CN113596731A - 一种基于卷积神经网络的ZigBee惯性辅助快速定位系统及方法 - Google Patents
一种基于卷积神经网络的ZigBee惯性辅助快速定位系统及方法 Download PDFInfo
- Publication number
- CN113596731A CN113596731A CN202110936162.6A CN202110936162A CN113596731A CN 113596731 A CN113596731 A CN 113596731A CN 202110936162 A CN202110936162 A CN 202110936162A CN 113596731 A CN113596731 A CN 113596731A
- Authority
- CN
- China
- Prior art keywords
- chip
- neural network
- convolutional neural
- data
- positioning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 230000000087 stabilizing effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000006641 stabilisation Effects 0.000 description 5
- 238000011105 stabilization Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，包括：多个参考节点，其设置在室内的不同位置；移动节点，其设置在所述室内的移动物体上，所述移动节点与所述多个参考节点交互通信；定位分站，其与所述移动节点交互通信，用于数据的收集、初步处理及传输；协调器节点，其与所述定位分站交互通信，用于数据的汇总和组建ZigBee网络；上位机终端，其与所述协调器节点和定位分站交互通信，用于数据的最终处理。本发明还提供一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，通过卷积神经网络活动识别模型的训练和参数的调整，预判行人的活动轨迹，提高室内定位的精度。
Description
技术领域
本发明涉及室内定位技术领域，更具体的是，本发明涉及一种基于卷积神经网络的ZigBee惯性辅助快速定位系统及方法。
背景技术
近年兴起的室内系统主要包括：基于WiFi指纹系统、基于超宽带(UWB)的室内系统、基于RFID的室内系统、基于ZigBee技术的室内系统和基于行人航迹推算的室内系统。
在基于WiFi指纹系统中，虽然WiFi技术已经成为一种主流的无线通信，不需要基础设施的布置，便于研发，但是WiFi指纹系统需要事先在离线阶段建立采样点网格，然后在在线阶段根据RSSI值进行定位，操作较为繁琐，且WiFi信号稳定性差，易受到多径效应影响。
基于超宽带(UWB)的室内系统在众多室内系统中有非常高的定位精度，可达到厘米级，一般用于军事追踪，但是成本较高，不具有普适性。
基于RFID的室内系统是无线射频识别通过射频标签和射频读写器进行通信，具有体积小，造价低，运行速度快，定位精度高等优点，但是只能在短距离进行信号处理，不适用于室内系统。
基于ZigBee技术的室内系统采用RSSI值进行定位，ZigBee技术具有自组网和低功耗等特点，造价低廉，可广泛适用于室内定位，但RSSI值极易受到外界环境的干扰；ZigBee网络包括协调器、路由器、终端节点三部分，协调器负责组建ZigBee网络，数据在终端进行采样，路由器负责将一定范围内的终端节点的数据收集并打包上传至协调器，但是在数据长距离传输时，则需要通过多个路由器进行数据传输，数据每经过一个路由器的转发，都存在一定的延时，经过的路由器越多，延时时间越长，且当数据较多时，上位机处理数据压力较大。
而基于行人航迹推算的室内系统又叫惯性导航技术(PDR)，利用惯性传感元件对行人运动时的周期性变化规律进行研究，分析出行人运动时产生的步频和运动方向，推算出行人的下一个位置。可在信号屏蔽严重的室内正常工作，且对终端要求较低，但是由于行人运动行为过程复杂，设备摆放不同也会造成对定位精度的影响，且极易在工作一段时间后积累误差，造成定位不准，因此常与其他室内系统相结合使用。
现多采用惯性辅助ZigBee技术进行室内定位，采用卡尔曼滤波处理数据，可减小两者误差，提高精度。
但是，由于室内空间异构，环境复杂，无线信号易受到多径效应影响，尤其在拐角等位置，无线信号在此处发生折射，造成信号波动幅度较大等造成定位精度下降。且对于惯性传感元件来说，当行人在直行和转弯等不同活动时，产生的数据由极大的不同。由于以上两点，在对位置数据进行修正时，仍存在一定误差，造成定位精度不够。
