CN117241221B - 一种基于不确定性学习的室内定位方法 - Google Patents
一种基于不确定性学习的室内定位方法 Download PDFInfo
- Publication number
- CN117241221B CN117241221B CN202311506495.0A CN202311506495A CN117241221B CN 117241221 B CN117241221 B CN 117241221B CN 202311506495 A CN202311506495 A CN 202311506495A CN 117241221 B CN117241221 B CN 117241221B
- Authority
- CN
- China
- Prior art keywords
- angle
- receiving end
- arrival
- estimation
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000010363 phase shift Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002679 ablation Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于不确定性学习的室内定位方法。该方法包括：将接收端布置在室内的不同位置并在接收端布置均匀直线天线阵列；根据天线间距和接收信号的带宽构建接收端的相移矢量，并根据相移矢量估计接收信号的空间估计谱；构建相互独立的多个波达角度估计模型并进行随机初始化和训练；利用训练完成的波达角度估计模型处理接收端的接收信号的空间估计谱，将接收端的角度估计值进行求均值运算，将接收端的角度方差估计值进行运算，得到接收端的角度不确定性评估值；将接收端的角度平均值和角度不确定性评估值确定待定位目标在室内二维平面内的坐标似然值，通过求解坐标似然值的最大值实现对待定位目标的定位。
Description
技术领域
本发明属于信号处理和深度学习的交叉领域，特别涉及一种基于不确定性学习的室内定位方法、电子设备以及存储介质。
背景技术
室内定位系统（Indoor Positioning System，IPS）旨在为全球定位系统（GlobalPositioning System，GPS）和其他卫星定位技术缺乏精度或完全失效的室内环境提供人或物体的精确位置。IPS是重要的基础任务，在商业、零售、库存跟踪等领域具有重要价值。然而，传统室内定位技术方案存在数据隐私泄露、部署成本高昂、易受外部条件影响等问题；现有基于商用WiFi设备的室内定位技术方案通过利用深度学习技术虽然克服了传统室内定位技术方案的一些缺点，但是在非视距等情况下，仍然存在定位精度显著下降的问题和对环境变化敏感的问题；同时由于使用了深度学习技术，现有基于商用WiFi设备的室内定位技术方案还存在训练和学习成本较高的问题。
发明内容
鉴于上述问题，本发明提供了一种基于不确定性学习的室内定位方法、电子设备以及存储介质，以期至少能够解决上述问题之一。
根据本发明的第一个方面，提供了一种基于不确定性学习的室内定位方法，包括：
将多个接收端布置在室内的不同位置用于从不同方位接收待定位目标所发射的信号，并在每个接收端布置天线间距为半波长的均匀直线天线阵列；
根据每个均匀直线天线阵列的天线间距和每个接收端的接收信号的带宽构建每个接收端的相移矢量，并根据每个接收端的相移矢量估计每个接收端的接收信号的空间估计谱；
基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型；
利用多个训练完成的波达角度估计模型处理每个接收端的接收信号的空间估计谱，得到每个接收端的多个角度估计值和多个角度方差估计值，将每个接收端的多个角度估计值进行求均值运算，得到每个接收端的角度平均值，并将每个接收端的多个角度方差估计值进行运算，得到每个接收端的角度不确定性评估值；
将每个接收端的角度平均值和角度不确定性评估值进行联合并通过三角定位方法得到待定位目标在室内二维平面内的坐标似然值，并通过求解坐标似然值的最大值实现对待定位目标的定位。
根据本发明的实施例，上述基于不确定性学习的室内定位方法还包括：
利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对待定位目标在预设时间序列内运动轨迹的追踪。
根据本发明的实施例，上述利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对待定位目标在预设时间序列内运动轨迹的追踪包括：
利用卡尔曼滤波器对预设时间序列内的波达方向的平滑问题进行建模，得到波达方向平滑模型；
基于物体运动轨迹的时间连续性原理，利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波；
