CN109889975B - 一种基于NB-IoT的终端指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于NB‑IoT的终端指纹定位方法，采用指纹匹配的定位方式，能够在不增加NB‑IoT终端复杂度的前提下，尽可能的提升终端定位精度，相比于传统指纹定位方式，本发明基于细粒度的信道状态信息和窄带信号参考信息进行指纹匹配，并利用K邻近点与待定位终端的NRSRP值构建距离估计差，并利用极大似然估计算法计算待定位终端的实际位置估计值，定位精度更高，在构建指纹特征库的过程中，利用kalman滤波去除掉异常值和噪声数据，使构建的指纹库数据更加精确。

Description

一种基于NB-IoT的终端指纹定位方法

技术领域

本发明涉及物理网设备定位技术领域，更具体地说，涉及一种基于NB-IoT的终端指纹定位方法。

背景技术

近年来，随着物联网和智慧城市的快速发展，“万物互联”的时代即将到来。物联网与传统行业密切结合，并借助云计算、大数据等技术构建起了万物互联的生态体系。据统计，到2020年，LPWA链接数量将达到20亿，超过传统蜂窝用户的数量。由于具有成本低，功耗低，连接量大，覆盖范围广等优点，窄带物联网(NB-IoT)将会广泛应用于工业与生活中。同时人们对于生活中基于位置的服务(LBS)需求越来越多，如何在传统蜂窝网络的基础之上，结合NB-IoT的应用场景和网络特性，让NB-IoT终端能够达到日常定位需求，引起了学者们的讨论和研究。通过使用窄至180kHz的带宽，NB-IoT终端与普通LTE-A UE相比仅具有15％的复杂度。NB-IoT支持超级覆盖扩展，大量连接和超长工作时长，低功耗/低成本和低设备复杂性。作为具有超高覆盖范围和大量连接的超低复杂度和低功耗技术，NB-IoT可应用于各种物联网场景，包括基于位置的服务(LBS)，如智能停车和物流跟踪，智能家居等。

目前，在LBS中，除了NB-IoT技术外，还有其他短距离通信，例如红外线、蓝牙、WIFI。然而这些短距离通信技术在大连接和大覆盖两方面存在技术短板，不能满足当前物联网需求。另一些非蜂窝网络的广域网传输技术，例如代表性的有LoRa、Sigfox。然而LoRa工作在非授权频段以及它的公开标准，使得LoRa极易受到网络攻击，安全性能不能满足大规模商用需求；Sigfox拥有最低成本的无线点模块的优势，但是其下行能力受限，信号干扰存在较大问题，因此NB-IoT终端在未来广域网物联网行业大有可为。

当前物联网设备的定位方法，从定位原理的角度来看，大致可以分为两种类型：基于TDOA测量的定位技术和基于场景分析的定位技术。基于TDOA测量的定位技术，是蜂窝网络中最常用的定位方式，需要根据待定位物体与一个或多个已知位置参考点的测量关系来定位；而基于三角关系和运算的定位技术又可以细分为基于距离测量的定位技术和基于角度测量的定位技术。3GPP Release14版本为NB-IoT增加了定位功能，设计窄带定位参考信号(NPRS)，支持E-CID算法和TDOA算法。而基于场景分析的定位技术，通过对定位的特定环境进行抽象和形式化，用一些具体的、量化的参数描述定位环境中的各个位置，并构建数据库把这些信息集成在一起。业界习惯上将上述形式化和量化后的位置特征信息形象地称为信号“指纹”。观察者根据待定位物体所在位置的“指纹”特征查询数据库，并根据特定的匹配规则确定物体的位置。由此可以看出，这种定位技术的核心是位置特征数据库和匹配规则，它本质上是一种模式识别方法。

对于NB-IoT传输网络，带宽仅180KHz，通过窄带、低频、重传机制，实现了广覆盖的特性，适用于地下车库、室内等场景。超低复杂度的NB-IoT终端以及采样率降低使得TOA估计有较大误差；更加复杂的穿透衰落和NLOS场景，使得定位误差完全不能满足日常需求。

