编辑推荐:
基于接收信号强度(received signal strength,RSS)的可见光定位(visible light positioning,VLP)为室内定位提供了一种低成本解决方案,并且可依托现有基础设施在仓库环境中方便部署。然而,基于RSS的VLP在三维
基于接收信号强度(received signal strength,RSS)的可见光定位(visible light positioning,VLP)为室内定位提供了一种低成本解决方案,并且可依托现有基础设施在仓库环境中方便部署。然而,基于RSS的VLP在三维(3D)场景中仍然具有挑战性;由于定位空间更大,以及存在许多发光二极管(light-emitting diode,LED)亮度不足的暗区,其性能相较二维(2D)场景较差。这限制了基于RSS的VLP在工业应用中的实际使用场景。研究人员在一个三维仿真环境中,通过训练多种机器学习模型,包括高斯过程(Gaussian processes,GPs)与Kolmogorov–Arnold网络(Kolmogorov–Arnold networks,KANs),并针对RSS数据的不同表征形式进行建模,研究了基于RSS的VLP性能。研究结果表明,在热噪声条件下,采用高斯过程预测到各LED的距离,并结合对数变换与多边测量(multilateration),可同时实现高准确度与高精密度预测(在50 dB信噪比(signal-to-noise ratio,SNR)下,p95定位误差为10 cm)。借助该技术,基于RSS的VLP在本文所构建的三维仿真环境中达到的精度水平,可与二维应用中已有报道的结果相当,从而支持将基于RSS的VLP扩展到高度变化的工业应用场景。
该论文发表于《Photonics》,围绕基于接收信号强度(received signal strength,RSS)的可见光定位(visible light positioning,VLP)在三维室内场景中的适用性展开系统研究。研究背景在于,全球定位系统(GPS)在室内难以提供高精度定位,而仓储自动化、室内机器人、叉车导航与无人机作业等场景迫切需要低成本、低功耗且可利用既有照明设施部署的室内定位方案。VLP因此具有明显优势,尤其是在超宽带(ultra-wideband,UWB)或Wi?Fi易受干扰、环境经常变化的工业空间中。然而,现有基于RSS的VLP虽然在二维定位中已表现出分米级精度,但在三维环境中面临更大的搜索空间、LED方向性辐射导致的暗区问题,以及靠近天花板和房间角落等弱照度区域定位困难等关键瓶颈。尤其是在只使用单个固定朝上的光电二极管(photodiode)时,如何在较大、高度变化明显的工业空间中实现高精度三维定位,仍是未充分解决的问题。
基于此,研究人员构建了一个面向仓库场景的三维VLP仿真框架,以真实LED辐射方向图测量数据为基础,系统评估不同机器学习模型和不同RSS数据表征方式对定位性能的影响。研究人员比较了三类模型,即高斯过程(Gaussian processes,GPs)、神经网络(neural networks,NNs)和Kolmogorov–Arnold网络(KANs),并考察了三种数据表示:绝对表示(Absolute)、相对表示(Relative)和对数距离表示(LogD)。研究结果表明,在所有比较方案中,采用LogD表示并以GP预测各LED距离、随后结合多边测量(multilateration)恢复空间坐标的方法,持续获得最佳性能。该方法在50 dB信噪比(signal-to-noise ratio,SNR)条件下实现p95定位误差10 cm,在8 m × 8 m × 3.5 m的三维定位体积内平均误差为3.7 cm,显示出基于单光电二极管的RSS-VLP在高度变化工业场景中的可行性。论文的重要意义在于,它证明了RSS型VLP并非仅适用于二维平面定位,在适当的数据表示和学习框架下,三维场景中的精度也可接近二维应用的已报道水平,从而拓展了该技术在工业环境中的应用边界。
