一种智能仓储管理系统室内高精度定位方法与流程

1.本发明涉及智能仓储定位技术领域，具体涉及一种智能仓储管理系统室内高精度定位方法。


背景技术：

2.智能仓储是物流过程中的一个环节，它使用物联网、计算机信息系统集成和自动化技术来标准化、信息化、自动化工作流程。智能仓储管理既重效率更重效果，它通常构建统一的智能平台，提供综合的应用支撑和管理能力，从而保障各个环节数据输入的速度和准确性，保证企业能够及时的掌握库存的动态数据。通过智能仓储，企业可对库存货物的批次、保质期等信息进行管理，并能通过数据挖掘受益。
3.智能仓储的发展不仅离不开智能终端技术、自动驾驶技术和智能物联技术，更需要实时定位技术，特别是高精度的实时定位技术。目前，室外定位技术已比较成熟，主要依赖于gps、北斗等卫星定位技术，它们已经被广泛应用于工农业生产、军事用途、城市生活导航与共享单车管理等领域。然而，尽管卫星定位在户外环境能够提供比较精准的定位，定位精度亦难以达到厘米级(10cm～30厘米)，且在室内环境中，由于家具等的遮挡、阻碍等原因，全球卫星系统的信号会快速衰减，这意味着卫星定位往往会出现较大的误差，而且卫星定位无法对物体的高度进行准确的测量。
4.随着室内定位需求的增加，室内定位蓬勃发展起来。有统计表明人的一生80％以上都在室内，无论居家或办公都有很大的室内定位需求；不同的行业也对室内定位技术需求甚大，包括但不仅限于电力巡检、公检法司、智能制造、医疗健康、仓储物流以及能源交通。
5.现有室内定位技术从信标使用门类上划分，主流技术包含zigbee、uwb、wifi定位、蓝牙bluetooth、rfid定位等，他们在抗干扰性、穿透力、功耗、传输距离、成本等方面各有特点，能提供的定位精度也不相同。
6.室内定位技术从定位原理和算法来看，大多是通过不同的测距方式，计算待测位置离特定节点的位置的算法，这些基于测距的算法本质上采用这些发射节点进行辅助定位，而且这些辅助节点或者说是发射机都是按固定位置来排布的。常用的测距算法包括达到信号强度法rssi、到达时间法toa、达到时间差法tdoa、到达角度定位法aoa、到达方位定位法doa。
7.现有技术存在的问题：
8.①
、部分技术如uwb有些具有抗干扰能力强，可用于室内精准定位的特点，部署上却十分困难；其他技术如蓝牙技术具有低功耗、低成本、使用方便的特点，但是极容易收到环境干扰，定位精度不准确。目前，仍然缺乏多信标的融合定位技术，缺乏更具有普遍应用价值的室内定位方法。
9.②
、常用的测距算法包括达到信号强度法rssi、到达时间法toa、达到时间差法tdoa、到达角度定位法aoa、到达方位定位法doa。但是传统上没有考虑距离近的则精度比较
高，距离远的则精度比较低的差异性进行优化，且缺乏数据的预先处理消除误差带来的影响，这降低了定位精度，削弱了定位精度的提升能力。
10.③
、传统技术中为定位需求实现的辅助节点或者说是发射机都是按固定位置来排布，没有考虑充分利用场景中的移动设备来辅助定位或模型训练，特别是这些设备当其在已知固定轨道或路线上运行时，能提供提高定位精度的相对位移信息。


技术实现要素：

11.针对现有技术中的上述不足，本发明提供的一种智能仓储管理系统室内高精度定位方法解决了室内定位不准确的问题。
12.为了达到上述发明目的，本发明采用的技术方案为：一种智能仓储管理系统室内高精度定位方法，包括以下步骤：
13.s1、构建带距离标签的样本集，在智能仓储管理系统内部署室内位置预测模型，并采用带距离标签的样本集对室内位置预测模型进行训练，得到高精度室内位置预测模型；
14.s2、根据高精度室内位置预测模型，通过距离计算出目标点的定位坐标。
15.进一步地，步骤s1包括以下分步骤：
16.s11、构建带距离标签的样本集；
17.s12、将带距离标签的样本集划分为训练集、测试集和验证集；
18.s13、在智能仓储管理系统内部署室内位置预测模型；
19.s14、采用训练集、测试集和验证集对室内位置预测模型进行训练、测试和验证得到高精度室内位置预测模型。
20.进一步地，步骤s11包括以下分步骤：
21.s111、通过rfid读写器读取室内rssi原始信号；
22.s112、将rssi原始信号发送至智能仓储管理系统中；
23.s113、通过智能仓储管理系统将rssi原始信号划分为n路，得到n路rssi序列；
24.s114、对n路rssi序列均进行平滑滤波，得到n路滤波后的rssi数据；
