基于深度学习的分布式多天线阅读器定位系统及其方法与流程

本发明涉及rfid技术领域，具体地涉及一种基于深度学习的分布式多天线阅读器定位系统及其方法。

背景技术：

目前，随着gps和北斗等卫星导航定位系统的投入使用，室外定位技术日趋成熟，已经可以达到很高的定位精度，但是作为定位的“最后一米”—室内定位技术，一直未能获得根本性的突破，这也是工业界和学术界多年来共同关注的焦点之一。在室内环境下，由于卫星信号接收受到严重干扰，gps无法用于室内定位。rfid具有非接触、非视距、成本低的优点，开始得到越来越多的关注，成为优选的室内定位技术。

总体来说，室内rfid定位算法可分为四大类：基于测距的定位、基于相位的定位、基于场景的定位和基于邻近算法的定位。基于深度神经网络(deepneuralnetwork,dnn)的指纹定位算法也是近来研究的热点之一。它利用路径损耗模型对信号在室内传播进行建模，获取rssi构成指纹数据库，通过dnn作为回归模型来发现指纹数据和位置信息之间的函数关系，实现位置指纹精准实时定位。该算法在存在路径损耗及噪声的情况下，具有较高的定位精度及较短的定位时间，适用于较大室内定位环境下对多目标进行定位。

在室内环境中，无线信号由于受到反射、折射、衍射等现象的干扰，信号衰减模型难以估计。而且室内环境复杂多变，物体的摆放位置、温度湿度的变化或者人员的走动等都会导致接收端收到的信号发生改变。在室内环境下，定位系统往往要求能够达到亚米级甚至厘米级的精度。当前的各种定位系统大多采用了在待定区域布置多个阅读器和参考标签的方法，目标标签通过参考标签来定位，因此参考标签的拓扑结构及密度直接影响着定位精度。然而过多的阅读器和参考标签，不但会大大增加定位系统的成本，而且会带来新的干扰。另一方面，由于多径效应和阴影效应的存在，使得位置接近的两点在信号强度上可能存在较大差异，这也是造成定位误差的主要原因。因此阅读器与参考标签阵列之间的位置关系也是非常重要的。

在体育馆、展览馆、图书馆、商场、仓库等大型室内场所，需要监控的面积非常大，环境也非常复杂，常见的使用若干阅读器对单个房间进行定位的方法是不适用的。此外，一些应用场所要求对大量快速运动的物体进行跟踪定位，如地下停车场内移动的汽车、物流中心快速移动的货物、突发事件下奔跑的人群等，对室内定位方法提出了更高的要求。

技术实现要素：

本发明所要解决的技术问题是提供一种实现基于深度学习的分布式多天线阅读器定位系统的方法，解决了阅读器及其天线的位置变动影响样本数据的收集的问题，使得系统能够自适应地学习复杂多变的室内环境，实现精准实时定位。

通过本发明可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。

本发明解决上述技术问题的技术方案如下：

根据本公开的第一方面，本发明提供一种实现基于深度学习的分布式多天线阅读器定位系统的方法，所述方法包括：

构造所述深度神经网络的模型；

训练数据获取；

提取信号特征；以及

结合超宽带uwb定位技术实现训练样本的自动生成和神经网络模型的自动学习，

其特征在于，所述深度神经网络的输入特征向量包含所述阅读器的位置、将所述阅读器与其相应天线相连的馈线的长度、接收信号的rssi、相位以及到达时间，所述阅读器及其天线的位置变动不影响样本数据的收集，所得到的模型能够适应各个不同的定位区域。

可选地，在如上所述的方法中，引入自动数据采集方法，持续生成大量样本数据，通过在线方式去学习、优化神经网络模型，通过部署多个uwb基站，将rfid参考标签与uwb定位标签绑定在一起，当所述rfid参考标签在所述uwb基站的范围内移动时，所述uwb标签与所述uwb基站通信，能够准确地标识所述rfid参考标签的位置坐标，定位服务器将所述阅读器得到的信号参数与从所述uwb基站得到的位置坐标结合，自动生成新的训练样本，对神经网络进行在线训练，使得定位结果更精确。

