CN116847457B - 一种基于权重自适应网络的室内无线被动定位方法 - Google Patents
一种基于权重自适应网络的室内无线被动定位方法 Download PDFInfo
- Publication number
- CN116847457B CN116847457B CN202310904645.7A CN202310904645A CN116847457B CN 116847457 B CN116847457 B CN 116847457B CN 202310904645 A CN202310904645 A CN 202310904645A CN 116847457 B CN116847457 B CN 116847457B
- Authority
- CN
- China
- Prior art keywords
- positioning
- environment
- model
- track
- data
- 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 61
- 230000033001 locomotion Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 36
- 238000004088 simulation Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于权重自适应网络的室内无线被动定位方法，属于无线感知技术领域；本发明为了减少环境中障碍物等产生的噪声对定位的影响，借鉴现有工作的研究，使用深度学习方法，将定位环境特征信息与CSI特征进行融合，提高CSI定位系统的精度，以及实现模型的环境自适应性。本发明的目的是提出了一种通过神经网络学习环境中障碍物对人体运动限制的室内被动定位方法，该方法能够在无需增加Wi‑Fi设备和采集数据量的情况下，实现更加精准的定位性能。
Description
技术领域
本发明涉及无线感知技术领域，尤其涉及一种基于权重自适应网络的室内无线被动定位方法。
背景技术
随着人们在室内环境中活动时长的持续增加，用户对获取室内位置的需求也逐渐增强。精确的室内位置信息，对于定位特殊人群、大型场馆管理以及个人位置服务领域都有重要意义。此外，在某些紧急场景下，比如消防救援等场景，准确的室内定位能够有效提高救助效率，给人们的生活带来更多保障。当前发展成熟的定位系统主要工作在室外环境，比如全球卫星定位系统、北斗卫星导航系统等，这类定位系统能够在遮挡少的开阔室外场景下提供精准的位置应用服务。然而，此类定位技术的精度受遮挡影响严重，对室内环境并不适用，因此需要开发针对室内环境的高精度定位算法。
现有的室内定位技术可以分为两类：主动定位和被动定位。主动定位需要用户携带专用电子设备，通过主动收发信号来定位用户位置。被动定位则与之不同，它追求让用户在不携带额外设备的前提下完成定位，这也更利于室内定位系统的推广。举例来讲，被动定位可以用于构建入侵检测系统和安全监控系统，而主动定位需要额外设备的特点则使得其需要用户的主动配合，从而不适配于此类场景。
Wi-Fi信号作为当前社会生活中最常见的无线信号之一，常用于完成室内定位系统的构建。通过解析和计算Wi-Fi接收器所接受的信号特征，现有的Wi-Fi被动定位技术能够确定室内场所中用户的位置。借助场所内的无线局域网或者一些专用的探针网络，Wi-Fi被动定位可以在不引入其他特定硬件设备的前提下实现较高的精度。比如商用Wi-Fi室内人员跟踪系统IndoTrack，可以在实验测试中达到分米级精度。然而在实际应用中，受噪声干扰、多径冲突等因素的影响，定位系统接收到的Wi-Fi信号特征包含大量的噪声信息，从而影响定位精度。现有的被动定位方法通常会部署过多的传感器节点或密集地布置信息采集点，以减少环境对定位的影响，但这会造成节点和链路冗余，同时也会使总体定位成本过高，并影响精度。此外，室内环境中的障碍物、人流等因素都会对Wi-Fi信号的传播产生影响，从而导致CSI数据的变化，使得定位算法难以适应不同的环境，影响定位精度。因此，现有的被动定位方法在环境自适应性方面存在不足。为了解决此类问题，需要开发更有效的算法和技术来减少节点和链路冗余，提高定位精度，并增强算法的环境自适应能力。鉴于此，本发明提出一种基于权重自适应网络的室内无线被动定位方法。
发明内容
本发明的目的在于提出一种基于权重自适应网络的室内无线被动定位方法以解决背景技术中所提出的问题，利用神经网络学习定位环境中的障碍物对人体运动的限制，无需增加Wi-Fi设备数量和采集数据量，通过减少定位推理过程的搜索空间，提高定位推理过程的抗干扰能力，实现定位精度的提升。
