CN108882151A - 基于csi信息区域化标注的室内定位方法 - Google Patents

基于csi信息区域化标注的室内定位方法 Download PDF

Info

Publication number
CN108882151A
CN108882151A CN201810707020.0A CN201810707020A CN108882151A CN 108882151 A CN108882151 A CN 108882151A CN 201810707020 A CN201810707020 A CN 201810707020A CN 108882151 A CN108882151 A CN 108882151A
Authority
CN
China
Prior art keywords
csi
data
neural network
network
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810707020.0A
Other languages
English (en)
Inventor
向晨路
张智超
徐树公
张舜卿
曹姗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810707020.0A priority Critical patent/CN108882151A/zh
Publication of CN108882151A publication Critical patent/CN108882151A/zh
Pending legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/025Services making use of location information using location based information parameters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/021Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/33Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于CSI信息区域化标注的室内定位方法,通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练,并采用训练后的深度神经网络对待测试的CSI数据进行识别,通过基于概率向量的用户位置测试方法实现室内精确定位。本发明能够建立高效而又鲁棒的离线指纹库,在线测试阶段通过更好的算法实现更为精准的定位精度。

Description

基于CSI信息区域化标注的室内定位方法
技术领域
本发明涉及的是一种无线通信领域的技术,具体是一种基于信道状态信息(CSI)区域化标注的室内定位方法,也可以适用于多频段的蜂窝网、蓝牙以及超宽带等网络场景。
背景技术
近年来基于WiFi的室内定位已经成为一个研究热点,尤其是基于位置指纹的定位方法得到越来越多的关注,并已经实现了米级的定位精度。在已有的工作中,由于接收信号指示强度(RSSI)较容易获取且具有普适性,被广泛地用作位置指纹。可RSSI表示是信号在室内空间中经过多次直射、反射、散射后,在接收机端多径信号叠加后的平均值,具有较强的时变性。这使得RSSI用作位置指纹不具有鲁棒性,影响定位精度。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于CSI信息区域化标注的室内定位方法,能够建立高效而又鲁棒的离线指纹库,在线测试阶段通过更好的算法实现更为精准的定位精度。
本发明是通过以下技术方案实现的:
本发明通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练,并采用训练后的深度神经网络对待测试的CSI数据进行识别,通过基于概率向量的用户位置测试方法实现室内精确定位。
所述的收集是指:基于发射机与接收机之间的M×N的收发天线对,每一对收发天线获得P个子载波的CSI,所以对于每一个数据包获得M×N×P个CSI信息;对于一个区域采集K个数据包来说,则获得K×M×N×P个CSI位置指纹,作为室内定位的离线指纹库。
所述的离线指纹库包括:CSI复数数据、CSI复数数据所在区域对应的标签。
所述的深度神经网络,采用但不限于DNN、CNN、DenseNet等网络。考虑到CSI的复数结构,优选将CSI复数数据转变为幅度和相位的实数矩阵用于训练DenseNet、CNN网络或将CSI复数数据转化为幅度和相位的实数矩阵,全展开转变为一维向量用于训练DNN网络。
所述的训练DenseNet网络,进一步优选采用三通道30*30的矩阵形式作为输入张量的输入DenseNet神经网络。
所述的DenseNet网络优选采用DenseNet-40。
所述的训练DNN网络,进一步优选采用将三天线CSI数据全展开变为90*1的一维向量,作为输入张量的输入DNN神经网络。
所述的基于概率向量的用户位置测试是指:其中:pi为待测试的CSI数据属于对应标签的概率,li为对应标签的坐标位置。
所述方法具体包括:
步骤1、离线部署:CSI数据采集和训练数据,具体包括:
步骤1.1、首先将室内的区域划分为若干的区域,每个区域设置为一个标签,收集每个区域内的CSI数据并生成离线指纹库。
步骤1.2、使用离线指纹库对深度神经网络进行训练。
步骤2、将待测试的CSI数据输入训练后的深度神经网络,得到用户实时位置的概率向量p=[p1,p2,…pi,…pN],其中:pi为待测试的CSI数据属于对应标签的概率,最后通过各个标签对应坐标的概率加权得到估计的用户位置,即基于概率向量的用户位置测试算法实现精确定位。
附图说明
图1为本发明定位方法示意图;
图2为本发明DenseNet的网络结构示意图;
图3为实施例1场景内部平面图;
图4为实施例2走廊场景平面图;
图5为实施例定位误差CDF图;
图6为实施例1非视距情况下的定位误差CDF图。
具体实施方式
