基于神经网络数据驱动加权最小二乘的BLE-AoA室内定位方法研究

《IEEE Transactions on Communications》：Data-driven tuning for weighted least squares of BLE-AoA-based indoor localization using neural networks

　　针对BLE-AoA室内定位中因多径效应、NLOS等因素导致的定位精度下降问题，本研究提出了一种基于神经网络数据驱动调整加权最小二乘（WLS）权重系数的创新方法。通过MLP和LSTM两种神经网络结构对AoA测量值进行动态权重优化，实验结果表明在有无家具的两种环境下均能显著提升定位精度（最高提升43%），为复杂室内环境的精准定位提供了新思路。

　　

在当今数字化时代，室内定位技术正成为智能建筑、智慧医疗和工业物联网等领域不可或缺的基础支撑。与室外环境中广泛应用的全球导航卫星系统（GNSS）相比，室内环境由于墙体遮挡造成的非视距（NLOS）条件，使得定位精度急剧下降。蓝牙低功耗（BLE）因其低功耗特性被视为物联网（IoT）技术中极具潜力的通信方案，特别是在蓝牙5.1版本引入定向探测功能后，基于到达角（AoA）的定位方法能够实现亚米级精度，成为目前BLE定位技术中最受关注的方案。

然而，现实室内环境中无线电波的反射、衍射以及家具遮挡等现象，严重影响了AoA测量的准确性。传统的加权最小二乘（WLS）算法虽能通过调整权重系数来抑制不可靠测量值的影响，但室内电波传播特性的复杂性使得权重系数的解析确定变得异常困难。

针对这一挑战，来自日本同志社大学和大阪大学的研究团队在《IEEE Transactions on Communications》上发表了一项创新研究，提出了一种基于神经网络（NN）的数据驱动WLS算法。该研究的核心思想是利用神经网络动态优化WLS中的权重系数，从而适应复杂多变的室内环境。系统配置如图1所示，包含多个发射器（TXs）、四个接收器（RXs）和一个中央处理系统（CS），通过接收方向探测信号并测量AoA，最终在CS端进行位置估计。

研究人员特别比较了两种神经网络结构：基础的多层感知机（MLP）和擅长处理时间序列数据的长短期记忆网络（LSTM）。考虑到AoA数据具有时间相关性，LSTM能够更好地捕捉长期依赖关系，同时保持AoA向量的物理特性。图3和图4分别展示了两种网络的结构设计，其中MLP采用ReLU激活函数和丢弃（dropout）正则化，LSTM则通过遗忘门、输入门和输出门机制控制信息流动。

关键技术方法包括：使用u-blox XPLR-AOA-2套件进行BLE信号采集，通过四接收器阵列测量AoA；利用鱼眼摄像头和ACF检测器获取厘米级精度的真实位置坐标作为训练标签；设计神经网络-WLS融合架构（图6），其中NN输出权重系数，WLS层计算位置估计；采用均方误差（MSE）作为损失函数，使用Adam优化器进行模型训练。

实验设计与结果分析

研究在两种典型室内环境下进行验证：无家具环境（ENV1）和有家具环境（ENV2）。通过搭载BLE发射器的自主移动机器人（图7）收集数据，每种环境分别获取28800个样本。

在ENV1环境中，传统LS和WLS方法的平均距离误差（MDE）为0.56米，而MLP和LSTM分别将误差降低至0.40米和0.32米，精度提升达29%-43%。图10显示，LSTM在累积分布函数（CDF）表现上尤为突出，99%的测试样本误差控制在1米以内。空间误差分布图（图11）进一步证实神经网络方法在整个定位区域都具有更好的泛化能力。

在更具挑战性的ENV2环境中（图12），由于家具造成的多径效应增强，所有方法的定位误差均有所增加。然而，MLP和LSTM仍将MDE从传统方法的1.37米分别降低至0.88米和0.77米，保持约43%的精度提升率。图14的热力图显示，神经网络方法在靠近金属柜和墙体的信号干扰区域仍能显著改善定位性能。

结论与展望

本研究成功验证了数据驱动方法在优化BLE-AoA定位性能方面的有效性。通过将神经网络与WLS算法相结合，不仅克服了传统方法在复杂室内环境中权重调整的局限性，还保持了算法的实时性与实用性。特别值得注意的是，LSTM模型凭借其时间序列处理能力，在所有测试场景中均优于MLP模型，这为移动目标跟踪应用提供了重要技术支撑。

尽管该方法在两种测试环境下都表现出显著改进，但在有家具环境中仍存在个别较大定位误差。研究人员建议未来工作可探索BLE与超宽带（UWB）技术的融合方案、增加接收器数量以提升冗余度，以及引入卡尔曼滤波等后处理技术。此外，将该方法扩展至三维定位场景，同时考虑方位角和仰角测量，也是值得深入研究的方向。

这项研究的创新点在于将机器学习与传统定位算法有机结合，既保持了WLS算法的理论严谨性，又通过数据驱动方式适应了实际环境的复杂性。这种融合框架不仅适用于BLE定位系统，还可推广至其他基于AoA的无线定位技术，为高精度室内定位技术的发展开辟了新途径。