CN115802282A - 无线信号场的协同定位方法及装置 - Google Patents
无线信号场的协同定位方法及装置 Download PDFInfo
- Publication number
- CN115802282A CN115802282A CN202211622448.8A CN202211622448A CN115802282A CN 115802282 A CN115802282 A CN 115802282A CN 202211622448 A CN202211622448 A CN 202211622448A CN 115802282 A CN115802282 A CN 115802282A
- Authority
- CN
- China
- Prior art keywords
- terminal
- data
- data sequence
- location
- wireless signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000001739 density measurement Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008045 co-localization Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 241000195908 Mnium Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种无线信号场的协同定位方法及装置,其中,该方法包括:获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。本发明公开的无线信号场的协同定位方法及装置,通过在同一网络覆盖区域,借助第二终端对多个信号特征的采集和学习,能实现对第一终端的精确定位。
Description
技术领域
本发明是关于无线定位领域,特别是关于一种无线信号场的协同定位方法及装置。
背景技术
基于无线信道的定位方法有很多种,大多依赖无线终端与周边已部署的无线基站之间的实时交互。常见的上述定位方法包括利用信号到达的时间的到达时间(Time ofArrival,TOA)法、利用信号到达的时间差的到达时间差(Time Difference of Arrival,TDOA)法、利用信号到达的角度的到达角度法(Angle of Arrival,AOA)、基于接收信号的强度指示(Received Signal Strength Indication,RSSI)的定位方法,以及指纹定位方法等。
TOA法中,基站通过计算信号的到达时间t估计目标所在位置。以基站为圆心构建一个原型,利用最少三个基站的信息可以得到一个交叠区域,进而利用最小二乘法等滤波方式对最终位置进行估计。该方法的主要问题是因为信号的传输速率很快,需要发射机与基站做到严格的时间同步,否则微小的时间误差都可能造成很大的定位误差。
TDOA法是通过检测信号到达两个基站的时间差来确定移动目标的位置,只需要基站之间进行时间同步,而没有目标和基站之间的时间同步要求。TDOA至少需要三个已知坐标位置的基站,通过获取不同基站之间的信号传送时间差来定位。
AOA法借助基站上安装的方向性天线,对发射信号的来波方向进行估计,构造一条以基站为端点的射线,利用至少两个基站构造的射线交点对发射机位置进行估计。该方法只需对发射信号的来波方向进行精确测量,摆脱了对信号时间同步的依赖,但是为了测量电磁波的入射角度,接收机必须配备方向性强的天线阵列,这是它的主要缺陷。
相比于TOA法、TDOA法和AOA法,基于RSSI的定位方法仅需要采集信号强度值,所有的射频收发器件都具备获取信号强度的条件,因此,该方法对设备的要求低,实现简单。但该方法同样需要在有定位需求的空间内放置至少3个基站,并且3个基站的位置已知,然后测量该空间内某位置所收到的各基站信号强度,根据信号衰减模型计算出该位置到3个基站的距离,进而实现位置估计。
上述算法虽然广泛使用,但是实际实施中仍存在因环境变动带来的一些问题:
1.上述算法仅利用无线基站和终端之间的单一无线信号特征来计算距离,由于障碍物、行人都会造成时间延迟、多径效应或信号强度衰减,理论模型在实际使用时会存在一定误差,且随环境的变化而变化,在现场有较多金属遮挡或动态障碍物的场景中,误差较大;
2.这些算法都需要事先知道参考基站的位置,如果基站位置发生变化,则需要及时调整算法,否则也会造成人为误差;
目前,在特定环境中的人员定位,如野外特定自然保护区内设备终端的定位、建筑工地内工人的位置监测、矿场内工人的位置监测等网络中,无线定位终端往往具有差异化的规格,如有的终端配备了高精度无线信号测量装置,而有的终端则仅有通用的无线信号测量装置如wifi或蓝牙等的低成本终端。因此,如何让低成本的终端也具备高精度定位的性能,成为一个亟待解决的问题。
发明内容
本发明的目的在于提供一种无线信号场的协同定位方法及装置,其能够。实现对低成本终端的高精度定位。
为实现上述目的,本发明提供了一种无线信号场的协同定位方法,包括:
获取第一终端的第一数据序列;所述第一数据序列包括t个时刻的第一特征数据;所述第一特征数据包括每个时刻m个信源的位置信息和所述第一终端采集的所述m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果;所述协同定位模型,是基于多个第二数据序列进行训练后得到的;所述第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;所述第二特征数据包括每个时刻所述m个信源的位置信息和所述第二终端采集的所述m个信源的RSSI。
在本发明的一实施方式中,所述将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果之前,还包括:
获取所述多个第二数据序列;
基于所述多个第二数据序列进行训练,获取所述协同定位模型。
在本发明的一实施方式中,所述基于所述多个第二数据序列进行训练,获取所述协同定位模型之后,还包括:
获取新增的第二数据序列;
在所述新增的第二数据序列的数量达到数量阈值的情况下,基于所述新增的第二数据序列,更新所述协同定位模型。
在本发明的一实施方式中,所述基于所述多个第二数据序列进行训练,获取所述协同定位模型之后,还包括:
按照预设的时间周期获取新增的第二数据序列;
基于上一时间周期获取的第二数据序列,更新所述协同定位模型。
在本发明的一实施方式中,一种无线信号场的协同定位装置,包括:
第一获取模块,用于获取第一终端的第一数据序列;所述第一数据序列包括t个时刻的第一特征数据;所述第一特征数据包括每个时刻m个信源的位置信息和所述第一终端采集的所述m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
定位模块,用于将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果;所述协同定位模型,是基于多个第二数据序列进行训练后得到的;所述第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;所述第二特征数据包括每个时刻所述m个信源的位置信息和所述第二终端采集的所述m个信源的RSSI。
在本发明的一实施方式中,无线信号场的协同定位装置,还包括:
第二获取模块,用于获取所述多个第二数据序列;
训练模块,用于基于所述多个第二数据序列进行训练,获取所述协同定位模型。
在本发明的一实施方式中,所述第二获取模块,还用于获取新增的第二数据序列;
所述训练模块,还用于在所述新增的第二数据序列的数量达到数量阈值的情况下,基于所述新增的第二数据序列,更新所述协同定位模型。
在本发明的一实施方式中,所述第二获取模块,还用于按照预设的时间周期获取新增的第二数据序列;
所述训练模块,还用于基于上一时间周期获取的第二数据序列,更新所述协同定位模型。
在本发明的一实施方式中,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于智能合约的无线信号场的协同定位方法的步骤。
在本发明的一实施方式中,一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于智能合约的无线信号场的协同定位方法的步骤。
在本发明的一实施方式中,一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于智能合约的无线信号场的协同定位方法的步骤。
与现有技术相比,根据本发明的无线信号场的协同定位方法及装置,通过在同一网络覆盖区域,借助高精度无线信号测量终端(即第二终端)对多个信号特征的采集和学习,能实现对其它无线信号测量终端(即第一终端,低成本终端)的精确定位。进一步地,能实现对一个仅有无线信源信号扫描模组(不具有定位装置)的终端进行经纬度坐标的端到端计算预测,不仅使用当前时刻的信号强度,还使用过去一段时间的信号强度,能避免传统信号指纹定位方法对环境条空间高密度测量的繁重工作量,能较少能量消耗,更简单、方便。
附图说明
图1是根据本发明一实施方式的无线信号场的协同定位方法的流程示意图;
图2是根据本发明一实施方式的无线信号场的协同定位系统的构成示意图;
图3是根据本发明一实施方式的第二终端的构成示意图;
图4是根据本发明一实施方式的第二终端的构成示意图;
图5是根据本发明一实施方式的协同定位模型的结构示意图;
图6是根据本发明一实施方式的无线信号场的协同定位方法的实施过程的示意图;
图7是根据本发明一实施方式的无线信号场的协同定位装置的结构示意图;
图8是根据本发明一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1至图8所示,根据本发明优选实施方式的无线信号场的协同定位方法及装置可以通过以下方式实施。
图1是根据本发明一实施方式的无线信号场的协同定位方法的流程示意图。如图1所示,该方法可以包括以下步骤:
步骤101、获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
步骤102、将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。
图2是根据本发明一实施方式的无线信号场的协同定位系统的构成示意图。本发明一实施方式提供的无线信号场的协同定位方法,用于如图2所示的无线信号场的协同定位系统。如图2所示,该系统可以包括m个信源(m为整数,m≥3,图2中示例性地示出了4个信源:信源A、信源B、信源C、和信源D)、无线信号场的协同定位装置(可以被称为定位服务器)和至少一个第二终端。该无线信号场的协同定位装置可以为本发明一实施方式提供的无线信号场的协同定位方法的执行主体。该无线信号场的协同定位系统,可以基于本发明一实施方式提供的无线信号场的协同定位方法,对第一终端进行定位。任一第一终端可以基于无线通信网络与该无线信号场的协同定位装置进行数据传输。任一第二终端可以基于无线通信网络与该无线信号场的协同定位装置进行数据传输。任一信源均为无线信源,可以基于Wi-Fi、蓝牙(Bluetooth)或者UWB(超宽带,Ultra Wide Band)等任一种无线通信方式,广播无线信号。