发明内容

为解决上述技术问题，本发明提供一种基于NB-IoT的终端指纹定位方法。

本发明采用的技术方案是：

一种基于窄带物联网NB-IoT的终端指纹定位方法，包括：

S1：获取待定位终端与多个基站之间的子载波的信道状态信息CSI，以及所述待定位终端与多个基站之间的窄带参考信号接收功率NRSRP值；

S2：根据所述CSI提取出所述待定位终端与每一所述基站之间的子载波的幅度值，并将所述待定位终端与多个基站之间的子载波的幅度值和NRSRP值作为所述待定位终端的指纹特征信息；

S3：利用K近邻算法根据所述指纹特征信息在指纹特征库中进行搜索，筛选出与所述指纹特征信息形成最优匹配的前K个参考终端的指纹特征信息，所述指纹特征库中存储有多个参考终端的指纹特征信息，以及每一参考终端所处位置的位置信息，每一参考终端的指纹特征信息包括该参考终端与多个基站之间的子载波的幅度值，以及该参考终端与多个基站之间子载波的NRSRP值；

S4：利用所述待定位终端与其服务基站之间的NRSRP值、所述K个参考终端中的每一参考终端与其服务基站之间的NRSRP值、以及无线信号传输模型计算所述待定位终端与筛选出的每一所述参考终端之间的距离估计值；

S5：根据所述距离估计差值以及K个参考终端的位置信息，利用极大似然估计算法得到所述待定位终端的实际位置估计值。

可选的，所述指纹特征库的建立包括：

S21：获取各参考终端的位置信息；

S22：针对每一所述参考终端，获取其与各基站之间的子载波的CSI和NRSRP值；

S23：针对每一所述参考终端，将该参考终端与各基站之间的子载波的幅度值与NRSRP值同该参考终端对应的位置信息进行融合，从而得到所述指纹特征库。

可选的，在步骤S22之后，且在步骤S23之前，还包括：

S221：利用卡尔曼滤波去除所述CSI和所述NRSRP值中的异常值。

可选的，所述指纹特征库表示为NB-IoT_fingerprint＝[L_NB-IoT,H_amp,χ_NRSRP]，其中，

L_NB-IoT＝[(lat₁,lng₁),(lat₂,lng₂)…(lat_m,lng_m)]^T，(lat_i,lng_i)表示参考终端i的位置坐标；

H_ij表示参考终端i与基站j之间的子载波的幅度值；

而χ_ij表示参考终端i接收到的基站j的NRSRP值。

可选的，所述步骤S3包括：

S31：将所述待定位终端的指纹特征信息按照所述指纹特征库的格式进行整理；

S32：根据相似性度量公式计算所述待定位终端的指纹特征信息与所述指纹特征库中的每一指纹特征信息的相似性度量值，所述相似性度量公式为：

其中NB-IoT_location表示待定位终端的指纹特征信息，NB-IoT_i表示参考终端i的指纹特征信息，

表示待定位终端的指纹特征信息中第I个指纹特征元素的值，NB-IoT_i ^l表示参考终端i的指纹特征信息中第I个指纹特征元素的值，N表示一个指纹特征信息中指纹特征元素的数量，p取值为[1,+∞)；

S33：将相似性度量值按照从小到大的顺序进行排列，筛选出排名前K的K个参考终端的指纹特征信息。

可选的，所述p为2。

可选的，所述步骤S4中通过公式

计算所述待定位终端与筛选出的每一所述参考终端之间的距离估计值，其中，NRSRP_location表示待定位终端接收到的服务小区的NRSRP值，NRSRP_k表示参考终端k接收到的服务小区的NRSRP值，d_k表示所述待定位终端与参考终端k之间的距离估计值，f表示信号载波频率，k＝1,2,3,4…K。

可选的，设待定位终端的实际位置为(x,y)，按照指纹特征匹配度由高到低的顺序，筛选出的K个参考终端的对应位置依次为(x₁,y₁)，(x₂,y₂)，…，(x_K,y_K)，所述步骤S5中通过最小二乘理论对AX＝B进行计算得到所述待定位终端的实际位置估计值，其中，

X＝(x,y)^T，

d_q，1＝d_q-d₁，q＝2,3,4…K，d_q表示所述待定位终端与参考终端q之间的距离估计值，d₁表示所述待定位终端与参考终端1之间的距离估计值。

本发明提供的基于NB-IoT的终端指纹定位方法，采用指纹匹配的定位方式，能够在不增加NB-IoT终端复杂度的前提下，尽可能的提升终端定位精度，相比于传统指纹定位方式，本发明基于细粒度的信道状态信息和窄带信号参考信息进行指纹匹配，并利用K邻近点与待定位终端的NRSRP值构建距离估计差，并利用极大似然估计算法计算待定位终端的实际位置估计值，定位精度更高；