将时域滤波后的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作和三角定位操作，并根据波达方向平滑模型，得到预设时间序列内的待定位目标的运动轨迹。
根据本发明的实施例，上述基于不确定性学习的室内定位方法还包括：
利用绝对平均误差值对待定位目标的定位结果和运动轨迹进行评价，并利用皮尔逊相关系数衡量波达角度估计模型的输出结果和角度误差之间的关系。
根据本发明的实施例，上述相互独立的多个波达角度估计模型通过深度集成方式用于捕获由于预处理后的空间谱训练数据集的数据分布与实际部署环境的数据分布不同所导致的认知不确定性。
根据本发明的实施例，上述基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型包括：
将所获取的信道状态信息标注上角度值标签并进行格式化处理，得到与接收信号格式一致的训练数据集，并根据接收端的的相移矢量对训练数据集进行估计，得到预处理后的空间谱训练数据集；
利用波达角度估计模型处理预处理后的空间谱训练数据集，得到相对于接收端的波达方向预测值；
利用预设的损失函数处理波达方向预测值和与波达方向预测值相对应的角度值标签，得到损失值，并根据损失值对波达角度估计模型进行参数优化；
迭代进行模型处理操作、损失计算操作以及参数优化操作，得到训练完成的波达角度估计模型；
利用预处理后的空间谱训练数据集对具有不同初始参数的每个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型。
根据本发明的实施例，上述将每个接收端的多个角度方差估计值进行运算，得到每个接收端的角度不确定性评估值包括：
将每个接收端的多个角度方差估计值进行求均值运算，得到每个接收端的角度方差平均值；
利用每个接收端的多个角度估计值和多个角度方差估计值进行标准方差运算，得到每个接收端的角度标准方差；
将每个接收端的角度标准方差与每个接收端的角度方差平均值进行求和运算，得到每个接收端的角度不确定性评估值。
根据本发明的实施例，上述每个均匀直线天线阵列的天线均为棒状全向天线；
其中，语义分割网络包括参数微调的U-net网络，预设的损失函数包括基于狄拉克函数构建的KL散度损失函数；
其中，KL散度损失函数用于捕获由预处理后的空间谱训练数据集自身噪声所导致的任意不确定性。
根据本发明的第二个方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行基于不确定性学习的室内定位方法。
根据本发明的第三个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行基于不确定性学习的室内定位方法。
本发明提供了一种基于不确定性学习的室内定位方法，该方法旨在融合指纹定位技术方案和信号处理定位技术方案的优势，即该方法基于深度学习技术隐式地建模接收信号和到达角之间的非线性函数关系，并利用不确定性学习评估深度学习模型对波达方向估计的可靠性，进而联合波达方向估计值及其不确定性评估值执行三角定位，获得目标位置的估计。上述基于不确定性学习的室内定位方法能够在复杂多变的室内环境中实现更鲁棒的定位效果。
附图说明
图1是根据本发明实施例的基于不确定性学习的室内定位方法的流程图；
图2是根据本发明实施例的均匀直线接收天线阵列的示意图；
图3（a）是根据本发明实施例基于不确定性学习方法估计角度及不确定性的室内定位系统框架示意图；
图3（b）是根据本发明实施例基于AP多样性和时间连续信息的室内定位系统框架示意图；
图4是根据本发明实施例将基于不确定性学习的室内定位方法应用于会议室环境的示意图；
图5是根据本发明实施例将基于不确定性学习的室内定位方法应用于实验室环境的示意图；
图6是根据本发明实施例将基于不确定性学习的室内定位方法应用于办公室环境的示意图；
图7是根据本发明实施例将基于不确定性学习的室内定位方法应用于休息室环境的示意图；
图8示意性示出了根据本发明实施例的适于实现基于不确定性学习的室内定位方法的电子设备的方框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
在室内环境无法使用卫星定位时，使用室内定位技术作为卫星定位的辅助定位，解决卫星信号到达地面时较弱、不能穿透建筑物的问题，最终定位物体当前所处的位置。近年来，室内定位技术在各行各业展现出了重要的价值，并受到各个领域技术人员的研究。
