室内定位系列（1）-WiFi定位指纹（翻译）

位置指纹法的基本概念

“位置指纹”将实际环境中的位置与某个“指纹”联系起来，一个位置对应于唯一的指纹. 智文可以是一维或多粒度的. 例如，要定位的设备正在接收或发送信息，则指纹可以是此信息或信号的一个或多个特征（最常见的是信号强度）. 如果要定位的设备正在发送信号，则某些固定的接收设备会感知到定位设备的信号或信息，然后根据这些检测到的特征估算其位置. 这种方法可以称为远程定位或网络定位. 如果要定位的设备从发送设备接收到一些固定信号或信息，然后根据这些检测到的特征估计其位置，则这称为自定位. 待定位的移动设备可以将其检测到的功能传达给网络中的服务器节点. 服务器可以使用其获得的所有信息来估计移动设备的位置. 此方法也称为混合定位. 在所有这些方法中，您需要将感知到的信号特征与中的信号特征进行匹配. 这个过程可以看作是模式识别问题.

什么是位置指纹？

任何“唯一位置”功能都可以用作位置指纹. 例如，在某个位置的通信信号的多径结构，无论是可以在某个位置检测到接入点还是基站，都可以在某个位置检测到来自基站的信号的RSS（接收信号强度），在特定位置进行通信时，信号的往返时间或延迟可以用作位置指纹，也可以组合用作位置指纹.

多路径结构

具有相对大的载波频率的信号的传播可以近似为可疑的光传播. 当信号传播时，这些“射线”可以在光滑的表面上反射，在遇到尖锐边缘时会发生衍射，而在遇到小物体时会发生散射. 传输源发出的信号可以通过多条路径传播到同一位置，因此将在一个位置接收多条射线，每条射线具有不同的能量强度和延迟. 通道的多径结构是指该组（多条射线）的信号强度和延迟. . 多径结构也称为功率延迟分布. 在特定位置获得的多径结构取决于实际环境，具有唯一性，可以用作位置指纹.

接收信号强度RSS

RSS或信号的接收功率取决于的位置. RSS不受信号带宽的影响，因此不需要高带宽. 这是一个非常流行的信号功能.

假设有一个固定的信号源，平均RSS在距她不同距离处的衰减与距离的对数成反比. 在最简单的情况下，RSS可以表示为:

其中，α被称为路径损耗指数，Pt是传输功率，K是取决于环境和频率的常数. RSS可以用于计算移动设备与AP（或基站）之间的距离，并且可以提取该距离并将其用作测量要定位的移动设备的三边角的角度，但误差会是很大，因为RSS的发红范围可能很大，不是一个好的解决方案.

我们可以使用来自多个发射器或多个的RSS来形成RSS矢量，作为与该位置相关联的指纹. 这是本文所述的典型WiFi位置指纹.

在WIFI网络中，AP经常发送信标帧. RSS通常用于定位此位置，它没有加密，因此即使是封闭的网络（移动设备无法连接）也可以使用定位. 信标帧的发送接近周期性. 当发现介质阻塞时，西药会延迟传输. 下次传输仍将在先前预期的100毫秒内发送一次. 此外，如果AP在多个信道上工作，则在测量RSS之前，为了避免冲突. 移动设备必须花时间扫描每个频道.

从测量值和指纹库估计的位置

使用位置指纹进行定位通常有两个阶段: 离线阶段和阶段. 在离线阶段，为了在各个位置收集指纹并建立wifi指纹定位 原理，需要在指定区域执行繁琐的检测，并且只有少数几个数据的优势也被称为训练集. 在这一阶段，系统将估计要定位的移动设备的位置.

1）离线阶段

位置和指纹之间的对应关系的建立通常在离线阶段执行. 在此示例中，网格点上的指纹是二维矢量ρ= [ρ1，ρ2]，其中ρi来自第i个AP的平均RSS.

表1是此指纹库的一部分. 图2的右侧部分在二维矢量空间（以下统称为信号空间）中显示了这些指纹.

尽管RSS样本的坐标点是实际物理空间中的直角网格点，但是位置指纹在信号空间中不会那么规则. 稍后我们将看到，直角网格的位置点在转换为信号空间后会转换为一些不规则的模式. 即使某些信号向量在物理空间中距离较远，它们在信号空间中也可能非常接近，这会增加出错的可能性. 因此，指纹采集的某些部分可能没有用，甚至可能不利于定位效果.

