CN109212472A - 一种面向噪声环境下的室内无线定位方法及装置 - Google Patents

Abstract

本发明涉及一种面向噪声环境下的室内无线定位方法及装置。该方法包括：1)部署无线信号接收模块，获取无线信号数据；2)对无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；3)对特征数据进行归一化处理，将信道状态信息数据转化成特征图数据；4)将特征图数据输入到若干个多层的残差神经网络中，分别获得一个输出向量；5)对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，响应最大值经过数据还原后得到预测的最终位置。本发明能够解决当前目标跟踪方法在资源受限环境下无法完成噪声自适应、定位精度差等实际部署问题，适用于机器人、无人车、无人机、信息推送、安防等领域的物体定位追踪问题。

Description

一种面向噪声环境下的室内无线定位方法及装置

技术领域

本发明涉及信息通信和信号处理领域，特别是涉及一种面向有噪声环境下的室内无线定位方法及装置。

背景技术

卫星定位到达地面时信号较弱，穿透建筑物后衰弱严重，因此全球定位系统对于室内物体的定位效果较差。室内定位技术可以被视作卫星定位的辅助。室内定位系统在虚拟现实、消防、工业流水线、机场安防、无人机、广告推送、养老院管理等场景中都有着重要和广泛的应用，具有重要的研究意义。室内无线定位是室内定位中常见的一类方法。

由于应用场景的限制(无线信号衰减、噪声干扰、室内障碍物多等)，室内无线定位系统在实际部署过程中需要面临室内干扰物较多的问题，产生的信号反射会影响信号强度。室内无线定位必须兼具实时性、鲁棒性、准确性。实时性要求系统具备高速处理能力，可以即时地绘制目标物体的运动轨迹；准确性要求系统具备较高的精度，对物体位置的估计有一定的精度；鲁棒性要求系统能较好地处理现实环境中存在的噪声信息，适应广泛复杂的应用场景。在存在噪声的环境中实现一个高效并且准确的室内无线定位系统是一个非常大的挑战，具有重要的研究价值与实际意义。

发明内容

本发明的目的是提供一种面向噪声环境下的室内无线定位方法及装置，能够解决当前目标跟踪方法在资源受限环境下无法完成噪声自适应、定位精度差等实际部署问题。该室内无线定位方法和装置适用于机器人、无人车、无人机、信息推送、安防等领域的物体定位追踪问题。

为达到上述目的，本发明采用的技术方案是：

一种面向噪声环境下的室内无线定位方法，其步骤包括：

1)部署无线信号接收模块，获取无线信号数据；

2)对无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

3)对特征数据进行归一化处理，将信道状态信息数据转化成特征图数据；

4)将特征图数据输入到若干个多层的残差神经网络中，分别获得一个输出向量；

5)对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，响应最大值经过数据还原后得到预测的最终位置。

进一步地，步骤1)使用计算机网卡作为无线驱动，从网卡引出多根连接天线作为信号接收模块，同时在室内放置无线路由器，在计算机端获取无线信号数据。

进一步地，对步骤1)获取的无线信号数据进行预处理，包括：选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声。在正常采集过程中，产生的大量数据包足够保证训练一个稳定的神经网络。

