CN116996993A - 一种基于无线信号信道状态信息的动态定位方法和系统 - Google Patents
一种基于无线信号信道状态信息的动态定位方法和系统 Download PDFInfo
- Publication number
- CN116996993A CN116996993A CN202310966015.2A CN202310966015A CN116996993A CN 116996993 A CN116996993 A CN 116996993A CN 202310966015 A CN202310966015 A CN 202310966015A CN 116996993 A CN116996993 A CN 116996993A
- Authority
- CN
- China
- Prior art keywords
- positioning
- sequence
- dynamic
- edp
- csi
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 34
- 239000012634 fragment Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002411 adverse Effects 0.000 claims description 6
- 239000000969 carrier Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于无线定位技术领域，公开了一种基于无线信号信道状态信息的动态定位方法和系统，有效解决了终端无法利用传统CSI指纹定位方法在运动模式下有效定位问题。本发明基于CSI复数数据，首先计算PDP，然后从PDP中提取EDP，从而获取更为稳定的指纹定位特征。本发明利用EDP实现序列定位，有效克服了上述影响，以及有利于实现基于现有无线通信单基站设备的动态室内定位。本发明主要适用于利用多载波信号(5G NR、4G LTE、WiFi等)进行室内定位应用场景。经实测验证，典型室内场景中的动态平均定位误差约为3.5米。总体而言，本发明所提出的定位技术解决方案有效实现了基于单基站CSI的室内定位。
Description
技术领域
本发明属于无线定位技术领域，尤其涉及一种基于无线信号信道状态信息的动态定位方法和系统。
背景技术
定位是导航和基于位置的服务、物联网、人工智能和未来超级智能的核心技术之一。它在公共安全服务(如应急管理和救援任务)、智能交通、商业营销和资产管理中发挥着重要作用。目前，全球导航卫星系统提供了有效的户外定位手段，已成为公众出行导航的必备工具。不幸的是，由于墙壁阻挡了卫星信号，室内定位变得更具挑战性。
对基于位置的应用程序日益增长的需求吸引了室内定位研究人员的注意力和兴趣。不完全统计表明，正在进行的研究采用了一系列技术，包括WiFi、蓝牙、超宽带、地磁、音频、视觉和惯性导航系统(INS)。尽管这些技术有其自身的优点，但支持室内外信号集成、即时启动和高可用性的移动智能终端的室内定位仍然面临挑战。第五代(5G)通信技术以其大带宽、低延迟和多天线的特点，加上5G网络的全面覆盖，有望通过关键的室内定位研究，提高复杂环境下空间认知的全面性、及时性和准确性。
室内定位根据终端状态大致可分为静态和动态两种模式。在静态定位模式下，一些学者利用WiFi信号中信道状态信息(CSI)的细粒度多载波特性引入指纹定位系统，以获得准确的室内定位性能。早期的研究，包括我们之前的研究，已经利用5G新无线电(NR)CSI进行静态室内定位，并验证了其在典型室内场景中的准确性和稳定性。与静态定位不同，动态定位是一个相对更复杂的连续过程。
在动态定位模式中，传统技术依赖于诸如速度、加速度和角速度之类的辅助传感器来确定终端在室内环境中的位置。诸如接收信号强度指示器(RSSI)、飞行时间(ToF)、到达时间和入射角之类的信息源也起着至关重要的作用。常用的方法包括行人航位推算(PDR)、卡尔曼滤波、粒子滤波、机器学习和几何交会等。然而，PDR往往会随着时间的推移积累误差，并且卡尔曼滤波或粒子滤波方法需要对定位的初始位置和运动状态进行准确的先验估计。依赖于机器学习的定位方法要求终端的运动模式具有相对稳定的特性。另一方面，基于多个基站的几何交会获得位置需要部署依赖于强视距(LOS)环境的附加设备。然而，在实际定位应用中，满足这些要求往往是具有挑战性的，从而导致较差的动态定位性能。
通过上述分析，现有技术存在的问题及缺陷为：
(1)由于环境噪声的影响，在商用信号测量中需要使用大型天线阵列和高带宽来实现精确的到达角和ToF估计，然而在室内场景中实现此项任务很困难。
