蓝牙室内定位方法

1.本发明涉及一种蓝牙室内定位方法，属于定位导航与机器学习应用领域。


背景技术：

2.现代社会，人们每天大概有80％的时间是在室内度过的，为了满足人们对于学习、工作和生活的需求，室内定位技术顺势而生。近年来，随着物联网和无线网络的发展，室内定位技术受到了广泛关注。传统技术包括红外信标定位、超声波定位和基于光学的定位。然而，这些解决方案的性能受到多径效应的影响，运行成本也很高。因此，基于射频的室内定位，如射频识别(rfid)、紫蜂(zigbee)、无线网络(wi-fi)、蓝牙低功耗(ble)和超宽带(uwb)已成为研究热点。基于ble的室内定位技术具有适用性强、功耗低、成本低、覆盖范围广等优点，已成为最可靠的基于射频的室内定位解决方案。
3.作为物联网应用中常用的低功耗无线协议，ble发射机通过天线广播调制信号传递其独特的身份。在接收器处，通过扫描和解析身份，可以获得发射机的位置信息。目前接收信号强度指示(rssi)、到达角(aoa)和到达时间(toa)是三种主要的定位测量。对于rssi测量，它面临着易受衍射和障碍物反射影响的挑战。基于aoa的定位可以表述为一个非线性估计问题，它通过天线阵列(如开关天线阵列)中入射射频波的传播方向来确定位置。ble aoa测量可以通过非线性谱估计(如最大熵算法)和空间谱估计算法(如多信号分类算法)进行估计。然而，随着蓝牙技术的发展，蓝牙5.1标准规范包含了基于恒定音调扩展(cte)的aoa，这为aoa估计提供了新的思路。发射信号采用高斯频移键控(gfsk)调制，接收机通过解调获得一段时间内采样信号的i/q值，经过计算就可以得到入射角。rssi测量值是从mac层获取的，它反映了ble链路的质量，并显示了接收信号的平均功率。
4.相对于传统的定位方法，单一地使用aoa或者rssi定位都存在精度低、易受干扰的问题，而卷积神经网络技术可以提供更广泛的潜在预测变量和更丰富的功能形式规格。正是这种灵活性推动了无线室内定位的前沿，学术界对低功耗蓝牙室内定位的深度学习方法的兴趣得到了提高。在深度学习各项技术中，深度神经网络用于统计预测的各种高维模型增加了数据预测的灵活性，这种灵活性可以更好地逼近室内目标在不同点位的数据变化。但是，随着灵活性的提高，出现过拟合数据的可能性更高。为了解决过拟合问题，一些正则化模型被提出，它是在损失函数中引入模型复杂度指标，利用给网络层参数做加权，弱化训练数据中的噪声。最后，为了网络在训练数据集上更好收敛，加入动态可调的学习率方法，有助于模型求出最优解。
5.有鉴于此，确有必要提出一种蓝牙室内定位方法，以解决上述问题。


技术实现要素：

6.本发明的目的在于提供一种蓝牙室内定位方法，本发明综合利用了接收信号强度指示信息和到达角信息，结合深度学习的方法，实现了对于室内目标的准确定位，显著地提升了定位精度、缩短了定位时间、降低了定位过程的复杂度。
7.为实现上述目的，本发明提供了一种蓝牙室内定位方法，主要包括以下步骤：
8.步骤1、设置接收端和发射端，将目标分别位于定位区域的每个参考点上，采集蓝牙的到达角信息和接收信号强度指示；
9.步骤2、对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；
10.步骤3、利用卷积层进行特征提取和特征拼接后，通过softmax层进行分类学习，得到蓝牙位置定位模型；
11.步骤4、测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行与步骤2相同的预处理；
12.步骤5、将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。
13.作为本发明的进一步改进，包括离线阶段和在线阶段，其中步骤1-步骤3在离线阶段完成，步骤4和步骤5在在线阶段完成。
14.作为本发明的进一步改进，步骤1中，到达角信息的计算方法，包括如下步骤：
15.(1)计算入射波的相位
[0016][0017][0018]
其中，接收信号的幅度为a，接收信号的相位为θ；
[0019]
(2)计算前后入射波的相位差
[0020][0021]
(3)估计到达角，入射波与天线阵列之间的角度为
[0022][0023]
其中，d是前后天线之间的距离，r是入射波到达前后天线之间的距离，r等于输入信号的波长λ与天线阵列相位差δθ的乘积，即r＝λδθ/2π。
[0024]
作为本发明的进一步改进，步骤2具体包括以下步骤：
[0025]