2）舞台

在阶段，移动设备位于该地理区域中，但是在不知道其具体位置的情况下，他甚至不可能正好位于网格点上. 假设此移动设备测量来自每个AP的RSS. 当测量每个AP的RSS时，RSS矢量的测量值将传输到网络. 令图2中的示例中的RSS矢量为r = [r1，r2]. 要确定移动设备的位置，需要在指纹库中找到最匹配r的指纹ρ= [-65，-49]，然后最匹配的样本是表1中的第一项，设备位于坐标（0,0）（0,0）. 在更一般的情况下，向量r是N维的.

基于位置指纹的定位算法

有两种类型. 一种是确定性算法，它将信号特征与指纹库中存储的预先计算的统计值进行比较. 另一种是概率算法，该算法计算信号特征属于某个分布（存储在指纹中）的概率.

确定性定位算法

他们使用RSS向量r和指纹向量ρ的欧几里得距离来确定移动设备的位置. 假设位置指纹是NN维的，即有N个可见AP和M个网格点，则指纹库中有M个指纹. r和ρ之间的欧几里得距离定义为:

这样，最简单的定位算法可以描述为: 在指纹库中的M个指纹中，找到信号空间中与RSS观测值具有最接近欧几里德距离的指纹，然后将其对应的位置坐标用作在移动设备位置上，这种使用欧几里德距离的方法也称为在信号空间中找到最近的邻居，因为目标是在信号空间中找到最接近RSS观测值的位置指纹. 图2显示了右侧绘制的方法. 该空间中每个Tyson多边形中包含的信号Area最接近指纹. RSS观测所在的泰森多边形区域中的位置指纹的位置用作定位结果.

并非所有位置指纹都是可靠的. 更复杂的指纹还可以包括RSS标准偏差信息，或为每个AR提供不同的权重. 在这种情况下，我们可以使用加权的欧几里得. 可以为整个指纹添加权重，有时需要为每个元素添加权重. 此外，其他距离度量标准通常用于定位.

概率定位算法

基本思想是，如果仅使用RSS样本的统计信息（例如RSS的均值），则可能会导致错误，因为实际的RSS值应该是分布. 因此，可以使用联合概率分布，因为来自每个AP的RSS之间的相关性并不明显. 假设这是独立的，则只需使用RSS边缘分布区域的乘积作为联合分布. 假设观察到的RSS向量为r = [r1，r2，r3，...，rN]，则在估计位置时将选择一个网格点，并且该网格点最有可能生成该r. 对于给定的r，可以使用贝叶斯准则来估计移动设备的位置，以及在特定网格点生成r的概率:

计算所有网格点的概率wifi指纹定位 原理，然后选择概率最高的网格点作为移动设备的位置，

指纹聚类

考虑到不同的聚类方法，并非所有网格点都能始终检测到同一组AP. 该工作基于各个AP的相等性对网格点进行分组. 共享同一组AP的网格点被视为坤. 确定kun的依据是在每个网络点看到这些AP的可能性，因此该方法也称为“联合聚类”或作者称之为的JC技术.

许多其他模式匹配算法可以应用于WiFi位置指纹识别. 包括贝叶斯推理，统计学习理论，支持向量机，神经网络等.

位置指纹方法的性能

错误原因

传播的复杂性

来自不同供应商的网卡计算RSS的方式略有不同，这也可能导致RSS测量的不一致. RSS的分布可能不稳定. 因此，当测量观察向量rr时，它可能与远离实际位置的位置指纹相匹配，这超出了本文要描述的RSS特性的范围.

经审查的数据

并非在所有位置都可以检测到所有AP. 例如，当收集数据时，在网格点上只有三个AP可见，但是移动设备在定位阶段检测到4个或5个AP. 在这种情况下，增加指纹尺寸是有益的，因为可以在信号空间中将栅格点彼此区分开. 但是，某些信号的不可靠性将使定位算法难以精确定位. 当然，指纹库还可以具有AP的一些其他信息（例如每个AP的Mac地址），但是删除数据的处理并不简单. Youssef等. （2003年）尝试每次仅使用k个AP，而忽略了其他可见的AP. 通过信号的可靠性选择k个AP. 这样，如果选择了不合适的k个AP，则定位误差可能会很大.

