本發明涉及室內定位，特別涉及一種基于多模態擴散模型的超寬帶室內定位方法。

背景技術：

1、超寬帶(ultra-wideband,uwb)技術因其高分辨率、高精度和強抗干擾能力，在室內定位領域具有廣泛應用前景。uwb傳感器室內測量數據主要包括四種類型：標簽與錨點之間的距離測量、標簽信號到達錨點的時間(time?of?arrive,toa)、接收信號強度指示器(received?signal?strength?indicator,rssi)、標簽與錨點之間的信道脈沖響應(channel?impulse?responses,cir)數據。其中，距離測量是uwb定位的基礎，通常采用基于toa的方法計算錨點與標簽之間的距離。而rssi反映接收器的信號強度，通常用于估計設備間距離。

2、rssi測量包含兩個不同的組成部分：剩余接收信號強度指示器（rxrssi）和首徑接收信號強度指示器（fprssi）。這兩種rssi測量提供了信號傳播環境的互補信息，rxrssi反映了整體信號強度，而fprssi指示首次到達信號路徑的強度。這兩個測量值之間的關系對于確定視線（line-of-sight,los）或非視線（non-line-of-sight,nlos）條件特別有價值：在理想los環境中，信號衰減遵循相對穩定的傳播規律，rssi值與標簽和錨點之間的距離保持明確關系，通常使用路徑損耗模型或對數距離模型進行準確距離估計。

3、然而，在實際室內環境中，uwb信號傳播面臨多重挑戰。1、在nlos環境中，當信號遇到墻壁和家具等障礙物時，會發生反射、折射和散射，導致多路徑效應，顯著降低了測距精度。2、環境因素可能進一步加劇信號傳播問題。當標簽和基站被遮擋或受到電磁干擾時，可能會發生持續的數據丟失，表現為多個基站同時無法獲取標簽的距離和rssi測量值。3、大規模數據丟失不僅影響單個測量的準確性，還會導致長時間內完全丟失目標跟蹤能力。

4、現有方法在解決復雜環境中的精確定位方面已取得重要進展。如：傳統基于toa的方法主要依賴卡爾曼濾波(kalman?filtering,kf)和各種優化算法；基于深度學習的方法例如采用卷積神經網絡(convolutional?neural?networks,cnn)、長短期記憶網絡(long-shot-term?memory,lstm)和圖神經網絡(graph?neural?networks,gnn)的方法通過學習uwb數據中的復雜環境模式，例如時空特征、位置特征等，明顯緩解了uwb定位在nlos環境下的誤差。

5、然而，現有方法在處理復雜環境中的定位問題上存在以下不足：1、傳統的基于toa的方法主要依賴卡爾曼濾波(kf)和各種優化算法。在處理數據丟失時，通常使用簡單的預處理技術，如前向填充或線性插值，維持基本的數據連續性，但無法保留uwb測量的基本統計特性。2、基于深度學習的方法通過學習uwb數據中的復雜環境模式提高了性能，但在處理丟失數據時仍依賴于基本的插值技術，簡單的數據補全策略無法保留uwb測量的統計分布，導致分布偏移和潛在的數據污染，在信號長時間遮擋期間顯著降低了定位精度。3、大多數現有方法未能充分利用多模態信息。雖然一些方法結合了距離和rssi數據，但通常將這些模態視為獨立輸入或執行簡單的拼接，未能捕捉它們的復雜相互依賴性，忽略了rssi信號中包含的補充信息。

6、近年來，擴散模型(diffusion?model)最近在生成建模和數據重建任務中展現出顯著能力。這些模型通過學習逆轉逐漸噪聲化過程，使其能夠從復雜數據分布中生成高質量樣本，并在保留統計特性的同時有效重建缺失數據。擴散模型的優勢在于其通過迭代去噪步驟建模復雜數據分布的能力，使其特別適合解決uwb定位系統中數據丟失的挑戰。

7、現有技術的局限性表明，需要一種能夠有效處理大規模數據丟失、充分融合多模態信息并適應復雜nlos環境的創新uwb室內定位方法。

技術實現思路

1、本發明提供一種基于多模態擴散模型的超寬帶室內定位方法，旨在解決nlos環境下大規模數據丟失和信號干擾導致的定位精度下降問題。

2、本發明采用如下技術方案：一種基于多模態擴散模型的超寬帶室內定位方法，包括如下步驟：

3、s1、基于移動多傳感器平臺進行數據采集：所述移動多傳感器平臺設置有uwb基站、激光雷達及計算單元，采集室內環境各uwb錨點-標簽之間的距離數據和rssi信號強度數據，通過激光雷達獲取真值數據，并獲取移動多傳感器平臺的運動軌跡真實值；

