基于跨协议的下一代无线定位与行为识别技术的研究与实现

With the development of wireless technology, localization and behavior recognition technologies play an important role in the smart city areas. However, traditional technologies contain several major problems as follows. First, various different wireless networks are often overlapped, so how to overcome the interference from other wireless devices, and find the interference location, has become an important part of the next generation of wireless technology. Second, the Radio Frequency (RF) signal is susceptible to multipath effects in reality, result in reducing the accuracy of localization and behavior recognition. Third, most of the wearable and non-wearable object localization and behavior recognition technologies leverage machine learning algorithms. Once the environment or the target changes, it is difficult to accurately recognize. Moreover, they are usually difficult to be applied in those applications which have real-time requirements. In our goals, we first study the theoretical model of interference from other wireless devices, and build model between other wireless signal interference and location based behavior. Second, we aim to eliminate the multipath behavior of various wireless signals, which can be applied for most commercial wireless devices. Then, we propose real-time localization and behavior recognition algorithms for both wearable and non-wearable objects. Moreover, we utilize different environmental factors and auxiliary parameters to enhance the accuracy. At last, based on large wireless big data analysis, we propose behavior prediction algorithms based on wireless big data analysis. We plan to publish 8-10 papers in top conferences and journals, so keep the leading impact of our research group.

随着无线科技的发展，无线定位与行为识别技术在智慧城市等领域的关键作用越来越突出。而国内外传统技术存在以下几个主要问题。第一，随着无线网络设备普及，覆盖重叠的不同无线网络越来越多。如何克服其他无线设备干扰进行定位识别，成了下一代无线技术的重要部分。第二，射频信号在现实中易受多径效果的影响，定位和行为识别效果易受到很大的影响。第三，大部分物体的定位和行为识别都采用机器学习的方法，一旦环境和目标改变，难以准确识别。实时性要求更难以得到满足。该研究拟深入研究不同协议无线信号相互干扰和位置行为关系的理论模型，在普通设备上消除多径影响、可以适应各类商业无线设备的定位行为识别模型，能够实时对可穿戴和无穿戴物体定位与行为识别算法，能利用不同环境因子和辅助参数增强定位行为识别精度的方法，实现无线大数据分析基础上的行为预测。团队目标发表高质量期刊会议论文8-10篇，保持在该方向领先力。

无线科技的发展使得无线定位与行为识别技术在智慧城市等领域的关键作用越来越突出。而国内外传统技术存在以下几个主要问题。第一，随着无线网络设备普及，覆盖重叠的不同无线网络越来越多。如何克服其他无线设备干扰进行定位识别，成了下一代无线技术的重要部分。第二，射频信号在现实中易受多径效果的影响，定位和行为识别效果易受到很大的影响。第三，大部分物体的定位和行为识别都采用机器学习的方法，一旦环境和目标改变，难以准确识别。实时性要求更难以得到满足。该项目深入了研究不同协议无线信号相互干扰和位置行为关系的理论模型，跨协议的定位精度可以达到平均定位精度可达1.54m；定位模型可以广泛应用于各类不同协议的通用商业设备；在普通设备上消除多径影响、可以适应各类商业无线设备的定位行为识别模型，在没有额外硬件支持的情况下，即使参考节点稀疏布置，平均定位误差比传统方法高约15.19%。能够实时对可穿戴和无穿戴物体定位与行为识别算法，算法的识别成功率可以达到100%，不需要提前训练也能区分相同姿势不同幅度大小的姿势。此外，人体的任何部位都可以很好的得到追踪，追踪精度可达0.06m。在人机交互多个复合姿势或运动的识别准确率可以达到97.0%，对于无穿戴的复杂组合姿势识别，也可以达到94%的平均识别精度。实现无线大数据分析基础上的行为预测，在基于无线大数据的位置计算与行为感知预测方面，设计了智慧城市中用户行为预测分析模型、异常检测及流量预测，其中行为预测的精度可达为92.27%，异常预测的精度为91.67%。团队已经发表发表高质量期刊会议论文10篇，其中9篇为第1标注，专利授权3个，培养了研究生6名。项目负责人获得了教育部自然科学二等奖（第二完成人），太平洋保险研究成就奖。成果可以广泛的应用在智慧城市中的城市服务和保障, 智能家居、智慧医疗、游戏、虚拟现实、增强现实等技术领域，在智能家居与人员安全等应用领域能起到关键作用。