室内定位技术的现状

文/陈超

1 前言

日益增长的室内定位需求，促进了超声波定位技术、红外定位技术和射频定位技术等多种多样的室内定位技术的快速发展。

室内定位技术按其所采用信号载体大致可分为基于红外线（Infrared）的定位技术、基于超声波（Ultrasound)的定位技术、基于射频（Radio Frequency)的定位技术以及基于地球磁场、计算机视觉等的其他定位技术。在无线传感网推广的大背景下，基于RF的定位技术是室内定位的趋势，也是现在大部分室内定位研究的重点。

2 基于RF的室内定位技术

基于RF的室内定位技术主要有以下几种：Wi-Fi，ZigBee，RFID，Bluetooth，UWB等，而按照定位算法的原理可以划分为三类： 近邻法(ID识别法）、基于测距的几何方法定位和位置指纹定位。

近邻法，是定位精度最粗糙的一种方法，目标节点通过获取离自己最接近的参考节点的位置信息直接判断自己所属的位置范围，这种方法的精度依赖于参考节点的分布密度，但该方法操作简单，复杂度低，通常用于定位精度要求不高的场合。

基于测距的几何方法定位，是通过测距得到目标节点与参考节点之间距离，而后通过目标节点和参考节点之间的的几何距离关系而计算目标节点位置的方法。

TOA（Time Of Arrival），被称为到达时间法，它的原理是根据测量信号在发送节点到接收节点之间的传播时间，来计算节点间的距离，然后通过三边定位法确定目标节点的位置。

如图1，测得目标节点M到三个参考节点A、B、C的距离分别d1、d2、d3，假设目标节点M的坐标为（x，y），三个参考节点A、B、C的坐标分别为（x1，y1）、（x2，y2）、（x3，y3），则有一下三个方程成立：

将方程（1）分别于与方程（2）、（3）相减，可得：

联合方程（4）、（5）写成矩阵方程的形式如：

求解方程（6），即可出目标节点的坐标，由于实际测量的不误差原因，可能出现无解的情况。通常为了提高精度，可测得目标节点到多个参考节点的距离，类似可得到矩阵方程如下：

通过最小二乘法求解式（7）即可，令

则有：X=(CTC)-1CTA。

RSSI( received signal strength information)称为接收信号强度法，该方法是基于信号传播衰减模型，该信号衰减模型接收节点与发送节点之间的距离d和接收信号强度p形成映射关系，如式（8）：

式中n为路径损耗指数，表示路径损耗随着距离增长的速率，它依赖于无线信号的传播环境,p(d) 表示离参考节点d米的目标节点可接收到的信号强度，通常p(d0)取d0等于1米时的接收信号强度。图2 是p(d0)为30，n为1.8时的信号衰减模型。所以，通过测量RSSI值，便可利用信号衰减模型计算出目标节点与参考节点的距离，然后根据三边定位原理，即可获得的目标节点的位置。

位置指纹法也是基于RSSI信号强度的一种定位方法，但是该方法不需要计算节点距离。该方法的原理是在定位区域设置好参考节点（也称为锚节点）之后，目标节点（即待定位的节点）在该区域的某个位置接收到参考节点的信号的信号强度值（RSSI）在某种程度上是一个定值，如果这个区域设置了N个参考节点，那么每个位置都对应着一个由N个RSSI值构成的序列，每个RSSI值对应着一个参考节点，对于不同的位置，这个RSSI序列是不同的，所以该RSSI值序列可以作为位置指纹，可唯一确定一个位置。 在应用指纹定位法的时候，定位区域按照一定的距离间隔划分为若干网格作为指纹采集点，在定位前需要在各采集点采集好指纹录入指纹库。而实时定位的时候则要根据目标节点接收到的各参考节点的信号对应的RSSI值序列（即待匹配的指纹），应用指纹匹配算法，去匹配指纹库中的指纹，从而识别出带目标节点的位置。

图2：RSSI衰减模型

3 总结

位置指纹法法由于其定位精度较高，国内外对其都有较多的研究。基于神经网络的定位算法是近年来研究较多的算法之一，神经网络能通过对输入模式的学习训练，自动调整其内部结构和参数，从而形成分类和识别的能力。基于神经网络的定位算法是将接收到的信号强度数据作为网络输入，通过神经网络的内部计算输出定位结果。但是网络需要在离线阶段对大量指纹数据进行学习训练，指纹采集的工作负担比较繁重。