CN115236591B - 一种基于机器学习方式的室内可见光定位方法 - Google Patents
一种基于机器学习方式的室内可见光定位方法 Download PDFInfo
- Publication number
- CN115236591B CN115236591B CN202210866116.8A CN202210866116A CN115236591B CN 115236591 B CN115236591 B CN 115236591B CN 202210866116 A CN202210866116 A CN 202210866116A CN 115236591 B CN115236591 B CN 115236591B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- leds
- visible light
- positioning
- indoor
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
一种基于机器学习方式的室内可见光定位方法,涉及可见光通信。构建室内定位模型并搭建机器学习智能体模型,利用室内发光二极管(LED)和光电接收器之间的距离等关系,根据直视路径与非直视路径情况下可见光信道等数学模型得到训练数据集后进行预处理,输入训练数据集完成对机器学习智能体模型的训练。利用经过训练的机器学习智能体模型,对输入进行预测估计,得到光电接收器的位置坐标预测值并与真实值进行误差计算,此外规范使定位精度最高的最优LED数量和LED布局的方法。通过机器学习智能体模型学习室内多维可见光定位的特征,能够在室内环境中有效利用LED资源并提高室内定位精度,满足未来室内高精度定位和绿色节能的需求。
Description
技术领域
本发明属于可见光定位技术领域,具体是涉及一种基于机器学习方式的室内可见光定位方法。
背景技术
获取精确的室内位置信息是许多应用的基础,而技术较成熟的全球定位系统由于建筑物等障碍无法提供足够的室内定位精度。为解决这一难题,超宽带、无线局域网络、蓝牙、射频识别和其他技术已被广泛用于室内定位。可见光作为一种很有前途的无线通信技术得到广泛的关注和研究,它具有照明可调、安全性高、频谱资源丰富、基础设施部署完备等优点,同样可应用于室内定位。
许多传统无线定位方案同样适用于室内可见光定位,包括接收信号强度、到达时间和到达角等。其中基于接收信号强度的方法是根据可见光信道模型,通过测量接收信号的功率来估计光电接收器位置;基于信号到达时间的方法则是测量信号从LED到光电接收器的传播时间,这也是距离的函数;信号到达角方法测量信号到达光电接收器的角度,也可用于估计光电接收器的位置。机器学习是一门允许计算机在没有明确编程情况下运行的科学,目前已有较多使用机器学习可见光室内的定位方案,性能均得到一定提升。如中国专利CN109511095B提出一种基于支持向量机回归的可见光定位方法及系统。随机森林和神经网络作为机器学习的常见方法,具有实现简单、训练速度快和不易过拟合等优势。
发明内容
本发明的目的是针对现有技术存在的上述不足,提供利用机器学习算法根据训练集数据进行训练得到较佳模型,利用经过训练的模型进行预测;可用于解决现有室内定位技术中定位误差较大等问题的一种基于机器学习方式的室内可见光定位方法。本发明还规范使定位精度最高的最优LED数量和LED布局的方法,从而能有效利用LED资源并提高室内定位精度。
本发明包括以下步骤:
步骤1:在长、宽、高分别为L(m)×W(m)×H(m)的房间天花板上以一定方式部署N盏LED,并在房间建立笛卡尔三维直角坐标系,为了能够计算多维定位误差,在房间中一个长、宽、高分别为l(m)×w(m)×h(m)的三维空间内移动和旋转光电接收器以接收LED发出的信号;
步骤2:在步骤1所述坐标系内获得光电接收器旋转到不同方向时的倾角(α,β,γ)和移动到不同位置时的坐标(x,y,z),建立可见光信道的数学模型,根据得到的坐标计算不同LED和不同位置和方向处光电接收器之间的相关参数,将参数代入信道数学模型得到接收信号强度,并将光电接收器坐标数据和接收信号强度数据作为训练数据集;
步骤3:将步骤2所述训练数据集进行预处理,并搭建一个机器学习智能体模型输入训练数据集进行训练,得到经过训练的机器学习智能体模型;
步骤4:利用步骤3所述经过训练的机器学习智能体模型输入接收信号强度进行预测,计算预测输出的坐标和真实坐标之间的多维定位误差;
