室内定位技术综述

孙大洋，章荣炜，李 赞

（吉林大学通信工程学院，长春130012）

1 引 言

基于位置服务（Location-based Services，LBS）的不断普及和发展，对室内定位的需求不断提高。位置服务同移动用户行为习惯相结合可催生新的消费级应用，位置服务同企业需求相结合，可催生提高生产效率的“行业+定位”企业级应用。统计数据表明，现代人每天大约有80%的时间是在室内度过的，因此在消费级市场领域室内定位的用户需求还有很大的发展空间。从需求的角度讲，准确的室内定位可以全方位改善用户体验。例如在大型超市和卖场中，用户需要导航至某店铺、最近的卫生间或商场某个出口等问题都可以轻松解决；博物馆自助导览系统可以根据用户准确位置与朝向信息，无需用户扫码即可自动对艺术品进行语音讲解，这将是一个全新的导览用户体验。除此之外，越来越多的室内导航需求场景，如停车场寻车、目的地路线指引、楼层定位、共享出行的下单地点准确定位等，都已成为影响用户体验的需求痛点。在企业级市场领域，以位置服务为基础，配合“互联网+”、大数据、云计算等信息技术，可有效提高“行业+定位”企业级应用的生产效率或执行效率。在消防安全领域突发性的室内定位服务场景中，定位服务有利于指挥中心获知消防人员在室内的具体位置，同时也可对室内某位置的安全情况进行监测，为消防人员规划安全撤离路径。在工业4.0、智能仓储物流场景中，定位服务有利于实现生产流程可视化、可追踪，可以一站式完成货品的查询与信息录入功能。此外，机场行李、商场贵重物品跟踪等都是潜在的企业级应用，特别是近些年来5G 与无人系统飞速发展［1-2］，无人系统变得更加智能化和自主化，在室内场景下，机器人、无人车间、智能工程等方面都将成为未来的主要应用趋势。

同时，从室内定位性能需求的层面看，室内定位的需求是具有较强的应用相关性的。例如对于消费级的定位，米级定位就可以满足需求，因此，3GPP 的Rel.15 版TR38.885 对于定位的描述为：一般用户，80%的情况下水平定位精度不低于50m，垂直精度5m，端到端延迟低于30s；商业用户，室内水平定位精度不低于3m，室外水平定位精度不低于10m，垂直精度不低于3m，端到端延迟低于1s。而工业4.0 则需要提供厘米级甚至毫米级的测量结果。

从技术与原理的角度看，室内定位技术为许多应用提供基于位置的服务，其中很重要的一个方面，室内定位技术是室内导航技术的基础，如果没有室内定位技术作为支撑，室内地图只是传统地图的电子化，远不能发挥数字化的优势，室内导航无从谈起。而由于室内环境中信道条件复杂、遮挡情况、高频变化、多径效应、阴影效应等因素，现有的全球卫星导航系统（GNSS）无法在室内使用，这使得室内定位在理论方法和应用实践中都极具挑战。面对不同的场景与需求，科研人员做了大量的研究工作，提出了基于信号强度指示、传播时间测量、惯性定位、立体视觉等多种适用于不同场景的定位技术。这些定位技术在定位机理上具有较大的差异，因此与之对应室内定位的原理与算法也不尽相同，模型与测量技术往往是高度耦合的，同时也表现出了不同的性能。定位模型的前提不同，信息获取的手段不同，处理与计算方式的不同，这些定位机理上的差异性也使得融合定位变得复杂。

因此，各种室内定位技术与原理的机理与性能上的差异性，定位融合上的复杂性，再加上室内定位应用相关性较强这一特点也使得室内定位类比全球定位系统建立一个较为普适的、应用广泛的室内定位体系十分具有挑战。这就要求我们必须从定位需求的角度进行分析，从众多的室内定位技术中进行选择，从融合定位的角度进行优化，才能设计出符合实际需求的定位体系。本文即从室内定位算法、测量技术、融合定位的角度对各种室内定位的可选方案进行梳理，对比室内定位技术的性能差异，探讨室内定位技术应用中的问题，讨论目前室内定位应用所面临的挑战。

2 室内定位主要技术与原理

2.1 多边测量法

在众多定位算法中，基于距离测量的定位算法是一类比较经典的定位方法，其定位原理也较为简单。在距离可测量的前提下，可以使用多边测量法进行定位求解，其定位模型如图1 所示，各基站坐标已知，记为Ai(xi，yi)(i=1，2…，n)，移动台坐标待求，设为X(x，y)。

如果移动台X(x，y)与基站之间的距离可测，设为，移动台的估计坐标为(，)，记移动台X(x，y)与基站i之间的真实距离为di，有：

则多边测量法的定位问题可转化为函数

的极小优化问题。

对于该优化问题，可以通过多边测量法［3］进行求解，当基站数目为3时，就是三边测量法［4］。根据距离测量，可建立移动台的估计坐标(˜，˜)的方程组：

图1 多边测量法定位模型Fig.1 Localization model of multilateration

该方程组求解可采用非线性最小二乘方法如牛顿迭代、梯度下降等方法求解。还可以采用另一种简单直观的线性化方法：将方程组（3）中第1 个至第（n-1）个方程分别与第n个方程相减可得线性方程组（4）：

