国内外WLAN室内定位发展重点文献

国内外WLAN室内定位发展重点文献

基于概率法的位置指纹定位

概率性定位方法中位置指纹存储的是信号强度的概率分布信息，（以RSS 直方图形式通过搜索覆盖区域寻找后验概率最大的位置）

一种基于RSSI的贝叶斯室内定位算法[J]. 彭玉旭,杨艳红.  计算机工程. 2012(10)

 

Nibble 定位系统根据贝叶斯推理机制来估计用户的位置。

A probabilisticroom location service for wireless networkedenvironments. CastroP,Chiu P,Kremenet T, et al. proceedings of the International Conference onUbiquitous Computing . 2001

Castro P, Chiu P, Kremenek T, Muntz R. A ProbabilisticRoom LocationService for Wireless Networked Environments[C]. UbiquitousComputing,Seattle, USA: ACM. 2003: 18-34.

 

两种估计条件概率分布函数/似然函数的方法，直方图法和核方法。

直方图法用一个分段的常函数来表示概率密度函数

核方法中信号强度样本的概率用高斯核函数来表示

A Probabilistic Approach to WLAN User Location Estimation[J] .  International Journal of Wireless Information Networks . 2002 (3)

 

针对某个参考位置，多个AP之间以多元高斯概率分布对接收信号强度建模，定位误差较小。

基于多元高斯概率分布的无线局域网定位方法研究[J]. 程远国,李煜,徐辉.  海军工程大学学报. 2007(05)

 

 

 

Horus 定位基于聚类技术（接收到相同AP 信号的位置聚为一类，在所选的类内利用来自不同AP 的RSS联合分布概率匹配用户的最优位置）。

通过位置聚类提高搜索效率，可有效降低定位计算量。在离线阶段，该方法选择一定数量RSS 信号最强的AP 并计算RSS 联合概率分布和位置聚类。在线定位时，首先确定要搜索的类，然后利用最大似然估计计算类内每一个位置的概率，选择类内最匹配的位置。

 

Youssef M, Agrawala A K. TheHorus WLAN Location DeterminationSystem[C]. Mobile Systems, Applications andServices, Seattle, USA:ACM. 2005: 205-218.

 

基于流形正则化的定位方法

利用标记位置+未标记位置坐标的RSS样本

离线阶段采集、处理部分标记的RSS 样本后计算图形拉普拉斯矩阵，并利用该矩阵和流形学习理论训练定位坐标估计函数。在线定位时，将预处理未标记的在线RSS 数据输入到离线阶段训练的定位坐标估计函数中计算定位结果。

Pan J J, Pan S J, Yin J, Ni LM, Yang Q. Tracking Mobile Users in WirelessNetworks via Semi-SupervisedColocalization[J]. IEEE Trans. PatternAnalysis and Machine Intelligence.2012, 34(3): 587-600.

Pan J J, and Yang Q.Co-Localization from Labeled and Unlabeled DataUsing Graph Laplacian[C].International Joint Conference on ArtificialIntelligence, India: 2007: 2166-2171.

 

基于压缩感知(CompressiveSensing, CS)的室内跟踪与导航系统

离线建立位置指纹图后，利用仿射传播聚类(Affinity PropagationClustering, APC)将参考点RSS 数据聚类并计算每一类的代表类。在线定位时，首先粗定位，将在线采集的RSS 样本与每一类的代表类匹配，缩小搜索范围,减小运算量，从而降低系统计算复杂度。然后精确定位，将定位坐标的计算描述成稀疏信号的重构问题，应用CS 理论实现位置坐标估计。最后，利用并比较改进的卡尔曼滤波(KalmanFiltering, KF)和α -β 滤波处理 CS理论的定位结果，提高室内跟踪与导航的性能。

 

Received-signal-strength-based indoor positioningusing compressive sensing.Feng, Chen,Au, Wain Sy Anthea,Valaee, Shahrokh,Tan, Zhenhui. IEEE Transactionson Mobile Computing . 2012

Au A W S, Feng C, Valaee S, Reyes S, Sorour S, Markowitz S, Gold D,GordenK, Eizeman M. Indoor Tracking and Navigation using ReceivedSignal Strength andCompressive Sensing on a Mobile Device[J]. IEEETrans. Mobile Computing. 2013, 12(10): 2050-2062.

