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(guó)電子科技集團(tuán)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(guó)家重點(diǎn)實(shí)驗(yàn)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(zhǎng)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(guó)家“互聯(lián)網(wǎng)+”戰(zhàn)略和國(guó)際位置服務(wù)領(lǐng)域的研究熱點(diǎn)，如何在室內(nèi)錯(cuò)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(wèn)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(jī)理等關(guān)鍵科學(xué)問(wèn)題沒(méi)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(jìn)而限制了室內(nèi)位置服務(wù)的推廣應(yīng)用。近年來(lái)，導(dǎo)航信號(hào)精密測(cè)量技術(shù)、深度學(xué)習(xí)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(lái)看，基于智能手機(jī)的室內(nèi)定位具有得天獨(dú)厚的優(yōu)勢(shì)，可以作為室內(nèi)定位技術(shù)的應(yīng)用平臺(tái)[4]。本文以智能手機(jī)的MEMS、WiFi、藍(lán)牙和地磁等傳感器為基礎(chǔ)，在不增加用戶(hù)(大眾方、業(yè)主方)使用成本的前提下，實(shí)現(xiàn)基于深度學(xué)習(xí)的多傳感器組合室內(nèi)定位和位置服務(wù)，突破WiFi/藍(lán)牙/地磁組合定位關(guān)鍵技術(shù)，實(shí)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(gè)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(xùn)練數(shù)據(jù)集，通過(guò)機(jī)器學(xué)習(xí)算法實(shí)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(kù)，劃分室內(nèi)環(huán)境下的特征區(qū)域，實(shí)現(xiàn)定位功能，定位精度為2～3 m(房間級(jí))[7-8]；第2部分為微慣導(dǎo)與IBeacon耦合，實(shí)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(dāng)智能手機(jī)通過(guò)地磁/WiFi/藍(lán)牙等多傳感器基于深度學(xué)習(xí)實(shí)現(xiàn)指紋定位時(shí)，在離線階段，使用智能定位終端各類(lèi)傳感器采集環(huán)境中不同參考點(diǎn)處的機(jī)會(huì)信號(hào)場(chǎng)強(qiáng)、地磁場(chǎng)強(qiáng)存儲(chǔ)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(lèi)型的數(shù)據(jù)是為了保證數(shù)據(jù)的多樣性，便于深度學(xué)習(xí)其特征，將數(shù)據(jù)歸一化處理到[0,1]區(qū)間，作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

在離線訓(xùn)練階段，深度訓(xùn)練輸入數(shù)據(jù)的特征存儲(chǔ)為指紋信息。與傳統(tǒng)的KNN聚類(lèi)方法不同，深度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)訓(xùn)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(hào)特征[11-13]。在線定位階段，系統(tǒng)利用訓(xùn)練好的網(wǎng)絡(luò)及各項(xiàng)參數(shù)計(jì)算出相應(yīng)的位置坐標(biāo)。定位原理如圖2所示[8-10]。

圖2 傳感器基于深度學(xué)習(xí)指紋定位原理Fig.2 Sensor based on deep learning fingerprint positioning schematic

1.2 深度學(xué)習(xí)指紋感知

采用深度置信網(wǎng)絡(luò)DBN，整個(gè)DBN訓(xùn)練分為3個(gè)階段：預(yù)訓(xùn)練、展開(kāi)和微調(diào)。在預(yù)訓(xùn)練階段，獲得各個(gè)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(kāi)階段，反向調(diào)整各個(gè)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(xué)習(xí)指紋感知如圖3所示。

圖3 基于深度學(xué)習(xí)指紋感知Fig.3 Fingerprint perception map based on deep learning

定義v為輸入層，對(duì)終端采集的機(jī)會(huì)信號(hào)/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(diǎn)相互獨(dú)立，Pr(v/h1)，Pr(h1/h2)，Pr(h2/h3)，Pr(h3/h4)可以看作是一個(gè)受限波爾茲曼機(jī)(RBM)，表示為：

