CN112040394B - 一种基于ai深度学习算法的蓝牙定位方法及系统 - Google Patents

Abstract

本申请提供了一种基于AI深度学习的蓝牙定位方法：AOA定位基站获取AOA信号源发送的第一信号的相位数据，AOA定位基站向AI服务器发送获取的该相位数据，AI服务器根据训练好的神经网络模型和获取的相位数据，确定发射所述第一信号的AOA信号源的位置。本申请通过引入AI技术到AOA定位领域中，通过对多天线接收到定位信号源的原始相位值采样，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上。这种可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率，从而实现精准定位。

Description

一种基于AI深度学习算法的蓝牙定位方法及系统

技术领域

本申请涉及定位技术领域，尤其涉及一种基于AI深度学习算法的蓝牙定位方法及系统。

背景技术

利用无线技术定位已经成为定位研究领域的一种趋势。蓝牙传输作为一种通用通信技术，最主要的功能就是取代了数据电缆的传输，用于便携式设备及其应用的，比如手机与手机、手机与其他蓝牙设备的连接与传输。从1.0到5版本，蓝牙为越来越多的电子设备赋予了简便、安全、低成本的连接方案。

目前，最新的蓝牙5.1标准引入了到达角/发送角(Arrival of Angle,AOA/Arrival of Departure,AOD)技术。其中，AOA技术以接收器和发射器为基础，计算接收节点和发射节点之间的相对方位和角度，然后利用三角测量法或者其他的方法计算出未知节点的位置。这种定位系统可以运用于仓库的物流追踪或商场顾客位置追踪，人们可以将其用于定位寻路。

蓝牙AOA技术因为利用相位差估算的到达角度去定位AOA发射源位置，导致定位结果不够精准，并且还面临着信号反射干扰，天线开关时间延迟和室内环境下各种遮挡物，反射物等带来的多径效应等困扰。

发明内容

本申请提供了一种基于AI深度学习算法的蓝牙定位方法及系统，提高了计算精度，加快了定位速率。

第一方面，提供了一种基于AI深度学习算法的蓝牙定位方法，包括：

AOA定位基站获取AOA信号源发送的第一信号的相位数据，AOA定位基站将AI服务器发送该相位数据，AI服务器根据训练好的神经网络模型和该相位数据，确定发射第一信号的AOA信号源的位置。其中，第一信号是指通过AOA信号源发送的任一信号。

本发明的实施例通过采用AOA定位基站的AI算法，引入AI技术到AOA定位领域中，通过对底层多天线接收到定位信号源的原始采样值I和Q的相位值，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上(0.1～0.3m精度)。这种可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率。可以显著改善基站覆盖边缘区域的定位精度。从而实现最终的位置定位。

在第一方面一种可能的实现方式中，AOA定位基站通过不同的天线接收AOA信号源发送的同一信号，不同天线上接收到的信号的相位不同；AOA定位基站向AI服务器发送不同天线上接收到的同一信号的多个不同的相位数据；AI服务器根据多个不同的相位数据，训练得到神经网络模型。本发明通过机器仿真大脑神经元架构，从下到上依次抽象样本特征，并通过大量学习样本来完善该神经网络模型，最终达到准确定位的效果。

在第一方面一种可能的实现方式中，当AOA定位基站是单基站时，神经网络模型包括输入层、第一训练层、第二训练层、输出层。

AI服务器将采集的多个不同的相位数据输入至输入层，输入层根据多个不同的相位数据，得到不同的相位值。第一训练层的输入为不同的相位值，第一训练层根据不同的相位值，得到多个相位差。第二训练层的输入为多个相位差，第二训练层根据多个相位差，得到多个角度值。输出层的输入为第二层得到的多个角度值，输出层根据多个角度值和不同的天线间相对位置，将多个角度值组合训练到目标空间立方体内，得到神经网络模型。目标空间立方体方是指方框边长约等于最小误差(通常取100mm长宽高)。

