一种基于图神经网络的可见光定位方法和装置

技术领域

本发明实施例涉及可见光定位技术领域，尤其涉及一种基于图神经网络的可见光定位方法和装置。

背景技术

可见光定位系统，因其绿色环保、精度高、抗电磁干扰强、基础设施覆盖广、成本低等优势，作为一种良好的室内定位解决方案，在学术界与工业界受到广泛关注。

现有可见光定位系统按接收器类型可分为基于相机的可见光定位系统和基于光电二极管的可见光定位系统。基于光电二极管(Photo Diode，PD)的可见光定位系统因其技术简单，所需硬件成本低，而更受青睐。其中基于光电二极管的可见光定位系统又包括基于三边定位、基于到达角和基于到达时间等定位方法。其中基于到达时间的定位方法难以实现时间同步，而基于到达角一般需要多个光电二极管，这增加了成本和硬件设计难度。基于三边定位的方法，首先利用朗伯发射定律将接收信号强度(Received Signal Strength，RSS)值转为光电二极管到对应定位灯的距离，然后通过最小二乘原理估计光电二极管位置，实现简单而且可以达到较高精度。具体参见图1，图1为基于光电二极管(PD)的可见光定位系统结构图。

但基于光电二极管的可见光定位系统常受到各种噪声的干扰，其中主要的噪声包括：环境光噪声、散粒噪声和热噪声。这些噪声的存在严重阻碍了现有可见光定位系统的定位精度和鲁棒性。环境光噪声是由于环境光强度随时间和空间变化引起。当环境光随时间变化造成朗伯参数的标定场景与定位场景间的环境光强有较大差异时，会导致标定场景中获得的朗伯参数不再适用于定位场景而产生较大定位误差；环境光随空间变化对可见光定位系统的影响，则是环境光强随空间的不均匀分布导致标定场景中实际测量得到的RSS-距离关系可能偏离理想的曲线，进而对朗伯参数的标定造成破坏，而影响后续可见光定位系统性能。

单独考虑每一盏灯对环境光建模，虽然有一定抑制效果，但是其存在巨大限制。例如，现有方案融合可见光定位通过大量采集不同环境光强下的信号接收强度RSS值，来拟合环境光强与RSS之间的关系，然后将定位场景中接收到的RSS值通过拟合得到的曲线映射到标定场景中对应的RSS值以抑制环境光的影响，但是该方法为了精确拟合RSS与环境光之间曲线需要采集大量的数据，而且该方法容易受到数据噪声的影响。此外，散粒噪声与热噪声多用随机过程建模为加性高斯噪声，难以在每一次定位中估计其具体数值。因此现有可见光定位系统性能会受这些噪声干扰。

发明内容

本发明提供一种基于图神经网络的可见光定位方法和装置，以提高可见光定位的鲁棒性和定位精度。

第一方面，本发明提供一种基于图神经网络的可见光定位方法，包括：

S110、在注意力机制引导的图神经网络的基础上，通过长短期记忆神经网络构建待训练的可见光定位模型；

S120、对所述待训练可见光定位模型进行训练，以得到训练后的可见光定位模型；

S130、将收集到的实时接收信号强度值输入所述训练后的可见光定位模型，以得到待定位物体的实时位置信息。

可选的，所述S110包括：

根据收集到的定位训练数据，利用图神经网络的空间建模能力对所述定位训练数据进行优化；

通过注意力机制对定位灯赋予不同权值，从而引导图神经网络的表征学习；

基于长短期记忆神经网络(Long Short-Term Memory，LSTM)对同一轨迹相邻位置中接收信号强度值存在的时序关系进行建模，以得到待训练的可见光定位模型。