第二终端为能不通过该无线信号场的协同定位装置,获取自身位置的终端。
图3是根据本发明一实施方式的第二终端的构成示意图。如图3所示,第二终端可以包括无线信号采集装置、定位装置、无线通信装置和微处理器。
无线信号采集装置,可以用于采集该第二终端周边信源的信号强度(例如RSSI)。
定位装置,可以用于基于全球导航卫星系统(Global Navigation SatelliteSystem,GNSS)等定位方式中的至少一种,获取该第二终端的位置信息。
全球导航卫星系统,可以包括全球定位系统(Global Positioning System,GPS)、北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)、伽利略卫星导航系统(GALILEO)和格洛纳斯卫星导航系统(GLONASS)中的至少一种。
该第二终端的位置信息,可以包括该第二终端的精确位置坐标(X,Y,Z),其中X、Y和Z分别表示经度、纬度和高度。
无线通信装置,可以用于基于无线通信网络,与该无线信号场的协同定位装置进行数据传输。
微处理器,可以用于处理数据。
第二终端可以进行周期性的数据采集和信源的位置信息(例如坐标)的更新维护。
数据采集,可以包括按一定周期采集以下数据:
(1)周边(无线)信源的信号强度RSSI;
(2)当前接收到信号的卫星数量N;
(3)当前接收到信号的卫星数量N≥5时,通过GNSS获得的精确位置坐标(X,Y,Z);其中,X、Y和Z分别表示经度、纬度和高度。
第一终端为不通过该无线信号场的协同定位装置,则不能获取自身位置的终端。
图4是根据本发明一实施方式的第一终端的构成示意图。如图4所示,第一终端可以包括无线信号采集装置、无线通信装置和微处理器。
对比图3和图4可知,与第二终端相比,第一终端不包括定位装置,因而无法获取自身的位置信息,而需要通过本发明一实施方式提供的无线信号场的协同定位方法进行定位。
第二终端采集的数据填入第二数据序列S。S={S1,S2,S3,……,St},t为正整数。1,2,3,……,t表示等间隔的t个连续的时刻,t为其中的最后一个时刻。
对于1≤i≤t,Si=[Ax,Ay,Az,RSSIAi,Bx,By,Bz,RSSIBi,……,Mx,My,Mz,RSSIMi,Xi,Yi,Zi]。其中,Ax,Ay,Az分别表示信源A的经度、纬度和高度;RSSIAi表示该第二终端i时刻采集的信源A的信号强度RSSI;Bx,By,Bz分别表示信源B的经度、纬度和高度;RSSIBi表示该第二终端i时刻采集的信源B的信号强度RSSI;依此类推,Mx,My,Mz分别表示信源M的经度、纬度和高度;RSSIMi表示该第二终端i时刻采集的信源M的信号强度RSSI;Xi,Yi,Zi分别表示i时刻该第二终端的经度、纬度和高度。
需要说明的是,信源的数量可调。即Si中最多可以填入m个信源的位置信息和信号强度RSSI。当实际信源的数量不足m个或第二终端接收信号的信源的数量不足m个时,可以用0填入Si中。
信源的位置信息的更新维护,可以包括当第二终端所采集某个信源(例如信源M)的信号强度大于一定值RSSI_Thresold(即信号强度阈值)且当前接收到信号的卫星数量N≥5时,可判定终端在该信源附近的1米半径内,则可以用第二终端当前的坐标更新信源M的坐标,记为[Mx,My,Mz]=[Xi,Yi,Zi]。
可以将一定量的第二数据序列S输入协同定位模型,基于任一种深度学习方法进行训练,得到训练好的协同定位模型。训练好的协同定位模型,可以用于进行实现所采集周边信源信号[RSSIAi,RSSIBi,RSSICi,……,RSSIMi]到位置信息[Xi,Yi,Zi]的映射。
协同定位模型,可以为基于任一种人工智能方法构建的模型,例如人工神经网络模型等。
图5是根据本发明一实施方式的协同定位模型的结构示意图。示例性地,如图5所示,该协同定位模型可以为一种长短期记忆(Long Short-Term Memory,LSTM)深度学习模型。该协同定位模型可以由多层神经网络构成,包括输入层、中间层、序列层、全连接层和输出层。
输入层可以包括m*4个神经元,对应输入序列为[RSSIAi,RSSIBi,RSSICi,……,RSSIMi]。
中间层,可以实现输入数据的数值非线性映射。中间层可以采用Sigmoid型函数等神经网络中常见的激活函数。
序列层的纵向实现非线性映射,序列层的横向实现时间累计更新。输入层每更新一次数据,则序列层的数据往右更新一列。
输出层,对应输出序列为[Xi’,Yi’,Zi’],分别对应表示i时刻终端所在位置的经度、纬度和高度。
第一终端也可以进行周期性的数据采集并将采集的数据发送至该无线信号场的协同定位装置。第一终端采集的数据包括周边(无线)信源的信号强度RSSI。该无线信号场的协同定位装置可以基于过去一段时间第一终端采集的数据,得到第一终端的第一数据序列S’=[S1’,S2’,S3’,……,St’],t为正整数。1,2,3,……,t表示等间隔的t个连续的时刻,t为其中的最后一个时刻。
