CN114025320A - 一种基于5g信号的室内定位方法 - Google Patents

Abstract

本发明涉及室内定位技术领域，公开了一种基于5G信号的室内定位方法，所述方法包括：获取室内环境的5G信号；按预设信号模型对所述室内环境的5G信号进行提取，获取室内环境特征信号；根据获取到的室内环境特征信号，基于预设方法获取粗定位信息，并构建指纹地图；使用SLAM技术在所述指纹地图上进行精确定位，获取精确位置信息；对所述精确位置信息进行检测，如果位置存在，则输出所述精确位置信息，如果位置缺失，则输出所述粗定位信息。本发明采用5G位置估计和SLAM视觉定位结合的方法，不仅能解决地下停车场的位置丢失问题，提高SLAM算法的鲁棒性，还可以通过高可靠性的5G网络将SLAM算法放置云端，降低本地算力，为SLAM云化处理提供网络支撑。

Description

一种基于5G信号的室内定位方法

技术领域

本发明涉及室内定位技术领域，特别涉及一种基于5G信号的室内定位方法。

背景技术

全球定位系统(Global Positioning System，简称GPS)是一个由24颗卫星组成的卫星系统。这个系统可以保证在任意时刻，地球上任意一点都可以同时观测到4颗卫星，以保证卫星可以采集到该观测点的经纬度和高度，以便实现导航、定位、授时等功能。定位系统需要获取卫星信号，如果室内接收不到卫星信号或者卫星信号比较弱的情况下，定位系统精度变弱甚至无法进行定位。在室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，解决卫星信号到达地面比较弱、不能穿透建筑物的问题。

室内定位是指在环境中实现位置定位，主要采用无线通讯、基站定位、惯导定位等多种技术集成形成一套室内位置定位体系，从而实现人员、物体等在室内空间中的位置监控。常见的室内定位技术有Wi-Fi、蓝牙、红外线等，但这些定位技术都存在一定的缺陷：Wi-Fi接入点通常只能覆盖半径90米左右的区域，而且很容易受到其他信号的干扰，从而影响其精度，定位器的能耗也较高；蓝牙定位主要应用于小范围定位，对于复杂的空间环境，蓝牙定位系统的稳定性稍差，受噪声信号干扰大；由于光线不能穿过障碍物，使得红外射线仅能视距传播，容易受其他灯光干扰，并且红外线的传输距离较短，使其室内定位的效果很差。

在自主代客泊车的地下停车场中，常用的定位方法是根据概率算法的摄像头方案，即视觉SLAM方案，SLAM(Simultaneous Localization and Mapping，同步定位与建图)主要用于解决移动机器人在未知环境中运行时的定位导航与地图构建的问题。但地下停车场存在照度低、光线变化剧烈的缺点，单纯基于SLAM技术进行定位，存在位置丢失的问题，导致定位不准确。

发明内容

本发明的目的旨在克服现有技术的缺陷，提供一种基于5G信号的室内定位方法，采用5G位置估计和SLAM视觉定位结合的方法，可以解决地下停车场的位置丢失问题，具有较高的定位精度，提高SLAM算法的鲁棒性。

本发明的上述技术目的是通过以下技术方案得以实现的，一种基于5G信号的室内定位方法，所述方法包括：

S1，获取室内环境的5G信号；

S2，按预设信号模型对所述室内环境的5G信号进行提取，获取室内环境多径特征信号；

S3，根据获取到的室内环境多径特征信号，基于预设5G定位方法获取粗定位信息，并根据获取到的所述粗定位信息构建指纹地图；

S4，使用SLAM技术在所述指纹地图上进行精确定位，获取精确位置信息；

S5，对所述精确位置信息进行检测，如果位置存在，则输出所述精确位置信息，如果位置缺失，则输出所述粗定位信息。

作为本发明的进一步设置，所述步骤S2中预设信号模型为：

x(t_m)＝Aγ(t_m)+n(t_m),m＝1,2,…,M

其中，t_m为时间集合，x(t_m)为天线阵一次快拍的接收信号，n(t_m)为加性高斯白噪声，γ(t_m)是多径传播参数，A表示多径特征信息。

作为本发明的进一步设置，所述步骤S3中预设5G定位方法具体包括：

S31，降维构建线性子空间：根据获取到的室内环境多径特征信号，基于格拉斯曼流形得到原始数据的线性子空间，通过非线性映射关系将原始数据的线性子空间投影到低维的格拉斯曼流形上，得到降维线性子空间；

