CN116087877B - 一种基于人工智能算法的点分类室内可见光定位方法 - Google Patents

Abstract

本发明公开了一种基于人工智能算法的点分类室内可见光定位方法，属于可见光通信技术领域，具体是：首先，将定位区域均匀分为N_H个高度平面，每个平面取均匀分布的M个格点，共N_H×M组接收LED光源的功率，送入人工智能算法中分别用于训练高度分类模型、标签分类模型及接收功率映射模型，将待测点的接收功率数据输入训练好的三个模型中，得到相应的高度值及视距链路接收功率，计算出各待测点到不同光源的距离，最后利用三边定位法计算各自的定位坐标。本发明将传统可见光定位方法扩展为3维；同时，能够有效抑制多径效应对定位性能的影响，减小了定位盲区。

Description

一种基于人工智能算法的点分类室内可见光定位方法

技术领域

本发明属于可见光通信技术领域，具体是一种基于人工智能算法的点分类室内可见光定位方法。

背景技术

近年来，随着便携式智能设备的普及与移动互联网的飞速发展，人们对于位置信息与位置服务的需求日渐迫切，基于位置的服务(LBS)在人类生产生活中扮演着越来越重要的角色。

以全球定位系统(GPS)、北斗卫星导航系统为代表的民用卫星定位服务精度已经能够达到米级，可以基本满足室外环境下的日常定位与位置服务的需求。但在室内环境下，卫星信号减弱，且误差较大，无法满足室内精准定位的需求。

目前室内定位技术有多种方案，包括基于无线局域网(WLAN)的定位技术、基于蓝牙的定位技术、基于射频识别(RFID)信号的定位技术、基于超宽带(UWB)的高精度定位技术、超声波定位技术以及惯性导航等。由于在传统无线通信领域中，可使用的频谱资源越来越紧张，可见光通信(VLC)技术开始兴起，其具有高范围带宽、低功率消耗、抗电磁千扰、高安全性且可提供大量免费的频谱资源等多种优势，因而基于可见光通信的定位技术有望在室内定位领域发挥重要作用。

常见的室内可见光定位方法包括：接收功率(RSSI)、到达角(AOA)、到达时间(TOA)和到达时间差(TDOA)等。其中，基于RSSI的室内可见光定位由于其原理简单、系统复杂度低且计算量相对不大，在实际情况中应用最为普遍。

现有的利用RSSI的室内可见光定位技术还存在以下问题：1)受多径效应影响较大，尤其是房间边缘与角落区域，导致定位性能下降；2)受可见光特性影响，当仅有RSSI时无法确知PD距LED光源的高度和距离，若投入其他传感器则增加系统复杂度和成本；3)受LED及PD的硬件限制，房间某些区域可能接收不到来自某些LED光源的接收功率，严重影响定位性能。

发明内容

为解决现有基于RSSI室内可见光定位方法中，由于受多径效应，导致对定位性能影响大，以及器件存在固有缺陷的问题，本发明了提出一种基于人工智能算法的点分类室内可见光定位方法。

所述点分类室内可见光定位方法，具体步骤如下：

步骤一，室内安装N个LED光源和若干作为待测点的接收机，每个接收机将LED发出的光信号转换为电信号，解码处理后得到各LED的坐标位置及各自的接收功率；

其中，室内空间的长宽高尺寸为L×W×H；N不小于3，LED光源呈均匀布置，且各LED光源之间间隔一定的距离；每个接收机均包括一个光电探测器PD和接收端处理器。

步骤二，将室内空间的高度进行N_H层次的划分，并在每层上分别设置M个格点，为各格点分别预设高度标签和标签分类；每个格点均能接收到N个LED功率，所有格点的总接收功率共N_H×M组，总接收功率为来自视距链路与反射链路的功率值之和；

