一种无线信号定位方法及其装置与流程

1.本发明涉及一种无线信号定位方法及其装置，属于无线网络与深度学习相结合的交叉技术领域。


背景技术：

2.随着计算机应用技术的发展，物联网和智能家居的概念已经逐渐普及，市面上也涌现出了多种智能家居产品，例如：智能音箱、智能电视、智能空调等等，常见的智能家居产品缺少对用户位置的感知功能，极少产品虽然配置了红外传感器等设备用于感知人体，但是依旧处于独立工作状态，无法实现智能家居产品基于用户位置的统一管理。
3.目前，部分学者提出了基于无线信号定位的技术方案，以解决智能家居产品对用户位置的感知问题。例如 ：一种基于无线信号数据融合的室内定位方法（cn104640076b），该技术文献通过wi
‑
fi信号和rfid信号融合的方式，结合卡尔曼滤波器对接收信号进行噪声优化处理，并将得到的优化了的rssi值进行三边测量计算，从而得到移动节点的定位坐标；基于神经网络学习的rssi室内定位测距方法、室内定位平台（cn109814066a），该技术文献解决了室内复杂多变的环境问题以及随着有人无人自动切换模型，则由rssi转换为距离的精度将会明显提升，定位结果也会更加精确；一种基于卷积神经网络的新型csi室内定位方法（cn111212379a），利用图像识别的方式实现室内定位，提升了定位性能的稳定性，有效降低了由噪声和信息丢失引起定位误差，能够满足室内定位应用场景中的高精度、低成本要求。
4.上述基于无线信号定位的技术方案中，一部分方案需要依靠额外的传感器或其他信号源进行定位预测，另一部分则需要在被检测物体或人体上绑定无线设备，利用随身携带的设备收到各个ap的信号变化来推理定位，均存在布线复杂、应用成本高等技术问题，不利于推广。


技术实现要素：

5.面对上述技术背景和技术问题，本发明提出了一种无线信号定位方法及其装置，该方法利用深度学习技术探究移动物体对无线信号有规律的影响，移动物体或人体无需绑定无线设备，即可稳定、快速、准确的预测有效区域内移动物体或人体的位置，该方法可选择的配合人体传感器和家电控制器，实现基于用户位置信息的个性化家居管控效果，可广泛的应用于智能家居领域。
6.为达到上述目的，本发明的实施例采用如下技术方案：一种无线信号定位方法，其特征在于，包括如下操作步骤：1）区域划分：将有效区域等分成多个子区域作为数据采样点；2）无线信号收集：将物体或人体依次移动到不同的数据采样点中，并依次记录无线网络中多个无线设备对应的影响数据；3）数据构建：基于采样点序号和影响数据构建原始数据；
4）数据预处理：对原始数据进行归一化、白化或滤波处理，保留有效数据；5）权重模型构建：基于有效数据，利用神经网络技术构建权重模型；6）权重模型预测：基于当前的影响数据，通过权重模型推断出物体或人体所在的子区域。
7.优选的，所述子区域的形状为正方形、长方形、六边形中的一种。
8.优选的，所述无线网络包括wifi网络、蓝牙网络、sub
‑
1ghz网络、2.4g网络、4g网络、5g网络或6g网络中的一种或多种组合优选的，所述影响数据包括无线设备的物理地址、rssi、csi或lqi信息中的一种或多种，其中csi信息包含但不限于幅度、相位、时延、天线编号、传播的路径等信息中的一种或多种组合。
9.优选的，所述影响数据还包括当前采集区域和非当前采集区的流量数据、当前采集区域和非当前采集区的窗帘状态信息、当前采集区域和非当前采集区的门窗状态信息、当前采集区域和非当前采集区的临时通信设备数量和状态信息、当前采集区域和非当前采集区的活体数量和状态信息中的一种或多种组合，状态信息包含但不限于开、关、半开合、高/低/中通信数据量、活体动/静状态、活体快/慢状态。
10.优选的，所述无线信号收集过程中采用如下数据记录格式：f
i
=(l
i
, h
i , cn
i , n
i , c
i , w
i , d
i , t
i ,mac
i1
,rssi
i1
,csi
i1
,lqi
i1
…
