一种基于全向指纹库的WiFi室内定位方法

毕京学，汪云甲，曹鸿基，王永康

(中国矿业大学环境与测绘学院，江苏 徐州 221116)

室内定位技术是导航与位置服务领域的研究热点，许多研究机构、公司和大学利用红外线、超声波、射频识别(radio frequency identification，RFID)、ZigBee、无线局域网(wireless local area network，WLAN)、蓝牙、微机电系统(micro electro mechanical systems，MEMS)传感器、超宽带(ultra-wideband，UWB)、地磁、可见光通信、计算机视觉、伪卫星等技术开展了大量研究工作[1]，开发了相应的室内定位系统，不同定位技术的定位精度如图1所示。其中，WiFi室内定位技术由于存在基于RSSI[2]和信道状态信息[3-5](channel state information，CSI)两种定位技术，定位精度分别为3～5 m和优于1 m，UWB和伪卫星室内定位技术可获取厘米级甚至毫米级的定位结果，成本较高，实现难度较大。大多数室内定位系统由于普适性差无法大面积推广使用，一方面，由于需要专有设备或基础设施，如UWB、伪卫星、RFID、超声波和红外线等；另一方面，由于移动终端电池续航能力和计算能力不足，无法完成大量图像处理计算，如计算机视觉定位。从普适性角度考虑，WiFi室内定位技术具有得天独厚的优势，因为带宽高、传输速率快、价格便宜、部署方便，可满足移动办公、移动生活娱乐的需求，广泛应用于机场、写字楼、大型商场、酒店、校园和家庭。常见的WiFi室内定位系统通过RSSI估计目标位置，通常以几秒的频率进行位置更新，可区别房间，但楼层识别能力较弱。WiFi室内定位由于不需要额外添加硬件设备或电子标签，已成为最常用的室内定位技术。

自从微软的Radar系统[6]和马里兰大学的Horus系统[7]推出以来，研究人员对WiFi接收信号强度室内定位技术进行了深入研究。Lionel[8]等提出了加权K近邻法(weighted K nearest neighbors，WKNN)，以待测点与参考点之间在信号空间的欧氏距离分配权重，得到加权均值坐标。Beomju[9]等通过试验发现，当K取值为5时，KNN和WKNN算法定位结果最优。实际室内环境下，WiFi信号强度多为非高斯分布，会呈现出左偏、右偏或双峰特性，Kaemarungsi[10]利用直方图法对Horus进行改进，Ladd[11]等利用非参数估计法构建RSSI概率分布函数，如核函数估计[12]。然而，上述研究成果都未考虑人体对WiFi室内定位系统的影响，由于人体约含70%左右的水分，可以吸收2.4 GHz的无线电信号，导致较大的信号延迟，面向接入点(access point，AP)和背对接入点的情况下，由身体遮挡引起的信号衰减高达5 dB。陈斌涛[13]等虽然将用户朝向引入研究中，但是在信号指纹采集过程中需旋转360°，增大了指纹采集工作量。此外，智能手机的朝向估计含有较大误差，取值范围为0～15°，在离线训练阶段和在线定位阶段引入角度误差。刘春燕[14]等虽然研究了4个方向RSSI差异特性，但在定位过程中选择RSSI最大值进行位置估计。

图1 已有室内定位技术定位精度和实现难度

本文提出一种基于全向指纹库的WiFi室内定位方法，离线阶段分别采集4个朝向(建筑物走向的前、后、左、右4个方向)的信号指纹，将4个朝向的信号指纹合并训练建库，形成1个全向指纹库，在线定位阶段利用WKNN算法分别进行位置估计。试验表明，基于全向指纹库的WiFi室内定位方法要优于基于方向识别的室内定位方法。

1 基于方向识别和全向指纹库的室内定位

1.1 人体对RSSI的影响

很多建筑物并不是方方正正或正南正北朝向的，而且室内建筑结构复杂，行人往往在室内环境下会丢失地理方向，而对前后左右比较敏感。此外，行人的行走方向往往与建筑物走向的垂直或平行，因此，需研究人体在建筑物4个朝向对WiFi信号强度的影响。如图2(a)所示，在AP一定距离处，按照建筑物4个朝向以顺时针次序分别采集WiFi信号，采样频率为1 Hz，采样时间2 min，记录2.4 GHz和5 GHz的信号强度。其中，方向1为面向AP的方向，方向3为背对AP的方向，WiFi信号强度分布情况如图2(b)所示。