如图1所示,为本实施例涉及的一种基于CSI信息区域化标注的室内定位方法。
本实施例实现环境包括:作为接收机的AP、作为发射机的移动设备,其中:AP和移动设备都配有无线网卡,且接收机的无线网卡具有M根天线,发射机的无线网卡具有N根天线与发射机构成M×N的收发天线对。
实施例1
利用DenseNet网络训练实验室环境数据
在实验室场景下,约30m 2的实验室被分成15个区域,每个区域的大小为1.2m×1.2m,接收机被固定在如图3所示的位置。发射机在每个标签区域内发射60000个数据包,每两个包之间的时间是4ms。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1×3的收发天线对,每一对收发天线可以获得30个子载波的CSI,所以每个标签区域可以采集1×3×30×60000个CSI指纹信息。
由于接收天线具有三根天线,三根天线的数据对应DenseNet网络的三个通道,每个通道的数据为一个30×30的矩阵。其中横轴表示连续的30个数据包,纵轴表示采集的30个子载波。也就是说60000个数据包变为了2000个神经网络张量。
在测试阶段,为了排除一些额外干扰,只取输出概率向量的前四个参与用户位置的估计。
实施例2
利用DNN网络训练走廊环境数据
在走廊场景下,约60m2的走廊区域被分成26个区域,每个区域的大小为1.2m×1.8m,接收机被固定在如图4所示的位置。发射机在每个标签区域内发射90000个数据包,每两个包之间的时间是4ms。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1×3的收发天线对,每一对收发天线可以获得30个子载波的CSI,所以每个标签区域可以采集1×3×30×90000个CSI指纹信息。
由于接收天线具有三根天线,三根天线的数据全部展开变成一个长度为90的一维向量作为输入张量,输入DNN网络,那么DNN网络拥有90000个输入张量。
更高的定位精度。为了测试本发明室内定位系统的定位精度,我们在实验室和走廊两个场景下测试了本实施例系统,定位精度的CDF图如图5所示。
增强了系统抗外界干扰的鲁棒性。传统室内定位系统受室内干扰影响较大,当有人员走动时会影响定位精度。本发明系统由于在训练的离线指纹库中加入了部分受干扰后接收的CSI信息,使得在测试阶段,系统仍然具有抗外界干扰的鲁棒性。图6展示了在受外界干扰情况下,系统定位误差的概率累计分布图。
在线测试速度快。本方法在部署阶段建立离线指纹库,并使用DNN、CNN、DenseNet等神经网络算法在训练网络。在线测试阶段只需要将测得的CSI信息通过神经网络,即可得到用户的实时位置,计算复杂度低,计算速度快,用户可以获得实时无缝的定位服务。
成本低,适用范围广。本发明技术是对现有技术的补充,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。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种基于CSI信息区域化标注的室内定位方法,其特征在于,通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练,并采用训练后的深度神经网络对待测试的CSI数据进行识别,通过基于概率向量的用户位置测试方法实现室内精确定位;
收集是指:基于发射机与接收机之间的M×N的收发天线对,每一对收发天线获得P个子载波的CSI,所以对于每一个数据包获得M×N×P个CSI信息;对于一个区域采集K个数据包来说,则获得K×M×N×P个CSI位置指纹,作为室内定位的离线指纹库;
所述的离线指纹库包括:CSI复数数据、CSI复数数据所在区域对应的标签。
2.根据权利要求1所述的方法,其特征是,所述的深度神经网络,采用DNN、CNN、DenseNet网络。
3.根据权利要求1或2所述的方法,其特征是,所述的深度神经网络,采用将CSI复数数据转变为幅度和相位的实数矩阵用于训练DenseNet、CNN网络或将CSI复数数据转化为幅度和相位的实数矩阵,全展开转变为一维向量用于训练DNN网络。
4.根据权利要求3所述的方法,其特征是,所述的DenseNet网络采用DenseNet-40。
5.根据权利要求3所述的方法,其特征是,所述的训练DenseNet网络,采用三通道30*30的矩阵形式作为输入张量的输入DenseNet神经网络。
6.根据权利要求3所述的方法,其特征是,所述的训练DNN网络,采用将三天线CSI数据全展开变为90*1的一维向量,作为输入张量的输入DNN神经网络。
7.根据权利要求1或2所述的方法,其特征是,所述的基于概率向量的用户位置测试是指:其中:pi为待测试的CSI数据属于对应标签的概率,li为对应标签的坐标位置。
8.根据权利要求1或2所述的方法,其特征是,具体包括:
步骤1、离线部署:CSI数据采集和训练数据,具体包括:
步骤1.1、首先将室内的区域划分为若干的区域,每个区域设置为一个标签,收集每个区域内的CSI数据并生成离线指纹库;
步骤1.2、使用离线指纹库对深度神经网络进行训练;
步骤2、将待测试的CSI数据输入训练后的深度神经网络,得到用户实时位置的概率向量p=[p1,p2,…pi,…pN],其中:pi为待测试的CSI数据属于对应标签的概率,最后通过各个标签对应坐标的概率加权得到估计的用户位置,即基于概率向量的用户位置测试算法实现精确定位。
CN201810707020.0A 2018-07-02 2018-07-02 基于csi信息区域化标注的室内定位方法 Pending CN108882151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810707020.0A CN108882151A (zh) 2018-07-02 2018-07-02 基于csi信息区域化标注的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810707020.0A CN108882151A (zh) 2018-07-02 2018-07-02 基于csi信息区域化标注的室内定位方法

