基于遷移學習的室內動態環境定位算法

劉參，尚俊娜，李蕊江，岳克強

?

基于遷移學習的室內動態環境定位算法

劉參，尚俊娜，李蕊江，岳克強

（杭州電子科技大學，浙江 杭州 310018）

傳統室內指紋定位系統的精度受指紋庫中參考位置節點的密度和室內環境特征等多方面因素的制約。室內環境動態變化時RSS波動較大，通常不滿足同分布的假設條件，故傳統指紋定位方法難以滿足高精度需求。針對室內環境動態變化導致傳統算法無法精準定位問題，設計并實現了一種基于室內指紋庫的遷移學習動態環境定位算法，該算法采用遷移學習的思想把不同分布的數據集嵌入對齊到潛在特征空間中，從而有效緩解了環境動態變化對系統造成的不利影響。本文算法實驗數據均來自于真實的環境，通過仿真得到該算法的平均定位誤差是1.23 m。

動態定位；遷移學習；室內環境特征；廣義延拓插值；RSS指紋庫；低工作量

1 引言

隨著無線傳感器網絡（wireless sensor network，WSN）技術的發展，室內定位技術受到越來越多的關注，人們對室內無線定位的需求日益增大，如倉庫、超市、地下停車場、機場大廳、監獄等，常常需要知道物品或行人的位置[1-2]。基于接收信號強度（received signal strength，RSS）的定位系統不用增加額外的硬件設備，同時具有低成本、低功耗等優勢，成為國內外研究的熱點[3]。基于RSS的定位系統可分為信號傳播模型[4]和無線電指紋[5]兩種，由于室內環境復雜多變，特別是行人、桌椅等家具移動使得RSS具有較大的波動性[6]，采用濾波的方法可以減緩這種波動性，但是該方法仍難以解決室內物體變化后的動態環境定位問題。故此，本文采用基于RSS指紋庫的動態環境定位方法，避免了信號傳播模型不確定性造成的定位精度下降的問題。

基于指紋庫的定位系統通常分為在線訓練階段和離線定位階段，系統的定位精度取決于訓練階段指紋數據庫的質量[7]，包括指紋庫中參考節點的采樣密度和指紋信息的準確性。隨著參考節點數目的增加，指紋信息更能反映出實際室內環境中RSS量的變化趨勢，故系統的定位精度更高，但在指紋庫創建時需要消費巨大的人力和財力資源[5]。基于指紋庫的定位系統，通常假設訓練數據和測試數據服從相同的分布[8]，在實際室內復雜環境中，障礙物的遮擋、信號的干擾以及移動物體的運動等，導致原始RSS指紋庫中的數據失效，此時用已失效的指紋數據進行實時動態定位，定位精度普遍較低。故此，低成本、高精度的動態定位系統受到越來越多學者的關注。參考文獻[9]提出對路徑衰減因子進行動態修復的質心定位算法，參考文獻[10]采用基于線性內插法的室內指紋定位算法，可以減緩室內復雜環境對定位性能的影響，但是當動態環境發生較大變化后，系統的定位精度較低；參考文獻[11]提出針對動態環境的自適應定位方法，但是該算法需要在變化后的環境中采集固定位置處標簽節點的信息，會帶來額外的成本開支，無法得到普遍應用；參考文獻[12]提出了基于隱性馬爾可夫模型的Ma.HMM定位算法，但此方法需要額外的輔助數據更新指紋庫且計算復雜度較高；參考文獻[13]提出利用用戶狀態的方法動態更新環境變化后的指紋庫，但是需要粘貼二維碼標志，整個系統后期維護較困難，無法在大型場所廣泛應用。

為了有效緩解室內環境動態變化對定位系統精度造成的不利影響，并且進一步減小工作量，本文提出了一種基于遷移學習的室內動態環境定位算法。在該算法中，首先進行室內RSS指紋庫的創建，為了節約成本，本文設計了一種可以明顯減少工作量同時不損失指紋庫質量的廣義延拓插值算法；在進行動態環境定位時，利用RSS信息在潛在特征空間的空間關聯性[14]，本文設計了一種遷移學習動態環境定位算法，通過在環境變化以后的空間中隨機采樣，找到潛在的特征空間根據領域自適應算法進行定位，進而消除室內環境變化對系統定位性能的影響。最后通過大量的試驗仿真，證明本文所提的算法相比傳統NN算法[15]和Ma.HMM算法[12]，在定位精度和系統穩定性方面都有較大的改善。故此，本文算法可實現低成本、高精度的室內動態環境定位。