在第一方面一种可能的实现方式中，不同天线中的第一天线为参考天线，多个相位差为不同的天线中其它天线分别和参考天线之间的相位差。其中，第一天线为不同的天线中处于中心位置的天线。为简化网络架构，选择中心天线作为参考，其他天线只用和参考天线取差值即可，不同相位差对后续角度或者坐标定位的权值可在训练过程中调整，避免因天线走线不等长导致个别天线性能差，导致采样数据可信度低，可以通过训练过程调低权值。在本发明中天线阵列的排列方式是其他天线位于同一半径的圆周上，中心天线位于圆心上。

在第一方面一种可能的实现方式中，多个角度值中的第一角度值是利用在同一条直线上的3个天线的相位差取加权平均值确定的，第一角度值表示AOA信号源和3个天线所在的直线的夹角，3个天线中处于中间位置的天线为不同的天线中的参考天线。其中，第一角度值指多个角度值中的任意一个。在本发明中的3个天线指位于同一直径上的三个天线。

在第一方面一种可能的实现方式中，当AOA定位基站包括多个基站时，在神经网络模型的第二训练层和输出层之间还包括第三训练层，也叫立体解析层，该立体解析层用于将多个角度值转化为多个三维立体角。输出层用于根据多个三维立体角和不同的天线间相对位置，将多个三维立体角组合训练到目标空间立方体内，得到神经网络模型。多基站协同定位算法，可以显著改善基站覆盖边缘区域的定位精度。从而实现最终的位置定位。可选的，目标空间方框边长约等于最小误差(通常取100mm长宽高)。

本发明通过对底层多天线接收到信号源的原始采样值I的Q的相位值，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上(0.1～0.3m精度)，从而实现最终的位置定位。

可选的，本发明提供的蓝牙定位方法还包括：AOA定位基站获取AOA定位信号源发送的广播定位信号，AOA定位基站根据广播定位信号，对多个不同的相位数据进行校准，并将校准后的所述多个不同的相位数据发送给AI服务器。同时也能解决基站定位随着时间进行不短积累的定位偏差。

可选的，本发明提供的蓝牙定位方法还包括：AOA定位基站获取AOA信号源发送的广播定位信号；AOA定位基站根据广播定位信号，确定多个定点AOA信号源的位置；AOA定位基站根据所述AI服务器根据训练好的神经网络模型和所述相位数据，在多个定点AOA信号源的位置中，确定发射第一信号的AOA信号源的位置。基站通过校准计算值和理论值之间的偏移，来实现位置校准。根据一个或者多个AOA定位信号源用于校准相位偏移，消除多径反射，可以提高基站的抗多径效应。

第二方面，提供了一种基于AI深度学习算法的蓝牙定位系统，该系统包括：AOA信号源、AOA定位基站、AI服务器。AOA信号源为持续广播信号，AOA定位基站用于获取AOA信号源发送的第一信号的相位数据，并向AI服务器发送相位数据。AI服务器用于根据不同天线的相位数据，训练得到神经网络。AOA定位基站和AI服务器用于实现第一方面或者第一方面中任意一方面中的任意可能的实现方式中的方法。

第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序被执行时，用于执行第一方面或者第一方面中任意一方面中的任意可能的实现方式中的方法。

第四方面，本申请还提供了一种芯片，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的通信设备执行第一方面至第四方面中任意一方面中的方法，或者，用于执行第一方面至第四方面中任意一方面中的任意可能的实现方式中的方法。

与现有技术相比，本发明的有益效果是：

本发明将蓝牙AOA定位技术和AI技术结合起来，当AOA是单基站定位AI算法，可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率。当AOA基站是多基站协同定位AI算法，可以显著改善基站覆盖边缘区域的定位精度。AOA定点信号源校准补偿机制，可以提高基站的抗多径效应，同时也能解决基站定位随着时间进行不短积累的定位偏差。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种应用场景图。

