基于深度學習與信息交互的5G 終端群組定位方法*

謝騰飛，解 晨，秦智軍，何 迪

（1.江西省檢驗檢測認證總院特種設備檢驗檢測研究院，江西 南昌 330052；2.北斗導航與位置服務上海市重點實驗室，上海交通大學 電信學院感知科學與工程學院，上海 200240）

0 引言

室內定位通常是指在室內環境中實現的位置定位，主要是利用基站定位、無線通信、慣性導航等技術集成形成的一套室內位置定位體系[1-2]。

在無線通信時代，已經有很多針對室內定位的技術和方法，目前較為成熟的定位技術有Wi-Fi、藍牙[3]、ZigBee[4]、超聲波[5]、射頻識別[6]等。定位方法有基于接收信號強度指示（Received Signal Strength Indication，RSSI）的三角與三角質心定位方法[7]、基于信號到達時間（Time of Arrival，TOA）和信號到達時間差（Time Difference of Arrival，TDOA）的定位方法[8]、基于Wi-Fi 信號RSSI 的指紋定位方法[9]。它們都有各自的特點和優勢區間，三角質心定位和TOA、TODA 定位的精度不算太高，比較依賴于RSSI 等信息的測量精度；而指紋定位在保證定位精度的時候需要提前進行數據采集，因此在實際應用中針對不同的場景每次都需要重新進行模型訓練。

隨著第五代移動通信技術（5th-Generation Mobile Communication Technology，5G）的誕生和發展，增強型移動寬帶（Enhance Moblie BroadBoand，eMBB）、高可靠低時延通信（Ultra Reliable Low Latency Communication，URLLC）、大規模機器通信（massive Machine Type Communication，mMTC）等對人們的生活產生了巨大的影響，且對提升室內定位的精度提供了有益的幫助。

傳統的三角定位法通常使用最小二乘解，這個近似解與真實解的誤差可以通過增加一層約束來減??；而對指紋定位來說，定位精度受到許多因素的影響，在樣本數較多的情況下定位精度能夠穩定在一個較高的水平，但是高精度指紋定位所需模型訓練的成本過高，而低精度模型訓練成本雖低，但是定位精度過差。

本文研究的主要內容是結合5G 終端間的交互信號改進現有的室內定位方法，并結合深度學習方法提高5G 終端群組的最終定位精度。主體思路為：將5G 交互信號轉化為5G 終端間的距離，以此作為約束提高基于RSSI 的三角定位的精度。因此，本文提出在5G 場景下，將獲取的多個終端群組間的相互測距信息作為多目標定位的有益信息，并結合深度神經網絡（Deep Neural Network，DNN）模型，提升低精度模型的精度，以降低指紋定位模型的訓練成本，有效提升群組定位的精度?；贒NN指紋定位預測模型，提出低精度DNN 定位優化方法以降低DNN 模型訓練成本。仿真試驗結果表明，基于增加終端間距離信息所提出的這些改進定位方法相較于多種傳統定位方法，對于5G 終端群組的最終定位精度都有一定的提升。

1 傳統定位方法及其缺陷

1.1 傳統基于RSSI 測距的定位方法及其缺陷

傳統定位方法中較為常用的是依賴參數測量的定位方法，通常是指通過接收信號所攜帶的信息，判斷終端與基站的相對位置；再依據基站的位置得出終端可能存在的位置域；最終通過判斷終端位于各個位置的可能性，確定終端最可能存在的位置。在這類方法中最常用的是基于RSSI 的測距與定位方法。

因為無線信號多為毫瓦（milliwatts，mW）級別，所以對RSSI 進行歸一化，將其轉化為分貝毫瓦（Decibel-milliwatts，dBm），表示某一功率與1 mW 的相對數值，分貝毫瓦功率（dBm）與毫瓦功率（mW）的具體計算過程如下：

式中：x為接收信號的歸一化RSSI 值，dBm；P為接收信號的實際功率值，mW。

對于理論模型，常采用無線信號傳播的路徑損耗模型，常用的傳播路徑損耗模型有自由空間傳播模型、對數衰減路徑損耗模型、Hata 模型、對數常態分布模型等。以自由空間損耗模型為例，模型損耗的計算過程如下：

式中：Loss為路徑損耗，dB，即接收端功率到發送端功率的衰減；d為終端距信源的距離，km；f為頻率，MHz；k為路徑衰減因子。當然，所有的模型與現實環境都有一定的差距。依此即可根據RSSI計算或估計終端距信源的距離。

1.2 無線指紋定位方法

指紋算法最初是一種對比識別所采集的指紋信息的軟件編程算法，常用于考勤機、指紋鎖、手機指紋解鎖、指紋支付等。但隨著科技的不斷發展和現實的需要，指紋算法被應用到了各個領域，如文本識別、圖像識別、室內定位等，單一的生理指紋特征已被擴展成為具有唯一性的信號特征，并且都取得了較好的效果。

