TWI749834B - 基於類神經網路模型的定位系統及定位方法 - Google Patents
基於類神經網路模型的定位系統及定位方法 Download PDFInfo
- Publication number
- TWI749834B TWI749834B TW109137605A TW109137605A TWI749834B TW I749834 B TWI749834 B TW I749834B TW 109137605 A TW109137605 A TW 109137605A TW 109137605 A TW109137605 A TW 109137605A TW I749834 B TWI749834 B TW I749834B
- Authority
- TW
- Taiwan
- Prior art keywords
- positioning
- fingerprint data
- regions
- neural network
- fine
- Prior art date
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
公開一種基於類神經網路模型的定位系統及定位方法。定位方法包括:採集Wi-fi指紋資料;以計算裝置接收Wi-Fi指紋資料,計算裝置包括處理器及儲存有定位圖資及類神經網路模型組的資料庫,類神經網路模型組包括全局定位模型、粗略定位模型及精細定位模型;配置處理器以將Wi-Fi指紋資料輸入,並執行下列步驟:通過全局定位模型估計一全局相關位置;以對應的初級子區域取得對應的粗略定位模型以估計當前位置的估計粗略相關位置;以對應的精細定位模型估計當前位置的多個估計精細相關位置;對估計精細相關位置執行合併處理,以產生最終相關位置。
Description
本發明涉及一種定位系統及定位方法,特別是涉及一種基於類神經網路模型的定位系統及定位方法。
隨著行動計算節點的擴展與無線技術的進步,對於精確室內定位與其相關服務的需求變得愈來愈流行。可靠與精準正確的室內定位可以支援大範圍的應用。
然而,現行室內定位系統有很多問題。例如,此等系統經常不精確、太複雜而無法實施、及/或太昂貴。根據Wi-Fi與接收信號強度指標(RSSI)信號的室內定位系統雖有較高的精準度,然而,在相同場域中的Wi-Fi訊號過多,且複雜性及變動率大,因此,難以單純的基於Wi-Fi訊號及強度來建立精確的定位系統。
此外,當使用定位的場域過大時,更會進一步延長定位所需的時間,提升所使用的系統運算資源,並且造成定位精準度劣化。
本發明所要解決的技術問題在於,針對現有技術的不足提供一種基於類神經網路模型的定位系統及定位方法。
為了解決上述的技術問題,本發明所採用的其中一技術方案是提供一種基於類神經網路模型的定位系統,其包括無線裝置以及計算裝置。無線裝置經配置以於目標區域中採集其當前位置上的Wi-Fi指紋資料。其中該計算裝置,包括處理器、通訊模組及資料庫。通訊模組經配置以從該無線裝置接收所採集的該Wi-Fi指紋資料。資料庫,儲存有該目標區域的一定位圖資及一類神經網路模型組,其中該定位圖資包括對應於該目標區域中的多個採集點的多筆Wi-Fi指紋資料,該目標區域係劃分為多個初級子區域,且各該些初級子區域進一步包括多個次級子區域,其中該類神經網路模型組係以該定位圖資以及模型定義文件進行一訓練流程而產生下列多個模型,包括一全局定位模型、多個粗略定位模型及多個精細定位模型。全局定位模型用於基於輸入Wi-Fi指紋資料估計該目標區域中的一全局相關位置。多個粗略定位模型分別對應於該些初級子區域,且各該些粗略定位模型用於基於輸入Wi-Fi指紋資料估計對應的該初級子區域中的一粗略相關位置。多個精細定位模型分別對應該些次級子區域,且各該些精細定位模型用於基於輸入Wi-Fi指紋資料估計對應的該次級子區域中的一精細相關位置。其中,處理器經配置以將所採集的該Wi-Fi指紋資料輸入該經訓練的類神經網路模型組,並執行下列步驟:通過該全局定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計全局相關位置;依據該估計全局相關位置對應的該初級子區域,進而取得對應的該粗略定位模型;通過所取得的該粗略定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計粗略相關位置;依據該估計粗略相關位置對應的該些次級子區域,進而取得對應的該些精細定位模型;通過所取得的該些精細定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的多個估計精細相關位置;及對該些估計精細相關位置執行一合併處理,以產生一最終相關位置,以作爲該無線裝置於該目標區域中的該當前位置。
在一些實施例中,訓練流程包括:以該目標區域中的該些筆Wi-Fi指紋資料對該全局定位模型進行訓練;針對該些粗略定位模型中的每一個,以該些初級子區域中,對應的該初級子區域的該些筆Wi-Fi指紋資料進行訓練;以及針對該些精細定位模型中的每一個,以該些次級子區域中,對應的該次級子區域的該些筆Wi-Fi指紋資料進行訓練。
在一些實施例中,訓練流程更包括對該些筆Wi-Fi指紋資料執行一預處理流程,包括:依據一高鑑別率Wi-Fi存取點特徵清單篩選並排序該些筆Wi-Fi指紋資料,並整理為多筆特徵向量。其中一個向量中的每個元素對應該些高鑑別率Wi-Fi存取點特徵清單的實際量測數值,而每一個特徵向量對應一次對於該些Wi-Fi存取點特徵數值的同時量測,因此多筆Wi-Fi指紋資料對應到多筆特徵向量。篩選過程中若該次同時量測中對於某些Wi-Fi存取點特徵有缺漏者,則填入一個預設的數值,以代表缺漏的情形,同時減少對於接續的數值運算之影響;以及對該些輸入特徵向量中的每一個執行一歸一化演算法以將該輸入特徵向量標準化。
