趙 龍，陶 冶

(1.北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院，北京 100191;2.北京航空航天大學(xué) 數(shù)字導(dǎo)航中心，北京 100191)

0 引言

位置服務(wù)(Location Based Services，LBS)是一種與空間位置有關(guān)的新型服務(wù)業(yè)務(wù)。位置信息反映了人們所處的三維空間環(huán)境，是移動(dòng)應(yīng)用的基礎(chǔ)。隨著全球定位系統(tǒng)(Global Positioning System，GPS)、北斗衛(wèi)星導(dǎo)航系統(tǒng)(BeiDou Navigation Satellite System，BDS)、Galileo衛(wèi)星導(dǎo)航系統(tǒng)(Galileo Satellite Naviga-tion System)和GLONASS(Global Navigation Satellite System)的投入使用，室外定位技術(shù)日趨成熟，已廣泛應(yīng)用于軍用和民用領(lǐng)域，并取得了巨大的經(jīng)濟(jì)和社會(huì)效益。衛(wèi)星定位主要是依靠視距(line-of-sight)下的三邊定位[1]，但工業(yè)界和學(xué)術(shù)界共同關(guān)注的焦點(diǎn)：在全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite Sys-tem, GNSS)信號(hào)中斷環(huán)境下的定位、導(dǎo)航與授時(shí)(Positioning, Navigation and Timing，PNT)技術(shù)問(wèn)題尚未得到解決[2]，而且其中最難解決的問(wèn)題——室內(nèi)定位技術(shù)，一直未能獲得根本性的突破[3]。室內(nèi)定位是導(dǎo)航系統(tǒng)的“最后一公里”，是一個(gè)熱門研究課題。在室內(nèi)環(huán)境下，由于其復(fù)雜的空間架構(gòu)，存在大量的非視距(non-line-of-sight)，導(dǎo)致衛(wèi)星定位在室內(nèi)環(huán)境下的定位結(jié)果變差，而此時(shí)室內(nèi)的許多信號(hào)，例如藍(lán)牙[4]、WiFi[5]和UWB[6]等，已被用在室內(nèi)定位領(lǐng)域，而且在某些應(yīng)用領(lǐng)域取得了突破性的進(jìn)展[7]。國(guó)內(nèi)外多家公司也都推出了自己的定位技術(shù)，例如：蘋果公司研發(fā)的低功耗藍(lán)牙iBeacon定位技術(shù)、谷歌公司研發(fā)的機(jī)器視覺(jué)定位技術(shù)、百度攜手芬蘭IndoorAtlas公司推出的基于地磁匹配的室內(nèi)定位方案、Ubisense公司推出的超寬帶定位技術(shù)和WiFiSLAM公司推出的WiFi定位技術(shù)等。綜合考慮室內(nèi)環(huán)境復(fù)雜特性和技術(shù)成本等因素，WiFi信號(hào)成為目前關(guān)注較多的室內(nèi)定位信號(hào)源，基于WiFi指紋庫(kù)定位的方法更是成為目前最受歡迎的室內(nèi)定位技術(shù)之一，而且基于WiFi指紋庫(kù)的定位方法引起了大量專家學(xué)者的研究[8-9]，因?yàn)樵摲椒ㄔ谛旁?Access Point，AP)與定位終端間非視距的情況下依然可以達(dá)到較高的定位精度。

WiFi信號(hào)是基于IEEE 802.11系列通信協(xié)議[10]的無(wú)線局域網(wǎng)技術(shù)。傳統(tǒng)的WiFi指紋庫(kù)定位方法分為2個(gè)階段，第一階段是離線指紋庫(kù)構(gòu)建；第二階段是移動(dòng)終端在線定位。圖1所示為指紋庫(kù)定位的3個(gè)步驟如圖1所示，其中圖1(a)在試驗(yàn)區(qū)域中采集參考點(diǎn)的WiFi接收信號(hào)強(qiáng)度(Received Signal Strength，RSS)，使每一個(gè)參考點(diǎn)都具有自己獨(dú)特的WiFi信號(hào)強(qiáng)度向量，并將這些向量存儲(chǔ)起來(lái)，作為構(gòu)建指紋庫(kù)的一部分；圖1(b)和圖1(c)是通過(guò)移動(dòng)設(shè)備接收實(shí)時(shí)的WiFi信號(hào)，并將這些信號(hào)通過(guò)無(wú)線廣播傳送至定位服務(wù)器，定位服務(wù)器根據(jù)相關(guān)的相似性準(zhǔn)則將該實(shí)時(shí)信號(hào)與指紋庫(kù)中的信號(hào)進(jìn)行比較，得到移動(dòng)終端的空間位置。

