CN114386321A - 用于室内定位的aoa和tof联合估计方法、装置及存储介质 - Google Patents
用于室内定位的aoa和tof联合估计方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114386321A CN114386321A CN202111601839.7A CN202111601839A CN114386321A CN 114386321 A CN114386321 A CN 114386321A CN 202111601839 A CN202111601839 A CN 202111601839A CN 114386321 A CN114386321 A CN 114386321A
- Authority
- CN
- China
- Prior art keywords
- aoa
- tof
- layers
- data
- joint estimation
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了用于室内定位的AOA和TOF联合估计方法、装置及存储介质,所述方法包括对获取的CSI数据进行预处理,获得处理后的数据;将处理后的数据输入预先训练好的联合估计模型,得到处理后的数据所对应的AOA和TOF;所述联合估计模型通过深度卷积神经网络训练得到,所述深度卷积神经网络采用不同大小卷积核并联。本发明通过基于不同大小卷积核并联构建的深度卷积神经网络,训练得到联合估计模型,提高了估计结果的精确度、分辨率和抗噪声能力。
Description
技术领域
本发明涉及用于室内定位的AOA和TOF联合估计方法、装置及存储介质,属于无线信号处理技术领域。
背景技术
无线信号广泛应用于日常生活各领域,在健康感知,消防定位救援和基于增强现实的导航等领域,精确地估计无线信号每条路径的到达方向(AOA)和到达时间(TOF)至关重要,但是,在无线信号多径传播过程中,室内AP与移动客户端附近的物体会对无线信号造成反射,导致到达方向(AOA)和到达时间(TOF)的估计精度不高。
目前,大多研究是通过构建数学模型并结合信号处理相关算法来得到从接收信号到AOA的一种对应关系,但是,在模型建立和求解过程中会做出大量近似,而近似操作会损失部分信息,对AOA的准确估计有一定的阻碍。
发明内容
本发明的目的在于克服现有技术中的不足,提供了用于室内定位的AOA和TOF联合估计方法、装置及存储介质。
第一方面,本发明提供了用于室内定位的AOA和TOF联合估计方法,所述方法包括:
对获取的CSI数据进行预处理,获得处理后的数据;
将处理后的数据输入预先训练好的联合估计模型,得到处理后的数据所对应的AOA和TOF;
所述联合估计模型通过深度卷积神经网络训练得到,所述深度卷积神经网络采用不同大小卷积核并联。
进一步的,所述获取的CSI数据表示为复数数据矩阵图像,所述处理后的数据表示为实数矩阵图像。
进一步的,所述处理后的数据表示为三通道实数矩阵图像。
进一步的,所述三通道实数矩阵图像的获取包括:
将获取的CSI数据的复数数据矩阵及其共轭矩阵,按实部和虚部分成四个子矩阵并进行重组,获得重组矩阵;
通过滑动步长为2、4和6的滑动窗口,分别对所述重组矩阵进行移位截取,分别得到若干个子矩阵,再将分别得到的若干个子矩阵拼接,获得三个矩阵,所述三个矩阵组成即获取的三通道实数矩阵图像。
进一步的,所述深度卷积神经网络包括输入层、7*7卷积层、最大池化层、1*1的卷积层、3*3卷积层、池化层、2个Inception结构、最大池化层、3个Inception结构、最大池化层、2个Inception结构、平均池化层、全连接层、输出层。
进一步的,所述Inception结构包括四层:第一层为输入层,第二层为1*1卷积层、1*1卷积层、3*3最大池化层和1*1卷积层,第三层为3*3卷积层、5*5卷积层和1*1卷积层,第四层为输出层。
进一步的,所述联合估计模型的训练包括:
获取历史CSI数据以及CSI数据对应的AOA和TOF,构建数据集;
对所述数据集进行预处理,构建训练集;
将训练集通过深度卷积神经网络进行训练,得到联合估计模型。
第二方面,本发明提供了一种装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第三方面,本发明提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明的有益效果为:本发明通过基于不同大小卷积核并联构建的深度卷积神经网络训练得到联合估计模型,实现了比传统方法所估计的结果更高的精确度、更高的分辨率以及更好的抗噪声能力。
附图说明
图1是本发明实施例用于室内定位的AOA和TOF联合估计方法工作流程图;
图2是本发明实施例接收端的天线阵列示意图;
图3是本发明实施例数据集中CSI数据的单通道构造方法示意图;
图4是本发明实施例数据集中CSI数据的多通道构造方法示意图;
图5是本发明实施例多尺度卷积核与CSI数据相卷积方法示意图;
图6是本发明实施例不同大小卷积核并联设计的神经网络结构图;
图7是本发明实施例联合估计值与多种方法估计结果的均方根误差(RMSE)对比图;
