CN116508333A - 基于信道测量的资源高效室内定位 - Google Patents

基于信道测量的资源高效室内定位 Download PDF

Info

Publication number
CN116508333A
CN116508333A CN202080107541.8A CN202080107541A CN116508333A CN 116508333 A CN116508333 A CN 116508333A CN 202080107541 A CN202080107541 A CN 202080107541A CN 116508333 A CN116508333 A CN 116508333A
Authority
CN
China
Prior art keywords
channel
measurements
neural network
binary
channel measurement
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.)
Pending
Application number
CN202080107541.8A
Other languages
English (en)
Inventor
乔治·阿尔瓦尼塔基斯
尼古拉斯·利亚科普洛斯
迪米屈斯·提斯里曼妥思
简-克洛德·贝尔菲奥里
李彦淳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN116508333A publication Critical patent/CN116508333A/zh
Pending legal-status Critical Current

Links

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
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0205—Details
    • G01S5/0236—Assistance data, e.g. base station almanac
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • 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
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/02—Indoor
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明描述了一种用于根据一个或多个通信信道的多个测量来估计精细位置的装置(800，900)和方法(700)。所述装置包括一个或多个处理器(801，901)，用于：压缩(701)每个信道测量；使用神经网络处理(702)经过压缩的信道测量以形成多个中间位置估计；处理(703)中间位置估计以形成精细位置。