发明内容
本发明的目的是设计开发了一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，以定位分站实现长距离传输数据的同时，对数据实现快速处理，节省数据传输时间，实现快速精准定位。
本发明还设计开发了一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，通过卷积神经网络活动识别模型的训练和参数的调整，预判行人的活动轨迹，提高室内定位的精度。
本发明提供的技术方案为：
一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，包括：
多个参考节点，其设置在室内的不同位置；以及
移动节点，其设置在所述室内的移动物体上，所述移动节点与所述多个参考节点交互通信；
定位分站，其与所述移动节点交互通信，用于数据的收集、初步处理及传输；
协调器节点，其与所述定位分站交互通信，用于数据的汇总；
上位机终端，其与所述协调器节点和定位分站交互通信，用于数据的最终处理。
优选的是，还包括：
数据库，其与所述上位机终端交互通信，用于数据的存储。
优选的是，所述移动节点包括：
锂电池；以及
第一稳压芯片，其与所述锂电池相连接；
第一核心芯片，其与所述第一稳压芯片相连接，且所述第一核心芯片与所述多个参考节点交互通信；
惯性传感元件，其与所述第一核心芯片相连接，用于收集所述移动物体的运动信息。
优选的是，所述定位分站包括：
第二稳压芯片，其与电源相连接；
路由节点芯片，其与所述第一核心芯片交互通信；
第二核心芯片，其与所述第二稳压芯片和路由节点芯片相连接；
CAN总线收发器，其与所述第二核心芯片和上位机终端相连接；
WiFi模组，其与所述第二核心芯片相连接，用于所述上位机终端与第二核心芯片间的WiFi通信数据交互。
优选的是，所述第一稳压芯片为TPS73701DRBR芯片，所述第一核心芯片为CC2530芯片，所述惯性传感元件为mpu9250芯片。
优选的是，所述第二稳压芯片为AMS1117-3.3芯片，所述路由节点芯片为CC2530芯片，所述第二核心芯片为stm32f407zet6芯片，所述CAN总线收发器为SN65HVD 230芯片，所述WiFi模组为ESP-12N芯片。
一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，使用所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，包括如下步骤：
步骤一、采集移动节点的原始定位数据；
步骤二、将所述原始定位数据输入到卷积神经网络活动识别模型中，获得所述移动节点的下一次位置数据；
其中，所述卷积神经网络活动识别模型包括一个卷积层、一个池化层、一个全连接层和一个输出层，所述卷积神经网络活动识别模型的构建过程包括如下步骤：
步骤1、在卷积层中，以所述多个原始定位数据作为所述卷积层的输入数据进行卷积操作，所述卷积层的输出矩阵满足：
式中，f为卷积层的激活函数，Wl,m为卷积核，且卷积核的大小为l×m，aj+1,k+m为位置为(j+1,k+m)的卷积层的输入数据，b为共享偏置；
步骤2、在所述池化层中，提取所述卷积层的输出矩阵的最大值，并进行抹零处理，获得池化层的输出矩阵；
步骤3、在所述全连接层中，将所述池化层的输出矩阵转换为1×n的矩阵形式后进行归一化处理，获得全连接层的输出矩阵；
步骤4、在所述输出层中，将所述全连接层的输出矩阵通过输出层输出多个移动类别的概率，以最大概率为移动节点的下一次计算位置；
步骤5、将所述移动节点的下一次计算位置与移动节点的真实位置数据进行误差计算，对卷积神经网络进行更新至损失函数收敛，获得卷积神经网络活动识别模型。
优选的是，所述抹零处理为ReLU函数。
优选的是，所述归一化处理满足：
式中，Sj为最终移动类别为j的概率，aj为池化层中j的输出值，T为归一化处理的输入的个数或输出的个数，ak为移动的分类。
优选的是，所述多个移动类别包括：直行、左转或右转。
本发明所述的有益效果：
本发明设计开发的一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，提出了设立定位分站，不仅代替了传统ZigBee网络中的多个路由器，大大提高了数据传输的速度，而且可在定位分站中处理位置数据，缓解了上位机处理数据的压力，实现了快速定位的同时提高了定位的精度。
本发明设计开发的基于卷积神经网络的ZigBee惯性辅助快速定位的方法，通过卷积神经网络处理惯性辅助ZigBee室内定位中惯性传感元件的数据，可进一步提高定位精度。
附图说明