图2是本发明实施例提供的一种基于AI深度学习算法的蓝牙定位方法100的流程示意图。

图3是本发明实施例提供的神经网络训练的示意性流程图。

图4是本发明实施例提供的AOA定位基站是单基站时，训练神经网络模型的过程的示意图。

图5是本发明实施例提供的AOA定位基站是多基站时，训练神经网络模型的过程的示意图。

图6是本发明实施例提供的AOA定位基站是多基站时，信号源处于同一平面时，立体角在空间坐标的几何模型图。

图7是本发明实施例提供的AOA定位基站是多基站时，信号源在不同平面时，立体角在空间坐标的几何模型图。

图8是本发明实施例提供的一种AOA基站校准示意图。

图9是本发明实施例提供的一种多径效应示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

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。

目前，最新的蓝牙5.1标准引入了到达角/发送角(Arrival of Angle,AOA/Arrival of Departure,AOD)技术。其中，AOA技术以接收器和发射器为基础，计算接收节点和发射节点之间的相对方位和角度，然后利用三角测量法或者其他的方法计算出未知节点的位置。这种定位系统可以运用于仓库的物流追踪或商场顾客位置追踪，人们可以将其用于定位寻路。例如，一个多天线线性数组的设备作为接收器，另一个单天线的设备作为发射器，假设无线电波作为平面波面而非球形。如果在空中发送正弦波的发射器，位于与数组线垂直的法线，则数组中的每个天线将接收相同相位的输入讯号。如果发射器不在法线，则接收天线将测量信道之间的相位差，利用相位差信息估算到达角度。

人工智能(Artificial Intelligence，AI)，通过机器仿真大脑神经元架构，来识别图像、语音、语义等。以图像识别为例，通常做法是采用多层网络神经网络，如底层是像素点，中间的隐层可是横线、斜线以及线的组合，顶层可以是人脸或者其他动植物等，这样从下到上依次抽象样本特征，并通过大量的学习样本来完善该网络，最终达到图像识别的效果。

而如果可以把AI技术引入到定位领域中，比如目前蓝牙5.1协议开放的AOA(Arrive of Angle，到达角定位)中，通过对底层多天线接收到定位beacon的原始采样值I的Q的相位值，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上(0.1～0.3m精度)，从而实现最终的位置定位。

本文所述的定位技术是基于蓝牙AOA定位，并通过多基站协同定位算法的优化、定点蓝牙信标(Beacon)校准补偿机制来消除多径误差，进一步提高蓝牙定位精度。

在本申请实施例中，Beacon可以理解为一种蓝牙广播设备。

为便于理解本申请实施例，首先以图1中示出的通信系统为例详细说明适用于本申请实施例的应用场景图。如图1所示，该通信系统包括显示器、处理器、交换机、蓝牙AOA定位基站和蓝牙AOA信标，通过各部分的相互通信，实现精准实时轨迹追踪。蓝牙AOA定位基站可配置有多个天线。其中，蓝牙AOA定位基站为具有蓝牙无线收发功能的设备或可设置于该设备的芯片，该设备包括但不限于：演进型节点B(evolved Node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、基站控制器(base stationcontroller，BSC)、基站收发台(base transceiver station，BTS)、家庭基站(例如，homeevolved NodeB，或home Node B，HNB)、基带单元(baseband unit，BBU)，无线保真(wireless fidelity，WIFI)系统中的接入点(access point，AP)、无线中继节点、无线回传节点、传输点(transmission and reception point，TRP或者transmission point，TP)等，还可以为5G，如，NR，系统中的gNB，或，传输点(TRP或TP)，5G系统中的基站的一个或一组(包括多个天线面板)天线面板，或者，还可以为构成gNB或传输点的网络节点，如基带单元(BBU)，或，分布式单元(DU，distributed unit)等。蓝牙AOA信标终端设备可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的蓝牙AOA信标终端设备可以是蓝牙腕带，蓝牙手机，蓝牙门禁等蓝牙无线终端等等。本申请的实施例对应用场景不做限定。本申请中将具有蓝牙收发功能的终端设备及可设置于前述终端设备的芯片统称为终端设备。定位基站获取设备信息和位置信号发送给交换机，交换机汇总信息传入AI服务器，AI服务器经过处理后将最终的设备信息和位置信息反馈到显示器。