25.s115、采用n路滤波后的rssi数据对多通道高斯滤波器进行训练，得到训练完成的多通道高斯滤波器；
26.s116、通过rfid读写器采集室内移动点与固定点间的rssi原始数据，并同时记录下rssi原始数据中每一个rssi值的所对应的移动点与固定点间的距离；
27.s117、将rssi原始数据和每个rssi值对应的距离发送至智能仓储管理系统中；
28.s118、通过智能仓储管理系统中的训练完成的多通道高斯滤波器对rssi原始数据进行高斯滤波，得到滤波rssi值；
29.s119、将距离标注在对应的滤波rssi值上，得到带距离标签的样本集。
30.上述进一步方案的有益效果为：通过滤波处理，消除rssi原始信号中误差较大的干扰值，使得rssi值更加趋于稳定。
31.进一步地，步骤s1中室内位置预测模型包括依次连接的第一lstm层、第一dropout层、第二lstm层、第二dropout层、第三lstm层、第三dropout层、第一dense层、第二dense层和激活层；
32.所述第一lstm层的输入维度为1，其输出维度为50；
33.所述第一dropout层、第二dropout层和第三dropout层的丢弃率均为0.2；
34.所述第二lstm层的输入维度为50，其输出维度为100；
35.所述第三lstm层的输入维度为100，其输出维度为200；
36.所述第一dense层的输出维度为100，其输入维度自动匹配；
37.所述第二dense层的输出维度为1，其输入维度自动匹配。
38.上述进一步方案的有益效果为：利用神经网络模型和标签样本自动调节实际的信道衰减模型中的室内空间信号传播损耗附加因子来预测距离，使用者无需人工干涉模型调参，能加快模型部署的速度。
39.进一步地，步骤s2包括以下分步骤：
40.s21、根据带距离标签的样本集，构建已知坐标点集合；
41.s22、将已知坐标点集合中的各已知坐标点对应的滤波rssi值进行降序排列，得到排名前5的滤波rssi值：rssi1、rssi2、rssi3、rssi4和rssi5；
42.s23、将排名前5的滤波rssi值输入高精度室内位置预测模型，分别得到与目标点的5个预测距离：r1、r2、r3、r4和r5；
43.s24、在排名前5的滤波rssi值对应的5个已知坐标点n1、n2、n3、n4和n5中任选3个不共线的已知坐标点n
l
、n
j
和n
k
，得到多个已知坐标子集s1～s
m
，每个已知坐标子集包含三个不共线的已知坐标点n
l
、n
j
和n
k
；
44.s25、根据多个已知坐标子集s1～s
m
，构建已知坐标子集的集合s
n
＝{s1,s2,
…
,s
m
}；
45.s26、在集合s
n
＝{s1,s2,
…
,s
m
}任选一个已知坐标子集s
i
，i＝1,2,
……
,m，以已知坐标子集s
i
的3个已知坐标点为圆心o1、o2和o3；
46.s27、根据圆心o1和o2分别到目标点的距离r
1i
和r
2i
，计算目标点的第一估算位置；
47.s28、计算目标点在极坐标下的位置模糊值：
48.z
i
(ρ,θ)＝r
2i
∠θ
49.其中，z
i
(ρ,θ)为位置模糊值，ρ为目标点相对于圆心o2的矢量长度，θ为目标点相对于圆形o1、o2间o1o2连线的矢量方向角，∠为角度符号；
50.s29、将位置模糊值转换到直角坐标系下，得到目标点的第二估算位置和第三估算位置；
51.s30、分别求出目标点的三个估算位置到圆形o3的距离d1、d2和d3，将距离d1、d2和d3分别与圆心o3所在圆的半径r
3i
比较，将误差最小的估算位置作为目标点的坐标z
i
，其中，r
3i
为圆心到目标点的距离；
52.s31、在集合s
n
＝{s1,s2,
…
,s
m
}减去已知坐标子集s
i
，并校验当前集合s
n
是否为空，若是，则得到目标点的m个坐标z1～z
m
，进入步骤s32，若否，则跳转至步骤s26；
53.s32、将目标点的m个坐标z1～z
m
进行加权求和，得到目标点的定位坐标z
f
。
54.上述进一步方案的有益效果为：首先，不直接计算准确的估算位置，而是首先用最小代价计算潜在的第1～第3估算位置，通过简单比较来演证来决定实际估算位置，有效缩小了计算量。其次，总体而言的定位过程通过综合决策来完成，提升单次定位决策精度，避免单次决策带来的随机误差对定位精度的影响。
55.进一步地，步骤s27中计算目标点的第一估算位置的公式为：
56.x＝x
1i
(x
2i
‑
x
1i
)*(r
1i
/(r
1i
r
2i
))
57.y＝y
1i
(y