Description

基于信道测量的资源高效室内定位
技术领域
本发明涉及室内定位。
背景技术
室内定位已成为快速增长的应用的关键要求。许多行业，包括商业、库存跟踪和军事等领域最近对这项技术表现出了极大的兴趣。
室内定位系统可用于确定室内场景中人或物体的位置，在室内场景中，诸如GPS等卫星技术不可用或由于建筑材料造成的信号传播损耗增加而达不到所需的精度。典型的用例包括建筑物内部、机场、仓库、停车场、地下位置、矿山和物联网(Internet-of-Things，IoT)智能环境。
基于现有设备，如数码相机、惯性测量单元(inertial measurement unit，IMU)、Wi-Fi或蓝牙天线以及红外、超声或磁场传感器，出现了各种相关技术。在这些替代方案中，基于无线技术的室内定位引起了人们的极大兴趣，主要原因是其具备重用广泛使用的现有无线基础设施(如Wi-Fi)的优势，因而可降低部署和维护成本。
目前有几种类型的无线信号测量可用于此目的，如接收信号强度(ReceivedSignal Strength，RSS)、信道状态信息(Channel State Information，CSI)、到达时间(Time of Arrival，ToA)、飞行时间(Time of Flight，ToF)、到达角(Angle of Arrival，AOA)和离开角(Angle of Departure，AOD)。虽然可以使用传统的方法，如三角测量或三边测量，尝试通过使用几何特性和工具来估计位置，但目前常用的方案利用基于信道测量(如RSS)的指纹识别，或对硬件要求较低的更细粒度CSI。随着近期深度神经网络(Deep NeuralNetwork，DNN)的兴起和成功，这种方法变得更加有吸引力，因为DNN可以极大地提高指纹识别的性能。
对于使用指纹识别技术的室内定位方案，首先会收集和存储来自已知位置的信道测量。然后，处理这些测量以便识别和提取可用于生成指纹数据库的特征，其中每个指纹唯一标识原始已知位置。如果使用DNN，则在训练阶段，DNN就可以被训练成仅保留与位置相关的输入信号的信息。使用指纹的主要好处是消除了海量数据的比较和传输。在在线预测阶段，每次从未知位置接收到新信号时，数据库都用于查找最佳匹配指纹及其关联位置。如果使用了DNN，此操作就会在推理阶段执行，在此阶段，会通过经过训练的DNN的前馈传递来估计所接收信号的位置。
除了降低基础设施成本外，基于信道测量的室内定位还可以提供高精度，通过应用后处理技术还可以进一步提高精度。
然而，由于需要存储和处理大量测量数据，这种方法也具有高功率、计算和内存要求。同时，随着DNN模型变得更加高效和稳健，它们也变得高度复杂，这大幅增加了能耗，且需要大量计算和内存资源来有效训练和用于推理。因此，尽管室内定位被广泛认为是一个高价值问题，但最近的研究并没有实现一个广泛接受的方案，即以必要的成本实现所需的精度。
先前的方法已经表明，使用DNN进行指纹识别可以为室内定位提供高精度。同时，DNN可以与Wi-Fi中的CSI或RSS信道测量一并应用。然而，这种旧方法形成的方案并不能实现资源高效。基于DNN的定位通常需要进行昂贵的测量活动，而且存储和处理的成本不仅随着样本测量的频率增长，还会随着位置区域大小而增长。因此，缺乏用于处理信道测量和训练DNN的低功率系统和方法以及设备，这是现有技术的主要限制。
因此，希望开发一种克服这些问题的室内定位装置和方法。
发明内容
根据一方面，提供了一种用于根据一个或多个通信信道的多个测量来估计精细位置的装置，所述装置包括一个或多个处理器，用于：压缩每个信道测量；使用神经网络处理经过压缩的信道测量以形成多个中间位置估计；处理中间位置估计以形成精细位置。
所述装置可以实现一种资源高效的方法，从而大幅减少在设备上存储数据所需的内存，并可以在低功耗或资源受限的设备中执行训练和推理步骤。
每个信道测量都可以压缩为二进制形式。神经网络可以是用于根据由一组权重定义的神经网络模型操作的二值神经网络。所有权重都可以是二进制数字。信道测量可以有利地压缩成最小大小的二进制表示，包含用于执行有效训练和推理的足够信息。所述一个或多个处理器可用于使用按位运算实现神经网络模型。优选地，仅使用按位运算。这可以提高计算效率。
所述一个或多个处理器可用于：使用神经网络处理信道测量的二进制形式，以形成每个中间位置估计的相应置信度度量；根据置信度度量估计精细位置。这可以进一步提高位置估计的质量。
每个信道测量可以指示一个或多个射频信道和一根或多根天线上的信道状态信息(channel state information，CSI)的估计。由于计算、内存和功率要求的大幅降低，因此这可以在没有专用硬件的情况下实现室内定位，并可以在设备上实现接收器和定位过程。
所述一个或多个处理器可用于对每个信道测量进行数字预处理。预处理可以包括数字信号处理方法，如相位净化和幅度归一化。预处理步骤可以考虑定位问题的特定性质。这可以实现更准确和稳健的位置确定。
所述一个或多个处理器可用于在每个信道测量被压缩后删除每个信道测量。这可以降低内存和计算要求。
