适用于工业场景的基于深度学习的蓝牙AoA定位方法

本发明涉及室内定位，尤其涉及一种适用于工业场景的基于深度学习的蓝牙aoa定位方法。

背景技术：

1、工业4.0时代，随着物联网和边缘计算等技术的快速发展，智能制造和智能仓储等范式的运作效率显著提高。对这些范式而言，位置信息非常重要。实时定位技术可以提供物体和人员的实时位置信息。在仓库中这些信息可以用来提高运作效率，特别是在订单拣选和库存管理方面。车间内的精确定位有利于任务分配和车辆路线规划。此外，定位系统还可以在工人和车辆接近危险区域时发出警报，从而提醒采取必要的安全措施。

2、虽然全球定位系统(global positioning system,gps)、北斗和其他基于卫星的定位系统在室外环境中表现出色，但在仓库或车间等复杂的室内工业环境中，由于布局复杂、干扰源多使信号衰减严重，导致其无法满足室内定位的需求。如今，室内定位系统在工业4.0的应用中获得了越来越多的研究。在大规模部署中，系统必须兼顾精度与技术成本、功耗和实时性等一系列特性。蓝牙特别兴趣小组(special interest group,sig)将到达角(arrival ofangle,aoa)定位正式纳入蓝牙核心规范5.1中，将低功耗蓝牙(bluetooth lowenergy,ble)的定位精度提升到了一个新的水平。结合ble的低成本、低功耗特点，aoa技术的研究对满足工业4.0应用的大规模同时定位具有重要意义。

3、然而，工业环境下蓝牙aoa估计算法的应用仍处于起步阶段，核心规范中缺乏对aoa估计算法使用的全面指导。传统的aoa算法主要包括多重信号分类(multiple signalclassification,music)、传播器直接数据采集(propagator direct dataacquisition,pdda)和信号减法子空间(signal subtraction subspace,sss)等。如何从ble天线阵列采集的同相和正交(in-phase and quadrature,i/q)数据中计算出准确的aoa信息值得深入研究。有方法为通过天线之间相位数据的平均差值获得相位差估值，用music算法在相位差估值范围计算出相位差精确值，然后对相位差进行频率校正和到达角转换。但没有考虑多径效应对算法造成的干扰。有方法为基于密度的带噪声应用空间聚类和sss技术，以减少相干信号的干扰和工人移动造成的短期干扰，但在大规模部署时依赖终端的算力。

4、对于工业4.0场景(如车间或仓库)而言，由于存在大量设备、墙壁和金属物品，会使得该环境下存在大量的信号噪声和多径效应干扰，使上述所提到的传统aoa算法会受多径效应干扰降低定位精度。相比之下，基于天线阵列采集的i/q值特征的深度学习(deeplearning,dl)方法在处理多径效应方面优于传统的信号处理方法。经过训练的dl模型能够从输入的i/q数据中获得aoa读数，而无需像传统算法一样对i/q数据进行复杂计算，可以有效降低计算成本。有方法为将终端获取的iq相位数据输入到训练好的神经网络模型中获得蓝牙终端的实时定位结果，根据蓝牙终端的运动状态采取不同的滤波算法进行优化处理，但其未考虑在工业等复杂场景下的大批量部署的问题。因为dl模型存在着可能过拟合的问题，从而影响泛化能力。收集更多数据来训练dl模型是一个可行的解决方案，但这需要大量的时间来收集数据和标记。传统的数据采集方法通常是人工划分区域以采集定点数据，耗时耗力的训练工作阻碍了在工业场景中的大规模部署。其次，在部署系统和收集数据时，还需要不影响当前作业流程的正常运转。鉴于此，有必要对现有ble基于深度学习的aoa算法进行改进。

技术实现思路

1、为实现上述目的，本发明提出一种适用于工业场景的基于深度学习的蓝牙aoa定位方法，该方法利用超宽带在室内定位中的精度优势，将其与低功耗、低成本、高可扩展性的ble技术相结合，设计一种用于aoa估计的深度学习模型架构，在ble数据集的采样和标记阶段，使用超宽带(ultra-wideband，uwb)完成对数据集的自动标记工作，以支持工业场景的大规模部署，aoa训练数据在工人工作时便可完成采集，避免对日常生产产生影响。具体技术方案为：