 

基于KNN预测的位置指纹定位

1、利用用户历史位置信息选取参考点：利用用户在室内运动状态的历史数据预测一些参考点和KNN 算法所选取的K 个近邻参考点联合定位。

Khodayari S, Maleki M, HamediE. A RSS-based Fingerprinting Method for Positioning based on HistoricalData[C]. 2010 International Symposium on Performance Evaluation of Computer andTelecommunication Systems,Ottawa, Canada: IEEE. 2010: 306-310.

2、南京大学的李晅松等聚类滤波KNN 算法：在选择完K 个近邻参考点后，利用聚类算法将RSS 样本特征相似但实际位置与其他所选参考点相距较远的参考点滤除，消除这类参考点对定位精度的影响，可以在一定程度上提高定位精度。

Ma J, Li X, Tao X, Lu J. Cluster Filtered KNN:A WLAN-based Indoor Positioning Scheme[C]. 2008 IEEE International Symposium onA World of Wireless, Mobile and Multimedia Networks, WoWMoM2008, Newport Beach,USA: IEEE. 2008: 1-8.

Bahl P, Padmanabhan V N. RADAR: An In-BuildingRF-Based User Location and Tracking System[C]. 19th IEEE Computer and CommunicationsSocieties Conference, Tel Aviv, Israel: IEEE. 2000:775-784.

Xu Y B, Zhou M. Meng W X, and Ma L. OptimalKNN positioning algorithm via theoretical accuracy criterion in WLAN indoor environment[C].2010 IEEE Global Telecommunications Conf., Miami,USA: IEEE. 2010: 1-5.

3、不同参数选择下KNN算法的定位性能

汤丽,徐玉滨,周牧.等基于近邻算法的室内定位技术研究[J].计算机科学,2009

 

基于主成分分析的位置指纹定位

用主成分分析来代替原来位置指纹向量中所有的场强信息，有限降低了在线计算量，同时所需要的样本也较少。

Principal Component Localization in IndoorWLAN Environments.Shih-Hau Fang,Tsungnan Lin. Mobile Computing, IEEE Transactions on . 2012

 

基于支持向量回归(Support Vector Regression) 的位置指纹定位

泛化能力和定位精度相比ANN有一定的提升, 适合训练样本少的情况

Brunato M, Battiti R. Statistical LearningTheory for Location Fingerprinting in Wireless LANs[J]. Computer Networks.2005, 47(6):825-845.

Indoor location estimation with reducedcalibration exploiting unlabeled data via hybrid generative/discriminativelearning. Ouyang, RobinWentao,Wong, Albert Kai-Sun,Lea, Chin-Tau,Chiang, Mung. IEEE Transactions onMobile Computing . 2012

Unsupervised Construction of an Indoor FloorPlan Using a Smartphone.Hyojeong Shin,Yohan Chon,Hojung Cha. IEEE TRANSACTIONS ON SYSTEMS MAN ANDCYBERNETICS PART C-APPLICATIONS AND REVIEWS . 2012

基于支持向量机多分类的室内定位系统[J]. 朱宇佳,邓中亮,刘文龙,徐连明,方灵.  计算机科学. 2012(04)

基于支持向量机的位置相关计算[J].李文杰,李方方,魏红.  计算机仿真. 2008(02)

 

基于模糊逻辑的位置指纹定位算法

利用模糊逻辑理论学习RSS 样本与位置坐标之间的映射

Teuber, A, Eissfeller B, Pany, T. A Two-stageFuzzy Logic Approach for Wireless LAN Indoor Positioning[C]. 2006 IEEE/IONPosition, Location,and Navigation Symposium, San Diego, CA, USA: IEEE. 2006:730-738.

