一种基于二维DOA估计的多融合蓝牙AOA室内定位方法

技术领域

本发明涉及室内定位技术领域，特别是涉及一种基于二维DOA估计的多融合蓝牙AOA室内定位方法。

背景技术

随着蓝牙核心规范5.1推出的到达角度法(Angle ofArrival，AOA)/出发角度法(Angle ofDeparture，AOD)测向技术，蓝牙以其标准的规范协议、丰富的应用生态以及低成本、低功耗等突出优势，在室内定位领域中逐渐成为研究热点，相较于其他室内定位技术，蓝牙室内定位具有更多的潜在价值与可能性。

蓝牙AOA室内定位，其核心是对天线阵列接收的信号信息实现数据预处理、数据优化以及参数估计和坐标解算等。其中数据预处理主要对接收的大量数据进行格式调整以及矩阵的转换等，数据优化主要对接收的指定信号数据实现噪声、多径效应及硬件上的误差等优化以及补偿，而参数估计和坐标解算则主要实现对目标空间角度信息的估计以及三维位置坐标的解算。

在现阶段的研究以及应用中，蓝牙AOA室内定位的实现只有较少一部分，例如改进型顺序模拟退火算法(Sequential Simulated Annealing，SSA)的蓝牙AOA室内定位，融合接收信号强度指示(Received Signal Strength Indication，RSSI)值的蓝牙AOA室内定位，蓝牙AOA与深度学习融合的高精度定位；目前基于蓝牙AOA所实现的室内定位，其在核心技术上通常采用一种数据进行研究与实现，这样的定位方式虽然比较容易开发，但由于采用单一数据进行解算的定位结果无法同时兼顾高精度与实时性，尤其是对于不同应用场景，采用单一数据进行解算的定位结果，更是无法同时兼顾高精度与高实时性。

发明内容

本发明的目的是提供一种基于二维波达方向(Direction ofArrival，DOA)估计的多融合蓝牙AOA室内定位方法，以解决现有技术中，采用单一数据进行解算的定位结果无法同时兼顾高精度与高实时性的问题。

为实现上述目的，本发明提供了如下方案：

一种基于二维DOA估计的多融合蓝牙AOA室内定位方法，包括：

采用蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值；

将所述待定位目标的同相正交信号及接收信号强度指示值输入至训练好的神经网络模型，确定所述待定位目标的方向角与俯仰角；所述神经网络模型包括：卷积神经网络、循环神经网络及全连接层；

采用二维DOA估计算法对所述方向角与所述俯仰角进行优化校准，确定优化后的方向角与俯仰角；

根据所述优化后的方向角与俯仰角，确定所述待定位目标的当前位置。

可选地，根据所述优化后的方向角与俯仰角，确定所述待定位目标的当前位置，之后还包括：

采用融合传感器，获取所述待定位目标的已知位置；所述融合传感器包括：陀螺仪及加速度计；

将所述当前位置与所述已知位置作差值，并根据所述差值确定所述当前位置的结果；所述当前位置的结果为合格或不合格。

可选地，将所述当前位置与所述已知位置作差值，并根据所述差值确定所述当前位置的结果，具体包括：

计算所述当前位置与所述已知位置的差值；

若所述差值小于或等于预设值，确定所述当前位置的结果为合格，将所述当前位置作为最终定位坐标；

若所述差值大于预设值，确定所述当前位置的结果为不合格。

可选地，若所述差值大于预设值，确定所述当前位置的结果为不合格，之后还包括：

调试所述蓝牙定位基站的参数，直到所述差值小于预设值；所述参数包括信噪比及采样次数。

可选地，将所述待定位目标的同相正交信号及接收信号强度指示值输入至训练好的神经网络模型，确定所述待定位目标的方向角与俯仰角，具体包括：

将所述待定位目标的同相正交信号及接收信号强度指示值传输至所述训练好的神经网络模型的卷积神经网络，提取所述同相正交信号的时域特征及所述接收信号强度指示值的时域特征；所述卷积神经网络为7层的卷积神经网络；

将所述同相正交信号的时域特征及所述接收信号强度指示值的时域特征传输至所述所述训练好的神经网络模型的循环神经网络，提取所述同相正交信号的频域特征及所述接收信号强度指示值的频域特征；