2 相關工作

傳統基于指紋的機器學習定位算法假設訓練數據和測試數據服從相同的分布，此時訓練學習到的RSS映射模型直接應用在不同時間段內進行位置的估計。然而在實際室內復雜動態環境中，障礙物的遮擋、無線電信號的干擾以及移動物體的不可預測運動等，使得RSS具有明顯的不確定性，因此在多數情況下并不滿足上述的同分布假設[16]。當動態環境變化時，RSS映射模型也會發生變化，因此基于指紋的定位系統無法使用預先訓練得到的模型進行高精度定位。

2.1 室內RSS指紋分布特性

經典的RSS對數衰減模型[17]如式（1）所示：

根據經驗可知，在相對距離接近的參考位置處，接收到的RSS信號彼此相似；雖然在不同時間段內RSS具有明顯的波動性，但在同一時間范圍內，這種波動很小。圖1是在實際室內動態環境下，同一位置不同時間段內的RSS分布直方圖。

圖1 同一位置不同時間段內的RSS分布直方圖

從圖1可知，在固定位置處，不同時間段內的RSS分布是不同的，因此基于指紋的室內定位方法采用訓練學習得到的RSS映射模型進行不同分布情況下的位置估計，會得到較大的定位誤差，無法實現動態環境室內高精度定位功能[18-19]。此時需要采用遷移學習的思想，把前一時間段內訓練得到的RSS映射模型根據流形對齊理論遷移學習到不同數據分布的時間段內，以此來實現自適應動態定位功能[20]。

2.2 遷移學習動態定位實例

3 遷移學習動態定位算法

圖3是本文所提出算法示意圖，為了實現上述遷移定位功能，需要以下幾個步驟。

步驟1 數據采集——廣義延拓插值算法

圖3 遷移學習動態定位算法示意圖

廣義延拓插值算法的數學模型如式（2）所示：

本文采用二維正弦函數作為測試樣本，驗證廣義延拓插值算法的精度，二維正弦函數為：

從表1中可以看出，本文算法的插值精度明顯優于雙線性插值算法，本文算法可以通過稀疏采樣點還原出與真實函數變化趨勢一致的高精度擬合曲面。故此，廣義延拓插值算法可以在原始低工作量、低采樣密度指紋庫的基礎上創建出高質量插值指紋庫。

步驟2 創建關聯矩陣

步驟3 創建流形權重矩陣

步驟4 遷移學習定位模型及求解

步驟5 完成定位

潛在空間維度的確定通常有兩種方法，即含有位置約束和不含位置約束[22]。含有位置約束的定位模型是把測試數據集的位置信息作為約束條件，并將不同類之間的數據對齊到二維潛在空間中；不含位置約束是測試數據集的位置信息僅僅參與位置標簽標定過程而不參與嵌入對齊過程，此時空間維數采用式（9）的方法進行確定[28]。

4 遷移學習動態定位性能仿真與測試

4.1 廣義延拓插值指紋庫測試及性能仿真

為得到實際環境中的RSS距離衰減模型，本文在如圖5（a）的車庫環境中進行實際測試，采用3對CC2530芯片的ZigBee開發板在同一場景中每隔0.2 m進行RSS數據采集。

圖5 測試車庫環境

本文算法實驗數據均來自于真實的環境，通過數據擬合得到3對錨節點的RSS距離衰減曲線，如式（10）所示，在同一個靜態室內環境中，3條衰減曲線相差并不是很大，因此可認為該車庫環境中，RSS距離衰減模型為式（11）：

4.2 模型參數對定位性能的影響

圖6 室內錨節點分布及廣義延拓插值算法性能仿真

4.2.1 室內錨節點AP個數對定位性能的影響

圖7是平均定位誤差RMSE隨室內錨節點AP個數的變化情況曲線，隨著AP數量的增加，遷移學習動態定位算法與近鄰、加權近鄰定位算法的平均定位誤差逐漸變小。但是定位誤差并不是隨著AP數量增加單調減小的，因為待定位節點可能會選取距離較遠的AP，此時錨節點距離較遠，信號較弱，RSS數值較小，受環境影響嚴重，不利于定位。