 

基于神经网络的位置指纹定位

定位精度高，但提高幅度很小，还存在模型的训练时间长，需要大量的样本数据才能得到准确的结果的不足。

李瑛.基于BP神经网络的室内定位技术研究[D].长沙中南大学,2007

Continuous tracking of user location in WLANsusing recurrent neuralnetworks. Castro L A,Favela J. proceedings of the6thMexican International Conference on Computer Science . 2005

基于人工神经网络(Artificial Neural Network, ANN):以RSS样本和位置坐标作为ANN 的输入和输出，通过训练ANN 映射RSS 样本和坐标之间的非线性关系实现定位。

Battiti R, Nhat T L, andVillani A. Location-Aware Computing: A Neural Network Model for DeterminingLocation in Wireless LANs[R]. Technical. Report DIT-02-0083, University ofTrento. 2002.

1、判别自适应ANN: 从RSS样本中提取有用的判别信息训练ANN，构建RSS 样本与位置坐标之间更精确的非线性关系并回归地更新ANN 的权值直到训练结果没有改进为止

Fang S H, Lin T N. IndoorLocation System Based on Discriminant-adaptive Neural Network in IEEE 802.11Environments[J].IEEE Trans. Neural Networks. 2008, 19(11): 1973-1978.

 2、对向传播神经网络(Counter PropagationNetwork,CPN)和KNN结合的位置指纹定位: 利用KNN算法所计算的离线和在线RSS 样本之间的欧几里德距离和权值对应的坐标计算CPN 的输出

Derr K, Manic M. Wireless BasedObject Tracking Based on Neural Networks[C]. 3rd IEEE Conference on IndustrialElectronics and Applications, Singapore: IEEE. 2008: 308-313.

3、结合模糊推理和人工神经网络的自适应神经模糊推理系统(AdaptiveNeuro-Fuzzy Inference System, ANFIS): 建立RSS 样本与X轴坐标和Y 轴坐标的映射关系实现位置估计

Meng W X, Wang J W, Peng L, XuY B. ANFIS-based Wireless LAN Indoor Positioning algorithm[C]. 5thInternational Conference on Wireless Communications, Networking and MobileComputing, Beijing, China:IEEE. 2009: 1-4.

 

基于核函数的位置指纹定位

1、利用核函数匹配在线RSS 样本与各参考点RSS 数据的相似度，然后加权平均最相似的若干个参考点的位置坐标计算用户的位置

相比KNN定位准确性高，但算法复杂度高。

Kushki A, Plataniotis K,Venetsanopoulos A. Kernel-based Positioning in Wireless Local Area Networks[J].IEEE Transactions on Mobile Computing.2007, 6(6): 689-705.

 2、采用核直接判别分析对原始信息进行重组，去除冗余特征和噪声。

徐玉滨,邓志安,马琳.基于核直接判别和支持向量回归的WLAN室内定位算法[J].电子与信息学报,2011,33(4):896-901

 

基于融合理论的位置指纹定位

1、分批次估计融合理论在无线网络定位中的应用。

基于高斯函数及分批估计融合理论的无线网络定位算法[J]. 马春龙,张启英.  长春工业大学学报(自然科学版). 2012(01)

2、针对基于贝叶斯推理的定位方法难于获取节点位置先验信息的问题，提出了一种应用于室内定位的Dempster-Shafter信息融合与决策方法。

基于焦元信度折扣和概率排序的信息融合决策方法[J]. 佟为明,李方,李中伟,王铁成.  高技术通讯.2012 (06) 

3、提出了一种利用三角定位算法和指纹定位算法进行混合室内定位。

基于无线局域网接收信号强度分析的混合室内定位方法[J].夏英,王磊,刘兆宏.  重庆邮电大学学报(自然科学版). 2012(02)

4、针对室内无线局域网环境的信号缺失问题，基于隐状态排序的半异构无线定位方法。

基于隐状态排序的半异构无线定位方法[J].胡琨,陈益强,刘军发.  计算机工程. 2012(17)

 

 

 

国内知名大学WLAN室内定位

 

 

清华大学WILL室内定位

多径侦测和识别（RSS 样本和传感器数据可由终端设备自动读取，无需离线参考点数据采集）

Wu C, Yang Z, Liu Y, Xi W.WILL: Wireless Indoor Localization without Site Survey[J]. IEEE Trans. Paralleland Distributed Systems. 2013, 24(4):839-848.