步骤5:保持其它参数不变,以一定方式打开不同数量LED,且每次打开都重复步骤2、3、4以得到使定位误差最小的LED数量;
步骤6:保持其它参数不变,按照N盏LED的不同布局分为M种模式,每种模式都重复步骤2、3、4以得到使定位误差最小的LED布局。
在步骤1中,所述N盏LED以等间隔的方式部署在天花板上,在建立的坐标系内可得到每盏LED的坐标。在房间内任取一个长宽高固定的三维空间,以三维空间某一角落为起始点沿三个坐标轴方向分别每隔s(m)移动所述光电接收器,以垂直向上为起始方向绕三个坐标轴分别每隔σ(°)旋转光电接收器。
在步骤2中,所述光电接收器移动到不同位置和旋转到不同方向时的坐标和倾角由所述移动和旋转方式得到。根据LED和光电接收器的坐标计算得到每盏LED与光电接收器之间的距离、发射角和入射角的余弦值等参数,建立直视路径和非直视路径的可见光信道直流增益的数学模型为朗伯模型,代入参数可计算得到接收信号强度数据。
在步骤3中,所述训练数据集由所述接收信号强度数据和对应光电接收器坐标数据构成并进行归一化的预处理,其中接收信号强度数据作为所述机器学习智能体模型的特征数据,光电接收器坐标数据作为所述机器学习智能体模型的标签数据。
在步骤3中,所述训练数据集处理方法,其中机器学习智能体模型是随机森林,随机森林由P棵决策树组成,即对训练数据集进行有放回抽样生成的子数据集个数为P,且这P棵决策树之间的相关性很小,输入训练数据集可完成随机森林的训练。
在步骤3中,所述机器学习智能体模型随机森林,可在非直视路径不显著的环境中,保持光电接收器垂直向上的方向不旋转以实现在只考虑直视路径情况下的室内三维可见光定位。
在步骤3中,所述训练数据集处理方法,其中机器学习智能体模型是卷积-递归神经网络,卷积-递归神经网络由输入层、输出层、一层卷积层和两层递归层共三层隐藏层构成,其中在每层隐藏层后进行批正归化和随机神经元舍弃操作,输入训练数据集可完成卷积-递归神经网络的训练。
在步骤3中,所述机器学习智能体模型卷积-递归神经网络,对于非直视路径显著的室内环境,应计算光路遇障碍物的一次反射,并将反射区域模拟为朗伯反射,通过旋转光电接收器以实现同时考虑直视路径和非直视路径情况下的室内四维可见光定位,其中四维是在三维基础上增加了一维的角度信息并体现在光电接收器旋转后的坐标(x′,y′,z′)内,旋转后的坐标由光电接收器垂直向上时的坐标(x,y,z)根据旋转倾角(α,β,γ)进行坐标变换而得。
在步骤3中,所述光电接收器旋转后坐标的获取方法,可根据欧拉旋转定理,将光电接收器绕三个坐标轴XYZ分别旋转(α,β,γ)角度的旋转矩阵表示为:
按照坐标轴ZYX的顺序旋转,则光电接收器旋转后坐标可由(x′,y′,z′)=(x,y,z)RzRyRx计算得到。
在步骤4中,将接收信号强度数据输入所述经过训练的机器学习智能体模型得到预测的光电接收器坐标输出,并与对应的光电接收器真实坐标进行定位误差计算,其中三维定位误差可由均方误差给出,四维定位误差可由所述旋转后坐标的均方误差/>给出。
在步骤5中,为得到使得定位误差最低的LED数量,应采用以下方法:依次递增打开1盏LED即进行N次实验,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。
在步骤6中,为得到使得定位误差最低的LED布局,应采用以下方法:将LED布局模式分为M种,分别进行M次实验,其中每种LED布局模式是采用打开不同位置、不同数量的LED灯进行,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。
在步骤6中,所述LED布局模式,包括但不限于以下几种:模式1打开所有N盏LED作为对照,模式2只打开角落的N2(N2<N)盏LED,模式3只打开中间的N3(N3<N)盏LED,模式4关闭角落和中间的N2+N3(N2+N3<N)盏LED,模式5与模式4相反即打开角落和中间的N2+N3盏LED,剩余模式可根据LED数量继续选取。
本发明提出一种基于机器学习方式的室内可见光定位方法,搭建随机森林学习室内三维可见光定位的特征来实现非直视路径不显著情况下的室内三维可见光定位,搭建卷积-递归神经网络学习室内四维可见光定位的特征来实现非直视路径显著情况下的室内四维可见光定位,并根据室内可见光定位特征获得使定位误差最小的LED数量和LED布局,可有效利用LED资源并提高室内定位精度。
附图说明
图1为本发明实施例的室内可见光定位基本系统模型的示意图。
