文摘

无线设备的日益普及和发展,如今基于WiFi室内定位已成为一个热点话题。传统Wi-Fi-based本地化技术利用接收信号强度指示受到室内多路径效应,导致定位性能下降。因此,选择合适的无线信号的特征对室内定位是至关重要的。提高定位精度,我们提出PLAP,被动定位方法使用振幅和相位的信道状态信息(CSI)。具体来说,Hampel过滤器是用于处理振幅信号和线性变换是用于校准阶段。提取代表从校准信号振幅和相位特性,我们开发了一个深度学习框架,结合卷积神经网络(CNN)和双向封闭的复发性单元(BGRU)来估计一个客观的位置。实验结果表明,该PLAP优于其他基线与真实的评估。

1。介绍

如今,室内定位(1,2)已广泛应用于许多应用程序,像在地震中搜索和营救的人活着3矿业安全),检测,战场上的军事应用、病人监控,入侵检测(4,5],等等6- - - - - -8]。提出了一个基于可穿戴传感器定位技术,展示了良好的室内定位的性能。然而,它不便于目标装备传感器在某些情况下。相比之下,device-free被动定位方法可以检测目标没有附加任何设备。尽管基于摄像头定位显示它的成功在定位精度高,它只能在视距(LOS)环境下很好地工作。与此同时,一些室内定位技术提出了基于不同的设备,像Ultrawide乐队,红外线,等等。然而,Ultrawide乐队需要装备昂贵的设备。红外线传输距离短,和大量的传感器需要部署,导致硬件成本要求高(9]。

我们都知道,WiFi网络(10室内已经无处不在。通过捕捉不同的无线链接目标的影响下,研究人员已经意识到移动目标的无源定位识别。基于wifi室内定位可以处理上述方法的缺点与商业现成的设备。基于wifi本地化背后的基本原理是,将介绍对象的运动反射和折射的无线信号在传输过程中(11]。通过建立之间的非线性映射关系的坐标位置和指纹信号,我们可以预测目标的位置。如今,无线网络接口卡(nic)使CSI的提取方便在实际应用12]。CSI是健壮当面对温度的变化,亮度,噪音,等等。因此,利用CSI意识到行为识别和室内定位已从研究人员获得了更多的关注。

虽然CSI已成功用于各种场合,在大多数情况下只考虑振幅的信号通道频率响应,并注意阶段信息不足。然而,相位测量也涉及反映信号的重要信息。nonline-of-sight(仿真结果)传播,振幅测量将显示更高的随机性,因通常涉及丰富的反射,衍射和折射效果(13]。相反,相位测量改变定期传播距离,更健壮。因此,振幅信号无法完全反映受感染的CSI变化的目标。无线连接的相位信息还包括有用的信息在信道响应。因此,利用相位信息和振幅信息定位可以使信息更丰富、更健壮。然而,直接使用原始的阶段是不可行的信息本地化自原始阶段信息包含许多不同的随机错误和定期传播距离变化。处理这些问题,我们提出PLAP,室内被动定位方法通过考虑振幅和相位信息。具体而言,该PLAP采用校正相位测量的线性变换本地化。此外,为了学习信息特征的振幅和校准测量阶段,我们开发了一个深度学习框架,结合卷积神经网络(CNN)和双向封闭的复发性单元(BGRU)同时考虑空间和时间相关的CSI测量。首先,CNN是用来提取空间相关性的振幅和相位的测量。 Secondly, current LSTM-based models only consider the past measurements for prediction, while the future measurements also include important information for localization. Therefore, we used BGRU to learn representative temporal correlation features in two directions from the sequential amplitude and phase measurements by considering both past and future amplitude and phase information.

