何榮毅 王小群 王 寧

1(山東大學網(wǎng)絡(luò)與信息管理中心 山東 威海 264209) 2(鄭州大學信息工程學院 河南 鄭州 450001)

0 引 言

精確的室內(nèi)位置和設(shè)備的運動信息為定位服務[1]和新興的個性化運動監(jiān)測應用提供了許多契機。諸如用戶室內(nèi)向?qū)?、定位購物中心?nèi)的各類服務點，或者追蹤用戶每日步行和上樓梯次數(shù)，以便了解其日常鍛煉情況。設(shè)備對定位信息的精準計算使此類服務成為可能。目前，在沒有昂貴的設(shè)備或復雜的基礎(chǔ)設(shè)施支持的建筑物內(nèi)，準確地獲得室內(nèi)位置信息仍然是一個挑戰(zhàn)[2]。

傳統(tǒng)的室內(nèi)定位方法可以分為兩類。(1) 設(shè)備輔助法。部署特定的基礎(chǔ)設(shè)施或要求用戶攜帶特定的設(shè)備，以獲得準確的定位結(jié)果。例如，基于藍牙信號強度的定位系統(tǒng)[3]、超聲波定位系統(tǒng)Cricket[4-5]、基于無線射頻識別的定位系統(tǒng)[6-7]等。該類方法通常具有很高的精度，但是它們的成本很高，而且在很多應用環(huán)境中的部署難度較大。(2) 免設(shè)備定位方法[8-10]。用戶不需要額外的設(shè)備，通常使用指紋算法(或其他機器學習技術(shù))來訓練所在環(huán)境中的離線信號強度來獲得理想的位置精度。該類方法降低了定位的成本，但無需設(shè)備的室內(nèi)定位的準確性取決于訓練數(shù)據(jù)的大小，而數(shù)據(jù)收集和訓練是復雜而耗時的。

目前，智能手機或平板電腦都配備了加速度計、回轉(zhuǎn)儀、旋轉(zhuǎn)矢量和方向傳感器等多種傳感器，以及可以檢測運動和預測位置的多種類型的無線電。智能手機上的航位推算應用程序[11-12]被廣泛應用于對移動人員的跟蹤或在室內(nèi)環(huán)境中進行人員定位。航位推算可以通過使用先前確定的位置來計算一個人的當前位置。而航位推算所需的參數(shù)可通過智能手機上的加速度計和方向傳感器獲得。因此，航位推算的性能取決于這些傳感器的測量精度。目前來看，智能手機的定位應用仍然不夠精確。例如，UM6[13]是一種用于定位的常用傳感器，在其應用中，定向估計的小誤差會導致計算位置的嚴重偏差。方位傳感器只需出現(xiàn)0.5度的誤差，在1 min之內(nèi)就會造成308 m的誤差。

為此，本文提出了一種基于多用戶協(xié)同計算的室內(nèi)定位方法(ILM-MUCC)。針對傳統(tǒng)的航位推算方法的不足，利用多個智能手機交互的機會來提高定位準確性。每個智能手機計算自己的位置，然后與附近的智能手機共享。此外，智能手機使用多個無線電的信號強度來估計設(shè)備之間的距離，隨著信息共享和位置計算的多次迭代，極大地提供了室內(nèi)定位的精度。最后的室內(nèi)仿真實驗也驗證了本文方法的有效性。

1 系統(tǒng)設(shè)計

1.1 系統(tǒng)概述

本文提出的ILM-MUCC方法的總體架構(gòu)如圖1所示。

圖1 本文方法的框架圖

ILM-MUCC方法在用戶的移動設(shè)備上有兩種工作機制：(1) 周期性地測量用戶移動設(shè)備上的加速度計，模擬用戶的行走模式，并通過航位推算來計算用戶的位置；(2) 當用戶遇到其他用戶時，ILM-MUCC會周期性地向附近其他用戶發(fā)送藍牙、Zigbee和WiFi信號。移動終端通過獲得來自其他檢測設(shè)備的接收信號強度(RSSI)值，分析每個時段的RSSI的變化來進行航位推算。由于WiFi信號對干擾比較敏感，如果WiFi接收信號強度的變化超過門限，則認為此時間段內(nèi)收到的接收信號強度值因干擾而無效，此時使用歷史數(shù)據(jù)重新計算。

