CN113993068B - 定位寻向系统、方法和ble定位设备 - Google Patents
定位寻向系统、方法和ble定位设备 Download PDFInfo
- Publication number
- CN113993068B CN113993068B CN202111224012.9A CN202111224012A CN113993068B CN 113993068 B CN113993068 B CN 113993068B CN 202111224012 A CN202111224012 A CN 202111224012A CN 113993068 B CN113993068 B CN 113993068B
- Authority
- CN
- China
- Prior art keywords
- distance
- rssi
- lqi
- error rate
- transmission error
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005540 biological transmission Effects 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007637 random forest analysis Methods 0.000 claims description 54
- 238000003066 decision tree Methods 0.000 claims description 50
- 238000012706 support-vector machine Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- H04W4/30—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及定位技术领域,尤其涉及一种定位寻向系统、方法和BLE定位设备。所述定位寻向系统,包括:待定位标签,用于发射定位信号;接收设备,用于根据接收到的定位信号确定链路质量指示LQI、接收信号强度指示RSSI和传输误码率;定位处理设备,用于根据所述LQI、所述RSSI和所述传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数,计算所述待定位标签与所述接收设备的距离d,并校正所述距离d。本发明实施例方案,根据LQI、RSSI、传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数计算并校正待定位标签与所述接收设备的距离d,减小RSSI定位误差。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种定位寻向系统、方法和蓝牙低功耗(Bluetooth Low Energy,BLE)定位设备。
背景技术
室内定位是指在室内环境中实现位置定位,主要采用无线通讯、基站定位、惯导定位、动作捕捉等多种技术集成形成一套定位体系,从而实现人员、物体等在室内空间中的位置监控。
相关技术中,通常通过接收器件接收待定位标签的接收信号强度指示(ReceivedSignal Strength Indication,RSSI),根据RSSI计算待定位标签与接收器件的距离,进而对待定位标签进行定位。但在根据RSSI定位时,诸如室内障碍物、信号发射功率等因素都有可能会影响定位精度。
发明内容
有鉴于此,本发明实施例提供了一种定位寻向系统、方法和BLE定位设备,兼顾多类参数对定位精度的影响,能够提高定位准确性。
第一方面,本发明实施例提供了一种定位寻向系统,包括:
待定位标签,用于发射定位信号;
接收设备,用于根据接收到的定位信号确定链路质量指示链路质量指示(LinkQuality Indicator,LQI)、接收信号强度指示RSSI和传输误码率;
定位处理设备,用于根据所述LQI、所述RSSI和所述传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数,计算所述待定位标签与所述接收设备的距离d,并校正所述距离d。
可选的,所述接收设备包括立体天线阵列,所述立体天线阵列包括:第一半圆阵列和第二半圆阵列,所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角;
所述第一半圆阵列和所述第二半圆阵列分别包括N和M个天线,所述N个天线中的1个天线位于所述第一半圆阵列的圆心位置,N-1个天线位于所述第一半圆阵列的半圆弧位置,所述M个天线中的1个天线位于所述第二半圆阵列的圆心位置,M-1个天线位于所述第二半圆阵列的半圆弧位置,N≥3,M≥3;
其中,所述LQI、所述RSSI和所述传输误码率,包括:所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率。
第二方面,本发明实施例提供了一种定位寻向方法,包括:
根据待定位标签的定位信号确定LQI、RSSI和传输误码率;
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述待定位标签与所述接收设备的第一距离d1;
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述待定位标签与所述接收设备的第二距离d2;
将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型输出校正后的距离d。
可选的,所述随机森林模型包括X个决策树和第一决策模块,其中:
每个所述决策树均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,输出待决策距离d′1;
所述第一决策模块用于确定所述X个决策树输出的X个d′1的投票概率,并根据所述X个d′1的投票概率输出所述第一距离d1。
可选的,所述X个决策树通过X个样本集合训练得到,每个所述样本集合均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数;
每个所述决策树通过相对应样本集合的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则。
可选的,所述方法还包括:在训练过程中,所述随机森林模型包含的决策树个数xi随机确定;
当决策树个数为xi时,所述随机森林模型输出的第一距离d1的准确度为zi,所述zi根据样本数据标注的目标距离确定;
根据不同取值的xi所对应的zi,确定所述随机森林模型的决策树个数为X。
可选的,所述SVM模型包括Y个二分类器和第二决策模块;
每个所述二分类器对应一个距离标签,每个所述二分类器均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值;
