畢京學，汪云甲，曹鴻基，王永康

(中國礦業(yè)大學環(huán)境與測繪學院，江蘇 徐州 221116)

室內(nèi)定位技術(shù)是導(dǎo)航與位置服務(wù)領(lǐng)域的研究熱點，許多研究機構(gòu)、公司和大學利用紅外線、超聲波、射頻識別(radio frequency identification，RFID)、ZigBee、無線局域網(wǎng)(wireless local area network，WLAN)、藍牙、微機電系統(tǒng)(micro electro mechanical systems，MEMS)傳感器、超寬帶(ultra-wideband，UWB)、地磁、可見光通信、計算機視覺、偽衛(wèi)星等技術(shù)開展了大量研究工作[1]，開發(fā)了相應(yīng)的室內(nèi)定位系統(tǒng)，不同定位技術(shù)的定位精度如圖1所示。其中，WiFi室內(nèi)定位技術(shù)由于存在基于RSSI[2]和信道狀態(tài)信息[3-5](channel state information，CSI)兩種定位技術(shù)，定位精度分別為3～5 m和優(yōu)于1 m，UWB和偽衛(wèi)星室內(nèi)定位技術(shù)可獲取厘米級甚至毫米級的定位結(jié)果，成本較高，實現(xiàn)難度較大。大多數(shù)室內(nèi)定位系統(tǒng)由于普適性差無法大面積推廣使用，一方面，由于需要專有設(shè)備或基礎(chǔ)設(shè)施，如UWB、偽衛(wèi)星、RFID、超聲波和紅外線等；另一方面，由于移動終端電池續(xù)航能力和計算能力不足，無法完成大量圖像處理計算，如計算機視覺定位。從普適性角度考慮，WiFi室內(nèi)定位技術(shù)具有得天獨厚的優(yōu)勢，因為帶寬高、傳輸速率快、價格便宜、部署方便，可滿足移動辦公、移動生活娛樂的需求，廣泛應(yīng)用于機場、寫字樓、大型商場、酒店、校園和家庭。常見的WiFi室內(nèi)定位系統(tǒng)通過RSSI估計目標位置，通常以幾秒的頻率進行位置更新，可區(qū)別房間，但樓層識別能力較弱。WiFi室內(nèi)定位由于不需要額外添加硬件設(shè)備或電子標簽，已成為最常用的室內(nèi)定位技術(shù)。

自從微軟的Radar系統(tǒng)[6]和馬里蘭大學的Horus系統(tǒng)[7]推出以來，研究人員對WiFi接收信號強度室內(nèi)定位技術(shù)進行了深入研究。Lionel[8]等提出了加權(quán)K近鄰法(weighted K nearest neighbors，WKNN)，以待測點與參考點之間在信號空間的歐氏距離分配權(quán)重，得到加權(quán)均值坐標。Beomju[9]等通過試驗發(fā)現(xiàn)，當K取值為5時，KNN和WKNN算法定位結(jié)果最優(yōu)。實際室內(nèi)環(huán)境下，WiFi信號強度多為非高斯分布，會呈現(xiàn)出左偏、右偏或雙峰特性，Kaemarungsi[10]利用直方圖法對Horus進行改進，Ladd[11]等利用非參數(shù)估計法構(gòu)建RSSI概率分布函數(shù)，如核函數(shù)估計[12]。然而，上述研究成果都未考慮人體對WiFi室內(nèi)定位系統(tǒng)的影響，由于人體約含70%左右的水分，可以吸收2.4 GHz的無線電信號，導(dǎo)致較大的信號延遲，面向接入點(access point，AP)和背對接入點的情況下，由身體遮擋引起的信號衰減高達5 dB。陳斌濤[13]等雖然將用戶朝向引入研究中，但是在信號指紋采集過程中需旋轉(zhuǎn)360°，增大了指紋采集工作量。此外，智能手機的朝向估計含有較大誤差，取值范圍為0～15°，在離線訓(xùn)練階段和在線定位階段引入角度誤差。劉春燕[14]等雖然研究了4個方向RSSI差異特性，但在定位過程中選擇RSSI最大值進行位置估計。

圖1 已有室內(nèi)定位技術(shù)定位精度和實現(xiàn)難度

本文提出一種基于全向指紋庫的WiFi室內(nèi)定位方法，離線階段分別采集4個朝向(建筑物走向的前、后、左、右4個方向)的信號指紋，將4個朝向的信號指紋合并訓(xùn)練建庫，形成1個全向指紋庫，在線定位階段利用WKNN算法分別進行位置估計。試驗表明，基于全向指紋庫的WiFi室內(nèi)定位方法要優(yōu)于基于方向識別的室內(nèi)定位方法。