步骤21、利用主成分分析法对接收信号强度指示进行数据降维；
[0026]
步骤22、利用卡尔曼滤波器对到达角信息进行平滑处理后，通过数据复制方法，将单个到达角信息变成到达角信息向量，向量长度等于经过主成分分析法降维后的接收信号强度指示维度；
[0027]
步骤23、对接收信号强度指示和到达角信息进行归一化处理，形成训练数据指纹。
[0028]
作为本发明的进一步改进，在步骤21中，所述主成分分析法包括如下步骤：
[0029]
(1)标准化rssi指纹库，rssi指纹库数据组成n
×
m的矩阵dr的均值以及标准差矩阵可以分别表示为
[0030][0031][0032]
其中，n代表数据的数量，取13230，m代表数据的维度，取37；
[0033]
根据和s得到标准化的dr，其中第n个样本表示为
[0034][0035]
(2)计算dr协方差矩阵的特征值与特征向量，dr的协方差矩阵c为
[0036][0037]
(3)选取k行特征向量得到降维后的rssi指纹库，经过降维后的rssi指纹库为r
p
，其中第n个样本为
[0038][0039]
(4)选择k值的大小；
[0040][0041]
其中，γ取0.99，k值取25。
[0042]
作为本发明的进一步改进，在步骤22中，卡尔曼滤波器的平滑处理包括如下步骤：
[0043]
(1)计算卡尔曼增益kk，估计误差初值为p0，估计误差为pk，测量误差为r，卡尔曼增益kk为
[0044][0045]
(2)计算到达角估计值xk，到达角估计初值为x0，测量值为zk，到达角估计值xk为
[0046]
xk＝x
k-1
+kk*(z
k-x
k-1
).
[0047]
(3)更新估计误差pk；
[0048]
p
k+1
＝(1-kk)*pk。
[0049]
作为本发明的进一步改进，步骤3具体包括以下步骤：
[0050]
步骤31、利用卷积层分别对到达角信息和接收信号强度指示提取特征；
[0051]
步骤32、将到达角信息和接收信号强度指示的特征进行拼接，完成特征融合；
[0052]
步骤33、将融合后的特征经过全连接层处理后，利用softmax层进行分类学习，得到蓝牙位置定位模型。
[0053]
作为本发明的进一步改进，步骤4具体包括以下步骤：
[0054]
步骤41、将参考点上采集到的到达角信息经过卡尔曼滤波器平滑处理；
[0055]
步骤42、将经过平滑处理的到达角信息进行复制升维操作，然后归一化处理；
[0056]
步骤43、将接收信号强度指示通过主成分分析法的进行数据降维处理，得到定位指纹的测试数据；
[0057]
步骤44、将经过数据降维处理的定位指纹的测试数据做归一化处理。
[0058]
作为本发明的进一步改进，步骤5具体包括以下步骤：
[0059]
步骤55、到达角信息和接收信号强度指示在经过归一化处理后，分别送入两个相同网络结构的卷积神经网络，并将特征展平后进行拼接，得到融合特征；
[0060]
步骤56、将得到的融合特征送入分类定位模型中，得到目标的位置估计结果。
[0061]
作为本发明的进一步改进，步骤1中，采用launchxl-cc26x2r1板作为发射端，boostxl-aoa外部天线阵列作为接收端。
[0062]
本发明的有益效果是：本发明综合利用到达角信息与接收信号强度指示数据，利用深度学习网络进行的特征提取和分类学习，具有实现简单，复杂度低，定位性能高等优点。
附图说明
[0063]
图1为本发明蓝牙室内定位方法的流程示意图。
[0064]
图2为本发明蓝牙室内定位方法中定位区域展示图。
[0065]
图3为本发明蓝牙室内定位方法中入射信号达到角示意图。
[0066]
图4为本发明蓝牙室内定位方法中所使用的双输入卷积神经网络结构示意图。
[0067]
图5为本发明蓝牙室内定位方法中混淆矩阵实验结果图。
具体实施方式
[0068]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0069]
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0070]
另外，还需要说明的是，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0071]
如图1至图5所示，本发明揭示了一种蓝牙室内定位方法，主要包括以下步骤：
[0072]
步骤1、将目标分别位于定位区域的每个参考点上，采集蓝牙(ble)的到达角信息(aoa)和接收信号强度指示(rssi)；
[0073]
