基于多傳感器室內(nèi)云定位技術(shù)研究

梁曉虎，甘興利，張 衡，黃 璐

(1.中國電子科技集團公司第五十四研究所，河北 石家莊 050081；2.衛(wèi)星導(dǎo)航系統(tǒng)與裝備技術(shù)國家重點實驗室，河北 石家莊 050081)

0 引言

隨著物聯(lián)網(wǎng)的發(fā)展和日益增長的信息服務(wù)需求，室內(nèi)位置服務(wù)得到了人們的廣泛關(guān)注，室內(nèi)定位已成為國家“互聯(lián)網(wǎng)+”戰(zhàn)略和國際位置服務(wù)領(lǐng)域的研究熱點，如何在室內(nèi)錯綜復(fù)雜的環(huán)境中為大眾提供智能的位置服務(wù)已經(jīng)成為了業(yè)界亟待解決的問題[1]。由于室內(nèi)定位誤差理論和室內(nèi)復(fù)雜環(huán)境作用機理等關(guān)鍵科學問題沒有得到根本解決，室內(nèi)定位的穩(wěn)定性、連續(xù)性、可靠性和高精度仍是技術(shù)瓶頸，進而限制了室內(nèi)位置服務(wù)的推廣應(yīng)用。近年來，導(dǎo)航信號精密測量技術(shù)、深度學習算法和大數(shù)據(jù)信息處理技術(shù)的發(fā)展為提升室內(nèi)定位和位置服務(wù)性能提供了重要支撐[2-3]。

從普適性角度來看，基于智能手機的室內(nèi)定位具有得天獨厚的優(yōu)勢，可以作為室內(nèi)定位技術(shù)的應(yīng)用平臺[4]。本文以智能手機的MEMS、WiFi、藍牙和地磁等傳感器為基礎(chǔ)，在不增加用戶(大眾方、業(yè)主方)使用成本的前提下，實現(xiàn)基于深度學習的多傳感器組合室內(nèi)定位和位置服務(wù)，突破WiFi/藍牙/地磁組合定位關(guān)鍵技術(shù)，實現(xiàn)室內(nèi)優(yōu)于3 m的定位精度[5-6]。

1 基于多傳感器室內(nèi)云定位原理

1.1 定位原理

多傳感器室內(nèi)云定位主要包括2個部分。第1部分利用智能終端中WiFi與地磁模塊，獲取數(shù)據(jù)，構(gòu)建訓練數(shù)據(jù)集，通過機器學習算法實現(xiàn)不同數(shù)據(jù)的融合，形成一種新的、特征更明顯的指紋庫，劃分室內(nèi)環(huán)境下的特征區(qū)域，實現(xiàn)定位功能，定位精度為2～3 m(房間級)[7-8]；第2部分為微慣導(dǎo)與IBeacon耦合，實現(xiàn)室內(nèi)連續(xù)定位[9-10]。多傳感器室內(nèi)云定位技術(shù)工作原理如圖1所示。

圖1 多傳感器室內(nèi)云定位技術(shù)工作原理Fig.1 Working principle of multi-sensor indoor cloud positioning technology

當智能手機通過地磁/WiFi/藍牙等多傳感器基于深度學習實現(xiàn)指紋定位時，在離線階段，使用智能定位終端各類傳感器采集環(huán)境中不同參考點處的機會信號場強、地磁場強存儲在內(nèi)存卡上，將采集后的大量數(shù)據(jù)上傳到服務(wù)器端(云端)。之所以采集多種類型的數(shù)據(jù)是為了保證數(shù)據(jù)的多樣性，便于深度學習其特征，將數(shù)據(jù)歸一化處理到[0,1]區(qū)間，作為深度學習網(wǎng)絡(luò)的輸入數(shù)據(jù)。

在離線訓練階段，深度訓練輸入數(shù)據(jù)的特征存儲為指紋信息。與傳統(tǒng)的KNN聚類方法不同，深度學習網(wǎng)絡(luò)通過訓練大量的輸入數(shù)據(jù)得到不同位置的權(quán)重信息作為指紋，其有效地描述了不同位置的各種信號特征[11-13]。在線定位階段，系統(tǒng)利用訓練好的網(wǎng)絡(luò)及各項參數(shù)計算出相應(yīng)的位置坐標。定位原理如圖2所示[8-10]。

圖2 傳感器基于深度學習指紋定位原理Fig.2 Sensor based on deep learning fingerprint positioning schematic

1.2 深度學習指紋感知

采用深度置信網(wǎng)絡(luò)DBN，整個DBN訓練分為3個階段：預(yù)訓練、展開和微調(diào)。在預(yù)訓練階段，獲得各個隱含層的權(quán)重矩陣，得到重構(gòu)數(shù)據(jù)；在微調(diào)階段，比較重構(gòu)數(shù)據(jù)與輸入數(shù)據(jù)v，以最小誤差原則調(diào)整網(wǎng)絡(luò)；在展開階段，反向調(diào)整各個隱含層的權(quán)重矩陣；重復(fù)上述步驟，獲取最優(yōu)權(quán)重。基于深度學習指紋感知如圖3所示。