基于無線信號強度的位置指紋定位方法的原理是：首先，離線階段在定位區域內選取一些離散點，在每個離散點及其周圍采集RSSI 信號特征向量并取平均作為該點的指紋信息，再將指紋信息與實際物理位置一一對應后存入離線指紋庫；然后，在線階段需要進行定位時，基于匹配算法找到數據庫中與輸入的待定位點的RSSI 特征向量最相似的點作為估計位置。無線指紋定位流程如圖1 所示。

圖1 無線指紋定位流程

通過匹配算法確定待定位點的位置是無線指紋定位方法最關鍵的一步，即通過實時接收的信號強度與離線數據庫進行匹配，找出相似度最高的若干個數據。目前，典型的匹配算法主要有最近鄰法、核函數法、最大似然概率法、神經網絡法、樸素貝葉斯法、支持向量回歸法等。最近鄰算法（K-Nearest Neighbors，KNN）作為最基本的匹配算法，最先應用在微軟的RADAR 系統中，但是其存在定位精度不高且系統穩定性差等缺點。在此基礎上提出加權K 最近鄰（Weighted K-Nearest Neighbors，WKNN）算法。相比KNN 算法，WKNN 算法通過賦予權重選擇K 值，提高邊緣位置點的定位精度，因而成為目前較常用的位置指紋匹配算法。

1.3 傳統定位方法的缺陷

由于室內定位技術的發展尚未成熟，現有的定位算法存在一定的缺陷，基于RSSI 測距的三角定位算法主要受限于RSSI 測距的精度，由于實際場景過于復雜，RSSI 測距的精度受到背景環境的影響，無法達到很高的精確度，因此，依賴RSSI 測距的三角定位算法也無法達到很高精度；而基于到達時間和到達時間差的定位算法需要專業設備的測量，普通的移動終端較難獲取精確的到達時間或到達時間差，在實際應用中成本較高；基于到達角度的算法的主要問題和基于到達時間的算法類似，并不適用于普通場景。

指紋定位算法是對傳統定位算法的一種改進，它解決了傳統RSSI 測距定位算法過于依賴測距精度的問題，直接將RSSI 信號與具體位置一一對應，直接跳過了利用RSSI 計算基站—終端距離這一步驟，但是指紋定位算法有一個較大的問題是需要先使用離線數據庫對模型進行訓練，離線數據庫對每一個不同的場景都需要獲取針對該場景的指紋數據庫，這就導致訓練模型的成本過大。

因此，本文提出一種針對上述問題的優化和解決方法——5G 終端群組定位模型，通過增加5G 終端間的距離約束，以達到提高基于參數測量的定位算法的精度和降低基于指紋匹配算法的成本。但是在4G 場景下，群組定位很難找到合適的定位場景，而在5G 場景下，由于室內通常存在多個智能電子終端，因此本文提出結合5G mMTC 場景增加終端節點間的距離信息，利用5G 終端之間的距離信息補充傳統測距方法的不足，將傳統方法對基站與終端測距精度的依賴部分轉移到對5G 終端與5G 終端測距精度上，利用5G 終端與5G 終端之間測距的較小誤差調節最終的測距精度；對于精度較高但是訓練成本同樣較高的指紋定位算法，本文提出利用5G 終端間的測距誤差降低訓練成本，具體來說就是使用較少的數據庫對網絡進行訓練，最后利用5G 終端間的測距信息對最終結果進行修正。

2 本文提出的5G 終端群組定位方法

由于傳統的基于RSSI 測距信息的算法較為依賴測距精度，而測距精度受環境影響較大，因此使用深度學習算法直接將接收到的RSSI 信號作為輸入特征，將位置信息作為輸出特征，進行模型訓練并預測，也可以將接收信號作為輸入特征，將離線位置信息作為分類標簽，進行分類，2 種方法均能降低定位精度對RSSI 測距精度的依賴。

2.1 改進的DNN 定位算法

DNN 定位算法依賴定位區域內的初始數據對神經網絡進行訓練，假設獲取的離線數據格式為：

獲取一定量的離線數據之后，訓練網絡參數，得到最終預測模型，網絡輸入為m×n維RSSI 向量（m為信號發送節點的個數，n為待測終端的個數），且RSSI向量中各個特征都是等價的，因此直接采用全連接層作為隱藏層的主體，所選用的深度神經網絡結構如圖2所示，網絡內部的各層結構如圖3所示。

圖2 深度神經網絡結構

圖3 DNN 定位算法神經網絡各層結構

通過DNN 訓練得到預測網絡后，可以通過該網絡得到基于5G 接入點（Access Point，AP）與終端間距離信息的預測結果，這個結果的精確度通常與訓練樣本數、RSSI 信號穩定程度相關，訓練樣本數越多、RSSI 信號越穩定，則神經網絡的預測結果越精確。由于RSSI 信號的穩定程度受外界環境因素影響較大，因此本文主要針對訓練樣本數進行優化。

