CN111965600A - 一种强遮挡环境下基于声音指纹的室内定位方法 - Google Patents
一种强遮挡环境下基于声音指纹的室内定位方法 Download PDFInfo
- Publication number
- CN111965600A CN111965600A CN202010820813.0A CN202010820813A CN111965600A CN 111965600 A CN111965600 A CN 111965600A CN 202010820813 A CN202010820813 A CN 202010820813A CN 111965600 A CN111965600 A CN 111965600A
- Authority
- CN
- China
- Prior art keywords
- sound
- time delay
- distribution information
- relative gain
- delay distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005236 sound signal Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种强遮挡环境下基于声音指纹的室内定位方法,包括:若干声源广播设备发射声信号,在定位区域内预设若干参考节点,获取每个参考节点处的声信号的相对增益‑时延分布信息,将获取的每个参考节点处的声信号的相对增益‑时延分布信息与该参考节点对应的位置坐标信息相结合,构建定位区域的声音指纹库;采集待定位点处的声信号的相对增益‑时延分布信息,利用匹配定位算法,将待定位点处的声信号的相对增益‑时延分布信息与声音指纹库中的相对增益‑时延分布信息进行匹配计算,得到待定位点的位置信息。本发明能够提高强遮挡环境下室内定位精度。
Description
技术领域
本发明属于室内定位领域,具体涉及一种强遮挡环境下基于声音指纹的室内定位方法。
背景技术
室内定位方法实现的前提是信号的高质量和数据传输的稳定性,但在实际室内环境中,信号的传播过程会受到强遮挡环境的影响而产生定位误差。信号在室内强遮挡环境中的传播主要包括非视距传播和多径效应,无线信号发射端与接收端的直射路径之间,存在尺寸大于其波长的障碍物,如墙壁、柜椅等,导致发射端与接收端之间的视距传播路径往往由于遮挡现象而消失,即为非视距传播。由于信号所处的室内结构复杂,使得单一信号在传播过程中遇到障碍物发生反射、散射、绕射,最终所接收到的信号是多个路径信号的时延加权叠加和,即为多径效应。多径效应给信号的参数估计带来了极大困难。
室内复杂环境下,声信号传播距离短,功率小,且与无线信号相比,声信号的波长较短,因此受室内强遮挡的影响更加严重。无论是室内摆设、结构、建筑材料等静态因素,还是门窗开闭、人员流动等动态因素,都会使得智能移动终端与信标之间的声信号视距传播路径受到强烈的遮挡,产生非视距传播和多径效应,最终导致基于声音的室内定位***产生定位误差,我们将其称之为遮挡导致的定位误差。综上,强遮挡环境是限制基于声音的室内定位***进行商业化应用和推广的最基础问题和主要技术瓶颈。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种强遮挡环境下基于声音指纹的室内定位方法,能够提高强遮挡环境下室内定位精度。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种强遮挡环境下基于声音指纹的室内定位方法,包括:
若干声源广播设备发射声信号,在定位区域内预设若干参考节点,获取每个参考节点处的声信号的相对增益-时延分布信息,将获取的每个参考节点处的声信号的相对增益-时延分布信息与该参考节点对应的位置坐标信息相结合,构建定位区域的声音指纹库;
采集待定位点处的声信号的相对增益-时延分布信息,利用匹配定位算法,将待定位点处的声信号的相对增益-时延分布信息与声音指纹库中的相对增益-时延分布信息进行匹配计算,得到待定位点的位置信息。
进一步地,声源广播设备发射的声信号为双曲调频信号。
进一步地,匹配定位算法为人工神经网络算法。
进一步地,利用人工神经网络算法进行匹配定位,具体如下:
将声音指纹库中的每个参考节点处的相对增益-时延分布信息作为输入数据,将声音指纹库中的每个参考节点处的位置坐标信息作为期望,利用反向传播算法,对人工神经网络的权值和阈值不断进行调整训练,直到输出值与期望的误差达到最小,保存人工神经网络的权值和阈值,得到人工神经网络模型;根据人工神经网络模型,输入待定位点处的相对增益-时延分布信息,得到待定位点的位置坐标估计值。
进一步地,采用互相关的增益和时延估计算法获取每个参考节点处的声信号的相对增益-时延分布信息。
进一步地,将定位区域进行网格划分,划分后的网格交点为参考节点。
与现有技术相比,本发明至少具有以下有益效果:本发明提供的一种强遮挡环境下基于声音指纹的室内定位方法,选用声信号的相对增益-时延参数分布作为声音指纹信息,结合位置指纹方法,构建室内定位架构。传统的位置指纹方法只选用信号的RSSI作为唯一指纹信息来源,实际定位精度较低,本发明选用声信号的相对增益—时延分布作为声音指纹信息,使得原有的一维RSSI,变成了二维的声信号相对增益-时延分布,声音指纹信息维度提升,定位精度随之有较大幅度的提升,该方法在国际上是首次提出和尝试,并在实验测试中取得了很好的结果。
进一步地,本发明声源广播设备发射的声信号为双曲调频信号,能够消除目标所接收的声信号由高速移动导致的多普勒频移效应,即使待定位点在移动的状态下,也能够准确的获取声信号的相对增益-时延分布信息。
进一步地,本发明利用人工神经网络算法进行匹配定位,具有更高的准确性和稳定性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明强遮挡环境下基于声音指纹的室内定位方法的流程框图;
