[發(fā)明專利]一種基于分區(qū)可修正性的深度高斯過程回歸室內定位方法

在審

• 申請?zhí)枺?/td>: 202010698539.4
• 申請日: 2020-07-20
• 公開（公告）號: CN111856393A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 翁仲銘;王思懿;陶文源
• 申請（專利權）人: 天津大學
• 主分類號: G01S5/02
• 分類號: G01S5/02;G01S11/06;H04W64/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉子文

本發(fā)明公開一種基于分區(qū)可修正性的深度高斯過程回歸室內定位方法，包括以下步驟：(1)離線階段對室內物理環(huán)境進行區(qū)域劃分；(2)在線階段使用深度高斯過程回歸模型找到目標位置信息；深度高斯過程回歸模型包括數(shù)據(jù)歸一化處理、高斯過程回歸和增強學習三部分。步驟(2)中數(shù)據(jù)歸一化處理(Data Normalization)，也稱數(shù)據(jù)標準化(Data Normalization)；用于在數(shù)據(jù)分析之前對輸入的樣本數(shù)據(jù)進行預處理；數(shù)據(jù)歸一化處理消除了數(shù)據(jù)量綱的限制，并將初始的樣本數(shù)據(jù)轉為沒有單位的純數(shù)值，便于不同單位或量級的數(shù)據(jù)之間進行比較和加權；通過增強學習使深度高斯過程回歸模型從現(xiàn)有狀態(tài)出發(fā)，不斷優(yōu)化策略，最終得到誤差最小的位置坐標。

技術領域

本發(fā)明主要涉及室內定位、接收信號強度(RSS)的位置指紋(LocationFingerprinting)識別、高斯過程回歸(GPR)以及深度學習等領域。特別是涉及一種基于分區(qū)可修正性的深度高斯過程回歸室內定位方法

背景技術

隨著全球信息科技和智能手機的不斷發(fā)展，全球定位系統(tǒng)(Global PositionSystem,GPS)在我們的生活中的應用越來越廣泛，如導航、實時跟蹤、旅游救援等等。雖然全球定位系統(tǒng)可以進行準確可靠的定位，但是在室內環(huán)境中GPS信號不能穿透墻壁，所以GPS不能在室內有效的使用。因此室內定位的研究變得更加重要。

近年來，隨著室內定位技術的不斷發(fā)展，現(xiàn)如今已經(jīng)有許多成熟的方法，例如射頻識別(Radio Frequency Identification，RFID)室內定位技術、紅外線定位技術、Wi-Fi室內定位技術、超寬帶室內定位技術以及藍牙室內定位技術等。此外，室內定位算法最常用到有三角定位法以及最近幾年尤其被廣泛應用的位置指紋法等。基于接收信號強度(RSS)的位置指紋(Location Fingerprinting)是目前室內定位中最流行的方法之一。RSS位置指紋即為每個位置都具有的一組獨特的RSS信號值。其核心思想就是創(chuàng)建RSS指紋數(shù)據(jù)庫用于映射每個物理位置與其唯一的RSS指紋之間的關系；在線定位時通過移動設備端接收到的RSS信號強度與離線階段建立的RSS指紋數(shù)據(jù)庫中的信號強度進行對比，選擇兩個數(shù)據(jù)相差最少的、最相似的RSS信號值所對應的物理位置作為最終的估計位置。該方法有兩個階段：一個是離線階段，即為采集樣本數(shù)據(jù)階段；二是在線定位階段。離線采集階段就是對定位環(huán)境進行測量，采集目標定位區(qū)域每個位置的信號強度值，然后將采集的數(shù)據(jù)保存建立指紋數(shù)據(jù)庫。在線定位階段就是將在請求定位時所在的位置處接收到的實時RSS信號值與之前建立的指紋數(shù)據(jù)庫中的RSS信號進行比較，選出最相似的信號值來計算最終的位置坐標。

傳統(tǒng)的基于接收信號強度(RSS)的指紋識別技術最主要的問題就是任何位置的RSS值都容易受到影響，例如信號容易遭受多路徑、陰影效應以及人群等的干擾。這就意味著即使在不同的時間、同一位置測量到的RSS值也會存在差異。所以，當在線定位階段與指紋數(shù)據(jù)庫匹配時，可能不存在與當前位置匹配的指紋數(shù)據(jù)。也就是說，位置指紋數(shù)據(jù)庫中的數(shù)據(jù)實際上是靜態(tài)的，而我們實時定位時的收集到的RSS信號值是動態(tài)的。當我們在一個位置測量RSS指紋樣本時，定位算法可能會從靜態(tài)數(shù)據(jù)庫中匹配一個不正確的估計位置。雖然所匹配到的信號強度值看起來與位置指紋數(shù)據(jù)庫中的信號值是最相似的；然而，該指紋對應的物理位置可能與正確的指紋數(shù)據(jù)所對應的物理位置距離非常遠。那么在定位之前，重新將整個定位區(qū)域內的每個位置的指紋重新測量一次可以使我們得到非常精確的定位。但是，當定位區(qū)域面積非常大的時候，重新測量RSS數(shù)據(jù)不僅成本高而且任務繁重，特別是在室內空間很大且室內環(huán)境變化復雜頻繁的區(qū)域內要不斷的重新測量和收集位置信息顯然是不現(xiàn)實的。

針對這些亟待解決的缺陷，許多研究者提出了解決方案。如圖1所示。圖1左側虛線框里展示的是高斯回歸模型結合樸素貝葉斯算法。但是該算法需要分別對不同位置進行計算處理，定位過程比較繁瑣。圖1右側虛線框里的方法需要重構指紋庫，這限制了模型的靈活程度，計算過程復雜。中間虛線框為本發(fā)明提出的深度高斯過程回歸模型(DeepGaussian Process Regression，DGPR)。

發(fā)明內容