可选地，在如上所述的方法中，所述多个阅读器中的每一个包括多个发射天线或多个接收天线，并且采用天线分置模式，灵活地布置发射天线或接收天线；所述阅读器每次从所述多个发射天线中选择一个发射天线进行工作，而关闭其他发射天线，并且所述阅读器使用所述阅读器的对应区域内的多个接收天线接收信号，所述方法利用不同的接收位置对信号进行接收，使得接收到的信号衰落是相互独立的，并按照准则对接收的信号进行合并从而复合成加强的信号。

可选地，在如上所述的方法中，当某些标签被物体阻挡时，所述阅读器重新选择发射天线，根据所述阅读器的对应区域内已知标签分布情况以及阅读器天线接收信号的强弱变化，在所述发射天线的阵列中自适应选择发射天线。

可选地，在如上所述的方法中，当对所述深度神经网络进行训练时，首先初始化各权重值为小的非零值，然后采用随机梯度下降方法，每次处理一批训练数据，计算输出值与实际值之间的损失值，通过误差反向传播算法，不断更新所述深度神经网络的模型中各层神经元的连接权重值和偏置项，直到达到给定的计算误差范围或指定的训练次数，停止训练。

根据本公开的第二方面，本发明提供一种基于深度学习的分布式多天线阅读器定位系统，其包括：

服务器，

与所述服务器连接的交换机，和

与所述交换机连接的所述多个阅读器，

所述分布式多天线阅读器定位系统被配置为：

构造所述深度神经网络的模型；

训练数据获取；

提取信号特征；以及

结合超宽带uwb定位技术实现训练样本的自动生成和神经网络模型的自动学习，

其特征在于，所述深度神经网络的输入特征向量包含所述阅读器的位置、将所述阅读器与其相应天线相连的馈线的长度、接收信号的rssi、相位以及到达时间，所述阅读器及其天线的位置变动不影响样本数据的收集，所得到的模型能够适应各个不同的定位区域。

可选地，在如上所述的系统中，引入自动数据采集方法，持续生成大量样本数据，通过在线方式去学习、优化神经网络模型，通过部署多个uwb基站，将rfid参考标签与uwb定位标签绑定在一起，当所述rfid参考标签在所述uwb基站的范围内移动时，所述uwb标签与所述uwb基站通信，能够准确地标识所述rfid参考标签的位置坐标，定位服务器将所述阅读器得到的信号参数与从所述uwb基站得到的位置坐标结合，自动生成新的训练样本，对神经网络进行在线训练，使得定位结果更精确。

可选地，在如上所述的系统中，所述多个阅读器中的每一个包括多个发射天线或多个接收天线，并且采用天线分置模式，灵活地布置发射天线或接收天线；所述阅读器每次从所述多个发射天线中选择一个发射天线进行工作，而关闭其他发射天线，并且所述阅读器使用所述阅读器的对应区域内的多个接收天线接收信号，所述方法利用不同的接收位置对信号进行接收，使得接收到的信号衰落是相互独立的，并按照准则对接收的信号进行合并从而复合成加强的信号。

可选地，在如上所述的系统中，当某些标签被物体阻挡时，所述阅读器重新选择发射天线，根据所述阅读器的对应区域内已知标签分布情况以及阅读器天线接收信号的强弱变化，在所述发射天线的阵列中自适应选择发射天线。

可选地，在如上所述的系统中，当对所述深度神经网络进行训练时，首先初始化各权重值为小的非零值，然后采用随机梯度下降方法，每次处理一批训练数据，计算输出值与实际值之间的损失值，通过误差反向传播算法，不断更新所述深度神经网络的模型中各层神经元的连接权重值和偏置项，直到达到给定的计算误差范围或指定的训练次数，停止训练。

上述技术方案仅为本发明实施例的一些部分，本领域技术人员从以下本发明的详细描述中可以导出和理解包含了本发明的技术特征的各种实施例。

本领域技术人员将会理解，通过本发明可以实现的效果不限于上文已经具体描述的内容，并且从以下详细说明中将更清楚地理解本发明的其他优点。

附图说明

被包括以提供对本发明的进一步理解的附图示出本发明的实施例，并且与说明书一起用于解释本发明的原理。

图1为本发明实施例提供的基于深度学习的分布式多天线阅读器定位系统的示意图；

图2为本发明实施例提供的阅读器的天线的工作配置方式的示意图。

图3为本发明实施例提供的在每个局部区域内的阅读器的天线布置的示意图。

图4为本发明实施例提供的深度神经网络的模型的示意图。

图5为本发明实施例提供的基于深度神经网络的定位系统的整体框架的示意图。

图6为本发明实施例提供的多天线阅读器深度神经网络方法的仿真实验结果的示意图。

图7为本发明实施例结合uwb定位技术在线训练深度神经网络的示意图。

具体实施方式

现在将详细参考本发明的示例性实施例，其示例在附图中示出。下面将参考附图给出的详细描述旨在解释本发明的示例性实施例，而不是示出可以根据本发明实现的唯一实施例。以下详细描述包括具体细节以便提供对本发明的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本发明。

