基于WLAN的室內指紋定位研究

孔 靚， 賈美娟， 李 梓

(大慶師范學院 計算機科學與信息技術學院， 黑龍江 大慶 163712)

0 引 言

位置感知是無線網絡最重要的服務之一。由于室內環境的復雜性，GPS信號會被直線視距阻斷，精度將迅速降低，甚至有時無法進行有效定位。隨著對精確定位的需求快速增長，近年來研究機構及國內外研究人員開發了許多新技術。現有的定位方法主要分為2類。一類是利用藍牙、ZigBee超寬帶(UWB)、WLAN、RFID、無線信號等實現室內定位，另一類是利用慣性傳感器進行定位。其中，利用無線信號定位則有2種算法。一種是估計距離，如到達時間(TOA)、到達時差(TDOA)、到達角(AOA)或接收信號強度指示器(RSSI)；另一種是利用位置指紋進行定位。

分析可知，通過RSS測得的距離高度依賴于環境，但室內環境較為雜，信號衰減模型無法充分反映由反射、折射和散射引起的信號衰減的情況，其結果精度將較為有限。基于測量的方法可以獲得較高的定位精度，但通常需要額外的設備來精確測量時間差，從而增加了實施成本。

1 研究現狀及分析

無線信號取決于傳播環境。在不同的位置，通道的多徑特性是不同的。在無線信號傳播過程中，信號整合了反射、折射、散射等情況后，產生唯一的、與傳播環境相關的信號，即將這種多徑特性稱為位置指紋[1]。位置指紋通常可用于相應位置識別。通常，會將信號強度指示器(RSS)作為位置指紋特征。傳統指紋定位分為2個階段，也就是：指紋數據庫生成的離線階段和定位的在線階段。整個過程如圖1所示。

研究中，在離線階段，在室內區域按照均勻間距設置采樣點，每個采樣點對應的WiFi信息包括接入點的MAC地址及其對應的RSS值。每個WiFi信息及其對應的位置由一個位置指紋組成，所有位置指紋組成一個室內區域的指紋數據庫，也稱為指紋地圖。進入在線階段后，當用戶發送位置請求時，將用戶的當前指紋信息與指紋地圖中的指紋信息進行比較。地圖上最接近用戶當前指紋信息的位置被認為是用戶的當前位置，即實現定位。

圖1 傳統指紋定位過程

通常，存在于數據庫中的指紋數據是不變的。然而，隨著時間的推移，一個或多個信號源可能會消失或移動，如室內的家具—桌椅等的位置可能會變動。這些環境的變化會使得傳播空間中信號的RSS值發生變化，從而導致地圖的 “過時”，而使用“過時”地圖會導致建立指紋數據庫的減少,這也是一個亟待解決的關鍵性問題。目前，可以通過多種方法進行融合以提高定位精度。這里擬對各種方法展開研究綜述如下。

2 基于WLAN的指紋定位方法

Wang等人提出了利用曲線擬合技術確定室內定位精度中的RSS距離關系，即環境變化越大，精度下降越明顯，甚至可能使定位系統不可用。因此，建立指紋數據庫后，需要不斷更新，以確保其準確性。

用戶位置的描述非常靈活，可以是一組不同的空間坐標，也可以是一個指示變量或邏輯符號[2]。坐標的表示方法較準確，但不容易直接理解。相反，雖然邏輯符號代表的意義廣泛，但其更具清晰性和指導意義。

近年來，由于基于WiFi的位置指紋定位不需要額外的基礎設施，因此，研究人員將研究重點放在了該課題上[3-7]。指紋方法的性能取決于單位面積內RP的數量，增加單位面積的RP數可以提高定位精度[3,8]。然而，當RP數達到一定水平時，增加RP數并不能提高精度。因為RSS的測量耗時且工作量較大，增加RP數量的同時將增加定位成本。并且，由于相鄰RP的指紋相似性，RP密度過大會增加定位誤差。通常，指紋定位研究需分為2個階段，即：建立指紋數據庫及在線匹配。離線指紋數據庫的準確性及離線和在線兩個階段的采樣終端的差異將直接影響定位精度[9]。研究中使用一系列線性無關的函數來構建通用的RSS距離模型[10]。這種方法的優點是可以從少量的RSS測量中提取數據。通過對每個分區的空間劃分和曲線擬合，得到了更準確的每個AP的RSS距離關系。實驗證明，與傳統的對數距離模型相比，定位精度提高了20%～29%。但是，該方案的缺點是只考慮了房間的常規布局。