首先，将室内空间的高度范围H∈[H_d,H_u]，按照距离d_H的间隔均匀划分为N_H份，形成高度平面集合得到对应的高度标签集为{1,2,...,N_H}；

然后，在每一高度平面的定位区域内，分别设置均匀分布的格点，格点的间距设为d，共生成M个格点；

为各格点分别预设标签数据，具体为：

当前格点的坐标为(x,y,z)，接收机与N个LED光源的夹角分别为(ω₁,ω₂,...,ω_n,...,ω_N)，则：

(1).当该格点的位置靠近墙壁四周时或四个角落时，该格点为边缘点，将其标签设置为2；

格点的位置位于四周，即：

x∈[0,d_wall]或x∈[L-d_wall,L]，或y∈[0,d_wall]或y∈[W-d_wall,W]；

当格点的位置位于四个角落时，即：

x∈[0,d_corner]∩y∈[0,d_corner]，或x∈[0,d_corner]∩y∈[W-d_corner,W]，

或x∈[L-d_corner,L]∩y∈[0,d_corner]，或x∈[L-d_corner,L]∩y∈[W-d_corner,W]，

其中，d_wall是墙壁边缘间隔，d_corner是角落边缘间隔，

(2).当时，该格点为盲点，将其标签设置为3；

FOV是接收机的视场角。

(3).若不满足以上准则，则该格点为普通点，将其标签设置为1。

其中，盲点判定的优先级最高，即当前格点同时满足准则(1)和准则(2)，则判定当前格点为盲点，标签设置为3。

步骤三，将N_H×M组总接收功率进行归一化后，分别训练高度分类模型，标签分类模型和映射模型；

所述高度分类模型由基于粒子群的支持向量机回归算法、人工神经网络等智能算法生成；

高度分类模型的训练数据输入为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的高度标签，通过与设置的高度标签值进行对比，优化高度分类模型的参数；

所述标签分类模型由基于遗传算法的支持向量机分类算法、人工神经网络等智能算法生成；

标签分类模型的训练数据输入为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的标签分类值；通过与预设的标签值进行对比，优化标签分类模型的参数；

所述映射模型由人工神经网络、极限学习机等智能算法生成；

映射模型的训练数据为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的视距链路接收功率；通过与提前设定的视距链路接收功率进行对比，优化映射模型的参数；

根据待测点的不同标签，将映射模型按复杂度由高到低排序为：盲点映射模型、边缘点映射模型和普通点映射模型。

步骤四，针对每个待测点，将其接收到的N个接收功率进行归一化后，分别输入训练好的高度分类模型、标签分类模型和映射模型，得到该待测点的高度数据、标签分类以及对应映射后的视距链路接收功率；

步骤五，根据各待测点的高度数据及映射的视距链路接收功率，计算出各待测点到不同光源的距离。

针对当前待测点，该待测点到第i个LED光源的距离计算为：

其中，D_i表示待测点到第i个LED的距离，m表示朗伯散射系数，A表示光电探测器PD的面积，T_s(ψ)为光滤波器增益，g(ψ)是聚光器增益，P_ti表示第i个LED的发射功率，P_ri表示接收机接收的来自第i个LED的接收功率，h_i表示待测点与第i个LED之间的高度差。

步骤六，根据当前待测点到N个光源的距离，利用三边测量法计算出该待测点的坐标。

本发明的有益效果为：

1.本发明通过解构接收器接收到的总接收功率数据，可以直接获取接收器所在高度，不需要额外的硬件设施，将传统可见光定位系统从二维扩展至三维，简单易行；

2.本发明通过将室内区域划分为不同点类型，进而采取不同的数据处理方式，能够有效抑制多径效应对定位性能的影响，减小了定位盲区；

3.本发明通过解构接收器接收到的总接收功率数据，判断是否存在LED位于接收器视场角外，从而采取不同的数据处理方式，提高该区域的定位精度。

附图说明

图1为本发明一种基于人工智能算法的点分类室内可见光定位方法流程图；

图2为本发明所采用的可见光定位房间场景图；

图3为本发明所采用的接收功率映射模型训练流程图；

图4为本发明实施例的点分类室内可见光定位方法的系统框图。

具体实施方式

下面结合附图，对本发明的实施方式做详细、清楚的描述。

本发明公开了一种基于人工智能算法的点分类室内可见光定位方法，适用于房间内不同区域受多径效应影响后，不同的室内可见光模型中的定位。具体为将定位区域均匀分为N_H个高度平面，每个平面取均匀分布的M个格点，共N_H×M组接收功率数据，送入人工智能算法中分别用于训练高度分类模型、标签分类模型及接收功率映射模型，将待测点的接收功率数据输入训练好的三个模型中，得到相应的高度值及视距链路接收功率，计算出各待测点到不同光源的距离，最后利用三边定位法计算各自的定位坐标。本发明提出的高度分类将定位区域扩展为3维，一定程度上弥补了传统可见光定位方式的缺陷；