为了实现上述目的，本发明采用了如下技术方案：
本发明为了减少环境中障碍物等产生的噪声对定位的影响，借鉴现有工作的研究，使用深度学习方法，将定位环境特征信息与CSI特征进行融合，提高CSI定位系统的精度，以及实现模型的环境自适应性。本发明提出了一种通过神经网络学习环境中障碍物对人体运动限制的室内被动定位方法，该方法能够在无需增加Wi-Fi设备和采集数据量的情况下，实现更加精准的定位性能，具体方案如下：
一种基于权重自适应网络的室内无线被动定位方法，包括训练仿真阶段和定位测试阶段，具体包括以下内容：
S1、训练仿真阶段：
S1.1、确定定位环境：根据真实测试环境确定坐标系、定位区域、区域划分粒度以及收发机位置坐标，并构建定位环境对应的俯瞰平面表征图，以此作为生成仿真数据的环境参数依据；
S1.2、生成模拟轨迹：在确定的虚拟场景中，以“加速度-速度-位置序列”的物理模型，对用户在定位环境中可能出现的行走轨迹进行仿真模拟；并根据环境中障碍物对人体运动的限制，对不符合物理现实的轨迹进行剔除(例如，穿过障碍物的轨迹)；结合上述两种情形生成特定环境下的仿真轨迹集合；
S1.3、计算信道特征：综合菲涅尔区理论，对用户运动特征和信号特点进行理论建模；根据模拟生成的用户轨迹将用户位置、速度和收发机建立映射关系，生成对应的信道特征；
S1.4、构建环境自适应模型：使用循环神经网络处理信道特征信息和使用卷积神经网络处理环境中障碍物特征，构建环境自适应模型；将环境中障碍物的限制与模型的训练过程进行强相关连接，实现环境的自适应性；
S1.5、模型训练：利用S1.3中所构建的理论模型，结合仿真环境中的信号收发机布置及其对应的定位环境表征图，生成各定位环境对应的“人体仿真轨迹-PLCR特征”数据对；构建特征数据集和标签集进行对S1.4中构建的环境自适应模型进行训练；并引入对比学习思想，构建正、负样本进行分阶段训练，增强模型对于限制的学习能力；
S2、定位测试阶段：
S2.1、布置定位环境：匹配模拟实验场景和实际场景完成收发机的布置，划定用户定位的可行范围；然后通过远程连接工具将所有信号收发机连接至同一主机以方便后续的命令执行；确定定位环境平面图以用于后续定位；
S2.2、定位数据采集：当用户在可行区域内行走时，通过主机控制多个接收机同步接收CSI数据；然后，利用快速傅里叶变换(Fast Fourier Transform，FFT)或短时傅里叶变换Short Time Fourier Transform,STFT)完成对数据的时频转换，获得多普勒频移并将其转换为多组链路对应的真实PLCR数据；
S2.3、根据PLCR数据和环境定位：将S2.2中多组真实PLCR数据拼接后，与S2.1中所得的定位环境的平面图数据进行组合，得到模型输入；然后通过S1.5中训练好的自适应定位模型完成推理，输出用户在定位区域中的二维坐标序列，即完成用户的被动定位。
优选地，S1.4中所述环境自适应模型包括CNN分支、LSTM分支、融合模块和决策层，所述CNN分支使用卷积神经网络提取图像特征，所述LSTM分支使用循环神经网络处理Wi-Fi信号特征；所述融合模块将CNN分支和LSTM分支的输出进行连接，为不同的定位环境生成不同的加权信息，并将加权信息作用于训练神经网络的输出；所述决策层用以最终定位，获取运动轨迹的二维坐标序列。
优选地，S1.5中所述正样本为未穿过障碍物的轨迹集合，负样本为穿过障碍物的轨迹集合；所述负样本的构造方法为：对运动轨迹进行筛选，生成若干条部分穿过障碍物的轨迹。
优选地，所述负样本的训练基于自定义损失函数NegLoss完成，其具体表达式为：
式中，y表示真实轨迹坐标值；ypred表示模型预测轨迹坐标值；n表示轨迹数量；α表示权重；Nthr表示当前预测的轨迹穿过障碍物的坐标点数；Nall表示轨迹中包含的总坐标点数；
所述损失包含两个部分，一部分表示预测轨迹与目标轨迹的贴近程度，另一部分表示轨迹穿过障碍物的情况(即轨迹有多少个坐标点在障碍物中)；对上述两部分损失进行对抗训练，使得模型预测出的轨迹在与目标轨迹接近的同时，最小化轨迹穿过障碍物的点数。
与现有技术相比，本发明提供了一种基于权重自适应网络的室内无线被动定位方法，具备以下有益效果：
(1)本发明首次提出使用神经网络学习环境中障碍物对人体运动的限制，并实现了环境自适应性。相比于传统定位方法的密集的设备部署和海量数据采集，更符合真实室内场景的需求和可行性。同时该方法不仅可用于被动定位，还可以应用于主动定位等。