Chen等人[11]提出將移動設備和指紋數據庫中的RSS值與壓縮傳感(CS)原理相匹配[11]。壓縮傳感技術可以補償稀缺的壓縮信號或有噪聲的壓縮信號。通過少量的指紋采樣，可以重建完整的指紋圖譜，減少建立指紋數據庫的工作量，并提高定位精度。

3 減少RSS噪聲影響的指紋定位方法

一般來說，指紋方法是通過模式識別技術將RSS值映射到物理位置的[12]，這種RSS定位映射能夠通過站點調查獲得，可以利用不同的統計建模或機器學習算法，將在線測量結果與之前數據庫中的數據進行比較，從而實現定位[13-14]。時下研究指出，KNN[15]、多層感知器[2]、神經網絡[16-17]、最大似然性[18-19]、支持向量機[20]和核方法[21-23]等，可用于室內定位。基于核的機器學習技術也可應用于無線局域網定位[21]。然而，室內信號傳播環境非常復雜，給定位置的RSS通常由于干擾、反射、折射、多徑衰落、設備方向、硬件變化、溫度、濕度甚至攻擊等，在不同的時間產生變化[24-29]。以前存儲的指紋圖譜不再反映當前RSS的統計特性，因此，系統性能會下降。這個問題在實際的室內環境中是不可避免的。

Zheng等人[30]提出了傳感器融合粒子濾波算法RANSAC。該方法通過從PDR數據構造高斯模型,減少初始化過程的迭代次數。為了解決初始化后的誤差估計問題，該方法對傳統的粒子濾波器進行了改進，用到了對指紋概率模型的SLFNS插值方法，主要考慮指紋算法的不同WiFi參考點概率，使相似指紋的引入誤差最小，從而提高定位精度。實驗結果表明，在支持向量機方法中，改進算法的平均誤差從3.2 m降低到1.2 m；在概率算法中，改進算法的平均誤差從3.4 m降低到1.3 m。

Li等人[31]提出通過WiFi與PDR的實時融合實現融合計算。根據行人的移動性來確定濾波系統的動態噪聲能夠有效地抑制無線定位的跳躍和積累，以及PDR誤差積累的問題。典型的WiFi指紋匹配需要很高的計算負擔。為了降低這一步驟的計算復雜度，采用親和傳播聚類算法對指紋數據庫進行聚類，并將定位域和信號域各節點的信息進行集成。實驗結果表明，該算法使聚類點減少了65%-80%，有效地節省了時間。

Kuo等人[32]提出利用樣本的時間差和空間相關性提高定位精度 。該方法通過對一個短間隔觀測樣本的重組，RSS可能具有一定程度的時間多樣性和空間依賴性。空間相關性使用對象的移動軌跡選擇最佳的位置估計。這種干擾方法可以與多種指紋定位算法相結合，提高定位精度。仿真實驗結果表明，在合理增加計算成本的前提下，定位精度得到了顯著提高。但該方法需要一個可靠的搜索模塊來對擴展空間進行窮盡性的選擇。

Lu等人[33]提出了基于系統定位噪聲的奇異值分解方法(SVD)，該方法將現有AP建立的RSS漢克爾矩陣分解為2個子空間：噪聲子空間和信號子空間。通過抑制噪聲子空間，RSS僅從信號子空間重構以抑制噪聲。研究中將通過2種算法來調整定位系統中的奇異值：最小二乘法和最小方差法。仿真結果表明，如果選擇正確的SVD參數，定位誤差將顯著降低，且在1 m范圍內定位精度達到90%以上。

