doi :10.3969/j.issn.1001-893x.2021.02.007
引用格式：杰，李晓青，王瑞雪，等.一种超宽带与惯导融合的LSTM 室内定位算法[J].电讯技术,2021,61(2):172-178.[LI Pengjie, LI Xiaoqing,WANG Ruixue,et al.A long short term memory(LSTM)indoor positioning algorithm based on fusion of UWB and inertial naviga-tion[J].Telecommunication Engineering,2021,61(2):172-178.]
一种超宽带与惯导融合的LSTM 室内定位算法
∗
杰1，李晓青1，王瑞雪1，邱金娜1，刘俊鹏∗
∗
2(1.航天恒星科技有限公司，北京100095;2.重庆大学微电子与通信工程学院，重庆400044)
摘㊀要：针对复杂环境下的室内高精度定位需求，提出了一种超宽带和惯导融合定位方案㊂结合位置估计过程可被划分为时间序列预测问题的特点，提出了一种基于长短时记忆(Long Short Term
Memory ,LSTM )网络的联合定位算法，并对其总体架构设计㊁数据预处理方法㊁网络结构设计㊁模型训练方法进行了研究㊂在此基础上，通过仿真和实测实验对联合定位算法进行验证，实验结果表明, 该LSTM 神经网络联合定位算法的定位精度优于传统TOA (Time of Arrival )㊁UKF (Unscented Kalman
Filter )联合定位算法，适用复杂室内定位㊂关键词：室内定位；长短时记忆网络；人工神经网络；超宽带；惯导
开放科学(资源服务)标识码(OSID
):
扫描二维码听独家语音释文与作者在线交流享本刊专属服务晾衣叉
中图分类号:TN914㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)02-0172-07
A Long Short Term Memory (LSTM )Indoor Positioning Algorithm
Based on Fusion of UWB and Inertial Navigation
LI Pengjie 1
,LI Xiaoqing 1
,WANG Ruixue 1
,QIU Jinna 1
,LIU Junpeng 2
(1.Aerospace Star Technology Co.,Ltd.,Beijing 100095,China;
2.School of Microelectronics and Communication Engineering,Chongqing University,Chongqing 400044,China)
Abstract :In order to improve the indoor positioning technology in complex environments,the position esti-mation process combining ultra -wideband(UWB)and inertial navigation positioning can be divided into the characteristics of time series prediction.The joint positioning algorithm of the network based on long short term memory(LSTM)is proposed,and its overall architecture design,data preprocessing method,net-work structure design and model training method are studied.On this basis,the joint localization algorithms are validated by simulation and actual experiments.Experimental results show that the positioning accuracy of the LSTM neural network joint positioning algorithm is superior to that of the traditional time of arrival (TOA)and unscented Kalman filter(UKF),and is suitable for complex indoor positioning.
