基于Wi-Fi的室内定位技术研究进展

余丹 谢世成 宁全可 邰晓曼 仲臣

摘  要：利用接收信号强度和信道状态信息进行定位是目前基于Wi-Fi室内定位技术的两种主要方法，二者各有特色，优势互补。为进一步研究Wi-Fi室内定位技术，通过参阅文献，从几何、指纹两个方面论述接收信号强度与信道状态信息定位原理以及目前的研究现状，探讨两种方法的发展前景。未来如果能够进一步突破硬件与软件条件的限制，两者实现多源数据的紧耦合，将会极大促进Wi-Fi定位技术在室内位置服务领域的发展。

关键词：室内定位;Wi-Fi;接收信号强度;信道状态信息

中图分类号：TN92      文献标识码：A 文章编号：2096-4706（2020）21-0048-05

Research Progress of Indoor Positioning Technology Based on Wi-Fi

YU Dan，XIE Shicheng，NING Quanke，TAI Xiaoman，ZHONG Chen

（School of Space Information and Surveying Engineering，Anhui University of Science and Technology，Huainan  232001，China）

Abstract：Using received signal strength and channel state information for positioning are currently two main methods based on Wi-Fi indoor positioning technology. Both have their own characteristics and complementary advantages. In order to further study the Wi-Fi indoor positioning technology，by referring to the literature，the principles of RSS and CSI positioning and the current research status are discussed in terms of geometry and fingerprint，and the development prospects of the two methods are discussed. In the future，if we can further break through the limitations of hardware and software conditions and achieve tight coupling of multi-source data between the two，it will greatly promote the development of Wi-Fi positioning technology in the field of indoor location services.

Keywords：indoor positioning;Wi-Fi;received signal strength;channel state information

0  引  言

位置信息的獲取在人们日常生活中扮演着重要的意义，随着定位精度的提高，可以带来更好的基于位置的服务（Location-Based Service，LBS）体验。虽然利用卫星进行定位已被大规模商业应用，能够解决室外大部分定位需求，但该类信号无法覆盖室内，难以形成定位[1]。由于人们大部分时间在室内度过，相比于室外，室内对LBS的需求更加迫切。学术界与工业界很早就开始针对低成本、高可靠性的室内定位技术进行研究[2]。其中，Wi-Fi定位技术拥有显著的基础设施优势，仅需少量接入点（Access Point，AP）信息即可实现定位，运行维护成本低，定位速度快。因此基于Wi-Fi的定位技术发展更加成熟。

本文结合安徽理工大学2019版研究生培养方案，以研究生创新基金项目“基于测距误差改正的室内定位技术”为支

撑，回顾Wi-Fi定位技术中基于接收信号强度（Received Signal Strength，RSS）和信道状态信息（Channel State Information，CSI）两种定位方法的研究进展，寻找目前正在进行的研究与以往研究工作的关联性，探讨未来可能的研究方向，旨在为后期从事该研究方向的同学提供参考。

1  基于几何角度的室内定位技术

1.1  基于RSS测距的定位技术

接收信号强度是一种反映信号功率衰减的物理参量，被广泛用作室内定位的载体。基于RSS的几何测距定位技术主要利用信号传播损耗模型将接收的无线信号强度值转化为距离，以多边交会的方式确定用户的位置，如图1所示。

损耗模型的一般形式为：

其中，P为接收信号强度，P0为距离d0时的信号强度，d为接收端和发射端的空间距离，n为损耗因子，对应不同的室内环境，ζ为遮蔽因子，即实测的功率与真实功率之间的误差。

由于室内环境影响，无线信号的实际传播效果很难与模型精确拟合，此外RSS会受多径效应和其他噪声影响产生变化，造成相同距离下的信号接收值具有较大差异，因此实际情况下三个圆更多的相交于一个区域，如图2所示，通过改进算法缩小区域范围，可以提高定位精度。文献[3]将测距阶段转化为贝叶斯问题并与路径损耗模型结合，最后使用迭代最小二乘法更新位置估计，在计算复杂度稍微增加的情况下，大大提高了测距精度。

