基于人工智能的三维传感网空间定位技术

作者 / 袁东明 张丽颖 北京邮电大学电子工程学院(100876)

　　袁东明，讲师，人工智能开放创新平台(chinaopen.ai)联合学者,主要研究方向为无线网络测量及实现技术;张丽颖，硕士生。

摘要：对基于人工智能的定位技术的研究背景和研究现状进行了分析与总结，首先详细介绍了目前基于人工智能的三维传感网室内空间定位技术的技术原理与关键技术，然后提出了我们对于基于人工智能的室内定位的创造性解决方案，最后总结三维传感网室内空间定位技术的现状和发展前景。

0 引言

　　随着基于用户位置信息的相关技术的应用和发展，位置服务(LBS)已经成为人们日常工作、生活所必需的一项基本服务需求，尤其在大型复杂的室内环境中，如博物馆、机场、超市、医院、地下矿井等区域，人们对位置服务有迫切需求。传统的定位方法如全球定位系统(GPS)只能解决在室外空间中进行准确定位的问题，然而，在占人类日常生活时间80%的室内环境中，由于建筑物遮挡和多径效应的影响，室外定位系统则显得无能为力^[1]。

　　因此，在复杂信道条件下，如何能够准确、可靠地提供室内的位置服务显得尤为重要和迫切。面向需求越来越迫切的室内位置服务，基于人工智能的三维传感网室内空间定位技术发展迅速，是移动互联时代的研究热点^[2]，逐步在各行各业发挥作用，给人们的日常生活带来了一定的影响。本文对基于人工智能的定位技术的研究背景和研究现状进行了分析与总结，首先详细介绍了目前基于人工智能的三维传感网室内空间定位技术的技术原理与关键技术，然后提出了我们对于基于人工智能的室内定位的创造性解决方案，最后总结三维传感网室内空间定位技术的现状和发展前景。

1 三维传感网空间定位技术定义与技术原理

　　在移动互联网迅速发展和位置服务应用需求的推动下，当前室内定位技术处于较快的发展阶段，研究者们提出了众多室内定位技术的理论与方法。定位技术可以分为室外定位技术和室内定位技术两种。在室外环境下，全球定位系统(GPS)、北斗定位系统(BDS)等全球导航卫星系统(GNSS)为用户提供米级的位置服务，基本解决了在室外空间中进行准确定位的问题，并在日常生活中得到了广泛的应用。利用室外无线定位系统，人们可以实现室外大范围的定位，比如船舶远洋、飞机引航以及汽车导航等。然而，在占人类日常生活时间80%的室内环境中，由于建筑物遮挡和多径效应的影响，室外定位系统则显得无能无力^[2]。因为信号穿透众多的建筑物衰减严重，加之室内环境复杂，信号在室内传播时受障碍物的影响，会引起多径效应、阴影遮挡及噪声干扰等，这些都将导致定位精度大大降低，甚至出现大片定位盲区。因此室内环境下的小范围、高精度定位需要借助于室内无线定位技术，图 1 给出了典型的室内无线定位场景图。与此同时，传统的定位技术多是基于二维空间的定位，只能给出经度和纬度信息，而对于精确的高度信息，则很难提供。

　　因此，三维传感网室内空间定位技术成为专家学者的研究重点。三维传感网室内空间定位技术指的是在三维空间内，通过蓝牙、红外线、RFID、WIFI、超宽带、超声波等室内定位技术及应用系统，基于到达时间(TOA)、基于到达时间差(TDOA)、基于信号到达角度(AOA)、基于信号相位差以及基于接收信号强度(RSSI)等信息，给出精确的位置信息或者判断是否位于某一房间、仓库等区域的定位技术。

2 基于人工智能的三维传感网空间定位关键技术

　　2.1 基于信号传输损耗模型的定位方法

　　传统的室内定位方法是主要基于信号的传输损耗模型的方法，利用信号传输损耗理论模型的方法，首先知道发送节点的发射信号强度值，由接收端测得接收信号强度值计算出信号的路径损耗，再利用典型的理论模型公式得到距离估计值，最后计算出未知节点的位置信息。

　　传播模型的理论公式为：

(1)

　　其中，P_r为接受功率;P_t为发送功率;G_t为发射天线增益;G_r为接收天线增益;λ为发射信号的波长。这个公式只是在自由空间的理想化模型。在实际情况下并不能直接套用，不然会造成距离d的估计值有较大的偏差。在实际环境下普遍采用的经典理论模型Shadowing模型为：

