CN114449452A - 一种异构设备室内定位算法 - Google Patents

Abstract

本发明公开了一种异构设备的室内定位算法。该算法包括：模型训练阶段在定位区域中选定坐标原点，建立坐标系，并以特定间距绘制网格；在每个网格点上收集Wi‑Fi指纹并转换为差分矩阵，建立基于网格点的指纹库；使用数据增强扩充指纹库后，利用轨迹生成算法生成基于行人轨迹的指纹库，并作为训练数据，训练基于CNN和RNN的定位模型；在定位阶段实时收集Wi‑Fi信息，并转换为差分矩阵指纹，将其与模型上一时刻定位的结果相结合，输入到定位模型中；定位模型输出的坐标即为估计位置。本发明将原始Wi‑Fi指纹转换为差分矩阵以缓解设备异质性问题，同时充分利用历史状态的指纹信息和模型上一时刻定位结果，有效提升在异构设备上的定位精度。

Description

一种异构设备室内定位算法

技术领域

本发明涉及一种室内定位算法，属于室内定位技术领域，尤其是涉及一种异构设备室内定位算法。

技术背景

Wi-Fi室内定位主要有两大类：基于测距的方法和基于指纹的方法。前者通过Wi-Fi 信号传播模型计算待定位节点到若干Wi-Fi接入点(AP)的距离，然后用三边定位等几何算法进行定位；后者则把定位环境的每个位置都用一个唯一的“指纹”来表示，并用特定的指纹匹配算法确定目标位置。

测距定位需要预先知道AP的位置并使用额外设备精准测距，且由于室内环境的复杂性，Wi-Fi信号易受非视距环境和多径效应的影响，难以建立准确的信号传播模型并进行较精准的测距，进而影响定位精度；而后者只通过采集若干指纹即可进行定位，包括离线和在线两个阶段。

离线阶段在每个位置采集由若干AP发送的接收信号强度指示(Received SignalStrength Indicator,RSSI)作为指纹并构成离线指纹库，在线阶段则通过各种定位算法进行定位。在线定位算法主要有概率性定位算法和确定性定位算法，前者将一个时间段中的RSSI采样值建模为概率分布函数作为指纹，计算复杂度高；后者则使用相似性度量待定位节点的指纹与离线指纹库中的数据来进行定位。常用的确定性定位算法有KNN、 WKNN、GBRT等经典机器学习算法，但由于RSSI指纹波动性较大且存在噪声，这类传统算法难以实现较高的定位精度。深度学习作为机器学习的一个分支，可以更好地拟合RSSI指纹与特定位置之间的非线性映射关系。基于此，研究者们提出了许多基于深度学习的室内定位方法，如人工神经网络(Artificial Neural Network,ANN)、堆叠自动编码器(Stacked AutoEncoder，SAE)、卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Network,RNN)等。

其中，RNN非常适合处理序列数据，可以借助指纹中的时序信息提高定位精度。Chen等人使用Wi-Fi路由器以50hz的高频率扫描手机获取RSSI时间序列，并使用深层 RNN网络来进行定位，但该方法需要特定的路由器，且在线定位时间长。Hoang等人基于LSTM、GRU等RNN变体提出了P-MIMO模型，利用连续的RSSI测量值和轨迹信息提高精度，达到了最低0.75m的平均误差。但该方法需要知道用户的初始位置，实际情况中难以实现。

上述方法实现较好定位效果的前提是离线和在线阶段使用相同的设备，而当在线阶段使用与离线阶段不同的移动终端设备时，在相同位置采集的RSSI指纹会产生较大变化，进而降低定位精度。目前针对设备异质性问题有两种主流方案：一是在离线阶段使用不同的转换函数来校准RSSI指纹，但难以适应实际场景中大量的异构设备；二是采用无校准的方法。Zou等人根据不同设备采集的RSSI指纹形状相似这一现象，对原始指纹进行z-score标准化后得到标准位置(Standard Location,SL)指纹，并使用WKNN 进行定位。但由于实际场景中RSSI存在缺失值，不同手机的RSSI采样值的形状不一定相似，该方法不能很好地缓解设备异质性问题。Hossain等人使用相邻AP之间RSSI的差值构造信号强度差(Signal Strength Difference,SSD)指纹，SSD指纹的缺点是只考虑了相邻AP的差异，且会丢失部分信息。

现有的Wi-Fi指纹室内定位算法仍然存在一些缺点：

1)Wi-Fi信号容易受到干扰引起定位精度的波动；

2)无法较好的缓解设备异质性问题；

3)定位过程中，只考虑当前时刻采集的指纹；

发明内容

针对以上问题，本发明提供一种异构设备室内定位算法，将原始RSSI指纹变换为一种差分矩阵指纹以缓解设备异质性问题，使用CNN来提取差分矩阵的特征并估计初始位置，然后将特征输入LSTM模型中，结合历史位置信息对异构设备进行定位，为用户提供更准确有效的定位服务。

