一种室内定位方法、装置及系统与流程

1.本发明属于室内定位技术领域，具体涉及一种室内定位方法、装置及系统。


背景技术：

2.随着经济水平的提高，移动终端和移动互联网业务在国内的渗透率达到了空前高度，越来越多的个性化需求应运而生，其中室内定位的需求越来越强烈。卫星定位技术在室外环境下可以很好的提供定位服务。然而，当在室内进行定位时，由于卫星信号到达地面后较弱，不具备穿透力，对于楼层信息也不能很好的判断，因此室内定位几乎无法使用卫星定位。为了很好的解决室内定位难题，国内国际诞生许多类解决方案，目前主流的几种室内定位技术有wifi指纹定位、uwb定位、led定位等。
3.随着科技的发展，手机集成的功能越来越多，且对信号的接收也越来越好，由此可以获得更多的数据来处理室内定位的问题。但是现阶段常用的定位方法，都或多或少存在一些缺陷。wifi指纹定位会受制于室内空间的大小，过大的空间会导致定位精度的降低；uwb超宽带技术虽是厘米级的，但是价格昂贵，并不经济适用；led定位技术会被室内的光源干扰，不适合大面积铺设。


技术实现要素：

4.针对上述问题，本发明提出一种室内定位方法、装置及系统，将指纹定位与神经网络相结合，能够有效地抗环境干扰。
5.为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
6.第一方面，本发明提供了一种室内定位方法，包括：
7.获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和各参考点对应的rssi值；
8.基于各离线坐标指纹库中的数据分别训练dae模型与rnn模型；
9.判断出待定位点所处的定位区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
10.获取待定位点的rssi值，并依次发送至筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
11.可选地，所述不同定位区域对应的离线坐标指纹库的获取方法包括：
12.对室内区域进行划分，形成若干个定位区域；
13.针对每个定位区域执行以下步骤，获得不同定位区域对应的离线坐标指纹库：
14.对每个参考点在连续时间下记录rssi值；
15.基于参考点坐标和对应rssi值，建立离线坐标指纹库。
16.可选地，所述待定位点所处的定位区域的判断方法包括：
17.基于待定位点所接收到的光源信号的光源频率，以及定位区域与不同光源频率的对应关系，判断出待定位点所处的定位区域。
18.可选地，所述rnn模型的训练方法包括：
19.将离线坐标指纹库中与同一参考点相连的各个ap在同一时刻的rssi值作为一组输入，获得按时间先后顺序设置的若干组rssi值；
20.将第一组rssi值输入至rnn模型的第一层，由第一层对第一组rssi值进行加权计算，计算出的结果为坐标c1；
21.将第二组rssi值输入至rnn模型的第二层，由第二层对第二组rssi值进行加权计算，计算出相应坐标c2，为坐标c1与c2赋予权重，计算得到坐标c
′2；
22.……
23.将第n组rssi值输入至rnn模型的第n层，由第n层对第n组rssi值进行加权计算，计算出相应坐标cn，为坐标c
n-1
与cn赋予权重，计算得到坐标c
′n，即为待定位点坐标；
24.通过反向传播修正输入的rssi值的权重以及坐标c
n-1
与cn的权重，直至获得理想的rnn模型。
25.可选地，所述dae模型的训练方法包括：
26.获取室内无人的情况下的rssi值，建立指纹库ψ0；
27.获取室内人员正常流动的情况下的rssi值，建立指纹库ψ1；
28.以指纹库ψ1为输入层，指纹库ψ0为输出层，不断调整dae模型参数，直至获得最佳dae模型。
29.第二方面，本发明提供了一种室内定位装置，包括：
30.获取模块，用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应rssi值；
31.训练模块，用于基于各离线坐标指纹库中的数据分别训练dae模型与rnn模型；
32.筛选模块，用于判断出待定位点所处的定位区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
33.定位模块，用于获取待定位点的rssi值，并依次发送至筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
34.可选地，所述获取模块包括：
35.划分子模块，用于对室内区域进行划分，形成若干个定位区域；
36.离线坐标指纹库建立子模块，用于针对每个定位区域执行以下步骤，获得不同定位区域对应的离线坐标指纹库：
37.对每个参考点在连续时间下记录rssi值；