對于室內(nèi)定位而言，面臨的主要挑戰(zhàn)是如何在無需任何額外設(shè)備的情況下使用RSSI值來幫助用戶準確定位自己。在ILM-MUCC方法中，用戶通過檢測到的設(shè)備獲得接收信號強度后，可利用接收信號強度與歐幾里德距離的映射關(guān)系來估計這些設(shè)備之間的距離。這些不同移動設(shè)備之間的關(guān)系是在離線狀態(tài)下訓練的，可以在云端進行訪問。在獲得每一對設(shè)備之間的距離之后，被檢測范圍內(nèi)的所有設(shè)備形成三角形或多邊形。每個頂點的初始位置由航位推算生成，用戶通過使用到其他設(shè)備的距離以及其他設(shè)備之間的位置關(guān)系來計算自己的位置。通過迭代，所估計的位置的誤差可以有效地降低。此外，ILM-MUCC還設(shè)計了一個計算用戶行走步數(shù)的模型，以減少智能手機上常見的計步器錯誤。最后需要指出的是，ILM-MUCC是一個輕量級的應用程序，它將參與定位的移動設(shè)備看作一個多邊形，然后將多邊形分解為三角形來進行定位計算，計算用戶的設(shè)備位置的過程部署在云服務器上，而不是在移動設(shè)備上運行。

1.2 航位推算

在移動設(shè)備中，加速器是一種適合用戶活動識別的慣性傳感器，移動設(shè)備周期性地在彼此正交的三個軸上檢測可獲得用戶活動的加速度。假設(shè)每個時間段的時間長度為1 s，加速度的計算公式如下：

(1)

式中：g指地球引力，ax、ay和az是在Ox、Oy和Oz三個軸上檢測到的加速度。利用在每個周期中獲得的加速度，移動設(shè)備在時間段n中的移動距離也可基于式(1)計算得到。vn-1和an-1指前一時間段的速度和加速度；tn指當前時段的時間長度；Sn指當前時期的移動距離向量。如圖2所示，如果智能手機上的應用程序通過式(1)連續(xù)計算每個時間段的移動距離，則可以獲得移動設(shè)備的整個軌跡。

圖2 航位推算方法

1.3 距離和接收信號強度(RSSI)

在大多數(shù)移動設(shè)備上可以輕易地收集到接收信號強度。盡管RSSI值經(jīng)常因干擾和路徑損耗而變化，但是從其他設(shè)備獲得的接收信號強度值與設(shè)備之間的距離高度相關(guān)。較短的距離往往代表更強的接收信號強度。在ILM-MUCC中，通過收集表示各類型廣泛應用的移動設(shè)備的距離和接收信號強度值的數(shù)據(jù)來建立接收信號強度-距離映射關(guān)系。

RSSI可從藍牙適配器獲得，例如，當華為Mate10智能手機與華為MateBook X平板電腦之間的距離在空房間中為5 m時，則接收信號強度一般為-66 dBm。接收信號強度-距離映射關(guān)系的訓練不考慮干擾等因素對接收信號強度值的影響，這些噪聲和例外情況將由WiFi過濾器處理。由此得到的映射關(guān)系將存儲在云服務器上的數(shù)據(jù)庫中。另外，雖然訓練映射關(guān)系需要一定的人工和時間成本，但由于我們所采用的移動設(shè)備的類型較為普遍，所獲得的映射關(guān)系可以服務于普通的基于Android的移動設(shè)備。