每个信道测量(CSI测量)可以由包括实部和虚部的复值表示。所述一个或多个处理器可用于通过选择包括复值的幅度和实数部分的精细表示来处理每个信道测量。对于基于CSI的定位，可以考虑从同一位置进行的CSI测量之间的延迟和初始相位的不确定性的影响，并可以通过丢弃这些伪影来消除测量的噪声。
所述一个或多个处理器可用于将每个信道测量的信道状态信息估计的精细表示压缩为压缩表示。这可以降低内存和计算要求。
精细位置可以是对装置的位置的估计。这使得能够在设备上确定装置的位置。
神经网络可用于作为多类分类器操作。类估计可以对应于离散空间上的位置。这种方法表现出强的泛化性和稳健性，并且复杂性也低。
根据另一方面，提供了一种移动设备，包括一个或多个处理器，用于：接收射频信道的一组信道测量；将每个信道测量压缩为压缩形式；将信道测量的压缩形式传输到服务器；从服务器接收一组神经网络权重；使用接收到的权重实现神经网络以估计移动设备的位置。这使得一个或多个移动设备可以快速地提供压缩(和可选的预处理)测量，并且在向执行训练的服务器提供时可以减少通信开销，而二进制训练的模型也可以轻松地传播到设备。
移动设备可以包括无线电接收器。信道测量可以由无线电接收器实现。这使得可以在移动设备处确定精细位置。
根据另一方面，提供了一种用于根据一个或多个通信信道的多个测量来估计精细位置的计算机实现方法，所述方法包括：压缩每个信道测量；使用神经网络处理经过压缩的信道测量以形成多个中间位置估计；处理中间位置估计以形成精细位置。
根据另一方面，提供了一种计算机可读介质，所述介质定义用于使计算机执行用于根据一个或多个通信信道的多个测量来估计精细位置的方法的指令，所述方法包括：压缩每个信道测量；使用神经网络处理经过压缩的信道测量以形成多个中间位置估计；处理中间位置估计以形成精细位置。所述计算机可读介质可以是非瞬时性计算机可读介质。
所述方法可以实现一种资源高效的方法，从而大幅减少在设备上存储数据所需的内存，并可以在低功耗或资源受限的设备中执行训练和推理步骤。
附图说明
下面将结合附图以示例的方式描述本发明的实施例。
在附图中：
图1示出了本文描述的室内定位系统的模块。
图2示意性地示出了离线二进制压缩模块。
图3示意性地示出了在线二进制压缩模块。
图4示意性地示出了具有阈值的在线二进制压缩模块。
图5示意性地示出了具有来自二进制网络模块的反馈的位置估计器模块。
图6示意性地示出了利用集中训练协议的实施例。
图7示意性地示出了一种用于根据一个或多个通信信道的多个测量来估计精细位置的方法。
图8示意性地示出了用于执行本文描述的方法的装置。
图9示意性地示出了用于与服务器通信的移动设备。
图10示出了本文描述的系统的神经网络和DNN实现方式的内存要求的比较。
图11示出了本文描述的系统和DNN实现方式的精度的比较。
具体实施方式
本文描述了一种基于通信信道测量的资源高效室内定位的装置和方法。本发明的实施例利用了使用更轻量的算术表示的好处，同时推理精度高。所描述的架构可以促进训练，可以在二进制域上使用有效的训练算法，能耗低、资源消耗少。在一些实现方式中，所描述的方法可以大幅减少在设备上存储数据所需的内存，并可以在低功耗或资源受限的设备中执行训练和推理步骤。
在本文描述的方法中，室内定位基于通信信道测量，例如，由移动设备的无线电接收器形成的射频测量。信道测量可以指示一个或多个射频信道和一根或多根天线上的信道状态信息(channel state information，CSI)的估计。CSI是指通信链路的已知信道属性。此信息描述了信号如何从发射器传播到接收器，并可以表示散射、功率衰减和衰落等随距离的综合影响。
在优选的实现方式中，主块利用二进制压缩来馈送二进制神经网络，然后结合二进制分类和多样本后处理的结果，以实现高精度和强泛化。
如图1的示例中示意性所示，主块包括三个模块：二进制压缩模块101、二进制网络模块102和位置估计器103。下面将对这些模块进行更详细的描述。
二进制压缩模块101的目的有两个。首先，它用于预处理信道测量(如有需要)，其次，它用于将信道测量压缩成最小大小的二进制表示。最小大小二进制表示包含足够的信息，使得二进制网络模块102能够执行有效的训练和推理。
预处理步骤可以包括数字信号处理(Digital Signal Processing，DSP)方法，例如相位净化和幅度归一化。预处理步骤可以考虑定位问题的特定性质。更准确地说，对于基于CSI的定位，它可以考虑从同一位置进行的CSI测量之间延迟和初始相位的不确定性的影响，并可以通过丢弃这些伪影来消除测量的噪声，从而实现更准确和稳健的指纹识别。
为了实现这种行为，可以为CSI的高精度复值选择合适的表示，稍后用于提取关键特征。复数写成其中/>分别是实部和虚部，/>是振幅或绝对值，/>是相位，i代表虚部。这个复数的相位通常不是一个好的选择，因为当振幅较小时，它对噪声敏感。另一方面，振幅r是一个更好的选择，因为它对延迟和初始相位的不确定性是不变的。另外，选择实部和虚部之间的差异很小。在本发明的一个实施例中，在预处理阶段期间，选择幅度r和实部a作为复CSI值z的表示。