(2)基于CSI的估计不可靠，主要是因为商用基站设备中的幅度噪声和随机相移是由于功率控制的不确定性和发送接收设备的异步导致的，这些干扰难以去除，因此推断出的运动信息往往不可靠。
(3)多普勒频移估计的准确性受到终端的位置和方向的影响，导致质量评估因位置变化而偏移。因此，在实际应用中获得稳定的定位结果很有挑战性。
(4)大规模多输入多输出的CSI相比于下行广播链路的CSI有着显著的不同，前者需要基站具有大规模的天线阵列，并且需要在严格的LOS环境中工作。
发明内容
针对现有技术存在的问题，本发明提供了一种基于无线信号信道状态信息的动态定位方法和系统。
本发明是这样实现的，本发明基于CSI特征重构和动态时间规整(DTW)序列匹配策略，设计了一种用于CSI特征指纹的动态室内定位方案。概括而言：首先，本发明基于功率延迟分布(PDP)将运动模式下的CSI特征重构为直达径能量(EDP)序列，以获取更为稳定的室内定位特征；然后，通过稳健的局部加权线性回归技术来平滑EDP序列，以减少部分序列数值跳变对特征匹配造成的不利影响；最后，基于EDP序列和DTW方法开发了一种基于特征指纹匹配的定位方法，以实现基于现有无线通信单基站设备的动态室内定位系统。
进一步，包括：
步骤一，动态CSI特征重构；
步骤二，EDP序列平滑滤波
步骤三，DTW指纹序列匹配定位。
进一步，步骤1具体包括：CSI的主要基本特征包括幅值和相位两种信息，作为一种可以反映CSI特性的统一表征信息，EDP可以将多载波幅值和相位重构为单一特征用于室内定位；在多径信道中，传输信号经过不同路径传播的到达时间会在时间上扩散，这种现象被称为时延扩展；为了表征信道时延扩展的程度，首先需要计算信道的功率延迟分布(PDP)，它描述了当脉冲波形通过所考虑的信道传输时接收信号功率的时延分布情况；假设多径(可能是时变的)信道的基带复脉冲响应h为：
其中，r是多径序号，βr(t)是多径增益，θr(t)是相位偏移，τr是第r条路径的时延，δ(·)是冲激函数；于是，其对应的功率延迟分布P(τ；t)可以表示为：
理论上，在功率延迟分布中提取的第一条路径数值通常作为直达径功率，通常情况下直达径具有最大能量值。由于无需通过路径损耗模型计算基站与终端之间距离并实现定位，因此仅考虑将最大能量值所对应的路径作为直达径，并且基于该直达径能量信息实现CSI定位。具体而言，首先通过样条插值算法将CSI子载波插值到完整OFDM符号载波位置，然后通过离散傅里叶逆变换将频域CSI转换为时域，最后提取最大能量信息作为直达径能量E0，计算式表示为：
其中，是H(k)经过插值到[1，KOFDM]范围后的结果，KOFDM为无线信号一个OFDM符号的载波数量，/>是离散时间傅里叶变换操作，max(·)为取最大值操作。
进一步，步骤二具体包括：运动过程中的EDP变化在时间上应该具有连贯性；由于CSI为多载波数据，其计算结果受各个子载波共同影响，重构出的原始EDP时间序列在数值上通常含有比较明显的抖动；为减小这些抖动给序列匹配带来的不利影响，采用鲁棒局部加权线性回归(RLWR)方法对EDP序列进行平滑滤波处理；具体而言，对于EDP序列yi＝θTxi，局部加权线性回归的目标是拟合与第i个元素局部近邻的N个元素，最小化损失函数J(θ)：
其中，通过J(θ)对参数θ计算偏导，令/>可得θ的解析解：
为实现鲁棒回归效果，将上述替换为δiθ，其中，/>为权值更新系数，为拟合值残差，S为|ei|的中值，B为四次方分段权值函数：
进一步，步骤三的基本原理为：DTW算法是度量两个独立时间序列的相似度的一种方法，以序列x＝[2，2，3，1，1，2，2，2，3，3，2，2，1]和序列y＝[2，2，2，3，1，1，1,2，2，2，3，1]为例，在匹配过程中，首先将x、y两个不等长序列的起点对齐，然后通过逐步比较序列中每个点之间的距离，寻找匹配代价最小的路径，这个路径就是通过动态规整寻找的最优路径，它反映了两个序列之间的最小距离和相似度(x与y之间的DTW距离为2)。
进一步，步骤三中，序列匹配包括：在基于EDP的序列匹配中，首先通过在同一轨迹上先后两次测试采集(Test01与Test02)的序列为例，分析完整序列的DTW匹配情况；原始序列Test01为参考序列，原始序列Test02为待匹配测试序列，直观上看，两个序列长度不一致，序列相似性不够明显；经过DTW算法对齐匹配之后，除极少部分时间序列未能很好匹配之外，大部分序列基本能够完全重合。