根據(jù)美國(guó)環(huán)境保護(hù)局的報(bào)告統(tǒng)計(jì)，人們有70%以上的時(shí)間是在室內(nèi)度過(guò)[11]。因此準(zhǔn)確實(shí)現(xiàn)室內(nèi)定位具有非常重要的科學(xué)意義和實(shí)用價(jià)值。雖然WiFi指紋庫(kù)定位技術(shù)還不夠成熟，但在整個(gè)室內(nèi)定位技術(shù)架構(gòu)中是十分重要的。目前，基于WiFi指紋庫(kù)的室內(nèi)定位技術(shù)面臨的主要挑戰(zhàn)有：

1)在大范圍實(shí)施指紋庫(kù)構(gòu)建時(shí)，需要投入較多的人力去完成數(shù)據(jù)采集，而且重復(fù)性工作多，造成了人員和時(shí)間的浪費(fèi)；

2)線下指紋庫(kù)建立后，指紋庫(kù)無(wú)法自動(dòng)實(shí)時(shí)地反映當(dāng)前環(huán)境變化，即環(huán)境發(fā)生變化后，需要重新采集指紋庫(kù)來(lái)適應(yīng)變化后的環(huán)境；

3)當(dāng)線下指紋庫(kù)形成后，一旦環(huán)境發(fā)生變化，在線偵測(cè)到的WiFi信號(hào)強(qiáng)度向量會(huì)與指紋庫(kù)中的信號(hào)強(qiáng)度向量產(chǎn)生偏差，導(dǎo)致定位精度下降，甚至無(wú)法提供可供參考的定位結(jié)果；

4)WiFi信號(hào)強(qiáng)度受硬件配置影響明顯，不同的移動(dòng)設(shè)備采集到的信號(hào)強(qiáng)度不完全相同，當(dāng)在線采集數(shù)據(jù)的終端和指紋庫(kù)采集所使用的終端硬件不完全相同時(shí)，會(huì)導(dǎo)致其定位精度下降；

5)WiFi信號(hào)發(fā)射器自身發(fā)射信號(hào)的不穩(wěn)定性以及復(fù)雜的室內(nèi)環(huán)境造成的噪聲干擾，會(huì)影響以特征相似性匹配為基本原理的定位方法的定位精度。

許多研究機(jī)構(gòu)已經(jīng)開(kāi)展了大量的WiFi指紋庫(kù)定位研究工作，而且多家商業(yè)巨頭都參與了實(shí)際應(yīng)用系統(tǒng)研發(fā)，取得了階段性的進(jìn)展[12-14]。目前使用WiFi指紋庫(kù)進(jìn)行定位較成熟的系統(tǒng)有RADAR[15]和Horus[16]，定位精度為2～5m。本文旨在介紹目前WiFi指紋庫(kù)定位的方法理論，使讀者能夠了解該技術(shù)的發(fā)展現(xiàn)狀；同時(shí)，對(duì)WiFi指紋庫(kù)定位技術(shù)的未來(lái)發(fā)展趨勢(shì)進(jìn)行分析和展望。

1 WiFi指紋庫(kù)定位技術(shù)發(fā)展現(xiàn)狀

WiFi室內(nèi)定位已有大量專家學(xué)者進(jìn)行研究，本節(jié)將根據(jù)現(xiàn)有WiFi指紋庫(kù)定位中存在的主要問(wèn)題，著重介紹現(xiàn)有的解決方法及關(guān)鍵技術(shù)。

1.1 WiFi信號(hào)特性

WiFi指紋庫(kù)定位主要依靠終端采集到的信號(hào)強(qiáng)度與線下構(gòu)建的指紋庫(kù)進(jìn)行相似度分析，得出定位結(jié)果。因此，對(duì)于WiFi信號(hào)特性研究是使用WiFi信號(hào)進(jìn)行定位的前提。WiFi信號(hào)在傳播過(guò)程中易受多徑和環(huán)境的干擾[17]，這一特性導(dǎo)致測(cè)距交匯的三邊定位方法無(wú)法使用信號(hào)衰減模型進(jìn)行準(zhǔn)確的測(cè)距，導(dǎo)致定位精度降低；由于人體的不同朝向，可以影響信號(hào)強(qiáng)度的變化，甚至可以直接決定是否接收到信號(hào)[18]，所以在離線采集指紋庫(kù)的過(guò)程中，需要保證同一指紋庫(kù)的采集端朝向相同。而在指紋庫(kù)采集過(guò)程中，由于同一位置點(diǎn)處同一AP的信號(hào)強(qiáng)度相差較大，甚至超過(guò)20dBm[17]，所以在建庫(kù)過(guò)程中，需對(duì)采集的信號(hào)強(qiáng)度進(jìn)行可靠性評(píng)估，剔除可靠性較差的信號(hào)強(qiáng)度，保證指紋庫(kù)的可靠性和定位精度。WiFi信號(hào)的相關(guān)特性指明了指紋庫(kù)定位的總體方向。本文針對(duì)WiFi信號(hào)的空間特性進(jìn)行了相關(guān)測(cè)試，分析人體不同朝向和不同環(huán)境對(duì)WiFi信號(hào)強(qiáng)度的影響，結(jié)果如圖2所示，其中縱軸為信號(hào)強(qiáng)度；橫軸為采集點(diǎn)索引,其大小表征采集點(diǎn)距同一AP的遠(yuǎn)近，實(shí)際距離為索引號(hào)乘以1.2m。