,mac
in
,rssi
in
,csi
in
, lqi
in
)，其中：l
i
表示物体或人体在第i个采样点；h
i
表示第i个采样点中物体或人体的状态；cn
i
表示当前采集区域的网络通信情况；n
i
表示非当前采集区域的网络通信情况；c
i
表示记录第i个采样点数据时有效区域内窗帘状态；w
i
表示记录第i个采样点数据时有效区域内窗户状态；d
i
表示记录第i个采样点数据时有效区域内门的状态；t
i
表示记录第i个采样点数据的记录时间；mac
in
表示在第i个采样点记录的第n个无线设备的物理地址；rssi
in
表示在第i个采样点记录的第n个无线设备的rssi数据；csi
in
表示在第i个采样点记录的第n个无线设备的csi数据； lqi
i
表示在第i个采样点记录的第n个无线设备的lqi数据。
11.优选的，所述原始数据包括如下指纹数据模型：所述指纹数据模型包括所有采样点的记录数据，其中：l
m
表示物体或人体在第m个采样点；h
m
表示第m个采样点中物体或人体的状态；cn
m
表示当前采集区域的网络通信情况；n
m
表示非当前采集区域的网络通信情况；c
m
表示记录第m个采样点数据时有效区域内窗帘状态；w
m
表示记录第m个采样点数据时有效区域内窗户状态；d
m
表示记录第m个采样点数据时有效区域内门的状态；t
m
表示记录第m个采样点数据的记录时间；mac
mn
表示在第m个采样点记录的第n个无线设备的物理地址；rssm
mn
表示在第m个采样点记录的第n个无线设备的rssm数据；csm
mn
表示在第m个采样点记录的第n个无线设备的csm数据； lqm
m
表示在第m个采样点记录的第n个无线设备的lqm数据。
12.优选的，所述神经网络包括dnn网络、cnn网络、rnn网络、lstm网络、gru网络、birnn网络、双向lstm网络、bigru网络、或elm网络中的一种或多种组合。
13.优选的，上述无线信号定位方法用的定位装置，包括处理器以及与所述处理器相
连的无线电路、电源电路、通讯电路、人体红外传感器电路和gpio控制阵列电路，其中：所述处理器用于数据处理；所述无线电路用于无线信号的发送、接收和监听；所述电源电路用于向装置各单元供电；所述通讯电路用于与服务器或上位机通讯；所述人体红外传感器电路用于检测有效区域内是否出现人体；所述gpio控制阵列电路的输入端连接处理器，gpio控制阵列电路的输出端连接存储电路、红外控制电路和指示电路。
14.优选的，还包括安装电路用的壳体和盖体，其中：所述壳体的中部下凹形成安装腔，所述安装腔的顶部外沿设置有安装台阶，所述安装台阶上侧对称设置有多个定位台，安装台阶的中部对称设置有多个连接底孔，安装台阶的内侧对称设置有多个用于固定电路板用的安装座，所述安装座上开设有安装孔；所述盖体的外轮廓与安装台阶的轮廓相吻合，盖体的外沿开设有多个与定位台形状吻合的定位口，盖体还开设有多个与连接底孔位置相应的连接顶孔，盖体的内侧设置有密封圈，安装腔的侧壁上还设置有安装天线用的天线孔、安装通讯接口用的插座口和连接电源用的电源口。
15.本发明提出的技术方案具有以下有益效果：（1）本发明的定位方法利用深度学习技术探究移动物体对无线信号有规律的影响，构建物体位置与无线信号影响数据之间的权重模型，通过实时监测、分析无线信号影响数据预测当前物体的位置，与现有技术相比，本发明中的移动物体或人体无需绑定无线设备，即可稳定、快速、准确的预测有效区域内移动物体或人体的位置，该方法可选择的配合人体传感器和家电控制器，实现基于用户位置信息的个性化家居管控效果，可广泛的应用于智能家居领域。
16.（2）本发明的定位装置结构紧凑，仅利用无线电路即可采集所需数据，同时，基于处理器预存的权重模型和无线信号的影响数据预测物体或人体位置，以产生响应的控制动作，例如：发射无线控制信号启动电视或空调，发射无线控制信号关闭吊灯等。同时，该装置配置的壳体和盖体密封性和散热性好，安装后表面平整。
