CN114268904B - 室内移动目标三维定位方法、介质、计算机设备及应用 - Google Patents

室内移动目标三维定位方法、介质、计算机设备及应用 Download PDF

Info

Publication number
CN114268904B
CN114268904B CN202111437232.XA CN202111437232A CN114268904B CN 114268904 B CN114268904 B CN 114268904B CN 202111437232 A CN202111437232 A CN 202111437232A CN 114268904 B CN114268904 B CN 114268904B
Authority
CN
China
Prior art keywords
wifi
csi
dimensional
indoor
equipment
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
CN202111437232.XA
Other languages
English (en)
Other versions
CN114268904A (zh
Inventor
王勇
丁建阳
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202111437232.XA priority Critical patent/CN114268904B/zh
Publication of CN114268904A publication Critical patent/CN114268904A/zh
Application granted granted Critical
Publication of CN114268904B publication Critical patent/CN114268904B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种室内移动目标三维定位方法、介质、计算机设备及应用，首先通过一副WiFi设备感知空间信道特性，并采集包含有位置信息的CSI数据；接着利用收集到的CSI数据构造CSI张量；然后对构造的CSI张量进行CP分解，获取刻画三维子空间的特征量；下一步构造三维空间特征数据集，引入RNN神经网络对空间特征数据集进行学习；最后利用训练好的RNN神经网络实现室内移动目标三维定位。本发明基于WiFi感知的室内目标三维定位方法只利用一副WiFi收发设备，安装成本较低，没有隐私顾虑，不存在死角，并且不需要人员佩戴任何专用设备或传感器，是一种无源被动的定位方式。

Description

室内移动目标三维定位方法、介质、计算机设备及应用
技术领域
本发明属于无线通信技术领域，尤其涉及一种室内移动目标三维定位方法、介质、计算机设备及应用。
背景技术
目前，随着各类无线通信业务的快速发展，基于位置的服务以及与此相关的一系列无线应用逐渐受到了广泛的关注。定位服务又称为“基于位置的服务”(Location BasedService，LBS)，通常是指利用卫星通讯网络、移动通信网络、无线局域网、无线传感网络系统获取移动终端的地理坐标，从而实现一系列与位置有关的服务。最早的定位服务出现在上世纪70年代，美军为了能向其三军提供全天候实时的定位导航服务，研制了全球定位系统GPS，自此GPS定位服务得到了广泛的应用。在民用领域，美国联邦通信委员会亦在1996年颁布了E-911规范，如要求当移动终端用户发生911紧急呼叫，无线蜂窝网络需要给出用户的实时地理位置信息。2001年，美国联邦通信委员会进一步对能够提供三维位置信息以及更高定位精度的定位服务做出了一系列的要求，随之全球都掀起了定位技术研究的热潮。根据定位环境的不同，可以将无线定位系统分为：室外无线定位和室内无线定位系统，室外无线定位系统主要包含：蜂窝无线定位和卫星定位系统两类。而在室内环境，现有的室外定位系统则无能无力，因为无线信号穿透众多的建筑物后将导致严重衰减，加之室内信道环境复杂，导致定位精度大大降低，甚至存在大片的定位盲区。室内无线定位是指在：室内环境下，通过集成无线通信、传感网络、惯导定位、基站定位等多种技术而形成一套室内定位体系，能够有效确定室内空间人员或物品的位置。近年来，针对室内定位服务的需求快速增加，各类定位系统和技术得到广泛深入的研究和应用。如，在公共服务领域，室内无线定位系统有助于于老人和儿童的照顾、医院患者的看护及仓储物流管理；在公共安全领域，定位系统可用于监狱监控、消防与紧急避险引导；在商业领域，定位系统可帮助商家确定顾客位置并提供个性化服务。如今，伴随着智慧城市、智能交通、车联网、云计算服务、大数据概念的提出和应用，室内无线定位服务作为其中不可缺少的关键一环，得到了越来越广泛的期望。随着无线网络的广泛覆盖，WiFi感知技术因其非侵入性、造价低廉、易广泛部署、具有良好的普适性和可扩展性等优点成为该领域近几年研究的热点。其基本原理是：在室内环境下无线信号的传输会受到物理空间的约束，导致信号从发射端经由多路径到达接收端。一方面，物理空间约束了无线信号的传播；另一方面，到达接收端的无线信号也记录了它所穿越的物理空间的特征。因此，当移动目标在物理空间中时，由于移动目标的活动对信号的反射、衍射而引入额外的路径，于是，期间移动目标的行为将对无线信号的传播所造成的影响，会被到达接收端的信号统计特征所刻画。通过将这些信号的变化与不同空间位置之间建立映射关系，就实现了诸如人机交互、轨迹跟踪、智能工业等功能。现阶段，室内移动目标三维定位系统已经被大量提出，比如ELM、3D WiFi、Indotrack等。其中ELM利用CSI和接收信号强度(Received Signal Strength Indication，RSSI)提取多个统计特征，比如方差、标准差、最大值、最小值等，作为典型特征输入到神经网络中，获取具体的移动目标位置。3DWiFi利用MUSIC算法获取到达角(Angle OfArrival，AoA)，利用到达角的交叉点作为移动目标位置。虽然这些室内定位系统能保证一定的准确度，但它们的局限性在于大多数定位系统聚焦于室内2维定位，忽略室内三维空间定位技术的研究，并且缺乏对随机噪声的鲁棒性导致定位精度较差。室内定位技术主要局限在于三个方面：首先，缺乏对室内移动目标三维定位技术的深入研究；缺乏抑制CSI数据中噪声干扰的有效措施；最后，缺乏有效的室内三维定位算法。
通过上述分析，现有技术存在的问题及缺陷为：现有技术缺乏对室内移动目标三维定位技术的深入研究，缺乏抑制CSI数据中噪声干扰的有效措施及有效的室内三维定位算法。
解决以上问题及缺陷的难度为：为了解决上述技术问题，主要有以下技术难点：建立室内WiFi感知模型和移动目标三维定位模型；有效抑制CSI数据中噪声干扰的影响，并提取能深度刻画移动目标空间位置的特征量；利用提取的特征量进行室内三维定位。
解决以上问题及缺陷的意义为：本申请基于WiFi感知的室内目标三维定位只利用一副WiFi收发设备，安装和使用成本较低，不需要人员佩戴任何专用设备或传感器，是一种无源被动的方式。室内定位对于生产生活都有十分重要的意义，不论是家庭、办公楼还是工厂等场所，都会有广泛的应用。解决上述技术问题，使被动式室内目标三维定位更能满足低成本和高精度的要求。
发明内容
针对现有技术存在的问题，本发明提供了一种室内移动目标三维定位方法、介质、计算机设备及应用。本发明为一种基于WiFi感知、CSI张量构造与分解、RNN模型融合的室内移动目标三维定位方法，以解决目前室内定位技术缺乏有效的噪声抑制策略及定位效率低的问题，从而提高室内移动目标三维定位精度、效率、鲁棒性及可靠性。