1.4 三角計算定位

1) 三角形計算模型 在ILM-MUCC中，三角形計算的目的是通過了解其他檢測設(shè)備的位置和接收信號強度值來定位用戶的位置。如圖3所示，三個用戶(Alice、Bob和Carson)持有具有藍牙適配器的移動設(shè)備。在每個時期，假設(shè)他們形成一個三角形。打開藍牙選項后，每個用戶都會收到其他兩個用戶的接收信號強度值。然后用距離-接收信號強度映射關(guān)系得到三角形三邊的長度。如果Alice希望找到自己，在她知道Bob和Carson的位置的情況下(Bob和Carson的位置通過航位推算方法計算得到，當他們相遇時會發(fā)送給Alice)，Alice的位置可以通過式(2)計算得到。其中，(xa,ya)表示設(shè)備a在二維平面上的位置；AB和AC分別表示Alice和Bob，以及Alice和Carson之間的距離。在本文中，由于藍牙檢測的范圍是10 m，所以在一個三角形中每條邊的上限是10 m。

(2)

圖3 三角形模型

然而，航位推算方法有時不足以提供令人滿意的位置信息，如圖4所示。假設(shè)三角形ABC上的頂點指的是三位用戶的真實位置。三位用戶使用航位推算方法來預估他們的初始位置，并且這種預估并不準確。預估的位置為是A′B′和C′，A和A′，B和B′，以及C和C′之間的距離是2 m。Alice通過三角計算可得到Bob和Carson的接收信號強度值，利用接收信號強度-距離映射關(guān)系，可以得到Bob和Carson的估計距離。

圖4 三角校準示例

然后，通過計算出的兩個距離(AB′和AC′以及B′和C′(B′C′)之間的距離)，我們可以計算A′的估計位置A″，即由式(1)計算出A的估計位置。與A′相比，A與A″更接近，我們也可以計算B′和C?的位置，因此，新形成的三角形A“B”C“能夠減少距離航位推算造成的錯誤。

2) 從三角形到多邊形的擴展 基于上述包含三個用戶的例子，Alice可以通過三角形計算獲得自己的位置。在實際情況中，房間或走廊中可能有三臺以上的設(shè)備。如同以上示例所述，如果David進入房間，那么就可以形成一個四邊形。用戶設(shè)備可以被視為四邊形的頂點。那么，在包含頂點Alice的四邊形中有三個三角形即三角形ABC、ABD、ACD，如圖5所示。將Alice的新位置定義為從三個三角形估計的Alice位置的平均值：

xa=(xa(abc)+xa(abd)+xa(acd))/3

y=(ya(abc)+ya(abd)+ya(acd))/3

(3)

式中：xa(abc)和ya(abc)是由三角形ABC計算出的Alice的x和y值。如果房間包含4個以上的設(shè)備，則所有的設(shè)備都可以被抽象為多邊形的頂點。對于每個設(shè)備，我們可以使用多邊形中的三角形來進行定位。然后，通過計算從不同三角形獲得的位置的平均值，設(shè)備的用戶可以準確地計算得到自身位置。如果一個用戶在一個具有更多的移動設(shè)備的環(huán)境中并形成更復雜的多邊形，則定位結(jié)果會更準確。

圖5 將四邊形分解成三角形

1.5 WiFi濾波器

大多數(shù)智能手機和平板電腦都支持藍牙和WiFi。藍牙RSSI值不僅對干擾敏感，而且對兩個偵測設(shè)備之間的距離也很敏感。藍牙RSSI值通常在10 m范圍內(nèi)從最大值到最小值變化。距離越短，則其RSSI值越大。WiFi接收信號強度值對發(fā)送者和接收者之間的人體或墻壁等干擾較為敏感，但對于大多數(shù)為移動設(shè)備提供WiFi的無線路由器來說，在1～10 m之間的距離內(nèi)，WiFi接收信號強度值變化不大。藍牙適配器使用掃描和查詢程序進行操作。目前的移動設(shè)備通常需要5～15 s的操作時間。因此，藍牙RSSI的采樣頻率是有限的。在移動設(shè)備快速移動的情況下，用戶可能會失去記錄藍牙RSSI值的機會。為此，本文引入了Zigbee協(xié)議中的接收信號強度。Zigbee的接收信號強度的特性與藍牙接收信號強度相似，但Zigbee不需要進行長時間的掃描和連接其他設(shè)備。另外，Zigbee可以由編程器設(shè)置信號強度的采樣頻率(1 Hz或0.5 Hz)作為常用的接收信號強度采樣頻率。