对该线性方程组求最优解可得待定位节点的坐标估计值：

多边测量法是基于距离模型的求解方法，因此需要距离测量技术或距离估算技术作为前提，所有能进行距离测量的技术理论上都可以应用多边测量法进行定位求解，如利用信号到达时间进行距离测量，根据信号衰减模型进行距离计算，利用视觉测量获得目标距离，利用声音进行距离测量［5］等。

2.1.1 到达时间（Time of Arrival，ToA）算法

ToA 算法通过测量各基站发出信号到达移动台的时间来进行距离测量。ToA算法采用如图1的多边测量法定位模型，基站坐标已知，分别为A1(x1，y1)、A2(x2，y2)、A3(x3，y3)，移动台坐标待求，设为X(x，y)。通过测量移动台和基站之间的传输时间Δt1、Δt2、Δt3，即可通过多边测量法得到待测移动台坐标。

其中，c为光速。

ToA 要求各基站保持时钟同步。在理论上，该模型中多个圆应交于一点，但该模型在实际运用中由于存在测量误差，因此实际计算中往往需要采用最小二乘法进行最优解求解。同时，在室内距离测量受到非视距（Non Line of Sight，NLoS）的影响，因此许多改进工作都基于此展开，如文献［6］提出了一种基于ToA 的三维室内定位算法LMR 来缓解NLoS 误差，文献［7］提出了基于卡尔曼滤波的ToA矫正算法等等。

2.1.2 信号到达时间差测量技术

由于无线信号以光速传播，时间精度是影响ToA 测量精度的主要原因。采用超声波辅助无线测距计算两种信号到达差的测量技术是一种提高到达时间精度的有效方案。

图2 无线信号与超声波信号到达时间差示意图[8]Fig.2 Diagram of TDoA between wireless and ultrasonic signals[8]

如图2所示，发送端在t1时刻发送无线信号，经过一段时延后在t2时刻发送超声波信号，接收端在t3时刻接收到无线信号，在t4时刻接收到超声波信号。如忽略无线电波传播时延，发送端与接收端的时间差可估算为t4-t2-（t3-t1）。伯克利大学研发了基于超声波时间差测距Cricket节点，且定位精度可达毫米级，但由于超声波的发射与接收需要有比较明确的方向指向性，因此基站的设计需要有多路的超声波发送与接收模块，而且要求调整基站部署时的摆放姿态，以保证信号可接收并测量距离。

2.1.3 超宽带(Ultra Wide Band，UWB)定位技术

UWB 是一种无载波的短距离通信技术，它使用纳秒级的窄脉冲来传输数据。依据FCC 的规定UWB 信号指带宽大于等于500MHz，或相对带宽大于20%的信号，这里的相对带宽的定义是

式中，fH、fL分别为功率较峰值功率下降10dB 时所对应的高端频率和低端频率，fc是信号的中心频率，

图3 超宽带信号与窄带信号的比较Fig.3 Comparison of UWB and narrow-band signals

UWB 定位系统在探测过程中发射的不是脉冲时间间隔固定不变的窄脉冲串，而是按照特定规则进行伪随机跳变，从而使其功率分配到极广的频带范围内［9］。

研究表明，UWB 在LoS 环境下定位精度较高，但是在NLoS 环境下精度会出现性能下降。目前，Decawave 公司的UWB 芯片可达厘米级的测量精度，TimeDomain 公司使用UWB 技术可以达到毫米级的定位精度。

UWB 技术还在不断发展中，文献［10］提出了一种紧凑型UWB-MIMO 天线，为5G 终端设备提供高速的数据服务，文献［11］提出了一种用于认知无线电频谱传感的紧凑型平面UWB 天线。此外，UWB 还可作为检测与通信技术用于其他领域，如使用共聚焦算法实现乳腺癌检测［12］，做成小型设备植入人体［13］等。

2.2 基于到达时间差（Time Difference of Arrival，TDoA）算法

TDoA 通过选取特定基站作为参考基站后，移动台根据接收到的时间戳来计算时间差，利用该时间差进行计算获得移动台的位置。TDoA 的定位模型如图4 所示，基站坐标已知，分别为A1(x1，y1)，A2(x2，y2)，…，An(xn，yn)，移动台坐标待求，设为X(x，y)。通过测量移动台接收各基站之间的到达时间t1，t2，…tn，计算相对于参考基站的时间差Δt21，Δt31，…，Δtni，之后通过求解下列方程组即可得到待测坐标。

其中，c为光速，Δtni=ti-t1(i=2，3…n)。

本算法可以通过声源定位实现［14］，也可以通过UWB实现［15］。

与ToA 相比，TDoA 不要求基站与移动台之间的时间同步，但需要基站间的时间同步，移动台仅接收基站发送的信号即可，类比GNSS，这一特性使得该定位模型的理论上的系统容量没有上限。TDoA 模型的求解本质上是求双曲线的交点，需要求解非线性方程组，同时也受到非视距问题的影响，因此许多科研工作都是围绕求解与优化展开，如经典的TDoA 求解算法Taylor 级数法［16］，Chan 算法［17］，NLoS的识别与修正［18］等。

2.3 基于到达角度（Angle of Arrival，AoA）的算法

如果移动台具有信号到达角度测量功能，则可以通过使用天线阵列来测量从各基站发出的信号到达移动台之后的角度，利用该角度信息来确定位置，这就是基于到达角度的AoA定位。

图4 TDoA定位模型Fig.4 Localization model of TDoA

AoA 算法的定位模型如图5所示，以3 基站情形为例，基站坐标已知，分别为A(x1，y1)、B(x2，y2)、C(x3，y3)，移动台坐标待求，设为X(x，y)。通过测量到达角度θ1、θ2、θ3，求解下列方程组即可得到移动台坐标。

