本發(fā)明涉及移動目標室內(nèi)定位，尤其是涉及一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法。

背景技術(shù)：

1、隨著我國制造業(yè)的快速發(fā)展，工廠產(chǎn)品的加工流程正逐步趨向多樣化。從原材料的采購運輸、加工檢測，到產(chǎn)品組裝、包裝入庫，各種流程之間不可避免地會經(jīng)歷各式各樣的運輸過程。為了避免廠家由于重要工業(yè)生產(chǎn)資料在運輸過程中丟失而造成經(jīng)濟損失，確定工業(yè)資產(chǎn)在運輸過程中的精確位置成為亟待解決的問題。

2、工業(yè)資產(chǎn)的定位通常比一般室內(nèi)定位具有更高的要求：包括實時性、準確性、經(jīng)濟效益和穩(wěn)定性：工業(yè)資產(chǎn)在其運輸過程中，需要實時監(jiān)控其位置數(shù)據(jù)信息，這通常通過部署連續(xù)的傳感器或數(shù)據(jù)采集器來實現(xiàn)數(shù)據(jù)傳輸?shù)倪B續(xù)性和實時性；使用歷史數(shù)據(jù)訓練的學習模型，相比于一般的位置計算規(guī)則更接近目標的具體位置，具有較高的準確性；由于工業(yè)資產(chǎn)的運輸范圍一般設(shè)置在廠房、碼頭、車間等大范圍場所，現(xiàn)有的定位方式因其大量的傳感器布設(shè)將導致定位成本和維護成本高昂，導致定位的經(jīng)濟效益低下，且易受到電磁波、空間磁場、電場的干擾，造成定位精度不穩(wěn)定。

技術(shù)實現(xiàn)思路

1、為了解決上述難題，本發(fā)明提供一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，具有節(jié)約定位設(shè)備成本、定位分級明確、可通過自身迭代提升定位精度、全流程定位信息跟蹤等優(yōu)勢，針對當下制造業(yè)重要生產(chǎn)資料的運輸定位所要部署大量信標點造成的資源浪費、單一定位方式或單一定位算法在復雜室內(nèi)定位環(huán)境下造成的算法失效、定位精度低、誤差大等問題提出了有效解決方式。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，具體包括以下步驟：

3、步驟s1：數(shù)據(jù)集構(gòu)建，部署室內(nèi)ap接入點位和信標點，采集信號強度標識符rssi指紋庫構(gòu)建定位對應(yīng)關(guān)系；

4、步驟s2：wifi定位預測，根據(jù)ap接入點位測量得到的信號強度值，通過融合機器學習模型得到的集成學習算法進行實時位置解算，得到最大移動目標概率的所在位置區(qū)域；

5、步驟s3：uwb定位預測，結(jié)合步驟s2中的wifi定位預測確定的具體位置區(qū)域，服務(wù)器調(diào)取位置區(qū)域內(nèi)的uwb信標點所獲取的原始數(shù)據(jù)，調(diào)用rnn模型解算出移動目標所在的精確位置，返回該位置坐標值；

6、步驟s4：反向更新聚合權(quán)重，根據(jù)精確定位的坐標點計算集成學習推算出的結(jié)果點均方誤差大小，糾正wifi定位過程中機器學習模型加權(quán)聚合的權(quán)值大小；

7、步驟s5：返回步驟s2進行迭代，根據(jù)移動目標在室內(nèi)各區(qū)域之間的位置變化和步驟s4中更新后的機器學習模型的權(quán)值，解算輸出新的定位坐標，逐步縮小誤差。

8、優(yōu)選的，在步驟s2中，具體包括以下步驟：

9、s21：使用步驟s1中測得的測試集數(shù)據(jù)進行基于特定場景下的，同一地圖不同時段的定位模型準確性測試，得到一組定位誤差，設(shè)定誤差閾值為

10、

11、s22：初始化機器學習模型，初始化加權(quán)融合值將rssi和位置坐標信息傳入機器學習型作為定位參考；

12、s23：使用t種機器學習模型分別對ap點位采集到的實時rssi進行解算，解算出對應(yīng)于一組信號強度值的t種機器學習模型預測的坐標點li(i＝1,2,...,t)＝(xi,yi)；

13、s24：根據(jù)加權(quán)融合值，將t種預測的坐標點進行異構(gòu)數(shù)據(jù)定位坐標融合，融合為一個確定的坐標，融合采用增強加權(quán)k近鄰算法，據(jù)誤差閾值將大于閾值的參考點去掉，剩下的坐標點按照如下方式融合為wifi區(qū)域定位坐標根據(jù)wifi定位下的具體區(qū)域分布情況，將定位坐標定位到uwb具體區(qū)域，完成初步的定位：

14、

15、優(yōu)選的，在步驟s3中，具體包括使用信標點采集到的原始數(shù)據(jù)對(di,pi)訓練rnn模型，得到移動目標在確定區(qū)域下的精確位置信息；

16、其中di表示信標點與移動目標的距離di＝[di,1,di,2,...,di,n]，由部署在區(qū)域內(nèi)的n個信標點測量得到，pi表示對應(yīng)于n維距離向量的實際坐標點位。