4 免測量指紋定位方法

目前，學界對建立傳統指紋數據庫的耗時費力問題進行了深入探討，并陸續推出了一系列研究結果。Wen等人[34]提出了一種利用周圍環境的反饋信息調整RSS指紋數據庫的新算法。在該算法中，系統按照位置的時間和空間強度，使用不同的、更新的測量值和離線指紋點。由于系統采用自適應半徑作為影響定位精度的主要因素，可以解決仿真和實際場景中運動障礙物引起的信號遮擋問題。Hao等人[35]提出了一種新的指紋訓練方法，許多用戶在訓練中采取協作模式，對少量的訓練數據進行高斯過程回歸分析，生成完整的指紋數據庫，并確定每個指紋的可信度。Fet等人[36]提出利用系統基礎設施定期檢測特征信號的變化。每個接入點持續監控環境的信號特征，并經由通道將這些信息傳遞給中央服務器。通過檢查服務器上所有訪問點的聚合度量，可以確定系統體系結構在任何時間間隔內的穩定性。如果特定接入點的RSS功能發生重大變化，則最近的接入點會觀察到這一變化。由接入點創建的一個公共度量網絡在任何接入點上都會發生相應變化，這些變化即由網絡上的多個鏈路進行測量。通過不斷地評估這些鏈接，可以可靠地檢測環境中動態的RSS變化。因此，需要重新修正數據庫，以確定接入點，也就是在測量周期中，信號特性發生重大變化，并且超出了隨時間變化的波動閾值(隨時間變化的波動是由通過接入點的人引起的)。研究目的是檢測環境中家具或其它項目的重新排列可能導致的持續信號變化，而且會自動重新校正指紋圖。

Chen等人[37]提出一種室內定位算法，通過移動電話上的光學相機和方向傳感器校準眾包數據。當選擇SIFT進行圖像特征提取時，可以就篩選和表面閾值對定位的影響進行研究。實驗結果表明，在SIFT和SURF算法中，當閾值為0.55時，誤差最小。Li等人[38]提出了一種加權中值指數算法，將嵌入式傳感器的輸出集成到手機上。小范圍的實驗表明，該方法具有較好的性能。因為這種方法中對定位誤差進行了非線性校正。Yu等人[39]針對傳統指紋定位算法存在的離線指紋采集成本高、擴展性低的問題，提出了一種眾包自動組圖算法。該方法基于RACC算法，可以通過用戶的手機隱式收集眾包WiFi信息和傳感器測量值。當用戶通過門時，通過用戶的統計屬性，可以識別門的RSS指紋。根據所提出的相鄰遞歸匹配算法，可以在門的指紋上標記出相應的物理位置。并在指紋聚類后，根據指紋的相似度構造了基于AP聚類和K均值算法的指紋圖譜。實驗結果表明，該算法能有效地解決資源消耗問題，獲得具有競爭力的定位精度。

Wang等人[40]從眾包數據庫面臨的主要挑戰入手，提出了一種新的室內次域定位方案。該方案通過群體尋源、聚類和指紋匹配方法，從RSS度量中創建一個指紋區域，并將其與室內平面圖相關聯。同時，針對設備的多樣性，提出了一種新的在線定位算法。該算法雖然解決了設備多樣性的影響，但其實現仍處于定位階段，不能滿足實時性的要求。如果在建立指紋數據庫時能夠消除設備多樣性的影響，將大大提高定位系統的效率。

5 結束語

現有指紋數據庫的建立可分為2種方案：傳統指紋數據庫和眾包指紋數據庫，這兩種方案涉及到指紋組成、數據采集、能耗、計算復雜度和設備多樣性等問題[41]。傳統的現場踏勘方法是根據場地位置均勻劃分RP，采用同一終端進行采樣。如果不存在終端多樣性問題，則指紋相對準確。但這可能導致建立指紋數據庫和維護數據庫的成本較高。如果在實時定位中使用的終端與在指紋構造中使用的終端不同，則該方法無法達到理想的定位精度，甚至可能相差甚遠。因此，基于無線局域網的位置，對其后續研究方向可簡述如下。

(1)AP和RP的選擇，即如何選擇穩定、足量的AP和足量的RP，這既能保證定位的準確性，又能保證較低的計算復雜度及定位的及時性。

(2)如何利用專用設備建立的精密指紋數據庫解決設備多樣性問題。

(3)在眾包指紋數據庫中，由于指紋位置的隨機性，無法保證指紋的完整性。而這已成為亟待解決的重要問題之一。

(4)指紋眾包過程中設備的多樣性。一方面，是確保數據庫中的數據不能與不同范圍的數據混合，這樣就不會降低數據庫的準確性；另一方面，在定位時，需要根據采集設備的差異對設備進行校準，以提高定位精度。

綜前所述，基于WLAN的指紋定位是一種有效的位置感知服務解決方案，因其可以利用現有的基礎設施，節省硬件成本，因而有著廣闊的研發空間，其發展前景也十分可觀。