刘帅等：一种基于卷积神经网络的CSI指纹室内定位方法 ·1513· KEY WORDS indoor localization;fingerprint localization;channel state information;deep learning;convolutional neural network 随着智能移动设备的快速发展，人们对于定位 RSS更加稳定四文献22]首次采用CSI进行室 服务的需求日益强烈-刃，例如室内导航和位置追 内定位，通过对提取出的CSI进行预处理来消除 踪等-室外定位凭借全球卫星导航系统(Global 一定的多径效应，然后采用CSI幅度的平均值来 navigation satellite system,GNSS)已经可以满足日常 实现定位，与RSS相比，取得了更好的定位精度 生活的定位需求.然而对于室内定位，由于存在重 文献[23]提出了DeepFi系统，通过提取3个天线 的阴影衰落和多径传播，致使卫星信号在室内环境中 90个子载波的幅度信息作为指纹，然后利用受限 无法实现有效定位阿目前存在的室内定位技术主要 玻尔兹曼机(Restricted Boltzmann machine,RBM) 有蓝牙、Wi-Fi、超带宽、射频识别和可见光等7-o,其 来为每个参考点训练指纹特征，定位时采用基于 中由于Wi-Fi成本低、部署方便、覆盖范围广等特 径向基函数(Radial basic function.RBF)的概率算 点，在室内定位中得到了广泛的应用-) 法来估计位置坐标.DeepFi系统只采用了CSI的 许多Wi-Fi指纹室内定位系统采用接收信号 幅度信息作为指纹，且需要为每个参考位置单独 强度(Received signal strength,.RSS)作为指纹，利 训练一组权重，因此在定位精准度和计算复杂度 用了RSS获取简单，对硬件复杂度要求较低的特 上都有待改进.文献[24]通过将磁场强度和CSI 点文献[I5]提出了RADAR系统，是第一个 幅度信息作为指纹，利用补零来构建训练数据，通 采用RSS作为指纹的室内定位系统，通过将模拟 过卷积神经网络(Convolutional neutral networks, 测量与信号传播模型相结合起来确定用户位置， CNN)进行指纹训练，取得了平均误差为1.2m的 并取得了一定的定位精度.为了进一步提高定位 定位效果，上述两种方法仅考虑CSI的幅度信息， 精度，文献[16提出了Hous系统，该系统提供了 且文献[24虽然联合了磁场强度和CSI幅度共同 一种联合聚类技术来用于位置估计，定位时使用 作为指纹，但磁场强度在室内环境中依然不够稳 了概率方法，每个候选位置坐标被视为一个类别， 定.文献25引提出了C正i系统，通过提取5GHz频 较RADAR获得了更好的定位效果，上述文献所 段3个天线的相位信息，计算相邻天线的相位差 采用的定位方法均为传统的匹配算法.与此同时， 并估计到达角度(Arrival of angle,AOA),将AOA 深度学习技术的发展，为利用神经网络提取指纹 重构为60×60的图片来作为指纹数据，利用CNN 信息提供了有效途径.文献[17刀将运动轨迹与 来进行训练，取得了比DeepFi更好的定位效果，但 RSS结合，通过长短期记忆网络(Long short--term 是CiFi没有充分利用CSI的幅度信息，60×60的指 memory,LSTM)提取运动轨迹中RSS的变化特 纹构成方法在实时定位的时效性上有待提高，文 征，取得了0.75m的平均误差，但需要利用6个接 献「26]在CFi的基础上联合CSI的相位差和幅度 入点(Access Point,,AP)进行数据接收.采用RSS 信息作为指纹，将指纹构建为三维度矩阵，前两个 作为指纹虽然有获取简单的优点，但无法进一步 维度用相位差填充，第三个维度采用114个数据 提高定位的精准度.一方面是由于RSS在复杂的 包的幅度填充，同样在定位的时效性上有待提高 室内环境中波动起伏较为严重，通常对于连续的 本文在上述文献的研究基础上，提出了联合CSI 接收数据包，RSS是不稳定的.另一方面，RSS对 幅度差信息和相位差信息共同作为指纹来进行室 于每个AP只能提供一个粗略的信号强度值] 内定位的思想，利用CNN强大的特征提取能力对 近年来，得益于Wi-Fi无线网卡Intel5300I和 所有参考位置的指纹数据进行训练，并根据不同 Atheros AR9580I2m]的驱动开源，使得提取信道状态 定位场景，选取最优权重组合来进行定位指纹数 信息(Channel state information,CSI)成为可能.和 据的分配，同时结合一种改进的基于概率的指纹 RSS相比，CSI具备以下优点：(1)对于一个接收数 匹配算法获得了良好的定位效果.在不同室内场景 据包，CSI可以得到无线信道中30个子载波的信 下的定位实验结果验证了本文提出方法的有效性 道频率响应(Channel frequency response,CFR),即 1CSI指纹构建 CSI是一种细粒度的信息；(2)CSI对于环境变动 更加敏感，作为位置指纹来分辨位置特征更加有 1.1 CSI概念 效：(3)对于固定位置，CSI的分组接收数据包比 信道状态信息是通信链路的信道属性，描述KEY WORDS    indoor localization；fingerprint localization；channel state information；deep learning；convolutional neural network 随着智能移动设备的快速发展，人们对于定位 服务的需求日益强烈[1−3] ，例如室内导航和位置追 踪等[4−5] . 