CN110996283A

CN110996283A - 一种利用深度学习和通信链路质量实现位置估计的方法

Info

Publication number: CN110996283A
Application number: CN201911323063.XA
Authority: CN
Inventors: 吴虹; 杨梦焕; 李世琛
Original assignee: Nankai University
Current assignee: Nankai University
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2020-04-10

Abstract

本发明公开了一种利用深度学习和通信链路质量实现位置估计的方法，这种定位方法属于被动定位。与传统定位方法不同，在被动定位中，待定位目标无需携带任何电子设备，也不需要主动参与定位活动，该定位方法通常使用在一些特殊的应用场景下，如安防监控，以及空巢老人、留守儿童、服刑人员等人员的定位。当待定位目标出现在不同位置时，会对无线链路产生不同的影响，通过分析无线链路的信道状态，进而能够推算出人的位置，实现位置估计。本发明提出一种基于ZigBee网络的定位方案，获取网络中各个节点的通信链路质量，利用深度学习训练深度神经网络，实现对目标的位置估计。实验表明，在160平方米的实验环境内，平均定位误差小于0.2米。

Description

一种利用深度学习和通信链路质量实现位置估计的方法

技术领域

本发明涉及一种利用深度学习和通信链路质量(Link Quality Indicator，LQI)实现位置估计的方法。

背景技术

基于位置的服务不断影响着人们的日常生活，已经成为了一项关键的技术，随着物联网技术的发展和成熟，基于位置的服务开始展现出广阔的市场前景。目前社会现代化建设日益完善，基础设施建设不断发展，出现了越来越多的大型建筑，人们80％以上的时间都处在室内环境下，因此，对于针对室内的位置服务需求日益增加。一些特别的领域要求使用较为精准的位置信息，如大型场馆的内部管理、特殊人群的定位、应急情况下的室内定位等等。从应用角度来讲，室内定位系统主要可以分为主动定位和被动定位这两种方式。

主动定位即目标依靠终端主动获取自己的位置信息，在室内进行主动定位。而在被动定位中，待定位目标无需主动参与到定位活动中，也不需要携带任何电子产品。传统的无设备定位方式包括计算机视觉、红外传感器、室内雷达等方式。在被动定位系统中，一般包含多个无线电发射机与接收机，组成了多条无线电链路。待定位目标处于不同的位置时，会对无线电信道产生不同的影响，如遮挡、反射、衰落等。通过对多个无线电链路的信道状态进行监测来实现目标的定位，这就是被动定位的基本原理。被动定位常见的应用场景包括安防监控，以及空巢老人、留守儿童、服刑人员等人员的定位。与监控摄像头相比，无线电信号不容易被遮挡，在黑暗、烟雾环境中也能正常工作，同时能够更好地保护目标的隐私问题。可以看出，被动定位有着广阔的应用场景，能够推动智能安防、特殊人群监护等领域的发展。

无线定位现在已经被人们广泛使用，广域网的定位有GPS卫星定位、蜂窝定位等，局域网定位有WIFI定位、蓝牙定位、UWB定位、ZigBee定位等。ZigBee是一种高可靠的无线数传网络，其数传模块类似于移动网的网络基站，通讯距离可以从75米到几百米甚至几公里，同时支持无限扩展。ZigBee网络主要是为工业现场自动化控制数据传输而建立的，具有简单、使用方便、工作可靠、价格低等优点。被动定位系统的精度很大程度上取决于无线电链路的覆盖密度，为了提高系统的精度，需要大量的终端设备来提供数据链路信息。物联网技术的进步与发展带来了海量的终端与海量的数据连接链路，如无线传感器网络、智慧标签、自动化控制终端等等，能够为被动定位系统提供充足的、冗余的无线链路信息。人体60％由水构成，而水的吸收峰在2.4GHz，当目标在周围走动时，无线链路的质量会迅速变化，从而提高了识别待定位目标不同位置的能力。本文提出，利用ZigBee设备搭建一个无线网络，从而快速低成本的搭建一个被动定位网络。

被动定位算法的关键问题在于如何描述待定位目标对无线信号的影响，已有的研究从无线信号中提取时域均值、方差、能量和熵等统计特征，研究这些统计特征与待定位目标位置之间的关系。然而，这些不同的统计特性适用于不同的场景，必须手动为不同的应用场景选择合适的特性，这将花费大量的人工时间，提高系统的部署难度。为解决上述问题，需要研究一种定位方法，实现高精度位置估计，降低系统的部署成本。

发明内容

本发明提出了一种基于ZigBee网络的被动定位系统部署方式，降低了网络的硬件成本与部署时间；提出了一种使用深度学习框架的被动定位算法，利用采集的通信链路质量值和坐标值训练回归网络，实现了精准的位置估计；在室内环境进行了实地实验，并对实验性能进行了评估。本方法采用的技术方案包含以下步骤。

步骤1：利用ZigBee网络部署被动定位系统，在试验场地中设置ZigBee节点，其中一个节点作为LQI采集器，与主机相连，将采集到的LQI值传输到计算机中，同时还需要一个激光测距仪用于采集坐标信息。

