一种基于派生指纹迁移的室内智能定位方法

1.本发明属于室内定位技术领域。


背景技术：

2.随着智慧分拣、灾害救援等位置服务产业的发展，高精度的定位变成了无线定位技术的热门研究方向。据近些年的调查统计，人们有80％-90％的时间都处于室内，使得室内定位研究被越来越多的关注。同时随着企业规模不断扩大，很难对工作人员安全进行预防，所以需求对人员在特定的区域内进行精准室内定位。以上都能表明室内环境精确定位已成为定位的研究热点，其研究成果不仅带来极大的经济效益，而且还能为其他领域的技术应用提供支持。
3.现在的室内定位方法有邻近探测法、质心定位法、多边定位法、指纹定位法和航位推算法等技术，但是这些方法都存在或多或少的缺点，比如邻近探测法虽然简单易实现，但只能提供大概的定位信息，而质心定位法实现高精度定位需要密集的基站部署，会造成巨大的经济代价。综合考虑，室内定位一般采用多边定位法和指纹定位法，这两种定位方式都能取得不错的定位精度。其中多边定位法的原理是通过接收的信号强度，利用信号的衰减模型来计算距离，根据距离建立线性方程组求解定位位置。基于指纹定位法进行室内定位是一种离线指纹库的匹配或映射方法。比如根据rss使用分类算法匹配离线指纹库中的参考点，然后对参考点的位置进行加权得到定位位置；或是根据rss使用回归算法构造映射关系来获取定位位置。多边定位法受到复杂室内环境以及基站部署位置的影响，使用一类衰减模型来表示rss-距离关系会降低定位精度。此外，使用rss数据的指纹定位也会由于rss信号波动导致定位精度差。


技术实现要素：

4.发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于派生指纹迁移的室内智能定位方法。
5.技术方案：本发明提供了一种基于派生指纹迁移的室内智能定位方法具体包括如下步骤：
6.步骤1：在离线阶段，采用移动设备在室内不同位置下与5g基站进行通信，将不同的位置作为参考点，获取一段时间序列内移动设备在每个参考点接受到的rss信息，移动设备在每个参考点收到的信号的入射角以及每个参考点的位置信息；所述一段时间序列中时刻的总个数为u，所述5g基站的总个数为m个，参考点的总个数为e0，令参考点的集合为r；
7.步骤2：计算每个参考点派生指纹特征，所述派生指纹特征包括累积平均指纹特征f1(rss_θr)，差分指纹特征f2(rss_θr)和双曲线指纹特征f3(rss_θr)：rss_θr表示基于rss与入射角信息的参考点r的联合指纹；并根据每个参考点的三个指纹特征，计算每个参考点的最优k值；建立离线派生指纹库，该离线派生指纹库包括每个参考点的派生指纹特征，最优k值，rss信息，信号入射角度和位置信息，r＝1,2,...,e0；
≠m2；的表达式如下所示：
[0024][0025]
参考点r的双曲线指纹特征f3(rss_θr)的表达式为：
[0026]
f3(rss_θr)＝[lr(1),
…
,lr(u),
…
,lr(u)]
[0027]
其中，lr(u)的表达式为：
[0028][0029]
其中，的表达式为：
[0030]
进一步的，所述步骤2计算每个参考点的最优k值具体为：计算任意两个参考点r1和r2之间的指纹欧式距离
[0031][0032]
其中，r1＝1,2,...,e0,r2＝1,2,...,e0,且r1≠r2，||
·
||2表示二范数公式；表示与e取值相应的指纹特征的权重系数；
[0033]
根据如下目标函数计算参考点r1的最优k值：
[0034][0035][0036]
其中，和表示参考点r1的实际位置信息，和分别表示参考点r1的预测位置的横坐标和纵坐标，表示参考点r1的k值，表示参考点r1的k值为时，对参考点r1进行knn定位时所选择的个参考点的集合，对上述目标函数进行求解，得到参考点r1的最优k值的最优k值表示基于最优k值，对参考点r1进行knn定位时所选择的个参考点的集合；
