5G网络下的高精度室内定位算法优化

摘要：提出一种5G网络下的高精度室内定位算法优化方法。该方法综合利用5G网络的大带宽、低时延和高连接密度等特点，通过优化信号测量、多源异构数据融合和定位计算模型，显著提升了定位精度和实时性。同时，引入低功耗策略，延长了设备电池寿命。仿真实验表明，该算法在定位精度、实时性和能耗方面均优于现有方法，为5G室内定位的实际应用奠定了基础。

关键词：5G网络；室内定位；算法优化；定位精度；低功耗

一、前言

高精度室内定位技术在智慧城市、智能交通、应急救援等领域有着广泛的应用前景。然而，受限于无线信号的衰落和多径效应，传统的室内定位技术难以满足高精度、实时性和低功耗的要求。5G网络的出现为室内定位技术的发展带来了新的机遇。5G网络具有大带宽、低时延、高连接密度等显著优势，能够提供更高质量的无线信号，支持更多设备的同时接入，为实现高精度、实时、低功耗的室内定位奠定了基础。

二、5G网络下的室内定位算法优化

（一）算法总体框架

本文提出的5G室内定位算法（以下简称本文算法）优化方法总体框架由三个主要功能模块组成：5G信号测量与数据预处理模块、多源异构数据融合模块和定位计算模块。此外，本文算法还集成了低功耗策略，以延长定位终端设备的电池使用时间[1]。在5G信号测量与数据预处理模块中，本文算法首先通过5G基站和移动终端之间的无线信号交互，获取观测量，包括时差（TDOA）、到达角（AOA）和信号强度（RSS）等。然后，本文算法对观测量进行预处理，包括异常值剔除、噪声滤波和信号增强等，以提高数据质量和可靠性。预处理后的观测量被输入数据融合模块。多源异构数据融合模块中，本文算法综合利用5G观测量、惯性传感器数据（加速度计和陀螺仪）、GNSS定位结果，以及室内地图信息等多源异构数据，通过隐马尔可夫模型（HMM）实现数据融合，生成目标的运动状态估计和位置估计。HMM通过建模目标的运动模式和观测模型，在时间和空间上实现了多源信息的有效融合，提高了定位精度和鲁棒性。

在定位计算模块中，本文算法以数据融合的结果为输入，通过优化的定位计算模型计算目标的精确位置。定位计算模型针对5G网络的特点进行了优化，采用了基于梯度下降的迭代求解算法，引入了自适应权重调整机制和多径效应抑制技术，提高了定位精度和收敛速度。定位计算的结果作为本文算法的最终输出，可用于室内导航、位置服务等应用。低功耗策略贯穿于整个算法框架中，通过自适应调节信号采样率、动态管理传感器工作模式、优化数据传输和计算等措施，最小化能量消耗，延长电池续航时间，同时保证定位性能。本文算法的三个功能模块以及低功耗策略协同工作，相互配合，共同实现高精度、实时、低功耗的5G室内定位。下文将对每个模块和策略进行详细阐述。

（二）5G信号测量与数据预处理优化

5G信号测量是室内定位的基础。本文算法充分利用了5G网络的大带宽、高频率、大规模天线等特点，设计了针对性的信号测量方案。本文算法采用了正交频分复用（OFDM）波形，利用导频符号实现信道估计，获得高精度的信号到达时间（TOA）。同时，本文算法利用大规模天线阵列的波束赋形能力，通过到达角（AOA）估计实现空间分辨。首先，本文算法采用改进的Grubbs检验方法，自适应地检测和剔除观测量中的异常值，消除野值的影响[2]。然后，针对5G网络的colored noise特性，本文算法设计了自适应的Kalman滤波器，对观测量进行去噪，获得更加精确和平滑的测量结果。

（三）多源异构数据融合策略

由于单一类型的传感器数据难以满足高精度定位的需求，本文算法提出了一种多源异构数据融合策略，综合利用5G信号测量数据、惯性传感器数据、GNSS数据和地图信息，提升定位精度和鲁棒性。本文算法采用分层融合框架，在特征层和决策层分别进行数据融合[3]。在特征层，本文算法通过卡尔曼滤波器实现了5G信号测量数据与惯性传感器数据的紧耦合融合，动态跟踪目标的运动状态。在决策层，本文算法结合GNSS数据和地图信息，利用粒子滤波算法对多传感器融合结果进行优化，克服定位误差积累问题。