本发明所采取的技术方案如下：

一种异构设备室内定位算法，包括如下步骤：

1)模型建立阶段，在定位区域中选定坐标原点，以正北方向作为y轴正向，以正东作为x轴正向建立坐标系，然后以特定的间隔绘制网格；

2)在每个网格点上收集Wi-Fi信息，建立基于网格点的指纹库；

3)通过数据增强扩充指纹库，减少离线指纹库采集工作量；

4)考虑行人室内活动规律，使用轨迹生成算法以每个网格点为起点生成大量轨迹，并结合增强后的指纹库，得到行人轨迹指纹库；

5)使用行人轨迹指纹库来训练基于CNN和RNN的定位模型；

6)在定位过程中，实时收集Wi-Fi信息，将其转换为差分矩阵，使用CNN模型进行初始位置估计，并将差分矩阵指纹与模型上一时刻预测结果一同输入模型中，得出当前时刻的定位结果。

进一步地，步骤1)具体为：

在定位区域内设定原点坐标，以定位区域的最西南方向的点作为原点(x₀,y₀)，在该区域内建立坐标系，坐标系的x轴正向为正东方向，坐标系的y轴正向为正北方向；在定位区域内绘制n*m的网格，每个网格点的坐标形如(x_i,y_j),表示x轴第i条线与y轴第j条线相交处的网格点坐标。

进一步地，步骤2)具体为：

1)采集者使用不同型号的智能手机在定位区域的每个坐标点上采集Wi-Fi指纹

假设定位区域有N_ap个Wi-Fi接入点，那么以坐标点(x_i,y_j)为例，当前时刻t采集到的Wi-Fi信号的向量为：

其中分量

表示时刻t在坐标(x_y,y_j)采集到的第k个Wi-Fi接入点的接收信号强度 (RSSI)。

2)构建基于网格点的指纹库

在定位区域内所有坐标点上采集完Wi-Fi后，即可构建基于网格点指纹库D：

D＝(D^0,0,D^0,1,…D^i,j,…,D^n,m)

其中，N_grid为网格个数，N_rss为每个点上采集RSSI指纹的次数，D^i,j为网格点(x_i,y_j)对应的指纹，

为该指纹中第k个Wi-Fi接入点的所有RSSI采样值构成的向量。

进一步地，步骤3)具体为：

由于实际定位过程中，部分型号较旧的智能手机搭载的低版本Android***(如Android 7、Android 8)无法修改RSSI的采样频率，难以获取大量采样数据以保证模型精度。为了减少指纹采集工作量，使用如下数据增强算法生成新指纹：

①对指纹库D中某个网格点的指纹D_i，初始化新指纹RSSI_Newⁱ；

②计算D_i中第n个AP的RSSI采样值

的缺失值所占比例r，以及去除缺失值(>-100)的

的均值μ、标准差σ。生成一个在[0,1]范围内的随机数rand_num，如果rand_num<r，将缺失值(-100)添加到RSSI_Newⁱ，否则根据正态分布N(μ,σ²)生成随机数并添加到RSSI_Newⁱ中；

③对D_i中每个AP的采样值执行②，得到RSSI_Newⁱ；

④对任意D_i执行若干次①～③，得到增强后的指纹库D^*。

进一步地，步骤4)具体为：

由于采集的指纹库是基于网格点的，而训练基于RNN的定位模型，需要基于行人轨迹的指纹作为训练数据。定位目标的移动速度有限，离当前位置越近的点被选作轨迹的下一个点的概率越大。取RSSI采样周期△t＝1s，行人最大移动速度v_max＝1.8m/s，采样周期内的最大移动距离σ＝v_max×△t＝1.8m，按如下的步骤生成大量轨迹数据：

对指纹库中每个网格点l_k＝(x_i,y_j)，计算其它网格点

到该点的欧氏距离

得到如表1所示的欧氏距离矩阵

表1欧氏距离矩阵

②初始化概率矩阵

令p_ko为△t内目标从当前位置l_k＝(x_i,y_j)移动到下一位置

的概率，

为归一化的p_ko。假设p_ko服从以当前坐标为均值、σ为标准差的正态分布，则有：

由此得到如表2所示的概率矩阵：

表2概率矩阵

③初始化行人轨迹数据集T；

④初始化行人轨迹tragectory＝[l_i]，使用矩阵p生成轨迹。对当前点l_i，在概率矩阵p的第i行p_i中按概率选择轨迹的下一个点l_j，并添加到path中。p_ij越大，则l_j成为下一个点的概率就越大。重复添加轨迹点直到tragectory的长度为l；