步骤2：采集待定位目标在不同位置下的LQI值以及所在坐标值到计算机中，待定位目标可以位于试验场地中的任何位置，将采集到的数据按照合适的比例分为训练集与测试集，供之后的实验过程进行使用。

步骤3：建立一个用于监督学习的深度神经网络，使用步骤2中所采集到的LQI值以及坐标数据，对网络进行训练。

步骤4：测试训练好的网络，通过测试结果的平均定位误差和累积分布函数对被动定位系统的性能进行分析。

与传统无设备定位方法相比，本发明具有以下优点：

(1)本发明使用基于ZigBee网络的硬件设备，部署网络的复杂度较低，同时减少了整个系统的硬件成本；

(2)本发明采集了大量数据，采用深度学习的方法，可以将定位误差降低至0.19米，实现精准的位置估计；

(3)本发明对于动态目标同样具有良好的跟踪性能。

附图说明

图1为所设计的被动定位网络硬件结构。

图2为不同节点数下被动定位系统的平均定位误差。

图3为不同节点数的被动定位系统定位误差的累积分布函数。

具体实施方式

结合附图，对本发明所述的方法作详细阐述。

步骤1：利用ZigBee网络部署被动定位系统。

本发明实验地点为天津市南开大学电子信息与光学工程学院楼。如图1所示，试验场地大小为6.6m×25m，在该网络中利用ZigBee共部署了13个节点，节点之间通过无线链路直接相连，形成156条交叉的无线链路。选用一个额外的节点负责收集整个无线链路的LQI值，与一台计算机相连，将数据发送到主机。为获取待定位目标的精确坐标，使用激光测距仪进行测距，将坐标信息发送给主机。该ZigBee网络基于IEEE 802.15.4协议。

被动定位系统本质上是利用无线链路中目标的阴影效应来实现定位，因此其性能将受到网络链路密度的影响，无线链路数可以表示为：

M＝N(N-1)，N＝2，3，4，…，13

其中M为无线链路数，N为节点数。

步骤2：采集待定位目标在不同位置下的LQI值与坐标值，将采集到的数据按照合适的比例分为训练集与测试集。

当待定位目标进入实验环境时，LQI采集器会获取每个ZigBee节点对之间的无线链路的LQI值，同时，激光测距仪通过测量距离从而获得该目标所在坐标。将采集到的所有无线链路LQI值与坐标值同步发送给主机。在采集数据的过程中，目标无需选择固定点位，可以出现在试验场地中的任意位置，从而获取多样化的数据，提高系统的精度。

实验过程中，采集器需要25ms来获取无线节点的LQI值，采样频率约为40Hz，足以用于大多数应用场景。整个数据采集过程花费6小时时间，所采集数据中，大约700000组数据作为训练集与验证集，约100000组数据用于测试。

我们建立了一个总共为10层的神经网络，输入层输出数据维度为(1，M)；隐含层为全连接层，使用线性整流函数作为激活函数，将批归一化层置于全连接层与激活函数之间，隐含层输出数据维度为(1，128)；为得到多样化的数据，输出层使用回归层，输出数据维度为(1，2)。

从图2中可以看到，平均定位误差随着N的增加而减小，当N＝13时，被动定位系统性能最佳，平均定位误差为0.19米。如果同时考虑硬件成本和部署复杂度，那么部署7个节点可能是更好地选择。当N＝7时，平均定位误差约为0.52米。

图3进一步说明了定位误差的统计特性，其显示了不同节点数下定位误差的累积分布函数。由图像可知，被动定位系统的整体性能随节点数的增加而提高，当N＝13时，平均定位误差约为0.17米，95％的误差控制在0.54米上下。

在对目标的跟踪实验中，节点数为13时，预测路径与实际路径几乎一致。当节点数改为7，跟踪性能主要在无线链路覆盖不足的区域稍有下降。

Claims

1.一种利用深度学习和通信链路质量实现位置估计的方法，待定位目标无需携带任何电子设备，也无需主动参与到定位流程中，包括以下步骤：

1)利用硬件设备搭建网络作为试验场地；

2)在1)搭建好的网络中采集数据，待定位目标可以出现在试验场地中任何位置，同步采集通信链路质量值与待定位目标的坐标，利用采集到的数据建立采集的数据分为训练集、验证集与测试集；

3)利用2)中建立的训练集与验证集训练一个全连接神经网络；

4)使用2)中建立的测试集对3)中训练好的网络进行测试并分析结果。

2.如权利要求1所述的一种利用深度学习和通信链路质量实现位置估计的方法，其特征在于，基于IEEE 802.15.4协议，通过ZigBee设备搭建物联网网络作为试验场地，减少了整个系统的硬件成本。

3.如权利要求1所述的一种利用深度学习和通信链路质量实现位置估计的方法，其特征在于，待定位目标无需选择固定点位，采集器采集各节点的通信链路质量值来实现对目标位置的估计。

4.如权利要求1所述的一种利用深度学习和通信链路质量实现位置估计的方法，其特征在于，基于深度学习的方法，搭建了一个全连接层神经网络，在测试过程中，以平均定位误差和累积分布函数作为系统性能的指标。