总结了本文的主要贡献如下:(1)CSI数据的充分利用,实现健壮的定位,我们使用本地化的相位和振幅信息。除了;振幅,我们使用Hampel过滤器来过滤记录振幅信息删除离群值;而相位信息由一个线性变换,解除和乐队抵消误差线性函数构造获取校准相位信息。(2)CNN-BGRU,我们提出了一个深刻的学习模式,学习两个时空代表性特征振幅和相位信息。提出CNN-BGRU模型由四个模块组成:CSI数据集成和重建模块,学习模块使用CNN空间特性,使用BGRU时序特性学习模块,输出预测模块位置估计基于振幅和相位信息。(3)我们实现PLAP系统桌面和路由器(TP-LINK WDR6500)。我们验证的可行性PLAP通过开展广泛的实验在三种不同的典型的室内环境。通过修改5300网卡的驱动程序,我们获得了最初的振幅和相位信息。

本文的其余部分组织如下:相关研究提供了部分2。部分3设计和建立了定位系统;部分4描述了数据准备;部分5细节提出CNN-BGRU定位模型和部分6描述了实验和分析。最后,在部分7我们工作的总结。

基于wifi室内定位主要分为基于模型和fingerprint-based [14]。基于模型的方法利用几何方法测量距离的几个已知的接入点(APs),虽然fingerprint-based的利用接收信号在室内不同位置定位模式的差异。基于模型的定位方法包括质心测定方法(15)、AOA和TOA (16]。

基于模型的方法相比,基于指纹的方法全面反映信号传播在洛杉矶和仿真结果路径。这些方法考虑的多路径传播的每个位置是独一无二的。因为它很容易用硬件实现,RSS是广泛使用在前面的指纹定位系统。雷达(171日指纹识别系统,采用基于RSS的确定性算法。何露斯(18)达到定位精度比雷达还利用RSS。不幸的是,RSS值随时间变化明显,因为多径衰落和阴影效应。基于RSS的指纹定位误差10 dB,导致低精度(19]。因此,基于rss的指纹定位性能不佳(20.]。

与RSS不同,副载波的CSI可能提供更丰富的信息,有利于室内定位。在过去的几年里,很多研究CSI-based室内定位。金的团队(21)利用近似信道脉冲响应振幅矢量的指纹。PinLoc方案,利用沪深振幅信号进行室内定位实验是可行的在不同的场景22]。周的团队提出了一个使用CSI equipment-independent算法,它使用支持向量机定位问题转化成一个回归任务(23]。这个方法建立了一个非线性映射关系CSI指纹和目标的位置,这可以根据相应的CSI估计目标位置指纹。在[24),基于CSI的混合定位法和RSS是提高了,有更好的定位精度比单独使用CSI或RSS的位置方法。之后,王等人设计了一个autoencoder网络,从无线信号自动学习分化特性,然后将这些功能融合到一个机器学习框架基于softmax函数实现本地化和手势识别25]。

分形插值方案,CSI值优化通过多个天线的重量来提高定位精度(12]。Deep-Fi [26)是一种使用深度学习室内定位方案,它可以利用CSI振幅测量在所有天线的特点。Phase-Fi [27)提出了一种深度学习室内位置校准方法CSI的相位信息。该方法从多个天线和多个副载波提取相位信息从网卡,可以从不同的渠道中提取有用的相位信息。然而,CSI的数据很容易受到环境变化的影响,因此如何实现定位精度高和鲁棒性仍然是一个挑战。

3所示。预赛和拟议的系统架构

在本节中,引入信道状态信息的框架提出PLAP。

3.1。信道状态信息

MIMO-OFDM广泛用于无线通信系统来减轻多路径效应的影响。目前,它是简单的获得细粒度的发射机和接收机的物理层信息通过无线网卡支持IEEE 802.11 n标准。CSI的信号可以提供多载波的振幅和相位信息。

在本文中,我们使用2.4 GHz带WiFi信号。我们建立的信道模型下的OFDM系统模式20兆赫,它可以表示如下: 在哪里 是高斯噪声, 和 表示接收和信号传输矩阵, 代表了病死率。 表示 - - - - - -th副载波的病死率 在哪里 和 crf的振幅和相位 - - - - - -副载波。在该定位系统中,我们提取30副载波OFDM系统中,振幅和相位的测量。然而,最初的相变定期和难以满足室内定位的需求。因此,我们使用校准相结合的指纹预处理振幅形成目标位置。

3.2。系统架构

提出的架构PLAP定位系统提出了图1。如图1目标,没有附加任何设备,该系统仅使用台式电脑作为接收者和TL-WDR6500发射机。整个系统分为两个部分:离线阶段和在线阶段。