图5 AoA定位模型Fig.5 Localization model of AoA

AoA 定位相较于ToA 与TDoA 而言无需进行时间同步，但是它的硬件实现起来相对复杂，定位精度会受到信号带宽、距离等因素的影响，距离越远测量精度会越低，定位精度也相应降低。因此许多科研工作基于此进行了改进：如加权的AoA 方法［19］，基于MUSIC算法来进行估计AoA和通过更改阵列天线的参数来增强估计效果的方法［20］等。

随着5G的发展，5G定位逐渐开始得到关注，而5G 的高载波频率、高带宽、天线数量多、网络密度大等特点也更适合于室内定位。理论上，5G 采用毫米波通信，而毫米波通信具有较好的方向性，可以实现更高精度的测距和测角，同时采用大规模天线技术，具有更高分辨率的波束，也可以实现更高精度的测距和测角特性。因此，5G更适合采用AoA的定位方式以获得更好的精度。目前，华为采用5G天线来获取信号的AoA，可以获得高精度的方位角，据此可以计算得到目标的相对位置与绝对位置。

2.4 接收信号强度（Received Signal Strength，RSS）定位技术

接收信号强度定位技术主要基于无线信号的传播模型：无线信号传播的功率衰减是信号传播距离的函数：Pr=f（Pt，d），其中Pr是可测的接收信号强度，Pt是信号发射强度，d是信号传播距离，f是信号强度与衰减距离的经验模型。理论上，如果发射功率已知，信号传播经验模型已知，在测得了移动台接收到的Pr信号强度值后，即可求得基站与移动台之间无线信号传播距离。典型的信号传播模型有自由空间传播模型，地面反射模型（图6）等，在获得移动台与多个基站间的距离后即可使用多边测量法进行位置求解。但是由于室内信道环境十分复杂多变，难以准确评估信道模型，同时RSS 的稳定性问题，区分度问题，可靠性问题，这些因素都使得使用RSS 进行距离测量进而求解移动台位置的方式，其定位精度较低［21］，以致有研究认为：如果没有更复杂的环境模型或者额外的定位基础设施，RSS测距性能将无法取得突破［22-23］。

图6 地面发射模型Fig.6 Ground launch model

因此更多关于RSS 的研究采用指纹方法，其定位的基本原理框架如图7 所示。通过对室内某点进行RSS 采集，可以接收到各基站的RSS 值，这一组RSS 值构成了该位置的指纹，室内中不同点的位置都有自己的指纹信息。通过提前在待测场景离线测量指纹来建立RSS 的指纹数据库，从而在实际定位的过程中通过当前测得的指纹和数据库中的指纹对比而得到当前的位置。此方法由于近年来室内WiFi 的普及，无需建立室内定位基础设施，因此受到了广大科研工作者的青睐，进行了大量的研究工作，同时，蓝牙信号强度，lora 信号强度等都属于此类研究。然而，此方法虽然避免了信号传播模型难以准确估计的问题，但仍然受到室内环境复杂，场景高频变化等因素的影响，同时离线指纹采集需要提前对所有位置建立数据库，因此系统维护成本较高。

图7 指纹法的定位体系框架Fig.7 Localization framework of fingerprint method

2.4.1 WiFi定位技术

WiFi 定位主要是基于RSS的指纹定位方法，其离线采样阶段的主要任务是构建包含样本点RSS值的样本指纹数据库。经典操作方式是在位置区域中设置固定数量的采样点和无线接入点AP。通过测量和收集采样点的RSS 值，来建立采样点的位置指纹数据库。

在线定位阶段主要基于某种搜索匹配方法，将测试节点的RSSI 值与位置指纹数据库中的数据进行匹配。常用的匹配算法有：K邻近算法（KNN）、K加权邻近算法（WKNN）、K均值聚类算法、主成分分析法（PCA）、神经网络算法、支持向量机算法等。

WiFi 定位因已经存在分布广泛的无线路由器而不需要再额外布置基础设施，而且该室内定位方案使用智能手机即可实现定位，因此引起了许多科研工作者的兴趣。但是由于WiFi 定位使用的是指纹定位技术，也存在着指纹定位的缺陷，离线采集指纹数据库的维护成本，室内环境多变都是其实际应用所面临的挑战，因此科研工作者们基于WiFi指纹定位系统做出了大量的改进，如通过预测方法来减少离线指纹建库的工作量［24］，为避免K 加权邻近算法和朴素贝叶斯分类器存在的因AP 选择不当而导致定位性能大幅减小的问题，使用基于域聚类的WiFi 室内位置估计策略［25］，从二维空间定位扩展到三维空间定位［26］等。目前WiFi 定位在IPIN 国际竞赛中可以达到1.2m 的精度。但在实际应用层面，如何降低离线采集工作量与指纹数据库的维护成本，将是制约该技术实际应用的一个重要因素。

2.4.2 iBeacon定位技术

iBeacon 是苹果公司在2013年推出的基于低功耗蓝牙技术（Bluetooth Low Energy，BLE）的室内定位技术，iBeacon 定位分为基站和移动台两部分，基站每隔一定的时间广播包括UUID，Major，Minor，RSSI，proximity，accuracy 等信息的数据包。其中，RSSI 反映了接收信号的强度，proximity 反映了基站到移动台的距离且分为四个等级，分别为Unknow，Immediate，Near，Far，如图8 所示。因此iBeacon 定位也是基于RSS信号强度进行的。