眾所周知，RSSI在室內(nèi)環(huán)境中表現(xiàn)差強人意。RSSI值的一些變化可能會導致接收信號強度距離-映射關(guān)系錯誤。例如，如果有移動物體位于兩個Zigbee(或藍牙適配器)之間，則RSSI的接收值將降低。此時如果在訓練數(shù)據(jù)集中使用接收信號強度距離-映射，相應的距離將會增加。因此，我們需要過濾這個干擾(噪聲)。如前所述，盡管WiFi對距離不敏感，但它對干擾十分敏感。為此，本文設(shè)計了WiFi濾波器算法減少干擾對定位的影響，如算法1所示。

算法1WiFi濾波器算法

輸入：從藍牙、Zigbee和WiFi適配器收集的接收信號強度樣本，WiFi濾波器的閾值

輸出：藍牙和Zigbee中經(jīng)過過濾的接收信號強度值

1：for i=1;i<周期數(shù);執(zhí)行一次循環(huán)體

2：if WiFi接收信號強度值變幅>閾值，那么

3： //找到最近一個周期的無線傳感器網(wǎng)絡(luò)值

4： 調(diào)用WiFi濾波器(i-1);

5： //替換NP中的異常接收信號強度值

6. for j=1;j

8： end for

9： for k=1;k<周期i(nz)中的Zigbee樣本數(shù)；執(zhí)行k++

11. end for

12 else

13 返回BluetoothRSSI[i][nb];

14. 返回ZigbeeRSSI[i][nz];

15. end for

由于用戶的移動一般不會突然發(fā)生改變，如果接收到的WiFi接收信號強度每10 s變化超過5 dBm，則認為接收信號強度的這種明顯變化是由干擾造成的。在算法1中，我們將10 s時間段定義為“噪聲時期(NP)”，并采用了最近時間段中的一個非NP的接收信號強度值代替NP中的接收信號強度值。如圖6所示，當WiFi信號在兩個NP(116～119 s，166～169 s)處遇到干擾時，接收信號強度值急劇下降。在使用WiFi濾波器來檢測NP之后，藍牙和Zigbee的噪聲樣本被在先前最近的時間段中的平均接收信號強度值校正。在大多數(shù)室內(nèi)場景中，人們通過無線路由器接收WiFi信號。但是，一些室內(nèi)環(huán)境沒有這樣的基礎(chǔ)設(shè)施，WiFi直連是大多數(shù)主流移動設(shè)備(如iPhone、iPad和Android智能手機)采用的WiFi標準。這種技術(shù)使設(shè)備能夠彼此連接而不需要無線接入點，例如無線路由器。每個智能手機/平板電腦都可以打開WiFi直連選項，這意味著每個移動設(shè)備都可以通過WiFi檢測到其他設(shè)備，并從這些設(shè)備獲取接收信號強度值。如果WiFi直連獲得的WiFi值急劇變化，也可以看成是NP，并由WiFi濾波器處理。

圖6 WiFi濾波器

1.6 組合算法：三角形計算與航位推算

盡管三角形計算與實際數(shù)據(jù)十分接近，但仍然存在由映射引起的誤差。事實上，航位推測的誤差是由加速度計的變化引起的。再加上預測誤差的范圍有一定困難，因此，理想的情況是在每個時間段從兩種方法中選擇更好的定位結(jié)果。為了實現(xiàn)這一目標，文中定義以下兩個事件來指示航位推算方法何時不可靠：

