基于WiFi与移动智能终端的室内定位方法综述

石高涛，王伯远，吴 斌

(天津大学a．计算机科学与技术学院;b．软件学院，天津300072)

1 概述

室内定位是指在室内环境中实现定位，最早被应用于同步定位与地图构建(Simultaneous Localization and Mapping，SLAM)中。随着移动互联时代的到来，室内定位变成了一个人们关注的热点，应用前景十分广泛。其应用前景大体上可以分为以下5类:(1)室内导航，告知用户如何到达室内的某个地方等;(2)社交需求，名片交换等;(3)市场推销，商城、景点提供导购等服务;(4)公共安全，紧急情况下的人员定位等;(5)移动计算，大数据分析，分析用户习惯等有价值信息。文献［1］对所有需要室内定位的移动手机应用做了简要的论述。

研究人员针对室内定位做出了一些重要的研究成果。总体上，以智能手机普及为分界线，根据定位使用的工具的不同，可以将室内定位分为以下3种:(1)室内部署红外线设备来定位的方法［2］;(2)室内部署超声波设备来定位的设计方案［3］;(3)室内部署射频设备来定位的方案［4-5］;(4)室内部署UWB设备来定位的方案［6-7］。这些方法都可以达到比较高的定位精度，其中UWB的定位精度可以达到10 cm级别，但是它们有一个共同的问题就是都需要在室内提前部署一些特定设备并且在定位前需要采集一些必要的信息，因此这些方法的规模化成本较高，成为阻碍其普及的主要原因。

还有一些成本较低的室内定位方案:(1)通信基站，每个基站都有全球唯一的标识，可以通过查数据库知道用户的位置，精度在几百米以内;(2)WiFi路由器，每个WiFi路由器都有全球唯一的标识，可以通过查数据库知道用户的位置，精度在几十米以内。以上方案的缺点是在室内定位的精度较差，并且在室内定位中都无法达到像GPS室外定位那样的连续定位。连续定位不仅能够定位用户当前的位置，而且可以跟踪用户之前的运动轨迹。

设计能够广泛应用的室内定位方案，一般情况下需要考虑以下4个因素:

(1)成本:主要包含预部署成本、计算成本、维护成本。其中预部署成本包括需要提前部署到要定位地方的设备和提前采集信息的代价;计算成本是定位算法的计算代价;维护成本是保证定位系统正常运行需要花费的代价。

(2)定位精度:室内定位对定位精度要求比室外更高，达到1 m以内。

(3)连续定位:可以实时查看用户的运动轨迹和当前位置，对用户体验有很大的提升。

(4)环境依赖度:环境变化对定位结果的影响程度。影响程度越大，环境依赖度越高。

随着智能手机的普及，利用智能手机和WiFi定位逐渐成了室内定位的研究热点，近来很多室内定位的研究都是基于WiFi和智能移动终端展开，主要有以下两方面原因:(1)从控制成本的角度，应尽量使用已有的设备，而WiFi热点就是一种很好的选择。一般在办公区、购物中心或者机场等公共场所都会有WiFi热点部署，并且WiFi接口在当前的移动智能终端已经很普及。此外，智能移动终端也成为基于位置服务的应用的载体;(2)从定位的精度上来看，使用WiFi和智能手机可以实现高精度的定位，而且可以通过与手机中的传感器相结合实现连续定位。

针对室内定位，已有相关研究从不同角度对其进行综述，文献［8］对当前的定位技术做了详细的总结，从成本、精度、可扩展程度、缺点等维度做了对比，指出了当前定位技术的发展以及存在的问题。文献［1］是在智能手机迅速普及的背景下，对智能手机传感器做了较全面的调研，指出智能手机的迅速发展将给室内定位带来了新的机会。文献［9］对现有的使用智能手机传感器定位的系统做了调研，从类型、系统电量消耗、系统计算时间、用户多样性、是否用户参与等多个维度分析了它们的优缺点。

本文通过对基于移动智能手机和WiFi的室内定位方法进行全面综述，对相关工作进行梳理总结，并尝试给出未来可能的发展方向。介绍基于移动智能设备和WiFi的室内定位的基本方法，并指出基本方法存在的问题;从多个维度对基于移动智能和WiFi的室内定位进行分类;对基于移动智能设备和WiFi的室内定位技术进行比较;总结了室内定位通用方法应该具备的3个特征。

