一种基于多任务学习的室内定位方法

技术领域

本发明涉及无线通信技术领域，具体地说是一种基于多任务学习的室内定位方法。

背景技术

随着人类社会的发展，对于室内定位的需求越来越多，例如医疗保健、基于位置的娱乐、紧急导航、广告推送、网络管理等。虽然目前已经有了很多室内定位技术，例如RFID、超宽带、可见光、红外线等。但是随着WiFi网络的发展，越来越多的区域部署WiFi网络，因此基于WiFi的室内定位技术受到了越来越多的关注。RSSI广泛应用于WiFi室内定位技术。但是RSSI是一个粗粒度的指标，相较而言，CSI是一个细粒度的指标更能反映信号传输的多径效应。因此基于CSI的室内定位是一个研究热点。

已有基于CSI的室内定位算法有下面几类：基于到达角、基于传播时间、基于传播模型和基于指纹定位。其中基于指纹定位具有精度高的优点，因此得到了广泛研究。目前，基于指纹定位的研究聚焦于利用深度学习的方法。但是，已有相关方法在训练模型时，采用采样点的序列号作为标签，这样就丢失了采样点之间的地理空间相关性，因此降低定位精度。另外，由于室内环境遮挡严重，造成了严重的多径效应，从而答复降低定位精度。鉴于此，目前缺乏一种高精度的基于指纹的室内定位算法。

发明内容

已有基于深度学习的室内定位方法在训练时使用采样点的序列号作为标签，该方式忽略了采样点之间在地理空间的相关性，因此无法更好地提高定位精度。本发明针对该问题，充分考虑采样点间的地理空间相关性，利用采样点的坐标作为训练标签，提出基于多任务学习的室内定位方法。该方法包括两个阶段：离线训练阶段和在线定位阶段。离线训练阶段包含两个步骤：训练样本采集和定位模型训练，其中训练样本采集用于在采样点采集用于训练的样本，定位模型训练利用采集的样本训练定位模型。在在线定位阶段，利用上一阶段训练好的模型根据在线检测的样本实现实时定位。该方法使用多任务学习模型归纳总结各坐标间相关性，并基于KL-散度和多维高斯分布捕捉该模型训练误差，以此充分利用采样点地理空间相关性提高室内定位精度。

本发明为实现上述目的所采用的技术方案是：

一种基于多任务学习的室内定位方法，包括以下步骤：

1)离线训练：采集设备的定位训练样本，构建并训练多任务学习模型；

2)在线定位：采集待定位设备的样本，通过训练好的多任务学习模型预测设备的真实位置。

所述离线训练包括以下步骤：

1.1)采集设备的定位训练样本，构建样本训练集；

1.2)构建多任务学习模型；

1.3)基于多任务学习模型的输出构建定位概率图；

1.4)基于定位概率图，构建损失函数，通过损失函数对多任务学习模型进行训练。

所述步骤1.1)具体为：

确定需要采集样本CSI的位置RP，记RP集合为R，在R中每个RPr上采集一组CSI样本H

所述多任务学习模型包括多个expert网络、2个gate网络以及2个tower网络，其中：

所述expert网络使用多层神经网络实现，记第i个expert网络为n

其中，e为expert网络的个数，I为输入CSI样本；

所述gate网络使用单层神经网络实现，记第i个gate网络为n

记，o

所述tower网络使用多层神经网络实现，记第i个tower网络为n

其中，

所述步骤1.3)包括以下步骤：

1.3.1)对多任务学习模型中的tower网络的输出进行softmax运算：

其中，中间变量p

1.3.2)计算设备在(x,y)坐标的概率p

1.3.3)计算设备的定位概率图M：

所述步骤1.4)包括以下步骤：

1.4.1)计算设备分布在位置l的真实概率

其中，l＝(x,y)为设备可能所在位置，u为设备真实采样位置，

1.4.2)计算设备的真实分布概率图M

1.4.3)采用KL-散度D

1.4.4)利用损失函数通过反向传播算法基于样本训练集对多任务学习模型进行训练。

所述在线定位包括以下步骤：

2.1)采集待定位设备的CSI样本，记为I；

2.2)利用离线训练阶段训练好的模型，得到样本的定位概率图M；

2.3)令γ为用户输入阈值，利用该阈值对M中的点进行过滤，即删除定位概率图M中概率小于阈值γ的点；

2.4)利用基于密度的聚类算法对M中剩余的点进行聚类；

2.5)令p(l)为位置l在定位概率图M中的概率，为聚类所得的每一分簇C进行评分，得到评分结果s(C)：

2.6)令C*为所有分簇中得分最高的分簇，为C*中每个位置

2.7)预测的位置坐标

其中x

一种基于多任务学习的室内定位系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于多任务学习的室内定位方法。