所述点分类室内可见光定位方法，如图1所示，具体步骤如下：

步骤一，室内安装N个LED光源和若干作为待测点的接收机，每个接收机将LED发出的光信号转换为电信号，解码处理后得到各LED的坐标位置及各自的接收功率；

如图2所示，室内空间的长宽高尺寸为L×W×H；N不小于3，LED光源呈均匀布置，且各LED光源之间间隔一定的距离；每个接收机均包括一个光电探测器PD和接收端处理器。

步骤二，将室内空间的高度进行层次划分，设置每层的高度标签值，并在每层上分别设置M个格点；

具体为：首先，将室内空间的高度范围H∈[H_d,H_u]，按照距离d_H的间隔均匀划分为N_H份，即形成高度平面集合/>其中H_n＝H_d+n×d_H；对应的高度标签集合为{1,2,...,N_H}。

然后，在每一高度平面的定位区域内，分别设置均匀分布的格点，格点的间距设为d，共生成M个格点：

其中，定位格点间距d由所需定位模式决定，定位模式包括粗定位与精定位，粗定位间距大于精定位间距；定位区域内共有N_H×M个格点。

步骤三，每个格点均能接收到N个LED功率，输入高度分类模型中，输出该格点的高度标签，通过与设置的高度标签值进行对比，优化高度分类模型的参数；

高度分类模型可由基于粒子群的支持向量机、线性回归算法、人工神经网络等智能算法生成；训练数据为所有格点的总接收功率共N_H×M组，输出数据为各格点所对应的高度标签值；

