CN113852908B - 基于天线扩展的室内定位方法 - Google Patents

基于天线扩展的室内定位方法 Download PDF

Info

Publication number
CN113852908B
CN113852908B CN202110862915.3A CN202110862915A CN113852908B CN 113852908 B CN113852908 B CN 113852908B CN 202110862915 A CN202110862915 A CN 202110862915A CN 113852908 B CN113852908 B CN 113852908B
Authority
CN
China
Prior art keywords
csi
phase
antenna
information
antennas
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.)
Active
Application number
CN202110862915.3A
Other languages
English (en)
Other versions
CN113852908A (zh
Inventor
黄凯旋
向晨路
张舜卿
徐树公
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110862915.3A priority Critical patent/CN113852908B/zh
Publication of CN113852908A publication Critical patent/CN113852908A/zh
Application granted granted Critical
Publication of CN113852908B publication Critical patent/CN113852908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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

Abstract

一种基于天线扩展的室内定位方法，将定位区域分成多个小栅格区域，在每个小栅格中心采集定位区域的CSI数据作为指纹特征；构造位置指纹库并通过CSI相位配后再提取每根天线对应的幅度信息和相位信息；再采用角度域辅助定位的DNN对幅度和相位信息进行特征提取得到训练模型；在线测试阶段，采集实时CSI经相位处理后得出待定位点的位置信息，并通过训练后的角度域辅助定位的深度神经网络根据指纹数据得到位置坐标。本发明在不增加无线链路的基础上，利用更多天线提供的空间多样性和多路复用增益，即更多的CSI指纹特征，进行更好的方向估计和更高精度的定位。