Key words :indoor positioning;long short term memory(LSTM);artificial neural network;ultra -wideband;inertial navigation
0㊀引㊀言
随着现代社会的生产活动对安全性要求的提
高，在水电站等复杂室内环境下，人员定位㊁物体定位等室内高精度定位需求不断增加㊂在开放环境
㊃
271㊃第61卷第2期2021年2月
电讯技术
Telecommunication Engineering
Vol.61,No.2
February,2021
∗∗∗收稿日期:2020-02-18；修回日期:2020-04-21通信作者:199****1423@163
中，超宽带(Ultra-wideband,UWB)定位技术的定位精度可达厘米级[1]㊂但是，在复杂非视距(Non-Line-of-Sight,NLOS)室内环境中，障碍物的遮挡会
导致较大的UWB测距误差[2]，甚至造成信号传输中断从而导致定位失败㊂惯性导航技术[3]作为自主导航技术，不受周围环境影响，但随着系统运行时间的增加，会出现误差累积的情况㊂为了解决单一室内定位技术在复杂非视距环境下遇到的技术瓶颈，联合定位技术应运而生㊂联合定位技术将单一的定位技术组合起来，辅以数据融合算法进行信息融合，用以满足室内定位系统在高精度㊁实时性㊁低功耗㊁低成本等方面的需求㊂高精度室内联合定位技术的实现，对在工厂㊁水电站等复杂非视距环境下人员定位㊁室内机器人定位等高精度室内定位需求的实现有着重要的意义㊂
对于机器学习算法在室内定位中的研究，国内外都做了大量工作㊂目前，被引入到室内定位技术中的机器学习方法包括贝叶斯分类算法[4-5]㊁支持向量机[6-7]㊁决策树[8-9]㊁人工神经网络算法等[10]㊂朴素贝叶斯分类简单易实现，但其计算量较大，且有强独立性要求㊂支持向量机分类回归能力突出，但其核函数敏感，仅在二分类问题效果显著㊂决策树算法计算成本低，但其建树层级过深时易存在过拟合缺陷㊂人工神经网络可通过模型训练过程自动提取系统特征[11]，省却了非线性映射和系统模型构建的步骤，尤其是在噪声复杂度较高的情况下表现优异，适用于数据量较大㊁模型构建复杂的定位系统㊂使用传感器时序数据对定位点位置进行估计可被视为一种时间序列预测问题[12]㊂而在人工神经网络算法中，循环神经网络算法在序列数据处理上表现优秀，适用于基于无线通信的室内定位系统㊂
1㊀联合定位算法结构
1.1㊀总体架构设计
图1展示了本文提出的基于长短时记忆(Long Short Term Memory,LSTM)神经网络的联合定位算法的总体架构㊂由于采集到的UWB测距信息与惯性测量单元(Inertial Measurement Unit,IMU)传感器信息都具有时域连续性，而LSTM在时间序列数据预测上有充分的理论优势，因此本文选取LSTM作为联合定位算法中的核心算法㊂
美工刀片
整个联合定位的算法过程可以作如下描述：首先使用室内联合定位系统对超宽带测距信息与惯性测量单元的测量信息进行采集，接下来对采集到的信息进行批处理和归一化，而后作训练集和测试集的划分，对于训练集的数据使用LSTM深度神经网络进行离线训练，得到训练出来的模型㊂得到训练模型后，以此模型结合测试集进行在线预测，得到估计的位置结果
㊂
图1㊀LSTM定位算法架构图
1.2㊀数据预处理
数据预处理过程的合理性直接影响着整个神经网络算法最后的估计结果精度㊂在本文中数据预处理过程包含数据粗滤波㊁数据规整㊁归一化等过程㊂具体的数据预处理过程为：在采集到原始的UWB 测距数据和IMU测量数据后，通过数据粗滤波去除掉其中错误的数据(如测距信息为负值的数据)，再将UWB测距数据和IMU测量数据进行数据规整得到同一维度的数据矩阵，最后通过数据归一化处理得到最终数据㊂