图1为本发明所述基于卷积神经网络的ZigBee惯性辅助快速定位系统的流程示意图。
图2为本发明所述移动节点和定位分站的交互通信示意图。
图3为本发明所述参考节点的结构示意图。
图4为本发明所述移动节点的结构示意图。
图5为本发明所述定位分站的结构示意图。
图6为本发明所述移动节点定位测试图形界面显示示意图。
图7为本发明所述两种定位方法的定位误差数据统计示意图。
具体实施方式
下面结合对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供的一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，为了实现定位数据快速处理满足定位的实时性，本发明在ZigBee无线定位网络的底层加入定位分站即数据快速处理装置，将定位数据在底层处理，节省了定位数据通过ZigBee网络上传所消耗的时间，也缓解了服务器的压力，实现了快速定位。
所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统包括：移动节点、参考节点、定位分站和协调器节点。其中，参考节点放置在室内的固定位置，为了增加定位精度，可以适当增加参考节点的布置密度；移动节点，其设置在所述室内的移动物体上，所述移动节点与所述多个参考节点交互通信；当佩戴移动节点的人员进入室内后，参考节点与移动节点相互通信即可得到人员的定位数据RSSI值，移动节点将得到的RSSI值和自身采集到的惯性元件数据打包发送至附近的定位分站，每隔50m放置一个定位分站，用来处理接收到的数据包，计算并转发，所述的定位分站与协调器节点数据通信连接，协调器节点与上位机终端数据通信连接。
如图2所示，所述的参考节点包括固定核心芯片111、稳压电路112和LED指示灯113，外部电源通过稳压电路112保持稳定电压后为固定核心芯片111供电，在固定核心芯片111上设置有LED指示灯113显示参考节点的工作状态。
在本实施例中，所述固定核心芯片111为CC2530芯片。
如图3所示，所述的移动节点由锂电池、第一核心芯片111、惯性传感元件112和第一稳压芯片113，其中，所述锂电池通过第一稳压芯片113降压稳压后为其他用电器件提供3.3V电压进行供电，第一核心芯片111与固定核心芯片111间交互通信，且第一核心芯片111通过I2C与惯性传感元件112进行数据的收发，惯性传感元件112检测移动节点的运动信息，所述运动信息包括：步伐监测、步长估计和航向检测。
在本实施例中，所述第一核心芯片111为CC2530芯片，所述惯性传感元件112为mpu9250芯片，所述第一稳压芯片113为TPS73701DRBR低压稳压芯片。
CC2530芯片的功能为：作为移动节点的核心芯片，CC2530是一款ZigBee芯片，它是系统的控制芯片，具备无线通信功能，可以与其他器件进行通信，根据通信时的信号强度可以确定移动节点和参考节点的两个芯片之间的距离。
惯性传感元件mpu9250芯片的功能为：mpu9250芯片内部集成有3轴陀螺仪、3轴加速度计和3轴磁力计，可以通过I2C接口和单片机进行数据交互，陀螺仪的角速度测量范围最高达±2000(°/s)，具有良好的动态响应特性；加速度计的测量范围最大为±16g，静态测量精度高；磁力计采用高灵度霍尔型传感器进行数据采集，磁感应强度测量范围为±4800μT；自带数字运动处理器硬件加速引擎，可以向应用端输出完整的9轴融合演算数据，非常方便的实现姿态解算。
TPS73701DRBR低压稳压芯片的功能为：TPS73701DRBR是一款低压稳压芯片，相比于常见的AM1S117等稳压芯片，其体积更小只有3mm*3mm，输入电压范围为2.2V-5.5V，稳压效果更好，更适合集成在移动节点上方便人员佩戴。
如图4、图5所示，所述定位分站由第二核心芯片131、第二稳压芯片132、CAN总线收发器133、WiFi模组134和路由节点芯片135，其中，5V电源通过第二稳压芯片132降压稳压后为其他用电器件提供3.3V电压进行供电，第二核心芯片131通过芯片集成的CAN控制器与CAN总线收发器133连接进行CAN总线通信，第二核心芯片131通过串口与WiFi模组134实现WiFi无线传输，且第二核心芯片131通过SPI接口与路由节点芯片135进行通信，路由节点芯片135与第一核心芯片111交互通信，用于移动节点中运动信息数据的收集、初步处理及传输。
在本实施例中，所述第二稳压芯片为AMS1117-3.3芯片，所述路由节点芯片为CC2530芯片，所述第二核心芯片为stm32f407zet6芯片，所述CAN总线收发器为SN65HVD230芯片，所述WiFi模组为ESP-12N芯片。
所述stm32f407zet6芯片的功能为：作为数据快速处理定位分站的核心芯片，stm32f407zet6芯片浮点运算能力强，支持更多的外设，使用更加灵活，在成本和编译环境方面有明显优势。
