基于天线级图建模的施工隧道环境室内定位方法及装置

本发明属于涉及无线通信，具体涉及一种基于天线级图建模的施工隧道环境室内定位方法及装置。

背景技术：

1、施工隧道环境室内定位技术对隧道施工人员的安全管理、应急救援有重要应用价值。由于建筑物结构会严重衰减卫星导航信号，全球定位系统（global positioningsystem，gps）在室内难以提供可靠的服务。基于无线局域网（wireless local areanetwork，wlan）信道状态信息（channel state information，csi）的室内定位由于不需要额外硬件、能够细粒度地描绘多径环境，已成为重要的研究方向。

2、在多输入多输出正交频分复用（multiple input multiple output orthogonalfrequency division multiplexing，mimo-ofdm）系统中，csi描述了无线信道在子载波维度和天线维度上的复值频率响应，其幅度和相位共同蕴含了到达角、到达时间和路径增益等信息。相对于仅能反映总接收功率的接收信号强度指示（received signal strengthindicator，rssi），csi能够提供更细粒度的指纹特征。然而，室内多径散射、信号遮挡以及非视距（non-line-of-sight，nlos）条件下的时变干扰使得csi到位置的映射呈现强非线性，对定位精度形成持续挑战。

3、近年来，大规模mimo技术由于具有较高的角度分辨率和丰富的空间信息而被广泛用于细粒度室内定位研究。不同天线阵列配置（如均匀线阵、均匀面阵、分布式阵列等）下的mimo-ofdm平台的定位性能差异显著，研究表明分布式阵列可以实现厘米级定位精度，这意味着充分利用大规模阵列中各个天线之间存在差异的csi信息对于提升定位精度至关重要。

4、图神经网络（graph neural network，gnn）通过消息传递机制在图上聚合邻居信息，天然适合建模无线网络中的空间关系。近年来已有一些研究将gnn应用于室内定位，覆盖了ap（access point，接入点）级指纹匹配、可学习邻接精炼、隐式连接图加密以及可微ap选择等方向。但通过对相关文献的深入分析可以发现，现有方法存在如下三方面的不足：

5、第一，现有方法普遍隐含特定阵列配置的先验假设。在图构建阶段，现有的基于图神经网络的定位方法要么依赖已知的ap部署位置，要么预设特定的阵列结构（如均匀线阵或均匀面阵）以确定天线之间的空间关系。由于均匀线阵、均匀面阵和分布式阵列等不同配置下的定位性能差异显著，每当阵列配置发生变化，图构建逻辑就需要重新设计。在不依赖任何阵列几何先验的前提下自动构建合理的图拓扑结构是一个尚未解决的问题。

6、第二，图拓扑结构的固定性与环境的动态性之间存在矛盾。基于固定阈值或固定拓扑的图在空间异质的非视距环境中表现脆弱。已有方法中的邻接学习模块虽然部分缓解了这一问题，但其精炼的是由固定阈值生成的粗糙图，初始图的质量受阈值约束。基于共享邻居的隐式连接方法为图加密提供了另一种思路，但未与基于学习的精炼方法相结合。一种将互补的图构建策略分阶段集成的方案，有望取得更好的覆盖性-精度折衷。

7、第三，节点建模粒度不够精细。现有方法大多以ap作为图节点，将同一ap内所有天线的特征联合处理。然而在mimo系统中，不同天线呈现出显著不同的信道响应，其到达角、多径结构以及非视距影响可能差异显著。将每个天线建模为一个独立节点能够获取更精细的空间分辨率信息，但同时对图构建的通用性提出了更严格的要求。

8、综上，现有基于图神经网络的csi室内定位方法在阵列普适性、图拓扑动态性以及节点建模粒度方面存在不足，难以同时满足多种阵列配置下的高精度定位需求。研发一种不依赖阵列几何先验、能够自适应优化图拓扑、并能利用细粒度天线级信息的室内定位方法，对于推动mimo-ofdm室内定位技术的工程实用化具有重要意义。

技术实现思路

1、本发明目的在于提供一种基于天线级图建模的施工隧道环境室内定位方法及装置，以解决现有基于图神经网络的csi室内定位方法在阵列普适性、图拓扑动态性以及节点建模粒度方面存在不足，难以同时满足多种阵列配置下的高精度定位的问题。