17、優(yōu)選的，在步驟s3中，uwb定位方式包括移動目標局部定位映射到全局定位的方式，具體表示為：

18、將具體房間的uwb定位相對坐標點映射到整個地圖的絕對坐標點，包括以下步驟：

19、步驟一：通過rnn模型對信標點位采集到的實時距離向量進行解算，得到uwb定位模型解算出的區(qū)域內(nèi)部坐標系點位(xi,yi)；

20、步驟二：結(jié)合部署uwb定位信標點的具體坐標和移動目標與信標點的位置關(guān)系，將相對坐標點位映射至整體定位區(qū)域范圍，得到相對坐標點在全局定位區(qū)域的絕對坐標

21、優(yōu)選的，在步驟s4中，更新權(quán)重方式包括基于定位結(jié)果的反向更新過程，具體包括以下步驟：

22、s41：基于步驟s2中wifi定位預測所確定的t種預測的坐標點與步驟s3中得到的絕對坐標之間的均方誤差σi2，更新機器學習模型加權(quán)融合的權(quán)值vi大小，得到vi'為更新后的權(quán)值；

23、

24、s42：使用更新后的權(quán)值vi'計算現(xiàn)有集成學習模型結(jié)果預測下，所有測試點的誤差閾值，記為

25、

26、優(yōu)選的，在步驟s5中，具體實現(xiàn)過程如下：

27、s51：對于權(quán)值更新后的機器學習模型，重新確定誤差，計算誤差閾值；

28、s52：以權(quán)值更新后的機器學習模型對實時rssi數(shù)據(jù)進行解算，獲得對應(yīng)于機器學習模型的t種預測的坐標點；

29、s53：根據(jù)更新的誤差閾值篩選出低于該閾值的坐標，將低于閾值的坐標根據(jù)更新后的權(quán)值進行k近鄰融合，得到融合坐標點，進入uwb定位階段；

30、s54：繼續(xù)執(zhí)行步驟s3的uwb定位預測過程，使用rnn算法解算出的精確坐標值對機器學習模型權(quán)值進行再一次更新，持續(xù)迭代。

31、因此，本發(fā)明采用上述一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，具備以下有益效果：

32、(1)本發(fā)明避免了在有較高定位精確度需求的現(xiàn)實場景中，將室內(nèi)部署大量的uwb定位信標點而造成的資源浪費，通過將成本低廉的wifi定位和成本較高的uwb定位相結(jié)合，節(jié)約室內(nèi)定位成本。

33、(2)本發(fā)明通過uwb精確定位信息更新wifi區(qū)域定位中的各類機器學習模型聚合權(quán)重，經(jīng)過多次迭代，確定該定位場景下最適合的某幾類區(qū)域定位算法模型，并賦予其高權(quán)值，使這幾類精確度較高模型的預測值在最終結(jié)果中占比高于其他模型，使得定位算法具有自適應(yīng)性，通過權(quán)值的不斷更新可應(yīng)用于不同的定位場景，適應(yīng)不同的定位需求。

34、(3)本發(fā)明通過將區(qū)域定位和區(qū)域內(nèi)精確定位相結(jié)合的方式，逐步縮小移動目標可能存在的所處范圍，減小誤差，提升精度，相較于使用單一定位方式、單一模型的傳統(tǒng)室內(nèi)定位方式擁有更準確的預測結(jié)果。

35、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。

技術(shù)特征：

1.一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：具體包括以下步驟：

2.根據(jù)權(quán)利要求1中所述的一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：在步驟s2中，具體包括以下步驟：

3.根據(jù)權(quán)利要求1中所述的一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：在步驟s3中，具體包括使用信標點采集到的原始數(shù)據(jù)對(di,pi)訓練rnn模型，得到移動目標在確定區(qū)域下的精確位置信息；

4.根據(jù)權(quán)利要求3中所述的一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：uwb定位方式包括移動目標局部定位映射到全局定位的方式，具體表示為：

5.根據(jù)權(quán)利要求4中所述的一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：在步驟s4中，更新權(quán)重方式包括基于定位結(jié)果的反向更新過程，具體包括以下步驟：

6.根據(jù)權(quán)利要求5中所述的一種基于集成學習和rnn神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，其特征在于：在步驟s5中，具體實現(xiàn)過程如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于集成學習和RNN神經(jīng)網(wǎng)絡(luò)的工業(yè)資產(chǎn)室內(nèi)無線定位方法，涉及移動工業(yè)資產(chǎn)目標室內(nèi)定位技術(shù)領(lǐng)域，將WIFI定位與UWB定位相結(jié)合的方式，首先將大范圍室內(nèi)定位面積劃分成單位區(qū)域，WIFI定位采用由各類機器學習算法模型聚合成的集成學習算法，用于解算移動目標具體所處區(qū)域；再使用該區(qū)域內(nèi)的UWB定位RNN模型，確定移動目標在區(qū)域內(nèi)的精準位置或移動路徑；最后跟據(jù)精確定位的坐標反向傳播誤差、更新各類機器學習的權(quán)重以矯正模型，經(jīng)過多次迭代逐步優(yōu)化當前模型，達到該場景下的最佳定位模型。本發(fā)明建立了分級明確的移動目標室內(nèi)定位方法，提供可靠的目標定位方法和流程，改進了現(xiàn)有定位方式分級不明確、適應(yīng)性有限、不能全流程跟蹤等弊端。

技術(shù)研發(fā)人員：李駿,郭益群,倪藝洋,夏鵬程,金石,時龍
受保護的技術(shù)使用者：南京理工大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23