进一步，步骤三的定位流程为：首先，在离线阶段建立EDP参考指纹序列；然后，在测试阶段实时提供待测试EDP序列片段；具体而言，以序列Test01作为参考指纹序列，为模拟实际应用中实时动态定位过程，同时保证测试连续性，将指纹参考序列Test01通过向后滑动1个时刻的方式将其划分为若干个片段，为保证测试过程中测试片段与指纹序列匹配更完整，在指纹序列末端进行补零操作，长度与指纹序列中用于匹配定位的片段长度相同。
本发明的另一目的在于提供一种应用所述基于无线信号信道状态信息的动态定位方法的系统，该系统包括：
特征重构模块，用于进行动态CSI特征重构；
平滑滤波模块，用于进行EDP序列平滑滤波；
定位模块，用于通过DTW进行指纹序列匹配定位。
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于无线信号信道状态信息的动态定位方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于无线信号信道状态信息的动态定位方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于无线信号信道状态信息的动态定位系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一，传统基于CSI幅值与相位的指纹特征在终端运动模式下易于剧烈变化，导致无法实现基于特征匹配的指纹定位；本发明基于CSI复数数据，首先计算PDP，然后从PDP中提取EDP，从而获取更为稳定的指纹定位特征。
传统基于DTW的动态定位特征主要基于地磁场强度，基于地磁场的指纹方法较易受建筑金属结构、管道线缆、电磁设备等影响，从而严重影响定位准确性和稳定性，本创新点利用EDP序列实现匹配定位，有效克服了上述影响，以及有利于实现基于现有无线通信单基站设备的动态室内定位。
第二，基于CSI的特征重构方法，将CSI原始复数数据重构为EDP特征，有效降低了原始CSI幅值和相位的多载波指纹特征变化，从而获得了更为稳定的指纹定位特征。
基于DTW的EDP序列匹配方法，离线阶段，将重构后的EDP序列作为新的指纹特征用于建立指纹库；在线定位阶段，将重构后的EDP序列片段用于特征匹配定位，有效克服了原始CSI幅值和相位特征难以匹配定位问题。
第三，本发明可以作为核心技术之一支持智能手机、电话手表、机器人等移动终端在室内的定位与导航，有利于促进基于位置服务的室内应用发展，例如地下车库智慧停车、室内应急救援、机场车站导航、商场精准营销等。因此，本发明技术方案转化后具有广阔的发展前景和商业应用价值。
第四，本发明的技术作为一种创新性方法，填补了国内外室内定位领域利用无线通信信号CSI特征实现动态定位的技术空白。本发明通过将CSI重构为EDP特征并且应用于动态室内定位，为领域内未来研究提供了创新思路。
第五，本发明将CSI特征重构为EDP序列，基于DTW序列匹配方法进行室内定位，有效解决了长久以来基于CSI原始特征动态室内定位中的由于静态与动态模式难以匹配、动态特征易变难以作为指纹等技术难题。
第六，本发明通过建立离线EDP序列动态指纹库，克服了传统利用静态CSI指纹作为离线指纹库的技术偏见，同时克服了利用原始CSI幅值或者相位作为特征指纹库的技术偏见。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于无线信号信道状态信息的动态定位方法流程图；
图2是本发明实施例提供的原始EDP时间序列示意图；
图3是本发明实施例提供的平滑EDP时间序列示意图；
图4是本发明实施例提供的DTW序列匹配示例图；其中，(a)为DTW序列匹配，(b)为DTW路径矩阵；
图5是本发明实施例提供的EDP动态序列示意图；其中(a)为原始EDP动态序列，(b)为匹配EDP动态序列；
图6是本发明实施例提供的EDP DTW序列匹配路径矩阵示意图；
图7是本发明实施例提供的DTW序列片段搜索匹配示意图；
图8是本发明实施例提供的DTW序列片段匹配示意图；
图9是本发明实施例提供的基于EDP的DTW序列匹配动态定位算法示意图；
图10是本发明实施例提供的智能小车运动轨迹示意图，(a)轨迹长度为56米；(b)轨迹长度为85米；(c)轨迹长度为40米；(d)轨迹长度为53米；
图11是本发明实施例提供的对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于无线信号信道状态信息的动态定位方法和系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的一种基于无线信号信道状态信息的动态定位方法和系统，具体实施步骤如下：
步骤1：动态CSI特征重构