38.基于参考点坐标和对应rssi值，建立离线坐标指纹库。
39.可选地，所述待定位点所处的定位区域的判断方法包括：
40.基于待定位点所接收到的光源信号的光源频率，以及定位区域与不同光源频率的对应关系，判断出待定位点所处的定位区域。
41.可选地，所述rnn模型的训练方法包括：
42.将离线坐标指纹库中与同一参考点相连的各个ap在同一时刻的rssi值作为一组输入，获得按时间先后顺序设置的若干组rssi值；
43.将第一组rssi值输入至rnn模型的第一层，由第一层对第一组rssi值进行加权计算，计算出的结果为坐标c1；
44.将第二组rssi值输入至rnn模型的第二层，由第二层对第二组rssi值进行加权计算，计算出相应坐标c2，为坐标c1与c2赋予权重，计算得到坐标c
′2；
45.……
46.将第n组rssi值输入至rnn模型的第n层，由第n层对第n组rssi值进行加权计算，计算出相应坐标cn，为坐标c
n-1
与cn赋予权重，计算得到坐标c
′n，即为待定位点坐标；
47.通过反向传播修正输入的rssi值的权重以及坐标c
n-1
与cn的权重，直至获得理想的rnn模型。
48.可选地，所述dae模型的训练方法包括：
49.获取室内无人的情况下的rssi值，建立指纹库ψ0；
50.获取室内人员正常流动的情况下的rssi值，建立指纹库ψ1；
51.以指纹库ψ1为输入层，指纹库ψ0为输出层，不断调整dae模型参数，直至获得最佳dae模型。
52.第三方面，本发明提供了一种室内定位装置，包括：若干个光源、信号发射器、信号接收器，以及定位单元；
53.各光源被安装在不同定位区域内，位于同一定位区域内的光源的光源频率相同，不同定位区域内的光源的光源频率不相同；
54.各定位区域内均设有参考点和ap点，所述信号接收器被设置在参考点和待定位点，所述信号发射器被设置在ap点；
55.所述定位单元内存储有与不同定位区域对应的训练好的dae模型和rnn模型；所述训练好dae模型和rnn模型是基于与不同定位区域对应的离线坐标指纹库中的数据训练获得的；
56.所述定位单元与各信号接收器相连，并基于待定位点处信号接收器所接收到的光源信号的光源频率，判断出待定位点所在区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
57.所述定位单元与各信号发射器相连，并从待定位点所处定位区域内的各信号发射器处获取获取待定位点的rssi值，依次发送至筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
58.第四方面，本发明提供了一种室内定位系统，包括：包括存储介质和处理器；
59.所述存储介质用于存储指令；
60.所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的方法。
61.与现有技术相比，本发明的有益效果：
62.本发明首先将室内的大区域分割为较小的定位区域，使用光源区分各定位区域，建立离线坐标指纹库，使用离线坐标指纹库的数据训练dae模型与rnn模型。在实际定位过程中，首先通过待定位点处的光源频率判断待定位点所在定位区域，然后将该定位区域的ap获取的待定位点的rssi值上传给训练好的dae模型降噪处理，已处理的数据进一步交给rnn模型计算出待定位点的坐标。
63.可见，本发明的方法将传统的wifi指纹定位与神经网络相结合，能够有效地抗环境干扰。本发明将大区域分为较小的定位区域，能减少远距离的ap信号波动大的问题，进一
步提高定位精确度。
附图说明
64.为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
65.图1为本发明一种实施例的室内定位方法的流程图；
66.图2为假设的某商场占地平面图；
67.图3为循环神经网络模型结构图；
68.图4为去噪自编码器训练过程图。
具体实施方式
69.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
70.下面结合附图对本发明的应用原理作详细的描述。
71.wifi指纹定位实际上是建立起室内空间与接收信号强度的关系，并通过给与的接收信号强度(received signal strength indication，rssi)值，由此关系估算出任意待定位点的坐标。神经网络本质上建立这个关系的桥梁，通过大量的精确的数据信息训练，使该桥梁不断重建，直到搭起最合适的那座桥。神经网络是前馈神经网络的一种改进形式，需要在当前的迭代中访问之前的信息，模型中的计算会考虑到历史信息。另外，考虑到室内的环境的复杂性，例如人员流动对信号造成的干扰，本发明选择在循环神经网络前端加入一个去噪自编码器，对实时信号进行预处理，尽可能保证信号强度值得准确性。本发明能够实现在经济适用的条件下，既解决了定位精度问题，有解决了传统wifi定位计算速度缓慢的问题。