图2为本发明实施例的LED布局模式的示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
本发明实施例包括以下步骤:
步骤1:在长、宽、高分别为L(m)×W(m)×H(m)的房间天花板上以一定方式部署N盏LED,并在房间建立笛卡尔三维直角坐标系,为了能够计算多维定位误差,在房间中一个长、宽、高分别为l(m)×w(m)×h(m)的三维空间内移动和旋转光电接收器以接收LED发出的信号;所述N盏LED以等间隔的方式部署在天花板上,在建立的坐标系内可得到每盏LED的坐标。在房间内任取一个长宽高固定的三维空间,以三维空间某一角落为起始点沿三个坐标轴方向分别每隔s(m)移动所述光电接收器,以垂直向上为起始方向绕三个坐标轴分别每隔σ(°)旋转光电接收器。
步骤2:在步骤1所述坐标系内获得光电接收器旋转到不同方向时的倾角(α,β,γ)和移动到不同位置时的坐标(x,y,z),建立可见光信道的数学模型,根据得到的坐标计算不同LED和不同位置和方向处光电接收器之间的相关参数,将参数代入信道数学模型得到接收信号强度,并将光电接收器坐标数据和接收信号强度数据作为训练数据集;所述光电接收器移动到不同位置和旋转到不同方向时的坐标和倾角由所述移动和旋转方式得到。根据LED和光电接收器的坐标计算得到每盏LED与光电接收器之间的距离、发射角和入射角的余弦值等参数,建立直视路径和非直视路径的可见光信道直流增益的数学模型为朗伯模型,代入参数可计算得到接收信号强度数据。
步骤3:将步骤2所述训练数据集进行预处理,并搭建一个机器学习智能体模型输入训练数据集进行训练,得到经过训练的机器学习智能体模型;
所述训练数据集由所述接收信号强度数据和对应光电接收器坐标数据构成并进行归一化的预处理,其中接收信号强度数据作为所述机器学习智能体模型的特征数据,光电接收器坐标数据作为所述机器学习智能体模型的标签数据。
所述训练数据集处理方法,其中机器学习智能体模型是随机森林,随机森林由P棵决策树组成,即对训练数据集进行有放回抽样生成的子数据集个数为P,且这P棵决策树之间的相关性很小,输入训练数据集可完成随机森林的训练。
所述机器学习智能体模型随机森林,可在非直视路径不显著的环境中,保持光电接收器垂直向上的方向不旋转以实现在只考虑直视路径情况下的室内三维可见光定位。
所述训练数据集处理方法,其中机器学习智能体模型是卷积-递归神经网络,卷积-递归神经网络由输入层、输出层、一层卷积层和两层递归层共三层隐藏层构成,其中在每层隐藏层后进行批正归化和随机神经元舍弃操作,输入训练数据集可完成卷积-递归神经网络的训练。
所述机器学习智能体模型卷积-递归神经网络,对于非直视路径显著的室内环境,应计算光路遇障碍物的一次反射,并将反射区域模拟为朗伯反射,通过旋转光电接收器以实现同时考虑直视路径和非直视路径情况下的室内四维可见光定位,其中四维是在三维基础上增加一维的角度信息并体现在光电接收器旋转后的坐标(x′,y′,z′)内,旋转后的坐标由光电接收器垂直向上时的坐标(x,y,z)根据旋转倾角(α,β,γ)进行坐标变换而得。
所述光电接收器旋转后坐标的获取方法,可根据欧拉旋转定理,将光电接收器绕三个坐标轴XYZ分别旋转(α,β,γ)角度的旋转矩阵表示为:
按照坐标轴ZYX的顺序旋转,则光电接收器旋转后坐标可由(x′,y′,z′)=(x,y,z)RzRyRx计算得到。
步骤4:利用步骤3所述经过训练的机器学习智能体模型输入接收信号强度进行预测,计算预测输出的坐标和真实坐标之间的多维定位误差;
将接收信号强度数据输入所述经过训练的机器学习智能体模型得到预测的光电接收器坐标输出,并与对应的光电接收器真实坐标进行定位误差计算,其中三维定位误差可由均方误差给出,四维定位误差可由所述旋转后坐标的均方误差/>给出。
步骤5:保持其它参数不变,以一定方式打开不同数量LED,且每次打开都重复步骤2、3、4以得到使定位误差最小的LED数量;为得到使得定位误差最低的LED数量,应采用以下方法:依次递增打开1盏LED即进行N次实验,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。
步骤6:保持其它参数不变,按照N盏LED的不同布局分为M种模式,每种模式都重复步骤2、3、4以得到使定位误差最小的LED布局。为得到使得定位误差最低的LED布局,应采用以下方法:将LED布局模式分为M种,分别进行M次实验,其中每种LED布局模式是采用打开不同位置、不同数量的LED灯进行,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。
