智能家居中室内定位算法综述

李芊均

摘 要：随着信息化技术的发展，智能家居逐渐成为一个火热的讨论话题。针对智能家居系统的一系列技术革新，也是相关领域众多学者所研究的重点。其中，室内定位技术的研究最近备受瞩目。室内定位技术作为一项集通信、计算机、传感器及物联网等技术于一体的综合性信息技术，在智能家居系统中占据着核心地位。本文将对智能家居的发展现状，室内定位算法概况进行深入分析，并介绍了当前较先进的Hector SLAM室内定位算法，最后给出了一个室内定位系统的实例。本文的研究可以为智能家居室内定位技术的发展提供有益的参考。

关键词：智能家居；室内定位；物联网

中图分类号：TP391.44 文献标识码：A 文章编号：1671-2064（2018）22-0044-04

1 引言

近年来，随着物联网技术走进千家万户，人们的生产生活方式受到了革命性的影响，计算机技术、网络通信技术以及自动控制技术开始渗入传统家居环境，各种家电和家居设备开始朝着智能化方向挺进。通过远程控制或者多维传感器，智能家居为人们的住所提供了更加绿色、更加安全，及更加便利的体验。总体而言，信息化技术在智能家居中有很多的应用实例，其囊括了智能门锁[1]、智能照明[2]、智能安全系统[3]、智能环境监测[4]，和仿人机器人[3，5]等。

从技术方面讲，不同的智能应用所需要的核心技术不同。其中室内定位算法是智能家居系统的关键技术之一，对智能家居的发展有着重要影响。随着人们对各种室内定位技术研究的不断深入，其应用领域也进一步扩展，但仍然无法满足日益发展的智能家居系统需求，高精度定位仍然需要付出较高的成本，因此室内定位算法成为了研究重点。为了对室内定位技术有一个全面深入的了解，推动智能家居的普及，本文对智能家居中室内定位算法展开了综述讨论。

2 智能家居的国内外发展近况

2.1 国外智能家居发展现状

智能家居的概念属于物联网技术的范畴，最初起源于欧美发达国家，早在上世纪80年代，美国就推出了全球首幢智能建筑，实现了空调、电梯、消防等子系统的联网控制，从此拉开了智能家居技术的序幕。到上世纪90年代末，比尔·盖茨投资建设了第一家真正意义上的智能家居，使智能家居开始走进家庭[6]。由于国外智能家居技术起步较早，到目前其技术已比较成熟，大量的普通家庭已经可以享受到智能家居系统带来的便利，智能化时代特征明显。

2.2 国内智能家居发展情况

我国物联网技术研究起步较晚，智能家居系统出现也较晚，但经过多年的赶超，我国的智能家居技术也有了较大的发展。上世纪90年代末，中科院首先启动智能技术研究并应用于电力行业。目前我国的智能家居正由自动化和联网化的现状朝着智能化方向发展，基于各种真实生活应用情景的智能化服务不断提升，促使整个智能家居产业由智能单品的研发向智能化家居系统的方向演进。然而，我国在智能家居的建设上并未实现统一标准，各厂商的产品兼容性差，智能化成本偏高，限制了智能家居系统在社会的普及[7]。

3 常见的室内定位技术

3.1 常见的传统室内定位技术

3.1.1 RFID定位法

射频识别（Radio Frequency Identification，RFID）定位是通过无线射频信号实现定位的一种技术，具有非接触、双向通信、自动识别等特征，对人体和物体均有较好的效果。RFID不但可以感知物体位置，还能感知人体的移动状态并进行跟踪，但其定位精度受多路径传播的影响较为明显。为了进一步提高定位精度，有学者[8]提出可以采用超宽带（Ultra-Wideband，UWB）通信技术对RFID进行改进，因为UWB是在一起传播时间进行位置检测的，可以实现较高的精度，当前市场上的产品基本上已经实现±15cm的检测精度。尽管UWB在精度上有了较大的改进，然而它要求目标人体随身配备相应的硬件装置，这在便捷性和成本方面均具有较大局限[9]。