目前，基于视觉的室内定位技术容易受到光照条件影响，并且存在严重的隐私问题；基于雷达的室内定位技术部署成本高昂。相比之下，广泛部署的商用WiFi设备更具有成本效益，为室内定位系统提供了重要思路。商用WiFi设备中的信道状态信息（ChannelState Information，CSI）描述了信号如何从发射机传播到接收机，并表示散射、衰落和功率随距离衰减的综合效应。近年来，研究人员利用信道状态信息中的接收信号强度（Received Signal Strength，RSS）、波达方向（Angle of Arrival，AoA）等信息来实现室内定位系统。这些系统使用信号处理的方法对直接路径的几何参数进行建模和估计，而后执行三角或三边测量进行位置估计。然而，在非视距等情况下，该类系统定位精度显著下降。随着深度学习（Deep Learning）技术日趋成熟并以卓越的性能在图像识别、自然语言处理等领域取得了突破性成果，借助深度学习技术实现商用WiFi室内定位的思路吸引众多学者研究。基于深度学习的指纹定位系统不断涌现，这些系统构建并更新指纹数据库，该数据库由每个特定位置的独特特征组成，但它们仍难以推广到实际部署场景。一方面，深度学习模型训练依赖于数据集，但数据集采集成本高昂。另一方面，部署的模型对环境变化敏感，即使是环境中微小的变化也会显著降低深度学习模型的性能。
为了解决现有技术中的技术问题，本发明提供了一种基于不确定学习的室内定位方法用于在复杂多变的室内多径环境下提高定位的鲁棒性。
需要特别说明的是，在本发明所公开的技术方案，与待定位目标相关的位置数据或雷达数据的获取得到了待定位目标的授权，并在待定位目标的许可下，对上述数据进行处理、应用和存储，相关过程符合法律法规的规定，采取了必要和可靠的保密措施，符合公序良俗的要求。
图1是根据本发明实施例的基于不确定性学习的室内定位方法的流程图。
如图1所示，上述一种基于不确定性学习的室内定位方法包括操作S110~操作S150。
在操作S110，将多个接收端布置在室内的不同位置用于从不同方位接收待定位目标所发射的信号，并在每个接收端布置天线间距为半波长的均匀直线天线阵列。
图2是根据本发明实施例的均匀直线接收天线阵列的示意图。
在接收端（Access Point，AP）布置天线间距为半波长的均匀直线天线阵列，如图2所示，每个均匀直线天线阵列的天线均为棒状全向天线。
同时，将三个及以上的APs布置于室内的不同位置，完成室内定位环境的部署工作。
在操作S120，根据每个均匀直线天线阵列的天线间距和每个接收端的接收信号的带宽构建每个接收端的相移矢量，并根据每个接收端的相移矢量估计每个接收端的接收信号的空间估计谱。
根据天线间距和信号带宽构建相移矢量。对于第条路径、第个天线和第个子载波相对第1根天线和第1个子载波的联合相移表达式，如公式（1）所示：
（1），
其中，是虚数单位，/>是信号的载波频率，/>是子载波之间的频率间隔，/>是路径/>的波达方向（Angle of Arrival，AoA）和传播时间(Time of Flight，ToF)，/>是天线间距，/>为信号的传播速度，/>表示路径/>的、第/>个天线的、第/>个子载波相对于第1根天线和第1个子载波的联合相移矢量；
依据相移矢量估计接收信号的空间谱。空间估计谱表达式如公式（2）所示：
（2），
其中，的表达式如公式（3）所示：
（3），
其中，的表达式如公式（4）所示：
（4），
其中，为接收端的CSI测量值，/>、/>是候选的AoA、ToF网格点数量，/>可由其他空间谱估计算法得到，/>表示指的是第/>个天线和第/>个子载波的在和/>的相移矢量，/>表示接收端的所有路径的波达方向，/>表示接收端的所有路径的传播时间，/>为接收端的信道状态信息的测量值。
在操作S130，基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型。
根据本发明的实施例，上述相互独立的多个波达角度估计模型通过深度集成方式用于捕获由于预处理后的空间谱训练数据集的数据分布与实际部署环境的数据分布不同所导致的认知不确定性。
对于相互独立的多个波达角度估计模型使用相同的训练数据集进行训练但不同的初始化或随机种子设置每个模型的初始化参数，上述方式旨在进行深度集成，以捕获认知不确定性（Epistemic Uncertainty），即由于训练数据集的分布与实际部署环境的数据分布不同而导致估计值的不准确性。
在操作S140，利用多个训练完成的波达角度估计模型处理每个接收端的接收信号的空间估计谱，得到每个接收端的多个角度估计值和多个角度方差估计值，将每个接收端的多个角度估计值进行求均值运算，得到每个接收端的角度平均值，并将每个接收端的多个角度方差估计值进行运算，得到每个接收端的角度不确定性评估值。
根据本发明的实施例，上述将每个接收端的多个角度方差估计值进行运算，得到每个接收端的角度不确定性评估值包括：将每个接收端的多个角度方差估计值进行求均值运算，得到每个接收端的角度方差平均值；利用每个接收端的多个角度估计值和多个角度方差估计值进行标准方差运算，得到每个接收端的角度标准方差；将每个接收端的角度标准方差与每个接收端的角度方差平均值进行求和运算，得到每个接收端的角度不确定性评估值。
下面结合具体实施例对操作S140做进一步详细地说明。
联合个相互独立的波达角度估计模型用于获得最终的角度估计值/>以及角度方差估计值/>，如公式（5）和（6）所示：
（5），
（6），
其中，表示联合/>个相互独立的波达角度估计模型中的第/>个波达角度估计模型的角度估计值，/>表示联合/>个相互独立的波达角度估计模型中的第/>个波达角度估计模型的角度方差估计值。