图2 RSSI采集示意图和结果展示

用户为方向1时，相同传输距离5 GHz信号要比2.4 GHz信号衰减更快；用户为方向4时，2.4 GHz信号和5 GHz信号强度大小基本一致，说明2.4 GHz除了受到人体遮蔽效应外，还被人体吸收大量能量；方向1、方向2和方向4时5 GHz信号强度大小基本相同，仅与在背对AP时有较大信号衰减，说明5 GHz信号能够准确识别用户朝向；方向3时，2.4 GHz和5 GHz信号均有高达20 dBm的信号衰减，结果与文献[13]中的描述不同，可能是由于与AP间距不同所致。

1.2 基于方向识别的指纹定位方法

由于人体会对WiFi信号造成遮蔽效应或吸收，因此在信号采集和定位过程中需顾及用户朝向。如图3所示，离线采集阶段，在参考点位置分4个朝向分别采集信号指纹，构建信号指纹与空间位置的映射关系，形成4个朝向不同的指纹库文件；在线定位阶段，根据用户朝向判定需匹配的朝向指纹库，利用WKNN算法进行匹配运算并估计测试点位置。

1.3 基于全向指纹库的指纹定位方法

将离线阶段采集的4个朝向指纹库文件进行合并，形成全向指纹库文件；在线定位阶段利用WKNN算法对测试点指纹与全向指纹库进行匹配并估算测试点位置。

图3 KNN定位原理

2 试验与分析

2.1 试验描述

试验场地位于中国矿业大学环境与测绘学院4楼的某一区域，包含有楼梯平台和走廊两种室内场景，走廊长约27.3 m，宽2.4 m，楼梯平台长7.2 m，宽2 m，在走廊和楼梯平台高约3 m的位置共布设10个2.4 GHz的无线AP，如图4所示。其中，实心三角形表示布设的无线AP，空心圆点表示参考点，共61个，参考点间隔为1.2 m，实心圆点表示测试点，共20个，随机分布在整个测区。利用如图5所示的自主开发信号指纹采集软件，在图4的参考点位置处按照图中所示方向使用“指纹采集”功能分别采集并记录参考点位置、方向和信号指纹，每个方向采样60次，采样频率为1 Hz。取信号强度均值作为每个AP信号指纹特征值，得到4个朝向信号指纹库文件和1个全向信号指纹库文件。利用图5所示信号指纹采集软件在图4所示的20个测试点(实心圆点)位置处按照图中所示方向使用“测试采集”功能分别采集并记录参考点位置、方向和信号指纹，每个方向连续采样10次，采样频率为1 Hz，通过处理生成4个朝向测试文件和1个全向测试文件，以便于后续位置计算。

2.2 试验结果与分析

在整个试验区域可接收到73个2.4 GHz、3个5 GHz的无线信号，在利用测试点信号指纹与指纹库中参考点信号指纹进行匹配运算时，常常会出现测试点信号指纹和参考点信号指纹AP缺失的情况。本文采用文献[1]的方法，将缺失AP的RSSI值设为-95 dBm，分别基于全向指纹库定位方法和基于方向识别的指纹定位方法进行解算，对比定位结果并分析定位精度。

图4 试验场地

每个朝向测试文件中含有20个测试点，共200次采样，K取值范围为[2，10]，计算不同K值时的平均定位误差，如图6所示。方向1、方向3和方向4在K=5时平均定位误差最小，方向1的平均定位误差为1.24 m，标准差为0.86 m，方向3的平均定位误差为1.4 m，标准差为0.99 m，方向4的平均定位误差为2.16 m，标准差为1.38 m；方向1、方向3和方向4中随着K值的增加，定位误差先变小后变大；方向2在K=2时平均定位误差最小，为1.52 m，标准差为2.13 m，定位误差随K值增加而增大；取不同K值时方向4的平均定位误差普遍比其他方向的定位误差大；在走廊行进方向上(即方向2和方向4)要比走廊左右方向(即方向1和方向3)上的定位误差要大0.52 m。

图5 自主研发信号指纹采集软件

图6 不同K值时4个朝向的定位误差

全向测试文件中包含20个测试点4个朝向的信号指纹，共计800次采样，由于每个空间位置处有4次采样，因此K最大值取20，K取值范围为[2，20]，计算不同K值的平均定位误差，并与基于方向识别的指纹定位的平均定位误差进行比较，如图7所示。