Publications (1)

Publication Number Publication Date
CN108882151A true CN108882151A (zh) 2018-11-23

Family

ID=64297975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810707020.0A Pending CN108882151A (zh) 2018-07-02 2018-07-02 基于csi信息区域化标注的室内定位方法

Country Status (1)

Country Link
CN (1) CN108882151A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640269A (zh) * 2018-12-18 2019-04-16 上海大学 基于csi与时域融合算法的指纹定位方法
CN109829406A (zh) * 2019-01-22 2019-05-31 上海城诗信息科技有限公司 一种室内空间识别方法
CN110082716A (zh) * 2019-04-29 2019-08-02 徐州医科大学 一种医院复杂环境室内定位系统及定位方法
CN110856119A (zh) * 2019-11-08 2020-02-28 中国测绘科学研究院 一种基于几何向量的港口车辆轨迹纠偏方法
CN111464869A (zh) * 2020-04-21 2020-07-28 海信视像科技股份有限公司 一种运动位置检测方法、屏幕亮度调节方法及智能设备
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法
CN113852908A (zh) * 2021-07-29 2021-12-28 上海大学 基于天线扩展的室内定位方法
CN113939016A (zh) * 2021-12-21 2022-01-14 广州优刻谷科技有限公司 基于wifi双频融合的智能终端室内定位方法及系统
CN113938823A (zh) * 2021-10-14 2022-01-14 上海大学 基于多频段csi协同的无线定位装置及方法
CN116347357A (zh) * 2023-04-17 2023-06-27 天津大学 一种将运动限制嵌入神经网络的室内无线被动定位方法
CN116527462A (zh) * 2023-05-25 2023-08-01 兰州交通大学 一种基于信道状态变化csi值的无线定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2930966A1 (en) * 2014-04-09 2015-10-14 Alcatel Lucent Selecting beam-forming weighting vectors for antennae
CN106332277A (zh) * 2016-09-05 2017-01-11 中南大学 一种基于信道状态信息分布的室内定位方法
CN106851554A (zh) * 2016-10-09 2017-06-13 滁州学院 基于OFDM信道状态信息相位变化特征的高精度室内WiFi定位系统
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN107832834A (zh) * 2017-11-13 2018-03-23 合肥工业大学 一种基于生成对抗网络的wifi室内定位指纹库的构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2930966A1 (en) * 2014-04-09 2015-10-14 Alcatel Lucent Selecting beam-forming weighting vectors for antennae
CN106332277A (zh) * 2016-09-05 2017-01-11 中南大学 一种基于信道状态信息分布的室内定位方法
CN106851554A (zh) * 2016-10-09 2017-06-13 滁州学院 基于OFDM信道状态信息相位变化特征的高精度室内WiFi定位系统
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN107832834A (zh) * 2017-11-13 2018-03-23 合肥工业大学 一种基于生成对抗网络的wifi室内定位指纹库的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUAN-SIAN WU: ""A Deep Neural Network-Based Indoor Positioning Method using Channel State Information"", 《2018 WORKSHOP ON COMPUTING, NETWORKING AND COMMUNICATIONS (CNC)》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640269A (zh) * 2018-12-18 2019-04-16 上海大学 基于csi与时域融合算法的指纹定位方法
CN109829406A (zh) * 2019-01-22 2019-05-31 上海城诗信息科技有限公司 一种室内空间识别方法
CN110082716A (zh) * 2019-04-29 2019-08-02 徐州医科大学 一种医院复杂环境室内定位系统及定位方法
CN110856119A (zh) * 2019-11-08 2020-02-28 中国测绘科学研究院 一种基于几何向量的港口车辆轨迹纠偏方法
CN111464869A (zh) * 2020-04-21 2020-07-28 海信视像科技股份有限公司 一种运动位置检测方法、屏幕亮度调节方法及智能设备
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法
CN111464869B (zh) * 2020-04-21 2022-06-14 海信视像科技股份有限公司 一种运动位置检测方法、屏幕亮度调节方法及智能设备
CN111556431B (zh) * 2020-04-21 2022-05-20 西安交通大学 一种基于信号子空间的指纹室内定位方法
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法
CN113852908A (zh) * 2021-07-29 2021-12-28 上海大学 基于天线扩展的室内定位方法
CN113852908B (zh) * 2021-07-29 2023-09-19 上海大学 基于天线扩展的室内定位方法
CN113938823A (zh) * 2021-10-14 2022-01-14 上海大学 基于多频段csi协同的无线定位装置及方法
CN113938823B (zh) * 2021-10-14 2024-03-29 上海大学 基于多频段csi协同的无线定位装置及方法
CN113939016A (zh) * 2021-12-21 2022-01-14 广州优刻谷科技有限公司 基于wifi双频融合的智能终端室内定位方法及系统
CN116347357B (zh) * 2023-04-17 2023-10-20 天津大学 一种将运动限制嵌入神经网络的室内无线被动定位方法
CN116347357A (zh) * 2023-04-17 2023-06-27 天津大学 一种将运动限制嵌入神经网络的室内无线被动定位方法
CN116527462A (zh) * 2023-05-25 2023-08-01 兰州交通大学 一种基于信道状态变化csi值的无线定位方法
CN116527462B (zh) * 2023-05-25 2024-02-02 兰州交通大学 一种基于信道状态变化csi值的无线定位方法