图2是本发明实施例提供的一种基于AI深度学习算法的蓝牙定位方法100的流程示意图。该方法100包括S110至S130。

S110、AOA定位基站获取AOA信号源发送的第一信号的相位数据。

首先，蓝牙天线板通过使用开关切换天线，采用分时扫描的方式采样不同天线的原始相位，此部分数据采样由AOA定位基站的蓝牙芯片完成；AOA定位基站获取AOA信号源发送的第一信号的相位数据的具体做法是：可以使用多个AOA定点信号源，放到边长10～30cm的目标空间立方体上，把定点信号源设置成广播其相对于目标立方体原点的相对位置坐标信息。目标空间立方体的整体尺寸高度方面以实际应用的最大高度为准，长宽以适合移动扫描空间坐标，可以进入狭窄环境为准，例如，该目标空间立方体的尺寸可以为高3m，长1m，宽0.5m。每测完一块区域的AOA定点信号源实际相位值，就把目标空间立方体移动到相邻的位置，进行下一块区域的相位采样，直到采集完基站的覆盖空间范围为止。移动过程中记录脚手架的参考原点相对于基站的空间坐标，这样对AOA定点信号源进行坐标平移变换即可得到AOA定点信号源相对于基站的空间坐标了。

S120、AOA定位基站向AI服务器发送相位数据。

可选的，作为一种可能的实现方式，在本申请实施例中，相位校准的数据处理由AOA定位基站的单片机(Microcontroller Unit，MCU)处理完成，并通过无线网(WiFi)/以太网(Ethernet)把上传数据上传到服务器或者AI云解算中心。

S130、AI服务器根据训练好的神经网络和相位数据，确定发射第一信号的AOA信号源的位置。其中，第一信号时是指AOA信号源发送的任一信号。训练完成后的神经网络就可以输入基站采集到的AOA信号源的相位数据，输出该信号源的精准的空间坐标了。

本发明的实施例提供了一种基于AI深度学习算法的蓝牙定位方法，通过采用单基站，可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率。多基站的AI算法可以显著改善基站覆盖边缘区域的定位精度。从而实现最终的位置定位。

可选的，作为一种可能的实现方式，以图3所示的神经网络训练的示意性流程图为例，在图2所示的方法步骤的基础上，该方法130还包括S127至S129。

S127、AOA定位基站通过不同的天线接收AOA信号源发送的同一信号，不同天线上接收到的信号的相位不同。

首先，蓝牙天线板通过使用开关切换天线，采用分时扫描的方式采样不同天线的原始相位，此部分数据采样由AOA定位基站的蓝牙芯片完成；AOA定位基站获取AOA信号源发送的第一信号的相位数据的具体做法是：可以使用多个AOA定点信号源，放到边长10～30cm的目标空间立方体上，把定点信号源设置成广播其相对于目标立方体原点的相对位置坐标信息。目标空间立方体的整体尺寸高度方面以实际应用的最大高度为准，长宽以适合移动扫描空间坐标。例如，该目标空间立方体的尺寸可以为高3m，长1m，宽0.5m。每测完一块区域的AOA定点信号源实际相位值，就把目标空间立方体移动到相邻的位置，进行下一块区域的相位采样，直到采集完基站的覆盖空间范围为止。移动过程中记录脚手架的参考原点相对于基站的空间坐标，这样对AOA定点信号源进行坐标平移变换即可得到AOA定点信号源相对于基站的空间坐标了。

S128、AOA定位基站向AI服务器发送不同天线上接收到的同一信号的多个不同的相位数据。

可选的，作为一种可能的实现方式，在本申请实施例中，相位校准的数据处理由AOA定位基站的单片机(Microcontroller Unit，MCU)处理完成，并通过无线网(WiFi)/以太网(Ethernet)把上传数据上传到服务器或者AI云解算中心。

S129、AI服务器根据多个不同天线的相位数据，训练得到神经网络模型。天线阵列结构和数量不做限定，本发明提供的天线阵列为中心天线为圆点，其他天线位于同一半径的圆周上的圆形阵列天线。

图4是本发明实施例提供的AOA定位基站是单基站时，训练神经网络模型的过程的示意图。其中，深度学习算法运行在服务器或者云解算中心，如图4所示的：

L0层使用AOA基站上传的相位数据作为AI训练输入，输出多个不同的相位值。

L1层根据L0层得到的多个不同的相位值，用来计算多个相位差，为简化网络架构，可以选择中心天线作为参考，其他天线只用和参考天线取差值即可。并将L1层得到的多个相位差发送给L2层。

