陳國良，張言哲，汪云甲，孟曉林

1．中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州221116；2．中國礦業(yè)大學(xué)國土環(huán)境與災(zāi)害監(jiān)測國家測繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江蘇 徐州221116；3．諾丁漢大學(xué)，英國 諾丁漢NG7 2TU

1 引 言

隨 著 基 于 位 置 的 服 務(wù)［1］（location－based services，LBS）的興起，人們對室內(nèi)位置服務(wù)的需求日益強(qiáng)烈，如大型商場、地鐵、飛機(jī)場等。各個領(lǐng)域的研究者越來越關(guān)注基于無線傳感器網(wǎng)絡(luò)［2］（wireless sensing networks，WSN）和無線局域網(wǎng)［3］（wireless local area networks，WLAN）等面向室內(nèi)場所環(huán)境的定位技術(shù)，研究成果包括紅外線［4］、超 聲 波［5］、射 頻 識 別［6］（radio frequency identification，RFID）、藍(lán) 牙［7］、超 寬 帶［8］（ultra wide band，UWB）、無線保真［9］（wireless fidelity，WiFi）、ZigBee［10］、地磁定位［11］等典型的室內(nèi)定位方法，設(shè)計(jì)出了多個具有代表性的室內(nèi)定位系統(tǒng)。由于單一信號無法覆蓋全部室內(nèi)空間，這就需要多種定位技術(shù)的結(jié)合使用。文獻(xiàn)［12］將GPS、RFID、WiFi和計(jì)步器4種定位技術(shù)融合，組成一個定位平臺，有效彌補(bǔ)了各種定位技術(shù)的缺點(diǎn)，提高了定位精度和穩(wěn)定性。文獻(xiàn)［13—14］利用行人航跡推算（ped estrian dead reckoning，PDR）和UWB定位互補(bǔ)技術(shù)，采用約束濾波器使得位置估計(jì)精度達(dá)到亞米級。文獻(xiàn)［15］采用UKF（unscented kalman filter）濾波融合慣導(dǎo)定位結(jié)果和WiFi定位結(jié)果來對室內(nèi)車輛進(jìn)行定位，取得很好的效果。文獻(xiàn)［16—17］開展了多源泛在無線信號輔助的室內(nèi)外無縫定位方法研究，提出了一種泛在無線信號輔助的無縫定位新方法，并對無縫定位技術(shù)的原理、特點(diǎn)和發(fā)展趨勢進(jìn)行了討論。上述這些定位系統(tǒng)往往需要添加額外的硬件設(shè)施，系統(tǒng)實(shí)現(xiàn)復(fù)雜，部署成本高，因此，采用各種輔助的方式來增強(qiáng)系統(tǒng)定位的實(shí)時性和適用性、降低部署成本，成為當(dāng)前室內(nèi)定位的關(guān)鍵。智能手機(jī)越來越受到人們的青睞，它們除了可以提供更好的軟件功能之外，還包含很多先進(jìn)的硬件設(shè)施，如WiFi模塊、藍(lán)牙模塊和各種慣性傳感器等，研究人員可以直接使用這些硬件設(shè)施開發(fā)出室內(nèi)定位系統(tǒng)。文獻(xiàn)［18］將智能手機(jī)作為系統(tǒng)平臺，利用粒子濾波融合手機(jī)慣導(dǎo)信息、WiFi信息和地圖信息，在室內(nèi)環(huán)境下得到一個很好的定位結(jié)果?；谝苿佣藨T性傳感器的PDR算法具有短時間內(nèi)定位精度高，但定位誤差隨時間積累逐漸增大，而利用WiFi定位時單點(diǎn)定位誤差大但沒有誤差積累，因此將這兩種定位手段結(jié)合起來，構(gòu)成WiFi－PDR組合定位系統(tǒng)，既能達(dá)到較高的定位精度又能提高定位結(jié)果的可靠性。