在一些實施例中,合併處理包括:分別取得涵蓋該些估計精細相關位置的該些次級子區域,其中該些次級子區域分別對應多個次級子區域中心點;依據該些次級子區域中心點與該些估計精細相關位置的距離,計算對應該些估計相關位置的多個權重值;以及依據該些權重值及該些估計精細相關位置計算產生該最終相關位置。
在一些實施例中,該全局定位模型、該些粗略定位模型及該些精細定位模型各為一深度類神經網路模型,且該深度類神經網路模型包括一輸入層、多個隱含層及一輸出層,其中該些隱含層各使用一非線性激勵函數。
為了解決上述的技術問題,本發明所採用的另外一技術方案是提供一種基於類神經網路模型的定位方法,其包括:配置一無線裝置以於一目標區域中採集其當前位置上的Wi-fi指紋資料;配置一計算裝置包括的一通訊模組從該無線裝置接收所採集的該Wi-Fi指紋資料,其中,該計算裝置更包括一處理器及一資料庫,該資料庫儲存有該目標區域的一定位圖資及一類神經網路模型組,該定位圖資包括對應於該目標區域中的多個採集點的多筆Wi-Fi指紋資料,該目標區域係劃分為多個初級子區域,且各該些初級子區域進一步包括多個次級子區域,其中該類神經網路模型組係以該定位圖資進行一訓練流程而產生,且包括一全局定位模型、多個粗略定位模型及多個精細定位模型。全局定位模型,用於基於輸入Wi-Fi指紋資料估計該目標區域中的一全局相關位置。多個粗略定位模型,分別對應於該些初級子區域,且各該些粗略定位模型用於基於輸入Wi-Fi指紋資料估計對應的該初級子區域中的一粗略相關位置。多個精細定位模型,分別對應該些次級子區域,且各該些精細定位模型用於基於輸入Wi-Fi指紋資料估計對應的該次級子區域中的一精細相關位置。基於類神經網路模型的定位方法更包括配置該處理器以將所採集的該Wi-Fi指紋資料輸入該類神經網路模型組,並執行下列步驟:通過該全局定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計全局相關位置;依據該估計全局相關位置對應的該初級子區域,進而取得對應的該粗略定位模型;通過所取得的該粗略定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計粗略相關位置;依據該估計粗略相關位置對應的該些次級子區域,進而取得對應的該些精細定位模型;通過所取得的該些精細定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的多個估計精細相關位置;及對該些估計精細相關位置執行一合併處理,以產生一最終相關位置,以作爲該無線裝置於該目標區域中的該當前位置。
本發明的其中一有益效果在於,本發明所提供的基於類神經網路模型的定位系統及定位方法,其可通過採用類神經網路模型組,由大範圍至小範圍、由低精度至高精度,循序漸進鎖定待測物之座標。
此外,將多個定位模型依據所劃分的全局區域、初級子區域及次級子區域,取用不同子集的Wi-Fi指紋資料各自進行訓練,從而獲得具備不同定位範圍以及不同定位精準度的經訓練定位模型,可在定位時節省初步定位所需的時間以及整體所使用的系統運算資源,並最終依然可維持高精確度。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明所公開有關“基於類神經網路的定位系統及定位方法”的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不背離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
圖1為本發明實施例的基於類神經網路的定位系統的方塊圖。參閱圖1所示,本發明第一實施例提供一種基於類神經網路模型的定位系統1,其包括無線裝置12以及計算裝置10。
詳細而言,無線裝置12經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料。無線裝置12可包括無線收發器以收發訊號,且無線裝置12例如可為平板電腦、手機等的行動裝置或專屬開發之硬體平台。詳細而言,無線裝置12主要係用於利用檢測Wi-Fi存取點的數量、可檢測到之Wi-Fi存取點的訊號強度指標RSSI、可檢測到之Wi-Fi存取點的頻道資訊、與所檢測到之Wi-Fi存取點的通訊過程所發生的特徵資訊,以產生Wi-Fi指紋。
然而,並不是所有實施例均限定於上述指紋技術,也可以使用其他Wi-Fi位置技術同時混合來自各種無線電波源的資料,例如組合Wi-Fi、IEEE 802.11mc測距資料、無線射頻辨識(Radio Frequency Identification, RFID)、無線藍芽傳輸資料(Bluetooth Low Energy, BLE) 或超寬頻測距模組(Ultra-Wideband, UWB ranging module)等,更可以結合非無線射頻訊號的資料,如慣性量測單元及環境量測單元等。
在一些實施例中,無線裝置12可例如為一行動裝置,其包括處理單元(例如,處理器)以及電性連接於處理單元的儲存單元(例如,快閃記憶體)、各式無線射頻及非無線射頻量測模組及資料收發單元(例如,支援2.4G/5G頻段的Wi-Fi模組)。
計算裝置10包括處理器100、資料庫102及通訊模組104。計算裝置10可以包含任何適當處理器驅動計算裝置,包含但並不限於桌上型計算裝置、膝上型計算裝置、伺服器、智慧手機、平板電腦等等。處理器100可為如可程式邏輯控制電路(Programmable Logic Controller Circuit)、微處理電路(Micro-processor Circuit)或微控制電路(Micro-control Circuit)的積體電路或包括如前述積體電路的平板電腦、手機、筆記型電腦或桌上型電腦等的電子裝置,但不以此為限。
