基于多信号源融合的室内定位技术方案探讨

闫东

关键词：室内定位位置指纹行人航迹推算

1前言

室内定位技术就是在室内获取位置的相关技术。随着科技的进步和机器人自动化的发展，在室内对导航的要求越来越多，其中包括室内自动配送、室内紧急救援与疏导、患者就医场景、考勤打卡定位等场景。全球卫星定位系统能给用户提供精确的室外定位，但由于受到室内环境的影响和建筑物的遮挡，全球卫星定位系统无法在室内给用户提供精确的地理位置。此外，由于特定场合的室内定位需求增多，室内定位技术已经成为科研人员研究的重点。

2室内定位技术的发展现状

常见的室内定位技术包括基于射频信号的定位技术、基于传感器的定位技术和基于多信号源融合的定位技术。

基于射频信号的定位技术：包括基于Wi⁃Fi、蓝牙和无线通信信号、基于超宽带（UWB）的定位技术等。上述技术一般靠射频信号来感应周边环境的信号强度值（RSSI），通过对监测数据进行计算、处理，以此确定位置的技术。基于射频信号的室内定位方式的主要缺陷是信号容易受多种定位环境以及人体等干扰，从而导致指纹匹配出错或者产生较大测距误差。

基于传感器的定位技术：包括基于传感器实现行人航迹推算、磁场定位技术、视觉定位技术等。上述定位技术是一种依赖于传感器（包括倾斜传感器、加速度传感器、陀螺仪、磁力计、气压计），甚至摄像头等进行相关信息的采集，随后进行信息处理、计算得到定位信息的技术。基于内置传感器的航迹推算技术虽不依赖基础设施，但随着时间的推移存在误差积累。

基于多信号源的融合的定位技术：随着计算芯片的计算和存储能力的提高，并且由于單独使用某种技术，存在定位精度低、效果不佳等情形，以此产生了多信号源融合的技术。多信号源融合技术的数据采集包括基站信号、Wi⁃Fi、蓝牙、加速度、陀螺仪、地磁、视觉、室内地图、气压计等多种信息的采集。该项技术可以提升精度，但同时也有可能会导致定位失准。在获得传感器采集的数据后，要对多种信息来源进行预处理，以剔除原噪声和无效信息。根据不同场景、不同设备条件和需求，从而提取特征进行融合，并赋予不同权重，进而结合地图和各种状态的滤波算法，进行最终的融合。

本文所介绍的方案是一种基于多信号源融合的定位技术[1]。本方案根据各种定位方案的技术难度、定位精度、成本等特点，采用基于Wi⁃Fi信号定位技术和行人航迹推算技术[2]相结合的方式，并结合KNN算法、扩展卡尔曼滤波（EKF）[3]算法来达到精准定位目的。该方案具有定位精度高、成本低、易于实现的特点。

3基于Wi⁃Fi信号的定位技术方案

利用Wi⁃Fi信号实现室内导航有两种方法———测距交汇法和位置指纹匹配法。

测距交汇法就是利用信号的强度衰减模型，通过测量接收端到多个Wi⁃Fi接入点的信号强度值（即RSSI值），根据距离与RSSI值的信道衰减模型得到接收端到各Wi⁃Fi接入点的距离，再通过三角定位方法得到位置估值。

位置指纹匹配法是将无法直接测量的位置信息和容易获取的信号特征建立起映射关系的方法。它以网络技术与无线通信为基础，具有成本低、对接入点时间同步精度要求低、易于实现等特点。它可基于Wi⁃Fi、蓝牙等不同无线局域网设备来实现，在众多室内定位场景下可被使用。位置指纹匹配方法的原理（图1）是对所在的环境特征进行抽象描述，并进行形式化描述，使用定位环境中多个AP的接收信号强度指示（RSSI）序列描述定位环境中该位置的信息，并采集数据，实现由这些RSSI序列建立起来的位置指纹数据库（database）[4]。用户在实际定位的过程中，需要将自身实时测量的RSSI序列特征与位置指纹数据库中的位置指纹信息特征进行比对和匹配，通过算法取出匹配相似度最高的结果作为自身位置的估计。

