CN107949054A

CN107949054A - 基于深度学习可见光室内高精度指纹定位方法

Info

Publication number: CN107949054A
Application number: CN201711478434.2A
Authority: CN
Inventors: 赵楚韩; 张洪明; 宋健
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-04-20

Abstract

本发明公开了一种基于深度学习的可见光室内高精度指纹定位方法，包括：为多盏LED灯设计不同的编码，并将一段周期按照LED灯的数量进行分段，从而可以在一个周期的不同时间段得到不同LED灯的光指纹特征向量；离线训练得到神经网络模型；S3：根据在预设位置接收到的调制信号通过OOK解调方法计算每盏灯发出的平均调制信号，将所述平均调制信号输入到神经网络模型进行位置预测。本发明具有如下优点：基于光指纹进行定位无需额外装置，且不受无线信道的噪声，多径传输信号穿透墙壁的影响，降低算法复杂度，有效的提升了定位精度。

Description

基于深度学习可见光室内高精度指纹定位方法

技术领域

本发明涉及室内定位技术领域，具体涉及一种基于深度学习可见光室内高精度指纹定位方法。

背景技术

室内定位技术作为当今许多新兴科技的基础，实现室内场景在高精度高速定位越来越引起人们的广泛关注，目前广泛采用的室内定位技术多为射频通信和其他无线通信，与这些通信技术相比使用可见光作为物理信号的定位技术具有功率高，使用范围广，节约能源等优点，具有极大的发展空间。

相关技术中，采用基于到达时间或者到达角度的方法进行室内定位，但这些方法的定位精度设备依赖性强，而且定位精度不高。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种基于光指纹的高精度快速室内定位算法。

为了实现上述目的，本发明的实施例公开了一种基于深度学习可见光室内高精度指纹定位方法，S1：通过光通信的方法，为多盏LED灯设计不同的编码，通过调制技术调制所述多盏LED灯从而使所述多盏LED灯分别带有不同的ID信息，并通过时分多路复用的方法将一段周期按照LED灯的数量进行分段，，使得每段只能接收到一盏灯发出的光信号，从而在一个周期的不同时间段得到不同LED灯发出的信号的平均接收功率，其中，在某一位置上接收到的光指纹特征向量为在所述位置上接收到的每盏灯发出的信号平均接受功率；S2：选取参考点，在每个参考点上采集光指纹特征，将采样得到的光指纹特征存入光指纹库，通过深度学习的方法离线训练得到神经网络模型；S3：根据在待测位置接收到的调制信号，通过OOK解调方法计算得到在所述待测位置上接收到的每盏LED灯发出的平均调制信号，将所述平均调制信号输入到所述神经网络模型，根据所述神经网络模型进行位置预测。

另外，此发明还可以具有如下附加的技术特征：

进一步地，步骤S2进一步包括：S201：在每个采样点i记其坐标为(X_i,Y_i)，在不同时间段采集其接收到平均功率I_i；S202：把接收到的信号输入到控制端，通过OOK解调方法进行解调，计算接收到不同LED灯的光指纹特征向量将以及坐标点(X_i,Y_i)记录到指纹数据库；S203：根据信号强度向量和对应的位置坐标训练所述神经网络模型。

进一步地，将采集得到的训练数据，通过神经网络学习得到接收到的信号强度与其所在位置(X_i,Y_i)之间的映射关系，所述神经网络模型的每个神经元为一个逻辑回归器，以x₁,x₂,…,x_n为输入，输出为：h_w,b(X)＝f(W^TX)，其中，f在实域上被称作激活函数，W为神经网络参数，通过预测值y_p得到目标优化函数：

通过梯度下降方法求得神经网络参数W达到最大化目标函数。

本发明实施例的基于可见光的室内高精度指纹定位方法，具体为通过将接收到的信号强度作为光指纹在线建立光指纹库，线上通过将在未知位置接收到的光指纹向量输入到训练好的神经网络中得到待求位置，从而达到精确定位；这种方法减弱了对设备性能的依赖；并将深度学习技术引入了室内定位中；而且在线定位阶段也可以在线更新数据库，进一步优化模型参数；

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明实施例的基于可见光的室内高精度指纹定位方法的流程图；

图2是本发明一个实施例中根据平均信号功率进行位置预测示意图；

图3是本发明一个实施例的室内场景设置LED灯的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述本发明。

图1是本发明实施例的基于可见光的室内高精度指纹定位方法的流程图。如图1所示，根据本发明实施例的基于可见光的室内高精度指纹定位方法，包括以下步骤：

S1：为了区分出不同LED灯发出的信号，为多盏LED灯设计不同的编码并通过调制技术将LED灯发出的信号光携带自身的ID信息，并借助时分多路复用的方法将不同LED灯发出的信号在时域上错开，通过这种方法得到在某一位置上接收到的光指纹特征向量即在该位置上接收到的每盏灯发出的信号平均接受功率，方便下面离线采集指纹数据。

具体地，为n盏LED灯设计不同的编码code_i，通过OOK调制技术调制LED灯从而使LED灯带上ID信息，得到每盏灯ID分别为ID₁，ID₂，...，ID_n；由于可见光光强的不可分性，为了区分每盏灯发出信号通过时分多路复用的方法将一段周期按照LED灯的数量分成n段，即在这一时间段只有LEDk灯发出调制信号，从而在一个周期的不同时间段可以得到不同LED灯发出的信号的平均接收功率。