72.实施例1
73.本发明提供了一种室内定位方法，如图1所示，具体包括以下步骤：
74.步骤(1)获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应rssi值；
75.步骤(2)基于各离线坐标指纹库中的数据分别训练dae模型与rnn模型；
76.步骤(3)判断出待定位点所处的定位区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
77.步骤(4)获取待定位点的rssi值，并依次发送至筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
78.在本发明实施例的一种具体实施方式中，所述不同定位区域对应的离线坐标指纹库的获取方法包括：
79.对室内区域进行划分，形成若干个定位区域，各定位区域内有u个参考点和v个ap(access point)；
80.针对每个定位区域执行以下步骤，获得不同定位区域对应的离线坐标指纹库：
81.对每个参考点在连续时间下记录m次rssi值；
82.基于参考点坐标和对应rssi值，建立离线坐标指纹库。
83.在本发明实施例中，每个定位区域对应不同光源频率，基于此，所述待定位点所处的定位区域的判断方法包括：
84.接收待定位点的光源信号，基于待定位点所接收到的光源信号的光源频率，以及定位区域与不同光源频率的对应关系，判断出待定位点所处的定位区域。
85.在本发明实施例的一种具体实施方式中，所述rnn(recurrentneuralnetwork)模型的训练方法包括：
86.将离线坐标指纹库中与同一参考点相连的v个ap在同一时刻的rssi值作为一组输入，获得按时间先后顺序设置的若干组rssi值；
87.将第一组rssi值输入至rnn模型的第一层，由第一层对第一组rssi值进行加权计算，计算出的结果为坐标c1；
88.将第二组rssi值输入至rnn模型的第二层，由第二层对第二组rssi值进行加权计算，计算出相应坐标c2，为坐标c1与c2赋予权重，计算得到坐标c
′2；
89.……
90.将第n组rssi值输入至rnn模型的第n层，由第n层对第n组rssi值进行加权计算，计算出相应坐标cn，为坐标c
n-1
与cn赋予权重，计算得到坐标c
′n，即为待定位点坐标；
91.通过反向传播修正输入的rssi值的权重以及坐标c
n-1
与cn的权重，直至获得理想的rnn模型。
92.在本发明实施例的一种具体实施方式中，所述dae模型的训练方法包括：
93.获取室内无人的情况下的rssi值，建立指纹库ψ0；
94.获取室内人员正常流动的情况下的rssi值，建立指纹库ψ1；
95.以指纹库ψ1为输入层，指纹库ψ0为输出层，不断调整dae模型参数，直至获得最佳dae模型。
96.下面结合如图2所示的室内场景，以及附图1，对本发明实施例中的方法进行详细说明。
97.步骤1：建立分区离线坐标指纹库；具体包括以下子步骤：
98.步骤11：对室内大区域人为划分为合适的大小的定位区域；比如，如图2所示，将100
×
100m2的大区域划分为4块50
×
50m2的定位区域。
99.步骤12：对每个定位区域安装发射统一频率的led光源，所述光源在具体应用过程中还可以是其他形式的光源，具体可以根据实际情况进行设置；
100.在四个定位区域都加装led灯，使用频分复用的方式，由微处理器产生不同频率的pwm波信号，通过光耦隔离后，控制同一定位区域内的led灯产生相同频率的光，而不同定位区域的led光的变化频率则不同。例如，在a区，调解光源频率为2000hz，b区为2500hz，c区为3000hz，d区为3500hz。由此可以人为地将较大面积的室内区域，分割成合适的大小、有利于后续神经网络对数据的处理的小型定位区域。
101.步骤13：假设区域内有u个参考点，v个ap点，每个参考点设置一个信号接收器，每个ap点设置一个信号发射器，对每个参考点在连续时间下记录m次rssi值向量，整理如下：
[0102][0103]
其中，i取值为[1，u]中的整数，r(m，v)表示第v个ap在第i个参考点采集的第m个rssi值，这里假设在m秒内，每一秒采集一次rssi值，则一共采集m个rssi值。那么，矩阵的列向量，表示为一个参考点在同一个ap，在m秒内采集到的m个rssi值；行向量表示为一个参考点在同一时刻，在v个ap上采集到的v个rssi值。
[0104]
根据步骤11中划分大区域大小，假设一片小区域(定位区域)内分布三个ap，即v＝3。信号采集时间定为5秒，则同一参考点，同一ap采样5次rssi值，即m＝5。假设每个两米设一个参考点，则一共有625个参考点，即u＝625。那么此时的ri可表示为：