（四）定位计算模型优化

定位计算模型的优化是提升定位精度的关键。本文算法针对5G网络下的定位场景，对经典的定位计算模型进行了改进。本文算法综合利用TOA、AOA和信号强度（RSS）等多种测量信息，构建了超定方程组，通过最小二乘估计求解定位问题。在此基础上，本文算法引入了权重因子，对不同测量数据赋予不同的权重，减小测量误差对定位结果的影响。此外，针对5G网络下的多径效应，本文算法设计了基于稀疏表示的定位计算模型，通过压缩感知理论恢复多径信号的到达时间和到达角，实现了对多径效应的有效抑制。同时，本文算法还利用了5G网络的低时延特性，通过快速迭代优化算法缩短了定位计算时间，提高了实时性能。定位计算模型的优化使得本文算法能够在复杂的5G网络环境下实现高精度、实时的定位。

（五）低功耗策略

为了延长设备电池寿命，本文算法在各个功能模块中引入了低功耗策略。在5G信号测量与数据预处理阶段，本文算法通过自适应调节信号采样率，减少了不必要的采样，降低了能耗。在多源异构数据融合阶段，本文算法根据传感器数据的质量和重要性动态调整传感器的工作模式，关闭冗余传感器，节省了能量。在定位计算阶段，本文算法设计了基于门控的计算单元，根据输入数据的特点自适应选择简单或复杂的计算模型，避免了不必要的计算开销。此外，本文算法还利用5G网络的高速率特性，通过压缩传输定位结果，减少了通信能耗。低功耗策略的引入使得本文算法在提供高精度、实时定位服务的同时，最大限度地延长了设备的电池使用时间，提高了用户体验。

三、仿真实验与性能评估

（一）实验环境与参数设置

为了全面评估本文算法的性能，搭建了一个逼真的仿真实验平台。实验在一个具有代表性的室内场景中进行，该场景覆盖面积为100米×100米，包括办公区、会议室、走廊、大厅等不同功能区域，模拟了真实的室内环境。在实验场景中，部署了8个5G基站，每个基站配置了128个天线阵列，采用3.5GHz的频段，支持大规模MIMO技术。同时布置了20个待定位目标，每个目标配备了一个5G移动终端和一套惯性传感器（加速度计和陀螺仪）。此外，实验还融合了GPS/北斗双模GNSS信号和高精度室内地图信息。实验参数设置为5G基站的发射功率23dBm、天线增益8dBi、噪声系数5dB。5G移动终端的接收灵敏度为-90dBm，天线增益为2dBi，惯性传感器的采样频率为100Hz，加速度计的量程为±8g，陀螺仪的量程为±2000dps。GNSS模块的定位精度设置为5米（室外开阔环境）。所有传感器的噪声均根据数据手册中的典型值进行设置。

实验分为静态和动态两种场景。在静态场景下，待定位目标随机分布在室内不同位置，保持静止状态；在动态场景下，待定位目标以0.5m/s至1.5m/s的速度沿预定轨迹运动，模拟行人的正常活动。每个场景下的实验重复30次，以确保结果的统计意义[4]。实验采用Monte Carlo方法进行性能评估，主要评估指标包括定位精度、定位时延、更新频率和能耗。通过与传统的基于指纹的RSSI定位算法和基于TOA/AOA融合的定位算法进行比较，全面分析本文算法的优越性。

（二）定位精度评估

定位精度是衡量室内定位算法性能的关键指标，直接反映了算法的定位误差水平。本文采用累积分布函数（CDF）曲线和圆概率误差（CEP）来评估本文算法的定位精度。本文算法的定位误差明显低于其他两种算法。具体而言，本文算法的50%CEP误差为0.3米，90%CEP误差为0.8米。指纹算法的50%CEP误差为1.5米，TOA/AOA融合算法的50%CEP误差为1.0米。与静态场景相比，动态场景下的定位误差略有增加，但本文算法仍然显著优于其他两种算法。本文算法的50%CEP误差为0.5米，90%CEP误差为1.2米。指纹算法的50%CEP误差增加到2.0米，TOA/AOA融合算法的50%CEP误差增加到1.5米，见表1。

本文算法在静态和动态场景下均实现了亚米级的高精度定位，其优越性主要得益于以下几个方面：第一，本文算法充分利用了5G网络的大带宽、高频率、大规模天线等特性，获得了高质量的信号测量；第二，本文算法在数据预处理阶段引入了自适应滤波和异常值剔除机制，提高了测量数据的可靠性；第三，本文算法采用了多源异构数据融合策略，综合利用5G、惯性、GNSS、地图等多种信息，增强了定位算法的鲁棒性；第四，本文算法对定位计算模型进行了优化，引入了权重因子和稀疏表示等技术，有效抑制了测量误差和多径效应的影响，见表2。