⑤对区域内所有网格点，以当前网格点(x_i,y_i)为起点，重复执行N_tr次步骤④，得到N_tr条起点为(x_i,y_j)的行人轨迹，并加入到轨迹数据集T中；

将指纹库D^*和轨迹数据集T结合起来，得到基于行人轨迹的指纹库。

进一步地，步骤5)具体为：

1)加载指纹库D^*和轨迹数据集T进行训练。取出T中的一条轨迹

2)对tragectory上某个时刻t的坐标

从指纹库D^*对应的指纹

里面所有RSSI采样值中随机选取一个

作为该轨迹点对应的Wi-Fi指纹；

3)对tragectory上所有轨迹点执行2)，得到该轨迹对应的指纹序列

4)按顺序分别将轨迹坐标和对应的指纹输入模型训练。令当前时刻t输入的数据为

和

且模型上一时刻估计的位置cor_t-1。本发明提出的定位模型中包含CNN层和RNN层，则模型训练流程如下：

①将指纹

转换为差分矩阵DM_t，并进行标准化，以缓解设备异质性问题：

其中μ、σ分别为DM_t中所有元素的均值和标准差。

②将

输入定位模型的CNN层中以提取指纹隐含特征。CNN层中包含两个CNN 单元和一个全连接层，一个CNN单元内包含卷积层、批归一化层和非线性激活函数层， CNN单元的计算过程如下：

·卷积

其中C_in、C_out分别为输入、输出的通道(channel)个数，imput(k)为输入的第k个通道的数据，

代表第j个通道，weight为CNN的卷积核(权重矩阵)，bias为偏置矩阵，*为矩阵的点乘，

为输出的第j个通道的数据。

·批归一化

out′＝BatchNormalize2d(out)；

·使用ReLU函数进行非线性激活

out″＝ReLU(out′)；

则CNN层的计算可以表示如下：

其中Flatten操作将CNN单元得到的二维输出展平成一维向量，FullyConnected(全连接层)用于进一步提取特征，获得指定长度的隐含特征x_t。

③对模型上一时刻估计的位置cor_t-1进行z-score标准化以统一量级：

cor_t-1 ^*＝(cor_t-1-μ)/σ；

其中μ、σ分别为网格点中所有坐标值的均值和标准差。得到cor_t-1 ^*后，将cor_t-1 ^*与x_t进行拼接得到特征向量

④将

输入RNN层。RNN层中的RNN单元为长短期记忆网络(LSTM)，LSTM 包含三个控制机制，分别为遗忘门、输入门和输出门。遗忘门决定需要丢弃遗忘的过去状态的信息，即不引入到当前状态的信息；输入门决定需要更新到当前记忆单元的新信息；输出门则是确定最终的输出内容。LSTM计算的步骤如下：

·遗忘门的计算

其中，σ代表sigmoid激活函数，输出范围为(0,1)，h_t-1为上一时刻LSTM模型的隐含层输出,W_f为遗忘门权重，W_f由h_t-1的权重和当前输入信息x_t的权重构成，b_f为遗忘门的偏置。

·输入门的计算

使用tanh激活函数构建新的候选向量：

·更新记忆单元：

其中，W_i为输入门的权重，b_i为输入门的偏置；

·输出门计算

使用tanh激活函数控制记忆单元，得到LSTM模型在t时刻的输出：

h_t＝o_t⊙tanh(C_t)；

其中，W_o为输出门的权重，b_o为输出门的偏置。

⑤将RNN层的输出h_t输入全连接层，得到模型在当前时刻t的预测坐标cor_t：

cor_t＝FullyConnected(h_t)；

⑥使用均方误差损失函数(MSE)计算cor_t与真实坐标

的偏差error_t，并累加计算整条轨迹的损失和error；

⑦对轨迹上的所有点重复步骤①～⑥，然后计算该条轨迹的平均损失，并使用Adam 优化器更新模型参数；

⑧对轨迹数据集上的所有轨迹执行①～⑦，视为一次迭代。重复迭代至模型收敛后保存模型。

进一步地，步骤6)具体为：

1)加载步骤5训练好的基于CNN和RNN的定位模型；

2)实时采集Wi-Fi信号。假设当前时刻为t，则此时采集的Wi-Fi指纹为：

3)如果t＝1，使用CNN模型来估计用户的初始位置cor₀，否则直接获取模型上一时刻t-1的预测坐标cor_t-1；

4)为了统一特征之间的量级，对DM_t和cor_t-1进行z-score标准化

5)将

和

输入到定位模型中，模型输出当前时刻的预测结果cor_t。

借由上述技术方案，本发明具有如下优点和有益技术效果：

本发明公开的基于CNN和RNN的异构设备室内定位算法，使用数据增强扩充原始指纹库，并使用轨迹生成算法获取大量轨迹供模型训练，在减少指纹库构建工作量的同时提高模型的泛化能力。