其中，总接收功率P_r分为视距链路和非视距链路两部分接收功率之和：

P_t为LED发送的总功率，H_LOS(0；S；R)是视距链路信道增益，H_NLOS(0；S；R)是非视距链路信道增益，S表示光源，R表示光电探测器PD。

步骤四，根据室内各格点坐标，为各格点分别预设标签数据。

当前格点的坐标为(x,y,z)，接收机与N个LED光源的夹角分别为(ω₁,ω₂,...,ω_n,...,ω_N)，则：

(1).当该格点的位置靠近墙壁四周时，即：

x∈[0,d_wall]或x∈[L-d_wall,L]，或y∈[0,d_wall]或y∈[W-d_wall,W]；

当格点的位置位于房间四个角落时，即：

x∈[0,d_corner]∩y∈[0,d_corner]，或x∈[0,d_corner]∩y∈[W-d_corner,W]，

或x∈[L-d_corner,L]∩y∈[0,d_corner]，或x∈[L-d_corner,L]∩y∈[W-d_corner,W]，

其中，d_wall是墙壁边缘间隔，d_corner是角落边缘间隔，d_wall和d_corner由房间区域及反射情况决定；

该格点为边缘点，将其标签设置为2；

(2).当n∈{1,2,...,N}时，该格点为盲点，将其标签设置为3；

FOV是接收机的视场角。

(3).若不满足以上准则，则该格点为普通点，将其标签设置为1。

其中，盲点判定的优先级最高，即当前格点同时满足准则(1)和准则(2)，则判定当前格点为盲点，标签设置为3。

步骤五，将每个格点接收到的N个LED功率，输入标签分类模型中，输出该格点的标签分类，通过与预设的标签值进行对比，优化标签分类模型的参数；

标签分类模型可由基于遗传算法的支持向量机分类算法、人工神经网络等智能算法生成；

标签分类模型的训练数据为所有格点的总接收功率共N_H×M组，输出数据为各格点所对应的标签分类值；

步骤六，根据将每个格点接收到的N个LED功率，输入对应的映射模型中，输出该格点的视距链路接收功率；通过与提前设定的视距链路接收功率进行对比，优化映射模型的参数；

映射模型可由人工神经网络、极限学习机等智能算法生成；

如图3所示，映射模型的训练数据为所有格点的总接收功率共N_H×M组，输出数据为各格点所对应的视距链路接收功率；所以接收功率映射数据集根据格点的不同标签，分为：普通点接收功率映射数据集、边缘点接收功率映射数据集和盲点接收功率映射数据集；分别送入三个不同参数设置的智能算法中，生成三个按复杂度由高到低的：盲点映射模型、边缘点映射模型和普通点映射模型。

步骤七，针对每个待测点，将其接收到的N个接收功率进行归一化后，分别输入训练好的高度分类模型、标签分类模型和映射模型，得到该待测点的高度数据、标签分类以及对应映射后的视距链路接收功率；

步骤八，根据各待测点的高度数据及映射的视距链路接收功率，计算出各待测点到不同光源的距离。

针对当前待测点，该待测点到第i个LED光源的距离计算为：

其中，D_i表示待测点到第i个LED的距离，m表示朗伯散射系数，A表示光电探测器PD的面积，T_s(ψ)为光滤波器增益，g(ψ)是聚光器增益，P_ti表示第i个LED的发射功率，P_ri表示接收机接收的来自第i个LED的接收功率，h_i表示待测点与第i个LED之间的高度差。

步骤九，根据当前待测点到N个光源的距离，利用三边测量法计算出该待测点的坐标。

实施例：

本实施例采用的房间模型长*宽*高的尺寸为5m*5m*3m，发射端采用4个LED光源，且各光源之间间隔一定的距离，4个LED的坐标分别为(1，1，3)，(1，4，3)，(4，1，3)和(4，4，3)。接收机可位于定位区域内任意一点，其坐标为(x,y,z)，其中x∈[0,5]，y∈[0,5]，z∈[0.5,1.5]。

在0.5m-1.5m的高度范围内按照1cm的间隔均匀划分，共生成101个高度平面，高度标签值一次为(1，2，…，101)。在每一高度平面的定位区域内设置均匀分布的格点，定位格点的间距为0.2m，共生成25*25＝625个格点。

若接收机位于四个1m*1m的角落或靠近四面墙壁0.5m内，则判定该位置为边缘点，标签设置为2；光电探测器PD的视场角FOV为70°；

若存在任一LED位于接收机视场角外，则判定该位置为盲点，标签设置为3；

若不满足以上条件，则判定该位置为普通点，标签设置为1。

每个格点对应的一组数据包括：该位置接收到的来自4个LED的总接收功率数据、来自4个LED的视距链路接收功率数据、该位置对应的高度标签值、点类型标签值及该位置的三维坐标，共13维数据，即用于人工智能算法模型训练的原始数据集大小为101*625*13。

本实施例定位所采用的系统框图，如图4所示：

系统主要包含两个模块：201发射端模块及202接收端模块。

其中，201发射端模块主要包括203编码器、204调制器、205驱动电路及206LED光源；202接收端模块主要包括207光电探测器、208解调器、209解码器及210处理器。

在201发射端数据输入后，首先通过203编码器产生满足编码规则的编码信号，然后经过204调制器进行信号处理，204调制器可选的调制方式包含OOK、PPM等，再送入205驱动电路，驱动206LED光源发射可见光信号。可见光信号通过可见光通信信道传输，到达接收端。在202接收端中，首先由207光电探测器PD将接收到的光信号转换为电信号，207光电探测器PD可以是光电二极管或光电雪崩二极管，再经由208解调器进行解调操作，然后送入209解码器对电信号进行解码处理，得到LED光源的坐标位置及接收到的总接收功率，再将所需信息传入包含有分类模型和映射模型或智能定位算法的210处理器中，进行定位坐标解算，210处理器可以是CPU、单片机、服务器、电脑端、手机移动端等，最后输出坐标数据。

