CN108882151A - 基于csi信息区域化标注的室内定位方法 - Google Patents

Abstract

一种基于CSI信息区域化标注的室内定位方法，通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位。本发明能够建立高效而又鲁棒的离线指纹库，在线测试阶段通过更好的算法实现更为精准的定位精度。

Description

基于CSI信息区域化标注的室内定位方法

技术领域

本发明涉及的是一种无线通信领域的技术，具体是一种基于信道状态信息(CSI)区域化标注的室内定位方法，也可以适用于多频段的蜂窝网、蓝牙以及超宽带等网络场景。

背景技术

近年来基于WiFi的室内定位已经成为一个研究热点，尤其是基于位置指纹的定位方法得到越来越多的关注，并已经实现了米级的定位精度。在已有的工作中，由于接收信号指示强度(RSSI)较容易获取且具有普适性，被广泛地用作位置指纹。可RSSI表示是信号在室内空间中经过多次直射、反射、散射后，在接收机端多径信号叠加后的平均值，具有较强的时变性。这使得RSSI用作位置指纹不具有鲁棒性，影响定位精度。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于CSI信息区域化标注的室内定位方法，能够建立高效而又鲁棒的离线指纹库，在线测试阶段通过更好的算法实现更为精准的定位精度。

本发明是通过以下技术方案实现的：

本发明通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位。

所述的收集是指：基于发射机与接收机之间的M×N的收发天线对，每一对收发天线获得P个子载波的CSI，所以对于每一个数据包获得M×N×P个CSI信息；对于一个区域采集K个数据包来说，则获得K×M×N×P个CSI位置指纹，作为室内定位的离线指纹库。

所述的离线指纹库包括：CSI复数数据、CSI复数数据所在区域对应的标签。

所述的深度神经网络，采用但不限于DNN、CNN、DenseNet等网络。考虑到CSI的复数结构，优选将CSI复数数据转变为幅度和相位的实数矩阵用于训练DenseNet、CNN网络或将CSI复数数据转化为幅度和相位的实数矩阵，全展开转变为一维向量用于训练DNN网络。

所述的训练DenseNet网络，进一步优选采用三通道30*30的矩阵形式作为输入张量的输入DenseNet神经网络。

所述的DenseNet网络优选采用DenseNet-40。

所述的训练DNN网络，进一步优选采用将三天线CSI数据全展开变为90*1的一维向量，作为输入张量的输入DNN神经网络。

所述的基于概率向量的用户位置测试是指：其中：p_i为待测试的CSI数据属于对应标签的概率，l_i为对应标签的坐标位置。

所述方法具体包括：

步骤1、离线部署：CSI数据采集和训练数据，具体包括：

步骤1.1、首先将室内的区域划分为若干的区域，每个区域设置为一个标签，收集每个区域内的CSI数据并生成离线指纹库。

步骤1.2、使用离线指纹库对深度神经网络进行训练。

步骤2、将待测试的CSI数据输入训练后的深度神经网络，得到用户实时位置的概率向量p＝[p₁,p₂,…p_i,…p_N]，其中：p_i为待测试的CSI数据属于对应标签的概率，最后通过各个标签对应坐标的概率加权得到估计的用户位置，即基于概率向量的用户位置测试算法实现精确定位。

附图说明

图1为本发明定位方法示意图；

图2为本发明DenseNet的网络结构示意图；

图3为实施例1场景内部平面图；

图4为实施例2走廊场景平面图；

图5为实施例定位误差CDF图；

图6为实施例1非视距情况下的定位误差CDF图。

具体实施方式

如图1所示，为本实施例涉及的一种基于CSI信息区域化标注的室内定位方法。

本实施例实现环境包括：作为接收机的AP、作为发射机的移动设备，其中：AP和移动设备都配有无线网卡，且接收机的无线网卡具有M根天线，发射机的无线网卡具有N根天线与发射机构成M×N的收发天线对。

实施例1

利用DenseNet网络训练实验室环境数据

在实验室场景下，约30m 2的实验室被分成15个区域，每个区域的大小为1.2m×1.2m，接收机被固定在如图3所示的位置。发射机在每个标签区域内发射60000个数据包，每两个包之间的时间是4ms。发射机在发射过程中在该区域内走动，以确保能收集区域内各个位置的位置指纹。发射机与接收机之间有1×3的收发天线对，每一对收发天线可以获得30个子载波的CSI，所以每个标签区域可以采集1×3×30×60000个CSI指纹信息。

