CN115474269B - 可见光阵列基站与普通基站混合定位装置、系统及方法 - Google Patents

Abstract

本发明提供一种可见光阵列基站与普通基站混合定位装置、系统及方法，装置包括在定位单元中布置有若干阵列LED灯和若干普通LED灯，每个阵列LED灯构成一个阵列基站，每个普通LED灯构成一个普通基站，阵列LED灯在定位单元边缘对角布设，普通LED灯在阵列LED灯未覆盖的区域等间距布设。定位过程中训练并建立阵列单基站定位网络模型；首次定位时，进行在线定位判断，若在定位单元内的LOS基站数量满足要求则采用交会定位；否则抽取LOS基站中阵列基站观测的RSS向量，输入阵列单基站定位网络模型，得到首次定位解；位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置。本发明通过混合定位模式，防止LOS基站数目不足，同时保证定位解的精度、稳定性和平滑程度。

Description

可见光阵列基站与普通基站混合定位装置、系统及方法

技术领域

本发明涉及可见光定位技术领域，尤其涉及一种可见光阵列基站与普通基站混合定位装置、系统及方法。

背景技术

由于信号衰减和阻碍严重，全球卫星导航系统(GNSS，global navigationsatellite system)无法提供室内定位服务。因此，许多室内定位技术被研究，如Wi-Fi、蓝牙、超宽带(UWB，ultra-wideband)、惯性导航系统(INS，inertial navigation system)、声学和可见光定位(VLP,visible light positioning)等。其中VLP定位因为精度高、成本低、抗干扰能力强、基础设施要求友好受到广泛关注。这些优点让它在智能家居、矿山、地下铁路和隧道等场景中显示出巨大的应用潜力。

当前可见光常用的两种方案，一是多基站定位方案，一种是单基站方案(又分为测角方案和基于计算机视觉的方案)。还存在主要技术缺陷如下：

1.多基站定位方案中基站易受遮挡(特别是行人定位)，LOS基站数量不足无法实现定位，一是无法实现首次定位，后续位置更新过程中也要求基站数量满足一定要求；

2.单基站使用测角方案一是算法复杂度高，二是覆盖范围有限；单基站使用测距几何交会的方案定位解不够稳定。

3.单基站使用视觉方案需要使用相机，不适用行人定位，且通常需要惯性测量单元(IMU，inertial measurement unit)等的辅助。

发明内容

为了解决现有技术缺陷，本发明提供一种可见光阵列基站与多基站混合定位装置、系统及方法。

本发明提供一种可见光阵列基站与普通基站混合定位装置，包括在定位单元中布置有若干阵列LED灯和若干普通LED灯，每个阵列LED灯构成一个阵列基站，每个普通LED灯构成一个普通基站，阵列LED灯在定位单元边缘对角布设，普通LED灯在阵列LED灯未覆盖的区域等间距布设。

另一方面，本发明提供一种基于上述可见光阵列基站与普通基站混合定位装置实现的定位方法，包括以下过程，

训练并建立阵列单基站定位网络模型，所述阵列单基站定位网络模型是基于单个阵列基站采用神经网络训练的模型；

首次定位时，进行在线定位判断，若在定位单元内的LOS基站满足要求，则采用交会定位，否则抽取LOS基站中阵列基站观测的RSS向量，输入阵列单基站定位网络模型，得到首次定位解；所述LOS基站，是指某个阵列基站或普通基站与用户定位装置之间没有遮挡时，该基站就被称为LOS基站；

位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置。

而且，训练阵列单基站定位网络模型时，基于距离和误差关系以及随机误差进行训练，包括在定位单元内空间中随机选点，计算点位和阵列基站中每个阵列LED灯珠的距离，并加入与距离相关的误差、随机误差后组成一个序列为训练网络的输入，每个点真实位置构成样本的标签，通过深度学习计算训练得到阵列基站的定位模型。