2 室内定位基本方法

2．1 基于相对位置的计算方法

此类方法首先待测目标处的 RSSI，然后根据WiFi信号的衰变模型计算出待测目标到参考点的距离，并依据距离推算出待测目标的位置。

该方法较为常用的定位技术是根据三边定位算法，通过利用待测目标到至少3个已知的参考点的距离信息来估计目标位置，其中参考点位置信息必须是已知的。因为WiFi路由器的ID是全球唯一的，所以可以通过查询数据库得到相应WiFi路由器的位置，从而确定参考点的位置信息。但由于WiFi路由器位置可能会被移动的原因，这种位置信息不可靠。文献［10］通过实地实验也验证了使用位置指纹识别方法相对于三边定位的优越性，三边定位环境依赖度高而且精度不够高。之后在三边定位的基础上衍生出了一些计算过程比较复杂的定位方法，可以达到比较高的定位精度。之后三边定位的方法也被其他计算方法代替，从而可以达到比较高的定位精度。

该类方法中需要解决的问题有3点:

(1)如何避免或者减少环境依赖问题，如WiFi热点的分布是否均匀对定位结果的影响程度;

(2)如何去除干扰的RSS信息，使得计算距离更加准确，因为同一个热点在某个位置可能会有几个RSS信息;

(3)如何在避免或者减少提前部署工作的前提下将相对位置转换成绝对位置。

该类方法中典型的算法就是文献［11］提出的EZ算法，如图1(a)所示，2个移动设备(M1和M2)可以测量分别得到其到2个热点(AP1，AP2)的距离(d11，d12，d21，d22)，但是这时候无法确定M1和M2的位置，因为还会有很多可能的位置分布，如图1(a)中测量到的距离值和图1(b)一致，但是位置不同。而随着移动设备和热点的增多如图1(c)所示，这种位置分布的可能性就越小，当移动设备和热点的数量达到一定量之后就可以确定一个唯一的位置分布情况。然后再通过少量移动设备接收到的GPS信号的定位信息就可以确定所有移动设备的绝对位置。

图1 EZ算法示意图

该方法的核心思想就是穷举所有可能的位置分布情况，然后排除不可能的情况，最后得到一个位置分布情况，好处就是不需要人工参与信号采集就可以实现良好的室内定位效果。

2．2 基于位置指纹的计算方法

基于位置指纹的计算方法，需要提前收集定位的环境中的位置指纹信息，然后通过待测目标处的位置指纹信息推算出相应的位置信息。

如图2所示基于位置指纹的计算方法从宏观上可以分为以下3个步骤:

(1)获取WiFi的位置指纹信息RSSI;

(2)通过处理得到RSSI地图，所谓RSSI地图就是RSSI信息和位置的一一对应;

(3)把目标位置测量到的RSSI发送到定位系统，定位系统通过计算返回相对应匹配位置。

具体的实现方法有多种，但是总体的思想是一致的。用户在运动过程中会捕获位置指纹信息，查询位置的时候将位置指纹信息发送给定位系统(?⇔RSSI)，定位系统根据RSSI地图(位置⇔RSSI)匹配得到当前位置指纹对应的位置信息(位置?⇔RSSI)，此类方法的关键点是获得RSSI地图和通过RSSI地图计算得到位置信息，如图2所示。

图2 基于位置指纹方法的基本步骤

该方法需要预先收集大量的位置指纹信息。一般情况下位置指纹收集的越多，定位的准确率就越高，直到达到某个阈值。得到位置指纹地图之后，还需要一个高效的算法估计待测位置的位置信息，文献［12］采用的是贝叶斯(Naïve Bayes，NB)算法，实现简单而且定位效果良好。另外文献［13］中使用K最近邻(K-Nearest Neighbor，KNN)算法，其中K=1，该方法实现简单，定位效果良好。总结起来，该类方法要解决的问题有以下3点:

(1)如何避免或者减少获得RSSI地图需要花费的人力;

(2)如何解决RSSI信息和位置不一一对应的问题;

(3)如何通过RSSI地图高效地计算出位置信息。

文献［14］提出一个简单而有效的基于信号传播模型的定位系统RADAR。首先在室内布设一些特定的热点，使得这些热点的信号能覆盖整个要定位的区域，然后提前采集位置指纹信息，用这些采集信息来构建和验证信号传播模型，最后使用该模型来根据测量到的信号强度信息推断出对应的位置。

文献［15］提出的定位系统Horus使用一种自回归模型，将人工采集的信息处理变成位置指纹信息，然后通过最大似然估计的方法来推断出位置信息，可以达到很高的定位精度。文献［16］在文献［14-15］的基础上将采集的位置信息的类型拓展到室内其他一些信号类型，比如声音、光、颜色等。