[0037]
参考点r1的预测位置的表达式为：
[0038][0039]
其中，表示集合中第1个参考点，表示集合中第个参考点，表示参考点r1与集合中参考点r'1的指纹欧式距离，表示集合中参考点r'1的实
际位置信息。
[0040]
进一步的，所述步骤3计算目标域中待测点*的位置信息具体为：
[0041]
使用最近邻算法进行参考点匹配：
[0042][0043]
其中，ed
r,*
表示待测点*与参考点r的指纹欧式距离，fe(rss_θ
*
)表示待测点*的与e取值相应的指纹特征；
[0044]
选择欧式距离最近的参考点对应的最优k值作为待测点*的最优k值将每个参考点与待测点*的指纹欧式距离由小到大排序，取前个指纹欧式距离对应的参考点组成集合从而计算得到待测点*的位置(x
*
,y
*
)：
[0045][0046]
其中，表示集合中第一个参考点，表示集合中第个参考点，表示待测点*与集合中参考点r
*
之间的欧式指纹距离，所述表示集合中参考点r
*
的实际位置信息。
[0047]
进一步的，所述步骤4具体为：将离线派生指纹库作为源领域，建立迁移学习的目标函数：
[0048][0049]
将迁移学习的目标函数进行拉格朗格乘数法求解，得到：
[0050][0051]
其中，χ1和χ2均为参数，λ为拉格朗日乘数，v为的特征向量，令的特征向量，令表示源领域ds和目标域d
t
的域间类间散度矩阵,表示源领域ds和目标域d
t
的域间类内散度矩阵，源领域ds域内类间散度矩阵，源领域ds域内类内散度矩阵；和的表达式为：
[0052][0053][0054][0055][0056]
其中，w
o,r
表示已知点o和参考点r之间的差异性，o＝1,2,
…
,e1，e1为已知点的
[0057]
总个数，σe为可调参数；表示参考点r1和参考点r2之间的差异性，lo(r)和lo(o)分别表示参考点r和已知点o的位置信息；表示已知点o经过高斯核函数映射后的指纹特征向量均值，表示参考点r经过高斯核函数映射后的指纹特征向量均值，和的表达式如下所示：
[0058][0059][0060]
其中，和分别表示已知点o和参考点r的指纹特征向量，表示目标域中所有已知点的指纹特征向量经过高斯核函数映射后的核矩阵，表示源领域中所有参考点的指纹特征向量经过高斯核函数映射后的核矩阵，和的表达式如下所示：
[0061][0062][0063]
将的若干个广义特征值由大到小排列，选择前个广义特征值，建立维度为的新映射空间，
[0064]
根据如下规则建立源分域：
[0065][0066]
其中，表示基于参考点r2的最优k值对参考点r2进行knn定位时所选择的个参考点的集合；将与同一个源分域中参考点位置相同的已知点作为同一个目标分域；将每个源分域中的每个参考点r
sa
映射到维度为的新映射空间中，得到映射后的表示
[0067][0068]
其中，表示源分域和目标分域映射到新映射空间中的映射矩阵，表示源分域中参考点r
sa
的指纹特征向量；表示源分域投影到新映射空间中的核矩阵；
[0069]
将每个目标分域中的每个参考点o
ta
映射到维度为的新映射空间中，得到映射后的表示
[0070][0071]
其中,表示目标分域中参考点o
ta
的指纹特征向量；表示目标分域投影到新映射空间中的核矩阵；
[0072]
将新映射空间中每个已知点和新映射空间中剩余参考点组成新离线派生指纹库；所述剩余参考点为源领域中除与已知点相对应的参考点以外的参考点；
[0073]
根据新离线派生指纹库在新的新映射空间中的指纹特征向量，构建无线电地图，无线电地图中新参考点的集合为无线电地图中新参考点的集合为表示无线地图中第e0个新参考点，e0＝1,2,...,e0；且新参考点与源领域中第e0个参考点具有相同的最优k值；计算待测点与新参考点之间的指纹欧式距离：