2、本发明第一方面提供一种基于天线级图建模的施工隧道环境室内定位方法，包括：

3、获取施工隧道环境中多个天线节点对应的物理位置信息以及实值节点特征矩阵；

4、基于所述物理位置信息，进行k近邻的显式连接构建、共享邻居的隐式连接推断以及关联融合，得到初始归一化邻接矩阵；

5、基于所述实值节点特征矩阵以及所述初始归一化邻接矩阵，进行节点特征嵌入编码、自注意力增强以及邻接学习精炼，获取自注意力增强节点特征以及精炼邻接矩阵；

6、以所述自注意力增强节点特征为输入，以所述精炼邻接矩阵为掩码，采用多头图注意力获取所有节点表示；

7、采用可学习线性层以及softmax计算方法获取每个天线节点对应的贡献权重，并基于所述贡献权重对所述所有节点表示进行加权求和，得到图级表示向量；

8、采用多层感知机对所述图级表示向量进行分析，确定所述施工隧道环境中的室内定位结果。

9、进一步地，获取施工隧道环境中多个天线节点对应的物理位置信息以及实值节点特征矩阵，包括：

10、获取施工隧道环境中多个天线节点对应的物理位置信息为：

11、

12、其中，表示第

k个ap中第

i个天线节点的物理位置信息，表示施工隧道环境中第

k个ap的位置，

k=1,2,...,m，m表示ap总数，每一个ap配置有个发射天线，每一个发射天线作为天线节点，第

i个天线节点属于第

k个ap，二者满足，表示第

k个ap对应的第个天线节点相对于预设的ap参考点的位移矢量，；

13、将所述天线节点的观测信道状态信息矩阵的实部与虚部分别按列展开并级联，得到实值节点特征向量为：

14、

15、其中，表示实值节点特征向量的维度为

d维，且；表示ue接收天线数，表示ofdm子载波数，表示对矩阵取实部并按列展开为向量的运算，表示对矩阵取虚部并按列展开为向量的运算，t表示转置；

16、将所有天线节点对应的实值节点特征向量组成实值节点特征矩阵为；表示实值节点特征矩阵的维度为维，表示天线节点的总数，且。

17、进一步地，基于所述物理位置信息，进行k近邻的显式连接构建、共享邻居的隐式连接推断以及关联融合，得到初始归一化邻接矩阵，包括：

18、基于所述物理位置信息，在物理坐标空间中识别所述天线节点对应的k个最近邻居节点；

19、建立所述天线节点与其邻居节点之间的显式边，并确定显式边权重为：

20、

21、其中，表示第

i个天线节点与第

j个天线节点之间的显式边权重，表示第

i个天线节点与第

j个天线节点之间的欧式距离；

22、对所述显式边的权重进行对称化处理为：

23、

24、其中，表示第

i个天线节点与第

j个天线节点之间的对称化处理之后的显式边权重，表示第

j个天线节点与第

i个天线节点之间的显式边权重，max表示取最大值函数；

25、根据所述天线节点、显式边以及对称化处理之后的显式边权重，构建k近邻图；

26、将所述k近邻图对应的k近邻邻接矩阵进行二值化，得到显式邻接矩阵，并根据所述显式邻接矩阵获取共享邻居矩阵为：

27、

28、其中，表示共享邻居矩阵，表示显式邻接矩阵，

t表示转置；

29、以所述共享邻居矩阵为基础，确定任意两个天线节点之间的共享邻居数量；

30、针对任意两个任意两个天线节点，在所述共享邻居数量大于或等于预设的数量阈值，且两个天线节点在k近邻图中不存在显式边时，则建立两个天线节点之间的隐式边，且将所述隐式边权重设置为：

31、

32、其中，表示第

i个天线节点与第

j个天线节点之间的隐式边权重，表示隐式边权重缩放因子，表示第

i个天线节点与第

j个天线节点共享的k近邻邻居数量，即共享邻居矩阵中第

i行第

j列的元素，表示第

i个天线节点与第个天线节点共享的k近邻邻居数量，即共享邻居矩阵中第

i行第列的元素，其中

i、

j、均为天线节点索引，取值范围为1至

n的正整数；

33、将所述k近邻图对应的显式邻接矩阵以及隐式邻接矩阵进行自环操作以及归一化处理，得到初始归一化邻接矩阵；所述显式邻接矩阵是指天线节点之间的显式边权重构成的矩阵，且在两个天线节点之间不存在显式边时，将对应的显式边权重设置为0；所述隐式邻接矩阵是指天线节点之间的隐式边权重构成的矩阵，且在两个天线节点之间不存在隐式边时，将对应的隐式边权重设置为0。

34、进一步地，将所述k近邻图对应的显式邻接矩阵以及隐式邻接矩阵进行自环操作以及归一化处理，得到初始归一化邻接矩阵为：

35、

36、

37、其中，表示自环操作矩阵，表示k近邻图对应的显式邻接矩阵，表示k近邻图对应的隐式邻接矩阵，表示初始归一化邻接矩阵，表示度矩阵，表示单位矩阵。

38、进一步地，基于所述实值节点特征矩阵以及所述初始归一化邻接矩阵，进行节点特征嵌入编码、自注意力增强以及邻接学习精炼，获取自注意力增强节点特征以及精炼邻接矩阵，包括：