在操作S150，将每个接收端的角度平均值和角度不确定性评估值进行联合并通过三角定位方法得到待定位目标在室内二维平面内的坐标似然值，并通过求解坐标似然值的最大值实现对待定位目标的定位。
联合多个接收端的角度值及其不确定性的评估，执行三角定位。二维定位空间中坐标处的似然值如公式（7）所示：
（7），
其中，表示二维定位空间中坐标/>相对于第/>个接收端的角度，/>表示二维定位空间中坐标/>相对于第/>个接收端的角度方差估计值，/>表示二维定位空间中坐标/>相对于第/>个接收端的角度估计值。
目标位置可被看作是具有最大似然值的位置，可以用公式（8）表示：
（8）。
本发明提供了一种基于不确定性学习的室内定位方法，该方法旨在融合指纹定位技术方案和信号处理定位技术方案的优势，即该方法基于深度学习技术隐式地建模接收信号和到达角之间的非线性函数关系，并利用不确定性学习评估深度学习模型对波达方向估计的可靠性，进而联合波达方向估计值及其不确定性评估值执行三角定位，获得目标位置的估计。上述基于不确定性学习的室内定位方法能够在复杂多变的室内环境中实现更鲁棒的定位效果。
根据本发明的实施例，上述基于不确定性学习的室内定位方法还包括：
利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对待定位目标在预设时间序列内运动轨迹的追踪。
根据本发明的实施例，上述利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对待定位目标在预设时间序列内运动轨迹的追踪包括：利用卡尔曼滤波器对预设时间序列内的波达方向的平滑问题进行建模，得到波达方向平滑模型；基于物体运动轨迹的时间连续性原理，利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波；将时域滤波后的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作和三角定位操作，并根据波达方向平滑模型，得到预设时间序列内的待定位目标的运动轨迹。
下面结合具体实施例，对本发明提供的上述待定位目标的运动轨迹追踪方法做进一步详细地说明。
通过结合角度值和其不确定性的评估，本发明可以利用轨迹的时间连续性来执行时域滤波。对于给定的角度估计值和方差值/>的时间序列/>，本发明可以使用卡尔曼滤波器来建模AoA的平滑问题。/>时刻的系统状态/>可由/>时刻的系统状态推导得来，如公式（9）所示：
（9），
时刻的观测状态可由公式（10）所示：
（10），
其中，和/>是零均值正态分布的噪声项。在卡尔曼滤波器每步更新的过程中，将/>视为/>时刻的观测状态/>，将不确定性评估/>视为观测噪声。在获得滤波后的角度轨迹后，本发明进行三角测量以获得时间序列中的位置，然后应用卡尔曼滤波来获得最终轨迹。
根据本发明的实施例，上述基于不确定性学习的室内定位方法还包括：
利用绝对平均误差值对待定位目标的定位结果和运动轨迹进行评价，并利用皮尔逊相关系数衡量波达角度估计模型的输出结果和角度误差之间的关系。
根据本发明的实施例，上述基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型包括：将所获取的信道状态信息标注上角度值标签并进行格式化处理，得到与接收信号格式一致的训练数据集，并根据接收端的的相移矢量对训练数据集进行估计，得到预处理后的空间谱训练数据集；利用波达角度估计模型处理预处理后的空间谱训练数据集，得到相对于接收端的波达方向预测值；利用预设的损失函数处理波达方向预测值和与波达方向预测值相对应的角度值标签，得到损失值，并根据损失值对波达角度估计模型进行参数优化；迭代进行模型处理操作、损失计算操作以及参数优化操作，得到训练完成的波达角度估计模型；利用预处理后的空间谱训练数据集对具有不同初始参数的每个波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型。
根据本发明的实施例，上述语义分割网络包括参数微调的U-net网络，预设的损失函数包括基于狄拉克函数构建的KL散度损失函数；其中，KL散度损失函数用于捕获由预处理后的空间谱训练数据集自身噪声所导致的任意不确定性。
下面结合具体实施例对本发明训练相互独立的多个波达角度估计模型的过程做进一步详细地说明。
首先，搭建用于训练的数据集。该训练数据集应包含与接收端信号格式一致的CSI数据，并且需要标注相对于接收端的角度值。训练数据集可以通过现场采集获取，也可以使用开源数据集或预先采集的数据集，关键是确保所使用的训练数据集的CSI信号格式保持一致。将所获得的训练数据集经过上述公式（1）~（4）进行预处理，将训练数据集中的CSI信号转化为相应的表示。
其次，基于微调的U-Net框架以及KL散度损失函数进行训练集的模型训练。其中，模型的输入为预处理所得的训练数据集，模型的输出为相应的相对于该接收端的真实的波达方向，KL散度损失函数表达式如公式（11）所示：