2i
‑
y
1i
)*(r
1i
/(r
1i
r
2i
))
58.其中，x为目标点的第一估算位置的横坐标，y为目标点的第一估算位置的纵坐标，(x
1i
,y
1i
)为圆心o1的坐标，(x
2i
,y
2i
)为圆心o2的坐标。
59.进一步地，步骤s32中进行加权求和时的权重值的计算公式为：
60.w
i
＝exp{[
‑
(max(r
1i
,r
2i
,r
3i
)/min(r
1i
,r
2i
,r
3i
)
‑
1)] [
‑
(min(r
1i
,r
2i
,
[0061]
r
3i
)/r
min
‑
1)]}
[0062]
其中，w
i
为第i个坐标z
i
的权重，max()为取最大值，min()为最小值，r
min
为5个预测距离r1、r2、r3、r4和r5中的最小值。
[0063]
综上，本发明的有益效果为：本发明基于距离与rssi之间的对应关系，设计了一种用于智能仓储定位方法，通过已知坐标点去多次估算未知目标的坐标，得到未知目标的多个坐标，再通过加权方式赋予每个坐标不同的权重，实现对未知目标的精确估算。
附图说明
[0064]
图1为智能仓储管理系统室内高精度定位计算方法的流程图；
[0065]
图2为求解目标点的第二估算位置和第三估算位置的示意图。
具体实施方式
[0066]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0067]
如图1所示，一种智能仓储管理系统室内高精度定位方法，包括以下步骤：
[0068]
s1、构建带距离标签的样本集，在智能仓储管理系统内部署室内位置预测模型，并采用带距离标签的样本集对室内位置预测模型进行训练，得到高精度室内位置预测模型；
[0069]
s2、根据高精度室内位置预测模型，通过距离计算出目标点的定位坐标。
[0070]
步骤s1包括以下分步骤：
[0071]
s11、构建带距离标签的样本集；
[0072]
s12、将带距离标签的样本集划分为训练集、测试集和验证集；
[0073]
s13、在智能仓储管理系统内部署室内位置预测模型；
[0074]
s14、采用训练集、测试集和验证集对室内位置预测模型进行训练、测试和验证得到高精度室内位置预测模型。
[0075]
步骤s11包括以下分步骤：
[0076]
s111、通过rfid读写器读取室内rssi原始信号；
[0077]
s112、将rssi原始信号发送至智能仓储管理系统中；
[0078]
s113、通过智能仓储管理系统将rssi原始信号划分为n路，得到n路rssi序列；
[0079]
s114、对n路rssi序列均进行平滑滤波，得到n路滤波后的rssi数据；
[0080]
s115、采用n路滤波后的rssi数据对多通道高斯滤波器进行训练，得到训练完成的多通道高斯滤波器；
[0081]
s116、通过rfid读写器采集室内移动点与固定点间的rssi原始数据，并同时记录
下rssi原始数据中每一个rssi值的所对应的移动点与固定点间的距离；
[0082]
s117、将rssi原始数据和每个rssi值对应的距离发送至智能仓储管理系统中；
[0083]
s118、通过智能仓储管理系统中的训练完成的多通道高斯滤波器对rssi原始数据进行高斯滤波，得到滤波rssi值；
[0084]
s119、将距离标注在对应的滤波rssi值上，得到带距离标签的样本集。
[0085]
步骤s111中，在一段时间内，rfid读写器获取到的一系列rssi值通常有较大的浮动。从信号角度来理解，这一系列rssi值可以视为一段离散的具有噪声的信号波，且信号强度受到环境因素和系统误差的影响。由于环境因素较难量化，可将环境因素和系统误差统一地看作误差。每次受到误差影响生成的rssi值，会在理想的rssi准确值上下随机浮动，且rssi值服从正态分布。因此可以考虑通过滤波的方式来对系列rssi值进行平滑滤波，消除掉误差较大的干扰值，使得rssi值更加趋于稳定。
[0086]
在步骤s115中，每通道高斯滤波器宽度用参数w
t
表征，它们各自独立对平滑滤波后的rssi序列进行高斯滤波：rssi序列信号中心点邻域内的信号点数为n
t
，rssi序列信号中心点下一次选取的位置由模板滑动的步长s
t
决定，每次计算时选用的权值由高斯滤波器宽度的参数w
t
和邻域内各信号点离中心点的距离x唯一决定，总使用领域内的信号点的加权平均值去替代中心的信号点的值。
[0087]