[0074][0075]
其中，表示待测点与e取值对应的指纹特征在新映射空间的表示，表示新参考点与e取值对应的指纹特征在新映射空间中的表示；
[0076]
选择与待测点指纹欧式距离最近的新参考点对应的最优k值作为待测点的最优k值将所有新参考点与待测点之间的指纹欧式距离，按照由小到大排列，选择前个的指纹欧式距离对应的新参考点组成集合从而得到待测点的位置：
[0077][0078]
其中表示集合中第一个新参考点，表示集合第第第表示集合中新参考点r'
*
的实际位置信息，表示待测点*和新参考点r'
*
之间的指纹欧式距离。
[0079]
有益效果：本发明能够采用派生指纹对常用的指纹特征的不足进行了改进，另外
通过待测点k值在线最优选择方法确定knn定位模型的k值选择以提高模型定位精度，此外，采用迁移学习定位算法，在低数据采集成本下，有效的提升场景时变的室内定位精度，有非常广阔的应用前景。
附图说明
[0080]
图1为本发明的流程图；
[0081]
图2为待测点k值在线最优选择定位方法框图；
[0082]
图3为分区无线电地图构建流程图。
具体实施方式
[0083]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0084]
本发明提供了一种基于派生指纹迁移的5g室内智能定位方法，如图1所示，本发明提供的一种基于派生指纹迁移的5g室内智能定位方法，该方法首先由5g基站采集室内移动设备在不同参考点收到的rss信息，信号的入射角以及位置信息，并将采集的数据上传到边缘服务器；其次，边缘服务器结合rss与入射角信息进行三类指纹派生，并结合参考点位置信息以及最优k值构建派生指纹-最优k值-位置指纹库(离线派生指纹库)；最后通过待测点k值在线最优选择方法以及考虑环境时变的knn模型迁移机制进行室内定位，在低离线数据再采集下，以将更好的定位结果发送给待测设备。
[0085]
本发明主要包括三个内容：一是派生指纹生成，根据rss与入射角信息分别生成三类指纹特征；二是提出待测点k值在线最优选择方法改进knn定位模型；三是边缘服务器根据考虑环境时变的knn模型迁移机制进行室内定位，在少离线数据再采集下，以预测待测设备的位置。
[0086]
1.派生指纹生成：
[0087]
本实施例中的派生指纹为，基于rss与入射角信息联合指纹衍射出的指纹特征，包括：基于累积平均的指纹特征，考虑到短时间内进行数据采集，数据之间具有较大的相关性，从而利用历史数据不断的对当前采集的数据进行修正。基于差分的指纹联合特征能有效的解决由于硬件或软件问题导致的设备异构型问题。基于双曲线的联合指纹特征用于解决基于不同用户采集的信号绝对值的差距大的问题，其使用基于比例的数据有助于具有更高的可靠性。
[0088]
在离线阶段，定位场景中采集的参考点的集合为r，总数为e0，对每个参考点采集u个时间样本，参与定位的5g基站个数为m。对于参考点r，相对应的位置信息为(xr,yr)。基于rss与入射角信息，参考点r的联合指纹表示为：
[0089]
[0090]
其中，表示5g基站m对参考点r在时间索引u时(时刻u时，u＝1,2,
…
,u)所采集的rss数据，表示5g基站m对参考点r在时间索引u时所采集的角度数据；m＝1,2,
…
,m。
[0091]
基于累计平均的指纹联合特征，该特征可以观察到已采集到的历史数据，并结合其发生概率对当前采集的数据进行修正。累积平均的具体公式如下：
[0092][0093]
其中，表示时刻1到u的数据的累积平均值，l(u 1)表示u 1时刻采集到的数据的实际值。相应地，参考点r的累积平均指纹特征表示为：
[0094][0095]
其中，f1(
·
)表示累积平均指纹特征，其中，表示第m个5g基站对参考点r在第u-1个时刻下的联合指纹的累计平均值；表示5g基站m对参考点r在某一时间序列下联合指纹的累计平均值。