压缩步骤接收n高精度特征的输入向量，并输出n′二进制特征的向量。根据定位设备的内存和计算能力，该步骤可以包括二进制聚集聚类、二进制主成分分析(PrimaryComponent Analysis，PCA)、随机投影、阈值、受限波尔兹曼机和自动编码器等方法。
图2示出了二进制压缩模块101的离线实现方式。在训练模式下，输入是训练数据集X。在201训练预处理模型，在202训练压缩模型。在推理模式下，输入是复向量xi。在203预处理信道测量。在204压缩预处理的信道测量。输出是二进制特征向量bi。
在这种方法中，完整的高精度数据集X最初被存储、预处理和压缩，以使得能够训练模块参数。然后，在推理过程中，使用这个经过训练的模型为每个输入复向量提供二进制特征向量。在一个实施例中，输入通常是单个测量的k复数的向量，其中k是描述一次测量所需的不同系统维度(例如频率和天线)的CSI值的数量，其实际值取决于系统配置。
在二进制压缩模块101的可选实现方式中，如图3所示，预处理和压缩以在线方式执行，用于训练和推理。输入是复向量xi。在301更新预处理模型，在302预处理信道测量。在303更新压缩模型，在304压缩信道测量。输出是二进制特征向量bi。
这种方法具有一个显著的优势，即不需要存储高精度原始CSI测量的完整数据集X，而数据则以顺序可用。处理每个新的测量并用于更新二进制压缩模块101的可训练参数。
二进制网络模块102的目的是基于二进制压缩模块101提供的二进制特征训练神经网络，并使用经过训练的模型执行推理，以便确定设备在位置估计器103的位置。使用这种方法，训练和推理阶段都可以在设备上执行，即使是在能量受限的设备上也是如此，这有别于在云中(通常会放松资源限制)执行训练的常见方法。
为了具备这样的独立训练功能，首先可以使用二进制神经网络(Binary NeuralNetwork，BNN)，与DNN中常用的32位或64位浮点精度相比，它利用学习参数(神经元权重)、输入、输出和激活函数的1位极值算术表示。位表示越低，实现的压缩就越高。当需要为输入向量和神经元权重存储和处理数百万个数字时，这可能会产生重大影响。
由于二进制权重的性质，训练BNN具有挑战性，因为用于训练连续DNN的标准反向传播算法不能再直接应用，原因在于它是基于计算梯度的。实践证明，一旦代表数字的位数较小，梯度就会变得不稳定，更不用说是一个单一的二进制值了。因此，选择引入的BNN的设计和训练方法，以实现高精度和良好的泛化特性。在本发明的一个实施例中，采用二进制投影编码块的架构，其中编码理论和优化相结合，以实现二进制域的学习和推理。这提供了一个灵活的设计，其中参数，如神经元的数量，层和委员会成员，可以根据设备的内存和功率能力微调。
室内定位问题被表述为分类问题，一种监督学习，再加上使用BNN的事实，表现出强的泛化性和稳健性，并且复杂性也低。为此目的，目标位置区域被划分为可能重叠或不重叠的较小部分，并为每个部分分配一个类标识符。然后，二进制网络的输出层预测CSI测量所属的类。输出层的大小，即输出层中神经元的数量，由不同类的数量决定。在本发明的一个实施例中，区域被划分为网格，因此输出层的大小由网格粒度确定。
位置估计器模块103用于根据处理二进制网络模块102在推理期间生成的多个位置估计来估计设备的准确位置。
来自位置估计器模块103的准确位置估计优选基于对由二进制网络模块102的推理阶段生成的后续位置估计的统计分析。位置估计器模块103从来自二进制网络模块102的位置估计流中选择子集，即，它对二进制网络模块102的输出进行子采样。然后，它可以应用单一或多种统计分析方法，如聚类、平均和丢弃离群值，以加强最终的位置估计。
位置估计器模块103还可以从二进制网络模块102接收反馈信号，所述反馈信号可以帮助确定每个输出样本的质量，从而确定每个输出样本的重要性。该反馈可由位置估计器模块103用于在每个CSI测量中分配适当的权重，使得最终加权决策偏向于二进制网络模块102更有信心的样本。
下面将更详细地描述每个模块的进一步示例性实现方式。
在二进制压缩模块101的一个实施例中，复CSI值的信道测量可以表示为高精度特征长度2k的输入向量，其中因子2考虑复CSI值的实部和虚部，并且k是描述单个测量的不同子载波(频率)和天线的乘积。例如，在一个设置中，可能存在具有30子载波的1×4SIMO信道，所述子载波使得每个输入向量具有4×30×2＝240高精度特征。
在一个示例中，采用二进制压缩模块101的在线实现方式，在预处理步骤中进行CSI相位净化和CSI幅度归一化。图4示出了这种在线实现方式，其中预处理和压缩是以在线方式执行的。输入是复向量xi。在401预处理每个测量。在402，剪切实数(ai)，找到绝对数(ri)。压缩步骤是通过每个特征的阈值来执行的，基于在每个特征的移动(或运行)平均值的帮助下找到的数据集X中每个特征的平均值，如403所示。阈值函数的结果是输出长度相似的二进制特征向量，即240二进制特征。因此，处理每个测量并用于更新二进制压缩模块101的可训练参数，在本实现方式中，二进制压缩模块101是保持输入CSI的每个特征的移动平均值的向量t，然后用作阈值，如404所示，以输出二进制特征向量bi。