而且，阵列LED灯采用2×2的LED灯实现，训练阵列单基站定位网络模型时，点位和阵列LED灯珠的距离计算方式如下，

训练数据是以阵列中心为原点，设阵列上四个灯珠坐标分别为(-delta_d/2,delta_d/2)，(delta_d/2,delta_d/2)，(delta_d/2,-delta_d/2)，(-delta_d/2,-delta_d/2)，其中delta_d为灯间间距，四个灯珠在世界坐标系下坐标(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，测距误差和距离间存在的关系通过三次函数表示如下，

e＝p₁×dis³+p₂×dis²+p₃×dis+p₄

其中e代表误差，p₁、p₂、p₃和p₄代表拟合模型的系数，dis代表距离。

而且，进行位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置的实现方式如下，

1)首次定位结束后，进行粒子和权重初始化，其中，每个粒子同首次定位结果的距离的倒数作为该粒子的权重；

2)基于假设运动模型进行粒子更新，基于可见光的测量距离进行权重更新并归一化处理；

3)对粒子进行重采样，并再次对粒子和权重进行更新，包括删除权重低粒子，添加随机粒子，新粒子权重计算方式和步骤2)中粒子更新采用的权重计算方式相同；对权重进行归一化处理，粒子坐标加权均值作为当前输出的定位装置的位置结果。

而且，步骤1)中，在首次定位结束后，依据定位结果，加入随机误差，生成更新粒子群，为每个粒子随机初始一个预设范围内的速度。

而且，步骤2)中，首次定位和粒子初始化结束后，基于假设运动模型进行粒子更新包括进行速度和位置更新，实现方式如下，

每个粒子的t时刻更新状态由一组向量表示：

[particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight]_t

对应的t+1时刻的粒子状态表示为：

vel_x_(t+1)＝vel_x_control×vel_x_(t)+vel_x_random

vel_y_(t+1)＝vel_y_control×vel_y_(t)+vel_y_random

vel_z_(t+1)＝vel_z_control×vel_z_(t)+vel_z_random

particle_x_(t+1)＝particle_x_control×particle_x_(t)+vel_x_(t)×delta_t+x_random

particle_y_(t+1)＝particle_y_control×particle_y_(t)+vel_y_(t)×delta_t+y_random

particle_z_(t+1)＝particle_z_control×particle_z_(t)+vel_z_(t)×delta_t+z_random

其中，particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight分别表示粒子的x,y,z坐标，三轴x,y,z上的速度，以及该粒子的权重，下标t表示是t时刻的相应粒子状态，下标t+1表示是t+1时刻的相应粒子状态；

“_random”均表示随机数。“_control”均表示设置的经验系数，则x_random、y_random、z_random分别表示三轴x,y,z上的随机数，vel_x_random、vel_y_random、vel_z_random分别表示三轴x,y,z上速度的随机数，vel_x_control、vel_y_control、vel_z_control分别表示三轴x,y,z上的经验系数，particle_x_control、particle_y_control、particle_z_control分别表示粒子的x,y,z坐标上的经验系数；

delta_t表示t时刻与t+1时刻的时间间隔。

而且，步骤2)和步骤3)中，更新每个粒子的权重时，先计算粒子更新的和基站之间的距离d_ij，同时可见光测距有一个对应的量测距离d_{obs_i}，其中i表示粒子的编号，j表示当前观测到的可见光基站的编号，计算d_ij和d_{obs_i}的距离差delta_d_ij，依据下式更新计算每个粒子的权重，

Weight_ij＝exp(-(delta_d_ij ²)/(2×R))/(R×sqrt(2×PI))

Weight_i＝multiply(Weight_ij),i<＝num_particle,j<＝num_bs

其中，Weight_i表示第i个粒子的权重，Weight_ij表示第i个粒子对应的第j个基站的权重，num_particle和num_bs分别表示粒子的数目和此次观测到的可见光基站的数目，exp、sqrt和multiply分别表示以e为底的指数函数、平方根函数和求积函数；R表示滤波器参数中的量测噪声，PI表示π。

而且，权重更新计算结束后，通过下式得到粒子中心坐标：

particle_center_x＝sum(Weight_i×particle_x_i)

particle_center_y＝sum(Weight_i×particle_y_i)

particle_center_z＝sum(Weight_i×particle_z_i)

其中(particle_center_x，particle_center_x，particle_center_x)表示粒子中心坐标，(particle_x_i，particle_y_i，particle_z_i)表示第i个粒子的坐标，sum表示求和函数。