文献[4]提出PF-RSSI-NL算法，利用粒子滤波优化RSS值，并用牛顿法修正目标节点的估计值，仿真结果表明，新算法的测距误差降低了0.6米。文献[5]通过高斯拟合和卡尔曼滤波处理原始数据，利用对数正态阴影模型获得接收端与AP的平面距离，最后使用无高度影响的加权质心法计算目标位置。文献[6]通过引入三边测量误差矩阵调整测得的距离，然后与信号传播模型结合，提高的测距的精度。由于接收信号功率的随机性，以及复杂的室内环境，改进后的三边测距技术的定位精度仍然不高。目前，主要以RSS测距与其他技术结合进行定位。如EI-Naggar等[7]使用惯性传感器与三边测量技术结合，利用卡尔曼滤波融合RSS信号，克服了室内环境对信号的影响。文献[8]提出一种蜂窝网络辅助的RSS新型测距算法，首先将AP布设成规则的四边形，然后用除去过离群值的中值卡尔曼滤波器处理RSS值，选取四个最强的RSS值计算距离，最后使用加权定位算法得到目标的实时位置，实验表明算法的定位误差能够控制在0.5米内。即使如此，在非视距（Non-Line-Of-Sight，NLOS）情况下，使用RSS仍然无法得到较为准确的距离。为了在一定程度上缓解RSS时变性问题，研究人员提出了利用指纹的方式建立RSS与位置之间的关系。

1.2  基于CSI测距的定位技术

随着Wi-Fi技术的发展以及IEEE 802.11n系列通信协议的迭代更新，研究人员发现，信道状态信息，一种反映物理层的特征值可以改善基于RSS定位的缺陷。CSI反映了环境的散射、环境衰减、功率衰减等信道信息[9]。采用正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术可以将无线信号发射器和接收器的物理层信息解析出来并以CSI的形式展现。图3展示了室内某点一段时间内接收的RSS与CSI数据的变化趋势，从图3和表1可以看出，CSI相比较于RSS表现出更强的稳定性，具有更精准的定位性能。

与基于RSS的测距定位原理相同，利用CSI值计算距离，进而通过多边交会的方法实现定位。FILA系统[10]将CSI幅值信息处理为CSIeff，并推导出CSIeff和距离之间的关系，构建了基于CSI的室内传播模型。实验结果表明FILA系统相比于传统的基于RSS测距定位在定位精度和稳健性方面表现更好，但是基于测距的方案归根结底仍属于接收能量度量的方法，仍会受到环境的干扰。

针对这个问题，文献[11]提出了LiFS系統，首先判断定位目标是否处于第一菲涅尔区（First Fresnel Zone，FFZ），然后对CSI信息进行预处理，制定相应的功率衰减模型，通过求解针对所有子载波路径制定的一组衰减模型公式，LiFS系统可以在视距（Line-Of-Sight，LOS）条件下达到0.5米的定位精度。

相比于利用传播模型测量距离，利用TOF获得距离的方式更加精确。Kumar等[12]首先在商用Wi-Fi设备实现了亚纳秒级的TOF测量精度。但是Wi-Fi信号的带宽有限，导致测量精度不高。目前主要采用跳频技术对信号带宽进行扩展，通过测量并整合多个不连续且不等间隔的Wi-Fi频段上的CSI信号，近似得到一种非常宽的带宽信号测量值。未来随着软硬件的升级以及IEEE 802.11n协议的更新，带宽进一步拓宽，TOF测量精度进一步提升，这种方法也会愈加实用。