AMS1117-3.3芯片的功能为：外部电源经过小型变压器变压后输出直流5V电压，定位分站有些模块工作电压为5V，但CC2530芯片和stm32f407zet6芯片的标准工作电压都为3.3V，所以必须将5V电压转换为3.3V电压，选用AMS1117-3.3芯片用来电压转换及稳压功能。
SN65HVD230 CAN数据收发器的功能为：can总线通信的数据收发器，stm32f407zet6芯片内置两个can控制器，为了实现can通信，还需连接can数据收发器以实现can总线数据收发。
ESP-12N WiFi模组的功能为：为实现定位分站可在更多环境中使用，方便服务器通过wifi网络对定位分站的控制也可以通过wifi网络接收定位分站计算后的定位结果，选用ESP-12N WiFi模组以实现WiFi通信数据交互。
CC2530芯片作为路由器节点的功能为：移动节点定位数据上传至定位分站靠的是ZigBee无线传输网络，所以定位分站必须含有ZigBee模块，通过软件设计将ZigBee模块设置为路由器节点这样可以收集一定范围内所有移动节点的数据。
所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统还包括数据库，所述的数据库需要将参考节点固定位置信息、移动节点实时位置信息、移动节点自身ID等信息进行合理的存储，为之后的坐标实时显示以及历史轨迹提取提供数据支持，可实现定位数据存储、调取和分析的功能。
本发明设计开发的一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，提出了设立定位分站，集成了CC2530和stm32f407zet6两种芯片，具有处理数据和快速传输的功能，传统ZigBee在长距离传输数据时需经过多个路由器的转发，造成数据传输延时，且路由器无法处理数据，上位机需要处理大量的位置信息数据，而设置的定位分站可代替多个路由器，解决了多个路由器造成的数据传输延时的问题，定位分站配有计算能力强大的stm32f407zet6芯片，可直接接收附近的移动节点定位数据，快速计算后输出或暂时存储定位结果，再上传至上位机，缓解了上位机处理数据的压力，基于以上两点，相比较于传统的惯性辅助ZigBee定位技术，本申请提高了定位的精度，提升了位置数据传输的速度和效率，缓解了上位机处理数据的压力。
本发明还提供了一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，使用所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，具体包括如下步骤：
步骤一、根据ZigBee网络中移动节点中的惯性传感元件对移动物体的不同活动进行数据采集，作为原始定位数据；
步骤二、将所述原始定位数据输入到卷积神经网络活动识别模型中，获得所述移动节点的下一次位置数据；
其中，所述卷积神经网络活动识别模型分为四层，分别为卷积层、池化层、全连接层和输出层，经过前馈运算和反馈运算交替迭代完成模型训练：
1、前馈运算：
(1)卷积层：原始定位数据以一维矩阵的方式输入到输入层，然后将输入层的数据在卷积层通过与卷积核Wl,m进行计算得出卷积层的输出矩阵：
式中，f为卷积层的激活函数，Wl,m为卷积核，且卷积核的大小为l×m，aj+1,k+m为位置为(j+1,k+m)的卷积层的输入数据，b为共享偏置；
(2)池化层：将卷积层中的输出矩阵以最大值混合的方法，在池化层中进一步提取特征数据，从而缩小输出矩阵中的数据数量，降低拟合化，然后通过编程，引用ReLU函数，去掉不期望出现的位置数据，即进行抹零处理，提高训练速度；
所述ReLU函数满足：
ReLU(x)＝max(0,x)；
式中，x为位置数据。
(3)全连接层：将池化层的输出矩阵转换成1×n的矩阵形式，将池化层中的每一个神经元通过softmax公式进行归一化处理；
所述softmax公式满足：
式中，Sj为最终移动类别为j的概率，aj为池化层中j的输出值，T为归一化处理的输入的个数或输出的个数，ak为移动的分类。
(4)输出层采用的是分类器，输出不同预测结果的概率分布，本发明中的输出结构为三种，分别采用三个标签“直行”“左转”“右转”来表示三种移动类别的概率，以最大概率为移动节点的下一次计算位置；
2、反馈运算：
以多个原始定位数据为样本集，随机选出n个样本集，将样本集进行上述的前馈运算，从而得出输出数据矩阵，输出数据矩阵即为通过前馈运算进行计算从而得出的位置数据，将计算得出的位置数据与真实的位置数据进行误差计算，利用随机梯度下降法，对卷积核进行计算并校正，即对卷积核进行训练，从后往前逐层计算，直至损失函数降至最低时，即损失函数收敛，所训练出的卷积核即为卷积神经网络处理定位数据所需的卷积核。