4、s2、對采集到的數據進行標準化處理，包括：距離數據處理、rssi數據處理、數據缺失處理，得到多模態輸入數據；

5、s3、通過多模態特征提取模塊，對多模態輸入數據進行特征提取和特征融合；

6、s4、構建多模態擴散模型，基于擴散模型的前向馬爾科夫鏈過程，采用改進的去噪擴散隱式模型（ddim）進行逆向采樣，建立u-net架構神經網絡，輸入特征提取和特征融合后的數據，通過多步去噪迭代實現距離重建，經過訓練后輸出距離估計值；

7、s5、建立位置估計層，接受距離估計值輸入，采用長短期記憶網絡進行時間序列建模，學習位置估計，輸出三維坐標定位值；

8、s6、進行基于監督學習的網絡訓練，引入混合損失函數進行迭代優化，得到訓練完成的多模態擴散模型，用于在復雜非視距環境下實現高精度室內定位，有效解決信號干擾和大規模數據丟失條件下的定位精度下降問題。

9、優選地，步驟s1中，所述基于移動多傳感器平臺進行數據采集，包括如下子步驟：

10、s1.1、室內環境設置有若干uwb錨點，每個uwb錨點上設有uwb傳感器；

11、s1.2、固定移動多傳感器平臺上uwb基站和室內環境中每個uwb錨點的位置，通過標定程序確定uwb基站和每個uwb錨點在統一坐標系下的坐標；

12、s1.3、控制移動多傳感器平臺在室內環境中按預定軌跡或隨機移動，通過ros操作系統建立數據采集節點；

13、s1.4、通過移動多傳感器平臺上的uwb基站和室內環境各uwb錨點建立通訊，獲取各時間戳下uwb錨點-標簽之間的距離值和rssi信號強度值，形成不同的數據序列；通過移動多傳感器平臺上的激光雷達，獲取參考位置作為實時真值。

14、優選地，步驟s2中，所述標準化處理，包括如下子步驟：

15、s2.1、距離數據處理：平行組織多個uwb錨點-標簽之間的距離數據，并將連續多個時間戳的距離數據進行聚合處理，形成時間窗口數據塊，將聚合后的數據組織成四維張量結構；

16、s2.2、rssi數據處理：

17、rssi信號強度數據包含兩種rssi信號強度值，分別為：接收信號強度指示器數據（rxrssi）、第一路徑接收信號強度指示器數據（fprssi），分別表示整體信號強度和首次到達信號路徑的強度；

18、將兩種rssi信號強度值通過張量結構進行組織，在第一維度上增加一個通道以區分兩種rssi信號強度值，得到張量結構；

19、s2.3、數據缺失處理：對輸入數據中的缺失值采用前向填充方法進行缺失填充。

20、優選地，步驟s3中，所述多模態特征提取模塊采用并行特征處理架構，分別處理rssi信號強度數據和距離數據，對多模態輸入數據進行特征提取，方法如下：

21、s3.1.1、通過rssi特征轉換模塊對rssi信號強度數據進行預處理和轉換，將雙通道特征映射到統一特征空間；

22、s3.1.2、將距離數據、rssi信號強度數據分別沿距離路徑、rssi路徑，進行多層次特征提取，所述距離路徑和rssi路徑使用相同網絡結構但不共享參數；特征提取過程中，通過卷積層學習不同模態間的相互依賴關系；

23、所述多層次特征提取，包括低級特征層、中級特征層和高級特征層，形成遞進式特征提取結構，每個層次均通過3d卷積進行特征變換；所述低級特征層捕獲局部空間模式，所述中級特征層綜合局部特征形成抽象表示，所述高級特征層整合空間關系提取全局語義信息。

