CN114786127A - 一种蓝牙aoa的定位方法及装置 - Google Patents

Abstract

本发明公开了一种蓝牙AOA的定位方法及装置，该方法包括：联合定位组联合计算第一信号源的中心位置，选取基准AOA定位基站，计算第二信号源的初定位置，构建并训练机器学习模型，预测第二信号源相对第一信号源的极坐标，通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。本发明通过多基站联合定位一信号源，然后通过单基站定位其他信号源，并通过多基站联合定位的信号源对其他信号源进行位置校准，从而提高定位速度和定位精确度。

Description

一种蓝牙AOA的定位方法及装置

【技术领域】

本发明涉及室内定位技术领域，尤其涉及一种蓝牙AOA的定位方法及装置。

【背景技术】

随着社会的飞速发展，对室内定位需求越来越多，而蓝牙AOA技术由于具备灵活性、高并发、低成本、低功耗、高兼容等技术特性，成为室内定位重要选择。其中，蓝牙AOA技术是利用相位差估算的到达角度去定位AOA发射源位置。

但是，这种定位技术在实际使用环境中，定位基站普遍存在定位误差，因此，发射源定位精确度较低，而且多基站算法较复杂，定位也比较耗时。

【发明内容】

有鉴于此，本发明实施例提供了一种蓝牙AOA的定位方法及装置。

第一方面，本发明实施例提供了一种蓝牙AOA的定位方法，所述方法包括：

S1、获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

S2、在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

S3、构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

S4、通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体包括：

S10、联合定位组的AOA定位基站分别计算第一信号源信号的到达角；

S11、任意两个AOA定位基站为一对计算第一信号源的坐标点P，根据n个AOA定位基站的不同组合，获得

个的坐标点P；

S12、计算第一信号源的初始虚拟坐标P(x₀,y₀)，计算公式可以如下：

S13、分别计算每个坐标点P与虚拟坐标P(x₀,y₀)的距离D，计算公式可以如下：

S14、将所有与虚拟坐标P(x₀,y₀)的距离D超过预设距离D₀的坐标点P，确定为异常点P₀，并删除；

S15、计算第一信号源的最终虚拟坐标P(x′₀,y′₀)，最终虚拟坐标P(x′₀,y′₀)作为第一信号源的中心位置，计算公式可以如下：

其中，M为删除后的坐标点P的数量。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中在联合定位组中选取基准AOA定位基站，具体包括：

S20、分别计算M个坐标点P与最终虚拟坐标P(x′₀,y′₀)的距离D，按距离D由小至大的顺序对坐标点P进行排序，生产坐标点列表；

S21、根据坐标点列表将联合定位组的AOA定位基站生成成对序列表，每对AOA定位基站对应一个坐标点P；

S22、判断成对序列表中是否有涉及生成异常点P₀的AOA定位基站，若有则统计数量n₀，并从成对序列表中删除；

S23、计算成对序列表中不同AOA定位基站的稳定值S，计算公式可以如下：

其中，k_i为某AOA定位基站第i次出现在成对序列表中的序号；

S24、选取稳定值S最大的AOA定位基站作为基准AOA定位基站。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S10具体包括：

S101、联合定位组的每个AOA定位基站获取第一信号源信号的第一相位数据，所述第一相位数据为阵列天线的所有天线的I和Q的相位值；

所述阵列天线为均匀环形阵列，结构如下：

其中，r为均匀环形阵列中心与天线单元的距离，d₀为相邻两个天线单元的距离，

λ为波长，M为天线单元的数量，优选为8；

S102、顺序选取均匀阵列天线的相对两个天线相关联的I和Q的相位值；

S103、根据相位差计算到达角。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置，具体包括：

S25、根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，所述第二相位数据为基准AOA定位基站的阵列天线所有天线的相位值；