所述损失函数满足：
式中，J(θ)为损失函数，y为真实位置数据，x为预测的位置数据。
通过训练好的模型参数获得卷积神经网络活动识别模型，即可实现对原始数据的处理与矫正，从而实现更精准的定位。
实施例
如图6所示，准备两个移动节点，其中一个移动节点采用卡尔曼滤波对定位数据进行处理，另一个移动节点使卷积神经网络技术处理采集到的定位数据，测试人员同时携带这两个移动节点进入测试场地，并开始定位，两个移动节点均以1秒为周期向定位分站发送定位数据包，定位分站将位置坐标计算结果发送至上位机并通过图形可视化界面进行显示，教室四角的正方形标点为参考节点，黑色线条表示人员按规定路线行走的移动轨迹，三角形标点为使用卷积神经网络技术处理采集到的惯性传感数据并进行数据融合后的移动节点坐标位置，圆形标点为未经过卷积神经网络技术，仅通过惯性辅助定位技术经卡尔曼滤波处理后的移动节点坐标位置，可以明显看出基于卷积神经网络处理的定位结果更贴近于实际人员运动轨迹，
如图7所示，计算将两种定位方法的定位误差，带有三角形图案的线代表经卡尔曼滤波处理的定位数据，带有圆形图案的线代表经卷积神经网络处理的定位数据，由图可见，仅通过卡尔曼滤波处理定位数据的定位误差在1.5m左右，且在0.5-2m之间上下波动较大，可见经卡尔曼滤波处理的数据受周围环境因素影响稍大，而采用卷积神经网络处理采集到的定位数据进行数据融合的定位误差明显减小，稳定在0.1-0.7m之间，其定位误差主要由人员移动速度以及运动姿态不规律等导致的，但从长期定位效果看，能够满足人员定位以及追溯运动轨迹的要求。
本发明设计开发的一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，通过卷积神经网络处理惯性辅助ZigBee室内定位中惯性传感元件的数据，可进一步提高定位精度。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (10)
1.一种基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，包括：
多个参考节点，其设置在室内的不同位置；以及
移动节点，其设置在所述室内的移动物体上，所述移动节点与所述多个参考节点交互通信；
定位分站，其与所述移动节点交互通信，用于数据的收集、初步处理及传输；
协调器节点，其与所述定位分站交互通信，用于数据的汇总；
上位机终端，其与所述协调器节点和定位分站交互通信，用于数据的最终处理。
2.如权利要求1所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，还包括：
数据库，其与所述上位机终端交互通信，用于数据的存储。
3.如权利要求2所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述移动节点包括：
锂电池；以及
第一稳压芯片，其与所述锂电池相连接；
第一核心芯片，其与所述第一稳压芯片相连接，且所述第一核心芯片与所述多个参考节点交互通信；
惯性传感元件，其与所述第一核心芯片相连接，用于收集所述移动物体的运动信息。
4.如权利要求3所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述定位分站包括：
第二稳压芯片，其与电源相连接；
路由节点芯片，其与所述第一核心芯片交互通信；
第二核心芯片，其与所述第二稳压芯片和路由节点芯片相连接；
CAN总线收发器，其与所述第二核心芯片和上位机终端相连接；
WiFi模组，其与所述第二核心芯片相连接，用于所述上位机终端与第二核心芯片间的WiFi通信数据交互。
5.如权利要求3所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述第一稳压芯片为TPS73701DRBR芯片，所述第一核心芯片为CC2530芯片，所述惯性传感元件为mpu9250芯片。
6.如权利要求4所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，所述第二稳压芯片为AMS1117-3.3芯片，所述路由节点芯片为CC2530芯片，所述第二核心芯片为stm32f407zet6芯片，所述CAN总线收发器为SN65HVD 230芯片，所述WiFi模组为ESP-12N芯片。
7.一种基于卷积神经网络的ZigBee惯性辅助快速定位的方法，使用如权利要求1-6任意一项所述的基于卷积神经网络的ZigBee惯性辅助快速定位系统，其特征在于，包括如下步骤：
步骤一、采集移动节点的原始定位数据；
步骤二、将所述原始定位数据输入到卷积神经网络活动识别模型中，获得所述移动节点的下一次位置数据；