圖2 不同朝向和不同環(huán)境對(duì)于WiFi信號(hào)強(qiáng)度的影響Fig.2 Effect of different orientations and environment on WiFi signal strength

圖2中，藍(lán)色折線表示采集信號(hào)人員面朝AP，且與AP保持無(wú)障礙視距；紅線表示采集信號(hào)人員背朝AP，但與AP之間是無(wú)障礙視距；黑線表示采集信號(hào)人員面朝AP，與AP之間有障礙非視距。這組實(shí)驗(yàn)也驗(yàn)證了文獻(xiàn)[17-18]中的部分研究結(jié)果。WiFi信號(hào)的空間傳播特性呈現(xiàn)為WiFi信號(hào)強(qiáng)度與空間距離近似符合對(duì)數(shù)衰減模型，可使用的擬合模型有多種[19-23]，圖2所示實(shí)驗(yàn)結(jié)果也驗(yàn)證了對(duì)數(shù)衰減模型的正確性，對(duì)數(shù)衰減模型的表達(dá)式為

(1)

WiFi信號(hào)自身在同一位置的強(qiáng)度波動(dòng)性反映了時(shí)間特性，目前對(duì)于WiFi時(shí)間特性的研究，大多數(shù)學(xué)者認(rèn)為WiFi信號(hào)的時(shí)間特性呈現(xiàn)正態(tài)分布[24]，而實(shí)際上WiFi的時(shí)間特性并不完全呈現(xiàn)正態(tài)分布，而是存在多模態(tài)，甚至是偏態(tài)分布[17-18]。在實(shí)際的定位過(guò)程中，很多研究人員幾乎都是將WiFi信號(hào)強(qiáng)度按服從正態(tài)分布進(jìn)行處理，且取強(qiáng)度均值作為信號(hào)特征。但實(shí)際上信號(hào)強(qiáng)度的多模態(tài)、偏態(tài)分布帶來(lái)的問(wèn)題是如果只使用均值作為信號(hào)特征，會(huì)導(dǎo)致信號(hào)特征提取上出現(xiàn)偏差，導(dǎo)致定位精度下降。信號(hào)強(qiáng)度多模態(tài)問(wèn)題以及多模態(tài)對(duì)WiFi指紋庫(kù)定位精度影響的研究工作尚屬空白，因?yàn)楝F(xiàn)有文獻(xiàn)將信號(hào)強(qiáng)度按正態(tài)分布處理，而且相對(duì)于WiFi指紋庫(kù)自身3～5m的定位精度，由多模態(tài)問(wèn)題導(dǎo)致的定位誤差較小。因此，在實(shí)際應(yīng)用中，為進(jìn)一步提升WiFi指紋定位性能，通過(guò)對(duì)信號(hào)強(qiáng)度多模態(tài)問(wèn)題進(jìn)行實(shí)驗(yàn)研究，定性和定量分析其對(duì)WiFi指紋定位精度和性能的影響程度是必要的。

1.2 WiFi指紋庫(kù)的構(gòu)建方法

指紋庫(kù)構(gòu)建是整個(gè)WiFi指紋庫(kù)定位技術(shù)的關(guān)鍵環(huán)節(jié)，直接影響最終定位結(jié)果的性能。最初指紋庫(kù)構(gòu)建全部是通過(guò)人工以離線采集方式采集數(shù)據(jù)并進(jìn)行離線處理，但該工作需投入大量的人力與時(shí)間。該問(wèn)題在大規(guī)模指紋庫(kù)構(gòu)建時(shí)顯得更加突出，與WiFi指紋庫(kù)定位快捷、方便實(shí)現(xiàn)的特性并不相符，目前很多學(xué)者嘗試通過(guò)多種不同方法來(lái)解決指紋庫(kù)構(gòu)建的問(wèn)題。

