CN112468954A - 一种基于神经网络的可见光室内立体定位方法 - Google Patents

Abstract

本发明公开一种基于神经网络的可见光室内立体定位方法，该方法包括九个步骤，其结合多次反射信道模型与神经网络的高精度可见光室内三维定位技术；该方法针对传统的基于强度的可见光室内定位算法定位精度不稳定，结合了指纹数据分析，并采用BP神经网络训练数据，进行拟合室内信道环境，解决了多径效应和背景噪声的干扰问题。结合理论分析和仿真实验，在本方法提出的基于神经网络的可见光室内定位系统中，定位的精度和定位的可靠性良好，为室内定位提出了一种很好的解决方案。

Description

一种基于神经网络的可见光室内立体定位方法

技术领域

本发明属于可见光室内定位技术领域，具体涉及一种基于神经网络的可见光室内立体定位方法，该方法结合了多次反射信道模型与神经网络的高精度可见光室内三维定位技术。

背景技术

随着物联网产业的飞速发展，室内定位的需求日益增加。可见光室内定位是一种新型室内定位技术，它将照明与通信相结合，相比传统的室内无线定位手段，具有成本低廉、无电磁干扰、定位精度高等优势，近年来已经成为无线通信领域一个新的研究热点，并被讨论作为第五代移动通信系统的室内接入方式之一。

传统可见光定位系统主要包括基于高精度光电传感器的室内定位和基于图像传感器的成像室内定位方法。虽然采用图像传感器进行定位可以获得较高的定位精度，然而由于其图像处理技术较为复杂，成本较高，导致其应用场景受限。在采用光电探测器定位时，由于存在背景噪声和室内反射噪声的干扰，导致系统定位精度不稳定。

人工神经网络具有非线性映射能力、自学习和自适应能力与泛化能力，通过人工神经网络可对室内可见光信道参数进行学习，结合神经网络训练模型及误差约束模型，可有效提高可见光系统室内定位精度。

发明内容

本发明提供一种基于神经网络的可见光室内立体定位方法，解决现有技术中基于高精度光电传感器和基于图像传感器成像的室内定位技术的缺点与不足。

为了达到高精度的定位需求，本发明的技术方案为：

一种基于神经网络的可见光室内立体定位方法，包括如下步骤：

步骤1、确定室内空间参数，搭建可见光室内立体定位系统模型，以室内空间底面中心点作为坐标原点建立三维坐标系；

步骤2、建立包含直射视距链路LOS与一阶反射链路的信道数学模型；

步骤3、确定步骤1所述室内空间的LED光源布局模型；

步骤4、结合步骤2所述LED信道漫反射模型，在步骤1所述室内空间的接收平面进行网格标定，采集各个网格中心点处不同LED的光照强度，将采集到的数据分类处理后，创建训练数据集和测试数据集；

步骤5、确定基于BP神经网络的可见光定位算法模型；

步骤6、利用步骤5所述定位算法，对步骤4采集到的训练数据集和测试数据集进行数据训练与预测，实现待测目标位置粗定位；

步骤7、利用定位误差约束模型，求解定位方程式，确定待测目标的预测位置坐标；

步骤8、在步骤1-7条件下，在步骤1所述空间范围内，对不同高度平面进行仿真定位测试；

步骤9、在步骤1-7条件下，搭建测试平台，进行实际定位测量。

本发明的有益效果：

(1)针对传统的基于强度的可见光室内定位算法定位精度不稳定，结合了指纹数据分析，并采用BP神经网络训练数据，进行拟合室内信道环境，解决了多径效应和背景噪声的干扰问题。

(2)结合理论分析和仿真实验，在本文提出的基于神经网络的可见光室内定位系统中，定位的精度和定位的可靠性良好，为室内定位提出了一种很好的解决方案。

附图说明

图1是本发明所述可见光室内定位系统空间三维坐标系示意图；

图2是本发明所述可见光定位神经网络结构框图；

图3是可见光室内定位系统基于BP神经网络的定位原理图；

图4是H＝0.5米定位误差三维分布图；

图5是H＝1.0米定位误差三维分布图；

图6是H＝1.5米定位误差三维分布图；

图7是H＝0.5米定位误差累积分布图；

图8是H＝1.0米定位误差累积分布图；

图9是H＝1.5米定位误差累积分布图；

图10是搭建的木质立体空间示意图；

图11是实体实测实验数据；

图12是实体实测定位误差分布。

具体实施方式

下面将结合附图和实施例对本发明进行详细地说明。

本发明提供一种结合多次反射信道模型与神经网络的高精度可见光室内三维定位方法，该方法可减少无线光信道漫反射对基于RSS 的可见光定位系统中的干扰，提高定位精度，包括以下9个步骤：

步骤1、以4m×4m×3m室内房间为实验仿真模型，搭建可见光室内立体定位系统模型，以室内空间底面一顶点作为坐标原点建立三维坐标系；

步骤2、建立包含直射视距链路LOS与一阶反射链路的信道数学模型；

步骤3、确定步骤1所述室内空间的LED光源布局模型，以步骤 1所述空间顶部一角为坐标原点，四个LED光源分别位于顶部L1(1m，1m，3m)，L2(1m，3m，3m)，L3(3m，3m，3m)，L4(3m， 1m，3m)四个坐标位置；