从图中可以看出，K取4时基于全向指纹库定位的平均定位误差为1.44 m，标准差为1.6 m，而基于方向识别的指纹定位在K取5时平均定位误差最小为1.6 m；不论K取值如何，基于全向指纹库定位误差要小于基于方向识别的指纹定位误差。

图7 不同K值时全向指纹和基于方向识别定位误差比较

图8对上述两种情况指纹定位的误差累积分布进行对比，基于全向指纹定位方法的定位精度优于2 m的置信概率为88%，定位精度优于1 m的置信概率为54%，基于方向识别的指纹定位方法定位精度优于2 m的置信概率为76%，定位精度优于1 m的置信概率为48%；但是基于全向指纹库定位方法最大误差为11.7 m，而基于方向识别的指纹定位最大误差为7.8 m，这是因为基于全向指纹库中参考点数目是基于方向识别的指纹定位的4倍，由于多路径效应、行人走动或人体遮挡等影响使得远离真实位置的参考点与测试点的欧氏距离很小，导致加权均值计算时距离很远的参考点权重很大，造成较大误差。

图8 定位误差累积分布函数

3 结 语

室内环境下WiFi 2.4 GHz和5 GHz信号衰减受人体遮蔽影响较大，本文考虑了用户朝向引起的信号强度差异，提出了一种基于全向指纹库的WiFi室内定位方法。试验结果表明，该方法定位精度高于基于方向识别的指纹定位方法，在K取4时，平均定位误差为1.44 m，定位精度优于1 m的置信概率为54%，优于2 m的置信概率为88%。由于室内无线信号分布特性复杂多变，使得基于全向指纹库的定位方法在某些点存在较大误差，因此可把聚类分析引入后续研究，缩小基于全向指纹库的搜索匹配范围，旨在提高计算效率和定位精度。

[1] 毕京学, 甄杰, 汪云甲, 等. 高斯函数定权的改进KNN室内定位方法[J]. 测绘通报, 2017(6): 9-12, 35.

[2] HE S N, CHAN S H G. Wi-Fi Fingerprint-based Indoor Positioning: Recent Advances and Comparisons[J]. IEEE Communications Surveys & Tutorials, 2016, 18(1): 466-490.

[3] WU K S, XIAO J, YI Y W, et al. CSI-based Indoor Localization[J]. IEEE Transactions on Parallel and Distributed Systems, 2013, 24(7): 1300-1309.

[4] SEN S, LEE J, KIM K H, et al. Avoiding Multipath to Revive Inbuilding WiFi Localization[C]∥Proceeding of the 11th Annual International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2013: 249-262.

[5] WANG X, GAO L, MAO S, et al. CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach[J]. IEEE Transactions on Vehicular Technology, 2017, 66(1): 763-776.

[6] BAHL P, PADMANABHAN V N. RADAR: An In-building RF-based User Location and Tracking System[C]∥Proceedings of the 19th Annual Joint Conference of the IEEE Computer and Communications Societies. Tel Aviv, Israel: IEEE, 2000: 775-784.

[7] YOUSSEF M, AGRAWALA A. The Horus WLAN Location Determination System[C]∥Proceedings of the 3rd International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2005: 205-218.

[8] NI L M, LIU Y H, LAU Y C, et al. LANDMARC: Indoor Location Sensing Using Active RFID[J]. Wireless Networks, 2004, 10(6): 701-710.

[9] SHIN B, LEE J H, LEE T, et al. Enhanced Weighted K-nearest Neighbor Algorithm for Indoor WiFi Positioning Systems[C]∥Proceedings of the 8th International Conference on Computing Technology and Information Management. Seoul, South Korea: IEEE, 2012: 574-577.

[11] LADD A M, BEKRIS K E, RUDYS A, et al. Robotics-based Location Sensing Using Wireless Ethernet[J]. Wireless Networks, 2005, 11(1-2): 189-204.

[12] 李华亮, 钱志鸿, 田洪亮. 基于核函数特征提取的室内定位算法研究[J]. 通信学报, 2017, 38(1): 158-167.

[13] 陈斌涛, 刘任任, 陈益强, 等. 动态环境中的WiFi指纹自适应室内定位方法[J]. 传感技术学报, 2015, 28(5): 729-738.

[14] 刘春燕, 王坚. 基于几何聚类指纹库的约束KNN室内定位模型[J]. 武汉大学学报(信息科学版), 2014, 39(11): 1287-1292.