4.2.2 潛在空間的保留信息閾值對定位性能的影響

圖7 錨節點AP個數對定位性能的影響

4.2.3 定位時近鄰的近鄰個數對定位性能的影響

參數是遷移學習動態定位算法完成定位時近鄰算法所使用的近鄰數，當AP=8時，平均定位誤差與之間的關系如圖9所示。隨著近鄰個數值變大，參與定位的參考節點近鄰個數變多，系統的平均定位誤差變小。但經過大量仿真發現，值并非越大越好，如果值很大，會把距離待定位目標節點較遠的指紋點納入近鄰數中，在求解位置坐標時這些距離較遠的指紋往往是無效的信息，故此會影響系統整體的定位精度。從圖9中可以看出取6時平均定位誤差最小，可作為最佳的NN近鄰個數。

圖8 潛在空間的保留信息閾值對定位性能的影響

4.3 遷移學習定位性能仿真

表2 不同算法定位精度的概率分布值

從圖11和表2可以看出，遷移學習定位算法在0.5 m、1 m和1.5 m內的定位精度置信概率分別為9.5%、29.1%和57.6%，分別高出傳統NN算法9.5%、16.8%和33.8%，高出Ma.HMM算法0.5%、8.8%和15.2%，并且遷移學習算法的平均定位精度是1.23 m，傳統NN算法[15]的平均定位精度為3.28 m，Ma.HMM算法[12]的平均定位精度為1.74 m，遷移學習定位算法的定位誤差有57.6%的概率在1.5 m以內，而傳統機器學習算法的定位誤差高達5 m。這說明當室內環境特征發生較大改變的時候，本文所提出的遷移學習動態定位算法和基于隱性馬爾可夫模型的Ma.HMM定位算法[12]的性能更加優越，且比傳統NN算法更有利于實現小誤差高精度定位（平均定位誤差在1.2 m左右）。故此本算法無論在定位精度、定位誤差范圍還是小誤差定位的置信概率方面，相比傳統機器學習定位算法都具有明顯的優勢。

通過上述實驗可知，室內環境特征發生明顯改變時，傳統機器學習指紋定位算法已經無法進行室內定位，Ma.HMM算法雖然能夠進行遷移定位但是定位誤差較大，而本文所提出的遷移學習動態定位算法具有較小的定位誤差范圍和較高的定位精準度。

5 結束語

為了消除室內環境動態變化對系統定位性能造成的不利影響，本文設計了一種遷移學習動態定位算法，通過在環境變化以后的空間中隨機采樣，找到潛在的特征空間進行位置的標定功能，從而避免了原始指紋庫失效造成的定位精度降低的問題。此外，本文提出的定位算法還需要進一步改善，特別是動態定位問題，可以采用流形對齊、深度學習等人工智能算法，充分利用定位節點之間的空間關聯性，進一步提升定位系統的定位精度，同時系統應該具有判斷異常數據的能力，以保障系統的定位質量和人性化體驗。基于此，上述定位技術目前也處于研究階段。

[1] LUO C, CHENG L, CHAN M C, et al. Pallas: self- bootstrapping fine-grained passive indoor localization using WiFi monitors[J]. IEEE Transactions on Mobile Computing, 2017, PP(99): 1.

[2] 朱亞萍, 夏瑋瑋, 章躍躍, 等. 基于RSSI和慣性導航的融合室內定位算法[J]. 電信科學, 2017, 33(10): 99-106.

ZHU Y P, XIA W W, ZHANG Y Y, et al. A hybrid indoor localization algorithm based on RSSI and inertial navigation[J]. Telecommunications Science, 2017, 33(10): 99-106.

[3] 徐小良, 高健, 黃河, 等. 基于RSS空間線性相關的WLAN位置指紋定位算法[J]. 電信科學, 2017, 33(3): 14-21.

XU X, GAO J, HUANG H, et al. Fingerprint localization algorithm based on linear spatial dependence of WLAN RSS[J]. Telecommunications Science, 2017, 33(3): 14-21.

