[發明專利]基于路徑匹配與編碼譯碼循環神經網絡的室內定位方法

有效

• 申請號: 201710750288.8
• 申請日: 2017-08-28
• 公開（公告）號: CN107396322B
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 柏思琪;萬群;顏銘江;張毅
• 申請（專利權）人: 電子科技大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/021;H04W4/33;H04W64/00;G01C21/20
• 代理公司: 51232 成都點睛專利代理事務所(普通合伙)
• 代理人: 孫一峰

本發明涉及室內定位方法，尤其涉及一種基于路徑匹配與編碼譯碼循環神經網絡的室內定位方法。本發明包括訓練階段和測試階段。訓練階段在待定位區域中設計行走路徑，并采集移動設備在各路徑上行走時來自AP的信號接收強度動態時間序列；對RSS時間序列進行預處理；通過插值得到對應的位置時間序列；建立編碼譯碼循環神經網絡模型，用長短時記憶作為模型的基本組件，定位服務器利用預處理后的RSS時間序列及對應的位置時間序列對循環神經網絡模型進行訓練。測試階段獲取在線RSS數據，得到RSS時間序列；對RSS時間序列進行預處理，把預處理后的RSS時間序列作為已訓練好的深度學習模型的輸入，得到的輸出序列作為對移動設備的路徑位置估計。

技術領域個

本發明涉及室內定位方法，尤其涉及一種基于路徑匹配與編碼譯碼循環神經網絡的室內定位方法。

背景技術

全球定位系統(Global Positioning System，GPS)在受建筑物遮擋的環境下定位效果差，因此室內定位技術成為GPS的重要補充。現有的室內定位方法主要可以分為基于信號模型的方法和基于機器學習的方法。室內環境一般較為復雜，多徑現象嚴重，這使得精確可用的信號模型的建立十分困難，大部分已有的用于定位的信號模型都沒有考慮多徑情況或者考慮得過于簡單。而基于機器學習的方法不需要建立信號模型，而是從數據中學習模型，在數據足夠充分、模型選擇合適的情況下能學習到更適應環境的定位模型。

目前基于機器學習的室內定位方法主要有最近鄰法、支持向量機、神經網絡方法等。近年來基于神經網絡的深度學習方法在很多領域取得了突破性的成果，深度學習方法的優點在于能夠提取信號中的高度抽象信息。把深度學習方法用在室內定位上學習復雜信號模型也有一定成果。已有的深度學習室內定位方法大部分屬于靜態方法，把采集到的連續時間樣本視為相互獨立的數據點，沒有利用到信號與位置變化在時間維度的相關性，定位結果可能會有較大的時間跳動。簡單采取對位置估計結果進行時間平滑的措施可以一定程度上緩解跳動，但沒有從根本上利用時間相關性。此外一些跟蹤方法利用到位置時間特性進行建模，例如卡爾曼濾波、粒子濾波及隱馬爾科夫模型、貝葉斯推斷等方法。但這些方法往往建立在信號模型是高斯的假設上，且跟蹤與定位本質上不同，跟蹤方法中對當前時刻的預測需要用到歷史時刻的軌跡。

綜上所述，移動設備的運動路徑是動態連續的，接收信號中不僅包含空間信息還包含時間信息。有必要建立一種能從信號中學習這種時空特性的深度學習定位模型，以提高定位的魯棒性和時間穩定性。

發明內容

本發明目的在于提供一種基于編碼譯碼循環神經網絡模型的室內路徑匹配定位方法，循環神經網絡是一種用于序列學習的深度學習框架。旨在充分利用移動設備運動過程中的動態信號測量的時間相關性以提高室內定位系統的精度、魯棒性和時間穩定性。

為解決上述技術問題，本發明所采取的技術方案是：

一種基于路徑匹配與編碼譯碼循環神經網絡的室內定位方法，基于M個AP、一個移動設備和定位服務器構成的定位系統；AP與移動設備構成M個收發對；

所述定位方法包括訓練階段和測試階段；

所述訓練階段：在待定位區域中設計的路徑上行走，并采集移動設備在各路徑上行走時來自AP的RSS動態時間序列；對RSS時間序列進行預處理；通過插值得到對應的位置時間序列；建立編碼譯碼循環神經網絡模型，用LSTM作為模型的基本組件，定位服務器利用預處理后的RSS時間序列及對應的位置時間序列對循環神經網絡模型進行訓練。

所述測試階段：移動設備獲取在線RSS數據，得到RSS時間序列；對RSS時間序列進行預處理，把預處理后的RSS時間序列作為已訓練好的深度學習模型的輸入，得到的輸出序列作為對移動設備的路徑位置估計。

所述訓練階段具體包括以下步驟：