另一方面，本发明还提供一种可见光阵列基站与普通基站混合定位系统，用于实现如上所述的定位方法。

本发明具有如下优点：1.设计一套2x2 LED单基站阵列灯装置和定位方法，以深度神经网络代替传统几何交会求解方案，提升定位解的稳定性。2.设计阵列灯和普通LED灯混合定位模式，实现LOS基站数目不足时仍能满足基本的定位要求。3.结合运动模型和粒子滤波的紧耦合方式可以极大程度发挥可见光测距精度高优3势，同时也能保证定位解的精度、稳定性和平滑程度。

附图说明

图1是本发明实施例阵列间距和定位误差的关系仿真结果图。

图2是本发明实施例的基站布设示意图(以单个定位单元为例)。

图3a是本发明实施例的LED A可见光测距误差同距离的关系示意图。

图3b是本发明实施例的LED B可见光测距误差同距离的关系示意图。

图4是本发明实施例的系统定位流程图。

图5是本发明实施例的交会定位和深度神经网络定位误差比较示意图(单基站阵列仿真结果)。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

本发明提供一种可见光阵列基站和多基站混合定位方案，本发明的实现可有效解决可见光定位中LOS基站数量不足情况下的如何实现有效定位的问题。本发明实现需使用多个单个LED灯的基站以及简单的2×2LED灯阵列基站。离线阶段工作包括：首先结合室内建筑结构图布设LED灯阵列，要求阵列LED灯满足处处可视，单个LED灯基站布设按照常规要求。其次，拟合同批次LED阵列灯珠的测距模型，以及距离同测距误差的近似函数关系，借助此近似函数关系再加上随机误差仿真定位样本数据输入设计的神经网络训练单个LED阵列的定位模型，深度学习的方式可极大程度降低定位解的波动性问题。在线定位阶段包括：初始定位时，先判断LOS基站数量，数量满足要求使用基于最小二乘的三边交会方法，不满足则使用深度学习处理LED阵列数据，实现首次定位。接下来的定位更新阶段，采用运动模型和紧耦合的粒子滤波实现位置推估。

首先介绍本发明涉及的名词解释。

PD(Photo-Diode),光电二极管。

VLP(visible light positioning)，可见光定位。

RSS(received signal strength)，信号接收强度。

PF(particle filter)，粒子滤波。

LOS(line of sight)，视距。

NLOS(non line of sight)，非视距。

LED(light emitting diode)，发光二极管。

具体实施时，定位场景可以划分为若干定位单位。本发明实施例提出一种可见光阵列基站与普通基站混合定位装置，在一个定位单元内，可布置有若干阵列LED灯和若干普通LED灯，每个阵列LED灯构成一个阵列基站，每个普通LED灯构成一个普通基站，阵列LED灯在定位单元边缘对角布设，普通LED灯在阵列LED灯未覆盖的区域等间距布设，所述阵列LED灯为n×n的LED灯阵列且间距为P。其中，n具体取值可在2～4之间选择，优选建议取值是2；P的取值可根据n的取值和具体精度需求设置。所述普通LED灯即只设置有1个LED灯珠。

一个定位单元表示可见光阵列基站与普通基站混合定位装置覆盖范围(LED灯视场角有范围，即LED灯和定位装置连线与垂线夹角有范围限制)，通常选择一个矩形覆盖区域为一个定位单元(便于定位单元的划分)。例如，应用于智能家居时，每个房间作为一个定位单元，某长方形的房间内，在房间上边缘的某对角布设一对阵列LED灯，另一对角布设一对普通LED灯，这对普通LED灯连线的中心再设置一个普通LED灯。

本发明实施例还提出一种基于所述装置的定位方法，包括：

训练并建立阵列单基站定位网络模型，所述模型基于单个阵列基站；

首次定位时，进行在线定位判断，若单个定位单元内的LOS基站数量大于3，则采用交会定位；否则，抽取其中阵列基站观测的RSS向量，输入阵列单基站定位网络模型，得到首次定位解；所述LOS基站，是指某个阵列基站或普通基站与用户(定位装置)之间没有遮挡时，该基站就被称为LOS基站。

位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置。

本发明具体实施时，主要包括离线和在线两个阶段。

1.离线：基站部署和阵列基站定位模型训练。

1)实施例优选采用2×2LED，即取n＝2，实现2x2LED灯阵列间距设计，2x2LED灯阵列记为2x2LED Array。为了选择合适的LED灯间距，利用仿真测试不同LED灯间距进行定位得到的定位误差，具体见图1，可以看出，在间距P为0.4m时，定位误差在3米之内，考虑到灯间间距虽然大于0.4m定位误差会更小，但考虑实际LED灯的大小和材料成本，因此，2×2LED灯阵列间距选择0.4m。