移动台收到广播信息后可以基于信号强度的原理，通过指纹的方法进行定位，或者使用RSS 估算基站距离，使用多边测量法进行定位，还可以使用基于proximity 的定位方法，进行粗略的定位估计，大致判断移动台当前所处的位置。

2.5 惯性导航（Inertial Navigation）

航位推算是全球导航定位系统兴起前非常经典的导航手段，如今随着传感器技术的飞速发展，可以很容易地使用陀螺仪与加速度测量仪来测量节点移动台的瞬时运动信息［27］。

图8 iBeacon的接近度等级Fig.8 Proximity level of iBeacon

使用该技术的系统目前又称为惯性导航系统（Inertial Navigation System，INS），它通过加速度计得到物体的加速度，依次积分得到速度和位移；再通过方向传感器和陀螺仪获取物体的运动方向。二者相结合再根据初始位置即可得到实时的位置信息，其定位示意图如图9所示。

图9 惯导定位模型Fig.9 Inertial navigation localization model

惯导技术不需要提前在定位场景安装任何基础设施也不会受无线环境的干扰，这使得它有着广泛的应用前景。随着微机电系统的不断发展，惯性传感器不断地小型化，从而开始在室内定位领域使用。惯导技术无需借助任何外部设备，仅通过自身装备的陀螺仪、加速度计等设备即可实现定位，因此惯导技术的定位精度一方面受制于惯性传感器的精度与成本，另一方面随着时间的推进受到累积误差的影响，导致长期的导航定位结果不可靠。大量的科研工作也主要围绕这两点展开。行人航位推算（Pedestrian Dead Reckoning，PDR）技术引起了许多科研工作者的兴趣。文献［28］通过使用最少的地图信息和引入了粒子过滤器增强PDR 性能。针对累积误差导致的漂移问题，文献［29］提出了高级启发式漂移消除算法，实验结果表明它可以有效地消除方位角的漂移误差。而因为单独的惯性测量定位存在累积误差问题，许多研究人员采取了融合定位的方式。文献［30］采用了惯性测量与UWB相结合的方式，通过线性回归矩阵模型来修正惯性导航路径，并通过最小二乘法来确定UWB 轨迹与惯性导航轨迹相关的方程式，从而修正轨迹。文献［31］采用了视觉技术与惯性测量相结合的视觉惯性导航技术。

2.6 即时定位与地图构建（SLAM）技术

SLAM 技术，主要用于机器人进入一个未知环境时通过各种传感器获取环境的参数来增量式地构建环境地图，并确定自身所处的位置和姿态，从而实现机器人的定位和导航。SLAM问题包含四个方面，对环境进行描述从而建立地图、获取环境信息、获取的环境信息并据此更新地图、可靠的SLAM算法［32］，其基本原理如图10所示。

图10 SLAM系统基本原理框图Fig.10 Framework of SLAM

SLAM对于地图的描述，主要有栅格地图、几何地图、拓扑地图。栅格地图是将整个环境分为若干大小相同的栅格；几何地图是抽象出环境的几何特征来进行描述；拓扑地图是建立在几何地图的基础上，把环境描述为由弧连接在一起的许多节点。

SLAM 的室内定位技术可以采用信标定位、惯导定位、地图匹配、视觉定位等技术。由于各种定位技术均存在一定的问题，如全球导航定位系统无法用于室内，惯导定位受到累计误差的影响，地图匹配速率慢，导航信标成本高等，SLAM还可以采用混合定位的方式将其他定位手段进行融合，得到更加稳定的定位结果。

2.6.1 视觉SLAM

视觉SLAM指的是使用光学相机作为外部传感器的SLAM。根据图像信息处理方式的不同，SLAM可以分为基于特征的SLAM 和直接SLAM。基于特征的SLAM 对输入图像的特征点进行提取，通过特征匹配来计算相机位姿并对环境进行建图。这种方法基于图像特征提取，可以有效地减小计算量，但是对于纹理少的场景（如白墙）会因无法实现特征的提取而导致使用受限。另一种直接SLAM方法可以解决这一问题，它直接利用像素点的强度信息进行计算，对于特征点较少的场景具有更好的准确性，但是计算量较大。

根据使用相机的不同，SLAM 技术又可以分为单目视觉SLAM、立体视觉SLAM 和RGB-D SLAM。单目视觉SLAM［33］仅用一个相机，使用简单且成本低廉，但是由于在每个时刻只能获取一张图像，且只能依靠获得的图像数据计算环境物体的方向信息，获得可靠的深度信息的能力较差，从而初始地图创建及特征点的深度恢复都比较困难。立体视觉SLAM 使用多个相机，能够获取更多的特征数据，但是同时也导致了系统设计复杂和成本高的问题。RGB-D SLAM 指单目相机与红外传感器相结合的技术，它能够在获得彩色图像的同时获得深度图像，但是它对外界的光线干扰敏感而且成本高。

视觉SLAM技术，无论是采用单目视觉、立体视觉还是RGB-D SLAM，均可以获得深度信息，因而可以采用多边测量法进行目标定位。同时，SLAM技术还可以采用视觉里程计的方式估算目标位置［34］。

