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(kāi)放創(chuàng )新平臺(chinaopen.ai)聯(lián)合學(xué)者,主要研究方向為無(wú)線(xiàn)網(wǎng)絡(luò )測量及實(shí)現技術(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狀進(jìn)行了分析與總結，首先詳細介紹了目前基于人工智能的三維傳感網(wǎng)室內空間定位技術(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定位的創(chuàng )造性解決方案，最后總結三維傳感網(wǎng)室內空間定位技術(shù)的現狀和發(fā)展前景。

0 引言

　　隨著(zhù)基于用戶(hù)位置信息的相關(guān)技術(shù)的應用和發(fā)展，位置服務(wù)(LBS)已經(jīng)成為人們日常工作、生活所必需的一項基本服務(wù)需求，尤其在大型復雜的室內環(huán)境中，如博物館、機場(chǎng)、超市、醫院、地下礦井等區域，人們對位置服務(wù)有迫切需求。傳統的定位方法如全球定位系統(GPS)只能解決在室外空間中進(jìn)行準確定位的問(wèn)題，然而，在占人類(lèi)日常生活時(shí)間80%的室內環(huán)境中，由于建筑物遮擋和多徑效應的影響，室外定位系統則顯得無(wú)能為力^[1]。

　　因此，在復雜信道條件下，如何能夠準確、可靠地提供室內的位置服務(wù)顯得尤為重要和迫切。面向需求越來(lái)越迫切的室內位置服務(wù)，基于人工智能的三維傳感網(wǎng)室內空間定位技術(shù)發(fā)展迅速，是移動(dòng)互聯(lián)時(shí)代的研究熱點(diǎn)^[2]，逐步在各行各業(yè)發(fā)揮作用，給人們的日常生活帶來(lái)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狀進(jìn)行了分析與總結，首先詳細介紹了目前基于人工智能的三維傳感網(wǎng)室內空間定位技術(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定位的創(chuàng )造性解決方案，最后總結三維傳感網(wǎng)室內空間定位技術(shù)的現狀和發(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(dòng)互聯(lián)網(wǎng)迅速發(fā)展和位置服務(wù)應用需求的推動(dòng)下，當前室內定位技術(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)和室內定位技術(shù)兩種。在室外環(huán)境下，全球定位系統(GPS)、北斗定位系統(BDS)等全球導航衛星系統(GNSS)為用戶(hù)提供米級的位置服務(wù)，基本解決了在室外空間中進(jìn)行準確定位的問(wèn)題，并在日常生活中得到了廣泛的應用。利用室外無(wú)線(xiàn)定位系統，人們可以實(shí)現室外大范圍的定位，比如船舶遠洋、飛機引航以及汽車(chē)導航等。然而，在占人類(lèi)日常生活時(shí)間80%的室內環(huán)境中，由于建筑物遮擋和多徑效應的影響，室外定位系統則顯得無(wú)能無(wú)力^[2]。因為信號穿透眾多的建筑物衰減嚴重，加之室內環(huán)境復雜，信號在室內傳播時(shí)受障礙物的影響，會(huì )引起多徑效應、陰影遮擋及噪聲干擾等，這些都將導致定位精度大大降低，甚至出現大片定位盲區。因此室內環(huán)境下的小范圍、高精度定位需要借助于室內無(wú)線(xiàn)定位技術(shù)，圖 1 給出了典型的室內無(wú)線(xiàn)定位場(chǎng)景圖。與此同時(shí)，傳統的定位技術(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)室內空間定位技術(shù)成為專(zhuān)家學(xué)者的研究重點(diǎn)。三維傳感網(wǎng)室內空間定位技術(shù)指的是在三維空間內，通過(guò)藍牙、紅外線(xiàn)、RFID、WIFI、超寬帶、超聲波等室內定位技術(shù)及應用系統，基于到達時(shí)間(TOA)、基于到達時(shí)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

　　傳統的室內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)送節點(diǎn)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，最后計算出未知節點(diǎn)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(xiàn)增益;G_r為接收天線(xiàn)增益;λ為發(fā)射信號的波長(cháng)。這個(gè)公式只是在自由空間的理想化模型。在實(shí)際情況下并不能直接套用，不然會(huì )造成距離d的估計值有較大的偏差。在實(shí)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)，指的是當距離為定值時(shí)，接收信號功率的波動(dòng)性; n為衰減因子。通常采用的簡(jiǎn)化型為:

(3)

　　2.2 基于人工智能的室內定位方法^[4]

　　由于室內環(huán)境受到反射、折射、散射等多徑效應的影響，基于信號傳輸損耗模型的室內定位往往定位性能很差。采用RSSI指紋庫的定位方法會(huì )有更好的定位性能?；谥讣y匹配的方法又稱(chēng)場(chǎng)景分析法，是基于匹配思想的一種定位方法，在特定場(chǎng)景下實(shí)時(shí)接收到的場(chǎng)景信息與指紋數據庫中的信息進(jìn)行匹配，得岀最優(yōu)估算。室內定位主要影響因素有：室內多徑影響、人體對接收信號強度的影響及同頻干擾影響，而室內定位主要考慮的因素是室內多徑現象。但如果室內環(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(wú)線(xiàn)信號特征(信號數目、強度、相位等)就會(huì )呈現較高的特殊性。將這一特征同位置的坐標進(jìn)行關(guān)聯(lián)，信號特征就可以表征該點(diǎn)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(shí)施分兩步：離線(xiàn)訓練階段(Offline Stage)，在目標區域中的待測點(diǎn)采集訓練序列，建立數學(xué)模型庫即將位置信息與信號強度關(guān)聯(lián);在線(xiàn)定位匹配階段(Online Stage)，將移動(dòng)節點(diǎn)的不同參考節點(diǎn)的信號強度與之前的數學(xué)模型庫進(jìn)行數學(xué)相關(guān)計算，通過(guò)相關(guān)性確定移動(dòng)節點(diǎn)的位置。理論上，建庫時(shí)采集待測點(diǎn)的點(diǎn)數越多，定位的精度越高，但這也會(huì )造成前期工作量和計算復雜度的增大。

　　隨著(zhù)人工智能的發(fā)展，越來(lái)越多的技術(shù)被應用在在線(xiàn)定位匹配階段，包括：KNN、貝葉斯方法、支持向量機(SVM)、聚類(lèi)方法、神經(jīng)網(wǎng)絡(luò )在內的多個(gè)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上的改進(jìn)，即須取得距離最小對應的不是一個(gè)數據庫矢量，而是一個(gè)距離最小值開(kāi)始選取k(k>=2)個(gè)最接近的數據庫矢量集合，最后計算它們的平均坐標作為移動(dòng)節點(diǎn)的位置信息輸出。

　　2.4 K加權近鄰算法

　　在上一算法的基礎上，通過(guò)對數據庫中向量乘以加權系數，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(jìn)行訓練建立概率指紋數據庫，定位階段使用貝葉斯的相關(guān)技術(shù)進(jìn)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(guò)加權和偏置處理傳遞給隱含層，隱含層中通過(guò)一個(gè)轉移函數將信號相下一個(gè)隱含層傳遞，或者直接進(jìn)入到輸出層進(jìn)行輸出。圖2是一個(gè)典型的具有輸入、輸出和隱含層的 BP神經(jīng)網(wǎng)絡(luò )。整個(gè)神經(jīng)網(wǎng)絡(luò )由一系列感知單元組成的輸入層、一個(gè)或多個(gè)隱含的計算單元以及一個(gè)輸出層組成，每一個(gè)節點(diǎn)單元都可以成為一個(gè)神經(jīng)元。

　　ACO-BPNN是BP神經(jīng)網(wǎng)絡(luò )在無(wú)線(xiàn)網(wǎng)絡(luò )室內定位的一種應用策略(如圖3)，其室內定位原理為: 首先采集室內定位的數據, 然后采用BP神經(jīng)網(wǎng)絡(luò )數據進(jìn)行學(xué)習, 采用 ABC 算法對神經(jīng)網(wǎng)絡(luò )進(jìn)行優(yōu)化, 最后建立無(wú)線(xiàn)網(wǎng)絡(luò )室內定位模型。

　　2.7 K-means位置指紋空間聚類(lèi)技術(shù)

　　K-means算法是一種基于距離的聚類(lèi)分析法(如圖4)，該算法的主要思想是剔除聚類(lèi)中的離群點(diǎn)。首先根據式(4)得到類(lèi){x1，x2，…，xn｝的質(zhì)心，然后根據式(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(zhù)重復式(4)計算新類(lèi)的質(zhì)心，直至聚類(lèi)中所有樣本點(diǎn)都能使式(4)條件滿(mǎn)足，保留最新質(zhì)心作為該點(diǎn)的RSSI值錄入指紋數據庫。

