[发明专利]一种基于DDPG的RFID室内定位算法

说明书

本发明涉及无线射频识别(Radio Frequency Identification，RFID)室内定位技术，具体地说是一种基于深度确定性梯度下降(Deep Deterministic Policy Gradient，DDPG)的RFID室内定位算法，包括：建立动作网络和评价网络，其中，动作网络包括动作估计网络和动作目标网络；评价网络包括评价估计网络和评价目标网络。使用动作‑评价方法让策略梯度单步更新，同时策略梯度能被用在连续动作上进行筛选，而且在筛选的过程中加入确定性，在连续动作上输出一个动作值，从而确定目标标签的位置。由于RFID室内定位动作是连续的，DDPG与RFID室内定位相结合，很好的解决了定位连续性的问题。本发明与传统的基于神经网络的室内定位算法相比，在定位动作上更连续，进一步提高了定位精度，特别适用于标签信息较庞大的情况。

技术领域

本发明涉及无线射频识别(Radio Frequency Identification，RFID)中的室内定位技术，具体地说，是一种基于深度确定性策略(Deep Deterministic Policy Gradient，DDPG)的RFID室内定位算法。

背景技术

随着通信技术和物联网的发展，智能终端及移动生活的普及，人们的生活和工作中都需要应用到基于位置提供的定位服务，对定位要求也越来越高，所需的定位技术也从室外定位发展到室内定位。室内定位还是室外定位，这是根据定位对象的应用场景确定的。在室外定位中，基于卫星导航的定位技术已经趋于成熟，但是室外定位由于受稠密植被和大部分建筑物的影响，会造成定位不够准确，甚至不能定位。为了满足人们对高精度、低成本定位技术的需求，室内定位成了人们研究的热点。目前，室内定位在人员定位追踪、资产管理、安防救援和商品零售的领域有广泛的应用前景。

当前，RFID室内定位技术，有辅助GPS技术、红外线定位技术、超宽带(UHB)定位技术、超声波定位技术、WIFI定位技术、RFID定位技术、蓝牙定位技术、计算机视觉定位技术、图像分析定位技术、光跟踪技术、信标定位技术等等定位技术。其中RFID定位技术是一种比较高效的定位方法，它具有能耗低，实施成本少，测量性高及定位精度高等特点。RFID室内定位基于不同的解决思路主要有四种测距思路，分别是基于信号到达时间(TOA)测距法，基于信号到达时间差(TDOA)测距法，基于信号到达角度(AOA)测距法，基于信号到达强度(Received Signal Strength Indication，RSSI)测距法。本发明主要是基于信号到达强度测距方法。

目前，许多人将机器学习的方法用在室内定位方法中，如基于贝叶斯室内定位的分层模型完成无线网络的精确估计，模型在训练时间上提升了许多，引入了完全自适应零捕捉位置方法的概念。基于机器学习指纹的定位算法，可以提供比其他现有的指纹方法更高的定位精度，降低了定位成本，突破了机器学习定位方法只能适用于有源标签的弊端，将范围扩大到了无源标签上。基于粒子波模型的定位算法，需要通过大量粒子群模拟状态分布，然后根据观察结果更新他们的权重模型，粒子通常收敛于最可能的用户位置，收敛成本比较高。

发明内容

本发明的目的是提供一种基于DDPG的RFID室内定位算法，利用强化学习中的深度确定性策略建立多种神经网络，通过动作-评价策略确定连续动作的输出，从而构建DDPG定位模型，最终得到RFID待测目标的具体位置。

为实现上述目的，本发明提供了如下方案：

一种基于DDPG的RFID室内定位算法，包括：

步骤1)对区域内的M个RFID样本标签的RSSI值进行采集，获得原始训练数据；

步骤2)初始化噪声，利用动作网络的Q估计网络学习，在每个动作中加入噪声，更新状态并获得RFID样本标签最优的RSSI值，将学习到的经验和数据存入记忆库中；