所述第二决策模块用于根据所述Y个二分类器输出的Y个置信度值,从所述Y个二分类器中确定目标二分类器,并将所述目标二分类器的距离标签确定为所述第二距离d2。
可选的,每个所述二分类器均对应一个正量样本集,每个所述正量样本集均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数;
每个所述二分类器通过Y个所述正量样本集的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与自身角度标签的间隔计算规则,根据所述间隔计算规则计算出的间隔值用于确定置信度值;
其中,在训练过程中,当输入所述二分类器的数据属于自身对应的正量样本集时,输出的置信度值为正值;当输入所述二分类器的数据属于其它Y-1个正量样本集时,输出的置信度值为负值。
可选的,所述定位信号通过立体天线阵列接收,所述立体天线阵列包括:第一半圆阵列和第二半圆阵列,所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角;
所述第一半圆阵列和所述第二半圆阵列分别包括N和M个天线,所述N个天线中的1个天线位于所述第一半圆阵列的圆心位置,N-1个天线位于所述第一半圆阵列的半圆弧位置,所述M个天线中的1个天线位于所述第二半圆阵列的圆心位置,M-1个天线位于所述第二半圆阵列的半圆弧位置,N≥3,M≥3;
所述LQI、所述RSSI和所述传输误码率,包括:所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率;
所述随机森林模型根据所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率、以及所述待定位标签的发射信号功率和障碍物衰减因数,输出所述第一距离d1;
所述SVM模型根据所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率、以及所述待定位标签的发射信号功率和障碍物衰减因数,输出所述第二距离d2。
第三方面,本发明实施例提供了一种BLE定位方法,所述方法应用于BLE定位设备,包括:
接收BLE标签发送的定位信号;
根据所述定位信号,确定LQI、RSSI和传输误码率;
根据所述LQI、所述RSSI和所述传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,计算所述BLE标签与所述BLE定位设备的距离d,并校正所述距离d。
可选的,根据所述LQI、所述RSSI和所述传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,计算所述BLE标签与所述BLE定位设备的距离d,并校正所述距离d,包括:
将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述BLE标签与所述BLE定位设备的第一距离d1;
将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述BLE标签与所述BLE定位设备的第二距离d2;
将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型输出校正后的距离d。
可选的,所述随机森林模型包括X个决策树和第一决策模块,其中:
每个所述决策树均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,输出待决策距离d′1;
所述第一决策模块用于确定所述X个决策树输出的X个d′1的投票概率,并根据所述X个d′1的投票概率输出所述第一距离d1。
可选的,所述SVM模型包括Y个二分类器和第二决策模块;
每个所述二分类器对应一个距离标签,每个所述二分类器均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值;
所述第二决策模块用于根据所述Y个二分类器输出的Y个置信度值,从所述Y个二分类器中确定目标二分类器,并将所述目标二分类器的距离标签确定为所述第二距离d2。
第四方面,本发明实施例提供了一种BLE定位设备,包括:处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被执行时,使得所述BLE定位设备执行上述第三方面或者第三方面任一项所述的方法。
本发明实施例在计算待定位标签与接收设备的距离d时,考虑LQI、RSSI、传输误码率以及待定位标签的发射信号功率和障碍物衰减因数对距离d误差的影响,由此以降低距离d的误差,提高待定位标签的定位精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种定位寻向系统的结构示意图;
图2为本发明实施例提供的一种立体天线阵列的结构示意图;
图3A为本发明实施例提供的一种多天线线阵板的结构示意图;
图3B为本发明实施例提供的另一种多天线线阵板的结构示意图;
图4为本发明实施例提供的一种距离计算模型的结构示意图;
图5为本发明实施例提供的一种定位寻向方法的流程图;
图6为本发明实施例提供的一种随机森林模型的结构示意图;
图7为本发明实施例提供的一种决策树个数与准确度的关系曲线图;
图8为本发明实施例提供的一种SVM模型的结构示意图;
图9为本发明实施例提供的一种BLE定位设备的结构示意图;
图10为本发明实施例提供的一种BLE定位方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,为本发明实施例提供的一种定位寻向系统的结构示意图。如图1所示,定位寻向系统包括:待定位标签101、接收设备102和定位处理设备103。其中,待定位标签101是能够发射定位信号的标签。根据所发射定位信号的不同,待定位标签101可以是超宽带标签、射频识别标签、Wi-fi标签、超声波标签或者蓝牙标签等。为了描述方便,本发明实施例以蓝牙标签作为示例对定位寻向系统和方法进行说明。其中,蓝牙标签具体可以是蓝牙低功耗(Bluetooth Low Energy,BLE)标签。
在一些实施例中,BLE标签发射广播数据包。接收设备102接收BLE标签发送的广播数据包且当接收设备102需要对BLE标签进行定位时,接收设备102向BLE签发送连接请求。BLE标签接收到所述连接请求后与接收设备102建立蓝牙连接。可选的,BLE标签和接收设备102在蓝牙连接过程中共享蓝牙配置参数。
BLE标签101和接收设备102共享蓝牙配置参数之后,BLE标签根据所述蓝牙配置参数向接收设备102发送携带有固定数据的BLE数据包。其中,BLE数据包携带的固定数据可以用于接收设备102确定定位参数。接收设备102按照所述蓝牙配置参数可以对携带有固定数据的BLE数据包进行采样。接收设备102根据采样到的BLE数据包可以确定定位参数。可选的,所述定位参数可以包括:RSSI(Received Signal Strength Indication,接收的信号强度指示)、LQI(link quality indicator,接收数据帧的能量与质量)和相应的传输误码率。