将所述同相正交信号的频域特征及所述接收信号强度指示值的频域特征传输至所述训练好的神经网络模型的全连接层，提取所述同相正交信号的时域特征与所述同相正交信号的频域特征的非线性映射，以及所述接收信号强度指示值的时域特征与所述接收信号强度指示值的频域特征的非线性映射，并根据所述同相正交信号的时域特征与所述同相正交信号的频域特征的非线性映射及所述接收信号强度指示值的时域特征与所述接收信号强度指示值的频域特征的非线性映射，确定所述待测目标的方向角与俯仰角。

可选地，采用二维DOA估计算法对所述方向角与所述俯仰角进行优化校准，确定优化后的方向角与俯仰角，具体包括：

基于所述二维DOA估计算法，根据所述待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵；

根据所述第一矩阵的伪逆值，确定复数矩阵；

根据所述复数矩阵，确定行向量；

根据所述行向量，确定每个特征值实部对应的角度元素及每个特征值虚部对应的角度元素；

根据每个所述特征值实部对应的角度元素及每个所述特征值虚部对应的角度元素，确定优化后的方向角与俯仰角。

可选地，基于所述二维DOA估计算法，根据所述待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵，具体包括：

基于所述二维DOA估计算法，根据所述蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值，确定第二矩阵；

从所述第二矩阵的特征向量矩阵中提取前n列，确定所述第一矩阵。

可选地，基于所述二维DOA估计算法，根据所述蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵，之前还包括：

创建一个单位矩阵；

基于所述二维DOA估计算法，根据所述单位矩阵及所述蓝牙定位基站的阵元的个数，确定实部矩阵及虚部矩阵。

可选地，所述第一矩阵的伪逆值为：

F1＝((J×K1)×Ev)×((J×K2)×Ev)；

F2＝((K1×J)×Ev)×((K2×J)×Ev)；

其中，F1为第一矩阵的第一伪逆值，F2为第一矩阵的第二伪逆值，J为单位矩阵，Ev为第一矩阵，K1为实部矩阵，K2为虚部矩阵。

可选地，计算所述当前位置与所述已知位置的差值，具体包括：

将所述当前位置对应的方向角与所述已知位置对应的方向角作差值，确定方向角差值；

将所述当前位置对应的俯仰角与所述已知位置对应的俯仰角作差值，确定俯仰角差值；

所述方向角差值为：

所述俯仰角差值为：

其中，MSE1为方向角差值，MSE2为俯仰角差值，n

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的基于二维DOA估计的多融合蓝牙AOA室内定位方法，采用蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值；将待定位目标的同相正交信号及接收信号强度指示值输入至训练好的神经网络模型，确定待定位目标的方向角与俯仰角；采用二维DOA估计算法对方向角与俯仰角进行优化校准，确定优化后的方向角与俯仰角；根据优化后的方向角与俯仰角，确定待定位目标的当前位置。由于采用二维DOA估计算法对方向角与俯仰角进行优化校准，提高了定位精度，并进一步融合了接收信号强度指示值，可以在待定位目标移动的时候根据实时获得接收信号强度指示值确定其位置，提高了的实时性，因此有效的克服了采用单一数据进行解算的定位结果在高精度与实时性方面的局限性，提高定位精度的同时兼顾了高实时性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于二维DOA估计的多融合蓝牙AOA室内定位方法的流程图；

图2为本发明所提供的基于DOA估计的多融合蓝牙AOA室内定位方法对应的多融合结构示意图；

图3为本发明的多融合程序流程图；

图4为本发明的多融合程序框架流程图。

符号说明：

4x4阵列天线—1、天线映射—2、阵元映射—3、输入层—4、隐藏层—5，输出层—6。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于二维DOA估计的多融合蓝牙AOA室内定位方法，旨在通过采用二维DOA估计算法对方向角与俯仰角进行优化校准，提高了定位精度，并进一步融合了接收信号强度指示值，可以在待定位目标移动的时候根据实时获得接收信号强度指示值确定其位置，提高了定位的实时性，因此有效的克服了采用单一数据进行解算的定位结果在高精度与实时性方面的局限性，提高定位精度的同时兼顾了高实时性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1所示，本实施例中的基于二维DOA估计的多融合蓝牙AOA室内定位方法，包括：