1.3  基于CSI测角的定位技术

根据阵列天线角度测量技术，结合CSI中的相位信息，在多个基站位置已知的情况下进行AOA估计，可以获得目标的位置。此方法主要利用AP上每根天线接收的信号相位差以及天线之间的间隔d，计算到达角θ。通过增加天线的数量，可以减轻噪声和多径效应的影响。如Array Track平台[13]应用了6～8根天线，使用阵列处理、多天线融合、AOA频谱合成等多种处理机制实现了30～50 cm的定位精度。但目前商用Wi-Fi设备通常不具备多天线的条件，鉴于此，SpotFi系统[14]通过测量来自不同子载波的相位值，仅依靠三根天线实现了AOA超分辨率估计，系统最终的定位精度达到40 cm。受制于成本和体积方面的制约，Wi-Fi设备的多天线问题仍然是当前基于CSI测角定位技术发展的瓶颈，此外AOA估计涉及到严格的数学计算，数据源和测量平台的误差都会对最终的定位精度造成影响。随着软硬件的发展，该技术还有进一步的提升空间。

2  基于指纹的室内定位技术

2.1  基于RSS指纹的定位技术

此技术最早应用在RADAR[15]系统，避免了利用传播模型测距产生的误差，具有精度高，成本低等优势。如图4所示。

指纹匹配定位技术分为两个阶段：

（1）离线阶段，事先采集定位区域的RSS值与参考点（Reference Point，RP）位置组成定位指纹，但定位环境往往存在大量的AP信号，如何采集信号数据以保证既获得较高的定位精度又能提高定位效率成为研究人员面临的一个重要问题。目前有两种数据采集方法：经验模型和精确模型。

对于经验模型，一般采用规则方格网的布设方式进行采样，也有学者[16]使用脊线采样的方法，克服了方格采样中指纹数据利用度不高的缺陷。文献[17]提出一种基于最小封闭圆（SEC）的指纹采集方法，用RP的坐标代替RSS值，结合改进的加权K最近邻匹配算法（Weighted K-Nearest Neighbor，WKNN），降低了数据采集成本并且提高了精度。宋景春[18]提出一种隐式众包的指纹采集方法，通过大量采集无标记样本，在仅仅依赖少量标记样本的情况下实现较高的定位精度。

精确模型根据已知的AP的坐标，利用信道传输模型计算和扩展，进而生成整个定位区域的指纹数据库。Laitinen等[19]使用经典的对数模型，引入大量乘性校正因子抵消视距与非视距传播中的不确定性误差。文献[20]建立了单坡度模型，通过在几个关键的RP处获得指纹数据进而扩展形成整个数据库，此方法不但提高了定位精度，同时还降低了数据库冗余，提高了定位效率。

（2）在线阶段，将实时接收的RSS值与指纹库匹配，估算待测点位置。匹配算法主要分两类：确定性算法和概率性算法[21]。

确定性算法将一段时间内的RSS均值作为指纹数据库存储单元，通过计算待测点与指纹库每条指纹之间的向量距离（如欧式距离），选择距离最小的参考点作为最终的位置估计。常见的确定性定位算法有：机器学习算法，如K最近邻（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）[22];神经网络算法，如BP神经网络、深度信念网络[23]等;还有一些研究人员采用了融合算法，也取得了良好的定位效果。胡久松等[24]人发现压缩感知（Compressed Sensing，CS）的定位方法虽然可以提高定位精度，增强时效性，但是CS的收敛速度受信号多径效应的影响较大，因此采用CS与WKNN联合定位的方式，实验表明联合算法的定位精度相比于单一算法都有明显提升。李新春[25]采用核主成分分析和梯度提升回归树的方法，最大程度保留了指纹数据的非线性特征，平均定位误差达到1.16米。李梦梦[26]等人结合梯度提升决策树与粒子滤波算法，实现了对动态目标的精确探测。

概率性定位算法通过计算每个AP的RSS值概率分布函数，将其合并成联合分布函数作为指纹。贝叶斯理论、聚类分析和最大似然估计是常用的概率匹配算法。Horus系统[27]首先采用联合聚类和概率分布的方法，通过对无线信道的噪声进行识别并处理，提升了环境鲁棒性，平均定位误差达到0.6米。一般而言，直方图或核函数的方法也可用于计算概率分布，但是所需样本量过大，计算复杂度也随之增加。Talvitie等人[28]针对这种情况提出基于RSS的频谱压缩的方法。文献[29]使用Weibull模型代替直方图计算概率分布密度，然后采用贝叶斯估计进行匹配定位，该方法减少了计算概率分布所需的样本数量，提高了指纹库的训练效率。