CSI的主要基本特征包括幅值和相位两种信息，作为一种可以反映CSI特性的统一表征信息，EDP可以将多载波幅值和相位重构为单一特征用于室内定位。在多径信道中，传输信号经过不同路径传播的到达时间会在时间上扩散，这种现象被称为时延扩展。为了表征信道时延扩展的程度，首先需要计算信道的功率延迟分布(PDP)，它描述了当脉冲波形通过所考虑的信道传输时接收信号功率的时延分布情况。假设多径(可能是时变的)信道的基带复脉冲响应h为：
其中，r是多径序号，βr(t)是多径增益，θr(t)是相位偏移，τr是第r条路径的时延，δ(·)是冲激函数。于是，其对应的功率延迟分布P(τ；t)可以表示为：
理论上，在功率延迟分布中提取的第一条路径数值通常作为直达径功率，通常情况下直达径具有最大能量值。在本文中，由于无需通过路径损耗模型计算基站与终端之间距离并实现定位，因此仅考虑将最大能量值所对应的路径作为直达径，并且基于该直达径能量信息实现CSI定位。具体而言，首先通过样条插值算法将CSI子载波插值到完整OFDM符号载波位置，然后通过离散傅里叶逆变换将频域CSI转换为时域，最后提取最大能量信息作为直达径能量E0，计算式表示为：
其中，是H(k)经过插值到[1，KOFDM]范围后的结果，KOFDM为无线信号一个OFDM符号的载波数量，/>是离散时间傅里叶变换操作，max(·)为取最大值操作。
以相同运动轨迹下三次测试采集的动态路径原始CSI为例，经过重构之后的EDP时间序列如图2所示。
本技术方案的核心创新点在于，通过引入能量延迟分布(EDP)的概念，将复杂的信道状态信息(CSI)中的幅值和相位两种信息统一整合为单一的能量特征用于室内定位。同时，利用样条插值算法对CSI子载波进行插值，然后通过离散傅里叶逆变换将频域CSI转换为时域，最后提取最大能量信息作为直达径能量，进一步简化了信道信息的处理过程，增强了系统的定位精度和效率。这种基于最大能量路径的定位方法，避免了传统方法中需要通过路径损耗模型计算基站与终端之间距离的复杂步骤，实现了更高效的定位。
步骤2：EDP序列平滑滤波
理论上，运动过程中的EDP变化在时间上应该具有连贯性。然而，由于CSI为多载波数据，其计算结果受各个子载波共同影响。因此，如图2所示，由式1重构得出的原始EDP时间序列在数值上通常含有比较明显的抖动。为减小这些抖动给序列匹配带来的不利影响，本文采用鲁棒局部加权线性回归(RLWR)方法对EDP序列进行平滑滤波处理。具体而言，对于EDP序列yi＝θTxi，局部加权线性回归的目标是拟合与第i个元素局部近邻的N个元素，最小化损失函数J(θ)：
其中，通过J(θ)对参数θ计算偏导，令/>可得θ的解析解：
为实现鲁棒回归效果，将上述替换为δiθ，其中，/>为权值更新系数，为拟合值残差，S为|ei|的中值，B为四次方分段权值函数：
为说明平滑滤波方法效果，以滑动窗口大小N＝25为例，经过RLWR平滑滤波后的序列如图3所示，相比于图2中原始EDP序列，平滑滤波之后的EDP序列在形态变化上更平缓，将更有利于实现DTW序列匹配动态定位。
本技术方案的核心创新点在于采用鲁棒的局部加权线性回归方法对能量延迟分布(EDP)序列进行平滑滤波处理，以减小原始EDP时间序列在数值上的抖动对序列匹配的不利影响。具体而言，对于EDP序列，首先构建一个损失函数，然后通过局部加权线性回归拟合与每个元素的局部近邻元素，以最小化这个损失函数。这种方法使得EDP序列在运动过程中的变化具有更好的连贯性，提高了定位的准确性和稳定性。
步骤3：DTW指纹序列匹配定位
由于终端在运动过程中，每次采集的CSI数据长度通常不相等，经过重构之后的EDP序列通常无法利用欧氏距离等传统距离计算方法进行相似度匹配。此外，考虑到运动速度的不确定性，序列变化通常存在着不同的频率。因此，本文采用动态时间规整(DTW)算法实现EDP序列匹配定位。
(1)基本原理：
DTW算法是度量两个独立时间序列的相似度的一种方法，以序列x＝[2，2，3，1，1，2,2，2,3，3，2，2，1]和序列y＝[2，2，2，3，1，1，1，2，2，2，3，1]为例，如图4(a)所示，在匹配过程中，首先将x、y两个不等长序列的起点对齐，然后通过逐步比较序列中每个点之间的距离，寻找匹配代价最小的路径。如图4(b)所示，这个路径就是通过动态规整寻找的最优路径，它反映了两个序列之间的最小距离和相似度(x与y之间的DTW距离为2)。
(2)序列匹配：
在基于EDP的序列匹配中，本文首先通过在同一轨迹上先后两次测试采集(Test01与Test02)的序列为例，分析完整序列的DTW匹配情况。如图5(a)所示，原始序列Test01为参考序列，原始序列Test02为待匹配测试序列，直观上看，两个序列长度不一致，序列相似性不够明显。但是，经过DTW算法对齐匹配之后，如图5(b)所示，除极少部分时间序列未能很好匹配之外，大部分序列基本能够完全重合。