可進一步參考圖2及圖3,圖2爲根據本發明實施例的資料庫示意圖,圖3爲根據本發明實施例的目標區域及多個採集點的示意圖。如圖2所示,資料庫102儲存有一目標區域的定位圖資1020及一類神經網路模型組1022,其中,該定位圖資包括對應於該目標區域中的多個採集點的多筆Wi-Fi指紋資料。資料庫102可例如爲記憶體系統,其可包括非揮發記憶體(例如快閃記憶體)、系統記憶體(例如DRAM)與相關配套之資料庫管理軟體。
詳細而言,如圖3所示,目標區域MAP1可為預定要進行定位的一室內場所或建築,定位圖資1020可包括上述場所或建築的各樓層的一或多個地圖,而多個採集點P可為散佈於目標區域MAP1中的多個座標,而多筆Wi-Fi指紋資料可例如爲使用者預先於目標區域的該些採集點上取得的Wi-fi指紋資料,且可包括於各採集點上通過無線接收器偵測到的Wi-fi指紋資料。
需要說明的是,目標區域MAP1整體可作爲一全局區域GR,而全局區域GR可劃分為多個初級子區域,例如初級子區域PSR1、PSR2及PSR3,且各該些初級子區域進一步包括多個次級子區域,例如,初級子區域PSR1可劃分為次級子區域SSR1、SSR2、SSR3及SSR4,而初級子區域PSR3可劃分為次級子區域SSR5、SSR6、SSR7及SSR8,但本發明不限於此。除此之外,初級子區域及次級子區域的劃分方式不限於如圖3所示的圓形,亦可以矩形、三角形或多邊形來進行劃分,本實施例不限制其方式。
進一步說明本發明採用的類神經網路模型組1022。可進一步參考圖4,其爲根據本發明實施例的類神經網路模型組的架構示意圖。如圖所示,類神經網路模型組1022係以定位圖資MAP1及模型定義文件進行一訓練流程而產生,且包括一全局定位模型GPM、多個粗略定位模型CPM1、CPM2、…、CMPi及多個精細定位模型FPM1、FPM2、…、FPMj。
其中,模型定義文件係指一套程式碼文件包含定位模型之結構定義及配套之資料預處理、後處理參數等細節設定。此套程式碼經由特定指令執行後,可以接收訓練用Wi-Fi指紋資料組,並接續進行預處理、模型建立、模型訓練、模型儲存等步驟,最後生成一個經訓練的定位模型模組。
詳細而言,依據目標區域MAP1的大小,Wi-Fi指紋資料的筆數以及各筆資料的變動幅度均可能在訓練的過程中使類神經網路超出能夠學習並進行有效預測的限度,無法兼顧廣度與精度,因此,本發明採用了具有多階層架構的類神經網路模型組1022,其中,將多個定位模型依據所劃分的全局區域、初級子區域及次級子區域,取用不同的Wi-Fi指紋資料各自進行訓練,從而獲得具備不同定位範圍以及不同定位精準度的經訓練定位模型。
以本實施例而言,全局定位模型GPM可用於基於所輸入的Wi-Fi指紋資料,來估計全局區域GR中的全局相關位置。
另一方面,粗略定位模型CPM1、CPM2、…、CMPi可分別對應於從目標區域MAP1中劃分出來的多個初級子區域,例如初級子區域PSR1、PSR2及PSR3,且各粗略定位模型CPM1、CPM2、…、CMPi用於基於所輸入的Wi-Fi指紋資料估計在初級子區域PSR1、PSR2及PSR3中的各一粗略相關位置。其中,粗略定位模型CPM1、CPM2、…、CMPi的數量可對應於初級子區域的總數。
此外,精細定位模型FPM1、FPM2、…、FPMj分別對應從各初級子區域劃分出的次級子區域,例如,前述的次級子區域SSR1至SSR8,且各精細定位模型FPM1、FPM2、…、FPMj可用於基於所輸入的Wi-Fi指紋資料估計對應的該次級子區域中的各一精細相關位置。
需要說明的是,上述的全局定位模型GPM、粗略定位模型CPM1、CPM2、…、CMPi乃至於精細定位模型FPM1、FPM2、…、FPMj為概念上將空間劃分為多個由大至小範圍與由粗至細的精細度,以讓各個模型發揮最大效益,但階層安排不以此例為限,舉例來說,全局定位模型GPM可能對應到建築物及樓層之間的區分,又粗略定位模型CPM1、CPM2、…、CMPi及精細定位模型FPM1、FPM2、…、FPMj可能對應樓層中彼此重疊的空間,且可能有對應的更精細的定位模型。
在說明類神經網路模型組的定位流程之前,首先說明其訓練流程。請參考圖5,其爲根據本發明實施例的用於全局定位模型、粗略定位模型及精細定位模型的深度類神經網路模型的基本架構圖。如圖所示,前述的全局定位模型、粗略定位模型及精細定位模型可各為一具有此架構的深度類神經網路模型。以全局定位模型GPM爲例,所使用的深度類神經網路模型包括一輸入層InpL、多個隱含層HidL及輸出層OutL,而該輸入層、該些隱含層及該輸出層各包括一激勵函數,其用於以非線性方式調整該輸入層、該些隱含層及該輸出層的輸出結果。另外一些實施例中,這些定位模型可以是全部或部分對應於一個整合的類神經網路模型內的多階層結構設計,此整合的類神經網路同樣具有一個共同的輸入層、多層隱含層及一個複合式輸出層,而以此整合的類神經網路模型作為建立、訓練及運作的實體。
詳細而言,激勵函數可用於以非線性方式調整輸入層、隱含層及輸出層的輸出結果,使深度類神經網路模型具有擬合輸入與輸出之間複雜、非線性之轉換關係的能力,進而提升定位模型的預測能力。激勵函數可以是飽和激勵函數(Saturated Activation function)或非飽和激勵函數(Non-saturate Activation function),當激勵函數是飽和激活函數時,可採用tanh、sigmoid等架構,而當激勵函數是非飽和激活函數時,可採用線性整流函數(Rectified Linear Unit, ReLU)或其變化架構(例如ELU、Leaky ReLU、PReLU或其它變化架構)。