本文基于智能手機(jī)平臺實(shí)現(xiàn)了一種通過UKF濾波算法融合WiFi無線信號和行人航跡推算PDR的室內(nèi)定位方法。

2 WiFi信號指紋定位

WiFi信號指紋定位方法分為離線勘測和在線定位兩個階段。離線勘測階段是在待定位區(qū)域按照一定的間隔距離確定若干采樣點(diǎn)，形成一個采樣點(diǎn)集合L＝｛l1，l2，…，lm｝。每一個L 中的元素li（1≤i≤m）記錄兩部分?jǐn)?shù)據(jù)，一部分是該采樣點(diǎn)的地理坐標(biāo)Pi＝（xi，yi），另一部分是在該采樣點(diǎn)收到的 WiFi信號強(qiáng)度（RSSI）向量Vi＝［vi，1vi，2… vi，j… vi，n］，其中vi，j（1≤j≤n）表示在li點(diǎn)接收到來自第j個 WiFi信號發(fā)射點(diǎn)（access point，AP）的信號強(qiáng)度。利用k－means聚類算法對所有采樣點(diǎn)進(jìn)行聚類處理生成最終的WiFi信號指紋庫；在線定位階段是將實(shí)時測得的 WiFi信號采用匹配算法與數(shù)據(jù)庫中的信息比較得到最終的定位結(jié)果。

2．1 WiFi指紋匹配算法

WiFi指紋匹配算法最常用的是由文獻(xiàn)［19］中采用的信號空間k最近鄰法（k－nearest neighbor in signal space，k－NNSS）。定位時首先掃描WiFi信號得到掃描信號強(qiáng)度向量SV＝［v1v2… vi… vn］，其中，vi（1≤i≤n）表示接收到來自第i個WiFi信號發(fā)射點(diǎn)的信號強(qiáng)度，然后計(jì)算與指紋庫中每個采樣點(diǎn)的相似度Lengthi?？紤]到定位區(qū)域過大時采樣點(diǎn)上不能接收到所有AP發(fā)射的信號，使得空間距離相近的采樣點(diǎn)搜索到的相同AP數(shù)目多，空間距離相距較遠(yuǎn)的采樣點(diǎn)搜索到的相同AP數(shù)目則少。因此，相同AP的數(shù)目在一定程度上可以反映樣本點(diǎn)之間的空間距離關(guān)系，通過引入相同AP數(shù)目作為參數(shù)，在計(jì)算相似度Lengthi時可以提高WiFi指紋信號的匹配度

式中，NUMi是在線定位階段搜尋到的AP與WiFi指紋庫中第i個指紋點(diǎn)AP的總數(shù)目；NUMsi是在線定位階段搜尋到的AP與WiFi指紋庫中第i個指紋點(diǎn)相同AP的數(shù)目。圖1所示為WiFi信號示意圖，圖中L1、L2為指紋點(diǎn)，L1接

收到 AP1、AP2、AP4、AP5發(fā)射的信號，L2接收到AP2、AP3、AP5、AP6發(fā)射的信號。定位時手機(jī)接收到AP2、AP5發(fā)射的信號，在計(jì)算與采樣點(diǎn)L1的相似度Length1時，NUM1＝4，NUMs1＝2。

圖1 WiFi信號示意圖Fig．1 diagram of WiFi signal

對所求Length進(jìn)行排序并選取前k個最小的Length所對應(yīng)的坐標(biāo)｛P1，P2，…，Pi，…，Pk｝（1≤i≤k），其中Pi＝（xi，yi），得到最終定位結(jié)果為

式中，wj表示采樣點(diǎn)坐標(biāo)對應(yīng)的權(quán)重，其計(jì)算公式為

2．2 WiFi指紋庫聚類

WiFi指紋定位技術(shù)研究主要集中在提高算法的定位精度和實(shí)時性方面。提高定位精度主要途徑有兩種：改進(jìn)定位算法和加密指紋庫中的樣本點(diǎn)。如果參與計(jì)算的樣本點(diǎn)數(shù)量很大，算法的改進(jìn)也不能有效地改善算法的實(shí)時性，因此減少參與計(jì)算的樣本點(diǎn)數(shù)量對于提高系統(tǒng)的實(shí)時性十分重要［20］。對指紋庫進(jìn)行聚類處理可以很好地降低算法搜索樣本點(diǎn)的數(shù)據(jù)規(guī)模，從而提高算法的實(shí)時性［21］。