二进制网络模块102的一个示例性实现方式在图5中示意性地示出。BNN分类器用于将位置区域划分为网格，其中二进制网络将神经元组织成多个m组，如501所示。每个组可以实现不同的激活函数，或者可以与输入向量具有不同的连接性。多数模块502汇总各组的决定，并输出多数的决定和多数强度，以表明该决定的置信度。然后，解码器模块503充当加权最大似然解码器，以便向位置估计器模块103提供位置估计，以及关于该输出的置信度的信息，所述信息可以由来自解码器的估计误差的数量表示。
二进制网络的训练基于迭代算法，所述算法通过考虑当前标签估计和实际真实标签来更新权重。
位置估计器模块103基于采样频率选择由具有足够时间间隔(大于相干时间，即信道可以被认为不变化的持续时间)的顺序测量产生的位置估计。执行此子采样是为了避免相同的CSI值，这些CSI值会对性能产生负面影响，因为与统计分析来自略微不同测量的可能不同输出相比，单个重复输出估计的权重加重(因为CSI值相同)。每个位置估计都可以看作是对网格每个单元中心的投票。位置估计器模块103可以指定具有最大投票密度的网格的区域。它可能会丢弃不属于此区域的所有测量。
为了进一步提高估计的质量，位置估计器模块103可以使用所选选票上的加权平均值来计算最终平面坐标。每个投票的权重可以基于来自二进制网络的反馈。在一个实施例中，可以使用解码误差(多数输出向量到最近码字的汉明距离)，其是用于特定估计的BNN置信度的度量。通过遵循此过程，估计的最终坐标就是平面上的实坐标。因此，与只是提供估计类的标识符，即网格的估计单元相比，此方案具有更高的精度和稳健性。
在图6中示意性地示出的可选实施例中，轻量级和低开销的二进制压缩可以使多个客户端601能够在不同位置收集CSI测量，然后将所有测量快速传输到集中单元(Centralized Unit，CU)602。每个客户端可以由单独的设备实现。然后，BNN模型的训练可以在CU 602进行，并且可训练的参数可以以低开销传播到客户端/设备601。参考图6，集中训练协议的步骤将在下文中更详细地描述：
步骤1：设备通过其二进制压缩模块预处理复CSI向量并将复CSI向量压缩为二进制向量，然后传输到CU。
步骤2a：CU收集压缩的二进制CSI。
步骤2b：CU训练其二进制网络模块的二进制神经网络。
步骤3：CU将BNN的可训练参数(神经元权重)传输到设备。
步骤4：所述设备更新其二进制网络模型，之后它们就可以使用CSI测量来执行推理并自行提供位置估计。
多个客户端可以是移动设备，CU可以是服务器。移动设备的一个或多个处理器可以用于压缩每个信道测量。每个移动设备都可以用于将这些压缩测量传输到服务器。服务器的一个或多个处理器可以用于处理信道测量的压缩形式，以训练神经网络以形成多个中间位置估计，从而形成一组神经网络权重。服务器可以用于将神经网络权重传输到移动设备中的至少一个。
因此，轻量级二进制压缩使多个设备能够快速提供测量，并且在向执行训练的CU提供时可以减少通信开销，而二进制训练的模型也可以轻松地传播到设备。
图7中总结的是用于根据一个或多个通信信道的多个测量来估计精细位置的计算机实现的方法700的示例。在步骤701，所述方法包括压缩每个信道测量。在步骤702，所述方法包括使用神经网络处理经过压缩的信道测量，以形成多个中间位置估计。在步骤703，所述方法包括处理中间位置估计以形成精细位置。
在一个优选的示例中，精细位置是对装置的位置的估计。然而，位置不一定是包括正在执行计算的处理器的设备的位置。
图8是用于执行本文所述方法的装置800的示意图。装置800可以实现在笔记本电脑、平板电脑、智能手机、电视、机器人、自动驾驶汽车、物联网、用于室内定位的低资源设备等设备上，以及在追求节能的设备上。
装置800包括处理器801，用于以本文所述的方式形成精细位置。例如，处理器801可以实现为运行在中央处理单元(Central Processing Unit，CPU)等可编程设备上的计算机程序。装置800还包括存储器802，用于与处理器801通信。存储器802可以是非易失性存储器。处理器801还可以包括高速缓存(图8中未示出)，用于临时存储来自存储器802的数据。所述装置可以包括多于一个处理器和多于一个存储器。所述存储器可以存储所述处理器可执行的数据。所述处理器可以用于根据以非瞬时形式存储在机器可读存储介质中的计算机程序进行操作。所述计算机程序可以存储使得所述处理器以本文所述的方式执行其方法的指令。所述装置还可以包括用于发送和/或接收信道测量的收发器。
