羅開文 俞暉

摘 ?要： 針對室內(nèi)環(huán)境中多徑效應(yīng)影響定位精度的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的室內(nèi)定位（PI-CNN）算法. 以多重信號分類（MUSIC）算法處理后的信道狀態(tài)信息（CSI）作為特征圖像，基于室內(nèi)環(huán)境中不同位置點具有獨特多徑信息的特點，利用各收發(fā)天線間所形成的子信道信息，獲得具有更高時間分辨率的多徑到達時間，將獲取的偽譜信息組成偽譜圖像，生成指紋庫，再利用CNN進行訓(xùn)練和分類處理. 仿真實驗證明，在室內(nèi)環(huán)境存在輕微擾動的情況下，該算法具有較好的抗干擾能力.

關(guān)鍵詞： 深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）; 多重信號分類（MUSIC）算法; 信道狀態(tài)信息（CSI）; 指紋定位

中圖分類號： TN 929.5 ?????文獻標(biāo)志碼： A ????文章編號： 1000-5137（2021）01-0092-09

Abstract： Aiming at the problem that the multipath effect in the indoor environment affected the positioning accuracy，based on a deep convolutional neural network（CNN），pseudo spectral image-CNN（PI-CNN）algorithm was proposed in this paper. Using channel state information processed by multiple signal classification（MUSIC） algorithm as a feature image，based on the unique multipath information of different locations in the indoor environment，the sub-channel information formed between the transceiver antennas was utilized to process the channel state information（CSI） to obtain the multipath arrival time with higher time resolution. The pseudo-spectral information of all antennas at the same sampling point was constructed into pseudo-spectral images to generate a fingerprint library which were used to train the CNN. The simulation experiments showed that the PI-CNN algorithm performed well when dealing with slight disturbance in the indoor environment.

Key words： deep convolutional neural network （CNN）; multiple signal classification（MUSIC） algorithm; channel state information （CSI）; fingerprint location

0 ?引言

5G網(wǎng)絡(luò)可以提供更高的數(shù)據(jù)傳輸速度、更小的延遲和設(shè)備密度[1].毫米波和大規(guī)模天線技術(shù)是5G的候選技術(shù).毫米波通信可在復(fù)雜的環(huán)境下實現(xiàn)高數(shù)據(jù)速率傳輸和低延遲通信，這一特性表現(xiàn)為更高的時間分辨率，從而可以帶來更精確的位置信息，但其傳輸距離很短.因此，常常通過部署大規(guī)模天線陣列，以克服這個缺點[2].

在蜂窩網(wǎng)絡(luò)定位中，最常使用的定位方法是在得到到達時間（TOA）、到達角度（AOA）和接收信號強度（RSS）的信息后，利用三角定位的方法計算位置信息.YANG等[3]和LIN等[4]利用直射路徑和單跳反射徑的相關(guān)信息，但如果對路徑判別出錯，可能會導(dǎo)致較大誤差，且這些方法僅適用于非視距傳輸（NLOS）的情況.為了提高定位精度，指紋定位的方法現(xiàn)已被廣泛應(yīng)用于室內(nèi)定位.

指紋定位方法中，由于獲取簡單，并且能反映一定的位置信息，RSS經(jīng)常被用作指紋特征.但對于一個固定位置，RSS的大小時常會隨著時間的變化表現(xiàn)出波動性，造成較大誤差.相較于RSS，信道狀態(tài)信息（CSI）提供了每個子載波的信號頻域響應(yīng)，可以反映多徑信息，并且更加穩(wěn)定.WANG等[5]將3根接收天線分別接收到的30個子載波的幅度信息作為指紋特征，將深度學(xué)習(xí)的方法用于定位;CHEN等[6]考慮了子載波的幅度信息隨著時間推移表現(xiàn)出的波動性，提出了CSI圖像的概念.ZHANG等[7]考慮到不同時刻所采集的CSI幅度有較大的差異性，改進了定位算法;ZHANG等[8]結(jié)合CSI幅度信息和RSS，提高了定位精度.然而，如果定位過程中存在信號被阻擋的情況，例如有人員走動，或者有障礙物阻擋路徑，上述方法的定位精度將受到較大影響.