本发明是这样实现的，一种室内移动目标三维定位方法，所述室内移动目标三维定位方法，包括：
首先通过一副WiFi设备感知空间信道特性，并采集包含有位置信息的CSI数据；接着利用收集到的CSI数据构造CSI张量；基于WiFi感知的室内定位，具有保护隐私、较低安装成本、较大覆盖范围、无需佩戴任何专用传感器设备等优点。
然后对构造的CSI张量进行CP分解，获取刻画三维子空间的特征量；下一步构造三维空间特征数据集，引入RNN神经网络对空间特征数据集进行学习；利用所有的CSI信息构造CSI张量和进行张量分解，有利于挖掘WiFi CSI自身隐含的结构化统计性显著特征，可以提高室内定位的精度、鲁棒性与稳定性。
最后利用训练好的RNN神经网络实现室内移动目标三维定位。利用RNN模型学习这些显著特征，将模型参量求解问题转化为智能优化问题，提高室内定位精度，同时实现室内定位系统的自动化、智能化。
进一步，所述室内移动目标三维定位方法，具体包括以下步骤：
步骤一，将室内三维空间划分为多个独立子空间，并且对每个子空间进行编号；
步骤二，在室内环境下部署一副WiFi收发设备，收发设备之间的距离根据实验要求确定，另外WiFi接收设备处的接收天线构成一组天线阵列，然后利用WiFi收发设备感知由移动目标造成的室内环境变化；
步骤三，针对每个独立的子空间，收集包含位置信息的CSI数据，其中在一条WiFi传输链路上，获得一组子载波测量H，然后利用所有WiFi传输链路上的子载波测量构造CSI张量
Figure BDA0003381858780000041
步骤四，利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure BDA0003381858780000042
进行相应的分解，获取显著特征；
步骤五，利用获得的三维空间位置指纹数据集对深度神经网络RNN模型进行训练，使得RNN模型中的所有参量值达到最优，然后将训练好的RNN模型用于室内移动目标三维定位系统中。
本发明的步骤一的作用：将空间进行分割，便于收集CSI数据构造位置指纹。步骤二的作用：基于WiFi感知的室内定位，具有保护隐私、较低安装成本、较大覆盖范围、无需佩戴任何专用传感器设备等优点。步骤三的作用：有效利用所有的CSI信息，提高定位系统抵抗噪声干扰的鲁棒性。步骤四的作用：利用所有的CSI信息构造CSI张量和进行张量分解，有利于挖掘WiFi CSI自身隐含的结构化统计性显著特征，可以提高室内定位的精度、鲁棒性与稳定性。步骤五的作用：利用RNN模型学习这些显著特征，将模型参量求解问题转化为智能优化问题，提高室内定位精度，同时实现室内定位系统的自动化、智能化。
进一步，所述步骤一，具体过程为：
按照实验要求，并且根据室内空间尺寸大小，设置合适的子空间尺寸，包括宽度、长度和高度；
按照设计的子空间尺寸，对室内三维空间进行划分；将划分的子空间进行统一编号，设置相应的位置标签。
进一步，所述步骤二，具体过程为：
建立三维空间WiFi感知模型，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有多根天线的WiFi设备作为接收设备；
将WiFi收发设备放置在支架，支架的高度和它们之间的距离根据实验要求进行调节，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；
通过一副WiFi收发设备感知室内环境变化，同时获取1×M条WiFi传输链路上的CSI数据，其中一条数据链路的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]T i∈[1,Nsub],
Hi＝||Hi||exp(∠Hi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息；
对于所有的WiFi传输链路，可以获得信道测量
Figure BDA0003381858780000052
为：
Figure BDA0003381858780000051
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息。
进一步，所述步骤三，具体过程为：
在一条WiFi传输链路上，即一根发射天线和一根接收天线，获取的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]T i∈[1,Nsub],
Hi＝||Hi||exp(∠Hi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息，Nsub表示一条WiFi链路上的子载波数目；对于所有的WiFi传输链路，可以获得信道测量
Figure BDA0003381858780000061
为：
Figure BDA0003381858780000062
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息；然后对所有WiFi链路上子载波的CSI在时间方向上进行连续收集，构造一个CSI张量，此时一个三维子空间所对应的CSI张量为：
Figure BDA0003381858780000063
进一步，所述步骤四，利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure BDA0003381858780000064
进行相应的分解具体过程为：
利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure BDA0003381858780000065
进行相应的分解，结果为：
Figure BDA0003381858780000066
其中，
Figure BDA0003381858780000067
r＝1,2,...,R是分解时在
Figure BDA0003381858780000068
中所对应的向量；另外，令A＝[a1,a2,...,aR]B＝[b1,b2,...,bR]，C＝[c1,c2,...,cR]，上式可以重新写为：
Figure BDA0003381858780000069
通过CP分解，获取多个单秩张量，选取A＝[a1,a2,...,aR]作为刻画三维子空间的特征量；同时对A＝[a1,a2,...,aR]中的向量进行加权融合作为三维子空间的指纹信息，可以写为：
Figure BDA00033818587800000610
其中，Ξl表示三维空间中第l个子空间的指纹信息，L表示在三维空间中的所有位置数目，αr是加权系数；通过对所有子空间对应的张量进行CP分解，获取相应位置的指纹信息，然后利用所有三维子空间对应的指纹信息形成一个指纹数据集。
进一步，所述步骤五，具体过程为：
首先设置深度神经网络RNN模型的一个输入向量为：
Figure BDA0003381858780000071
假设RNN模型中输入向量的维度设置为Dx，相应隐层的大小设置为Dh，对于输入x，RNN模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别表示第p时间步的输入向量和隐层，W，U和b分别是输入权重，循环权重和偏置；W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1，σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层需要初始化为零向量；
