劉參，尚俊娜，李蕊江，岳克強

?

基于遷移學習的室內(nèi)動態(tài)環(huán)境定位算法

劉參，尚俊娜，李蕊江，岳克強

（杭州電子科技大學，浙江 杭州 310018）

傳統(tǒng)室內(nèi)指紋定位系統(tǒng)的精度受指紋庫中參考位置節(jié)點的密度和室內(nèi)環(huán)境特征等多方面因素的制約。室內(nèi)環(huán)境動態(tài)變化時RSS波動較大，通常不滿足同分布的假設(shè)條件，故傳統(tǒng)指紋定位方法難以滿足高精度需求。針對室內(nèi)環(huán)境動態(tài)變化導(dǎo)致傳統(tǒng)算法無法精準定位問題，設(shè)計并實現(xiàn)了一種基于室內(nèi)指紋庫的遷移學習動態(tài)環(huán)境定位算法，該算法采用遷移學習的思想把不同分布的數(shù)據(jù)集嵌入對齊到潛在特征空間中，從而有效緩解了環(huán)境動態(tài)變化對系統(tǒng)造成的不利影響。本文算法實驗數(shù)據(jù)均來自于真實的環(huán)境，通過仿真得到該算法的平均定位誤差是1.23 m。

動態(tài)定位；遷移學習；室內(nèi)環(huán)境特征；廣義延拓插值；RSS指紋庫；低工作量

1 引言

隨著無線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）技術(shù)的發(fā)展，室內(nèi)定位技術(shù)受到越來越多的關(guān)注，人們對室內(nèi)無線定位的需求日益增大，如倉庫、超市、地下停車場、機場大廳、監(jiān)獄等，常常需要知道物品或行人的位置[1-2]?；诮邮招盘枏姸龋╮eceived signal strength，RSS）的定位系統(tǒng)不用增加額外的硬件設(shè)備，同時具有低成本、低功耗等優(yōu)勢，成為國內(nèi)外研究的熱點[3]。基于RSS的定位系統(tǒng)可分為信號傳播模型[4]和無線電指紋[5]兩種，由于室內(nèi)環(huán)境復(fù)雜多變，特別是行人、桌椅等家具移動使得RSS具有較大的波動性[6]，采用濾波的方法可以減緩這種波動性，但是該方法仍難以解決室內(nèi)物體變化后的動態(tài)環(huán)境定位問題。故此，本文采用基于RSS指紋庫的動態(tài)環(huán)境定位方法，避免了信號傳播模型不確定性造成的定位精度下降的問題。

基于指紋庫的定位系統(tǒng)通常分為在線訓練階段和離線定位階段，系統(tǒng)的定位精度取決于訓練階段指紋數(shù)據(jù)庫的質(zhì)量[7]，包括指紋庫中參考節(jié)點的采樣密度和指紋信息的準確性。隨著參考節(jié)點數(shù)目的增加，指紋信息更能反映出實際室內(nèi)環(huán)境中RSS量的變化趨勢，故系統(tǒng)的定位精度更高，但在指紋庫創(chuàng)建時需要消費巨大的人力和財力資源[5]?；谥讣y庫的定位系統(tǒng)，通常假設(shè)訓練數(shù)據(jù)和測試數(shù)據(jù)服從相同的分布[8]，在實際室內(nèi)復(fù)雜環(huán)境中，障礙物的遮擋、信號的干擾以及移動物體的運動等，導(dǎo)致原始RSS指紋庫中的數(shù)據(jù)失效，此時用已失效的指紋數(shù)據(jù)進行實時動態(tài)定位，定位精度普遍較低。故此，低成本、高精度的動態(tài)定位系統(tǒng)受到越來越多學者的關(guān)注。參考文獻[9]提出對路徑衰減因子進行動態(tài)修復(fù)的質(zhì)心定位算法，參考文獻[10]采用基于線性內(nèi)插法的室內(nèi)指紋定位算法，可以減緩室內(nèi)復(fù)雜環(huán)境對定位性能的影響，但是當動態(tài)環(huán)境發(fā)生較大變化后，系統(tǒng)的定位精度較低；參考文獻[11]提出針對動態(tài)環(huán)境的自適應(yīng)定位方法，但是該算法需要在變化后的環(huán)境中采集固定位置處標簽節(jié)點的信息，會帶來額外的成本開支，無法得到普遍應(yīng)用；參考文獻[12]提出了基于隱性馬爾可夫模型的Ma.HMM定位算法，但此方法需要額外的輔助數(shù)據(jù)更新指紋庫且計算復(fù)雜度較高；參考文獻[13]提出利用用戶狀態(tài)的方法動態(tài)更新環(huán)境變化后的指紋庫，但是需要粘貼二維碼標志，整個系統(tǒng)后期維護較困難，無法在大型場所廣泛應(yīng)用。

為了有效緩解室內(nèi)環(huán)境動態(tài)變化對定位系統(tǒng)精度造成的不利影響，并且進一步減小工作量，本文提出了一種基于遷移學習的室內(nèi)動態(tài)環(huán)境定位算法。在該算法中，首先進行室內(nèi)RSS指紋庫的創(chuàng)建，為了節(jié)約成本，本文設(shè)計了一種可以明顯減少工作量同時不損失指紋庫質(zhì)量的廣義延拓插值算法；在進行動態(tài)環(huán)境定位時，利用RSS信息在潛在特征空間的空間關(guān)聯(lián)性[14]，本文設(shè)計了一種遷移學習動態(tài)環(huán)境定位算法，通過在環(huán)境變化以后的空間中隨機采樣，找到潛在的特征空間根據(jù)領(lǐng)域自適應(yīng)算法進行定位，進而消除室內(nèi)環(huán)境變化對系統(tǒng)定位性能的影響。最后通過大量的試驗仿真，證明本文所提的算法相比傳統(tǒng)NN算法[15]和Ma.HMM算法[12]，在定位精度和系統(tǒng)穩(wěn)定性方面都有較大的改善。故此，本文算法可實現(xiàn)低成本、高精度的室內(nèi)動態(tài)環(huán)境定位。

2 相關(guān)工作

傳統(tǒng)基于指紋的機器學習定位算法假設(shè)訓練數(shù)據(jù)和測試數(shù)據(jù)服從相同的分布，此時訓練學習到的RSS映射模型直接應(yīng)用在不同時間段內(nèi)進行位置的估計。然而在實際室內(nèi)復(fù)雜動態(tài)環(huán)境中，障礙物的遮擋、無線電信號的干擾以及移動物體的不可預(yù)測運動等，使得RSS具有明顯的不確定性，因此在多數(shù)情況下并不滿足上述的同分布假設(shè)[16]。當動態(tài)環(huán)境變化時，RSS映射模型也會發(fā)生變化，因此基于指紋的定位系統(tǒng)無法使用預(yù)先訓練得到的模型進行高精度定位。

2.1 室內(nèi)RSS指紋分布特性

經(jīng)典的RSS對數(shù)衰減模型[17]如式（1）所示：

根據(jù)經(jīng)驗可知，在相對距離接近的參考位置處，接收到的RSS信號彼此相似；雖然在不同時間段內(nèi)RSS具有明顯的波動性，但在同一時間范圍內(nèi)，這種波動很小。圖1是在實際室內(nèi)動態(tài)環(huán)境下，同一位置不同時間段內(nèi)的RSS分布直方圖。

圖1 同一位置不同時間段內(nèi)的RSS分布直方圖

從圖1可知，在固定位置處，不同時間段內(nèi)的RSS分布是不同的，因此基于指紋的室內(nèi)定位方法采用訓練學習得到的RSS映射模型進行不同分布情況下的位置估計，會得到較大的定位誤差，無法實現(xiàn)動態(tài)環(huán)境室內(nèi)高精度定位功能[18-19]。此時需要采用遷移學習的思想，把前一時間段內(nèi)訓練得到的RSS映射模型根據(jù)流形對齊理論遷移學習到不同數(shù)據(jù)分布的時間段內(nèi)，以此來實現(xiàn)自適應(yīng)動態(tài)定位功能[20]。

2.2 遷移學習動態(tài)定位實例

3 遷移學習動態(tài)定位算法

圖3是本文所提出算法示意圖，為了實現(xiàn)上述遷移定位功能，需要以下幾個步驟。

步驟1 數(shù)據(jù)采集——廣義延拓插值算法

圖3 遷移學習動態(tài)定位算法示意圖

廣義延拓插值算法的數(shù)學模型如式（2）所示：

本文采用二維正弦函數(shù)作為測試樣本，驗證廣義延拓插值算法的精度，二維正弦函數(shù)為：

從表1中可以看出，本文算法的插值精度明顯優(yōu)于雙線性插值算法，本文算法可以通過稀疏采樣點還原出與真實函數(shù)變化趨勢一致的高精度擬合曲面。故此，廣義延拓插值算法可以在原始低工作量、低采樣密度指紋庫的基礎(chǔ)上創(chuàng)建出高質(zhì)量插值指紋庫。

步驟2 創(chuàng)建關(guān)聯(lián)矩陣

步驟3 創(chuàng)建流形權(quán)重矩陣

步驟4 遷移學習定位模型及求解

步驟5 完成定位

潛在空間維度的確定通常有兩種方法，即含有位置約束和不含位置約束[22]。含有位置約束的定位模型是把測試數(shù)據(jù)集的位置信息作為約束條件，并將不同類之間的數(shù)據(jù)對齊到二維潛在空間中；不含位置約束是測試數(shù)據(jù)集的位置信息僅僅參與位置標簽標定過程而不參與嵌入對齊過程，此時空間維數(shù)采用式（9）的方法進行確定[28]。

4 遷移學習動態(tài)定位性能仿真與測試

4.1 廣義延拓插值指紋庫測試及性能仿真

為得到實際環(huán)境中的RSS距離衰減模型，本文在如圖5（a）的車庫環(huán)境中進行實際測試，采用3對CC2530芯片的ZigBee開發(fā)板在同一場景中每隔0.2 m進行RSS數(shù)據(jù)采集。

圖5 測試車庫環(huán)境

本文算法實驗數(shù)據(jù)均來自于真實的環(huán)境，通過數(shù)據(jù)擬合得到3對錨節(jié)點的RSS距離衰減曲線，如式（10）所示，在同一個靜態(tài)室內(nèi)環(huán)境中，3條衰減曲線相差并不是很大，因此可認為該車庫環(huán)境中，RSS距離衰減模型為式（11）：

4.2 模型參數(shù)對定位性能的影響

圖6 室內(nèi)錨節(jié)點分布及廣義延拓插值算法性能仿真

4.2.1 室內(nèi)錨節(jié)點AP個數(shù)對定位性能的影響

圖7是平均定位誤差RMSE隨室內(nèi)錨節(jié)點AP個數(shù)的變化情況曲線，隨著AP數(shù)量的增加，遷移學習動態(tài)定位算法與近鄰、加權(quán)近鄰定位算法的平均定位誤差逐漸變小。但是定位誤差并不是隨著AP數(shù)量增加單調(diào)減小的，因為待定位節(jié)點可能會選取距離較遠的AP，此時錨節(jié)點距離較遠，信號較弱，RSS數(shù)值較小，受環(huán)境影響嚴重，不利于定位。

4.2.2 潛在空間的保留信息閾值對定位性能的影響

圖7 錨節(jié)點AP個數(shù)對定位性能的影響

4.2.3 定位時近鄰的近鄰個數(shù)對定位性能的影響

參數(shù)是遷移學習動態(tài)定位算法完成定位時近鄰算法所使用的近鄰數(shù)，當AP=8時，平均定位誤差與之間的關(guān)系如圖9所示。隨著近鄰個數(shù)值變大，參與定位的參考節(jié)點近鄰個數(shù)變多，系統(tǒng)的平均定位誤差變小。但經(jīng)過大量仿真發(fā)現(xiàn)，值并非越大越好，如果值很大，會把距離待定位目標節(jié)點較遠的指紋點納入近鄰數(shù)中，在求解位置坐標時這些距離較遠的指紋往往是無效的信息，故此會影響系統(tǒng)整體的定位精度。從圖9中可以看出取6時平均定位誤差最小，可作為最佳的NN近鄰個數(shù)。

圖8 潛在空間的保留信息閾值對定位性能的影響

4.3 遷移學習定位性能仿真

表2 不同算法定位精度的概率分布值

從圖11和表2可以看出，遷移學習定位算法在0.5 m、1 m和1.5 m內(nèi)的定位精度置信概率分別為9.5%、29.1%和57.6%，分別高出傳統(tǒng)NN算法9.5%、16.8%和33.8%，高出Ma.HMM算法0.5%、8.8%和15.2%，并且遷移學習算法的平均定位精度是1.23 m，傳統(tǒng)NN算法[15]的平均定位精度為3.28 m，Ma.HMM算法[12]的平均定位精度為1.74 m，遷移學習定位算法的定位誤差有57.6%的概率在1.5 m以內(nèi)，而傳統(tǒng)機器學習算法的定位誤差高達5 m。這說明當室內(nèi)環(huán)境特征發(fā)生較大改變的時候，本文所提出的遷移學習動態(tài)定位算法和基于隱性馬爾可夫模型的Ma.HMM定位算法[12]的性能更加優(yōu)越，且比傳統(tǒng)NN算法更有利于實現(xiàn)小誤差高精度定位（平均定位誤差在1.2 m左右）。故此本算法無論在定位精度、定位誤差范圍還是小誤差定位的置信概率方面，相比傳統(tǒng)機器學習定位算法都具有明顯的優(yōu)勢。

通過上述實驗可知，室內(nèi)環(huán)境特征發(fā)生明顯改變時，傳統(tǒng)機器學習指紋定位算法已經(jīng)無法進行室內(nèi)定位，Ma.HMM算法雖然能夠進行遷移定位但是定位誤差較大，而本文所提出的遷移學習動態(tài)定位算法具有較小的定位誤差范圍和較高的定位精準度。

5 結(jié)束語

為了消除室內(nèi)環(huán)境動態(tài)變化對系統(tǒng)定位性能造成的不利影響，本文設(shè)計了一種遷移學習動態(tài)定位算法，通過在環(huán)境變化以后的空間中隨機采樣，找到潛在的特征空間進行位置的標定功能，從而避免了原始指紋庫失效造成的定位精度降低的問題。此外，本文提出的定位算法還需要進一步改善，特別是動態(tài)定位問題，可以采用流形對齊、深度學習等人工智能算法，充分利用定位節(jié)點之間的空間關(guān)聯(lián)性，進一步提升定位系統(tǒng)的定位精度，同時系統(tǒng)應(yīng)該具有判斷異常數(shù)據(jù)的能力，以保障系統(tǒng)的定位質(zhì)量和人性化體驗?；诖?，上述定位技術(shù)目前也處于研究階段。

[1] LUO C, CHENG L, CHAN M C, et al. Pallas: self- bootstrapping fine-grained passive indoor localization using WiFi monitors[J]. IEEE Transactions on Mobile Computing, 2017, PP(99): 1.

[2] 朱亞萍, 夏瑋瑋, 章躍躍, 等. 基于RSSI和慣性導(dǎo)航的融合室內(nèi)定位算法[J]. 電信科學, 2017, 33(10): 99-106.

ZHU Y P, XIA W W, ZHANG Y Y, et al. A hybrid indoor localization algorithm based on RSSI and inertial navigation[J]. Telecommunications Science, 2017, 33(10): 99-106.

[3] 徐小良, 高健, 黃河, 等. 基于RSS空間線性相關(guān)的WLAN位置指紋定位算法[J]. 電信科學, 2017, 33(3): 14-21.

XU X, GAO J, HUANG H, et al. Fingerprint localization algorithm based on linear spatial dependence of WLAN RSS[J]. Telecommunications Science, 2017, 33(3): 14-21.

[4] 尚俊娜, 程濤, 盛林, 等. 廣義延拓插值模型在RSSI測距方法中的應(yīng)用[J]. 傳感技術(shù)學報, 2016, 29(11).

SHANG J N, CHENG T, SHENG L, et al. Application of generalized extended interpolation method in distance measurement based on RSSI[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[5] HASSAN-ALI M, PAHLAVAN K. A new statistical model for site-specific indoor radio propagation prediction based on geometric optics and geometric probability[J]. IEEE Transactions on Wireless Communications, 2002, 1(1): 112-124.

[6] KING T, KOPF S, HAENSELMANN T, et al. COMPASS: a probabilistic indoor localization system based on 802.11 and digital compasses[C]//ACM Workshop on Wireless Network Testbeds, Experimental Evaluation and Characterization, September 29, 2006, Los Angeles, CA, USA. New York: ACM Press, 2006: 34-40.

[7] YOUSSEF M A, AGRAWALA A, SHANKAR A U. WLAN location determination via clustering and probability distributions[C]//IEEE International Conference on Pervasive Computing and Communications, March 23-26, 2003, Fort Worth, TX, USA. Piscataway: IEEE Press, 2003: 143-150.

[8] 張偉, 花向紅, 邱衛(wèi)寧, 等. Wi-Fi指紋定位的一種新組合算法[J]. 測繪工程, 2017, 26(3): 14-18.

ZHANG W, HUA X H, QIU W N, et al. A new combinatorial optimization algorithm for WiFi positioning[J]. Engineering of Surveying and Mapping, 2017, 26(3): 14-18.

[9] 張宏剛, 黃華. 基于RSSI路徑損耗因子動態(tài)修正的三邊質(zhì)心定位算法[J]. 傳感技術(shù)學報, 2016, 29(11).

ZHANG H G, HUANG H. Dynamic correction algorithm for trilateral centroid localization based on RSSI path loss factor[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[10] 張夢丹, 盧光躍, 王宏剛, 等. 基于線性內(nèi)插法改進的室內(nèi)定位算法[J]. 電信科學, 2017, 33(1): 9-15.

ZHANG M D, LU G Y, WANG H G, et al. An improved indoor location algorithm based on linear interpolation[J]. Telecommunications Science, 2017, 33(1): 9-15.

[11] SOROUR S, LOSTANLEN Y, VALAEE S, et al. Joint indoor localization and radio map construction with limited deployment load[J]. IEEE Transactions on Mobile Computing, 2015, 14(5): 1031-1043.

[12] CAI X, CHEN L, CHEN G. Constructing adaptive indoor radio maps for dynamic wireless environments[R]. 2013.

[13] 陳斌濤, 劉任任, 陳益強, 等. 動態(tài)環(huán)境中的WiFi指紋自適應(yīng)室內(nèi)定位方法[J]. 傳感技術(shù)學報, 2015(5): 729-738.

CHEN B T, LIU R R, CHEN Y Q, et al. WiFi fingerprint based self-adaptive indoor localization in the dynamic environment[J]. Chinese Journal of Sensors and Actuators, 2015(5): 729-738.

[14] YIN J, YANG Q, NI L M. Learning adaptive temporal radio maps for signal-strength-based location estimation[J]. IEEE Transactions on Mobile Computing, 2008, 7(7): 869-883.

[15] 孔港港, 楊力, 孫聃石, 等. 一種基于位置指紋定位的-均值聚類算法的改進[J]. 全球定位系統(tǒng), 2016, 41(5): 89-92.

KONG G G, YANG L, SUN D S, et al. Research on an algorithm of fingerprint location based on-means and WNN[J]. GNSS World of China, 2016, 41(5): 89-92.

[16] 戴文淵. 基于實例和特征的遷移學習算法研究[D]. 上海: 上海交通大學, 2008.

DAI W Y. Instance-based and feature-based transfer learning[D]. Shanghai: Shanghai Jiao Tong University, 2008.

[17] ALI S, NOBLES P. A novel indoor location sensing mechanism for IEEE 802.11 b/g wireless LAN[C]//The Workshop on Localization, March 22, 2007, Hannover, Germany. Piscataway: IEEE Press, 2007: 9-15.

[18] SUN Z, CHEN Y, QI J, et al. Adaptive localization through transfer learning in indoor Wi-Fi environment[C]//Seventh International Conference on Machine Learning and Applications. IEEE Computer Society, Dec 13-18, 2008, San Diego, CA, USA. Piscataway: IEEE Press, 2008: 331-336.