同时，为比较两个序列的DTW最优匹配路径，本文进一步绘制了匹配路径矩阵，如图6所示，两个序列的匹配路径能够较好的位于斜对角线附近，未出现明显的垂直边界路径，说明两个序列之间具有较好的DTW匹配相似度，即CSI经过重构之后的EDP序列能够用于DTW序列匹配定位。
(3)定位流程：
为实现基于DTW的EDP序列匹配定位，首先，在离线阶段建立EDP参考指纹序列；然后，在测试阶段实时提供待测试EDP序列片段。具体而言，如图7所示，以序列Test01作为参考指纹序列，为模拟实际应用中实时动态定位过程，同时保证测试连续性，本文将指纹参考序列Test01通过向后滑动1个时刻的方式将其划分为若干个片段，为保证测试过程中测试片段与指纹序列匹配更完整，在指纹序列末端进行补零操作，长度与指纹序列中用于匹配定位的片段长度相同。
测试时，从序列Test02的第一个时刻开始，每次取固定长度的序列用于测试，在此过程中，依次将测试片段与指纹序列各个片段进行匹配测试，其匹配示例如图8(a)所示。在与指纹序列一次完整匹配测试结束后，将得到的DTW距离计算结果序列，从中找出最小值，例如图8(b)中索引序号432的位置，以此索引对应的参考指纹序列坐标，即为动态定位结果。
待每次测试片段与指纹序列完成匹配后，将测试片段起始索引向后滑动1个时刻，继续取长度相同的序列用于下一轮测试，依次循环，直至测试序列的所有片段测试完成。以一条完整轨迹测试序列为例，其定位过程完整算法如图9所示：
本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于无线信号信道状态信息的动态定位方法的步骤。
本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于无线信号信道状态信息的动态定位方法的步骤。
本技术方案的核心创新点在于采用动态时间规整(DTW)算法来度量两个独立时间序列(例如，两次不同时间采集的能量延迟分布(EDP)序列)的相似度。这个方法首先将两个序列的起点对齐，然后逐步比较序列中每个点之间的距离，以寻找匹配代价最小的路径。这个路径是通过动态规划寻找的最优路径，反映了两个序列之间的最小距离和相似度。通过这种方式，即使原始序列的长度不一致或序列相似性不够明显，DTW算法也可以实现高效的序列匹配，从而提高定位的精确度。
本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现基于无线信号信道状态信息的动态定位系统。
为验证本发明的有效性，以智能小车在真实室内场景两个不同区域各自两条运动轨迹为例，进行动态室内定位测试。实验中的智能小车运动轨迹示意图分别如图10(a)～(d)所示，其中各条轨迹长度分别为56、85、40和53米。实验中，本发明分别对比基于深度学习方法——卷积神经网络(CNN)和基于集成学习方法——轻量级梯度提升机器(LightGBM)在基于CSI幅值特征和基于EDP序列特征上的动态室内定位准确性。对比结果如图11所示，由图可知，相比于原始CSI特征，本发明基于EDP序列的定位准确性分别提升22.96％和19.54％；相比于CNN方法和LightGBM方法，本发明基于DTW序列匹配的定位准确性分别提升21.07％和4.23％。上述实验结果表明，本发明所提出的基于CSI重构特征EDP和基于DTW序列匹配定位方法有助于实现无线信号CSI室内动态定位并且能够提高定位准确性。
实施例一：
1.在一个大型商业建筑中进行室内定位。在这个例子中，无线接入点(AP)被部署在建筑物的各个关键位置。每个接入点都使用无线信道状态信息(CSI)技术获取定位数据，并将这些数据发送到中央服务器进行处理。服务器上的软件实现了本技术方案的所有步骤：动态CSI特征重构、EDP序列平滑滤波以及DTW指纹序列匹配定位。结果是一个高精度的室内定位系统，可以用于导航、安全监控等应用。
实施例二：
2.在一个医院环境中进行定位。在这个环境中，医护人员和患者可以使用配备有无线接收器的设备(如智能手机或平板电脑)。这些设备可以从周围的无线接入点收集CSI数据，并将数据发送到医院的中央服务器进行处理。服务器使用本技术方案来确定每个设备的位置，这对于诸如患者追踪、医护人员调度等任务非常有用。
实施例三：
3.在一座大学校园内进行室内定位。在这个例子中，学生和教师可以使用其智能手机收集和发送CSI数据。校园的无线网络基础设施提供了用于处理这些数据的中央服务器。服务器使用本技术方案来确定每个手机的位置，为学生和教师提供导航服务，并帮助他们找到教室、实验室等地方。
实施例四：