通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)及时更新：
Figure BDA0003381858780000072
Figure BDA0003381858780000073
其中，
Figure BDA0003381858780000074
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·)和σh(·)分别是细胞状态和隐层的激活函数；
RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参量都包含在参量集Θ中；
设定X＝(x(1),...x(P))为输入数据向量，y是三维子空间位置标签，
Figure BDA0003381858780000075
为特征量数据集(X,y)；通过利用特征量数据集，RNN模型的所有参数都朝着最小化代价函数的方向进行调整：
Figure BDA0003381858780000076
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表示第g个输入和输出对的代价；
为了获得最优的参量，RNN模型中所有参数都用迭代法进行更新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005；
当代价函数达到最小时，即说明RNN模型中的参量都达到了最优，训练结束，然后就可以将RNN模型用于室内移动目标三维定位系统中。
本发明的另一目的在于提供一种所述室内移动目标三维定位方法在楼宇监控和智慧工厂中的应用。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述室内移动目标三维定位方法，包括下列步骤：
首先通过一副WiFi设备感知空间信道特性，并采集包含有位置信息的CSI数据；接着利用收集到的CSI数据构造CSI张量；
然后对构造的CSI张量进行CP分解，获取刻画三维子空间的特征量；下一步构造三维空间特征数据集，引入RNN神经网络对空间特征数据集进行学习；
最后利用训练好的RNN神经网络实现室内移动目标三维定位。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的室内移动目标三维定位方法的步骤。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明基于WiFi感知的室内目标三维定位方法只利用一副WiFi收发设备，安装成本较低，没有隐私顾虑，不存在死角，并且不需要人员佩戴任何专用设备或传感器，是一种无源被动的检测方式。由于本发明利用了所有WiFi链路上CSI信息构造CSI张量，有利于深度刻画移动目标在三维空间中的信道特性，有利于挖掘CSI数据中隐含的结构化统计性特征，因此帮助提高系统鲁棒性和定位准确度。由于本发明利用深度神经网络RNN模型在显著特征量与三维空间位置建立了非线性映射关系，实现了移动目标位置识别的智能化、自动化处理。由于本发明采用了CSI张量构造、张量分解和RNN模型融合的室内定位方式，有效克服了室内环境随机噪声的影响，提高了位置识别准确性及可靠性。本发明基于WiFi信道状态信息(Channel StateInformation，CSI)、张量构造与分解以及递归神经网络(Recurrent Neural Network，RNN)融合的室内目标三维定位方法，可用于人机交互、入侵检测、智能工业及智慧家庭。
本发明应用场景如下：
楼宇监控：由于微小的移动目标动作就可以引起WiFi信号的剧烈变化，基于此，楼宇监控以及特殊场景监控便可以实现，这样的系统具有很高的灵敏度、比较低的安装费用、容易使用等优点。目前，基于计算机视觉的系统已经广泛应用于楼宇监控，但存在着不足例如侵犯个人隐私、超出监控范围、敏感区域等，而基于WiFi感知的系统是不存在这些问题的。并且将计算机视觉与WiFi系统相结合能相互弥补各自的不足，以此可以实现楼宇监控的高效率和高准确度。
智慧工厂：在无人值守的大型工厂内，利用广泛部署的WiFi节点，可以有效计算出机器人目前所在的空间位置，这种方式不存在定位死角、侵犯隐私等优点，并且可以实现全区域实时覆盖。因此，基于WiFi感知的室内三维定位系统拥有巨大的应用潜力。
附图说明
图1是本发明实施例提供的室内移动目标三维定位方法流程图。
图2是本发明实施例提供的室内移动目标三维定位总流程图。
图3是本发明实施例提供的三维空间区域划分示意图。
图4是本发明实施例提供的三维空间WiFi感知模型示意图。
图5是本发明实施例提供的基于第一根天线，在位置1时的CSI幅度和相位结果图；
图5中：图a、幅度；图b、相位。
图6是本发明实施例提供的基于第一根天线，在位置2时的CSI幅度和相位结果图；
图6中：图a、幅度；图b、相位。
图7是本发明实施例提供的基于第二根天线，在位置1时的CSI幅度和相位结果图；
图7中：图a、幅度；图b、相位。
图8是本发明实施例提供的基于第二根天线，在位置2时的CSI幅度和相位结果图；
图8中：图a、幅度；图b、相位。
图9是本发明实施例提供的CSI张量构造示意图；
图10是本发明实施例提供的RNN模型示意图。
图11是本发明实施例提供的移动目标在三维空间中的定位和追踪结果图；(a)方形定位跟踪轨迹；(b)圆形定位跟踪轨迹；(c)直线定位跟踪轨迹。
图12是本发明实施例提供的在不同实验环境中的定位误差对比结果图。
图13是本发明实施例提供的与其他两种方法定位误差对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种室内移动目标三维定位方法、介质、计算机设备及应用，下面结合附图对本发明作详细的描述。
本发明提供的室内移动目标三维定位方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的室内移动目标三维定位方法仅仅是一个具体实施例而已。
本发明实施例提供的室内移动目标三维定位方法首先通过一副WiFi设备感知空间信道特性，并采集包含有位置信息的CSI数据；接着利用收集到的CSI数据构造CSI张量；然后对构造的CSI张量进行CP分解，获取刻画三维子空间的特征量；下一步构造三维空间特征数据集，引入RNN神经网络对空间特征数据集进行学习；最后利用训练好的RNN神经网络实现室内移动目标三维定位。
如图1所示，本发明实施例提供的室内移动目标三维定位方法，具体过程为：
S101；将室内三维空间划分为多个独立子空间，并且对每个子空间进行编号。
S102；在室内环境下部署一副WiFi收发设备，收发设备之间的距离根据实验要求确定，另外WiFi接收设备处的接收天线构成一组天线阵列，然后利用WiFi收发设备感知由移动目标造成的室内环境变化。
S103；针对每个独立的子空间，收集包含位置信息的CSI数据，其中在一条WiFi传输链路上获得一组子载波测量H，然后利用所有WiFi传输链路上的子载波测量构造CSI张量
Figure BDA0003381858780000111
S104；利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure BDA0003381858780000112
进行相应的分解，获取显著特征。
S105；利用获得的三维空间位置指纹数据集对深度神经网络RNN模型进行训练，使得RNN模型中的所有参量值达到最优，然后将训练好的RNN模型用于室内移动目标三维定位系统中。
本发明实施例提供的S101，具体过程为：
按照实验要求，并且根据室内空间尺寸大小，设置合适的子空间尺寸，包括宽度、长度和高度。按照设计的子空间尺寸，对室内三维空间进行划分；将划分的子空间进行统一编号，设置相应的位置标签。
