基于人工智能的三維傳感網(wǎng)空間定位技術(shù)

作者 / 袁東明 張麗穎 北京郵電大學(xué)電子工程學(xué)院(100876)

　　袁東明，講師，人工智能開放創(chuàng)新平臺(chinaopen.ai)聯(lián)合學(xué)者,主要研究方向為無線網(wǎng)絡(luò)測量及實現(xiàn)技術(shù);張麗穎，碩士生。

摘要：對基于人工智能的定位技術(shù)的研究背景和研究現(xiàn)狀進行了分析與總結(jié)，首先詳細介紹了目前基于人工智能的三維傳感網(wǎng)室內(nèi)空間定位技術(shù)的技術(shù)原理與關(guān)鍵技術(shù)，然后提出了我們對于基于人工智能的室內(nèi)定位的創(chuàng)造性解決方案，最后總結(jié)三維傳感網(wǎng)室內(nèi)空間定位技術(shù)的現(xiàn)狀和發(fā)展前景。

0 引言

　　隨著基于用戶位置信息的相關(guān)技術(shù)的應(yīng)用和發(fā)展，位置服務(wù)(LBS)已經(jīng)成為人們?nèi)粘９ぷ?、生活所必需的一項基本服?wù)需求，尤其在大型復(fù)雜的室內(nèi)環(huán)境中，如博物館、機場、超市、醫(yī)院、地下礦井等區(qū)域，人們對位置服務(wù)有迫切需求。傳統(tǒng)的定位方法如全球定位系統(tǒng)(GPS)只能解決在室外空間中進行準確定位的問題，然而，在占人類日常生活時間80%的室內(nèi)環(huán)境中，由于建筑物遮擋和多徑效應(yīng)的影響，室外定位系統(tǒng)則顯得無能為力^[1]。

　　因此，在復(fù)雜信道條件下，如何能夠準確、可靠地提供室內(nèi)的位置服務(wù)顯得尤為重要和迫切。面向需求越來越迫切的室內(nèi)位置服務(wù)，基于人工智能的三維傳感網(wǎng)室內(nèi)空間定位技術(shù)發(fā)展迅速，是移動互聯(lián)時代的研究熱點^[2]，逐步在各行各業(yè)發(fā)揮作用，給人們的日常生活帶來了一定的影響。本文對基于人工智能的定位技術(shù)的研究背景和研究現(xiàn)狀進行了分析與總結(jié)，首先詳細介紹了目前基于人工智能的三維傳感網(wǎng)室內(nèi)空間定位技術(shù)的技術(shù)原理與關(guān)鍵技術(shù)，然后提出了我們對于基于人工智能的室內(nèi)定位的創(chuàng)造性解決方案，最后總結(jié)三維傳感網(wǎng)室內(nèi)空間定位技術(shù)的現(xiàn)狀和發(fā)展前景。

1 三維傳感網(wǎng)空間定位技術(shù)定義與技術(shù)原理

　　在移動互聯(lián)網(wǎng)迅速發(fā)展和位置服務(wù)應(yīng)用需求的推動下，當(dāng)前室內(nèi)定位技術(shù)處于較快的發(fā)展階段，研究者們提出了眾多室內(nèi)定位技術(shù)的理論與方法。定位技術(shù)可以分為室外定位技術(shù)和室內(nèi)定位技術(shù)兩種。在室外環(huán)境下，全球定位系統(tǒng)(GPS)、北斗定位系統(tǒng)(BDS)等全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)為用戶提供米級的位置服務(wù)，基本解決了在室外空間中進行準確定位的問題，并在日常生活中得到了廣泛的應(yīng)用。利用室外無線定位系統(tǒng)，人們可以實現(xiàn)室外大范圍的定位，比如船舶遠洋、飛機引航以及汽車導(dǎo)航等。然而，在占人類日常生活時間80%的室內(nèi)環(huán)境中，由于建筑物遮擋和多徑效應(yīng)的影響，室外定位系統(tǒng)則顯得無能無力^[2]。因為信號穿透眾多的建筑物衰減嚴重，加之室內(nèi)環(huán)境復(fù)雜，信號在室內(nèi)傳播時受障礙物的影響，會引起多徑效應(yīng)、陰影遮擋及噪聲干擾等，這些都將導(dǎo)致定位精度大大降低，甚至出現(xiàn)大片定位盲區(qū)。因此室內(nèi)環(huán)境下的小范圍、高精度定位需要借助于室內(nèi)無線定位技術(shù)，圖 1 給出了典型的室內(nèi)無線定位場景圖。與此同時，傳統(tǒng)的定位技術(shù)多是基于二維空間的定位，只能給出經(jīng)度和緯度信息，而對于精確的高度信息，則很難提供。