步骤4、结合步骤2所述LED信道漫反射模型，在步骤1所述室内空间的不同高度(0.5m，1m，1.5m)接收平面进行网格标定，采集各个网格中心点处不同LED的光照强度，将采集到的数据分类处理后，创建训练数据集和测试数据集；

步骤5、确定基于BP神经网络的可见光定位算法模型；

步骤6、利用步骤5所述定位算法，对步骤4采集到的训练数据集和测试数据集进行数据训练与预测，实现待测目标位置粗定位；

步骤7、利用定位误差约束模型，求解定位方程式，确定待测目标的预测位置坐标；

步骤8、在步骤1-7条件下，在步骤1所述空间范围内，对不同高度(0.5m，1m，1.5m)接收平面进行仿真测试，三维定位平均误差为 1.67厘米；

步骤9、在步骤1-7条件下，搭建测试平台，进行实际定位测量，以长宽高各为0.8m的木质立体空间为实验平台，经过对选取的81 组训练数据与16组位置数据进行多次定位测试，平均定位误差3.65 厘米。

参见附图，本发明具体按照以下步骤实施：

步骤1、搭建可见光室内立体定位系统模型；

如附图1所示，室内空间模型大小为4m×4m×3m，以室内空间底面一顶点作为坐标原点建立三维坐标系；

步骤2、建立包含直射视距链路LOS与一阶反射链路的信道数学模型；

LED为朗伯光源，其辐射照度I(θ)为：

如附图1所示，θ为相对于LED垂直轴的发射角，m_t表示发射端的朗伯发光阶数：

θ_1/2为LED的半功率角。信道的直流增益H(0)，墙壁、地面及室内其他具有反射特性物体对光信号的一阶反射直流增益H(0)_REF分别为：

A为光电检测器的有效面积；

为相对于接收轴的入射角；T_s为光滤波器的增益；g为聚光透镜增益；d为发射端与接收端之间的距离；d₁、d₂分别为LED到反射点及反射点到接收机之间的距离，ρ是与反射体材料有关的系数，dS_f为反射体的面积微元，α、β分别为反射光信号的入射角与出射角；m_r为接收端的朗伯发光阶数：

单个LED的光辐射功率为P_t，接收端光电探测器收到电功率为：

R为接收端PD的响应度；P_t为LED的发射功率；

为总噪声方差，包含热噪声方差和散粒噪声方差。

步骤3、确定步骤1所述室内空间的LED光源布局模型；

为了满足国际照度标准，根据光照度补偿原理，顶部布置4个 LED光源，以步骤1所述空间顶部一角为坐标原点，四个LED光源分别位于顶部L1(1m，1m，3m)，L2(1m，3m，3m)，L3(3m， 3m，3m)，L4(3m，1m，3m)四个坐标位置；

步骤4、结合步骤2所述LED信道漫反射模型，创建训练数据集和测试数据集；

在步骤1所述室内空间的不同高度(0.5m，1m，1.5m)接收平面，以5cm为间距划分网格，每个矩形的面积为5cmx5cm。在每个小正方形中都选取一个参考指纹点，每个平面共选取N＝6561个点。每个点接收不同的四个LED光源的光功率，将采集到的数据分类为训练数据集合测试数据集。

每个平面选取的N个点作为指纹数据集的参考点。第n个指纹点对应的记录信息为:

F_n＝(n,x_n,y_n,z_n,P_n1,P_n2,...,P_nm) (7)

其中，(x_n,y_n,z_n)表示第n个指纹点的真实坐标位置，P_nm表示第 n个指纹点在(x_n,y_n,z_n)处所接受到的第m个LED光源的光功率值。

步骤5、确定基于BP神经网络的可见光定位算法模型；

如附图2所示，神经网络可以被分为三层，分别为输入层，隐藏层和输出层。神经网络的输入是来自不同LED的RSS，另一方面，输出是一个m维的向量，并且在隐藏层中有L个节点。

如附图3所示，算法分为训练阶段和测试阶段。在训练阶段，把定位区域划分为许多较小区域，采集每个小格点中心坐标上光源的光强度数据，将其作为神经网络的训练集，把训练集的数据输入神经网络，目的是使实际输出值和期望输出值之间的误差最小。训练完成后，通过对训练后的人工神经网络进行光照强度数据输入，输出得到拟合后的m维向量，并通过误差约束模型计算，最终获得相应预测坐标。

步骤6、利用步骤5所述定位算法，对步骤4采集到的训练数据集和测试数据集进行数据训练与预测，实现待测目标位置粗定位；

采集的指纹数据集三个平面上的总样本数为3N，选取每个平面上的K个样本作为神经网络的训练输入集，即在总体3N个样本中选取3K个样本数据，用来训练神经网络模型。每个平面剩余的L(L+ K＝N)个样本作为测试集，用来测试训练好的模型和误差匹配。