可选的，根据收集到的定位训练数据，利用图神经网络的空间建模能力对所述定位训练数据进行优化，包括：

通过信号采集装置动态收集定位灯的接收信号强度值及其对应的位置信息；

将收集到的带有位置标签的接收信号强度值构造成图结构；

定义图神经网络结构；

将所述图数据结构输入所述图神经网络结构中进行处理，对所述接收信号强度值进行优化。

可选的，所述图神经网络结构包括2层GraphSage，每一层的隐藏层均有16个隐藏神经元，且每一层网络都包括均值聚合器。

可选的，通过注意力机制对定位灯赋予不同赋权值，从而引导图神经网络的表征学习，包括：

根据各定位灯对应的接收信号强度值和噪声，确定各定位光对应的信噪比；

构建注意力网络；

将所述信噪比输入所述注意力网络中，以得到各定位灯对应的权重；

将所述权重与各定位灯对应的接收信号强度值进行加权操作。

可选的，所述注意力网络由两层全连接层和一层SoftMax层组成。

可选的，基于长短期记忆神经LSTM网络对同一轨迹相邻位置处接收信号强度值存在的时序关系进行建模，包括：

收集一段时间内加权后的接收信号强度值；

构建LSTM网络结构；

将加权后的接收信号强度值送入LSTM网络结构中，并保留最后一个LSTM细胞的输出状态。

可选的，所述LSTM网络结构由忘记门、输入门以及输出门组成。

第二方面，本发明实施例还提供一种基于图神经网络的可见光定位装置，包括：

模型构建模块，用于在注意力机制引导的图神经网络的基础上，通过长短期记忆神经网络构建待训练的可见光定位模型；

模型训练模块，用于对所述待训练可见光定位模型进行训练，以得到训练后的可见光定位模型；

实时定位模块，用于将收集到的实时接收信号强度值输入所述训练后的可见光定位模型，以得到待定位物体的实时位置信息。

可选的，所述模型构建模块具体用于：

根据收集到的定位训练数据，利用图神经网络的空间建模能力对所述定位训练数据进行优化；

通过注意力机制对定位灯赋予不同赋权值，从而引导图神经网络的表征学习；

基于长短期记忆神经LSTM网络对同一轨迹相邻位置处接收信号强度值存在的时序关系进行建模，以得到待训练的可见光定位模型。

本发明的有益效果：

1、本发明将图神经网络用于可见光定位系统中进行信号优化和噪声抑制，相比于传统方法仅在每盏定位灯中单独对噪声建模而言，本发明通过利用图神经网络同时考虑多盏定位灯来优化RSS值和抑制噪声，不仅可以有效缓解环境光随时间分布不均对可见光定位系统的影响，而且能够抑制环境光随空间分布不均对可见光定位系统的损害。

2、本发明利用注意力机制根据定位灯的测距精度对其赋予不同权重，从而引导图神经网络更加关注高精度的定位灯，减小了低质量、低精度的定位灯对整体性能的影响，有效提升可见光定位系统的精度和鲁棒性。

3、本发明通过LSTM网络对同一轨迹相邻位置中RSS值存在的时序关系建模，使得模型能够考虑一段时间内的RSS值来估计当前位置，弥补了图神经网络在优化信号过程中仅考虑空间结构和信息的不足，进一步提升了可见光定位精度。

附图说明

图1为现有技术基于光电二极管的可见光定位系统结构图；

图2为本发明实施例提供的一种基于图神经网络的可见光定位系统总体结构图；

图3为本发明实施例提供的一种基于图神经网络的可见光定位方法的流程图；

图4为本发明实施例提供的一种将接收信号强度值转为图结构数据的示意图；

图5为本发明实施例提供的一种LSTM单元图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例

参见图2，图2为本发明实施例提供的一种基于图神经网络的可见光定位系统总体结构图，图中的PD为光电二极管。在本实施例中，首先基于图神经网络对可见光信号进行优化和对噪声进行抑制，然后基于注意力机制通过距离和信噪比对定位灯进行赋权，来引导图神经网络的表征学习，接着再基于LSTM网络的时空关系建模以弥补图神经网络仅考虑空间结构的不足。

