1. 研究背景与目的

• 背景：随着网上购物和大型商超的普及，建设自动化、高效且低成本的智能仓储系统成为迫切需求。

• 目的：解决中大型智能仓储系统中货物位置估计的问题，提出一种基于对比学习和接收信号强度（RSS）的室内可见光定位模型（CLTf模型），以提高定位精度。

2. 现有方法与挑战

• 现有方法：

• 数据库查询：记录货物位置信息，拣货时查询数据库。缺点是货物位置需保持不变。

• 室内目标定位：依赖物联网技术（如超宽带UWB和射频识别RFID），但在中大型仓库中，密集货架会阻隔电磁波传播，导致定位误差大。

• 挑战：

• 中大型仓库需要训练多个神经网络模型，增加网络训练复杂度。

• 数据采集和训练过程困难，需以0.2~0.3 m间隔设立参考点。

3. 提出的方法：CLTf模型

• 核心优势：

• 嵌入层：将RSS分量与对应LED ID联合编码，构建信息增强的RSS表征向量；采用滑动窗口机制提取Top-M显著分量，降低数据维度并实现样本增广。

• 对比学习：利用锚点位置先验知识优化Transformer编码特征，增强位置判别性。

• Transformer模型：能有效学习变长RSS序列的依赖关系，保持稳定的训练效果。

• 嵌入层与对比学习联合训练：

4. 模型架构与流程

• RSS向量处理：

• RSS向量由RSS值与其对应的LED索引构成。

• 从RSS向量中选取Top-M的RSS分量构成新RSS向量，通过滑动窗口机制提取RSS子序列。

• Transformer编码器：

• 由多头自注意力机制（MHSA）和前馈层组成，能有效提取RSS向量中的模式特征及其分量间的依赖关系。

• 全连接层与输出层：

• 将Transformer编码器输出的特征序列传入全连接层，输出货物坐标。

• 使用均方误差（MSE）作为定位损失，通过对比学习进一步优化特征。

5. 仿真与结果

• 仿真设计：

• 仓库尺寸：20(m)×50(m)×3(m)，LED数量：225个。

• 仿真参数：视场角（FOV）、PD有效区域、光滤波器增益、光聚合器增益、LED半功率角、LED发射功率等。

• 性能评价指标：

• 平均定位误差（MPE）和均方根误差（RMSE）。

• 定位结果：

• 在货架第1至第3层载物面上的定位精度较高，达到厘米级。

• 第4和第5层由于可见光功率的非线性衰减，定位精度有所下降。

• 对比实验：

• 与随机森林（RF）、人工神经网络（ANN）、卷积循环神经网络（CRNN）等方法相比，CLTf模型在各层载物面上的平均定位误差均较低。

6. 消融实验

• 目的：验证对比学习对CLTf模型的有效性。

• 结果：仅使用MSE损失函数训练的Tf模型与CLTf模型相比，在第5层载物面上的平均定位误差差值达到2.23 cm，表明对比学习能有效提高定位精度。

7. 结论与未来工作

• 结论：CLTf模型通过嵌入层的数据增强和对比学习的特征优化，有效解决了样本稀疏导致的泛化不足问题，为大型仓储环境提供了一种经济可靠的定位方案。