本发明实施例提供的S102，具体过程为：
建立三维空间WiFi感知模型，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有多根天线的WiFi设备作为接收设备；将WiFi收发设备放置在支架，支架的高度和它们之间的距离根据实验要求进行调节，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；
通过一副WiFi收发设备感知室内环境变化，同时获取1×M条WiFi传输链路上的CSI数据，其中一条数据链路的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]T i∈[1,Nsub],
Hi＝||Hi||exp(∠Hi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息；对于所有的WiFi传输链路，可以获得信道测量
Figure BDA0003381858780000124
为：
Figure BDA0003381858780000121
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息。
本发明实施例提供的S103，具体过程为：
在一条WiFi传输链路上，即一根发射天线和一根接收天线，获取的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]T i∈[1,Nsub],
Hi＝||Hi||exp(DHi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息，Nsub表示一条WiFi链路上的子载波数目；对于所有的WiFi传输链路，可以获得信道测量
Figure BDA0003381858780000122
为：
Figure BDA0003381858780000123
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息；然后对所有WiFi链路上子载波的CSI在时间方向上进行连续收集，构造一个CSI张量，此时一个三维子空间所对应的CSI张量为：
Figure BDA0003381858780000131
本发明实施例提供的S104，利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure BDA0003381858780000132
进行相应的分解具体过程为：
利用CANDECAMP/PARAFAC(CP)方法对构造的CSI张量
Figure BDA0003381858780000133
进行相应的分解，结果为：
Figure BDA0003381858780000134
其中，
Figure BDA0003381858780000135
r＝1,2,...,R是分解时在
Figure BDA0003381858780000136
中所对应的向量。另外，令A＝[a1,a2,...,aR]B＝[b1,b2,...,bR]，C＝[c1,c2,...,cR]，上式可以重新写为：
Figure BDA0003381858780000137
通过CP分解，可以获取多个单秩张量，选取A＝[a1,a2,...,aR]作为刻画三维子空间的特征量。同时对A＝[a1,a2,...,aR]中的向量进行加权融合作为三维子空间的指纹信息，可以写为：
Figure BDA0003381858780000138
其中，Ξl表示三维空间中第l个子空间的指纹信息，L表示在三维空间中的所有位置数目，αr是加权系数；通过对所有子空间对应的张量进行CP分解，获取相应位置的指纹信息，然后利用所有三维子空间对应的指纹信息形成一个指纹数据集。
本发明实施例提供的S105，具体过程为：
首先设置深度神经网络RNN模型的一个输入向量为：
Figure BDA0003381858780000139
假设RNN模型中输入向量的维度设置为Dx，相应隐层的大小设置为Dh，对于输入x，RNN模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别表示第p时间步的输入向量和隐层，W，U和b分别是输入权重，循环权重和偏置。W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1，σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层需要初始化为零向量。
通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)可以及时更新：
Figure BDA0003381858780000141
Figure BDA0003381858780000142
其中，
Figure BDA0003381858780000143
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·)和σh(·)分别是细胞状态和隐层的激活函数。
RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参量都包含在参量集Θ中；
设定X＝(x(1),...x(P))为输入数据向量，y是三维子空间位置标签，
Figure BDA0003381858780000145
为特征量数据集(X,y)。通过利用特征量数据集，RNN模型的所有参数都朝着最小化代价函数的方向进行调整：
Figure BDA0003381858780000144
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表示第g个输入和输出对的代价。
为了获得最优的参量，RNN模型中所有参数都可以用迭代法进行更新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005；
当代价函数达到最小时，即说明RNN模型中的参量都达到了最优，训练结束，然后就可以将RNN模型用于室内移动目标三维定位系统中。
下面结合具体实施例对本发明的技术方案作详细的描述。
如图2所示，本实施例提供的基于WiFi感知、CSI张量构造与分解以及RNN模型融合的室内移动目标三维定位方法包括以下步骤：
步骤A，在典型的室内环境下，将室内三维空间划分为多个独立子空间，并且对每个子空间进行编号。
如图3所示，本步骤的具体实现如下：
按照实验要求，并且根据室内空间尺寸大小，设置合适的子空间尺寸，包括宽度、长度和高度。按照设计的子空间尺寸，对室内三维空间进行划分。
将划分的子空间进行统一编号，设置相应的位置标签。
步骤B，建立三维空间WiFi感知模型，将一副WiFi收发设备部署在典型的室内环境下，例如实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有多根天线的WiFi设备作为接收设备。将WiFi收发设备放置在支架，支架的高度和它们之间的距离可以根据实验要求进行调节，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz。
如图4、图5、图6、图7和图8所示，本步骤的具体实现如下：
通过一副WiFi收发设备感知室内环境变化，同时获取1×M条WiFi传输链路上的CSI数据，其中一条数据链路的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]T i∈[1,Nsub],