帶寬有限的情況下，基于信道沖激響應(yīng)（CIR）和基于信道頻率響應(yīng)（CFR）特性的穩(wěn)健性不同.由于單條路徑在時域內(nèi)基本上是獨立的，CIR對路徑的變化不太敏感;相反，如果路徑在頻域內(nèi)被扭曲，將使整個CFR發(fā)生巨大變化[9].JIN等[10]利用傅里葉變換對接收到的CIR進行估算，實驗結(jié)果表明當(dāng)實時環(huán)境發(fā)生變化時，也能保持較高的定位精度;LI等[11]利用多重信號分類（MUSIC）算法計算CFR的偽譜信息，將偽譜信息第一個峰值對應(yīng)的時間信息估算TOA，進行三角定位.LIN等[12]利用同一位置接收機接收到的CFR信息估算接收機的個數(shù)，并分別計算不同路徑的延遲量，通過統(tǒng)計不同位置的偽譜和RSS分布信息的相似性實現(xiàn)定位.

傳統(tǒng)方法僅利用不同接收天線所采集的信號，忽略信號的來源.本文作者關(guān)注到不同采樣時刻同一收發(fā)天線對的偽譜信息具有相似性，提出一種新型偽譜圖像，由四層子偽譜圖組成一張偽譜圖，分別展現(xiàn)了不同子信道在時域和空間域上的特異性和關(guān)聯(lián)性.

為了降低硬件設(shè)備成本和軟件實現(xiàn)復(fù)雜度，本文作者采用MUSIC算法獲得不同路徑的到達時間，將MUSIC算法處理后的CSI信息作為特征圖像，提出一種基于CNN的室內(nèi)定位（PI-CNN）算法，充分利用不同的接收天線和發(fā)射天線對形成的子信道信息，獲得較高精度的室內(nèi)定位結(jié)果.

1 ?定位模型

1.1 信道模型

3 ?基于CNN的定位

與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)相比，CNN具有稀疏交互和參數(shù)共享的特點，因此在實際應(yīng)用中減少了運行時間和參數(shù)個數(shù)，該方法被廣泛應(yīng)用于計算機視覺領(lǐng)域的各個方面.

相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，CNN更能捕捉CSI偽譜圖像在時域和空間域上的變化和關(guān)聯(lián)性.本研究中，將定位問題轉(zhuǎn)化為分類問題，主要分為兩個階段：訓(xùn)練階段和離線定位階段.在訓(xùn)練階段，從不同的RP采集獲取CSI偽譜圖，利用CNN網(wǎng)絡(luò)進行訓(xùn)練;在離線定位階段，采集各測試點CSI信息，采用同樣的方法獲得偽譜圖，按照訓(xùn)練后的CNN網(wǎng)絡(luò)進行分類，選取分類器輸出概率較高的RP值，利用加權(quán)質(zhì)心的方法求取位置坐標(biāo).

增加CNN的深度在一定程度上可提取更豐富的特征信息，提高分類的精度，但也可能造成準(zhǔn)確率突然降低的問題，而且也對硬件設(shè)備提出了一定的要求.因此，基于偽譜圖的結(jié)構(gòu)特征，提出一個15層網(wǎng)絡(luò)結(jié)構(gòu)，分別由5個卷積層、5個歸一化層、3個池化層和2個全連接層組成，如表1所示.為了去除掉一些異常樣本造成的影響，采用最大池化層保持最顯著的特征.在每一層卷積層后加入歸一化層進行非線性處理，以防止梯度彌散，加快網(wǎng)絡(luò)的訓(xùn)練，每一個歸一化層均放在卷積層的后面.同時，在全連接層中，為了避免過擬合的問題，在兩個全連接層中都使用了50%的Dropout處理，如圖3所示，省略了歸一化層的結(jié)構(gòu).

4 ?仿真及評估

4.1 仿真設(shè)置

改進MATLAB中Scattering MIMO channel的模型，發(fā)射機和接收機的天線均為均勻直線天線陣列，天線數(shù)均為4.實驗場景如圖4所示，在一個5 m×6 m×3 m的室內(nèi)環(huán)境中，部署1臺發(fā)射機（圓形符號）置于房間的一側(cè)，12個接收機均勻排布作為參考點（叉形符號），其中相鄰的2個參考點間隔1 m，與基站最近的參考點距離為3 m，所有的參考點和基站處于同一水平高度，待測點用星形符號標(biāo)記.通過調(diào)整室內(nèi)環(huán)境中障礙物的數(shù)量，可改變無線傳播環(huán)境，從而改變室內(nèi)傳播的多徑信道模型.