图1表示定位误差和阵列基站里LED灯间距的关系，一个图标代表一个测试点的误差。这里可以利用精度需求来确定阵列LED灯的间距。n的取值可在2～4之间选择，即阵列内LED的数目N大于4个小于16个(数目太多频率分配会出现问题)。

2)单个定位单元基站部署。本发明主要阐述一个定位单元内的基站部署，会将单个定位单元的基站相关信息集中存储到后台服务器，考虑传输距离，默认跨定位单元基站组合定位存在问题，针对单个定位单元利用单元内基站进行处理。考虑到行人定位时极易出现NLOS情况，部署方式采用多个阵列LED灯(阵列基站)和多个普通LED灯(普通基站)的混合布设模式，阵列LED灯在定位单元边缘对角布设，这样可使行人无论在朝向哪个方向时均有一个阵列LED灯是LOS基站，这样即使基站数量不够时，也可进行初始定位。普通的LED灯正常均匀布设，中心一个灯盏以及四个方向上呈均匀、放射状布设，具体见图2。

3)阵列基站定位模型训练。训练阵列单基站定位网络模型时，基于距离和误差关系以及随机误差进行训练，随机误差为随机数，即高斯白噪声，具体是在定位单元内空间中随机选点，计算点位和阵列基站中每个阵列LED灯珠分别的距离，并加入随机误差后组成一个N×1的序列为训练网络的输入，N＝n×n，实施例中N＝4。每个点真实位置已知，即此条样本的标签，深度学习计算训练得到阵列基站的定位模型。优选建议针对每个阵列基站分别训练相应的阵列单基站定位网络模型，如果所有阵列基站共用同样的阵列单基站定位网络模型参数精度会稍差。

具体实施时，深度学习可根据需要选用不同神经网络模型，优选建议使用CNN网络。

实施例中，训练实现方式如下：

训练数据是以阵列中心为原点，阵列上四个灯珠坐标分别为(-delta_d/2,delta_d/2)，(delta_d/2,delta_d/2)，(delta_d/2,-delta_d/2)，(-delta_d/2,-delta_d/2)，其中delta_d为灯间间距，同时四个灯珠在世界坐标系下坐标(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)。可以通过两组坐标系的坐标点得到两组坐标系间的转换关系。通过实际测试，发现虽然使用不同LED灯进行测距，但是其测距误差和距离间存在的关系可以通过一个三次函数近似表达出来：

e＝p₁×dis³+p₂×dis²+p₃×dis+p₄

其中e代表误差，p₁、p₂、p₃、p₄代表拟合模型的系数，dis代表距离。

图3a，3b反映的就是使用测距模型求的距离和测距误差的关系，两盏不同的灯LEDA和LED B满足同样的关系，即上述三次函数关系。可以理解成测距误差包含两部分，一是由距离引起的误差，二是随机误差。通过这个关系可以构建训练数据仿真器(训练数据本来需要实际采集，采用简化形式，通过建立距离和误差关系来仿真训练数据)

需要说明的是，以阵列LED灯的中心点为中心建立的坐标系可以保证深度学习网络输入样本是可以统一起来的，意思是换一个场景，LED灯的世界坐标系的坐标会变，但是在以阵列LED灯的中心点为中心建立的坐标系里的坐标是不会变的，这样就是不同场景下的样本可以放在一起训练。两类坐标已知的前提下可以计算一个它们之间的转换矩阵。

因此，可在此距离和误差关系基础上进一步加随机误差来仿真模型训练数据，在空间中随机选点，计算点位(用户定位装置)和阵列LED灯中每个LED灯珠分别的距离，加入误差后，组成一个4*1的序列，即训练网络的输入，每个点真实位置已知，即此条样本的标签。如此仿真足够数目的样本，训练得到阵列基站的定位模型，一定仿真测试表明，采用深度学习计算的结果较几何交会解析的方案在精度和稳定性上都具备一定优势，具体见图5。