主要的聚類算法有劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。最經(jīng)典、常用的一種方法是屬于劃分方法的k－means聚類算法。WiFi指紋庫聚類就是利用采樣點(diǎn)的聚類特征將采樣點(diǎn)劃分成若個類。聚類特征使用采樣點(diǎn)間信號域距離來表示，計(jì)算公式為

k－means算法進(jìn)行指紋庫聚類的過程為：隨機(jī)選擇k個采樣點(diǎn)對象，每個對象初始地代表了一個簇的中心，對剩余的每個采樣點(diǎn)根據(jù)其與各個簇中心的距離將它賦給最近的簇，重新計(jì)算每個簇的平均值，不斷重復(fù)此過程，直至所有采樣點(diǎn)到相應(yīng)中心的距離之和E收斂到最小，即前后兩次計(jì)算E差值小于給定的閾值，過程如圖2所示。

圖2 k－means聚類過程Fig．2 Flow chat of k－means clustering

E的計(jì)算公式為

式中，cci是簇Ci的平均值。

3 基于智能手機(jī)的慣性定位

通常情況下，認(rèn)為行人在很短的采樣時間內(nèi)做直線運(yùn)動，當(dāng)?shù)弥鹗键c(diǎn)位置信息、航向信息、行人位移量就可以推斷下一時刻的位置信息?；谥悄苁謾C(jī)的行人航跡推算（PDR）原理如圖3所示。

假設(shè)已知初始位置信息（x1，y1），推算下一點(diǎn)位置信息（x2，y2），推算公式為

圖3 PDR算法原理Fig．3 algorithm of PDR

同理可得往后每一步的遞推公式。由遞推公式可知，整個計(jì)算過程中有兩個關(guān)鍵因素：行走位移S和方向角θ。位移S可以通過典型的步頻－步長模型來估算，方向角可以通過方向傳感器直接獲取或者通過與陀螺儀兩者組合并結(jié)合地圖約束信息來得到。

人體的自然行走運(yùn)動包括前向、側(cè)向以及垂直向3個分量，其3個分量以及手機(jī)坐標(biāo)軸的定義如圖3所示，將手機(jī)屏幕朝上水平放置在手掌中3個運(yùn)動分量與手機(jī)坐標(biāo)軸的對應(yīng)關(guān)系為：垂直軸與Z軸重合，前向軸與Y軸重合，側(cè)向軸與X軸重合。步態(tài)檢測中常用的一種算法是波峰檢測算法，其優(yōu)點(diǎn)是算法實(shí)現(xiàn)簡單、計(jì)算量小，可以方便地做到實(shí)時檢測。但手機(jī)傳感器的硬件設(shè)備精度不高，以及行人行走狀態(tài)的隨機(jī)變化造成采集到的加速度信號含有噪聲，使得波峰檢測算法精確度不高。本文利用文獻(xiàn)［18］所述的步態(tài)檢測方法來做計(jì)步工作，利用式（8）線性模型來確定步長

式中，f為步頻；a、b為相關(guān)系數(shù)，采用文獻(xiàn)［22］中所用的值。得到每一步的步長后結(jié)合起始位置的坐標(biāo)信息和方向信息可以求得每一步的坐標(biāo)，從而實(shí)現(xiàn)PDR定位。

4 UKF融合算法

由于WiFi信號波動性大造成WiFi定位精度不高，但是其定位誤差十分穩(wěn)定，不存在誤差積累問題。PDR定位短時間內(nèi)定位精度較高，但是它只能獲取相對定位結(jié)果，且存在累計(jì)誤差。因此采用WiFi和PDR融合定位，既可以利用PDR定位信息降低 WiFi定位波動性，又可以利用WiFi定位獲取PDR定位的初始位置，減小PDR定位的累計(jì)誤差，提高整體的定位精度。

