摘要
隨著基於使用者位置資訊的相關技術的應用和發展，位置服務（LBS）已經成為人們日常工作、生活所必須的一項基本服務需求，尤其在大型複雜的室內環境中，如博物館、機場、超市、醫院、地下礦井等區域，人們對位置服務有迫切需求。傳統的定位方法如全球定位系統（GPS）只能解決在室外空間中進行準確定位的問題，然而，在占人類日常生活時間80%的室內環境中，由於建築物遮擋和多徑效應的影響，室外定位系統則顯得無能無力[2]。
因此，在複雜通道條件下，如何能夠準確、可靠地提供室內的位置服務顯得尤為重要和迫切。面向需求越來越迫切的室內位置服務，基於人工智慧的三維感測網室內空間定位技術發展迅速，是移動互聯時代的研究熱點[1]，逐步在各行各業發揮作用，給人們的日常生活帶來了一定的影響。本文對基於人工智慧的定位技術的研究背景和研究現狀進行了分析與總結，首先詳細介紹了目前基於人工智慧的三維感測網室內空間定位技術的技術原理與關鍵技術，然後提出了我們對於基於人工智慧的室內定位的創造性解決方案，最後總結三維感測網室內空間定位技術的現狀和發展前景。
關鍵詞：位置服務，無線感測網，室內定位，3D定位，人工智慧
第一章 三維感測網空間定位技術定義與技術原理
在移動網際網路迅速發展和位置服務應用需求的推動下，當前室內定位技術處於較快的發展階段，研究者們提出了眾多室內定位技術的理論與方法。定位技術可以分為室外定位技術和室內定位技術兩種，在室外環境下，全球定位系統（GPS）、北斗定位系統（BDS）等全球導航衛星系統（GNSS）為使用者提供米級的位置服務，基本解決了在室外空間中進行準確定位的問題，並在日常生活中得到了廣泛的應用。利用室外無限定位系統，人們可以實現大範圍的定位，比如船舶遠洋、飛機引航以及汽車導航等。然而，在占人類日常生活時間80%的室內環境中，由於建築物遮擋和多徑效應的影響，室外定位系統則顯得無能無力[2]。因為訊號穿透眾多的建築物衰減嚴重，加之室內環境複雜，訊號在室內傳播時受障礙物的影響，會引起多徑效應、陰影遮擋及噪聲干擾等，
1.1 典型的三維感測空間無線定位場景圖
這些都將導致定位精度大大降低，甚至出現大片定位盲區。因此室內環境下的小範圍、高精度定位需要藉助於室內無線定位技術，圖 1.1 給出了典型的室內無線定位場景圖。與此同時，傳統的定位技術多是基於二維空間的定位，只能給出經度和緯度資訊，而對於精確的高度資訊，則很難提供。
因此，三維感測網室內空間定位技術成為專家學者的研究重點。三維感測網室內空間定位技術指的是在三維空間內，通過藍芽、紅外線、RFID、WIFI、超寬頻、超聲波等室內定位技術及應用系統，基於到達時間（TOA）、基於到達時間差（TDOA）、基於訊號到達角度（AOA）、基於訊號相位差以及基於接收訊號強度（RSSI）等資訊，給出精確的位置資訊或者判斷是否位於某一房間、倉庫等區域的定位技術。
第二章 基於人工智慧的三維感測網空間定位關鍵技術
基於訊號傳輸損耗模型的定位方法：
傳統的室內定位方法是主要基於訊號的傳輸損耗模型的方法，利用訊號傳輸損耗理論模型的方法，首先知道傳送節點的發射訊號強度值，由接收端測得接收訊號強度值計算出訊號的路徑損耗，再利用典型的理論模型公式得到距離估計值，最後計算出未知節點的位置資訊。
傳播模型的理論公式為：
（2.1）
其中，為接受功率；為傳送功率；為發射天線增益；為接收天線增益；λ為發射訊號的波長。這個公式只是在自由空間的理想化模型。在實際情況下並不能直接套用，不然會造成距離d的估計值有較大的偏差。在實際環境下普遍採用的經典理論模型Shadowing模型為：
(2.2)
公式中，d是接收端與發射端之間的距離(單位為m)； 為參考距離(m); 一般設為1m； 為參考距離處的功率(dBm)； 為接收端的接收訊號功率(dBm)；X為均值為0的高斯分佈(單位: dBm)，指的是當距離為定值時，接收訊號功率的波動性; n為衰減因子。通常採用的簡化型為:
(2.3)
基於人工智慧的室內定位方法[4]：
