智能手机Wi-Fi/PDR室内混合定位优化问题研究

毕京学

山东建筑大学测绘地理信息学院，山东 济南 250101

室内定位广泛用于商场导购、反向寻车、警力动态部署、灾难现场精准救援及疫情位置追踪等，既是位置服务的关键环节，也是智能城市建设的重要助力。Wi-Fi定位、行人航位推算PDR及其混合定位是最普适的室内手段，通过对三者进行优化，能够有效地提升室内定位系统的定位精度、可用性和稳定性。论文以智能手机为平台，重点研究了指纹库快速构建、自适应指纹定位、复杂活动快速准确识别、顾及活动识别的行人航位推算及Wi-Fi/PDR混合定位方法优化等，主要研究内容如下：

(1) 针对大面积区域指纹库构建耗时耗力的问题，提出了基于众包指纹和自适应路径损耗模型插值的指纹库快速构建方法，利用众包指纹和最小二乘估计建立局域自适应路径损耗模型，基于AP位置、构建模型、RSS随机噪声和阈值实现指纹库快速构建。在3200 m2试验场利用该方法、Kriging和IDW插值生成指纹库，并与完全人工构建的指纹库进行指纹定位。研究结果表明，该方法构建的指纹库定位精度最高，且仅需约15.4%的众包指纹实现与完全人工指纹库相同的定位精度，可节省约85%的时间和工作量。

(2) 针对指纹定位中聚类个数人为设置、固定K值易产生误差等问题，基于归一化混合距离和仿射传播聚类算法进行离线阶段自适应聚类分析，提出了利用仿射传播聚类基于位置域距离对信号域距离初步筛选的多个参考点，进行再次筛选的自适应加权定位AWKNN方法，得到位置更加聚集的参考点进行位置估计。在3200 m2试验场开展定位测试，AWKNN方法的平均定位误差和均方根误差分别为2.4 m和1.9 m，与常用方法相比，定位精度和稳定性分别提高了37%、44.6%。研究结果表明，AWKNN方法能够提高定位精度和稳定性，并弱化K值对定位性能的影响。

(3) 针对室内定位活动识别中大量使用频域特征、未考虑干扰活动等问题，对室内行人复杂活动进行细化，引入竖直和水平晃动等运动模式及静止站立摇摆、晃动等干扰活动。将航向角余弦差值作为活动识别特征，建立了复杂活动识别所需窗口选择及时域特征提取依据，提出了基于随机森林和时域特征的室内活动识别方法。利用该方法、朴素贝叶斯、决策树、支持向量机和神经网络开展活动识别试验，该方法识别13种复杂活动的精度为99.5%以上，所需时间远少于同等精度的神经网络方法。研究结果表明，该方法可以快速准确识别室内复杂活动。

(4) 针对行人航位推算抗干扰能力弱和航向估计不准等问题，着重分析了不同活动下传感器数据的变化情况，提出了不同活动下的步态探测方法、基于随机森林回归的步长估计模型以及波形校准航向估计方法，形成了顾及活动识别的改进行人航位推算方法。在211 m走廊内开展两种活动的行人航位推算试验，计步准确率为99.6%，步长累积误差小于2.2 m，航向估计误差小于6°，闭合误差小于2.4 m，位置发散率低于1.2%。研究结果表明，所提出的方法抗干扰能力强、航向估计准、定位精度高。

(5) 针对指纹定位更新频率低、聚类识别易出错及混合定位结果易产生回跳等问题，提出了基于位置、位移、方向约束和次数阈值的Wi-Fi/PDR混合定位优化方法，通过位置、位移和方向构建多约束条件，结合滤波次数阈值实现协方差矩阵和参数转移矩阵更新。在211 m走廊内以两种活动开展混合定位优化试验，平均定位误差和均方根误差分别小于1.6 m和1.4 m；与优化前相比，误差分别减小了0.9 m和1.9 m，定位精度和稳定性分别提高了36.5%和57.6%，而且定位结果与真实轨迹重合度高，没有回跳现象。研究结果表明，上述方法具有较高定位性能，可有效提升室内定位系统的定位精度、可用性和稳定性。