4.在一个智能家居环境中进行定位。在这个环境中，各种家电和设备(如电视、空调、智能音箱等)都集成了无线接收器，并可以收集并发送CSI数据。家庭网络的中央控制器(如智能家庭中枢)负责处理这些数据，并使用本技术方案来确定每个设备的位置。这对于智能家居自动化任务非常有用，比如，能够确定哪个房间的灯需要开启或关闭，或者空调需要在哪个房间调整温度等。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于无线信号信道状态信息的动态定位方法，其特征在于，基于CSI特征重构和动态时间规整序列匹配策略，设计了一种用于CSI特征指纹的动态室内定位方案；首先，基于功率延迟分布将运动模式下的CSI特征重构为直达径能量序列，以获取更为稳定的室内定位特征；然后，通过稳健的局部加权线性回归技术来平滑EDP序列，以减少部分序列数值跳变对特征匹配造成的不利影响；最后，基于EDP序列和DTW方法开发了一种基于特征指纹匹配的定位方法，以实现基于现有无线通信单基站设备的动态室内定位系统。
2.如权利要求1所述的基于无线信号信道状态信息的动态定位方法，其特征在于，基于无线信号信道状态信息的动态定位方法包括：
步骤一，动态CSI特征重构；
步骤二，EDP序列平滑滤波
步骤三，DTW指纹序列匹配定位。
3.如权利要求1所述的基于无线信号信道状态信息的动态定位方法，其特征在于，步骤一具体包括：
通过引入能量延迟分布，将复杂的信道状态信息(CSI)中的幅值和相位两种信息统一整合为单一的能量特征用于室内定位；同时，利用样条插值算法对CSI子载波进行插值，然后通过离散傅里叶逆变换将频域CSI转换为时域，最后提取最大能量信息作为直达径能量；这种基于最大能量路径的定位方法，避免了传统方法中需要通过路径损耗模型计算基站与终端之间距离的复杂步骤，实现了更高效的定位。
4.如权利要求1所述的基于无线信号信道状态信息的动态定位方法，其特征在于，步骤二具体包括：
在于采用鲁棒的局部加权线性回归方法对能量延迟分布序列进行平滑滤波处理，以减小原始EDP时间序列在数值上的抖动对序列匹配的不利影响；对于EDP序列，首先构建一个损失函数，然后通过局部加权线性回归拟合与每个元素的局部近邻元素，以最小化这个损失函数。
5.如权利要求1所述的基于无线信号信道状态信息的动态定位方法，其特征在于，步骤三，在于采用动态时间规整(DTW)算法来度量两个独立时间序列的相似度；这个方法首先将两个序列的起点对齐，然后逐步比较序列中每个点之间的距离，以寻找匹配代价最小的路径；这个路径是通过动态规划寻找的最优路径，反映了两个序列之间的最小距离和相似度；通过这种方式，即使原始序列的长度不一致或序列相似性不够明显，DTW算法也可以实现高效的序列匹配，从而提高定位的精确度。
6.如权利要求5所述的基于无线信号信道状态信息的动态定位方法，其特征在于，步骤三的定位流程为：首先，在离线阶段建立EDP参考指纹序列；然后，在测试阶段实时提供待测试EDP序列片段；以序列Test01作为参考指纹序列，为模拟实际应用中实时动态定位过程，同时保证测试连续性，将指纹参考序列Test01通过向后滑动1个时刻的方式将其划分为若干个片段，为保证测试过程中测试片段与指纹序列匹配更完整，在指纹序列末端进行补零操作，长度与指纹序列中用于匹配定位的片段长度相同。
7.一种应用如权利要求1～6任意一项所述的基于无线信号信道状态信息的动态定位系统，其特征在于，基于无线信号信道状态信息的动态定位系统包括：
特征重构模块，用于进行动态CSI特征重构；
平滑滤波模块，用于进行EDP序列平滑滤波；
定位模块，用于通过DTW进行指纹序列匹配定位。
8.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的基于无线信号信道状态信息的动态定位方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的基于无线信号信道状态信息的动态定位方法的步骤。
10.一种信息数据处理终端，信息数据处理终端用于实现如权利要求7所述的基于无线信号信道状态信息的动态定位系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966015.2A CN116996993A (zh) | 2023-08-02 | 2023-08-02 | 一种基于无线信号信道状态信息的动态定位方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966015.2A CN116996993A (zh) | 2023-08-02 | 2023-08-02 | 一种基于无线信号信道状态信息的动态定位方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116996993A true CN116996993A (zh) | 2023-11-03 |