步骤s1中室内位置预测模型包括依次连接的第一lstm层、第一dropout层、第二lstm层、第二dropout层、第三lstm层、第三dropout层、第一dense层、第二dense层和激活层；
[0088]
所述第一lstm层的输入维度为1，其输出维度为50；
[0089]
所述第一dropout层、第二dropout层和第三dropout层的丢弃率均为0.2；
[0090]
所述第二lstm层的输入维度为50，其输出维度为100；
[0091]
所述第三lstm层的输入维度为100，其输出维度为200；
[0092]
所述第一dense层的输出维度为100，其输入维度自动匹配；
[0093]
所述第二dense层的输出维度为1，其输入维度自动匹配；
[0094]
激活层的非线性激活函数为relu函数。
[0095]
由于距离与rssi信号存在对应关系，距离越远，接收到的rssi信号越弱，距离越近，接收到的rssi信号越强，可以根据rssi值预测距离。因此，在本发明中，采用带距离标签的样本集去训练室内位置预测模型，训练好的室内位置预测模型可以根据输入的rssi值预测距离。
[0096]
步骤s2包括以下分步骤：
[0097]
s21、根据带距离标签的样本集，构建已知坐标点集合；
[0098]
s22、将已知坐标点集合中的各已知坐标点对应的滤波rssi值进行降序排列，得到排名前5的滤波rssi值：rssi1、rssi2、rssi3、rssi4和rssi5；
[0099]
s23、将排名前5的滤波rssi值输入高精度室内位置预测模型，分别得到与目标点的5个预测距离：r1、r2、r3、r4和r5；
[0100]
s24、在排名前5的滤波rssi值对应的5个已知坐标点n1、n2、n3、n4和n5中任选3个不共线的已知坐标点n
l
、n
j
和n
k
，得到多个已知坐标子集s1～s
m
，每个已知坐标子集包含三个不共线的已知坐标点n
l
、n
j
和n
k
；
[0101]
s25、根据多个已知坐标子集s1～s
m
，构建已知坐标子集的集合s
n
＝{s1,s2,
…
,s
m
}；
[0102]
s26、在集合s
n
＝{s1,s2,
…
,s
m
}任选一个已知坐标子集s
i
，i＝1,2,
……
,m，以已知坐标子集s
i
的3个已知坐标点为圆心o1、o2和o3；
[0103]
s27、根据圆心o1和o2分别到目标点的距离r
1i
和r
2i
，计算目标点的第一估算位置：
[0104]
x＝x
1i
(x
2i
‑
x
1i
)*(r
1i
/(r
1i
r
2i
))
[0105]
y＝y
1i
(y
2i
‑
y
1i
)*(r
1i
/(r
1i
r
2i
))
[0106]
其中，x为目标点的第一估算位置的横坐标，y为目标点的第一估算位置的纵坐标，(x
1i
,y
1i
)为圆心o1的坐标，(x
2i
,y
2i
)为圆心o2的坐标；
[0107]
s28、计算目标点在极坐标下的位置模糊值，如图2所示：
[0108]
z
i
(ρ,θ)＝r
2i
∠θ
[0109]
其中，z
i
(ρ,θ)为位置模糊值，ρ为目标点相对于圆心o2的矢量长度，θ为目标点相对于圆形o1、o2间o1o2连线的矢量方向角，∠为角度符号；
[0110]
s29、将位置模糊值转换到直角坐标系下，得到目标点的第二估算位置和第三估算位置；
[0111]
s30、分别求出目标点的三个估算位置到圆形o3的距离d1、d2和d3，将距离d1、d2和d3分别与圆心o3所在圆的半径r
3i
比较，将误差最小的估算位置作为目标点的坐标z
i
，其中，r
3i
为圆心o3到目标点的距离；
[0112]
s31、在集合s
n
＝{s1,s2,
…
,s
m
}减去已知坐标子集s
i
，并校验当前集合s
n
是否为空，若是，则得到目标点的m个坐标z1～z
m
，进入步骤s32，若否，则跳转至步骤s26；
[0113]
s32、将目标点的m个坐标z1～z
m
进行加权求和，得到目标点的定位坐标z
f
。
[0114]
步骤s32中进行加权求和时的权重值的计算公式为：
[0115]
w
i
＝exp{[
‑
(max(r
1i
,r
2i
,r
3i
)/min(r
1i
,r
2i
,r
3i
)
‑
1)] [
‑
(min(r
1i
,r
2i
,
[0116]
r
3i
)/r
min
‑
1)]}
[0117]
其中，w
i
为第i个坐标z
i
的权重，max()为取最大值，min()为最小值，r
min
为5个预测距离r1、r2、r3、r4和r5中的最小值。