1.30 基于WiFi指纹的室内定位概述

文献来源：

Liu F, Liu J, Yin Y, et al. Survey on WiFi‐based indoor positioning techniques[J]. IET communications, 2020, 14(9): 1372-1383.

摘要

自工业4.0概念提出和“互联网+”时代开始以来，基于位置的服务因其社会和商业价值而备受关注。许多学者试图将机器学习引入到室内指纹定位中，以提高室内定位精度、增强系统鲁棒性、降低成本、提高室内定位方法的性能。对室内定位技术、方法和分类进行了全面概述。此外，详细综述了WiFi指纹识别和机器学习方法在室内定位中的应用，并分析了这些方法在室内定位中的优缺点。本研究总结了室内定位面临的困难和挑战，并提出了发展方向。

在室外环境下，卫星定位的精度得到了验证。这为我们的日常生活、工作和其他场景(如导航汽车和路线规划)创造了极大的便利。基于全球定位系统(GPS)开发出了百度地图、高德地图等众多高质量的定位软件程序。这些软件程序被广泛应用于社会的各个方面。而在室内环境中，由于室内物体的阻挡和墙体的吸收作用，卫星信号在室外向室内传输过程中会发生明显的衰减。因此，卫星信号在建筑物内通常非常微弱;因此，很难实现室内物体的精确定位。因此，需要新的技术来增强室内定位。由于室内环境的复杂性，室内定位比室外定位更具挑战性。必须考虑以下因素：(1)物理障碍的存在，(2)信号波动和噪声，(3)墙壁阻塞，(4)多个可用的信号传播路径，(5)两点之间的非视距距离，(6)人员和物体的运动，(7)温度变化，(8)电信号的干扰。因此，室内定位对鲁棒性和定位精度要求更高。

本研究的主要贡献如下：1)介绍了用于室内定位的技术，并对这些技术的精度范围、优缺点进行了比较。2)本研究综述了WiFi指纹识别和机器学习方法在室内定位中的应用，并分析了这些方法在室内定位研究中的优缺点。本研究的其余部分结构如下:在第2节中，讨论了主要的室内定位技术。第3节主要介绍了基于WiFi的室内定位方法，包括基于距离的WiFi室内定位方法和基于WiFi指纹的室内定位方法。第4节综述了WiFi指纹识别和机器学习方法在室内定位中的应用，并分析了这些方法在室内定位研究中的优缺点。最后，第5节给出了本研究的主要结论。

2室内定位技术

由于人类大部分时间都在室内度过，因此探索室内定位技术具有重要意义。研究人员已经使用了几种不同的无线信号来实现室内定位。主流的室内定位技术包括超声波室内定位、射频识别(RFID)室内定位、超宽带(UWB)室内定位、蓝牙室内定位、红外室内定位、ZigBee室内定位、WiFi室内定位等。

2.7 WiFi

WiFi是一种基于IEEE802.11b标准的无线局域网。WiFi网络广泛应用于家庭、酒店、商场、办公室、校园、医院等各种室内环境。目前，大多数智能手机、笔记本电脑和其他便携式用户设备都支持WiFi。WiFi室内定位的目标是利用无线接入点(包括无线路由器)组成的无线局域网，实现复杂环境下的定位检测和跟踪任务。它采用经验检验与信号传播模型相结合的方法，根据网络节点的位置信息对连接的移动设备进行定位。基于rssi的指纹定位方法是目前主流的WiFi定位方法[8]，定位精度取决于校准，即点的密度。

3 .室内定位方法

到目前为止，几乎所有的WiFi室内定位系统都是基于接收信号强度(RSS)。总的来说，这些系统可以分为两大类:(1)基于距离测量的室内定位(基于距离的方法)和(2)基于WiFi指纹的室内定位。

3.1基于距离的WiFi室内定位方法

基于距离的室内定位方法是利用到达时间(TOA)、到达时间差(TDOA)和到达角(AOA)来测量收发器之间的距离。在这些方法中，首先将RSS转换为使用信号传播模型的距离。随后，使用几何方法(例如三边测量)计算移动客户端的位置。定位原则及其各自的优缺点总结如表3所示。

基于TOA、TDOA和基于AOA-的定位技术的部署既繁琐又昂贵，因为它们需要对接入点(AP)进行某些硬件或软件修改。特别是，必须使用一组角度测量传感器或高精度计时器分别测量AOA或TOA。这些设备会增加定位系统的成本。但是，AP和用户之间的距离是使用RSS传播模型计算的。每个AP信号的衰减取决于传输距离，以及几个环境因素，如人、墙壁和湿度。因此，不可能得到一个通用的信号传播模型，可以适当地模拟现实世界的情况。在现实中，无线信号在复杂的室内环境中传播会受到多重干扰，包括多径效应、反射、折射和衍射。基于非los传播的定位往往误差较大，不能提供令人满意的定位性能。

3.2基于WiFi指纹的室内定位

雷达定位系统是基于WiFi指纹的室内定位的首要任务。WiFi指纹识别(一种信号收集和与室内位置关联的过程)是一种很有前途的方法，无需假定LoS。在这种方法中，位置的特征与被检测信号的模式(例如，从不同WiFi ap发出的RSS矢量)相关联。因此，当AP的确切位置未知时，指纹识别可以在不需要距离或角度测量数据的情况下提供定位信息。该特性保证了定位精度不受多径效应和非los传播的影响。因此，基于WiFi指纹的定位方法在室内定位中是非常可行的。在本研究中，基于WiFi指纹的定位方法与其他室内定位方法相比具有明显的优势。