接收设备102确定上述定位参数之后,将定位参数发送给定位处理设备103。定位处理设备103可以根据LQI、RSSI和传输误码率,以及BLE标签的发射信号功率和障碍物衰减因数,计算BLE标签与接收设备的距离d,并校正距离d。
在一些实施例中,定位处理设备103获取上述定位参数之后,可以计算出BLE标签与接收设备102的初始距离。例如,获取RSSI之后,可以通过RSSI指纹库确定BLE标签与接收设备102的初始距离。当然,也可以通过RSSI、LQI和传输误码率共同确定BLE标签与接收设备102的初始距离。确定BLE标签与接收设备102的初始距离之后,则可以根据初始距离、LQI、RSSI和传输误码率,以及BLE标签的发射信号功率和障碍物衰减因数计算BLE标签与接收设备的距离d。
在一些实施例中,考虑到接收设备102的天线类型也可能会影响距离d的准确性。因此,本发明实施例中将表征天线结构的参数增加到距离d的计算,以进一步提高距离d的准确性。可选的,接收设备102可以配置不同类型的天线阵列接收携带有固定数据的BLE数据包。在一些实施例中,接收设备102可以配置立体天线阵列接收携带有固定数据的BLE数据包;在一些实施例中,接收设备102可以配置多天线线阵板接收携带有固定数据的BLE数据包。
在一些实施例中,接收设备102配置的立体天线阵列可以包括:第一半圆阵列和第二半圆阵列,所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角。第一半圆阵列和第二半圆阵列分别包括N和M个天线,所述N个天线中的1个天线位于所述第一半圆阵列的圆心位置,N-1个天线位于所述第一半圆阵列的半圆弧位置,所述M个天线中的1个天线位于所述第二半圆阵列的圆心位置,M-1个天线位于所述第二半圆阵列的半圆弧位置,N≥3,M≥3;
上述立体天线阵列中的各个天线均对BLE标签发射的携带有固定数据的BLE数据包进行采样。根据各天线的采样情况,可以得到第一半圆阵列和第二半圆阵列中每个天线对应的LQI、RSSI和传输误码率。
接收设备102将第一半圆阵列和第二半圆阵列各天线的LQI、RSSI和传输误码率发送给定位处理设备103。定位处理设备103根据第一半圆阵列和第二半圆阵列各天线的LQI、RSSI和传输误码率,以及BLE标签的发射信号功率和障碍物衰减因数,计算BLE标签与接收设备的距离d,并校正距离d。
在一些实施例,定位处理设备103可以根据第一半圆阵列和第二半圆阵列各天线的RSSI,确定第一半圆阵列和第二半圆阵列各天线与BLE标签的初始距离。根据各个天线对应的初始距离,可以确定出第一半圆阵列中两两天线之间的初始距离差,以及第二半圆阵列中两两天线之间的初始距离差。当然,根据各个初始距离还可以计算出立体天线阵列与BLE标签的初始距离。
根据立体天线阵列与BLE标签的初始距离、第一半圆阵列中两两天线之间的初始距离差、第二半圆阵列中两两天线之间的初始距离差,以及LQI、RSSI、传输误码率、BLE标签的发射信号功率和障碍物衰减因数可以进一步计算并校正距离d。
参见图2,为本发明实施例提供的一种立体天线阵列的结构示意图。如图2所示,将图2中位于左侧的半圆阵列定义为第一半圆阵列,位于右边的半圆阵列定义为第二半圆阵列。第一半圆阵列包括4根天线,分别为天线1、天线2、天线3和天线4。天线1位于第一半圆阵列的圆心位置,天线2、天线3和天线4在第一半圆阵列的圆弧位置均匀分布。第二半圆阵列包括4个天线,分别为天线0、天线5、天线6、和天线7。天线0位于第一半圆阵列的圆心位置,天线5、天线6和天线7在第一半圆阵列的圆弧位置均匀分布。所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角。
图2所示半圆面阵板的1-4号天线,以及0、5-7号天线均接收BLE标签发射的携带有固定数据的BLE数据包。根据1-4号天线接收的BLE数据包,可以得到第一半圆阵列中1-4号天线各自的LQI、RSSI和传输误码率。根据0、5-7号天线接收的BLE数据包,可以得到第二半圆阵列中0、5-7号天线各自的LQI、RSSI和传输误码率。接收设备102将第一半圆阵列中1-4号天线的LQI、RSSI和传输误码率,第二半圆阵列中的LQI、RSSI和传输误码率发送给定位处理设备103。定位处理设备103根据接收到的LQI、RSSI和传输误码率可以计算出第一半圆阵列中1-4号天线与BLE标签的初始距离和第二半圆阵列中0、5-7号天线与BLE标签的初始距离。根据各个天线的初始距离,定位处理设备103可以计算出第一半圆阵列中1-4号天线中两两天线之间的初始距离差,如1和2号天线的初始距离差,2和3号天线的初始距离差。同理,定位处理设备103可以计算出第二半圆阵列中0、5-7号天线中两两天线之间的初始距离差。进一步,定位处理设备103根据各天线的初始距离,该可以计算出立体天线阵列对应的初始距离。则第一半圆阵列中1-4号天线中两两天线之间的初始距离差、第二半圆阵列中0、5-7号天线中两两天线之间的初始距离差和立体天线阵列对应的初始距离可以进一步与LQI、RSSI、传输误码率、BLE标签的发射信号功率和障碍物衰减因数共同计算最终输出的距离d。
在一些实施例中,接收设备102配置多天线线阵板接收携带有固定数据的BLE数据包。其中,多天线线阵板上设有N个天线,N≥3;N个天线中包括至少一个基准天线,每个基准天线对应于相匹配的两个天线组。示例性的,每个基准天线与位置相邻的两个天线分别组成所述两个天线组。
参见图3A,为本发明实施例提供的一种多天线线阵板的结构示意图。如图3A所示,该多天线线阵板上设有沿直线排列的3个天线,分别为第一天线、第二天线和第三天线,其中,第二天线为基准天线,所述基准天线对应的第一天线组包括第一天线和第二天线,所述基准天线对应的第二天线组包括第二天线和第三天线。当然,天线线阵板中的天线并不一定沿直线排列,在一些可能的实现方式中,如图3B所示,线阵天线可以沿弧线或折线排列,其均应当处于本申请的保护范围之内。
在图3A和图3B所示场景下,天线线阵板中的各天线均接收BLE标签发射的BLE数据包。根据各天线接收的BLE数据包,可以得到第一天线、第二天线和第三天线各自对应的LQI、RSSI和传输误码率。定位处理设备103根据多天线线阵板上各天线的LQI、RSSI和传输误码率,以及BLE标签的发射信号功率和障碍物衰减因数,计算BLE标签与接收设备的距离d,并校正距离d。
在图3A和图3B所示场景下,接收设备102将第一天线、第二天线和第三天线各自对应的LQI、RSSI和传输误码率发送给定位处理设备103。定位处理设备103根据各天线的LQI、RSSI和传输误码率,可以计算出第一天线、第二天线和第三天线分别与BLE标签的初始距离。根据第一天线、第二天线和第三天线分别对应的初始距离,定位处理设备103可以计算第一天线组中两天线的初始距离差,以及第二天线组中两天线的初始距离差。进一步,定位处理设备103根据各天线的初始距离,还可以计算出多天线线阵板对应的初始距离。则第一天线组中两天线之间的初始距离差、第二天线组中两天线之间的初始距离差、多天线线阵板对应的初始距离,可以进一步与多天线线阵板的LQI、RSSI、传输误码率、BLE标签的发射信号功率和障碍物衰减因数共同计算最终输出的距离d。