事件1：在某個時間段i內(nèi)，與前一時間段i-1相比，加速度計急劇變化，ax或ay或az變化超過1 m/s2。

事件2：在某個時間段i內(nèi)，與前一時間段i-1相比，移動設(shè)備的位置急劇變化，x或y的變化超過5 m。

當WiFi濾波器檢測到噪聲周期時，三角形計算方法不可靠。為此，提出了一種基于航位推算和三角計算的組合算法來實現(xiàn)室內(nèi)定位，如算法2所示。

算法2組合算法

輸入：用戶通過航位推算法和三角形計算出在時間段i的位置：(xi,yi)d，(xi,yi)t

輸出：在時間段i的組合位置結(jié)果：(xi,yi)c

1：while在每個時間段i do

2： if 時間段i是噪聲時段(NP)，then

3： 調(diào)用WiFi濾波器(i);

4： 用更新的BluetoothRSSI[i][nb]和ZigbeeRSSI[i][nz]重新計算(xi,yi)t

5： else

6： (xi,yi)c=(xi,yi)d

7： if 事件1或事件2 then

8： (xi,yi)c=(xi,yi)t

9： end if

10： end if

11：返回(xi,yi)c

12：end while

1.7 步數(shù)計算

利用智能手機上的步數(shù)計數(shù)器可以計算步數(shù)。然而，大多數(shù)計步器是非常不準確的[14]。一個直觀的原因就是智能手機上集成的計步器依賴于加速度計。由于智能手機上的加速度計值并不等于人體的加速度，很難在人體行走模式中無誤地識別加速度。不同的人有不同的跨步長度，要啟用ILM-MUCC來計算步數(shù)，有必要估計每個用戶的步長，步長dk的計算模型如式(3)所示。其中，fk表示在短訓練周期k內(nèi)可手動計數(shù)的步進頻率，其最小時間長度設(shè)置為20 s。式(3)屬于線性模型，為了估計其中的參數(shù)a和b，我們征集了七組志愿者來進行訓練，分析了他們的平均步頻與平均步長的關(guān)系(見圖7)，采用最小二乘法來進行參數(shù)擬合，通過進行輕量級的訓練階段，用戶可以得到自己的步長，從而計算步數(shù)，見式(4)。最后，通過添加在每個時間段中記錄的步數(shù)，用戶可以確定他們總共走過的步數(shù)。

dk=a×fk+b

(3)

(4)

圖7 步長與步頻之間的關(guān)系

2 仿真實驗

2.1 實驗設(shè)置

本文在基于Android的移動設(shè)備上構(gòu)建了一個ILM-MUCC原型。在每個設(shè)備的模擬實驗中，我們將藍牙、Zigbee和WiFi直連濾波器結(jié)合起來進行三角形計算。由于Android OS不支持Zigbee模式，我們通過共享時間標記同步記錄Zigbee和藍牙數(shù)據(jù)。Zigbee和WiFi直連采樣頻率分別為1 Hz和0.25 Hz。藍牙接收信號強度的采樣頻率為0.1～0.2 Hz。對于每個數(shù)據(jù)樣本，在接收到經(jīng)過訓練的映射關(guān)系轉(zhuǎn)換后的藍牙和Zigbee接收信號強度值之后，我們可以確定每對設(shè)備之間的距離。在評估中引入了兩個度量標準：1) 距離誤差，表示實際位置與估計位置之間的距離(單位為m)。2) 累積步數(shù)的誤差，表示第三方應用程序與ILM-MUCC之間計算的步數(shù)不同。