2．3 基于传感器距离估计

文献［14-16］提出的定位方法都需要采用人工收集指纹信息，增大了预部署的成本。一些定位方法通过使用手机传感器跟踪人的运动状态的方法来实现自动收集位置指纹信息，典型的有文献［12］中提出的方法，图3为自动获得位置指纹架构示意图。

图3 位置指纹架构示意图

为了实现这个自动的过程需要有一个智能移动设备(有加速度、罗盘、陀螺仪等传感器)和一个地图(标识出所有人能走的道路)，通过传感器可以得到人运动的起点、终点、运动的路线(转了几个弯等)、路线的长度以及运动路线上的RSSI值，然后通过在地图上枚举的方法最终会得到唯一的一条路线，从而就实现了RSSI到地图上位置的映射，最后得到一个位置指纹地图。为了提高准确性，采用了新的传感器计步和方向偏转角度估计算法，使得结果不受手机在身体上位置变化的影响。

近年来，室内定位的技术中手机传感器得到了大量的使用，通过手机传感器可以计算出用户的运动状态，从而为高精度的室内定位提供保障。表1简要总结了目前智能手机中比较常用于室内定位的传感器及其作用。

表1 常用于室内定位的传感器及其作用

在已有研究中，文献［11，13，16-20］不同程度地使用了手机传感器，使用WiFi定位都会使用手机中的WiFi传感器，文献［12-13］提出了利用手机中的陀螺仪、罗盘、加速度传感器辅助定位的方法，达到了较好的效果。然而像文献［13］一样很多提出使用手机传感器跟踪用户状态辅助定位的方法都是基于使用手机传感器可以很精确地跟踪用户运动状态的假设之上的，文献［12］提出了使用手机传感器准确跟踪用户的运动状态的有效方法。

另外文献［21］针对上面的问题提出一种使用手机传感器跟踪用户的运动状态的通用方法，从而为使用手机传感器跟踪用户运动状态的室内定位方法提供有力支持，而且该方法不需要提前知道手机在身体上的方向，根据人的运动对手机的影响的关系来判断人的运动状态，并且可以去除地磁对罗盘传感器的影响，从而使得判断更加精确。

文献［19］通过对WiFi和地磁信号研究发现了WiFi和地磁信号的互补性，从而提出了一种使用WiFi和磁力传感器2种传感器定位的方法，不仅避免了提前部署需要的花费，而且可以达到比较高的定位精度。

3 室内定位技术

3．1 连续型与非连续型定位

基于移动智能终端和WiFi的室内定位技术可以根据是否使用移动智能设备中传感器跟踪用户运动状态而达到2类定位效果:一类是非连续型，这类方法需要提前建立位置指纹地图，根据某个时刻用户发送的定位请求在位置指纹地图中计算返回最佳匹配的位置信息，即用户的位置信息是按照用户的定位请求时间非连续分布的;另一类是连续型，这类方法使用传感器来记录人的运动轨迹，从而可以将各个时间点的用户位置信息连接起来。这类方法可以在用户运动的过程中收集RSSI，从而通过积累可以完成RSSI地图，从而为以后的定位提供数据，避免了提前准备RSS地图的花费。

3．2 2D室内定位与3D室内定位

基于移动智能终端和WiFi的室内定位技术可以根据是否能识别室内用户楼层变化分为2种类型:第1类是2D定位;第2类是3D定位。这2类技术的应用场景不同，实现的复杂度也不相同，第2类方法为了实现3D定位需要使用手机中的传感器，通过手机的传感器可以判断用户上楼下楼的动作。

3．3 用户参与与用户不参与的室内定位

基于移动智能终端和WiFi的室内定位技术可以根据是否需要用户参与分为2类:一类需要用户参与，用户在使用室内定位系统时可以输入自己的位置信息反馈给定位系统，以达到校正定位系统的目的;另一类不需要用户参与，这类定位系统不提供用户输入位置信息的接口。

3．4 无线信号指纹室内定位

虽然WiFi RSSI指纹定位目前比较流行，由于它的工作频率比较高，因此它很容易受到诸如人的状态以及人站位的方向、多径传输和衰减的影响。文献［22］从设计一个鲁棒性和差异性的无线信号指纹的角度出发提出了基于调频信号(FM)的室内定位方法，调频信号因为频率低，所以受上述因子的影响很小，并且它受时间变化的影响也较小。重要的是从文献［22］的实验结果可以表明FM RSSI定位跟WiFi RSSI定位的误差是独立的，把两者结合起来，可以把定位精度提高到83%。然而使用该方法又会引入调频信息采集的复杂度。另外文献［23］也从设计一个鲁棒性和差异性的无线信号指纹的角度出发提出了基于信道频率响应的室内定位方法，同样会引入信息采集的复杂度，但是在定位精度方面有所提高。