[0105][0106]
步骤14：由参考点坐标和对应rssi值建立离线坐标指纹库。
[0107]
步骤2：训练循环神经网络模型(rnn模型)，循环神经网络的模型见图3，训练循环神经网络的方法包括：
[0108]
步骤21：对同一参考点3个ap在同一时刻的rssi值向量作为输入，即将ri矩阵的行向量作为输入，对应模型中的x1；
[0109]
步骤22：对3个数值进行加权计算，权值行向量为a
x
，分别与x1中的各个元素(rssi值)一一对应，得出的结果为坐标c1，即为模型中的h1；
[0110]
步骤23：将h1呈递到下一个rnn的第二层，同时输入下一组rssi值向量x2，通过x2计算出相应坐标c2；
[0111]
步骤24：为坐标c1赋予权重w，然后与c2计算得到坐标c
′2，即h2；c
′2＝c1 w*c2；
[0112]
步骤25：重复以上步骤直到处理第5组rssi值向量，得到坐标c
′5，输出c
′5即为待定位点坐标。由此可得rnn前向传播的表达式为：
[0113]ht
＝φ(a
x
x
t
wh
t-1
b)
[0114]
由于室内定位不关心中途的定位结果，只要求输出最终的估计坐标，所以本模型采用的是“多对一”模型，则最终输出y的表达式为：
[0115]
y＝h5＝φ(a
x
x5 wh4)
[0116]
其中a
x
为输入x
t
的权重向量，w是坐标计算的权重。b为神经元的偏置。φ为激活函数，一般选用sigmoid函数，如下所示：
[0117]
sigmoid激活函数：
[0118][0119]
步骤26：通过反向传播修正a
x
向量对x
t
向量的加权以及对两个拟合坐标的权重。对
于rnn，由于在rnn的每一层都有损失函数，因此最终的损失函数l为：
[0120][0121]
从rnn模型可以看出，在反向传播时，在某一位置t的梯度损失有当前位置的输出对应的梯度损失和序列索引位置t 1时的梯度损失共同决定。因此，对于w在某一序列位置t的梯度损失需要反向传播一步步的计算。定义序列索引t位置的隐藏状态的梯度为：
[0122][0123]
由此可以从δ
t 1
递推δ
t
：
[0124][0125]
权重w的梯度计算表达式：
[0126][0127]
权重a
x
的梯度计算表达式：
[0128][0129]
神经元偏置b的梯度计算表达式：
[0130][0131]
步骤27：通过梯度下降法一轮轮的迭代，反复训练直到得到理想的rnn模型。
[0132]
步骤3：训练去噪自编码器模型，即dae(denoising autoencoder)模型；
[0133]
去噪自编码器的训练，只与参与训练的数据量有关，因此，在建立指纹库时，只需使用一个ap即可获取某一参考点大量的rssi数据，训练去噪自编码器的方法包括：
[0134]
步骤31：在室内无人即信号无明显干扰的情况下，采集u个参考点的rssi值，组成向量rj，建立指纹库ψ0；rj的形式为：
[0135]rj
＝[r
1 r2ꢀ…ꢀru
]，j＝1，2，
…
，u
[0136]
步骤32：在室内人员正常流动的情况下，采集u参考点的rssi值，组成向量r
′j，r
′j的元素与rj成一一对应的关系，建立指纹库ψ1，r
′j的形式为：
[0137]r′j＝[r
′
1 r
′2ꢀ…ꢀr′u]，j＝1，2，
…
，u
[0138]
步骤33：以指纹库ψ1为输入层，指纹库ψ0为输出层，训练dae模型。
[0139]
可采用多组rssi数据用于对dae模型进行训练及反向传播，并调整模型直到得到最佳dae模型。去噪自编码器的训练过程见图4，去噪自编码器被训练为从损坏的版本重构干净数据点x。其中样本是指纹库ψ1的数据，样本x是指纹库ψ0的数据。h为训练后的dae模型，l为训练中的损失函数，使其最小化，便能得到最适配的dae模型h。
[0140]
步骤4：确定待定位点所在室内区域范围。
[0141]
步骤41：行人进入室内区域，手机摄像头(即信号接收器)接收led光源，通过led光
源的频率确定所在的定位区域。
[0142]
步骤5：待定位点信号采集并根据训练好的模型估计坐标位置。
[0143]
步骤51：区域内ap处的信号发射器获取行人所携带的手机的rssi信息，组成矩阵ri；
[0144]
步骤52：将矩阵ri上传至对应的dae模型进行降噪处理，获得处理后的矩阵r
′i；
[0145]
步骤53：将矩阵r
′i呈递给对应的rnn模型，经rnn计算，得到待定点坐标。
[0146]
实施例2
[0147]
基于与实施例1相同的发明构思，本发明实施例提供了一种室内定位装置，包括：
[0148]