在一些情况下，已知的结构和设备被省略或以框图形式示出，集中于结构和设备的重要特征，以免模糊本发明的概念。在整个说明书中将使用相同的附图标记来表示相同或相似的部分。

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“中心”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1示出了本发明实施例提供的基于深度学习的分布式多天线阅读器定位系统的示意图。如图1所示，本发明提供了一种基于深度学习的分布式多天线阅读器定位系统，其包括服务器，与所述服务器连接的交换机，和与所述交换机连接的所述多个阅读器，所述分布式多天线阅读器定位系统被配置为：构造所述深度神经网络的模型；训练数据获取；提取信号特征；以及结合超宽带uwb定位技术实现训练样本的自动生成和神经网络模型的自动学习。在本发明的系统中，整个室内环境被划分为若干个定位区域，每个区域由一个阅读器负责。阅读器具有一组(多个)天线阵列，这些天线通过物理线路(低损耗电缆)与阅读器相连。每个阅读器的天线阵列按一定规则排列，控制一个局部定位区域，即图1中的方框区域。

图2示出了本发明实施例提供的阅读器的天线的工作配置方式的示意图。常见的阅读器使用一根天线，同时发送信号和接收标签的反射信号，称为单收发模式，如图2的右半部所示。这种方式浪费了一半左右的发射能量，接收器还需要克服强闭锁信号的干扰来获取微弱的标签信号。而采用图2的左半部的天线分置配置方式，发送端与接收端的天线分离，则有利于避免这些问题。

使用单收发天线模式的rfid阅读器如果工作在超高频频段，由于盲区以及多径干扰的影响，难以保证目标标签识别的可靠性。一些学者引入了参考标签的概念，提出了在阅读区域合理部署多个参考标签，并根据这些参考标签的识别情况来判断识别的可靠性的方法。如果不是所有的参考标签被识别，则表明识别过程中出现了不可靠性因素，整个识别结果不可靠，需要通过重复识别来提高rfid系统的可靠性。发明人提出了一种通过增加天线个数，以增强覆盖效果、减少识别盲区、增强多标签识别可靠性的rfid多天线识别模式。阅读器具有多个天线，分别对电子标签进行识别，每个标签能否被识别是相互独立的。有的系统则使用了定制的配备有4个天线的rfid读写器，天线位置已知，连接着同一个读写器。这些方法的特点是各天线的识别是相互独立的，采用单收发模式，使用同一个天线进行发射射频信号并接受标签反射信号；配合以轮询调度算法方式，分别在不同时间段内工作，即一根天线工作时关闭其他天线。

图3示出了本发明实施例提供的在每个局部区域内的阅读器的天线布置的示意图。本实施例的阅读器采用天线分置模式，并可以灵活地布置发射天线(图3中的圆圈中的天线)或接收天线。每次从发射天线中选择一个发射天线工作，而关闭其他发射天线，区域内的接收天线都可以接收信号。这是一种空间分集接收技术，利用不同的接收位置对信号进行接收，使得接收到的信号衰落是相互独立的，并按照一定的准则对接收的信号进行合并，复合成加强的信号。

针对上述分布式多阅读器定位系统，在定位效率方面，传统的定位方法必须至少要有3个阅读器各自识别一次才能完成定位。在不考虑标签和阅读器碰撞的情况下，设每次识别的时间为t1，则至少需要3t1的时间才可以完成定位；而多天线阅读器方法使用一根天线发射，多根天线接收，只用一次就可以完成识别定位过程，即只使用t1时间完成定位，效率大大提高。