一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于多任务学习的室内定位方法。

本发明具有以下有益效果及优点：

1.本发明直接采用采样点的坐标生成定位概率图，与已有方法相比，该方法可以完全保留采样点之间的地理空间相关性，从而提高模型定位精度。

2.本发明所提出的多任务学习模型，利用底层分享的网络结构提取x、y坐标预测所共同使用的信息，并利用底层独立网络提取x、y坐标预测时它们之间不相关的信息，即考虑了各坐标之间的相关性，也考虑各坐标之间的独立性。

3.本发明基于KL-散度和多维高斯分布设计损失函数，该损失函数可以提取模型在多维空间的误差，因此可以更好的训练模型。

附图说明

图1为本发明所提方法示意图；

图2为本发明所采用标签示意图；

图3为多任务学习模型的示意图；

图4为构建定位概率图的示意图；

图5为在线定位阶段流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

一种基于多任务学习的室内定位方法，包括离线训练阶段和在线定位阶段两个阶段。

所述离线训练阶段包含以下步骤：

(2.1)训练样本采集：首先确定需要采集样本Channel State Information(CSI)的位置(称这些位置为Reference Point,RP)，记RP集合为R。在R中每个RP r上采集一组CSI样本H

(2.2)多任务学习模型搭建：该模型包含多个expert网络、2个tower网络以及2个gate网络，其中expert用于学习多个任务间共享的信息，tower用于从experts网络输出特征中提取用于某个任务的信息，在本发明中共有两个任务，即预测设备所在的x和y坐标，gate网络用于帮助相应的tower从多个expert中挑选有用的信息，因此共有两个gate网络。模型具体结构如下：

(2.2.1)记输入CSI样本为I。本发明中使用多层神经网络实现expert网络，记第i个expert的网络为n

其中e为expert网络的个数。

(2.2.2)本发明使用单层神经网络实现gate网络，记第i个gate网络为n

记o

(2.2.3)本发明使用多层神经网络实现tower网络，记第i个tower网络为n

其中

(2.3)构建定位概率图：tower输出表示设备在某个坐标的可能性，例如

其中p

因此，该设备在(x,y)坐标的概率如下计算

最终该设备的定位概率图M为

(2.4)设计损失函数：为了训练该模型，需要设计损失函数。多任务学习模型最终输出为定位概率图M，其预测了设备在定位区域中某个坐标的概率。因此，要训练模型，需要找到设备在定位区域的真实分布概率。为此，本发明采用二维高斯分布来模拟设备的真实分布概率M*。令l＝(x,y)为设备可能所在位置，u为设备真实采样位置，

其中δ

这样就可以得到设备的真实分布概率图

最终，采用KL-散度D

(2.5)模型训练：利用(2.4)所得损失函数利用反向传播算法基于(2.1)训练集对(2.2)所提出多任务学习模型进行训练。

所述在线定位阶段包含以下步骤：

(3.1)采集待定位设备的CSI样本，记为I。

(3.2)输入离线训练阶段训练好的模型，并得到该样本的定位概率图M。

(3.3)令γ为用户输入阈值，利用该阈值对M中的点进行过滤，即删除定位概率图M中概率小于阈值γ的点。

(3.4)利用基于密度的聚类算法对M中剩余的点进行聚类。

(3.5)令p(l)为位置l在定位概率图M中的概率。为(3.4)所得每一分簇C进行评分s(C):

(3.6)令C*为所有分簇中得分最高的分簇。为C*中每个位置

最终预测的位置坐标

其中x

实施例

基于多任务学习的室内定位方法如图1所示，本发明包含两个阶段：离线训练阶段和在线定位阶段。

本发明训练集所采用标签如图2所示，与已有方法采用采样点序列号做标签不一样，本发明直接采用采样点的坐标作为标签并用其计算损失。

多任务学习模型的示意图如图3所示，CSI样本输入各个expert，以及2个gate网络，gate网络用于相应的tower网络选择合适的expert网络输出，其中expert网络的个数由用户确定。

构建定位概率图的示意图如图4所示。其中tower0输出的结果用于预测x坐标，tower1输出的结果用于预测y坐标。两个tower的结果经过softmax操作后转化为概率。要计算设备在某个坐标(x,y)的概率时，只需要将相应的x坐标概率和y坐标概率相乘即可。在得到所有位置的概率后即构建完成概率图。

在线定位阶段的示意图如图5所示。首先采集待定位设备的CSI样本。然后输入离线训练阶段训练好的模型，并得到该样本的定位概率图M。接着利用该阈值对M中的点进行过滤，即删除定位概率图M中概率小于阈值γ的点。然后利用基于密度的聚类算法对M中剩余的点进行聚类。之后，计算各个分组的得分，并取得分最高的分簇作为最优分簇。最终，利用最优分簇中所有点的坐标加权均值作为预测结果。

本发明提出的一种基于多任务学习的室内定位方法，是在充分考虑采样点间的地理空间相关性，利用采样点的坐标作为训练标签，并使用多任务学习模型归纳总结各坐标间相关性，最终基于KL-散度和多维高斯分布捕捉该模型训练误差，以此充分利用采样点地理空间相关性提高室内定位精度。