基于射频传感网的室内定位关键技术研究

In this proposal, we investigate key problems and techniques of indoor localization based on RF sensor networks. We first study the localization model based on wireless sensor devices in a RF sensor network setting. The goal is to design and implement advanced algorithms such as PDR, crowdsourcing, and self-learning landmark to maximize accuracy and minimize the complexity. We then further our study into the physical layer of RF signals, and investigate the use of CSI to measure the distance and angle between the device and reference point for improving both accuracy and energy saving. The method of the direct path energy is used to mitigate the effects of multipath propagation. The combination of AOA technique and the measurement of displacement is used to calculate the angle. Finally, we look into the device-free localization problem. We will investigate several novel models including an RF field model, a measure model and a localization model. Radio tomographic imaging and ISAR technique in RADAR field are to be used. The research outcomes of this proposal will strategically promote mobile applications for Location Based Services, emergency response and national safety.

本课题从基本理论、算法设计和实验验证角度，研究基于射频传感网的室内定位关键科学技术问题，包括：1）针对装配电子罗盘与加速度传感器的无线智能设备，研究如何综合射频网络和设备传感器的定位问题，设计和实现算法来提高定位精度、减少构建定位系统的工作量。拟采用行人航迹推算技术、群智技术和基于自学习的室内地标校准技术解决定位问题。2）若无线定位设备可提供射频芯片物理层CSI信息，研究如何利用CSI来精确测量移动设备和射频网参考点的距离和角度，从而提高定位精度和降低能耗。拟采用直接路径能量法消除无线多径传输对测距的影响和采用AOA技术与位移检测结合算法测定角度。3）针对未携带定位设备的定位目标，研究如何仅利用射频传感网构建射频场模型、射频信号测量模型和定位模型。拟采用射频断层成像技术和雷达领域ISAR技术来定位目标。该课题的研究成果对移动互联网LBS服务、灾难救助和反恐类应用提供关键技术支持。

（1）研究如何基于射频传感网建立射频场模型、无线信号测量模型和定位模型。解决了在射频识别（RFID）系统中出现的标签无法读取的问题，通过定义隐藏标签问题，提出了一种统一且可测量的模型，揭示了隐藏标签问题出现的根本原因。.（2）研究综合智能设备的多传感器的定位问题。使用智能手机内置的加速度和磁力传感器对设备携带者进行了定位与活动追踪，提出了基于特定活动的采样和分类特征选择策略、基于学习的活动模式预测算法和运行时参数调整策略，实现了定位和活动识别精度高、能耗低的目标；提出了一种对污染源进行定位的方法，结合多种类型的传感器（包括高分辨率摄像头、气体浓度感知器等）采用粒子群搜索算法对无线直升机的位置进行定位与更新，使无线直升机逐渐靠近污染源，实现污染源定位。.（3）研究基于射频传感网的传感数据收集问题。提出了CrowdBlueNet作为数据收集的载体，CrowdBlueNet使用了我们自主设计的路由表与应用层协议，该应用层协议用来在点对点多跳蓝牙组网中实现多跳数据传输，并且我们使用CrowdBlueNet通过对目标进行定位与分析实现了人群流量监控。构建信息势场（IPF）对于无线传感网络收集数据是一个重要的课题，我们提出了在大规模无线传感网络中平衡IPF的能效和质量的目标，其次我们提出两种节能算法通过加速迭代过程的收敛速度来构建理想的IPF。.（4）研究了深度学习模型在射频传感网定位中的应用。在对射频传感网定位技术的研究中，使用深度学习模型实现对传感数据的处理与分析，构建了一系列基于深度神经网络的声音事件感知系统，该工作为进一步研究如何使用深度学习模型处理射频传感网多模态的数据奠定了研究基础。.（5）研究了在资源受限平台部署深度学习模型的方法和技术。射频传感网的边界计算节点具有计算能力弱、能耗有限。为了在诸如移动智能终端、嵌入式设备中部署深度学习模型，我们提出了Adadeep框架实现了深度学习模型根据资源约束条件的自动化压缩。.本项目组在普适计算领域顶会Ubicomp2017（CCF A类会议）上发表的论文荣获“Distinguished Paper Award”，在移动计算知名会议Mobisys2018也发表了论文，证明了本项目组在该基金中的研究成果获得了国际学术界肯定。