CN113758487A - 一种基于5g技术和机器学习辅助的水下机器人定位方法 - Google Patents

Abstract

本发明提出一种基于5G技术和机器学习辅助的水下机器人定位方法，5G技术通过向网络功能提供准确的UE位置信息，为连接性、位置感知和RRM引入了新的模式。通过光线追踪，系统级模拟，离线深度学习训练，在线深度学习推理等方法，为不同的应用实现不同级别的定位精度增强定位功能。

Description

一种基于5G技术和机器学习辅助的水下机器人定位方法

技术领域

本发明面向的是水下机器人定位问题，通过为5G网络技术引入额外的智能数据驱动(ML) 来优化网络功能。

背景技术

随着社会的发展和人民生活水平的提高，人类对资源的需求量日渐增加，而土地资源逐 渐短缺，因此世界上各国开始把目光转向海洋中，海洋中所含有的矿物资源是陆地资源的几 倍甚至是几十倍。为了安全开发海洋资源，需要利用一些高科技的海洋测量船进行远程测量， 但在不同类型的水下环境勘查中，有必要对水下航行器进一步的研究。

在进行水下资源探测开采、进行海产养殖水下作业或者进行一些维护海洋油气平台、海 洋平台的拆解业务时，传统方法是通过人工进行，然而人工作业的方式不仅效率较低，还有 一定的风险，并且成本昂贵。在此情况下，水下机器人不存在作业人员安全问题，受到水下 环境影响较低，可进行长时间作业，是替代潜水员进行水下作业的最佳海洋工程装备，这些 优势使得水下机器人在海洋资源开发与利用当中起到了非常重要的作用。

水下机器人与5G通信网络结合，可以迸发出更大的火花。“5G智慧水下机器人”技术利 用5G大宽带、低时延的特性，实现了现场超高清图像数据的实时快速回传，利用5G水下机 器人与办公业务平台进行实时交互、异常状况预警诊断等，解决了传统作业效率低、需要反 复下水作业等问题，增强了操作便利性及安全性，做到对问题和隐患的及时预警，切实保障 水下机器人运行安全。应用了5G水下机器人搭载清淤和巡检作业设备，可以在不排水的条件 下，替代人工进行水下作业。这项技术利用5G大带宽的优势，实时回传水下机器人采集的高 清图像，同时利用5G低时延特性，可以对机器人实施远程控制，完成周密的勘察检测工作。 远程实时操控水下机器人，足不出户，即可实现渔场远程监控。专业工作人员在室内操控远 端渔场的水下机器人，即可进行低延时、大数据实时远程作业，不仅实现远端渔场实时监控， 还可以随时回传高清视频和图片，在办公室实时观测生蚝的附着物和养殖情况。

5G网络应用可能在数据速率、可靠性和延迟方面有非常不同的性能要求。为了支持这些 要求，5G网络被设计得非常灵活和复杂，但也高度复杂。这使得不同网络功能的优化变得困 难。人工智能(AI)和机器学习(ML)最近被认为是很有前途的技术，可以通过为网络引入 额外的数据驱动的智能来优化网络功能。

5G技术通过使用准确的位置信息为连接和移动性引入了新的模式。几十年来，对各种应 用和设备都进行了定位研究，如全球定位系统、工业物联网、自动驾驶、室内地图等。定位 应用从小型的室内区域到广泛的卫星覆盖地都有。随着移动手机的普及，用户开始通过蜂窝 网络利用定位服务。在5G时代，甚至出现了更多的设备类型，如传感器设备、机器人和车辆； 所有的操作都基于高度精确的位置信息。

发明内容

本发明的目的在于提供一种基于5G技术和机器学习辅助的水下机器人定位方法，能够通 过为5G网络技术引入额外的智能数据驱动(ML)来提高水下机器人定位精度。深度学习是解 决分类/回归问题的强大ML技术之一。

为了实现上述目的，本发明采用了如下技术方案：

第一步。光线追踪：使用光线追踪软件来生成作为(X,Y)坐标函数的光线追踪数据，并 为每个点生成全三维多径光线数据。在这种情况下，配置了一个户外城市数据库和智能光线 追踪算法。

第二步。系统级模拟：由于NR系统需要构建每个波束的测量，我们研究基于NR接收信 号功率的定位方法。基于为信道建模产生的光线追踪数据，运行3GPP 5G NR空中接口的系统 级仿真，包括波束成形，为每个UE产生波束RSRP值。服务以及邻近的波束RSRP值可作为基 于光线追踪数据的研究区域的指纹识别。

第三步。离线深度学习训练：基于系统级模拟器收到的数据，进行离线ML训练。我们选 择光束RSRP值作为输入特征，用前馈神经网络和决策树算法训练ML模型。

第四步。在线深度学习推理。最后，训练有素的ML模型被细微地评估，以确定UE的位 置。估计的UE位置和实际UE位置之间的欧几里得距离，假定是已知的，作为估计UE位置的 准确性测量。