[4] 尚俊娜, 程濤, 盛林, 等. 廣義延拓插值模型在RSSI測距方法中的應用[J]. 傳感技術學報, 2016, 29(11).

SHANG J N, CHENG T, SHENG L, et al. Application of generalized extended interpolation method in distance measurement based on RSSI[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[5] HASSAN-ALI M, PAHLAVAN K. A new statistical model for site-specific indoor radio propagation prediction based on geometric optics and geometric probability[J]. IEEE Transactions on Wireless Communications, 2002, 1(1): 112-124.

[6] KING T, KOPF S, HAENSELMANN T, et al. COMPASS: a probabilistic indoor localization system based on 802.11 and digital compasses[C]//ACM Workshop on Wireless Network Testbeds, Experimental Evaluation and Characterization, September 29, 2006, Los Angeles, CA, USA. New York: ACM Press, 2006: 34-40.

[7] YOUSSEF M A, AGRAWALA A, SHANKAR A U. WLAN location determination via clustering and probability distributions[C]//IEEE International Conference on Pervasive Computing and Communications, March 23-26, 2003, Fort Worth, TX, USA. Piscataway: IEEE Press, 2003: 143-150.

[8] 張偉, 花向紅, 邱衛寧, 等. Wi-Fi指紋定位的一種新組合算法[J]. 測繪工程, 2017, 26(3): 14-18.

ZHANG W, HUA X H, QIU W N, et al. A new combinatorial optimization algorithm for WiFi positioning[J]. Engineering of Surveying and Mapping, 2017, 26(3): 14-18.

[9] 張宏剛, 黃華. 基于RSSI路徑損耗因子動態修正的三邊質心定位算法[J]. 傳感技術學報, 2016, 29(11).

ZHANG H G, HUANG H. Dynamic correction algorithm for trilateral centroid localization based on RSSI path loss factor[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[10] 張夢丹, 盧光躍, 王宏剛, 等. 基于線性內插法改進的室內定位算法[J]. 電信科學, 2017, 33(1): 9-15.

ZHANG M D, LU G Y, WANG H G, et al. An improved indoor location algorithm based on linear interpolation[J]. Telecommunications Science, 2017, 33(1): 9-15.

[11] SOROUR S, LOSTANLEN Y, VALAEE S, et al. Joint indoor localization and radio map construction with limited deployment load[J]. IEEE Transactions on Mobile Computing, 2015, 14(5): 1031-1043.

[12] CAI X, CHEN L, CHEN G. Constructing adaptive indoor radio maps for dynamic wireless environments[R]. 2013.

[13] 陳斌濤, 劉任任, 陳益強, 等. 動態環境中的WiFi指紋自適應室內定位方法[J]. 傳感技術學報, 2015(5): 729-738.

CHEN B T, LIU R R, CHEN Y Q, et al. WiFi fingerprint based self-adaptive indoor localization in the dynamic environment[J]. Chinese Journal of Sensors and Actuators, 2015(5): 729-738.

[14] YIN J, YANG Q, NI L M. Learning adaptive temporal radio maps for signal-strength-based location estimation[J]. IEEE Transactions on Mobile Computing, 2008, 7(7): 869-883.

[15] 孔港港, 楊力, 孫聃石, 等. 一種基于位置指紋定位的-均值聚類算法的改進[J]. 全球定位系統, 2016, 41(5): 89-92.

KONG G G, YANG L, SUN D S, et al. Research on an algorithm of fingerprint location based on-means and WNN[J]. GNSS World of China, 2016, 41(5): 89-92.

[16] 戴文淵. 基于實例和特征的遷移學習算法研究[D]. 上海: 上海交通大學, 2008.

DAI W Y. Instance-based and feature-based transfer learning[D]. Shanghai: Shanghai Jiao Tong University, 2008.

[17] ALI S, NOBLES P. A novel indoor location sensing mechanism for IEEE 802.11 b/g wireless LAN[C]//The Workshop on Localization, March 22, 2007, Hannover, Germany. Piscataway: IEEE Press, 2007: 9-15.

[18] SUN Z, CHEN Y, QI J, et al. Adaptive localization through transfer learning in indoor Wi-Fi environment[C]//Seventh International Conference on Machine Learning and Applications. IEEE Computer Society, Dec 13-18, 2008, San Diego, CA, USA. Piscataway: IEEE Press, 2008: 331-336.

