基于深度学习的多传感器室内定位

发布时间：2020-08-24 10:06

【摘要】：随着移动互联网应用的发展,在现代生活、商业、医疗等领域中,为用户提供基于室内位置服务的需求不断增长,譬如停车场反向寻车、商场导航和电子导医等。然而室内环境复杂,遮挡多,人员变化快,定位信号的传播易受影响,因而在复杂环境中获得高精度的室内定位结果一直是定位算法中研究的热点问题。基于RSSI(Received Signal Strength Indicator)指纹的匹配算法及PDR(Pedestrian Dead Reckoning)是室内定位中常用的算法。RSSI描述粗粒度的无线信号功率信息,在复杂环境中受多种因素影响且不稳定,因此室内定位精度有限且易受干扰;基于加速度计和陀螺仪等惯性传感器进行定位的PDR也因漂移误差问题导致长距离定位性能受限。因此,实际定位中通常使用信号指纹与多传感器的信息结合来提高定位精度;同时深度学习技术的发展也为从多种传感器信息提取精确的位置特征提供了新的方法。因而,为提高信号指纹定位的精度,ResNet(RSSI/MAG)室内定位模型将RSSI和地磁信息作为指纹,并采用基于残差网络的深度学习方法建立指纹与位置之间的对应关系模型。残差结构提高了网络的深度,使之能提取更深层的指纹特征,且使得深层模型更易训练。为进一步提高定位精度,基于信号指纹与惯性导航的集成定位模型DeepMS(Deep Multiple Sensors)在ResNet(RSSI/MAG)的基础上加入了CNN-LSTM结构对加速度计和陀螺仪信息进行处理。加速度计和陀螺仪数据序列被划分为不重叠的窗口,每个窗口的数据进行卷积处理以提取特征。该模型使用LSTM(Long ShortTerm Memory)提取不同窗口之间的时序关系,从而建立定位对象的运动轨迹模型,基于该模型和指纹定位结果得到最终位置。基于实际测试数据的实验表明,引入地磁指纹与采用深层ResNet结构同单纯使用RSSI信号和使用浅层结构相比,更能提高定位精度;引入CNN-LSTM融合加速度计和陀螺仪信息的DeepMS模型进一步提高了模型的定位精度和抗干扰能力。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP212;TP18
【图文】：

信号指纹,地磁,定位网络,加速模型

华中科技大学硕士学位论文2 ResNet(RSSI/MAG)信号指纹室内定位模型卷积神经网络在基于图像和特征矩阵的室内定位中已有较为成熟的应用。掘 RSSI 和地磁联合信号指纹的深层特征，提高定位精度，本文将采用残行深层定位网络的搭建。经分析，本文的残差块可以大大地减少模型训练加速模型的收敛。1 模型架构基于 RSSI 和地磁联合指纹的 ResNet(RSSI/MAG)模型架构如图 2.1 所示。

过程图,卷积计算,过程,卷积

其中均为与坐标旋转四元数 q 相关的实数，且。在实际计算时，有，其中为旋转轴单位向量，为旋转的角度。 ′ ′ ′即为坐标转换之后的地磁值，因而指纹也可以表示为： [ ′ ′ ′ (2.5)2.2 残差网络2.2.1 卷积操作卷积操作是残差网络中基本的计算单元，本文中采用的残差模块由三个卷积层组成，因而在引入残差网络之前需要熟悉卷积运算的过程。卷积核中参数与对应位置特征元素逐位相乘后累加的值将作为一次卷积操作结果。卷积之前需预先规定好卷积核的大小及卷积步长，卷积步长即一次卷积之后卷积核移动的距离。本文中涉及到的卷积为一维卷积，即卷积核的大小为1*kernel_size 的形式。

彩色图像,卷积,局部特征,网络结构

图 2.4 卷积通道至此描述的网络结构仅能检测一种局部特征，实际上为了完成准确的分类多个卷积核，学习多个特征映射，这涉及到卷积中另一个关键的概念：通数可以根据需求自主定义，如图 2.4 所示输入向量有 3 个通道，分别对应的卷积核和特征映射。训练完成，网络可以检测三种不同的特征，每个特输入数据中均可检测。一些特殊的场景中，例如RGB彩色图像，其输入特矩阵，那么此时的卷积核并不是一层的，而是有着相应的深度 3，会变成核。.2 残差结构

【参考文献】