壓縮感知理論(Compressive Sensing，CS)[25-27]使用較為稀疏的信號(hào)強(qiáng)度去恢復(fù)完整的信號(hào)強(qiáng)度，該理論打破了香農(nóng)采樣理論。這種方法的實(shí)現(xiàn)過(guò)程，主要圍繞著AP篩選和參考點(diǎn)(Reference Point，RP)聚類，但該方法運(yùn)算復(fù)雜度較高。文獻(xiàn)[28-29]分別使用了線性模型(決策樹(shù))和支持向量機(jī)回歸(Support Vector Regression，SVR)預(yù)測(cè)未知點(diǎn)的信號(hào)強(qiáng)度，以此來(lái)降低建庫(kù)過(guò)程中的人力及時(shí)間投入。但文獻(xiàn)[28-29]中使用的機(jī)器學(xué)習(xí)算法需要事先采集大量數(shù)據(jù)構(gòu)建訓(xùn)練集進(jìn)行訓(xùn)練，雖然這部分工作通常是離線訓(xùn)練，不會(huì)增加在線定位的算法復(fù)雜度，但事先采集大量數(shù)據(jù)依然是較繁重的工作，且使用機(jī)器學(xué)習(xí)算法推斷未知點(diǎn)的信號(hào)強(qiáng)度仍是一種經(jīng)驗(yàn)式的結(jié)果。文獻(xiàn)[30]通過(guò)室內(nèi)環(huán)境同步定位與地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)技術(shù)降低指紋庫(kù)構(gòu)建的繁瑣性，該方法對(duì)于室內(nèi)環(huán)境要求較高，不能保證所有室內(nèi)環(huán)境下建圖的準(zhǔn)確性，不具有普適性。

線下構(gòu)建指紋庫(kù)時(shí)，無(wú)論是通過(guò)人工、插值算法或機(jī)器學(xué)習(xí)方法來(lái)完成指紋庫(kù)構(gòu)建，都無(wú)法保證指紋庫(kù)的長(zhǎng)期有效性，這是因?yàn)榄h(huán)境變化、基站位置變化會(huì)導(dǎo)致WiFi信號(hào)及WiFi信號(hào)場(chǎng)強(qiáng)分布發(fā)生變化。因此，必須隔一段時(shí)間重新建立或更新指紋庫(kù)，以保證其定位精度。文獻(xiàn)[31]開(kāi)發(fā)了一些簡(jiǎn)單硬件，可以通過(guò)在部分參考點(diǎn)上布置這些硬件實(shí)時(shí)采集參考點(diǎn)處的WiFi信號(hào)強(qiáng)度，從而使用高斯過(guò)程回歸模型再輔以WiFi信號(hào)衰減模型來(lái)預(yù)測(cè)其他位置處的信號(hào)強(qiáng)度,可以自適應(yīng)地應(yīng)對(duì)由于環(huán)境變化而帶來(lái)WiFi信號(hào)變化的問(wèn)題，但該方法在實(shí)際應(yīng)用中需額外增加硬件，不利于大范圍推廣應(yīng)用。文獻(xiàn)[32-34]提出眾包的方案來(lái)更新WiFi指紋庫(kù)，即通過(guò)用戶上傳平時(shí)所采集的數(shù)據(jù)，在后臺(tái)篩選出可靠的信號(hào)強(qiáng)度進(jìn)行指紋庫(kù)更新，該方案是目前研究的熱點(diǎn)，且有較高的可靠性。文獻(xiàn)[33]通過(guò)給終端用戶在線定位，用戶評(píng)判定位滿意度，進(jìn)而決定是否將在線獲取的RSS上傳到指紋庫(kù)中進(jìn)行更新，但該種更新方案受指紋庫(kù)地標(biāo)信息誤差的影響較明顯，而且定位滿意度的閾值無(wú)法量化。文獻(xiàn)[34]通過(guò)接收用戶反饋數(shù)據(jù)，利用手機(jī)傳感器信息和航跡推算信息驗(yàn)證數(shù)據(jù)的可靠性，并利用動(dòng)態(tài)聚類算法提取可靠的指紋庫(kù)數(shù)據(jù)。眾包方案能夠通過(guò)大量實(shí)時(shí)數(shù)據(jù)反應(yīng)當(dāng)前的室內(nèi)環(huán)境，即時(shí)更新數(shù)據(jù)庫(kù)以提高定位精度，但構(gòu)建一個(gè)大容量的交互平臺(tái)是該方法實(shí)施的前提。

綜上所述，指紋庫(kù)的構(gòu)建需要兼顧快速、準(zhǔn)確和自適應(yīng)的特點(diǎn)，但目前尚沒(méi)有一種方法能夠同時(shí)滿足三項(xiàng)指標(biāo)。因此，在指紋庫(kù)構(gòu)建過(guò)程中，雖然三種指標(biāo)無(wú)法同時(shí)達(dá)到最優(yōu)，但可以構(gòu)建一個(gè)綜合性的指標(biāo)，使三項(xiàng)指標(biāo)達(dá)到最優(yōu)化平衡；同時(shí)，還需要對(duì)指紋庫(kù)維度與定位精度間的關(guān)系進(jìn)行更深入地研究，以降低指紋庫(kù)的存儲(chǔ)壓力和算法的計(jì)算時(shí)間。