2.2  基于CSI的指纹的定位技术

传统基于RSS的指纹匹配技术虽然较为方便，但RSS无法详细描述多径传播的具体情况。CSI样本矩阵具有高维特性，能够更细致的刻画信号的扰动，有助于更准确地对位置进行估计。由于CSI具有幅度和相位两个维度的信息，因此可以分别或以二者融合的方式来描述指纹样本的特征。FIFS系统[30]首次将CSI幅度用作指纹信息，定位精度高于基于RSS的Horus系统，但该系统未考虑到信号的频率多样性问题。CSI-MIMO系统[31]充分利用了CSI的幅度和频域信息，首先对CSI数据进行降维，然后将相邻的子载波测量值之差作为指纹，与FIFS系统相比，定位精度提升了57%。文献[32]提出的WicLoc系统分别为振幅和相位生成位置指纹，然后再聚合为最终的定位指纹，这种做法可以增加指纹信息所表征的环境属性，提高定位精度。

近些年随着深度学习的蓬勃发展，将深度学习技术与CSI结合进行指纹匹配定位已经成为一种新的发展趋势。如DeepFi系统[33]、PhaseFi系统[34]、ConFi系统[35]等。但是受限于CSI数据的高维特性，使用深度学习的方法还是存在计算量大、计算复杂度高的问题。如何提高CSI指纹数据采集和匹配的效率，提取CSI数据中的有效信息，压缩指纹库的规模都是CSI指纹匹配技术未来需要突破和完善的地方。

3  基于Wi-Fi定位技术的发展前景

室内定位技术作为导航定位领域一个重要的分支，深刻影响着室内LBS应用的发展。作者通过对Wi-Fi室内定位技术的研究和学习，以及参考国内外已有的研究成果，提出以下几点思考：

（1）更加普适的定位方案。无论采用测距定位或是指纹定位，都需借助已有的定位模型，如测距定位需要考虑符合定位环境的信号衰减模型，指纹定位需提前建立位置指纹库。室内环境的变化极易导致现行的定位方案失效。提高定位系统的自适应能力，实现从被动感知到主动认知的自动校准定位，以应对诸如室内布局，AP位置的改变等造成的定位失效，是目前亟待解决的问题。

（2）结合新型网络技术。虽然CSI技术弥补了RSS时变性的缺陷，但本质上仍是基于Wi-Fi定位的方案，存在通信带宽不足，信号削减严重等问题。第五代移动通信系统（5G）具有的高带宽，低时延，广域覆盖等优势可以为Wi-Fi室内定位提供新的解决思路。5G发布之初就考虑到了定位问题，理论上5G网络定位的精度可以达到1米以下。目前，北京邮电大學、上海交通大学等高校的研究团队基于5G技术，实现了实验环境下亚米级的定位精度。未来通过大力发展室内5G网络，利用5G芯片的Wi-Fi设备，结合一定的数据处理算法，必定可以在此基础上实现对目标更加快速、准确的定位。

（3）发展多源融合定位技术。总结已有的研究成果可以看出，基于测距和基于指纹的定位方法各有优势，因此可以考虑二者组合，在视距范围内进行测距定位，在非视距范围内利用指纹进行定位，二者相互补充，提高定位精度和速度。此外，多传感器的数据源组合能够获得较单一数据更加优异的定位性能，以RSS/CSI为基础进行同源异构数据融合或多源融合定位的方式得到了研究人员的广泛关注，如RSS/CSI融合，CSI与惯性传感器、磁场强度等信息融合，RSSI与气压计、加速度计融合等。目前普遍采用的Kalman滤波、粒子滤波等融合算法在面对不确定的定位环境时，滤波性能并不令人满意，因此融合算法的改进同样具有显著意义。