在抗干扰方面，当某些标签被物体阻挡时，阅读器天线接收的标签反射信号变差，将大大影响定位精度。这种情况下，系统可以重新选择发射天线。根据定位区域内已知标签分布情况以及阅读器天线接收信号的强弱变化，在天线阵列中自适应选择发射天线，可以大大增加方案的适应性，避免物体阻碍导致信号盲区等问题的出现，提高系统的可靠性。

根据本发明的实施例，本发明针对上述分布式多阅读器系统，进一步设计了实现上述分布式多阅读器系统的方法，即基于深度神经网络的射频识别定位算法。在每一个定位区域，从阅读器各接收天线得到的信号参数提取输入特征向量，通过深度神经网络预测目标标签的位置。结合uwb超宽带定位技术实现训练样本的自动生成和神经模型的自动学习，以适应复杂和变化的定位环境，满足精准实时的定位需求。

基于深度神经网络定位算法的研究

人工神经网络特有的非线性适应性信息处理能力应用于位置定位中，具有计算简单、应用方便、可扩展性强等优点。设局部区域内阅读器位置为pr，有m个发射天线txi(1≤i≤m)，n个接收天线rxi(1≤i≤n)，这些天线通过馈线与阅读器相连，馈线长度分别为和它们的位置都是已知的，分别设为和每次选择一个发射天线txj(1≤j≤m)工作，关闭其他发射天线，记录其发射时间为tj、相位为所有n个接收天线同时接收标签的反射信号。每个接收天线rxk(1≤k≤n)可以得到对应的信道状态信息(channelstateinfomation)，包括接收信号的rssi、相位以及到达时间等，分别设为sjk，和tjk。不同于常见的射频识别定位方法，多天线阅读器无需复杂的时钟同步，各天线的传输时延校准问题通过馈线长度体现，连同各接收信号相对于发射信号的相位延迟，由神经网络通过大样本数据训练来完成从信号参数到位置坐标的函数关系拟合。设目标标签的位置为ptag，则根据所选择的发射天线txj，可以获得如下信号参数：

为了方便处理，将阅读器坐标位置设为原点，发射天线每次发射时间设为0，则发射天线和接收天线的坐标变为和各天线的接收时间变为目的标签位置变为经过预处理后的信号参数为：

这些参数组成神经网络的输入特征向量，连同作为输出参数的标签位置一起构成了训练深度神经网络所需的样本数据。已有的基于深度神经网络的指纹定位算法只使用了rssi信号，且阅读器的位置不能变动，否则需要重新建立指纹数据库。这里的输入特征向量包含了更多的信息，而且阅读器及其各天线的位置变动也不影响样本数据的收集，因此得到的模型可以适应各个不同的定位区域。

图4示出了本发明实施例提供的深度神经网络的模型的示意图。如图4所示，建立多层全连接神经网络，包含输入层、输出层和多个隐藏层。设每个局部定位区域接收天线个数最多为24个，则神经网络的输入是99维的特征向量：

如果定位区域的接收天线个数小于24，则后面的参数用零补足即可。输入神经网络的数据首先要做标准化处理：设标签的实际位置为a＝(x,y)，神经网络的输出是标签的预测坐标位置用huber损失函数来估量它们之间的误差，

其计算方式如下：

huber损失函数是对平方误差的推广，通过设置参数δ的值，可以使损失函数鲁棒性更强，从而减弱噪声(或叫离群点，outliers)对模型的影响。

假设我们有训练样本集{ri,ai}，那么神经网络算法应能提供一种复杂且非线性的假设模型fw,b(x)，它具有参数{w,b}，可以以此参数来拟合训练数据。对神经网络进行训练时，首先初始化各权重值为小的非零值,然后采用随机梯度下降方法，每次处理一批训练数据，计算输出值与实际值之间的损失值，通过误差反向传播(errorbackpropagation，bp)算法，不断更新模型中各层神经元的连接权重值和偏置项，直到达到给定的计算误差范围或指定的训练次数，停止训练。

图5示出了本发明实施例提供的基于深度神经网络的定位系统的整体框架的示意图。根据本发明的实施例，基于深度神经网络的室内定位系统的整体框架由离线训练、在线预测以及在线学习等几部分组成，如图5所示。

在离线阶段，构造由单个多天线阅读器组成的实验环境。参考标签放置在不同位置，每次选择一根发射天线进行识别，所获取的信号参数经过数据预处理，连同参考标签的位置坐标，作为深度神经网络训练的样本数据。