1 基于方向識別和全向指紋庫的室內(nèi)定位

1.1 人體對RSSI的影響

很多建筑物并不是方方正正或正南正北朝向的，而且室內(nèi)建筑結(jié)構(gòu)復(fù)雜，行人往往在室內(nèi)環(huán)境下會丟失地理方向，而對前后左右比較敏感。此外，行人的行走方向往往與建筑物走向的垂直或平行，因此，需研究人體在建筑物4個朝向?qū)iFi信號強度的影響。如圖2(a)所示，在AP一定距離處，按照建筑物4個朝向以順時針次序分別采集WiFi信號，采樣頻率為1 Hz，采樣時間2 min，記錄2.4 GHz和5 GHz的信號強度。其中，方向1為面向AP的方向，方向3為背對AP的方向，WiFi信號強度分布情況如圖2(b)所示。

圖2 RSSI采集示意圖和結(jié)果展示

用戶為方向1時，相同傳輸距離5 GHz信號要比2.4 GHz信號衰減更快；用戶為方向4時，2.4 GHz信號和5 GHz信號強度大小基本一致，說明2.4 GHz除了受到人體遮蔽效應(yīng)外，還被人體吸收大量能量；方向1、方向2和方向4時5 GHz信號強度大小基本相同，僅與在背對AP時有較大信號衰減，說明5 GHz信號能夠準確識別用戶朝向；方向3時，2.4 GHz和5 GHz信號均有高達20 dBm的信號衰減，結(jié)果與文獻[13]中的描述不同，可能是由于與AP間距不同所致。

1.2 基于方向識別的指紋定位方法

由于人體會對WiFi信號造成遮蔽效應(yīng)或吸收，因此在信號采集和定位過程中需顧及用戶朝向。如圖3所示，離線采集階段，在參考點位置分4個朝向分別采集信號指紋，構(gòu)建信號指紋與空間位置的映射關(guān)系，形成4個朝向不同的指紋庫文件；在線定位階段，根據(jù)用戶朝向判定需匹配的朝向指紋庫，利用WKNN算法進行匹配運算并估計測試點位置。

1.3 基于全向指紋庫的指紋定位方法

將離線階段采集的4個朝向指紋庫文件進行合并，形成全向指紋庫文件；在線定位階段利用WKNN算法對測試點指紋與全向指紋庫進行匹配并估算測試點位置。

圖3 KNN定位原理

2 試驗與分析

2.1 試驗描述

試驗場地位于中國礦業(yè)大學環(huán)境與測繪學院4樓的某一區(qū)域，包含有樓梯平臺和走廊兩種室內(nèi)場景，走廊長約27.3 m，寬2.4 m，樓梯平臺長7.2 m，寬2 m，在走廊和樓梯平臺高約3 m的位置共布設(shè)10個2.4 GHz的無線AP，如圖4所示。其中，實心三角形表示布設(shè)的無線AP，空心圓點表示參考點，共61個，參考點間隔為1.2 m，實心圓點表示測試點，共20個，隨機分布在整個測區(qū)。利用如圖5所示的自主開發(fā)信號指紋采集軟件，在圖4的參考點位置處按照圖中所示方向使用“指紋采集”功能分別采集并記錄參考點位置、方向和信號指紋，每個方向采樣60次，采樣頻率為1 Hz。取信號強度均值作為每個AP信號指紋特征值，得到4個朝向信號指紋庫文件和1個全向信號指紋庫文件。利用圖5所示信號指紋采集軟件在圖4所示的20個測試點(實心圓點)位置處按照圖中所示方向使用“測試采集”功能分別采集并記錄參考點位置、方向和信號指紋，每個方向連續(xù)采樣10次，采樣頻率為1 Hz，通過處理生成4個朝向測試文件和1個全向測試文件，以便于后續(xù)位置計算。

2.2 試驗結(jié)果與分析

在整個試驗區(qū)域可接收到73個2.4 GHz、3個5 GHz的無線信號，在利用測試點信號指紋與指紋庫中參考點信號指紋進行匹配運算時，常常會出現(xiàn)測試點信號指紋和參考點信號指紋AP缺失的情況。本文采用文獻[1]的方法，將缺失AP的RSSI值設(shè)為-95 dBm，分別基于全向指紋庫定位方法和基于方向識別的指紋定位方法進行解算，對比定位結(jié)果并分析定位精度。