主要分析和討論如下的四個問題：1) 本文方法是否有助于改善移動設(shè)備在不同環(huán)境中的定位精度？2) 本文方法是否可以有效地計算用戶的步行步數(shù)？ 3) Zigbee模型和WiFi濾波器如何協(xié)助藍牙模型？ 4) 對于一個用戶來說，遇到更多也使用ILM-MUCC的用戶是否有助于她/他提高自己的定位準確性？

2.2 不同情景下的定位精度分析

如圖8所示，我們在本校的某一教學大樓的一個房間里進行了45 min的實驗，實驗重復200次。在實驗中三個用戶攜帶移動設(shè)備并自由行走。所有人都使用ILM-MUCC并經(jīng)常與他人互動。如圖8(b)所示，X軸為實驗時間，Y軸為用戶A的距離誤差。不同灰度曲線分別為航位推算法、三角形計算法和組合算法的距離誤差。圖9所示為我們在走廊中進行的類似實驗。從這兩類實驗可以看到，三角形計算的組合方法效果最好，航位推算的平均偏差可減少到0.5 m。

圖8 室內(nèi)試驗

圖9 走廊試驗

在模擬航位推算方法時，文中采用式(1)定期從智能手機上的加速度計獲取加速度值。然后，在x,y,z軸上引入隨機的加速度誤差，誤差范圍從-1 m/s2到1 m/s2。對于三角形計算，我們隨機地為三角形的每一邊添加-10到10的百分比的距離誤差。每個實驗組的時間從45 min減少到1 000 s。如圖8(c)和圖9(c)所示，在一個特定的時間點，每一行的數(shù)據(jù)樣本是指在50次模擬中獲得的距離誤差的平均值，每行的陰影是計算值的置信區(qū)間。這兩個數(shù)字表明，經(jīng)過多次模擬，組合算法比航位推算和三角形計算具有更準確的定位結(jié)果，誤差范圍可被限定為1 m以內(nèi)。

我們將實驗從單一的區(qū)域擴展到具有多個房間和走廊的室內(nèi)建筑：用戶攜帶移動設(shè)備四處行走，并同時與其他設(shè)備進行通信。所有設(shè)備都安裝并運行ILM-MUCC。如圖10所示，虛線表示用戶進入另一房間時的時間點。例如，在第50 s，用戶離開房間進入走廊。組合算法的定位結(jié)果比其他兩種方法更準確(特別是航位推算方法)。使用ILM-MUCC的定位誤差仍在1 m以內(nèi)。

圖10 在復雜的室內(nèi)環(huán)境中進行ILM-MUCC測量

此外，圖11給出了ILM-MUCC方法與目前兩款流行的計步器應用程序[15](Noom Walk，ACCUPEDO)的步數(shù)誤差比較情況。從圖中可以看到，隨著用戶行走時間的增加，Noom Walk和ACCUPEDO的步數(shù)誤差數(shù)量呈線性增長，而ILM-MUCC在整個過程中比其他兩個計步器的誤差更少，且步數(shù)誤差數(shù)量的增長趨勢較為平緩，這表明ILM-MUCC方法的魯棒性更高。

圖11 三個應用程序的累計步數(shù)誤差比較

2.3 不同的移動設(shè)備數(shù)量下的定位精度分析

下面討論用戶接觸到的移動設(shè)備數(shù)量是否會影響定位精度。首先，假設(shè)Alice攜帶智能手機，并于500 s內(nèi)在一個房間內(nèi)自由行走。然后，通過應用ILM-MUCC，其他人的存在可以幫助Alice定位她自己。實驗中設(shè)置了兩個控制組：1) 組中包括Bob和Carson，他們將幫助Alice應用三角形計算；2) 組中包括Bob、Carson和David，他們使用“多邊形分解”做三角形計算。從圖12(a)可以看到，當用戶接觸到的移動設(shè)備數(shù)量越多，則定位的精度就越高。為了進一步支持以上結(jié)論，我們進行了更復雜的實驗：ILM-MUCC的用戶在室內(nèi)建筑物中自由行走。在該過程中，會產(chǎn)生三種軌跡：1) 用戶沒有遇到任何其他用戶(用戶的位置通過航位推算得到)。2) 用戶一直維持有其他兩個用戶協(xié)助他通過組合方法來定位自己。3) 用戶一直維持有三到四位其他用戶幫助他定位自己。實驗結(jié)果見圖12(b)，從中可以看到，軌跡1僅由航位推算法獲得，該結(jié)果通常與地面真實情況有嚴重偏差(大約3 m)。軌跡3采用了組合方法，并且在過程中有更多的用戶來輔助定位，該痕跡體現(xiàn)出了極佳性能。基于以上評估，如果所有用戶都在自己的移動設(shè)備上運行ILM-MUCC，則每個用戶的定位精度都可以提高，從而讓更多的人獲得極佳的定位性能。