Family
ID=88521020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310966015.2A Pending CN116996993A (zh) | 2023-08-02 | 2023-08-02 | 一种基于无线信号信道状态信息的动态定位方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116996993A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122310A (zh) * | 2017-11-20 | 2018-06-05 | 电子科技大学 | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 |
| CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
| CN112953660A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种稳健的信道状态信息csi相位校准方法 |
| CN113438731A (zh) * | 2021-06-11 | 2021-09-24 | 武汉大学 | 一种基于信号质量控制与特征指纹增强的定位方法及系统 |
| US20210352441A1 (en) * | 2019-02-22 | 2021-11-11 | Aerial Technologies Inc. | Handling concept drift in wi-fi-based localization |
| CN115499777A (zh) * | 2022-09-15 | 2022-12-20 | 南京邮电大学 | 一种基于csi针对多体态用户的室内无源定位方法 |
-
2023
- 2023-08-02 CN CN202310966015.2A patent/CN116996993A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122310A (zh) * | 2017-11-20 | 2018-06-05 | 电子科技大学 | 一种基于WiFi信道状态信息和动态时间规整的人流量统计方法 |
| US20210352441A1 (en) * | 2019-02-22 | 2021-11-11 | Aerial Technologies Inc. | Handling concept drift in wi-fi-based localization |
| CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
| CN112953660A (zh) * | 2021-01-26 | 2021-06-11 | 电子科技大学 | 一种稳健的信道状态信息csi相位校准方法 |
| CN113438731A (zh) * | 2021-06-11 | 2021-09-24 | 武汉大学 | 一种基于信号质量控制与特征指纹增强的定位方法及系统 |
| CN115499777A (zh) * | 2022-09-15 | 2022-12-20 | 南京邮电大学 | 一种基于csi针对多体态用户的室内无源定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Win et al. | Network localization and navigation via cooperation | |
| US20130196684A1 (en) | Generating indoor radio map, locating indoor target | |
| US20170115376A1 (en) | Method for effectively estimating three-dimensional location by using trilateration in wireless network, and recording medium in which program is recorded for carrying out same | |