Hi＝||Hi||exp(DHi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息；对于所有的WiFi传输链路，可以获得信道测量
Figure BDA0003381858780000161
为：
Figure BDA0003381858780000162
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息。
步骤C，针对室内一个三维子空间，对所有WiFi链路上子载波的CSI在时间方向上进行连续收集，构造一个CSI张量。
参照图9，具体实现如下：
首先设置数据收集的时间窗口大小为K，可以获取到一系列的信道测量
Figure BDA0003381858780000163
基于一系列的信道测量
Figure BDA0003381858780000164
一个三维子空间所对应的CSI张量可以被构造为：
Figure BDA0003381858780000165
步骤D，针对一个三维子空间，利用CP分解方法对对应的CSI张量
Figure BDA0003381858780000166
进行有效分解，获取多个单秩张量，以此提取显著特征作为该位置上的指纹信息。然后通过利用所有子空间上的指纹信息来构造位置指纹数据集。
利用CP分解方法对构造的CSI张量
Figure BDA0003381858780000167
进行分解为：
Figure BDA0003381858780000168
其中
Figure BDA0003381858780000169
r＝1,2,...,R是分解时在
Figure BDA00033818587800001610
中所对应的向量。另外，令A＝[a1,a2,...,aR]B＝[b1,b2,...,bR]，C＝[c1,c2,...,cR]，上式可以重新写为：
Figure BDA00033818587800001611
通过CP分解，可以获取多个单秩张量，选取A＝[a1,a2,...,aR]作为刻画三维子空间的特征量。同时对A＝[a1,a2,...,aR]中的向量进行加权融合作为三维子空间的指纹信息，可以写为：
Figure BDA0003381858780000171
其中，Ξl表示三维空间中第l个子空间的指纹信息，L表示在三维空间中的所有位置数目，αr是加权系数。
通过对所有子空间对应的张量进行CP分解，获取相应位置的指纹信息，然后利用所有三维子空间对应的指纹信息形成一个指纹数据集。
步骤E，利用获得的三维空间位置指纹数据集对深度神经网络RNN模型进行训练，使得RNN模型中的所有参量值达到最优，然后将训练好的RNN模型用于室内移动目标三维定位系统中。
参照图10，具体实现如下：
首先设置深度神经网络模型RNN的输入向量为：
Figure BDA0003381858780000172
设定RNN模型中输入向量的维度为Dx，隐层的大小设置为Dh，对于输入向量x，模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别是第p时间步的输入向量和隐层，W，U和b分别是输入权重，循环权重和偏置。W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1，σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层初始化为零向量。
通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)可以被及时更新：
Figure BDA0003381858780000173
Figure BDA0003381858780000174
其中，
Figure BDA0003381858780000175
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·)和σh(·)分别是细胞状态和隐层的激活函数。
RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参量都包含在参量集Θ中。
设定X＝(x(1),...x(P))为输入数据向量，y是三维子空间位置标签，
Figure BDA0003381858780000181
为收集的特征量数据集(X,y)。通过利用收集的特征量数据集
Figure BDA0003381858780000182
RNN模型的所有参数都朝着最小化代价函数的方向进行调整：
Figure BDA0003381858780000183
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表示第g个输入和输出对的代价。
为了获得最优的参量，RNN模型中所有参数都可以用迭代法进行更新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005。
当代价函数达到最小时，即说明RNN模型中的参量都达到了最优，训练结束，然后就可以将RNN模型用于室内移动目标三维定位中。
下面结合仿真对本发明的技术方案作进一步的描述。
一、仿真条件：仿真试验环境包括实验室和走廊，实验室大小为：长度为5米、宽度为3米、高度为4米，走廊大小为：长度为8米、宽度为2米、高度为4米。将一副WiFi收发设备部署在典型的室内环境下，其中配置有一根天线的WiFi设备作为发射机，带有多根天线的WiFi设备作为接收设备。将WiFi收发设备放置在支架上，支架的高度以及支架之间的距离可以根据实验要求进行调节。另外收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz，实际中采样率大小也可以根据实验要求进行调节。
二、仿真内容与结果：
仿真1，在实验室环境下，遍历所有的三维子空间收集足够的CSI数据，同时这些数据经过处理形成指纹数据集，用来训练RNN模型；另外，基于不同的移动轨迹，额外采集多组实验数据进行验证，用本发明对移动目标位置进行仿真，验证结果如图11所示。
由图11可见，在三维空间中，三种移动轨迹的平均定位误差分别为0.4米、0.5米以及0.4米；同时也可以观察到三种不同的移动轨迹的仿真结果与真实轨迹精确匹配，因而本发明具备鲁棒性以及可靠性，为实现人机交互打下坚实基础。
仿真2，在两种实验环境下，包括实验室和走廊，遍历所有的三维子空间收集足够的CSI数据，同时这些数据经过处理形成指纹数据集，分别用来训练RNN模型；用本发明对定位误差进行仿真，仿真结果如图12所示。
由图12可见，在两种实验环境下，本发明的平均定位误差为0.5米和0.6米，在两种试验环境下本发明的平均定位误差都在1米以下，因而本发明对不同的室内环境很好的适应性和稳定性。
仿真3，用本发明与ELM、3D WiFi方法在实验室环境下对定位误差进行对比仿真，仿真结果图13所示。
由图13可见，在实验室环境下本发明与ELM、3D WiFi方法的平均定位误差分别为0.5米、0.8米、0.9米。本发明与其他2种室内定位方法相比，定位精度最高。因此本发明对随机噪声的鲁棒性更好，在实际应用中潜力更大。
