一种基于蓝牙AOA与深度学习融合的高精度定位方法技术

本发明专利技术公开了一种基于蓝牙AOA与深度学习融合的高精度定位方法，通过到达角定位AOA主节点蓝牙基站与多个被动节点蓝牙基站，获取蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据发送到PC处理终端；PC处理终端将获得的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；根据蓝牙终端实时定位结果判断所述蓝牙终端的运动状态为动态还是静态；若为动态，则基于扩展卡尔曼滤波算法来优化定位结果；若为静态，则基于多点平均滤波算法来优化定位结果。该方法将蓝牙AOA与深度学习网络相结合，实现了相位数据到空间坐标的快速映射，并采用针对不同状态下不同的滤波方法，使数据更准确。使数据更准确。使数据更准确。

【技术实现步骤摘要】
一种基于蓝牙AOA与深度学习融合的高精度定位方法


[0001]本专利技术涉及蓝牙室内定位
，尤其涉及一种基于蓝牙AOA(Arrive of Angle，到达角定位)与深度学习融合的高精度定位方法。

技术介绍

[0002]随着移动设备(如智能手机、智能手表、平板电脑以及一些可穿戴设备)的普及，无线定位催生了大量基于位置的服务(LBS)，以方便我们在紧急服务、导航、医疗保健等领域的日常生活，地理围栏、社交网络、娱乐/游戏、资产跟踪等，例如智能手机用户可以使用谷歌地图轻松计划他们的旅行并在附近订购出租车。在室外环境下，全球定位系统(GPS)、北斗定位系统(BDS)等全球导航卫星系统(GNSS)为用户提供米级的位置服务，基本解决了在室外空间中进行准确定位的问题，并在日常生活中得到了广泛的应用。
[0003]然而，在占人类日常生活时间80％的室内环境中，受到建筑物的遮挡和多径效应的影响，GNSS定位精度急剧降低，无法满足室内位置服务需要，但室内定位在一些特定场合的迫切需求已经日趋显著。室内定位技术在过去的数年间正在诸多行业得到越来越广泛的应用，在我们日常生活中扮演着越来越重要的角色。随着通信技术和无线网络的不断发展与普及，室内定位技术层出不穷，其定位精度在几米到几十米的范围内，并在特定的行业内得到了一定的应用，例如蓝牙定位技术安全性高、成本低、功耗低、设备体积小，目前大部分手机终端都自带蓝牙模块，容易大范围的普及和部署实施。然而蓝牙AOA技术因为利用相位差估算的到达角度去定位AOA发射源的位置，导致定位结果不够精准，并且还面临着信号反射干扰、天线开关时间延迟和室内环境下各种遮挡物，以及反射物等带来的多径效应等问题。因此如何提供一种低成本、低误差、高实时性的针对蓝牙终端的定位方法是一个亟待解决的问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于蓝牙AOA与深度学习融合的高精度定位方法，该方法将蓝牙AOA与深度学习网络相结合，实现了相位数据到空间坐标的快速映射，并采用针对不同状态下不同的滤波方法，使数据更准确。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于蓝牙AOA与深度学习融合的高精度定位方法，所述方法包括：
[0007]步骤1、通过到达角定位AOA主节点蓝牙基站与多个被动节点蓝牙基站，获取蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据发送到PC处理终端；其中，所述IQ相位数据是按照一定的采样率抓取的采样数据，I为In
‑
phase表示同相；Q为Quadrature表示正交，与I相位差90度；
[0008]步骤2、所述PC处理终端将获得的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；
[0009]步骤3、根据蓝牙终端实时定位结果判断所述蓝牙终端的运动状态为动态还是静
态；
[0010]步骤4、若为动态，则基于扩展卡尔曼滤波算法来优化蓝牙终端的实时定位结果；
[0011]步骤5、若为静态，则基于多点平均滤波算法来优化蓝牙终端的实时定位结果。
[0012]由上述本专利技术提供的技术方案可以看出，上述方法将蓝牙AOA与深度学习网络相结合，实现了相位数据到空间坐标的快速映射，并采用针对不同状态下不同的滤波方法，使数据更准确，实现了低成本、高实时性、高速率的高精度室内定位，能将定位精度提升到亚米级。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述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专利技术的一些实施例，对于本领域的普通技术人员来讲，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附图。
[0014]图1为本专利技术实施例提供的基于蓝牙AOA与深度学习融合的高精度定位方法流程示意图；
[0015]图2为本专利技术实施例所述主节点蓝牙基站与蓝牙终端的定位硬件结构示意图；
[0016]图3为本专利技术实施例所述IQ采样的原理图；
[0017]图4为本专利技术实施例中静态多测量平均滤波算法示意图。
具体实施方式
[0018]下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例，这并不构成对本专利技术的限制。基于本专利技术的实施例，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，都属于本专利技术的保护范围。
[0019]如图1所示为本专利技术实施例提供的基于蓝牙AOA与深度学习融合的高精度定位方法流程示意图，所述方法包括：