S26、获取基准AOA定位基站天线的位置误差；

S27、对天线的位置误差进行修正后，基于任意两对天线计算第二信号源的坐标点P₂，根据M个天线的不同组合，获得

个的坐标点P₂；

S28、计算第二信号源的初定位置P₂(x₀,y₀)，计算公式可以如下：

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S27位置误差获取方法如下：

以均匀环形阵列中心作为所有天线单元的参考点，包含方向的单位向量定义如下：

其中，φ_k为第k个入射信号的方位角，θ_k为第k个入射信号的仰角，

和

是笛卡尔坐标的单位向量；

设定x_i,y_i和z_i是第i个天线单元的端口位置，假设均匀环形阵列位于x-y平面上，则z_i＝0，因此，从参考点到第i个元素的单位向量定义如下：

其中，ρ_i是参考点与阵列中每个天线单元之间的半径，可表示为：

因此，包含半径周围第i个元素位置和相位角的向量可定义如下：

是均匀环形阵列中每个天线单元的角度位置；

令x_i＝x_oi±e_xi，y_i＝y_oi±e_yi，其中，x_i和y_i分别是x和y平面上的笛卡尔坐标，x_oi和y_oi分别是x-y平面上的原始笛卡尔坐标，e_xi和e_yi是x和y平面上第i个天线单元的位置误差；

则包含元素位置误差的均匀环形阵列转向矢量定义如下：

其中，M为天线单元的数量，_β为波矢,由位置误差引起的时间延迟可以通过以下等式计算：τ_eik＝ρ_icosa_eik，角度

而相位差

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3中构建并训练机器学习模型，具体包括：

定义有序对集合作为训练数据集

定义向量

H₁＝<Φ(A_i，A₁)，Φ(A_i，A₂)，Φ(A_i，A₃)，…,Φ(A_i，A_m)>，

H₂＝<Φ(A_j，A₁)，Φ(A_j，A₂)，Φ(A_j，A₃)，…,Φ(A_j，A_m)>，1≤i≤m，

其中，Φ(A_i，A_m)为AOA定位基站的天线A_m测量的第一信号源A_i的相位值，Φ(A_j，A_m)为AOA定位基站的天线A_m测量的第二信号源A_j的相位值，y_n为第二信号源A_j相对第一信号源A_i的极坐标，m为AOA定位基站的天线的数量；

定义多元线性回归模型h_θ(x)＝θ^Tx，

令

令

定义成本函数

最小化训练数据集上的成本函数，其中，x⁽ⁱ⁾和y⁽ⁱ⁾分别是系统中第i个训练示例的特征输入和真实极坐标，θ为模型参数，T为矩阵的转置，

使用梯度下降算法迭代计算梯度以确定模型参数；

通过参数θ₀,θ₁,…,θ_n拟合模型，另外，定义二元SVM分类器的成本函数：

定义

令ξ_j＝max(0,(1-y_i(wx_i+b)))，其中，C和k为指定的参数，表示对训练样例进行错误分类的惩罚，ξ_j为限制因子，w为向量的权重，b为超平面的权重向量，

在训练阶段，与线性回归算法(y＝1时θ^Tx≥0，y＝0时θ^Tx＜0)的情况相反，SVM模型确保y＝1时θ^Tx≥1，同时，y＝0时，θ^Tx＜-1；因此，通过训练，可使用拟合模型的参数进行预测，

若θ₀+θ₁f₁+θ₂f₂+…+θ_nf_n≥0，对于未标记的输入特征集预测y＝1，否则预测y＝0；

给定m个训练样例(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),(x⁽³⁾,y⁽³⁾),…,(x^(m),y^(m)),，

对于第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)，计算新的特征集

如下，

通过为每个示例(x⁽ⁱ⁾,y⁽ⁱ⁾)计算f⁽ⁱ⁾来最小化指定的成本函数，

使用基于高斯的模型以表征信道衰落，第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)在高维空间中的第j个特征选择高斯径向基核函数RBF，该函数表达为：

其中，x⁽ⁱ⁾和l^(j)为同一个输入特征的两个不同样本，||x⁽ⁱ⁾-l^(j)||为两个特征样本的欧氏距离，σ为高斯核参数。

第二方面，本发明实施例提供了一种蓝牙AOA的定位装置，所述系统包括：

联合定位模块，用于获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

计算模块，用于在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

预测模块，用于构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

校准模块，用于通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

上述技术方案中的一个技术方案具有如下有益效果：

本发明实施例的方法中提出了一种蓝牙AOA的定位方法及装置，该方法首先获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；然后在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；最后通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。该方法通过多基站联合定位一信号源，然后通过单基站定位其他信号源，并通过多基站联合定位的信号源对其他信号源进行位置校准，从而提高定位速度和定位精确度。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例所提供的蓝牙AOA的定位方法S1-S4的流程示意图；