（11），
其中，表示狄拉克函数，/>表示所述波达角度估计模型的输入值，模型预测的是目标/>的均值/>和方差/>，即目标/>的分布/>。该损失函数将捕获任意不确定性（aleatoric uncertainty），即由训练集数据噪声导致的估计值的不准确。
对每个模型使用相同的数据集但不同的初始化或随机种子设置，以训练个独立的模型。这一步骤旨在进行深度集成，以捕获认知不确定性（Epistemic Uncertainty），即由于训练数据集的分布与实际部署环境的数据分布不同而导致估计值的不准确性。
下面通过一个具体实验并结合附图对本发明提供的上述基于不确定性学习的室内定位方法做进一步详细地说明。
图3（a）是根据本发明实施例基于不确定性学习方法估计角度及不确定性的室内定位系统框架示意图；图3（b）是根据本发明实施例基于AP多样性和时间连续信息的室内定位系统框架示意图。
如图3（a）所示，收集并处理来自所有AP的原始信号，随后通过基于学习的方法估计角度及其相关的不确定性；如图3（b）所示，检测不可靠的测量，并利用AP的多样性和时间连续信息来实现可靠的定位和跟踪结果。
图4是根据本发明实施例将基于不确定性学习的室内定位方法应用于会议室环境的示意图。
图5是根据本发明实施例将基于不确定性学习的室内定位方法应用于实验室环境的示意图。
图6是根据本发明实施例将基于不确定性学习的室内定位方法应用于办公室环境的示意图。
图7是根据本发明实施例将基于不确定性学习的室内定位方法应用于休息室环境的示意图。
表1是不同房间的定位、追踪的域内评估结果以及不确定性模块的消融实验结果。
表1：不同房间的定位、追踪的域内评估结果以及不确定性模块的消融实验结果
如表1所示，在当前房间进行数据收集、训练，并在当前房间进行测试，定位和追踪效果以平均绝对误差指标进行衡量。“w/o”代表定位和追踪并未采用不确定性模块进行定位。“w(Z=1)”代表采用了不确定性模块并且集成模型的数量为Z=1。“w(Z=5)”代表采用了不确定性模块并且集成模型的数量为Z=5。另外，采用皮尔逊相关系数（Pearson correlationcoefficient，PCC）来衡量不确定性估计和角度误差的关系。
表2是不同房间的定位、追踪的跨域评估结果以及不确定性模块的消融实验结果。
表2：不同房间的定位、追踪的跨域评估结果以及不确定性模块的消融实验结果
如表2所示，模型训练依赖的数据集是在其他房间收集，但模型在当前房间进行测试。定位、追踪效果以平均绝对误差指标进行衡量。
本发明所设置的具体实验验证了图4~图7所示的四种典型室内环境（会议、实验室、办公室和休息室）中，本发明所提出的算法的定位性能。在实验中，设定信号的中心频率为5.31GHz，带宽为40MHz，接收端使用间距 的三根天线对信号进行接收。如图4~图7所示，红色框代表接收端的位置，绿色框是超宽带（Ultra Wide Band）定位系统，其用于收集地面实况定位标签。在数据收集过程中，志愿者被要求在房间里自由走动，同时手里拿着发射器。志愿者可以走得慢，走得快，或者停下来，就像他们在日常活动中通常会做的那样。每个房间平均五个志愿者，每个志愿者单独行走6分钟，然后与可能造成干扰的其他人一起行走3分钟。每个房间均有其收集的数据集，依据不同的实验设定，模型训练选取不同的房间的数据集，并进行测试。以二维定位空间中的真实位置与估计位置的误差距离来评估定位和追踪的性能。如表1和表2所示，不确定性学习有效的评估了模型预测的结果的可靠程度。在基于不确定性学习的框架下，通过检测不可靠的测量，并利用AP的多样性和时间连续信息来实现可靠的定位和跟踪结果。
图8示意性示出了根据本发明实施例的适于实现基于不确定性学习的室内定位方法的电子设备的方框图。
如图8所示，根据本发明实施例的电子设备800包括处理器801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储部分808加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器 801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备800还可以包括输入/输出（I/O）接口805，输入/输出（I/O）接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于不确定性学习的室内定位方法，其特征在于，包括：
将多个接收端布置在室内的不同位置用于从不同方位接收待定位目标所发射的信号，并在每个所述接收端布置天线间距为半波长的均匀直线天线阵列；
根据每个所述均匀直线天线阵列的天线间距和每个所述接收端的接收信号的带宽构建每个所述接收端的相移矢量，并根据每个所述接收端的相移矢量估计每个所述接收端的接收信号的空间估计谱；