RFID定位法目前已广泛应用于智能家居室内定位领域，总体来看其技术是在不断改进的，但仍然存在一些缺点：首先，对目标的检测依赖于电子标签，并且不同的待定位目标必须采用完全不同的ID信息；其次，读写器的信号强度与检测精度成反比关系，因此其覆盖面积与信号强度形成了一对不可调和的矛盾，只有通过增加读写器的方式才能实现大范围高精度定位；最后，读写器采用主动式定位方式，需要不停地向目标发送定位信号，这使能耗和供电成为系统性能的重要制约因素。

3.1.2 超声波定位法

超声波定位是以超声波的传播特性为基本原理的一种定位技术，近年在智能家居中也得到广泛应用。超声波定位技术需要借助超声波发生器、超声波接收机等设备才能完成目标定位，利用发射与接收的时间差来计算目标位置。首先，控制电路向超声波发射器发出一条检测指令，使脉冲发生器开始对外发射超声波信號，同时定时器启动计时。超声波遇到目标后，部分声波会被反射回来，形成回波，检测装置识别到回波信号后立即停止计时。若发射器时间为T1，接收器时间为T2，那么目标的距离就可以表示为D=（T2-T1）V/2，其中V表示声速。

超声波定位法同样需要被检测目标携带接收装置，但其成本相对于RFID而言要低得多，因为超声波信号的传播速度远比无线电信号的传播要慢，所以其采样频率也可以做得较低，通常可以达到100kHz以下。但基于时间差对目标进行定位，其精度对计时器和信号处理技术有很高的要求，这通过需要付出很大的成本，从而使其相对于RFID的优势丧失。因而当前的超声波定位一般都与射频定位技术结合使用，即采用超声波作为信号传输的载体，采用射频信号进行传播时间的检测，这种方案可以综合利用两种技术的优势。

基于超声波的定位方法也有其自身的缺点。首先，超声波在空气中的衰减较为明显，其传播距离通过不会超过5m，在需要大范围定位时必须大量布设脉冲发生器和回波检测器，并且对信号发射的方向有较严格的要求。其次，设备布置密度又不宜过大，因为散射杂波会相互干扰，从而影响定位精度。最后，被检测目标不能被其它物体遮挡，否则无法检测，超声波对人体的运动识别还需要依赖于更复杂的检测手段和信号处理算法才能达到较高精度，这些都会大大增加系统成本，因而限制了其应用。

3.1.3 GPS定位法

起初全球定位系统（Global Positioning System，GPS）主要用于室外定位和遥感测绘，然而近些年随着GPS技术的日益成熟，欧美发达国家广泛采用GPS定位法进行室内定位。当前，GPS通常与无线移动通信技术一同采用，形成A-GPS（Assisted-GPS）定位技术。其基本原理为：移动终端先把自身地址信息由网络发送到定位服务器，服务器收到定位请求后找到该地址GPS辅助信息并回传给移动终端，移动终端将接收到的信号按一定的协议进行解析后，计算出自身与卫星之间的距离，再将该距离发送至定位服务器进行计算，最终得到移动终端的定时位置。

目前GPS室内定位法已经可以实现1m以内的商业定位精度，但考虑到GPS信号在室内的信号一般不强，因此需要額外增加信号增加设备。有学者提出通过蓝牙技术来弥补GPS信号弱的缺点，但蓝牙的信号覆盖面通常在10m以内，会引入较大误差。GPS定位法的缺点是要求用户的移动终端具有GPS定位功能，并且受到较复杂的授权流程，最关键的，一些封闭的建筑物或地下室内几乎无法采用GPS进行定位。

