一种基于频带预测扩展的室内定位方法

1.本发明属于室内定位技术领域，具体涉及一种基于频带预测扩展的室内定位方法。


背景技术：

2.当今社会科技迅速发展，定位技术也受到越来越多的关注与发展，基于位置的服务(location-based service，lbs)作为一种生活方式已逐渐渗透到人类生活的方方面面。目前，人类可依赖全球卫星导航系统(global navigationsatellite system，gnss)达到亚米级的室外定位精度，但由于卫星信号无法穿透建筑物，室内定位无法利用gnss实现。人类平均约有70％～90％的时间在室内度过，室内定位技术在日常生活中应用十分广泛，例如帮助人们寻找丢失的设备、vr技术、快速查找空的停车位等都需要室内定位技术的帮助。在gnss无法提供室内定位服务的情况下，准确的室内位置信息已成为开展室内lbs的瓶颈。
3.室内定位的实现依赖于外置信源，主要包括wifi、蓝牙、超宽带(uwb)、射频识别(rfid)、蜂窝移动网络、伪卫星和视觉定位等。其中，wifi设备在室内环境中较为普遍，在很多室内环境下已经实现全面覆盖，例如商场、工厂、教学楼等典型的室内环境。利用wifi进行室内定位主要有两种方法：一种是三角定位法也称为测距交汇法，可以通过信号衰减模型获得目标用户与各个接入点(ap)之间的距离信息，通过交会列多元方程组求解的方法可以求出用户所在的位置。上述这种定位方法需要提前知道ap的位置，如果ap位置不固定，那么这种方法将不适用，另外，这种方法需要的wifi ap的数量较多，至少为三个，相应的部署成本也较高。另外一种是指纹定位法，指纹定位分为离线阶段与在线阶段，离线阶段即为训练极端，需要通过训练神经网络构建指纹库，将位置坐标与相应的指纹建立映射关系，在线阶段则将测量到的无线数据与指纹库进行匹配，从而定位出用户位置。常用的算法有k近邻法(knn)，贝叶斯分类器和深度学习算法等。相比与测距交汇法，指纹定位法虽然需要人工建立指纹库，但是定位精度更高，成本更低且更为稳定。
4.提高室内精度的方法可以采用融合定位，例如wifi信号与视觉信号的融合定位。另外，可以在时间域、空间域或者频率域上进行拓展。频率域拓展相对于其他两种方法来说在相干时间内更为稳定，具有抗干扰能力强、保密性好、抗衰落能力强且具有多址能力，易于实现码多分址等优势。频域信号的扩展带来的是处理信号的时间复杂度上的增加，在处理对实时性要求较高的室内定位任务时，需要找到一个效率更高的定位方法。要实现频域扩展需要在已有的信道信息上找到不同信道之间合理的映射关系从而获得其他信道的信息，这项技术目前多用于频分双工系统(fdd)中通过上行链路预测下行链路。在fdd中，客户端设备使用由基站发送的额外前导码符号来测量无线信道，并将其作为反馈发送给基站。这种反馈引入了与天线数量、设备数量和可用带宽成线性比例的开销，并且对于大规模mimo系统来说是无法接受的，通过寻找上行链路与下行链路之间的映射关系，能够极大减少这部分开销。目前常用的频域拓展方法有基于参数估计以及深度学习的方法，基于深度学习的方法相对于参数估计来说精度更高、受噪声影响更小从而有更高的鲁棒性。
5.能够用来建立指纹的无线数据有很多，比如接收的信号强度指示(rssi)、参考信号接收功率(rsrp)、信道状态信息(csi)。其中csi更稳定，受多径效应影响更小，从而会获得更高精度的位置信息。
6.目前有基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法(对比文件1)，其在选定的锚点位置实时扫描，去噪并上报多信道的csi数据，通过反傅里叶变换获取比单通道更高精度的时域信息并确定los径距离，用测距交汇法计算出用户实时位置，实现较高精度的室内定位，不同频带的定位精度图如图1所示。但是，上述方法存在以下不足：1)信息采集难度较大：信道相干时间较短，信息扫描、信息采集、相位去噪以及拼接均需要在相干时间内完成，且wi-fi设备传输通常为单信道，实时扫描上报多个频带数据较难实现；2)场景泛化性：该方法采用的测距交汇法定位技术需要布置多个wi-fi设备，这对常规室内小场景来说较为冗余，且nlos径的存在会对定位精度影响较大。
