武悦

摘 要：隨着室内环境中定位需求的快速增长，基于WiFi的室内定位以其较高的精度、较低的成本而引起了广泛的关注。近年来，信道状态信息（CSI）能够被更多的无线商用设备获取，它能更细粒度地展现信号的特征，拥有更好的稳定性。文章记录了使用CSI进行室内定位的探索实验以及最终定位结果。

关键词：信道状态信息；深层神经网络；室内定位；主动定位

1 研究背景

与室外定位不同，在进行室内定位的研究时，由于环境复杂多变，有许多无法忽略的障碍物使得很多方法无法在室内实现，比如依赖视距传输路径的GPS[1]无法穿透墙壁。这就需要我们想出其他的方法进行定位。

近年来，智能手机等移动设备日渐普及，无线网络几乎覆盖了人们的日常生活。因此，WiFi室内定位是更贴近人们日常生活的一种定位方式，应用场景也更加广泛。室内定位可以使用的方法有很多种，为了解决室内定位的性能问题，这个新的物理特征需要满足以下3点要求[1]。

（1）不被窄频带信号所干扰。

（2）对环境中的干扰要足够敏感，同时，在静态环境中要相对稳定。

（3）能够区分多条路径的信号。

而正交频分复用技术（Orthogonal Frequency Division Multiplexing，OFDM）[2]为寻找满足上述3点要求的新特性提供了机遇。信道状态信息（Channel State Information，CSI），指的就是通信链路的信道属性。WiFi设备必须要支持802.11n的协议才能支持CSI信息的获取，并且该协议基于OFDM技术。因此，在室内定位的信号方法选择上，CSI是不二之选。

2 设计方案与实施

2.1 确认并划分实验区域

如图1所示，实验区域中设置72个数据采集点，其中有60个训练点，12个测试点。

2.2 数据采集

数据采集实验中需要两台电脑，使用带有网卡的电脑（深色）处于固定位置在Linux系统环境下连续发送数据，另外一台（浅色）在实验区域内标号的位置点依次接收数据（见图1），每个位置点采集1 min，得到的数据即为该点的原始位置信息。

2.3 数据处理

（1）首先将原始数据中的CSI数据提取出来，删去冗余数据。（2）使用Matlab编码从原始数据中提取需要的CSI数据后，绘图观察数据正确性与平整程度。（3）为了避开采集数据开始时的抖动，还需将开始和结束的数据删去，留下中间不受干扰的数据。（4）将删减过的数据写入csv文件中，为随后的训练过程做准备。

2.4 训练过程

使用若干训练点的数据，基于Python搭建神经网络，建立深度神经网络（Deep Neural Network，DNN）模型。

2.5 测试过程

选取若干测试点的数据来对DNN模型进行测试，检测模型的效果，得到定位的精度。

3 复杂工程问题的处理

3.1 精度问题

DNN模型刚刚建立的时候，因为参数等问题导致了精度不高，训练误差精度在100 cm以上，测试误差在此基础上扩大为195 cm。

为了解决精度问题，首先我们需要明确影响精度的几个因素。

3.1.1 训练次数

在DNN模型中，训练次数（training_epochs）是很重要的一个参数，它直接关系到模型是否符合真实数据情况。训练次数过少将无法精准地使用模型学习数据的特性，直接影响精度；训练次数过多会使模型建立的过程花费过多时间，严重影响测试模型好坏的效率。

3.1.2 学习率

学习率（lr）是一个重要的超参数，它控制着基于损失梯度调整神经网络权值的速度，即参数到达最优值过程的速度快慢。

3.1.3 神经网络层数

神经网络层数不够会导致误差过大，模型不能很好地表述数据特征，但是单纯增加层数可能会出现过拟合。

3.1.4 训练样本数

训练样本数同样很重要，当样本容量不够时，模型并不会完善地表示真实情境，测试的时候自然精度会不高。但一味地增加样本容量会带来不必要的工作量和时间上的浪费。

3.2 训练的时候出现的异常值的问题

模型的建立分为训练和测试两部分。在训练过程中，结果中的误差（loss）和样本标准差（std_dev）都为无穷（nan），初步分析原因可能是过拟合，或者存在数据的跳变增加使得数值变为无穷。

无穷异常值如下：

step： 5550 loss： nan

std_dev： nan

----------------

step： 5600 loss： nan

std_dev： nan

----------------

step： 5650 loss： nan

std_dev： nan

经过分析，出现无穷异常值的原因可能是在DNN算法中，坐标为零的点引起了有一些数学运算的错误，所以接下来的解决方案就是重新调整训练点和测试点的坐标，避开坐标为零的情况。经过重新调试后，无穷值nan没有再次出现。问题得到了彻底解决。

4 实验结果

位置数据经过训练后的误差值为16 cm（见图2），测试后的最终误差为164 cm（见图3）。

5 结语

本文基于DNN模型算法设计了一个室内定位的实验。同时对室内定位过程中遇到的复杂工程问题进行了探索并给出了对应的解决方案。目前的室内定位精度为164 cm。

[参考文献]

[1]MARAL G，BOUSQUET M.Satellite communications systems： systems， techniques and technology[M].New York：John Wiley & Sons，2011.

[2]THRUN S，FOX D，BURGARD W，et al.Robust Monte Carlo localization for mobile robots[J].Artificial Intelligence，2001（2）：99-141.

Abstract：With the rapid growth of positioning requirements in indoor environments， indoor positioning based on WiFi has attracted wide attention due to its high precision and low cost. In recent years， channel state information（CSI）can be acquired by more wireless commercial devices， which can display signal characteristics in a finer granularity and have better stability. This paper documents the exploration experiments and final positioning results of indoor positioning using CSI.

Key words：channel state information； deep neural network； indoor location； active positioning