4 定位技术分析比较

本节对当前典型的基于移动设备和WiFi的室内定位工作进行分析总结，表2从定位的原理、基于的工具、定位的效果、提前部署花费的人力物力等方面给出了比较结果。可以看到，针对室内定位，目前还没有一个可以广泛使用的解决方法，从总体上看室内定位技术的发展趋势为易于部署、高精度、支持3D定位。

表2 基于室内定位技术比较结果

从表2中可以看出，基于位置指纹定位的工作数量明显多于基于相对位置的工作数量，可以反映出基于位置指纹的定位方法比较受青睐，主要原因如下:

(1)从实现的复杂度角度，基于相对位置的室内定位方法在算法的实现上相对较复杂。

(2)从定位的精度角度，从表2就可以看出基于位置指纹的方法的平均定位误差可以减小到1 m，而基于相对位置的定位方法最好情况下的误差为2．7 m。可见，基于位置指纹的定位方法的定位精度要高于基于相对位置的定位精度。

(3)从解决第2节提到的几种定位方法分别遇到的问题方面，基于传感器距离估计的方法更容易解决上述问题。通过使用手机传感器来识别人的运动状态可以在用户行走的过程中完成位置指纹地图的收集，并且通过一些算法比如机器学习的算法，可以便捷而且比较准确地计算出相应的位置信息［12-13，17］;文献［17］提出的 CUPID 通过利用手机传感器记录用户的运动状态来判断用户和WiFi热点的夹角，从而可以过滤掉干扰的RSSI信息，计算出准确地相对位置;但算法比较复杂，而且需要安装特定的芯片，不适合广泛使用。

(4)从是否支持3D方面，近年来基于相对位置的方法没有提出支持3D定位的解决方法，而基于位置指纹的方法已有提出支持3D的定位解决方法［13］，而且其定位精度和传统方法相当。

(5)从定位方法的灵活程度方面，基于位置指纹的定位方法可以做到室内某一层到RSSI的映射、某一个房间到RSSI的映射和某一个点到RSSI的映射，定位相对于基于相对位置的方法来说比较灵活。

5 结束语

本文对近年来室内定位方法进行综述。可以大规模部署的室内定位的方法应该具备以下3个特征:易于部署;精确度高;支持3D定位。然而，能够支持这3种特征的定位方法还有很多问题需要解决。比如基于相对位置的计算方法，需要找到更加简单而高效的计算模型;对于基于位置指纹的计算方法，需要提出更加自动化的获取位置指纹的方法;对于基于传感器距离的计算方法，需要找到更加简便而准确的跟踪人的运动轨迹的方法。此外，一些解决室内定位的方法和理念也需要不断的被提出，例如文献［24］就采用图像识别的方法来定位，也能够达到不错的定位效果。另外，为支持以上3个特征，使用手机传感器跟踪人的运动状态是必要的。最后，室内定位的算法必须要配备有效的容错机制，因为算法的输入信息会随着环境发生不可预期的变化，如果从算法复杂度和定位精确度折衷的角度来看，机器学习的方法是一种不错的选择。文献［12-13］分别使用K最近邻和贝叶斯算法都达到较好的定位效果。

［1］ Lane N，Miluzzo E，Lu H，et al．A Survey of Mobile Phone Sensing［J］．IEEE Communications Magazine，2010，48(9):140-150．

［2］ Want R．The Active Badge Location System［J］．ACM Transactions on Information Systems，1992，10(1):91-102．

［3］ Ward A，Jones A，Hopper A．A New Location Technique for the Active Office［J］．IEEE Personal Communications，1997，4(5):42-47．

［4］ Ni L M，Liu Yunhao，Lau Y C，et al．LANDMARC:Indoor Location Sensing Using Active RFID［C］//Proceedings of the1stIEEE InternationalConference on Pervasive Computing and Communications．Washington D，C．，USA:IEEE Press，2003:407-415．

［5］ 邓辉舫，马启平，周尚伟．使用无线射频识别(RFID)技术进行室内定位［J］．计算机应用，2008，28(7):1858-1860．

［6］ Yu Kegen，Montillet J P，Rabbachin A．UWB Location and Tracking for Wireless Embedded Networks［J］．Signal Processing，2006，86(9):2153-2171．