图2是本发明实施例所提供的S10-S15的流程示意图；

图3是本发明实施例所提供的S20-S24的流程示意图；

图4是本发明实施例所提供的S101-S103的流程示意图；

图5是本发明实施例所提供的S25-S28的流程示意图；

图6为本发明实施例所提供的蓝牙AOA的定位装置的功能框图。

【具体实施方式】

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图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做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。

请参考图1，其为本发明实施例所提供的一种蓝牙AOA的定位方法S1-S4的流程示意图，如图1所示，该方法包括以下步骤：

S1、获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

S2、在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

S3、构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

S4、通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

本发明实施例的方法中提出了一种蓝牙AOA的定位方法。首先获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；然后在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；最后通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。该方法通过多基站联合定位一信号源，然后通过单基站定位其他信号源，并通过多基站联合定位的信号源对其他信号源进行位置校准，从而提高定位速度和定位精确度。另外，通过构建并训练机器学习模型，预测第二信号源相对第一信号源的极坐标，伴随着训练的增加，可以进一步提高定位速度和定位准确性，而且，许多基站同时收集测量值以创建相同物理量的估计，即第二信号源相对第一信号源的极坐标，此时，基站的系统误差可以被视为统计误差或随机误差，因为它们取决于信号源的独立位置和方向，因此，可以通过机器学习模型利用不同基站的数据来训练并预测以改善整体结果。

请参考图2，其本发明实施例所提供的S10-S15的流程示意图，如图2所示，S1具体包括：

S10、联合定位组的AOA定位基站分别计算第一信号源信号的到达角；

S11、任意两个AOA定位基站为一对计算第一信号源的坐标点P，根据n个AOA定位基站的不同组合，获得

个的坐标点P；

S12、计算第一信号源的初始虚拟坐标P(x₀,y₀)，计算公式可以如下：

S13、分别计算每个坐标点P与虚拟坐标P(x₀,y₀)的距离D，计算公式可以如下：

S14、将所有与虚拟坐标P(x₀,y₀)的距离D超过预设距离D₀的坐标点P，确定为异常点P₀，并删除；

S15、计算第一信号源的最终虚拟坐标P(x′₀,y′₀)，最终虚拟坐标P(x′₀,y′₀)作为第一信号源的中心位置，计算公式可以如下：

其中，M为删除后的坐标点P的数量。

请参考图3，其本发明实施例所提供的S20-S24的流程示意图。如图2所示，所述S2中在联合定位组中选取基准AOA定位基站，具体包括：

S20、分别计算M个坐标点P与最终虚拟坐标P(x′₀,y′₀)的距离D，按距离D由小至大的顺序对坐标点P进行排序，生产坐标点列表；

S21、根据坐标点列表将联合定位组的AOA定位基站生成成对序列表，每对AOA定位基站对应一个坐标点P；

S22、判断成对序列表中是否有涉及生成异常点P₀的AOA定位基站，若有则统计数量n₀，并从成对序列表中删除；

S23、计算成对序列表中不同AOA定位基站的稳定值S，计算公式可以如下：

其中，k_i为某AOA定位基站第i次出现在成对序列表中的序号；

S24、选取稳定值S最大的AOA定位基站作为基准AOA定位基站。

请参考图4，其本发明实施例所提供的S101-S103的流程示意图，如图4所示，S10具体包括：

S101、联合定位组的每个AOA定位基站获取第一信号源信号的第一相位数据，所述第一相位数据为阵列天线的所有天线的I和Q的相位值；

所述阵列天线为均匀环形阵列，结构如下：

其中，r为均匀环形阵列中心与天线单元的距离，d₀为相邻两个天线单元的距离，

λ为波长，M为天线单元的数量，优选为8；

S102、顺序选取均匀阵列天线的相对两个天线相关联的I和Q的相位值；

S103、根据相位差计算到达角。

请参考图5，其本发明实施例所提供的S25-S28的流程示意图。如图5所示，S2中根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置，具体包括：