(2)

　　公式中，d是接收端与发射端之间的距离(单位为m);d₀为参考距离(m); 一般设为1 m;PL(d₀)为参考距离d₀处的功率(dBm); PL(d)为接收端的接收信号功率(dBm);X为均值为0的高斯分布(单位: dBm)，指的是当距离为定值时，接收信号功率的波动性; n为衰减因子。通常采用的简化型为:

(3)

　　2.2 基于人工智能的室内定位方法^[4]

　　由于室内环境受到反射、折射、散射等多径效应的影响，基于信号传输损耗模型的室内定位往往定位性能很差。采用RSSI指纹库的定位方法会有更好的定位性能。基于指纹匹配的方法又称场景分析法，是基于匹配思想的一种定位方法，在特定场景下实时接收到的场景信息与指纹数据库中的信息进行匹配，得岀最优估算。室内定位主要影响因素有：室内多径影响、人体对接收信号强度的影响及同频干扰影响，而室内定位主要考虑的因素是室内多径现象。但如果室内环境格局基本保持不变，信源不作变化，在特定位置上形成的无线信号特征(信号数目、强度、相位等)就会呈现较高的特殊性。将这一特征同位置的坐标进行关联，信号特征就可以表征该点的位置，这也就是基于位置指纹技术成立的必要条件。文献[5]对基于指纹的定位在提高定位精度的优势做了全面分析。

　　具体实施分两步：离线训练阶段(Offline Stage)，在目标区域中的待测点采集训练序列，建立数学模型库即将位置信息与信号强度关联;在线定位匹配阶段(Online Stage)，将移动节点的不同参考节点的信号强度与之前的数学模型库进行数学相关计算，通过相关性确定移动节点的位置。理论上，建库时采集待测点的点数越多，定位的精度越高，但这也会造成前期工作量和计算复杂度的增大。

　　随着人工智能的发展，越来越多的技术被应用在在线定位匹配阶段，包括：KNN、贝叶斯方法、支持向量机(SVM)、聚类方法、神经网络在内的多个方法，均为三维传感空间的定位提供了大量的提升策略和想象空间。

　　2.3 K近邻算法(KNN)

　　K近邻算法是在最近邻算法基础上的改进，即须取得距离最小对应的不是一个数据库矢量，而是一个距离最小值开始选取k(k>=2)个最接近的数据库矢量集合，最后计算它们的平均坐标作为移动节点的位置信息输出。

　　2.4 K加权近邻算法

　　在上一算法的基础上，通过对数据库中向量乘以加权系数，使其作为位置信息输出。

　　2.5 贝叶斯网络算法

　　贝叶斯定位算法是一种概率的定位算法，是对指纹进行训练建立概率指纹数据库，定位阶段使用贝叶斯的相关技术进行位置估计的一种定位算法。

　　2.6 BP神经网络法

　　BP神经网络是目前应用最广泛的神经网络模型之一，神经网络算法主要是模拟人脑运算的基本特征。人脑的最基本组成部分是神经元，神经元之间信息的传递构成了我们对外界的感知。人工神经网络中最基本的单元也取名神经元。BP 神经网络由输入层、隐含层和输出层组成，输入层中的输入信号经过加权和偏置处理传递给隐含层，隐含层中通过一个转移函数将信号相下一个隐含层传递，或者直接进入到输出层进行输出。图2是一个典型的具有输入、输出和隐含层的 BP神经网络。整个神经网络由一系列感知单元组成的输入层、一个或多个隐含的计算单元以及一个输出层组成，每一个节点单元都可以成为一个神经元。

　　ACO-BPNN是BP神经网络在无线网络室内定位的一种应用策略(如图3)，其室内定位原理为: 首先采集室内定位的数据, 然后采用BP神经网络数据进行学习, 采用 ABC 算法对神经网络进行优化, 最后建立无线网络室内定位模型。

　　2.7 K-means位置指纹空间聚类技术

　　K-means算法是一种基于距离的聚类分析法(如图4)，该算法的主要思想是剔除聚类中的离群点。首先根据式(4)得到类{x1，x2，…，xn｝的质心，然后根据式(5)比较所有样本与质心的距离，并剔除距离大于指定阈值t的样本，接着重复式(4)计算新类的质心，直至聚类中所有样本点都能使式(4)条件满足，保留最新质心作为该点的RSSI值录入指纹数据库。