3.1.4 红外线定位法

红外线定位法可以分为主动式和被动式两种，主动式是指通过主动发出检测信号对目标进行检测，被动式则无需主动发出检测指令，只需要接收目标自身辐射的红外信号即可。主动式红外人体定位技术一般包含红外发射器、红外接收器和控制器三大部分组成。红外发射器向接收器持续发射红外光束，当有人经过时会阻断红外光束，使接收器接收的光辐射发生变化，这种变化被转化为电压变化后，由控制器可计算出人体所在位置和移动速度。可见，动式红外人体定位与超声波定位原理相似，需要较高的硬件成本支持，在大范围定位时有一定的局限性。

相比之下，被动式红外定位法则对硬件支持的要求要低得多。根据物理学原理，人体本身就是一人红外线辐射源，由于人体的体温是恒定的，因此辐射红外线的峰值也是固定的。通过量子探测器和热探测器等检测装置对环境中的红外辐射进行监测，即可检测出人体的位置和运动状态。但被动式红外定位法容易受到环境中与人体体温相近的物体的干扰，从而可能使系统出现误判。

3.2 SLAM分类

同步定位与地图构建（Simultaneous Localization and Mapping，SLAM）是由Smith等学者[10，11]于上世纪80年代末提出的一种全自主移动机器人技术，它在实现上可以分为定位与地图构建两个环节，这两个环节相互依赖，不断迭代，从而完成高精度的定位与地图构建任务。SLAM有不同的种类，习惯上按照硬件的不同进行分类，可以分为激光雷达SLAM（LSLAM）和视觉SLAM（VSLAM）两种。激光雷达SLAM依赖于激光雷达设备，例如进口的SICK、Velodyne和国产的rplidar等等，基于激光雷达的SLAM可以动态检测机器人与环境目标间的距离和角度，从而精确地完成定位与避障；视觉SLAM则以视频图像为基础数据完成同步定位与地图构建，摄像头的成本远比激光雷达低，并且可以采集到更丰富的环境信息。

和视觉SLAM相比，激光SLAM在理论、技术和产品方面都更加成熟，因此成为了目前最稳定且最主流的室内定位及导航的方法。激光SLAM是基于机器人操作系统（Robot Operating System，ROS）的定位算法，并且根据算法激光SLAM主要分成三类，GMapping，Hector以及Cartsographer。GMapping主要基于粒子滤波，通过大量的粒子采样及计算分布的概率密度函数，对环境进行检测和建模。GMapping的主要问题在于其严重依赖里程计，且无法适应地面不平坦区域，无回环检测。由于粒子滤波算法的特性，在面对复杂环境或者在大场景下，GMapping会因大量计算而消耗过量资源。Hector算法则是通过高斯牛顿法求解非线性最小二乘问题对定位进行计算。其最大的优势在于不需要里程计且精度高，可以适应空中或者地面不平坦区域。但其需要高帧数雷达（频率大于40Hz），且对初始值的选择要求很高。相比前两种算法，Cartsographer的累计误差较低，并且通过输出协方差矩阵优化二次输入项。同时较低的雷达成本使得Cartsographer在室内定位算法中占有一席之地。

4 基于Hector SLAM的室内定位算法

由于精度高及应用场景广泛，Hector SLAM算法成为了相关学者的研究重点。其中自主构建环境模型并实现自身定位是机器人在现实世界中运行的关键技术环节，但传统的SLAM在精度和灵活性上均很难满足日益发展的智能机器人发展需求。因此，德国学者Stefan等人[12]提出了一种灵活的、可升级的SLAM系统，即Hector SLAM算法。Hector SLAM具有低成本、低功耗、计算量小等特点，并成功应用于无人地面车（Unmanned Ground Vehicles，UGV）、无人水面车（Unmanned Surface Vehicles，USV）及小型室内导航系统中。基于Hector SLAM的系统需要使用高频率激光雷达，结合了2D SLAM和3D IMU（Inertial Measurement Unit）导航技术，由激光雷达的数据更新来触发，由实时计算完成3D导航，实现机器人的自主环境构建和定位[13]，如图1所示。