在一些实施例中,定位处理设备103中集成有距离计算模型,定位处理设备103可以通过距离计算模型计算BLE标签与接收设备的距离d,并校正距离d。
参见图4,为本发明实施例提供的一种距离计算模型的结构示意图。图4所示距离计算模型包括:随机森林模型、SVM模型和投票模型。随机森林模型和SVM模型均可以根据LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数计算距离d,之后再通过投票模型对随机森林模型和SVM模型输出的距离d进行校正。图4所示的距离计算模型,提出基于随机森林和SVM多分类器集成的角度校正算法,提高了定位精度和稳定性。
基于图4所示距离计算模型,本发明实施例提供了一种定位寻向方法。参见图5,为本发明实施例提供的一种定位寻向方法的流程图。该方法的执行主体为定位处理设备103,所述方法的执行步骤包括:
201,确定BLE标签所发射定位信号的LQI、RSSI和传输误码率。
可选的,定位处理设备从接收设备获取关于定位信号的定位参数,并根据定位参数确定BLE标签所发射定位信号的LQI、RSSI和传输误码率。示例性的,BLE标签所发射的定位信号为携带有固定数据的BLE数据包。接收设备对BLE数据包进行采样,并根据采样结果获取定位参数。可选的定位为参数可以是采样信号的LQI、RSSI以及传输误码率。
202,将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述BLE标签与所述接收设备的第一距离d1。
203,将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述BLE标签与所述接收设备的第二距离d2。
204,将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型输出校正后的距离d。
本发明实施例中,定位处理设备中集成距离计算模型,距离计算模型包括随机森林模型、SVM模型和投票模型。随机森林模型建立输入的LQI、RSSI和传输误码率以及BLE标签的发射信号功率和障碍物衰减因数,与输出的第一距离d1之间的计算规则。当向随机森林模型输入LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数之后,随机森林模型输出第一距离d1。同理,SVM模型可以根据输入的LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值,根据置信度值SVM模型可以输出第二距离d2。距离计算模型中的投票模型可以通过对第一距离d1和第二距离d2的投票输出最终的距离d,实现对RSSI校正。
本发明实施例的上述定位寻向方法,建立随机森林模型和SVM模型,增加了不同分类模型对不同类型错误的容错率,减小计算所得RSSI的误差,提高了定位精度和稳定性。
参见图6,为本发明实施例提供的一种随机森林模型的结构示意图。如图6所示,随机森林模型包括:X个决策树和第一决策模块。其中每个决策树均可根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,输出待决策距离d′1。第一决策模块用于对X个决策树输出的待决策距离d′1进行投票,得到X个待决策距离d′1的投票概率,之后根据X个待决策距离d′1的投票概率输出第一距离d1。可选的,第一决策模块可以将投票概率最高的待决策距离d′1输出为第一距离d1。
上述X个决策树分别通过X个样本集合训练得到,其中,每个样本集合均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数。每个决策树通过相对应样本集合的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则。
进一步,样本数据中还可以包括初始距离,每个决策树通过样本数据的训练可以建立初始距离LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则。
可选的,当接收设备的天线为图2所示立体天线阵列时,所述初始距离可以包括立体天线阵列对应的初始距离,还可以包括立体天线阵列中任意两个天线对的初始距离差。
在一些示例中,当接收设备的天线为图2所示立体天线阵列时,样本数据中的LQI、RSSI、传输误码率可以包括:第一半圆阵列中1-4号天线分别对应的LQI、RSSI、传输误码率,以及第二半圆阵列中0、5-7号天线分别对应的LQI、RSSI、传输误码率。可选的,样本数据中的LQI、RSSI、传输误码率可以是:根据第一半圆阵列中1-4号天线分别对应的LQI、RSSI、传输误码率计算出的第一半圆阵列的LQI、RSSI、传输误码率,以及根据第二半圆阵列中0、5-7号天线分别对应的LQI、RSSI、传输误码率计算出的第二半圆阵列的LQI、RSSI、传输误码率。当然,样本数据中的LQI、RSSI、传输误码率还可以是立体天线阵列对应的LQI、RSSI、传输误码率。可选的,样本数据中还可以包括第一半圆阵列中1-4号天线两两天线之间的初始距离差以及第二半圆阵列中0、5-7号天线两两天线之间的初始距离差。可选的,样本数据中还可以包括立体天线阵列对应的初始距离。
可选的,第一半圆阵列1-4号天线和第二半圆阵列0、5-7号天线分别对应的初始距离,可以采用RSSI查指纹库的方式确定。之后,可以根据每个天线的初始距离,计算立体天线阵列对应的初始距离、第一半圆阵列中1-4号天线两两天线之间的初始距离差以及第二半圆阵列中0、5-7号天线两两天线之间的初始距离。
在一些实施例中,当接收设备的天线为图3A和图3B所示的多天线线阵板结构时,样本数据中的初始距离可以包括多天线线阵板对应的初始距离,还可以包括多天线线阵板中各个天线组的初始距离差。
示例性的,当接收设备的天线为图3A和图3B所示的多天线线阵板结构时,样本数据中的LQI、RSSI和传输误码率可以包括:第一天线、第二天线和第三天线分别对应的LQI、RSSI、传输误码率。当然,样本数据中的LQI、RSSI和传输误码率还可以是:根据第一天线、第二天线和第三天线分别对应的LQI、RSSI、传输误码率,计算出的第一天线组和第二天线组分别对应的LQI、RSSI、传输误码率。或者,还可以是多天线线阵板对应的LQI、RSSI、传输误码率。在一些实施例中,样本数据中还可以包括第一天线组中两天线之间的初始距离差,以及第二天线组中两天线之间的初始距离差。可选的,样本数据中还可以包括多天线线阵板对应的初始距离。
可选的,第一天线、第二天线和第三天线分别对应的初始距离,可以采用RSSI查指纹库的方式确定。之后,可以根据每个天线的初始距离,计算多天线线阵板对应的初始距离、第一天线组中两天线之间的初始距离差以及第二天线组中两天线之间的初始距离差。