其中，所述卷积神经网络活动识别模型包括一个卷积层、一个池化层、一个全连接层和一个输出层，所述卷积神经网络活动识别模型的构建过程包括如下步骤：
步骤1、在卷积层中，以所述多个原始定位数据作为所述卷积层的输入数据进行卷积操作，所述卷积层的输出矩阵满足：
式中，f为卷积层的激活函数，Wl,m为卷积核，且卷积核的大小为l×m，aj+1,k+m为位置为(j+1,k+m)的卷积层的输入数据，b为共享偏置；
步骤2、在所述池化层中，提取所述卷积层的输出矩阵的最大值，并进行抹零处理，获得池化层的输出矩阵；
步骤3、在所述全连接层中，将所述池化层的输出矩阵转换为1×n的矩阵形式后进行归一化处理，获得全连接层的输出矩阵；
步骤4、在所述输出层中，将所述全连接层的输出矩阵通过输出层输出多个移动类别的概率，以最大概率为移动节点的下一次计算位置；
步骤5、将所述移动节点的下一次计算位置与移动节点的真实位置数据进行误差计算，对卷积神经网络进行更新至损失函数收敛，获得卷积神经网络活动识别模型。
8.如权利要求7所述的基于卷积神经网络的ZigBee惯性辅助快速定位的方法，其特征在于，所述抹零处理为ReLU函数。
9.如权利要求8所述的基于卷积神经网络的ZigBee惯性辅助快速定位的方法，其特征在于，所述归一化处理满足：
式中，Sj为最终移动类别为j的概率，aj为池化层中j的输出值，T为归一化处理的输入的个数或输出的个数，ak为移动的分类。
10.如权利要求9所述的基于卷积神经网络的ZigBee惯性辅助快速定位的方法，其特征在于，所述多个移动类别包括：直行、左转或右转。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110936162.6A CN113596731B (zh) | 2021-08-16 | 2021-08-16 | 一种基于卷积神经网络的ZigBee惯性辅助定位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110936162.6A CN113596731B (zh) | 2021-08-16 | 2021-08-16 | 一种基于卷积神经网络的ZigBee惯性辅助定位系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113596731A true CN113596731A (zh) | 2021-11-02 |
| CN113596731B CN113596731B (zh) | 2024-04-02 |
Family
ID=78258049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110936162.6A Active CN113596731B (zh) | 2021-08-16 | 2021-08-16 | 一种基于卷积神经网络的ZigBee惯性辅助定位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113596731B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205847607U (zh) * | 2016-04-25 | 2016-12-28 | 吉林建筑大学 | 一种基于Zigbee与惯性系统的室内人员定位系统 |
| CN109409431A (zh) * | 2018-10-29 | 2019-03-01 | 吉林大学 | 基于神经网络的多传感器姿态数据融合方法及系统 |
| CN110636445A (zh) * | 2019-10-16 | 2019-12-31 | 腾讯科技（深圳）有限公司 | 基于wifi的室内定位方法、装置、设备及介质 |
| CN111148217A (zh) * | 2019-12-17 | 2020-05-12 | 北京邮电大学 | 一种定位方法、装置及电子设备 |
| CN111239789A (zh) * | 2020-03-10 | 2020-06-05 | 吉林建筑大学 | 一种基于ZigBee和Lora技术的室外电子校徽定位器 |
| CN111541997A (zh) * | 2020-06-09 | 2020-08-14 | 吉林建筑大学 | 基于Zigbee和AGPS技术的校园安全监管系统 |
| CN112004183A (zh) * | 2020-07-08 | 2020-11-27 | 武汉科技大学 | 一种基于卷积神经网络融合IMU和WiFi信息的机器人自主定位方法 |