(2)与传统的Wi-Fi定位方法相比，本发明考虑了环境障碍物导致的人体运动不可达区域，通过降低模型推理过程的搜索空间，提高了系统定位精度。并且对于测试的各种环境，定位精度都有所提升。
(3)对模型抗干扰能力的提升。当接收到的CSI数据受到环境噪声干扰时，本发明的环境自适应模型能够对传统的定位模型预测出的轨迹穿过障碍物的情况进行一定的纠正。
(4)我们在不同定位环境和多种情况下都进行了实验，包括环境中障碍物的大小、数量等，实现了环境的自适应。针对变化的环境无需进行二次训练，在各种环境下都可以实现准确的高性能的定位效果，实现了环境的普适性。
附图说明
图1为本发明提出的一种基于权重自适应网络的室内无线被动定位方法的流程图；
图2为本发明实施例1中定位环境的表征图及其生成的特定轨迹集合图；
图3为本发明实施例1中环境自适应模型示意图；
图4为本发明实施例1中本方法定位误差效果(右图)和基准模型定位误差效果(左图)对比图；
图5为本发明实施例1中本方法定位误差和基准模型定位误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
首先对本发明中所涉及的本领域专业术语进行解释：
Wi-Fi被动定位是一种通过分析人体反射的Wi-Fi信号确定用户位置的技术。与主动定位相比，Wi-Fi被动定位不需要用户携带如传感器等额外设备，仅通过分析用户反射信号的物理特性完成定位工作。
信道状态信息(Channel State Information,CSI)是一种无线通信中用于描述信道状况的信息。CSI包含信号幅度、频率和相位等信息，体现了信号在传播过程中受功率衰减、散射等因素的影响。
循环神经网络(Recurrent Neural Network,RNN)是一种主要用于处理序列信息的神经网络结构。RNN通过建立节点之间的联系，引入数据在时间维度的相关性，使模型对序列数据有一定的记忆和时序信息处理能力。
菲涅尔区是一种用于描述电磁波信号在传播过程中形成的一系列椭圆形区域的概念。这些椭圆形区域以发射机和接收机为焦点，不同椭圆形区域上的点与两个焦点的距离和随着菲涅尔区的层数而递增。如果用户的运动切割了菲涅尔区，则会引起接收信号的特征变化，这种变化可以用于定位系统中的位置估计和导航。
反射路径变化率(Path Length Change Rate,PLCR)是指信号从人体表面反射后路径长度的变化速率，它是导致多普勒频移的主要原因之一。结合菲涅尔区理论，通过对PLCR的分析可以获取某条信号链路上的法向速度，对多条链路上的法向速度进行合成后可以获得用户的真实速度大小和方向，从而实现定位。
卷积神经网络(Convolutional Neural Network,CNN)是一种主要用于处理图像数据的深度学习模型。CNN通过可更新的卷积核完成卷积操作实现对输入数据的特征提取，还可以通过堆叠多层卷积来增加对复杂特征的学习能力。
集成学习(Ensemble Learning)是一种通过将多个独立的模型组合起来提高预测精度的技术。这种方法可以克服单个模型的局限性，可以提高神经网络的性能和鲁棒性，从而提高其在各种任务中的表现。
对比学习(Contrastive Learning)是一种用于训练神经网络的技术，将数据中的某一个数据及其增广数据作为正样本，剩余数据作为负样本。通过缩小正样本之间的距离，扩大正负样本之间的距离来学习数据特征，能够较好地处理噪声等问题，提高模型的泛化能力。
下面结合具体实例及附图对本发明技术方案进行详细的操作描述。
实施例1：
本发明提出一种基于权重自适应网络的室内无线被动定位方法，具体包括如下内容：
(1)特定仿真数据集生成
实际定位环境对无线定位的影响是显著的。因为室内环境中的障碍物如墙壁、家具等会干扰Wi-Fi信号，从而降低定位精度。本发明设计基于定位环境生成特定化的网络模型权重，因此需要对实际定位环境进行建模，以便于对其进行特征提取。
本发明为了能够提取环境中障碍物的特征，因此需要使用数字化的形式表示不同的定位环境。同时使用卷积神经网络提取环境特征，让实验处理更加方法。本发明使用二维平面图表示定位环境，具体表征方法如下：根据实际定位环境的俯视图，创建一个等比例缩放大小的白板平面图表示定位环境。并根据实际环境中障碍物的分布位置，在白板图中的相应位置用黑色形状进行标记，以此表征障碍物在环境中的位置和分布情况，具体表征效果如图2所示。使用Python程序读取表征平面图，并使用卷积神经网络进行特征提取。