3.2.1定位原则

首先在建筑物中部署无线ap，并标记为AP1, AP2，…，APn。通过智能终端扫描环境中参考点处的AP信号，可以得到不同AP发出的信号以及这些AP对应的MAC地址。接收到的信号强度由RSS表示。

在传播过程中，WiFi信号会出现路径损耗。具体来说，信号的功率密度随着距离的增加而减小，这符合路径损耗模型。同一AP发出的WiFi信号强度在不同的传播距离下是不同的。每个位置由基于多个ap发出的信号的唯一RSS向量(RSSi1, RSSi2，…，rssiin)表示。RSS向量和位置之间的这种一对一关系类似于人类指纹的概念，可以用作位置信息的唯一标识符。因此，在特定位置测量的RSS矢量可用于预测其实际地质位置。

3.2.2 定位流程

基于WiFi指纹的定位过程可分为两个步骤[23]:离线数据采集阶段和在线匹配阶段。步骤1:由于时间和成本的限制，不可能在每个位置测量RSS矢量。因此，在定位环境中必须适当选择某些参考点。通过收集这些参考点不同AP发出的WiFi信号的强度数据，我们可以构建参考点的RSS矢量，矢量的分量遵循相同的AP序列顺序。这些RSS矢量以及参考点的坐标可以一起存储在数据库中。随后，构建室内指纹库(无线地图)。步骤2:通过将目标位置的RSS向量与指纹数据库中的数据进行比较匹配，确定目标位置的位置。指纹定位方法不需要测量AP的LoS距离，可应用于复杂的室内环境。

4 . WiFi指纹定位算法

基于指纹的定位算法可以在不需要对变换进行额外测量的情况下提供定位。它利用现有的设施，不依赖于硬件的修改或移动。因此，维护和更新算法不会对用户产生太大的影响。在这里，我们介绍了近年来在室内定位中常用的机器学习方法。

4.5人工神经

考虑典型位置时，指纹定位算法本质上是基于非线性特征变换的浅层结构的机器学习方法，其建模和表达能力有限，其结构限制了室内RSS数据特征的表达。然而，在使用复杂数据时会遇到一些困难。研究人员尝试将深度学习应用于室内定位，以获得更好的定位结果。深度神经网络使用指纹库中每个采样点上所有AP节点的RSS值和相应采样点的位置坐标作为训练数据，获得RSSI与位置坐标的映射关系。此外，在在线定位过程中，输入一组用于映射关系的实际测量rss来预测结果。它具有较强的非线性特征映射能力和较高的灵活性。此外，RSS指纹数据在室内定位的训练和学习中表现出良好的性能。[40]的研究提出了一种新的深度神经网络模型。该算法尝试使用堆叠自编码器(SAE)来降低特征空间的维数，并将地板分类问题表达为一个多标签分类问题。极限学习机具有学习速度快、泛化性能好的特点。[42]的研究提出了一种基于极限学习机的地板定位算法。两层ELM- sae用于特征提取，一层用于ELM特征分类。这种分层学习结构在保持原有ELM的核心优势的同时，进一步提高了原有ELM的学习效率。基于dnn的方法的性能仍然受到输入训练数据是否充足的限制。由于DNN是全连接的，其计算复杂度与神经网络的深度(即层数)直接相关，直接影响定位结果的准确性。文献[43]提出了一种将SAE与一维卷积神经网络(CNN)相结合的定位模型。该算法使用SAE从稀疏WiFi指纹中准确提取关键特征，并使用1D-CNN层训练分类器模型。[44]的研究受到最先进的图像分类方法的启发，提出了一种用于地板定位的CNN。将WiFi信号转换成指纹图像，利用CNN对指纹图像的位置进行分类。该方法可以降低对接收信号波动的灵敏度。与传统神经网络相比，学习参数数量少，网络复杂度低。

5结论

基于位置服务(LBS)的需求推动了室内定位技术的发展。高精度、瞬时定位技术的发展取得了重大进展。本研究回顾了主要的基于WiFi指纹的机器学习算法。本研究有望为研究者在人们日常生活中实现室内LBS提供重要参考。首先，我们比较了室内LBS使用的主要技术，得出在建筑物中部署WiFi具有主要优势的结论。因为大多数建筑物已经有WiFi设备，所以不需要额外的设备。然后介绍了基于WiFi的主要室内技术，重点介绍了WiFi指纹识别算法。此外，基于WiFi指纹的室内定位方法仍然受到一定因素的影响，包括对环境的依赖性较强(例如室内环境的变化会对室内定位结果产生显著影响)。WiFi信号的强度对很多因素都很敏感，包括静止的物体和移动的人。人体是无线局域网信号传播的主要干扰源。离线阶段的指纹采集过程和在线阶段的瞬时信号接收过程都需要人参与[46]。此外，在室内环境中，散步是一种非常常见的活动。因此，在最初的试验和实际应用中都必须考虑到人体。这是目前研究的一个局限性