PDR定位中的誤差主要是由于各種傳感器（加速度、陀螺儀、磁力計(jì)）存在的隨機(jī)誤差引起的。因此，應(yīng)用最優(yōu)估計(jì)方法對系統(tǒng)進(jìn)行濾波處理，能夠有效提高系統(tǒng)的定位精度和可靠性。目前非 線 性 系 統(tǒng) 常 用 的 濾 波 方 法 是 EKF［23－24］。EKF雖然簡單易實(shí)現(xiàn)，但其線性化過程必然會引入模型誤差，導(dǎo)致估計(jì)精度下降，另外EKF在濾波前必須計(jì)算非線性模型的Jacobi矩陣，對于高維的復(fù)雜模型，計(jì)算過程繁瑣。UKF方法在處理系統(tǒng)方程時，首先進(jìn)行U變換，利用變換后的狀態(tài)變量進(jìn)行濾波估計(jì)，從而提高了濾波精度［25－26］。UKF 方法 廣 泛 地 應(yīng) 用 在 衛(wèi) 星 定 位［27－28］和組合導(dǎo)航領(lǐng)域［29］。

4．1 UKF算法原理

設(shè)系統(tǒng)方程和量測方程具有離散形式，即

式中，X是n維隨機(jī)狀態(tài)向量且X～N（ˉX，PX）；Z是m維隨機(jī)觀測向量；f和h為非線性向量函數(shù)；Wk和Vk為不相關(guān)的零均值白噪聲序列；uk－1為確定性控制項(xiàng)。UKF可以看作是基于U變換技術(shù)的卡爾曼濾波器。Z為X通過非線性函數(shù)f（·）進(jìn)行傳播得到的，Z的統(tǒng)計(jì)特性為（ˉZ，PZ）。U變換就是根據(jù)（ˉX，PX）設(shè)計(jì)一系列的點(diǎn)ξi（i＝1，2，…，L），稱其為Sigma點(diǎn)，對設(shè)定的Sigma點(diǎn)，經(jīng)過f（·）傳播計(jì)算得到χi（i＝1，2，…，L），然后基于χi計(jì)算（ˉZ，PZ），通常Sigma點(diǎn)的數(shù)量取2n＋1。

4．2 融合算法

利用上述UKF算法將WiFi定位與PDR定位進(jìn)行融合。根據(jù)行人的狀態(tài)信息通過非線性公式進(jìn)行以下系統(tǒng)模型建模

式中，xk、yk表示行人走過第k步后的位置；θk表示行人走過第k步后的朝向角；Wk－1為三維的系統(tǒng)過程噪聲；?s表示第k步的步長；?θ表示第k步的朝向角變化量。

測量方程建模如下

式中，xk、yk表示 WiFi定位得到的行人位置；sk表示通過步長檢測得到行人的第k步的步長；Δθk表示通過捷連航向角得到行人的第k步的朝向角變化量；θk表示通過磁航向角得到的行人走過第k步后的朝向角；Vk為5維的系統(tǒng)觀測噪聲。該算法直接用步域代替時域來實(shí)現(xiàn)UKF，省去了將PDR定位結(jié)果轉(zhuǎn)換為里程計(jì)再和WiFi融合這一過程，大大降低了算法的復(fù)雜度。UKF融合算法流程如圖4所示，用 WiFi定位結(jié)果來設(shè)定濾波啟動值和PDR定位的初始值，根據(jù)加速度來作步態(tài)檢測判斷行人是否行走一步，根據(jù)陀螺儀、方向傳感器和地圖信息得到朝向角，當(dāng)行人完成一步行走動作時，通過同步控制模塊通知 WiFi處理模塊進(jìn)行WiFi定位解算，啟動測量更新和狀態(tài)更新的迭代計(jì)算。

圖4 UKF融合算法Fig．4 UKF algorithm

5 試驗(yàn)分析

5．1 試驗(yàn)條件

中國礦業(yè)大學(xué)環(huán)測學(xué)院樓包括了試驗(yàn)所需的室內(nèi)環(huán)境以及相對應(yīng)的WiFi無線信號。選取大樓四層所有走廊作為試驗(yàn)場，面積約為670 m2，使用華為 HUAWEI P6－U06（Android 4．0平臺）型號智能手機(jī)作為試驗(yàn)平臺進(jìn)行系統(tǒng)的測試。

5．2 聚類試驗(yàn)