所述LED布局模式,包括但不限于以下几种:模式1打开所有N盏LED作为对照,模式2只打开角落的N2(N2<N)盏LED,模式3只打开中间的N3(N3<N)盏LED,模式4关闭角落和中间的N2+N3(N2+N3<N)盏LED,模式5与模式4相反即打开角落和中间的N2+N3盏LED,剩余模式可根据LED数量继续选取。
本发明通过随机森林和卷积-递归神经网络两种机器学习智能体模型学习室内多维可见光定位的特征,并获得使定位误差最小的LED数量和LED布局,从而能有效利用LED资源并提高室内定位精度。
以下结合附图给出一个具体实施例。
依照本发明实施方式的室内可见光定位基本系统模型如图1所示。本实施例包括以下步骤:
步骤1:在长、宽、高分别为5(m)×5(m)×3(m)的房间天花板上等间隔地部署16盏LED,并在房间建立笛卡尔三维直角坐标系,为了能够计算多维定位误差,在房间中一个长、宽、高分别为5(m)×5(m)×1.5(m)的三维空间内,以某一角落为起始点沿三个坐标轴方向分别每隔0.01(m)移动所述光电接收器,以垂直向上为起始方向绕三个坐标轴分别每隔10(°)旋转光电接收器。
步骤2:所述光电接收器移动到不同位置和旋转到不同方向时的坐标和倾角由所述移动和旋转方式得到。根据LED和光电接收器的坐标计算得到每盏LED与光电接收器之间的距离、发射角和入射角的余弦值等参数,建立直视路径和非直视路径的可见光信道直流增益的数学模型为朗伯模型,代入参数可计算得到接收信号强度数据。
步骤3:首先,机器学习智能体模型随机森林由100棵决策树组成,即对训练数据集进行有放回抽样生成的子数据集个数为100,且这100棵决策树之间的相关性很小,输入训练数据集完成随机森林的训练,保持光电接收器垂直向上的方向不旋转以实现在只考虑直视路径情况下的室内三维可见光定位。
其次,机器学习智能体模型卷积-递归神经网络由输入层、输出层、一层卷积层和两层递归层共三层隐藏层构成,在每层隐藏层后进行批正归化和随机神经元舍弃操作,输入训练数据集完成卷积-递归神经网络的训练,计算光路遇房间四面墙壁的一次反射,并将反射区域模拟为朗伯反射,通过旋转光电接收器以实现同时考虑直视路径和非直视路径情况下的室内四维可见光定位。其中四维是在三维基础上增加一维的角度信息并体现在光电接收器旋转后的坐标(x′,y′,z′)内,根据欧拉旋转定理,将光电接收器绕三个坐标轴XYZ分别旋转(α,β,γ)角度的旋转矩阵表示为:
按照坐标轴ZYX的顺序旋转,则光电接收器旋转后坐标可由(x′,y′,z′)=(x,y,z)RzRyRx计算得到。
步骤4:将接收信号强度数据输入所述经过训练的机器学习智能体模型得到预测的光电接收器坐标输出,并与对应的光电接收器真实坐标进行定位误差计算,其中三维定位误差可由均方误差给出,四维定位误差可由所述旋转后坐标的均方误差/>给出。
步骤5:为得到使得定位误差最低的LED数量,应采用以下方法:依次递增打开1盏LED即进行16次实验,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。
步骤6:为得到使得定位误差最低的LED布局,应采用以下方法:将LED布局模式分为5种,分别进行5次实验,其中每种LED布局模式是采用打开不同位置、不同数量的LED灯进行,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式。所述LED布局模式包括:模式1打开所有16盏LED作为对照,模式2只打开角落的4盏LED,模式3只打开中间的4盏LED,模式4关闭角落和中间的8盏LED,模式5与模式4相反即打开角落和中间的8盏LED,布局模式如图2所示。
上述实施例仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种基于机器学习方式的室内可见光定位方法,其特征在于包括以下步骤:
步骤1:在长、宽、高分别为L(m)×W(m)×H(m)的房间天花板上部署N盏LED,并在房间建立笛卡尔三维直角坐标系,为计算多维定位误差,在房间中一个长、宽、高分别为l(m)×w(m)×h(m)的三维空间内移动和旋转光电接收器以接收LED发出的信号;
步骤2:在所述坐标系内获得光电接收器旋转到不同方向时的倾角(α,β,γ)和移动到不同位置时的坐标(x,y,z),建立可见光信道的数学模型,根据得到的坐标计算不同LED和不同位置和方向处光电接收器之间的相关参数,将参数代入信道数学模型得到接收信号强度,并将光电接收器坐标数据和接收信号强度数据作为训练数据集;