2.在线：首次定位和位置更新。

在线定位具体流程见图4，主要分为两大块的内容，一是首次定位，二是位置更新。

首次定位时，首先判断观测到的单个定位单元内的LOS基站是否满足要求，一般是LOS基站数量是否大于等于3(在离线阶段已将单个定位单元基站信息集中存储)：如果LOS基站大于3时，普通的交会定位即可；如果LOS基站数量小于等于3，抽取所有LOS基站中阵列基站观测的RSS向量(按离线训练输入的基站观测值的顺序)，输入离线训练好的阵列基站的定位模型，得到首次定位解。如果LOS基站中有一个以上阵列基站，取RSS最大值所在阵列基站的RSS向量，输入相应的列单基站定位网络模型。

rss表示信号强度，rss_a,rss_b,rss_c,rss_d表示定位装置接收的阵列基站里的四盏灯信号强度，这里的a,b,c,d分别表示阵列基站里的四盏灯。

RSS 1,RSS 2,RSS 3,...RSS m表示的是定位装置接收的普通基站信号强度，1,2,3,...m表示普通基站的标号。

位置更新时，使用基于运动模型和粒子滤波的紧耦合更新方式。实现方式为，

1)首次定位结束后，进行粒子和权重初始化，其中，每个粒子同首次定位结果的距离的倒数作为该粒子的权重；

2)基于假设运动模型进行粒子更新，基于可见光的测量距离进行权重更新并归一化处理；假设运动模型就是当前位置和上一时刻位置、上一时刻速度、随机误差有关联，当前速度和上一时刻速度、随机误差有关联。本发明进一步提出，在首次定位结束后，依据定位结果，加入随机误差，也就是随机数，生成更新粒子群，为每个粒子随机初始一个vel_threshold范围内的速度。vel_threshold是依据实测获取的经验值。

3)对粒子进行重采样，并再次对粒子和权重进行更新，包括删除权重低粒子，添加随机粒子，新粒子权重计算方式和步骤2)中粒子更新采用的权重计算方式相同；对权重进行归一化处理，粒子坐标加权均值作为当前输出的定位装置的位置结果。

实施例中的具体实现如下：

首先，在首次定位结束后，依据定位结果，加入随机误差，生成更新粒子群，同时将每个粒子同首次定位结果的距离的倒数作为该粒子的权重，同时为每个粒子初始化，即取一个vel_threshold(依据实测获取的经验值)范围内的随机值作为速度值。首次定位和粒子初始化结束后，随即开始速度、位置更新，每个粒子的t时刻更新状态可以由一组向量表示：

[particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight]_t

对应的t+1时刻的粒子状态可以表示为：

vel_x_(t+1)＝vel_x_control×vel_x_(t)+vel_x_random

vel_y_(t+1)＝vel_y_control×vel_y_(t)+vel_y_random

vel_z_(t+1)＝vel_z_control×vel_z_(t)+vel_z_random

particle_x_(t+1)＝particle_x_control×particle_x_(t)+vel_x_(t)×delta_t+x_random

particle_y_(t+1)＝particle_y_control×particle_y_(t)+vel_y_(t)×delta_t+y_random

particle_z_(t+1)＝particle_z_control×particle_z_(t)+vel_z_(t)×delta_t+z_random

其中，particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight分别表示粒子的x,y,z坐标，三轴x,y,z上的速度，以及该粒子的权重，下标t表示是t时刻的相应粒子状态，下标t+1表示是t+1时刻的相应粒子状态。“_random”均表示随机数。“_control”均表示设置的经验系数，即x_random、y_random、z_random分别表示三轴x,y,z上的随机数，vel_x_random、vel_y_random、vel_z_random分别表示三轴x,y,z上速度的随机数，vel_x_control、vel_y_control、vel_z_control分别表示三轴x,y,z上的经验系数，particle_x_control、particle_y_control、particle_z_control分别表示粒子的x,y,z坐标上的经验系数；

delta_t表示t时刻与t+1时刻的时间间隔。

对于每个粒子的权重更新按以下方式进行：先计算粒子更新的和基站之间的距离d_ij，同时可见光测距有一个对应的量测距离d_{obs_i}，其中i表示粒子的编号，j表示当前观测到的可见光基站的编号。计算d_ij和d_{obs_i}的距离差delta_d_ij，依据下式更新计算每个粒子的权重：

Weight_ij＝exp(-(delta_d_ij ²)/(2×R))/(R×sqrt(2×PI))