進一步,請參考圖6,其爲根據本發明實施例的用於類神經網路模型組的訓練流程的流程圖。如圖所示,訓練流程包括下列步驟:
步驟S100:以目標區域中的多筆Wi-Fi指紋資料對全局定位模型進行訓練。
步驟S101:針對多個粗略定位模型中的每一個,以多個初級子區域中,對應的初級子區域的多筆Wi-Fi指紋資料進行訓練。
步驟S102:針對多個精細定位模型中的每一個,以多個次級子區域中,對應的次級子區域的多筆Wi-Fi指紋資料進行訓練。
其中,所謂進行訓練係將預處理後的Wi-Fi指紋資料及空間座標依適當比例、隨機次序分爲一訓練集及一驗證集,並以該訓練集分別對全局定位模型、粗略定位模型及精細定位模型進行訓練。通過將驗證集輸入全局定位模型、粗略定位模型及精細定位模型,同時評估全局定位模型、粗略定位模型及精細定位模型是否達到預期定位精準度,若尚未達到預期定位精準度,則對全局定位模型、粗略定位模型及精細定位模型進行超參數調整,並繼續以該訓練集對全局定位模型、粗略定位模型及精細定位模型進行訓練,直到全局定位模型、粗略定位模型及精細定位模型通過效能測試,即將通過效能測試的全局定位模型、粗略定位模型及精細定位模型作爲類神經網路模型組。
再者,上述訓練流程更包括對多筆Wi-Fi指紋資料執行一預處理流程,可進一步參考圖7,其爲根據本發明實施例的預處理流程的流程圖。預處理流程可包括下列步驟:
步驟S200:依據一組預先篩選好的高鑑別率Wi-Fi存取點特徵清單篩選並排序該些筆Wi-Fi指紋資料,並將篩選取出後的資料組整理為多筆特徵向量。其中,一組預先篩選好的高鑑別率Wi-Fi存取點特徵清單係指:將所有相關的Wi-Fi指紋資料整理並統計出所有可用的Wi-Fi存取點特徵清單,並依據指定的鑑別率評斷標準篩選並排序而成的一組高鑑別率Wi-Fi存取點特徵清單。而上述之鑑別率評斷標準,舉例來說可為Wi-Fi存取點特徵之平均出現比率、Wi-Fi存取點特徵之平均訊號強度或是與空間分布相關之資訊增益值等。接著,依據此清單去將所有相關的Wi-Fi指紋資料中的每一筆資料整理為一個輸入特徵向量InpV。
步驟S201:篩選過程中若該次同時量測中對於某些Wi-Fi存取點特徵有缺漏者,則填入一個預設的數值。詳細來說,在整理輸入特徵向量InpV的過程中,因為每一筆的Wi-Fi掃描結果並不會完整的掃描到全部的特徵數值,所以必然有大部分的數值未量測到而需填入替代值。所填入的替代值,應足以表示未量測到的狀態,又不影響模型訓練過程為準,舉例來說,若該些特徵的物理意義是訊號強度,則將未量測到的數值填入該特徵向量中的最小值,搭配下個步驟的歸一化演算法,則未量測到的數值將化為零,即代表訊號極弱或是未量測到。通常來說,由一筆Wi-Fi掃描結果所整理出的特徵向量InpV中,僅有接近30%~40%的特徵數值有採集到,剩餘的皆須填入替代值。在一些實施例的進階設計中,除了訓練資料中每一筆特徵向量就會因為上述原因有接近60%的數值未量測到,在模型訓練過程中更會依據適當比例、隨機程序動態挑選特徵向量中的一些數值為未量測,不管被挑選到的該些數值原本是未量測到或是有效的量測值,都把該些設為未量測,此操作稱為Dropout。如此一來,一筆特徵向量之中未量測的比例更提升至大約70%~80%不等。此舉的目的是進行資料擴增(Data Augmentation),將一組較優的訓練資料擴充為更大量但更劣等的資料,讓模型適應更稀疏的資料、更惡劣的輸入情形,迫使其學習到更廣泛的模式(General Pattern)、避免過度訓練(Over-fitting)。
步驟S202:對該些輸入特徵向量中的每一個執行一歸一化演算法,以將該輸入特徵向量標準化,以完成預處理流程。此處,由於在建立定位圖資時,Wi-Fi指紋資料取得的時間點、採集裝置或取得條件可能有所差異,因此,同一時間內量測之多個特徵數值(例如Wi-Fi存取點之訊號強度)之間 的相對數值大小應爲較穩定且較有參考性的資訊,而歸一化演算法之目的在於將輸入特徵向量針對Wi-Fi指紋資料的相對強度的特徵取出,並可以此對全局定位模型、粗略定位模型及精細定位模型進行訓練。
在訓練完成並得到本發明實施例的類神經網路模型組後,可執行本發明的基於類神經網路的定位方法。可進一步參考圖8,其爲根據本發明實施例的基於類神經網路的定位方法的流程圖。如圖所示,基於類神經網路的定位方法可包括下列步驟:
步驟S300:配置無線裝置以於目標區域中採集其當前位置上的Wi-fi指紋資料。舉例而言,無線裝置可作爲一待測物,或與待測物設置在同一位置,以取得待測物所在的當前位置的Wi-Fi指紋資料。例如,當前位置上,所接收到的多個Wi-Fi存取點提供的多個無線訊號,以及對應的多個訊號強度。
步驟S301:配置計算裝置的通訊模組從無線裝置接收所採集的該Wi-Fi指紋資料。
步驟S302:配置處理器以將所採集的Wi-Fi指紋資料輸入類神經網路模型組,並執行下列步驟:
步驟S303:通過全局定位模型依據所採集的Wi-Fi指紋資料估計該當前位置的估計全局相關位置。例如,可參考圖9所示,其爲根據本發明實施例的估計全局相關位置及對應的初級子區域示意圖,經過全局定位模型定位出的全局相關位置Pg可如圖所示,位在初級子區域PSR1及PSR2的重疊處。
步驟S304:依據估計全局相關位置對應的初級子區域取得對應的粗略定位模型。如圖9所示,此時全局相關位置Pg對應於初級子區域PSR1及PSR2,因此,將先前通過初級子區域PSR1及PSR2中的Wi-Fi指紋資料訓練的粗略定位模型取出,例如為粗略定位模型CPM1及CPM2。