（三）实时性能评估

实时性能是室内定位算法的另一个重要评价指标，反映了算法对目标位置变化的响应速度和位置更新频率。本文采用定位时延和更新频率两个指标来评估本文算法的实时性能。本文算法的中位定位时延仅为30毫秒，最大定位时延不超过50毫秒。指纹算法的中位定位时延为150毫秒，TOA/AOA融合算法的中位定位时延为80毫秒。由于受限于定位时延，指纹算法的更新频率仅为2次/秒，TOA/AOA融合算法的更新频率为5次/秒。本文算法得益于低时延的优势，实现了25次/秒的高频率位置更新，远高于其他两种算法，见表3。高更新频率意味着算法能够及时跟踪目标的位置变化，为室内导航、跟踪等应用提供了有力支撑。

本文算法的实时性能优势主要来自以下几点：第一，本文算法利用了5G网络的低时延特性，通过优化的信号处理和传输机制，最小化了信号测量和数据传输的时间开销；第二，本文算法在定位计算模型中引入了快速迭代优化技术，减少了定位问题求解所需的迭代次数和计算时间；第三，本文算法还采用了并行计算架构，将各个功能模块解耦，实现了测量、融合、计算等任务的并行处理，进一步缩短了定位时延。

（四）能耗性能评估

在实现高精度、实时定位的同时，降低能耗也是室内定位算法设计的重要目标[5]。本文通过测试定位终端设备的电流消耗和电池续航时间，来评估本文算法的能耗性能。在待机模式下，本文算法的平均电流消耗最低，仅为15毫安。指纹算法和TOA/AOA融合算法的待机电流消耗分别为25毫安和20毫安。在定位模式下，本文算法的平均电流消耗为60毫安，低于指纹算法的100毫安和TOA/AOA融合算法的80毫安。假设定位终端设备采用3500毫安时的电池，在定位模式下连续工作，见表4。可以看出，本文算法的电池续航时间最长，达到了58小时。指纹算法的续航时间为35小时，TOA/AOA融合算法的续航时间为43小时。

本文算法的能耗优势得益于以下几个方面：第一，本文算法在各个功能模块中采用了低功耗设计，如自适应调节信号采样率、动态管理传感器工作模式等，减少了不必要的能量消耗；第二，本文算法通过优化的数据融合策略和定位计算模型，降低了计算复杂度，缩短了运行时间，从而降低了计算能耗；第三，本文算法利用5G网络的高速率特性，压缩传输定位结果，减少了通信能耗；第四，得益于较低的定位时延，本文算法能够在较短时间内完成定位任务并进入低功耗状态，进一步延长了电池续航时间。综上，通过全面的仿真实验评估，本文算法在精度、实时性和能耗等方面展现出了显著的优越性，为高精度、实时、低功耗的5G室内定位提供了一种有效的解决方案，具有广阔的应用前景。

四、总结与展望

本文针对5G网络下的室内定位，提出了一种高精度定位算法优化方法，充分利用了5G网络的技术优势，从5G信号测量与数据预处理、多源异构数据融合、定位计算模型优化等方面入手，显著提升了定位精度和实时性，同时通过低功耗策略延长了电池寿命。实验结果表明，该方法能够实现亚米级定位，定位精度和能效均优于现有方法。未来，研究人员将进一步优化算法，纳入更多的传感器和先验信息，并在实际5G系统中开展测试，同时探索本文算法在智慧城市、车联网等场景中的应用，助力5G室内定位技术的产业化发展，为智能生活提供有力支撑。

参考文献

[1]李帅辰，武建锋.基于Chan-Taylor和优化BP神经网络的5G室内定位算法[J].中国惯性技术学报，2023，31（08）：806-813+822.

[2]沈洪波，姚赛彬，汪保友.基于5G MR指纹的室内定位技术研究[J].邮电设计技术，2023，（02）：37-41.

[3]刘源，徐威，武建锋，等.基于LM优化BP神经网络的5G室内定位[J].无线电工程，2022，52（08）：1447-1455.

[4]谢海情，汪章紫璇，陆俊霖，等.基于5G子基站的室内定位卷积神经网络模型[J].首都师范大学学报（自然科学版），2022，43（01）：34-40.

[5]张路，王楠.基于5G通信系统的室内定位及导航解决方案[J].电信快报，2021（12）：9-13.

作者单位：中国联通广东省分公司

■ 责任编辑：张津平、尚丹