室外定位凭借全球卫星导航系统（Global navigation satellite system，GNSS）已经可以满足日常 生活的定位需求. 然而对于室内定位，由于存在严重 的阴影衰落和多径传播，致使卫星信号在室内环境中 无法实现有效定位[6] . 目前存在的室内定位技术主要 有蓝牙、Wi-Fi、超带宽、射频识别和可见光等[7−10] ，其 中由于 Wi-Fi 成本低、部署方便、覆盖范围广等特 点，在室内定位中得到了广泛的应用[11−12] . 许多 Wi-Fi 指纹室内定位系统采用接收信号 强度（Received signal strength，RSS）作为指纹 ，利 用了 RSS 获取简单，对硬件复杂度要求较低的特 点[13−14] . 文献 [15] 提出了 RADAR 系统，是第一个 采用 RSS 作为指纹的室内定位系统，通过将模拟 测量与信号传播模型相结合起来确定用户位置， 并取得了一定的定位精度. 为了进一步提高定位 精度，文献 [16] 提出了 Horus 系统，该系统提供了 一种联合聚类技术来用于位置估计，定位时使用 了概率方法，每个候选位置坐标被视为一个类别， 较 RADAR 获得了更好的定位效果. 上述文献所 采用的定位方法均为传统的匹配算法. 与此同时， 深度学习技术的发展，为利用神经网络提取指纹 信息提供了有效途径. 文献 [17] 将运动轨迹与 RSS 结合，通过长短期记忆网络（Long short-term memory， LSTM）提取运动轨迹 中 RSS 的变化特 征，取得了 0.75 m 的平均误差，但需要利用 6 个接 入点（Access Point，AP）进行数据接收. 采用 RSS 作为指纹虽然有获取简单的优点，但无法进一步 提高定位的精准度. 一方面是由于 RSS 在复杂的 室内环境中波动起伏较为严重，通常对于连续的 接收数据包，RSS 是不稳定的. 另一方面，RSS 对 于每个 AP 只能提供一个粗略的信号强度值[18] . 近年来，得益于 Wi-Fi 无线网卡 Intel 5300[19] 和 Atheros AR9580[20] 的驱动开源，使得提取信道状态 信息（Channel state information，CSI）成为可能. 和 RSS 相比，CSI 具备以下优点：（1）对于一个接收数 据包，CSI 可以得到无线信道中 30 个子载波的信 道频率响应（Channel frequency response，CFR） ，即 CSI 是一种细粒度的信息；（2）CSI 对于环境变动 更加敏感，作为位置指纹来分辨位置特征更加有 效；（3）对于固定位置，CSI 的分组接收数据包比 RSS 更加稳定[21] . 文献 [22] 首次采用 CSI 进行室 内定位，通过对提取出的 CSI 进行预处理来消除 一定的多径效应，然后采用 CSI 幅度的平均值来 实现定位，与 RSS 相比，取得了更好的定位精度. 文献 [23] 提出了 DeepFi 系统，通过提取 3 个天线 90 个子载波的幅度信息作为指纹，然后利用受限 玻尔兹曼机 （ Restricted  Boltzmann  machine， RBM) 来为每个参考点训练指纹特征，定位时采用基于 径向基函数（Radial basic function，RBF）的概率算 法来估计位置坐标. DeepFi 系统只采用了 CSI 的 幅度信息作为指纹，且需要为每个参考位置单独 训练一组权重，因此在定位精准度和计算复杂度 上都有待改进. 文献 [24] 通过将磁场强度和 CSI 幅度信息作为指纹，利用补零来构建训练数据，通 过卷积神经网络 （ Convolutional  neutral  networks， CNN）进行指纹训练，取得了平均误差为 1.2 m 的 定位效果，上述两种方法仅考虑 CSI 的幅度信息， 且文献 [24] 虽然联合了磁场强度和 CSI 幅度共同 作为指纹，但磁场强度在室内环境中依然不够稳 定. 文献 [25] 提出了 CiFi 系统，通过提取 5 GHz 频 段 3 个天线的相位信息，计算相邻天线的相位差 并估计到达角度（Arrival of angle，AOA） ，将 AOA 重构为 60×60 的图片来作为指纹数据，利用 CNN 来进行训练，取得了比 DeepFi 更好的定位效果，但 是 CiFi 没有充分利用 CSI 的幅度信息，60×60 的指 纹构成方法在实时定位的时效性上有待提高. 文 献 [26] 在 CiFi 的基础上联合 CSI 的相位差和幅度 信息作为指纹，将指纹构建为三维度矩阵，前两个 维度用相位差填充，第三个维度采用 114 个数据 包的幅度填充，同样在定位的时效性上有待提高. 本文在上述文献的研究基础上，提出了联合 CSI 幅度差信息和相位差信息共同作为指纹来进行室 内定位的思想，利用 CNN 强大的特征提取能力对 所有参考位置的指纹数据进行训练，并根据不同 定位场景，选取最优权重组合来进行定位指纹数 据的分配，同时结合一种改进的基于概率的指纹 匹配算法获得了良好的定位效果. 在不同室内场景 下的定位实验结果验证了本文提出方法的有效性. 1    CSI 指纹构建 1.1    CSI 概念 信道状态信息是通信链路的信道属性，描述 刘    帅等： 一种基于卷积神经网络的 CSI 指纹室内定位方法 · 1513 ·