24、優選地，步驟s3中，對多模態輸入數據進行特征融合，方法如下：

25、s3.2.1、在特征提取的多個層次上設置融合點，將rssi路徑和距離路徑的特征和進行特征拼接；

26、s3.2.2、對拼接后的特征通過卷積層進行特征變換，學習不同模態間的相互依賴關系；

27、s3.2.3、使用通道數從32到16的3×3×3卷積層進行特征融合和降維，形成不同尺度下的特征向量。

28、優選地，步驟s4中，構建多模態擴散模型，采用改進的去噪擴散隱式模型構建馬爾科夫鏈，方法如下：

29、s4.1、基于擴散模型的前向過程，構建馬爾科夫鏈，定義噪聲添加過程，逐步向原始距離數據添加噪聲；

30、s4.2、采用線性噪聲調度策略，利用重參數化方法，獲取任意時間步的噪聲數據；

31、s4.3、進行基于ddim的逆向去噪過程，采用改進的去噪擴散隱式模型將條件概率轉換為確定性形式，加速擴散模型的采樣過程；

32、s4.4、構建時間步嵌入模塊，將離散時間步映射到高維空間；

33、s4.5、通過兩層全連接網絡轉換時間特征，將32維的時間嵌入映射到64維的特征向量,注入到u-net架構神經網絡的各層中。

34、優選地，步驟s4中，構建u-net架構神經網絡作為擴散模型的骨干網絡，包括編碼器路徑和解碼器路徑；

35、所述編碼器路徑，通過多個下采樣塊逐步提取特征，每個下采樣模塊包含兩個卷積層和一個下采樣操作，同時加入時間步嵌入的投影調整噪聲預測；

36、所述解碼器路徑，通過對應的多個上采樣操作逐步恢復特征分辨率，同時通過跳躍連接融合編碼器對應層的特征，每個上采樣模塊包含一個反卷積層和兩個普通卷積層。

37、在對應的編碼器和解碼器層之間引入跳躍連接，解決梯度消失問題：

38、所述u-net架構神經網絡輸出預測的噪聲分量，該輸出具有與輸入數據相同的尺寸（1×t×a×n），用于ddim采樣過程中的確定性距離重建；

39、通過ddim采樣策略，多模態擴散模型能夠從噪聲數據中逐步恢復高質量的距離測量值。

40、優選地，步驟s5中，所述位置估計層，采用cnn-lstm混合架構，捕捉空間關系和時間依賴性，將重建后的距離數據轉換為三維位置坐標輸出，包括如下子步驟：

41、s5.1、空間特征提取：構建設計卷積神經網絡模塊，通過若干3d卷積塊處理多維距離數據，提取錨點-標簽距離關系中的空間模式，保留測量的時間結構；

42、s5.2、時間序列建模：采用長短期記憶網絡對處理后的空間特征進行時間序列建模，利用多個連續時間戳信息，捕捉目標運動軌跡中的時間依賴關系，增強定位結果的時間一致性；

43、s5.3、位置坐標回歸：構建回歸模塊，包含全連接層，將時間特征映射至三維位置坐標；輸出估計位置坐標，進行從距離測量到位置的端到端學習。

44、優選地，步驟s6中，所述混合損失函數，兼顧距離重建誤差和位置估計誤差，通過加權系數平衡優化目標。

45、優選地，步驟s6中，所述基于監督學習的網絡訓練，采用端到端訓練方式進行參數的優化，包括如下子步驟：

46、s6.1、將標準化處理后的距離數據、rssi信號強度數據和對應的真值數據加載到訓練集和測試集中；

47、s6.2、對真實距離數據、rssi信號強度數據進行采樣，按照擴散模型的前向過程添加指定時間步的噪聲生成訓練樣本，通過多模態擴散模型進行前向計算，得到噪聲預測值及相應的距離和位置估計；

48、s6.3、根據混合損失函數計算總損失、距離損失和位置損失；

49、s6.4、根據損失函數的梯度，通過反向傳播算法更新多模態擴散模型參數；

50、s6.5、通過去噪擴散隱式模型進行逆向采樣,從噪聲數據生成重建的距離測量值，預測目標位置。

51、本發明采用以上技術方案與現有技術相比，具有以下技術效果：

52、1、有效應對非視距環境，提高定位精度：本發明室內定位方法，通過多模態數據融合和擴散模型的應用，顯著提高了uwb室內定位系統的精度，在復雜的非視距（nlos）環境中，通過融合距離數據與rssi數據，有效識別并緩解多徑效應造成的測量誤差。

53、2、增強數據丟失時的魯棒性：本發明的擴散模型能夠有效重建丟失的測量數據，并保持其統計特性和時間一致性，即使在大規模數據丟失的極端情況下，仍能維持可接受的定位精度，定位誤差增加幅度遠小于傳統方法。

54、3、提高計算效率：本發明采用ddim采樣策略，顯著減少了擴散模型所需的采樣步數，在保持重建質量的同時提高了推理效率，可以在資源受限的嵌入式設備上實時運行。

55、4、軌跡時間一致性增強：本發明基于cnn-lstm架構的位置估計模塊，能夠有效捕捉運動軌跡中的時間依賴關系，產生更平滑、更連貫的定位軌跡，大幅減少了軌跡跳變現象，特別是在信號質量暫時下降的場景中。

56、5、適應性強：本發明超寬帶室內定位方法在不同復雜度的環境中均表現出色，且隨著環境復雜度增加，相較于現有方法的優勢更為顯著；從簡單的客廳環境到復雜的實驗室環境，本方法均能保持穩定可靠的定位性能。