步驟S305:通過所取得的粗略定位模型依據所採集的Wi-Fi指紋資料估計該當前位置的估計粗略相關位置。舉例而言,可參考圖10所示,其爲根據本發明實施例的估計粗略相關位置及對應的次級子區域示意圖,經過粗略定位模型CPM1定位出的估計粗略相關位置Pc1可如圖所示,位在次級子區域SSR1及SSR3的重疊處,而經過粗略定位模型CPM2定位出的估計粗略相關位置Pc2則位在次級子區域SSR2及SSR4的重疊處。
步驟S306:依據估計粗略相關位置對應的次級子區域取得對應的精細定位模型。如圖10所示,此時估計粗略相關位置Pc1對應於次級子區域SSR1及SSR3,因此,將先前通過次級子區域SSR1及SSR3中的Wi-Fi指紋資料訓練的精細定位模型取出,例如為精細定位模型FPM1及FPM3。另一方面,估計粗略相關位置Pc2對應於次級子區域SSR2及SSR4,因此,將先前通過次級子區域SSR2及SSR4中的Wi-Fi指紋資料訓練的精細定位模型取出,例如為精細定位模型FPM2及FPM4。
步驟S307:通過所取得的該些精細定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的多個估計精細相關位置。舉例而言,可參考圖11所示,其爲根據本發明實施例的估計精細相關位置及對應的次級子區域示意圖,經過精細定位模型FPM1至FPM4定位出的估計精細相關位置Pf1至Pf4可如圖所示。
步驟S308:對該些估計精細相關位置執行合併處理,以產生最終相關位置,以作爲無線裝置於目標區域中的當前位置。
其中,可進一步參考圖12,其爲根據本發明實施例的合併處理的流程圖。如圖所示,合併處理可進一步包括下列步驟:
步驟S400:分別取得涵蓋該些估計精細相關位置的該些次級子區域。其中,如圖11所示,該些次級子區域分別對應多個次級子區域中心點,例如次級子區域SSR1至SSR4分別對應次級子區域中心點C1、C2、C3及C4,而涵蓋估計精細相關位置Pf1及Pf3的次級子區域為次級子區域SSR1及SSR3,涵蓋估計精細相關位置Pf2及Pf4的次級子區域為次級子區域SSR2及SSR4。
步驟S401:依據該些次級子區域中心點與該些估計精細相關位置的距離,計算對應該些估計相關位置的多個權重值。例如,依據次級子區域為次級子區域SSR1及SSR3的次級子區域中心點C1、C3與估計精細相關位置Pf1的距離來計算對應估計精細相關位置Pf1的權重值,以此類推,可進一步取得對應於估計精細相關位置Pf2、Pf3及Pf4的權重值。
步驟S402:依據該些權重值及該些估計精細相關位置計算產生該最終相關位置。例如,可將估計精細相關位置Pf1、Pf2、Pf3及Pf4的座標分別乘上對應的權重值來取得最終相關位置,以作爲無線裝置於目標區域中的當前位置。
圖13為根據本發明實施例的用於全局定位模型的具體架構圖。此實施例中,全局定位模型用於依據所輸入之特徵向量,判斷出待定物所在之建築物及樓層之初級子區域。
圖14為根據本發明實施例的整合型定位模型的具體架構圖。此實施例中,粗略及精細定位模型被整合在一個大型的神經網路模型之中,同時進行該初級子區域內之粗略及精細定位預測,透過其內置的整合輸出層,將每個精細定位模型的定位結果依據粗略定位模型之定位結果整合起來,並輸出整合後的精細定位結果。整個定位系統中具有多個整合的神經網路模型,分別對應多個初級子區域。此整合的目的是:透過全局定位模型分類初級子區域,以兼顧定位系統的定位範圍可擴展性;再透過整合的神經網路模型同步執行粗略及精細定位模型,以提高模型運作效率及精準度。
圖15為爲根據本發明實施例的已訓練模型之定位效能(Performance of Positioning Models)比較圖。圖中以定位誤差距離(單位為公尺)之累計分布函式圖(Cumulative Distribution Function)與比例(ratio)呈現定位效能,圖中同時呈現四種模型配置之定位效能,分別為:所提出的預處理法搭配所提出的深度神經網路模型(實線線段,Proposed-Preproc. + Proposed-DNN);所提出的預處理法搭配簡單的深度神經網路模型(長虛線線段,Proposed-Preproc. + Naïve-DNN);簡單的預處理法搭配簡單的深度神經網路模型(長短相間虛線線段,Naïve-Preproc. + Naïve-DNN);簡單的KNN模型(短虛線線段,Naïve-KNN)。由圖中可以觀察到,定位效能最好的即是由所提出的預處理法搭配所提出的深度神經網路模型達到最低的50%定位誤差,約為1m。最差的是基於簡單的KNN模型,其50%定位誤差約為2.4m。
[實施例的有益效果]
本發明的其中一有益效果在於,本發明所提供的基於類神經網路模型的定位系統及定位方法通過使用特徵數值預處理流程,可以有效提高模型定位效能,以及降低因為時間、空間及裝置間之量測偏差造成的定位效能干擾。
本發明的另一有益效果在於,本發明所提供的基於類神經網路模型的定位系統及定位方法,其可通過採用類神經網路模型組,由大範圍至小範圍、由低精度至高精度,循序漸進鎖定待測物之座標。
此外,將多個定位模型依據所劃分的全局區域、初級子區域及次級子區域,取用不同的Wi-Fi指紋資料各自進行訓練,從而獲得具備不同定位範圍以及不同定位精準度的經訓練定位模型,可在定位時節省定位所需的時間以及所使用的系統運算資源,並可維持精確度。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
1:基於類神經網路模型的定位系統
12:無線裝置
10:計算裝置
100:處理器
102:資料庫
104:通訊模組
1020:定位圖資
1022:類神經網路模型組
MAP1:目標區域
GR:全局區域
PSR1、PSR2、PSR3:初級子區域
SSR1、SSR2、SSR3、SSR4、 SSR5、SSR6、SSR7、SSR8:次級子區域
GPM:全局定位模型
CPM1、CPM2、…、CPMi:多個粗略定位模型