采集數(shù)據(jù)前，開發(fā)Android手機(jī)端的 W iFi指紋點(diǎn)信號采集軟件和定位軟件。在學(xué)院樓四層總共布設(shè)采樣點(diǎn)個數(shù)為390個，采樣間距為2～3．5 m，對指紋庫進(jìn)行聚類處理，聚類結(jié)果如圖5所示。各指紋庫包含的采樣點(diǎn)個數(shù)如表1所示。

表1 采樣點(diǎn)聚類結(jié)果Tab．1 Result of clustering

由聚類結(jié)果可知，室內(nèi)環(huán)境對聚類結(jié)果有顯著的影響，不同室內(nèi)環(huán)境的邊界恰好是各個指紋庫的邊界。在試驗(yàn)區(qū)域隨機(jī)標(biāo)定15個試驗(yàn)點(diǎn)（圖5中紅色三角形所示），利用聚類過的指紋庫和未聚類的指紋庫各定位10次，從系統(tǒng)定位平均耗時和最大定位誤差分析對比指紋庫經(jīng)過處理和未處理的定位效果。試驗(yàn)中選用k－NNSS算法，k＝4。

聚類處理作為數(shù)據(jù)的預(yù)處理，通過減少定位時的數(shù)據(jù)檢索量，從而降低系統(tǒng)定位時間，單點(diǎn)定位時間如圖6所示。在時間效率上經(jīng)過聚類處理后系統(tǒng)定位耗時有很大程度的改善，平均降幅為51%，其中最大降幅達(dá)到64%，最小的也達(dá)到了36%。

從定位結(jié)果的最大誤差分析，經(jīng)過聚類后的定位最大誤差有很好的改善，單點(diǎn)定位最大誤差如圖7所示。最大誤差的平均值由3．87 m降低到2．00 m，其中最大改善由8．51 m 降低到1．66 m，部分點(diǎn)未改善。這也使得經(jīng)過聚類處理后的定位結(jié)果跳動范圍縮小，降低了 WiFi信號不穩(wěn)定因素對定位結(jié)果的影響。

5．3 UKF融合試驗(yàn)

行人由圖8所示的起點(diǎn)A經(jīng)過兩個直角拐角B和C后保持勻速走到終點(diǎn)D，共計(jì)133．5 m，212步。試驗(yàn)時同時采集PDR定位數(shù)據(jù)和WiFi定位數(shù)據(jù)。在每一個計(jì)步周期內(nèi)，當(dāng)檢測到完整的一步時計(jì)算PDR定位結(jié)果并記錄，同時計(jì)算WiFi定位結(jié)果和UKF融合定位結(jié)果并記錄，從而保證WiFi定位頻率、UKF融合定位頻率和步態(tài)頻率一致。UKF濾波狀態(tài)初始值（x0，y0）由WiFi定位結(jié)果給出，θ0由PDR處理模塊給出，估計(jì)誤差方差陣初始值設(shè)為狀態(tài)方程噪聲陣為測量方程噪聲陣為定位結(jié)果對比圖如圖8所示，每一步的誤差如圖9所示，每一步的估計(jì)誤差方差陣如圖10所示。

圖5 聚類結(jié)果Fig．5 diagram of clustering

圖6 單點(diǎn)定位時間圖Fig．6 diagram of positioning time

圖7 單點(diǎn)定位最大誤差Fig．7 diagram of positioning error

圖8 定位結(jié)果對比圖Fig．8 diagram of positioning result

圖9 定位誤差對比圖Fig．9 diagram of positioning error

圖10 估計(jì)誤差方差陣變化圖Fig．10 diagram of the covariance

在每一步的誤差計(jì)算中，假設(shè)行走是絕對勻速且每一步步長不變，將行走總長度除以總步數(shù)求出每一步的長度然后根據(jù)角度計(jì)算走完每一步時的坐標(biāo)，將該坐標(biāo)值作為每一步的真值進(jìn)行誤差對比分析。由結(jié)果對比可知：

（1）UKF算法可以很好地融合WiFi定位結(jié)果和PDR定位結(jié)果。由圖9可知PDR定位結(jié)果誤差隨著時間推移不斷變化，最大誤差達(dá)到7 m左右，平均誤差為4．57 m。WiFi定位結(jié)果誤差很不穩(wěn)定，最大達(dá)到20 m，平均誤差為7．76 m。經(jīng)過UKF濾波后定位結(jié)果的平均誤差下降到1．24 m左右。由于UKF濾波啟動值是由 WiFi定位結(jié)果給出的，所以UKF定位誤差開始時和WiFi定位誤差大小一致，但隨著時間推移，濾波計(jì)算次數(shù)增多，定位誤差很快收斂到1．5 m附近。