本发明采用了基于数据驱动的定位方法。在生成仿真数据集阶段，根据真实测试环境确定坐标系、定位区域、区域划分粒度以及收发机位置坐标，以此作为生成仿真数据的环境参数依据。根据真实环境12.8×7.2m的定位区域，将发射机部署在(5.0,5.0)的位置，两台接收机分别部署在(1.8,5.0),(5.0,1.8)的位置，将设备坐标分别标记并记录。
针对用户在室内环境下的运动轨迹，结合菲涅尔区理论，对用户的运动特征和信号特点进行理论建模，并通过计算反射路径长度将用户位置、速度、收发机建立映射关系。生成对应维度的“人体仿真轨迹-PLCR特征”数据对，分别作为特征集和标签集，使用LSTM网络实现特征集和标签集的拟合。随机选取了20个定位环境作为训练环境，并将定位环境表征图和其对应的特征集和标签集进行组合，作为环境自适应模型的总体训练集，其中训练集的输入数据为表征图和特征集，训练集的标签为仿真轨迹标签集。
为了使模型能够学习障碍物对人体运动的限制，本发明对上一阶段生成的数据集进行筛选。利用了符合特定环境的仿真数据集进行离线仿真训练。基于上一步获得的平面表征图，在仿真生成数据集的过程中，将穿过障碍物的轨迹进行剔除，从而获得满足环境中障碍物分布的训练集，这样减少了实际定位环境中不可以出现的轨迹。通过这种方法可以减少仿真训练集的大小，同时提高样本轨迹的质量和有效性。同时使用特定数据进行训练，可以减少模型预测过程的搜索空间，从而实现定位精度的提升。
(2)环境自适应模型设计与训练
为了实现环境自适应性，本发明使用基于深度学习的联合定位方法，将来自环境特征与Wi-Fi特征的多源数据进行融合。通过将环境与模型训练过程进行强相关，将环境变量作为模型输入的一部分，从而实现环境的自适应性。本发明实现了定位环境和模型训练之间的强相关，实现了环境的自适应性，可以避免对于变化的定位环境进行二次训练，提高了系统的普适性。本发明将来自环境的图像特征和Wi-Fi的PLCR特征进行集成，为每个环境生成不同的图像特征，将图像特征集成到模型最终的输出中，不同的定位环境具有不同的加权信息，从而实现环境的自适应。
本发明主要使用基于神经网络的模型集成，整个系统基于Pytorch进行搭建，由以下四个模块组成：CNN分支，LSTM主干分支，融合模块，决策层。具体模型结构如图3所示，整个模型主要包含两个分支：第一个分支使用卷积神经网络提取图像特征，一个分支使用循环神经网络用于处理Wi-Fi信号特征。然后使用融合方法将两部分的输出进行连接，为不同的定位环境生成不同的加权信息，将加权信息作用于训练神经网络的输出，再通过最后一个决策层得到最终的定位结果即运动轨迹的二维坐标序列。由于每次轨迹的采样长度不同，导致Wi-Fi信号特征不定长，因此不能使用加权求和的方法将两个分支的输出进行融合。为了实现两个维度大小不一致的数据进行连接，本研究参考了SE(Squeeze-and-Excitation)模块实现原理，对CNN的分支仿照SE模块进行处理，得到一个加权矩阵，将CNN的输出给主分支LSTM特征输出加权，以此解决不定长问题。
为了增强模型学习限制的能力，本发明在模型训练的过程引入了对比学习思想。根据轨迹与障碍物的关系，即运动轨迹是否穿过障碍物，将训练数据集分为正样本和负样本。其中正样本为未穿过障碍物的轨迹集合，负样本为部分穿过障碍物轨迹的轨迹集合。本发明使用的构造负样本的方法为：对轨迹进行筛选，生成一些部分穿过障碍物的轨迹，比如一条轨迹中至少有5个坐标点在障碍物中。并基于负样本的训练过程，自定义损失函数NegLoss：
式中，y表示真实轨迹坐标值；ypred表示模型预测轨迹坐标值；n表示轨迹数量；α表示权重；Nthr表示当前预测的轨迹穿过障碍物的坐标点数；Nall表示轨迹中包含的总坐标点数。该损失包含两个部分，一部分表示预测轨迹与目标轨迹的贴近程度，另一部分表示轨迹穿过障碍物的情况(即轨迹有多少个坐标点在障碍物中)。通过对两部分损失进行对抗训练，使得模型预测出的轨迹在与目标轨迹接近的同时，最小化轨迹穿过障碍物的点数。
本发明对模型的四个模块进行分阶段训练，以此实现保证原始LSTM的定位精度的基础上，增加CNN分支对整个模型的影响。训练过程分为三个阶段进行反向传播。其中在使用正样本进行训练时，先对主干LSTM网络和决策层进行训练(这一部分相当于基础定位模型)，然后再对CNN分支和乘性融合模块进行训练。而在负样本训练的过程中，只对CNN和乘性融合模块进行更新。这种分阶段的训练方法能够保证主干LSTM网络和决策层的稳定性和准确性，并提高CNN分支对整个模型的影响。
(3)实际定位测试