本发明公开的基于CNN和RNN的异构设备室内定位算法，将原始Wi-Fi指纹转换为差分矩阵指纹，并使用CNN提取差分矩阵的隐含特征，有效缓解了设备异质性问题。

本发明公开的基于CNN和RNN的异构设备室内定位算法，使用RNN考虑用户移动轨迹上一系列RSSI测量值之间的相关性，并结合当前位置对应的差分矩阵指纹及模型上一时刻的预测坐标进行定位，以及使用CNN进行初次位置估计以摆脱对初始位置的依赖，可以有效的结合历史位置信息提高定位精度。

附图说明

图1是本发明算法流程图；

图2是本发明中测试环境平面图；

图3是本发明使用的模型(CRDM)结构图；

图4是本发明中数据增强前后的CDF对比图；

图5是本发明的算法加入模型上一时刻估计前后的定位误差CDF对比图；

图6(a)-(d)、图7(a)-(d)分别是本发明算法对比其他算法的定位误差的 CDF图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明的实施方式不仅限于此描述，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

下面结合具体实施例和附图对本发明的技术方案进行清楚、完整的描述。

一种异构设备室内定位算法，包括如下步骤：

步骤1，模型建立阶段，在定位区域中选定坐标原点，以正北方向作为y轴正向，以正东作为x轴正向建立坐标系，然后以特定的间隔绘制网格；

步骤2，在每个网格点上收集Wi-Fi信息，建立基于网格点的指纹库；

步骤3，通过数据增强操作扩充原始指纹库以减少指纹采集工作量；

步骤4，考虑行人室内活动规律，使用轨迹生成算法以每个网格点为起点生成大量轨迹，并结合增强后的指纹库，得到行人轨迹指纹库；

步骤5，使用基于行人轨迹的指纹库训练基于CNN和RNN的定位模型；

步骤6，在定位过程中，实时收集Wi-Fi信息，将其转换为差分矩阵，使用CNN模型进行初始位置估计，并将差分矩阵指纹与模型上一时刻估计位置一同输入模型中，得出当前时刻的定位结果。

上述流程可以用图1表示。上述步骤中，步骤1～5对应图1中的离线阶段，步骤6 则对应图1中的在线阶段。

本发明提供一种异构设备室内定位算法，将原始RSSI指纹变换为一种差分矩阵指纹以缓解设备异质性问题，使用CNN来提取差分矩阵的特征并估计初始位置，然后将特征输入RNN模型中，结合历史位置信息对异构设备进行定位，为用户提供更准确有效的定位服务。

实施例1

一种异构设备室内定位算法，包括如下步骤：

模型训练阶段，需要选择定位区域和指纹库的构建以及定位模型的训练。测试环境为某学校院楼一实验室，宽为7m，长为26m，测试环境平面图如图2所示，该区域部署了50个大小1.8m×1.8m的网格点，11个型号参数不同的路由器。为保证测试数据的可靠性，每个网格点以1s为周期，采集120次RSSI值。本实施例测试采用红米K40、红米K30i、Vivo Nex3、荣耀V8四台智能手机完成数据采集的工作；具体步骤如下：

步骤1)：在定位区域内设定原点坐标，以定位区域的最西南方向的点作为原点(0,0)，在该区域内建立坐标系，坐标系的x轴正向为正东方向，坐标系的y轴正向为正北方向；在定位区域内以间距1.8m绘制网格，每个网格点的坐标形如(x_i,y_j)，表示x轴第i条线与y轴第j条线相交处的网格点坐标，其中0≤i≤15,0≤j≤4。

步骤2)：在构建指纹库前，采集者使用智能手机在定位区域的每个网格点上采集Wi-Fi指纹：

①Wi-Fi信号采集

本实施例定位区域有11个Wi-Fi接入点，那么以坐标点(x_i,y_j)为例，某时刻t采集到的Wi-Fi信号的向量为：

其中分量RSSI^k表示在该坐标采集到的第k个Wi-Fi接入点的接收信号强度。

②构建基于网格点的指纹库

在定位区域内所有坐标点上采集完Wi-Fi指纹后，即可构建基于网格点指纹库D。本实施例在每个网格点上以1s的采样周期采集120次Wi-Fi指纹，则D可表示如下：

D＝(D^0,0,D^0,1,…D^i,j,…,^15,4)；

其中D^i,j为网格点(x_i,y_j)对应的指纹，

为该指纹中第k个Wi-Fi接入点的所有RSSI 采样值构成的向量。

步骤3)：由于实际定位过程中，部分型号较旧的智能手机搭载的低版本Android***(如Android 7、Android 8)无法修改RSSI的采样频率，难以获取大量采样数据以保证模型精度。为了减少指纹采集工作量，使用如下数据增强算法生成新指纹：