在OFDM子載波中，采用正交相移鍵控（QPSK）方式調(diào)制，對每一個時隙中的信道狀態(tài)信息參考信號（CSI-RS）進行資源映射.

經(jīng)過信道模型后，加入高斯白噪聲，在接收端按照文獻[15]中的標(biāo)準(zhǔn)進行配置，利用CSI-RS進行信道估計獲得CSI，經(jīng)解調(diào)后，所采集到的數(shù)據(jù)維數(shù)是300×14×4×4，子載波的個數(shù)為300個，共有14個符號.

圖4 實驗?zāi)Ｐ筒季?/p>

4.2 實驗參數(shù)的影響

4.2.1 無線傳播環(huán)境的影響

為了評估無線傳播環(huán)境的影響，在不改變其他因素的前提下，對室內(nèi)環(huán)境中的障礙物數(shù)量進行了調(diào)整.總共進行了3組實驗，障礙物的數(shù)量分別是20，30和40，分別對應(yīng)不同的多徑傳播環(huán)境.當(dāng)障礙物數(shù)量較少時，每一個參考點的多徑數(shù)量較少;相反地，障礙物增多時，室內(nèi)傳播環(huán)境變得更加復(fù)雜.

圖5展示了不同的障礙物情況下的累計定位誤差分布圖，定位誤差通過計算待測點的真實位置坐標(biāo)與預(yù)測值之間的絕對距離求得.通過實驗結(jié)果可以看出，當(dāng)室內(nèi)的障礙物數(shù)量為40時，定位精度較低;當(dāng)障礙物數(shù)量為20時，且室內(nèi)傳播環(huán)境簡單，定位精度良好;當(dāng)障礙物數(shù)量為30時，定位精度最高.這也就說明，當(dāng)室內(nèi)多徑數(shù)量較少時，由于不同參考點之間的距離比較近，多徑信息具有一定的相似性;當(dāng)多徑數(shù)量適當(dāng)增加時，每個位置的多徑信息的獨特性逐步顯現(xiàn).

4.2.2 信噪比（SNR）的影響

在室內(nèi)無線傳播環(huán)境良好的情況下，總共進行了3組實驗，SNR的值分別是30，40和50 dB，分別對應(yīng)了不同程度的噪聲干擾.

圖6展示了不同的SNR情況下，累計定位誤差分布圖.通過實驗結(jié)果分析可以看出，SNR值越大，定位精度越高.當(dāng)信噪比為30 dB時，平均定位誤差為0.23 m，這也說明即使在噪聲干擾較大的情況下，本方法仍能獲得較好的定位效果.

4.2.3 候選位置K的影響

采用加權(quán)質(zhì)心方法計算待測點的位置坐標(biāo).為了探究候選位置點的個數(shù)對實驗結(jié)果的影響，設(shè)置了不同的K值進行對比實驗.在具體實驗時，發(fā)現(xiàn)大多數(shù)的正確結(jié)果集中在前4個輸出位置，將K的值分別設(shè)置為2，3和4.

4.2.4 不同方法的性能比較

為了驗證PI-CNN算法的性能，在相同的實驗?zāi)Ｐ拖拢謩e與Confi算法[6]和SFP-I算法[12]進行比較.Confi算法將CSI信息類比為圖像，利用神經(jīng)網(wǎng)絡(luò)的方法解決定位的問題;SFP-I算法是將每個位置點上的偽譜信息和RSS值作為該位置的指紋特征，通過比較待測點和不同參考點間指紋特征的相似性進行定位.

圖8展示了3種定位方法的定位誤差分布圖的平均定位誤差.由圖8可以看出，PI-CNN平均定位精度為0.18 m，Confi算法的平均定位精度為0.28 m，SFP-I算法的平均定位精度為0.65 m.這是因為在線定位階段，PI-CNN算法適當(dāng)調(diào)整了部分測試集障礙物的數(shù)量，保持了原室內(nèi)障礙物的分布情況，隨機增加了少量障礙物的數(shù)量，以模仿真實場景中由于人員擾動帶來的影響.通過對實驗結(jié)果的數(shù)值分析可得，本算法定位精度在0.4 m以內(nèi)，達到了90%，而另外兩種方法分別只達到了72%和26%.PI-CNN和Confi算法都表現(xiàn)出了比較好的定位效果，這也說明了CNN具有較好的泛化能力，可較好地捕捉數(shù)據(jù)的特征，實現(xiàn)高精度定位.PI-CNN算法的定位效果最好，說明利用經(jīng)MUSIC算法處理后生成的偽譜圖信息，可較好反映地理位置特征，同時對環(huán)境中的擾動具有良好的抗干擾特性.