步骤101，采用蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值。

步骤102，将待定位目标的同相正交信号及接收信号强度指示值输入至训练好的神经网络模型，确定待定位目标的方向角与俯仰角；神经网络模型包括：卷积神经网络、循环神经网络及全连接层；神经网络模型为多融合的神经网络模型。

步骤103，采用二维DOA估计算法对方向角与俯仰角进行优化校准，确定优化后的方向角与俯仰角。

步骤104，根据优化后的方向角与俯仰角，确定待定位目标的当前位置。

进一步的，步骤104之后还包括：

采用融合传感器，获取待定位目标的已知位置。融合传感器包括陀螺仪及加速度计，用于确定待定位目标的方向和角度，实时纠正定位的误差。

将当前位置与已知位置作差值，并根据差值确定当前位置的结果。当前位置的结果为合格或不合格；差值为均方误差值。

进一步的，将当前位置与已知位置作差值，并根据差值确定当前位置的结果，具体包括：计算当前位置与已知位置的差值；若差值小于或等于预设值，确定当前位置的结果为合格，将当前位置作为最终定位坐标；若差值大于预设值，确定当前位置的结果为不合格。

进一步的，若差值大于预设值，确定当前位置的结果为不合格，之后还包括：调试蓝牙定位基站的参数，直到差值小于预设值；参数包括信噪比及采样次数。

进一步的，步骤102，具体包括：

将待定位目标的同相正交信号及接收信号强度指示值传输至训练好的神经网络模型的卷积神经网络，提取同相正交信号的时域特征及接收信号强度指示值的时域特征；卷积神经网络为7层的卷积神经网络。

将同相正交信号的时域特征及接收信号强度指示值的时域特征传输至训练好的神经网络模型的循环神经网络，提取同相正交信号的频域特征及接收信号强度指示值的频域特征。其中，循环神经网络实现通过创建长短时记忆(Long short-term memory，LSTM)网络模型，提取同相正交信号的频域特征及接收信号强度指示值的频域特征。

将同相正交信号的频域特征及接收信号强度指示值的频域特征传输至训练好的神经网络模型的全连接层，提取同相正交信号的时域特征与同相正交信号的频域特征的非线性映射，以及接收信号强度指示值的时域特征与接收信号强度指示值的频域特征的非线性映射，并根据同相正交信号的时域特征与同相正交信号的频域特征的非线性映射及接收信号强度指示值的时域特征与接收信号强度指示值的频域特征的非线性映射，确定待测目标的方向角与俯仰角。