错误分析

AP的数量为3，并且使用确定性定位算法（最近邻居）. 他们的中值误差在3m至6m之间. 具体的误差取决于所使用的网格点的数量. Swangmuang和Krishnamurthy（2008a）使用了类似的确定性定位算法，使用误差的累积分布函数来显示定位误差的可能性. 在办公室区域中，有25个网格点，3个可见AP，90％的位置误差的可能性小于4m. Youssef等. （2003）采用联合聚类的概率定位方法. 实验场景的大小约为68m * 26m. 总共110个网格点用于构建指纹库. 大多数指纹遵循“收集的走廊”，CDF曲线显示90％的概率误差小于2.1m.

位置指纹采集工作

尽管WiFi位置指纹识别的成本低于需要额外设备的定位系统的成本，但这也是有代价的. 大多数研究假设位置指纹是在虚拟网格点上收集的. 例如，在一个100m * 100m的区域中，将其划分为50 * 50个网格（每个网格为2m * 2m），并且在每个网格的中间收集一组指纹，并且每组指纹在这个网格的到来包括来自每个AP的RSS（5至15分钟），有时可能需要使用不同的测量设备（移动电话或笔记本电脑）或设置几个不同的设备方向. 这种收集工作非常繁琐，需要定期更新以适应环境的变化. 在上面的示例中，使用单个设备和固定方向，整个采集过程需要2500 * 5 = 125000分钟，接近9天. 当然，我们也可以并行地在不同位置收集指纹，但这仍然需要大量人力.

减少收集的指纹数量

从RSS指纹的角度来看，RSS的方差应尽可能小，并且在信号空间中没有其他位置可以非常接近指纹. 但是，某些指纹的实际位置并不接近，并且信号空间中的欧几里得距离相对较小. 这样的指纹收集可能不会提高性能，但是会在定位过程中引起其他计算. 将此类指纹放入指纹库甚至会降低定位精度. （Perahia和Stacey，2008年）路径损耗模型的公式为:

其中，f是频率，dbk是断点距离，即10m

子区域定位

减轻离线收集工作量的另一种方法是测量AP之间的RSS，而不是将指纹标记为传统指纹那样麻烦. （Aksu和Krishnamurthy（2010））中的工作仅使用AP是否可以检测到移动设备的信息，而不是使用细粒度的位置指纹，也就是说，不是在特定位置记录RSS的平均值. ，仅记录1和0来表示是否可以检测到每个AP.

指纹库中存在组织间

最近，一些人开始提议使用基于RSS的收集来减少收集位置指纹的工作量. 例如，在Park等人的工作中. 2010年），系统会提示用户提供指纹，但是以增量方式构建指纹也面临许多挑战. Park等. （2010年）使用聚类和Voronoi图以有组织的方式开发此指纹库. 他们将空间（例如房间）划分为一些Voronoi图，以方便构建有组织的指纹库.

摘要

本文概述了位置指纹方法，并介绍了该领域的一些重要研究工作. 考虑了用于位置的位置指纹的基本概念，使用位置指纹的位置算法，位置性能分析以及其他一些方面. 随着室内导航和其他室内应用越来越受到关注，WiFi位置指纹识别可能会成为这些室内应用的基石.

WiFi几乎无处不在，使其成为一种有吸引力的定位方法（无需额外的硬件成本），并且基于时间和角度的定位方法不适用于WiFi信号，因此位置指纹方法成为主要的选择. 但是，位置指纹方法需要繁琐的数据收集工作，并且可能需要随着环境的变化而频繁地更新. 另外，由于传播的复杂性，位置指纹的收集不是一个容易的问题. 一些测量，分析和仿真表明，可以采用一些经验方法来减少指纹采集的工作量. 如果对定位精度的要求不高，则可以采用分区定位或有机构造位置指纹等其他方法来减少指纹采集的工作量.

尽管仅使用WiFi的位置指纹方法已被证明是室内精确定位的可行解决方案，但随着新技术的出现以及具有附近感应功能的智能手机的普及，最终的解决方案可能是使用多个定位技术. 在未来几年中，可能会使用近场通信，智能手机中的加速度计以及蓝牙信号作为附加参数来提高定位精度，同时保持合理的成本.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-197945-1.html