2、一种适用于工业场景的基于深度学习的蓝牙aoa定位方法，包括如下步骤：

3、融合ble和uwb技术，将ble标签与uwb标签进行组合，共同采集i/q数据和位置信息；

4、对i/q数据执行数据清洗工作，将位置信息转化为aoa信息，并进行标签标记；

5、处理后的i/q数据和aoa信息分别输入深度学习模型进行训练，并使用训练好的模型在线订阅实时i/q数据输出aoa值；

6、将aoa值转换到全局坐标系中，采用最小二乘法进行位置估计输出目标标签的位置信息。

7、进一步地，将ble标签与uwb标签进行组合，共同采集i/q数据和位置信息，具体步骤包括：ble标签传输带有固定频率扩展(constant tone extension,cte)的无线电广播数据包，基站在接收信号时，按照cte数据规定的顺序切换天线阵列上的采样天线，采集得到原始采样值i/q，通过消息队列遥测传输协议(message queuing telemetry transport,mqtt)协议发布i/q数据；uwb标签采用双边双向测距(double-sidedtwo-wayranging,ds-twr)算法进行测距，然后使用多边定位算法输出标签的位置信息并通过mqtt发布位置信息；把uwb标签的位置信息赋值给ble标签，基于数据的时间戳采用插值法进行对齐。

8、进一步地，uwb标签采用双边双向测距算法进行测距，具体计算公式为：

9、

10、其中，tdelay1表示uwb标签在接收到数据包后发送到锚点的时延，tround1表示锚点在接收到消息的第一个往返时间，tdelay2表示锚点发送消息到uwb标签的时延，tround2表示uwb标签接收到消息的第二个往返时间，tofa_t表示基站和标签之间的飞行时间；

11、根据飞行时间计算站和标签之间的距离d，计算公式为：

12、d＝c×tofa_t(2)

13、其中，c表示光速。

14、进一步地，对i/q数据执行数据清洗工作，包括：设定信噪比阈值，将信噪比小于阈值的数据视作异常值丢弃；计算数据集中相位差或幅度差的均值和标准差，设定z值的阈值，将z值大于阈值的数据为异常值并过滤；对位置信息进行角度转换得到aoa信息。

15、进一步地，信噪比的计算公式为：

16、snr＝10×log10(psignal/pnoise)  (3)

17、其中，psignal表示信号功率，pnoise表示噪声功率，其中其中ai表示第i个采样时间的幅度，n表示总采样时间；

18、计算相位差的具体步骤包括：

19、计算相邻相位值之间的相位差δφi，δφi＝φi+1-φi；

20、通过检测相位跳变并修正到[-π,π]的范围内，具体公式为：

21、δφimod＝δφi-2π·round(δφi/2π)   (4)

22、其中round函数表示四舍五入操作；

23、将修正后的相位差加到前一个解卷绕相位值上，得到解卷绕之后的相位值

24、通过解卷绕之后的相位值计算相位差；

25、z值的计算公式为：

26、z＝(x-μ)/σ   (5)

27、其中，x表示相位差或幅度差的数据，μ表示数据平均值，σ表示数据标准差。

28、进一步地，将位置信息转化为aoa信息，具体步骤包括：

29、获取ble基站天线阵列的位置(xloc,yloc,zloc)和方向信息(α,β,γ)，其中α，β和γ分别表示绕x，y和z轴的旋转角度；旋转矩阵r＝rx(α)·ry(β)·rz(γ)用于局部坐标系和全局坐标系间的转换，其中rx(α)，ry(β)和rz(γ)分别表示绕x，y和z轴的旋转矩阵，具体公式为：

30、

31、将uwb标签的位置信息记为(xtag,ytag,ztag)；计算标签与基站之间的相对位置矢量(δx,δy,δz)＝(xtag-xloc,ytag-yloc,ztag-zloc)；使用旋转矩阵r将其转换到基站局部坐标系内记为(xrel,yrel,zrel)＝r·(δx,δy,δz)；将位置信息转换方位角和俯仰角θ作为aoa信息，完成对i/q数据的角度标签标记，其中，并在数据完成标记后，将uwb移除。

32、进一步地，处理后的i/q数据和aoa信息分别输入深度学习模型进行训练，具体包括以下步骤：

33、将i/q数据视为二维图像，用卷积神经网络(convolutionalneuralnetwork,cnn)单元提取其空间特征，采用两个2d卷积层，并使用整流线性单元relu激活函数，其中每个卷积层后面接一个最大池化层，用于对数据进行下采样提取主要特征，以减少空间维度和计算时间；

34、将cnn提取的特征展平并作为输入序列送到长短期记忆网络(long short-termmemory,lstm)层中，将i/q数据视为时序数据以捕获其时间依赖性；将lstm的输出到全连接层用于最终的角度预测，并使用relu激活函数来处理提取的特征；

35、输出层采用线性回归来预测方位角和仰角，使用均方误差作为损失函数计算预测角度与真实角度之间的误差，其中，损失函数的公式为：

36、

37、其中，和分别表示模型预测的方位角和仰角值，θi和分别表示真实的方位角和仰角值；

38、使用adam优化器及逆行模型训练，调整模型参数以最小化损失函数。

39、进一步地，将aoa值转换到全局坐标系中，具体步骤包括：

40、设定包括n个基站，每个基站的位置已知为loci，loci＝(xi,yi,zi)，其中i＝1,2,...,n，将目标标签的位置初始化为loctag，loctag＝(x,y,z)；根据标签的mac地址，通过mqtt协议订阅并获取来自基站测量的方位角和俯仰角θi，使用旋转矩阵r根据基站的方向信息将角度由基站局部坐标系转换到全局坐标系中；