5 ?結(jié)論

本文作者提出了一種基于CNN，將MUSIC算法處理后的重組CSI信息作為特征圖像的室內(nèi)定位算法——PI-CNN算法.解調(diào)不同的收發(fā)天線對的子信道CSI信號，利用MUSIC算法獲得偽譜信息，形成子偽譜圖，將同一個位置點的子偽譜圖組合成偽譜圖像集，利用CNN對其進行訓(xùn)練和分類.選取合適的參數(shù)信息進行對比實驗，在本文的實驗?zāi)Ｐ椭凶罱K達到了0.18 m的平均定位精度.與Confi和SFP-I算法比較，當(dāng)環(huán)境中存在擾動信息時，PI-CNN算法表現(xiàn)出了較好的抗干擾特性.

參考論文：

[1] KOIVISTO M，COSTA M，HAKKARAINEN A，et al.Joint 3D positioning and network synchronization in 5G ultra-dense networks using UKF and EKF [C]//2016 IEEE Globecom Workshops （GC Wkshps）.Washington，DC：IEEE，2017：1-7.

[2] LIU Y，SHI X，HE S，et al.Prospective positioning architecture and technologies in 5G networks [J].IEEE Network，2017，31（6）：12-18.

[3] JIA Y，TIAN H，F(xiàn)AN S S，et al.Motion feature and millimeter wave multi-path AoA-ToA based 3D indoor positioning [C]//29th Annual International Symposium on Personal，Indoor and Mobile Radio Communications （PIMRC）.Bologna：IEEE，2018：1-7.

[4] LIN Z P，LYU T J，MATHIOPOULOS P T.3-D indoor positioning for millimeter-wave massive MIMO systems [J].IEEE Transactions on Communications，2018，66（6）：2472-2486.

[5] WANG X，GAO L，MAO S，et al.CSI-based fingerprinting for indoor localization：a deep learning approach [J].IEEE Transactions on Vehicular Technology，2017，66（1）：763-776.

[6] CHEN H，ZHANG Y F，LI W，et al.ConFi：convolutional neural networks based indoor Wi-Fi localization using channel state information [J].IEEE Access，2017，5：18066-18074.

[7] ZHANG H，ZHANG Z C，ZHANG S Q，et al.Fingerprint-based localization using commercial LTE signals：a field-trial study [C]//90th Vehicular Technology Conference （VTC2019-Fall）.Honolulu：IEEE，2019：1-5.

[8] ZHANG H，DU H，YE Q，et al.Utilizing CSI and RSSI to achieve high-precision outdoor positioning：a deep learning approach [C]//IEEE International Conference on Communications （ICC）.Shanghai：IEEE，2019：1-6.

[9] YANG Z，ZHOU Z，LIU Y.From RSSI to CSI：indoor localization via channel response [J].ACM Computing Surveys，2013，46（2）：1-32.

[10] JIN Y Y，SOH W S，WONG W C.Indoor localization with channel impulse response based fingerprint and nonparametric regression [J].IEEE Transactions on Wireless Communications，2010，9（3）：1120-1127.

[11] LI X R，PAHLAVAN K.Super-resolution TOA estimation with diversity for indoor geolocation [J].IEEE Transactions on Wireless Communications，2004，3（1）：224-234.

[12] LIN Y，TSENG P H，CHAN Y，et al.A super-resolution-assisted fingerprinting method based on channel impulse response measurement for indoor positioning [J].IEEE Transactions on Mobile Computing，2019，18（12）：2740-2753.

[13] WAX M，KAILATH T.Detection of signals by information theoretic criteria [J].IEEE Transactions on Acoustics，Speech，and Signal Processing，1985，33（2）：387-392.

[14] AKAIKE H T.A new look at the statistical model identification [J].IEEE Transactions on Automatic Control，1974，19（6）：716-723.

[15] 3GPP.Physical channels and modulations [S].3GPP：Valbonne，2020.

（責(zé)任編輯：包震宇）