FPM1、FPM2、…、FPMj:精細定位模型
InpV:輸入特徵向量
Pg:全局相關位置
Pc1、Pc2:估計粗略相關位置
Pf1、Pf2、Pf3、Pf4:估計精細相關位置
C1、C2、C3、C4:次級子區域中心點
InpL:輸入層
HidL:隱含層
OutL:輸出層
圖1為本發明實施例的基於類神經網路的定位系統的方塊圖。
圖2爲根據本發明實施例的資料庫示意圖。
圖3爲根據本發明實施例的目標區域及多個採集點的示意圖。
圖4爲根據本發明實施例的多階層類神經網路模型組合的架構示意圖。
圖5爲根據本發明實施例的用於全局定位模型、粗略定位模型及精細定位模型的深度類神經網路模型的架構示意圖。
圖6爲根據本發明實施例的用於類神經網路模型組的訓練流程的流程圖。
圖7爲根據本發明實施例的預處理流程的流程圖。
圖8爲根據本發明實施例的基於類神經網路的定位方法的流程圖。
圖9爲根據本發明實施例的估計全局相關位置及對應的初級子區域示意圖。
圖10爲根據本發明實施例的估計粗略相關位置及對應的次級子區域示意圖。
圖11爲根據本發明實施例的估計精細相關位置及對應的次級子區域示意圖。
圖12爲根據本發明實施例的合併處理的流程圖。
圖13為根據本發明實施例的用於全局定位模型的具體架構圖。
圖14為根據本發明實施例的整合型定位模型的具體架構圖。
圖15為爲根據本發明實施例的已訓練模型之定位效能比較圖。
指定代表圖為流程圖,故無符號簡單說明。
Claims (8)
- 一種基於類神經網路模型的定位系統,其包括:一無線裝置,經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料;一計算裝置,包括:一處理器;一通訊模組,經配置以從該無線裝置接收所採集的該Wi-Fi指紋資料;及一資料庫,儲存有該目標區域的一定位圖資及一類神經網路模型組,其中該定位圖資包括對應於該目標區域中的多個採集點的多筆Wi-Fi指紋資料,該目標區域係劃分為多個初級子區域,且各該些初級子區域進一步包括多個次級子區域,其中該類神經網路模型組係以該定位圖資及一模型定義文件進行一訓練流程而產生,且包括:一全局定位模型,用於基於輸入Wi-Fi指紋資料估計該目標區域中的一全局相關位置;多個粗略定位模型,分別對應於該些初級子區域,且各該些粗略定位模型用於基於輸入Wi-Fi指紋資料估計對應的該初級子區域中的一粗略相關位置;及多個精細定位模型,分別對應該些次級子區域,且各該些精細定位模型用於基於輸入Wi-Fi指紋資料估計對應的該次級子區域中的一精細相關位置;其中該處理器經配置以將所採集的該Wi-Fi指紋資料輸入經訓練的該類神經網路模型組,並執行下列步驟:通過該全局定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計全局相關位置;依據該估計全局相關位置對應的該初級子區域,進而取得對 應的該粗略定位模型;通過所取得的該粗略定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計粗略相關位置;依據該估計粗略相關位置對應的該些次級子區域,進而取得對應的該些精細定位模型;通過所取得的該些精細定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的多個估計精細相關位置;及對該些估計精細相關位置執行一合併處理,以產生一最終相關位置,以作為該無線裝置於該目標區域中的該當前位置,其中該合併處理包括:分別取得涵蓋該些估計精細相關位置的該些次級子區域,其中該些次級子區域分別對應多個次級子區域中心點;依據該些次級子區域中心點與該些估計精細相關位置的距離,計算對應該些估計相關位置的多個權重值;以及依據該些權重值及該些估計精細相關位置計算產生該最終相關位置。
- 如請求項1所述的基於類神經網路模型的定位系統,其中該訓練流程包括:以該目標區域中的該些筆Wi-Fi指紋資料對該全局定位模型進行訓練;針對該些粗略定位模型中的每一個,以該些初級子區域中,對應的該初級子區域的該些筆Wi-Fi指紋資料進行訓練;以及針對該些精細定位模型中的每一個,以該些次級子區域中,對應的該次級子區域的該些筆Wi-Fi指紋資料進行訓練。
- 如請求項2所述的基於類神經網路模型的定位系統,其中該 訓練流程更包括對該些筆Wi-Fi指紋資料執行一預處理流程,包括:依據多個高鑑別率Wi-Fi存取點特徵清單對該些筆Wi-Fi指紋資料進行篩選及排序,以產生多個輸入特徵向量,其中該些高鑑別率Wi-Fi存取點特徵清單各包括多個Wi-Fi存取點及對應該些Wi-Fi存取點的多個特徵數值,該些輸入特徵向量各具有多個元素,且該些輸入特徵向量各對應於針對該些高鑑別率Wi-Fi存取點特徵清單中的該些Wi-Fi存取點進行一次同時量測所得到的實際量測數值,且該些筆Wi-Fi指紋資料對應於該些輸入特徵向量;判斷針對該些Wi-Fi存取點進行的該次同時量測所得到的實際量測數值是否有缺漏,若是,則填入預設值;以及對該些輸入特徵向量中的每一個執行一歸一化演算法以將該輸入特徵向量標準化。
- 如請求項1所述的基於類神經網路模型的定位系統,其中該全局定位模型、該些粗略定位模型及該些精細定位模型各為一深度類神經網路模型,且該深度類神經網路模型包括一輸入層、多個隱含層及一輸出層,而該輸入層、該些隱含層及該輸出層各包括一激勵函數,其用於以非線性方式調整該輸入層、該些隱含層及該輸出層的輸出結果。