具体的，使用全连接层来处理时域特征和频域特征的非线性映射，以便进行分类、回归。

进一步的，采用二维DOA估计算法对方向角与俯仰角进行优化校准，确定优化后的方向角与俯仰角，具体包括：

基于二维DOA估计算法，根据待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵。

根据第一矩阵的伪逆值，确定复数矩阵。

根据复数矩阵，确定行向量；

根据行向量，确定每个特征值实部对应的角度元素及每个特征值虚部对应的角度元素。

根据每个特征值实部对应的角度元素及每个所述特征值虚部对应的角度元素，确定优化后的方向角与俯仰角。

进一步的，基于二维DOA估计算法，根据待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵，具体包括：

基于二维DOA估计算法，根据蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值，确定第二矩阵。

从第二矩阵的特征向量矩阵中提取前n列，确定第一矩阵。

进一步的，基于二维DOA估计算法，根据蓝牙定位基站获取待定位目标的同相正交信号及接收信号强度指示值，确定第一矩阵，之前还包括：

创建一个单位矩阵。

基于二维DOA估计算法，根据单位矩阵及蓝牙定位基站的阵元的个数，确定实部矩阵及虚部矩阵。

进一步的，第一矩阵的伪逆值为：

F1＝((J×K1)×Ev)×((J×K2)×Ev)；

F2＝((K1×J)×Ev)×((K2×J)×Ev)；

其中，F1为第一矩阵的第一伪逆值，F2为第一矩阵的第二伪逆值，J为单位矩阵，Ev为第一矩阵，K1为实部矩阵，K2为虚部矩阵。

进一步的，计算当前位置与已知位置的差值，具体包括：

将当前位置对应的方向角与已知位置对应的方向角作差值，确定方向角差值。

将当前位置对应的俯仰角与已知位置对应的俯仰角作差值，确定俯仰角差值。

方向角差值为：

俯仰角差值为：

其中，MSE1为方向角差值，MSE2为俯仰角差值，n

如图2所示，本发明所提供的基于二维DOA估计的多融合蓝牙AOA室内定位方法应用于多融合结构。

多融合结构包括：4×4阵列天线1、天线映射2、阵元映射3、输入层4、隐藏层5及输出层6。输入层用于输入同相正交信号及接收信号强度指示值，隐藏层用于对方向角及俯仰角进行参数估计，输出层用于输出待测目标的位置坐标。

具体的，本发明融合了基于RSSI值的位置定位、基于二维DOA估计的位置定位及基于神经网络模型的位置定位，将RSSI值加入到神经网络模型中与I/Q信号一起实现定位，同时利用计算得到的角度去优化神经网络模型中计算得到的角度，RSSI值在一定作用上可以对目标位置有一个范围的限定，在一定程度上可以更好的确定定位精度。其中，A、B及C是三个定位基站，而他们的交点则是待测目标的位置，P1、P2及P3是相对A、B及C三个基站得到的三个位置，P1、P2及P3分别表示待测目标的粗略位置，即P1、P2及P3所形成的三角范围就是目标的位置范围，也就是说，实际目标的位置在这个范围内。只通过RSSI值的定位只能得到目标的一个位置范围，而不能准确的得到真实位置。

如图3-图4所示，基于多融合结构，本发明所提供的基于二维DOA估计的多融合蓝牙AOA室内定位方法采用的多融合程序执行流程包括：

步骤301，获取数据。采用蓝牙定位基站从服务器获取待定位目标的同相正交信号及接收信号强度指示值。

步骤302，数据解析及转换。提取数据关键部分，去除待测目标的同相正交(In-phase/Quadrature，I/Q)信号及接收信号强度指示(RSSI)值中的设备ID号、IP地址号等符号后，对I/Q信号及RSSI值进行格式调整以及转化预处理。预处理具体为：将包含I/Q信号及RSSI值的数据从字符格式转换为数组格式，通过构建16×100的矩阵，将数组格式的数据存储到矩阵中。

步骤303，调试参数设置。包括天线类型、天线阵元间距、阵元分布以及信噪比、采样次数，具体的，天线类型为二维双极化天线阵列，天线阵元间距为0.25mm，阵元分布为4×4；初始信噪比为20dB；采样次数设置为100。而调试参数在后续步骤反馈时会用到，这些参数主要对I/Q信号和RSSI值起到影响或者修改的作用。例如构建的矩阵为16×100，其中16表示4×4的阵元分布参数，矩阵中数据间隔用天线阵元间距参数表示，当修改调试参数时，矩阵数据也随之进行了修改调整。

步骤304，自定义数据处理。开发人员可以封装自定义API接口，将获取的I/Q信号及数据解析功能封装，以在自己开发的程序中调用，可以实现方案的快速验证、测试，为取待定位目标的同相正交信号及接收信号强度指示值、提取数据关键部分、进行格式调整以及转化预处理，以及设置调试参数提供数据接口，可用于输出其数据，用户可以调用此接口实现自己后续功能的开发或替换。

步骤305，环境干扰优化。在复杂室内环境下，面对突出的多径效应以及噪声干扰采用卡尔曼滤波实现整体的优化；当存在多径问题时，将设置调试参数步骤中的数据进行卡尔曼滤波算法的优化，除去干扰对数据的影响，不存在问题时数据不变。具体的，不断的跟踪待定位目标位置的运动状态，在每一毫秒的时间里，利用观测数据目标坐标(x，y)以及传感器采集的角度、速度等来更新状态，不断提高位置估计的准确性。