| CN112446244A (zh) * | 2019-08-29 | 2021-03-05 | 华为技术有限公司 | 人体动作的识别方法、神经网络的训练方法及相关装置、设备 |
| US20210092611A1 (en) * | 2019-09-19 | 2021-03-25 | Colorado State University Research Foundation | Security-enhanced Deep Learning Fingerprint-Based Indoor Localization |
| WO2021066330A1 (en) * | 2019-10-04 | 2021-04-08 | Samsung Electronics Co., Ltd. | System and method for wifi-based indoor localization via unsupervised domain adaptation |
| CN112995918A (zh) * | 2019-12-17 | 2021-06-18 | Oppo广东移动通信有限公司 | 定位方法、装置、存储介质及电子设备 |
-
2021
- 2021-08-16 CN CN202110936162.6A patent/CN113596731B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205847607U (zh) * | 2016-04-25 | 2016-12-28 | 吉林建筑大学 | 一种基于Zigbee与惯性系统的室内人员定位系统 |
| CN109409431A (zh) * | 2018-10-29 | 2019-03-01 | 吉林大学 | 基于神经网络的多传感器姿态数据融合方法及系统 |
| CN112446244A (zh) * | 2019-08-29 | 2021-03-05 | 华为技术有限公司 | 人体动作的识别方法、神经网络的训练方法及相关装置、设备 |
| US20210092611A1 (en) * | 2019-09-19 | 2021-03-25 | Colorado State University Research Foundation | Security-enhanced Deep Learning Fingerprint-Based Indoor Localization |
| WO2021066330A1 (en) * | 2019-10-04 | 2021-04-08 | Samsung Electronics Co., Ltd. | System and method for wifi-based indoor localization via unsupervised domain adaptation |
| CN110636445A (zh) * | 2019-10-16 | 2019-12-31 | 腾讯科技（深圳）有限公司 | 基于wifi的室内定位方法、装置、设备及介质 |
| CN111148217A (zh) * | 2019-12-17 | 2020-05-12 | 北京邮电大学 | 一种定位方法、装置及电子设备 |
| CN112995918A (zh) * | 2019-12-17 | 2021-06-18 | Oppo广东移动通信有限公司 | 定位方法、装置、存储介质及电子设备 |
| CN111239789A (zh) * | 2020-03-10 | 2020-06-05 | 吉林建筑大学 | 一种基于ZigBee和Lora技术的室外电子校徽定位器 |
| CN111541997A (zh) * | 2020-06-09 | 2020-08-14 | 吉林建筑大学 | 基于Zigbee和AGPS技术的校园安全监管系统 |
| CN112004183A (zh) * | 2020-07-08 | 2020-11-27 | 武汉科技大学 | 一种基于卷积神经网络融合IMU和WiFi信息的机器人自主定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN XINHAO等: "Design of fire alarm system with automatic position", 2020 IEEE INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRICAL ENGINEERING AND COMPUTER APPLICATIONS( AEECA), 6 October 2020 (2020-10-06) * |