7.目前还有基于wi-fi多频段不同相位数据的室内定位方法(对比文件2)，通过非均匀离散傅里叶变换或中国余数定理在多频段相位取余获得信号的飞行时间从而计算ap与用户之间的距离，同时通过多天线来获得ap与用户之间的角度信息，通过角度与距离来实现单ap定位，定位精度在亚米级，定位精度图如图2所示。该方法可用于无人机跟踪、wi-fi地理围栏等领域。但是，上述方法存在以下不足：1)抗噪声性能：相位带来的噪声会极大干扰通过非均匀离散傅里叶变换计算得到的los径距离，从而影响定位的精确度，导致定位精度低。2)频段限制精度：该方法使用单频段wi-fi信号会导致非均匀离散傅里叶变换出的时域信号分辨率不足，从而影响los径无法精确提取，导致定位精度不足。
8.目前还有一种室内点位方法(对比文件3)，如图3所示，通过采集室内点位的csi信息，首先通过相位去噪处理获得更精确的相位信息，之后通过受限玻尔兹曼机(rbm)映射出csi与位置之间的关系。在线阶段分为三个步骤：预训练、展开与微调。在预训练阶段不断更新rbm的权重，一旦预训练阶段完成，就获得了深度网络的近似最优权重。然后，在展开阶段，通过前向传播展开深度网络来获得重构的校准相位数据。最后，通过计算输入校准相位数据和重建校准相位数据之间的误差，使用反向传播算法来训练深度网络中的所有权重。这个阶段称为微调。在实际应用过程中，该方法仍然会出现以下问题：1)定位精度：该方法并未在频域上进行扩展，采用的是但频段csi数据建立指纹库，导致定位精度不高；2)rbm网络结构相对简单，不能很好反应指纹与位置的映射关系。


技术实现要素：

9.为解决现有技术中存在的技术问题，本发明的目的在于提供一种基于频带预测扩展的室内定位方法。
10.为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
11.一种基于频带预测扩展的室内定位方法，包括以下步骤：
12.步骤一、多频段csi数据指纹库的建立
13.步骤二、不同频带csi映射关系的建立
14.步骤三、网络的训练
15.步骤四、指纹拼接
16.步骤五、在线阶段位置的预测。
17.进一步的，步骤一中，所述多频段csi数据指纹库中的数据来自m个不同位置坐标，在每个位置坐标采集nb个相邻频段的csi信息，所述多频段csi数据指纹库表示为：
[0018][0019]
其中，表示在位置处采集到的csi数据。
[0020]
进一步的，步骤二中，不同频带csi映射关系的建立的步骤包括：
[0021]
用表示在信道n
′
的csi，用表示在实际系统中采集到的信道的csi，建立到的关系使与之间的证据下界最大化，所述证据下界表示为：
[0022][0023]
其中，e(.)表示数学期望，pr(.|.)表示后验概率，e(.)为映射函数，将高维数据映射到低维空间，为csi预测值，与的关系表示为：
[0024][0025]
进一步的，通过设计loss函数实现证据下界最大化，所述loss函数表示为：
[0026][0027]
其中，参数β用来平衡前一部分最小化输出值与真实值之间的误差以及后一部分最小化输出与输入之间的kl散度之间的贡献比。n
′
表示待预测频段，n表示实际采集频段。和分布的均值与方差分别为μ和μ
′
以及σ和σ
′
。
[0028]
进一步的，步骤三中，所述网络为vae网络，所述vae网络包括三层隐藏层的编码器与三层隐藏层的解码器，所述vae网络的所有层皆为全连接层，全连接层后用激活函数leakyrelu使梯度不为0。
[0029]
进一步的，步骤四中，进行拼接后的指纹表示为：
[0030][0031]
进一步的，步骤五中，在线阶段位置的预测的步骤包括：
[0032]
通过将步骤四中拼接的指纹与建立好的多频段csi数据指纹库进行匹配，获得预测位置：
[0033][0034]
其中，为匹配函数，将与已经建立好的数据库进行匹配，从而获得预测位置
[0035]
与现有技术相比，本发明的有益效果为：