由於室內環境受到反射、折射、散射等多徑效應的影響，基於訊號傳輸損耗模型的室內定位往往定位效能很差。採用RSSI指紋庫的定位方法會有更好的定位效能基於指紋匹配的方法：又稱場景分析法，是基於匹配思想的一種定位方法，在特定場景下實時接收到的場景資訊與指紋資料庫中的資訊進行匹配，得岀最優估算。室內定位主要影響因素有：室內多徑影響、人體對接收訊號強度的影響及同頻干擾影響，而室內定位主要考慮的因素就是室內多徑現象。但如果室內環境格局基本保持不變，信源不作變化，在特定位置上形成的無線訊號特徵（訊號數目、強度、相位等）就會呈現較高的特殊性。將這一特徵同位置的座標進行關聯，訊號特徵就可以表徵該點的位置，這也就是基於位置指紋技術成立的必要條件。文獻[5]對基於指紋的定位在提高定位精度的優勢做了全面分析。
具體實施分兩步：離線訓練價段（Offline Stage），在目標區域中的待測點採集訓練序列，建立數學模型庫即將位置資訊與訊號強度關聯；線上定位匹配階段（Online Stage），將移動節點的不同參考節點的訊號強度與之前的數學模型庫進行數學相關計算，通過相關性確定移動節點的位置。理論上，與建庫時採集待測點的點數越多，定位的精度越高，但這也會造成前期工作量和計算複雜度的增大。
隨著人工智慧的發展，越來越多的技術被應用在線上定位匹配階段，包括：KNN、貝葉斯方法、支援向量機（SVM）、聚類方法、神經網路在內的多個方法，均為三維感測空間的定位提供了大量的提升策略和想象空間。
Ｋ近鄰演算法（KNN）
Ｋ近鄰演算法，是在最近鄰演算法基礎上的改進，即須取得距離最小對應的不是一個資料庫向量，而是一個距離最小值開始選取k(k>=2)個最接近的資料庫向量集合，最後計算它們的平均座標作為移動節點的位置資訊輸出。
Ｋ加權近鄰演算法
在上一演算法的基礎上，通過對資料庫中向量乘以加權係數，使其作為位置資訊輸出。
貝葉斯網路演算法
貝葉斯定位演算法是一種概率定位演算法，基於概率的定位演算法是在現在裡現階段使用條件概率對指紋進行訓練建立概率指紋資料庫，定位階段使用貝葉斯的相關技術進行位置估計的一種定位演算法。
BP 神經網路法
BP 神經網路是目前應用最廣泛的神經網路模型之一，神經網路演算法主要是模擬人腦運算的基本特徵。人腦的最基本組成部分是神經元，神經元之間資訊的傳遞構成了我們對外界的感知。人工神經網路中最基本的單元也取名神經元。BP 神經網路由輸入層、隱含層和輸出層組成，輸入層中的輸入訊號經過加權和偏置處理傳遞給隱含層，隱含層中通過一個轉移函式將訊號相下一個隱含層傳遞，或者直接進入到輸出層進行輸出[38,39]。圖 3.3 是一個典型的具有輸入、輸出和隱含層的 BP 神經網路。整個神經網路由一系列感知單元組成的輸入層、一個或多個隱含的計算單元以及一個輸出層組成，每一個節點單元都可以成為一個神經元。
2.1BP神經網路
ACO-BPNN是BP神經網路在無線網路室內定位的一種應用策略，其室內定位原理為: 首先採集室內定位的資料, 然後採用BP神經網路資料進行學習, 採用 ABC 演算法對神經網路進行優化, 最後建立無線網路室內定位模型。
2.2 ACO-BPNN 的室內定位流程
K-means位置指紋空間聚類技術
2.3 K—means指紋定位[7]
K-means演算法是一種基於距離的聚類分析法，該演算法的主要思想是剔除聚類中的離群點。首先根據式(2.4)得到類｛，，…，｝的質心，然後根據式（2.5）比較所有樣本與質心的距離，並剔除距離大於指定閾值ｔ的樣本，接著重複式（2.4）計算新類的質心，直至聚類中所有樣本點都能使式（４）條件滿足，保留最新質心作為該點的RSSI值錄入指紋資料庫。
(2.4)
(2.5)
K-means指紋定位是在原指紋位演算法的基礎上，先對指紋庫進行聚類分析，再通過匹配演算法估計待測點位置的一種演算法。即離線階段，構建指紋庫後，通過K-means聚類根據特徵引數將指紋庫劃分為k個子庫；匹配階段，首先比較待測點與各聚類中心的相似程度，選取距離最短的聚類中心所在的子庫，再將其與待測點匹配估計最終座標。
