基于随机森林算法的室内可见光指纹定位方法_曲佳.pdf

2023年第1期专 题:可 见 光 通 信基于随机森林算法的室内可见光指纹定位方法Indoor visible light fingerprint positioning methodbased on random forest algorithmQU Jia,WANG Xudong*,WU Nan,XU Hao（Information Science Technology College,Dalian Maritime University,Dalian Niaoning 116026,China）Abstract:In order to further improve the performance of dynamic target indoor visible light location and tracking system,a in-door visible light fingerprint location method based on random forest（RF）algorithm was proposed.The light intensity signal oflight-emitting diode（LED）was used as the feature to build a fingerprint database,and the data in the fingerprint database wasused to train the decision tree.RF algorithm was introduced for initial positioning,and then Kalman filter was used to optimizethe initial position estimation,so as to obtain a more accurate positioning trajectory.The simulation results show that in the indoorscene of 5 m5 m3 m,the proposed positioning method can obtain the positioning effect that most sampling points error distri-bution is within 4 cm.In addition,this paper verifies the technical advantages of the proposed algorithm by comparing the perfor-mance of different indoor visible light positioning algorithms.Key words:indoorvisiblelightpositioning,randomforestalgorithm,fingerprintpositioning,Kalmanfilter,receivedsignalstrength曲 佳，王旭东*，吴 楠，许 浩（大连海事大学 信息科学技术学院，辽宁 大连116026）摘要：为进一步提高动态目标室内可见光定位追踪系统性能，提出了一种基于随机森林（RF）算法的室内可见光指纹定位方法。利用发光二极管（LED）的光强信号作为特征构建指纹数据库，应用指纹库中的数据训练决策树，引入 RF 算法进行初始定位，再通过卡尔曼滤波对初始位置估计进行优化，从而获得更准确的定位轨迹。仿真结果表明：在 5 m5 m3 m 的室内场景下，通过所提定位方法能获得大部分采样点误差分布在 4 cm 之内的定位效果；此外，通过与不同室内可见光定位算法的性能进行对比，验证了所提算法的技术优势。关键词：室内可见光定位；随机森林算法；指纹定位；卡尔曼滤波；接收信号强度中图分类号：TN929.1文献标志码：A文章编号：1002-5561（2023）01-0001-07DOI：10.13921/ki.issn1002-5561.2023.01.001开放科学（资源服务）标识码（OSID）：引用本文：曲佳，王旭东，吴楠，等.基于随机森林算法的室内可见光指纹定位方法J.光通信技术，2023，47（1）：1-7.0引言在智能移动设备广泛普及和应用场景多元化的大背景下，基于位置的服务1逐渐成为研究热点。传统的室内定位方法包括蓝牙2、红外线3、超宽带4、射频识别5和WiFi6等，这些方法通常存在精度差、成本高和电磁干扰严重等问题。为了解决上述问题，研究人员提出了应用于室内的可见光定位（VLP）系统，主要运用在机场、商超和地下矿井等场所。VLP技术是在可见光通信（VLC）的基础上建立的，目前主要用于室内环境的定位。室内VLP技术通过建立室内光源网络，将室内环境信息加载到光信号上，由发光二极管（LED）信号源发射，经室内空间被待检测设备的传感器接收，再采用不同算法分析计算得出待检测设备在室内的位置。VLP方法包括几何测法7、接近法、指纹定位法8和图像定位法9。文献10提出了一种基于近似完美三角点测试（APIT）算法多LED照明节点的室内VLP方法，该方法属于几何测量收稿日期：2022-10-12。基金项目：国家自然科学基金资助项目（批准号：61371091）资助。作者简介：曲佳（2000），女，山东青岛市人，硕士研究生，本科毕业于东北电力大学，期间获得了第13届全国三维数字化创新设计大赛吉林赛区二等奖。现就读于大连海事大学信息科学技术学院信息与通信工程专业，主要研究方向为室内可见光定位。*通信作者：王旭东（1967），男，博士，教授，主要研究方向为光无线通信调制技术、可见光无线通信及定位技术、基于人工智能的无线通信物理层设计。2023年第1期曲佳，王旭东，吴楠，等.基于随机森林算法的室内可见光指纹定位方法法，利用信号传输时间作为节点间距大小的判断凭证，并结合APIT定位算法完成APIT与测试前后的合法筛选，得出定位最小多边形区域后，再对该区域不断优化，最终得出被定位节点的估计坐标。在5 m5 m3 m的立体空间环境中，室内信噪比（SNR）分布均值为12 dB左右的情况下，定位误差保持在0.24 m左右，该VLP方法的定位精度较差。文献11提出了将确定型算法与概率分布算法融合的室内定位改进算法，属于接近法。首先，采用K近邻（KNN）算法选取几个与接收机位置相近的参考点，对接收信号进行高斯滤波后采用贝叶斯算法计算其后验概率，后验概率最大的点即为估计位置。这一改进算法不仅降低了贝叶斯算法的复杂度，且不需要假设每个位置的先验概率相等，更加贴合实际情况，同时大大提高了KNN算法的定位精度，平均误差为0.17 m，但该算法实现过程较为复杂。文献12提出了一种基于卷积神经网络（CNN）的可见光指纹定位方法。该方法利用参考节点LED的光强信号作为特征，构建指纹数据库，引入一维CNN学习模型进行训练。将测量的接收信号强度（RSS）数据输入到CNN模型定位中，实现高精度位置估计，平均定位误差为4.44 cm。虽然CNN的应用，较好地解决了全连接前馈神经网络定位精度低、稳定性差的问题，但CNN的训练层数取决于实际应用场景，普适性较差。相较于其它VLP方法，指纹定位法成本和系统复杂程度低且定位精度高。为了满足适用于室内定位的需求，且进一步提高定位性能，本文提出一种基于随机森林（RF）算法的室内可见光指纹定位方法。1定位模型1.1系统模型设室内定位场所为5 m5 m3 m的实验区域，VLP系统模型如图1所示。接收端采用光电检测器件（PD）接收光强信号。定位时，接收端根据RSS信息进行位置估计。将发射端的照明设备LED安装于房间的天花板处，这样来自不同LED光照形成的辐射区能彼此重叠，以此来确保平面内的任意一个定位点都能够同时接收到不同LED所发出的光照信息。考虑到室内LED的实际布置情况，本文采用4个LED作为发射端，同时选择正方形拓扑。设定发射端LED编号为Txi（i=14），各LED坐标为Tx1（1.25，1.25，H）、Tx2（1.25，3.75，H）、Tx3（3.75，1.25，H）、Tx4（3.75，3.75，H），H为天花板到接收平面的垂直高度。只考虑二维空间定位，定位点可位于地面上的任意位置，坐标为（x，y）。1.2信道模型根据文献13可知，在VLC系统中，直射信号强度约占全部信号的95%，远大于反射信号强度。为便于研究计算，本文首先考虑视距（LOS）链路信道模型，即发射端和接收端之间不存在障碍物的影响，光信号直接在收发两端传输，信道没有多径效应的影响，LOS链路信道模型如图2所示。引入Lambertian辐射模型14，LOS信道的直流增益可表示为H（0）=（m+1）2d2AcosmTs（）g（）cos（1）其中，m为朗伯系数，m=-ln2 ln（cos1 2），1 2是LED的半功率角。d为发射端LED到接收端PD的距离，A为PD的接收面积，为发射端的辐射角，为接收端的入射角（0FOV），FOV为聚光器的视场角，g（）为聚光器增益，Ts（）为光滤波器增益。VLP系统中，LED发出的光信号通过LOS链路信图1 VLP系统模型图2 LOS信道模型专 题:可 见 光 通 信2023年第1期道到达接收端，其信号光功率Pr可表示为Pr=H（0）Pt（2）其中，Pt为LED功率。在LOS信道下，影响光信号传输的噪声为热噪声及散粒噪声。假设不考虑LOS信道中码间干扰的影响，则噪声方差总和N可表示为N=sh2+th2（3）散粒噪声方差sh2可表示为sh2=2qRPrB+2qIbgI2B（4）其中，R表示光/电转换系数，Ibg表示背景光产生的暗电流，q表示电子电荷量，I2表示噪声带宽系数，B表示等效噪声带宽。热噪声方差th2表示为th2=8kTDGCpdAI2B2+162kTDgmCpd2A2I3B3（5）其中，TD为热力学温度，k为玻尔兹曼常数，Cpd为光电检测器单位面积电容，G为开环电压增益，gm为跨导系数，为场效应管信道噪声系数。LOS信道模型的仿真参数如表1所示。若设光/电转换系数为，可见光信道中接收端电信噪比可表示为SNR=（Pr）2th2+sh2（6）位于第i个测量位置接收到的4个LED灯发出的光功率可表示为Pi=pi1，pi2，pi3，pi4（7）2定位实现原理2.1指纹定位指纹定位法是将室内定位平面均匀地划分成若干个小方格，在每个位置的参考点上使用PD接收并记录来自不同发射端LED的信号。本文提出的可见光指纹定位法分为2个阶段：在线阶段和离线阶段15。虽然指纹定位法在前期需要大量时间和精力去收集数据建立指纹数据库，但指纹特征信息是通过原有的设备来获取，不需要使用其它硬件设施。此外，指纹数据库的升级和维护操作方便，这使指纹定位法相较于其它定位方法具有一定的优势。在离线阶段构建指纹数据库时，在接收平面上每隔um采样，将接收平面划分为N个uu的网格。记录每个网格的位置坐标作为标签向量，位置坐标可表示为（xi，yi），i=1N。每一个位置坐标都有一组对应的RSS向量，以此来形成一条指纹数据，构建的指纹数据库如表2所示。在线阶段定位时，将测得的待定位数据通过相应的算法与指纹数据库中的数据比较，便可得到待测点的位置。2.2 RF算法在定位场景变大、指纹数量变多的情况下，为了进一步提高定位精度，本文将RF算法16引入到可见光指纹定位中。RF算法包含若干棵决策树，决策树作为基学习器，学习不同的特征组合。RF算法构建模型的过程中经过bagging对指纹库开展多次放回抽样，形成多组数据集。在指纹库内有放回地挑选一定数目的数据，当作决策树的根节点；在创建决策树的过程中，把指纹数据库中参考点各LED所对应的RSS数据称为指纹特征，从所有指纹特征内随机挑选出一定数目的指纹特征，每组数据集再根据不同的指纹特征训练生成决策树，使得不同决策树之间反映不同的特征，进而构建RF算法模型。在线