[0036]
本发明公开了一种基于频带预测扩展的室内定位方法，包括以下步骤：步骤一、多频段csi数据指纹库的建立；步骤二、不同频带csi映射关系的建立；步骤三、网络的训练；步骤四、指纹拼接；步骤五、在线阶段位置的预测。本发明提供的基于频带预测扩展的室内定位方法，通过vae网络拓展单个wifi频段上的频域信息，扩展频带，将扩展之后的csi指纹与建立好的指纹库进行比对从而提到室内定位精度；本发明在仿真以及实采场景下都有更高的精度，且拼接的信道数量越多，定位精度越高；具有较好的鲁棒性；部署成本低，适用范围广，只需要一个wifi节点即可部署，可应用于目前的数量众多的住宅、办公室场景，可推广至lte/nr等其他无线通信系统。
附图说明
[0037]
图1为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法的不同频带的定位精度图；
[0038]
图2为现有技术中基于wi-fi多频段不同相位数据的室内定位方法的定位精度图；
[0039]
图3为现有技术中室内点位方法的工作原理图；
[0040]
图4为本发明的工作原理图；其中，灰点、带框点、黑点分别表示参考点、测试点和接入点的位置；
[0041]
图5为本发明的vae网络结构图；
[0042]
图6为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在实采场景下的平均定位误差图；
[0043]
图7为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在仿真场景下的平均定位误差图；
[0044]
图8为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在不同信噪比下的信道预测误差图。
具体实施方式
[0045]
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0046]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0047]
如图4-8所示，本发明公开了一种基于频带预测扩展的室内定位方法，主要构思为：设计一个信道预测网络(即vae网络)，该网络在离线阶段将预测频段的csi值与真实值进行误差最小化从而建立信道映射模型，误差最小化函数为网络的loss函数，模型的符号为利用多频段数据真实值建立多频段csi数据指纹库，在线阶段将测量csi值通过信
道预测模型进行信道拓展，并与原信道csi进行拼接之后与多频段csi数据指纹库进行对比，从而获得用户位置信息。
[0048]
本发明提供的基于频带预测扩展的室内定位方法，具体包括以下步骤：
[0049]
步骤一、多频段csi数据指纹库的建立
[0050]
多频段csi的数据来自m个不同位置坐标，在每个位置坐标采集nb个相邻频段的csi信息，a表示自由空间，即在室内空间内随机选取位置，m是坐标选取数量，nb为子载波数量。
[0051]
多频段csi数据指纹库表示为：
[0052][0053]
其中，表示在位置处采集到的csi数据。上述公式体现的是在单个位置采集数据集的形式，共有m个坐标记为为方便理解也可以写成下面的形式：
[0054][0055]
在实际应用中，通常很难得到整个栅格区域的信道响应。对于我们的位置指纹库初始化，我们将每个栅格区域中心位置的csi数据视为区域的csi数据，数据采集方式为intel5300无线网卡改装的笔记本电脑，以及在linux系统下编写的跳频脚本，将参考点作为(0,0)，以米为单位得到所有测试点坐标，方向可以自行定义。
[0056]
步骤二、不同频带csi映射关系的建立
[0057]
用表示在信道n
′
的csi，用表示在实际系统中采集到的信道的csi；建立到的关系使得与之间的证据下界(elbo)最大化，其中证据下界表示为：
[0058][0059]
其中，e(.)表示数学期望，pr(.|.)表示后验概率，e(.)为映射函数，将高维数据映射到低维空间，为csi预测值，与的关系表示为：