随着各类无线通信业务的快速发展，基于无线通信信号智能感知的各类服务，诸如位置定位与跟踪、生理指标监测与汇聚、姿态动作分类与识别、危险材料检测、地形地貌估计与刻画等以及与此相关的一系列无线感知应用逐渐受到了广泛的关注。其中，中国信通院IMT-2030(6G)推进组正式发布了《6G总体愿景与潜在关键技术白皮书》(以下简称《白皮书》)，这可以说是中国通信产业界对于6G迄今为止最为全面的一次解读。《白皮书》围绕着沉浸化、智慧化、全域化的发展趋势，描绘出6G将重点服务的八大业务领域—云化XR、全息通信、感官互联、智慧交互、通信感知、普惠智能、数字孪生、全域覆盖。并且，在对于6G赋能技术的预测中，《白皮书》也归纳出了当前业界广泛关注的6G十大潜在关键技术，包括增强型无线空口技术、新物理维度无线传输技术、新型频谱使用技术、通信感知一体化技术等新型无线技术，以及分布式网络架构、算力感知网络、确定性网络、星地一体融合组网、网络内生安全等新型网络技术。由此表明，通信感知是未来无线通信系统重要研究方向，新的频段和大规模天线的进一步演进为其提供了可行性；它和人工智能技术进一步结合，实现万物互联到万物智联，带入新的应用世界。本发明利用无线感知将传统的2-D定位拓展至3-D定位层面上，为室内定位提供了新的解决思路。
本发明可以应用的技术领域：
公共安全领域：在机场、地铁站、体育场等公共场所发生安全事故时，室内定位对于缩短应急救援响应时间，提高救援可靠性、增加现场指挥调度效率起到不可忽视的作用。室内定位能够快速获取救援人员、待救援人员的位置，有助于快速开展应急救援，紧急疏散等活动，提高相关部门动态部署效率。
特殊作业环境：针对医院、矿井、核电站等特殊工作环境，室内定位通过对人员进行快速实时的定位监控，了解人员流动情况，进行合理工作分配，提高人员调度和工作效率。同时，应对意外突发事故也能及时反馈信息并降低抢险难度，保障人身安全。
智能建筑：在大型商场、超市或者图书馆，人们可通过自主室内定位服务，导航至要求的目的地，提高个人行动效率；在公司企业，可对工作人员的权限进行标识，扩大监视范围，加大监视力度，增强安保能力。
物流管理：对于大型仓储管理，室内定位可以帮助企业实现物流跟踪、重要物品标识等功能；提高物流智能化、自动化水平，增加物流效率。
本发明结合CSI张量构造与分解、RNN模型共同实现3-D室内定位，将传统的室内2-D定位拓展至3-D定位层面上。其中利用CSI张量构造与分解挖掘CSI信息自身隐含的结构性统计性特征，提高室内定位的鲁棒性与稳定性。利用RNN模型学习这些显著特征，将海量未知参量求解转化为智能优化问题，然后在3-D空间位置与WiFi CSI之间建立牢固的非线性映射关系，实现定位系统的自动化、智能化。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种室内移动目标三维定位方法，其特征在于，所述室内移动目标三维定位方法包括：
首先通过一副WiFi设备感知空间信道特性，并采集包含有位置信息的CSI数据；接着利用收集到的CSI数据构造CSI张量；
然后对构造的CSI张量进行CP分解，获取刻画三维子空间的特征量；下一步构造三维空间特征数据集，引入RNN神经网络对空间特征数据集进行学习；
最后利用训练好的RNN神经网络实现室内移动目标三维定位；
所述室内移动目标三维定位方法具体包括以下步骤：
步骤一，将室内三维空间划分为多个独立子空间，并且对每个子空间进行编号；
步骤二，在室内环境下部署一副WiFi收发设备，收发设备之间的距离根据实验要求确定，另外WiFi接收设备处的接收天线构成一组天线阵列，然后利用WiFi收发设备感知由移动目标造成的室内环境变化；
步骤三，针对每个独立的子空间，收集包含位置信息的CSI数据，其中在一条WiFi传输链路上，获得一组子载波测量H，然后利用所有WiFi传输链路上的子载波测量构造CSI张量
Figure FDA0003804123470000011
步骤四，利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure FDA0003804123470000012
进行相应的分解，获取显著特征；
步骤五，利用获得的三维空间位置指纹数据集对深度神经网络RNN模型进行训练，使得RNN模型中的所有参量值达到最优，然后将训练好的RNN模型用于室内移动目标三维定位系统中；
所述步骤四利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure FDA0003804123470000013
进行相应的分解包括：利用CANDECAMP/PARAFAC方法对构造的CSI张量
Figure FDA0003804123470000014
进行相应的分解，结果为：
Figure FDA0003804123470000015
其中，
Figure FDA0003804123470000016
r＝1,2,...,R是分解时在
Figure FDA0003804123470000017
中所对应的向量；另外，令A＝[a1,a2,...,aR]B＝[b1,b2,...,bR]，C＝[c1,c2,...,cR]，上式可以重新写为：
Figure FDA0003804123470000021
通过CP分解，获取多个单秩张量，选取A＝[a1,a2,...,aR]作为刻画三维子空间的特征量；同时对A＝[a1,a2,...,aR]中的向量进行加权融合作为三维子空间的指纹信息，写为：
Figure FDA0003804123470000022
其中，Ξl表示三维空间中第l个子空间的指纹信息，L表示在三维空间中的所有位置数目，αr是加权系数；通过对所有子空间对应的张量进行CP分解，获取相应位置的指纹信息，然后利用所有三维子空间对应的指纹信息形成一个指纹数据集；
所述步骤五利用获得的三维空间位置指纹数据集对深度神经网络RNN模型进行训练，使得RNN模型中的所有参量值达到最优，然后将训练好的RNN模型用于室内移动目标三维定位系统中包括：
首先设置深度神经网络RNN模型的一个输入向量为：
Figure FDA0003804123470000023
假设RNN模型中输入向量的维度设置为Dx，相应隐层的大小设置为Dh，对于输入x，RNN模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别表示第p时间步的输入向量和隐层，W，U和b分别是输入权重，循环权重和偏置；W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1，σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层需要初始化为零向量；
通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)及时更新：
Figure FDA0003804123470000032
Figure FDA0003804123470000033
其中，
Figure FDA0003804123470000034
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·)和σh(·)分别是细胞状态和隐层的激活函数；
RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参量都包含在参量集Θ中；
设定X＝(x(1),...x(P))为输入数据向量，y是三维子空间位置标签，
Figure FDA0003804123470000035
为特征量数据集(X,y)；通过利用特征量数据集，RNN模型的所有参数都朝着最小化代价函数的方向进行调整：
Figure FDA0003804123470000031
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表示第g个输入和输出对的代价；
RNN模型中所有参数都用迭代法进行更新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005；