图2为不同匹配定位算法的定位偏差图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明的某一具体实施方式,如图1所示,一种强遮挡环境下基于声音指纹的室内定位方法,包括离线训练阶段和在线定位阶段,具体如下:
在离线训练阶段,在定位区域内预设若干参考节点,利用布置在定位区域的不同声源广播设备向外发射声信号,获取每个参考节点处的声信号的相对增益-时延分布信息,将获取的每个参考节点处的声信号的相对增益-时延分布信息与该参考节点对应的位置坐标信息相结合,构建定位区域的声音指纹库;也就是说,将获取的每个参考节点处的声信号的相对增益-时延分布信息与该参考节点对应的位置坐标信息相结合后,存储到数据库中,得到定位区域的声音指纹库;
在在线定位阶段,采集待定位点处的声信号的相对增益-时延分布信息,利用匹配定位算法,将待定位点处的声信号的相对增益-时延分布信息与声音指纹库中的相对增益-时延分布信息进行匹配计算,得到待定位点的位置信息。
在定位区域内预设参考节点的方法有很多,可根据定位区域的特点进行参考节点的选取,本实施方式中,采用网格划分的方法,即对定位区域进行网格划分,将划分后的网格交点为参考节点。
在定位区域内选取不同位置部署声源广播设备,因为声信号在室内传播过程中受到多普勒效应的影响,会导致声信号失真,本发明针对这个问题,以消除声信号在室内环境下的多普勒频移为切入点,作为优选的实施方式,设计了基于双曲调频(hyperbolicfrequency modulate,HFM)信号的声信号,即声源广播设备发射的声信号为双曲调频信号(HFM信号)。采用互相关的增益和时延估计算法获取每个参考节点处的声信号的相对增益-时延分布信息。
作为优选的实施方式,匹配定位算法为人工神经网络算法,利用人工神经网络算法进行匹配定位,具体如下:将声音指纹库中的每个参考节点处的相对增益-时延分布信息作为输入数据,将声音指纹库中的每个参考节点处的位置坐标信息作为期望,利用反向传播算法,对人工神经网络的权值和阈值不断进行调整训练,直到输出值与期望的误差达到最小,保存人工神经网络的权值和阈值,得到人工神经网络模型;根据人工神经网络模型,输入待定位点处的相对增益-时延分布信息,得到待定位点的位置坐标估计值。
经过实验研究表明,如表1、表2以及图2所示,人工神经网络算法比K近邻法(K-Nearest Neighborhood,KNN)以及K加权近邻法(Weighted K-Nearest Neighborhood,WKNN)有更高的准确性和稳定性。
表1不同匹配定位算法的定位结果
表2不同匹配定位算法的误差(m)
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,包括:
若干声源广播设备发射声信号,在定位区域内预设若干参考节点,获取每个所述参考节点处的声信号的相对增益-时延分布信息,将获取的每个所述参考节点处的声信号的相对增益-时延分布信息与该参考节点对应的位置坐标信息相结合,构建所述定位区域的声音指纹库;
采集待定位点处的声信号的相对增益-时延分布信息,利用匹配定位算法,将所述待定位点处的声信号的相对增益-时延分布信息与所述声音指纹库中的相对增益-时延分布信息进行匹配计算,得到待定位点的位置信息。
2.根据权利要求1所述的一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,所述声源广播设备发射的声信号为双曲调频信号。
3.根据权利要求1所述的一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,所述匹配定位算法为人工神经网络算法。
4.根据权利要求3所述的一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,利用所述人工神经网络算法进行匹配定位,具体如下:
将所述声音指纹库中的每个参考节点处的相对增益-时延分布信息作为输入数据,将所述声音指纹库中的每个参考节点处的位置坐标信息作为期望,利用反向传播算法,对人工神经网络的权值和阈值不断进行调整训练,直到输出值与期望的误差达到最小,保存人工神经网络的权值和阈值,得到人工神经网络模型;根据所述人工神经网络模型,输入所述待定位点处的相对增益-时延分布信息,得到待定位点的位置坐标估计值。
5.根据权利要求1所述的一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,采用互相关的增益和时延估计算法获取每个所述参考节点处的声信号的相对增益-时延分布信息。
6.根据权利要求1所述的一种强遮挡环境下基于声音指纹的室内定位方法,其特征在于,将所述定位区域进行网格划分,划分后的网格交点为参考节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820813.0A CN111965600A (zh) | 2020-08-14 | 2020-08-14 | 一种强遮挡环境下基于声音指纹的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820813.0A CN111965600A (zh) | 2020-08-14 | 2020-08-14 | 一种强遮挡环境下基于声音指纹的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111965600A true CN111965600A (zh) | 2020-11-20 |
Family
ID=73387803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820813.0A Pending CN111965600A (zh) | 2020-08-14 | 2020-08-14 | 一种强遮挡环境下基于声音指纹的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112566056A (zh) * | 2020-12-07 | 2021-03-26 | 浙江德清知路导航研究院有限公司 | 基于音频指纹信息的电子设备室内定位***和方法 |