[0060][0061]
其中，n
′
表示待预测频段，n表示实际采集频段。和分布的均值与方差分别为μ和μ
′
以及σ和σ
′
。
[0062]
步骤三、网络的训练
[0063]
由于不同频带的信号从发端到收端所经历的物理路径大致相同，因此，我们假设
不同频段的csi信号在隐空间上具有相似的特征，本发明采用vae网络来解决这一问题。
[0064]
如图5所示，原始信道数据经过vae网络的编码器(encoder)之后被映射到低维空间，从低维空间采样并经过解码器(decoder)还原出待预测信道的数据，此过程与无线信号的生成过程比较接近，因此vae网络能够很好的完成信道之间的映射。上述网络所有层皆为全连接层(fully-connected layer，fc)，包括三层隐藏层(隐藏层1、隐藏层2和隐藏层3)的编码器与三层隐藏层(隐藏层4、隐藏层5和隐藏层6)的解码器，经过实验测试，此时网络效果较好且训练速度较快。全连接层后用激活函数leakyrelu使梯度不为0，网络配置和参数如表1所示，网络使用的超参数如表2所示。
[0065]
表1
[0066][0067]
表2
[0068][0069]
为了实现最大化elbo，我们设计的loss函数为：
[0070][0071]
前一部分表示最小化输出值与真实值之间的误差，后一部分表示最小化输出与输入之间的kl散度，参数β用来平衡前后两部分之间的贡献比。σ、μ分别表示分布的均值与方差(假设该分布为高斯分布)，对编码器映射到隐藏层的分布中采样可得。在定位方面，本发明使用dnn模型来训练定位模型，其中，dnn模型的参数如下表3-4所示：
[0072]
表3
[0073]
[0074]
表4
[0075][0076]
在每个全连接层后面增加一个池化层防止过拟合，输出的是预测的位置二维坐标，loss函数为：
[0077][0078]
其中，为预测位置，为真实位置，loss函数最小化预测位置与真实位置之间的误差。
[0079]
步骤四、指纹拼接
[0080]
在在线测试阶段，用户通过向服务器报告他们的实时csi并通过训练好的信道预测模型拓展频域信息。将测量数据与预测数据拼接获得频域拓展之后的指纹，拼接后的指纹表示为：
[0081][0082]
步骤五、在线阶段位置的预测
[0083]
通过将步骤四中拼接的指纹与建立好的多频段csi数据指纹库进行匹配，获得预测位置：
[0084][0085]
其中，为匹配函数，将与已经建立好的数据库进行匹配，从而获得预测位置
[0086]
实施例1
[0087]
在实际场景下，使用两台改装了intel 5300无线网卡的笔记本电脑作为收发机，使用linux 802.11n csi tool采集csi数据，在linux系统上编写了跳频脚本配合linux 802.11ncsi tool实现在不同频带之间切换，从而实现采集多频段信息。在实验室场景下，约50m2的实验室被分成28个参考点区域，每个参考点区域的大小为1.2m
×
1.2m，接收机被固定在如图4所示的位置，我们同时生成了相同的仿真场景，在仿真场景中生成cost 2100模型的数据集用于仿真测试。在线训练阶段，发射机在的每个标签区域内发射10000个数据包。而离线测试阶段，发射机在的每个标签区域内发射2000个数据包，每两个包之间的时间是1ms。发射机在发射过程中在该区域内走动，以确保能收集区域内各个位置的位置指纹。发射机与接收机之间有2
×
3的收发天线对，实采场景下，每一对收发天线单个频段内可以获得30个子载波的csi，仿真场景下但频段子载波数量为64，使用跳频脚本收集三个频段的csi，所以在在线阶段每个标签区域可以采集2
×3×3×
30
×
10000个csi指纹信息，在离线阶段每个标签区域可以采集2
×3×3×
30
×
2000个csi指纹信息。实验场景参数如表5所示。
[0088]
表5
[0089][0090]