17.（3）本发明相比摄像头视频拍录来智能分析定位的技术方案，不仅能保护用户隐私，还能克服摄像头遮挡导致的多个技术问题，例如：识别不了、误识别等，克服了照片和/或视频伪造导致的隐私和安全的相关问题。
18.（4）本发明相比于传统的传感器方案，能够显著降低系统部署过程中的人力、物料，简化其设计和布线过程，方便施工和应用。
附图说明
19.图1为本发明中整体流程示意图；图2为本发明中权重模型构建示意图；图3为本发明的电路示意图；图4为本发明的应用示意图；图5为本发明的壳体结构示意图；图6为本发明的壳体侧面结构示意图；图7为本发明的盖体结构示意图；图中，1
‑
壳体、 101
‑
安装腔、102
‑
安装台阶、 1011
‑
天线孔、1012
‑
插座口、1013
‑
电源口、 1021
‑
定位台、1022
‑
连接底孔、1023
‑
安装座、1024
‑
安装孔、 2
‑
盖体、 201
‑
定位口、
202
‑
连接顶孔、203
‑
密封圈。
具体实施方式
20.在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。 术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
21.根据附图所示，对本发明进行进一步说明：实施例一如图1所示，该无线信号定位方法包括如下操作步骤：1）区域划分：将有效区域等分成多个子区域作为数据采样点；具体的，将有效区域等分成多个正方形、长方形或六边形，例如：将矩形室内划分为等面积的多个30cm*30cm的正方形，一般情况下，划分出的子区域轮廓范围在10cm至50cm之间。
22.2）无线信号收集：将物体或人体依次移动到不同的数据采样点中，并依次记录无线网络中多个无线设备对应的影响数据；具体的，不同位置的人体或物体会吸收信号、反射信号，产生不同的影响信号，因此，让用户依次进入不同的采样点中，记录对应的影响数据。
23.需要说明的是，无线信号包含但不限于 wifi信号，蓝牙信号，sub
‑
1ghz信号，2.4g信号，4g/5g/6g信号等。此外，被记录的影响数据包含但不限于rssi,csi,lqi等信号,其中csi信息包含但不限于幅度、相位、时延、天线编号、传播的路径等信息中的一种或多种组合。理论上，无线模块发送的物理数据帧都含有csi和rssi，部分含有lqi等信息，实际中只有部分无线模块开放了csi，通过自研的无线模块，理论上可以获取所有的信息。
24.3）数据构建：基于采样点序号和影响数据构建原始数据；具体的，影响数据还可以包括当前采集区域的网络通信情况、非当前采集区域的网络通信情况等信息、当前采集区域和非当前采集区的临时通信设备数量和状态信息、当前采集区域和非当前采集区的活体数量和状态信息中的一种或多种组合。其中，状态信息包含但不限于开、关、半开合、高/低/中通信数据量、活体动/静状态、活体快/慢状态。
25.4）数据预处理：对原始数据进行预处理，保留有效数据；具体的，处理方法包含但不限于零均值、归一化、pca/zca白化、滤波处理；滤波方法包含但不限于卡尔曼或粒子滤波。
26.5）权重模型构建：基于有效数据，利用神经网络技术构建权重模型；具体的，神经网络包括dnn网络、cnn网络、rnn网络、lstm网络、gru网络、birnn网络、双向lstm网络、bigru网络、或elm网络中的一种或多种组合、或者现有多种神经网络之间的部分算法的堆叠与组合。
27.需要说明的是，本实施例中没有罗列具体保护神经网络的组成架构，因为不同层数和网络、或者前后函数顺序对调与组合等都能得到对应的效果，因此，可以利用现有算法
函数对调或堆叠或增删网络层数进行实现。
28.6）权重模型预测：基于当前的影响数据，通过权重模型推断出物体或人体所在的子区域。
29.本实例中，将人体对线信号的影响数据进行深度学习后预测位置信息，可选择地配合相关传感器，如：人体传感器，从而控制相关的设备运行状态。该方案是利用人体对各个无线节点的信号影响深度学习后预测位置。