如图9所示，在一个特定示例中，所述装置在移动设备900上实现，所述移动设备包括处理器901(或多个处理器)、存储器902和收发器903(可以作为无线电接收器操作)。处理器901还可用于实现设备的必要功能。所述移动设备可以包括包围无线电接收器和一个或多个处理器的外壳。无线接收器903用于接收射频信道的信道测量集。在本示例中，信道测量由无线电接收器903形成。处理器901可用于将每个信道测量压缩为压缩形式，并将所述信道测量的压缩形式传输到服务器904。收发器903能够通过网络与服务器904通信。所述网络可以是公共可访问的网络，如互联网。在本例中，服务器904为云服务器。但是，也可以根据具体情况使用其它类型的服务器。处理器901可以从服务器接收一组神经网络权重，并使用接收到的权重实现神经网络以估计移动设备900的位置。
因此，本文描述的装置和方法可以实现基于信道测量的精确和低复杂度的设备上定位。定位系统采用模块化架构。如上所述，二进制压缩模块执行预处理和压缩步骤，并准备用于BNN指纹识别的输入。在优选的实现方式中，二进制特征向量包括用于CSI指纹识别的不变特征。这有助于确保准确的位置预测，即使存在测量中的(位置无关)噪声和压缩中的信息量化损失也是如此。位置估计器模块将一组BNN输出(位置估计)以及来自BNN的反馈信号(这些信号是专门为CSI指纹识别设计的)作为输入。例如，这可以确定每个样本的质量。所述模块可以执行统计分析以提供最终的强改进位置估计。
网络设置和协议可用于无线(CSI)定位。可以合并具有(Wi-Fi、LTE等)接收设备和二进制定位设备的多个设备，而单个发射器可以为定位估计提供信号。
在一种情况下，网络可以设置为集中训练协议，其中轻量级二进制压缩使多个客户端能够快速提供测量，并且在向执行训练的集中单元提供时可以减少通信开销，而二进制训练的模型(BNN权重)也可以轻松地传播到客户端/设备。
对于先前实施例的性能评估，在Wi-Fi网络中进行实际实验。CSI测量是从具有30子载波的1×4单输入多输出(Single Input Multiple Output，SIMO)信道接收的。这些测量是在两个不同的活动中收集的，分别用于训练和测试数据，以解决一个更现实但具有挑战性的问题，即CSI会随着时间的推移而变化，即使测量是在完全相同的位置进行的也是如此。1.5m2的位置区域在10×10网格中划分。
图10显示了本文描述的低复杂度方案与具有DNN的标准方法之间的神经网络所需内存的比较。在这些示例中，选择了DNN模型的维度，以便最大限度地提高20厘米以下的预测误差百分比。对于内存增益，训练阶段是×200倍，推理阶段是×70倍。
除了使用BNN而不是DNN的增益外，本文描述的方法还可以从二进制压缩模块提供额外的显著增益，特别是当采用在线方法时。在使用这种在线方法的情况下，仅用于存储CSI测量的复杂数据集所需的内存减少了32倍。
图11显示了本文描述的方法与具有DNN的标准室内定位方法之间所实现的精度的比较。丢弃比指示算法丢弃且不进行位置估计的低置信度方案的百分比。本文描述的方法的性能在某些实现方式中与具有更多可用资源的DNN相媲美。在～70％的测量中，预测与真实位置的距离不超过20厘米。当训练和测试数据都使用相同的测量活动时，此值将进一步增加到～80％。
本文描述的定位方法利用具有灵活和模块化架构的方法，所述方法可以通过利用1位(二进制表示)的算术表示来存储和处理数据和可训练参数。这在计算和内存要求方面是非常有效的，并且当应用合适的训练算法时，可以提供高精度和良好的泛化特性。为了实现这一功能，使用了具有二进制可训练参数的神经网络，使得能够在设备上执行训练阶段和推理阶段。
因为只需要信道测量，所以本发明的实施例可以在没有专用硬件的情况下实现室内定位。由于计算、内存和功率要求的大幅降低，因此所述方法可以在设备上实现接收器和定位过程。
所述方法可以在设备上进行训练和推理，在不损害隐私的情况下估计位置。所有计算都可以在设备上的接收器执行，并且只会保留在设备上。这样就可以节省网络带宽，因为接收器就在设备上，使得所有定位处理都可以在设备上执行。因此，不需要再传输将占用大量带宽的海量CSI测量。
因为指纹识别方法中用于训练的CSI测量包括数百万个复数，而所述方法可以节省设备上的存储内存，所以解决了这个问题。更准确地说，通过使用在线预处理方法，仅存储CSI测量的复杂数据集所需的内存可以减少32或64，前提是对原始数字使用单精度或双精度浮点表示。
所述方法可以良好地平衡内存和功率要求，并提供良好的定位精度，支持在各种应用程序和设备中部署。它是一个二进制方案，具有非常高效的硬件实现方式和非常灵活的设计。所有组件模块都是可参数化的，可以根据设备的内存、功率和定位参数进行微调。所述方法具有很强的泛化性和稳健性，并且复杂度低。
申请人在此单独公开本文描述的每一个别特征及两个或更多个此类特征的任何组合。以本领域技术人员的普通知识，能够基于本说明书将此类特征或组合作为整体实现，而不考虑此类特征或特征的组合是否能解决本文所公开的任何问题；且不对权利要求书的范围造成限制。申请人指出，本发明的方面可以包括任何这样的单独特征或特征的组合。鉴于上述描述，本领域技术人员将明显地了解，在本发明的范围内可以进行各种修改。