（2）PDR累計(jì)誤差不僅與時間相關(guān)，還和運(yùn)動方向有關(guān)。圖9中PDR定位誤差在開始到125步左右是隨時間增大的，但增大的速率明顯不同。而在125步往后PDR定位誤差不增反降，這是由于125步處剛好處于圖8拐角C處，從拐角C到終點(diǎn)D運(yùn)動方向與從起點(diǎn)A到拐角B的運(yùn)動方向相反，這樣造成在縱軸方向上的累積誤差相互抵消。

（3）WiFi指紋定位在不同室內(nèi)環(huán)境下定位效果相差很大。在0～65步即圖8中起點(diǎn)A到拐角B處，處在一個相對狹長封閉的環(huán)境，此時定位誤差穩(wěn)定在10 m以下，大部分在5 m左右。在80～115步之間即圖8路段E，此處兩面墻體為玻璃的懸空過道，定位誤差在10～20 m之間。這說明WiFi信號在墻體為玻璃的環(huán)境下很不穩(wěn)定，WiFi指紋定位結(jié)果無法滿足一般定位要求。同樣，在140～165步之間即圖8路段F和190～210步之間即圖8路段G，這兩處環(huán)境為：一面是實(shí)體墻體一面為玻璃墻體的開放空間，WiFi定位誤差都在10 m以上。通過以上分析可知，WiFi指紋定位在有玻璃墻體的開放空間下定位誤差非常大。

（4）從起點(diǎn)A到拐角B以及從拐角C到終點(diǎn)D這兩段路程均為東西向的狹長過道，這造成WiFi定位在Y軸誤差小在X軸誤差大，以WiFi定位結(jié)果作為系統(tǒng)的測量值就造成狀態(tài)量在X軸方向的協(xié)方差大，在Y軸的協(xié)方差小，如圖10所示，從拐角B到拐角C的路段情況剛好相反。

6 結(jié) 論

在室內(nèi)環(huán)境中，通過采用泛在 WiFi信號輔助手機(jī)慣導(dǎo)信息進(jìn)行了一系列的定位試驗(yàn)。利用k－means聚類算法對WiFi指紋庫進(jìn)行聚類處理，降低指紋匹配算法的計(jì)算量，單點(diǎn) WiFi定位耗時平均降幅為51%，提高了系統(tǒng)的定位實(shí)時性。通過真實(shí)室內(nèi)場景試驗(yàn)，初步分析了 WiFi信號指紋定位在不同的室內(nèi)環(huán)境和定位人員的運(yùn)動狀態(tài)下定位結(jié)果的差異。利用UKF算法對WiFi定位結(jié)果和PDR定位結(jié)果進(jìn)行融合，融合后的定位結(jié)果優(yōu)于WiFi和PDR單獨(dú)定位的效果。此方法無須布設(shè)新的硬件設(shè)備，實(shí)現(xiàn)簡單，可以在布設(shè)WiFi的室內(nèi)環(huán)境下利用普通的智能手機(jī)快速實(shí)現(xiàn)簡單的室內(nèi)人員定位應(yīng)用。

［1］ CHEN Xihui，PANG Jun．Protecting Query Privacy in Location Based Services［J］．GeoInformatica，2014，18（1）：95－133．

［2］ KWON O H，SONG H J，PARK S．The Effects of Stitching Orders in Patch－and－stitch WSN Localization Algorithms［J］．IEEE Transactions on Parallel and Distributed Systems，2009，20（9）：1380－1391．

［3］ FANG S H，LIN T N，LEE K C．A Novel Algorithm for Multipath Fingerprinting in Indoor WLAN Environments［J］．IEEE Transactions on wireless Communications，2008，7（9）：3579－3588．

［4］ HARTER A，HOPPER A．A Distributed Location System for the Active Office［J］．IEEE Network，1994，8（1）：62－70．