30.实施例二本实施例中，无线信号收集过程中的数据记录格式为：f
i
=(l
i
, h
i , cn
i , n
i , c
i , w
i , d
i , t
i ,mac
i1
,rssi
i1
,csi
i1
,lqi
i1
…
,mac
in
,rssi
in
,csi
in
, lqi
in
)，其中：l
i
表示物体或人体在第i个采样点；h
i
表示第i个采样点中物体或人体的状态；cn
i
表示当前采集区域的网络通信情况；n
i
表示非当前采集区域的网络通信情况；c
i
表示记录第i个采样点数据时有效区域内窗帘状态；w
i
表示记录第i个采样点数据时有效区域内窗户状态；d
i
表示记录第i个采样点数据时有效区域内门的状态；t
i
表示记录第i个采样点数据的记录时间；mac
in
表示在第i个采样点记录的第n个无线设备的物理地址；rssi
in
表示在第i个采样点记录的第n个无线设备的rssi数据；csi
in
表示在第i个采样点记录的第n个无线设备的csi数据； lqi
i
表示在第i个采样点记录的第n个无线设备的lqi数据。
31.需要说明的是，可以根据实际应用情况对增加或减少上述格式中的某个特征要素。
32.实施例三原始数据包括的指纹数据模型如下：其中，指纹数据模型包括所有采样点的记录数据，其中：l
m
表示物体或人体在第m个采样点；h
m
表示第m个采样点中物体或人体的状态，例如：使用不同参数代表无人、一人、多人、人坐着、站着等状态；cn
m
表示当前采集区域的网络通信情况，判断当前采集区域内是否存在看视频、打游戏、文件传输等行为；n
m
表示非当前采集区域的网络通信情况，判断非当前采集区域内是否存在看视频、打游戏、文件传输等行为；c
m
表示记录第m个采样点数据时有效区域内窗帘状态，例如：使用不同参数代表一个窗帘或多个窗帘的开关组合状态；w
m
表示记录第m个采样点数据时有效区域内窗户状态，例如：使用不同参数代表一个窗户或多个窗户的开关组合状态；d
m
表示记录第m个采样点数据时有效区域内门的状态，例如：使用不同参数代表一个门或多个们的开关组合状态；t
m
表示记录第m个采样点数据的记录时间；mac
mn
表示在第m个采样点记录的第n个无线设备的物理地址；rssm
mn
表示在第m个采样点记录的第n个无线设备的rssm数据；csm
mn
表示在第m个采样点记录的第n个无线设备的csm数据； lqm
m
表示在第m个采样点记录的第n个无线设备的lqm数据。
33.需要说明的是，可以根据实际应用情况对增加或减少上述数据模型中的某个特征要素。在实际应用中，指纹数据还可以是指纹数据模型的文本形式，也可以是数据模型通过相关工具转化成相应的图（例如:热力图）或视频作为数据输入进行训练。
34.实施例四
如图2所示，利用bp人工神经网络训练构建权重模型，具体包括如下步骤：设置多层感知器中隐藏神经元的层数n和节点数m，其中：2≤n≤10、5≤m≤35，设置多层感知器的训练停止规则为无法进一步降低误差，将训练集的训练样本作为多层感知器的训练对象，将测试集的测试样本作为多层感知器的验证对象，利用人工神经网络识别训练并判断accuracy曲线、loss曲线、过拟合等是否满足要求，当满足要求时，基于满足准确率要求的识别训练结果，构建权重模型，当不满足要求时，再次调整多层感知器的参数，重新训练。
35.需要说明的是，神经网络可以接受数据模型作为输入进行训练，也可以把数据模型转化成图（比如热力图或视频）作为输入进行训练。本实施例中，仅以数据模型作为输入来训练出权重模型，但把数据转为图像（比如热力图）或视频作为数据输入训练的方式也在保护范围之内。
36.需要进一步说明的是，训练过程中，神经网络架构是不变的，主要是调参，调参主要根据把训练过程可视化，然后根据train_accuracyvalidation_accuracytrain_lossvalidation_loss 做综合判断来调整参数，例如:更换激活函数、调整学习率、优化数据集等等。
