类型a：
《中国科学：信息科学》2023年研究成果学术报告
1. 研究团队与发表信息
本研究由中山大学电子与通信工程学院的周炳朋（第一作者及通信作者）、陈光森、朱杰友共同完成，发表于《中国科学：信息科学》（*Scientia Sinica Informationis*）2023年第53卷第7期（页码1404–1422），网络版发布于2023年7月11日。研究得到国家自然科学基金青年基金（62001526）、广东省自然科学基金（2021A1515012021）等多项资助。
2. 学术背景与研究目标
本研究属于室内高精度定位领域，聚焦可见光定位技术（Visible Light-based Position and Orientation Tracking, VLP）。传统VLP方法依赖固定参数的信号传播模型（Signal Propagation Model, SPM）或静态指纹库（Fingerprinting, FG），但在动态环境中（如散射变化、LED发射功率波动、接收机增益漂移），其性能显著下降。为此，本研究提出了一种基于双向循环卷积神经网络（Bidirectional Recurrent Convolutional Neural Network, Bi-RCNN）的新方法，旨在通过挖掘可见光信号中的时空纹理特征，解决动态环境下的运动目标定位与姿态跟踪问题，最终实现厘米级精度（1.5 cm误差）的鲁棒定位。
3. 研究流程与方法
研究分为以下关键步骤：
(1) 系统模型构建
- 实验场景：模拟9 m×9 m×4 m的室内空间，部署81个LED（方形阵列）和9个光电二极管（Photodiode, PD）组成的接收阵列，PD分布为半径0.05 m的圆盘。
- 动态干扰模拟：引入系统参数（LED功率、PD增益）和环境参数（多径衰落系数）的随机波动（波动强度νs=νe=0.1），以模拟实际动态场景。
- 观测模型：接收信号强度（Received Signal Strength, RSS）结合直射与散射路径模型（公式3–4），并添加高斯噪声（信噪比20 dB）。
(2) Bi-RCNN网络设计
- 双向循环结构：前向与后向循环模块分别挖掘历史与未来时刻的RSS时间相关性特征，通过遗忘门（公式13、14）和记忆门（公式16–21）选择性保留时空信息。
- 3D卷积层：记忆门采用两层3D卷积（核尺寸3×3×3，10个卷积核）提取RSS样本的空间纹理特征（如LED阵列的几何投影模式）。
- 数据预处理：对RSS样本序列（长度k=105）滑动截取子序列（长度ks=10），归一化后输入网络（公式10）。
(3) 模型训练与测试
- 数据集：生成105组带标签的RSS序列（80%训练，20%测试），标签为目标位姿参数αr（3D坐标+3自由度姿态角）。
- 优化目标：最小化网络输出与真实位姿的误差，采用TensorFlow-GPU 2.40框架，硬件为NVIDIA RTX 3090。
4. 主要结果与逻辑关联
- 定位性能对比：在20 dB信噪比下，Bi-RCNN的定位误差（1.5 cm）显著优于基线方法（如基于SPM的传统方法误差>10 cm，基于LSTM的方法误差约3 cm，图9–10）。
- 动态环境鲁棒性：即使信噪比低至−30 dB或环境波动强度增至0.4（图13），Bi-RCNN仍保持稳定性能，而传统SPM方法误差急剧上升（图14）。
- 模块有效性验证：双向循环结构与3D卷积的结合（对比基线算法5）证明时空特征融合对提升精度的关键作用。其他影响因素包括LED/PD数量（图15）和背景光干扰（图12）。
5. 结论与价值
本研究通过Bi-RCNN首次实现了动态环境下基于可见光的厘米级定位跟踪，其核心贡献在于：
- 理论层面：提出时空纹理特征作为动态环境中位置鉴别的新范式，突破传统SPM对固定模型的依赖。
- 方法创新：设计双向循环卷积网络结构，结合3D卷积的空间挖掘能力与循环网络的时间建模能力。
- 应用价值：为智能仓库、自动驾驶等需要高精度室内定位的场景提供解决方案，尤其适用于LED照明普及的物联网环境。
6. 研究亮点
- 动态环境适应性：通过遗忘门与记忆细胞机制，有效抑制环境参数波动的干扰（公式24–25）。
- 多模态特征融合：首次将时空纹理特征同时纳入可见光定位模型（图6）。
- 开源可复现：实验参数与网络结构（图8）详细公开，支持后续研究扩展。
7. 延伸讨论
研究还探讨了LED布局、PD阵列尺寸等工程因素对性能的影响（图11, 15），为实际部署提供参数设计指南。未来可进一步探索与视觉定位（Image-based VLP）的联合优化，以应对更复杂场景。