基于指纹的室内定位技术

基于指纹的室内定位技术TechniquesforFingerprintbasedIndoorLocalization李冬/LIdong张宝贤/ZHANGBaoxian(中国科学院大学泛在与传感网研究中心，北京100049)(ResearchCenterofUbiquitousSensorNetworks,UniversityofChineseAcademyofSciences,Beijing100049,China)基金项目：国家自然科学基金项目（61471339、61173158）摘要：基于指纹的室内定位技术是近期研究的一个热点。指纹定位拥有无需额外基础设施、成本低且定位精度较高等优势。本文综述了现有的指纹定位系统，包括指纹定位的核心思想、基础假设和定位流程。在此基础上，丛机器学习与分类器的角度出发，对现有指纹定位系统进行了分类并介绍了典型定位系统的核心思想、性能及优缺点。昀后，本文对典型定位系统进行了比较，并给出了指纹定位技术的一些发展趋势。关键词：指纹；室内定位；WiFi信号强度；分类器；无线信号Abstract:Fingerprintbasedindoorlocalizationhasbecomearesearchfocusduetoitsadvantagessuchaslowcost,noneedfordeployingextrainfrastructure,andhighaccuracy.Thisarticleprovidesasurveyofexistingfingerprintbasedindoorlocalizationsystems.Weintroducethekeyidea,basicassumptions,andgenericworkingprocessesoffingerprintbasedlocalization.Weclassifyexistingindoorlocalizationsystemsfromamachinelearningandclassificationperspectiveandintroducetheideasandkeycharacteristicsoftypicalsystemsanddiscusstheirmeritsanddeficiencies.Finally,weconcludethisarticlewithsomefuturedirectionsinthisarea.Keywords:Fingerprint;indoorlocalization;WiFiradiosignalstrength;classifier;wirelesssignal1.简介近年来，基于无线信号的室内定位技术在学术界和工业界越来越受到重视。这是因为位置信息是移动智群感知和物联网应用的基础要素之一，且在室内环境中具有广泛的应用场景，例如机场/火车站/商场的人员导航、特殊贵重物品跟踪、基于位置的服务推送、安全和入侵检测与防范等。然而，室内环境复杂，无线信号传播容易受到人员流动、家具、墙壁等障碍物的影响。同时，室内定位应用对位置精度提出了很高的要求。因此大量的研究工作[1-4]已经针对室内定位技术展开。基于无线信号指纹的定位技术是当前室内定位技术研究的重点。与基于测距和基于接近度（Proximity）的定位技术相比较，指纹定位技术的优势在于基站侧和移动终端侧都不需要特殊设备，且具有较高的定位精度(平均定位误差1-3米)。特别是随着智能手机和WLAN基础设施的快速普及，基于WiFi信号强度指纹的定位技术已经成为研究和应用的主要方向。本文从指纹定位的核心思想和基础假设出发，分析了指纹定位系统误差产生的主要根源，介绍了指纹定位的基本工作流程，并以机器学习中分类器的角度将已有指纹定位技术分为两个方向：1)基于WiFi信号强度的分类模型研究；2)结合其它物理信号特征的指纹定位研究。本文介绍了典型定位系统的主要思想，分析了其主要特点，并从不同角度对典型定位系统进2015-10-2910:15:33行了比较，昀后给出了指纹定位技术的一些发展趋势。2.基于指纹的室内定位技术理论基础和工作流程为了更好地理解指纹定位技术的特点，本节介绍指纹定位系统的核心思想、基础假设和基本工作流程。2.1.指纹定位系统的核心思想和基础假设基于指纹的定位系统，其核心思想是将不易测量的位置信息映射为容易测量的无线信号特征。这种思想主要基于以下两个基本假设：第一：无线信号特征与地理位置相关。理想情况下，目标环境中每一个地理位置都拥有唯一的可区分的无线信号特征，作为该位置的指纹信息。指纹的区分度越高，指纹定位系统的精度也越高。这个假设隐含的意思是无线信号特征仅与地理位置相关，不易受到其它因素（例如：人员运动、信号采样的方向、采样设备的硬件差异和采集时间的变化等）的影响。第二：不同指纹的相似度程度和它们之间的物理距离具有强相关性。由于训练阶段（也称离线阶段）的参考指纹位置数量有限，在线阶段，待定位的位置一般与参考位置不重合，这就需要利用临近的参考位置来进行位置估计。在大尺度上，无线信号的衰减规律保证了这种相关性，但是在小尺度上，尤其是室内环境，受多径效应和快衰落的影响，物理位置相近的两个指纹，也可能出现相关度较小的情况。指纹定位系统产生误差的主要根源在于无线信号特征很难完全满足上述两个假设。2.2.指纹定位技术的工作流程下面介绍的指纹定位流程将以WiFi信号强度（RSS，RadioSignalStrength）为信号特征。同时，这一流程也适合基于其它物理信号的指纹定位。基于指纹的定位流程可以分为两个阶段：离线训练阶段和在线定位阶段。离线训练阶段：训练人员手持移动设备（例如带WiFi通信接口的智能手机）在目标环境的多个位置上分别采集来自不同基站（AP,accesspoint）的WiFi信号强度信息。