1.3 WiFi指紋庫(kù)信號(hào)匹配準(zhǔn)則

不同的WiFi信號(hào)指紋庫(kù)匹配準(zhǔn)則其定位結(jié)果也不同，主要是由于相似準(zhǔn)則的機(jī)理不同，且不同匹配準(zhǔn)則的適用場(chǎng)景不同。目前大多數(shù)的WiFi指紋庫(kù)定位都是尋找與在線采集到的RSS向量歐式距離最小的空間點(diǎn)，其表達(dá)式為[25]

(2)

式中，ri是移動(dòng)終端在線采集第i個(gè)AP的信號(hào)強(qiáng)度；Pi(Lj)是指紋庫(kù)中在Lj位置處接收的第i個(gè)AP的信號(hào)強(qiáng)度。

除了歐式距離之外，還有余弦相似度[35]和谷本相似度[36]等定位準(zhǔn)則，由距離最小定位準(zhǔn)則衍生出的算法有K最近鄰(K-Nearest Neighbor，KNN)和加權(quán)K最近鄰(WeightedK-Nearest Neighbor，WKNN)等[37-38]。在KNN方法中，K的取值十分重要，經(jīng)驗(yàn)取值一般為3或4[39]，但對(duì)于不同應(yīng)用場(chǎng)景，尚需進(jìn)一步評(píng)估。文獻(xiàn)[39]使用3步方案來(lái)更新WKNN方法中的權(quán)重信息。

最大概率分布[40]也是重要的信號(hào)匹配準(zhǔn)則，通過(guò)概率估計(jì)移動(dòng)終端的位置，其數(shù)學(xué)模型表示為

(3)

式中，p(Lj|r1,r2,…,rn)可以通過(guò)參數(shù)分布得到，一般使用高斯分布或者貝葉斯準(zhǔn)則獲得。

對(duì)于大多數(shù)定位系統(tǒng)，RADAR[15]和Horus[16]等均選信號(hào)均值作為信號(hào)的特征，定位準(zhǔn)則幾乎是距離最短或概率最大準(zhǔn)則，定位精度不高，約在2～5m間，這是因?yàn)樾盘?hào)強(qiáng)度均值只能提供接收信號(hào)的粗略信息，無(wú)法獲得信號(hào)物理層的更多信息。因此，對(duì)于WiFi信號(hào)特征選取和特征匹配準(zhǔn)則進(jìn)行深入研究也是未來(lái)的研究重點(diǎn)。

文獻(xiàn)[41]提出了利用指紋庫(kù)樣本的方差和均值進(jìn)行定位的方法，該方法通過(guò)凸包理論[42]實(shí)現(xiàn)定位，雖然該方法較為新穎，比較適用于理論分析，但算法復(fù)雜度較高。

1.4 不同移動(dòng)終端對(duì)于信號(hào)強(qiáng)度的敏感性

不同移動(dòng)終端對(duì)于相同的AP所感知出的信號(hào)強(qiáng)度也不同。這主要是因?yàn)椴煌囊苿?dòng)終端接收信號(hào)的硬件不相同，所以對(duì)相同信號(hào)感知出的強(qiáng)度大小不相同，目前有幾種主流的方法處理這一問(wèn)題[43-47]。為解決此問(wèn)題，式(1)可進(jìn)一步改寫為

(4)

信號(hào)強(qiáng)度差分(Difference of Signal Strength，DIFF)方法不直接將RSS作為指紋庫(kù)的特征進(jìn)行保存，而是選取2個(gè)RSS之差作為指紋特征[43]，其數(shù)學(xué)模型為

Δpij=p(di)-p(dj)

(5)

雙曲位置指紋(Hyperbolic Location Finger-printing，HLF)[44]認(rèn)為不同手機(jī)對(duì)信號(hào)強(qiáng)度的接受規(guī)則不盡相同，但接收的最初WiFi信號(hào)(頻數(shù))是相同的，該方法使用對(duì)數(shù)的RSS函數(shù)之比作為指紋庫(kù)特征進(jìn)行存儲(chǔ)，其特征可表示為

(6)

式中，yi∈(0,225),yi∈N,yi與p(di)之間的關(guān)系詳見(jiàn)文獻(xiàn)[49]。HLF以最初接收的WiFi信號(hào)(頻數(shù))為基礎(chǔ)，構(gòu)建一個(gè)指紋庫(kù)特征，但使用該方法必須保證頻數(shù)接收的準(zhǔn)確性。