需要说明的是,第一数据序列S’的长度与第二数据序列S的长度相同,均包括t个元素。在实际的时刻不足t的情况下,可以用0不足第一数据序列和第二数据序列。
对于1≤i≤t,Si’=[Ax,Ay,Az,RSSIAi,Bx,By,Bz,RSSIBi,……,Mx,My,Mz,RSSIMi]。其中,Ax,Ay,Az分别表示信源A的经度、纬度和高度;RSSIAi表示该第一终端i时刻采集的信源A的信号强度RSSI;Bx,By,Bz分别表示信源B的经度、纬度和高度;RSSIBi表示该第一终端i时刻采集的信源B的信号强度RSSI;依此类推,Mx,My,Mz分别表示信源M的经度、纬度和高度;RSSIMi表示该第一终端i时刻采集的信源M的信号强度RSSI。
将第一数据序列S’输入训练好的协同定位模型,可以得到对该第一终端的位置的推断,获取该第一终端时刻t的位置信息,作为第一终端的定位结果。
第一终端的定位结果可以二次修正。若因第二终端的数据不足导致模型预测误差较大时,无线信号场的协同定位装置可以存储第一终端的数据序列,在第二终端的数据积累更多数量且无线信源的坐标也未改变的条件下,可对第一终端再次预测得到更新的位置预测。
本发明实施例通过在同一网络覆盖区域,借助高精度无线信号测量终端(即第二终端)对多个信号特征的采集和学习,能实现对其它无线信号测量终端(即第一终端,低成本终端)的精确定位。进一步地,能实现对一个仅有无线信源信号扫描模组(不具有定位装置)的终端进行经纬度坐标的端到端计算预测,不仅使用当前时刻的信号强度,还使用过去一段时间的信号强度,能避免传统信号指纹定位方法对环境条空间高密度测量的繁重工作量,能较少能量消耗,更简单、方便。
在一个实施例中,将第一数据序列输入协同定位模型,获取第一终端的定位结果之前,还包括:
获取多个第二数据序列;
基于多个第二数据序列进行训练,获取协同定位模型。
具体地,将第一数据序列输入协同定位模型之前,可以先获取一定量的第二数据序列S,并基于多个第二数据序列进行训练,得到训练好的协同定位模型。
协同定位模型的训练过程可以包括:
(1)初始时刻,各节点的神经网络参数进行随机初始化;
(2)读取一批次第二终端在一段时间段内的数据,将{S1,S2,S3,……,St}中的采集信号部分[Ax,Ay,Az,RSSIAi,Bx,By,Bz,RSSIBi,……,Mx,My,Mz,RSSIMi]送入深度学习模型的输入层,将最新时刻的坐标[Xi,Yi,Zi]作为深度学习模型输出端的标签,根据深度学习模型对输入数据的自动计算得到预测的坐标值[Xi’,Yi’,Zi’],进一步得到预测误差Error=[Xi-Xi’,Yi-Yi’,Zi-Zi’]。训练的目标是使得Error2(预测误差的平方)最小,即求得最小平方误差(Mnium Square Error);
(3)根据Error2导数的变化趋势,利用深度学习模型通用的前向传播和反向传播法调整各层神经元参数,直到调整次数大于一定值或者2小于一定值。
本发明实施例通过使用当前时刻的信号强度,还使用过去一段时间的信号强度,能避免传统信号指纹定位方法对环境条空间高密度测量的繁重工作量,能较少能量消耗,更简单、方便。
在一个实施例中,基于多个第二数据序列进行训练,获取协同定位模型之后,还包括:
获取新增的第二数据序列;
在新增的第二数据序列的数量达到数量阈值的情况下,基于新增的第二数据序列,更新协同定位模型。
具体地,协同定位模型训练后之后,可以基于新增的第二数据序列,更新协同定位模型。
更新协同定位模型的过程中,模型的结构不变,更新其中的部分参数即可。
可以在新增的第二数据序列达到一定数量(即新增的第二数据序列的数量达到数量阈值)的情况下,触发对协同定位模型的更新。
数量阈值可以根据实际情况设置,对于数量阈值的具体值,本发明实施例不进行具体限定。
可以基于新增的第二数据序列和原有的第二数据序列训练协同定位模型,以进行对协同定位模型的更新。
图6是根据本发明一实施方式的无线信号场的协同定位方法的实施过程的示意图。无线信号场的协同定位方法的实施过程可以如图6所示。
本发明实施例通过更新协同定位模型,能提高对第一终端进行定位的精度。针对无线信源与第一终端之间增加了障碍物等环境发生的情况,本发明实施例可自动更新信源坐标并让信源坐标值参与运算进而自动更新位置预测模型,能省去传统的信号指纹的方法在无线信源位置改变后需进行二次测量和指纹库更新的工作,更简单、方便。
在一个实施例中,基于多个第二数据序列进行训练,获取协同定位模型之后,还包括:
按照预设的时间周期获取新增的第二数据序列;
基于上一时间周期获取的第二数据序列,更新协同定位模型。
具体地,还可以按照预设的时间周期,触发对协同定位模型的更新。
每一时间周期之后,可以触发对协同定位模型的更新。
可以基于该时间周期新增的第二数据序列和该时间周期之前的第二数据序列训练协同定位模型,以进行对协同定位模型的更新。
本发明实施例通过更新协同定位模型,能提高对第一终端进行定位的精度。针对无线信源与第一终端之间增加了障碍物等环境发生的情况,本发明实施例可自动更新信源坐标并让信源坐标值参与运算进而自动更新位置预测模型,能省去传统的信号指纹的方法在无线信源位置改变后需进行二次测量和指纹库更新的工作,更简单、方便。
下面对本发明提供的无线信号场的协同定位装置进行描述,下文描述的无线信号场的协同定位装置与上文描述的无线信号场的协同定位方法可相互对应参照。
图7是本发明提供的无线信号场的协同定位装置的结构示意图。如图7所示,该装置包括第一获取模块701和定位模块702,其中:
第一获取模块701,用于获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
定位模块702,用于将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。
具体地,第一获取模块701和定位模块702电连接。
在一个实施例中,该无线信号场的协同定位装置可以还包括:
第二获取模块,用于获取多个第二数据序列;
训练模块,用于基于多个第二数据序列进行训练,获取协同定位模型。
在一个实施例中,第二获取模块,还用于获取新增的第二数据序列;
训练模块,还用于在新增的第二数据序列的数量达到数量阈值的情况下,基于新增的第二数据序列,更新协同定位模型。
在一个实施例中,第二获取模块,还用于按照预设的时间周期获取新增的第二数据序列;
训练模块,还用于基于上一时间周期获取的第二数据序列,更新协同定位模型。
本发明实施例提供的无线信号场的协同定位装置,用于执行本发明上述无线信号场的协同定位方法,其实施方式与本发明提供的无线信号场的协同定位方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
该无线信号场的协同定位装置用于前述各实施例的无线信号场的协同定位方法。因此,在前述各实施例中的无线信号场的协同定位方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例通过在同一网络覆盖区域,借助高精度无线信号测量终端(即第二终端)对多个信号特征的采集和学习,能实现对其它无线信号测量终端(即第一终端,低成本终端)的精确定位。进一步地,能实现对一个仅有无线信源信号扫描模组(不具有定位装置)的终端进行经纬度坐标的端到端计算预测,不仅使用当前时刻的信号强度,还使用过去一段时间的信号强度,能避免传统信号指纹定位方法对环境条空间高密度测量的繁重工作量,能较少能量消耗,更简单、方便。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行无线信号场的协同定位方法,该方法包括:获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的电子设备中的处理器810可以调用存储器830中的逻辑指令,其实施方式与本申请提供的无线信号场的协同定位方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的无线信号场的协同定位方法,该方法包括:获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。
本申请实施例提供的计算机程序产品被执行时,实现上述无线信号场的协同定位方法,其具体的实施方式与前述方法的实施例中记载的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的无线信号场的协同定位方法,该方法包括:获取第一终端的第一数据序列;第一数据序列包括t个时刻的第一特征数据;第一特征数据包括每个时刻m个信源的位置信息和第一终端采集的m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;将第一数据序列输入协同定位模型,获取第一终端的定位结果;协同定位模型,是基于多个第二数据序列进行训练后得到的;第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;第二特征数据包括每个时刻m个信源的位置信息和第二终端采集的m个信源的RSSI。
本申请实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时,实现上述无线信号场的协同定位方法,其具体的实施方式与前述方法的实施例中记载的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种无线信号场的协同定位方法,其特征在于,包括:
获取第一终端的第一数据序列;所述第一数据序列包括t个时刻的第一特征数据;所述第一特征数据包括每个时刻m个信源的位置信息和所述第一终端采集的所述m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果;所述协同定位模型,是基于多个第二数据序列进行训练后得到的;所述第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;所述第二特征数据包括每个时刻所述m个信源的位置信息和所述第二终端采集的所述m个信源的RSSI。
2.根据权利要求1所述的无线信号场的协同定位方法,其特征在于,所述将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果之前,还包括:
获取所述多个第二数据序列;
基于所述多个第二数据序列进行训练,获取所述协同定位模型。
3.根据权利要求2所述的无线信号场的协同定位方法,其特征在于,所述基于所述多个第二数据序列进行训练,获取所述协同定位模型之后,还包括:
获取新增的第二数据序列;
在所述新增的第二数据序列的数量达到数量阈值的情况下,基于所述新增的第二数据序列,更新所述协同定位模型。
4.根据权利要求2所述的无线信号场的协同定位方法,其特征在于,所述基于所述多个第二数据序列进行训练,获取所述协同定位模型之后,还包括:
按照预设的时间周期获取新增的第二数据序列;