在一些实施例中,在训练随机森林模型时,建立样本数据集合,样本数据集合包括多个样本数据,每个样本数据均包括LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,可选的,每个样本数据还标注有目标距离。在所述样本数据集合中进行有放回的抽取样本,并随机生成N个训练集。利用该N个训练集训练N个决策树。对于单个决策树模型,每次分裂时根据信息增益和信息熵选择最好的特征进行分裂,由此以建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则。
在一个示例中,单个决策树所建立的LQI、RSSI、传输误码试率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则可以是:
初始距离d≤4.05m,BLE的LQI值≤80,则认为距离d为4m;
初始距离d>4.05m,BLE的LQI值>68,则认为距离d为4.5m;
初始距离d≥4.55m,BLE的LQI值≤70,天线对1初始距离差≥0.6m,则认为距离d为5m;
初始距离d≥4.55m,70≤BLE的LQI值≤100,1.2m≤任意天线对初始距离差≤1.5m,则认为距离d为5.5m。
上述单个决策树的决策规则中,即根据天线阵列的初始距离、天线对的初始距离差和LQI进行决策距离d。可选的,上述天线阵列可以是立体天线阵列或者多天线线阵板。相应的,天线对1和任意天线对为立体天线阵列中的天线对,或者为多天线线阵板中的天线组。上述仅是单个决策树决策规则的示例,各个决策树可以根据训练样本建立不同的决策规则。
对于各个决策树输出的待决策距离d′1,随机森林模型可以将投出最多票数的到达角作为输出的第一距离d1。其中,输出判别式如下式所示:
其中,H(x)表示随机森林的最终输出结果;hi(x)表示单一决策树的分类结果;Y表示目标变量;I为表示性函数,决策树有此结果时取值为1,否则取值为0;argmaxY表示函数取得最大值时的参数值。
需要说明的是,随机森林模型的准确度与决策树个数相关。在随机森林模型训练的过程中,随机森林模型包含的决策树个数xi根据训练集个数N随机确定。当决策树个数为xi时,根据样本数据标注的到达角可以计算出随机森林模型输出第一到达角的准确度为zi。xi取值不同,所对应的zi也不同。本发明实施例中可以根据不同取值的xi所对应的zi,确定随机森林模型的决策树个数为X。
参见图7,为本发明实施例提供的一种决策树个数xi与准确度zi的关系曲线。当决策树个数xi取值较小时,随机森林的分类误差相对较大;当决策树个数xi的值逐渐增大时,随机森林分类的准确度会有明显地提升,并趋于稳定。但当决策树个数xi增加到一定程度时,随机森林模型的准确度不再提升而且还会带来计算量太大等问题。因此需要将决策树个数控制在合理范围内。在图6所示关系曲线中,决策树最佳个数xi可以取值为41。本发明实施例中,通过优化决策树个数,可以进一步优化随机森林模型的输出精度。
参见图8,为本发明实施例提供的一种SVM模型的结构示意图。如图8所示,SVM模型包括Y个二分类器和第二决策模块。每个所述二分类器对应一个距离标签,每个所述二分类器均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值。第二决策模块用于根据所述Y个二分类器输出的Y个置信度值,从所述Y个二分类器中确定目标二分类器,并将所述目标二分类器的距离标签确定为所述第二距离d2。
其中,SVM模型中的每个二分类器均对应一个正量样本集,每个正量样本集均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数。当接收设备的天线为图2所示立体天线阵列时,样本数据中的LQI、RSSI、传输误码率可以包括:第一半圆阵列中1-4号天线分别对应的LQI、RSSI、传输误码率,以及第二半圆阵列中0、5-7号天线分别对应的LQI、RSSI、传输误码率。
每个二分类器通过Y个所述正量样本集的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与自身距离标签的间隔计算规则,根据所述间隔计算规则计算出的间隔值用于确定置信度值。在训练过程中,当输入所述二分类器的数据属于自身对应的正量样本集时,输出的置信度值为正值;当输入所述二分类器的数据属于其它Y-1个正量样本集时,输出的置信度值为负值。
在一些实施例中,正量样本集中的每个样本数据还可以包括初始距离。每个二分类器通过正量样本集的训练,可以建立初始距离LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与自身距离标签的间隔计算规则。
可选的,所述初始距离可以包括立体天线阵列对应的初始距离,还可以包括立体天线阵列中任意两个天线对的初始距离差。当接收设备的天线为图2所示立体天线阵列时,样本数据中的初始距离可以为第一半圆阵列中1-4号天线两两天线之间的初始距离差以及第二半圆阵列中0、5-7号天线两两天线之间的初始距离差。可选的,样本数据中还可以包括立体天线阵列对应的初始距离。
当天线线阵结构为上述图3A和图3B所示多天线线阵板结构时,样本数据中的LQI、RSSI和传输误码率可以包括:第一天线、第二天线和第三天线分别对应的LQI、RSSI、传输误码率。可选的,样本数据中还可以包括第一天线组中两天线之间的初始距离差以及第二天线组中两天线之间的初始距离差。可选的,样本数据中还可以包括多天线线阵板对应的初始距离。
对于上述SVM模型,如果仅有一个二分类器输出的置信度为正值,则将该输出为正值的二分类器对应的角度标签作为输出值;如果有多个分类器输出的置信度为正值,则选择置信度最大的角度标签作为输出值。
如表1所示,SVM模型建立多个二分类器,该多个二分类器对应的距离d为4.0米、4.5米、5.0米、5.5米和6.0米。将LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数输入该多个二分类器,该多个二分类器分别输出一个置信度。如果该多个置信度中仅有一个为正值,则该正值对应的标签距离为最终输出的第二到达角。如果该多个置信度中有多个正值,则选取置信度最大的标签距离d作为最终输出的第二距离d2。
如表1所示,置信度与标签距离关系如下:
表1置信度与标签距离对应关系
如表1所示,二分类器对应的标签距离分别为:[4.0 4.5 5.0 5.5 6.0];故分类结果为:[4.0 5.0 5.0…]。
参见图9,为本发明实施例提供了一种BLE定位设备的结构示意图。如图9所示,该定位设备包括CPU处理单元,CPU处理单元包括两个内核,其中一个内核CPU1用于运行主要应用软件,另一内核CPU2用于执行低功耗蓝牙和射频实时处理任务;还包括射频系统,所述的射频系统与阵列天线连接;CPU1和CPU2分别通过共享总线矩阵和存储器进行通信,CPU2还可以通过射频总线矩阵与射频系统通信。其中,所述存储器中存储计算机程序,所述计算机程序被执行时,使得所述BLE定位设备执行BLE定位方法。