S32，构建低维投影尺度：使用改进后的低维投影尺度公式计算格拉斯曼流形上所述降维线性子空间之间的距离；

S33，位置估算：根据得到的所述降维线性子空间之间的距离进行位置估算，得到所述粗定位信息。

作为本发明的进一步设置，所述非线性映射关系为：

其中W是一个列满秩的变换矩阵，W^H表示矩阵W的共轭转置，

表示格拉斯曼流形上的基本元素。

作为本发明的进一步设置，所述低维投影尺度公式为

其中

和

为格拉斯曼流行上的基本元素。

作为本发明的进一步设置，所述步骤S4具体包括：

S41，数据预处理：对双目相机采集到的图像进行预处理并提取特征点，对IMU采集的加速度数据和角速度数据进行预积分，得到两帧的位姿变化；

S42，视觉SLAM与IMU的融合：采用基于神经网络的卡尔曼滤波方法进行IMU和视觉融合，得到尺度信息；

S43，关键帧提取：采用基于时间域的关键帧探测方法，每一个时间步长采集一副图像作为候选关键帧；

S44，位姿确定：根据获取到的候选关键帧确定位姿。

作为本发明的进一步设置，所述步骤S42具体包括：

构建神经网络训练集和测试集，训练集用于神经网络的训练，测试集用于测试神经网络的训练程度；

使用构建的神经网络训练集，采用BP算法进行神经网络训练；

在利用卡尔曼滤波方法进行位姿估计时，使用训练好的BP神经网络修正卡尔曼滤波增益值。

本发明的有益效果是：

1、本发明基于5G-SLAM技术，采用5G位置估计和SLAM视觉定位结合的方法，不仅能解决地下停车场的位置丢失问题，提高SLAM算法的鲁棒性，还可以通过高可靠性的5G网络将SLAM算法放置云端，降低本地算力，为SLAM云化处理提供网络支撑；同时，SLAM实现厘米级别高精度定位能力，5G网络结合边缘MEC为SLAM定位提供无线网络保障和边缘算力，同时5G网络为SLAM提供粗粒度辅助定位，减少其位置丢失的概率。

2、5G网络具有大宽带、低延时和广连接等特点，一方面，5G定位能够作为一种全局以及较为稳定的定位，5G和SLAM高精度定位配合，可以起到辅助定位、减少位置丢失的作用；另一方面，5G云上计算，终端设备成本更低，由5G网络大带宽、低时延地上传到MEC边缘云平台，能够减少终端侧的算力需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一种基于5G信号的室内定位方法实施例一的流程示意图；

图2是本发明一种基于5G信号的室内定位方法实施例二的流程示意图；

图3是本发明一种基于5G信号的室内定位方法实施例三的流程示意图。

具体实施方式

下面将结合具体实施例对本发明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的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。

如图1所示，图1为本发明一种基于5G信号的室内定位方法实施例一的流程示意图，在本实施例中，所述方法包括以下步骤：

S1，获取室内环境的5G信号；

S2，按预设信号模型对所述室内环境的5G信号进行提取，获取室内环境多径特征信号；

S3，根据获取到的室内环境多径特征信号，基于预设5G定位方法获取粗定位信息，并根据获取到的所述粗定位信息构建指纹地图；

S4，使用SLAM技术在所述指纹地图上进行精确定位，获取精确位置信息；

S5，对所述精确位置信息进行检测，如果位置存在，则输出所述精确位置信息，如果位置缺失，则输出所述粗定位信息。

需要说明的是，本发明基于5G-SLAM技术，采用5G位置估计和SLAM视觉定位结合的方法，SLAM实现厘米级别高精度定位能力，5G网络结合边缘MEC为SLAM定位提供无线网络保障和边缘算力，同时5G网络为SLAM提供粗粒度辅助定位，减少其位置丢失的概率。

进一步地，基于获取到的5G信号对室内位置进行估计，5G指纹技术是指利用接收机对于信号在不同定位点，存在着与位置一一对应的固有信号特征。指纹技术的关键在于如何提取接收机上接收信号的稳定低维特征，从而建立室内特征数据库。将定位过程的每一帧视为定位点，本实施例中选用如下预设的信号模型获取室内信号的多径信息，所述预设信号模型为：x(t_m)＝Aγ(t_m)+n(t_m),m＝1,2,…,M

其中，t_m为时间集合，x(t_m)为天线阵一次快拍的接收信号，维度为pN×1；n(t_m)为加性高斯白噪声，维度为pN×1；

γ(t_m)是多径传播参数，其维度为q×1：γ(t_m)＝[γ₁(t_m),γ₂(t_m),…,γ_q(t_m)]^T；

A表示多径特征信息，其维度为pN×q：

式中：

表示克罗克内积，a(θ_k)表示第k条路径的来波方位角对圆形天线阵的幅度响应，其维度为p×1；s(t_m-τ_k)表示第k条路径的时延信号，其维度为N×1；矩阵A表示空间暂态矩阵，作为包含信号基于室内环境特征的信号指纹。基于信号子空间V的多径特征信息的提取和估计，即：span(V_i)＝span(A)。