S25、根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，所述第二相位数据为基准AOA定位基站的阵列天线所有天线的相位值；

S26、获取基准AOA定位基站天线的位置误差；

S27、对天线的位置误差进行修正后，基于任意两对天线计算第二信号源的坐标点P2，根据M个天线的不同组合，获得

个的坐标点P₂；

S28、计算第二信号源的初定位置P₂(x₀,y₀)，计算公式可以如下：

其中，本发明实施例上述S27位置误差获取方法如下：

以均匀环形阵列中心作为所有天线单元的参考点，包含方向的单位向量定义如下：

其中，φ_k为第k个入射信号的方位角，θ_k为第k个入射信号的仰角，

和

是笛卡尔坐标的单位向量；

设定x_i,y_i和z_i是第i个天线单元的端口位置，假设均匀环形阵列位于x-y平面上，则z_i＝0，因此，从参考点到第i个元素的单位向量定义如下：

其中，ρ_i是参考点与阵列中每个天线单元之间的半径，可表示为：

因此，包含半径周围第i个元素位置和相位角的向量可定义如下：

是均匀环形阵列中每个天线单元的角度位置；

令x_i＝x_oi±e_xi，y_i＝y_oi±e_yi，其中，x_i和y_i分别是x和y平面上的笛卡尔坐标，x_oi和y_oi分别是x-y平面上的原始笛卡尔坐标，e_xi和e_yi是x和y平面上第i个天线单元的位置误差；

则包含元素位置误差的均匀环形阵列转向矢量定义如下：

其中，M为天线单元的数量，_β为波矢,由位置误差引起的时间延迟可以通过以下等式计算：τ_eik＝ρ_icosa_eik，角度

而相位差

另外，本发明实施例上述S3中构建并训练机器学习模型，具体包括：

定义有序对集合作为训练数据集

定义向量

H₁＝<Φ(A_i，A₁)，Φ(A_i，A₂)，Φ(A_i，A₃)，…,Φ(A_i，A_m)>，

H₂＝<Φ(A_j，A₁)，Φ(A_j，A₂)，Φ(A_j，A₃)，…,Φ(A_j，A_m)>，1≤i≤m，

其中，Φ(A_i，A_m)为AOA定位基站的天线A_m测量的第一信号源A_i的相位值，Φ(A_j，A_m)为AOA定位基站的天线A_m测量的第二信号源A_j的相位值，y_n为第二信号源A_j相对第一信号源A_i的极坐标，m为AOA定位基站的天线的数量；

定义多元线性回归模型h_θ(x)＝θ^Tx，

令

令

定义成本函数

最小化训练数据集上的成本函数，其中，x⁽ⁱ⁾和y⁽ⁱ⁾分别是系统中第i个训练示例的特征输入和真实极坐标，θ为模型参数，T为矩阵的转置，

使用梯度下降算法迭代计算梯度以确定模型参数；

通过参数θ₀,θ₁,…,θ_n拟合模型，另外，定义二元SVM分类器的成本函数：

定义

令ξ_j＝max(0,(1-y_i(wx_i+b)))，其中，C和k为指定的参数，表示对训练样例进行错误分类的惩罚，ξ_j为限制因子，w为向量的权重，b为超平面的权重向量，

在训练阶段，与线性回归算法(y＝1时θ^Tx≥0，y＝0时θ^Tx＜0)的情况相反，SVM模型确保y＝1时θ^Tx≥1，同时，y＝0时，θ^Tx＜-1；因此，通过训练，可使用拟合模型的参数进行预测，

若θ₀+θ₁f₁+θ₂f₂+…+θ_nf_n≥0，对于未标记的输入特征集预测y＝1，否则预测y＝0；

给定m个训练样例(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),(x⁽³⁾,y⁽³⁾),…,(x^(m),y^(m)),，

对于第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)，计算新的特征集

如下，

通过为每个示例(x⁽ⁱ⁾,y⁽ⁱ⁾)计算f⁽ⁱ⁾来最小化指定的成本函数，

使用基于高斯的模型以表征信道衰落，第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)在高维空间中的第j个特征选择高斯径向基核函数RBF，该函数表达为：