输入层由m(m≥4)个神经元组成，在训练过程中，分别输入3K 样本的训练集数据，其中不同的指纹点所接收的m个LED光源的光功率的矩阵为输入训练集。建模输入训练集矩阵X^T可表示为：

其中，X_d＝(P_d1,P_d2,....,P_dm)(0<d≤3K)表示训练集中第d个位置参考点所接收到的m个LED光源的光功率值。

BP神经网络的输出层包含有三个神经元，在训练模型的过程中，输出层不断的将定位误差进行反向传播，通过不断修正各层的权值和阈值来不断逼近实际的定位坐标，提高定位的准确度。

对于每一个训练样本，从前向后计算每个神经元的输出。激发函数为单极S型函数表达式为：

这种情况下，激发函数的微分可用激发函数本身表示，其关系是：

f'(·)＝βf(·)(1-f(·)) (10)

当有P个样本模式时，系统的误差为：

式中d_pk是第p个样本第k个输出的期望值，o_pk是第p个样本第k个输出的当前值。其中输出层权系数的调整:

Δθ_k＝-ηβO_k(1-O_k)(d_k-O_k) (12)

式中η为学习率，输出层第k个节点净输入为

净输出为O_k＝f(I_k)。

隐含层权系数的调整:

确定将3L个测试集中的参考点及其对应接收的m个LED的光功率值的矩阵带入训练完成的BP神经网络模型，此时的神经网络的输入

表示为：

其中

表示测试集中第q个参考指纹点所接收到的m个LED光源的光功率值。其对应的输出矩阵为：

其中，

为PD在测试集中，第q个位置距离m 个LED光源的距离的预测值。

步骤7、利用定位误差约束模型，求解定位方程式，确定待测目标的预测位置坐标；

假设待测位置坐标为(x,y,z)，那么与m个LED光源的距离可以表示为：

把方程组(16)展开，进行求解位置坐标，则可转化为求解如下矩阵：

er＝(DX-Y)^T(DX-Y) (17)

把er定义为定位误差约束矩阵，其中D可以表示为：

矩阵Y可以表示为：

最后，矩阵X则可以表示为：

X＝[x,y,z]^T (20)

对误差约束矩阵求导，则可以得到：

2D^TDX-2D^TY＝0 (21) 因为D^TD是非奇异矩阵，则可以求得位置坐标：

X＝(D^TD)^-1D^TY (22)

步骤8、在步骤1-7条件下，在步骤1所述空间范围内，进行仿真测量；

分别对不同高度(0.5m，1m，1.5m)接收平面进行仿真测试：

如附图4所示，高度平面为0.5米时，预测位置与实际位置坐标并无较大偏离，最大误差为7.10厘米，平均误差为1.73厘米，如附图5所示，有90.1％的误差在3厘米以内。

如附图6所示，高度平面为1.0米时，最大的定位误差为5.56 厘米，平均误差为1.29厘米，如附图7所示，定位误差小于3厘米的占91.7％。

如附图8所示，高度平面为1.5米时，最大的定位误差为12.38 厘米，平均误差为3.85厘米，如附图9所示，定位误差数据在3厘米以内占比41.7％。

步骤9、在步骤1-7条件下，搭建测试平台，进行实际定位测量；

如附图10所示，搭建长宽高各为0.8m的木质立体空间，以横纵坐标各为10cm间隔，在实验平台的底部平面上画出定位格点，在顶部布置四颗功率为5W的LED光源，对各个光源采集50次强度值，然后排序去除极值取平均，作为该点的四组光源强度数据，采集的部分数据如附图11所示。如附图12所示，经过对选取的81组训练数据与16组位置数据进行多次定位测试，平均定位误差3.65厘米。

本发明的内容不限于实施例所列举，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。

Claims (1)

1.一种基于神经网络的可见光室内立体定位方法，其特征在于，包括以下具体步骤：

步骤1、确定室内空间参数，搭建可见光室内立体定位系统模型，以室内空间底面中心点作为坐标原点建立三维坐标系；

步骤2、建立包含直射视距链路LOS与一阶反射链路的信道数学模型；

步骤3、确定步骤1所述室内空间的LED光源布局模型；

步骤4、结合步骤2所述LED信道漫反射模型，在步骤1所述室内空间的接收平面进行网格标定，采集各个网格中心点处不同LED的光照强度，将采集到的数据分类处理后，创建训练数据集和测试数据集；

步骤5、确定基于BP神经网络的可见光定位算法模型；

步骤6、利用步骤5所述定位算法，对步骤4采集到的训练数据集和测试数据集进行数据训练与预测，实现待测目标位置粗定位；

步骤7、利用定位误差约束模型，求解定位方程式，确定待测目标的预测位置坐标；

步骤8、在步骤1-7条件下，在步骤1所述空间范围内，对不同高度平面进行仿真定位测试；

步骤9、在步骤1-7条件下，搭建测试平台，进行实际定位测量。

Images