视觉SLAM 无论是采用何种方式，都存在一些共性问题，如在无纹理或者光照弱的环境下表现较差，受相机视野、运动速度的影响，计算量大，遮挡、特征缺失、动态物体或光源干扰都会影响其定位性能等。

2.6.2 激光SLAM技术

与视觉SLAM采用光学相机作为外部传感器不同，激光SLAM 利用激光雷达作为外部传感器。激光雷达工作时发送激光束，激光遇到障碍物后会有部分反射回来，接收到这些信号后通过内部的数字信号处理实时解算便可得到目标物体与雷达之间的距离和夹角信息。

激光雷达抗光线干扰的能力较强，在近期的研究中，地图重构算法，闭环检测算法，融合定位算法等方面，都是激光SLAM 的研究热点，文献［35］基于激光SLAM提出了一种新的GP-SLAM方法，该方法利用一种区域化的高斯过程地图重构算法来表示地图，实验证明取得了不错的效果。文献［36］提出了一种基于空间位置和外观相似度的混合闭环检测方法应用于激光SLAM，从而有效地减少累积偏差和耗时。文献［37］介绍了一种激光SLAM 和视觉SLAM 融合的定位方式，实际距离的定位误差可以小于5%而且当传感器不是很强大时，所提出的系统能够改善定位。

3 融合定位

由于不同的定位技术具有各自的优点和缺点，因此可以采用融合定位的方式融合多种定位技术的优势提高定位精度和可靠性。融合定位通常可分为两种形式：基于贝叶斯滤波的融合定位和基于机器学习的融合定位。

3.1 基于贝叶斯滤波的融合定位

3.1.1 贝叶斯滤波基本概念

基于贝叶斯滤波的定位问题可描述为如下过程：在k时刻，我们具有一个包含位置的系统状态矢量xk，在1 到k时刻我们可以得到一系列具有噪声的观测量y1：k，例如测距和指纹地图等。我们希望根据这些观测量，对无法直接观测到的位置进行估计。基于贝叶斯估计理论，上述过程可以看成是对后验概率p(xk|y1：k)的估计。假设这一过程符合马尔科夫模型，即具有以下两个特性：

（1）状态量的马尔科夫特性

状态{x1，x2，…，xn}形成一个马尔科夫序列，状态量的马尔科夫特性是指时刻k的状态xk只与它的上一时刻状态xk-1有关，与k- 1时刻之前的状态无关。状态xk与xk-1之间满足如下关系：

其中f(∙)为系统模型，vk为系统噪声。

（2）状态量的条件独立

已知当前状态xk时，当前测量值yk仅与当前状态有关，与此前的所有状态量和测量值均条件独立。yk与xk的关系为：

其中h(∙)为观测模型，uk为观测噪声。

贝叶斯滤波为上述估计问题提供了一种基于概率分布形式的解决方案。贝叶斯滤波有多种形式，常见的有卡尔曼滤波（Kalman Filter，KF），扩展卡尔曼滤波（Extended Kalman Filter，EKF）和粒子滤波（Particle Filter，PF）。其中，KF 假设系统为线性系统，噪声为高斯噪声；EKF 通过泰勒级数展开的方法可处理非线性系统，但是噪声仍需假设为高斯噪声；PF基于蒙特卡洛方法利用大量粒子模拟概率分布，从而能够处理非线性系统和非高斯噪声。在实际环境中，定位问题通常是非线性系统和非高斯噪声，因此相比于KF和EKF，PF通常能够实现较好的定位性能，但是计算复杂度相对较高。

3.1.2 基于贝叶斯滤波的融合定位

贝叶斯滤波常用于融合多种定位方式，特别是惯性定位与其它定位方法的融合。惯性定位通过加速计、陀螺仪和磁力计推断定位目标在不同时刻的相对位移，并最终得到定位目标位置。惯性定位在短时间内可以实现较高的相对定位精度，但是长时间的误差积累会最终导致较大的绝对定位误差。因此惯性定位需要通过其它定位方法进行校正，例如无线定位。无线定位通过无线测量值（例如，ToA时间测距、信号强度测距、信号指纹等）获得当前时刻的定位位置，不同时刻定位结果之间相互独立。因此由于测量噪声的影响，连续时刻之间的定位位置会有较大跳动。无线定位结果通常也需要惯性定位进行平滑，从而降低定位误差。

基于贝叶斯滤波的融合算法，通常利用惯性定位估算两个时刻之间的相对位移，并以此设计贝叶斯滤波中的系统模型xk=f(xk-1，vk)。基于系统模型获得状态的预测值xk之后，贝叶斯滤波将通过无线定位作为观测模型yk=h(xk，uk)进一步更新定位位置。

在文献［38］中，研究人员通过一种加权的增强型PF融合惯性定位和基于WiFi信号强度的测距定位。实验表明，融合定位的定位精度明显高于惯性定位和测距定位。在文献［39］中，研究人员通过一种自适应噪声方差的粒子滤波器融合惯性定位、GPS和WiFi指纹定位，从而实现了室内外一体化无缝定位。在文献［40］中，研究人员研究了基于信号强度和到达时间的测距定位，并提出了一种基于KF 的融合定位方法。实验表明通过融合测距定位和到达时间定位，可以有效地提高定位精度。在文献［41］中，研究人员提出一种EKF融合超宽带测距定位和惯性定位的多人协作定位新方法，该方法可以有效地提高多消防员之间的协作定位精度。在文献［42］中，研究人员通过紧耦合KF 融合超宽带信号到达时间差测距和惯性定位，实现了亚米级的高精度室内定位。在文献［43］中，研究人员通过KF 将可见光定位和惯性定位进行紧耦合，实现了在稀疏可见光光源环境下的高精度定位。