Description

基于天线扩展的室内定位方法
技术领域
本发明涉及的是一种无线室内定位领域的技术，具体是一种基于天线扩展且定位平均误差小于1m的室内定位方法，可用于多天线阵列组合、LTE/NR等其他无线通信系统。
背景技术
随着Wi-Fi系统在室内环境的大规模部署，目前已被应用于高精度定位，常见的基于Wi-Fi的室内定位技术一般有三角定位法和位置指纹法等。三边定位法不需要耗费大量人力物力去构建离线指纹库，但是位置指纹法的定位精度更高，所以本实施例采用位置指纹法，并且选取信道状态信息(CSI)作为指纹特征。主要是因为CSI包含更多的信道特征，有利于提高定位精度。
为提供更好的室内定位精度，最直接的方法是收集更多的观测样本，比如信号的频域扩展、时域扩展、空域扩展等。但是基于Wi-Fi信号频域和时域的扩展去提高定位精度的方案，一般成本太高并且不易实现。随着MIMO技术的提出，空域扩展即天线扩展为室内定位提高精度提供新的思路。然而，由于以下原因，通过空间域扩展来提高定位精度并不简单。首先，现有的空间域方案依赖于通过测量飞行时间(ToF)和到达角(AoA)计算几何位置，相应的分辨率不随可用无线链路的数量线性缩放。其次，使用昂贵的组件部署更多的无线链路，包括低噪声放大器、模数转换器或数模拟转换器，成本高昂。第三，处理复杂度随无线链路数呈指数级增长。这些原因使得室内定位依靠大规模天线阵列提高精度存在一些问题。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于天线扩展的室内定位方法，在不增加无线链路的基础上，利用更多天线提供的空间多样性和多路复用增益，即更多的CSI指纹特征，进行更好的方向估计和更高精度的定位。
本发明是通过以下技术方案实现的：
本发明涉及一种基于天线扩展的室内定位方法，包括：
步骤1、将定位区域分成多个小栅格区域，在每个小栅格中心采集定位区域的CSI数据作为指纹特征。
步骤2、构造位置指纹库其中：/> NRP为栅格区域个数，NR为接收天线个数，/>为在位置Lm处收集到的NR根天线上具有NSC个子载波的信道响应，hi(Lm，n)为在第n根接收天线的第i个子载波上的信道状态信息。
步骤3、通过CSI相位配后再提取每根天线对应的幅度信息Ai(Lm)和相位信息Pi(Lm)。
步骤4、采用角度域辅助定位的深度神经网络(DNN)对步骤3提取到的幅度和相位信息进行特征提取得到训练模型。
步骤5、在线测试阶段，采集实时CSI经步骤4相同方式的相位处理后得出待定位点的位置信息，并通过训练后的角度域辅助定位的深度神经网络根据指纹数据得到位置坐标。
技术效果
本发明整体解决现有技术无线链路有限，天线不易扩展的问题。
与现有技术相比，本发明仅用现有的SP4T射频开关，将仅有的三条无线链路扩展到12根甚至可以更多的天线阵列，提高空域的多样性，可以收集到更多指纹数据，使用三根天线的定位平均误差为1.746m，扩展后十二根天线的定位平均误差为0.918m。十二根天线的无线定位性能比原来三根天线的性能提高47.42％。
附图说明
图1为本发明流程图；
图2为实施例实现场景示意图；
图3为实施例场景设置示意图；
图4和图5为实施例效果示意图；
图6为实施例硬件示意图。
具体实施方式
如图1所示，为本实施例涉及的一种基于天线扩展的室内定位方法，包括：
步骤1、将定位区域分成20个小栅格区域，在每个小栅格中心采集定位区域的CSI数据作为指纹特征。
所述的指纹特征，通过执行ping命令和Wi-Fi AP通信得到，具体为：每次ping路由器得到的返回数据包后，通过对信道频率响应采样获得一次CSI。
本实施例在终端控制ping的间隔为100ms，在训练阶段和测试阶段分别持续采集2000秒和100秒。由于无线链路的限制，不能一次采集12条天线的数据，所以将12条天线分成四组，每次采集其中的三条，即可快速采集四组天线组合的数据，并在后续的数据处理中将12条天线的数据对齐拼接。
步骤2、构造位置指纹库其中：/> NRP为栅格区域个数，NR为接收天线个数，/>为在位置Lm处收集到的NR根天线上具有NSC个子载波的信道响应，hi(Lm，n)为在第n根接收天线的第i个子载波上的信道状态信息。
本实施例将每个栅格区域中心位置的CSI数据视为区域的CSI数据，进一步在参考点Lm的CSI数据H(Lm)则通过Linux-CSI-Tool获得。
步骤3、通过CSI相位配准提取到每根天线对应的幅度信息Ai(Lm)和相位信息Pi(Lm)。
由于实际系统中使用的硬件不完善，测量的相位信息通常包含随机抖动和噪声。为解决这一问题，获得高精度的定位结果，需要对载波频率偏移(CFO)和采样频率偏移(SFO)进行消除。
所述的相位信息Pi(Lm)，通过对原始随机相位做线性变化进行处理从而获取到真实的相位，具体为：其中：为测量得到的一根天线的原始相位，/>为第NSC个子载波的实际相位信息，i为子载波标号，Δt为采样时延，NSC为子载波的信道响应个数。
所述的原始相位其中：β为载波频率偏移，/>为采样频率偏移。