步骤2、对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；
[0074]
步骤3、利用卷积层进行特征提取和拼接后，通过softmax层进行分类学习，得到蓝牙位置定位模型；
[0075]
步骤4、测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行与步骤2相同的预处理；
[0076]
步骤5、将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。
[0077]
本发明主要包括两个阶段，分别为离线阶段和在线阶段，其中，上述步骤1-步骤3在离线阶段完成，步骤4和步骤5在在线阶段完成，以下将对步骤1-步骤5进行详细说明。
[0078]
在步骤1中，本发明采用5块launchxl-cc26x2r1板和4块boostxl-aoa外部天线阵列，其中，4块boostxl-aoa外部天线阵列作为接收端分布在房间的四个角落，5块launchxl-cc26x2r1板作为发射端，外部天线阵列boostxl-aoa包括两个正交阵列天线，每个阵列天线有三个天线，并将面积为5.4m
×
4.2m的定位区域划分出间隔为0.6m的63个参考点。
[0079]
如图2所示，假定目标位于参考点上，在各参考点上利用接收机获取发射机发送的i/q数据，通过计算获得到达角信息。
[0080]
到达角信息的计算方法，包括如下步骤：
[0081]
(1)计算入射波的相位；根据公式
[0082][0083]
可得
[0084][0085]
其中，接收信号的幅度为a，接收信号的相位为θ。
[0086]
(2)计算前后入射波的相位差；根据开关天线阵列接受到的数据流，可得相位差δθ由前后相位相减得到，即
[0087][0088]
(3)估计到达角；
[0089]
根据图3可知，假设入射波与天线阵列之间的角度为其中d是已知的前后天线之间的距离，r是入射波到达天线1后到天线2的距离，r等于输入信号的波长λ与天线阵列相位差δθ的乘积，即r＝λδθ/2π。由三角函数计算可得
[0090][0091]
步骤2具体包括以下步骤：
[0092]
步骤21、利用主成分分析(pca)法对rssi测量值进行数据降维；
[0093]
步骤22、利用卡尔曼滤波器对aoa测量值进行平滑处理后，通过数据复制方法，将单个aoa测量值变成aoa测量值向量，向量长度等于pca降维后的rssi测量值维度；
[0094]
步骤23、对rssi和aoa测量值进行归一化处理，形成训练数据指纹。
[0095]
在步骤21中，通过主成分分析法进行的数据降维，包括如下步骤：
[0096]
(1)标准化rssi指纹库；假设rssi指纹库数据组成n
×
m的矩阵dr，其中n代表数据的数量，m代表数据的维度，则dr的均值以及标准差矩阵可以分别表示为
[0097][0098][0099]
其中，n取13230，m取37。
[0100]
根据和s得到标准化的dr，其中第n个样本表示为
[0101][0102]
(2)计算dr协方差矩阵的特征值与特征向量；dr的协方差矩阵c可以表示为
[0103][0104]
协方差矩阵c按降序排列的特征值与对应的特征向量分别为λ1＞λ2＞...＞λm，
[0105][0106]
(3)选取k行特征向量得到降维后的rssi指纹库；经过降维后的rssi指纹库可以表示为r
p
，其中第n个样本可以表示为
[0107][0108]
(4)选择k值的大小；
[0109][0110]
其中，k值选取使得上式成立的最小值，本实例中γ取0.99，k值取25。
[0111]
在步骤22中，卡尔曼滤波器的平滑处理，包括如下步骤：
[0112]
(1)计算卡尔曼增益kk；假设估计误差初值为p0与测量误差r，根据估计误差pk以及测量误差r得
[0113][0114]
(2)计算到达角估计值xk；假设到达角估计初值为x0，根据测量值zk以及卡尔曼增益kk得
[0115]
xk＝x
k-1
+kk*(z
k-x
k-1
)。
[0116]
(3)更新估计误差pk；
[0117]
p
k+1
＝(1-kk)*pk。
[0118]
上述步骤中，通过卡尔曼滤波平滑后，输入的m维数据将被降维至1维，在本实例中，将rssi与aoa测量值视为同等重要，对aoa测量值的复制升维操作是必要的，故将1维数据复制扩维至与rssi维度相同。
[0119]
步骤3具体包括以下步骤：
[0120]