| Bakkali et al. | Kalman filter-based localization for Internet of Things LoRaWAN™ end points | |
| CN115604817B (zh) | 一种基于射频增强的广域音频室内定位方法、系统及终端 | |
| Huang et al. | RSS-based indoor positioning based on multi-dimensional kernel modeling and weighted average tracking | |
| CN106900057B (zh) | 一种基于测距的室内定位方法及系统 | |
| Choi | Sensor-aided learning for Wi-Fi positioning with beacon channel state information | |
| Li et al. | A time-based passive source localization system for narrow-band signal | |
| Podevijn et al. | Performance comparison of RSS algorithms for indoor localization in large open environments | |
| CN112308998A (zh) | 一种基于蓝牙的室内定位智能巡检系统及方法 | |
| Yiu et al. | Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach | |
| Eldeeb et al. | Optimal placement of access points for indoor positioning using a genetic algorithm | |
| Morawska et al. | Transfer learning-based UWB indoor localization using MHT-MDC and clusterization-based sparse fingerprinting | |
| Shao et al. | DePos: Accurate orientation-free indoor positioning with deep convolutional neural networks | |
| CN113567925A (zh) | 一种基于超宽带技术的精准定位方法、系统、装置 | |
| CN111142068B (zh) | 一种基于提取目标直接反射径方法的无源定位方法 | |
| CN116996993A (zh) | 一种基于无线信号信道状态信息的动态定位方法和系统 | |
| CN101729163A (zh) | 一种移动通信干扰源确定方法及设备 | |
| Wu | Comparison between the Ultra-wide Band based indoor positioning technology and other technologies | |
| Xu et al. | Indoor localization based on hybrid Wi-Fi hotspots | |
| Grzechca et al. | Indoor localization of objects based on RSSI and MEMS sensors | |
| Zou et al. | A smart city used low-latency seamless positioning system based on inverse global navigation satellite system technology | |
| Shu et al. | A Indoor Positioning System of Bluetooth AOA Using Uniform Linear Array Based on Two-point Position Principle | |
| Tian et al. | SAPIL: single access point based indoor localisation using Wi‐Fi L‐shaped antenna array |
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 |