[19] ZHENG V W, XIANG E W, YANG Q, et al. Transferring localization models over time[C]// AAAI Conference on Artificial Intelligence, AAAI 2008, July 13-17, 2008, Chicago, Illinois, USA. New York: ACM Press, 2008: 1421-1426.

[20] DAI W, CHEN Y, XUE G R, et al. Translated learning: transfer learning across different feature spaces[C]//Conference on Neural Information Processing Systems, December 8-10, 2008, Vancouver, British Columbia, Canada. New York: ACM Press, 2008: 353-360.

[21] PAN S J, SHEN D, YANG Q, et al. Transferring localization models across space[C]// National Conference on Artificial Intelligence, July 13-17, 2008, Chicago, Illinois. New York: ACM Press, 2008: 1383-1388.

[22] WANG H Y, ZHENG V W, ZHAO J, et al. Indoor localization in multi-floor environments with reduced effort[C]//IEEE International Conference on Pervasive Computing and Communications, March 29-April 2, 2010, Mannheim, Germany. Piscataway: IEEE Press, 2010: 244-252.

[23] 施滸立, 顏毅華, 徐國華. 工程科學中的廣義延拓逼近法(精)[M]. 北京: 科學出版社, 2005.

SHI H L, YAN Y H, XU G H. Generalized continuation approximation method in engineering science(fine)[M]. Beijing: Science Press, 2005.

[24] 張志富, 裴軍, 胡超, 等. 車載動中通信標跟蹤的廣義延拓逼近算法[J]. 西安電子科技大學學報(自然科學版), 2017, 44(4): 112-117.

ZHANG Z F, PEI J, HU C, et al. Generalized extended approximation algorithm for vehicle satellite communication on the move[J]. Journal of Xidian University(Natural Science), 2017, 44(4): 112-117.

[25] ZHOU C F, MA L, TAN X Z. Joint semi-supervised RSS dimensionality reduction and fingerprint based algorithm for indoor localization[R]. 2014.

[26] BELKIN M, NIYOGI P, SINDHWANI V. Manifold regularization: a geometric framework for learning from labeled and unlabeled examples[J]. Journal of Machine Learning Research, 2006, 7(1): 2399-2434.

[27] BELKIN M, NIYOGI P. Laplacian Eigenmaps for dimensionality reduction and data representation[M]. Cambridge: MIT Press, 2003.

[28] FANG S H, LIN T. Principal component localization in indoor WLAN environments[J]. IEEE Transactions on Mobile Computing, 2011, 11(1): 100-110.

Indoor dynamic environment localization algorithm based on transfer learning

LIU Can, SHANG Junna, LI Ruijiang, YUE Keqiang

Hangzhou Dianzi University, Hangzhou 310018, China

The accuracy of the traditional indoor fingerprint localization system is limited by many factors, such as the density of the reference location node in the fingerprint database and the characteristics of the indoor environment. When the indoor environment changes dynamically, the RSS fluctuates, and usually does not meet the assumption of the same distribution. Therefore, it was difficult to obtain high-precision requirements for conventional fingerprint positioning method. Aiming at the problem that the traditional algorithm couldn’t locate accurately, an algorithm based on the indoor fingerprint database was designed and implemented. The algorithm adopted the idea of migration learning to embed different data sets into the latent feature space, and the adverse effects of environmental changes on the system were mitigated. The simulation results show that the average positioning error of this algorithm is 1.23 m.

dynamic localization, transfer learning, indoor environmental characteristic, generalized extended interpolation,

signal strength fingerprint, reduced calibration effort

TP393

A

10.11959/j.issn.1000?0801.2018170

劉參（1990?），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為無線傳感器網絡、無線定位等。

尚俊娜（1979?），女，博士，杭州電子科技大學通信工程學院副教授，主要研究方向為通信信號處理、智能算法。

李蕊江（1993?），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為信號處理、無線定位等。

岳克強（1984?），男，博士，杭州電子科技大學電子信息學院講師，主要研究方向為進化計算、通信信號處理。

2018?01?09；

2018?05?04

尚俊娜，shangjn@hdu.edu.cn

國家自然科學基金資助項目（No.11603041）

The National Natural Science Foundation of China (No.11603041)