基于深度学习的室内定位方法及装置与流程

1.本发明涉及室内定位方法及装置，尤其是指一种基于深度学习的室内定位方法及装置。


背景技术：

2.第五代通信系统(5 generation，5g)是我国实施网络强国、制造强国战略的重要信息基础设施，更是发展新一代信息通信技术的高地。5g的出现极大的促进了物联网技术的发展，随着人们物质生活的不断丰富，室内定位的需求日益增多，应用场景也愈发广泛，例如停车场的辅助寻车系统，地下隧道的安全追踪系统，各种常见的家用机器人等等。传统的估计解算方法面临着应用约束条件多，占用大量单体计算资源的问题，偏离了当今多场景，分布式解算的发展趋势，故不再适用。研究一种能适用于各种场景并且能够部署至边缘设备进行解算的定位算法成为推动室内定位技术进一步发展的迫切需要。在室内定位中，由于复杂的室内环境导致传统的测距方法例如toa、tdoa等或多或少的受到干扰从而产生噪声；在位置解算过程中，我们假设这些噪声的pdf为高斯分布但实际却远非如此。除此之外，传统解算方法的算法复杂度普遍偏高因此对硬件资源要求较高。
3.rss作为一种容易获得的信号特征常用于室内定位系统中。但是，由于rss是粗粒度信息，常常受到多径效应及噪声信号的影响，定位性能并不稳定。近年来，商用wifi设备(如intel 5300无线网卡)开始支持物理层的csi的获取。csi能以更细粒度表征信号，通过对不同子信道信号传输情况分别进行分析，csi可以尽可能避免多径效应与噪声的影响。csi为基于wifi的室内定位技术开辟了新的空间，因而被广大研究者所关注。当前大部分基于csi指纹的方法为了降低定位所需计算资源，导致定位精度不高。