Claims (15)

1.一种用于根据一个或多个通信信道的多个测量来估计精细位置的装置(800，900)，其特征在于，所述装置包括一个或多个处理器(801，901)，所述处理器用于：
压缩(701)每个信道测量；
使用神经网络处理(702)压缩信道测量以形成多个中间位置估计；
处理(703)中间位置估计以形成精细位置。
2.根据权利要求1所述的装置，其特征在于，每个信道测量被压缩为二进制形式，所述神经网络是用于根据由一组权重定义的神经网络模型操作的二进制神经网络，并且所有权重都是二进制数字。
3.根据权利要求2所述的装置，其特征在于，所述一个或多个处理器(801，901)用于使用按位运算实现所述神经网络模型。
4.根据上述权利要求中任一项所述的装置，其特征在于，所述一个或多个处理器(801，901)用于：
使用所述神经网络处理所述信道测量的二进制形式，以形成每个中间位置估计的相应置信度度量；
根据所述置信度度量估计精细位置。
5.根据上述权利要求中任一项所述的装置，其特征在于，每个信道测量指示一个或多个射频信道和一根或多根天线上的信道状态信息的估计。
6.根据上述权利要求中任一项所述的装置，其特征在于，所述一个或多个处理器(801，901)用于数字预处理每个信道测量。
7.根据上述权利要求中任一项所述的装置，其特征在于，所述一个或多个处理器(801，901)用于在每个信道测量被压缩后删除每个信道测量。
8.根据上述权利要求中任一项所述的装置，其特征在于，每个信道测量由包括实部和虚部的复值表示，并且所述一个或多个处理器用于通过选择包括所述复值和所述实部的幅度的精细表示来处理每个信道测量。
9.根据权利要求8所述的装置，其特征在于，所述一个或多个处理器(801，901)用于将每个信道测量的信道状态信息估计的精细表示压缩为压缩表示。
10.根据上述权利要求中任一项所述的装置，其特征在于，所述精细位置是所述装置(800，900)的位置的估计。
11.根据上述权利要求中任一项所述的装置，其特征在于，所述神经网络用于作为多类分类器操作，其中类估计对应于离散空间上的位置。
12.一种移动设备(900)，其特征在于，包括一个或多个处理器(901)，用于：
接收射频信道的一组信道测量；
将每个信道测量压缩为压缩形式；
将信道测量的压缩形式传输到服务器(904)；
从所述服务器(904)接收一组神经网络权重；
使用接收到的权重实现神经网络以估计移动设备(900)的位置。
13.根据权利要求12所述的移动设备(900)，其特征在于，还包括无线电接收器(903)，所述信道测量由所述无线电接收器(903)形成。
14.一种用于根据一个或多个通信信道的多个测量来估计精细位置的计算机实现方法(700)，其特征在于，所述方法包括：
压缩(701)每个信道测量；
使用神经网络处理(702)所述经过压缩的信道测量以形成多个中间位置估计；
处理(703)中间位置估计以形成精细位置。
15.一种计算机可读介质(802，902)，其特征在于，定义用于使计算机执行用于根据一个或多个通信信道的多个测量来估计精细位置的方法(700)的指令，所述方法包括：
压缩(701)每个信道测量；
使用神经网络处理(702)所述经过压缩的信道测量以形成多个中间位置估计；
处理(703)中间位置估计以形成精细位置。
CN202080107541.8A 2020-12-22 2020-12-22 基于信道测量的资源高效室内定位 Pending CN116508333A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2020/087721 WO2022135707A1 (en) 2020-12-22 2020-12-22 Resource-efficient indoor localization based on channel measurements