步骤31、利用卷积层分别对到达角信息和接收信号强度指示提取特征；
[0121]
步骤32、将到达角信息和接收信号强度指示的特征进行拼接，完成特征融合；
[0122]
步骤33、将融合后的特征经过全连接层处理后，利用softmax层进行分类学习，得到蓝牙位置定位模型。
[0123]
在步骤3中，将通过数据预处理得到rssi与aoa预处理数据分别送入两个相同网络结构的卷积神经网络。
[0124]
如图4所示，其中每个卷积神经网络包含三层卷积层、两层池化层以及一个展平层。卷积运算的目的是分别提取rssi和aoa的深层特征。最大池层的作用是保留最大特征，并不断减小数据的空间大小，因此参数数量和计算量也会减少，从而在一定程度上控制过拟合。将特征展平后经过拼接操作得到融合特征。
[0125]
将融合特征送入分类网络模型训练，其中分类网络模型由两层全连接层和一层
softmax层组成。全连接层负责接收融合特征，并且将组合的特征送入softmax层获得分类结果。选择整流线性单元(relu)作为激活函数，以增强整个网络的非线性特性。同时，由于relu函数的非负区间的梯度是恒定的，因此可以避免梯度消失，从而使模型的收敛速度保持在稳定状态。将批量归一化层(bn)加在激活函数之前可以保证网络的高收敛速度以及一定程度地防止过拟合。选择交叉熵作为损失函数，随机梯度下降函数作为优化器。学习率设置为多项式动态调整学习策略，以求寻找到全局最优解。
[0126]
步骤4具体包括以下步骤：
[0127]
步骤41、将参考点上采集到的到达角信息经过卡尔曼滤波器平滑处理；
[0128]
步骤42、将经过平滑处理的到达角信息进行复制升维操作，然后归一化处理；
[0129]
步骤43、将接收信号强度指示通过主成分分析法的进行数据降维处理，得到定位指纹的测试数据；
[0130]
步骤44、将经过数据降维处理的定位指纹的测试数据做归一化处理。
[0131]
步骤5具体包括以下步骤：
[0132]
步骤55、到达角信息和接收信号强度指示在经过归一化处理后，分别送入两个相同网络结构的卷积神经网络，并将特征展平后进行拼接，得到融合特征；
[0133]
步骤56、将得到的融合特征送入分类定位模型中，得到目标的位置估计结果。
[0134]
图5为本发明的混淆矩阵(confusion matrix)分析图，63点的分类准确率为94.2％。根据分析可知，在实验场景内的各个参考点都具有一致的准确性。
[0135]
综上所述，本发明将到达角信息和接收信号强度数据进行特征融合作为训练样本，能够降低实现方案成本，提升定位的精度。同时，本发明通过主成分分析法用于减少rssi测量值的冗余，以及通过卡尔曼滤波器平滑aoa测量值，在去除大量噪声和多径干扰的同时，尽可能多地保留特征，有效地提高定位性能。最后，本发明采用双输入卷积神经网络进行特征提取，分别提取rssi和aoa测量值的深层特征。最后，通过拼接操作融合了rssi和aoa测量值特征。特征融合后，使用softmax层进行分类学习。它不仅减少了网络训练的时间，而且提高了网络的泛化能力。本发明为基于深度学习的蓝牙室内定位的相关研究和应用提供了一种全新的思路，为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸和深入研究，具有十分广阔的应用前景。
[0136]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种蓝牙室内定位方法，其特征在于，主要包括以下步骤：步骤1、设置接收端和发射端，将目标分别位于定位区域的每个参考点上，采集蓝牙的到达角信息和接收信号强度指示；步骤2、对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；步骤3、利用卷积层进行特征提取和特征拼接后，通过softmax层进行分类学习，得到蓝牙位置定位模型；步骤4、测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行与步骤2相同的预处理；步骤5、将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。2.根据权利要求1所述的蓝牙室内定位方法，其特征在于：包括离线阶段和在线阶段，其中步骤1-步骤3在离线阶段完成，步骤4和步骤5在在线阶段完成。3.