[发明专利]一种基于深度学习的强鲁棒性无线定位方法

说明书

本发明提出了一种基于深度学习的强鲁棒性无线定位方法。机器人采集多个时刻的轨迹位置和无线信号强度，并通过计算得到差分无线信号强度。将无线信号强度、差分无线信号强度依次根据一定时刻窗口分别划分为不同数据集，进一步构建批次训练样本；构建LSTM网络，将训练样本依次输入至LSTM网络得到预测位置，结合真实位置构建损失函数，并通过BPTT算法优化网络参数。本发明将无线信号强度和差分无线信号强度进行融合再定位，有效缓解传统无线定位方案中由于硬件差异性问题导致的测量偏差和信号强度随时间不稳定性导致的定位误差，此外由于LSTM网络内部使用了，其序列匹配提升了定位精度，且在一定程度上消除了定位指纹的空间歧义性。

技术领域

本发明涉及深度学习和无线定位领域，尤其是一种基于深度学习的强鲁棒性无线定位方法。

背景技术

随着城市化进程推进，人们对基于位置服务(location-based service,LBS) 的需求日益强烈，北斗全球组网虽已完成，但其信号容易被城市高楼、掩体遮盖，无法覆盖城市峡谷、室内等复杂环境。特别是现代化建设中，城市高楼、大型室内广场等大型建筑与日俱增，一方面阻挡了(Global Navigation Satellite System)GNSS的信号，出现城市峡谷等遮挡比较严重的环境，此时GNSS定位误差较大，已经无法满足人们日常需求；另一方面由于大型建筑例如火车站、商场等的出现也扩大了人们对室内定位的需求，因此众多的其他信号源被挖掘、研究以满足人们对导航与定位的需求。

现有的室内定位技术信号源种类繁多，其中常见包括Wi-Fi、移动蜂窝网络、射频识别RFID(Radio frequency Identification)、蓝牙、超宽带UWB (ultra-wide band)、声音、可见光、磁场、惯性导航IMU(inertial measurement unit)、激光雷达以及基于视觉的定位导航技术；其中所用到的技术包括传统的基于角AOA(Angle of Arrival)、基于到达时间(Time of Arrival)、基于到达时间差TDOA(Time difference of Arrival)、基于RSSI(Received Signal Strength Indicator)指纹、基于CSI(Channel State Information)信道状态信息、和基于无线信号传播模型等方法。近年因计算机硬件处理能力的迅速提升，复杂的模型得以在短时间内迅速求解，许多人工智能方法被用于室内定位，例如图像识别、深度学习、SLAM(Simultaneous Localization and Mapping)等。

在以上所有技术之中，基于Wi-Fi等无线指纹技术因为其低成本、普适性等优良特性而被广泛接受，而且各种Wi-Fi信号在室内场景随处可见，是实现低成本定位方案的首选。以上各种优势使众多研究者和公司热衷于此，但是仍然有许多问题存在：(1)指纹随时间不稳定性，隔一段时间后重新测试相同路径上的 RSSI，数值会有很大差异，所以为了保持精度不得不耗费大量财力物力频繁更新指纹库；(2)如果同时用不同型号的智能设备去测量相同地点的RSSI，结果也会有较大差异，这就是指纹匹配中的硬件差异性问题，而且市面上的智能手持设备种类繁多，这个导致用某一种设备建立的无线信号RSS指纹库不具有普适性，实际环境下的定位精较实验环境下出入较大，这是另外一个亟待解决的问题。

发明内容

发明目的：本发明利用一种基于深度学习的强鲁棒性无线定位方法，有效缓解了困扰传统方法多年的问题：指纹的硬件多样性和随时间不稳定性问题，可以有效遏制为保持较好定位精度而花费大量财力物力去不断更新指纹数据库造成的浪费。并且通过序列匹配提和一些技巧升导航精度，为大规模部署无线指纹定位系统提供了一个低成本、相对较高精度的企业级解决方案。

步骤1：机器人采集多个时刻的轨迹位置，并采集多个时刻的无线信号强度，并划分为不同窗口；