进一步地，步骤2)中对量测噪声的自适应处理包括以下步骤：

2.1)初始化：对k时刻的状态估计、状态误差协方差、自由度参数和逆范矩阵进行初始化；

2.2)设置N次循环；

2.3)计算量测与状态估计的差值，差值与其转置相乘后计算得到中间量；其中“量测”是实验误差，即实验中由于人工测量产生的误差，人工操作会产生量测噪声；

2.4)利用中间量，更新自由度参数和逆范矩阵；

2.5)利用更新后的自由度参数和逆范矩阵，计算出更新后的k时刻量测噪声；

2.6)利用量测噪声，更新一步预测状态误差协方差矩阵；

2.7)利用状态误差协方差矩阵，更新k时刻卡尔曼滤波增益；

2.8)利用卡尔曼滤波增益，更新k时刻状态误差协方差矩阵；

2.9)利用状态误差协方差矩阵，更新k时刻的状态估计；

2.10)重复步骤2.2)-2.9)，直至循环完成后退出。

进一步地，步骤2)中对过程噪声的自适应处理包括以下步骤：

2.1]初始化：获得k时刻的量测噪声协方差矩阵，k时刻和k-1时刻的量测噪声；

2.2]利用量测噪声协方差矩阵获得中间量M；

2.3]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到随机变量ξ；

2.4]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到相应于随机变量ξ的量测噪声；

2.5]计算得到随机变量ξ的协方差矩阵Cov(ξ)；

2.6]利用k时刻的量测噪声协方差矩阵和k-1时刻的量测噪声协方差矩阵获得随机变量ξ的量测噪声协方差矩阵Cov(V)；

2.7]Cov(ξ)与Cov(V)的差值为k时刻的过程噪声协方差。

进一步地，步骤3)之所以对数据特征进行归一化处理，是因为经过噪声处理得到的信道状态信息数据参差不齐，有正有负，不适合直接输入到神经网络中进行训练，对于多根天线上的信道状态信息数据需要做额外的归一化。该步骤把信道状态信息数据转化成30*30的特征图数据。以下为具体的数据特征归一化操作过程：

3.1)对中间一段时间内的去噪声处理后的信道状态信息进行遍历，将数据的绝对值(即信号的幅值)从小到大排序，为了避免一些极值点的存在，取5％处的值作为A_min和95％处的值作为A_max；

3.2)将小于A_min的值置为0，大于A_max的值置为1，同时将其区间内的其他值x按比例缩放归一化到[0，1]区间；

3.3)将经过步骤2)处理后的数据按照时间顺序按照30×30的方式进行切割，获得连续的30×30的输入方阵，自此，信道状态数据在时间域上的连续数据被转化成30×30的特征图数据。

步骤3)还对接收天线所在的位置坐标做如下的归一化处理：

3.1]对于接收天线所在的位置坐标(x,y)采集到的信道状态信息，将采集区域的左下角作为参考点(0,0)，得到区域范围内坐标值最大的点(x_max，y_max)；

3.2]根据最大坐标值，对区域内的点同样做比例缩放归一化处理。

经过上面所述的对信道状态信息和位置标签数据的处理，得到训练数据集合和测试数据集合。

进一步地，步骤4)主要涉及位置预测网络。对于特征图数据，训练若干个(比如三个)不同层数的残差神经网络对数据训练和测试，由于信道状态信息的输入特征图仅为30×30，因此在神经网络的设计过程中不加入池化层，残差神经网络具有较好的泛化性能，能降低复杂定位数据问题的过拟合程度。同时由于单模型的预测可能导致误检，因此训练若干个(比如)三个不同深度的残差神经网络并组合比较三者的输出，得到最后的输出结果。其中，残差神经网络的个数可以是多个，优选为2～4个。

进一步地，步骤5)主要涉及位置预测结果的输出。经过残差神经网络得到关于特征图的位置预测，通过取三者平均得到预测向量，从向量中的响应最大值得到最终的预测位置，然后根据归一化的规则，反向推出最终的定位坐标。

一种面向噪声环境下的室内无线定位装置，其包括：

数据采集模块，负责获取无线信号数据；

数据转换模块，负责对所述数据采集模块获取的无线信号数据进行预处理，选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声；

噪声处理模块，负责对所述数据转换模块处理后的无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

数据规范化模块，负责对所述噪声处理模块得到的特征数据进行归一化处理，将信道状态信息数据转化成的特征图数据；

预测网络训练模块，负责训练预测网络，所述预测网络包含若干个多层的残差神经网络；

预测模块，负责将所述数据规范化模块得到的特征图数据输入到训练完成的所述预测网络中，通过各个残差神经网络分别获得一个输出向量，对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，该响应最大值经过数据还原后得到预测的最终位置。