进一步地，在构建指纹特征库的过程中，利用kalman滤波去除掉异常值和噪声数据，使构建的指纹库数据更加精确。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例提供的基于NB-IoT的终端指纹定位方法的流程示意图；

图2为指纹特征库的建立流程示意图；

图3为本实施例提供的网络部署示意图；

图4为本实施例提供的通过KNN算法筛选出K个参考终端的指纹特征信息的流程示意图；

图5为本实施例提供的基于NB-IoT的终端指纹定位方法的过程示意图。

具体实施方式

应当理解的是，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。

本实施例提供一种基于NB-IoT的终端指纹定位方法，请参见图1所示：

S1：获取待定位终端与多个基站之间的子载波的CSI，以及待定位终端与多个基站之间的NRSRP值。

待定位终端在处于一个位置上时可以与多个基站进行信息交互，所以待定位终端可以方便的测量得到其与多个基站之间信息交互时对应的NRSRP值，也即窄带参考信号接收功率，同时待定位终端也可以获得测量报告，并可以从测量报告中解析出该待定位终端与多个基站之间的每一子载波的CSI，待定位终端可以将得到的CSI和NRSRP值发送给定位服务器，以供定位服务器确定该待定位终端的位置。当然，待定位终端可以直接将测量报告发送给定位服务器，由定位服务器解析出CSI。

S2：根据CSI提取出待定位终端与每一基站之间的子载波的幅度值，并将待定位终端与多个基站之间的子载波的幅度值和NRSRP值作为该待定位终端的指纹特征信息。

NB-IoT传输网络采用OFDM传输制式，多个子载波能够描述在每条传输路径上的衰落因子，较为精细化描述周围环境，在平滑衰落信道中，接收机的接收信号表示为：

Y＝HX+N (1)

式中，Y与X分别表示NB-IoT终端接收信号的向量和基站发射信号的向量，H表示信道状态信息矩阵，N表示为高斯白噪声。因此需要在终端物理层进行信息解析，从信道状态信息矩阵中提取出环境的细粒度表示，这里采用振幅作为指纹特征，振幅提取公式表示为：

式中||H_k||为信号幅值信息，∠H_k为信号相位信息。

S3：利用K近邻算法根据指纹特征信息在指纹特征库中进行搜索，筛选出与该指纹特征信息形成最优匹配的前K个参考终端的指纹特征信息。

本实施例中的指纹特征库中存储有多个参考终端的指纹特征信息，以及每一参考终端所处位置的位置信息，每一参考终端的指纹特征信息包括该参考终端与多个基站之间的子载波的幅度值，以及该参考终端与多个基站之间子载波的NRSRP值。

本实施例中指纹特征库的建立过程请参见图2所示，包括：

S21：获取各参考终端的位置信息。

NB-IoT设备有大量静止的设备，也即步骤S21中的参考终端，如智能抄表、智能停车、智能路灯等业务，通过前期部署相应的业务时，可以记录设备经纬度信息作为先验知识，然后通过设备返回的状态信息，可以实现指纹特征信息的统计和收集工作，本实施例中标的网络部署示意图请参见图3所示。

S22：针对每一参考终端，获取其与各基站之间的子载波的CSI和NRSRP值。

S23：针对每一参考终端，将该参考终端与各基站之间的子载波的幅度值与NRSRP值同该参考终端对应的位置信息进行融合，从而得到指纹特征库。

在一些实施例中，为了得到更加精准的指纹库，在步骤S22之后，且在步骤S23之前，还可以包括以下步骤：

S221：利用卡尔曼滤波去除CSI和NRSRP值中的异常值。

正常情况下，CSI和NRSRP值都是在一个范围内浮动，这里的异常值是指CSI和NRSRP值过大或者过小的值。

假设总共m个参考终端，能检测到n个NB-IoT基站，子载波的幅度值特征表示为：

式(3)中的H_ij表示参考终端i与基站j之间的子载波的幅度值；

NRSRP特征表示为：

式(4)中χ_i是终端i收到n个NB-IoT基站的指纹矢量，而χ_ij为终端i收到基站j的窄带参考信号接受功率。

根据静态参考终端的先验知识，参考终端的已知位置信息为：

L＝[(lat₁,lng₁),(lat₂,lng₂)…(lat_m,lng_m)]^T (5)