- 一種基於類神經網路模型的定位方法,其包括:配置一無線裝置以於一目標區域中採集其當前位置上的Wi-fi指紋資料;配置一計算裝置包括的一通訊模組從該無線裝置接收所採集的該Wi-Fi指紋資料,其中該計算裝置更包括一處理器及一資料庫,該資料庫儲存有該目標區域的一定位圖資及一類神經網路模型組,該定位圖資包括對應於該目標區域中 的多個採集點的多筆Wi-Fi指紋資料,該目標區域係劃分為多個初級子區域,且各該些初級子區域進一步包括多個次級子區域,其中該類神經網路模型組係以該定位圖資進行一訓練流程而產生,且包括:一全局定位模型,用於基於輸入Wi-Fi指紋資料估計該目標區域中的一全局相關位置;多個粗略定位模型,分別對應於該些初級子區域,且各該些粗略定位模型用於基於輸入Wi-Fi指紋資料估計對應的該初級子區域中的一粗略相關位置;及多個精細定位模型,分別對應該些次級子區域,且各該些精細定位模型用於基於輸入Wi-Fi指紋資料估計對應的該次級子區域中的一精細相關位置;配置該處理器以將所採集的該Wi-Fi指紋資料輸入該類神經網路模型組,並執行下列步驟:通過該全局定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計全局相關位置;依據該估計全局相關位置對應的該初級子區域,進而取得對應的該粗略定位模型;通過所取得的該粗略定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的一估計粗略相關位置;依據該估計粗略相關位置對應的該些次級子區域,進而取得對應的該些精細定位模型;通過所取得的該些精細定位模型依據所採集的該Wi-Fi指紋資料估計該當前位置的多個估計精細相關位置;及對該些估計精細相關位置執行一合併處理,以產生一最終相關位置,以作為該無線裝置於該目標區域中的該當前位置, 其中該合併處理包括:分別取得涵蓋該些估計精細相關位置的該些次級子區域,其中該些次級子區域分別對應多個次級子區域中心點;依據該些次級子區域中心點與該些估計精細相關位置的距離,計算對應該些估計相關位置的多個權重值;以及依據該些權重值及該些估計精細相關位置計算產生該最終相關位置。
- 如請求項5所述的基於類神經網路模型的定位方法,其中該訓練流程包括:以該目標區域中的該些筆Wi-Fi指紋資料對該全局定位模型進行訓練;針對該些粗略定位模型中的每一個,以該些初級子區域中,對應的該初級子區域的該些筆Wi-Fi指紋資料進行訓練;以及針對該些精細定位模型中的每一個,以該些次級子區域中,對應的該次級子區域的該些筆Wi-Fi指紋資料進行訓練。
- 如請求項6所述的基於類神經網路模型的定位方法,其中該訓練流程更包括對該些筆Wi-Fi指紋資料執行一預處理流程,包括:將該些筆Wi-Fi指紋資料以一第一預定數量進行篩選,並進行排列以形成一輸入特徵向量,其中該輸入特徵向量具有一第二預定數量的多個元素;將該第二預定數量及該第一預定數量之間的一差異數量的該些元素以一預設值填入;以及對該輸入特徵向量執行一歸一化演算法以將該輸入特徵向量標準化。
- 如請求項5所述的基於類神經網路模型的定位方法,其中該 全局定位模型、該些粗略定位模型及該些精細定位模型各為一深度類神經網路模型,且該深度類神經網路模型包括一輸入層、多個隱含層及一輸出層,而該輸入層、該些隱含層及該輸出層各包括一激勵函數,其用於以非線性方式調整該輸入層、該些隱含層及該輸出層的輸出結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109137605A TWI749834B (zh) | 2020-10-29 | 2020-10-29 | 基於類神經網路模型的定位系統及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109137605A TWI749834B (zh) | 2020-10-29 | 2020-10-29 | 基於類神經網路模型的定位系統及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI749834B true TWI749834B (zh) | 2021-12-11 |
TW202217737A TW202217737A (zh) | 2022-05-01 |
Family
ID=80681242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109137605A TWI749834B (zh) | 2020-10-29 | 2020-10-29 | 基於類神經網路模型的定位系統及定位方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI749834B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106131959A (zh) * | 2016-08-11 | 2016-11-16 | 电子科技大学 | 一种基于Wi‑Fi信号空间划分的两级定位方法 |
US9576236B2 (en) * | 2013-03-04 | 2017-02-21 | Hello Inc. | Wearable device with overlapping ends coupled by magnets positioned in the wearable device by an undercut |
TWI587717B (zh) * | 2014-07-18 | 2017-06-11 | 英特爾公司 | 用於適應性多重特徵語意位置感測之系統及方法 |
CN108534779A (zh) * | 2018-03-09 | 2018-09-14 | 华中科技大学 | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 |
-
2020