（4）开发移动端定位模块。智能移动设备作为人们日常生活中不可缺少的工具，可以十分方便的采集RSS信息，但是对于CSI信息，目前只能使用特定网卡才能采集。因此针对移动端进行相应的软硬件开发，使得传统移动设备也能够直接使用CSI信息，可以极大地扩展RSS/CSI定位的商用性。

4  结  论

Wi-Fi定位技術作为室内定位的重要方法之一，该技术已经从传统的RSS的定位方式发展到如今利用深度学习结合CSI确定用户位置。未来随着5G网络、机器学习技术、多源信息融合算法的深入发展，结合深度学习的多源数据紧耦合的定位方法将成为基于Wi-Fi的室内定位技术的重点发展方向。本文结合安徽理工大学环境与测绘工程学院研究生培养方案实际，回顾了Wi-Fi定位技术的研究现状，展望了基于Wi-Fi技术的未来发展方向，为接下来从事Wi-Fi室内定位技术研究的同学提供参考。

参考文献：

[1] 陈锐志，陈亮.基于智能手机的室内定位技术的发展现状和挑战 [J].测绘学报，2017，46（10）：1316-1326.

[2] 闫大禹，宋伟，王旭丹，等.国内室内定位技术发展现状综述 [J].导航定位学报，2019，7（4）：5-12.

[3] COLUCCIA A，RICCIATO F. RSS-Based Localization via Bayesian Ranging and Iterative Least Squares Positioning [J].IEEE Communications Letters，2014，18（5）：873-876.

[4] 罗阳倩子，廖威.基于粒子滤波的RSSI测距优化的牛顿定位算法 [J].仪表技术与传感器，2017（6）：116-119+124.

[5] 罗宇锋，王鹏飞，陈彦峰.基于RSSI测距的Wi-Fi室内定位算法研究 [J].测控技术，2017，36（10）：28-32.

[6] PHAM N H，NGUYEN H H，BARTON R，et al. A Novel Ranging Algorithm for RSS-Based Localization [C]//2018 15th Workshop on Positioning，Navigation and Communications （WPNC）.IEEE，2018：1-5.

[7] EL-NAGGAR A R，WASSAL A，SHARAF K. Indoor Positioning Using WiFi RSSI Trilateration and INS Sensor Fusion System Simulation [C]//SSIP 2019：Proceedings of the 2019 2nd International Conference on Sensors，Signal and Image Processing.New York：Association for Computing Machinery New York NY United States，2019：21-26.

[8] YOU Y，WU C. Indoor Positioning System With Cellular Network Assistance Based on Received Signal Strength Indication of Beacon [J].IEEE Access，2019，8：6691-6703.

[9] 党小超，司雄，郝占军，等.一种基于信道状态信息的无源室内指纹定位算法 [J].计算机工程，2018，44（7）：114-120.

[10] WU K S，XIAO J，YI Y W，et al. FILA：Fine-grained indoor localization [C]//2012 Proceedings IEEE INFOCOM.IEEE，2012：2210-2218.

[11] WANG J，JIANG H B，XIONG J，et al. Low Human-Effort，Device-Free Localization With Fine-Grained Subcarrier Information [J].IEEE Transactions on Mobile Computing，2018，17（11）：2550-2563.

[12] VASISHT D，KUMAR S，KATABI D. Decimeter-level localization with a single WiFi access point [C]//NSDI16：Proceedings of the 13th Usenix Conference on Networked Systems Design and Implementation.California：USENIX Association，2016：165-178.

[13] XIONG J，JAMIESON K. Arraytrack：A fine-grained indoor location system [C]//NSDI13：Proceedings of the 10th USENIX conference on Networked Systems Design and Implementation.California：USENIX Association，2013：71-84.

[14] KOTARU M，JOSHI K，BHARADIA D，et al. SpotFi：Decimeter Level Localization Using WiFi [J].Acm Sigcomm Computer Communication Review，2015，45（4）：269-282.

[15] BAHL P，PADMANABHAN V N. RADAR：an in-building RF-based user location and tracking system [C]//Proceedings IEEE INFOCOM 2000. Conference on Computer Communications. Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies，2000，2：775-784.