进一步参见图3，图3为本发明实施例提供的一种基于图神经网络的可见光定位方法的流程图，该方法包括：

S110、在注意力机制引导的图神经网络的基础上，通过长短期记忆神经网络构建待训练的可见光定位模型。

进一步的，上述S110具体包括：

S111、根据收集到的定位训练数据，利用图神经网络的空间建模能力对所述定位训练数据进行优化。

其中，上述定位训练数据为可见光定位系统中各光源的接收信号强度值和对应的位置信息，具体包括以下步骤：

步骤1：收集可见光定位系统中各光源RSS值及其对应的位置信息，需要保证足量的训练数据。示例性的参见图4，可通过移动机器人(可以获得实时位置)动态收集训练数据，以减少数据采集成本。机器人身上携带有光电二极管(Photo Diode，PD)，本实施例中的定位灯为LED灯。

步骤2：构造图数据结构。

将收集到的带位置标签的RSS值转为图数据结构，如图4所示。具体而言，

图结构表示为G＝(V,E,X)，其中V＝{v

在将可见光定位系统转为图数据结构过程中，每一个f

步骤3：定义图神经网络结构。示例性的，本实施例中的图神经网络结构包括2层GraphSage，其中第一层隐藏层为16个神经元，第二层隐藏层也是16个神经元，其中两层网络都采样了均值聚合器来聚集邻居的信息。

步骤4：图神经网络数据处理。将构造好的图结构数据送入图神经网络中，优化RSS值。图神经网络包括聚合和节点信息更新两个步骤：

步骤4.1：均值聚合器的计算方式如下，

其中，N(v)为v的所有邻居节点,k＝{1,2}表示第k层图神经网络.初始化h

步骤4.2：节点信息的更新方式如下：

其中CONCAT表示直接拼接连个向量，即v节点的邻居的表征向量和v节点本身特征向量,W

1.输入：Graph G＝(V,E)；输入特征

2.

3.for k＝{1,2}do

4.for v∈Vdo

5.

6.

7.end

8.

9.end

10.输出:

本实施例中，步骤S111通过将图神经网络用于可见光定位系统进行信号优化和噪声抑制，相比于传统方法仅在每盏灯中单独对噪声建模而言，图神经网络能够聚合邻居信息、考虑可见光定位系统中定位灯的拓扑结构来学习更加鲁棒的信号表征，进而有效抑制信号中的噪声，提升定位精度。

S112、通过注意力机制对定位灯赋予不同赋权值，让图神经网络更加关注于高精度的光源，从而引导图神经网络的表征学习。

本实施例中，上述S112具体包括以下步骤：

步骤1：计算信噪比。

根据快速傅里叶变换(Fast Fourier Transform，FFT)以及不同定位光所在频率，获取其对应的RSS值，其他非调制频率段获取噪声，根据获取到的RSS值和噪声计算信噪比。

步骤2：设计注意力网络。

可选的，本实施例中的注意力网络由2层全连接层(Fully Connected layers,FC)与一层SoftMax层组成。

步骤3：将信噪比送入注意力网络获得不同可将光光源对应的权值。具体的，合并各RSS值与噪声组合为一个特征向量，一起送入注意力网络。

步骤4：对来自不同定位灯的RSS值加权。将注意力网络输出的权值与对应的RSS值相乘，完成加权操作。

具体的，注意力计算方式如下：

其中，h

可将光光源权重的计算公式如下：

a

定位灯的加权值计算公式如下：

其中，s

本实施例通过注意力机制引导图神经网络更加关注高精度的LED灯，从而减小低测距精度的定位灯对于可见光定位系统整体性能的影响，以提升其鲁棒性和定位精度，相比与传统手动赋权方式或等权方式，其更精准有效。

S113、基于长短期记忆神经LSTM网络对同一轨迹相邻位置中接收信号强度值存在的时序关系进行建模，以得到待训练的可见光定位模型。

具体的，上述步骤包括：

步骤1：收集一段时间内加权后的RSS值。

具体的，加权后的RSS表示为S＝{S

步骤2：设计LSTM网络结构。

本实施例中的LSTM单元由忘记门(f

步骤3：将加权后的接收信号强度值送入LSTM网络结构中。

步骤4：保留最后一个LSTM细胞的输出状态。

其中，LSTM计算方式如下：

f

i

g

f

o

h

其中，w

本实施例通过LSTM网络对同一轨迹相邻位置RSS值之间的时序关系建模，使得模型能够考虑一段时间内的RSS值来估计当前位置，弥补了图神经网络在优化信号过程中仅考虑空间结构和信息的不足，有效提升整体定位性能。