Publications (1)

Publication Number Publication Date
CN116508333A true CN116508333A (zh) 2023-07-28

Family

ID=74125227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080107541.8A Pending CN116508333A (zh) 2020-12-22 2020-12-22 基于信道测量的资源高效室内定位

Country Status (4)

Country Link
US (1) US20240007827A1 (zh)
EP (1) EP4204838A1 (zh)
CN (1) CN116508333A (zh)
WO (1) WO2022135707A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11533658B2 (en) * 2020-02-24 2022-12-20 Qualcomm Incorporated Compressed measurement feedback using an encoder neural network

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537896B2 (en) * 2019-03-15 2022-12-27 Intel Corporation Machine learning techniques for precise position determination
CN111464220B (zh) * 2020-03-10 2021-06-29 西安交通大学 一种基于深度学习的信道状态信息重建方法

Also Published As

Publication number Publication date
US20240007827A1 (en) 2024-01-04
EP4204838A1 (en) 2023-07-05
WO2022135707A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
Ibrahim et al. CNN based indoor localization using RSS time-series
Mills et al. Communication-efficient federated learning for wireless edge intelligence in IoT
Xiao et al. 3-D BLE indoor localization based on denoising autoencoder
Liu et al. Online clustering algorithms for radar emitter classification
Yang et al. EfficientFi: Toward large-scale lightweight WiFi sensing via CSI compression
CN106471851B (zh) 基于学习模型的设备定位
Wang et al. CHISEL: compression-aware high-accuracy embedded indoor localization with deep learning
CN108628904A (zh) 一种路径编码、相似路径检索方法及装置和电子设备
Seong et al. Selective unsupervised learning-based Wi-Fi fingerprint system using autoencoder and GAN
CN111428819A (zh) 一种基于堆叠自编码网络和svm的csi室内定位方法
Adege et al. Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm
US20240007827A1 (en) Method and apparatus for resource-efficient indoor localization based on channel measurements
Gan et al. A hybrid model based on constraint OSELM, adaptive weighted SRC and KNN for large-scale indoor localization
Shysheya et al. Fit: Parameter efficient few-shot transfer learning for personalized and federated image classification
BelMannoubi et al. Deep neural networks for indoor localization using WiFi fingerprints
Papageorgiou et al. Direction-of-arrival estimation in the low-snr regime via a denoising autoencoder
EP4266603A1 (en) Space division-based data processing method and communication device
Turgut et al. Performance analysis of machine learning and deep learning classification methods for indoor localization in Internet of things environment
Jeong et al. A tutorial on Federated Learning methodology for indoor localization with non-IID fingerprint databases
US20230229963A1 (en) Machine learning model training
CN106372649B (zh) 基于量化的集值卡尔曼滤波方法
CN115908547A (zh) 一种基于深度学习的无线定位方法
Tarekegn et al. Reduce fingerprint construction for positioning iot devices based on generative adversarial nets
CN115660116A (zh) 基于稀疏适配器的联邦学习方法及系统
Lv et al. Accessorial locating for internet of vehicles based on doa estimation in industrial transportation

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