L2层对L1层的多个相位差进一步提取角度特征，方法是采用在同一条直线上的3个天线的相位差取加权平均，算出目标和3个天线所在的直线的夹角，加权权重可在训练数据过程中微调。L2层输出多个角度值。

输出层的输入为多个角度值，输出层根据多个角度值和不同的天线间相对位置，将多个角度值组合训练到目标空间立方体内，得到神经网络模型。

输出层根据L2层得到的多个角度值，结合天线间的相对位置等已知量，来把不同的角度组合训练到目标空间方框内，方框边长约等于最小误差(通常取100mm长宽高)；训练过程是把基站得到的相位数据，训练到目标空间立方体坐标范围内，得到3D立体空间坐标。从而得到一个完善的神经网络模型。

可选的，作为一种可能的实现方式，不同天线中的第一天线为参考天线，多个相位差为不同的天线中其它天线分别和参考天线之间的相位差。其中，第一天线为不同的天线中处于中心位置的天线。为简化网络架构，可以选择中心天线作为参考，即ANT0为参考天线，其他天线只用和参考天线取差值即可，不同相位差对后续角度或者坐标定位的权值可在训练过程中调整，避免因天线走线不等长导致个别天线性能差，导致采样数据可信度低，可以通过训练过程调低权值。

可选的，作为一种可能的实现方式，多个角度值中的第一角度值是利用在同一条直线上的3个天线的相位差取加权平均值确定的，第一角度值表示AOA信号源和3个天线所在的直线的夹角，3个天线中处于中间位置的天线为不同的天线中的参考天线。其中，第一角度值指多个角度值中的任意一个。此时的3个天线可以为图中的ANT0，ANT1，ANT5或者ANT0，ANT2，ANT6等。输出的多个角度值，比如，Angle105，Angle206等。

图5所示为3个AOA定位基站时训练神经网络模型的过程的示意图。每个AOA定位基站的前面三层从相位采样，L0层数据输入，L1层提取I/Q相位差特征，到L2层提取到达角特征，都与单基站AI算法一致，甚至到输出层也是空间数字化的坐标。不同的是，对于每个AOA定位基站，在L2层和输出层之间增加了L3层立体角特征层(3D angle)，该立体角特征层用于把单基站不同天线组的二维到达角，综合成3D立体角。将3个AOA定位基站分别对应的3D立体角输入至输出层。其中，如图5所示的，3个AOA定位基站对应同一个输出层。

当定位基站为多基站时，且当被定位信号源只在一个平面上，则可以使用二维平面三角定位模型，如图6所示的立体角到空间坐标的几何模型：三个基站分别定位得出各自的角度θ(xy平面内和x轴正向的夹角)，两个基站即可定位信号源的位置。考虑到角度误差，实际任意两两之间可以定位出3组平面坐标，只用取3点的中心位置即可。

当定位基站为多基站时，且当被定位信号源不在一个平面上，需要做3维模型，如图7所示的信号源的高度不同时立体角到空间坐标的几何模型，在二维平面的三角定位基础上增加了和z轴夹角

可以用来确定被定为信号源的高度。

可选的，作为一种可能的实现方式，以图8所示的AOA定位基站校准示意图为例，在图2所示的方法步骤的基础上，该方法120还包括AOA定位基站校准过程，解决AOA定位基站定位随着时间进行不短积累的定位偏差。

AOA定位基站获取AOA定位信号源发送的广播定位信号，AOA定位基站根据广播定位信号，对多个不同的相位数据进行校准，并将校准后的多个不同的相位数据发送给AI服务器。基站获取每一个天线的初始相位值和补偿值，其中初始相位值由接收到的AOA定位信号源广播的信号确定，补偿值用于校准初始相位值。具体获取补偿的方法可以采用如图8所示的AOA定位基站校准示意图，把定点发射源放置到一组天线的中心竖直往下位置，由正四棱锥的几何关系可知发射源到四个天线的距离等长，即四个天线同一时刻接收到的信号的相位值应当相同，但是随着时间进行也有可能出现位置漂移现象，实测位置会和理论位置存在偏差。所以，此时计算四个天线的相位值，确定一个中心天线，以中心天线为基准，计算其余天线与中心天线的相位差，即为补偿值。