3.1.3 基于PF的地图匹配融合定位

PF常用于融合室内地图信息，从而进一步提高室内定位精度。传统的室外地图匹配通过构图的方式将室外路网建模为点和边的形式，从而将定位目标的位置移动局限在图中不同点之间的转换。相对于室外地图匹配，室内地图匹配更加复杂，并且定位精度要求更高，因此简单的路网匹配难以满足室内定位的需求。

PF 基于蒙特卡洛方法利用大量粒子群来模拟概率分布。PF 首先通过惯性定位设计系统模型并更新粒子。在众多粒子中，可能会出现部分粒子穿墙的情况，而这种情况是物理不可实现的。因此我们可以将这些粒子的权重设为0，从而滤除这些物理不可实现的粒子。通过上述过程，室内地图可以有效地限制粒子移动，从而提高定位精度。

在文献［44］中，研究人员设计了一种通过PF融合惯性定位和室内地图的室内定位系统。该系统通过惯性定位更新粒子，并基于室内地图对粒子更新进行限制。实验表明，室内地图的限制可以有效修正惯性定位的积累误差，从而大大提高了定位精度。在文献［45］中，研究人员通过一种增强粒子滤波器融合WiFi 和地磁定位，并利用室内地图对粒子更新进行限制，从而进一步提高了定位精度。

3.2 基于机器学习的融合定位

近年来随着人工智能的快速发展，机器学习算法也更多地应用在室内定位领域，特别是指纹定位。对于指纹定位，离线采集的指纹数据用于训练不同机器学习模型，例如支持向量机、随机森林和深度学习等。当接收到一组新的观测信号后，我们可以通过已训练的机器学习模型进行分类或者回归，从而实现指纹定位。在此种指纹定位中，观测到的不同信号可看作是机器学习中的不同特征，从而实现多种信息融合，提高定位精度。

在文献［46］中，研究人员利用随机森林融合时间差和信号强度两种指纹信息，实验结果表明相对于传统的基于信号强度的指纹定位算法，融合定位精度提高了36%。在文献［47］中，研究人员通过深度学习融合WiFi 多个信道中的信道状态信息实现高精度的指纹定位。在文献［48］中，研究人员进一步通过深度学习融合多天线多信道之间的相位信息，从而进一步提高了室内定位精度。在文献［49］中，研究人员利用曼哈顿距离通过K 近邻算法融合WiFi 指纹定位，并通过ZigBee 信号进行辅助，实验表明WiFi/ZigBee 融合定位精度高于传统WiFi 指纹定位。

4 室内定位技术对比分析

尽管目前室内定位技术飞速发展，已经有了许多可选的定位技术，但这些定位技术在性能上表现出了较大的差异性。除了定位精度上的差异、定位系统部署与维护的方式、使用方式、定位所能提供的系统容量、是否需要定位基础设施等，都存在差异，各个定位技术目前都存在各自的问题，因此还未出现一款较成熟的普适的室内定位解决方案。

表1 将各种定位技术从定位精度，是否需要定位基础设施，部署与维护的难度，是否受到NLoS 影响以及各自的缺陷的角度进行了对比分析。从定位精度的角度看，定位精度到达厘米级已经可以满足大多数的应用需求，但从室内定位系统应用推广的角度看，定位精度不是唯一影响推广的因素，系统部署与维护的便捷性、使用方式的易用性、定位系统成本等都是制约其实际应用的重要问题。

表1 各种定位技术对比Table 1 Comparison of localization techniques

从室内消费级定位的角度看，受限于硬件或基础设施可能是影响定位技术实际应用的主要问题。比如UWB 技术，虽然UWB 定位精度足以满足消费级需求，但硬件普及度不高，缺乏室内定位基础设施成为了目前UWB 在消费级领域难以逾越的门槛。指纹定位虽然不具有此类缺陷，但离线采集不仅要考虑采样点的密度，还要考虑智能手机的姿态，型号等，室内场景的高频变化也会严重影响其定位性能，使得系统维护成本高昂。惯导定位由于需要融合其他定位手段来消除累计误差，因此间接受到其他定位技术的约束。

从室内企业级定位的角度看，硬件与定位基础设施将不是定位技术实际应用的主要问题，因此可以优先考虑精度需求，再结合使用方式，部署维护需求等从多个角度进行定位方案的选择，对比各种定位技术的优缺点与定位系统需求，选择适合的定位技术，比如可以从UWB 与SLAM 中进行选择，同时还可以融合惯导定位，根据定位系统需求，定制适合的解决方案。

5 基于位置服务的定位问题讨论

从定位系统设计的角度看，目前科研人员对定位问题的研究已取得了丰硕的研究成果，内容涵盖了ToA测量、时间差测量、RSS测量、角度测量、光学测量、惯性传感器测量等测量技术，多边定位算法，TDoA 定位算法，AoA 定位算法，惯导定位算法，SLAM定位算法等定位算法，以及融合定位，定位优化等组合优化方法，构成了室内定位可选技术库。从整个定位技术谱系的角度看，目前可以将定位分为测量技术、定位算法、组合优化方案3 个层次，如图11 所示。其中，测量技术是定位技术的基础，测量技术的特性很大程度上决定了定位方案的选择，而由于目前室内定位还不存在一种能够类比全球导航定位系统的普适性方法，因此对多种定位方法进行组合优化可以有效减少单独由某一种定位技术带来的缺陷。