第三章 優化與提升
儘管指紋定位方法的提出和多種人工智慧方法的引入從一定程度上提升了室內定位精度，但是由於指紋定位的線上階段實現的前提是室內環境格局基本保持不變，信源不作變化，而在現實生活中，由於測量精度不高、環境不穩定以及複雜空間中存在的干擾源訊號過多等問題，現有的人工智慧定位方法仍難滿足定位要求。由此，我們在現有技術的基礎上進行了改進和優化。
基於球形天線的訊號強度採集
傳統的基於人工智慧的三維感測網空間定位技術採用的訊號接收裝置多為定向天線或全向天線，對於存在牆壁反射的室內定位，難以有效利用其方向資訊。我們通過引入球形天線的結構，能有效收集和利用空間的折射反射等資訊，通過綜合球形多個正交平面的收集的訊號接收強度資訊（RSSI），並通過機器學習中的KNN等方法，能夠充分利用訊號的方向和角度資訊。模擬發現，在同等環境下，基於球形天線的指紋定位方法相交於傳統的方法對能將定位精度提升30%以上。
基於K-means+CNN精準定位技術
以商場定位為例，如何精確的判斷使用者所在商鋪是一個難題。同時，複雜的環境中存在大量的訊號發射源，這在人工智慧的處理過程中可能導致特徵矩陣稀疏、難以有效的利用RSSI值進行定位。
由此，我們提出了lightGBM+CNN的雙層精準定位設計。在設計的第一層，我們引入了lightGBM構造多分類候選集，即可能的定位點；在設計的第二層，我們通過將離線階段採集樣本結果作為正分類樣本，將候選集中的其他候選結果通過下采樣抽取部分作為負分類樣本，對CNN網路的分類結果進行訓練，並將訓練好的模型用來進行線上階段的定位。
具體來說，我們通過借鑑word2vec詞向量的方法，對離線階段採集的訊號依據接收訊號強度和Mac地址等標籤資訊構成的稀疏矩陣轉化成低維度的詞向量矩陣，並通過CNN的方法，將能典型代表其位置資訊的指紋資訊通過卷積神經網路抽象出來。
結果表明：我們提出的方法相較於基礎的KNN方法，可以將定位精度提升5%。在商鋪定位的場景中，我們通過採集100家商場2017年7-8月的詳細資料作為離線資料，並通過2017年9月份的商場內使用者資料來做評測，檢測演算法是否能準確的識別出當時使用者所在的店鋪。結果顯示，上述模型最終的定位準確性可達到90%以上，通過結合使用者行為特徵引數，進行特徵工程及模型融合最優結果可達到93%以上。
第四章 總結
隨著室內定位技術的不斷髮展，廣域普適化的室內定位新技術必然會出現，融合室內外空間實現無縫定位，解決未知環境中的定位問題，形成一系列的室內定位建設與開發標準與規範，滿足各行業不同層次的應用需求。隨著人工智慧的發展，指紋定位、計算機視覺等方法被引入到定位過程中，有利於抵抗多徑效應，提升定位準確度。同時，面向室內定位的空間資料管理、視覺化表達與分析也將是室內定位技術發展的重要組成部分，對於推動室內定位技術的實際應用具有重要的價值。
作者：
袁東明，北京郵電大學電子工程學院，講師，人工智慧開放創新平臺（chinaopen.ai)聯合學者,主要研究方向為無線網路測量及實現技術
張麗穎，北京郵電大學電子工程學院，碩士生
References:
[1]. 周建, 基於WLAN的室內無線定位技術研究, 2014, 西安電子科技大學. 第 81頁.
[2]. 阮陵等, 室內定位:分類、方法與應用綜述. 地理資訊世界, 2015(02): 第8-14+30頁.
[3]. 劉攀, 基於RSSI指紋庫的室內定位系統的設計與實現, 2015, 華中師範大學. 第 59頁.
[5]. Spherical Antenna-based DoA Estimation and Localization: Advanced Algorithms and Measurements, in IEEE/CIC International Conference on Communications in China. 2018.