步骤3:将所述训练数据集进行预处理,并搭建机器学习智能体模型输入训练数据集进行训练,得到经过训练的机器学习智能体模型;
所述训练数据集的处理方法,其中机器学习智能体模型是随机森林,随机森林由P棵决策树组成,即对训练数据集进行有放回抽样生成的子数据集个数为P,且这P棵决策树之间的相关性小,输入训练数据集完成随机森林的训练;
所述随机森林,在非直视路径不显著的环境中,保持光电接收器垂直向上的方向不旋转以实现在只考虑直视路径情况下的室内三维可见光定位;
所述训练数据集的处理方法,其中机器学习智能体模型是卷积-递归神经网络,卷积-递归神经网络由输入层、输出层、一层卷积层和两层递归层共三层隐藏层构成,其中在每层隐藏层后进行批正归化和随机神经元舍弃操作,输入训练数据集完成卷积-递归神经网络的训练;
所述卷积-递归神经网络,对于非直视路径显著的室内环境,计算光路遇障碍物的一次反射,将反射区域模拟为朗伯反射,通过旋转光电接收器以实现同时考虑直视路径和非直视路径情况下的室内四维可见光定位,其中四维是在三维基础上增加一维的角度信息并体现在光电接收器旋转后的坐标(x′,y′,z′)内,旋转后的坐标由光电接收器垂直向上时的坐标(x,y,z)根据旋转倾角(α,β,γ)进行坐标变换而得;
步骤4:利用所述经过训练的机器学习智能体模型输入接收信号强度进行预测,计算预测输出的坐标和真实坐标之间的定位误差;
所述计算预测输出的坐标和真实坐标之间的定位误差,将接收信号强度数据输入经过训练的机器学习智能体模型得到预测的光电接收器坐标输出,并与对应的光电接收器真实坐标进行定位误差计算,其中三维定位误差由均方误差给出,四维定位误差由旋转后坐标的均方误差/>给出;
步骤5:保持其它参数不变,以一定方式打开不同数量LED,且每次打开都重复步骤2~4以得到使定位误差最小的LED数量;
所述以一定方式打开不同数量LED,采用以下方法:依次递增打开1盏LED即进行N次实验,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式;
为得到使得定位误差最低的LED布局,应采用以下方法:将LED布局模式分为M种,分别进行M次实验,其中每种LED布局模式是采用打开不同位置、不同数量的LED灯进行,在实验过程中不改变机器学习智能体模型的参数和定位误差计算公式;
步骤6:保持其它参数不变,按照N盏LED的不同布局分为M种模式,每种模式都重复步骤2~4以得到使定位误差最小的LED布局。
2.如权利要求1中所述一种基于机器学习方式的室内可见光定位方法,其特征在于在步骤1中,所述N盏LED以等间隔的方式部署在天花板上,在建立的坐标系内得到每盏LED的坐标;在房间内任取一个长宽高固定的三维空间,以三维空间某一角落为起始点沿三个坐标轴方向分别每隔s(m)移动所述光电接收器,以垂直向上为起始方向绕三个坐标轴分别每隔σ(°)旋转光电接收器。
3.如权利要求1中所述一种基于机器学习方式的室内可见光定位方法,其特征在于步骤2中,所述光电接收器旋转到不同方向时的倾角(α,β,γ)和移动到不同位置时的坐标(x,y,z)由所述移动和旋转方式得到;根据LED和光电接收器的坐标计算得到每盏LED与光电接收器之间的距离、发射角和入射角的余弦值参数,建立直视路径和非直视路径的可见光信道直流增益的数学模型为朗伯模型,代入参数计算得到接收信号强度数据。
4.如权利要求1中所述一种基于机器学习方式的室内可见光定位方法,其特征在于步骤3中,所述训练数据集由所述接收信号强度数据和对应光电接收器坐标数据构成并进行归一化的预处理,其中接收信号强度数据作为所述机器学习智能体模型的特征数据,光电接收器坐标数据作为所述机器学习智能体模型的标签数据。
5.如权利要求1所述一种基于机器学习方式的室内可见光定位方法,其特征在于步骤3中,所述光电接收器旋转后坐标的获取方法,根据欧拉旋转定理,将光电接收器绕三个坐标轴XYZ分别旋转(α,β,γ)角度的旋转矩阵表示为:
按照坐标轴ZYX的顺序旋转,则光电接收器旋转后坐标由(x′,y′,z′)=(x,y,z)RzRyRx计算得到。
