李冬　張寶賢

摘要：基于無線信號指紋的定位技術(shù)是當前室內(nèi)定位技術(shù)研究的重點，它具有無需額外基礎設施、成本低且定位精度較高等優(yōu)勢?；谥讣y的定位系統(tǒng)，其核心思想是將不易測量的位置信息映射為容易測量的無線信號特征，并以機器學習中分類器的角度將已有指紋定位技術(shù)分為兩個方向：基于Wi-Fi信號強度的分類模型研究；結(jié)合其他物理信號特征的指紋定位研究。強調(diào)室內(nèi)定位的關(guān)鍵在于找出它的核心應用，完成從學術(shù)到市場的轉(zhuǎn)變。

關(guān)鍵詞： 指紋；室內(nèi)定位；Wi-Fi 信號強度；分類器；無線信號

近年來，基于無線信號的室內(nèi)定位技術(shù)越來越受到學術(shù)界和工業(yè)界的重視。這是因為位置信息是移動智群感知和物聯(lián)網(wǎng)應用的基礎要素之一，且在室內(nèi)環(huán)境中具有廣泛的應用場景，例如機場/火車站/商場的人員導航、特殊貴重物品跟蹤、基于位置的服務推送、安全和入侵檢測與防范等。然而，室內(nèi)環(huán)境復雜，無線信號傳播容易受到人員流動、家具、墻壁等障礙物的影響。同時，室內(nèi)定位應用對位置精度提出了很高的要求。因此大量的研究工作[1-4]已經(jīng)針對室內(nèi)定位技術(shù)展開。

基于無線信號指紋的定位技術(shù)是當前室內(nèi)定位技術(shù)研究的重點。與基于測距和基于接近度的定位技術(shù)相比較，指紋定位技術(shù)的優(yōu)勢在于基站側(cè)和移動終端側(cè)都不需要特殊設備，且具有較高的定位精度（平均定位誤差1～3 m）。特別是隨著智能手機和無線局域網(wǎng)（WLAN）基礎設施的快速普及，基于Wi-Fi信號強度指紋的定位技術(shù)已經(jīng)成為研究和應用的主要方向。

1基于指紋的室內(nèi)定位技術(shù)

的理論基礎和工作流程

1.1指紋定位系統(tǒng)的核心思想和基礎

假設

基于指紋的定位系統(tǒng)，其核心思想是將不易測量的位置信息映射為容易測量的無線信號特征。這種思想主要基于以下兩個基本假設：

（1）無線信號特征與地理位置相關(guān)。在理想情況下，目標環(huán)境中每一個地理位置都擁有唯一的可區(qū)分的無線信號特征，作為該位置的指紋信息。指紋的區(qū)分度越高，指紋定位系統(tǒng)的精度也越高。這個假設隱含的意思是無線信號特征僅與地理位置相關(guān)，不易受到其他因素的影響。

（2）不同指紋的相似度程度和它們之間的物理距離具有強相關(guān)性。由于訓練階段（也稱離線階段）的參考指紋位置數(shù)量有限，在線階段，待定位的位置一般與參考位置不重合，這就需要利用臨近的參考位置來進行位置估計。在大尺度上，無線信號的衰減規(guī)律保證了這種相關(guān)性；但是在小尺度上，尤其是室內(nèi)環(huán)境，受多徑效應和快衰落的影響，物理位置相近的兩個指紋，也可能出現(xiàn)相關(guān)度較小的情況。

指紋定位系統(tǒng)產(chǎn)生誤差的主要根源在于無線信號特征很難完全滿足上述兩個假設。

1.2 指紋定位技術(shù)的工作流程

下面介紹的指紋定位流程將以Wi-Fi信號強度（RSS）為信號特征。同時，這一流程也適合基于其他物理信號的指紋定位。

基于指紋的定位流程可以分為兩個階段：離線訓練階段和在線定位階段。

（1）離線訓練階段。訓練人員手持移動設備在目標環(huán)境的多個位置上分別采集來自不同接入點（AP）的Wi-Fi信號強度信息。具體來說，在目標環(huán)境中，人工標定出一些特定的位置，這些位置坐標已知（這些位置被稱作參考點（RF）。一個位置的坐標記做（x，y）。在每一個RF上，移動設備采樣來自多個臨近Wi-Fi基站的信號強度，形成一個一維向量，并與該RF的坐標相關(guān)聯(lián)，形成該RF的指紋，形式如式（1）。其中n表示所檢測到的Wi-Fi基站數(shù)量，RSSk表示第k個基站的信號強度值。將所有RF的指紋存儲于一個數(shù)據(jù)庫中，形成一個二維矩陣，稱作radio map。

[x，y，RSS1，RSS2，…，RSSn] （1）

（2）在線定位階段。待定位的移動端設備采集Wi-Fi信號強度，形成該位置上的指紋向量并上傳到服務器端。服務器端通過指紋相似度匹配算法，將上報的指紋向量與數(shù)據(jù)庫中每一條指紋記錄相匹配，最終確定待定位設備的估計位置，并回傳給移動設備。

2 指紋定位系統(tǒng)分類

2.1 指紋定位分類的方法

基于指紋的定位過程可以看成一個對無線信號特征進行分類的過程：離線階段就是訓練一個分類器模型，將采集的指紋信息作為分類器的輸入，RF的位置作為分類器的輸出，從而訓練出符合目標無線環(huán)境的分類器模型；在線階段就是應用分類器進行定位，將新采樣的指紋信息輸入到訓練好的分類器，對應的輸出即為RF的坐標，并以此作為待定位設備的估計坐標。以機器學習中分類器的角度，我們將已有指紋定位系統(tǒng)分為兩類（如圖1所示）。

（1）基于Wi-Fi信號強度的分類模型研究

分類器模型是建立地理位置和無線信號特征之間映射的基礎，是室內(nèi)定位系統(tǒng)設計與研究的一個主要研究方向。分類器模型越接近實際的無線環(huán)境，定位系統(tǒng)的性能越好。分類器模型可分為確定性分類器、概率型分類器和基于神經(jīng)網(wǎng)絡算法的分類器。

（2）結(jié)合其他物理信號特征的指紋定位研究

由于Wi-Fi信號的室內(nèi)傳播易受到人體及一些障礙物的影響，且室內(nèi)存在著多徑衰落和快衰落，導致基于Wi-Fi指紋定位系統(tǒng)的精度受到影響。當前，一些研究將目光轉(zhuǎn)向探索采用其他物理信號作為Wi-Fi信號強度信息的替代或者補充，這其中包括采用Wi-Fi信號相位特征的定位系統(tǒng)、結(jié)合Wi-Fi信號強度與其他無線信號（如調(diào)頻（FM）、全球通移動通信系統(tǒng)（GSM）等）特征的定位系統(tǒng)、僅采用其他物理信號（如地磁、聲波等）特征的定位系統(tǒng)。

2.2 典型指紋定位系統(tǒng)

根據(jù)上述分類法，下面介紹這兩類研究方向中典型的指紋定位系統(tǒng)，包括設計目標、主要機制及其性能和特點。

2.2.1 分類器模型的選擇

分類器按照其訓練過程的不同可以分為3類：確定性分類器、概率型分類器和基于人工神經(jīng)網(wǎng)絡的分類器。