①对指纹库D中某个网格点的指纹D_i，初始化新指纹RSSI_Newⁱ；

②计算D_i中第n个AP的RSSI采样值

的缺失值所占比例r，以及去除缺失值(>-100)的

的均值μ、标准差σ。生成一个在[0,1]范围内的随机数rand_num，如果rand_num<r，将缺失值(-100)添加到RSSI_Newⁱ，否则根据正态分布N(μ,σ²)生成随机数并添加到RSSI_Newⁱ中；

③对D_i中每个AP的采样值执行②，得到RSSI_Newⁱ。RSSI_Newⁱ的长度为11；

④对指纹库中的每个指纹执行120次①～③，得到增强后的指纹库D^*。

步骤4)：由于采集的指纹库是基于网格点的，而训练基于RNN的定位模型，需要基于行人轨迹的指纹作为训练数据。定位目标的移动速度有限，离当前位置越近的点被选作轨迹的下一个点的概率越大。取RSSI采样周期△t＝1s，行人最大移动速度 v_max＝1.8m/s，采样周期内的最大移动距离σ＝v_max×△t＝1.8m，按如下的步骤生成大量轨迹数据：

对指纹库中每个网格点l_k＝(x_i,y_j)，计算其它网格点

到该点的欧氏距离

得到如表3所示的欧氏距离矩阵

表3欧氏距离矩阵

②初始化概率矩阵

令p_ko为△t内目标从当前位置l_k＝(x_i,y_j)移动到下一位置

的概率，

为归一化的p_ko。假设p_ko服从以当前坐标为均值、σ为标准差的正态分布，则有：

由此得到如表4所示的概率矩阵：

表4概率矩阵

③初始化行人轨迹数据集T；

④初始化行人轨迹tragectory＝[l_i]，使用矩阵p生成轨迹。对当前点l_i，在概率矩阵p的第i行p_i中按概率选择轨迹的下一个点l_j，并添加到path中。p_ij越大，则l_j成为下一个点的概率就越大。重复添加轨迹点直到tragectory的长度为l；

⑤对区域内所有网格点，以当前网格点(x_i,y_j)为起点，重复执行N_tr次步骤④，得到N_tr条起点为(x_i,y_j)的行人轨迹，并加入到轨迹数据集T中；

将指纹库D^*和轨迹数据集T结合起来，得到基于行人轨迹的指纹库。

步骤5)：加载指纹库D^*和轨迹数据集T进行训练

1)取出T中的一条轨迹：

2)对tragectory上某个时刻t的坐标

从指纹库D^*对应的指纹

里面所有RSSI采样值中随机选取一个

作为该轨迹点对应的Wi-Fi指纹；

3)对tragectory上所有轨迹点执行2)，得到该轨迹对应的指纹序列

4)按顺序分别将轨迹坐标和对应的指纹输入模型训练。令当前时刻t输入的数据为

和

且模型上一时刻估计的位置cor_t-1。本发明提出的定位模型中包含CNN层和RNN层，如图3所示。CNN模型提取指纹特征作为RNN的输入或直接进行定位。 CNN擅长处理二维数据，在图像处理、目标检测等领域有广泛的应用。传统的CNN包含卷积层、池化层和全连接层，由于本文的实验场景中AP个数较少，为了防止池化丢失指纹信息，本文的CNN模型不包含池化层；RNN模型结合指纹隐含特征及历史位置信息进行定位，本文选取的RNN单元为门控循环单元(Gate Recurrent Unit,GRU)。Sinha 等人的实验表明，给定初始位置cor₀并将模型上一时刻的预测坐标cor_t-1作为RNN当前时刻t的输入可以提高定位精度，故本文将cor_t-1、隐含状态h_t-1及CNN提取的隐含特征一同作为RNN的输入。为了摆脱对初始位置的依赖，本文通过CNN模型来估计cor₀。

模型训练流程如下：

①将指纹

转换为差分矩阵DM_t，并进行标准化，以缓解设备异质性问题：

其中μ、σ分别为DM_t中所有元素的均值和标准差。

②将

输入定位模型的CNN层中以提取指纹隐含特征。CNN层中包含两个CNN 单元和一个全连接层，一个CNN单元内包含卷积层、批归一化层和非线性激活函数层，CNN单元的计算过程如下：