与现有技术相比，本发明的优点是：

1.本发明能够自适应估计由于物体运动和采集装置所引发的过程噪声和量测噪声，较好地适应真实环境下的时变噪声；

2.本发明将信道状态信息转化为特征图以输入到神经网络，拓宽了无线信号的处理思路，具有较大的可操作空间；

3.本发明利用残差神经网络模型组合的方式，利用深度学习技术提高了定位精度。

附图说明

图1本发明的面向噪声环境下的室内无线定位方法的流程示意图。

图2是本发明中的残差神经网络结构。

图3是本发明的面向噪声环境下的室内无线定位装置的结构图。

具体实施方式

为使本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说明如下。所举实施例只用于解释本发明，并非用于限定本发明的范围。

本实施例的面向噪声环境下的室内无线定位方法，其流程如图1所示，包括以下步骤：

一.数据采集及数据预处理

输入k时间段获取的无线网络数据包，利用信道状态信息处理工具从无线网络数据包中提取出数据，并选取有效时间段的链路数据。

本实施例中，以三根天线作为接收天线，即无线信号接收装置，按等腰三角形放置。在采集一次实验数据时，该三角形的绝对方向保持大致不变，其中，底边中心点位置坐标表示了当前接收天线的位置，即预测的目标位置。笔记本电脑作为数据处理计算机，其中的无线网卡是intel 5300，从无线网卡引出接收天线。路由器工作频段2.4GHZ，采用单根发射天线。

上述装置装置运行一段时间后获取的网络数据包，摒弃开始的前1000个数据包，通过信道状态信息工具套件，将原始数据从网络数据包中提取出来，提取其中的幅值信息。

二.对数据进行去噪声处理

去噪声处理包括量测噪声自适应处理和过程噪声自适应处理。过程噪声自适应处理是在量测噪声自适应处理基础上进行的。

一)量测噪声自适应处理

对于给定k时刻的一条链路上的信道状态信息向量：

1.进行时间更新处理，获得其一步预测状态向量和一步预测状态误差协方差矩阵：

X_k,k-1：一步预测状态向量

k-1时刻的状态估计值

Φ_k,k-1：状态转移矩阵

P_k,k-1：一步预测状态误差协方差矩阵

P_k-1：k-1时刻的状态估计误差协方差矩阵

初始的过程噪声估计值

2.初始化k时刻的状态估计、状态误差协方差矩阵、自由度参数和逆范矩阵：

初始的k时刻的状态估计

初始的k时刻的状态误差协方差矩阵

自由度参数

ρ:遗忘因子

m：矩阵维度

逆范矩阵

3.迭代循环估计量测噪声协方差矩阵与k时刻的状态估计，直至收敛。

4.根据变分贝叶斯公式、以及量测噪声服从逆威沙特分布，得到中间量B:

Z_k：k时刻的量测噪声向量

H_k：k时刻的状态矩阵

k时刻的状态估计

P_k：k时刻的状态误差协方差矩阵

第i次循环中k时刻的中间量B

5.更新自由度参数和逆范矩阵：

第i次循环中对i+1次循环时的k时刻的自由度参数的估计

第i次循环中对i+1次循环时的k时刻的逆范矩阵的估计

6.更新k时刻量测噪声协方差的估计值：

k时刻量测噪声协方差的估计值

7.更新一步预测状态误差协方差矩阵：

第i次循环中，对状态误差协方差矩阵的估计值

8.更新卡尔曼滤波增益：

k时刻的卡尔曼滤波增益

9.更新状态误差协方差矩阵：

10.更新k时刻的状态估计：

经过噪声处理后的状态估计

二)过程噪声自适应处理

1.根据量测矩阵计算系数矩阵M:

M＝[H^TH]^-1H^T

M:系数矩阵

H:量测噪声处理结束后的状态矩阵

2.计算新的随机变量ξ_k

ξ_k＝MZ_k-Φ_k,k-1MZ_k-1

ξk：随机变量

3.计算新的量测噪声V:

k时刻的量测噪声的估计

V_k：k时刻的量测噪声

4.计算随机变量的协方差矩阵：

Cov_k+1(ξ)：k+1时刻随机变量ξ的协方差矩阵

5.计算量测噪声协方差矩阵：

k时刻量测噪声协方差矩阵

6.计算k时刻的过程噪声协方差矩阵：

W_k：k时刻的过程噪声

Q_k：k时刻的过程噪声协方差矩阵

三.训练并测试残差神经网络预测目标位置

经过噪声处理的数据用30个子载波表示，共有3层链路，为了方便网络的输入表示，每30个时间单位取一组输入时间，因此可以获得3×30×30的信道信息特征图。

1.对数据进行归一化处理：

对于输入矩阵A，首先直接取幅值作为输入，然后进行归一化，同样按照5％处的最小值和5％处的最大值进行归一化，避免采集过程中一些异常值的出现，直接用[0,1]替代。

2.网络训练

本实施例中残差神经网络具体实现如图2所示，共有三个不同深度的残差神经网络，每个网络最终都有两层的全连接层，其中Loss函数为L2函数：

x_i：预测位置横坐标的值

x_true_i：真实位置横坐标的值

yi：预测位置纵坐标的值

y_true_i：真实位置纵坐标的值

表示预测坐标和真实坐标的误差距离。通过训练降低损失函数，在网络损失趋于稳定后停止训练。

图2所示的残差神经网络中，3*30*30表示输入数据维度；3*3Conv,16中，3*3表示卷积核大小，Conv表示卷积核，16表示卷积核数量；ReLU表示将线性整流函数作为激活函数；全连接层后面的数值表示该层节点总数。

3.网络测试及结果输出

将测试数据输入到网络中，得到三个模型的预测结果的向量表示P₁、P₂、P₃，对三个向量作对应位置平均处理，并从平均处理后的向量中找出最大值所在的索引，该索引对应的位置坐标就是最终的预测结果。在此实例中，本方法能够在比较简单的实验条件下，较为准确地定位目标位置，精度大于0.9。

与上面方法对应的，本发明另一实施例提供一种面向噪声环境下的室内无线定位装置，如图3所示，包括数据采集模块、数据转换模块、噪声处理模块，数据规范化模块，预测网络训练模块，数据测试模块、预测结果输出显示模块。其中：

数据采集模块，负责获取无线信号数据，涉及路由器、数据处理计算机，路由器上部署发射天线，数据处理计算机上部署接收天线；

数据转换模块，负责对无线信号数据进行预处理，选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声；

噪声处理模块，负责对无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

数据规范化模块，负责对特征数据进行归一化处理，将信道状态信息数据转化成的特征图数据；

预测网络训练模块，负责训练预测网络，所述预测网络包含若干个多层的残差神经网络；

数据测试模块(当进行实际的室内无线定位过程时该模块可称为预测模块)，负责将待测试的特征图数据输入到若干个多层的残差神经网络中，分别获得一个输出向量，对各个残差神经网络的输出向量做平均操作，并从中找出最大值所在的索引，该索引对应的位置坐标就是预测的最终位置；这些操作对应图3中数据测试模块右侧的“模型组合优化”；

预测结果输出显示模块，负责对预测结果进行输出显示。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (10)

1.一种面向噪声环境下的室内无线定位方法，其特征在于，包括以下步骤：

1)部署无线信号接收模块，获取无线信号数据；

2)对无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

3)对特征数据进行归一化处理，将信道状态信息数据转化成特征图数据；

4)将特征图数据输入到若干个多层的残差神经网络中，分别获得一个输出向量；

5)对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，响应最大值经过数据还原后得到预测的最终位置。

2.根据权利要求1所述的方法，其特征在于，对步骤1)获取的无线信号数据进行预处理，包括：选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声。