2D SLAM可以用于表示任意环境的栅格地图，通过雷达平台的6自由度扫描形成地图点云。经过点云进行降采样、移除无效点、滤波等预处理后作为后续基础数据。由于离散地图无法实现插值和求导运算，因而可以通过双线性滤波的方法把网格看作是底层连续概率分布的样本。在扫描匹配中采用高斯-牛顿法实现扫描与现有地图对齐，在6DOF（Six Degrees of Freedom）位姿估计中采用非线性扩展卡尔曼滤波器。最后通过将2D SLAM和3D EKF估计之间的信息融合获得最佳系统性能。

5 应用举例

为了阐明室内定位算法的应用，本文以RFID室内定位系统为例进行说明。RFID系统通常由阅读器、电子标签和数据库管理系统三部分构成。如图2所示。

首先，阅读器通过自身的发射天线持续不断地向室内空间发送无线信号，一旦携带了电子标签的人员进入信号覆盖范围，阅读器与标签之间就会建立起通信链路，后台计算机根据接收信号的处理结果即可计算出人员所在位置。从算法的角度上看，可以实现RFID定位的算法有很多，例如基于非测距的质心算法、KNN算法、APIT算法等，或者基本测距原理的AOA定位、TDOA定位和RSSI定位等。

6 结语

随着智能家居的发展，室内定位技术也在不断地进步，其性能正在稳步提升，各种基于不同原理的定位技术也广泛應用于智能家居领域。然而，不同的定位技术具有不同的定位精度和适用场合，按照实际的应用场景选择最恰当的室内定位技术，是构建高效智能家居系统的关键所在。不难预见，未来的智能家居室内定位技术将不断发生融合，实现优势互补，进一步提高定位精度，成为智能家居体系的重要技术支撑。

参考文献

[1]Segev E， Gan S. Intelligent Interactive Lock and Locking System： U.S. Patent Application 11/631，840[P].2007-12-20.

[2]Borgert G D， Bartlett R J， Ellison J F. Illumination system and method for generating an image of an object： U.S. Patent 5，519，496[P].1996-5-21.

[3]Luo R C， Hsu T Y， Lin T Y， et al. The development of intelligent home security robot[C]//Mechatronics， 2005. ICM'05. IEEE International Conference on. IEEE， 2005： 422-427.

[4]Jiang D G， Xu B G， Wang M S. Design of greenhouse evironment remote monitoring system based on GPRS[J]. Guangdong Agricultural Sciences，2011，38（13）：160-162.

[5]Tian G， Li X， Zhao S， et al. Research and development of intelligent space technology for home service robot[J]. Journal of Shandong University （Engineering Science）， 2007， 37（5）： 53-59.

[6]马洪庄，赵辉.论国内外智能家居现状[J].城市建设理论研究：电子版，2015，（18）.

[7]王杨，赵红东.室内定位技术综述及发展前景展望[J].测控技术，2016，35（7）：1-3.

[8]Fontana R J， Gunderson S J. Ultra-wideband precision asset location system[C]//Ultra Wideband Systems and Technologies， 2002.Digest of Papers. 2002 IEEE Conference on. IEEE， 2002： 147-150.

[9]刘鹏，卢潭城，高翔.基于射频识别的室内定位技术综述[J].太赫兹科学与电子信息学报，2012，（2）：195-201.

[10]Smith R C，Cheeseman P. On the representation and estimation of spatial uncertainty[J]. The international journal of Robotics Research， 1986， 5（4）： 56-68.

[11]Smith R， Self M， Cheeseman P. Estimating uncertain spatial relationships in robotics[M]//Machine intelligence and pattern recognition.North-Holland， 1988， 5： 435-461.

[12]Kohlbrecher S， Von Stryk O， Meyer J， et al. A flexible and scalable slam system with full 3d motion estimation[C]//Safety， Security， and Rescue Robotics （SSRR）， 2011 IEEE International Symposium on. IEEE， 2011：155-160.

[13]Kohlbrecher S， Stryk O V， Meyer J， et al. A flexible and scalable SLAM system with full 3D motion estimation[C]//IEEE International Symposium on Safety， Security， and Rescue Robotics. IEEE， 2011：155-160.