卷积：

其中c_in、C_out分别为输入、输出的通道(channel)个数，input(k)为输入的第k个通道的数据，

代表第j个通道，weight为CNN的卷积核(权重矩阵)，bias为偏置矩阵，*为矩阵的点乘，

为输出的第j个通道的数据。

批归一化：

out′＝BatchNormalize2d(out)；

使用ReLU函数进行非线性激活：

out″＝ReLU(out′)；

则CNN层的计算可以表示如下：

其中Flatten操作将CNN单元得到的二维输出展平成一维向量，FullyConnected(全连接层)用于进一步提取特征，获得指定长度的隐含特征x_t。

③获取模型上一时刻估计的位置cor_t-1进行z-score标准化以统一量级：

cor_t-1 ^*＝(cor_t-1-μ)/σ；

其中μ、σ分别为网格点中所有坐标值的均值和标准差。得到cor_t-1 ^*后，将cor_t-1 ^*与x_t进行拼接得到特征向量

此外，当进行初始定位时，使用CNN模型获取cor₀。

④将

输入RNN层。RNN层中的RNN单元为长短期记忆网络(LSTM)，LSTM 包含三个控制机制，分别为遗忘门、输入门和输出门。遗忘门决定需要丢弃遗忘的过去状态的信息，即不引入到当前状态的信息；输入门决定需要更新到当前记忆单元的新信息；输出门则是确定最终的输出内容。LSTM计算的步骤如下：

遗忘门的计算：

其中，σ代表sigmoid激活函数，输出范围为(0,1)，h_t-1为上一时刻LSTM模型的隐含层输出,W_f为遗忘门权重，W_f由h_t-1的权重和当前输入信息x_t的权重构成，b_f为遗忘门的偏置。

输入门的计算：

使用tanh激活函数构建新的候选向量：

更新记忆单元：

其中，W_i为输入门的权重，b_i为输入门的偏置；

输出门计算：

使用tanh激活函数控制记忆单元，得到LSTM模型在t时刻的输出：

h_t＝o_t⊙tanh(C_t)；

其中，W_o为输出门的权重，b_o为输出门的偏置。

⑤将RNN层的输出h_t输入全连接层，得到模型在当前时刻t的预测坐标cor_t：

cor_t＝FullyConnected(h_t)；

⑥使用均方误差损失函数(MSE)计算cor_t与真实坐标

的偏差error_t，并累加计算整条轨迹的损失和error；

⑦对轨迹上的所有点重复步骤①～⑥，然后计算该条轨迹的平均损失，并使用Adam 优化器更新模型参数；

⑧对轨迹数据集上的所有轨迹执行①～⑦，视为一次迭代。重复迭代至模型收敛后保存模型。

除此之外，训练CNN和RNN模型还需要配置训练参数，本实施例中，CNN和RNN 的参数配置如表5所示：

表5 CNN和RNN的参数配置

定位阶段：

步骤6)：具体为：

1)加载步骤5训练好的基于CNN和RNN的定位模型；

2)实时采集Wi-Fi信号。假设当前时刻为t，则此时采集的Wi-Fi指纹为：

R_t＝(r_1t,r_2t,…,r_kt,…,r_11t)；

3)如果t＝1，使用CNN模型来估计用户的初始位置cor₀，否则直接获取模型上一时刻t-1的预测坐标cor_t-1；

4)为了统一特征之间的量级，对DM_t和cor_t-1进行z-score标准化

5)将

和

输入到定位模型中，模型输出当前时刻的预测结果cor_t。

图4显示了本实例中步骤3(数据增强)对模型定位精度的影响。可以看出，CRDM(本发明使用的定位模型)、P-MIMO(一种基于RNN的定位模型)模型在训练数据增加后，平均、最大定位误差明显降低，说明数据增强可以缓解RSSI采样值过少对定位精度的影响，减少指纹采集工作量并提升模型性能。

图5显示了本实例中步骤4(加入模型上一时刻的预测结果cor_t-1)对模型定位精度的影响。显然，本实例中使用的定位模型(CRDM)以及P-MIMO模型在加入cor_t-1后，平均和最大定位误差都明显下降，说明该操作可以让模型更好地将定位结果限定在某一区域内，缓解设备异质性问题。此外，由于CNN模型可以给出较准确的初始位置(平均定位误差1.977m)，CRDM-2在无需初始位置的情况下，平均定位误差和CRDM-3 接近。故本实例接下来的对比实验中，使用的定位模型为CRDM-2。

本实施例除了使用CRDM模型进行定位之外，还将相同的数据用于仅使用RNN对原始指纹进行定位的P-MIMO模型、CNN模型、基于加权k近邻(WKNN)的Wi-Fi 指纹定位模型，以及两种WKNN的变体(分别使用标准位置指纹(SL)、以及信号强度差指纹(SSD))。不同算法的测试结果对比如表6以及图6(a)-(d)、图7(a)-(d) 所示。

表6不同算法在不同设备上的平均定位误差(米)

可以看出，训练和测试设备相同时，CRDM、CNN和P-MIMO三个深度学习模型都能实现较高的定位精度，优于WKNN等算法。说明当设备同构时，深度学习模型可以有效的提取指纹特征以进行定位。此外，使用WKNN算法进行定位时，SL和SSD 指纹在同构设备上的定位精度均低于原始指纹，且SSD指纹和原始指纹相比丢失了一维特征，定位精度下降幅度更大。

