阅读说明：本技术 一种基于深度学习的rfid室内三维定位方法 (RFID indoor three-dimensional positioning method based on deep learning ) 是由 成姝燕 王姝君 管文白 徐鹤 李鹏 程海涛 朱枫 于 2020-05-12 设计创作，主要内容包括：本发明提出了一种基于深度学习的RFID室内三维定位方案,通过人在天线和标签间移动,对标签的特征信息产生影响,结合相对定位与绝对定位,运用深度学习技术,进一步挖掘数据特征,以标签的RSSI、Phase、Timestamp作为输入数据训练模型,实现较好的RFID三维室内定位效果,定位模型稳定可靠,能够应用在实际生活场景中。(The invention provides an RFID indoor three-dimensional positioning scheme based on deep learning, which is characterized in that people move between an antenna and a tag to influence the characteristic information of the tag, relative positioning and absolute positioning are combined, a deep learning technology is applied, data characteristics are further mined, the RSSI, Phase and Timestamp of the tag are used as input data training models, a good RFID three-dimensional indoor positioning effect is realized, the positioning models are stable and reliable, and the method can be applied to actual life scenes.)

一种基于深度学习的RFID室内三维定位方法

技术领域

本发明涉及RFID三维定位领域，具体是涉及一种基于深度学习的RFID室内三维定位方法。

背景技术

近年来，随着卫星导航系统的发展和成熟，实现高精度的室外定位已经不再困难，但是由于室内定位环境复杂，且遮挡、障碍物繁多，想要获得较为准确的室内目标位置信息是一个难点，同时也是现在研究的热点。

RFID定位技术分为绝对定位和相对定位，绝对定位是指待定位目标的物理位置，而相对定位是指待定位目标与它旁边的物体的位置关系。在室内具体应用中，相对定位和绝对定位的适用场景各不相同。绝对定位的误差相对较大，通过定位可以得到物体在坐标系中的大致位置，而相对定位则可以较为清晰的明确物体与物体之间的位置关系，适用于对位置发生错序的目标，进行位置的检查与纠正。

如今的RFID室内定位方案，可分为一维绝对或相对定位、二维平面定位和三维空间定位，其中，三维空间定位是如今研究的难点和热点，下面对现有的研究成果进行阐述分析。

一维定位方案，能够得到目标物的绝对位置或相对位置关系，适用于流水线情境中对货物的管理和记录等，在实际情况中，由于目标物的位置会发生变化，所以多采用相对定位的方法来确定目标物的位置信息。一维定位分为双天线相位差定位和单天线相位差定位，Li等人通过校正标签的相位误差，验证了单天线相位定位模型的优势，同时提高了定位精度。传统的相对定位方法STPP，基于空时相位轮廓，通过相位曲线分析标签的空间顺序。Shen等人提出的PRDL方法突破了高密度标签的瓶颈，将深度学习与相对定位结合，提高了相对定位精度。HMRL方法利用人移动而引起标签信号的变动，实现高精度的相对定位。Cao首次将动态时间规整技术与定位结合，改善了原有的相对定位算法。

二维定位方案，可以得到目标的x-y坐标，适用于平面导航技术等。二维定位可分为测距式定位和非测距式定位，其中基本测距方法有：到达时间法(TOA)、到达时间差法(TDOA)、到达角度法(AOA)、接收信号强度法(RSSI)。LANDMARC系统首次引入参考标签，采用“k邻近”算法对标签坐标加权处理获得目标的位置信息。VIRE方法通过加设虚拟参考标签、设定阙值过滤标签的方法，对LANDMARC方法进行改进，简化了计算过程。BVIRE对VIRE算法进行了改进，提出边界虚拟参考标签概念，提高了边界待测标签的定位精度。ANTspin引入旋转天线，动态采集标签的信号强度信息，通过计算得到目标位置信息。Lang等人提出的PATL方法通过扫描平面内不同区域内标签出现的次数，加权计算位置。

三维定位方案，能够得到目标的空间位置信息，有利于室内导航技术的进步，使人们的生活更加方便。Spot ON系统是经典的三维定位方法，利用聚合和迭代算法得到目标的位置信息，定位精度虽然较好，但是稳定性不高。3DinSAR方法运用全息图谱，通过不同高度标签的相位差得到目标位置信息，该方法虽然可以实现实时感知，但计算较为繁杂。VLM三维定位算法建立在虚拟标签和拓扑约束基础上，但该算法存在工作盲区，可能会导致定位失败。MR-VLM算法对VLM的不足进行了改进，增加一个或多个可移动的RFID读写器，提高定位精度。Active-Passive算法基于Nelder-Mead非线性优化方法，可以较为精确的定位标签x轴和y轴的位置，但z轴定位精度较低。

发明内容

为解决上述技术问题，本发明提出了一种基于深度学习的RFID室内三维定位方法，通过人在天线和标签间移动，对标签的特征信息产生影响，将RFID的绝对定位与相对定位结合，分析RSSI和Phase的变化特征，运用深度学习挖掘数据特征，得到较高的定位准确率。

一种基于深度学习的RFID三维定位方法，其定位的具体流程如下，

S1：建立绝对定位模型，得到待测标签x-y二维平面的绝对位置信息，具体建立方法如下:

S1-1:数据预处理：将天线读取到的待测标签和参考标签的EPC-RSSI-Timestamp信息作为一组数据，读取多组数据后，使用小波去噪来减少数据的波动，为了消除天线漏读标签的影响，提前删除漏读的标签，确保后续数据的完整性；

S1-2:数据计算：在待测标签周围布置一定的参考标签，通过各个天线读到的RSSI值计算待测标签和所有参考标签的相似程度；计算出最小相关度将这些相似程度整合起来，得到待测标签和平面位置的相似程度，通过比较待测标签和平面位置的相似程度以确定待测标签二维平面上的位置信息。

S2：建立相对定位模型，得到待测标签z轴方向的相对位置信息，具体建立方法如下：

S2-1:数据预处理

人在选定的天线和待测标签之间移动，用待测标签的EPC-RSSI-Phase-Timestamp信息作为一组数据，获取多组数据后，对数据进行小波去噪和标准化处理。

S2-2:数据挖掘

建立基于CNN的神经网络，设定卷积层的输入，确定神经网络的输入数据，通过卷积层对数据进行特征提取，选用极大池化对输出的特征图进行特征选择和信息过滤，用现有的高阶特征完成学习目标，对提取的特征进行非线性组合以获得输出，得到标签在z轴方向上的相对位置信息。

本发明所述的有益效果为：本发明提出了一种基于深度学习的RFID三维定位方法，结合相对定位与绝对定位，旨在提高RFID室内定位的准确率。该方法的主要具有如下优点：

(1)简便性：不需要移动天线，依靠人的移动收集多序列RFID标签的信号，运用深度学习挖掘RFID标签信号的数学变化特征，对序列标签排序；

(2)准确性：结合深度学习，利用其强大的特征抽象能力，提高序列标签排序的准确率，降低了RFID室内三维定位的错误率；

(3)可行性：本方法通过固定的天线和移动的人实现对序列标签信号的采集，相较于需要移动天线的RFID室内定位方法具有更好的可行性。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

图1是本发明的体系结构图。

图2是本发明的神经网络模型图。

图3是本发明的应用场景图。

图4是本发明的书架标签部署图。

其中，1-电脑，2-阅读器，3-E9208PCRNF超高频天线，4-H47无源标签，5-参考标签，6-待测标签。

具体实施方式

本发明主要用到Impinj-R420 UHF-RFID阅读器2，配备五个E9208PCRNF超高频天线3和一组H47无源标签4，阅读器2通过网线与电脑1连接在同一个以太网内，通过Tagsee获得阅读器得到数据。我们使用的电脑配置为是IntelCorei7-9750H，内存8G，显卡为GTX1650 4G，程序使用Python3.6编程，程序运行需要的Python包为tensorflow cpu1.1.0，keras2.1.2，numpy1.2.10，pandas0.2.0，matplotlib1.2.0。

本发明所述的一种基于深度学习的RFID室内三维定位方法，包括两种系统模型：绝对定位模型和相对定位模型；其中，绝对定位模型根据预处理后的RFID标签数据，计算待测标签与参考标签的关联度，得到标签x-y二维平面上的绝对定位信息；相对定位模型根据预处理后的RFID标签数据，通过卷积神经网络得到标签的z轴方向上的相对位置信息，体系结构图如图1所示，其定位的具体流程如下，

S1：建立绝对定位模型，得到待测标签x-y二维平面的绝对位置信息，具体建立方法如下:

S1-1:数据预处理：

S1-1-1:将A＝4根天线读取到的待测标签和参考标签的EPC-RSSI-Timestamp信息作为一组数据，总共读取n＝150组数据；

S1-1-2:实验读取到的RSSI和相位数据是离散的，并且在一维波动，使用小波去噪来减少数据波动，并保留原始数据的变化趋势；具体去噪步骤为使用MATLAB函数分解信号，计算阈值，进行全局阈值处理，压缩一维信号，尽可能消除外部不利因素的干扰。

S1-1-3:从理论上讲，每一个天线都可以读取所有的标签信息，但在实际情况中，会发生漏读现象；如果天线漏读了某个标签，则标签的RSSI值记为0，这对参考标签和待测标签之间的关联度的计算产生了影响，为了消除这种影响，实验提前删除漏读的标签，以确保后续数据的完整性；

S1-2:数据计算：在待测标签周围布置一定的参考标签，通过各个天线读到的RSSI值计算待测标签和所有参考标签的相似程度；计算出最小相关度将这些相似程度整合起来，得到待测标签和平面位置的相似程度，通过比较待测标签和平面位置的相似程度以确定待测标签二维平面上的位置信息。

S2：建立相对定位模型，得到待测标签z轴方向的相对位置信息，具体建立方法如下：

S2-1:数据预处理

人在选定的天线和待测标签之间移动，并使用待测标签的EPC-RSSI-Phase-Tim-estamp作为一组数据，总共读取150组数据，然后对数据进行小波去噪和标准化处理，将相位标准化到[0,2π]之间，此外，对RSSI和Timestamp都做标准化处理；

S2-2:数据挖掘

我们选用基于CNN的神经网络，神经网络模型如图2所示，共有五层卷积层，一层池化层，两个全连接层，输出层激活函数为Softmax，神经网络中有Dropout层，最终输出的是每个标签的绝对层析信息。设定卷积层的输入是M＊N＊C的数据，其中M＊N是实验中标签数据的维度，C是通道数，标签数据有三个通道，分别为特征RSSI、Phase、Timestamp。

神经网络的输入数据为(γ，3，1，Q)，其中Q是输入数据的长度，在卷积层进行特征提取，选用极大池化对输出的特征图进行特征选择和信息过滤，然后使用现有的高阶特征完成学习目标，然后对提取的特征进行非线性组合以获得输出。通过卷积神经网络，我们得到标签z轴方向的信息置信，取标签位置信息置信序列最大值为预测到的标签z轴方向上的位置信息。

因图书馆中的书籍数量和种类繁多，人工整理需要花费大量的时间和精力，所以常用RFID定位技术管理图书，综上，在本实施例中设定图书馆为环境场景，将此方法具体运用在智慧图书馆场景中，通过三维定位获得想要查找书籍所属的书架以及书籍在书架上的层位置，这种RFID三维定位有助于图书管理人员对书籍的查找，从而节省人力；此方法同样也适用于仓储物流等场景。

图3是我们设置的应用场景，其中放置了五个天线和两个木制书架，每个书架都如图4所示。书架上放置了三层无源标签，每一层上有20个待测标签6，待测标签之间的距离为2厘米，一共放置了18个参考标签5，每层放置3个参考标签，参考标签放在内侧，待测标签放在外侧，天线高度为95厘米，架子高度为25厘米，将五个天线分为两组，天线1、天线2、天线3和天线4为A组，天线5为B组，A组天线用于获取标签的x-y平面的绝对位置信息。B组天线用于获得待测标签的z轴方向上的相对位置信息。

A组用4个天线同时读取参考标签和待测标签的信息，每次读取20秒，每个标签可以通过一根天线读取多达250组数据，保存这些数据以得到待测标签在x-y平面上的绝对位置信息。B组用一根天线读取标签的信息，读取时天线保持静止，人在书架和天线5之间移动，天线与书架上的标签距离为38.5cm，人以均匀的速度沿着标签序列移动180cm，移动时间约为12s，每次平均收集60个标签的信息，每个标签约有100组数据，为了有效地处理数据，采用补零发将每个标签的数据都补充为150个，作为数据备份。

将收集到的A组数据导入绝对定位模型。在图书馆中，因为我们需要知道某本书在哪一个书架上，因此我们在每个书架上布置一定的参考标签，通过各个阅读器读出的RSSI值得出该书上的标签和所有参考标签的相似程度，然后由所有的这些相似程度值，利用数学方法将该标签和各个书架上所有的参考标签的相似程度整合起来，得到该标签和各个书架的相似程度，通过比较相似程度确定该标签在哪个书架上。

将收集到的B组数据导入相对定位模型。神经网络的输入数据为(n，3，1,150)，输入数据的长度为150。获得神经网络模型后，将测试数据放入模型中，获得层位置信息的置信度标签。第三层标签的理论位置信息为[0,0,1]，实际位置与信息置信度有所差距。标签的置信序列的最大值被用作标签在实际中的层位置信息。

以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。