武悅

摘 要：隨著室內(nèi)環(huán)境中定位需求的快速增長，基于WiFi的室內(nèi)定位以其較高的精度、較低的成本而引起了廣泛的關(guān)注。近年來，信道狀態(tài)信息（CSI）能夠被更多的無線商用設(shè)備獲取，它能更細(xì)粒度地展現(xiàn)信號的特征，擁有更好的穩(wěn)定性。文章記錄了使用CSI進(jìn)行室內(nèi)定位的探索實(shí)驗(yàn)以及最終定位結(jié)果。

關(guān)鍵詞：信道狀態(tài)信息；深層神經(jīng)網(wǎng)絡(luò)；室內(nèi)定位；主動定位

1 研究背景

與室外定位不同，在進(jìn)行室內(nèi)定位的研究時(shí)，由于環(huán)境復(fù)雜多變，有許多無法忽略的障礙物使得很多方法無法在室內(nèi)實(shí)現(xiàn)，比如依賴視距傳輸路徑的GPS[1]無法穿透墻壁。這就需要我們想出其他的方法進(jìn)行定位。

近年來，智能手機(jī)等移動設(shè)備日漸普及，無線網(wǎng)絡(luò)幾乎覆蓋了人們的日常生活。因此，WiFi室內(nèi)定位是更貼近人們?nèi)粘Ｉ畹囊环N定位方式，應(yīng)用場景也更加廣泛。室內(nèi)定位可以使用的方法有很多種，為了解決室內(nèi)定位的性能問題，這個(gè)新的物理特征需要滿足以下3點(diǎn)要求[1]。

（1）不被窄頻帶信號所干擾。

（2）對環(huán)境中的干擾要足夠敏感，同時(shí)，在靜態(tài)環(huán)境中要相對穩(wěn)定。

（3）能夠區(qū)分多條路徑的信號。

而正交頻分復(fù)用技術(shù)（Orthogonal Frequency Division Multiplexing，OFDM）[2]為尋找滿足上述3點(diǎn)要求的新特性提供了機(jī)遇。信道狀態(tài)信息（Channel State Information，CSI），指的就是通信鏈路的信道屬性。WiFi設(shè)備必須要支持802.11n的協(xié)議才能支持CSI信息的獲取，并且該協(xié)議基于OFDM技術(shù)。因此，在室內(nèi)定位的信號方法選擇上，CSI是不二之選。

2 設(shè)計(jì)方案與實(shí)施

2.1 確認(rèn)并劃分實(shí)驗(yàn)區(qū)域

如圖1所示，實(shí)驗(yàn)區(qū)域中設(shè)置72個(gè)數(shù)據(jù)采集點(diǎn)，其中有60個(gè)訓(xùn)練點(diǎn)，12個(gè)測試點(diǎn)。

2.2 數(shù)據(jù)采集

數(shù)據(jù)采集實(shí)驗(yàn)中需要兩臺電腦，使用帶有網(wǎng)卡的電腦（深色）處于固定位置在Linux系統(tǒng)環(huán)境下連續(xù)發(fā)送數(shù)據(jù)，另外一臺（淺色）在實(shí)驗(yàn)區(qū)域內(nèi)標(biāo)號的位置點(diǎn)依次接收數(shù)據(jù)（見圖1），每個(gè)位置點(diǎn)采集1 min，得到的數(shù)據(jù)即為該點(diǎn)的原始位置信息。

2.3 數(shù)據(jù)處理

（1）首先將原始數(shù)據(jù)中的CSI數(shù)據(jù)提取出來，刪去冗余數(shù)據(jù)。（2）使用Matlab編碼從原始數(shù)據(jù)中提取需要的CSI數(shù)據(jù)后，繪圖觀察數(shù)據(jù)正確性與平整程度。（3）為了避開采集數(shù)據(jù)開始時(shí)的抖動，還需將開始和結(jié)束的數(shù)據(jù)刪去，留下中間不受干擾的數(shù)據(jù)。（4）將刪減過的數(shù)據(jù)寫入csv文件中，為隨后的訓(xùn)練過程做準(zhǔn)備。

2.4 訓(xùn)練過程

使用若干訓(xùn)練點(diǎn)的數(shù)據(jù)，基于Python搭建神經(jīng)網(wǎng)絡(luò)，建立深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）模型。