本发明在空旷的室内环境下进行了真实实验环境搭建以及数据采集。在开阔室内环境下，部署了1台Wi-Fi发射机和2台Wi-Fi接收机，形成一发二收的两个收发链路。其中发射机和接收机都预装了Ub untu16操作系统，配备了Intel5300系列的无线网卡。发射机和接收机通过SSH协议远程连接到一台ThinkPad X1 Extreme 2020的笔记本。通过主机端的远程命令，控制信号的收发。
在测试实验过程中，发射机的发包率采用1000Hz，每秒内会均匀发送1000个数据分组，每条运动轨迹的采集长度为6s。接收机上安装了Linux 802.11nCSI工具获取CSI信息，并使用MATLAB处理CSI信息。然后采用快速傅里叶变换等技术手段进行时频转换，从中获得多普勒频移，并将其转换为多组链路对应的真实PLCR数据。最终得到的特征值包含四个维度，其中前两个维度分别为两个接收机获取的PLCR特征值，后两个维度为运动初始位置的二维坐标。然后将特征值和环境的平面表征图输入到预先训练好的环境自适应模型，模型输出为真实运动轨迹。
图4展示的是多种轨迹类型的真实定位效果对比。其中使用的基准模型是未引入环境限制的基础定位模型，从而验证了本发明提高定位精度的准确性。而图5展示了在随机选取的20个测试定位环境中，本融合模型定位精度比无限制的基础定位模型精度都有所提升。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于权重自适应网络的室内无线被动定位方法，其特征在于，包括训练仿真阶段和定位测试阶段，具体包括以下内容：
S1、训练仿真阶段：
S1.1、确定定位环境：根据真实测试环境确定坐标系、定位区域、区域划分粒度以及收发机位置坐标，并构建定位环境对应的俯瞰平面表征图，以此作为生成仿真数据的环境参数依据；
S1.2、生成模拟轨迹：在确定的虚拟场景中，以“加速度-速度-位置序列”的物理模型，对用户在定位环境中可能出现的行走轨迹进行仿真模拟；并根据环境中障碍物对人体运动的限制，对不符合物理现实的轨迹进行剔除；结合上述情形生成特定环境下的仿真轨迹集合；
S1.3、计算信道特征：综合菲涅尔区理论，对用户运动特征和信号特点进行理论建模；根据模拟生成的用户轨迹将用户位置、速度和收发机建立映射关系，生成对应的信道特征；
S1.4、构建环境自适应模型：通过使用循环神经网络处理信道特征信息和使用卷积神经网络处理环境中障碍物特征，构建环境自适应模型；将环境中障碍物的限制与模型的训练过程进行强相关连接，实现环境的自适应性；
S1.5、模型训练：利用S1.3中所构建的理论模型，结合仿真环境中的信号收发机布置及其对应的定位环境表征图，生成各定位环境对应的“人体仿真轨迹-PLCR特征”数据对；构建特征数据集和标签集进行对S1.4中构建的环境自适应模型进行训练；并引入对比学习思想，构建正、负样本进行分阶段训练，增强模型对于限制的学习能力；
所述负样本的训练基于自定义损失函数NegLoss完成，其具体表达式为：
式中，y表示真实轨迹坐标值；y pred表示模型预测轨迹坐标值；n表示轨迹数量；α表示权重；N thr表示当前预测的轨迹穿过障碍物的坐标点数；N all表示轨迹中包含的总坐标点数；
所述损失包含两个部分，一部分表示预测轨迹与目标轨迹的贴近程度，另一部分表示轨迹穿过障碍物的情况；对上述两部分损失进行对抗训练，使得模型预测出的轨迹在与目标轨迹接近的同时，最小化轨迹穿过障碍物的点数；
S2、定位测试阶段：
S2.1、布置定位环境：匹配模拟实验场景和实际场景完成收发机的布置，划定用户定位的可行范围；然后通过远程连接工具将所有信号收发机连接至同一主机以方便后续的命令执行；确定定位环境平面图以用于后续定位；
S2.2、定位数据采集：当用户在可行区域内行走时，通过主机控制多个接收机同步接收CSI数据；然后，利用快速傅里叶变换或短时傅里叶变换完成对数据的时频转换，获得多普勒频移并将其转换为多组链路对应的真实PLCR数据；
S2.3、根据PLCR数据和环境定位：将S2.2中多组真实PLCR数据拼接后，与S2.1中所得的定位环境的平面图数据进行组合，得到模型输入；然后通过S1.5中训练好的自适应定位模型完成推理，输出用户在定位区域中的二维坐标序列，完成用户的被动定位。
2.根据权利要求1所述的一种基于权重自适应网络的室内无线被动定位方法，其特征在于，S1.4中所述环境自适应模型包括CNN分支、LSTM分支、融合模块和决策层，所述CNN分支使用卷积神经网络提取图像特征，所述LSTM分支使用循环神经网络处理Wi-Fi信号特征；所述融合模块将CNN分支和LSTM分支的输出进行连接，为不同的定位环境生成不同的加权信息，并将加权信息作用于训练神经网络的输出；所述决策层用以最终定位，获取运动轨迹的二维坐标序列。