針對(duì)本節(jié)所闡述的幾種典型方法，其對(duì)比結(jié)果如表1所示。

表1 消除設(shè)備硬件影響的方法對(duì)比

在選用上述方法中的特征進(jìn)行定位時(shí)，雖然可以減弱不同移動(dòng)終端信號(hào)強(qiáng)度特征之間的誤差，且定位結(jié)果更具魯棒性。但信號(hào)特征維度發(fā)生了變化，噪聲對(duì)定位結(jié)果影響更為明顯，因此在信號(hào)采集與處理過(guò)程中如何抑制信號(hào)噪聲將是重點(diǎn)需要解決的問(wèn)題。

2 總結(jié)和展望

本文通過(guò)回顧近年來(lái)基于WiFi指紋庫(kù)的室內(nèi)定位理論及應(yīng)用中的關(guān)鍵技術(shù)問(wèn)題，梳理了近年來(lái)針對(duì)這些問(wèn)題研究產(chǎn)生的新理論，闡明了這些方法的優(yōu)勢(shì)與不足之處?；赪iFi指紋庫(kù)的室內(nèi)定位技術(shù)的發(fā)展趨勢(shì)將聚焦在以下幾個(gè)方面。

1)為適應(yīng)動(dòng)態(tài)應(yīng)用環(huán)境，雖然有學(xué)者和研究人員對(duì)WiFi室內(nèi)定位技術(shù)和算法進(jìn)行了研究，并提出了相關(guān)理論[32-34]，但在實(shí)際應(yīng)用中，仍無(wú)法大規(guī)模使用，這主要是因?yàn)閷?shí)際過(guò)程中不存在真正準(zhǔn)確的模型，而且環(huán)境對(duì)信號(hào)強(qiáng)度的影響程度也無(wú)法度量。因此，在實(shí)際應(yīng)用中通過(guò)模型優(yōu)化的方式來(lái)解決這些問(wèn)題幾乎行不通，通過(guò)在線反饋，自主更新的方法將是基于WiFi指紋庫(kù)的室內(nèi)定位的研究熱點(diǎn)。

2)WiFi基站部署優(yōu)化問(wèn)題對(duì)WiFi精確定位也是十分重要的，包括如何放置AP[50]和如何選取參考點(diǎn)[51]等問(wèn)題，優(yōu)化部署可以通過(guò)花費(fèi)較低的人力、物力和財(cái)力獲得較好的定位精度；AP部署完成后，如何驗(yàn)證部署結(jié)果的唯一性和準(zhǔn)確性也是值得關(guān)注的熱點(diǎn)問(wèn)題。

3)通道狀態(tài)信息(Channel State Information， CSI)描述WiFi信號(hào)在傳播過(guò)程中信道的擁堵程度，CSI的值能夠反映幅值和子帶寬，表征WiFi信號(hào)的能力遠(yuǎn)大于信號(hào)強(qiáng)度表征WiFi信號(hào)的能力。文獻(xiàn)[52-53]通過(guò)獲取CSI并結(jié)合機(jī)器學(xué)習(xí)的相關(guān)知識(shí)，開(kāi)展了指紋庫(kù)定位算法和實(shí)際測(cè)試的研究，其定位效果較好，魯棒性也較強(qiáng)。但目前對(duì)于CSI的研究尚不夠深入，主要是由于CSI并不像RSS一樣容易得到，需要使用特定的硬件才能獲取。但隨著嵌入式處理技術(shù)的發(fā)展， 將來(lái)CSI技術(shù)有可能被大規(guī)模應(yīng)用。

參考文獻(xiàn)

[1] Buchli B, Sutton F, Beutel J. GPS-equipped wireless sensor network node for high-accuracy positioning applications[C]//European Conference on Wireless Sensor Networks. Springer-Verlag, Berlin, 2012:179-195.

[2] 李冀. 國(guó)外提升衛(wèi)星信號(hào)在拒止環(huán)境下導(dǎo)航定位能力的新技術(shù)[J]. 導(dǎo)航定位學(xué)報(bào), 2013, 1(2): 55-59.

[3] Sinel B, Norman M, Grant, et al. FCC seeks comment on cable regulations[J]. Cheminform, 1998, 29(40): 1337-1342.

[4] Liu S, Jiang Y, Striegel A. Face-to-face proximity estimationusing bluetooth on smartphones[J]. IEEE Transactions on Mobile Computing, 2014, 13(4):811-823.

[5] Sun G, Chen J, Guo W, et al. Signal processing techniques in network-aided positioning: a survey of state-of-the-art positioning designs[J]. IEEE Signal Processing Magazine, 2005, 22(4):12-23.

[6] Abdrabou A, Zhuang W. A position-based QoS routing scheme for UWB mobile ad hoc networks[J]. IEEE Journal on Selected Areas in Communications, 2006, 24(4):850-856.