本文在对UWB测距数据和IMU测量数据进行处理的时候都选用同一种数据归一化方法，即最大最小值归一化法㊂由于在标签运动过程中位置信息和IMU测量信息的变化幅度都不确定，但是都维持在一个相对低速的状态，同时也为了后续训练时处理方便，需要归一化处理数据㊂以UWB测距信息为例，最大最小值归一化法的公式表示如下:
E norm=E sig-V min
V max-V min㊂(1)式中:E norm为UWB测距值归一化后的值,E sig是
㊃371㊃
第61卷杰，李晓青，王瑞雪，等：一种超宽带与惯导融合的LSTM室内定位算法第2期
UWB 测距原始数据矩阵中的值,V min 为UWB 测距数据矩阵中的最小值,V max 是数据矩阵中的最大值,
V max -V min 为UWB 测量数据极值㊂IMU 测量数据在本文也通过同样的方式进行数据归一化映射㊂1.3㊀网络架构设计
本文中的LSTM 网络结构在设计时采用Bi -LSTM(Bidirectional LSTM)层来替代基本LSTM 层,
并且在网络结构中引入注意力(Attention)机制㊂相比于基本LSTM 结构,Bi -LSTM 具有时序数据利用率高的特点[14]㊂Bi -LSTM 结构由两个方向相反的基本LSTM 构成，可以利用超宽带和惯导数据的前后信息来对当前数据进行判定㊂Attention 机制最初被用于自然语言处理领域，通常被用于Bi -LSTM 层后面㊂本文中使用Attention 层区分输入的传感器信息的重要程度㊂图2为本文设计的LSTM 联合定位算法的网络结构
㊂
图2㊀LSTM 定位算法网络结构图
由图2可知，本文提出的LSTM 网络结构分为输入层㊁隐藏层和输出层三个部分㊂UWB 测距和IMU 测量时间序列数据依次通过输入层㊁隐藏层和输出层处理，最后得到一个位置信息的估计值㊂
输入层是LSTM 网络结构中用于接收及预处理传感器序列数据的部分㊂隐藏层是LSTM 网络结构中除输入层和输出层之外的部分，由两个Bi -LSTM 层和它们之间的级联模块以及Attention 模块组成㊂第一个Bi -LSTM 层用于处理输入层的输出数据，该层由若干对LSTM 单元构成，单元数量与输入层的输入窗口大小一致㊂接下来经过一个级联模块以及Attention 模块，而后传递给第二个Bi -LSTM 层㊂级联模块用于连接两个Bi -LSTM 层㊂Attention 模块赋予不同传感器数据以不同的权重，用于区分不同传感器数据之间的重要程度差别㊂第二个Bi -LSTM 层由100对LSTM 单元构成㊂
输出层则是由一个全连接层构成，通过对单元
进行全连接处理，降低数据维度，输出LSTM 网络估计得到的最终结果，也就是位置估计值㊂全连接层的激活函数选用ReLU (Rectified Linear Units)函
数㊂ReLU 函数可解决激活函数带来的梯度消失问题[15]，相较于sigmoid 激活函数,ReLU 可以将取值
映射到所有正数域㊂1.4㊀模型训练方法
本文中LSTM 神经网络算法最终的目的是为了更加准确地估计出定位点的位置㊂基于此，本文提出的损失函数如下所示:
Loss =MSE =argmin αðN
k =1
P -^P
2㊂(2)
式中:P 为标签的真实位置,^P
为标签的估计位置㊂如式(2)，本文选取标签定位点的真实点与估计点之间的欧氏距离的均方误差作为LSTM 神经网络算法的损失函数㊂
为了得到模型的最优解，本文使用Adam 优化器[16]来对模型进行优化处理㊂
电子跳绳2㊀联合定位仿真实验
为了说明基于LSTM 神经网络的联合定位算法的准确性，本节将通过相应的仿真实验，对标签在菱形和圆形运动轨迹下使用两种联合定位算法的定位准确度进行对比分析㊂下列仿真实验均在配备六核
Intel i7-8700k CPU㊁英伟达1080Ti GPU 的电脑上
完成，仿真编程语言选用Python，深度学习框架为TensorFlow 1.12.0㊂
在前文所述的仿真环境中，让标签沿着菱形运