基于所述补偿值和初始相位值，确定对应的相位值。基站获取补偿值之后，可以把每个天线的补偿值分别记录到该天线的补偿值寄存器中，每个天线在初始相位值上加上补偿值，得到天线对应的相位值。通过上述方法经过校准的补偿值更加的精确，相位值的精确是后续对待检测对象的位置信息进行计算的基础。

可选的，作为一种可能的实现方式，以图9为例，在图1所示的方法步骤的基础上，该方法130还包括多径效应的位置校准过程。

图9提供的是一种多径效应示意图，当需要获取信号源的位置时，由于墙面反射可能会获取到墙面位置上，即由于有可能存在各种遮挡、反射物，实际部署环境不可避免的存在多径效应。因此，本发明提供的蓝牙定位方法还包括：AOA定位基站获取AOA定位信号源发送的广播定位信号；AOA定位基站根据广播定位信号，确定多个定点AOA定位信号源的位置；AOA定位基站根据AI服务器根据训练好的神经网络模型和相位数据，在多个定点AOA信号源的位置中，确定发射第一信号的AOA信号源的位置。基站通过校准计算值和理论值之间的偏移，来实现位置校准。根据一个或者多个AOA定位信号源用于校准相位偏移，消除多径反射，可以提高基站的抗多径效应。

本发明实施方式的另一方面还提供一种基于AI深度学习算法的蓝牙定位系统，包括AOA信号源、AOA定位基站、AI服务器；AOA信号源为持续广播信号，AOA定位基站用于获取AOA信号源发送的第一信号的相位数据，并向AI服务器发送相位数据。AI服务器用于根据不同天线的相位数据，训练得到神经网络。AI服务器和AOA定位基站可以实现如上所述的蓝牙定位方法。

本申请实施例还提供了一种计算机可读存储介质，用于存储计算机程序代码，该计算机程序包括用于执行上述本申请实施例提供的任意一种基于AI深度学习算法的蓝牙定位方法。该可读介质可以是只读存储器(read-only memory,ROM)或随机存取存储器(random access memory,RAM)，本申请实施例对此不做限制。

本申请还提供了一种计算机程序产品，该计算机程序产品包括指令，当该指令被执行时，以使得以使所述AOA信号源、AOA定位基站、AI服务器分别执行上述对应的AOA信号源、AOA定位基站、AI服务器所执行的步骤。

本申请实施例还提供了一种芯片，该芯片包括：处理单元和通信单元，该处理单元，例如可以是处理器，该通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行计算机指令，以使所述AOA信号源、AOA定位基站、AI服务器分别执行上述对应的AOA信号源、AOA定位基站、AI服务器所执行的步骤。

可选地，该计算机指令被存储在存储单元中。

可选地，该存储单元为该芯片内的存储单元，如寄存器、缓存等，该存储单元还可以是该终端内的位于该芯片外部的存储单元，如只读存储器(read-onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random accessmemory，RAM)等。其中，上述任一处提到的处理器，可以是一个CPU，微处理器，ASIC，或一个或多个用于控制上述的反馈信息的传输方法的程序执行的集成电路。该处理单元和该存储单元可以解耦，分别设置在不同的物理设备上，通过有线或者无线的方式连接来实现该处理单元和该存储单元的各自的功能，以支持该系统芯片实现上述实施例中的各种功能。或者，该处理单元和该存储器也可以耦合在同一个设备上。

本申请还提供了一种AOA定位基站，该AOA定位基站可以包括处理器、存储器和收发器。AOA定位基站能够实现上述方法中的各个实施例中描述的AOA定位基站执行的步骤。类似的描述可以参考前述对应的方法中的描述。为避免重复，这里不再赘述。