［7］ 李 杰．基于 UWB和 DGPS的混合定位方法研究［J］．计算机应用与软件，2010，27(5):212-215．

［8］ Hightower J，Borriello G．Location Systems for Ubiquitous Computing［J］．IEEE Computer，2001，34(8):57-66．

［9］ Subbu K，Zhang Chi，Luo Jun，et al．Analysis and Status Quo of Smartphone-based Indoor Localization Systems［J］．IEEE Wireless Communications，2014，21(4):106-112．

［10］ Li Binghao，Quader L J，Dempster A G．On Outdoor Positioning with WiFi［J］．Journal of Global Positioning Systems，2008，7(1):18-26．

［11］ Chintalapudi K，Iyer A P，Padmanabhan V N．Indoor Localization Without the Pain［C］//Proceedings of the 16th Annual International Conference on Mobile Computing and Networking．Washington D．C．，USA:IEEE Press，2010:173-184．

［12］ Rai A，Chintalapudi K K，Padmanabhan V N，et al．Zee:Zero-effort Crowdsourcing for Indoor Localization［C］//Proceedings of the 18th Annual International Conference on Mobile Computing and Networking．Washington D．C．，USA:IEEE Press，2012:293-304．

［13］ Yang Zheng，Wu Chenshu，LiuYunhao．Locatingin Fingerprint Space:Wireless Indoor Localization with Little Human Intervention［C］//Proceedings of the 18th Annual InternationalConference on Mobile Computing and Networking．Washington D．C．，USA:IEEE Press，2012:358-367．

［14］ Bahl P，Padmanabhan V N．RADAR:An Inbuilding RF-based UserLocation and Tracking System［C］//Proceedings of the 19th Annual Joint Conference of the IEEE Computer and Communications Societies．Washington D．C．，USA:IEEE Press，2000:231-241．

［15］ Youssef M，Agrawala A．The Horus WLAN Location Determination System［EB/OL］．(2011-12-12)．http://www．docin．com/p-305713112．html．

［16］ Azizyan M，Constandache I，Choudhury R R．SurroundSense:Mobile Phone Localization via Ambience Fingerprinting［C］//Proceedings ofthe 15th AnnualInternational Conference on Mobile Computing and Networking．Washington D．C．，USA:IEEE Press，2009:261-272．

［17］ Jiang Y，Pan X，Li K，et al．ARIEL:Automatic Wi-Fi Based Room Fingerprinting for Indoor Localization［C］//Proceedingsof2012 ACM Conferenceon Ubiquitous Computing．New York，USA:ACM Press，2012:441-450．

［18］ Wang H，Sen S，Elgohary A，et al．No Need to War-drive:Unsupervised Indoor Localization［C］//Proceedings of the 10th International Conference on Mobile Systems．Washington D．C．，USA:IEEE Press，2012:157-165．

［19］ Zhang C，Luo J，Wu J．A Dual-sensor Enabled Indoor Localization System with Crowdsensing Spot Survey［C］//Proceedings of DCSS’14．Washington D．C．，USA:IEEE Press，2014:148-156．

［20］ Sen S，Lee J，Kim K H，et al．Avoiding Multipath to Revive Inbuilding WiFi Localization［C］//Proceedings of the 11th Annual International Conference on Mobile Systems．Washington D．C．，USA:IEEE Press，2013:269-278．

［21］ Roy N，Wang He，Choudhury R R．I Am a Smartphone and I Can TellMyUser’sWalkingDirection［C］//Proceedings of the 12th Annual International Conference on Mobile Systems．Washington D．C．，USA:IEEE Press，2014:156-162．

［22］ Chen Y，Lymberopoulos D，Liu J，et al．Fm-based Indoor Localization［C］//Proceedings of the 10th International Conference on Mobile Systems．Washington D．C．，USA:IEEE Press，2012:359-368．

［23］ Robertson P，Angermann M，Krach B．Simultaneous Localization and Mapping for Pedestrians Using Only Footmounted Inertial Sensors［C］//Proceedings of the 11th International Conference on Ubiquitous Computing．Washington D．C．，USA:IEEE Press，2009:93-96．

［24］ Ravi N，Shankar P，Frankel A，et al．Indoor Localization Using Camera Phones［C］//Proceedings of MCSA’05．Washington D．C．，USA:IEEE Press，2005:299-307．