图6示出了本发明实施例提供的多天线阅读器深度神经网络方法的仿真实验结果的示意图。发明人对多天线阅读器深度神经网络方法作了仿真实验，如图6所示，在20m*20m的定位区间内，25个小正方形代表阅读器的天线位置，其中实心小正方形代表4个发射天线，其余为接收天线。假设有一个参考标签在区域内随机移动，利用路径损耗模型对信号在室内传播进行建模并叠加高斯随机变量作为环境干扰，模拟阅读器天线得到对应的测量信号，包括信号强度、相位以及达到时间等。此外，还假设天线的位置可以做小的随机调整以适应更多的场景。模拟参考标签的每一次识别，得到的信号参数连同标签位置组成一个样本数据，生成了由100万个样本组成的数据集用于神经网络训练。神经网络三个隐藏层的节点数分别设置为300、200和50，使用线性整流函数(rectifiedlinearunit，relu)作为各节点的激活函数，并采用dropout方法来防止过拟合。设置训练循环次数为500次，使用pytorch深度学习框架，可以自动完成神经网络的搭建和优化。在nvidiateslak40(gpu)+corei7-6700(cpu)的硬件平台上训练得到的网络模型，定位误差大约在0.05m左右。图6显示了40个未知位置的标签使用训练后的神经网络预测位置坐标得到的结果，星号代表标签的实际位置，空心圆圈代表标签的预测位置，其平均误差为0.0546m。

神经网络模型的参数越多，模型的搜索空间就越大，必须有足够的数据才能更好地刻画出模型在空间上的分布。不同定位区域中的发射/接收天线位置、物体摆放可能有所不同，室内的温度和湿度也随时间变化。手工方式采集数据耗时耗力，难以获得所需的大量样本数据，也不便于维护。因此需要引入自动数据采集方法，持续生成大量样本数据，以在线方式去学习、优化神经网络模型。

图7示出了本发明实施例结合uwb定位技术在线训练深度神经网络的示意图。根据本发明的实施例，考虑部署若干uwb基站，将rfid参考标签与uwb定位标签绑定在一起，当参考标签在uwb基站范围内移动时，uwb标签与基站通信，可以准确地标识参考标签的位置坐标。与传统窄带系统相比，超宽带系统具有穿透力强、功耗低、抗多径效果好、能提供精确定位精度等优点，而且其信号几乎不对工作于同一频率的无线设备造成干扰。uwb系统定位误差小于10cm，单基站覆盖范围可以超过100m，可以在较大范围内应用于静止或者移动物体以及人的定位跟踪，提供十分精确的定位精度。缺点是部署较为复杂，成本高昂，不适合大面积部署，其定位标签也不适合大量使用。实际定位环境中，可以选择仅在少量的合适地点部署uwb基站，覆盖人/物流量大的重点区域即可。由于uwb基站覆盖范围较广，一组uwb基站可以覆盖到多个局部定位区域。此外，设置一些rfid参考标签与uwb标签绑定在一起，由工作人员携带或者放置在清洁车上。当参考标签进入uwb基站覆盖的定位区域时，就可以通过与其绑定在一起的uwb标签实现精确定位。定位服务器将阅读器得到的信号参数与从uwb得到的位置坐标结合可以自动生成新的训练样本，对神经网络进行在线训练，使定位结果更精确。图7显示了结合uwb定位技术在线训练深度神经网络模型的实现方法。

离线阶段得到的模型参数作为神经网络的初始参数，为实际定位环境中的每一个局部定位区域所共用。各局部定位区域加载模型参数，使用神经网络，根据阅读器从接收信号提取的特征向量对标签位置进行预测。同时，服务器将参考标签的信号参数结合对应的uwb位置坐标生成新的样本数据，对神经网络进行在线训练，更新后的模型参数能够提高定位精度并更好地适应实际环境的变化。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

如上所述，已经给出了本发明的优选实施例的详细描述，以使本领域技术人员能够实施和实践本发明。虽然已经参照示例性实施例描述了本发明，但是本领域技术人员将会理解，在不脱离所附权利要求书中描述的本发明的精神或范围的情况下，可以在本发明中进行各种修改和改变。因此，本发明不应限于在此描述的特定实施例，而应被赋予与本文公开的原理和新颖特征一致的最宽范围。