[16] 解梅，佟异.基于脊线采样的指纹识别算法 [J].电子学报，2003（10）：1503-1505.

[17] LIU W，FU X，DENG Z L，et al. Smallest enclosing circle-based fingerprint clustering and modified-WKNN matching algorithm for indoor positioning [C]//2016 International Conference on Indoor Positioning and Indoor Navigation（IPIN）.IEEE，2016.

[18] 宋春景.基于AP点选择和指纹扩充的WLAN室内定位算法研究 [D].徐州：中国矿业大学，2018.

[19] LAITINEN E，LOHAN E S. On the choice of access point selection criterion and other position estimation characteristics for WLAN-based indoor positioning [J].Sensors，2016，16（5）：737.

[20] TERAMOTO Y，ASAHARA A. Wireless LAN based indoor positioning using radio-signal strength distribution modeling [C]//2012 International Conference on Indoor Positioning and Indoor Navigation（IPIN）.IEEE，2012：1-7.

[21] LIU F，LIU J，YIN Y Q，et al. Survey on WiFi-based indoor positioning techniques [J].IET Communications，2020，14（9）：1372-1383.

[22] 郭妍，陈晓，任晓晔.一种优化随机森林模型的室内定位方法 [J].激光杂志，2018，39（10）：70-74.

[23] 徐亮.基于深度信念网络的室内定位算法研究 [D].徐州：中国矿业大学，2018.

[24] 胡久松，刘宏立，肖郭璇，等.一种基于压缩感知与最近邻的联合定位方法 [J].电子测量与仪器学报，2018，32（6）：72-78.

[25] 李新春，房梽斅，张春华.基于KPCA和改进GBRT的室内定位算法 [J].传感技术学报，2019，32（3）：430-437.

[26] 康晓非，李梦梦，乔威.基于WiFi指纹的高精度室内定位融合算法 [J].西安科技大学学报，2020，40（3）：470-476.

[27] YOUSSEF M，AGRAWALA A. The Horus location determination system [J].Wireless Networks，2008，14（3）：357-374.

[28] TALVITIE J，RENFORS M，LOHAN E S. Novel Indoor Positioning Mechanism Via Spectral Compression [J].IEEE Communications Letters，2016，20（2）：352-355.

[29] LI Z，LIU J B，WANG Z M，et al. A Novel Fingerprinting Method of WiFi Indoor Positioning Based on Weibull Signal Model [C]//China Satellite Navigation Conference（CSNC）2018 Proceedings，2018：297-309.

[30] XIAO J，WU K S，YI Y W，et al. FIFS：Fine-grained indoor fingerprinting system [C]//2012 21st international conference on computer communications and networks（ICCCN）.IEEE，2012.

[31] CHAPRE Y，IGNJATOVIC A，SENEVIRATNE A，et al. Csi-mimo：Indoor Wi-Fi fingerprinting system [C]//39th annual IEEE conference on local computer networks.IEEE，2014：202-209.

[32] ZHANG L，HU Y J，LIU Y F，et al. WiCLoc：A Novel CSI-based Fingerprint Localization System [J].International Journal of Pattern Recognition and Artificial Intelligence，2020，34（4）：23.

[33] WANG X Y，GAO L J，MAO S W，et al. DeepFi：Deep learning for indoor fingerprinting using channel state information [C]//2015 IEEE wireless communications and networking conference（WCNC）.IEEE，2015：1666-1671.

[34] WANG X Y，GAO L J，MAO S W. PhaseFi：Phase Fingerprinting for Indoor Localization with a Deep Learning Approach [C]//2015 IEEE Global Communications Conference（GLOBECOM）.IEEE，2015.

[35] CHEN H，ZHANG Y F，LI W，et al. ConFi：Convolutional Neural Networks Based Indoor Wi-Fi Localization Using Channel State Information [J].IEEE Access，2017，5：18066-18074.

作者簡介：余丹（1997—），女，汉族，安徽宿州人，硕士研究生，研究方向：空间定位与导航技术。