基于Wi-Fi的动态室内定位方法

姜守东　茅正冲

关键词：Wi-Fi；信号强度；动态；室内定位；非均值滤波；峰值密度聚类

中图分类号：TN925+.93 文献标识码：A

0 引言

无线通信技术发展使移动互联网用户激增，各种智能终端应用场景也逐渐丰富[1-2]，用户对位置服务的应用需求也大幅增加，且对移动定位技术的需求也不断向场景化和精细化方向发展。在室内环境内，Wi-Fi 虽然全域覆盖，但受到墙体和其他装饰型室内障碍物阻挡和室内人员流动的影响[3]，动态室内定位效果明显降低。目前也有很多学者研究基于Wi-Fi 的室内定位方法，如罗日等[4] 提出融合Wi-Fi 与可穿戴惯导模块的定位方法，该方法通过为室内人员佩戴惯导模块获取室内人员行动惯性姿态数据和Wi-Fi 信号数据，再使用无迹卡尔曼滤波算法对以上数据进行降噪预处理，之后，通过加权贝叶斯算法获得室内人员定位结果。但该方法在对室内人员进行定位时，受人员方位推算累计误差影响，其定位精度不足。谢世成等[5] 提出Wi-Fi 位置指纹室内定位方法，该方法利用传感器采集Wi-Fi位置指纹信息后，以指纹信息均值的近似值方差为基础，对室内人员位置欧式距离进行纠正，再通过k 均值聚类方式获得室内人员位置结果。但该方法在实际应用中的时间复杂度较高，导致其应用效果不佳。面对上述情况，本文提出基于Wi-Fi 的动态室内定位方法，以提升室内人员定位技术水平。

1 动态室内定位方法

1.1 基于改进非均值滤波的RSS指纹去噪预处理

利用传感器采集室内环境中Wi-Fi 接入点（AP） 的接收信号强度（received signal strength，RSS），該接收信号强度是真实的信号强度，也被称为RSS 指纹，但在采集Wi-Fi 信号RSS 指纹时，受到采集环境的影响[6]，Wi-Fi 信号强度内存在不同程度的干扰噪声，在以Wi-Fi 为基础进行动态室内定位时，需对RSS 指纹进行去噪处理，在此使用非均值滤波方法实现RSS 指纹去噪预处理，其详细过程如下。

将式（13）的结果进行降序排列，从结果序列内可看到明显的跳跃点，将该点之前最大决策值对应的样本作为聚类中心，再将剩余样本点分配到与其最近的密度更高的样本点所属的类簇内，输出聚类结果，该聚类结果即最终动态室内定位结果。

2 实验分析

以某综合建筑室内作为实验对象，该综合建筑室内Wi-Fi 覆盖区域为80 m×120 m 的二维平面，在该平面内存在22 个AP，使用基于Wi-Fi 的动态室内定位方法（简称“本文方法”）对该建筑室内Wi-Fi 覆盖区域的用户进行动态定位，分析验证本文方法实际应用效果。

利用本文方法采集室内RSS 指纹信号并对其内部噪声进行去噪处理，以RSS 指纹信号强度误差作为衡量指标，验证本文方法的去噪效果，结果如图1 所示。

由图1 可知，对RSS 指纹信号去噪前，其信号强度误差在0.45 ～ 0.65 db，而对其进行去噪处理后，RSS 指纹信号强度误差始终保持在0.1 ～ 0.2 db。这说明本文方法可有效对RSS 指纹信号进行去噪，也电从侧面说明本文方法的动态室内定位效果较好。

以7 个动态目标作为实验对象，使用本文方法对其进行动态室内定位，定位结果如图2 所示。

由图2 可知，本文方法对7 个动态目标的定位位置与目标的实际位置均吻合，说明本文方法具备较强的动态室内定位能力，应用效果较为显著。

进一步验证本文方法动态室内定位能力，以定位误差作为衡量指标，测试在Wi-Fi 通信半径不同的情况下，本文方法动态室内定位能力，测试结果如图3 所示。

由图3 可知，利用本文方法进行动态室内定位时，其定位误差始终在-1～0.5 m，并未受到Wi-Fi 通信半径的影响。这说明本文方法动态室内定位结果精度较高，应用性较强。

3 结论

本文基于Wi-Fi的动态室内定位方法，通过采集Wi-Fi的RSS指纹信号，运用匹配方法和聚类方法获得动态室内定位结果。以某Wi-Fi覆盖区域作为实验对象，对本文方法进行实际验证后，从验证结果得知本文方法具有较强的应用性，未来可在室内定位领域广泛应用。