基于上一时间周期获取的第二数据序列,更新所述协同定位模型。
5.一种无线信号场的协同定位装置,其特征在于,包括:
第一获取模块,用于获取第一终端的第一数据序列;所述第一数据序列包括t个时刻的第一特征数据;所述第一特征数据包括每个时刻m个信源的位置信息和所述第一终端采集的所述m个信源的RSSI;t为大于1的整数;m为大于或等于3的整数;
定位模块,用于将所述第一数据序列输入协同定位模型,获取所述第一终端的定位结果;所述协同定位模型,是基于多个第二数据序列进行训练后得到的;所述第二数据序列包括第二终端的位置信息和t个时刻的第二特征数据;所述第二特征数据包括每个时刻所述m个信源的位置信息和所述第二终端采集的所述m个信源的RSSI。
6.根据权利要求5所述的无线信号场的协同定位装置,其特征在于,还包括:
第二获取模块,用于获取所述多个第二数据序列;
训练模块,用于基于所述多个第二数据序列进行训练,获取所述协同定位模型。
7.根据权利要求6所述的无线信号场的协同定位装置,其特征在于,所述第二获取模块,还用于获取新增的第二数据序列;
所述训练模块,还用于在所述新增的第二数据序列的数量达到数量阈值的情况下,基于所述新增的第二数据序列,更新所述协同定位模型。
8.根据权利要求6所述的无线信号场的协同定位装置,其特征在于,所述第二获取模块,还用于按照预设的时间周期获取新增的第二数据序列;
所述训练模块,还用于基于上一时间周期获取的第二数据序列,更新所述协同定位模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述无线信号场的协同定位方法的步骤。
10.一种非暂态计算机可读存储介质,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如权利要求1至4任一项所述无线信号场的协同定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622448.8A CN115802282B (zh) | 2022-12-16 | 无线信号场的协同定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622448.8A CN115802282B (zh) | 2022-12-16 | 无线信号场的协同定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115802282A true CN115802282A (zh) | 2023-03-14 |
CN115802282B CN115802282B (zh) | 2024-06-07 |
Family
ID=
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056293A (zh) * | 2010-12-10 | 2011-05-11 | 北京星网锐捷网络技术有限公司 | 射频指纹定位方法、系统、无线控制器及定位服务器 |
CN106658422A (zh) * | 2017-01-09 | 2017-05-10 | 深圳市智开科技有限公司 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
CN108495364A (zh) * | 2018-02-09 | 2018-09-04 | 北京天元创新科技有限公司 | 移动终端的定位方法及装置 |
CN109756842A (zh) * | 2019-02-19 | 2019-05-14 | 山东大学 | 基于注意力机制的无线室内定位方法及系统 |
CN111126495A (zh) * | 2019-12-25 | 2020-05-08 | 广州市百果园信息技术有限公司 | 模型训练方法、信息预测方法、装置、存储介质及设备 |
CN111242950A (zh) * | 2020-01-03 | 2020-06-05 | 北京三快在线科技有限公司 | 一种建筑物边界确定方法及装置 |
CN111654817A (zh) * | 2020-06-29 | 2020-09-11 | 青岛歌尔智能传感器有限公司 | 蓝牙定位方法、移动终端及存储介质 |
CN111867049A (zh) * | 2019-04-25 | 2020-10-30 | 华为技术服务有限公司 | 定位方法、装置及存储介质 |
CN112367614A (zh) * | 2020-10-27 | 2021-02-12 | 华南师范大学 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
CN112399555A (zh) * | 2020-10-20 | 2021-02-23 | 北京嘀嘀无限科技发展有限公司 | 一种位置定位的方法、装置、可读存储介质和电子设备 |
CN113055901A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 一种终端定位的方法和装置 |
WO2021139590A1 (zh) * | 2020-01-06 | 2021-07-15 | 三个机器人公司 | 基于蓝牙与slam的室内定位导航装置及其方法 |
CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