图8是本发明实施例联合估计值与多种方法估计结果的误差分布对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本发明提供了用于室内定位的AOA和TOF联合估计方法、装置及存储介质,下面结合附图和实施例对本发明做进一步的说明,其中:
实施例1:
如图1所示,本发明实施例提供了用于室内定位的AOA和TOF联合估计方法,包括:
使用OFDM信号作为传输信号,传输信道设置为高斯信道,信道带宽为40MHz,中心频率为5.32GHz,相邻子载波间隔设置为312.5KHz,选用30个子载波,如图2所示,接收端采用具有三根天线的线性阵列,通过设置不同的信道参数生成数据集,数据集样本包括输入数据和标签,将接收到的CSI作为输入数据,AOA和TOF作为标签。
数据集中的CSI数据为复数矩阵,然而目前深度卷积神经网络对输入为复数的情况并没有较为妥当的处理方式,为了获得可以作为输入的CSI图像,本发明将从天线阵列接收到的CSI复数数据矩阵H90×1分为HR,HI,其中HR为H的实部矩阵,HI为H的虚部矩阵,然后对其进行公式(1)的转换得到可以有效保留CSI的幅度和相位等信息;
其中csim,k,m=1,2,3, k=1,2,...,30表示第m个天线上的第k个子载波,为复数数据,Re(csi)表示取csi的实部,Im(csi)表示取csi的虚部。
卷积神经网络通过卷积核来提取输入图像的特征,考虑到TOF和AOA的估计值与多个子载波相关,如图3所示,本发明提出构建单通道输入矩阵的方法,令hi,j表示矩阵第i(i=1,2,…,180)行第j(j=1,2)列的值,设置移动步长为2使得在训练网络时卷积核能够覆盖多个子载波,当窗口移动时使用前端数据向尾端进行填充,令表示窗口移动i次得到的矩阵,最终将此90个规模均为180×2的矩阵合并为一个新矩阵:
为了更多的提取各子载波信号组合的特征,如图4所示,本发明提出构建多通道输入矩阵的方法,分别改变移动步长为4和6,接着对窗口进行相同的填充操作得到两个二维矩阵将得到的三个矩阵按图组成用作神经网络输入的三维矩阵H180×180×3。
根据处理获得的三通道实数矩阵图像以及三通道实数矩阵图像对应的AOA和TOF,构建训练集。
基于不同大小卷积核并联设计深度卷积神经网络,不同尺度的卷积核可以按照图5所表示的方法与不同频率子载波的接收信号做卷积运算,继而提取与各个子载波相关的数据特征,如图6所示,深度卷积神经网络包括输入层、7*7卷积层、最大池化层、1*1的卷积层、3*3卷积层、池化层、2个Inception结构、最大池化层、3个Inception结构、最大池化层、2个Inception结构、平均池化层、全连接层、输出层;所述Inception结构包括四层:第一层为输入层,第二层为1*1卷积层、1*1卷积层、3*3最大池化层和1*1卷积层,第三层为3*3卷积层、5*5卷积层和1*1卷积层,第四层为输出层。
将训练集通过深度卷积神经网络进行训练,得到联合估计模型。
对待估计的CSI数据进行预处理,获得三通道实数矩阵图像,将三通道示数矩阵作为联合估计模型的输入,输出待估计的CSI数据对应的AOA和TOF。
如图7所示,为本发明方法与其他算法的估计结果的均方根误差(RMSE)的比较图,可以看出,与本发明所提方法相比,另外两种方法(SpoFi和Join-2D)的AOA和TOF的估计RMSE均随着SNR的的增加而减小;由于训练样本包括多个信噪比下的数据,训练得到的网络有很好的泛化能力,所以在不同信噪比下有更为稳定的估计结果;从结果可以看出本文所提出的方法在任一信噪比下均比另两种方法表现更好。
如图8所示,以左图中的AOA估计误差分布为例,从误差分布来看,本发明的AOA的估计误差都分布在10°以内,而另外两种方法的估计误差在10°以内的数据量仅占总数据的80%和70%,有将近20%的数据估计误差超过了30°,即不能准确识别。
本发明所提方法的另一个优势在于,即使两条路径的到达角度和到达时间相近也能准确地识别出来,而另外两种在这种情况下的识别情况并不理想。这是因为SpoFi和Join-2D中的估计算法都是基于MUSIC算法做出的改进算法,其中MUSIC算法利用了信号的信号子空间和噪声子空间的正交性构造空间谱函数,通过谱峰搜索来估计AOA,如果谱峰相近的话,很难将其区分,所以传统算法具有一定的分辨率局限性,本发明所提的基于神经网络的方法通过提取信号的相关特征来估计AOA和TOF,各个路径之间的估计值互不影响,故不存在分辨率不足的问题,在表1情况下,SpoFi和Join-2D由于分辨率较低只能识别出一条路径,而本发明所提方法可以在一定误差范围内将两条路径都准确地识别出来。
表1相近AOA路径下的估计结果(null表示识别失败)
真实值 | SpoFi | Join-2D | 本发明方法 |
路径1:(123°,96ns) | (125°,107ns) | (124°,99ns) | (123.6°,85ns) |
路径2:(132°,102ns) | null | null | (133.7°,94ns) |
实施例2:
本实施例提供了一种装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例1所述方法的步骤。
实施例3:
本实施例提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.用于室内定位的AOA和TOF联合估计方法,其特征在于,所述方法包括:
对获取的CSI数据进行预处理,获得处理后的数据;
将处理后的数据输入预先训练好的联合估计模型,得到处理后的数据所对应的AOA和TOF;
所述联合估计模型通过深度卷积神经网络训练得到,所述深度卷积神经网络采用不同大小卷积核并联。
2.根据权利要求1所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述获取的CSI数据表示为复数数据矩阵图像,所述处理后的数据表示为实数矩阵图像。
3.根据权利要求2所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述处理后的数据表示为三通道实数矩阵图像。
4.根据权利要求3所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述三通道实数矩阵图像的获取包括:
将获取的CSI数据的复数数据矩阵及其共轭矩阵,按实部和虚部分成四个子矩阵并进行重组,获得重组矩阵;
通过滑动步长为2、4和6的滑动窗口,分别对所述重组矩阵进行移位截取,分别得到若干个子矩阵,再将分别得到的若干个子矩阵拼接,获得三个矩阵,所述三个矩阵组成即获取的三通道实数矩阵图像。
5.根据权利要求1所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述深度卷积神经网络包括输入层、7*7卷积层、最大池化层、1*1的卷积层、3*3卷积层、池化层、2个Inception结构、最大池化层、3个Inception结构、最大池化层、2个Inception结构、平均池化层、全连接层、输出层。
6.根据权利要求5所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述Inception结构包括四层:第一层为输入层,第二层为1*1卷积层、1*1卷积层、3*3最大池化层和1*1卷积层,第三层为3*3卷积层、5*5卷积层和1*1卷积层,第四层为输出层。
7.根据权利要求1所述的用于室内定位的AOA和TOF联合估计方法,其特征在于,所述联合估计模型的训练包括:
获取历史CSI数据以及CSI数据对应的AOA和TOF,构建数据集;
对所述数据集进行预处理,构建训练集;
将训练集通过深度卷积神经网络进行训练,得到联合估计模型。
8.一种装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601839.7A CN114386321A (zh) | 2021-12-24 | 2021-12-24 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
PCT/CN2022/128242 WO2023116196A1 (zh) | 2021-12-24 | 2022-10-28 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601839.7A CN114386321A (zh) | 2021-12-24 | 2021-12-24 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386321A true CN114386321A (zh) | 2022-04-22 |
Family
ID=81198452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601839.7A Pending CN114386321A (zh) | 2021-12-24 | 2021-12-24 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114386321A (zh) |
WO (1) | WO2023116196A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581958A (zh) * | 2022-05-06 | 2022-06-03 | 南京邮电大学 | 一种基于csi信号到达角估计的静态人体姿势估计方法 |
WO2023116196A1 (zh) * | 2021-12-24 | 2023-06-29 | 南京邮电大学 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315886B (zh) * | 2023-09-07 | 2024-04-12 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
CN117452332B (zh) * | 2023-12-26 | 2024-03-12 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种位置确定方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111698695A (zh) * | 2019-04-28 | 2020-09-22 | 南京恩瑞特实业有限公司 | 一种基于神经网络的lte指纹式定位方法 |