研究人员主要采用以下关键技术方法:首先,基于3个真实VLP用LED的辐射方向图实测数据构建三维仓库仿真环境,并在8 m × 8 m × 3.5 m空间内布置5个天花板LED;其次,利用Halton序列进行空间填充采样,生成50–400个训练点及致密测试网格;再次,设计Absolute、Relative与LogD三种RSS数据表征,并分别训练GP、NN与KAN三类模型;最后,对LogD模型输出的LED距离预测值采用基于L-BFGS-B算法的有界最小二乘多边测量,将距离反演为空间坐标,同时分析不同SNR(60、50、40、30 dB)下的鲁棒性。本文全部验证基于仿真数据,无外部样本队列。
下面结合论文主体结构,对研究结果进行分节解读。
Simulation Environment
研究人员首先阐明了RSS型VLP在真实环境中面临的复杂因素,包括反射、视距中断、空气中粉尘、环境光噪声、LED制造缺陷导致的非对称辐射方向图,以及LED安装倾斜等。这些因素使得基于理想朗伯模型(Lambertian model)的朴素三边/多边定位方法精度有限,因此工业部署通常依赖环境标定数据进行模型校正。为此,论文建立了一个模拟仓库环境,其中LED并非采用理想球形或理想朗伯辐射,而是直接使用真实测得的辐射方向图数据。光电二极管朝向被限制为始终向上,从而将问题聚焦于三维空间坐标定位,而不涉及姿态自由度。该部分的核心结论是:为了真实评估RSS型三维VLP,必须显式考虑LED辐射非理想性;否则定位算法性能会被高估。
Data Generation and Representation
在数据生成方面,研究人员设定仓库面积为8 m × 8 m,5个LED安装在5 m高的天花板上,其中1个位于中心,另外4个位于以中心为中点的4 m × 4 m方形四角。由于LED方向性较强,房间上部角落形成最暗区域,导致接近天花板时多数位置几乎接收不到足够光强,因此定位体积被限制为8 m × 8 m × 3.5 m。训练数据采用逐点采样且不添加高斯噪声,理由是标定时可通过过采样提高SNR;测试数据则在50 × 50 × 50致密网格上采集,并人为加入不同噪声水平,以模拟移动目标无法通过过采样抑噪的情况。该部分还提出三类数据表示。Absolute表示直接用5个LED的RSS预测x、y、z坐标;Relative表示使用LED两两RSS比值构造特征,以增强对统一衰减因素的鲁棒性;LogD表示则对RSS取对数,并让模型学习预测到各LED距离的对数,之后再通过多边测量恢复三维坐标。该部分的关键认识是:不同数据表征会显著改变输入输出关系的可学习性,其中LogD借助逆平方规律将RSS与距离之间关系近似线性化,为后续高精度建模奠定基础。
Machine Learning Models
在模型设计上,研究人员比较了三类机器学习方法。GP作为贝叶斯非参数模型,能够在预测均值之外给出不确定性估计,并可用于引导主动学习或贝叶斯优化;NN采用两层全连接隐藏层,通过ReLU激活学习非线性映射;KAN则以可学习边激活函数替代传统节点固定激活函数,具有一定可解释性潜力。该部分说明论文并非只验证单一模型,而是从模型类别层面对三维RSS-VLP的适用建模策略进行了基准评估。结论基础在于,只有在统一比较框架下,同时考察模型类型与数据表示,才能可靠识别性能提升究竟来自模型能力还是来自表示设计。
Materials and Methods
在实现层面,LogD方案的关键后处理步骤是多边测量。研究人员将模型预测得到的各LED距离作为输入,构建有界最小二乘优化问题,并使用SciPy中的L-BFGS-B算法求解三维位置。由于全部LED位于同一平面,距离集合理论上存在位于平面两侧的两个解,因此通过加入z ≤ 5 m约束排除天花板上方虚假解。研究人员还验证了若输入真实距离,多边测量引入的最坏误差低于0.5 mm,说明最终定位误差基本来自机器学习预测而非数值求解本身。GP训练方面,采用零均值函数与平方指数核(Squared Exponential kernel),并共享多输出核超参数;NN与KAN则在三种数据表示上使用统一结构和超参数,确保比较公平。该部分的主要结论是,方法学流程具有可复现性,且LogD框架中的多边测量误差可以忽略不计,从而支持将性能差异归因于模型与表示本身。
Results
论文结果部分是全文核心。首先,误差分布比较显示,在每一种数据表示内部,GP总体优于NN与KAN;在每一类模型内部,LogD表示通常优于Absolute与Relative。因此,GP + LogD的组合在所有设置中持续取得最佳精度。这一结果说明,三维RSS-VLP性能提升并不单纯依赖更复杂的神经网络结构,而更依赖于与物理传播规律相一致的数据表示,以及在小样本场景中具有良好泛化能力的概率模型。