评价指标：

我们使用两个参数，即平均数和标准偏差，分别用t^-和r表示，估计训练/测试UE位置和 实际UE位置之间的欧氏距离，并将其定义为：

其中x_n是第n个样本的UE预测和实际位置之间的欧几里得距离值。

附图说明

图1为本发明提出的一种基于5G技术和机器学习辅助的水下机器人定位方法的机器学习 辅助的定位算法；

图2为本发明提出的一种基于5G技术和机器学习辅助的水下机器人定位方法的框架图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

请参阅图2，本发明提出的一种基于5G技术和机器学习辅助的水下机器人定位方法，具 体实现步骤如下：

第一步。光线追踪：使用光线追踪软件来生成作为(X,Y)坐标函数的光线追踪数据，并 为每个点生成全三维多径光线数据。在这种情况下，配置了一个户外城市数据库和智能光线 追踪算法。

第二步。系统级模拟：由于NR系统需要构建每个波束的测量，我们研究基于NR接收信 号功率的定位方法。基于为信道建模产生的光线追踪数据，运行3GPP 5G NR空中接口的系统 级仿真，包括波束成形，为每个UE产生波束RSRP值。服务以及邻近的波束RSRP值可作为基 于光线追踪数据的研究区域的指纹识别。

第三步。离线深度学习训练：基于系统级模拟器收到的数据，进行离线ML训练。我们选 择光束RSRP值作为输入特征，用前馈神经网络和决策树算法训练ML模型。

第四步。在线深度学习推理：最后，训练有素的ML模型被细微地评估，以确定UE的位 置。估计的UE位置和实际UE位置之间的欧几里得距离，假定是已知的，作为估计UE位置的 准确性测量。

评价指标：

我们使用两个参数，即平均数和标准偏差，分别用t^-和r表示，估计训练/测试UE位置和 实际UE位置之间的欧氏距离，并将其定义为。

其中x_n是第n个样本的UE预测和实际位置之间的欧几里得距离值。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构 思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于5G技术和机器学习辅助的水下机器人定位方法，其特征在于，包括以下步骤：

定位精度是评估定位系统性能的最重要因素之一。而无线电信号指纹和机器学习(ML)辅助定位所需的额外反馈开销较小。用户设备(UE)设备需要更加智能，能够感知环境和背景，并且能够运行ML算法。无线电接入网络算法和无线电资源管理(RRM)功能可以利用网络智能来微调网络参数，以达到接近最佳的性能。更加动态的网络拓扑结构和更加灵活的自组织需要被整合到网络中，以支持高度多样化的网络流量。

随着各种规定对定位精度的要求，为了达到这些水平，需要研究新的强化定位方法。为了实现高精确度和测量效率的目标，人们对各种定位方法进行了深入研究。在定位系统中，通常定位方法是基于特定类型的测量指标来定义的。例如，基于时间的技术，基于角度的技术，或是基于两种技术的结合。本发明研究基于ML的方法如何直接从这些测量中确定UE的位置，在ML推理过程中，唯一需要的输入是UE向其服务小区提供的测量值，因此定位估计可以通过UE服务小区基带中的ML推理引擎完成，避免了对驻扎在无线接入网之外的位置服务器框架的需求，因此有效地支持了基于单小区的定位方法。ML技术已被用于解决通信系统中的各种问题。深度学习是解决分类/回归问题的强大ML技术之一。

实现更好的精度需要更多的无线电资源和信号带宽、计算能力、收集更多的测量数据的开销以及处理这些信息的更多延迟。因此，定位可以被视为一种具有不同服务质量(QoS)属性的服务。对UE定位的请求可以用要求的QoS来传达，其中包括所需的定位精度(垂直和/或水平)以及响应时间。事实上，位置服务(LCS)可以让LCS客户指定其需要的服务质量参数。

2.根据权利1所述的一种基于5G技术和机器学习辅助的水下机器人定位方法，其特征在于，第一步。光线追踪：使用光线追踪软件来生成作为(X,Y)坐标函数的光线追踪数据，并为每个点生成全三维多径光线数据。在这种情况下，配置了一个户外城市数据库和智能光线追踪算法。

第二步。系统级模拟：由于NR系统需要构建每个波束的测量，我们研究基于NR接收信号功率的定位方法。基于为信道建模产生的光线追踪数据，运行3GPP 5G NR空中接口的系统级仿真，包括波束成形，为每个UE产生波束RSRP值。服务以及邻近的波束RSRP值可作为基于光线追踪数据的研究区域的指纹识别。

第三步。离线深度学习训练：基于系统级模拟器收到的数据，进行离线ML训练。我们选择光束RSRP值作为输入特征，用前馈神经网络和决策树算法训练ML模型。

第四步。在线深度学习推理：最后，训练有素的ML模型被细微地评估，以确定UE的位置。估计的UE位置和实际UE位置之间的欧几里得距离，假定是已知的，作为估计UE位置的准确性测量。

3.根据权利1所述的一种基于5G技术和机器学习辅助的水下机器人定位方法，其特征在于，评价指标：

我们使用两个参数，即平均数和标准偏差，分别用t^-和r表示，估计训练/测试UE位置和实际UE位置之间的欧氏距离，并将其定义为：

其中x_n是第n个样本的UE预测和实际位置之间的欧几里得距离值。

Images