CN113613188A (zh) * | 2021-07-19 | 2021-11-05 | 上海浦东发展银行股份有限公司 | 指纹库的更新方法、装置、计算机设备和存储介质 |
CN113873423A (zh) * | 2020-06-29 | 2021-12-31 | 中国电信股份有限公司 | 终端定位方法、装置及系统 |
US11307286B1 (en) * | 2020-06-12 | 2022-04-19 | Amazon Technologies, Inc. | Wireless fingerprint reconstruction for accurate location confirmation |
US20220322043A1 (en) * | 2019-07-16 | 2022-10-06 | Rajax Network Technology (Shanghai) Co., Ltd. | Indoor positioning methods, apparatuses, electronic device and computer readable storage medium |
CN115238717A (zh) * | 2022-08-16 | 2022-10-25 | 中国建筑一局(集团)有限公司 | 一种区域人口走向计算系统及方法 |
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056293A (zh) * | 2010-12-10 | 2011-05-11 | 北京星网锐捷网络技术有限公司 | 射频指纹定位方法、系统、无线控制器及定位服务器 |
CN106658422A (zh) * | 2017-01-09 | 2017-05-10 | 深圳市智开科技有限公司 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
CN108495364A (zh) * | 2018-02-09 | 2018-09-04 | 北京天元创新科技有限公司 | 移动终端的定位方法及装置 |
CN109756842A (zh) * | 2019-02-19 | 2019-05-14 | 山东大学 | 基于注意力机制的无线室内定位方法及系统 |
CN111867049A (zh) * | 2019-04-25 | 2020-10-30 | 华为技术服务有限公司 | 定位方法、装置及存储介质 |
US20220322043A1 (en) * | 2019-07-16 | 2022-10-06 | Rajax Network Technology (Shanghai) Co., Ltd. | Indoor positioning methods, apparatuses, electronic device and computer readable storage medium |
CN111126495A (zh) * | 2019-12-25 | 2020-05-08 | 广州市百果园信息技术有限公司 | 模型训练方法、信息预测方法、装置、存储介质及设备 |
CN113055901A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 一种终端定位的方法和装置 |
CN111242950A (zh) * | 2020-01-03 | 2020-06-05 | 北京三快在线科技有限公司 | 一种建筑物边界确定方法及装置 |
WO2021139590A1 (zh) * | 2020-01-06 | 2021-07-15 | 三个机器人公司 | 基于蓝牙与slam的室内定位导航装置及其方法 |
US11307286B1 (en) * | 2020-06-12 | 2022-04-19 | Amazon Technologies, Inc. | Wireless fingerprint reconstruction for accurate location confirmation |
CN111654817A (zh) * | 2020-06-29 | 2020-09-11 | 青岛歌尔智能传感器有限公司 | 蓝牙定位方法、移动终端及存储介质 |
CN113873423A (zh) * | 2020-06-29 | 2021-12-31 | 中国电信股份有限公司 | 终端定位方法、装置及系统 |
CN112399555A (zh) * | 2020-10-20 | 2021-02-23 | 北京嘀嘀无限科技发展有限公司 | 一种位置定位的方法、装置、可读存储介质和电子设备 |
CN112367614A (zh) * | 2020-10-27 | 2021-02-12 | 华南师范大学 | 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法 |
CN113347559A (zh) * | 2021-05-14 | 2021-09-03 | 武汉大学 | 一种基于深度学习的强鲁棒性无线定位方法 |
CN113613188A (zh) * | 2021-07-19 | 2021-11-05 | 上海浦东发展银行股份有限公司 | 指纹库的更新方法、装置、计算机设备和存储介质 |
CN115238717A (zh) * | 2022-08-16 | 2022-10-25 | 中国建筑一局(集团)有限公司 | 一种区域人口走向计算系统及方法 |