[7] Yang L, Chen Y, Li X Y, et al. Tagoram: real-time tracking of mobile RFID tags to high precision using COTS devices[C]// Proceedings of the 20thAnnual International Conference on Mobile Computing and Networking, 2014: 237-248.

[8] Hatami A, Pahlavan K. A comparative performance evaluation of RSS-based positioning algorithms used in WLAN networks[C]// IEEE Wireless Communications and Networking Conference. IEEE, 2005:2331-2337.

[9] He S, Lin W, Chan S H. Indoor localization and automatic fingerprint update with altered AP signals[J]. IEEE Transactions on Mobile Computing, 2017, 16(7): 1897-1910.

[10] IEEE. Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) specifications, Amendment 4 : Enhancements for Higher Throughput[J]. IEEEN/D Part, 2007.

[11] Weiser M. The computer for the 21stcentury[J]. Mobile Computing and Communications Review, 1999, 3(3): 3-11.

[12] Du Y, Yang D, Xiu C. A novel method for constructing a WIFI positioning system with efficient manpower[J]. Sensors, 2015, 15(4):8358-8381.

[13] Atia M M, Noureldin A, Korenberg M J. Dynamic online-calibrated radio maps for indoor positioning in wireless local area networks[J]. IEEE Transactions on Mobile Computing, 2013, 12(9):1774-1787.

[14] Moghtadaiee V, Dempster A G, Lim S. Indoor local-ization using FM radio signals: A fingerprinting approach[C]// 2011 International Conference on Indoor Positioning and Indoor Navigation. IEEE, 2011:1-7.

[15] Bahl P, Padmanabhan V N. RADAR: an in-building RF-based user location and tracking system[C]// INFOCOM 2000. Proceedings of the 19thAnnual Joint Conference of the IEEE Computer and Communica-tions Societies. IEEE Xplore, 2000:775-784.

[16] Youssef M, Agrawala A. The Horus WLAN location determination system[C]// Proceedings of the 3rdInternational Conference on Mobile Systems, Applications, and Services. ACM, 2005:205-218.

[17] Kaemarungsi K, Krishnamurthy P. Properties of indoor received signal strength for WLAN location fingerprinting[C]// Proceedings of the 1stAnnual International Conference on Mobile and Ubiquitous Systems: Networking and Services. MOBIQUITOUS. IEEE, 2004: 14-23.

[18] Kaemarungsi K. Distribution of WLAN received signal strength indication for indoor location determination[C]// Proceedings of the 2006 1stInternational Symposium on Wireless Pervasive Computing. IEEE, 2006:6.

[19] Smailagic A, Small J, Siewiorek D P. Determining user location for context aware computing through the use of a wireless LAN infrastructure[D]. Institute for Complex Engineered Systems Carnegie Mellon University. Pittsburgh, 2000:15213.

[20] Zou H, Huang B, Lu X, et al. A robust indoor positioning system based on the procrustes analysis and weighted extreme learning machine[J]. IEEE Transactions on Wireless Communications, 2016, 15(2):1252-1266.

[21] Hossain A K M M, Jin Y, Soh W S, et al. SSD: A robust RF location fingerprint addressing mobile devices’ heterogeneity[J]. IEEE Transactions on Mobile Computing, 2013, 12(1):65-77.

[22] Kaya A O, Greenstein L J. A new path loss modeling approach for in-building wireless networks[C]//2012 IEEE Global Communications Conference (GLOBECOM). IEEE, 2012: 5033-5037.

[23] Du Y, Yang D, Xiu C. A novel method for constructing a WIFI positioning system with efficient man-power[J]. Sensors, 2015, 15(4):8358-8381.

[24] Watcharasukchit S, Triyason T, Krathut W, et al. WiFi indoor positioning with binary search method[C]// Proceedings of the 2017 10thInternational Conference on Ubi-Media Computing and Workshops. IEEE, 2017:1-6.

[25] Feng C, Au W S A, Valaee S, et al. Received-signal-strengthbased indoor positioning using compressive sensing[J]. IEEE Transactions on Mobile Compu-ting, 2012, 11(12):1983-1993.

[26] Feng C, Au W S A, Valaee S, et al. Compressive sensing based positioning using RSS of WLAN access points[C]// Proceedings of the IEEE INFOCOM. IEEE, 2010:1-9.

[27] Feng C, Au W S A, Valaee S, et al. Orientation-aware indoor localization using affinity propagation and compressive sensing[C]// Processings of the 2009 3rdIEEE International Workshop on Computational Advances in Multi-Sensor Adaptive. IEEE, 2010:261-264.

[28] Yin J, Yang Q, Ni L M. Learning adaptive temporal radio maps for signal-strength-based location estimation[J]. IEEE Transactions on Mobile Computing, 2008, 7(7):869-883.