具体到本实施例中，一种可选实现方式为：调制器采用OOK调制方式，光电探测器采用光电二极管，接收端处理器为电脑。

基于上述，本实施例的室内可见光定位方法，一种具体实施步骤包括：

步骤3101，获取多个待测点接收多个LED光源的总接收功率数据。

步骤3102，将获取到的总接收功率数据放入点高度分类模型，得到待测点高度数据。

步骤3103，将获取到的总接收功率数据放入点标签分类模型，得到待测点标签数据。

步骤3104，根据获取的待测点标签，将待测点总接收功率数据放入相应的总接收功率数据到视距链路接收功率的映射模型，得到待测点的视距链路接收功率；

其中，当所述获得的待测点标签值为1时，放入普通点映射模型；当所述获得的待测点标签值为2时，放入边缘点映射模型；当所述获得的待测点标签值为3时，放入盲点映射模型。

步骤3105，根据步骤3102和步骤3104获得的待测点高度数据及待测点视距链路接收功率，计算出待测点到不同光源的距离；

步骤3106，根据待测点到光源的距离，计算出待测点坐标；

所述点高度分类模型，具体可选实现方式为：

由基于粒子群滤波的支持向量机回归算法训练得到，简称PSO-SVM回归算法，训练所用的输入数据为101*625组数据中的分别来自4个LED的总接收功率，训练所用的输出数据为101*625组数据中的高度标签值。设置随机数种子为2000，生成随机序列，取前80％对应的数据为训练集，后20％为测试集。使用PSO粒子群滤波算法进行SVM回归参数寻优，每代生成10个个体，最大代数为20，参数c值范围为0.1～100，参数g值范围为0.01～1000。

另一种实现方式为：

可选由神经网络NN训练得到，训练所需数据与上述相同，网络设置的隐含层层数为6层，每层的神经元个数分别为[8 64 32 20 10 2],每一层所采用的激活函数分别为{'purelin','logsig','logsig','logsig','logsig','purelin'}。

所述点标签分类模型，可选实现方式为：

由PSO-SVM分类算法训练得到，训练所用的输入数据为101*625组数据中的分别来自4个LED的总接收功率，训练所用的输出数据为101*625组数据中的点类型标签值。设置随机数种子为2000，生成随机序列，取前80％对应的数据为训练集，后20％为测试集。使用PSO粒子群算法进行SVM分类参数寻优，每代生成10个个体，最大代数为16，参数c值范围为0.1～100，参数g值范围为0.01～1000。

所述接收功率映射模型，可选实现方式为：

由神经网络NN训练得到，训练所用的输入数据为101*625组数据中的分别来自4个LED的总接收功率，训练所用的输出数据为101*625组数据中的分别来自4个LED的视距链路接收功率。设置随机数种子为2000，生成随机序列，取前80％对应的数据为训练集，后20％为测试集。普通点网络参数设置为隐含层神经元个数为64,迭代代数为1000，边缘点网络参数设置为隐含层神经元个数为64，迭代代数为2000，盲点网络参数设置为隐含层神经元个数为128，迭代代数为5000。

Claims (6)

1.一种基于人工智能算法的点分类室内可见光定位方法，其特征在于，具体步骤如下：

首先，室内安装N个LED光源和若干作为待测点的接收机，每个接收机将LED发出的光信号转换为电信号，解码处理后得到各LED的坐标位置及各自的接收功率；

然后，将室内空间的高度进行N_H层次的划分，并在每层上分别设置M个格点，为各格点分别预设高度标签和标签分类；每个格点均能接收到N个LED功率，所有格点的总接收功率共N_H×M组；

总接收功率P_r分为视距链路和非视距链路两部分接收功率之和：

P_t为LED发送的总功率，H_LOS(0；S；R)是视距链路信道增益，H_NLOS(0；S；R)是非视距链路信道增益，S表示光源，R表示光电探测器PD；

通过将N_H×M组总接收功率进行归一化后，分别训练高度分类模型、标签分类模型和映射模型；

接着，针对每个待测点，将其接收到的N个接收功率进行归一化后，分别输入训练好的高度分类模型、标签分类模型和映射模型，得到该待测点的高度数据、标签分类以及对应映射后的视距链路接收功率；