通过线性变化将杂乱的原始相位配准并得到相位波动相对比较稳定的真实相位，进一步把幅度和真实相位一起作为指纹完成定位。
步骤4、采用角度域辅助定位的深度神经网络(DNN)对步骤3提取到的幅度和相位信息进行特征提取得到训练模型。
所述的角度域辅助定位的深度神经网络由两个串联的DNN子网络组成，每个子网络均包括四个隐藏层，每层采用整流线性单元(ReLU)作为激活函数，其中：用于估计到达角(AOA)的第一子网络的输入为所有CSI的相位信息Pi(Lm)，大小是NSC×NR，输出为角度，大小为NR；第一子网络估计得到的角度和处理后的CSI的幅度和相位信息一起输入用于估计位置的第二子网络，大小为(2×NSC+1)×NR，输出是参考位置点的坐标，大小为2。
所述的第一子网络和第二子网络的具体结构参数如表1所示：
表1网络配置和参数的概述
为避免一些异常样本的偏置效应，本实施例进一步采用max-pooling技术去除不重要的特征。
本实施例进一步使用dropout技术来进一步减少两个DNN中的不重要连接。
所述的两个子网络的输出层均采用线性(Linear)函数作为网络回归的依据。
步骤5、在线测试阶段，采集实时CSI经过与步骤4相同的相位处理后得出待定位点的位置信息，并通过训练后的角度域辅助定位的深度神经网络根据指纹数据得到位置坐标。
所述的训练，采用步骤2中指纹库H(Lm)重构成一维张量重构后的相位信息和幅度信息作为训练样本，具体为：第一子网络的训练样本是采集到的信道状态信息提取的相位信息 大小为行是1，列是NR*NSC+2的张量；第二子网络的训练样本，在相位信息T1的基础上增加幅度信息，具体为：大小为行是1，列是2*NR*NSC+2的张量，NR＝3，6，9，12，表示天线数量，其中：一维张量重构后的幅度信息/> 一维张量重构后的相位信息/>
所述的第一子网络的损失函数即估计角度和真实角度的平均绝对误差；第二子网络的损失函数/>即估计坐标和真实坐标的均方误差。
如图2和图6所示，本实施例实际采用作为发射机的访问接入点小米无线路由器，作为接收机的改装电脑配备三根接收天线，为获得更多的接收天线，本实施例用三个SP4T射频开关将原有的三条无线链路与12根天线连接起来，每组天线通过时分复用的方式共用对应的一条无线链路，外部微控制器(MCU)用来控制每根天线的有源时长，所有元件的连接依靠以太网(Ethernet)接线。
本实施例通过笔记本电脑使用的Wi-Fi NIC有三个接口，对应三条无线链路。为方便拥有更多的接收天线，通过三个单极四掷射频开关将原有的三个射频链路和12个天线连接起来。通过该方法，每个射频链路通过时分复用方式利用射频开关为12根天线提供服务，外部微控制器(MCU)用来控制每个天线的使用时长。
在如图3所示的实验室场景下，约50m2的走廊环境被分成20个参考点区域，每个参考点区域的大小为1.2m×1.2m，无线接入点被固定在如图3所示的位置。接收机在每个标签区域内每秒接收100个数据包，总共收集20000条数据作为训练集。
在数据采集阶段，通过连接路由器，执行ping命令实现电脑与路由器的通信，ping命令的间隔时间为100ms。首先，第一组的三根天线作为接收天线，每接收到一个包，Linux-CSI-Tool对信道频率响应采样获取一组CSI数值。一组天线采集CSI持续2000s。当一组天线采集结束后，通过MCU改变天线组合，执行同样操作，直至四组12根天线全部采集完成。
在数据处理阶段，将使用不同组天线采集的CSI对齐后拼接提取对应子载波的CSI的幅度和相位，然后对相位做线性变换并送入第一层AOA估计的子网络，输出结果为角度。第一层子网络输出的角度与处理后的CSI的幅度和相位在一起送入第二层子网络，输出结果为位置坐标。训练过程的同时会得到一个训练指纹模型。
在在线测试阶段，本实施例在原有的20个参考点的基础上增加9个额外的测试点，本实施例在29个测试上分别采集1000条数据，用于下一步分析性能。
发射机与接收机之间有1×12的收发天线对，每一对收发天线可以获得30个子载波的CSI，每个子载波的CSI包含幅度和相位信息，所以在每个标签区域的采集数据大小为1×12×30×2个指纹信息。数据最终全部展开变成一个长度为1×720的向量作为输入张量输入到DNN网络。
为验证天线空域扩展对定位精度的影响，本实施例还采集3条、6条、9条天线的指纹数据作为对比实验。
与数据采集步骤相同，在定位区域任意位置点采集CSI持续100s作为测试数据。指纹模型可以预测输入的测试数据的位置坐标。通过本实施例设置，在三条链路的基础上获取到12根甚至更多天线的数据，利用多天线的空间复用增益提高了定位精度。使用三根天线的定位平均误差为1.746m，六根天线的定位平均误差为1.445m，九根天线的定位平均误差为1.172m，十二根天线的定位平均误差为0.918m。扩展后的十二根天线的的定位性能比原来三根天线的性能提高47.42％。