[29] Hernández N, Ocaa M, Alonso J M, et al. Continuous space estimation: Increasing WiFi-based indoor localization resolution without increasing the site-survey effort[J]. Sensors, 2017, 17(1):147.

[30] Tang J, Chen Y, Chen L, et al. Fast fingerprint data-base maintenance for indoor positioning based on UGV SLAM[J]. Sensors, 2015, 15(3):5311-5330.

[31] Zou H, Jin M, Jiang H, et al. WinIPS: WiFi-based non-intrusive indoor positioning system with online radio map construction and adaptation[J]. IEEE Transactions on Wireless Communications, 2017, 16(12): 8118-8130.

[32] Zhuang Y, Syed Z, Li Y, et al. Evaluation of two WiFi positioning systems based on autonomous crowdsourcing of handheld devices for indoor navig-ation[J]. IEEE Transactions on Mobile Computing, 2016, 15(8):1982-1995.

[33] 李燕君, 徐凱鋒, 邵劍集. 利用眾包更新Wi-Fi室內(nèi)定位指紋庫(kù)的方法研究[J]. 傳感技術(shù)學(xué)報(bào), 2014(12):1692-1698.

[34] 張熠, 陳璟, 王革超. 一種結(jié)合眾包的WIFI指紋數(shù)據(jù)庫(kù)自構(gòu)建及更新算法[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2017, 38(11):2458-2464.

[35] He S, Chan S H G. Sectjunction: Wi-Fi indoor localization based on junction of signal sectors[C]// IEEE International Conference on Communications. IEEE, 2014:2605-2610.

[36] Jiang Y, Pan X, Li K, et al. ARIEL: Automatic Wi-Fi based room fingerprinting for indoor localization[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. ACM, 2012:441-450.

[37] Honkavirta V, Per?l? T, Alil?ytty S, et al. A comparative survey of WLAN location fingerprinting me-thods[C]// Proceedings of the 6thWorkshop on Positioning, Navigation and Communication. WPNC 2009. IEEE, 2009:243-251.

[38] Liu H, Darabi H, Banerjee P, et al. Survey of wireless indoor positioning techniques and systems[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2007, 37(6):1067-1080.

[39] Li D, Zhang B, Li C. A feature-scaling-based k-nearest neighbor algorithm for indoor positioning sys-tems[J]. IEEE Internet of Things Journal, 2016, 3(4):590-597.

[40] Mirowski P, Milioris D, Whiting P, et al. Probabilistic radio-frequency fingerprinting and localization on the run[J]. Bell Labs Technical Journal, 2014, 18(4):111-133.

[41] He S, Chan S H. Tilejunction: Mitigating signal noise for fingerprint-based indoor localization[J]. IEEE Transactions on Mobile Computing, 2015, 15(6):1554-1568.

[42] De Berg M, Van Kreveld M, Overmars M, et al. Computational geometry: algorithms and applications[J]. Mathematical Gazette, 2008, 19(3):333-334.

[43] Dong F, Chen Y, Liu J, et al. A calibration-free localization solution for handling signal strength variance[M]// Mobile Entity Localization and Trac-king in GPS-less Environnments. Springer, Berlin, Heidelberg, 2009.

[46] Hossain A K M M, Jin Y, Soh W S, et al. SSD: A robust RF location fingerprint addressing mobile devices’ heterogeneity[J]. IEEE Transactions on Mobile Computing, 2013, 12(1):65-77.

[47] Zou H, Huang B, Lu X, et al. A robust indoor positioning system based on the procrustes analysis and wei-ghted extreme learning machine[J]. IEEE Transactions on Wireless Communications, 2016, 15(2):1252-1266.

[48] Gower J C. Generalized procrustes analysis[J]. Psychometrika, 1975, 40(1):33-51.

[49] Bardwell J. Converting signal strength percentage to dBm values[J]. 2002.

[50] Hossain A K M M, Soh W S. Cramér-Rao bound analysis of localization using signal strength difference as location fingerprint[C]// Proceedings of the 2010 Conference on Information Communications. IEEE Press, 2010:1981-1989.

[51] Sheng K, Gu Z, Mao X, et al. The collocation of measurement points in large open indoor environment[C]// 2015 IEEE Conference on Computer Communications. IEEE, 2015:2488-2496.

[52] Wang X, Gao L, Mao S, et al. CSI-based fingerprinting for indoor localization: A deep learning approach[J]. IEEE Transactions on Vehicular Technology, 2017, 66(1):763-776.

[53] Yang Z, Zhou Z, Liu Y. From RSSI to CSI: Indoor localization via channel response[J]. ACM Compu-ting Surveys, 2013, 46(2):1-32.