获取模块，用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应rssi值；
[0149]
训练模块，用于基于各离线坐标指纹库中的数据分别训练dae模型与rnn模型；
[0150]
筛选模块，用于判断出待定位点所处的定位区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
[0151]
定位模块，用于获取待定位点的rssi值，并依次发送至筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
[0152]
可选地，所述获取模块包括：
[0153]
划分子模块，用于对室内区域进行划分，形成若干个定位区域，各定位区域内有u个参考点和v个ap；
[0154]
离线坐标指纹库建立子模块，用于针对每个定位区域执行以下步骤，获得不同定位区域对应的离线坐标指纹库：
[0155]
对每个参考点在连续时间下记录m次rssi值；
[0156]
基于参考点坐标和对应rssi值，建立离线坐标指纹库。
[0157]
可选地，每个定位区域对应不同光源频率，所述待定位点所处的定位区域的判断方法包括：
[0158]
基于待定位点所接收到的光源信号的光源频率，判断出待定位点所处的定位区域。
[0159]
可选地，所述rnn模型的训练方法包括：
[0160]
将离线坐标指纹库中与同一参考点相连的v个ap在同一时刻的rssi值作为一组输入，获得按时间先后顺序设置的若干组rssi值；
[0161]
将第一组rssi值输入至rnn模型的第一层，由第一层对第一组rssi值进行加权计算，计算出的结果为坐标c1；
[0162]
将第二组rssi值输入至rnn模型的第二层，由第二层对第二组rssi值进行加权计算，计算出相应坐标c2，为坐标c1与c2赋予权重，计算得到坐标c
′2；
[0163]
……
[0164]
将第n组rssi值输入至rnn模型的第n层，由第n层对第n组rssi值进行加权计算，计算出相应坐标cn，为坐标c
n-1
与cn赋予权重，计算得到坐标c
′n，即为待定位点坐标；
[0165]
通过反向传播修正输入的rssi值的权重以及坐标c
n-1
与cn的权重，直至获得理想的rnn模型。
[0166]
可选地，所述dae模型的训练方法包括：
[0167]
获取室内无人的情况下的rssi值，建立指纹库ψ0；
[0168]
获取室内人员正常流动的情况下的rssi值，建立指纹库ψ1；
[0169]
以指纹库ψ1为输入层，指纹库ψ0为输出层，不断调整dae模型参数，直至获得最佳dae模型。
[0170]
实施例3
[0171]
基于与实施例1相同的发明构思，本发明实施例提供了一种室内定位装置，包括：若干个光源、信号发射器和信号接收器，以及定位单元；
[0172]
各光源被安装在不同定位区域内，位于同一定位区域内的光源的光源频率相同，不同定位区域内的光源的光源频率不相同；
[0173]
各定位区域内均设有参考点和ap点，所述信号接收器被设置在参考点和待定位点，所述信号发射器被设置在ap点；
[0174]
所述定位单元内存储有与不同定位区域对应的训练好的dae模型和rnn模型；所述训练好dae模型和rnn模型是基于与不同定位区域对应的离线坐标指纹库中的数据训练获得的；
[0175]
所述定位单元与各信号接收器相连，并基于待定位点处信号接收器所接收到的光源信号的光源频率，判断出待定位点所在区域，并筛选出与该定位区域对应训练好的dae模型与rnn模型；
[0176]
所述定位单元与各信号发射器相连，并从待定位点所处定位区域内的各信号发射器处获取获取待定位点的rssi值，依次发送筛选出来的dae模型与rnn模型，计算出待定位点的坐标。
[0177]
实施例4
[0178]
基于与实施例1相同的发明构思，本发明实施例中提供了一种室内定位系统，包括：包括存储介质和处理器；
[0179]
所述存储介质用于存储指令；
[0180]
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的方法。
[0181]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0182]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0183]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0184]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0185]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。