另外，从基于位置服务的角度看，除了以某种频率提供某一精度位置服务，还需要考虑几个其他的属性，包括定位与识别的绑定与分辨能力，定位系统容量以及快速的定位系统部署能力。

图11 基于位置服务的定位技术与原理层次图谱Fig.11 Spectrum of techniques and theories for locationbased services

5.1 定位中的识别与分辨能力

基于位置的服务一个隐含的需求是目标的识别与分辨。定位中的识别与分辨能力十分重要，因为只有识别才能将目标与位置准确直接绑定。这也是定位与检测技术的主要区别，如果某种技术不能提供多目标的分辨能力，那么它只是一种检测技术。某些室内应用以检测为基础，如智能家居的灯光调节，自主导航中的避障等，而基于位置的服务则需要以准确识别为基础，如室内导航、精确跟踪等。

实现定位与识别的绑定，一种方式是识别与定位一体化，就是定位目标本身有ID 标识，有感知能力与信息处理能力，无论定位解算在定位目标中进行还是在系统后台进行，都可以很容易地实现定位与目标的绑定。也有文献将其归类为主动定位和被动定位。主动定位指人员借助移动终端主动获取自己的位置信息，在室内进行主动定位导航，如主动SLAM 定位［50］、基于WiFi 信道状态的主动定位［51］。被动定位指移动终端上上安装定位标签，通过定位系统对标签进行实时定位来实现定位，如信道状态信息的无源被动定位［52］。

另一种极端的情形是定位目标无感知能力或不提供感知信息的情况，比如伤员识别定位，车辆识别定位，可见光阴影定位的情况。此种情形，只要能通过光学测量等测量技术获得目标的深度信息，即可使用经典的几何关系求解目标位置，定位并不是其关键技术，而识别技术才是该问题的核心，识别技术的分辨能力是影响定位系统容量的主要影响因素，如使用视觉技术，车辆可以通过车牌识别，人员可以通过人脸识别，同时绑定位置信息，但识别技术也受到场景的影响，比如如果无法获取人脸或者车牌图像，位置与定位点绑定的挑战将跃升一个等级。

5.2 定位系统容量

基于位置服务的定位解算位置的不同，定位使用方式的不同，对定位系统容量会造成一定的影响。如果定位结果由定位目标解算，那么可以易于实现导航需求，但监控需求则需要将定位结果通过无线信道传至后台，系统所能定位目标的数目，即定位系统容量将受限于信道容量。如果定位结果由后台解算，可以很容易地实现监控需求，但测量信息的获取将受限于系统中定位目标数量的多少。

同时，测量技术本身也会影响系统容量，如UWB 技术如果采用双边测量法，需要移动台与基站间的双向通信，需要避免大容量定位时无线信号的冲突与碰撞，则无论定位解算位置在目标节点还是后台，定位系统的容量都受限于信道容量，而如果使用SLAM 技术实现导航需求，理论上定位系统容量是没有上限的。使用基于TDoA的方式进行定位，由于移动台单向接收基站信息，理论上定位系统容量可以类比全球导航定位系统，上限是无穷大，因此具有更广阔的前景。

5.3 快速的定位系统部署能力

从室内定位系统部署需求的角度看，基于位置的定位服务需求分两种，一种是突发性的室内定位需求（如消防安全领域的室内定位需求），另一种是一次部署长期使用的定位需求。对于突发性的室内定位需求，快速的室内定位系统部署十分重要。对于突发性的室内定位需求，目前业界的解决方案除惯导定位技术外，大都难以实现快速的室内定位系统部署。惯性导航系统可在突发情况下实现这一功能，但可用性上的提高需要以室内地图作为辅助，累计误差的消除也需要其他技术的支持。因此，如何建立一个普适的室内定位体系以供突发性室内定位需求使用也是基于位置服务需要考虑的一个属性之一。

6 室内定位技术应用面临的挑战

尽管目前室内定位技术飞速发展，可选定位方案越来越多，但现有技术在定位精度、部署与维护难度、定位系统容量等方面都存在各自的问题，还未出现一款较成熟的普适性的室内定位系统解决方案，特别是消费级场景，定位精度已经不是制约定位技术应用的主要方面，各种定位技术的实际应用中仍面临着诸多的挑战。具体而言，室内定位的应用仍存在以下几个方面的主要挑战。

6.1 建立基于准确测量的室内定位基础设施

基于室内基础设施的定位（如UWB 技术，AoA技术）相较于SLAM 技术、惯导技术有其独特的优点，它不受光线、累计误差的影响，定位基础设施一经部署即可长期使用，可以为惯导定位提供累计误差校正，为融合定位提供支持。室内基础设施建设可以通过部署回避非视距问题，如在走廊中与房间中分别部署基础设施，即可在定位时通过非视距识别技术选择视距测量进行定位。那么如何将多个室内分散的定位基础设施低耦合地整合为一整套室内定位系统，是室内基础设施建设顶层设计所面临的挑战之一。

另外，使用基础设施进行定位，准确的测量往往需要移动台依赖特定的硬件才能完成（如UWB定位），硬件受限是制约其应用的一个主要原因，但从长远来看，某种硬件技术如果能提供类比全球导航定位系统一样的性能，硬件的受限将不是问题，其前景可由硬件集成到WiFi 中或智能手机中得以实现。