　　因此，三維傳感網(wǎng)室內(nèi)空間定位技術(shù)成為專家學(xué)者的研究重點。三維傳感網(wǎng)室內(nèi)空間定位技術(shù)指的是在三維空間內(nèi)，通過藍牙、紅外線、RFID、WIFI、超寬帶、超聲波等室內(nèi)定位技術(shù)及應(yīng)用系統(tǒng)，基于到達時間(TOA)、基于到達時間差(TDOA)、基于信號到達角度(AOA)、基于信號相位差以及基于接收信號強度(RSSI)等信息，給出精確的位置信息或者判斷是否位于某一房間、倉庫等區(qū)域的定位技術(shù)。

2 基于人工智能的三維傳感網(wǎng)空間定位關(guān)鍵技術(shù)

　　2.1 基于信號傳輸損耗模型的定位方法

　　傳統(tǒng)的室內(nèi)定位方法是主要基于信號的傳輸損耗模型的方法，利用信號傳輸損耗理論模型的方法，首先知道發(fā)送節(jié)點的發(fā)射信號強度值，由接收端測得接收信號強度值計算出信號的路徑損耗，再利用典型的理論模型公式得到距離估計值，最后計算出未知節(jié)點的位置信息。

　　傳播模型的理論公式為：

(1)

　　其中，P_r為接受功率;P_t為發(fā)送功率;G_t為發(fā)射天線增益;G_r為接收天線增益;λ為發(fā)射信號的波長。這個公式只是在自由空間的理想化模型。在實際情況下并不能直接套用，不然會造成距離d的估計值有較大的偏差。在實際環(huán)境下普遍采用的經(jīng)典理論模型Shadowing模型為：

(2)

　　公式中，d是接收端與發(fā)射端之間的距離(單位為m);d₀為參考距離(m); 一般設(shè)為1 m;PL(d₀)為參考距離d₀處的功率(dBm); PL(d)為接收端的接收信號功率(dBm);X為均值為0的高斯分布(單位: dBm)，指的是當(dāng)距離為定值時，接收信號功率的波動性; n為衰減因子。通常采用的簡化型為:

(3)

　　2.2 基于人工智能的室內(nèi)定位方法^[4]

　　由于室內(nèi)環(huán)境受到反射、折射、散射等多徑效應(yīng)的影響，基于信號傳輸損耗模型的室內(nèi)定位往往定位性能很差。采用RSSI指紋庫的定位方法會有更好的定位性能?；谥讣y匹配的方法又稱場景分析法，是基于匹配思想的一種定位方法，在特定場景下實時接收到的場景信息與指紋數(shù)據(jù)庫中的信息進行匹配，得岀最優(yōu)估算。室內(nèi)定位主要影響因素有：室內(nèi)多徑影響、人體對接收信號強度的影響及同頻干擾影響，而室內(nèi)定位主要考慮的因素是室內(nèi)多徑現(xiàn)象。但如果室內(nèi)環(huán)境格局基本保持不變，信源不作變化，在特定位置上形成的無線信號特征(信號數(shù)目、強度、相位等)就會呈現(xiàn)較高的特殊性。將這一特征同位置的坐標進行關(guān)聯(lián)，信號特征就可以表征該點的位置，這也就是基于位置指紋技術(shù)成立的必要條件。文獻[5]對基于指紋的定位在提高定位精度的優(yōu)勢做了全面分析。

　　具體實施分兩步：離線訓(xùn)練階段(Offline Stage)，在目標區(qū)域中的待測點采集訓(xùn)練序列，建立數(shù)學(xué)模型庫即將位置信息與信號強度關(guān)聯(lián);在線定位匹配階段(Online Stage)，將移動節(jié)點的不同參考節(jié)點的信號強度與之前的數(shù)學(xué)模型庫進行數(shù)學(xué)相關(guān)計算，通過相關(guān)性確定移動節(jié)點的位置。理論上，建庫時采集待測點的點數(shù)越多，定位的精度越高，但這也會造成前期工作量和計算復(fù)雜度的增大。

　　隨著人工智能的發(fā)展，越來越多的技術(shù)被應(yīng)用在在線定位匹配階段，包括：KNN、貝葉斯方法、支持向量機(SVM)、聚類方法、神經(jīng)網(wǎng)絡(luò)在內(nèi)的多個方法，均為三維傳感空間的定位提供了大量的提升策略和想象空間。

