基于机器学习的5G室内定位方法.pdf

基于机器学习的5G室内定位方法

80%以上在室内，而室内定位由于GPS信号弱无法满

1概述

足室内业务位置服务的需求。随着业务的发展，室内

根据定位环境，无线定位系统可分为2种：室内无定位的需求越来越强烈。由于室内环境复杂，如物体

线定位系统和室外无线定位系统，室外无线定位系位置的随机移动、多路径散射、电磁干扰等，在室内进

统，主要采用的是GPS定位［1-2］，而室内定位主要采用行精确的目标定位相比室外来说要困难得多。因此

［3-5］［6］［7］

的是无线网、蓝牙、超宽带（UWB）等技术。5G5G室内场景急需一种定位精度高、复杂度低，且对设

网络的大带宽、低时延、高可靠特性，为业务提供必要备以及终端没有要求的定位方法。

的网络基础，推动业务的不断丰富。业务应用场所有本文首先将采集到的CSI［8］通过逆傅里叶变换转

——————————换到时域，在时域进行滤波，消除多径的影响，然后再

收稿日期：2022-05-20将滤波后的CSI转到频域，在频域进行加权求和处理，

502022/07/DTPT

减少频率选择性衰落的影响，得到有效的CSI，同时，域，表示形式为信道脉冲响应（CIR）：

为得到更加准确的CSI序列，本文还采用灰色预测模L-jφδt-τi(i)

ht=ae（2）

()∑i

［9］

型GM（1.1），对频域的CSI序列进行预测，构建新的i=1

CSI序列，减少了采集CSI的数量，降低了计算复杂度，式中：

然后用新的CSI序列带入路径损耗模型进行距离估φ和τ——对应的相位和时延ii

计。室内定位的难点主要在于室内路径损耗模型的如果可以得到时域信号的信道脉冲响应，便可以

建立，传统的路径损耗模型主要是基于经验或者确定区分不同路径的信号。本文根据CSI的这种特性，对

性方法［10］，经验性模型比如对数-正态模型，这些模型信号进行分离得到主径信号，提高距离估计的精度。

的参数都是基于特定的环境，在比较复杂的室内环本文选择CIR最大幅值的50%作为阈值，将低于

境，效果比较差，确定性模型比如射线跟踪模型，一般50%的部分滤除从而减少多径衰减的影响，然后利用

来说可以较好地还原室内环境的传播特性，但是缺乏快速傅里叶变换（FFT）将时域CSI转换到频域。滤波

计算效率，同时需要室内环境的几何信息以及材质信前和滤波后的CSI时域幅值如图2（a）和2（b）所示。

息，一旦传播环境发生变化就需要重新计算。因此本

文基于机器学习方法，构建新的路径损耗模型，在室4.54.5

4.0