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤1中，到达角信息的计算方法，包括如下步骤：(1)计算入射波的相位(1)计算入射波的相位其中，接收信号的幅度为a，接收信号的相位为θ；(2)计算前后入射波的相位差(3)估计到达角，入射波与天线阵列之间的角度为其中，d是前后天线之间的距离，r是入射波到达前后天线之间的距离，r等于输入信号的波长λ与天线阵列相位差δθ的乘积，即r＝λδθ/2π。4.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤2具体包括以下步骤：步骤21、利用主成分分析法对接收信号强度指示进行数据降维；步骤22、利用卡尔曼滤波器对到达角信息进行平滑处理后，通过数据复制方法，将单个到达角信息变成到达角信息向量，向量长度等于经过主成分分析法降维后的接收信号强度指示维度；步骤23、对接收信号强度指示和到达角信息进行归一化处理，形成训练数据指纹。5.根据权利要求4所述的蓝牙室内定位方法，其特征在于，在步骤21中，所述主成分分析法包括如下步骤：
(1)标准化rssi指纹库，rssi指纹库数据组成n
×
m的矩阵d
r
的均值以及标准差矩阵可以分别表示为分别表示为其中，n代表数据的数量，取13230，m代表数据的维度，取37；根据和s得到标准化的d
r
，其中第n个样本表示为(2)计算d
r
协方差矩阵的特征值与特征向量，d
r
的协方差矩阵c为(3)选取k行特征向量得到降维后的rssi指纹库，经过降维后的rssi指纹库为r
p
，其中第n个样本为(4)选择k值的大小；其中，γ取0.99，k值取25。6.根据权利要求4所述的蓝牙室内定位方法，其特征在于：在步骤22中，卡尔曼滤波器的平滑处理包括如下步骤：(1)计算卡尔曼增益k
k
，估计误差初值为p0，估计误差为p
k
，测量误差为r，卡尔曼增益k
k
为(2)计算到达角估计值x
k
，到达角估计初值为x0，测量值为z
k
，到达角估计值x
k
为x
k
＝x
k-1
+k
k
*(z
k-x
k-1
)；(3)更新估计误差p
k
；p
k+1
＝(1-k
k
)*p
k
。7.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤3具体包括以下步骤：步骤31、利用卷积层分别对到达角信息和接收信号强度指示提取特征；步骤32、将到达角信息和接收信号强度指示的特征进行拼接，完成特征融合；步骤33、将融合后的特征经过全连接层处理后，利用softmax层进行分类学习，得到蓝牙位置定位模型。8.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤4具体包括以下步骤：步骤41、将参考点上采集到的到达角信息经过卡尔曼滤波器平滑处理；步骤42、将经过平滑处理的到达角信息进行复制升维操作，然后归一化处理；
步骤43、将接收信号强度指示通过主成分分析法的进行数据降维处理，得到定位指纹的测试数据；步骤44、将经过数据降维处理的定位指纹的测试数据做归一化处理。9.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤5具体包括以下步骤：步骤55、到达角信息和接收信号强度指示在经过归一化处理后，分别送入两个相同网络结构的卷积神经网络，并将特征展平后进行拼接，得到融合特征；步骤56、将得到的融合特征送入分类定位模型中，得到目标的位置估计结果。10.根据权利要求1所述的蓝牙室内定位方法，其特征在于：步骤1中，采用launchxl-cc26x2r1板作为发射端，boostxl-aoa外部天线阵列作为接收端。

技术总结
本发明提供了一种蓝牙室内定位方法，主要包括以下步骤：采集蓝牙的到达角信息和接收信号强度指示；对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；利用卷积层进行特征提取和特征拼接后，通过Softmax层进行分类学习，得到蓝牙位置定位模型；测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行预处理；将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。本发明综合利用到达角信息与接收信号强度指示数据，利用深度学习网络进行的特征提取和分类学习，具有实现简单，复杂度低，定位性能高等优点。点。点。


技术研发人员：颜俊 朱德康 曹艳华
受保护的技术使用者：南京邮电大学
技术研发日：2022.07.04
技术公布日：2022/11/1