CN113466787A (zh) * | 2021-06-04 | 2021-10-01 | 长安大学 | 基于RSS的分区Min-Max室内定位方法 |
US20220317272A1 (en) * | 2021-03-31 | 2022-10-06 | At&T Intellectual Property I, L.P. | Using Scent Fingerprints and Sound Fingerprints for Location and Proximity Determinations |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865555A (zh) * | 2015-05-19 | 2015-08-26 | 河北工业大学 | 一种基于声音位置指纹的室内声源定位方法 |
CN104880693A (zh) * | 2014-02-27 | 2015-09-02 | 华为技术有限公司 | 室内定位方法和装置 |
WO2016138800A1 (en) * | 2015-03-03 | 2016-09-09 | The Hong Kong University Of Science And Technology | Optimizing position estimates of a device for indoor localization |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
CN106888504A (zh) * | 2015-12-11 | 2017-06-23 | 南开大学 | 基于fm与dtmb信号的室内位置指纹定位方法 |
CN108769969A (zh) * | 2018-06-20 | 2018-11-06 | 吉林大学 | 一种基于深度置信网络的rfid室内定位方法 |
CN108989976A (zh) * | 2018-06-04 | 2018-12-11 | 华中师范大学 | 一种智慧教室内的指纹定位方法及*** |
US20190057715A1 (en) * | 2017-08-15 | 2019-02-21 | Pointr Data Inc. | Deep neural network of multiple audio streams for location determination and environment monitoring |
CN111239687A (zh) * | 2020-01-17 | 2020-06-05 | 浙江理工大学 | 一种基于深度神经网络的声源定位方法及*** |
CN111308420A (zh) * | 2019-12-06 | 2020-06-19 | 长安大学 | 一种基于声信号时延估计及到达频率的室内非视距定位方法 |
US10716089B1 (en) * | 2019-06-03 | 2020-07-14 | Mapsted Corp. | Deployment of trained neural network based RSS fingerprint dataset |
-
2020
- 2020-08-14 CN CN202010820813.0A patent/CN111965600A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104880693A (zh) * | 2014-02-27 | 2015-09-02 | 华为技术有限公司 | 室内定位方法和装置 |
WO2016138800A1 (en) * | 2015-03-03 | 2016-09-09 | The Hong Kong University Of Science And Technology | Optimizing position estimates of a device for indoor localization |
CN104865555A (zh) * | 2015-05-19 | 2015-08-26 | 河北工业大学 | 一种基于声音位置指纹的室内声源定位方法 |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
CN106888504A (zh) * | 2015-12-11 | 2017-06-23 | 南开大学 | 基于fm与dtmb信号的室内位置指纹定位方法 |
US20190057715A1 (en) * | 2017-08-15 | 2019-02-21 | Pointr Data Inc. | Deep neural network of multiple audio streams for location determination and environment monitoring |
CN108989976A (zh) * | 2018-06-04 | 2018-12-11 | 华中师范大学 | 一种智慧教室内的指纹定位方法及*** |
CN108769969A (zh) * | 2018-06-20 | 2018-11-06 | 吉林大学 | 一种基于深度置信网络的rfid室内定位方法 |
US10716089B1 (en) * | 2019-06-03 | 2020-07-14 | Mapsted Corp. | Deployment of trained neural network based RSS fingerprint dataset |
CN111308420A (zh) * | 2019-12-06 | 2020-06-19 | 长安大学 | 一种基于声信号时延估计及到达频率的室内非视距定位方法 |