［5］ PRIYANTHA N B，CHAKRABORTY A，BALAKRISHNAN H．The Cricket Location－support System［C］∥Proceedings of the 6th Annual International Conference on Mobile Computing and Networking．New York：ACM，2000：32－43．

［6］ ZHAO Jingliang，YAO Jinjie，SU Xinyan，et al．Indoor Positioning Hardware System Design Based on RFID［J］．Computer Measurement ＆Control，2011，19（11）：2848－2850．（趙晶亮，姚金杰，蘇新彥，等．基于射頻識別的室內(nèi)定位系統(tǒng)設(shè)計(jì)［J］．計(jì)算機(jī)測量與控制，2011，19（11）：2848－2850．）

［7］ BARGH M S，DE GROOTE R．Indoor Localization Based on Response Rate of Bluetooth Inquiries［C］∥Proceedings of the First ACM International Workshop on Mobile Entity Localization and Tracking in GPS－less Environments．New York：ACM，2008：49－54．

［8］ MARANO S，GIFFORD W M，WYMEERSCH H，et al．NLOS Identification and Mitigation for Localization Based on UWB Experimental Data［J］．IEEE Journal on Selected Areas in Communications，2010，28（7）：1026－1035．

［9］ LIM J S，JANG W H，YOON G W，et al．Radio Map Update Automation for WiFi Positioning Systems［J］．IEEE Communications Letters，2013，17（4）：693－696．

［10］ KUO W H，CHEN Yunshen，JEN G T，et al．An Intelligent Positioning Approach：RSSI－based Indoor and Outdoor Localization Scheme in Zigbee Networks［C］∥Proceedings of 2010 International Conference on Machine Learning and Cybernetics （ICMLC）． Qingdao： IEEE， 2010， 6：2754－2759．

［11］ LIU Fanming，ZHANG Yingfa，QIAN Dong，et al．Full Tensor Geomagnetic Gradient Reference Map Building and Its Itegrated Nacigation Algorithm［J］．Acta Geodaetica et Cartographica Sinica，2014，43（3）：322－328．（劉繁明，張迎發(fā)，錢東，等．全張量地磁梯度基準(zhǔn)圖構(gòu)建及其組合導(dǎo)航方法［J］．測繪學(xué)報，2014，43（3）：322－328．）

［12］ DAO T K，NGUYEN H L，PHAM T T，et al．User Localization in Complex Environments by Multimodal Combination of GPS， WiFi，RFID，and Pedometer Technologies［J］．The Scientific World Journal，2014：Article ID 814538．

［13］ JIMéNEZ A R，SECO F，ZAMPELLA F，et al．PDR with a Foot－mounted IMU and Ramp Detection［J］．Sensors，2011，11（10）：9393－9410．

［14］ ZA MPELLA F，DE ANGELIS A，SKOG I，et al．A Constraint Approach for UWB and PDR Fusion［C］∥Proceedings of 2012 International Conference on Indoor Positioning and Indoor Navigation．Sydney，NSW：IEEE，2012：1－9．

［15］ CH AI W ennan，CH EN Cheng，EDW A N E，et al．Enhanced INS－WI－FI Integration for Indoor Vehicle Navigation［J］．Journal of Communication and Computer，2012，11：1310－1319．

［16］ XIA Linyuan，WU Dongjin．On Realtime and Adaptive Indoor Positioning Method under Multi－base－station Mode［J］．Bulletin of Surveying and Mapping，2012（11）：1－6．（夏林元，吳東金．多基站模式下的實(shí)時與自適應(yīng)室內(nèi)定位方法研究［J］．測繪通報，2012（11）：1－6．）

［17］ TIAN Hui，XIA Linyuan，MO Zhiming，et al．WLAN Based Ubiquitous Positioning for Urban Indoor and Outdoor Environment［J］．Journal of Guilin University of Technology，2013，33（2）：302－306．（田輝，夏林元，莫志明，等．基于無線局域網(wǎng)信號的城區(qū)室內(nèi)外無縫定位技術(shù)［J］．桂林理工大學(xué)學(xué)報，2013，33（2）：302－306．）