基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个所述波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个所述波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型；
利用多个所述训练完成的波达角度估计模型处理每个所述接收端的接收信号的空间估计谱，得到每个所述接收端的多个角度估计值和多个角度方差估计值，将每个所述接收端的多个角度估计值进行求均值运算，得到每个所述接收端的角度平均值，并将每个所述接收端的多个角度方差估计值进行运算，得到每个所述接收端的角度不确定性评估值；
将每个所述接收端的角度平均值和角度不确定性评估值进行联合并通过三角定位方法得到所述待定位目标在室内二维平面内的坐标似然值，并通过求解所述坐标似然值的最大值实现对所述待定位目标的定位。
2.根据权利要求1所述的方法，其特征在于，还包括：
利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对所述预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对所述待定位目标在所述预设时间序列内运动轨迹的追踪。
3.根据权利要求2所述的方法，其特征在于，利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波，并在时域滤波后对所述预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作与三角定位操作，进而实现对所述待定位目标在所述预设时间序列内运动轨迹的追踪包括：
利用卡尔曼滤波器对所述预设时间序列内的波达方向的平滑问题进行建模，得到波达方向平滑模型；
基于物体运动轨迹的时间连续性原理，利用卡尔曼滤波器对预设时间序列内的每个接收端的多个角度平均值和角度不确定性评估值进行时域滤波；
将时域滤波后的每个接收端的多个角度平均值和角度不确定性评估值进行联合操作和三角定位操作，并根据所述波达方向平滑模型，得到所述预设时间序列内的待定位目标的运动轨迹。
4.根据权利要求2所述的方法，其特征在于，还包括：
利用绝对平均误差值对所述待定位目标的定位结果和运动轨迹进行评价，并利用皮尔逊相关系数衡量所述波达角度估计模型的输出结果和角度误差之间的关系。
5.根据权利要求1所述的方法，其特征在于，所述相互独立的多个波达角度估计模型通过深度集成方式用于捕获由于所述预处理后的空间谱训练数据集的数据分布与实际部署环境的数据分布不同所导致的认知不确定性。
6.根据权利要求1所述的方法，其特征在于，基于语义分割网络构建相互独立的多个波达角度估计模型，通过随机种子设置对多个所述波达角度估计模型进行不同的参数初始化，并利用预处理后的空间谱训练数据集和预设的损失函数对多个所述波达角度估计模型进行训练，得到多个训练完成的波达角度估计模型包括：
将所获取的信道状态信息标注上角度值标签并进行格式化处理，得到与所述接收信号格式一致的训练数据集，并根据所述接收端的的相移矢量对所述训练数据集进行估计，得到所述预处理后的空间谱训练数据集；
利用所述波达角度估计模型处理所述预处理后的空间谱训练数据集，得到相对于所述接收端的波达方向预测值；
利用预设的损失函数处理所述波达方向预测值和与所述波达方向预测值相对应的角度值标签，得到损失值，并根据所述损失值对所述波达角度估计模型进行参数优化；
迭代进行模型处理操作、损失计算操作以及参数优化操作，得到训练完成的波达角度估计模型；
利用所述预处理后的空间谱训练数据集对具有不同初始参数的每个所述波达角度估计模型进行训练，得到多个所述训练完成的波达角度估计模型。
7.根据权利要求1所述的方法，其特征在于，将每个所述接收端的多个角度方差估计值进行运算，得到每个所述接收端的角度不确定性评估值包括：
将每个所述接收端的多个角度方差估计值进行求均值运算，得到每个所述接收端的角度方差平均值；
利用每个所述接收端的多个角度估计值和多个角度方差估计值进行标准方差运算，得到每个所述接收端的角度标准方差；
将每个所述接收端的角度标准方差与每个所述接收端的角度方差平均值进行求和运算，得到每个所述接收端的角度不确定性评估值。
8.根据权利要求1所述的方法，其特征在于，每个所述均匀直线天线阵列的天线均为棒状全向天线；
其中，所述语义分割网络包括参数微调的U-net网络，所述预设的损失函数包括基于狄拉克函数构建的KL散度损失函数；
其中，所述KL散度损失函数用于捕获由所述预处理后的空间谱训练数据集自身噪声所导致的任意不确定性。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506495.0A CN117241221B (zh) | 2023-11-14 | 2023-11-14 | 一种基于不确定性学习的室内定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506495.0A CN117241221B (zh) | 2023-11-14 | 2023-11-14 | 一种基于不确定性学习的室内定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117241221A CN117241221A (zh) | 2023-12-15 |