　　K-means指纹定位是在原指纹位算法的基础上，先对指纹库进行聚类分析，再通过匹配算法估计待测点位置的一种算法。即离线阶段，构建指纹库后，通过K-means聚类根据特征参数将指纹库划分为k个子库;匹配阶段，首先比较待测点与各聚类中心的相似程度，选取距离最短的聚类中心所在的子库，再将其与待测点匹配估计最终坐标。

3 优化与提升

　　尽管指纹定位方法的提出和多种人工智能方法的引入从一定程度上提升了室内定位精度，但是由于指纹定位的在线阶段实现的前提是室内环境格局基本保持不变，信源不作变化，而在现实生活中，由于测量精度不高、环境不稳定以及复杂空间中存在的干扰源信号过多等问题，现有的人工智能定位方法仍难满足定位要求。由此，我们在现有技术的基础上进行了改进和优化。

　　3.1 基于球形天线的信号强度采集

　　传统的基于人工智能的三维传感网空间定位技术采用的信号接收设备多为定向天线或全向天线，对于存在墙壁反射的室内定位，难以有效利用其方向信息。我们通过引入球形天线的结构(如图5)，能有效收集和利用空间的折射反射等信息，通过综合球形多个正交平面的收集的信号接收强度信息(RSSI)，并通过机器学习中的KNN等方法，能够充分利用信号的方向和角度信息。仿真发现，在同等环境下，基于球形天线的指纹定位方法相交于传统的方法对能将定位精度提升30%以上。

　　3.2 基于K-means+CNN精准定位技术

　　以商场定位为例，如何精确地判断用户所在商铺是一个难题。同时，复杂的环境中存在大量的信号发射源，这在人工智能的处理过程中可能导致特征矩阵稀疏、难以有效地利用RSSI值进行定位。

　　由此，我们提出了lightGBM+CNN的双层精准定位设计。在设计的第一层，我们引入了lightGBM构造多分类候选集，即可能的定位点;在设计的第二层，我们通过将离线阶段采集样本结果作为正分类样本，将候选集中的其他候选结果通过下采样抽取部分作为负分类样本，对CNN网络的分类结果进行训练，并将训练好的模型用来进行在线阶段的定位。

　　具体来说，我们通过借鉴word2vec词向量的方法，对离线阶段采集的信号依据接收信号强度和Mac地址等标签信息构成的稀疏矩阵转化成低维度的词向量矩阵，并通过CNN的方法，将能典型代表其位置信息的指纹信息通过卷积神经网络抽象出来。

　　结果表明：我们提出的方法相较于基础的KNN方法，可以将定位精度提升5%。在商铺定位的场景中，我们通过采集100家商场2017年7-8月的详细数据作为离线数据，并通过2017年9月的商场内用户数据来做评测，检测算法是否能准确地识别出当时用户所在的店铺。结果显示，上述模型最终的定位准确性可达到90%以上，通过结合用户行为特征参数，进行特征工程及模型融合最优结果可达到93%以上。

4 结论

　　随着室内定位技术的不断发展，广域普适化的室内定位新技术必然会出现，融合室内外空间实现无缝定位，解决未知环境中的定位问题，形成一系列的室内定位建设与开发标准与规范，满足各行业不同层次的应用需求。随着人工智能的发展，指纹定位、计算机视觉等方法被引入到定位过程中，有利于抵抗多径效应，提升定位准确度。同时，面向室内定位的空间数据管理、可视化表达与分析也将是室内定位技术发展的重要组成部分，对于推动室内定位技术的实际应用具有重要的价值。

　　参考文献：

　　[1]阮陵,等.室内定位:分类、方法与应用综述. 地理信息世界, 2015(02):8-14+30

　　[2]周建.基于WLAN的室内无线定位技术研究.西安电子科技大学:81,2014

　　[3]刘攀.基于RSSI指纹库的室内定位系统的设计与实现.华中师范大学,59,2015

　　[4]指纹定位方法研究

　　[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指纹定位的优化算法

　　[7]基于智能手机的室内定位技术的发展现状和挑战

　　本文来源于《电子产品世界》2018年第11期第30页，欢迎您写论文时引用，并注明出处。