| DANIEL KONINGS等: "Falcon: Fused Application of Light Based Positioning Coupled With Onboard Network Localization", IEEE ACCESS, 14 June 2018 (2018-06-14) * |
| 杨亚楠;夏斌;袁文浩;谢楠;: "应用卷积神经网络的测距算法研究", 重庆理工大学学报(自然科学), no. 03, 15 March 2018 (2018-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113596731B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019136918A1 (zh) | 一种室内定位的方法、服务器及定位系统 | |
| CN107396321B (zh) | 基于手机传感器和iBeacon的无监督式室内定位方法 | |
| CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
| CN105263113A (zh) | 一种基于众包的WiFi位置指纹地图构建方法及其系统 | |
| CN103024663B (zh) | 一种井下人员定位系统 | |
| CN105704652A (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
| CN109327797A (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
| CN206240021U (zh) | 一种具有nb‑iot通信功能的运动数据采集器 | |
| CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
| Sun et al. | Indoor localization using mind evolutionary algorithm-based geomagnetic positioning and smartphone IMU sensors | |
| CN106323279A (zh) | 运动物体无线姿态监测系统 | |
| Zhu et al. | Indoor positioning method based on WiFi/Bluetooth and PDR fusion positioning | |
| Liu et al. | Geomagnetism-based indoor navigation by offloading strategy in NB-IoT | |
| CN111595344A (zh) | 一种基于地图信息辅助的多姿态下行人行位推算方法 | |
| Guan et al. | Robot formation control based on internet of things technology platform | |
| CN201393304Y (zh) | 基于无线传感器网络的移动目标跟踪系统 | |
| CN106686720A (zh) | 一种基于时间维度的无线指纹定位方法及其系统 | |
| Suneetha et al. | A Wireless Detector Network for Three-Dimensional Positioning Using Artificial Neural Networks | |
| CN110567493A (zh) | 一种磁力计校准数据采集方法、装置以及飞行器 | |
| CN106767770A (zh) | 一种基于便携智能设备的用户行走方向检测与追踪方法 | |
| CN113596731B (zh) | 一种基于卷积神经网络的ZigBee惯性辅助定位系统 | |
| Guo et al. | Research on indoor wireless positioning precision optimization based on UWB | |
| CN108322889A (zh) | 一种多源数据融合室内定位的方法、存储介质及智能终端 | |
| Sun et al. | Research on Indoor Location Technology based on the Fusion of WiFi and PDR | |
| Zhang | Track and field training state analysis based on acceleration sensor and deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |