[发明专利]基于注意力机制的无线室内定位方法及系统

说明书

本发明公开了一种基于注意力机制的无线室内定位方法及系统，定位精度高。该方法包括以下步骤：在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；对所有参考节点的概率序列进行加权处理，得到最终的定位位置。

技术领域

本公开涉及室内定位领域，具体涉及一种基于注意力机制的无线室内定位方法及系统。

背景技术

定位技术在室内导航、智慧医疗、移动社交等领域发挥着十分重要的作用。随着移动互联网的高速发展，室内定位技术对全球行业市场而言具有很大的前景。目前的室内定位方法主要分为2种：基于信号强度的测距定位方法；基于特征匹配的指纹定位方法。基于指纹数据库的定位方法利用无线信号的多径传播来构建RSSI(Received Signal StrengthIndicator)指纹地图，能够更好地适应室内环境，而且硬件成本相对较低，因而得到广泛的关注与研究。

常用的无线信号有WiFi，蓝牙，RFID等，近年来，BLE室内定位技术因为覆盖范围广、低功耗、传输快等优点而引起了研究者的广泛关注，特别是在iBeacon被推出后，低功耗蓝牙定位技术得到了快速发展。一般的智能手机都配备了蓝牙数据接收模块，因此在室内环境中只需额外的増加一些低成本的iBeacon信标就可以在智能手机上实现米级的室内行人定位。

指纹定位方法分为两个阶段：离线训练阶段和在线定位阶段。离线阶段，布置基站，利用智能手机采集预设定的接入点(Access Point,AP)与各参考节点(ReferencePoint,RP)之间的RSSI值，并将其处理成一维向量，建立实验场景的特征指纹数据库。在线阶段将待测点的RSSI指纹与指纹库进行对比匹配来估计待测点的坐标。指纹算法定位的准确性主要受RSSI值的影响，而RSSI值的波动性往往很大，如何从原始的RSSI指纹中挑选可靠的特征，发现好的映射函数成为了研究的热点。

深度学习网络具有良好的模型泛化学习能力，能从复杂的输入信号中提取有效的特征，学习和构建高精度、强鲁棒性的数学模型，基于此，利用深度学习神经网络能够从复杂的RSSI指纹中提取其高代表性特征表示，成为了提高指纹定位算法精度的有效手段。Liu等人提出利用DNN网络来提取无线指纹信号的特征表示，再利用HMM精确定位。Jang等人将一维的无线信号Reshape为二维信号，再利用CNN网络去提取特征。然而，发明人在研发过程中发现，这些方法都存在定位精度不高的问题。

发明内容

为了克服上述现有技术的不足，本公开提供了一种基于注意力机制的无线室内定位方法及系统，定位精度高。

本公开所采用的技术方案是：

一种基于注意力机制的无线室内定位方法，该方法包括以下步骤：

在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；

连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；

利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；

对所有参考节点的概率序列进行加权处理，得到最终的定位位置。

一种室内定位系统，该系统包括：

数据采集单元，用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，并输出值室内定位单元；