- 2020-10-29 TW TW109137605A patent/TWI749834B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576236B2 (en) * | 2013-03-04 | 2017-02-21 | Hello Inc. | Wearable device with overlapping ends coupled by magnets positioned in the wearable device by an undercut |
TWI587717B (zh) * | 2014-07-18 | 2017-06-11 | 英特爾公司 | 用於適應性多重特徵語意位置感測之系統及方法 |
CN106131959A (zh) * | 2016-08-11 | 2016-11-16 | 电子科技大学 | 一种基于Wi‑Fi信号空间划分的两级定位方法 |
CN108534779A (zh) * | 2018-03-09 | 2018-09-14 | 华中科技大学 | 一种基于轨迹纠正和指纹改进的室内定位地图构建方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202217737A (zh) | 2022-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Exploiting fingerprint correlation for fingerprint-based indoor localization: A deep learning-based approach | |
US11714426B2 (en) | Positioning system and method based on neural network model | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
Zhang et al. | A comprehensive study of bluetooth fingerprinting-based algorithms for localization | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
CN103796305B (zh) | 一种基于Wi‑Fi位置指纹的室内定位方法 | |
CN111935820B (zh) | 基于无线网络的定位实现方法及相关设备 | |
CN103209478A (zh) | 基于分类阈值及信号强度权重的室内定位方法 | |
Alitaleshi et al. | EA-CNN: A smart indoor 3D positioning scheme based on Wi-Fi fingerprinting and deep learning | |
CN109379711A (zh) | 一种定位方法 | |
Kotrotsios et al. | Accurate gridless indoor localization based on multiple bluetooth beacons and machine learning | |
Marcus et al. | Dynamic nearest neighbors and online error estimation for SMARTPOS | |
CN102752850B (zh) | 一种基于非测距的网络锚节点筛选定位装置及其方法 | |
Moradbeikie et al. | A cost-effective LoRaWAN-based IoT localization method using fixed reference nodes and dual-slope path-loss modeling | |
Mantoro et al. | Extreme learning machine for user location prediction in mobile environment | |
TWI749834B (zh) | 基於類神經網路模型的定位系統及定位方法 | |
CN104821854A (zh) | 一种基于随机集的多主用户多维频谱感知方法 | |
Elbakly et al. | Cone: Zero-calibration accurate confidence estimation for indoor localization systems | |
Ayinla et al. | SALLoc: An Accurate Target Localization In Wifi-Enabled Indoor Environments Via Sae-Alstm | |
KR20140119333A (ko) | 위치 정확도 향상을 위한 위치 측위 방법 및 장치 | |
Careem et al. | Wirelessly indoor positioning system based on RSS Signal | |
Huang et al. | QSFDEW: a fingerprint positioning method based on quadtree search and fractal direction entropy weighting | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network | |
CN106658643A (zh) | 基于rssi的有效锚节点选取方法 |