［18］ RAI A，CHINTALAPUDI K K，PADMANABHAN V N，et al．Zee：Zero－effort Crowd Sourcing for Indoor Localization［C］∥ Proceedings of the 18th Annual International Conference on Mobile Computing and Networking．New York：ACM，2012：293－304．

［19］ BA H L P，PADM A NABH A N V N．RADAR：An In－building RF－based User Location and Tracking System［C］∥Proceedings of the 19th Annual Joint Conference of the IEEE Computer and Communications Societies．Tel Aviv：IEEE，2000，2：775－784．

［20］ ZHANG Liwen，WANG Yunjia，WANG Xingfeng．Affinity Propagation Clustering for Fingerprinting Database in Indoor Location［J］．Bulletin of Surveying and Mapping，2014（12）：36－39，59．（張儷文，汪云甲，王行風(fēng)．仿射傳播聚類在室內(nèi)定位指紋庫中的應(yīng)用研究［J］．測繪通報，2014（12）：36－39，59．）

［21］ K UO Shengpo，WU B J，PENG W C，et al．Clusterenhanced Techniques for Pattern－matching Localization System［C］∥Proceedings of IEEE International Conference on Mobile Adhoc and Sensor System．Pisa：IEEE，2007：1－9．

［22］ LI Fan，ZH AO Chunshui，DING Guanzhong，et al．A Reliable and Accurate Indoor Localization Method U－sing Phone Inertial Sensors［C］∥Proceedings of the 2012 ACM Conference on Ubiquitous Computing．New York：ACM，2012：421－430．

［23］ FANG Jiancheng，SHEN Gongxun，WAN Dejun．An Adaptive Federated Kalman Filter and Its Application at GPS－DR Integrated Navigation System in Land Vehicle［J］．Journal of Chinese Inertial Technology，1998，6（4）：1－6．（房建成，申功勛，萬德鈞．一種自適應(yīng)聯(lián)合卡爾曼濾波器及其在車載GPS－DR組合導(dǎo)航系統(tǒng)中的應(yīng)用研究［J］．中國慣性技術(shù)學(xué)報，1998，6（4）：1－6．）

［24］ WU Qiuping，WAN Dejun，WANG Qing．A New Kind of Filter Algorithm of Integrated Navigation System for Vehicle［J］．Journal of Chinese Inertial Technology，1999，7（2）：23－25，54．（吳秋平，萬德鈞，王慶．車輛組合導(dǎo)航系統(tǒng)中的濾波新算法［J］．中國慣性技術(shù)學(xué)報，1999，7（2）：23－25，54．）

［25］ JULIER S J．The Scaled Unscented Transformation［C］∥Proceedings of American Control Conference Anchorage，AK：IEEE，2002，6：4555－4559．

［26］ JULIER S J．Skewed Approach to Filtering［C］∥DRUMMOND O E．Proceedings of the SPIE 3373，Signal and Data Processing of Small Targets 1998．Orlando，F(xiàn)L：SPIE，1998，3373：271－282．

［27］ WU Jiangfei，LEI Hui．Space－borne GPS Satellite Orbit Determination Algorithm Based on UKF－EKF［J］．Acta Geodaetica et Cartographica Sinica，2014，43（5）：446－451．（吳江飛，雷輝．星載GPS衛(wèi)星定軌的UKF－EKF算法［J］．測繪學(xué)報，2014，43（5）：446－451．）

［28］ LIU Yang，PAN Xiaogang，WANG Zhengming，et al．An Augmented－GPS Based Adaptive UKF Method for Real－time Inter－satellite Relative Positioning［J］．Acta Geodaetica et Cartographica Sinica，2008，37（1）：15－22，29．（劉洋，潘曉剛，王正明，等．基于增強(qiáng)型GPS的自適應(yīng)UKF實(shí)時星間相對定位方法［J］．測繪學(xué)報，2008，37（1）：15－22，29．）

［29］ XIE Xianming．An UKF Phase Unwrapping Algorithm with a Filtering Procedure［J］．Acta Geodaetica et Cartographica Sinica，2014，43（7）：739－745．（謝先明．結(jié)合濾波算法的不敏卡爾曼濾波器相位解纏方法［J］．測繪學(xué)報，2014，43（7）：739－745．）