其中，x⁽ⁱ⁾和l^(j)为同一个输入特征的两个不同样本，||x⁽ⁱ⁾-l^(j)||为两个特征样本的欧氏距离，σ为高斯核参数。

本发明定义多个特征向量的新方法，用于将定位问题映射到不同的机器学习模型上，将定位视为分类问题，还将其视为回归问题，并提高了不同网络参数对模型定位精度的影响，本发明的机器学习模型极坐标预测准确，鲁棒性好。

本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

请参考图6，其为本发明实施例所提供的蓝牙AOA的定位装置的框架图。该系统包括：

联合定位模块，用于获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

计算模块，用于在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

预测模块，用于构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

校准模块，用于通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。

在硬件层面，该装置可以包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该装置还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种蓝牙AOA的定位方法，其特征在于，所述方法包括：

S1、获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

S2、在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

S3、构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

S4、通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：

S10、联合定位组的AOA定位基站分别计算第一信号源信号的到达角；

S11、任意两个AOA定位基站为一对计算第一信号源的坐标点P，根据n个AOA定位基站的不同组合，获得

个的坐标点P；

S12、计算第一信号源的初始虚拟坐标P(x₀,y₀)，计算公式可以如下：

S13、分别计算每个坐标点P与虚拟坐标P(x₀,y₀)的距离D，计算公式可以如下：

S14、将所有与虚拟坐标P(x₀,y₀)的距离D超过预设距离D₀的坐标点P，确定为异常点P₀，并删除；

S15、计算第一信号源的最终虚拟坐标P(x′₀,y′₀)，最终虚拟坐标P(x′₀,y′₀)作为第一信号源的中心位置，计算公式可以如下：

其中，M为删除后的坐标点P的数量。

3.根据权利要求2所述的方法，其特征在于，所述S2中在联合定位组中选取基准AOA定位基站，具体包括：

S20、分别计算M个坐标点P与最终虚拟坐标P(x′₀,y′₀)的距离D，按距离D由小至大的顺序对坐标点P进行排序，生产坐标点列表；

S21、根据坐标点列表将联合定位组的AOA定位基站生成成对序列表，每对AOA定位基站对应一个坐标点P；

S22、判断成对序列表中是否有涉及生成异常点P₀的AOA定位基站，若有则统计数量n₀，并从成对序列表中删除；

S23、计算成对序列表中不同AOA定位基站的稳定值S，计算公式可以如下：

其中，k_i为某AOA定位基站第i次出现在成对序列表中的序号；

S24、选取稳定值S最大的AOA定位基站作为基准AOA定位基站。

4.根据权利要求3所述的方法，其特征在于，所述S10具体包括：

S101、联合定位组的每个AOA定位基站获取第一信号源信号的第一相位数据，所述第一相位数据为阵列天线的所有天线的I和Q的相位值；

所述阵列天线为均匀环形阵列，结构如下：

其中，r为均匀环形阵列中心与天线单元的距离，d₀为相邻两个天线单元的距离，

λ为波长，M为天线单元的数量，优选为8；

S102、顺序选取均匀阵列天线的相对两个天线相关联的I和Q的相位值；

S103、根据相位差计算到达角。

5.根据权利要求4所述的方法，其特征在于，所述S2中根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置，具体包括：

S25、根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，所述第二相位数据为基准AOA定位基站的阵列天线所有天线的相位值；

S26、获取基准AOA定位基站天线的位置误差；

S27、对天线的位置误差进行修正后，基于任意两对天线计算第二信号源的坐标点P₂，根据M个天线的不同组合，获得

个的坐标点P₂；

S28、计算第二信号源的初定位置P₂(x₀,y₀)，计算公式可以如下：

6.根据权利要求5所述的方法，其特征在于，所述S27位置误差获取方法如下：

以均匀环形阵列中心作为所有天线单元的参考点，包含方向的单位向量定义如下：

其中，φ_k为第k个入射信号的方位角，θ_k为第k个入射信号的仰角，

和

是笛卡尔坐标的单位向量；

设定x_i,y_i和z_i是第i个天线单元的端口位置，假设均匀环形阵列位于x-y平面上，则z_i＝0，因此，从参考点到第i个元素的单位向量定义如下：

其中，ρ_i是参考点与阵列中每个天线单元之间的半径，可表示为：

因此，包含半径周围第i个元素位置和相位角的向量可定义如下：

是均匀环形阵列中每个天线单元的角度位置；

令x_i＝x_oi±e_xi，y_i＝y_oi±e_yi，其中，x_i和y_i分别是x和y平面上的笛卡尔坐标，x_oi和y_oi分别是x-y平面上的原始笛卡尔坐标，e_xi和e_yi是x和y平面上第i个天线单元的位置误差；