Weight_i＝multiply(Weight_ij),i<＝num_particle,j<＝num_bs

其中，Weight_i表示第i个粒子的权重，Weight_ij表示第i个粒子对应的第j个基站的权重，num_particle和num_bs分别表示粒子的数目和此次观测到的可见光基站的数目，exp、sqrt和multiply分别表示以e为底的指数函数、平方根函数和求积函数；R表示滤波器参数中的量测噪声，PI表示π＝3.1415。

权重更新计算结束后，可以通过下式得到粒子中心坐标：

particle_center_x＝sum(Weight_i×particle_x_i)

particle_center_y＝sum(Weight_i×particle_y_i)

particle_center_z＝sum(Weight_i×particle_z_i)

其中(particle_center_x，particle_center_x，particle_center_x)表示粒子中心坐标，(particle_x_i，particle_y_i，particle_z_i)表示第i个粒子的坐标，sum表示求和函数。

紧接着对权重做归一化处理，再对粒子进行重采样，以保证粒子多样性。最后依据上面的粒子更新方式再对粒子进行一遍更新(主要是更新重采样后的新粒子)，同样地更新结束后对粒子权重做归一化处理，计算粒子中心坐标作为此次定位输出的最终结果。

下一次观测值进入后，按照上面的操作重复操作进行位置更新。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

在一些可能的实施例中，提供一种可见光阵列基站与普通基站混合定位系统，包括以下模块，

第一模块，用于训练并建立阵列单基站定位网络模型，所述阵列单基站定位网络模型是基于单个阵列基站采用神经网络训练的模型；

第二模块，用于首次定位时，进行在线定位判断，若在定位单元内的LOS基站满足要求，则采用交会定位，否则抽取LOS基站中阵列基站观测的RSS向量，输入阵列单基站定位网络模型，得到首次定位解；所述LOS基站，是指某个阵列基站或普通基站与用户定位装置之间没有遮挡时，该基站就被称为LOS基站；

第三模块，用于位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置。

在一些可能的实施例中，提供一种可见光阵列基站与普通基站混合定位系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种定位方法。

在一些可能的实施例中，提供一种可见光阵列基站与普通基站混合定位系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种定位方法。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于可见光阵列基站与普通基站混合定位装置实现的定位方法，其特征在于：所述可见光阵列基站与普通基站混合定位装置包括在定位单元中布置有若干阵列LED灯和若干普通LED灯，每个阵列LED灯构成一个阵列基站，每个普通LED灯构成一个普通基站，阵列LED灯在定位单元边缘对角布设，普通LED灯在阵列LED灯未覆盖的区域等间距布设；

基于所述可见光阵列基站与普通基站混合定位装置实现以下定位过程，

训练并建立阵列单基站定位网络模型，所述阵列单基站定位网络模型是基于单个阵列基站采用神经网络训练的模型；

首次定位时，进行在线定位判断，若在定位单元内的LOS基站满足要求，则采用交会定位，否则抽取LOS基站中阵列基站观测的RSS向量，输入阵列单基站定位网络模型，得到首次定位解；所述LOS基站，是指某个阵列基站或普通基站与用户定位装置之间没有遮挡时，该基站就被称为LOS基站；

位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置；

训练阵列单基站定位网络模型时，基于距离和误差关系以及随机误差进行训练，包括在定位单元内空间中随机选点，计算点位和阵列基站中每个阵列LED灯珠的距离，并加入与距离相关的误差、随机误差后组成一个序列为训练网络的输入，每个点真实位置构成样本的标签，通过深度学习计算训练得到阵列基站的定位模型；

阵列LED灯采用2×2的LED灯实现，训练阵列单基站定位网络模型时，点位和阵列LED灯珠的距离计算方式如下，

训练数据是以阵列中心为原点，设阵列上四个灯珠坐标分别为(-delta_d/2,delta_d/2)，(delta_d/2,delta_d/2)，(delta_d/2,-delta_d/2)，(-delta_d/2,-delta_d/2)，其中delta_d为灯间间距，四个灯珠在世界坐标系下坐标(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，测距误差和距离间存在的关系通过三次函数表示如下，