当训练和测试设备不同时，SL、SSD及DM指纹都能一定程度上缓解设备异质性问题，且使用差分矩阵(DM)指纹的CNN模型与WKNN-SL、WKNN-SSD算法相比具有更好的定位性能。P-MIMO模型在给定初始位置及结合历史预测坐标的情况下，可以缓解异构设备带来的指纹空间模糊性问题，提升定位精度。而CRDM模型结合了DM 指纹和RNN模型的优势，并在无需得知初始位置的前提下借助模型上一时刻的预测坐标修正当前定位结果，进一步降低了设备异质性的影响，达到了最低1.356m的平均定位误差，且在所有异构设备上的表现都明显优于其他定位算法。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (6)

1.一种异构设备室内定位算法，包括，其特征在于，包括如下步骤：

1)模型建立阶段，在定位区域中选定坐标原点，以正北方向作为y轴正向，以正东作为x轴正向建立坐标系，然后以特定的间隔绘制网格；

2)在每个网格点上收集Wi-Fi信息，建立基于网格点的指纹库，然后使用数据增强扩充原始指纹库；

3)使用轨迹生成算法分别以每个网格点为起点生成大量轨迹数据，生成基于行人轨迹的指纹库；

4)把基于行人轨迹的指纹库用作训练数据，训练基于CNN和RNN的定位模型；

5)在定位过程中，实时收集Wi-Fi信息并转换为差分矩阵指纹，与模型上一时刻的定位坐标一起输入到定位模型中，模型输出的坐标即为估计位置。

2.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤1)具体为：

在定位区域内设定原点坐标，以定位区域的最西南方向的点作为原点(x₀，y₀)，在该区域内建立坐标系，坐标系的x轴正向为正东方向，坐标系的y轴正向为正北方向；在定位区域内绘制n*m的网格，每个网格点的坐标形如(x_i，y_j)，表示x轴第i条线与y轴第j条线相交处的网格点坐标；此时区域内网格点个数N_grid＝n*m。

3.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤2)具体为：

1)采集者使用不同型号的智能手机在定位区域的每个坐标点上采集Wi-Fi指纹；

假设定位区域有N_ap个Wi-Fi接入点，那么以坐标点(x_i，y_j)为例，当前时刻t采集到的Wi-Fi信号的向量为：

其中，分量

表示时刻t在坐标(x_i，y_j)采集到的第k个Wi-Fi接入点的接收信号强度(RSSI)；

2)构建基于网格点的指纹库

在定位区域内所有坐标点上采集完Wi-Fi后，即可构建基于网格点指纹库D：

D＝(D^0，0，D^0，1，...D^i，j，...，D^n，m)；

其中，N_grid为网格个数，N_rss为每个点上采集RSSI指纹的次数，D^i，j为网格点(x_i，y_j)对应的指纹，

为该指纹中第k个Wi-Fi接入点的所有RSSI采样值构成的向量。

4.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤3)具体为：

1)数据增强

由于实际定位过程中，部分型号较旧的智能手机搭载的低版本Android***(如Android 7、Android 8)无法修改RSSI的采样频率，难以获取大量采样数据以保证模型精度。为了减少指纹采集工作量，使用如下数据增强算法生成新指纹：

①对指纹库D中第i个网格点的指纹D_i，初始化新指纹RSSI_Newⁱ；

②计算D_i中第n个AP的RSSI采样值

的缺失值所占比例r，以及去除缺失值(＞-100)的

的均值μ、标准差σ_o；生成一个在[0，1]范围内的随机数rand_num，如果rand_num＜r，将缺失值(-100)添加到RSSI_Newⁱ，否则根据正态分布N(μ，σ²)生成随机数并添加到RSSI_Newⁱ中；

③对D_i中每个AP的采样值执行②，得到RSSI_Newⁱ；

④对任意D_i执行若干次①～③，得到增强后的指纹库D^*；

2)构建基于行人轨迹的指纹库

由于采集的指纹库是基于网格点的，而训练基于RNN的定位模型，需要基于行人轨迹的指纹作为训练数据。定位目标的移动速度有限，离当前位置越近的点被选作轨迹的下一个点的概率越大；

取RSSI采样周期Δt＝1s，行人最大移动速度v_max＝1.8m/s，采样周期内的最大移动距离σ＝v_max×Δt＝1.8m，按如下的步骤生成大量轨迹数据：

①对指纹库中每个网格点l_k＝(x_i，y_j)，计算其它网格点

到该点的欧氏距离

得到欧氏距离矩阵

②初始化概率矩阵

令p_ko为Δt内目标从当前位置l_k＝(x_i，y_j)移动到下一位置

的概率，

为归一化的p_ko°；假设pk_o服从以当前坐标为均值、σ为标准差的正态分布，则有：

③初始化行人轨迹数据集T；

④初始化行人轨迹tragectory＝[l_i]，使用矩阵p生成轨迹；对当前点l_i，在概率矩阵p的第i行p_i中按概率选择轨迹的下一个点l_j，并添加到path中；p_ij越大，则l_j成为下一个点的概率就越大；重复添加轨迹点直到tragectory的长度为l；