在使用少量樣本進行訓練時，待測終端的初始預測位置誤差通常較大，因此在初始預測的基礎上需要對待測終端進行進一步優化，并使得優化后的DNN 算法在樣本數較少的情況下也能達到較高的定位精度。

2.2 基本算法流程結構

本文所提出的網絡模型包括2 個部分：首先，利用DNN 模型結合基站與終端之間的RSSI 信息，對終端位置進行初步定位；其次，依據初步定位的結果，利用交互信息對初步定位結果進行修正，具體流程如圖4 所示。

圖4 基于深度學習與節點間信息交互的5G 終端群組定位算法流程

傳統的DNN 室內定位算法與指紋匹配算法類似，可以歸為指紋定位類，主要利用離線數據庫對網絡進行訓練，然后利用訓練好的網絡對在線數據進行位置預測。在樣本數充足的情況下DNN 定位算法可以達到較高的定位水平，但是如果在樣本數量一般或較少的情況下定位精度較差。因此，本文對傳統DNN 定位算法的優化主要使用終端與終端之間的距離信息對傳統DNN 網絡預測結果進行修正，以提高樣本數較少的情況下網絡的定位精度，從而達到降低訓練成本的目的。

2.3 網絡損失函數的設定

網絡損失函數是深度學習中的關鍵因素，主要用來衡量模型預測的好壞，在一定程度上決定了模型的定位精度。對于單終端的定位網絡，直接使用預測終端位置與實際位置的距離作為損失函數：

式中：(xi,yi)為第i個節點的實際位置，為第i個節點的預測位置。

由于需要對多個終端進行定位，因此考慮損失函數有2 種選取方式：

式中：n為待測終端的數目。具體而言，式（5）所示的損失函數可直接計算多個終端的平均誤差，式（6）所示的損失函數則是將所有位置信息都視為輸出并求均方根誤差。雖然式（5）所示的損失函數更加接近所需的定位精度，但其實2 種損失函數都能夠衡量預測結果的好壞，且式（6）所示的損失函數在神經網絡中較為常用，比較有利于神經網絡參數的調整和學習算法的選取。

2.4 網絡學習算法

本文使用Adam（Adaptive Moment Estimation）學習算法對模型進行訓練[10]。Adam 算法是基于自適應梯度算法（AdaGrad）和均方根傳播（RMSProp）算法的改進算法，是一種可以替代傳統隨機梯度下降過程的一階優化算法，它能基于訓練數據迭代并更新神經網絡權重。Adam 算法的主要步驟如算法1 所示，其中，乘法運算均按元素相乘。

3 仿真試驗分析

本文設置的仿真場景考慮一個室內的封閉區域，該區域大小為100 m×100 m，而5G 終端所在的房間大小為20 m×20 m。在仿真區域內設置多個5G 小站，并在仿真的房間內放置4 個待測的5G 終端。5G 小站的位置固定且已知，5G 終端位置隨機分布，利用信號在自由空間的傳播模型，同時修改衰落參數以及陰影干擾方差，從而可以修正測距誤差，最終使測距誤差更加符合實際情況。具體場景如圖5 所示。

圖5 具體仿真場景

圖5 中六邊形的6 個頂點代表5G 小站，具體位置為(30,30)、(30,70)、(50,80)、(50,20)、(70,30)、(70,70)，六邊形內部的矩形代表房間邊界，矩形內部的小圓圈代表待測5G 終端分布，隨機分布在仿真房間內。5G 終端與5G 小站之間的測距誤差為3～4 m，5G 終端與5G 終端之間的測距誤差為0.2～0.3 m。

5G 信號的衰落可根據自由空間無線信號傳播公式來進行仿真，該公式為：

式中：k為路徑衰減因子，根據場景調節，在仿真試驗中取4；φ為一個高斯隨機變量，主要通過調節φ的方差來控制RSSI 的測距誤差。

在改進的DNN 訓練過程中，Adam 算法的相關參數設置為α=0.1，β1=0.9，β2=0.999，ε=10-8。定位誤差與訓練樣本數之間的關系曲線如圖6 所示。由圖6 可以看出，訓練樣本數較少時，由于網絡訓練得不充分，單一的傳統DNN 訓練模型并不能很好地預測位置終端的位置，但是對改進的DNN 定位算法來說，由于有5G 終端之間的距離信息修正最終結果，因此可以改善定位的精度。與此同時，改進DNN 算法可以保證在訓練樣本數目較少的情況下有更穩定和更優的定位精度。

圖6 定位誤差與訓練樣本數之間的關系

4 結語

本文提出的5G 終端群組定位模型的重點在于終端間的距離信息對群組定位性能的提升，考慮到5G 時代mMTC 場景下的新型室內群組定位模型，并結合新型定位模型改進傳統定位方法。仿真試驗表明：基于增加終端間距離信息所提出的改進的DNN 定位方法相較于傳統定位方法能夠實現定位性能提升，因此，可將改進DNN 算法作為5G mMTC場景下室內群組定位的一個較好的解決方案。