技术实现要素：

4.本发明所要解决的技术问题是：提供一种基于深度学习的室内定位方法及装置，旨在提高室内定位精度及抗干扰能力。
5.为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的室内定位方法，包括离线阶段和在线阶段；所述离线阶段包括：
6.参考点特征值采集，采集每个参考点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息，形成指纹数据库；
7.数据归一化，将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据；
8.模型训练，将每个参考点的无量纲数据通过多层cnn网络进行处理，得到每个参考点的cnn模型参数值，得到训练后的cnn模型；
9.在线阶段包括：
10.测试点特征值采集，在线采集每个测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息；
11.指纹匹配，在线采集的测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息输入到训练后的cnn模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
12.进一步的，所述将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据所采用的公式为：
[0013][0014]
其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0015]
进一步的，所述指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0016][0017]
pr为测试点位于采样点的i的概率，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标，pr(ci)是目标位于参考点ci处的先验概率，t为输入的特征值数据。
[0018]
进一步的，所述径向基函数为：
[0019][0020]
其中，t为输入的特征值数据，pr(t|ci)为在参考点ci处的输出y
t
与它本身的相似度，λ
t
σ
t
分别为输入的特征值数据t的方差和方差参数。
[0021]
进一步的，对参考点坐标进行加权平均的公式为：
[0022][0023]
其中，表示目标位置的坐标，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标。
[0024]
本发明的另一技术方案为：一种基于深度学习的室内定位装置，包括离线模块和在线模块；所述离线模块包括：
[0025]
参考点特征值采集单元，用于采集每个参考点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息，形成指纹数据库；
[0026]
数据归一化单元，用于将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据；
[0027]
模型训练单元，用于将每个参考点的无量纲数据通过多层cnn网络进行处理，得到每个参考点的cnn模型参数值，得到训练后的cnn模型；
[0028]
在线模块包括：
[0029]
测试点特征值采集单元，用于在线采集每个测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息；
[0030]
指纹匹配单元，用于在线采集的测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息输入到训练后的cnn模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
[0031]
进一步的，数据归一化单元中，将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据所采用的公式为：
[0032][0033]
其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0034]
进一步的，指纹匹配单元中，指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0035][0036]
pr为测试点位于采样点的i的概率，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标，pr(ci)是目标位于参考点ci处的先验概率，t为输入的特征值数据。
[0037]
进一步的，指纹匹配单元中，使用的径向基函数为：
[0038][0039]
其中，t为输入的特征值数据，pr(t|ci)为在参考点ci处的输出y
t
与它本身的相似度，λ
t
σ
t
分别为输入的特征值数据t的方差和方差参数。
[0040]
进一步的，指纹匹配单元中，对参考点坐标进行加权平均的公式为：
[0041][0042]
其中，表示目标位置的坐标，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标。
[0043]
本发明的有益效果在于：首先收集csi信息、rss信息、tdoa信息、fdoa信息与磁场信息后，利用cnn网络来处理这些数据；在处理过程中，通过将原始测量数据经过多层cnn网络的处理，将每个参考点处的cnn模型参数值作为指纹，cnn模型的特征更加具有代表性，并且也避免了直接把原始数据用于指纹时可能存在的测量误差与干扰；然后在指纹匹配阶段中，通过径向基函数和贝叶斯法则来计算目标位于每个参考点的概率，然后通过对参考点坐标的加权平均实现定位。收集csi信息、rss信息、tdoa信息、fdoa信息与磁场信息作为定位的特征值，能够提高室内定位的精度及抗干扰能力。
附图说明
[0044]
下面结合附图详述本发明的具体结构。
[0045]
图1为本发明实施例的基于深度学习的室内定位方法流程图；
[0046]
图2为本发明实施例的基于深度学习的室内定位装置框图；
[0047]
图3为本发明具体实施例的计算机设备的示意性框图。
具体实施方式
[0048]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0050]
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0051]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0052]
如图1所示，本发明第一实施例为：一种基于深度学习的室内定位方法，包括离线阶段和在线阶段；所述离线阶段包括：
[0053]
s11、参考点特征值采集，采集每个参考点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息，形成指纹数据库；
[0054]
s12、数据归一化，将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据；
[0055]
s13、模型训练，将每个参考点的无量纲数据通过多层cnn网络进行处理，得到每个参考点的cnn模型参数值，得到训练后的cnn模型；
[0056]
在线阶段包括：
[0057]
s21、测试点特征值采集，在线采集每个测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息；
[0058]
s22、指纹匹配，在线采集的测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息输入到训练后的cnn模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
[0059]
本实施例中，利用深度学习来融合信道状态信息(channel state information，csi)、磁场强度(magnetic field strength，mfs)、wifi的接收信号强度(received signal strength，rss)、时钟同步后的到达时间差值(time difference of arrival，tdoa)测量值以及(frequency difference of arrival，fdoa)实现高精度室内定位，以上几种信息单独均可作为位置特征，但是在大面积室内环境中均无法保证独立性，所提方法利用cnn网络的自适应性很好的避免了各种噪声，而且这几种特征相辅相成，此方法的鲁棒性和可移植都非常好，训练出来的模型可移植到许多嵌入式设备，符合当今发展的潮流。
[0060]
其中，步骤s12中，将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据所采用的公式为：
[0061][0062]
其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0063]
其中，步骤s22中，指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0064][0065]
pr为测试点位于采样点的i的概率，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标，pr(ci)是目标位于参考点ci处的先验概率，t为输入的特征值数据。可以假设pr(ci)服从均匀分布，则
[0066][0067]
其中，所述径向基函数为：
[0068][0069]
其中，t为输入的特征值数据，pr(t|ci)为在参考点ci处的输出y
t
与它本身的相似度，λ
t
σ
t
分别为输入的特征值数据t的方差和方差参数。
[0070]
其中，对参考点坐标进行加权平均的公式为：
[0071][0072]
其中，表示目标位置的坐标，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标。
[0073]
通过上述方法，将传统的迭代过程转换成一次匹配问题，大大降低了算法复杂度，而且训练出来的网络模型可部署到边缘设备，并且随着后续技术的不断发展，可以对cnn网络进行垂直拆分，把网络的每一层部署在一个服务器，产生的权重值可以通过短连接的方式以json格式进行交互，还可以直接利用nosql技术进行缓存。
[0074]
如图2所示，本发明的另一实施例为：一种基于深度学习的室内定位装置，包括离线模块和在线模块；所述离线模块包括：
[0075]
参考点特征值采集单元11，用于采集每个参考点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息，形成指纹数据库；
[0076]
数据归一化单元12，用于将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据；
[0077]
模型训练单元13，用于将每个参考点的无量纲数据通过多层cnn网络进行处理，得到每个参考点的cnn模型参数值，得到训练后的cnn模型；
[0078]
在线模块包括：
[0079]
测试点特征值采集单元21，用于在线采集每个测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息；
[0080]
指纹匹配单元22，用于在线采集的测试点的特征值：csi信息、rss信息、tdoa信息、fdoa信息及磁场信息输入到训练后的cnn模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
[0081]
其中，数据归一化单元12中，将指纹数据库内每个参考点的csi信息、rss信息、tdoa信息、fdoa信息及磁场信息转换为无量纲数据所采用的公式为：
[0082][0083]
其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0084]
其中，指纹匹配单元22中，指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0085][0086]
pr为测试点位于采样点的i的概率，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标，pr(ci)是目标位于参考点ci处的先验概率，t为输入的特征值数据。
[0087]
其中，指纹匹配单元22中，使用的径向基函数为：
[0088][0089]
其中，t为输入的特征值数据，pr(t|ci)为在参考点ci处的输出y
t
与它本身的相似度，λ
t
σ
t
分别为输入的特征值数据t的方差和方差参数。
[0090]
其中，指纹匹配单元22中，对参考点坐标进行加权平均的公式为：
[0091][0092]
其中，表示目标位置的坐标，nc表示参考点的数量，ci是参考点i在指纹库中的位置坐标。
[0093]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于深度学习的室内定位装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0094]
上述基于深度学习的室内定位装置可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
[0095]
请参阅图3，图3是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0096]
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
[0097]
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于深度学习的室内定位方法。
[0098]
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
[0099]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于深度学习的室内定位方法。
[0100]
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0101]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如上的基于深度学习的室内定位方法。
[0102]
应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0103]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0104]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上的基于深度学习的室内定位方法。
[0105]
所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0106]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0107]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0108]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
[0109]
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个
人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0110]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。