[0020]步骤1、通过到达角定位AOA主节点蓝牙基站与多个被动节点蓝牙基站，获取蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据发送到PC处理终端；其中，所述IQ相位数据是按照一定的采样率抓取的采样数据，即离散的点，I为In
‑
phase表示同相；Q为Quadrature表示正交，与I相位差90度；
[0021]在该步骤中，首先AOA主节点蓝牙基站与蓝牙终端建立链路连接，并指示所述蓝牙终端发送蓝牙广播信令包；
[0022]主节点蓝牙基站和多个被动节点蓝牙基站接收所述蓝牙终端以广播通信方式发送的蓝牙广播信令包；
[0023]所述主节点蓝牙基站和多个被动节点蓝牙基站基于各自天线阵列中不同天线接收的蓝牙广播信令包之间的相位差，得到蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据由UART串口发送到PC端。
[0024]具体实现中，多个基站协同定位算法，可以显著改善基站覆盖边缘区域的定位精度，从而实现准确定位。如图2所示为本专利技术实施例所述主节点蓝牙基站与蓝牙终端的定位
硬件结构示意图，主节点蓝牙基站和多个被动节点蓝牙基站发送的IQ数据由UART串口汇总到所述PC端。
[0025]举例来说，TLS Master(主节点蓝牙基站)和RTLS Slave(蓝牙终端)通过BLE进行连接；在连接建立以后，RTLS Master通过UART给PC端发送连接信息；然后节点管理器将这段信息传递给多RTLS Passive(个被动节点蓝牙基站)，然后RTLS Passive就可以跟踪连接；接下来，节点管理器为master和passive设置AOA参数，master将通过网络向slave发送一个包来设置固定音扩展(CTE)时间；之后RTLS Master将通过蓝牙连接向RTLS Slave发送一个启动AOA请求，并通过有线向RTLS Passive发送一个启动AOA请求，然后RTLS Slave将在每个连接包的末尾附加CTE；RTLS Passive和RTLS Master可以根据已经建立连接的CTE数据包进行I/Q采样。
[0026]如图3所示为本专利技术实施例所述IQ采样的原理图，其中IQ采样为位于蓝牙基站上的天线阵列具体的接收蓝牙广播信令包的方式，蓝牙广播信令包的接收实际上是接收射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蓝牙AOA与深度学习融合的高精度定位方法，其特征在于，所述方法包括：步骤1、通过到达角定位AOA主节点蓝牙基站与多个被动节点蓝牙基站，获取蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据发送到PC处理终端；其中，所述IQ相位数据是按照一定的采样率抓取的采样数据，I为In
‑
phase表示同相；Q为Quadrature表示正交，与I相位差90度；步骤2、所述PC处理终端将获得的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；步骤3、根据蓝牙终端实时定位结果判断所述蓝牙终端的运动状态为动态还是静态；步骤4、若为动态，则基于扩展卡尔曼滤波算法来优化蓝牙终端的实时定位结果；步骤5、若为静态，则基于多点平均滤波算法来优化蓝牙终端的实时定位结果。2.根据权利要求1所述基于蓝牙AOA与深度学习融合的高精度定位方法，其特征在于，在步骤1中，主节点蓝牙基站与蓝牙终端建立链路连接，并指示所述蓝牙终端发送蓝牙广播信令包；主节点蓝牙基站和多个被动节点蓝牙基站接收所述蓝牙终端以广播通信方式发送的蓝牙广播信令包；所述主节点蓝牙基站和多个被动节点蓝牙基站基于各自天线阵列中不同天线接收的蓝牙广播信令包之间的相位差，得到蓝牙终端的原始采样值I和Q的相位数据，并将得到的IQ相位数据由UART串口发送到PC端。3.根据权利要求1所述基于蓝牙AOA与深度学习融合的高精度定位方法，其特征在于，在步骤2中，所述神经网络模型包括输入层、第一训练层、第二训练层、立体解析层、输出层，其中：所述PC处理终端将获得的多个不同的IQ相位数据输入至神经网络模型的输入层，所述输入层根据多个不同的IQ相位数据，得到多个不同的相位值；将多个不同的相位值输入到所述第一训练层，所述第一训练层根据所述多个不同的相位值得到多个相位差；将所述多个相位差输入所述第二训练层，所述第二训练层根据所述多个相位差得到多个角度值；所述立体解析层将所述多个角度值转化为多个三维立体角；所述输出层再根据所述多个三维立体角和不同天线间的相对位置，将所述多个角度值组合训练到目标空间立方体内，得到相应的三维立体坐标，从而训练得到神经网络模型；所述PC处理终端根据训练好的神经网络模型和IQ相位数据，确定发射信号的蓝牙终端的位置。4.根据权利要求1所述基于蓝牙AOA与深度学习融合的高精度定位方法，其特征在于，所述步骤3的过程具体为：首先对所得到的数据，即蓝牙终端实时定位结果进行预处理，运用拉依达法则对数据进行粗大误差的剔除；然后对蓝牙终端当前时刻的定位结果与多个历史时刻的定位结果计算欧氏距离，并与定位误差允许范围进行比较；其中，所述定位误差允许范围为定位系统实验测得的均方根误差；
若所计算的欧氏距离大于所述定位误差允许范围，则判定为动态；若所计算的欧氏距离小于所述定位误差允许范围，则判定为静态。5.根据权利要求1所述基于蓝牙AOA与深度学习融合的高精度定位方法，其特征在于，在步骤4中，所述基于扩展卡尔曼滤波算法来优化蓝牙终端实时定位结果的过程具体为：卡尔曼滤波算法的状态方程如下：设采...

【专利技术属性】
技术研发人员：王华锋，巨红伟，胡朝晖，黄振阳，刘万泉，张豪督，屠焕青，杜涛，石倩倩，李丹，张如雷，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：