39、采用全连接网络将所述实值节点特征矩阵中每个天线节点对应的

d维实值节点特征向量压缩至

d′维，得到每个天线节点对应的紧凑表示，并在每个天线节点对应的紧凑表示之后叠加唯一位置编码向量，得到嵌入特征；

40、通过pre-norm多头自注意力将所有天线节点对应的所述嵌入特征进行不受图拓扑约束的全局交互建模，得到自注意力增强节点特征；

41、根据所述自注意力增强节点特征以及所述初始归一化邻接矩阵，获取精炼邻接矩阵。

42、进一步地，根据所述自注意力增强节点特征以及所述初始归一化邻接矩阵，获取精炼邻接矩阵，包括：

43、将节点特征沿批次维度求平均，得到批平均节点特征，所述批次维度是指节点特征在同一训练批次内对应不同样本的维度；

44、采用多层感知机对所述批平均节点特征进行处理，得到边得分为：

45、

46、其中，表示第

i个天线节点与第

j个天线节点之间的边得分，表示多层感知机，表示第

i个天线节点的批平均节点特征，表示第

j个天线节点的批平均节点特征，表示第

i个天线节点的批平均节点特征与第

j个天线节点的批平均节点特征的级联；

47、根据所述边得分以及所述初始归一化邻接矩阵，获取精炼邻接矩阵为：

48、

49、其中，表示精炼邻接矩阵中第

i个行第

j个列的元素值，表示sigmoid函数，表示温度参数，表示初始归一化邻接矩阵中第

i个行第

j个列的元素值。

50、进一步地，以所述自注意力增强节点特征为输入，以所述精炼邻接矩阵为掩码，采用多头图注意力获取所有节点表示，包括：

51、以所述自注意力增强节点特征为输入，以所述精炼邻接矩阵为掩码，采用多层多头图注意力层进行处理，且每层多头图注意力层之后采用层归一化与残差连接进行处理，最终输出所有节点表示。

52、进一步地，采用可学习线性层以及softmax计算方法获取每个天线节点对应的贡献权重，并基于所述贡献权重对所述所有节点表示进行加权求和，得到图级表示向量，包括：

53、将所述节点表示通过注意力加权读出；

54、通过所述可学习线性层以及softmax归一化层对节点表示进行处理，得到节点对应的贡献权重；

55、基于所述贡献权重对所述所有节点表示进行加权求和，即将每个天线节点的节点表示向量乘以其对应的贡献权重后逐元素相加，得到图级表示向量。

56、进一步地，采用多层感知机对所述图级表示向量进行分析，确定所述施工隧道环境中的室内定位结果，包括：

57、采用层数为三层的多层感知机对所述图级表示向量进行分析，且每一层后采用gelu激活函数、层归一化与dropout操作进行处理，得到所述施工隧道环境中的室内定位结果；其中，多层感知机的最后一层不设置gelu激活函数。

58、本技术第二方面提供一种基于天线级图建模的施工隧道环境室内定位装置，包括：

59、天线信息获取模块，用于获取施工隧道环境中多个天线节点对应的物理位置信息以及实值节点特征矩阵；

60、天线级图建模模块，用于基于所述物理位置信息，进行k近邻的显式连接构建、共享邻居的隐式连接推断以及关联融合，得到初始归一化邻接矩阵；

61、天线特征获取模块，用于基于所述实值节点特征矩阵以及所述初始归一化邻接矩阵，进行节点特征嵌入编码、自注意力增强以及邻接学习精炼，获取自注意力增强节点特征以及精炼邻接矩阵；

62、注意力处理模块，用于以所述自注意力增强节点特征为输入，以所述精炼邻接矩阵为掩码，采用多头图注意力获取所有节点表示；

63、图级表示向量模块，用于采用可学习线性层以及softmax计算方法获取每个天线节点对应的贡献权重，并基于所述贡献权重对所述所有节点表示进行加权求和，得到图级表示向量；

64、室内定位模块，用于采用多层感知机对所述图级表示向量进行分析，确定所述施工隧道环境中的室内定位结果。

65、本发明的有益效果如下：

66、本发明提供一种基于天线级图建模的施工隧道环境室内定位方法及装置，通过天线节点的物理位置信息构建k近邻显式连接、推断共享邻居隐式连接并融合，得到初始归一化邻接矩阵；结合天线节点的实值节点特征矩阵与初始归一化邻接矩阵，经节点特征嵌入编码、自注意力增强及邻接学习精炼，获取自注意力增强节点特征及精炼邻接矩阵；以自注意力增强节点特征为输入、精炼邻接矩阵为掩码，通过多头图注意力获取所有节点表示；同时采用可学习线性层及softmax计算贡献权重，并加权求和节点表示得到图级表示向量，最后利用多层感知机分析图级表示向量确定定位结果，通过天线级图建模实现阵列配置无关的自适应拓扑优化，提升复杂隧道环境下的定位精度与普适性。