37.实施例五如图3所示，该定位装置包括处理器以及与处理器相连的无线电路、电源电路、通讯电路、人体红外传感器电路和gpio控制阵列电路，本实施例中，处理器可以选用bcm2711型处理器或nvidia xavier型处理器，用于权重模型的存储和推算，处理器也可以通过串口等方式与服务器通讯，服务器可以选择gpu服务器。具体的，无线电路用于无线信号的发送、接收和监听。具体的，电源电路一般采用+5v电源适配器，人体红外传感器电路用于检测有效区域内是否出现人体；gpio控制阵列电路的输入端连接处理器，gpio控制阵列电路的输出端连接存储电路、红外控制电路和指示电路。具体工作时，彩色led发出红色代表采集数据，彩色led发出黄灯代表训练数据，绿色代表系统正常运行。 红色闪烁3次/秒代表采集数据中，红色闪烁1次/秒代表采集数据完成。黄灯闪烁3次/次代表训练数据中，闪烁1次/秒代表训练数据完成。
38.需要说明的是，指示电路用于向用户反馈处理器的工作状态，指示电路包括led、蜂鸣器或显示器；存储电路用于储存模型数据、无线控制信号集和控制数据，控制数据包括算法参数、初始化参数等等。红外控制电路能够产生家电能够识别的控制信号，该电路具备红外学习能力，例如yirx02电路。本实施例中，电路结构只是一种示意结构，该系统还可以与现有电路融合，例如与现有路由器结合，共同设计相关电路。
39.本实施例中，本地处理器没有深度推理能力，则需要传输数据到gpu服务器进行训练或推理预测。当本地处理器具有深度推理能力甚至有深度训练学习能力时，比如jetson系列的处理器，此时，则不需要服务器。
40.实施例六该位置预测方法可选择的配合人体传感器和家电控制器，实现基于用户位置信息的个性化家居管控效果，可广泛的应用于智能家居领域，如图4所示，当无线电路获取无线信号后，开始进行数据构建、数据预处理形成有效的无线信号影响数据，利用影响数据和预存的权重模型可以判断区域内移动物体或人体的位置，此时，再结合人体红外传感器判断是为人体，就可以进行对应的智能控制，例如：当用户进入室内后，开启吸顶灯和空调；当用
户坐在客厅沙发位置时，启动电视； 当用户躺在床上时改变相关的电器运行状态（例如：调整空间温湿度和亮度等）；当用户进入淋浴区一定时间后开始调整设备的运行状态（例如：换气、调温度和亮度、打开淋浴花洒和调整水温）；当用户离开室内后，关闭吸顶灯、空调和电视；有人快速倒地时或有人在特定区域比如洗手间躺卧地上时启动相关紧急措施。
41.实施例七如图5至图7所示，该装置的壳体1的中部下凹形成安装腔101，安装腔101的顶部与壳体1顶部存在高度差、以形成一圈安装台阶102。安装台阶102上侧对称设置有多个定位台1021，安装台阶102的中部对称设置有多个连接底孔1022，安装台阶102的内侧向安装器101对称延伸有多个用于固定电路板用的安装座1023，安装座1023上开设有安装孔1034；盖体2的外轮廓与安装台阶102的轮廓相吻合，盖体2的外沿开设有多个与定位台1021形状吻合的定位口201，盖体2还开设有多个与连接底孔1022位置相应的连接顶孔202，盖体2的内侧设置有密封圈203，密封圈203采用橡胶或硅胶材料，实现盖体2和壳体1的密封效果。具体的，安装腔的侧壁上还设置有安装天线用的天线孔、安装通讯接口用的插座口和连接电源用的电源口。
42.具体的，电路板上设置有螺纹孔，通过螺丝可以将电路板固定在安装座1023上，电路板上的芯片和外围组件向下，且通过硅胶直接与安装腔101的底面接触，壳体1和盖体2采用合金材料，便于散热。实际安装时，盖体2扣装在安装台阶102上，利用定位台1021和定位口201定位，再利用螺丝实现两者的可拆卸连接，安装后表面平整。
43.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。