参见图2，图2为本发明一种基于5G信号的室内定位方法实施例二的流程示意图，在本实施例中，所述方法包括以下步骤：

S31，降维构建线性子空间，根据获取到的室内环境的5G信号，基于格拉斯曼流形得到原始数据的线性子空间，在不提高线性子空间维数的前提条件下，找出低维的信号信息去代替原始的线性子空间，即通过非线性映射关系f可以对原始格拉斯曼流形进行降维，所述映射关系为：

其中W维数为pN×d(d＜cl)，是一个列满秩的变换矩阵，f:G(pN,cl)→G(pN,d)；

需要说明的是，格拉斯曼流形是一个非线性的空间，在地图建模后需构造一个非线性投影映射框架，用一个对应的投影矩阵将格拉斯曼流形上的基本元素唯一表示出来，格拉斯曼流形上的线性子空间是信号特征的原始数据。引入投影映射将格拉斯曼流形上的基本元素表示成对应的投影矩阵，为解决高维矩阵计算开销大以及高维矩阵在小样本条件下不能有效描述样本分布的缺陷，通过对子空间的正交基矩阵进行降维，得到一个低维、紧致的格拉斯曼流形以获得图像集更好的表达。

应理解的是，通常情况下能够获得的图像数量小于样本的特征维数，这样得到的投影矩阵不能很好地建模原始样本的真实分布，为此可以将G(pN,cl)投影到一个更低维数的格拉斯曼流形上，在降低计算开销的同时能保持较高的匹配正确率。

S32，构建投影尺度，使用投影尺度来结算格拉斯曼流形上线性子空间之间的距离，将真正的格拉斯曼测地距离逼近

的尺度，投影距离用如下公式表示：

需要说明的是，通过非线性投影映射把线性子空间投影到格拉斯曼流形上。格拉斯曼流形上的一个点对应一个线性子空间，可以用投影尺度来结算格拉斯曼流形上线性子空间之间的距离，投影距离可用上述公式表示。投影度量可以将真正的格拉斯曼测地距离逼近

的尺度。

S33，改进低维投影尺度，按如下公式对投影尺度做低维改进：

需要说明的是，使用投影尺度求解信号子空间的距离，虽然可以大幅度降低定位过程中的位置模糊问题，但计算量相对复杂，因此采用公式对投影尺度做低维改进，降低计算复杂度的同时保持较高的匹配正确率。

S34，位置估计，使用改进后的投影尺度公式进行定位，其位置估计策略为：

参见图3，图3为本发明一种基于5G信号的室内定位方法实施例三的流程示意图，在本实施例中，所述方法包括以下步骤：

S41，数据预处理，包括双目相机的图像预处理和IMU的预处理；

S42，视觉SLAM与IMU的融合，采用基于神经网络的卡尔曼滤波方法进行IMU和视觉融合，得到尺度信息；

S43，关键帧提取，采用基于时间域的关键帧探测方法，每一个时间步长采集一副图像作为候选关键帧；

S44，位姿确定，根据获取到的候选关键帧确定位姿。

具体的，所述双目相机的图像预处理是指图像的畸变校正，首先，根据事先标定好的双目相机的内参数矩阵、外参数矩阵和畸变参数对图像进行去畸变，使得左图像中的特征点对应极线为平行线；然后，双目匹配获得极线约束条件；最后采用harris算法进行特征点的提取。

具体的，所述IMU的预处理是指使用中值积分的方法对IMU的加速度数据和角速度数据进行预积分，得到两帧的位姿变化。

具体的，所述视觉SLAM与IMU的融合，采用基于神经网络的卡尔曼滤波方法进行IMU和视觉融合，得到尺度信息，具体包括：

S421，利用增益卡尔曼滤波方法进行位姿的估计；

应理解的是，卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。

需要说明的是，卡尔曼滤波算法的递推步骤如下：

(1)线性化：基于微分的思想，使用一阶泰勒公式展开，将非线性函数在短时间内转换为线性条件并进行滤波估计处理；

(2)状态预测：由系统当前时刻的状态，预测系统下一时刻的状态；

x_k＝φ_k,k-1x_k-1

x_k为下一时刻状态，x_k-1为当前时刻的状态，φ_k,k-1为状态转移矩阵；

(3)协方差预测：在系统噪声的条件下，利用系统当前时刻的状态后验估计均方差矩阵，计算系统下一时刻的协方差矩阵；

K_k为滤波增益矩阵，H_k是状态变量到测量观测的转换矩阵，R_k为测量噪声协方差；

(4)状态更新：利用系统当前时刻的观测值，校正系统在当前时刻的状态估计值；

x_k＝x_k,k-1+K_k[Z_k-H_kx_k,k-1]