参见图10,为本发明实施例提供的一种BLE定位方法的流程图。如图10所示,所述方法应用于BLE定位设备的CPU处理单元,尤其应用于CPU2,该方法包括:
301,根据BLE标签的定位信号,确定LQI、RSSI和传输误码率。
具体地,BLE定位设备通过立体天线阵列接收BLE标签发送的携带有固定数据的BLE数据包。BLE定位设备对立体天线阵列接收到的BLE数据包进行采样得到BLE数据包的LQI、RSSI和传输误码率。
302,将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述BLE标签与所述接收设备的第一距离d1。
303,将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述BLE标签与所述接收设备的第二距离d2。
304,将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型输出校正后的距离d。
本发明实施例中,BLE定位设备集成有距离计算模型。其中距离计算模型的结构参见图4所示,包括随机森林模型、SVM模型和投票模型。其中,随机森林模型建立有输入的LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,与输出的第一距离d1之间的计算规则。当向随机森林模型输入LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数之后,随机森林模型输出第一距离d1。同理,SVM模型可以根据输入的LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值,根据置信度值SVM模型可以输出第二距离d2。距离计算模型中的投票模型可以通过对第一距离d1和第二距离d2的投票输出最终的距离d,实现对RSSI校正。
进一步,本发明实施例中的上述随机森林模型和SVM模型的具体计算过程可以参见图6-图8相关实施例的说明,此处不再赘述。
具体实现中,本申请还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本申请提供的各实施例中的部分或全部步骤。上述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
具体实现中,本申请实施例还提供了一种计算机程序产品,上述计算机程序产品包含可执行指令,当上述可执行指令在计算机上执行时,使得计算机执行上述方法实施例中的部分或全部步骤。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、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,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。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种定位寻向系统,其特征在于,包括:
待定位标签,用于发射定位信号;
接收设备,用于根据接收到的定位信号确定链路质量指示LQI、接收信号强度指示RSSI和传输误码率;
定位处理设备,用于根据所述LQI、所述RSSI和所述传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数,计算所述待定位标签与所述接收设备的距离d,并校正所述距离d,其中,具体包括:
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述待定位标签与所述接收设备的第一距离d1;
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述待定位标签与所述接收设备的第二距离d2;
将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型可以通过对第一距离d1和第二距离d2的投票输出最终校正后的距离d。
2.根据权利要求1所述的系统,其特征在于,所述接收设备包括立体天线阵列,所述立体天线阵列包括:第一半圆阵列和第二半圆阵列,所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角;
所述第一半圆阵列和所述第二半圆阵列分别包括N和M个天线,所述N个天线中的1个天线位于所述第一半圆阵列的圆心位置,N-1个天线位于所述第一半圆阵列的半圆弧位置,所述M个天线中的1个天线位于所述第二半圆阵列的圆心位置,M-1个天线位于所述第二半圆阵列的半圆弧位置,N≥3,M≥3;
其中,所述LQI、所述RSSI和所述传输误码率,包括:所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率。
3.一种定位寻向方法,其特征在于,包括:
根据待定位标签的定位信号确定LQI、RSSI和传输误码率;
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述待定位标签与接收设备的第一距离d1;
将所述LQI、RSSI和传输误码率,以及所述待定位标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述待定位标签与所述接收设备的第二距离d2;
将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型可以通过对第一距离d1和第二距离d2的投票输出最终校正后的距离d。
4.根据权利要求3所述的方法,其特征在于,所述随机森林模型包括X个决策树和第一决策模块,其中:
每个所述决策树均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,输出待决策距离d′1;
所述第一决策模块用于确定所述X个决策树输出的X个d′1的投票概率,并根据所述X个d′1的投票概率输出所述第一距离d1。
5.根据权利要求4所述的方法,其特征在于,所述X个决策树通过X个样本集合训练得到,每个所述样本集合均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数;
每个所述决策树通过相对应样本集合的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与输出的待决策距离d′1之间的决策规则。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在训练过程中,所述随机森林模型包含的决策树个数xi随机确定;
当决策树个数为xi时,所述随机森林模型输出的第一距离d1的准确度为zi,所述zi根据样本数据标注的目标距离确定;