Similar Documents

Publication Publication Date Title
CN108882151A (zh) 基于csi信息区域化标注的室内定位方法
Elbakly et al. A robust zero-calibration RF-based localization system for realistic environments
CN102932742B (zh) 基于惯性传感器与无线信号特征的室内定位方法及系统
CN106802426B (zh) 一种协作rtk定位方法及系统
CN104076349B (zh) 一种基于多普勒频移的被动式移动目标定位方法
Zhang et al. iLocScan: Harnessing multipath for simultaneous indoor source localization and space scanning
CN111007455B (zh) 定位系统及方法、数据库、神经网络模型训练方法
Moreira et al. Multiple simultaneous Wi-Fi measurements in fingerprinting indoor positioning
CN103841641B (zh) 一种基于到达角度和Gossip算法的无线传感器网络分布式协作定位方法
CN106842266B (zh) 一种即时参考站定位方法及系统
CN109640269A (zh) 基于csi与时域融合算法的指纹定位方法
CN103813448A (zh) 一种基于rssi的室内定位方法
CN103644905A (zh) 一种情境相关的室内定位方法及系统
CN106255059B (zh) 一种基于几何方式的无设备目标定位方法
CN103491506A (zh) 基于wlan和wsn的异构网络协同定位方法及系统
CN104540219A (zh) 一种低复杂度的Wi-Fi指纹室内定位方法
CN104471558B (zh) 用于重访位置检测的系统和方法
CN103945526A (zh) 基于诱发探测技术的无线设备定位方法及系统
CN104849741A (zh) 基于gps和射频技术的混合定位方法
Su et al. A hybrid indoor-position mechanism based on bluetooth and WiFi communications for smart mobile devices
CN112135344A (zh) 一种基于csi和dcnn的无设备目标定位方法
US10454597B1 (en) Systems and methods for locating telecommunication cell sites
CN105408761B (zh) 有效减少无线电地图中接入点数量的方法和设备
CN106416320B (zh) 对无线指印数据进行处理的设备和方法以及存储介质
CN108828510A (zh) 一种基于渐变阴影权重模型的射频层析成像定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123