圖3 基于深度學習指紋感知Fig.3 Fingerprint perception map based on deep learning

定義v為輸入層，對終端采集的機會信號/地磁數(shù)據(jù)歸一化的值；hi為第i層的隱單元，其中i為1,2,3,4，則：

Pr(v,h1,h2,h3,h4)=Pr(v/h1)Pr(h1/h2)Pr(h2/h3)Pr(h3/h4)。

由于DBN的節(jié)點相互獨立，Pr(v/h1)，Pr(h1/h2)，Pr(h2/h3)，Pr(h3/h4)可以看作是一個受限波爾茲曼機(RBM)，表示為：

首先估計參數(shù){b0,b1,W1}來模擬第1層RBM網(wǎng)絡(luò)輸入?yún)?shù)，然后固定第1層的參數(shù){b0,W1}，從條件概率Pr(h1|v)中獲取樣本來訓練第2層RBM網(wǎng)絡(luò)(即估計第2層參數(shù){b1,b2,W2})，以此類推，最終使用這種貪婪訓練法獲得第4層RBM網(wǎng)絡(luò)的參數(shù){b3,b4,W4}。

式中，α為補償。

1.3 網(wǎng)格化定位

使用傳感器數(shù)據(jù)完成DBN網(wǎng)絡(luò)的權(quán)值訓練后，將權(quán)重與偏置信息作為深度指紋信息，用于實現(xiàn)更加穩(wěn)定、精度更高的定位。在線定位階段，將該DBN最頂層加入一個BP神經(jīng)網(wǎng)絡(luò)分類器，對室內(nèi)1 m×1 m的網(wǎng)格進行分類。當智能手機將室內(nèi)某一位置處采集的多傳感器數(shù)據(jù)輸入深度學習網(wǎng)絡(luò)(DBN+BP)，將輸出該位置所在的網(wǎng)格編號[14-15]。具體流程圖如圖4所示。

圖4 網(wǎng)格化定位原理Fig.4 Grid positioning principle diagram

2 定位仿真

針對多傳感器室內(nèi)定位算法進行仿真，仿真結(jié)果如圖5所示。

圖5 基于深度學習和WKNN的定位穩(wěn)定性Fig.5 Positioning stability based on deep learning and WKNN

深度學習室內(nèi)定位算法和加權(quán)K近鄰算法在不同路徑下輸出位置與真實位置比較結(jié)果，可以看出，深度學習室內(nèi)定位算法提供非常穩(wěn)定、連續(xù)提供智能手機的位置，而加權(quán)K近鄰算法輸出位置信息會發(fā)生較大跳變，穩(wěn)定性和連續(xù)性較差。

圖6為加權(quán)K近鄰和深度學習2種算法的定位誤差統(tǒng)計結(jié)果。多傳感器的深度學習室內(nèi)定位平均誤差為0.92 m，最大定位誤差為1.83 m，1 m內(nèi)的誤差置信區(qū)間達到90.3%；加權(quán)K近鄰無線指紋定位算法平均定位誤差為1.39 m，最大定位誤差為3.6 m，1 m內(nèi)的誤差置信區(qū)間為42%，因此，可以看出多傳感器的深度學習室內(nèi)定位精度和穩(wěn)定性遠好于后者。

圖6 WKNN和深度學習2種算法的定位誤差Fig.6 WKNN and deep learning algorithm positioning error

3 實際測試結(jié)果

在衛(wèi)星導(dǎo)航系統(tǒng)與裝備技術(shù)國家重點實驗室人工智能試驗場進行了實際測試驗證，測試場地放置有調(diào)試桌、設(shè)備機柜，測試場屋頂安裝WiFi和藍牙，場地面積共計100 m2。測試終端采用華為P20，內(nèi)嵌自主開發(fā)的定位軟件。

測試過程：

① 靜態(tài)定位測試：測試人員手持測試終端在WiFi和藍牙信號覆蓋區(qū)域內(nèi)進行靜態(tài)測試，得到靜態(tài)定位結(jié)果，測試結(jié)果如圖7所示，通過測試結(jié)果可以得出，定位精度優(yōu)于2 m。

圖7 靜態(tài)測試結(jié)果Fig.7 Static test results

② 動態(tài)定位測試：手持測試終端在測試場行走進行動態(tài)定位測試，得到動態(tài)定位結(jié)果，測試結(jié)果如圖8所示，通過測試結(jié)果可以得出，定位精度優(yōu)于3 m。

圖8 動態(tài)測試結(jié)果Fig.8 Dynamic test results

4 結(jié)束語

經(jīng)過實際測試表明，通過對智能手機終端內(nèi)部WiFi、藍牙及地磁等傳感器數(shù)據(jù)進行深度學習，構(gòu)建訓練數(shù)據(jù)集，通過機器學習算法實現(xiàn)不同數(shù)據(jù)的融合，較好地解決了室內(nèi)連續(xù)、穩(wěn)定定位問題，同時實現(xiàn)優(yōu)于3 m的室內(nèi)定位精度。

由于研究水平有限，本文的定位方法在定位精度、定位效率等方面都有待提高，其中指紋定位的指紋采集工作量太大，需要花費很多時間和精力，后續(xù)會加強自動指紋采集平臺研究，增加定位效率。