度特征进行标准化处理，并根据标准化小波多尺度特征对标准化信道状态信息矩阵幅值进行增强，得到增强信道状态信息矩阵幅值，根据增强信道状态信息矩阵幅值计算缩放系数对标准化信道状态信息矩阵的实部和虚部进行缩放，得到每个接入点的增强复数信道状态信息矩阵。

5、s3、根据标准化接收信号强度指示向量和增强复数信道状态信息矩阵得到接入点级局部特征和全局无线指纹特征，根据接入点级局部特征计算接入点置信度权重并通过局部-全局门控融合机制和门控多尺度特征提取得到主干定位特征，通过token关系建模模块得到token级关系特征，将token级关系特征融合到主干定位特征中，得到增强深度定位特征。

6、s4、构建联合损失函数训练深度网络，将增强深度定位特征、标准化接收信号强度指示向量和增强复数信道状态信息矩阵输入至训练完成的深度网络回归头、深度特征树回归器和原始指纹树回归器，得到深度网络预测结果、深度特征树回归器预测结果和原始指纹树回归器预测结果，加权得到最终二维定位坐标。

7、可选地，s2，包括：

8、s21、将信道状态信息矩阵按照接入点和接入点的子载波维度进行重排，得到复数信道状态信息矩阵；其中，复数信道状态信息矩阵包括实部和虚部。

9、s22、对每个接入点的复数信道状态信息子载波序列执行离散小波分解，得到低频近似分量和多级高频细节分量，并将低频近似分量和多级高频细节分量幅值拼接得到小波多尺度特征。

10、s23、对接收信号强度指示向量、复数信道状态信息矩阵的实部、复数信道状态信息矩阵的虚部和小波多尺度特征进行标准化处理，得到标准化接收信号强度指示向量、标准化信道状态信息矩阵和标准化小波多尺度特征。

11、s24、将标准化小波多尺度特征线性投影至与标准化信道状态信息矩阵幅值特征相同的子载波维度特征空间标准化信道状态信息矩阵的子载波维度，并根据投影后的小波多尺度特征对标准化信道状态信息矩阵幅值进行增强，得到增强信道状态信息矩阵幅值，根据增强信道状态信息矩阵幅值计算缩放系数，根据缩放系数对标准化信道状态信息矩阵的实部和虚部进行缩放，得到每个接入点的增强复数信道状态信息矩阵。

12、可选地，复数信道状态信息矩阵，如下式（1）所示：

13、       （1）

14、式中，表示第个接入点第个子载波上的复数信道状态信息矩阵，表示复数信道状态信息矩阵幅度，表示虚数单位，表示复数信道状态信息矩阵相位，表示复数信道状态信息矩阵的实部，表示复数信道状态信息矩阵的虚部。

15、可选地，s3，包括：

16、s31、对每个接入点构建复数局部编码器，计算每个接入点的平均接收信号强度指示向量，将平均接收信号强度指示向量和增强复数信道状态信息子载波特征输入至对应接入点的复数局部编码器的复数线性层和复数归一化层，得到接入点级局部特征。

17、s32、构建全局编码器，将标准化接收信号强度指示向量与增强复数信道状态信息矩阵幅值向量拼接后输入至全局编码器，得到全局无线指纹特征。

18、s33、根据每个接入点的接入点级局部特征计算接入点置信度权重，根据接入点置信度权重对接入点级局部特征加权得到接入点级局部加权特征，利用接入点级局部特征的均值和标准差构造局部上下文特征。

19、s34、通过局部-全局门控融合机制控制接入点级局部加权特征与全局无线指纹特征的融合比例得到融合特征，对融合特征通过多尺度膨胀卷积分支提取不同尺度下的定位相关特征，对不同尺度下的定位相关特征进行融合得到门控多尺度融合特征，根据融合特征和门控多尺度融合特征得到主干定位特征。

20、s35、根据接入点级局部特征、全局无线指纹特征和门控多尺度融合特征构造成token序列，将token序列输入至token自注意力模块和轻量mamba状态空间模块，得到关系特征和序列关系特征。