3.根据权利要求1所述的方法，其特征在于，步骤2)中量测噪声的自适应估计过程包括：

2.1)对k时刻的状态估计、状态误差协方差、自由度参数和逆范矩阵进行初始化；

2.2)设置N次循环；

2.3)计算量测与状态估计的差值，差值与其转置相乘后计算得到中间量；

2.4)利用中间量，更新自由度参数和逆范矩阵；

2.5)利用更新后的自由度参数和逆范矩阵，计算出更新后的k时刻量测噪声；

2.6)利用量测噪声，更新一步预测状态误差协方差矩阵；

2.7)利用状态误差协方差矩阵，更新k时刻卡尔曼滤波增益；

2.8)利用卡尔曼滤波增益，更新k时刻状态误差协方差矩阵；

2.9)利用状态误差协方差矩阵，更新k时刻的状态估计；

2.10)重复步骤2.2)-2.9)，直至循环完成后退出。

4.根据权利要求1所述的方法，其特征在于，步骤2)中过程噪声的自适应估计过程包括：

2.1]初始化：获得k时刻的量测噪声协方差矩阵，k时刻和k-1时刻的量测噪声；

2.2]利用量测噪声协方差矩阵获得中间量M；

2.3]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到随机变量ξ；

2.4]利用中间量M、状态转移矩阵、k-1时刻和k时刻的量测噪声得到相应于随机变量ξ的量测噪声；

2.5]计算得到随机变量ξ的协方差矩阵Cov(ξ)；

2.6]利用k时刻的量测噪声协方差矩阵和k-1时刻的量测噪声协方差矩阵获得随机变量ξ的量测噪声协方差矩阵Cov(V)；

2.7]Cov(ξ)与Cov(V)的差值为k时刻的过程噪声协方差。

5.根据权利要求1所述的方法，其特征在于，步骤3)将信道状态信息数据转化成30*30的特征图数据。

6.根据权利要求1或5所述的方法，其特征在于，步骤3)包括：

3.1)对中间一段时间内的去噪声处理后的信道状态信息进行遍历，将数据的绝对值(即信号的幅值)从小到大排序，为了避免一些极值点的存在，取5％处的值作为A_min和95％处的值作为A_max；

3.2)将小于A_min的值置为0，大于A_max的值置为1，同时将其区间内的其他值x按比例缩放归一化到[0，1]区间；

3.3)将经过步骤3.2)处理后的数据按照时间顺序按照30×30的方式进行切割，获得连续的30×30的输入方阵，自此，信道状态数据在时间域上的连续数据被转化成30×30的特征图数据。

7.根据权利要求6所述的方法，其特征在于，步骤3)还包括对接收天线所在的位置坐标做如下的归一化处理：

3.1]对于接收天线所在的位置坐标(x,y)采集到的信道状态信息，将采集区域的左下角作为参考点(0,0)，得到区域范围内坐标值最大的点(x_max，y_max)；

3.2]根据最大坐标值，对区域内的点同样做比例缩放归一化处理。

8.根据权利要求1所述的方法，其特征在于，步骤4)中的每个残差神经网络有两层的全连接层，其中Loss函数为L2函数。

9.根据权利要求1所述的方法，其特征在于，步骤4)中的残差神经网络为2～4个。

10.一种面向噪声环境下的室内无线定位装置，其特征在于，包括：

数据采集模块，负责获取无线信号数据；

数据转换模块，负责对所述数据采集模块获取的无线信号数据进行预处理，选取中间时间段数据作为主要的处理对象，去除开始和末尾段可能存在因为人为操作产生的噪声；

噪声处理模块，负责对所述数据转换模块处理后的无线信号数据进行量测噪声和过程噪声的自适应估计，得到信号的特征数据；

数据规范化模块，负责对所述噪声处理模块得到的特征数据进行归一化处理，将信道状态信息数据转化成的特征图数据；

预测网络训练模块，负责训练预测网络，所述预测网络包含若干个多层的残差神经网络；

预测模块，负责将所述数据规范化模块得到的特征图数据输入到训练完成的所述预测网络中，通过各个残差神经网络分别获得一个输出向量，对各个残差神经网络的输出向量做平均操作，并从中找出响应最大值，该响应最大值经过数据还原后得到预测的最终位置。