位置指纹匹配法实现的过程如图2。位置指纹匹配法定位方式包括两步：训练过程和定位过程。

（1）训练过程。首先对室内场所进行区域划分，然后记录大量的确定位置点的信号强度（RSSI）。我们将一个18m×10m的实验场地进行栅格化划分，布置8个AP，209个训练测试点。然后利用WirelessMonprofessional软件对不同的区域进行了大量数据的Wi⁃Fi信号RSSI的采集，从而得到了大量的数据。最后对采集的信号数据进行清洗处理，并进行求均值处理、排序，从而形成Wi⁃Fi位置指纹库。

（2）定位过程。当测试点进入该区域时，可测得测试点在此位置各AP的RSSI值，并将该点RSSI点的数据与指纹库数据进行相似度对比，再将它们之间的信号空间的欧式距离作为度量度。欧式距离越小的点，表示信号空间距离越接近，相似度越高。

通过KNN算法实现定位点的判断。KNN算法的原理就是相同类别的样本之间在特征空间中应当聚集在一起。在KNN算法中，K值的选择关系到数据可靠性———K值过小，整体模型变得复杂，估计误差会增大;如果选择较大的K值，优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大，因此选择选用合适的K值十分必要。该算法具有简单易用、模型训练时间快和预测效果好等优点。

4行人航迹推算技术

行人航迹推算具有精度高的优势。行人航迹推算是利用航迹位置的推算得到定位位置信息。行人航迹推算的原理是利用陀螺仪、磁力计和加速度计等传感器测得加速度、角速度等数据，然后经过分析处理后可获得行人在运动过程中的步数、步长以及航向角信息，最后根据前一步的位置信息推算出当前位置信息、通过每一步的运动信息推算出当前用户追踪位置。行人航迹推算公式如下：

行人航迹推算需要分三个步骤：航向确定，其原理是通过检测地球磁场的场强，经过运算得出磁场的方位角;需要进行步数检测，可以通过判断加速度的数据来实现步数检测;步长估计需要完成建模，此时可以通过线性模型或非线性模型完成。

单纯靠传感器进行的行人航迹推算在定位过程中会存在很大的漂移误差，导航定位也会产生累计误差。此时需要与无线Wi⁃Fi定位相结合，进行误差补偿。采用这种技术可有效控制长时间产生的积累误差，从而提高系统精度。

5融合算法的实现

为提高行人航迹方案的预测的准确度，方案引入了扩展卡尔曼滤波。扩展卡尔曼滤波是一种扩展的卡尔曼滤波算法，其基本思想是将非线性系统线性化，然后进行卡尔曼滤波。卡尔曼滤波可以用于优化估算一些无法直接测量但是可以间接测量的参数，用于对受误差影响的传感器测量值估算出系统状态。行人航迹方案是非线性系统，需要采用扩展卡尔曼滤波来估算出系统的状态。同时，在EKF融合阶段与无线Wi⁃Fi位置指纹匹配法获得的数据相结合，并进行矫正后，可以实现最终的结果输出。

6实验结果分析

通过采用KNN算法的Wi⁃Fi位置指纹定位与采用EKF的行人航迹结合的系统，定位精度提高明显。Wi⁃Fi位置指纹技术的平均定位精度可达4.05m，结合KNN算法的Wi⁃Fi位置指纹定位技术平均定位精度可达3.50m。Wi⁃Fi位置指纹定位技术结合行人航迹推算技术，并通过扩展卡尔曼滤波融合算法方案，可以使定位精度达2.51m，如图3所示。

7结束语

本方案是一种Wi⁃Fi位置指纹定位技术和行人航迹推算技术融合的室内定位方案，同时引入了KNN算法和扩展卡尔曼滤波算法。通过结果可知，本方案可有效提高室内定位精度。鉴于定位精度的提高，室内定位技术具有广阔的应用场景。事实上，方案引入的KNN算法和扩展卡尔曼滤波算法仍有优化空间，定位精度有进一步提高的可能。