21、s36、将关系特征和序列关系特征通过可学习增益融合到主干定位特征中，得到增强深度定位特征。

22、可选地，s33中的根据每个接入点的接入点级局部特征计算接入点置信度权重，包括：

23、s331、对每个接入点的接入点级局部特征，通过下式（2）计算接入点置信度：

24、       （2）

25、式中，表示第个接入点置信度，表示接入点置信度估计网络，表示第个接入点的接入点级局部特征，表示局部特征的均值统计量。

26、s332、根据设置的温度和接入点置信度得到接入点的归一化置信度权重，如下式（3）所示：

27、       （3）

28、式中，表示第个接入点的归一化置信度权重，表示softmax温度参数，表示接入点数量。

29、可选地，s34，包括：

30、s341、将接入点级局部加权特征和全局无线指纹特征拼接后计算门控向量。

31、s342、基于门控向量将接入点级局部加权特征和全局无线指纹特征融合得到融合特征。

32、s343、对融合特征使用多个不同膨胀率的卷积分支进行多尺度提取，得到每个卷积分支提取到的多尺度特征。

33、s344、对各卷积分支的多尺度特征通过可学习尺度权重融合，得到门控多尺度融合特征。

34、s345、根据融合特征和门控多尺度融合特征得到主干定位特征。

35、可选地，s4，包括：

36、s41、构建联合损失函数训练深度网络，根据训练完成的深度网络回归头对增强深度定位特征进行坐标初估，得到深度网络预测结果。

37、s42、以增强深度定位特征和深度网络预测结果为输入训练深度特征树回归器，根据训练完成的深度特征树回归器得到深度特征树回归器预测结果。

38、s43、以标准化接收信号强度指示向量、增强复数信道状态信息矩阵的幅值、增强复数信道状态信息矩阵的相位和小波统计量构成原始无线指纹特征训练原始指纹树回归器，根据训练完成的原始指纹树回归器得到原始指纹树回归器预测结果。

39、s44、对深度网络预测结果、深度特征树回归器预测结果和原始指纹树回归器预测结果根据训练折内部验证集自动选择的融合权重进行加权，得到最终二维定位坐标。

40、另一方面，提供了一种基于多尺度无线信道特征融合的室内定位装置，该装置应用于基于多尺度无线信道特征融合的室内定位方法，该装置包括：

41、多接入点无线信号采集模块，用于通过多个wi-fi接入点采集待定位终端的接收信号强度指示向量和信道状态信息矩阵。

42、信号预处理与特征构建模块，用于对信道状态信息矩阵进行重排得到复数信道状态信息矩阵，对每个接入点的复数信道状态子载波序列执行离散小波分解得到小波多尺度特征，对接收信号强度指示向量、复数信道状态信息矩阵和小波多尺度特征进行标准化处理，并根据标准化小波多尺度特征对标准化信道状态信息矩阵幅值进行增强，得到增强信道状态信息矩阵幅值，根据增强信道状态信息矩阵幅值计算缩放系数对标准化信道状态信息矩阵的实部和虚部进行缩放，得到每个接入点的增强复数信道状态信息矩阵。

43、自适应定位模型模块，用于根据标准化接收信号强度指示向量和增强复数信道状态信息矩阵得到接入点级局部特征和全局无线指纹特征，根据接入点级局部特征计算接入点置信度权重并通过局部-全局门控融合机制和门控多尺度特征提取得到主干定位特征，通过token关系建模模块得到token级关系特征，将token级关系特征融合到主干定位特征中，得到增强深度定位特征。

44、混合回归输出模块，用于构建联合损失函数训练深度网络，将增强深度定位特征、标准化接收信号强度指示向量和增强复数信道状态信息矩阵输入至训练完成的深度网络回归头、深度特征树回归器和原始指纹树回归器，得到深度网络预测结果、深度特征树回归器预测结果和原始指纹树回归器预测结果，加权得到最终二维定位坐标。

45、另一方面，提供一种基于多尺度无线信道特征融合的室内定位设备，所述基于多尺度无线信道特征融合的室内定位设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上述基于多尺度无线信道特征融合的室内定位方法中的任一项方法。

46、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于多尺度无线信道特征融合的室内定位方法中的任一项方法。

47、本发明实施例提供的技术方案带来的有益效果至少包括：

48、本发明中，提出一种基于多尺度无线信道特征融合的室内定位方法及装置，面向卫星定位信号弱或不可用的室内无线定位场景，可为智能制造、仓储物流、移动机器人、室内导航和位置服务等应用中的室内位置感知提供技术方案。该方法利用已有wi-fi接入点采集待定位终端的rssi和csi信号，在不额外布设昂贵专用定位硬件的条件下，通过多接入点无线信号预处理、复数csi建模、小波多尺度频域增强、ap自适应融合、局部-全局门控多尺度融合、token关系建模以及混合回归输出，实现待定位终端二维位置坐标估计。