根据不同取值的xi所对应的zi,确定所述随机森林模型的决策树个数为X。
7.根据权利要求3所述的方法,其特征在于,所述SVM模型包括Y个二分类器和第二决策模块;
每个所述二分类器对应一个距离标签,每个所述二分类器均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值;
所述第二决策模块用于根据所述Y个二分类器输出的Y个置信度值,从所述Y个二分类器中确定目标二分类器,并将所述目标二分类器的距离标签确定为所述第二距离d2。
8.根据权利要求7所述的方法,其特征在于,每个所述二分类器均对应一个正量样本集,每个所述正量样本集均包含多个样本数据,所述样本数据为标注有目标距离的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数;
每个所述二分类器通过Y个所述正量样本集的训练,均建立输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,与自身角度标签的间隔计算规则,根据所述间隔计算规则计算出的间隔值用于确定置信度值;
其中,在训练过程中,当输入所述二分类器的数据属于自身对应的正量样本集时,输出的置信度值为正值;当输入所述二分类器的数据属于其它Y-1个正量样本集时,输出的置信度值为负值。
9.根据权利要求3所述的方法,其特征在于,所述定位信号通过立体天线阵列接收,所述立体天线阵列包括:第一半圆阵列和第二半圆阵列,所述第一半圆阵列和所述第二半圆阵列的直径相互平行,且所述第一半圆阵列所属平面与所述第二半圆阵列所属平面存在夹角;
所述第一半圆阵列和所述第二半圆阵列分别包括N和M个天线,所述N个天线中的1个天线位于所述第一半圆阵列的圆心位置,N-1个天线位于所述第一半圆阵列的半圆弧位置,所述M个天线中的1个天线位于所述第二半圆阵列的圆心位置,M-1个天线位于所述第二半圆阵列的半圆弧位置,N≥3,M≥3;
所述LQI、所述RSSI和所述传输误码率,包括:所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率;
所述随机森林模型根据所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率、以及所述待定位标签的发射信号功率和障碍物衰减因数,输出所述第一距离d1;
所述SVM模型根据所述第一半圆阵列和所述第二半圆阵列中每个天线的LQI、RSSI和传输误码率、以及所述待定位标签的发射信号功率和障碍物衰减因数,输出所述第二距离d2。
10.一种BLE定位方法,其特征在于,所述方法应用于BLE定位设备,包括:
接收BLE标签发送的定位信号;
根据所述定位信号,确定LQI、RSSI和传输误码率;
根据所述LQI、所述RSSI和所述传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数,计算所述BLE标签与所述BLE定位设备的距离d,并校正所述距离d,其中,具体包括:
将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入随机森林模型,所述随机森林模型输出所述BLE标签与所述BLE定位设备的第一距离d1;
将所述LQI、RSSI和传输误码率,以及所述BLE标签的发射信号功率和障碍物衰减因数输入支持向量机SVM模型,所述SVM模型输出所述BLE标签与所述BLE定位设备的第二距离d2;
将所述第一距离d1和所述第二距离d2输入投票模型,所述投票模型可以通过对第一距离d1和第二距离d2的投票输出最终校正后的距离d。
11.根据权利要求10所述的方法,其特征在于,所述随机森林模型包括X个决策树和第一决策模块,其中:
每个所述决策树均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,输出待决策距离d′1;
所述第一决策模块用于确定所述X个决策树输出的X个d′1的投票概率,并根据所述X个d′ 1的投票概率输出所述第一距离d1。
12.根据权利要求10所述的方法,其特征在于,所述SVM模型包括Y个二分类器和第二决策模块;
每个所述二分类器对应一个距离标签,每个所述二分类器均用于根据输入的LQI、RSSI、传输误码率、发射信号功率和障碍物衰减因数,计算所输入数据与对应距离标签的置信度值;
所述第二决策模块用于根据所述Y个二分类器输出的Y个置信度值,从所述Y个二分类器中确定目标二分类器,并将所述目标二分类器的距离标签确定为所述第二距离d2。
13.一种BLE定位设备,其特征在于,包括:
处理器;
存储器;
以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被执行时,使得所述BLE定位设备执行权利要求10-12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224012.9A CN113993068B (zh) | 2021-10-18 | 2021-10-18 | 定位寻向系统、方法和ble定位设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224012.9A CN113993068B (zh) | 2021-10-18 | 2021-10-18 | 定位寻向系统、方法和ble定位设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113993068A CN113993068A (zh) | 2022-01-28 |
CN113993068B true CN113993068B (zh) | 2024-01-30 |
Family
ID=79739750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224012.9A Active CN113993068B (zh) | 2021-10-18 | 2021-10-18 | 定位寻向系统、方法和ble定位设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113993068B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582929B (zh) * | 2023-07-13 | 2023-09-19 | 杭州晟珈智能科技有限公司 | 一种基于rssi的多天线rfid标签定位方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469936A (zh) * | 2014-12-09 | 2015-03-25 | 重庆邮电大学 | 基于智能空间的无线信号衰减模型的混合定位方法及系统 |