| CN117241221B true CN117241221B (zh) | 2024-01-19 |
Family
ID=89088406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311506495.0A Active CN117241221B (zh) | 2023-11-14 | 2023-11-14 | 一种基于不确定性学习的室内定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117241221B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2952925A1 (en) * | 2014-06-06 | 2015-12-09 | Technische Universität Graz | Method, device and system for indoor localization and tracking using ultra-wideband radio signals |
| CN108989988A (zh) * | 2018-06-12 | 2018-12-11 | 东南大学 | 基于机器学习的室内定位方法 |
| CN110072192A (zh) * | 2019-04-26 | 2019-07-30 | 山东科技大学 | 一种智能手机WiFi室内定位方法 |
| CN114845390A (zh) * | 2022-06-13 | 2022-08-02 | 中国科学技术大学 | 一种基于子载波甄选的近实时Wi-Fi室内定位方法 |
| CN114916059A (zh) * | 2022-04-29 | 2022-08-16 | 湖南大学 | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 |
| CN115840192A (zh) * | 2023-02-27 | 2023-03-24 | 中国科学技术大学 | 一种基于空间估计谱置信度估计的室内定位方法 |
| CN116012387A (zh) * | 2022-12-26 | 2023-04-25 | 清华大学 | 一种面向室内场景三维语义分割的虚拟视图选择方法和装置 |
-
2023
- 2023-11-14 CN CN202311506495.0A patent/CN117241221B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2952925A1 (en) * | 2014-06-06 | 2015-12-09 | Technische Universität Graz | Method, device and system for indoor localization and tracking using ultra-wideband radio signals |
| CN108989988A (zh) * | 2018-06-12 | 2018-12-11 | 东南大学 | 基于机器学习的室内定位方法 |
| CN110072192A (zh) * | 2019-04-26 | 2019-07-30 | 山东科技大学 | 一种智能手机WiFi室内定位方法 |
| CN114916059A (zh) * | 2022-04-29 | 2022-08-16 | 湖南大学 | 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法 |
| CN114845390A (zh) * | 2022-06-13 | 2022-08-02 | 中国科学技术大学 | 一种基于子载波甄选的近实时Wi-Fi室内定位方法 |
| CN116012387A (zh) * | 2022-12-26 | 2023-04-25 | 清华大学 | 一种面向室内场景三维语义分割的虚拟视图选择方法和装置 |
| CN115840192A (zh) * | 2023-02-27 | 2023-03-24 | 中国科学技术大学 | 一种基于空间估计谱置信度估计的室内定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| 人机共享环境下基于Wi-Fi指纹的室内定位方法;赵林生;王鸿鹏;刘景泰;;机器人(03);全文 * |
| 基于CNN和在线学习的UWB室内定位算法;张宝军;田奇;王珩;陈曦;;传感技术学报(04);全文 * |
| 基于RSSI测距的WiFi室内定位算法研究;罗宇锋;王鹏飞;陈彦峰;;测控技术(10);全文 * |