6.如权利要求1中所述一种基于机器学习方式的室内可见光定位方法,其特征在于步骤5中,所述LED布局模式,包括但不限于以下几种:模式1打开所有N盏LED作为对照,模式2只打开角落的N2(N2<N)盏LED,模式3只打开中间的N3(N3<N)盏LED,模式4关闭角落和中间的N2+N3(N2+N3<N)盏LED,模式5与模式4相反即打开角落和中间的N2+N3盏LED,剩余模式根据LED数量继续选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866116.8A CN115236591B (zh) | 2022-07-22 | 2022-07-22 | 一种基于机器学习方式的室内可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866116.8A CN115236591B (zh) | 2022-07-22 | 2022-07-22 | 一种基于机器学习方式的室内可见光定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115236591A CN115236591A (zh) | 2022-10-25 |
CN115236591B true CN115236591B (zh) | 2024-06-07 |
Family
ID=83675079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210866116.8A Active CN115236591B (zh) | 2022-07-22 | 2022-07-22 | 一种基于机器学习方式的室内可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236591B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087877B (zh) * | 2023-02-24 | 2023-12-29 | 北京邮电大学 | 一种基于人工智能算法的点分类室内可见光定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN111090074A (zh) * | 2019-12-23 | 2020-05-01 | 武汉邮电科学研究院有限公司 | 基于机器学习的室内可见光定位方法和设备 |
CN111190143A (zh) * | 2020-01-10 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于机器学习的室内可见光定位方法 |
CN111664853A (zh) * | 2020-06-22 | 2020-09-15 | 北京大学 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
CN112468954A (zh) * | 2020-11-03 | 2021-03-09 | 西安工业大学 | 一种基于神经网络的可见光室内立体定位方法 |
WO2021184424A1 (zh) * | 2020-03-18 | 2021-09-23 | 苏州大学 | 基于机器学习和ofdm的室内可见光通信定位方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107430180A (zh) * | 2014-12-10 | 2017-12-01 | 南澳大学 | 基于可见光的室内定位系统 |
-
2022
- 2022-07-22 CN CN202210866116.8A patent/CN115236591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN111090074A (zh) * | 2019-12-23 | 2020-05-01 | 武汉邮电科学研究院有限公司 | 基于机器学习的室内可见光定位方法和设备 |
CN111190143A (zh) * | 2020-01-10 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于机器学习的室内可见光定位方法 |
WO2021184424A1 (zh) * | 2020-03-18 | 2021-09-23 | 苏州大学 | 基于机器学习和ofdm的室内可见光通信定位方法及系统 |
CN111664853A (zh) * | 2020-06-22 | 2020-09-15 | 北京大学 | 基于线性回归模型的抗nlos干扰可见光定位方法及系统 |