当代价函数达到最小时，说明RNN模型中的参量都达到了最优，训练结束，然后就可以将RNN模型用于室内移动目标三维定位系统中。
2.如权利要求1所述室内移动目标三维定位方法，其特征在于，所述步骤一将室内三维空间划分为多个独立子空间，并且对每个子空间进行编号包括：
按照实验要求，并且根据室内空间尺寸大小，设置合适的子空间尺寸，包括宽度、长度和高度；
按照设计的子空间尺寸，对室内三维空间进行划分；将划分的子空间进行统一编号，设置相应的位置标签。
3.如权利要求1所述室内移动目标三维定位方法，其特征在于，所述步骤二在室内环境下部署一副WiFi收发设备，收发设备之间的距离根据实验要求确定，另外WiFi接收设备处的接收天线构成一组天线阵列，然后利用WiFi收发设备感知由移动目标造成的室内环境变化包括：
建立三维空间WiFi感知模型，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有多根天线的WiFi设备作为接收设备；
将WiFi收发设备放置在支架，支架的高度和它们之间的距离根据实验要求进行调节，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；
通过一副WiFi收发设备感知室内环境变化，同时获取1×M条WiFi传输链路上的CSI数据，其中一条数据链路的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]Ti∈[1,Nsub],
Hi＝||Hi||exp(∠Hi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息；
对于所有的WiFi传输链路，获得信道测量
Figure FDA0003804123470000042
为：
Figure FDA0003804123470000041
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息。
4.如权利要求1所述室内移动目标三维定位方法，其特征在于，所述步骤三针对每个独立的子空间，收集包含位置信息的CSI数据，其中在一条WiFi传输链路上包括：
在一条WiFi传输链路上，一根发射天线和一根接收天线，获取的一组子载波信道测量H为：
H＝[H1,H2,H3,...,Hi]Ti∈[1,Nsub],
Hi＝||Hi||exp(∠Hi)
其中，[·]T表示转置操作，||Hi||和∠Hi是第i个子载波CSI的幅度和相位信息，Nsub表示一条WiFi链路上的子载波数目；对于所有的WiFi传输链路，获得信道测量
Figure FDA0003804123470000053
为：
Figure FDA0003804123470000051
其中，Hm,i是第m根接收天线上第i个子载波的CSI信息；然后对所有WiFi链路上子载波的CSI在时间方向上进行连续收集，构造一个CSI张量，此时一个三维子空间所对应的CSI张量为：
Figure FDA0003804123470000052
5.如权利要求1所述室内移动目标三维定位方法，其特征在于，该方法应用在楼宇监控和智慧工厂。
6.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～4任意一项所述室内移动目标三维定位方法步骤。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～4任意一项所述的室内移动目标三维定位方法步骤。
CN202111437232.XA 2021-11-29 2021-11-29 室内移动目标三维定位方法、介质、计算机设备及应用 Active CN114268904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111437232.XA CN114268904B (zh) 2021-11-29 2021-11-29 室内移动目标三维定位方法、介质、计算机设备及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111437232.XA CN114268904B (zh) 2021-11-29 2021-11-29 室内移动目标三维定位方法、介质、计算机设备及应用

Publications (2)

Publication Number Publication Date
CN114268904A CN114268904A (zh) 2022-04-01
CN114268904B true CN114268904B (zh) 2022-09-30

Family

ID=80825813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111437232.XA Active CN114268904B (zh) 2021-11-29 2021-11-29 室内移动目标三维定位方法、介质、计算机设备及应用

Country Status (1)

Country Link
CN (1) CN114268904B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3576361A1 (en) * 2018-06-01 2019-12-04 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Explicit channel information feedback based on high-order pca decomposition or pca composition
WO2020192790A1 (en) * 2019-03-28 2020-10-01 Huawei Technologies Co., Ltd. System and method for reduced csi feedback and reporting using tensors and tensor decomposition
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法
CN112333653A (zh) * 2020-09-22 2021-02-05 西安电子科技大学 基于WiFi信道状态信息的身份智能识别方法、系统
CN112839311A (zh) * 2019-11-22 2021-05-25 南京理工大学 一种基于动态监测的csi室内定位方法
CN113676857A (zh) * 2021-08-19 2021-11-19 重庆邮电大学 一种面向室内Wi-Fi定位的信道状态信息特征提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3576361A1 (en) * 2018-06-01 2019-12-04 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Explicit channel information feedback based on high-order pca decomposition or pca composition
WO2020192790A1 (en) * 2019-03-28 2020-10-01 Huawei Technologies Co., Ltd. System and method for reduced csi feedback and reporting using tensors and tensor decomposition