[0096]
基于差分的指纹联合特征，该特征是在相同时间序号下，将从不同基站接收的联合指纹进行彼此差分，从而构建成在该时间序号下的所有指纹。对于参考点r而言，5g基站m1与5g基站m2接收的数据在时刻u时的差分指纹为：
[0097][0098]
其中，m1＝1,2，...,m,m2＝1,2，...,m,且m1≠m2。
[0099]
所以参考点r的基于差分的指纹联合特征表示为：
[0100]
f2(rss_θr)＝[δψr(1),
…
,δψr(u),
…
,δψr(u)]
[0101]
其中，f2(
·
)表示差分指纹，δψr(u)表示为：
[0102][0103]
基于双曲线的指纹联合特征，该特征该指纹比直接使用信号的数据会具有更好的稳定性。
[0104]
对于参考点r而言，5g基站m1与5g基站m2接收的数据在时间序号u的双曲线指纹为：
[0105][0106]
所以参考点r的基于双曲线的联合指纹特征表示为：
[0107]
f3(rss_θr)＝[lr(1),
…
,lr(u),
…
,lr(u)]
[0108]
其中，f3(
·
)表示将指纹变为双曲线指纹，lr(u)表示为：
[0109][0110]
2.待测点k值在线最优选择方法：
[0111]
对于knn室内定位方法而言，噪声原因会导致定位精度降低的情况。此外，由于待测点所处的位置环境不同，选择固定的k值不能保证每个位置的待测点都取得较好的定位精度。为了寻找初每个定位情况的最优自适应k值，本发明提出了待测点k值在线最优选择方法，如图2所示。
[0112]
为确定每个离线参考点的最优k值，在离线阶段所有参考点进行knn算法。计算任意两个参考点r1和r2之间的指纹欧式距离
[0113][0114]
其中，r1＝1,2,...,e0,r2＝1,2,...,e0,且r1≠r2，||
·
||2表示二范数公式，表示与e取值相应的指纹特征权重系数。指纹欧式距离越小表示指纹相似度越大。注意对参考点进行knn定位时，不会在离线指纹库中匹配本身。匹配具体过程为：计算参考点r1与参考点r2之间的指纹欧氏距离，并从小到大进行排序，选择指纹欧式距离最小的前个参考点形成集合其中，表示集合中序号为lr1的参考点，并使用这些参考点的位置信息进行加权累积求和。
[0115]
参考点r1的预测位置表示为：
[0116][0117]
其中，表示集合中参考点r'1的实际位置信息，表示参考点r1与集合中参考点r'1的指纹欧式距离。
[0118]
为保证每个参考点的定位误差最小，需要合理的考虑每个参考点的最优k值，以参考点r1为例，可以制定以下优化目标：
[0119][0120][0121]
其中，的上限为15，是因为在越大将会造成越多的计算消耗。通过优化目标可以的得到参考点r1的最优k值的最优k值表示基于最优k值，对参考点r1进行knn定位时所选择的个参考点的集合。
[0122]
在在线阶段，如果实际室内场景的时变没有超过预设的天数，则采用如下方法计算目标域中待测点的最优k值和位置；所述目标域包括已知点和待测点，所述已知点为实际室内场景中rss信息，信号的入射角和位置信息均已知的点，所述待测点为实际室内场景中rss信息，信号的入射角已知但是位置信息未知的点。
[0123]
计算待测点与参考点r之前的指纹欧式距离；
[0124][0125]
然后根据所匹配的参考点选择对应的k值，具体方式为：将待测点与所有参考点进行指纹欧氏距离计算，选择指纹欧式距离最小的参考点的最优k值作为待测点k值(即)，之后继续选择指纹欧式距离最小的前个参考点，最终形成元素个数为的参考点集合以实现待测点最优k值在线选择方法。最终待测点的定位结果为：
[0126][0127]
其中，表示集合中参考点r
*
的实际位置信息，表示参考点r
