基于接收信号强度的厘米级室内可见光定位系统研究

作者及发表信息
本研究由荷兰代尔夫特理工大学的Ran Zhu、Jie Yang和Qing Wang团队主导，联合比利时KU Leuven的Maxim Van den Abeele及瑞士电子与微技术中心的Jona Beysens共同完成，发表于2024年3月的《IEEE Communications Magazine》。

学术背景

研究领域与动机
室内定位技术因GPS在室内的失效成为研究热点，现有技术如Wi-Fi、蓝牙等存在精度低、电磁干扰等问题。可见光定位（Visible Light Positioning, VLP）利用LED照明基础设施，兼具高精度、无射频干扰、免许可频谱等优势，尤其适用于医院、工业等敏感场景。然而，传统VLP依赖密集指纹采集（fingerprinting），劳动强度大且易受噪声干扰。本研究旨在通过数据预处理（清洗与增强）构建高可靠性指纹库，并探索在资源受限的嵌入式设备（如Arduino Nano）上部署微型机器学习（TinyML）模型的可行性。

目标
1. 提出数据清洗与增强策略，降低指纹采集工作量98%的同时实现厘米级定位（平均误差1.7 cm）；
2. 验证TinyML模型在嵌入式设备上的实时定位能力。

研究流程与方法

1. 数据采集与测试平台构建

• 硬件配置：搭建含36个LED发射器（TX，Cree XT-E，6×6阵列，间距0.5 m）和4个光电二极管接收器（RX，S5971）的密集测试床，覆盖3 m×3 m区域，采样间隔1 cm（总计351,384个样本）。
  
• 数据内容：每个样本包含36个LED的接收信号强度（RSS）及坐标（x, y, z），每个位置重复测量3次以降低噪声。
  

2. 数据清洗策略

• 两阶段去噪：
  
  • 阶段一：从3次测量中选择光强连续性最优的RSS值，保留真实环境特征；
    
  • 阶段二：对异常值，基于Lambertian辐射模型（公式2）利用邻近点插值修复。
    
• 评估指标：通过差分值Δ𝐼（公式1）量化RSS一致性，接近0视为可靠数据。
  

3. 数据增强策略

• 目标：将稀疏指纹（如8 cm间隔）插值为1 cm高密度数据。
  
• 方法：基于Lambertian模型（公式3）计算相邻采样点的RSS比值，生成中间点数据。实验显示增强数据与真实数据的平均绝对百分比误差（MAPE）仅4.9%。
  

4. 机器学习模型与部署

• 模型选择：对比支持向量机（SVM）、随机森林（Random Forest）和多层感知机（MLP），随机森林表现最优（平均误差0.44 cm，Conf 1）。
  
• 嵌入式部署：通过TensorFlow Lite Micro量化MLP模型，在Arduino Nano上实现1.27 MB压缩模型，定位误差较原始模型仅轻微上升（如Conf 1下从1.14 cm增至1.35 cm）。
  

主要结果

1. 数据清洗效果：清洗后数据使定位误差降低83.8%（Conf 3，随机森林），验证了噪声抑制的有效性。
   
2. 数据增强性能：8 cm稀疏数据增强后，定位精度接近1 cm密集数据（如Conf 1误差从1.37 cm降至1.14 cm），显著减少采集工作量。
   
3. LED布局影响：密集部署（如Conf 1，6×6阵列）误差最低（0.44 cm），稀疏布局（如Conf 3，单LED）误差达22.9 cm，但增强策略仍可改善80.6%。
   
4. 嵌入式可行性：量化模型在Arduino Nano上实现实时处理，功耗与延迟满足物联网边缘计算需求。
   

结论与价值

科学价值
- 提出首个结合数据清洗与增强的VLP框架，解决了指纹采集效率与精度的矛盾；
- 验证了TinyML在资源受限设备上实现厘米级定位的潜力，推动边缘智能应用。

应用价值
- 适用于医疗（如手术室导航）、工业（机械臂追踪）等高精度需求场景；
- 为LED基础设施部署提供密度优化指南（如1.5 m间距内需至少2×2 LED阵列）。

研究亮点

1. 创新方法：首次将Lambertian模型与机器学习结合用于RSS数据插值，实现高保真增强；
   
2. 技术突破：在嵌入式设备上达成厘米级定位，模型压缩技术（TinyML）具有行业前瞻性；
   
3. 实用性强：开源351,384样本数据集，为后续研究提供基准。
   

其他发现
- 反射光对VLP影响远低于射频信号（如多径效应），进一步凸显光定位的安全性优势。

本研究为室内定位领域提供了高效、低成本的解决方案，其方法论可扩展至其他基于指纹的定位系统（如UWB、Wi-Fi），具有广泛的学术与工程意义。