[19] ZHENG V W, XIANG E W, YANG Q, et al. Transferring localization models over time[C]// AAAI Conference on Artificial Intelligence, AAAI 2008, July 13-17, 2008, Chicago, Illinois, USA. New York: ACM Press, 2008: 1421-1426.

[20] DAI W, CHEN Y, XUE G R, et al. Translated learning: transfer learning across different feature spaces[C]//Conference on Neural Information Processing Systems, December 8-10, 2008, Vancouver, British Columbia, Canada. New York: ACM Press, 2008: 353-360.

[21] PAN S J, SHEN D, YANG Q, et al. Transferring localization models across space[C]// National Conference on Artificial Intelligence, July 13-17, 2008, Chicago, Illinois. New York: ACM Press, 2008: 1383-1388.

[22] WANG H Y, ZHENG V W, ZHAO J, et al. Indoor localization in multi-floor environments with reduced effort[C]//IEEE International Conference on Pervasive Computing and Communications, March 29-April 2, 2010, Mannheim, Germany. Piscataway: IEEE Press, 2010: 244-252.

[23] 施滸立, 顏毅華, 徐國華. 工程科學中的廣義延拓逼近法(精)[M]. 北京: 科學出版社, 2005.

SHI H L, YAN Y H, XU G H. Generalized continuation approximation method in engineering science(fine)[M]. Beijing: Science Press, 2005.

[24] 張志富, 裴軍, 胡超, 等. 車載動中通信標跟蹤的廣義延拓逼近算法[J]. 西安電子科技大學學報(自然科學版), 2017, 44(4): 112-117.

ZHANG Z F, PEI J, HU C, et al. Generalized extended approximation algorithm for vehicle satellite communication on the move[J]. Journal of Xidian University(Natural Science), 2017, 44(4): 112-117.

[25] ZHOU C F, MA L, TAN X Z. Joint semi-supervised RSS dimensionality reduction and fingerprint based algorithm for indoor localization[R]. 2014.

[26] BELKIN M, NIYOGI P, SINDHWANI V. Manifold regularization: a geometric framework for learning from labeled and unlabeled examples[J]. Journal of Machine Learning Research, 2006, 7(1): 2399-2434.

[27] BELKIN M, NIYOGI P. Laplacian Eigenmaps for dimensionality reduction and data representation[M]. Cambridge: MIT Press, 2003.

[28] FANG S H, LIN T. Principal component localization in indoor WLAN environments[J]. IEEE Transactions on Mobile Computing, 2011, 11(1): 100-110.

Indoor dynamic environment localization algorithm based on transfer learning

LIU Can, SHANG Junna, LI Ruijiang, YUE Keqiang

Hangzhou Dianzi University, Hangzhou 310018, China

The accuracy of the traditional indoor fingerprint localization system is limited by many factors, such as the density of the reference location node in the fingerprint database and the characteristics of the indoor environment. When the indoor environment changes dynamically, the RSS fluctuates, and usually does not meet the assumption of the same distribution. Therefore, it was difficult to obtain high-precision requirements for conventional fingerprint positioning method. Aiming at the problem that the traditional algorithm couldn’t locate accurately, an algorithm based on the indoor fingerprint database was designed and implemented. The algorithm adopted the idea of migration learning to embed different data sets into the latent feature space, and the adverse effects of environmental changes on the system were mitigated. The simulation results show that the average positioning error of this algorithm is 1.23 m.

dynamic localization, transfer learning, indoor environmental characteristic, generalized extended interpolation,

signal strength fingerprint, reduced calibration effort

TP393

A

10.11959/j.issn.1000?0801.2018170

劉參（1990?），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為無線傳感器網(wǎng)絡(luò)、無線定位等。

尚俊娜（1979?），女，博士，杭州電子科技大學通信工程學院副教授，主要研究方向為通信信號處理、智能算法。

李蕊江（1993?），男，杭州電子科技大學通信工程學院碩士生，主要研究方向為信號處理、無線定位等。

岳克強（1984?），男，博士，杭州電子科技大學電子信息學院講師，主要研究方向為進化計算、通信信號處理。

2018?01?09；

2018?05?04

尚俊娜，shangjn@hdu.edu.cn

國家自然科學基金資助項目（No.11603041）

The National Natural Science Foundation of China (No.11603041)