(lat_i,lng_i)表示参考终端i的位置坐标，具体的，lat_i表示参考终端i的纬度，lng_i表示参考终端i的经度。

经过上述信息融合，指纹特征库表示为：

NB-IoT_fingerprint＝[L_NB-IoT,H_amp,χ_NRSRP] (6)

请参见图4，本实施例中的步骤S3中通过KNN算法筛选出K个参考终端的指纹特征信息包括以下步骤：

S31：将待定位终端的指纹特征信息按照指纹特征库的格式进行整理。

具体的，整理后的待定位终端的指纹特征信息可以表示为[H_p1H_p1…H_pnχ_p1χ_p2…χ_pn]，H_pj表示待定位终端与基站j之间的子载波的幅度值，χ_pj表示待定位终端与基站j之间的NRSRP值。

S32：根据相似性度量公式计算待定位终端的指纹特征信息与指纹特征库中的每一指纹特征信息的相似性度量值。

相似性度量公式为：

其中NB-IoT_location表示待定位终端的指纹特征信息，NB-IoT_i表示参考终端i的指纹特征信息，

表示待定位终端的指纹特征信息矩阵中第I个指纹特征元素的值，NB-IoT_i ^l表示参考终端i的指纹特征信息矩阵中第I个指纹特征元素的值，N表示一个指纹特征信息矩阵中指纹特征元素的数量，p取值为[1,+∞)，对于上述指纹特征信息而言，N＝2n。

S33：将相似性度量值按照从小到大的顺序进行排列，筛选出排名前K的K个参考终端的指纹特征信息。

当p＝1时，称为曼哈顿距离(Manhattan distance)，公式为：

当p＝2时，称为欧氏距离(Euclidean distance)，公式为：

欧氏距离是二维空间的距离衡量，因此选取欧氏距离作为相似性度量。通过相似性匹配计算后，数值越小的，表明相似性越高。通过对相似性值进行排序，找出前k个最邻近的点。

S4：利用待定位终端与其服务基站之间的NRSRP值、K个参考终端中的每一参考终端与其服务基站之间的NRSRP值、以及无线信号传输模型计算待定位终端与筛选出的每一参考终端之间的距离估计值。

通过待定位终端接收到服务小区的NRSRP，与K个参考终端接收到服务小区的NRSRP，构成窄带参考信号接收功率差值(D-NRSRP)。公式表示为：

D-NRSRP_location,k＝NRSRP_location-NRSRP_k (9)

其中NRSRP_k表示参考终端k收到服务小区的NRSRP信号值，NRSRP_location表示待定位终端收到服务小区的NRSRP信号值，D-NRSRP_location,k表示待定位终端到参考终端k的窄带接收功率差，k＝1,2,3…K。

自由空间传播模型是无线电波的理想化传播模型，模型公式为：

其中L是传播损耗，G_t和G_r分别是发射天线和接收天线的增益；λ是载波波长。

若设G_tG_r＝1，并将

带入式(10)，则自由空间路损可变为以下公式：

L(dB)＝32.45+20lgd+20lgf (11)

由此可以推导出距离为：

所以步骤S4中通过公式

可以计算待定位终端与筛选出的每一参考终端之间的距离估计值，d_k表示待定位终端与参考终端k之间的距离估计值，f表示信号载波频率。

S5：根据距离估计差值以及K个参考终端的位置信息，利用极大似然估计算法得到待定位终端的实际位置估计值。

首先构造待定位终端与K个参考终端之间的距离公式，设定待定位终端的位置为(x,y)，KNN算法之后推荐的K个点坐标按照相似度衡量大小排序依次为(x₁,y₁)，(x₂,y₂)，…，(x_K,y_K)，其中(x₁,y₁)为最优匹配点，设定距离差公式如下：

也即d_q，1＝d_q-d₁，其中，q＝2,3,4…K。

将式(13)平方，可得：

整理可得公式：

AX＝B (5)

其中X＝(x,y)^T，

通过最小二乘理论即可求得定位终端的位置估计。

本实施例所提供的方法的具体流程图可以参见图5所示，包括利用静止的NB-IoT参考终端(也即参考点)进行离线阶段信息采集和指纹库建立，同时不断的维护数据的可用性；利用移动终端采集的数据进行在线匹配和位置定位。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (3)