2.5 測試過程

選取若干測試點(diǎn)的數(shù)據(jù)來對DNN模型進(jìn)行測試，檢測模型的效果，得到定位的精度。

3 復(fù)雜工程問題的處理

3.1 精度問題

DNN模型剛剛建立的時(shí)候，因?yàn)閰?shù)等問題導(dǎo)致了精度不高，訓(xùn)練誤差精度在100 cm以上，測試誤差在此基礎(chǔ)上擴(kuò)大為195 cm。

為了解決精度問題，首先我們需要明確影響精度的幾個(gè)因素。

3.1.1 訓(xùn)練次數(shù)

在DNN模型中，訓(xùn)練次數(shù)（training_epochs）是很重要的一個(gè)參數(shù)，它直接關(guān)系到模型是否符合真實(shí)數(shù)據(jù)情況。訓(xùn)練次數(shù)過少將無法精準(zhǔn)地使用模型學(xué)習(xí)數(shù)據(jù)的特性，直接影響精度；訓(xùn)練次數(shù)過多會使模型建立的過程花費(fèi)過多時(shí)間，嚴(yán)重影響測試模型好壞的效率。

3.1.2 學(xué)習(xí)率

學(xué)習(xí)率（lr）是一個(gè)重要的超參數(shù)，它控制著基于損失梯度調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值的速度，即參數(shù)到達(dá)最優(yōu)值過程的速度快慢。

3.1.3 神經(jīng)網(wǎng)絡(luò)層數(shù)

神經(jīng)網(wǎng)絡(luò)層數(shù)不夠會導(dǎo)致誤差過大，模型不能很好地表述數(shù)據(jù)特征，但是單純增加層數(shù)可能會出現(xiàn)過擬合。

3.1.4 訓(xùn)練樣本數(shù)

訓(xùn)練樣本數(shù)同樣很重要，當(dāng)樣本容量不夠時(shí)，模型并不會完善地表示真實(shí)情境，測試的時(shí)候自然精度會不高。但一味地增加樣本容量會帶來不必要的工作量和時(shí)間上的浪費(fèi)。

3.2 訓(xùn)練的時(shí)候出現(xiàn)的異常值的問題

模型的建立分為訓(xùn)練和測試兩部分。在訓(xùn)練過程中，結(jié)果中的誤差（loss）和樣本標(biāo)準(zhǔn)差（std_dev）都為無窮（nan），初步分析原因可能是過擬合，或者存在數(shù)據(jù)的跳變增加使得數(shù)值變?yōu)闊o窮。

無窮異常值如下：

step： 5550 loss： nan

std_dev： nan

----------------

step： 5600 loss： nan

std_dev： nan

----------------

step： 5650 loss： nan

std_dev： nan

經(jīng)過分析，出現(xiàn)無窮異常值的原因可能是在DNN算法中，坐標(biāo)為零的點(diǎn)引起了有一些數(shù)學(xué)運(yùn)算的錯(cuò)誤，所以接下來的解決方案就是重新調(diào)整訓(xùn)練點(diǎn)和測試點(diǎn)的坐標(biāo)，避開坐標(biāo)為零的情況。經(jīng)過重新調(diào)試后，無窮值nan沒有再次出現(xiàn)。問題得到了徹底解決。

4 實(shí)驗(yàn)結(jié)果

位置數(shù)據(jù)經(jīng)過訓(xùn)練后的誤差值為16 cm（見圖2），測試后的最終誤差為164 cm（見圖3）。

5 結(jié)語

本文基于DNN模型算法設(shè)計(jì)了一個(gè)室內(nèi)定位的實(shí)驗(yàn)。同時(shí)對室內(nèi)定位過程中遇到的復(fù)雜工程問題進(jìn)行了探索并給出了對應(yīng)的解決方案。目前的室內(nèi)定位精度為164 cm。

[參考文獻(xiàn)]

[1]MARAL G，BOUSQUET M.Satellite communications systems： systems， techniques and technology[M].New York：John Wiley & Sons，2011.

[2]THRUN S，F(xiàn)OX D，BURGARD W，et al.Robust Monte Carlo localization for mobile robots[J].Artificial Intelligence，2001（2）：99-141.

Abstract：With the rapid growth of positioning requirements in indoor environments， indoor positioning based on WiFi has attracted wide attention due to its high precision and low cost. In recent years， channel state information（CSI）can be acquired by more wireless commercial devices， which can display signal characteristics in a finer granularity and have better stability. This paper documents the exploration experiments and final positioning results of indoor positioning using CSI.

Key words：channel state information； deep neural network； indoor location； active positioning