本申请还提供了一种AI服务器，该AI服务器可以包括处理器、存储器和收发器。AI服务器能够实现上述方法中的各个实施例中描述的AI服务器执行的步骤。类似的描述可以参考前述对应的方法中的描述。为避免重复，这里不再赘述。

其中，本实施例提供的各种通信装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于AI深度学习的蓝牙定位方法，其特征在于，所述方法包括：

AOA定位基站获取AOA信号源发送的第一信号的相位数据；

所述AOA定位基站向AI服务器发送所述相位数据；

当所述AOA定位基站是单基站时，初始神经网络模型包括输入层、第一训练层、第二训练层、输出层；

所述AI服务器将采集的多个不同的相位数据输入至所述输入层，所述输入层根据多个不同的相位数据，得到不同的相位值；

所述第一训练层的输入为所述不同的相位值，所述第一训练层根据所述不同的相位值，得到多个相位差；

所述第二训练层的输入为所述多个相位差，所述第二训练层根据所述多个相位差，得到多个角度值；

所述输出层的输入为所述多个角度值，所述输出层根据所述多个角度值和所述不同的天线间相对位置，将所述多个角度值组合训练到目标空间立方体内，得到三维立体坐标，从而得到训练好的神经网络模型；

所述AI服务器根据所述训练好的神经网络模型和所述相位数据，确定发射所述第一信号的AOA信号源的位置。

2.根据权利要求1所述的蓝牙定位方法，其特征在于，所述方法还包括：

所述AOA定位基站通过不同的天线接收所述AOA信号源发送的同一信号，不同天线上接收到的信号的相位不同；

所述AOA定位基站向所述AI服务器发送所述不同天线上接收到的同一信号的多个不同的相位数据；

所述AI服务器根据所述多个不同的相位数据，训练得到所述神经网络模型。

3.根据权利要求1或2所述的蓝牙定位方法，其特征在于，当所述AOA定位基站包括多个基站时，所述神经网络模型在所述第二训练层和所述输出层之间还包括立体解析层；

所述立体解析层用于将所述多个角度值转化为多个三维立体角；

所述输出层用于根据所述多个三维立体角和所述不同的天线间相对位置，将所述多个角度值组合训练到目标空间立方体内，得到三维立体坐标，从而得到所述神经网络模型。

4.根据权利要求2所述的蓝牙定位方法，其特征在于，所述不同的天线中的第一天线为参考天线，所述多个相位差为所述不同的天线中其它天线分别和所述参考天线之间的相位差，所述第一天线为所述不同的天线中处于中心位置的天线。

5.根据权利要求3所述的蓝牙定位方法，其特征在于，所述多个角度值中的第一角度值是利用在同一条直线上的3个天线的相位差取加权平均值确定的，所述第一角度值表示所述AOA信号源和所述3个天线所在的直线的夹角，所述3个天线中处于中间位置的天线为所述不同的天线中的参考天线。

6.根据权利要求2所述的蓝牙定位方法，所述方法还包括：

所述AOA定位基站获取AOA信号源发送的广播定位信号；

所述AOA定位基站根据所述广播定位信号，对所述多个不同的相位数据进行校准，并将校准后的所述多个不同的相位数据发送给所述AI服务器。

7.根据权利要求1所述的蓝牙定位方法，所述方法还包括：

所述AOA定位基站获取AOA信号源发送的广播定位信号；

所述AOA定位基站根据所述广播定位信号，确定多个定点AOA信号源的位置；

所述AOA定位基站根据所述AI服务器根据训练好的神经网络模型和所述相位数据，在所述多个定点AOA信号源的位置中，确定发射所述第一信号的AOA信号源的位置。

8.一种基于AI深度学习的蓝牙定位系统，其特征在于，包括：AOA信号源、AOA定位基站、AI服务器；

所述AOA信号源用于广播信号；

所述AOA定位基站用于获取AOA信号源发送的第一信号的相位数据，并向所述AI服务器发送所述相位数据；

所述AI服务器用于根据所述不同天线的相位数据，训练得到所述神经网络；

所述AOA定位基站和所述AI服务器用于实现如权利要求1-7任意一项所述的蓝牙定位方法。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

Images