CN112839311A (zh) * 2019-11-22 2021-05-25 南京理工大学 一种基于动态监测的csi室内定位方法
CN111757250A (zh) * 2020-05-27 2020-10-09 重庆邮电大学 一种基于张量分解的信道状态信息定位指纹构造方法
CN112333653A (zh) * 2020-09-22 2021-02-05 西安电子科技大学 基于WiFi信道状态信息的身份智能识别方法、系统
CN113676857A (zh) * 2021-08-19 2021-11-19 重庆邮电大学 一种面向室内Wi-Fi定位的信道状态信息特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Indoor CSI fingerprint localization based on tensor decomposition》;Yuexin Long;《2020 IEEE/CIC International Conference on Communications in China (ICCC)》;20201109;全文 *
《基于CSI张量分解的室内WiFi指纹定位方法》;周牧;《通信学报》;20211119;全文 *

Also Published As

Publication number Publication date
CN114268904A (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Zhu et al. Indoor intelligent fingerprint-based localization: Principles, approaches and challenges
Asaad et al. A comprehensive review of indoor/outdoor localization solutions in IoT era: Research challenges and future perspectives
Li et al. Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation
Woo et al. Application of WiFi-based indoor positioning system for labor tracking at construction sites: A case study in Guangzhou MTR
US8896442B1 (en) System and method for collaborative resource tracking
Zhao et al. Learning-based bias correction for time difference of arrival ultra-wideband localization of resource-constrained mobile robots
CN109151750B (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN102186242A (zh) 固定区域无线传感器网络移动节点定位方法
Belloni et al. Angle-based indoor positioning system for open indoor environments
Huang et al. An Optimized Fingerprinting‐Based Indoor Positioning with Kalman Filter and Universal Kriging for 5G Internet of Things
Maduraga et al. Comparison of supervised learning-based indoor localization techniques for smart building applications
Deng et al. RRIFLoc: Radio robust image fingerprint indoor localization algorithm based on deep residual networks
Kumar et al. Localization estimation using artificial intelligence technique in wireless sensor networks
Jain et al. Performance analysis of received signal strength fingerprinting based distributed location estimation system for indoor wlan
Zhang Fusion positioning algorithm of indoor WiFi and bluetooth based on discrete mathematical model
CN114268904B (zh) 室内移动目标三维定位方法、介质、计算机设备及应用
Wu et al. Motion parameter capturing of multiple mobile targets in robotic sensor networks
CN109640253B (zh) 一种移动机器人定位方法
Vidya et al. Accurate anomaly detection using various machine learning methods for IoT devices in indoor environment
Lowrance et al. Direction of arrival estimation for robots using radio signal strength and mobility
Pahlavani et al. An indoor positioning technique based on a feed-forward artificial neural network using Levenberg-Marquardt learning method
Naik et al. Comparison of RSSI techniques in wireless indoor geolocation
Jahagirdar et al. WiFi based Indoor Positioning System using Machine Learning and Multi-Node Triangulation Algorithms
Jain et al. RSS fingerprints based distributed semi-supervised locally linear embedding (DSSLLE) location estimation system for indoor WLAN
Gu et al. Research on node localization based on 3D wireless sensor network

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