式中Z_k为测量值，是滤波的输入；

(5)协方差更新：根据卡尔曼滤波增益和上一时刻的协方差矩阵更新下一时刻的协方差的后验估计；

P_k＝[I-K_kH_k]P_k,k-1

S422，神经网络训练集的构建，样本分为训练集与测试集，训练集用于网络的训练，测试集用于测试网络训练程度；

S423，神经网络结构设计，将深度神经网络基本结构分为三层：输入层、隐藏层和输出层，将位姿数据输入深度神经网络中，网络根据输入数据进行误差的反向传播，调整各个神经元的系数w和偏置b，最终得到输出数据与提供数据最接近的一组。

S424，神经网络参数训练，采用BP算法进行神经网络参数的训练。

需要说明的是，BP神经网络算法是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组的算法。本发明提供的基于5G信号的室内定位方法采用基于神经网络的卡尔曼滤波方法进行位姿估计，通过卡尔曼滤波对姿态做出估计，但由于系统参数的不准确容易产生误差；神经网络可以对卡尔曼滤波产生的不精确结果进行补偿，通过神经网络对位姿进行训练，提高滤波精度，解决样本噪声问题。

Claims (7)

1.一种基于5G信号的室内定位方法，其特征在于，所述方法包括：

S1，获取室内环境的5G信号；

S2，按预设信号模型对所述室内环境的5G信号进行提取，获取室内环境多径特征信号；

S3，根据获取到的室内环境多径特征信号，基于预设5G定位方法获取粗定位信息，并根据获取到的所述粗定位信息构建指纹地图；

S4，使用SLAM技术在所述指纹地图上进行精确定位，获取精确位置信息；

S5，对所述精确位置信息进行检测，如果位置存在，则输出所述精确位置信息，如果位置缺失，则输出所述粗定位信息。

2.根据权利要求1所述的基于5G信号的室内定位方法，其特征在于，所述步骤S2中预设信号模型为：

x(t_m)＝Aγ(t_m)+n(t_m),m＝1,2,…,M

其中，t_m为时间集合，x(t_m)为天线阵一次快拍的接收信号，n(t_m)为加性高斯白噪声，γ(t_m)是多径传播参数，A表示多径特征信息。

3.根据权利要求1所述的基于5G信号的室内定位方法，其特征在于，所述步骤S3中预设5G定位方法具体包括：

S31，降维构建线性子空间：根据获取到的室内环境多径特征信号，基于格拉斯曼流形得到原始数据的线性子空间，通过非线性映射关系将原始数据的线性子空间投影到低维的格拉斯曼流形上，得到降维线性子空间；

S32，构建低维投影尺度：使用改进后的低维投影尺度公式计算格拉斯曼流形上所述降维线性子空间之间的距离；

S33，位置估算：根据得到的所述降维线性子空间之间的距离进行位置估算，得到所述粗定位信息。

4.根据权利要求3所述的基于5G信号的室内定位方法，其特征在于，所述非线性映射关系为：

其中W是一个列满秩的变换矩阵，W^H表示矩阵W的共轭转置，

表示格拉斯曼流形上的基本元素。

5.根据权利要求3所述的基于5G信号的室内定位方法，其特征在于：所述低维投影尺度公式为

其中

和

为格拉斯曼流行上的基本元素。

6.根据权利要求1所述的基于5G信号的室内定位方法，其特征在于，所述步骤S4具体包括：

S41，数据预处理：对双目相机采集到的图像进行预处理并提取特征点，对IMU采集的加速度数据和角速度数据进行预积分，得到两帧的位姿变化；

S42，视觉SLAM与IMU的融合：采用基于神经网络的卡尔曼滤波方法进行IMU和视觉融合，得到尺度信息；

S43，关键帧提取：采用基于时间域的关键帧探测方法，每一个时间步长采集一副图像作为候选关键帧；

S44，位姿确定：根据获取到的候选关键帧确定位姿。

7.根据权利要求6所述的基于5G信号的室内定位方法，其特征在于，所述步骤S42具体包括：

构建神经网络训练集和测试集，训练集用于神经网络的训练，测试集用于测试神经网络的训练程度；

使用构建的神经网络训练集，采用BP算法进行神经网络训练；

在利用卡尔曼滤波方法进行位姿估计时，使用训练好的BP神经网络修正卡尔曼滤波增益值。

Images