首先估計(jì)參數(shù){b0,b1,W1}來(lái)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(lái)訓(xùn)練第2層RBM網(wǎng)絡(luò)(即估計(jì)第2層參數(shù){b1,b2,W2})，以此類(lèi)推，最終使用這種貪婪訓(xùn)練法獲得第4層RBM網(wǎng)絡(luò)的參數(shù){b3,b4,W4}。

式中，α為補(bǔ)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(xùn)練后，將權(quán)重與偏置信息作為深度指紋信息，用于實(shí)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(gè)BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器，對(duì)室內(nèi)1 m×1 m的網(wǎng)格進(jìn)行分類(lèi)。當(dāng)智能手機(jī)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(xué)習(xí)網(wǎng)絡(luò)(DBN+BP)，將輸出該位置所在的網(wǎng)格編號(hào)[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(duì)多傳感器室內(nèi)定位算法進(jìn)行仿真，仿真結(jié)果如圖5所示。

圖5 基于深度學(xué)習(xí)和WKNN的定位穩(wěn)定性Fig.5 Positioning stability based on deep learning and WKNN

深度學(xué)習(xí)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(shí)位置比較結(jié)果，可以看出，深度學(xué)習(xí)室內(nèi)定位算法提供非常穩(wěn)定、連續(xù)提供智能手機(jī)的位置，而加權(quán)K近鄰算法輸出位置信息會(huì)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(xué)習(xí)2種算法的定位誤差統(tǒng)計(jì)結(jié)果。多傳感器的深度學(xué)習(xí)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(dá)到90.3%；加權(quán)K近鄰無(wú)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(xué)習(xí)室內(nèi)定位精度和穩(wěn)定性遠(yuǎn)好于后者。

圖6 WKNN和深度學(xué)習(xí)2種算法的定位誤差Fig.6 WKNN and deep learning algorithm positioning error

3 實(shí)際測(cè)試結(jié)果

在衛(wèi)星導(dǎo)航系統(tǒng)與裝備技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室人工智能試驗(yàn)場(chǎng)進(jìn)行了實(shí)際測(cè)試驗(yàn)證，測(cè)試場(chǎng)地放置有調(diào)試桌、設(shè)備機(jī)柜，測(cè)試場(chǎng)屋頂安裝WiFi和藍(lán)牙，場(chǎng)地面積共計(jì)100 m2。測(cè)試終端采用華為P20，內(nèi)嵌自主開(kāi)發(fā)的定位軟件。

測(cè)試過(guò)程：

① 靜態(tài)定位測(cè)試：測(cè)試人員手持測(cè)試終端在WiFi和藍(lán)牙信號(hào)覆蓋區(qū)域內(nèi)進(jìn)行靜態(tài)測(cè)試，得到靜態(tài)定位結(jié)果，測(cè)試結(jié)果如圖7所示，通過(guò)測(cè)試結(jié)果可以得出，定位精度優(yōu)于2 m。

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

② 動(dòng)態(tài)定位測(cè)試：手持測(cè)試終端在測(cè)試場(chǎng)行走進(jìn)行動(dòng)態(tài)定位測(cè)試，得到動(dòng)態(tài)定位結(jié)果，測(cè)試結(jié)果如圖8所示，通過(guò)測(cè)試結(jié)果可以得出，定位精度優(yōu)于3 m。

圖8 動(dòng)態(tài)測(cè)試結(jié)果Fig.8 Dynamic test results

4 結(jié)束語(yǔ)

經(jīng)過(guò)實(shí)際測(cè)試表明，通過(guò)對(duì)智能手機(jī)終端內(nèi)部WiFi、藍(lán)牙及地磁等傳感器數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，構(gòu)建訓(xùn)練數(shù)據(jù)集，通過(guò)機(jī)器學(xué)習(xí)算法實(shí)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(wèn)題，同時(shí)實(shí)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(fèi)很多時(shí)間和精力，后續(xù)會(huì)加強(qiáng)自動(dòng)指紋采集平臺(tái)研究，增加定位效率。