图6为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在实采场景下的平均定位误差图；图7为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在仿真场景下的平均定位误差图。由图6-7可知，本发明使用基于vae信道拓展的方法进行室内定位，在仿真以及实采场景下都有更高的精度，且拼接的信道数量越多，定位精度越高。
[0091]
图8为现有技术中基于实时测量多wi-fi频段csi拼接技术的测距交汇室内定位方法、基于wi-fi多频段不同相位数据的室内定位方法与本发明的基于频带预测扩展的室内定位方法在不同信噪比下的信道预测误差图。由图8可知，在仿真场景下，向数据中加入0db-30db信比的噪声，使用vae作为信道拓展的方式，信道预测结果都是最准确的，从而能够获得最准确的定位结果。评估结果使用的normalized error定义如下：
[0092][0093]
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
[0094]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于频带预测扩展的室内定位方法，其特征在于，包括以下步骤：步骤一、多频段csi数据指纹库的建立步骤二、不同频带csi映射关系的建立步骤三、网络的训练步骤四、指纹拼接步骤五、在线阶段位置的预测。2.根据权利要求1所述的一种基于频带预测扩展的室内定位方法，其特征在于，步骤一中，所述多频段csi数据指纹库中的数据来自m个不同位置坐标，在每个位置坐标采集n
b
个相邻频段的csi信息，所述多频段csi数据指纹库表示为：其中，表示在位置处采集到的csi数据。3.根据权利要求1所述的一种基于频带预测扩展的室内定位方法，其特征在于，步骤二中，不同频带csi映射关系的建立的步骤包括：用表示在信道n
′
的csi，用表示在实际系统中采集到的信道的csi，建立到的关系使与之间的证据下界最大化，所述证据下界表示为：其中，e(.)表示数学期望，p
r
(.|.)表示后验概率，e(.)为映射函数，将高维数据映射到低维空间，为csi预测值，与的关系表示为：4.根据权利要求3所述的一种基于频带预测扩展的室内定位方法，其特征在于，通过设计loss函数实现证据下界最大化，所述loss函数表示为：其中，参数β用来平衡前一部分最小化输出值与真实值之间的误差以及后一部分最小化输出与输入之间的kl散度之间的贡献比；n
′
表示待预测频段，n表示实际采集频段；和分布的均值与方差分别为μ和μ
′
以及σ和σ
′
。5.根据权利要求1所述的一种基于频带预测扩展的室内定位方法，其特征在于，步骤三中，所述网络为vae网络，所述vae网络包括三层隐藏层的编码器与三层隐藏层的解码器，所述vae网络的所有层皆为全连接层，全连接层后用激活函数leakyrelu使梯度不为0。
6.根据权利要求1所述的一种基于频带预测扩展的室内定位方法，其特征在于，步骤四中，进行拼接后的指纹表示为：7.根据权利要求1所述的一种基于频带预测扩展的室内定位方法，其特征在于，步骤五中，在线阶段位置的预测的步骤包括：通过将步骤四中拼接的指纹与建立好的多频段csi数据指纹库进行匹配，获得预测位置：其中，为匹配函数，将与已经建立好的数据库进行匹配，从而获得预测位置

技术总结
本发明公开了一种基于频带预测扩展的室内定位方法，包括以下步骤：步骤一、多频段CSI数据指纹库的建立；步骤二、不同频带CSI映射关系的建立；步骤三、网络的训练；步骤四、指纹拼接；步骤五、在线阶段位置的预测。本发明提供的基于频带预测扩展的室内定位方法，在仿真以及实采场景下都有更高的精度，且拼接的信道数量越多，定位精度越高；具有较好的鲁棒性；部署成本低，适用范围广，只需要一个WiFi节点即可部署，可应用于目前的数量众多的住宅、办公室场景，可推广至LTE/NR等其他无线通信系统。可推广至LTE/NR等其他无线通信系统。可推广至LTE/NR等其他无线通信系统。


技术研发人员：袁瑞豪 卫伟 金惠义 吴超 翁婕妤
受保护的技术使用者：上海大学
技术研发日：2023.05.29
技术公布日：2023/8/9