*
与测试点*的指纹欧式距离，表示集合中第一个参考点，表示集合中第个参考点。
[0128]
3.考虑环境时变的knn模型迁移机制：
[0129]
根据knn定位原理可知，任何一点的位置都是有指纹相似度选择k个邻近点的位置计算得到的。但是环境时变导致knn定位模型所需要的k值以及离线派生指纹库都会发生变化。为保证环境时变下(实际室内环境时变超过预设的天数)，最优k值的可用性。故如图3所示，发明采用基于离线最优k值的已知点采集以进行后续的无线电地图的构建。
[0130]
根据源领域(将离线派生指纹库作为源领域)中离线参考点所求解的最优k值，可以确认某一参考点的三类指纹的特征向量与其他k-1个参考点的特征向量具有较大的相似性；不同位置参考点之间的单向连接关系矩阵为：
[0131][0132]
其中，表示参考点r1到参考点r2的单向连接关系，一般取值为0和1，0表示单向连接，1表示单向不连接，其中，表示集合的元素个数；
表示基于最优k值对参考点r1的进行knn所匹配的参考点集合；根据参考点之间的单向连接关系矩阵，可以进行参考点集合的构建，参考点集合构建的规则如下：
[0133][0134]
其中，表示基于参考点r2的最优k值对参考点r1进行knn定位时所选择的个参考点的集合。
[0135]
根据上述公式可以将源领域的参考点进行分区，将一个分区作为一个源分域，然后结合每个区的参考点所对应的位置信息，选择需要采集相同位置的目标域已知点，最后对目标域已知点进行分区迁移学习以实现目标域无线电地图的扩建。利用所构建的参考点集合，可以对源领域进行分区迁移。
[0136]
对于时变的室内环境，离线阶段(源领域)与在线阶段(目标域)在同一位置所得到的信息特征分布会不一致，从而导致指纹定位的精度下降。若是重新针对目标域采集指纹库，会造成定位成本的急剧增加以及无法为后续的定位提供帮助。然而，对于时变环境，定位基站的位置基本是固定的因此可以采用迁移学习的方法将源领域数据迁移到目标域上。
[0137]
在离线阶段，将离线派生指纹库作为源领域。源领域ds中参考点r对应的指纹特征向量表示为：
[0138][0139]
源领域ds表示包含所有参考点的集合，即：
[0140][0141]
其中，e0表示源领域ds中参考点的总数。
[0142]
在在线阶段，在室内空间中将采集已知位置标签以及已知指纹特征向量的已知点以及未知位置标签和已知指纹特征向量的待测点作为目标域，目标域d
t
中已知点o所构建的指纹特征向量表示为：
[0143][0144]
其中，o＝1,2,
…
,e1，e1为已知点的总个数。
[0145]
目标域d
t
中待测点o'所构建的指纹特征向量表示为：
[0146][0147]
其中，o'＝1,2,...,e2,e2为待测点的总个数。
[0148]
在分区迁移学习中，选择相同区域的参考点以及已知点进行迁移学习。首先要使用映射函数将指纹特征向量映射到其他维空间。假设表示映射到其他维空间的函数，考虑到映射函数的具体形式不好确定，故采用核函数ke(
·
)作为其他维空间以及映射函数的代替，即：
[0149]
[0150][0151][0152]
其中，o1和o2表示已知点o1和已知点o2，o1＝1,2,
…
,e1,o2＝1,2,
…
,e1,且o1≠o2；o'1和o'2表示待测点o'1和待测点o'2，o'1＝1,2,
…
,e2,o'2＝1,2,
…
,e2且o'1≠o'2，σ
ke
表示高斯核函数的可调参数。
[0153]
相应地，源领域ds中参考点r的指纹特征向量的均值表示为：
[0154][0155]
其中，表示源领域经过核函数映射之后的表示，表示源领域参考点的指纹特征向量经过高斯核函数映射后的核矩阵，特征向量经过高斯核函数映射后的核矩阵，表示矩阵中第r1行第r2列的元素。
[0156]
目标域中已知点o的指纹特征向量的均值表示为：
