论文部分内容阅读
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。