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN107257580A (zh) * | 2017-05-23 | 2017-10-17 | 哈尔滨工业大学(威海) | 一种基于rssi‑svm通信距离估计的不确定性分析方法 |
WO2020134299A1 (zh) * | 2018-12-25 | 2020-07-02 | 中兴通讯股份有限公司 | 室内外标记的区分方法、分类器的训练方法及设备和介质 |
CN111541986A (zh) * | 2019-01-22 | 2020-08-14 | 博彦科技股份有限公司 | 定位方法、装置、存储介质及处理器 |
CN112995902A (zh) * | 2021-01-26 | 2021-06-18 | 浙江吉利控股集团有限公司 | 一种远距离广域网定位方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10582332B2 (en) * | 2017-12-11 | 2020-03-03 | Nokia Of America Corporation | Autonomous localization in wireless networks |
-
2021
- 2021-10-18 CN CN202111224012.9A patent/CN113993068B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469936A (zh) * | 2014-12-09 | 2015-03-25 | 重庆邮电大学 | 基于智能空间的无线信号衰减模型的混合定位方法及系统 |
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN107257580A (zh) * | 2017-05-23 | 2017-10-17 | 哈尔滨工业大学(威海) | 一种基于rssi‑svm通信距离估计的不确定性分析方法 |
WO2020134299A1 (zh) * | 2018-12-25 | 2020-07-02 | 中兴通讯股份有限公司 | 室内外标记的区分方法、分类器的训练方法及设备和介质 |
CN111541986A (zh) * | 2019-01-22 | 2020-08-14 | 博彦科技股份有限公司 | 定位方法、装置、存储介质及处理器 |
CN112995902A (zh) * | 2021-01-26 | 2021-06-18 | 浙江吉利控股集团有限公司 | 一种远距离广域网定位方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Using SVM and Random forest for different features selection in predicting bike rental amount;Yi Chen Shiao等;2018 9th International Conference on Awareness Science and Technology (iCAST);全文 * |
基于 LQI 权重和改进粒子群算法的室内定位方法;尚俊娜等;传感技术学报;全文,尤其参见说明书第1节 * |
基于LQI权重和改进粒子群算法的室内定位方法;尚俊娜;盛林;程涛;施浒立;岳克强;;传感技术学报(02);全文 * |
基于改进的PSO-SVM室内走廊环境WSN信道建模;祁恩召;李春树;;计算机仿真(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113993068A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
WO2015154438A1 (zh) | 定位方法及装置 | |
CN113765550A (zh) | 通信方法及相关装置 | |
US9660740B2 (en) | Signal strength distribution establishing method and wireless positioning system | |
CN112929817B (zh) | 终端定位方法、装置、终端及存储介质 | |
CN113993068B (zh) | 定位寻向系统、方法和ble定位设备 | |
CN110266353B (zh) | 终端、基站、发送方法及预编码矩阵的确定方法 | |
US20220159480A1 (en) | Beamforming method and apparatus, radio access network device, and readable storage medium | |
CN105768480A (zh) | 行李箱的定位方法、装置与系统 | |
US20180074159A1 (en) | Determining a location of an electronic tag in an area using probabilistic methods | |
CN110741272B (zh) | 无线电信标系统 | |
CN111638511A (zh) | 基于信号融合的多雷达空间配准的协同探测方法及装置 | |
CN111487582A (zh) | 获得蓝牙阵列天线参数标定模型、到达角的方法和装置 | |
CN115278526A (zh) | 终端定位方法、装置、电子设备及存储介质 | |
CN104066175A (zh) | 基于WiFi的室内定位系统及方法 | |
CN114386321A (zh) | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 | |
CN111856402A (zh) | 信号处理方法及装置、存储介质、电子装置 | |
Zhou et al. | MobiFi: Fast deep-learning based localization using mobile WiFi | |
CN108900232B (zh) | 一种自适应波束成形的方法、装置和电子设备 | |
CN113945887B (zh) | 定位寻向系统、方法和ble定位装置 | |
CN110049551A (zh) | 基于商用无线WiFi设备的信号追踪方法 | |
JP2007187563A (ja) | 位置同定方法及び位置同定システム | |
US20180352452A1 (en) | System and method for testing a wireless communication device | |
WO2023103927A1 (zh) | 信息发送方法、通信节点及存储介质 | |
CN111641430A (zh) | 一种信号调整方法及相关设备 |
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 |