武汉大学 羲和系统+北斗卫星+WLAN多种信号源定位è亚米级、室内优于3m无缝高精度定位导航

 

香港科技大学杨强倪明选

主要是室内定位，人体摔倒识别等。（出基于转换学习的WLAN 室内定位系统，将转换学习理论用于WLAN室内定位可以消除不同时间和终端设备差异对位置指纹定位造成的影响）

Zheng V W, Xiang E W, Yang Q,Shen D. Transferring Localization Models Over Time[C]. 23rd AAAI Conference onArtificial Intelligence and the 20th Innovative Applications of ArtificialIntelligence Conference, Chicago,USA: AAAI. 2008:1421-1426.

Pan S J, Shen D, Yang Q, Kwok JT. Transferring Localization ModelsAcross Space[C]. 23rd AAAI Conference onArtificial Intelligence and the20th Innovative Applications of Artificial IntelligenceConference, Chicago,USA: AAAI. 2008: 1383-1388.

 

西北大学， 陈晓江团队，主要是室内定位，多目标定位。

南京大学，刘向阳和wei wang 团队， 击键识别应用。

濮启凡，中科院和华盛顿大学合作（ShyamnathGollakota），手势识别控制智能家居等。

Zhipingjiang，西安交通大学，主要是室内定位，用户行为分析和识别以及计数等。

 李群明, 熊蓉, 褚健. 室内自主移动机器人定位方法研究综述[J]. 机器人, 2003, 23(6): 1090-1094.

单杭冠, 徐岚, 王宗欣. 基于恒模算法的室内多用户定位技术[J]. 复旦学报（自然科学版）. 2006, 45(4): 494-500.

 张明华, 张申生, 曹健. 无线局域网中基于信号强度的室内定位[J]. 计算机科学, 2007, 34(6): 68-71.

Zhao Y X, Zhou H B, Li MF. A Novel Overlap Area Matching AlgorithmBased on Location Fingerprintingin Wireless Networks[C]. 5thnternational Conference onWireless Communications, Networking and Mobile Computing, Beijing,China: IEEE. 2009: 1-5.

Yang Z L, Sun Z, Jiang Li,Xie Y P, Kashida H. An Area Zoning Based WLAN Location System[C]. IETInternational Communication Conference on Wireless Mobile &Computing, Shanghai, China: IET. 2009: 1-5.

Feng Chen, Au W A, ValaeeS, Tan Z H. Received-signal-strength-basedIndoor Positioning UsingCompressive Sensing[J]. IEEE Trans. Mob.Comput. 2012, 11(12):1983-1993.

Cui Q M, Deng J G, Zhang XF. Compressive Sensing Based WirelessLocalization in IndoorScenarios[J]. China Communications. 2012, 9(4):1-12.

 

  国外知名WLAN室内定位

 

国外做相关工作的团队有：

1）Souvik Sen，惠普公司  WiFi信号定位，目标定位，多径效应问题。

2）Moustafa A.Youssef ，Egypt-Japan University of science and Technology, 无设备的室内定位，人体行为识别例如Horus系统，就是该团队的研究成果。

3）Dina Katabi,MIT, 利用WiFi信号实现穿墙，人体动作识别等。

4）Romit RoyChoudhury, UIUC, 主要做无线移动识别，算法等。

5）Yingyingchen, Stevens Institute ofTechnology，主要做手势识别，室内定位，多目标定位以及安全接入控制。

6）Dong xuan,ohio state university, 主要研究视频与WiFi信号结合实现设备的定位，计数等。

7）Stephan sigg, aalto university, 主要是无设备的动作识别。

8）NealPatwari, University of Utah ,主要是无线感知网络的为设备定位，移动跟踪等。

9）Yinyuzhang, University ofWisconsin-Madison,主要参考其对WiFi信号mimo的应用。

10）DanielHalperin， Washington University, 主要成果是构建了CSI tool工具平台，提出了WIFICSI信号的测量和处理。

11）RobertHarle，剑桥大学，主要是室内惯性定位系统、人体运动行为分析等。