S120、对所述待训练可见光定位模型进行训练，以得到训练后的可见光定位模型。

本实施例中，在构建好待训练的可见光定位模型之后，进一步对上述待训练的可见光模型进行训练，以得到训练好的可将光定位模型，模型训练过程具备包括以下步骤：

步骤1：位置预测。将最后一个LSTM隐层状态送入后续的全连接层网络中，以获得位置信息。具体计算方式如下：

其中，w

步骤2：定义损失函数，具体公式如下：

其中，(x

步骤3：计算残差。

步骤4：通过反向传播误差更新网络参数，以得到训练后的可见光定位模型。本实施例中采用adam优化算法更新模型网络参数。

S130、将收集到的实时接收信号强度值输入所述训练后的可见光定位模型，以得到待定位物体的实时位置信息。

本实施例中，当可见光定位模型训练之后，收集一段时间实时接收信号强度值，将该接收信号强度值送入训练后的可见光定位模型中，将模型输出的位置返回给用户，即可得到待定位物体的实时位置信息。

进一步的，本发明实施例还提供一种基于图神经网络的可见光定位装置，该装置包括：

模型构建模块，用于在注意力机制引导的图神经网络的基础上，通过长短期记忆神经网络构建待训练的可见光定位模型；

模型训练模块，用于对所述待训练可见光定位模型进行训练，以得到训练后的可见光定位模型；

实时定位模块，用于将收集到的实时接收信号强度值输入所述训练后的可见光定位模型，以得到待定位物体的实时位置信息。

可选的，所述模型构建模块具体用于：

根据收集到的定位训练数据，利用图神经网络的空间建模能力对所述定位训练数据进行优化；

通过注意力机制对定位灯赋予不同赋权值，从而引导图神经网络的表征学习；

基于长短期记忆神经LSTM网络对同一轨迹相邻位置处接收信号强度值存在的时序关系进行建模，以得到待训练的可见光定位模型。

其中，根据收集到的定位训练数据，构造基于图神经网络的可见光定位模型，包括：

通过信号采集装置动态收集定位灯的接收信号强度值及其对应的位置信息；

将收集到的带有位置标签的接收信号强度值构造成图结构；

定义图神经网络结构；

将所述图数据结构输入所述图神经网络结构中进行处理，对所述接收信号强度值进行优化。

可选的，所述图神经网络结构包括2层GraphSage，每一层的隐藏层均有16个隐藏神经元，且每一层网络都包括均值聚合器。

其中，通过注意力机制对定位灯赋予不同赋权值，从而引导图神经网络的表征学习，包括：

根据各定位灯对应的接收信号强度值和噪声，确定各定位灯对应的信噪比；

构建注意力网络；

将所述信噪比输入所述注意力网络中，以得到各定位灯对应的权重；

将所述权重与各定位灯对应的接收信号强度值进行加权操作。

可选的，所述注意力网络由两层全连接层和一层SoftMax层组成。

其中，基于长短期记忆神经LSTM网络对同一轨迹相邻位置处接收信号强度值存在的时序关系进行建模，包括：

收集一段时间内加权后的接收信号强度值；

构建LSTM网络结构；

将加权后的接收信号强度值送入LSTM网络结构中，并保留最后一个LSTM细胞的输出状态。

可选的，所述LSTM网络结构由忘记门、输入门以及输出门组成。

本发明实施例所提供的一种基于图神经网络的可见光定位装置可执行本发明任意实施例所提供的一种基于图神经网络的可见光定位方法，具备执行方法相应的功能模块和有益效果，不再进行赘述。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。