| 基于联合方向特征的智能来波方向估计;翁晓君;张旻;;探测与控制学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117241221A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8054226B2 (en) | Method for estimating location of nodes in wireless networks | |
| CN112073895A (zh) | 一种基于csi高精度人员定位跟踪方法 | |
| CN110501010A (zh) | 确定移动设备在地理区域中的位置 | |
| US9664770B2 (en) | Method and system for simultaneous receiver calibration and object localisation for multilateration | |
| Suski et al. | Using a map of measurement noise to improve UWB indoor position tracking | |
| CN112533163A (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
| US20160091341A1 (en) | Method and apparatus for object localization | |
| CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
| EP2952925A1 (en) | Method, device and system for indoor localization and tracking using ultra-wideband radio signals | |
| CN105974362B (zh) | 一种联合估计信号参数和位置的高精度被动定位方法 | |
| Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
| CN108882171A (zh) | 一种基于csi的人员轨迹跟踪方法 | |
| CN113347709B (zh) | 一种基于uwb的室内定位方法及系统 | |
| Molnár et al. | Development of an UWB based indoor positioning system | |
| US10820152B2 (en) | Device diversity correction method for RSS-based precise location tracking | |
| CN115840192B (zh) | 一种基于空间估计谱置信度估计的室内定位方法 | |
| CN117241221B (zh) | 一种基于不确定性学习的室内定位方法 | |
| Wielandner et al. | Multipath-based SLAM with multiple-measurement data association | |
| KR101480834B1 (ko) | 다중 경로 음파 전달 모델 및 표적 식별을 이용한 표적 기동분석 방법 | |
| US20200033439A1 (en) | Multi-algorithm trilateration system | |
| Jose et al. | Taylor series method in TDOA approach for indoor positioning system. | |
| Kitazato et al. | A study of the detection of pedestrian flow using bluetooth low energy | |
| Ardakani et al. | A hybrid adaptive approach to improve position tracking measurements | |
| Mahardhika et al. | Improving indoor positioning systems accuracy in closed buildings with kalman filter and feedback filter | |
| US10061012B2 (en) | Locating and ranging using coherent array reconciliation tomography |
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 | ||
| GR01 | Patent grant |