[发明专利]一种基于机器学习的复杂环境下无线定位方法

说明书

本发明属于无线定位技术领域，涉及的是一种基于机器学习的复杂环境下无线定位方法。主要步骤是采用视距(Line of Sight，LOS)环境下基于UWB(Ultra‑Wide Band，超宽带)的几何定位模块、非视距(Non Line of Sight，NLOS)环境下基于深度学习的指纹定位模块、基于加速度和陀螺仪的航位推算(Dead Reckoning，DR)模块和基于视觉的同步定位与地图构建(Visual Simultaneous Localization and Mapping，VSLAM)模块对终端进行多信号源定位，同时利用基于粒子滤波和扩展卡尔曼滤波对无线定位结果进行融合平滑处理，通过机器学习实现样本的自动更新以及深度置信网络(Deep Boltzmann Machine，DBN)的自动训练，以适应室内布局多变的空间和电磁环境。本发明可以适应复杂的室内环境，为终端提供高精度、连续、稳定的无线定位服务。

技术领域

本发明属于无线定位技术领域，涉及的是一种基于机器学习的复杂环境下无线定位方法。

背景技术

随着物联网技术的发展，人们的生产生活正朝着信息化、智能化、大数据化的方向推进。定位技术作为物联网中最重要的感知技术之一，在智能交通、资源勘探、地球观测等领域都有着广泛的应用。

目前主流的定位方式主要有卫星定位和无线定位，卫星定位依赖于视距(Line ofSight，LOS)环境下电磁波的直线传播，高楼等物体的遮挡会严重影响终端对卫星信号的接收，因此主要应用于较为空旷的室外环境当中；室内定位则主要依靠无线定位手段，通过测量无线电波的参数和使用特定的算法来解算终端的位置信息。

现有的无线定位技术主要有Wi-Fi定位、蓝牙定位、UWB(Ultra-Wide Band，超宽带)定位、蜂窝无线定位、RFID(Radio Frequency Identification，射频识别)定位、IMU(Inertial Measurement Unit，惯性测量单元)定位、视觉定位等技术；使用的无线定位算法主要为TOA(Time of Arrival，到达时间)算法、TDOA(Time Difference of Arrival，到达时间差)算法、AOA(Angle of Arrival，到达角度)算法、RSS(Received SignalStrength，接收信号强度)算法、指纹匹配算法等，或者采用多信号源和融合算法达到更高的定位精度。

然而，室内高精度定位因非视距(Non Line of Sight，NLOS)环境、电磁环境复杂、室内布局多变等技术障碍难以突破而成果寥寥，迄今为止尚无任何一种主导的高精度室内定位服务。几何定位精度高，但是容易受到NLOS的影响；指纹定位精度略低，而且当环境布局或者电磁环境发生改变后精度将大大降低；基于惯性导航的航位推算定位有着不可避免的时间累积误差；基于视觉SLAM(Simultaneous Localization and Mapping，即时定位与地图构建)定位易发生累计误差导致跟踪失败等。因此，单独使用任何一种技术都难以满足室内复杂环境的定位要求。定位系统的多源信息融合可以将不同子系统中的信息进行综合处理，规避单子系统的一些缺点。目前最常用的方法是将惯导与无线电定位方法进行融合实现在NLOS环境下的连续定位，另外还可以将图像识别与其他定位方法进行融合。如何使每个多源子系统都能发挥自身的优势，增强整个系统的定位性能、容错能力以及自适应能力，已经成为多源信息融合定位方面需要解决的关键问题。

基于机器学习的室内定位技术最近几年刚刚开始引起关注，仍然面临着非常多的技术挑战，其中最大的问题是当样本集所在的环境电磁信号发生变化时，已经训练的算法无法进行相应的自动学习，从而导致定位误差出现较大偏离，甚至导致系统无法正常工作。为此，本发明提出了在非视距、复杂电磁环境下的高精度定位方法以及在室内布局多变环境下机器学习样本库的自动更新和自动训练方法，从而实现高精度、连续、稳定的室内无线定位。

发明内容