[发明专利]基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法

说明书

本发明公开了一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法。该方法包括以下步骤：采集WiFi指纹数据，并利用已构建的指纹库计算相应接入点的粗略位置，所述指纹库包含接入点覆盖区域的位置参考点坐标；基于所述接入点的粗略位置，沿设定的方向对所述WiFi指纹数据进行重新排序；利用经训练的编码器从所述WiFi指纹数据中提取特征图；将所述特征图输入到经训练的回归网络模型，获得定位结果，其中所述回归网络模型反映WiFi指纹数据与位置坐标间的非线性关系。本发明提升了计算效率、抗噪能力和鲁棒性，并提高了定位精度。

技术领域

本发明涉及通信技术领域，更具体地，涉及一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法。

背景技术

随着物联网技术的发展，人们对定位服务的需求逐渐从室外扩展到室内，WiFi指纹定位因其便携性、部署简单、覆盖范围广、定位精度高和成本低等优点，迅速成为基于智能设备的主流室内定位技术。在室内环境中，多个WiFi信号接入点发射的信号会随传播距离增加而衰减，并且会被墙面等物体反射、遮挡，使得每个位置能接收到的WiFi信号都不同，形成独一无二的“位置指纹”，WiFi指纹定位即是利用物理位置与WiFi信号的映射对应关系实现基于WiFi信号来确定物理位置。

近年来，随着人们生活水平的提高，基于位置的服务需求越来越高。以中国北斗、美国GPS为代表的卫星导航系统已十分成熟，然而，在遮挡环境中卫星信号强度会大幅度衰减，无法满足定位精度要求甚至无法实现定位功能。在此背景下，新的定位技术被相继提出，例如基于WiFi、蓝牙、红外线和惯性传感器的定位技术。以智能手机为例，其已经集成了WiFi信号接收模组，并且在很多大型建筑中已经部署了大量AP设备(如路由器)，不需要再像蓝牙、红外线一样额外建立专门的硬件设施。并且，WiFi定位可以达到较高定位精度，所以WiFi定位在室内定位领域优势明显。然而，WiFi信号容易受到人体的随机遮挡，并且由于多径效应的存在和信号接入点(AccessPoint，AP)设备(如路由器)本身无线信号发射功率的不稳定性，使得AP的接收信号强度会随时间上下波动，导致定位精度降低。此外，在每个物理位置能够探测到的WiFi数量是有限的，故每条WiFi指纹包含大量重复的常量值，导致WiFi指纹数据稀疏，也会影响定位精度。

在现有技术中，WiFi定位方法主要分为几何法和指纹法。几何法使用到达时间(Time of Arrival，TOA)和到达角(Angle of Arrival，AOA)等来估计位置，TOA的主要缺点是所有WiFi信号收发装置之间的时间必须同步，同步问题没处理好会导致定位误差非常大。而AOA要求AP设备具有多个天线，对AP设备的硬件配置要求高。指纹法是利用不同位置的WiFi信号不同，建立位置与WiFi信号特征的对应关系并通过WiFi信号实现定位。常用的WiFi指纹特征有接收信号强度(Received Signal Strength Indication，RSSI)、信噪比和信道状态信息(Channel State Information，CSI)。CSI包含更多的信号特征，因此基于CSI的定位比基于RSSI的定位更精准，但由于CSI的获取相对困难，所以RSSI仍是WiFi指纹定位常用的指纹特征。指纹法需要在离线阶段采集所有位置参考点(Reference Point，RP)的WiFi信号并构建成一个WiFi指纹库；在定位过程中利用指纹匹配算法从指纹库中匹配最合适的RP，此RP的位置坐标就是最终的定位结果。

基于RSSI的指纹定位法主要分为两类：基于机器学习的方法和基于深度学习的方法。常用的机器学习方法有K近邻、加权K近邻、随机森林和决策树等。K近邻每次运行都需要遍历指纹库，算法运行时间随指纹库增大而增加。决策树和随机森林需要手动设计特征，而不合理的特征选择会严重影响定位精度。基于深度学习的方法在离线阶段利用指纹库训练网络模型，而在线阶段不需要再遍历一遍指纹库，直接使用在线指纹数据计算出定位结果，而且基于深度学习的方法可以自动提取特征，不需要人工手动提取，但目前的深度学习模型太复杂，导致运行时间大大增加。