3.根据权利要求1所述的一种基于权重自适应网络的室内无线被动定位方法，其特征在于，S1.5中所述正样本为未穿过障碍物的轨迹集合，负样本为穿过障碍物的轨迹集合；所述负样本的构造方法为：对运动轨迹进行筛选，生成若干条部分穿过障碍物的轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310904645.7A CN116847457B (zh) | 2023-07-21 | 2023-07-21 | 一种基于权重自适应网络的室内无线被动定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310904645.7A CN116847457B (zh) | 2023-07-21 | 2023-07-21 | 一种基于权重自适应网络的室内无线被动定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116847457A CN116847457A (zh) | 2023-10-03 |
| CN116847457B true CN116847457B (zh) | 2024-09-24 |
Family
ID=88163392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310904645.7A Active CN116847457B (zh) | 2023-07-21 | 2023-07-21 | 一种基于权重自适应网络的室内无线被动定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116847457B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118131222B (zh) * | 2024-02-23 | 2024-10-11 | 哈尔滨工业大学（威海） | 一种自适应权重决策融合行人步态识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112738749A (zh) * | 2020-12-25 | 2021-04-30 | 武汉理工大学 | 一种基于菲涅尔区的船载环境多目标室内定位方法 |
| CN116347357A (zh) * | 2023-04-17 | 2023-06-27 | 天津大学 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230156493A1 (en) * | 2021-11-15 | 2023-05-18 | Rohde & Schwarz Gmbh & Co. Kg | Systems and methods for generating synthetic wireless channel data |
-
2023
- 2023-07-21 CN CN202310904645.7A patent/CN116847457B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112738749A (zh) * | 2020-12-25 | 2021-04-30 | 武汉理工大学 | 一种基于菲涅尔区的船载环境多目标室内定位方法 |
| CN116347357A (zh) * | 2023-04-17 | 2023-06-27 | 天津大学 | 一种将运动限制嵌入神经网络的室内无线被动定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116847457A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pegoraro et al. | Multiperson continuous tracking and identification from mm-wave micro-Doppler signatures | |
| Mittal et al. | Adapting convolutional neural networks for indoor localization with smart mobile devices | |
| Kim et al. | UWB positioning system based on LSTM classification with mitigated NLOS effects | |