(a) 遇到的不同數(shù)量的設(shè)備

(b) 控制組比較 圖12 移動設(shè)備數(shù)量VS定位精度

2.4 WiFi濾波器的閾值

WiFi濾波器的閾值選取是關(guān)鍵因素。如果將P設(shè)置為濾波閾值，就會導致接收信號強度變化值的干擾小于P，從而干擾將被忽略。如果將WiFi濾波器的閾值設(shè)置得太低，則會將接收信號強度值的正常變化判斷為干擾。基于華為Mate10智能手機和Google Nexus 7智能手機，我們在教學大樓的一個房間中運用了我們的方法，并按照實驗設(shè)置所述進行實驗，測試了不同的WiFi濾波器閾值下WiFi濾波器檢測的成功率如表1所示。其中，實際干擾指實驗中產(chǎn)生干擾的次數(shù)；檢測干擾指WiFi濾波器檢測到干擾的次數(shù)；錯判干擾指發(fā)生干擾的誤報數(shù)量。從表1中可以看到，當閾值等于5 dBm時，ILM-MUCC方法的表現(xiàn)最好。

表1 WiFi濾波器閾值

2.5 復雜性分析

最后，對ILM-MUCC方法的復雜性進行了分析。對于最壞的情況，假設(shè)所有設(shè)備都在藍牙適配器(或無線傳感器網(wǎng)絡(luò)基站)的可達范圍內(nèi)，即應在每個移動設(shè)備之間建立連接。如果系統(tǒng)包含n個設(shè)備，則系統(tǒng)的復雜度為O(n2)。對于最理想的情況，用戶只能訪問藍牙適配器(或Zigbee基站)的不同范圍內(nèi)的其他人，系統(tǒng)的復雜度為O(n)。因此，ILM-MUCC方法的復雜性在可接受的范圍內(nèi)，即使設(shè)備數(shù)量不是很少，我們也可以在大多數(shù)情況下應用它。

3 結(jié) 語

提出了一種基于多用戶協(xié)同計算的室內(nèi)定位方法(ILM-MUCC)。在ILM-MUCC中，我們建立了不同移動設(shè)備的接收信號強度和距離之間的關(guān)系，并使用幾何計算來減少航位推算造成的誤差。實驗結(jié)果表明，如果一個行走的用戶攜帶移動設(shè)備并在建筑物中使用ILM-MUCC，并且他/她遇到了同樣使用ILM-MUCC的其他用戶，則定位結(jié)果將會更加準確，誤差范圍可控制在1 m以內(nèi)。我們將Zigbee的接收信號強度值與從藍牙獲得的接收信號強度相結(jié)合，以收集更多的樣本，并輔助使用基于WiFi的濾波器，這兩種技術(shù)都提高了室內(nèi)定位精度。此外，利用已知的位置信息，ILM-MUCC可以計算步行者的步數(shù)，并有效克服了基于智能手機的計步器引起的常見錯誤。在以后的工作中，我們將對設(shè)備差異性造成的WiFi信號強度不確定問題做進一步研究，擬提出一種基于K最近鄰的位置指紋室內(nèi)定位方法。