S2：选取参考点，在每个参考点上采集光指纹特征(即在该位置上接收到的每盏灯发出的平均信号光功率<RSS₁，RSS₂，RSS₃，...，RSS_n>，)，将采集得到的光指纹特征存入光指纹库，通过深度学习的方法离线训练得到神经网络模型。

在本发明的一个实施例中，步骤S2进一步包括：

S201：在每个采样点i记其坐标为(X_i，Y_i)，在不同时间段采集其接收到平均功率I_i；

S202：把接收到的信号输入到控制端，通过OOK解调方法进行解调，计算接收到的每盏灯的平均信号功率将以及坐标点(X_i，Y_i)记录到光指纹库；

S203：根据信号强度向量和对应的位置坐标训练神经网络模型(如图2所示)。

在本发明的一个实施例中，神经网络模型的每个神经元为一个逻辑回归器，以x₁，x₂，...，x_n为输入，输出为：

h_W，b(X)＝f(W^TX)

其中，f在实域上被称作激活函数，W为神经网络的参数，通过预测值y_p得到目标优化函数：

通过梯度下降方法求得W达到最大化目标函数。

神经网络多个神经元以一定的方式连接在一起，一个“神经元”的输出就可能是下一个“神经元”的输入。如图2所示，第一层中每个神经元的输入为原始的RSSI调制信号，这些调制信号经过神经元Cell_1k的作用后输出3_1k，即第二层的神经元的输入值为a₁₁，a₁₂，...，a_1n，如此这般传递下去直到最后一层输出预测的位置；计算目标优化函数通过反向传递算法更新参数值。

S3：根据在预设位置接收到的调制信号通过OOK解调方法计算每盏LED灯发出的平均调制信号，将平均调制信号输入到神经网络模型，根据神经网络模型进行位置预测。

具体地，移动端通过传感器得到它在某位置所接收到的调制信号I，把该调制信号输入到控制端通过OOK解调方法计算出该点接收到的每盏灯发出的平均调制信号RSSI_i。将(RSSI₁，RSSI₂，...，RSSI_n)输入到离线阶段训练的神经网络模型中，通过上一步阐述的神经网络计算过程，在最后一层神经层的输出即为预测的位置(predection_x，prediction_y)。

图3是本发明一个实施例的室内场景设置LED灯的示意图。在本发明的一个示例中，在24cm*24cm实验平台中设置了4盏LED灯，并把实验平台按照栅格法切分为若干大小相同的格子(如图3所示)，将定位精度限定为一个格子大小(大小0.25cm*0.25cm)。如果将定位精度限定在一个格子，通过这种方法可以达到的精确度是95％；如果将定位精度限定在4个格子，通过本发明的基于可见光的室内高精度指纹定位方法的精确度趋近于100％。

本发明的基于可见光的室内高精度指纹定位方法与现有的方法相比本方法的优点在于：可以在不额外搭建硬件设备的前提下实现高精度的室内定位；

可以在满足精度的前提下，实时定位；

可以支持增量学习，在线定位阶段在线更新数据库，通过线上得到的数据进一步优化模型；

另外，本发明实施例的基于可见光的室内高精度指纹定位方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims

1.一种基于深度学习的可见光室内高精度指纹定位方法，其特征在于，包括以下步骤：

S1：通过光通信的方法，为多盏LED灯设计不同的编码，通过调制技术调制所述多盏LED灯从而使所述多盏LED灯分别带有不同的ID信息，并通过时分多路复用的方法将一段周期按照LED灯的数量进行分段，使得每段只能接收到一盏灯发出的光信号从而在一个周期的不同时间段得到不同LED灯发出的信号的平均接收功率，其中，在某一位置上接收到的光指纹特征向量为在所述位置上接收到的每盏灯发出的信号平均接受功率；

S2：选取参考点，在每个参考点上采集光指纹特征，将采集得到的光指纹特征存入光指纹库，通过深度学习的方法离线训练得到神经网络模型；

S3：根据在待测位置接收到的调制信号，通过OOK解调方法计算得到在所述待测位置上接收到的每盏LED灯发出的平均调制信号，将所述平均调制信号输入到所述神经网络模型，根据所述神经网络模型进行位置预测。

2.根据权利要求1所述的基于深度学习的可见光室内高精度指纹定位方法，其特征在于，步骤S2进一步包括：

S201：在每个采样点i记其坐标为(X_i,Y_i)，在不同时间段采集其接收到平均功率I_i；

S202：把接收到的信号输入到控制端，通过OOK解调方法进行解调，计算接收到不同LED灯的光指纹特征向量将以及坐标点(X_i,Y_i)记录到所述光指纹库；

S203：根据信号强度向量和对应的位置坐标通过有监督训练方法，训练所述神经网络模型。

3.根据权利要求2所述的基于深度学习的可见光室内高精度指纹定位方法，其特征在于，将采集得到的训练数据，通过神经网络学习得到的信号强度与其所在位置(X_i,Y_i)之间的映射关系，所述神经网络模型的每个神经元为一个逻辑回归器，以x₁,x₂,…,x_n为输入，输出为：

h_W,b(X)＝f(W^TX)

其中，f在实域上被称作激活函数，W为神经网络参数，通过预测值y_p得到目标优化函数：

<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <msub> <mi>y</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <mo>&lsqb;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <msub> <mi>y</mi> <mi>p</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <msub> <mi>logh</mi> <mi>&theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>i</mi> </msup> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <msub> <mi>y</mi> <mi>p</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>&theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>i</mi> </msup> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> <mo>&rsqb;</mo> </mrow>

通过梯度下降方法求得神经网络参数W达到最大化目标函数。