CN112468954A (zh) * | 2020-11-03 | 2021-03-09 | 西安工业大学 | 一种基于神经网络的可见光室内立体定位方法 |
Non-Patent Citations (1)
Title |
---|
Danping Su, Xxianbin Liu and Sicong Liu.Three-Dimensional Indoor Visible Light Localization: A Learning-Based Approach.《ACM UbiComp'21》.2021,672-677. * |
Also Published As
Publication number | Publication date |
---|---|
CN115236591A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN100338473C (zh) | 用于使用被动反射器或折射器作为代理接收器并且使用数据库查询来确定发射器的位置的系统和方法 | |
CN100338474C (zh) | 用于使用被动反射器或折射器作为代理接收器来确定发射器的位置的系统和方法 | |
CN113064117A (zh) | 一种基于深度学习的辐射源定位方法及装置 | |
CN106646368B (zh) | 一种基于指纹匹配的可见光通信场景中三维定位方法 | |
CN115236591B (zh) | 一种基于机器学习方式的室内可见光定位方法 | |
CN111818449A (zh) | 一种基于改进的人工神经网络的可见光室内定位方法 | |
Vashist et al. | Indoor wireless localization using consumer-grade 60 GHz equipment with machine learning for intelligent material handling | |
Chen et al. | LED based high accuracy indoor visible light positioning algorithm | |
CN112468954A (zh) | 一种基于神经网络的可见光室内立体定位方法 | |
Morawska et al. | Transfer learning-based UWB indoor localization using MHT-MDC and clusterization-based sparse fingerprinting | |
CN113747360A (zh) | 一种基于混合可见光和ble的室内定位方法 | |
CN113794983B (zh) | 一种基于非线性几何约束优化的多目标室内定位方法 | |
CN113219408A (zh) | 改进型rbf神经网络室内可见光定位方法及系统 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
CN117440404A (zh) | 数据与知识双驱动的频谱地图智能精确构建方法 | |
CN109640253B (zh) | 一种移动机器人定位方法 | |
CN113613188B (zh) | 指纹库的更新方法、装置、计算机设备和存储介质 | |
CN113099386A (zh) | 一种多楼层室内位置识别方法及其在博物馆导览中的应用 | |
CN115397012A (zh) | 基于twr-tdoa估计和mpga布局优化的uwb定位跟踪系统的实现方法 | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network | |
Aviles et al. | Pattern recognition comparative analysis applied to fingerprint indoor mobile sensors localization | |
Varotto et al. | Transmitter discovery through radio-visual probabilistic active sensing | |
CN111830529A (zh) | 一种基于灯光标定信息融合的激光slam方法及装置 |
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 |