0 引言

　　可见光定位（VLP）技术因其低成本、高精度定位和无噪声干扰等优点而受到关注[1-2]。VLP技术主要可以分为2类：一类是依赖于接收信号强度（RSS）的VLP技术，另一类则是基于图像传感器的VLP技术。这2类技术分别通过对光信号和光图像进行相应的处理来实现定位。随着图像处理和深度学习技术的快速发展，可见光室内位置感知模型获得了新的发展方向。文献[3]提出了一种非调制的VLP方法，该方法通过利用光学原理采集单张照片来构建指纹库，指纹库可以重复使用。然而，这种方法的局限性在于定位过程需要朝光源拍摄。文献[4]使用图像传感器和加速传感器接收并处理光源信息，首先利用这些信息实现粗定位，然后结合二维（2D）图像坐标进行精确定位。这种方法在5 m×5 m×3 m的室内环境中的定位误差（若无特别说明，均指平均定位误差）不超过2 cm，但其实用性受限，因为接收端的倾斜角度会影响其效果，需要频繁调整内置传感器的角度以适应不同环境。文献[5]详细分析了在2个光源场景下的定位精度，但由于存在对称点的问题，所以2个光源的位置必须被限制在墙角处。文献[6]介绍了一种使用光照度补偿技术对发光二极管（LED）布局进行优化的方法，并研究出了一种由5个LED阵列组成的布局方式。该模型可以降低系统功耗并提高光照度的均匀性。然而，这种布局的光源阵列具有对称分布的特性，因此仅适用于常见的办公照明环境。

　　鉴于此，本文提出一种基于卷积神经网络（CNN)视觉成像的可见光室内位置感知模型，研究不同光源布局对模型定位精度的影响。

4 结束语

　　本文通过CNN预训练模型提取图像深度特征，提出了基于CNN视觉成像的可见光室内位置感知模型，改善了RSS可见光位置感知部署复杂、稳健性较差、定位精度较低的问题。在此基础上，通过研究并选择合理的光源布局方式进一步提高了模型的定位性能。理论分析和实验结果表明：

　　1）相对于RSS可见光室内位置感知模型，本文所提模型的定位精度提高明显。以置信概率为标准，当定位误差小于2.1 cm时，置信概率提高了10%；当定位误差小于3.9 cm时，置信概率提高了6.7%。

　　2）选择十字布局方式，可以有效提高位置感知模型对室内环境的适应性，并提高其定位精度和稳定性。相较于矩形布局方式，十字布局方式的定位误差小于3、5.1、6 cm时的置信概率分别提高了13.3%、3%和3.3%。