动轨迹运动，与此同时，采集到标签的UWB 测距信息以及惯导传感器数据，并分别以TOA 定位算法㊁UKF 联合定位算法㊁LSTM 神经网络联合定位算法对位置进行估计㊂图3为三种定位算法的定位点估计结果与真实点的对比分析图㊂由图3可知，在三种定位算法的对比中，在准确度上LSTM 神经网络联合定位算法明显高于UKF 联合定位算法以及TOA 定位算法㊂
㊃
471㊃leonline 电讯技术㊀㊀㊀㊀2021年
图3㊀定位估计点轨迹
图4为三种定位算法的估计轨迹与真实轨迹的
距离误差的累积概率分布函数(Cumulative Distribu-tion Function,CDF)对比图㊂由图4可知，距离误差
30cm 以内,LSTM 神经网络联合定位方法的估计点的累积概率为97.35%,UKF 联合定位方法的估计点的累积概率为86.93%,TOA 定位方法的估计点的累积概率为49.3%
定鼎建筑㊂
图4㊀距离误差CDF
由三种算法的CDF 对比图可知,LSTM 神经网络联合定位算法的定位精度优于UKF 联合定位算法㊂在直观地对于三种定位算法的定位结果进行对比后，下面对三种定位算法的估计轨迹与真实轨迹之间的误差进行定量分析㊂表1给出了在菱形运动轨迹仿真实验中，三种定位算法的均方根误差(Root Mean Square Error,RMSE)对比㊂
表1㊀定位算法RMSE 对比表
算法RMSE /cm TOA 34.76UKF
24.18LSTM
15.83
由表1可知,LSTM 神经网络联合定位算法相比UKF 联合定位算法，真实点与估计点之间的距离
RMSE 从24.18cm 下降到15.83cm，相比而言，定位误差下降了34.53%㊂由此可得，在菱形轨迹仿真实验中,LSTM 神经网络联合定位算法表现优于UKF 联合定位算法㊂
3㊀联合定位实验测试
在理解了UWB 和惯导室内联合定位系统的工作原理以后，为了验证UWB 和惯导联合定位算法在实际环境中对于UWB 定位系统的精度提高作
用，我们专门设计实现了一套室内联合定位系统㊂本节将在此联合定位系统上进行功能测试实验以及动态联合定位实验，验证联合定位系统的功能以及前文提出的联合定位算法在实际环境中的性能㊂3.1㊀实验环境与硬件平台
本次实验选择的环境为实验楼的某一房间，房
间总长为8.34m，宽度为5.76m，高度为2.62m㊂
房间内部被清理出一片空旷区域，以便后文构建视距和非视距实验环境㊂
在此次实验中，共使用4个定位，按照
矩形的4个顶点的分布形式分布，分别为(4.65,-0.1)m㊁(4.65,3.1)m㊁(-0.5,3.1)m㊁(-0.5,-0.1)m㊂如图5所示，定位标签被固定在巡线机器
人上，标签安装高度为25cm㊂图6和图7是联合
定位系统的定位和定位标签
㊂
图5㊀
巡线机器人
图6㊀定位实物图
㊃
571㊃第61卷杰，李晓青，王瑞雪，等：一种超宽带与惯导融合的LSTM 室内定位算法
第2期
单齿辊破碎机
图7㊀定位标签实物图
为验证联合定位算法在不同实验环境中的定位效果，在定位区域中依次添加1号障碍物㊁2号障碍物㊁3号障碍物㊁4号障碍物，并对定位标签在障碍物数量不同的情况下的定位结果进行对比分析㊂其中,1㊁2㊁3号障碍物都为铁制电脑机箱，长为43cm，宽为18cm，高为40.5cm；而4号障碍物为饮水机，长为29cm，宽为29cm，高为83cm㊂图8展示了4个障碍物的放置位置
㊂
图8㊀
障碍物实验场景示意图
图9㊀NLOS 环境实验场景图
3.2㊀实验结果与分析在障碍物数量不同的NLOS 实验环境中，让机
器人沿着正方形轨迹运行，采集相应的传感器信息，进行TOA 定位以及LSTM 联合定位㊂图10呈现了两种定位算法在障碍物数量不同的NLOS 实验环境中的定位估计点轨迹对比结果
㊂
(a)
单个障碍物
(b)2
个障碍物
(c)3
个障碍物
(d)4个障碍物
工业盐水图10㊀NLOS 环境实验结果对比图
㊃
671㊃leonline 电讯技术㊀㊀㊀㊀2021年
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议