　　K-means指紋定位是在原指紋位算法的基礎上，先對指紋庫進(jìn)行聚類(lèi)分析，再通過(guò)匹配算法估計待測點(diǎn)位置的一種算法。即離線(xiàn)階段，構建指紋庫后，通過(guò)K-means聚類(lèi)根據特征參數將指紋庫劃分為k個(gè)子庫;匹配階段，首先比較待測點(diǎn)與各聚類(lèi)中心的相似程度，選取距離最短的聚類(lèi)中心所在的子庫，再將其與待測點(diǎn)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定位精度，但是由于指紋定位的在線(xiàn)階段實(shí)現的前提是室內環(huán)境格局基本保持不變，信源不作變化，而在現實(shí)生活中，由于測量精度不高、環(huán)境不穩定以及復雜空間中存在的干擾源信號過(guò)多等問(wèn)題，現有的人工智能定位方法仍難滿(mǎn)足定位要求。由此，我們在現有技術(shù)的基礎上進(jìn)行了改進(jìn)和優(yōu)化。

　　3.1 基于球形天線(xiàn)的信號強度采集

　　傳統的基于人工智能的三維傳感網(wǎng)空間定位技術(shù)采用的信號接收設備多為定向天線(xiàn)或全向天線(xiàn)，對于存在墻壁反射的室內定位，難以有效利用其方向信息。我們通過(guò)引入球形天線(xiàn)的結構(如圖5)，能有效收集和利用空間的折射反射等信息，通過(guò)綜合球形多個(gè)正交平面的收集的信號接收強度信息(RSSI)，并通過(guò)機器學(xué)習中的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，在同等環(huán)境下，基于球形天線(xiàn)的指紋定位方法相交于傳統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(chǎng)定位為例，如何精確地判斷用戶(hù)所在商鋪是一個(gè)難題。同時(shí)，復雜的環(huán)境中存在大量的信號發(fā)射源，這在人工智能的處理過(guò)程中可能導致特征矩陣稀疏、難以有效地利用RSSI值進(jìn)行定位。

　　由此，我們提出了lightGBM+CNN的雙層精準定位設計。在設計的第一層，我們引入了lightGBM構造多分類(lèi)候選集，即可能的定位點(diǎn);在設計的第二層，我們通過(guò)將離線(xiàn)階段采集樣本結果作為正分類(lèi)樣本，將候選集中的其他候選結果通過(guò)下采樣抽取部分作為負分類(lèi)樣本，對CNN網(wǎng)絡(luò )的分類(lèi)結果進(jìn)行訓練，并將訓練好的模型用來(lái)進(jìn)行在線(xiàn)階段的定位。

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

　　結果表明：我們提出的方法相較于基礎的KNN方法，可以將定位精度提升5%。在商鋪定位的場(chǎng)景中，我們通過(guò)采集100家商場(chǎng)2017年7-8月的詳細數據作為離線(xiàn)數據，并通過(guò)2017年9月的商場(chǎng)內用戶(hù)數據來(lái)做評測，檢測算法是否能準確地識別出當時(shí)用戶(hù)所在的店鋪。結果顯示，上述模型最終的定位準確性可達到90%以上，通過(guò)結合用戶(hù)行為特征參數，進(jìn)行特征工程及模型融合最優(yōu)結果可達到93%以上。

4 結論

　　隨著(zhù)室內定位技術(shù)的不斷發(fā)展，廣域普適化的室內定位新技術(shù)必然會(huì )出現，融合室內外空間實(shí)現無(wú)縫定位，解決未知環(huán)境中的定位問(wèn)題，形成一系列的室內定位建設與開(kāi)發(fā)標準與規范，滿(mǎn)足各行業(yè)不同層次的應用需求。隨著(zhù)人工智能的發(fā)展，指紋定位、計算機視覺(jué)等方法被引入到定位過(guò)程中，有利于抵抗多徑效應，提升定位準確度。同時(shí)，面向室內定位的空間數據管理、可視化表達與分析也將是室內定位技術(shù)發(fā)展的重要組成部分，對于推動(dòng)室內定位技術(shù)的實(shí)際應用具有重要的價(jià)值。

　　參考文獻：

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

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

　　[3]劉攀.基于RSSI指紋庫的室內定位系統的設計與實(shí)現.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定位技術(shù)的發(fā)展現狀和挑戰

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