1.一种基于窄带物联网NB-IoT的终端指纹定位方法，其特征在于，包括：

S1：获取待定位终端与多个基站之间的子载波的信道状态信息CSI，以及所述待定位终端与多个基站之间的窄带参考信号接收功率NRSRP值；

S2：根据所述CSI提取出所述待定位终端与每一所述基站之间的子载波的幅度值，并将所述待定位终端与多个基站之间的子载波的幅度值和NRSRP值作为所述待定位终端的指纹特征信息；

S3：利用K近邻算法根据所述指纹特征信息在指纹特征库中进行搜索，筛选出与所述指纹特征信息形成最优匹配的前K个参考终端的指纹特征信息，所述指纹特征库中存储有多个参考终端的指纹特征信息，以及每一参考终端所处位置的位置信息，每一参考终端的指纹特征信息包括该参考终端与多个基站之间的子载波的幅度值，以及该参考终端与多个基站之间子载波的NRSRP值；

所述指纹库的建立包括：

S21：获取各参考终端的位置信息；

S22：针对每一所述参考终端，获取其与各基站之间的子载波的CSI和NRSRP值；

S23：针对每一所述参考终端，将该参考终端与各基站之间的子载波的幅度值与NRSRP值同该参考终端对应的位置信息进行融合，从而得到所述指纹特征库；

所述指纹特征库表示为NB-IoT_{fingerpr int}＝[L_NB-IoT,H_amp,χ_NRSRP]，其中，

L_NB-IoT＝[(lat₁,lng₁),(lat₂,lng₂)…(lat_m,lng_m)]^T，(lat_i,lng_i)表示参考终端i的位置坐标；

H_ij表示参考终端i与基站j之间的子载波的幅度值；

而χ_ij表示参考终端i接收到的基站j的NRSRP值；

所述步骤S3包括：

S31：将所述待定位终端的指纹特征信息按照所述指纹特征库的格式进行整理；

S32：根据相似性度量公式计算所述待定位终端的指纹特征信息与所述指纹特征库中的每一指纹特征信息的相似性度量值，所述相似性度量公式为：

其中NB-IoT_location表示待定位终端的指纹特征信息，NB-IoT_i表示参考终端i的指纹特征信息，

表示待定位终端的指纹特征信息中第I个指纹特征元素的值，NB-IoT_i ^l表示参考终端i的指纹特征信息中第I个指纹特征元素的值，N表示一个指纹特征信息中指纹特征元素的数量，p取值为[1,+∞)；

S33：将相似性度量值按照从小到大的顺序进行排列，筛选出排名前K的K个参考终端的指纹特征信息；

S4：利用所述待定位终端与其服务基站之间的NRSRP值、所述K个参考终端中的每一参考终端与其服务基站之间的NRSRP值、以及无线信号传输模型计算所述待定位终端与筛选出的每一所述参考终端之间的距离估计值；

所述步骤S4中通过公式

计算所述待定位终端与筛选出的每一所述参考终端之间的距离估计值，其中，NRSRP_location表示待定位终端接收到的服务小区的NRSRP值，NRSRP_k表示参考终端k接收到的服务小区的NRSRP值，d_k表示所述待定位终端与参考终端k之间的距离估计值，f表示信号载波频率，k＝1,2,3,4…K；

S5：根据所述距离估计差值以及K个参考终端的位置信息，利用极大似然估计算法得到所述待定位终端的实际位置估计值；

设待定位终端的实际位置为(x,y)，按照指纹特征匹配度由高到低的顺序，筛选出的K个参考终端的对应位置依次为(x₁,y₁)，(x₂,y₂)，…，(x_K,y_K)，所述步骤S5中通过最小二乘理论对AX＝B进行计算得到所述待定位终端的实际位置估计值，其中，

X＝(x,y)^T，

d_q，1＝d_q-d₁，q＝2,3,4…K，d_q表示所述待定位终端与参考终端q之间的距离估计值，d₁表示所述待定位终端与参考终端1之间的距离估计值。

2.如权利要求1所述的基于NB-IoT的终端指纹定位方法，其特征在于，在步骤S22之后，且在步骤S23之前，还包括：

S221：利用卡尔曼滤波去除所述CSI和所述NRSRP值中的异常值。

3.如权利要求1所述的基于NB-IoT的终端指纹定位方法，其特征在于，所述p为2。

Images