圖4 試驗場地

每個朝向測試文件中含有20個測試點，共200次采樣，K取值范圍為[2，10]，計算不同K值時的平均定位誤差，如圖6所示。方向1、方向3和方向4在K=5時平均定位誤差最小，方向1的平均定位誤差為1.24 m，標準差為0.86 m，方向3的平均定位誤差為1.4 m，標準差為0.99 m，方向4的平均定位誤差為2.16 m，標準差為1.38 m；方向1、方向3和方向4中隨著K值的增加，定位誤差先變小后變大；方向2在K=2時平均定位誤差最小，為1.52 m，標準差為2.13 m，定位誤差隨K值增加而增大；取不同K值時方向4的平均定位誤差普遍比其他方向的定位誤差大；在走廊行進方向上(即方向2和方向4)要比走廊左右方向(即方向1和方向3)上的定位誤差要大0.52 m。

圖5 自主研發(fā)信號指紋采集軟件

圖6 不同K值時4個朝向的定位誤差

全向測試文件中包含20個測試點4個朝向的信號指紋，共計800次采樣，由于每個空間位置處有4次采樣，因此K最大值取20，K取值范圍為[2，20]，計算不同K值的平均定位誤差，并與基于方向識別的指紋定位的平均定位誤差進行比較，如圖7所示。

從圖中可以看出，K取4時基于全向指紋庫定位的平均定位誤差為1.44 m，標準差為1.6 m，而基于方向識別的指紋定位在K取5時平均定位誤差最小為1.6 m；不論K取值如何，基于全向指紋庫定位誤差要小于基于方向識別的指紋定位誤差。

圖7 不同K值時全向指紋和基于方向識別定位誤差比較

圖8對上述兩種情況指紋定位的誤差累積分布進行對比，基于全向指紋定位方法的定位精度優(yōu)于2 m的置信概率為88%，定位精度優(yōu)于1 m的置信概率為54%，基于方向識別的指紋定位方法定位精度優(yōu)于2 m的置信概率為76%，定位精度優(yōu)于1 m的置信概率為48%；但是基于全向指紋庫定位方法最大誤差為11.7 m，而基于方向識別的指紋定位最大誤差為7.8 m，這是因為基于全向指紋庫中參考點數(shù)目是基于方向識別的指紋定位的4倍，由于多路徑效應(yīng)、行人走動或人體遮擋等影響使得遠離真實位置的參考點與測試點的歐氏距離很小，導(dǎo)致加權(quán)均值計算時距離很遠的參考點權(quán)重很大，造成較大誤差。

圖8 定位誤差累積分布函數(shù)

3 結(jié) 語

室內(nèi)環(huán)境下WiFi 2.4 GHz和5 GHz信號衰減受人體遮蔽影響較大，本文考慮了用戶朝向引起的信號強度差異，提出了一種基于全向指紋庫的WiFi室內(nèi)定位方法。試驗結(jié)果表明，該方法定位精度高于基于方向識別的指紋定位方法，在K取4時，平均定位誤差為1.44 m，定位精度優(yōu)于1 m的置信概率為54%，優(yōu)于2 m的置信概率為88%。由于室內(nèi)無線信號分布特性復(fù)雜多變，使得基于全向指紋庫的定位方法在某些點存在較大誤差，因此可把聚類分析引入后續(xù)研究，縮小基于全向指紋庫的搜索匹配范圍，旨在提高計算效率和定位精度。

[1] 畢京學, 甄杰, 汪云甲, 等. 高斯函數(shù)定權(quán)的改進KNN室內(nèi)定位方法[J]. 測繪通報, 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] 李華亮, 錢志鴻, 田洪亮. 基于核函數(shù)特征提取的室內(nèi)定位算法研究[J]. 通信學報, 2017, 38(1): 158-167.

[13] 陳斌濤, 劉任任, 陳益強, 等. 動態(tài)環(huán)境中的WiFi指紋自適應(yīng)室內(nèi)定位方法[J]. 傳感技術(shù)學報, 2015, 28(5): 729-738.

[14] 劉春燕, 王堅. 基于幾何聚類指紋庫的約束KNN室內(nèi)定位模型[J]. 武漢大學學報(信息科學版), 2014, 39(11): 1287-1292.