CN110351658B (zh) * | 2019-06-03 | 2020-12-01 | 西北大学 | 一种基于卷积神经网络的室内定位方法 |
CN111212379B (zh) * | 2020-01-06 | 2021-11-23 | 浙江工易云服科技有限公司 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN114386321A (zh) * | 2021-12-24 | 2022-04-22 | 南京邮电大学 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
-
2021
- 2021-12-24 CN CN202111601839.7A patent/CN114386321A/zh active Pending
-
2022
- 2022-10-28 WO PCT/CN2022/128242 patent/WO2023116196A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116196A1 (zh) * | 2021-12-24 | 2023-06-29 | 南京邮电大学 | 用于室内定位的aoa和tof联合估计方法、装置及存储介质 |
CN114581958A (zh) * | 2022-05-06 | 2022-06-03 | 南京邮电大学 | 一种基于csi信号到达角估计的静态人体姿势估计方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023116196A1 (zh) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108387864B (zh) | 一种到达角计算方法及装置 | |
CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
CN108037520B (zh) | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 | |
Karanam et al. | Tracking from one side: Multi-person passive tracking with WiFi magnitude measurements | |
CN111212379A (zh) | 一种基于卷积神经网络的新型csi室内定位方法 | |
CN109738861A (zh) | 一种基于Wi-Fi信道状态信息的三维联合估计方法 | |
CN104007414A (zh) | 基于平面阵的二维波达方向估计方法和估计器 | |
CN109901101A (zh) | 基于电磁矢量传感器互质阵列相干信号到达角估计方法 | |
CN110045322B (zh) | 一种基于高分辨测向语图智能识别的短波自动测向方法 | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
CN109633538A (zh) | 非均匀采样系统的最大似然时差估计方法 | |
DE102020215852B4 (de) | Robuste Ankunftszeitschätzung unter Verwendung von faltenden neuronalen Netzerken (oder anderen Funktionsapproximationen) auf randomisierten Kanalmodellen | |
CN109507641A (zh) | 一种合作的mimo雷达和mimo通信系统性能计算方法 | |
CN112929962B (zh) | 定位方法、装置、计算机设备和存储介质 | |
CN107202989A (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
CN112995892A (zh) | 基于复数神经网络的大规模mimo指纹定位方法 | |
CN106226729B (zh) | 基于四阶累量的互质阵列波达方向角估计方法 | |
KR101958337B1 (ko) | 신호의 도래각을 추정하는 방법 및 장치 | |
CN106680779B (zh) | 脉冲噪声下的波束成形方法及装置 | |
CN108398659A (zh) | 一种矩阵束与求根music结合的波达方向估计方法 | |
CN110596668B (zh) | 基于互逆深度神经网络的目标外辐射源被动定位方法 | |
CN114269014B (zh) | 基于域自适应网络的大规模mimo动态环境指纹定位方法 | |
CN113194401B (zh) | 一种基于生成式对抗网络的毫米波室内定位方法及系统 | |
Deng et al. | Semi-supervised t-SNE for millimeter-wave wireless localization |
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 |