进一步，根据各待测点的高度数据及映射的视距链路接收功率，计算出各待测点到不同光源的距离；

针对当前待测点，该待测点到第i个LED光源的距离计算为：

其中，D_i表示待测点到第i个LED的距离，m表示朗伯散射系数，A表示光电探测器PD的面积，T_s(ψ)为光滤波器增益，g(ψ)是聚光器增益，P_ti表示第i个LED的发射功率，P_ri表示接收机接收的来自第i个LED的接收功率，h_i表示待测点与第i个LED之间的高度差；

最后，根据当前待测点到N个光源的距离，利用三边测量法计算出该待测点的坐标。

2.如权利要求1所述的一种基于人工智能算法的点分类室内可见光定位方法，其特征在于，所述室内空间的长宽高尺寸为L×W×H；N不小于3，LED光源呈均匀布置，且各LED光源之间间隔一定的距离；每个接收机均包括一个光电探测器PD和接收端处理器。

3.如权利要求1所述的一种基于人工智能算法的点分类室内可见光定位方法，其特征在于，所述预设高度标签具体为：

首先，将室内空间的高度范围H∈[H_d,H_u]，按照距离d_H的间隔均匀划分为N_H份，形成高度平面集合得到对应的高度标签集为{1,2,...,N_H}；H_d,H_u分别表示接收机在室内空间的高度范围的最小值和最大值；d_H为将室内空间高度H均匀划分为N_H份每份的距离间隔；

然后，在每一高度平面的定位区域内，分别设置均匀分布的格点，格点的间距设为d，共生成M个格点：

其中，L为室内空间的长度，W为室内空间的宽度，定位格点间距d由所需定位模式决定，定位模式包括粗定位与精定位，粗定位间距大于精定位间距。

4.如权利要求1所述的一种基于人工智能算法的点分类室内可见光定位方法，其特征在于，所述为各格点分别预设标签数据，具体为：

当前格点的坐标为(x,y,z)，接收机与N个LED光源的夹角分别为(ω₁,ω₂,...,ω_n,...,ω_N)，则：

(1).当该格点的位置靠近墙壁四周时或四个角落时，该格点为边缘点，将其标签设置为2；

格点的位置位于四周，即：

x∈[0,d_wall]或x∈[L-d_wall,L]，或y∈[0,d_wall]或y∈[W-d_wall,W]；

当格点的位置位于四个角落时，即：

x∈[0,d_corner]∩y∈[0,d_corner]，或x∈[0,d_corner]∩y∈[W-d_corner,W]，

或x∈[L-d_corner,L]∩y∈[0,d_corner]，或x∈[L-d_corner,L]∩y∈[W-d_corner,W]，

其中，d_wall是墙壁边缘间隔，d_corner是角落边缘间隔；L为室内空间的长度，W为室内空间的宽度；

(2).当时，该格点为盲点，将其标签设置为3；

FOV是接收机的视场角；

(3).若不满足以上准则，则该格点为普通点，将其标签设置为1；

其中，盲点判定的优先级最高，即当前格点同时满足准则(1)和准则(2)，则判定当前格点为盲点，标签设置为3。

5.如权利要求1所述的一种基于人工智能算法的点分类室内可见光定位方法，其特性在于，所述高度分类模型由基于粒子群的支持向量机回归算法或人工神经网络生成；输入的训练数据为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的高度标签，通过与设置的高度标签值进行对比，优化高度分类模型的参数；

所述标签分类模型由基于遗传算法的支持向量机分类算法或人工神经网络生成；输入的训练数据为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的标签分类值；通过与预设的标签值进行对比，优化标签分类模型的参数；

所述映射模型由人工神经网络或极限学习机生成；输入的训练数据为所有格点的N_H×M组总接收功率，输出数据为各格点所对应的视距链路接收功率；通过与提前设定的视距链路接收功率进行对比，优化映射模型的参数。

6.如权利要求1所述的一种基于人工智能算法的点分类室内可见光定位方法，其特性在于，所述映射模型，根据待测点的不同标签，按复杂度由高到低排序为：盲点映射模型、边缘点映射模型和普通点映射模型。