步骤306，硬件误差优化。设置硬件类型、配置参数、采样间隔参数，以应对硬件在不同场景中出现的波动；对环境干扰优化步骤中的数据进行硬件误差补偿优化，以获得最后的数据矩阵。

具体的，天线硬件在采样中若出现相移与振幅差，可使用以下公式进行计算补偿：

其中，A表示补偿的振幅差，φ表示补偿的相位差，I表示信号的同向分量，Q表示信号的正交分量。

步骤307，自定义其他优化。在对待定位目标的当前位置的参数进行估计以及对坐标进行计算时，使用的神经网络模型为多融合的神经网络模型进行计算，同样在框架中也扩展了自定义API接口，并且融合了RSSI与DOA估计。

步骤308，采用二维DOA估计算法进行参数估计与坐标计算。

具体包括：

创建一个单位矩阵J，其中J为对角线上元素都是1，其余都是0的正方形矩阵；对矩阵J进行90度旋转，旋转2次后得到矩阵J

将天线阵列元数除以2后取整获得矩阵I

将矩阵Q、J

I/Q信号及RSSI值组成矩阵X，矩阵X的特征向量矩阵中提取的前n列组成矩阵Ev，然后获取矩阵的伪逆值，得到F1、F2，公式如下：

F1＝((J×K1)×Ev)×((J×K2)×Ev)。

F2＝((K1×J)×Ev)×((K2×J)×Ev)。

将矩阵F2转换为复数矩阵后与矩阵F1相加，得到复数矩阵P；获取复数矩阵P的特征值矩阵D及特征向量矩阵V；从特征值矩阵D中提取对角线元素，得到列向量，再将其转置为行向量，得到E0。

提取E0中实部部分，得到一个实数行向量；再对每个元素进行反正切计算；最后乘以2除以π，获取每个特征值对应的角度元素G1；提取E0中虚部部分，得到一个虚数行向量；再对每个元素进行反正切计算；最后乘以2除以π，获取每个特征值虚部对应的角度元素G2。

对G1和G2进行平方，然后进行开方，再进行反正弦，最后转换为角度单位数值，获取待测目标的方向角的角度值theta1；对G2和G1中每个元素进行元素级除法，再对得到的行向量中元素进行反正切，最后转换为角度单位数值，获取待测目标的俯仰角的角度值theta2。

具体的，也可以通过采用融合传感器，获取theta1与theta2，将theta1与theta2作为待定位目标的已知位置。

然后结合深度学习神经网络模型输出的方向角与俯仰角，使用均方误差作为损失函数，通过如下公式，结合theta1与theta2，计算均方误差值MSE1与MSE2，以实现优化校准的作用：

方向角差值为：

其中，MSE1为方向角差值，MSE2为俯仰角差值，n

步骤309，通过数据调试进行动态优化，预估方向角及俯仰角，并得出最终位置。设置MSE1与MSE2范围，当MSE1与MSE2不符合范围要求时，模型继续进行计算，若达到设定迭代次数后MSE1或MSE2仍不符合范围，则最终将theta1或theta2取代模型计算得到的方向角的角度值及俯仰角的角度值，以进一步对待测目标的最终位置进行估计。

本发明采用多融合技术的实现方式，在基于二维DOA估计技术的基础上融合RSSI值与深度学习技术，在二维DOA估计算法的高精度优势上，结合RSSI值进行区域限定，进一步校准定位上的精度，同时融合深度学习带来的高实时性，以弥补前者所存在的不足，最终形成各个技术的互补，让定位性能得到最大提升。本方法还提供多融合的程序框架，在程序框架中实现噪声优化、多径效应优化以及硬件误差优化等功能，充分解决各种场景中最突出的重点问题，同时还具有个性化定制与集成的API接口，可对原始数据的访问、参数的调整以及功能的调用和集成等，使开发者可以根据自身的需求进行灵活的定制与集成，以满足不同场景用户的个性化需求。

本发明所提供的基于DOA估计的多融合蓝牙AOA室内定位方法具有以下优点：

充分发挥各种技术算法的优势，使得定位在精度、实时性以及鲁棒性上得到大幅度的提升。并且，具有较高的普适性，适用于大多数的场景，可以有效的解决不同场景的定位。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法、系统及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。