e＝p₁×dis³+p₂×dis²+p₃×dis+p₄

其中e代表误差，p₁、p₂、p₃和p₄代表拟合模型的系数，dis代表距离；

进行位置更新时，使用基于运动模型和粒子滤波的紧耦合更新位置的实现方式如下，

1)首次定位结束后，进行粒子和权重初始化，其中，每个粒子同首次定位结果的距离的倒数作为该粒子的权重；

2)基于假设运动模型进行粒子更新，基于可见光的测量距离进行权重更新并归一化处理；

3)对粒子进行重采样，并再次对粒子和权重进行更新，包括删除权重低粒子，添加随机粒子，新粒子权重计算方式和步骤2)中粒子更新采用的权重计算方式相同；对权重进行归一化处理，粒子坐标加权均值作为当前输出的定位装置的位置结果。

2.根据权利要求1所述的定位方法，其特征在于：步骤1)中，在首次定位结束后，依据定位结果，加入随机误差，生成更新粒子群，为每个粒子随机初始一个预设范围内的速度。

3.根据权利要求1所述的定位方法，其特征在于：步骤2)中，首次定位和粒子初始化结束后，基于假设运动模型进行粒子更新包括进行速度和位置更新，实现方式如下，

每个粒子的t时刻更新状态由一组向量表示：

[particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight]_t

对应的t+1时刻的粒子状态表示为：

vel_x_(t+1)＝vel_x_control×vel_x_(t)+vel_x_random

vel_y_(t+1)＝vel_y_control×vel_y_(t)+vel_y_random

vel_z_(t+1)＝vel_z_control×vel_z_(t)+vel_z_random

particle_x_(t+1)＝particle_x_control×particle_x_(t)+vel_x_(t)×delta_t+x_random

particle_y_(t+1)＝particle_y_control×particle_y_(t)+vel_y_(t)×delta_t+y_random

particle_z_(t+1)＝particle_z_control×particle_z_(t)+vel_z_(t)×delta_t+z_random

其中，particle_x,particel_y,particle_z,vel_x,vel_y,vel_z,particle_weight分别表示粒子的x,y,z坐标，三轴x,y,z上的速度，以及该粒子的权重，下标t表示是t时刻的相应粒子状态，下标t+1表示是t+1时刻的相应粒子状态；

“_random”均表示随机数，“_control”均表示设置的经验系数，则x_random、y_random、z_random分别表示三轴x,y,z上的随机数，vel_x_random、vel_y_random、vel_z_random分别表示三轴x,y,z上速度的随机数，vel_x_control、vel_y_control、vel_z_control分别表示三轴x,y,z上的经验系数，particle_x_control、particle_y_control、particle_z_control分别表示粒子的x,y,z坐标上的经验系数；

delta_t表示t时刻与t+1时刻的时间间隔。

4.根据权利要求1所述的定位方法，其特征在于：步骤2)和步骤3)中，更新每个粒子的权重时，先计算粒子更新的和基站之间的距离d_ij，同时可见光测距有一个对应的量测距离d_{obs_i}，其中i表示粒子的编号，j表示当前观测到的可见光基站的编号，计算d_ij和d_{obs_i}的距离差delta_d_ij，依据下式更新计算每个粒子的权重，

Weight_ij＝exp(-(delta_d_ij ²)/(2×R))/(R×sqrt(2×PI))

Weight_i＝multiply(Weight_ij),i<＝num_particle,j<＝num_bs

其中，Weight_i表示第i个粒子的权重，Weight_ij表示第i个粒子对应的第j个基站的权重，num_particle和num_bs分别表示粒子的数目和此次观测到的可见光基站的数目，exp、sqrt和multiply分别表示以e为底的指数函数、平方根函数和求积函数；R表示滤波器参数中的量测噪声，PI表示π。

5.根据权利要求1所述的定位方法，其特征在于：权重更新计算结束后，通过下式得到粒子中心坐标：

particle_center_x＝sum(Weight_i×particle_x_i)

particle_center_y＝sum(Weight_i×particle_y_i)

particle_center_z＝sum(Weight_i×particle_z_i)

其中，(particle_center_x，particle_center_x，particle_center_x)表示粒子中心坐标，(particle_x_i，particle_y_i，particle_z_i)表示第i个粒子的坐标，sum表示求和函数。

6.一种可见光阵列基站与普通基站混合定位系统，其特征在于：用于实现如权利要求1-5任一项所述的定位方法。