⑤对区域内所有网格点，以当前网格点(x_i，y_j)为起点，重复执行N_tr次步骤④，得到N_tr条起点为(x_i，y_j)的行人轨迹，并加入到轨迹数据集T中；

将指纹库D^*和轨迹数据集T结合起来，得到基于行人轨迹的指纹库。

5.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤4)具体为：

1)加载步骤3)得到的指纹库D^*和轨迹数据集T进行训练；取出T中的一条轨迹

2)对tragectory上某个时刻t的坐标

从指纹库D^*对应的指纹

里面所有RSSI采样值中随机选取一个

作为该轨迹点对应的Wi-Fi指纹；

3)对tragectory上所有轨迹点执行2)，得到该轨迹对应的指纹序列

4)按顺序分别将轨迹坐标和对应的指纹输入模型训练；令当前时刻t输入的数据为

和

且模型上一时刻估计的位置cor_t-1°；

定位模型中包含CNN层和RNN层，则模型训练流程如下：

①将指纹

转换为差分矩阵DM_t，并进行标准化，以缓解设备异质性问题：

其中，μ、σ分别为DM_t中所有元素的均值和标准差；

②将

输入定位模型的CNN层中以提取指纹隐含特征；CNN层中包含两个CNN单元和一个全连接层，一个CNN单元内包含卷积层、批归一化层和非线性激活函数层，CNN单元的计算过程如下：

卷积：

其中，C_in、C_out分别为输入、输出的通道(channel)个数，input(k)为输入的第k个通道的数据，

代表第j个通道，weight为CNN的卷积核(权重矩阵)，bias为偏置矩阵，*为矩阵的点乘，

为输出的第j个通道的数据；

批归一化：

out′＝BatchNormalize2d(out)；

使用ReLU函数进行非线性激活：

out″＝ReLU(out′)；

则CNN层的计算可以表示如下：

其中，Flatten操作将CNN单元得到的二维输出展平成一维向量，FullyConnected(全连接层)用于进一步提取特征，获得指定长度的隐含特征x_t；

③对模型上一时刻估计的位置cor_t-1进行z-score标准化以统一量级：

cor_t-1 ^*＝(cor_t-1-μ)/σ；

其中，μ、σ分别为网格点中所有坐标值的均值和标准差；得到cor_t-1 ^*后，将cor_t-1 ^*与x_t进行拼接得到特征向量

④将

输入RNN层；RNN层中的RNN单元为长短期记忆网络(LSTM)，LSTM包含三个控制机制，分别为遗忘门、输入门和输出门；遗忘门决定需要丢弃遗忘的过去状态的信息，即不引入到当前状态的信息；输入门决定需要更新到当前记忆单元的新信息；输出门则是确定最终的输出内容；LSTM计算的步骤如下：

遗忘门的计算：

其中，σ代表sigmoid激活函数，输出范围为(0，1)，h_t-1为上一时刻LSTM模型的隐含层输出，W_f为遗忘门权重，W_f由h_t-1的权重和当前输入信息x_t的权重构成，b_f为遗忘门的偏置；

输入门的计算：

使用tanh激活函数构建新的候选向量：

更新记忆单元：

其中，W_i为输入门的权重，b_i为输入门的偏置；

输出门计算：

使用tanh激活函数控制记忆单元，得到LSTM模型在t时刻的输出：

h_t＝o_t⊙tanh(C_t)；

其中，W_o为输出门的权重，b_o为输出门的偏置；

⑤将RNN层的输出h_t输入全连接层，得到模型在当前时刻t的预测坐标cor_t：

cor_t＝FullyConnected(h_t)；

⑥使用均方误差损失函数(MSE)计算cor_t与真实坐标

的偏差error_t，并累加计算整条轨迹的损失和error；

⑦对轨迹上的所有点重复步骤①～⑥，然后计算该条轨迹的平均损失，并使用Adam优化器更新模型参数；

⑧对轨迹数据集上的所有轨迹执行①～⑦，视为一次迭代；重复迭代至模型收敛后保存模型。

6.如权利要求1所述的异构设备室内定位算法，其特征在于，步骤6)具体为：

1)加载步骤5训练好的基于CNN和RNN的定位模型；

2)实时采集Wi-Fi信号；假设当前时刻为t，则此时采集的Wi-Fi指纹为：

3)如果t＝1，使用CNN模型来估计用户的初始位置cor₀，否则直接获取模型上一时刻t-1的预测坐标cor_t-1；

4)为了统一特征之间的量级，对DM_t和cor_t-1进行z-score标准化；

将

和

输入到定位模型中，模型输出当前时刻的预测结果cor_t。

Images