基于指纹的室内定位技术

李冬　张宝贤

摘要：基于无线信号指纹的定位技术是当前室内定位技术研究的重点，它具有无需额外基础设施、成本低且定位精度较高等优势。基于指纹的定位系统，其核心思想是将不易测量的位置信息映射为容易测量的无线信号特征，并以机器学习中分类器的角度将已有指纹定位技术分为两个方向：基于Wi-Fi信号强度的分类模型研究；结合其他物理信号特征的指纹定位研究。强调室内定位的关键在于找出它的核心应用，完成从学术到市场的转变。

关键词： 指纹；室内定位；Wi-Fi 信号强度；分类器；无线信号

近年来，基于无线信号的室内定位技术越来越受到学术界和工业界的重视。这是因为位置信息是移动智群感知和物联网应用的基础要素之一，且在室内环境中具有广泛的应用场景，例如机场/火车站/商场的人员导航、特殊贵重物品跟踪、基于位置的服务推送、安全和入侵检测与防范等。然而，室内环境复杂，无线信号传播容易受到人员流动、家具、墙壁等障碍物的影响。同时，室内定位应用对位置精度提出了很高的要求。因此大量的研究工作[1-4]已经针对室内定位技术展开。

基于无线信号指纹的定位技术是当前室内定位技术研究的重点。与基于测距和基于接近度的定位技术相比较，指纹定位技术的优势在于基站侧和移动终端侧都不需要特殊设备，且具有较高的定位精度（平均定位误差1～3 m）。特别是随着智能手机和无线局域网（WLAN）基础设施的快速普及，基于Wi-Fi信号强度指纹的定位技术已经成为研究和应用的主要方向。

1基于指纹的室内定位技术

的理论基础和工作流程

1.1指纹定位系统的核心思想和基础

假设

基于指纹的定位系统，其核心思想是将不易测量的位置信息映射为容易测量的无线信号特征。这种思想主要基于以下两个基本假设：

（1）无线信号特征与地理位置相关。在理想情况下，目标环境中每一个地理位置都拥有唯一的可区分的无线信号特征，作为该位置的指纹信息。指纹的区分度越高，指纹定位系统的精度也越高。这个假设隐含的意思是无线信号特征仅与地理位置相关，不易受到其他因素的影响。

（2）不同指纹的相似度程度和它们之间的物理距离具有强相关性。由于训练阶段（也称离线阶段）的参考指纹位置数量有限，在线阶段，待定位的位置一般与参考位置不重合，这就需要利用临近的参考位置来进行位置估计。在大尺度上，无线信号的衰减规律保证了这种相关性；但是在小尺度上，尤其是室内环境，受多径效应和快衰落的影响，物理位置相近的两个指纹，也可能出现相关度较小的情况。

指纹定位系统产生误差的主要根源在于无线信号特征很难完全满足上述两个假设。

1.2 指纹定位技术的工作流程

下面介绍的指纹定位流程将以Wi-Fi信号强度（RSS）为信号特征。同时，这一流程也适合基于其他物理信号的指纹定位。

基于指纹的定位流程可以分为两个阶段：离线训练阶段和在线定位阶段。

（1）离线训练阶段。训练人员手持移动设备在目标环境的多个位置上分别采集来自不同接入点（AP）的Wi-Fi信号强度信息。具体来说，在目标环境中，人工标定出一些特定的位置，这些位置坐标已知（这些位置被称作参考点（RF）。一个位置的坐标记做（x，y）。在每一个RF上，移动设备采样来自多个临近Wi-Fi基站的信号强度，形成一个一维向量，并与该RF的坐标相关联，形成该RF的指纹，形式如式（1）。其中n表示所检测到的Wi-Fi基站数量，RSSk表示第k个基站的信号强度值。将所有RF的指纹存储于一个数据库中，形成一个二维矩阵，称作radio map。

[x，y，RSS1，RSS2，…，RSSn] （1）

（2）在线定位阶段。待定位的移动端设备采集Wi-Fi信号强度，形成该位置上的指纹向量并上传到服务器端。服务器端通过指纹相似度匹配算法，将上报的指纹向量与数据库中每一条指纹记录相匹配，最终确定待定位设备的估计位置，并回传给移动设备。

2 指纹定位系统分类

2.1 指纹定位分类的方法

基于指纹的定位过程可以看成一个对无线信号特征进行分类的过程：离线阶段就是训练一个分类器模型，将采集的指纹信息作为分类器的输入，RF的位置作为分类器的输出，从而训练出符合目标无线环境的分类器模型；在线阶段就是应用分类器进行定位，将新采样的指纹信息输入到训练好的分类器，对应的输出即为RF的坐标，并以此作为待定位设备的估计坐标。以机器学习中分类器的角度，我们将已有指纹定位系统分为两类（如图1所示）。

（1）基于Wi-Fi信号强度的分类模型研究

分类器模型是建立地理位置和无线信号特征之间映射的基础，是室内定位系统设计与研究的一个主要研究方向。分类器模型越接近实际的无线环境，定位系统的性能越好。分类器模型可分为确定性分类器、概率型分类器和基于神经网络算法的分类器。

（2）结合其他物理信号特征的指纹定位研究

由于Wi-Fi信号的室内传播易受到人体及一些障碍物的影响，且室内存在着多径衰落和快衰落，导致基于Wi-Fi指纹定位系统的精度受到影响。当前，一些研究将目光转向探索采用其他物理信号作为Wi-Fi信号强度信息的替代或者补充，这其中包括采用Wi-Fi信号相位特征的定位系统、结合Wi-Fi信号强度与其他无线信号（如调频（FM）、全球通移动通信系统（GSM）等）特征的定位系统、仅采用其他物理信号（如地磁、声波等）特征的定位系统。

2.2 典型指纹定位系统

根据上述分类法，下面介绍这两类研究方向中典型的指纹定位系统，包括设计目标、主要机制及其性能和特点。

2.2.1 分类器模型的选择

分类器按照其训练过程的不同可以分为3类：确定性分类器、概率型分类器和基于人工神经网络的分类器。