　　2.3 K近鄰算法(KNN)

　　K近鄰算法是在最近鄰算法基礎(chǔ)上的改進，即須取得距離最小對應(yīng)的不是一個數(shù)據(jù)庫矢量，而是一個距離最小值開始選取k(k>=2)個最接近的數(shù)據(jù)庫矢量集合，最后計算它們的平均坐標作為移動節(jié)點的位置信息輸出。

　　2.4 K加權(quán)近鄰算法

　　在上一算法的基礎(chǔ)上，通過對數(shù)據(jù)庫中向量乘以加權(quán)系數(shù)，使其作為位置信息輸出。

　　2.5 貝葉斯網(wǎng)絡(luò)算法

　　貝葉斯定位算法是一種概率的定位算法，是對指紋進行訓(xùn)練建立概率指紋數(shù)據(jù)庫，定位階段使用貝葉斯的相關(guān)技術(shù)進行位置估計的一種定位算法。

　　2.6 BP神經(jīng)網(wǎng)絡(luò)法

　　BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，神經(jīng)網(wǎng)絡(luò)算法主要是模擬人腦運算的基本特征。人腦的最基本組成部分是神經(jīng)元，神經(jīng)元之間信息的傳遞構(gòu)成了我們對外界的感知。人工神經(jīng)網(wǎng)絡(luò)中最基本的單元也取名神經(jīng)元。BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，輸入層中的輸入信號經(jīng)過加權(quán)和偏置處理傳遞給隱含層，隱含層中通過一個轉(zhuǎn)移函數(shù)將信號相下一個隱含層傳遞，或者直接進入到輸出層進行輸出。圖2是一個典型的具有輸入、輸出和隱含層的 BP神經(jīng)網(wǎng)絡(luò)。整個神經(jīng)網(wǎng)絡(luò)由一系列感知單元組成的輸入層、一個或多個隱含的計算單元以及一個輸出層組成，每一個節(jié)點單元都可以成為一個神經(jīng)元。

　　ACO-BPNN是BP神經(jīng)網(wǎng)絡(luò)在無線網(wǎng)絡(luò)室內(nèi)定位的一種應(yīng)用策略(如圖3)，其室內(nèi)定位原理為: 首先采集室內(nèi)定位的數(shù)據(jù), 然后采用BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)進行學(xué)習(xí), 采用 ABC 算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化, 最后建立無線網(wǎng)絡(luò)室內(nèi)定位模型。

　　2.7 K-means位置指紋空間聚類技術(shù)

　　K-means算法是一種基于距離的聚類分析法(如圖4)，該算法的主要思想是剔除聚類中的離群點。首先根據(jù)式(4)得到類{x1，x2，…，xn｝的質(zhì)心，然后根據(jù)式(5)比較所有樣本與質(zhì)心的距離，并剔除距離大于指定閾值t的樣本，接著重復(fù)式(4)計算新類的質(zhì)心，直至聚類中所有樣本點都能使式(4)條件滿足，保留最新質(zhì)心作為該點的RSSI值錄入指紋數(shù)據(jù)庫。

　　K-means指紋定位是在原指紋位算法的基礎(chǔ)上，先對指紋庫進行聚類分析，再通過匹配算法估計待測點位置的一種算法。即離線階段，構(gòu)建指紋庫后，通過K-means聚類根據(jù)特征參數(shù)將指紋庫劃分為k個子庫;匹配階段，首先比較待測點與各聚類中心的相似程度，選取距離最短的聚類中心所在的子庫，再將其與待測點匹配估計最終坐標。

3 優(yōu)化與提升

　　盡管指紋定位方法的提出和多種人工智能方法的引入從一定程度上提升了室內(nèi)定位精度，但是由于指紋定位的在線階段實現(xiàn)的前提是室內(nèi)環(huán)境格局基本保持不變，信源不作變化，而在現(xiàn)實生活中，由于測量精度不高、環(huán)境不穩(wěn)定以及復(fù)雜空間中存在的干擾源信號過多等問題，現(xiàn)有的人工智能定位方法仍難滿足定位要求。由此，我們在現(xiàn)有技術(shù)的基礎(chǔ)上進行了改進和優(yōu)化。