图1
PLAP的架构体系。

在离线阶段,振幅和相位信息收集和收音机地图构建。CSI的振幅和相位信息提取和预处理Hample滤波和线性变换,分别。振幅和相位校准后,我们使用它们的融合作为一种新的“指纹”被动的室内定位。接下来,CNN-BGRU模型训练来估计物体的位置和校准基于训练数据集的振幅和相位。然后,我们将在以下部分中每个部分的细节。

4所示。数据收集和卫生处理

假设有 参考位置 在实验环境。收音机地图由CSI的振幅和相位信息和相应的每个训练点的坐标。 。 和 振幅和相位信息测量的点,分别。除此之外, = 0,1,2是每个天线的索引号。振幅和相位的校正进行了如下。

4.1。幅值去噪

CSI振幅反射就请多路径效应和褪色的通道。更好地反映真实的振幅特性,减少的影响在动态环境中固有的噪声和设备,以及加速神经网络的拟合效果,有必要进行CSI采集信号的预处理操作。图2显示所有天线在一个环境振幅的信号。


图2
150年振幅信息数据包三天线。

首先,我们可以看到从图2产生的振幅的衰减不同的路径是不同的。因此,振幅在单个天线不能充分反映的位置特征。因此,本文利用三天线包括90副载波,这将大大增加每个位置点的歧视,导致更高的定位精度。此外,从图可以看出,有离群值振幅测量,因此,原始的振幅测量无法有效估计目标位置信息。因此,它是必要的过滤和消除异常值。

检测和删除离群值,我们预处理振幅与四个最广泛使用的过滤算法,即。Hampel滤波器,巴特沃斯滤波器,离散小波变换(DWT)和低通滤波器。图3显示了1000包的原始振幅信息振幅。数据4- - - - - -7描述使用Hampel过滤器过滤后的振幅数据,巴特沃斯滤波器,DWT,分别和低通滤波器。这些数据所示,预处理振幅数据相对稳定与Hampel过滤算法,证明Hampel滤波算法有更好的影响消除环境噪声影响定位精度。因此,我们选择Hampel作为振幅测量数据的预处理算法。Hampel标识符算法作用于一个滑动窗口,选择一些值 作为局外人, 和 表示日中值和观测值的midabsolute偏差。 表示倍数的标准偏差(28]。所有元素的值的绝对值是用来估计每个样本的标准差的值对。如果一个样本不同于中位数超过三个标准差,样本被替换的值。Hampel过滤器的更多细节可以发现在29日]。在我们的例子中,根据实验分析,观察窗的大小是选为100年 如3所示。


图3
生的振幅信息。

图4
Hampel过滤振幅信息。

图5
DWT过滤振幅信息。

图6
巴特沃斯滤波振幅信息。

图7
低通滤波振幅信息。

我们预处理振幅信息 与Hampel过滤然后产生去噪振幅信息 ,,有效地描述了特征为每个位置指纹数据库,然后更新 。

4.2。卫生处理阶段

尽管CSI相位信息可以很容易地从英特尔5300网卡,获得原始相位信息不能直接用于室内定位。载体和采样频率偏移,有用的信息很容易在相位测量。图8表明个人副载波的收购过程中测量阶段转移。因此,首先我们需要本地化的相位信息有用。为此,我们提出一个有效的线性变换的方法来纠正阶段,减少随机相移。让 代表了一个阶段的测量 - - - - - -子载波。 在哪里 是真正的阶段, 的子载波索引 - - - - - -子载波(从−28日至28 th), 表示时间偏移, 表示相抵消, 表示测量噪声。 在IEEE 802.11 n FFT的大小(30.]。


图8
生CSI阶段在不同的天线。

提出了线性变换可以分为两个时期。第一节显示了线性校正,计算了在这一阶段解除原始阶段。在第二个时期,解除阶段定义的值减去线性误差函数来获取校准阶段。图9情节CSI解除后的相位值的三个天线接收器。可以看出,各种天线信道频率响应有很大的不同,和索引数量的增加,不同的天线都逐渐减少的阶段。计算结果表明,解除可以消除原始阶段的周期性和增强的歧视程度阶段数据。


图9
解除在不同的天线测量阶段。

删除时间偏差 和相位偏差 对相位校正是至关重要的。首先,耙的比率 的偏差 定义如下:

自从副载波频率是对称的IEEE 802.11 n标准,副载波的指数数字之和是0, 。因此,我们可以现在 作为 。获取校准阶段,原始的阶段是线性部分的减项,表示为 (小测量噪声Z被忽略)。阶段的详细处理校准表所示1。图10显示了在不同的天线校准阶段。定位目标的定位特性也有显著区别每个天线。此外,图11显示的是测量(用 )和相位值(用 )对极坐标8日子载波的CSI 150包。生阶段0°、360°之间的散射随机值。由于它的随机性,原始阶段不能直接用于室内定位。校准阶段特定的线性转换每个副载波的相位在同一天线,有效地防止相位跳,使其集中在某些小部门(330°0°)。因此,可以通过一个线性变换,消除相移和校准阶段有助于提高室内定位精度。

表1
相位校准。

图10
在不同的天线校准阶段。

图11
原始的极坐标分布阶段和调整阶段。

通过使用一个线性变换算法,我们可以调整相位信息 并生成校准相位信息 。 可以有效地反映出不同位置的特点,根据仿真结果路径,导致更好的理解复杂的无线传播环境,然后更新指纹数据库 。一个新组成的二维数组 和 作为输入层提出CNN-BGRU定位模型。每个天线90副载波可以聚集的5300卡,所以数据的维度 。 代表的数量参考位置, 代表了收集到的数据包数量。

5。提出CNN-BGRU定位模型

基于CNN-BGRU定位框架的主要思想是提取和学习相关特征的多维特性CSI数据形成一个复合网络模型。它的定位框架如图12。整个是由三部分组成,即空间特性学习模块,时间序列特性学习模块,和输出预测模块。


图12
CNN-BGRU结构。
5.1。空间特性学习模块

自CNN可以显示良好的优势的学习空间的特性,它有重量的优势共享网络结构,减少了网络模型的复杂性和重量的数量。我们采用CNN学习空间特征的特征提取器在每一个时间域的振幅和相位的测量。CNN使用的体系结构如表所示2。CNN的学习空间特性被送入BGRU进一步学习时间特性。

表2
CNN的结构。
5.2。时间特性学习模块

BGRU用于学习CSI的时间相关特性,在不同的时间测量的步骤 , , , 。由于连续的建模能力,长期短期记忆(LSTM)已经成功地应用于CSI-based传感。然而,传统LSTM患有消失与长期依赖的问题。为了解决这个问题,赵et al。31日]发达格勒乌LSTM略有变化。与香草LSTM相比,GPU变化主要有两个:首先,它结合了忘了盖茨和输入到一个“更新门;第二,它合并细胞状态和隐藏状态。由此产生的模型比标准LSTM模型简单。给一个明确的说明,一个细胞的格勒乌图所示13。


图13
插图的封闭的复发。

如图13,盖茨格勒乌由两个。,一个重置门 和一个更新门 。重置门决定如何结合当前输入的状态与历史记忆。更新门负责决定历史记忆的程度应该保持在节点。重置门和更新门计算由以下方程:

隐藏的状态 格勒乌的时间 可以根据以前的隐藏状态 和候选人隐藏状态 如下:

格勒乌网络是简单而有效的,可以视为一个光版本LSTMs的计算成本和复杂性。

然而,传统的格勒乌网络只能在一个方向上有限序列进行处理,这意味着当前隐藏状态生成只有考虑过去的序列数据的信息。将信息在过去和未来,我们雇了一个双向封闭的复发性大学(BGRU)网络生成隐状态在两个方向。不同于格勒乌,BGRU网络包括两个平行层传播在两个方向,即。转发层和一个逆向层,如图所示14。


图14
插图的双向格勒乌。

在BGRU,隐藏状态 的时间步 被定义为连接状态的两个方向: 在哪里 和 表示的输出向量分别向前和向后层 和 分别代表了向前和向后的过程。隐藏的状态 BGRU是串联的 和 。

5.3。位置预测模块

它主要由一个最大池层和一个完全连接层。提取的时空特征送入位置估计目标位置预测模块。MSE损失来训练CNN-BGRU模型。

6。实验和分析

6.1。实验设置

在我们的实验中,一个TP-Link WDR6500 WiFi商用路由器安装发射机和放置在工作台和一个身高1.2米的实验环境。接收器是一个hp - 800 - g4 I7电脑。我们修改电脑的无线驱动与CSI工具并安装Ubuntu 12.04 lts Linux。本文中的商业设备使用20 MHz带宽CSI数据采集频率为2.4 GHz。5300年英特尔网卡配备三8分贝天线。天线是固定在一个金属三脚架高度为1.2米。我们设置采样率为每秒20倍。有2000包收集在每个参考点,每个点之间的距离是0.6米。