具体来说，在目标环境中，人工标定出一些特定的位置，这些位置坐标已知(这些位置被称作参考点（RP,referencepoint）。一个位置的坐标记做(x,y)。在每一个参考点上，移动设备采样来自多个临近WiFi基站的信号强度，形成一个一维向量，并与该参考点的坐标相关联，形成该参考点的指纹（fingerprint），形式如式（1），其中n表示所检测到的WiFi基站数量，RSSk表示第k个基站的信号强度值。将所有参考点的指纹存储于一个数据库中，形成一个二维矩阵，称作radiomap。〈〈x,y〉,〈,,…,〉〉(1)在线定位阶段：待定位的移动端设备采集WiFi信号强度，形成该位置上的指纹向量并上传到服务器端。服务器端通过指纹相似度匹配算法，将上报的指纹向量与数据库中每一条指纹记录相匹配，昀终确定待定位设备的估计位置，并回传给移动设备。指纹相似度匹配相关算法包括确定性算法、概率算法和基于人工神经网络的算法等几种。3.指纹定位系统分类本节首先介绍指纹定位系统分类方法，然后介绍每类的典型系统，昀后比较分析各指纹定位系统的主要特征。3.1.分类的方法基于指纹的定位过程可以看成一个对无线信号特征进行分类的过程：离线阶段就是训练一个分类器模型，将采集的指纹信息作为分类器的输入，参考点的位置作为分类器的输出，从而训练出符合目标无线环境的分类器模型；在线阶段就是应用分类器进行定位，将新采样的指纹信息输入到训练好的分类器，对应的输出即为参考点的坐标，并以此作为待定位设备的估计坐标。本文以机器学习中分类器的角度，将已有指纹定位系统分为以下两类（如图1所示）。图1：基于指纹的定位系统的分类.基于WiFi信号强度的分类模型研究分类器模型是建立地理位置和无线信号特征之间映射的基础，也是昀直觉的研究方向。分类器模型越接近实际的无线环境，定位系统的性能越好。分类器模型可分为确定性分类器、概率型分类器和基于神经网络算法的分类器。结合其它物理信号特征的指纹定位研究由于WiFi信号的室内传播易受到人体及一些障碍物、墙壁的影响，且室内存在着多径衰落和快衰落，导致基于WiFi指纹定位系统的精度受到影响。当前，一些研究将目光转向探索采用其它物理信号作为WiFi信号强度信息的替代或者补充，这其中包括采用WiFi信号相位特征的定位系统、结合WiFi信号强度与其它无线信号（如FM、GSM等）特征的定位系统、仅采用其他物理信号（如地磁、声波等）特征的定位系统。3.2.典型指纹定位系统根据上述分类法，下面介绍这两类研究方向中典型的指纹定位系统，包括设计目标、主要机制及其性能和特点。3.2.1.分类器模型的选择分类器按照其训练过程的不同可以分为三类：确定性分类器、概率型分类器和基于人工神经网络的分类器。3.2.1.1.确定性分类器确定性分类器代表为k近邻算法（kNN，knearestneighbors）。该算法是文献[5]中微软亚洲研究院的Bahl等人于2000年提出的，相关定位系统称作RADAR系统。该系统是第一个基于指纹的室内定位系统。在实现方面，训练阶段，该系统以每个参考点上采样的多个WiFi基站的信号强度的平均值作为指纹，指纹所形成的数据库即为分类器模型。在线阶段，该系统采用kNN算法，以欧氏距离估计信号相似度，并以相似度昀高的k个指纹的位置平均值作为估计位置。文献[5]中实验结果显示，k=1时，该系统平均定位误差为2.94米。当在基于指纹的定位系统基于WiFi信号强度的分类模型研究确定性分类器模型概率型分类器模型人工神经网络分类器模型结合其他物理信号特征的指纹定位系统研究采用Wifi物理层特征的系统采用Wifi信号强度与其他信号特征相结合的系统仅采用其他物理信号特征的系统线指纹和训练指纹的信号采样方向相反时，由于信号采集人员身体遮挡效应，平均定位误差降低到4.9米。kNN算法的主要不足在于：信号强度的平均值无法充分表征目标环境的无线信号传播特征。3.2.1.2.概率型分类器概率型分类器的代表性工作是贝叶斯分类器（NBC，NaïveBayesClassifier）[6]。在文献[6]中，马里兰大学的Youssef等人提出了Horus室内定位系统，该系统的核心是以概率方式推测指纹匹配度。在实现方面，训练阶段，他们首先采样每个参考点的信号强度，然后以直方图的形式记录各参考点坐标的信号强度概率分布，即已知坐标的条件下信号强度的概率分布。在线阶段，根据贝叶斯定理计算上报的信号强度指纹向量在每个参考点的概率，并以概率昀大的参考点的坐标做为待定位设备的估计坐标。实验结果显示，Horus定位系统的平均定位误差为1.52米。相比RADAR系统，Horus系统从目标环境中获得了更为丰富的无线信号特征，进而提高了系统的定位精度。这种方法的代价是在每个参考点需要更多的采样次数，例如RADAR大约为20次，而Horus约为100次。3.2.1.3.人工神经网络分类器文献[7]中，特伦托大学的Battiti等人提出了基于人工神经网络分类器的指纹定位算法。该定位系统的特点在于利用多层感知器架构（MLP，multi-layerperceptronnetwork）来表征信号强度和坐标之间的关系。在实现方面，离线阶段将采样的指纹数据库作为训练集输入到神经网络模型，通过一步正切算法（OSS,one-stepsecant）来学习隐藏单元的系数。离线阶段，每次将上报的信号强度向量带入训练好的模型即可得到该向量的对应估计坐标。ANN算法的优势在于对训练集的个数要求不高。实验结果说明，在5次采样的情况下该定位系统的平均误差不大于3米，当增加采样量后，平均误差可以降到1.5米。3.2.2.引入其它物理信号特征的定位系统由于WiFi信号的频率（2.4GHz和5.8GHz）特点，WiFi信号强度常常无法完全满足指纹定位的两条基础假设。一些研究工作开始探索引入其它物理信号作为WiFi的替代或者补充进行指纹定位，这方面的工作主要包括三类：采用WiFi信号物理层特征的系统、WiFi信号强度和其它无