[发明专利]通过一维卷积神经网用IMU数据进行精确室内定位的方法

说明书

本发明的通过一维卷积神经网用IMU数据进行精确室内定位的方法，包括：获取IMU采集的惯性导航数据，对获得的IMU惯性导航数据进行预处理，基于预处理后得到的IMU惯性导航数据构建参考数据库；构建神经网络CNN模型，利用所述参考数据库作为训练样本，训练得到神经网络CNN模型；将待定位对象的IMU惯性导航数据经预处理后输入至训练得到的神经网络CNN模型中，输出得到待定位对象的位移信息，根据输出得到的位移信息估算待定位对象的位置坐标。本发明的通过一维卷积神经网用IMU数据进行精确室内定位的方法，可精准计算位移，进行定位。

技术领域

本发明属于室内技术领域，具体来说是一种通过一维卷积神经网用IMU数据进行精确室内定位的方法。

背景技术

近年来，伴随着智能手机、平板电脑和笔记本电脑等移动设备的普及，基于这些设备的定位应用已成为我们日常生活的重要组成部分。目前大多数移动设备主要应用全球定位系统GPS或者北斗定位系统提供定位服务，而这两种方案只能在室外对目标进行有效定位，在复杂的室内环境下则精度低甚至无法工作。其原因主要有以下两点：(1)由于在室内的接入点AP和移动客户端之间存在着很多物体，无线信号在其中反射到多条路径传播，称之为多径现象；(2)GPS 提供了几米之间的定位精度，对于室外环境中的街道或者城市街区来说已经绰绰有余，然而对于GPS无法到达的室内环境来说，这样的定位精度远远无法达到要求。

为了能有效地对室内目标进行定位，目前的室内定位技术主要围绕声音信号(Acoustic)、光信号(Camera和Visible light)、电信号(UWB，Radar和RFID)展开。其中，基于声音信号的定位技术，其精度易受环境噪声影响，且定位范围有限；基于光信号的定位技术，其过度依赖环境中的光线强度，在非视距环境中无法工作，同时容易出现目标隐私泄露问题；基于电信号的定位技术，为了实现目标的高精度定位，主要依赖昂贵的设备以及精密的仪器。因此，基于以上方案的定位方法无法普适于我们的日常生活中。

惯性导航是一种推算导航方式，主要是通过安装在运动载体上的陀螺仪和加速度计测量角速度和线加速度，然后推算出下一点的位置。其优点是不受外界因素影响，短期内定位精度较好，缺点是陀螺仪存在随机漂移误差，采用传统积分算法会在1-2次积分过程中将噪声放大，会出现因滤波导致噪声干扰大或失真等情况，造成定位误差随时间增大，并且由加速度积分得到的速度和位置，误差很大。

卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。卷积神经网络结构包括：卷积层，降采样层，全链接层。每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。

发明内容

1.发明要解决的技术问题

本发明的目的在于解决现有技术中存在的问题，提出一种通过一维卷积神经网用IMU数据进行精确室内定位的方法。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

通过一维卷积神经网用IMU数据进行精确室内定位的方法，包括以下步骤：

S1：获取IMU采集的惯性导航数据，对获得的IMU惯性导航数据进行预处理，基于预处理后得到的IMU惯性导航数据构建参考数据库；

S2：构建神经网络CNN模型，利用所述参考数据库作为训练样本，训练得到神经网络CNN模型；

S3：将待定位对象的IMU惯性导航数据经预处理后输入至训练得到的神经网络CNN模型中，输出得到待定位对象的位移信息，根据输出得到的位移信息估算待定位对象的位置坐标。