6.2 室内定位系统的部署与维护成本

对于需要部署的定位系统，基于位置的服务需要经历部署和定位两个阶段，如指纹定位需要离线采集指纹数据，SLAM 需要局部地图构建等。而室内环境、格局的频繁变化使得此类系统需要定期维护，维护工作量较大。基于定位基础设施的定位虽然维护成本较低，但基础设施部署时需要为每个基站配置定位坐标，为了同GNSS进行无缝连接，还需要获知基站部署位置经纬度坐标的精确值，大规模地部署带来了较大的部署成本。因此，在定位精度可达厘米级的情况下，如何快速部署基站坐标，节省部署成本，在室内环境变化时进行增量式的部署与系统维护，这些都成为了制约室内定位应用的主要因素，也是室内定位所面临的挑战之一。

6.3 室内定位系统的环境适应性

室内场景的复杂性表现在室内环境是高频变化的，一方面，室内存在大量的墙壁、门、其他桌椅等设施的遮挡，另一方面，人员流动、门窗的开关等都会造成严重的室内多径效应，使得指纹定位方式数据的离线采集受到影响。同时，场景的高频变化，包括光线的变化也会使得视觉SLAM 的离线地图构建都受之影响。

因此，室内定位算法不仅要考虑定位精度，部署难易等问题，还需要独立于环境变化，具有较强的环境适应性。如何从测量技术、定位方法以及融合定位的角度，进一步地减少环境对定位性能的影响，将环境因素影响降到最低，也是室内定位应用所面临的挑战之一。

一方面，我们可以通过对环境变化的识别或技术突破来缓解多径效应带来的问题，另一方面，我们可以选用独立于环境变化的定位技术（如惯导定位）来提供较好的环境适应性，使用融合定位减少多径效应影响。就环境适应性而言，惯导技术具有天然的技术优势，同时惯导定位的累计误差又可以通过其他定位来校正，因此融合定位也是解决环境适应性这一挑战的主要趋势。

6.4 室内定位系统的实时评估

目前室内定位技术性能评估方面的研究，一方面可以通过仿真或实际测量同真实位置进行对比，说明算法的有效性，另一方面，可以通过算法的横向对比，比较各个算法与技术的性能。这些文献中实验的性能分析是离线的、非实时的，可以粗粒度给出定位方案选择的指导性意见，并不能从实际系统的运行期给出稳定的性能分析，为位置服务的使用人员提供更详细的信息。

然而，同一种算法，在不同的环境中也会表现出性能上的差异：SLAM在有光线干扰的情况下，定位性能会受到影响；指纹定位方法在环境变化引起指纹变化时，定位误差会增大；同样的定位基础设施，由于室内格局的变化视距测量可能会变成了非视距测量；不同的基础设施，基站的拓扑也会影响定位性能；更复杂的多目标网络定位，其定位性能受到拓扑的影响；移动台在室内某处的定位精度比其他位置要高。

因此，如何对定位性能进行实时性的运行期评估，如给出某一定位精度的置信度，提升定位可用性，将成为室内定位所面临的又一挑战。实时性评估不仅可以用来自适应地改变融合定位的策略，而且可以为改善定位的环境适应性提供依据，还可以通过评估，为重新部署定位系统提供建议。

6.5 建立基于融合定位的普适性的室内定位体系架构

室内场景在地理上具有分散性和相对独立的特点，因此可以从面向应用的角度，针对不同的应用需求设计不同的定位系统。但同时，从室内定位长远发展的角度看，基于位置的服务有服务迁移的需求，有无缝接入新场景的需求，有新技术更新的需求等。因此需要将各种定位系统统一的基于位置服务的需求抽象出来，从融合定位的角度建立一个普适性的室内定位体系架构，该架构应具有以下几个基本特征：（1）考虑使用方式与系统容量，避免容量受限，为基于位置的服务提供统一的服务接口；（2）具有独立于技术的可扩展性，具有新技术的接入能力；（3）具有基于位置服务的迁移与无缝接入能力。通过普适性室内定位体系架构的建立，为室内定位的长远发展奠定基础，可以将多个独立的定位系统统一为一个可以类比GNSS的基于位置服务的室内定位体系，推动室内定位技术的发展与整合。

7 结束语

以基于位置服务为目标的室内定位技术经过多年的发展已成为人类生产生活中的一项关键技术。从需求上看，无论是消费级市场还是企业级市场，都迫切地需要定位精度更高、维护更容易、使用更便捷、系统成本更低廉的室内定位技术；从技术的角度看，目前的室内定位技术可选方案较多，在某些特定场景或某一指标上已经可以满足室内定位的部分需求。然而，现有室内定位技术在定位精度、部署与维护难度、定位系统容量等方面仍存在各自的问题，消费级场景还未出现一款较成熟的、普适性的室内定位系统解决方案。企业级场景对定位系统的成本、部署、维护等不十分敏感，但在建立基于准确测量的室内定位基础设施、室内定位系统的部署与维护成本、室内定位系统的环境适应性、室内定位系统的实时评估、建立基于融合定位普适性的室内定位体系架构等方面还存在诸多挑战。

但机遇与挑战同在，每一个问题的解决，每一个挑战的攻克，每一个理论的突破都在推动室内定位技术的进步与发展，室内定位技术的发展也需要从理论与技术突破的深度、面向应用的定位技术统筹的广度上取得全面进展，以适应日益增长的室内定位需求。