则包含元素位置误差的均匀环形阵列转向矢量定义如下：

其中，M为天线单元的数量，_β为波矢,由位置误差引起的时间延迟可以通过以下等式计算：τ_eik＝ρ_icosa_eik，角度

而相位差

7.根据权利要求1或6任一项所述的方法，其特征在于，所述S3中构建并训练机器学习模型，具体包括：

定义有序对集合作为训练数据集

定义向量

H₁＝<Φ(A_i，A₁)，Φ(A_i，A₂)，Φ(A_i，A₃)，…,Φ(A_i，A_m)>，

H₂＝<Φ(A_j，A₁)，Φ(A_j，A₂)，Φ(A_j，A₃)，…,Φ(A_j，A_m)>，1≤i≤m，

其中，Φ(A_i，A_m)为AOA定位基站的天线A_m测量的第一信号源A_i的相位值，Φ(A_j，A_m)为AOA定位基站的天线A_m测量的第二信号源A_j的相位值，y_n为第二信号源A_j相对第一信号源A_i的极坐标，m为AOA定位基站的天线的数量；

定义多元线性回归模型h_θ(x)＝θ^Tx，

令

令

定义成本函数

最小化训练数据集上的成本函数，其中，x⁽ⁱ⁾和y⁽ⁱ⁾分别是系统中第i个训练示例的特征输入和真实极坐标，θ为模型参数，T为矩阵的转置，

使用梯度下降算法迭代计算梯度以确定模型参数；

通过参数θ₀,θ₁,…,θ_n拟合模型，另外，定义二元SVM分类器的成本函数：

定义

令ξ_j＝max(0,(1_-yi(wx_i+b)))，其中，C和k为指定的参数，表示对训练样例进行错误分类的惩罚，ξ_j为限制因子，w为向量的权重，b为超平面的权重向量，

在训练阶段，与线性回归算法(y＝1时θ^Tx≥0，y＝0时θ^Tx＜0)的情况相反，SVM模型确保y＝1时θ^Tx≥1，同时，y＝0时，θ^Tx＜-1；因此，通过训练，可使用拟合模型的参数进行预测，

若θ₀+θ₁f₁+θ₂f₂+…+θ_nf_n≥0，对于未标记的输入特征集预测y＝1，否则预测y＝0；

给定m个训练样例(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),(x⁽³⁾,y⁽³⁾),…,(x^(m),y^(m)),，

对于第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)，计算新的特征集

如下，

…

通过为每个示例(x⁽ⁱ⁾,y⁽ⁱ⁾)计算f⁽ⁱ⁾来最小化指定的成本函数，

使用基于高斯的模型以表征信道衰落，第i个训练样例(x⁽ⁱ⁾,y⁽ⁱ⁾)在高维空间中的第j个特征选择高斯径向基核函数RBF，该函数表达为：

其中，x⁽ⁱ⁾和l^(j)为同一个输入特征的两个不同样本，||x⁽ⁱ⁾-l^(j)||为两个特征样本的欧氏距离，σ为高斯核参数。

8.一种蓝牙AOA的定位装置，其特征在于，包括：

联合定位模块，用于获取第一信号源信号的多个AOA定位基站组成联合定位组，联合定位组联合计算第一信号源的中心位置；

计算模块，用于在联合定位组中选取基准AOA定位基站，根据基准AOA定位基站接收第二AOA信号源发送的信号获取第二相位数据，计算第二信号源的初定位置；

预测模块，用于构建并训练机器学习模型，以基准AOA定位基站的第一相位数据和第二相位数据作为输入，预测第二信号源相对第一信号源的极坐标；

校准模块，用于通过第一信号源的中心位置和极坐标获取第二信号源的基准位置，并根据初定位置和基准位置加权平均获取第二信号源的校准位置。

Images