　　3.1 基于球形天線的信號強度采集

　　傳統(tǒng)的基于人工智能的三維傳感網(wǎng)空間定位技術(shù)采用的信號接收設(shè)備多為定向天線或全向天線，對于存在墻壁反射的室內(nèi)定位，難以有效利用其方向信息。我們通過引入球形天線的結(jié)構(gòu)(如圖5)，能有效收集和利用空間的折射反射等信息，通過綜合球形多個正交平面的收集的信號接收強度信息(RSSI)，并通過機器學(xué)習(xí)中的KNN等方法，能夠充分利用信號的方向和角度信息。仿真發(fā)現(xiàn)，在同等環(huán)境下，基于球形天線的指紋定位方法相交于傳統(tǒng)的方法對能將定位精度提升30%以上。

　　3.2 基于K-means+CNN精準定位技術(shù)

　　以商場定位為例，如何精確地判斷用戶所在商鋪是一個難題。同時，復(fù)雜的環(huán)境中存在大量的信號發(fā)射源，這在人工智能的處理過程中可能導(dǎo)致特征矩陣稀疏、難以有效地利用RSSI值進行定位。

　　由此，我們提出了lightGBM+CNN的雙層精準定位設(shè)計。在設(shè)計的第一層，我們引入了lightGBM構(gòu)造多分類候選集，即可能的定位點;在設(shè)計的第二層，我們通過將離線階段采集樣本結(jié)果作為正分類樣本，將候選集中的其他候選結(jié)果通過下采樣抽取部分作為負分類樣本，對CNN網(wǎng)絡(luò)的分類結(jié)果進行訓(xùn)練，并將訓(xùn)練好的模型用來進行在線階段的定位。

　　具體來說，我們通過借鑒word2vec詞向量的方法，對離線階段采集的信號依據(jù)接收信號強度和Mac地址等標簽信息構(gòu)成的稀疏矩陣轉(zhuǎn)化成低維度的詞向量矩陣，并通過CNN的方法，將能典型代表其位置信息的指紋信息通過卷積神經(jīng)網(wǎng)絡(luò)抽象出來。

　　結(jié)果表明：我們提出的方法相較于基礎(chǔ)的KNN方法，可以將定位精度提升5%。在商鋪定位的場景中，我們通過采集100家商場2017年7-8月的詳細數(shù)據(jù)作為離線數(shù)據(jù)，并通過2017年9月的商場內(nèi)用戶數(shù)據(jù)來做評測，檢測算法是否能準確地識別出當(dāng)時用戶所在的店鋪。結(jié)果顯示，上述模型最終的定位準確性可達到90%以上，通過結(jié)合用戶行為特征參數(shù)，進行特征工程及模型融合最優(yōu)結(jié)果可達到93%以上。

4 結(jié)論

　　隨著室內(nèi)定位技術(shù)的不斷發(fā)展，廣域普適化的室內(nèi)定位新技術(shù)必然會出現(xiàn)，融合室內(nèi)外空間實現(xiàn)無縫定位，解決未知環(huán)境中的定位問題，形成一系列的室內(nèi)定位建設(shè)與開發(fā)標準與規(guī)范，滿足各行業(yè)不同層次的應(yīng)用需求。隨著人工智能的發(fā)展，指紋定位、計算機視覺等方法被引入到定位過程中，有利于抵抗多徑效應(yīng)，提升定位準確度。同時，面向室內(nèi)定位的空間數(shù)據(jù)管理、可視化表達與分析也將是室內(nèi)定位技術(shù)發(fā)展的重要組成部分，對于推動室內(nèi)定位技術(shù)的實際應(yīng)用具有重要的價值。

　　參考文獻：

　　[1]阮陵,等.室內(nèi)定位:分類、方法與應(yīng)用綜述. 地理信息世界, 2015(02):8-14+30

　　[2]周建.基于WLAN的室內(nèi)無線定位技術(shù)研究.西安電子科技大學(xué):81,2014

　　[3]劉攀.基于RSSI指紋庫的室內(nèi)定位系統(tǒng)的設(shè)計與實現(xiàn).華中師范大學(xué),59,2015

　　[4]指紋定位方法研究

　　[5]Spherical Antenna-based DoA Estimation and Localization: Advanced Algorithms and Measurements, in IEEE/CIC International Conference on Communications in China. 2018.

　　[6]K-means指紋定位的優(yōu)化算法

　　[7]基于智能手機的室內(nèi)定位技術(shù)的發(fā)展現(xiàn)狀和挑戰(zhàn)

　　本文來源于《電子產(chǎn)品世界》2018年第11期第30頁，歡迎您寫論文時引用，并注明出處。