Non-Patent Citations (5)
Title |
---|
JIA, B; ET.AL: ""A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples"", 《FUTURE GENERATION COMPUTER SYSTEMS-THE INTERNATIONAL JOURNAL OF ESCIENCE》, 1 December 2022 (2022-12-01) * |
PEIZHENG LI ET.AL: ""Wireless Localisation in WiFi using Novel Deep Architectures"", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》, 5 May 2021 (2021-05-05) * |
彭光宇: ""基于WIFI的室内定位算法的研究"", 《电子世界》, pages 3 - 6 * |
朱远明: ""基于深度学习的无线室内定位"", 《全国优秀硕士学位论文全文库》 * |
林志;茆云霞;: "一种基于WIFI信号指纹的室内定位技术", 信息通信, no. 07 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Toward location-enabled IoT (LE-IoT): IoT positioning techniques, error sources, and error mitigation | |
CN104614750B (zh) | 车辆位置确定方法 | |
KR20190053470A (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
Elazab et al. | Integrated cooperative localization for connected vehicles in urban canyons | |
CN113055949B (zh) | 定位方法、装置、设备和介质 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
CN114501300A (zh) | 一种基于空间环境误差模型的分布式定位算法 | |
Sophia et al. | Bluetooth low energy based indoor positioning system using ESP32 | |
Jayakody et al. | Indoor positioning: Novel approach for Bluetooth networks using RSSI smoothing | |
CN116567531A (zh) | 基于粒子滤波算法的传感器融合室内定位方法及系统 | |
Daramouskas et al. | A survey of methods for location estimation on Low Power Wide Area Networks | |
CN111856531A (zh) | 一种基于卫星定位的农业物联网方法 | |
Duong et al. | Improving indoor positioning system using weighted linear least square and neural network | |
CN104936284A (zh) | 一种对节点进行定位的方法及装置 | |
KR102052519B1 (ko) | 저전력 블루투스 기반의 실내 측위 방법 및 장치 | |
CN115802282B (zh) | 无线信号场的协同定位方法及装置 | |
AU2022453597B2 (en) | Positioning method, apparatus, electronic device and storage medium | |
Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
CN115802282A (zh) | 无线信号场的协同定位方法及装置 | |
CN116033339A (zh) | 一种信息上报方法、装置、设备及可读存储介质 | |
CN112954591B (zh) | 一种协同分布式定位方法及系统 | |
JP2017032486A (ja) | 携帯端末の位置測定システム、携帯端末及び位置測定プログラム | |
Kim et al. | Effects of shadow fading in indoor RSSI ranging | |
Ismail et al. | Comparison of wireless sensor node localisation between trilateration and multi-lateration methods using rssi | |
Wang et al. | Gaussian filtered rssi-based indoor localization in wlan using bootstrap filter |
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 |