CN111239687A (zh) * | 2020-01-17 | 2020-06-05 | 浙江理工大学 | 一种基于深度神经网络的声源定位方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112566056A (zh) * | 2020-12-07 | 2021-03-26 | 浙江德清知路导航研究院有限公司 | 基于音频指纹信息的电子设备室内定位***和方法 |
CN112566056B (zh) * | 2020-12-07 | 2022-06-24 | 浙江德清知路导航研究院有限公司 | 基于音频指纹信息的电子设备室内定位***和方法 |
US20220317272A1 (en) * | 2021-03-31 | 2022-10-06 | At&T Intellectual Property I, L.P. | Using Scent Fingerprints and Sound Fingerprints for Location and Proximity Determinations |
CN113466787A (zh) * | 2021-06-04 | 2021-10-01 | 长安大学 | 基于RSS的分区Min-Max室内定位方法 |
CN113466787B (zh) * | 2021-06-04 | 2023-06-02 | 长安大学 | 基于RSS的分区Min-Max室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111965600A (zh) | 一种强遮挡环境下基于声音指纹的室内定位方法 | |
US20120184219A1 (en) | Method and apparatus for learning of the parameters of a fingerprint prediction map model | |
CN106707255B (zh) | 一种相控阵雷达仿真***及方法 | |
Will et al. | The membership degree min-max localization algorithm | |
JP2009065394A (ja) | センサネットワーク用減衰定数推定システム、ノード位置推定システム、推定方法、及びそのプログラム | |
Comiter et al. | A data-driven approach to localization for high frequency wireless mobile networks | |
CN115032585B (zh) | 一种基于rss测距和射线追踪技术的非视距场景定位方法 | |
Chen et al. | RWKNN: A modified WKNN algorithm specific for the indoor localization problem | |
CN116148829A (zh) | 一种基于非合作外辐射源的多基雷达定位方法 | |
Van de Velde et al. | Cooperative multipath-aided indoor localization | |
Shenoy et al. | A lightweight ANN based robust localization technique for rapid deployment of autonomous systems | |
CN111654808B (zh) | 一种更新指纹数据库的方法及***、wifi定位方法及*** | |
CN108535686A (zh) | 一种截断宽带线性调频信号的时差定位方法 | |
Wu et al. | Research on RSS based indoor location method | |
Besada et al. | Design of IMM filter for radar tracking using evolution strategies | |
Lee et al. | A novel location estimation based on pattern matching algorithm in underwater environments | |
KR102096941B1 (ko) | Pcl 운용 환경을 기반으로 하는 저피탐 표적 식별 장치 및 그 방법 | |
CN115397012A (zh) | 基于twr-tdoa估计和mpga布局优化的uwb定位跟踪***的实现方法 | |
Arsan | Accurate indoor positioning with ultra-wide band sensors | |
Sarkar et al. | RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation | |
Hrovat et al. | 3D indoor environment charactirazation based on radio scanning: Initial idea and methodolgy | |
Nsaif et al. | Path loss modeling for urban wirless networks in Baghdad | |
Deng et al. | A dynamic adaptive positioning method based on differential signal feature map | |
Jung et al. | Range-based indoor user localization using reflected signal path model | |
Calist et al. | Large Scale Channel Parameters Estimation by Utilization of Reflected Rays Information for an Urban Environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |