一种基于AI深度学习算法的蓝牙定位方法及系统技术方案

本申请提供了一种基于AI深度学习的蓝牙定位方法：AOA定位基站获取AOA信号源发送的第一信号的相位数据，AOA定位基站向AI服务器发送获取的该相位数据，AI服务器根据训练好的神经网络模型和获取的相位数据，确定发射所述第一信号的AOA信号源的位置。本申请通过引入AI技术到AOA定位领域中，通过对多天线接收到定位信号源的原始相位值采样，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上。这种可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率，从而实现精准定位。

【技术实现步骤摘要】
一种基于AI深度学习算法的蓝牙定位方法及系统
本申请涉及定位
，尤其涉及一种基于AI深度学习算法的蓝牙定位方法及系统。
技术介绍
利用无线技术定位已经成为定位研究领域的一种趋势。蓝牙传输作为一种通用通信技术，最主要的功能就是取代了数据电缆的传输，用于便携式设备及其应用的，比如手机与手机、手机与其他蓝牙设备的连接与传输。从1.0到5版本，蓝牙为越来越多的电子设备赋予了简便、安全、低成本的连接方案。目前，最新的蓝牙5.1标准引入了到达角/发送角(ArrivalofAngle,AOA/ArrivalofDeparture,AOD)技术。其中，AOA技术以接收器和发射器为基础，计算接收节点和发射节点之间的相对方位和角度，然后利用三角测量法或者其他的方法计算出未知节点的位置。这种定位系统可以运用于仓库的物流追踪或商场顾客位置追踪，人们可以将其用于定位寻路。蓝牙AOA技术因为利用相位差估算的到达角度去定位AOA发射源位置，导致定位结果不够精准，并且还面临着信号反射干扰，天线开关时间延迟和室内环境下各种遮挡物，反射物等带来的多径效应等困扰。
技术实现思路
本申请提供了一种基于AI深度学习算法的蓝牙定位方法及系统，提高了计算精度，加快了定位速率。第一方面，提供了一种基于AI深度学习算法的蓝牙定位方法，包括：AOA定位基站获取AOA信号源发送的第一信号的相位数据，AOA定位基站将AI服务器发送该相位数据，AI服务器根据训练好的神经网络模型和该相位数据，确定发射第一信号的AOA信号源的位置。其中，第一信号是指通过AOA信号源发送的任一信号。本专利技术的实施例通过采用AOA定位基站的AI算法，引入AI技术到AOA定位领域中，通过对底层多天线接收到定位信号源的原始采样值I和Q的相位值，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上(0.1～0.3m精度)。这种可以通过深度学习网络来实现相位数据到空间坐标的快速映射关系，比传统数学计算提高了精度，并加快了定位速率。可以显著改善基站覆盖边缘区域的定位精度。从而实现最终的位置定位。在第一方面一种可能的实现方式中，AOA定位基站通过不同的天线接收AOA信号源发送的同一信号，不同天线上接收到的信号的相位不同；AOA定位基站向AI服务器发送不同天线上接收到的同一信号的多个不同的相位数据；AI服务器根据多个不同的相位数据，训练得到神经网络模型。本专利技术通过机器仿真大脑神经元架构，从下到上依次抽象样本特征，并通过大量学习样本来完善该神经网络模型，最终达到准确定位的效果。在第一方面一种可能的实现方式中，当AOA定位基站是单基站时，神经网络模型包括输入层、第一训练层、第二训练层、输出层。AI服务器将采集的多个不同的相位数据输入至输入层，输入层根据多个不同的相位数据，得到不同的相位值。第一训练层的输入为不同的相位值，第一训练层根据不同的相位值，得到多个相位差。第二训练层的输入为多个相位差，第二训练层根据多个相位差，得到多个角度值。输出层的输入为第二层得到的多个角度值，输出层根据多个角度值和不同的天线间相对位置，将多个角度值组合训练到目标空间立方体内，得到神经网络模型。目标空间立方体方是指方框边长约等于最小误差(通常取100mm长宽高)。在第一方面一种可能的实现方式中，不同天线中的第一天线为参考天线，多个相位差为不同的天线中其它天线分别和参考天线之间的相位差。其中，第一天线为不同的天线中处于中心位置的天线。为简化网络架构，选择中心天线作为参考，其他天线只用和参考天线取差值即可，不同相位差对后续角度或者坐标定位的权值可在训练过程中调整，避免因天线走线不等长导致个别天线性能差，导致采样数据可信度低，可以通过训练过程调低权值。在本专利技术中天线阵列的排列方式是其他天线位于同一半径的圆周上，中心天线位于圆心上。在第一方面一种可能的实现方式中，多个角度值中的第一角度值是利用在同一条直线上的3个天线的相位差取加权平均值确定的，第一角度值表示AOA信号源和3个天线所在的直线的夹角，3个天线中处于中间位置的天线为不同的天线中的参考天线。其中，第一角度值指多个角度值中的任意一个。在本专利技术中的3个天线指位于同一直径上的三个天线。在第一方面一种可能的实现方式中，当AOA定位基站包括多个基站时，在神经网络模型的第二训练层和输出层之间还包括第三训练层，也叫立体解析层，该立体解析层用于将多个角度值转化为多个三维立体角。输出层用于根据多个三维立体角和不同的天线间相对位置，将多个三维立体角组合训练到目标空间立方体内，得到神经网络模型。多基站协同定位算法，可以显著改善基站覆盖边缘区域的定位精度。从而实现最终的位置定位。可选的，目标空间方框边长约等于最小误差(通常取100mm长宽高)。本专利技术通过对底层多天线接收到信号源的原始采样值I的Q的相位值，进一步抽象出相位差，然后转换成角度，通过不同天线的角度组合来把相关的相位数据训练到已知网格式的空间坐标上(0.1～0.3m精度)，从而实现最终的位置定位。可选的，本专利技术提供的蓝牙定位方法还包括：AOA定位基站获取AOA定位信号源发送的广播定位信号，AOA定位基站根据广播定位信号，对多个不同的相位数据进行校准，并将校准后的所述多个不同的相位数据发送给AI服务器。同时也能解决基站定位随着时间进行不短积累的定位偏差。可选的，本专利技术提供的蓝牙定位方法还包括：AOA定位基站获取AOA信号源发送的广播定位信号；AOA定位基站根据广播定位信号，确定多个定点AOA信号源的位置；AOA定位基站根据所述AI服务器根据训练好的神经网络模型和所述相位数据，在多个定点AOA信号源的位置中，确定发射第一信号的AOA信号源的位置。基站通过校准计算值和理论值之间的偏移，来实现位置校准。根据一个或者多个AOA定位信号源用于校准相位偏移，消除多径反射，可以提高基站的抗多径效应。第二方面，提供了一种基于AI深度学习算法的蓝牙定位系统，该系统包括：AOA信号源、AOA定位基站、AI服务器。AOA信号源为持续广播信号，AOA定位基站用于获取AOA信号源发送的第一信号的相位数据，并向AI服务器发送相位数据。AI服务器用于根据不同天线的相位数据，训练得到神经网络。AOA定位基站和AI服务器用于实现第一方面或者第一方面中任意一方面中的任意可能的实现方式中的方法。第三方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序被执行时，用于执行第一方面或者第一方面中任意一方面中的任意可能的实现方式中的方法。第四方面，本申请还提供了一种芯片，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的通信设备执行第一方面至第四方面中任意一方面中的方法，或者，用于执行第一方面至第四方面中任意一方面中的任意可能的实现方式中的方法。与现有技术相比，本专利技术的有益效果是：本专利技术将蓝牙AOA定位技术和AI技术结合起来，当AOA是单基站定位本文档来自技高网...

【技术保护点】
1.一种基于AI深度学习的蓝牙定位方法，其特征在于，包括：/nAOA定位基站获取AOA信号源发送的第一信号的相位数据；/n所述AOA定位基站向AI服务器发送所述相位数据；/n所述AI服务器根据训练好的神经网络模型和所述相位数据，确定发射所述第一信号的AOA信号源的位置。/n

【技术特征摘要】
1.一种基于AI深度学习的蓝牙定位方法，其特征在于，包括：
AOA定位基站获取AOA信号源发送的第一信号的相位数据；
所述AOA定位基站向AI服务器发送所述相位数据；
所述AI服务器根据训练好的神经网络模型和所述相位数据，确定发射所述第一信号的AOA信号源的位置。


2.根据权利要求1所述的蓝牙定位方法，其特征在于，所述方法还包括：
所述AOA定位基站通过不同的天线接收所述AOA信号源发送的同一信号，不同天线上接收到的信号的相位不同；
所述AOA定位基站向所述AI服务器发送所述不同天线上接收到的同一信号的多个不同的相位数据；
所述AI服务器根据所述多个不同的相位数据，训练得到所述神经网络模型。


3.根据权利要求2所述的蓝牙定位方法，其特征在于，
当所述AOA定位基站是单基站时，所述神经网络模型包括输入层、第一训练层、第二训练层、输出层；
所述AI服务器将采集的多个不同的相位数据输入至所述输入层，所述输入层根据多个不同的相位数据，得到不同的相位值；
所述第一训练层的输入为所述不同的相位值，所述第一训练层根据所述不同的相位值，得到多个相位差；
所述第二训练层的输入为所述多个相位差，所述第二训练层根据所述多个相位差，得到多个角度值；
所述输出层的输入为所述多个角度值，所述输出层根据所述多个角度值和所述不同的天线间相对位置，将所述多个角度值组合训练到目标空间立方体内，得到三维立体坐标，从而得到所述神经网络模型。


4.根据权利要求3所述的蓝牙定位方法，其特征在于，当所述AOA定位基站包括多个基站时，所述神经网络模型在所述第二训练层和所述输出层之间还包括立体解析层；
所述立体解析层用于将所述多个角度值转化为多个三维立体角；
所述输出层用于根据所述多个三维立体角和所述不同的天线间相对位置，将所述多个角度值组合训练到目标空间立方体内，得到三维立体坐标，从而得到所述神经网络模型。


5.根据...

【专利技术属性】
技术研发人员：杨永辉，何廷万，刘宏罡，蒙海进，谢晓博，彭华洋，
申请(专利权)人：深圳市微能信息科技有限公司，
类型：发明
国别省市：广东;44