| Wang et al. | Symbiotic sensing and communications towards 6G: Vision, applications, and technology trends | |
| Al-Homayani et al. | Improved indoor geomagnetic field fingerprinting for smartwatch localization using deep learning | |
| BelMannoubi et al. | Deep neural networks for indoor localization using WiFi fingerprints | |
| CN116847457B (zh) | 一种基于权重自适应网络的室内无线被动定位方法 | |
| Khassanov et al. | Finer-level sequential wifi-based indoor localization | |
| CN111610492A (zh) | 一种多声传感器阵列智能感知方法及系统 | |
| Li et al. | Location-Enabled IoT (LE-IoT): A survey of positioning techniques, error sources, and mitigation | |
| CN116347357B (zh) | 一种将运动限制嵌入神经网络的室内无线被动定位方法 | |
| CN113341392A (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
| Zhang et al. | A cross-domain federated learning framework for wireless human sensing | |
| Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
| Tian et al. | The application of gated recurrent unit algorithm with fused attention mechanism in UWB indoor localization | |
| Wang et al. | Matched averaging federated learning gesture recognition with WiFi signals | |
| Mendez et al. | On TinyML WiFi Fingerprinting-Based Indoor Localization: Comparing RSSI vs. CSI Utilization | |
| CN114584924A (zh) | 一种智能无人值守传感器系统及目标识别方法 | |
| CN114172656B (zh) | 基于无线感知的全域步态检测与身份认证方法及系统 | |
| AL-EMADI | DDI: Drones Detection and Identification using Deep Learning Techniques | |
| KR20210054769A (ko) | 레이더 신호 처리 장치 및 레이더 신호 처리 방법 | |
| Xiang et al. | A multi-characteristic learning method with micro-Doppler signatures for pedestrian identification | |
| Qu et al. | OODT: LOS Signal Identification for Acoustic Indoor Localization From Stream Perspective | |
| Liouane et al. | Novel DV-Hop algorithm-based machines learning technics for node localization in range-free wireless sensor networks | |
| Mantoro et al. | Mobile user location determination using extreme learning machine |
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 |