由于接收天线具有三根天线，三根天线的数据对应DenseNet网络的三个通道，每个通道的数据为一个30×30的矩阵。其中横轴表示连续的30个数据包，纵轴表示采集的30个子载波。也就是说60000个数据包变为了2000个神经网络张量。

在测试阶段，为了排除一些额外干扰，只取输出概率向量的前四个参与用户位置的估计。

实施例2

利用DNN网络训练走廊环境数据

在走廊场景下，约60m²的走廊区域被分成26个区域，每个区域的大小为1.2m×1.8m，接收机被固定在如图4所示的位置。发射机在每个标签区域内发射90000个数据包，每两个包之间的时间是4ms。发射机在发射过程中在该区域内走动，以确保能收集区域内各个位置的位置指纹。发射机与接收机之间有1×3的收发天线对，每一对收发天线可以获得30个子载波的CSI，所以每个标签区域可以采集1×3×30×90000个CSI指纹信息。

由于接收天线具有三根天线，三根天线的数据全部展开变成一个长度为90的一维向量作为输入张量，输入DNN网络，那么DNN网络拥有90000个输入张量。

更高的定位精度。为了测试本发明室内定位***的定位精度，我们在实验室和走廊两个场景下测试了本实施例***，定位精度的CDF图如图5所示。

增强了***抗外界干扰的鲁棒性。传统室内定位***受室内干扰影响较大，当有人员走动时会影响定位精度。本发明***由于在训练的离线指纹库中加入了部分受干扰后接收的CSI信息，使得在测试阶段，***仍然具有抗外界干扰的鲁棒性。图6展示了在受外界干扰情况下，***定位误差的概率累计分布图。

在线测试速度快。本方法在部署阶段建立离线指纹库，并使用DNN、CNN、DenseNet等神经网络算法在训练网络。在线测试阶段只需要将测得的CSI信息通过神经网络，即可得到用户的实时位置，计算复杂度低，计算速度快，用户可以获得实时无缝的定位服务。

成本低，适用范围广。本发明技术是对现有技术的补充，只需要一个WiFi节点即可部署，可应用于目前的数量众多的住宅、办公室场景。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种基于CSI信息区域化标注的室内定位方法，其特征在于，通过预先收集室内各个区域的CSI数据作为离线指纹库用于深度神经网络训练，并采用训练后的深度神经网络对待测试的CSI数据进行识别，通过基于概率向量的用户位置测试方法实现室内精确定位；

收集是指：基于发射机与接收机之间的M×N的收发天线对，每一对收发天线获得P个子载波的CSI，所以对于每一个数据包获得M×N×P个CSI信息；对于一个区域采集K个数据包来说，则获得K×M×N×P个CSI位置指纹，作为室内定位的离线指纹库；

所述的离线指纹库包括：CSI复数数据、CSI复数数据所在区域对应的标签。

2.根据权利要求1所述的方法，其特征是，所述的深度神经网络，采用DNN、CNN、DenseNet网络。

3.根据权利要求1或2所述的方法，其特征是，所述的深度神经网络，采用将CSI复数数据转变为幅度和相位的实数矩阵用于训练DenseNet、CNN网络或将CSI复数数据转化为幅度和相位的实数矩阵，全展开转变为一维向量用于训练DNN网络。

4.根据权利要求3所述的方法，其特征是，所述的DenseNet网络采用DenseNet-40。

5.根据权利要求3所述的方法，其特征是，所述的训练DenseNet网络，采用三通道30*30的矩阵形式作为输入张量的输入DenseNet神经网络。

6.根据权利要求3所述的方法，其特征是，所述的训练DNN网络，采用将三天线CSI数据全展开变为90*1的一维向量，作为输入张量的输入DNN神经网络。

7.根据权利要求1或2所述的方法，其特征是，所述的基于概率向量的用户位置测试是指：其中：p_i为待测试的CSI数据属于对应标签的概率，l_i为对应标签的坐标位置。

8.根据权利要求1或2所述的方法，其特征是，具体包括：

步骤1、离线部署：CSI数据采集和训练数据，具体包括：

步骤1.1、首先将室内的区域划分为若干的区域，每个区域设置为一个标签，收集每个区域内的CSI数据并生成离线指纹库；

步骤1.2、使用离线指纹库对深度神经网络进行训练；

步骤2、将待测试的CSI数据输入训练后的深度神经网络，得到用户实时位置的概率向量p＝[p₁,p₂,…p_i,…p_N]，其中：p_i为待测试的CSI数据属于对应标签的概率，最后通过各个标签对应坐标的概率加权得到估计的用户位置，即基于概率向量的用户位置测试算法实现精确定位。