本发明通过两步定位法，即AOA估计和位置预测，明显提高了定位精度。同时具有更高的精确度和更好的系统鲁棒性。如图4和图5所示，12条天线的的定位平均误差小于1m，定位性能比其他天线数量的定位性能更好。并且在近似大小的实验区域下，本发明具有更高定位精度。同时，传统的空域扩展方案需要额外的硬件支持。和其他天线扩展方案相比，本实施例用四端口的转发器在不增加无线链路的前提上，拓展到更大规模的天线阵列。本实施例几乎没有增加硬件成本就利用扩展的天线阵列实现更高精度的定位系统。另外，所有的连接方式都是插拔模式，非常易于进一步的空域扩展。
综上，本发明不增加无线链路，扩展的天线时分复用无线链路，相较于其他天线扩展方案更加方便。所有硬件采用即插即拔的方式，不需要复杂的硬件改装可以直接使用。利用本装置做的实验证明了空间复用增益对定位精度的影响。本发明的天线空域扩展技术提高的无线定位的精度。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种基于天线扩展的室内定位方法，其特征在于，包括：
步骤1、将定位区域分成多个小栅格区域，在每个小栅格中心采集定位区域的CSI数据作为指纹特征；
步骤2、构造位置指纹库其中：/> NRP为栅格区域个数，NR为接收天线个数，/>为在位置Lm处收集到的NR根天线上具有NSC个子载波的信道响应，hi(Lm，n)为在第n根接收天线的第i个子载波上的信道状态信息；
步骤3、通过CSI相位配后再提取每根天线对应的幅度信息Ai(Lm)和相位信息Pi(Lm)；
步骤4、采用角度域辅助定位的深度神经网络对步骤3提取到的幅度和相位信息进行特征提取得到训练模型；
步骤5、在线测试阶段，采集实时CSI经步骤4相同方式的相位处理后得出待定位点的位置信息，并通过训练后的角度域辅助定位的深度神经网络根据指纹数据得到位置坐标。
2.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，所述的指纹特征，通过执行ping命令和Wi-FiAP通信得到，具体为：每次ping路由器得到的返回数据包后，通过对信道频率响应采样获得一次CSI。
3.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，将12条天线分成四组，每次采集其中的三条，得到四组天线组合的数据，并在后续的数据处理中将12条天线的数据对齐拼接。
4.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，将每个栅格区域中心位置的CSI数据视为区域的CSI数据，进一步在参考点Lm的CSI数据H(Lm)则通过Linux-CSI-Tool获得。
5.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，所述的相位信息Pi(Lm)，通过对原始随机相位做线性变化进行处理从而获取到真实的相位，具体为： 其中：/> 为测量得到的一根天线的原始相位，/>为第NSC个子载波的实际相位信息，i为子载波标号，Δt为采样时延，NSC为子载波的信道响应个数。
6.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，所述的角度域辅助定位的深度神经网络由两个串联的DNN子网络组成，每个子网络均包括四个隐藏层，每层采用ReLU作为激活函数，其中：用于估计到达角的第一子网络的输入为所有CSI的相位信息Pi(Lm)，输出为角度；第一子网络估计得到的角度和处理后的CSI的幅度和相位信息一起输入用于估计位置的第二子网络，输出是参考位置点的坐标。
7.根据权利要求6所述的基于天线扩展的室内定位方法，其特征是，所述的第一子网络的损失函数即估计角度和真实角度的平均绝对误差；第二子网络的损失函数/>即估计坐标和真实坐标的均方误差。
8.根据权利要求1所述的基于天线扩展的室内定位方法，其特征是，步骤5中所述的训练，采用步骤2中指纹库H(Lm)重构成一维张量重构后的相位信息和幅度信息作为训练样本，具体为：第一子网络的训练样本是采集到的信道状态信息提取的相位信息 大小为行是1，列是NR*NSC+2的张量；第二子网络的训练样本，在相位信息T1的基础上增加幅度信息，具体为：/>大小为行是1，列是2*NR*NSC+2的张量，NR＝3，6，9，12，表示天线数量，其中：一维张量重构后的幅度信息/> 一维张量重构后的相位信息/>
CN202110862915.3A 2021-07-29 2021-07-29 基于天线扩展的室内定位方法 Active CN113852908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110862915.3A CN113852908B (zh) 2021-07-29 2021-07-29 基于天线扩展的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110862915.3A CN113852908B (zh) 2021-07-29 2021-07-29 基于天线扩展的室内定位方法