[0157][0158]
其中，表示目标域映射到其他维空间，表示目标域已知点的指纹特征向量经过高斯核函数映射后的核矩阵，经过高斯核函数映射后的核矩阵，表示矩阵中第o1行第o2列的元素。
[0159]
源领域ds和目标域d
t
的域间类间散度矩阵表示为：
[0160][0161]
其中，lo(r)和lo(o)表示参考点r和已知点o的位置信息，表示参考点r位置和已知点o位置之间的差异性，σe表示可调参数。
[0162]
源领域ds和目标域d
t
的域间类内散度矩阵表示为：
[0163][0164]
源领域ds域内类间散度矩阵表示为：
[0165][0166]
其中，lo(r1)和lo(r2)表示参考点r1和参考点r2的位置信息类别，表示参考点r1和参考点r2之间的差异性。
[0167]
源领域ds域内类内散度矩阵表示为：
[0168][0169]
构建的迁移学习的目标函数为：
[0170][0171]
其中，χ1和χ2属于两个可调参数，用于控制域间特性与域内特性在计算映射矩阵时的重要程度；该目标函数是关于和的广义瑞利熵，将迁移学习的目标函数进行拉格朗格乘数法求解，最终可以得到：
[0172][0173]
其中，λ为拉格朗日乘数，为方便起见定义：
[0174]
所以v为的特征向量。
[0175]
若是新建一个维度为维的新的映射空间，则映射矩阵的表现形式为：
[0176][0177]
其中，表示的第大的广义特征值所对应的特征向量矩阵。
[0178]
通过源领域的参考点集合分区，将与参考点集合分区中参考点位置相同的已知点作为目标域中的一个分区，将该分区作为目标分域；通过每个分区集合(源分域和目标分域)计算的迁移学习映射空间，实现基于分区的目标域无线电地图重建；根据映射矩阵可以将源分域参考点r
sa
映射到新的映射空间，其表示为：
[0179][0180]
其中，表示源分域的参考点r被投影到新映射空间的表示，表示源分域和目标分域的映射矩阵，和表示源分域与目标分域经过投影后的核矩阵。
[0181]
同样地，根据映射矩阵目标域中处于相同位置的目标分域已知点o
ta
映射到新空间，其表示为：
[0182][0183]
其中，表示目标分域中的已知点o
ta
被投影到新映射空间的表示，其中,表示目标分域中参考点o
ta
的指纹特征向量；表示目标分域投影到新映射空间中的核矩阵。
[0184]
将新映射空间中每个已知点和新映射空间中剩余参考点组成新离线派生指纹库；所述剩余参考点为源领域中除与已知点相对应的参考点以外的参考点。
[0185]
新离线派生指纹库中，位置为点在新的映射空间中指纹特征向量为：
[0186][0187]
根据新离线派生指纹库在新的新映射空间中的指纹特征向量，构建无线电地图，所构建的无线电地图中新参考点的为集合其中，表示序号为e0的新参考点，且新参考点与源领域中第e0个参考点具有相同的最优k值，使用最近邻算法进行参考点匹配：
[0188][0189]
其中，表示构建的无线电地图中新参考点与待测点*之间经过其他维变换的指纹欧式距离，为待测点与e取值对应的指纹特征在新映射空间的表示，表示新参考点与e取值对应的指纹特征的在新映射空间中的表示；计算所有新参考点与待测点的其他维变换的指纹欧式距离，并由小到大进行排序，选择距离最小的新参考点的最优k值作为待测点最优的k值之后继续选择其他维变换的指纹欧式距离最小的前个新参考点，形成元素个数为的集合以实现待测点最优k值在线选择方法，最终待测点的定位结果为：
[0190][0191]
其中，其中表示集合中第一个新参考点，表示集合第个新参考点，表示集合中新参考点r'
*
的实际位置信息，表示待测点*和新参考点r'
*
之间的指纹欧式距离。
[0192]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。