我们的实验环境是大学位于一栋建筑,包括三个典型的室内场景,即。两个室内实验室领域(11米 7米,8米 5.6米),和一个走廊区域(8米 2米)。图15情节的平面图实验室培训45分和12的测试点。图16B显示了实验室的布局和24个训练点和7测试点。此外,图17情节的布局走廊27日培训分和7个测试点。


图15
实验室的平面图。

图16
实验室的平面图。

图17
走廊环境的平面图。
6.2。烧蚀研究

评估每个模块的贡献(CNN和格勒乌),我们进行了烧蚀研究三个环境中收集的数据集。具体来说,我们验证的有效性都有以下模型:(我)美国有线电视新闻网(32:在本例中,我们只采用CNN提取特征(2)格勒乌(33:在本例中,我们只使用格勒乌作为特征提取模型

表3- - - - - -5展示了实验结果。从表3- - - - - -5,我们可以根据烧蚀实验得出以下结论:只使用CNN或格勒乌网络预测定位、RMSE高于我们的模型,这表明我们提出的模型可以提取两个时空的代表CSI测量。总的来说,结果表明,该方法可以有效地减少定位误差。

表3
平均误差年代和执行时间(实验室)。
表4
平均误差年代实验室和执行时间(B)。
表5
平均误差年代和执行时间(走廊)。
6.3。定位性能

评估的定位性能提出PLAP系统,均方根误差(RMSE)是用于评估实验结果。 在哪里 代表所有测试点的估计误差, 表示所有的测试点, , 表示预测的位置和 , 表示真正的位置。

我们比较PLAP有六个技术发展水平模型,包括随机森林(RF) (34),极端学习机(ELM) [35),再(资讯)36),和深层神经网络(款)37]。在评估期间,相同的数据集用于不同的算法。表6- - - - - -8现在所有算法的性能在三个不同的实验方案。

表6
平均误差年代和执行时间(实验室)。
表7
平均误差年代实验室和执行时间(B)。
表8
平均误差年代和执行时间(走廊)。

表6礼物的RMSE PLAP 1.55米在实验室,和提出PLAP优于其他方法的定位精度。表7介绍我们的系统实现的平均误差约1米的实验室B,这是优于其它算法。走廊,定位结果如表所示8,PLAP的平均定位误差是1.053米,标准差也最低,达到最佳的性能相比其他算法。请注意,尽管我们的执行时间提出PLAP并不是最好的,而所有的测试样本的计算执行时间,因此,它可以满足实际的应用程序。

图18情节的累积分布函数(CDF)算法在实验室,如图18,我们PLAP达到80%以上定位误差在2.3米,而另一个方案有较大的定位误差。


图18
实验室的CDF实验组的图。

数据19和20.情节与所有的方案在实验室提供B和走廊,分别。在图19下,我们的系统定位误差达到80%以上1.6米,而另一款和射频等方案超过1.9米。同样,图20.还演示了我们提出的优越PLAP与其他基线相比。


图19
实验室的运作图B。

图20
走廊的CDF实验组的图。

数据21- - - - - -23显示,在培训过程中损失的三个环境变化。可以看出,该模型的损失稳定收敛于最小损失值和一个像样的下降率。


图21
图的实验室。

图22
实验室的损失图B。

图23
走廊的损失图。

7所示。结论

我们建议PLAP、室内定位方法利用CNN-BGRU改善CSI-based定位的定位性能。Hampel过滤器是用于处理原始振幅信号和线性变换用于调整阶段。提取信息特征对不同位置、深度网络框架CNN-BGRU设计学习的区别的特性校准振幅和相位信息。实验结果表明,该PLAP比其他基线可以实现更好的定位性能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(批准号51974179和51974179),山东省自然科学基金(批准号。ZR2019MEE118和ZR2019BEE067),和青岛科技计划项目(批准号19-3-2-6-zhc)。