Publications (2)

Publication Number Publication Date
CN113852908A CN113852908A (zh) 2021-12-28
CN113852908B true CN113852908B (zh) 2023-09-19

Family

ID=78975249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110862915.3A Active CN113852908B (zh) 2021-07-29 2021-07-29 基于天线扩展的室内定位方法

Country Status (1)

Country Link
CN (1) CN113852908B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113613170A (zh) * 2021-08-16 2021-11-05 苏州云享阁智能科技有限公司 一种基于低成本天线扩展的高精度室内定位系统及方法
CN114531729B (zh) * 2022-04-24 2022-08-09 南昌大学 基于信道状态信息的定位方法、系统、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法
CN109151731A (zh) * 2018-06-14 2019-01-04 西北师范大学 一种基于csi的室内定位方法
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
CN112911510A (zh) * 2021-04-02 2021-06-04 许扬杰 一种无线信号定位方法及其装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109151731A (zh) * 2018-06-14 2019-01-04 西北师范大学 一种基于csi的室内定位方法
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
CN112911510A (zh) * 2021-04-02 2021-06-04 许扬杰 一种无线信号定位方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Self-Calibrating Indoor Localization with Crowdsourcing Fingerprints and Transfer Learning;Chenlu Xiangy, Shunqing Zhang;《IEEE》;全文 *
一种RSS和CSI融合的二阶段室内定位方法;党小超;李彩霞;郝占军;;传感技术学报(第08期);全文 *

Also Published As

Publication number Publication date
CN113852908A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN113852908B (zh) 基于天线扩展的室内定位方法
Guo et al. Indoor localization by fusing a group of fingerprints based on random forests
CN105611627B (zh) 基于双天线的wlan接入点aoa的估计方法
CN108646213B (zh) 一种室内多径环境下直达波aoa判定方法
US20190059070A1 (en) Indoor positioning method and system based on wireless receiver and camera
CN108717175B (zh) 基于区域划分和稀疏支持向量回归的室内指纹定位方法
CN113556300B (zh) 基于时域训练序列的联合活跃终端检测与信道估计方法
CN112040397B (zh) 一种基于自适应卡尔曼滤波的csi室内指纹定位方法
CN114731180A (zh) 用于上升式设备通信的技术
CN110933628B (zh) 基于孪生网络的指纹室内定位方法
CN111273215B (zh) 信道状态信息的通道不一致性误差校正测向方法
EP3554138A1 (en) Method for determining candidate line-of-sight path, and wireless local area network device
CN113613170A (zh) 一种基于低成本天线扩展的高精度室内定位系统及方法
CN110113088A (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN111965596A (zh) 一种基于联合参数估计的低复杂度单锚节点定位方法及装置
CN112637950A (zh) 基于角度相似性的指纹定位方法
Zhang et al. Channel estimation for hybrid multi-carrier mmwave MIMO systems using three-dimensional unitary esprit in DFT beamspace
CN112929962A (zh) 定位方法、装置、计算机设备和存储介质
CN111313943A (zh) 深度学习辅助的大规模天线阵列下的三维定位方法及装置
Barua et al. A survey of direction of arrival estimation techniques and implementation of channel estimation based on SCME
Wang et al. A novel fingerprint localization algorithm based on modified channel state information using Kalman filter
Li et al. Wavelet transform dc-gan for diversity promoted fingerprint construction in indoor localization
CN114866126B (zh) 智能反射面辅助毫米波系统的低开销信道估计方法
WO2022166477A1 (zh) 定位方法、装置、基站、计算机设备和存储介质
CN115908547A (zh) 一种基于深度学习的无线定位方法

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