其次,研究人员分析了不同Halton随机种子下的稳健性。结果表明,GP在不同训练采样位置下性能波动较小,而NN和KAN不仅绝对精度较低,而且对训练点分布和参数初始化更敏感,表现出更高方差。这说明在标定数据有限的工业定位任务中,GP相比神经网络类方法更具稳定性和部署可靠性。
再次,研究人员将欧氏误差分解到x、y、z三个坐标轴。结果发现,大多数模型在垂直方向z上的误差明显小于x和y方向,这与LED自上而下照射、以及z轴搜索范围较小有关;但LogD表示几乎消除了这种轴向不对称性,使三个方向上的性能更为均衡。该结果表明,LogD不仅提升整体精度,还改善了三维坐标误差分布的均匀性。
随后,论文评估了计算代价。LogD方案虽然精度最高,但由于增加了多边测量后处理,其推理时间比直接输出坐标的方案高约3个数量级。研究人员指出,这主要源于当前多边测量实现未针对速度做专门优化,因此仍有加速空间。与此同时,模型训练代价方面,精确GP理论上随样本数呈O(n
3)增长,但在本文50–400样本规模下尚未成为主导瓶颈;研究人员认为,对于约4000样本以内的标定集,精确GP仍具有实际可用性,更大数据集则可考虑稀疏变分GP。另一个值得注意的结果是,LogD-GP训练速度约为Absolute或Relative GP的3倍,研究人员将其归因于对数变换带来的近线性化效应,使超参数优化景观更平滑、收敛更快。
最后,论文系统考察了噪声鲁棒性。对于采用400个训练样本的LogD-GP模型,当SNR为60 dB与50 dB时性能保持较高水平;当SNR降至50 dB时,仍可获得p95误差10 cm;继续降至40 dB和30 dB后,精度明显下降。由此可见,该方法在中高SNR条件下具有较强鲁棒性,但在低SNR环境中的性能退化不可忽视。
Discussion
讨论部分将本文结果与既有研究进行定位。研究人员指出,一些已有三维VLP系统依赖图像传感器、多光电二极管阵列、更多LED数量,或在更小的定位体积中工作,因此难以与本文所关注的“单个固定朝上光电二极管 + 大尺度三维工业空间”场景直接等同。与依赖理想朗伯模型、闭式解析求解或低标定需求的方法相比,本文方案的优势在于能够通过数据学习吸收真实LED非对称辐射造成的影响,因此更适合工业场景中复杂而非理想的传播条件。研究人员同时强调,本文验证仍完全基于仿真,尽管仿真尽量贴近实际部署并使用真实辐射方向图,但尚未建模多径反射与LED倾斜等因素。由于所提方案本质上是标定驱动型方法,若未来在实体测试平台上采集训练数据,这些环境非理想因素有望被模型部分吸收,但对于非平稳光电二极管倾斜等因素,其可吸收程度仍需实验检验。
研究结论部分可译为:研究人员提出了一个基于真实LED辐射方向图的三维VLP仿真框架。研究结果表明,训练机器学习模型基于LogD数据预测光电二极管到各LED的距离,并在其后加入多边测量步骤,较直接预测空间坐标具有显著更优的性能。在本文设置中,利用5个LED和400个训练样本,该方法在8 m × 8 m × 3.5 m空间内、中心LED平均SNR为50 dB时,可实现p95误差10 cm、平均误差3.7 cm。这些结果说明,基于单光电二极管的RSS型VLP适用于高度变化场景。然而,该方法要求已知或较准确估计LED位置,并具备执行多边测量的处理能力。研究人员表明,在本文所考虑的仿真条件下,三维RSS型VLP的性能可以接近二维应用水平。需要指出的是,本文验证完全基于仿真,下一步自然工作是开展物理测试平台上的实验验证。
总体而言,该论文的主要贡献并非提出全新的VLP硬件,而是在真实辐射方向图驱动的三维工业仿真场景中,系统证明了“物理启发的数据表示 + 概率机器学习 + 多边测量”这一技术路线的有效性。其核心学术价值在于明确了:在三维RSS-VLP中,数据表示的重要性不亚于模型选择;将RSS通过对数变换映射到距离学习任务,再结合几何求解,能够明显提升精度、稳定性与轴向均衡性。这一发现为今后面向仓储、矿井、室内机器人和无人机等高度变化场景的低成本可见光定位系统设计提供了具有可操作性的建模依据。