41、采用最小二乘法进行位置估计输出目标标签的位置信息，具体步骤包括：

42、计算基站i到目标标签测量方向的方向向量，具体公式为：

43、

44、计算从基站i到标签位置loctag的向量vi，并对其进行归一化获得单位向量则基站i的残差为预测方向向量vi和测量方向向量之间的差异ri，其中，通过汇总基站的残差得到残差函数，计算公式为：

45、

46、通过最小化残差函数获得标签的位置估计值loctag，loctag＝(xpre,ypre,zpre)；

47、采用移动平均滤波对位置估计值进行平滑处理，设定窗口大小为w，构建一个队列用于缓存数据，当队列内数据长度小于窗口大小时，则直接计算当前已有数据点的平均值；当窗口内的数据达到窗口大小，在新数据点到来时进行队列数据更新，计算完整窗口内的平均值，从而实时输出平滑处理后的标签位置信息。

48、根据本发明的一个方面，提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的基于深度学习的蓝牙aoa定位方法。

49、根据本发明的另一个方面，提供一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。

50、相比于现有技术，本发明的有益效果如下：

51、1、本发明在数据采集与标定阶段通过融合uwb和ble技术，在工业场景下，工人正常作业过程中便可实现大规模数据的自动采集与标记工作，不会对日常生产流程产生干扰，保障了生产效率。

52、2、本发明设计并实施一种基于cnn和lstm的深度学习模型架构，可以有效降低工业环境下多径效应带来的干扰，显著提高aoa估计的准确性。

53、3、本发明通过最小二乘法结合多基站的aoa信息，实现了高精度的位置估计，确保了定位的准确性和可靠性。

54、4、本发明所提方法中设备间的数据均通过mqtt协议进行传输和订阅，确保了系统的高可拓展性和灵活性，便于在不同工业场景中部署和应用。

技术特征：

1.一种适用于工业场景的基于深度学习的蓝牙aoa定位方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，将ble标签与uwb标签进行组合，采集i/q数据和位置信息，具体步骤包括：ble标签传输带有固定频率扩展的无线电广播数据包，基站在接收信号时，按照cte数据规定的顺序切换天线阵列上的采样天线，采集得到原始采样值i/q，通过mqtt协议发布i/q数据；uwb标签采用双边双向测距算法进行测距，然后使用多边定位算法输出标签的位置信息并通过mqtt发布位置信息；把uwb标签的位置信息赋值给ble标签，基于数据的时间戳采用插值法进行对齐。

3.根据权利要求2所述的方法，其特征在于，uwb标签采用双边双向测距算法进行测距，具体计算公式为：

4.根据权利要求1所述的方法，其特征在于，对i/q数据执行数据清洗工作，包括：设定信噪比阈值，将信噪比小于阈值的数据视作异常值丢弃；计算数据集中相位差或幅度差的均值和标准差，设定z值的阈值，将z值大于阈值的数据为异常值并过滤。

5.根据权利要求4所述的方法，其特征在于，信噪比的计算公式为：

6.根据权利要求1所述的方法，其特征在于，将位置信息转化为aoa信息，具体步骤包括：

7.根据权利要求1所述的方法，其特征在于，处理后的i/q数据和aoa信息分别输入深度学习模型进行训练，具体包括以下步骤：

8.根据权利要求1所述的方法，其特征在于，将aoa值转换到全局坐标系中，具体步骤包括：

9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1-8中任一项所述的适用于工业场景的基于深度学习的蓝牙aoa定位方法。

10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。

技术总结
本发明公开了一种适用于工业场景的基于深度学习的蓝牙AoA定位方法，包括如下步骤：融合BLE和UWB技术，将BLE标签与UWB标签进行组合，共同采集I/Q数据和位置信息；I/Q数据执行数据清洗工作，将位置信息转化为AoA信息，并进行标签标记；处理后的I/Q数据和AoA信息分别输入深度学习模型进行训练，并使用训练好的模型在线订阅实时I/Q数据输出AoA值；将AoA值转换到全局坐标系中，采用最小二乘法进行位置估计输出目标标签的位置信息。本发明利用UWB在室内定位中的精度优势，将其与低功耗、低成本、高可扩展性的BLE技术相结合，实现数据集的自动数据采集及地面实况标记，从而支持工业场景的大规模部署。

技术研发人员：赵之恒,周迪迪,张梦迪
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/9/23