摘要：提出一種5G網(wǎng)絡(luò)下的高精度室內(nèi)定位算法優(yōu)化方法。該方法綜合利用5G網(wǎng)絡(luò)的大帶寬、低時(shí)延和高連接密度等特點(diǎn)，通過(guò)優(yōu)化信號(hào)測(cè)量、多源異構(gòu)數(shù)據(jù)融合和定位計(jì)算模型，顯著提升了定位精度和實(shí)時(shí)性。同時(shí)，引入低功耗策略，延長(zhǎng)了設(shè)備電池壽命。仿真實(shí)驗(yàn)表明，該算法在定位精度、實(shí)時(shí)性和能耗方面均優(yōu)于現(xiàn)有方法，為5G室內(nèi)定位的實(shí)際應(yīng)用奠定了基礎(chǔ)。

關(guān)鍵詞：5G網(wǎng)絡(luò)；室內(nèi)定位；算法優(yōu)化；定位精度；低功耗

一、前言

高精度室內(nèi)定位技術(shù)在智慧城市、智能交通、應(yīng)急救援等領(lǐng)域有著廣泛的應(yīng)用前景。然而，受限于無(wú)線(xiàn)信號(hào)的衰落和多徑效應(yīng)，傳統(tǒng)的室內(nèi)定位技術(shù)難以滿(mǎn)足高精度、實(shí)時(shí)性和低功耗的要求。5G網(wǎng)絡(luò)的出現(xiàn)為室內(nèi)定位技術(shù)的發(fā)展帶來(lái)了新的機(jī)遇。5G網(wǎng)絡(luò)具有大帶寬、低時(shí)延、高連接密度等顯著優(yōu)勢(shì)，能夠提供更高質(zhì)量的無(wú)線(xiàn)信號(hào)，支持更多設(shè)備的同時(shí)接入，為實(shí)現(xiàn)高精度、實(shí)時(shí)、低功耗的室內(nèi)定位奠定了基礎(chǔ)。

二、5G網(wǎng)絡(luò)下的室內(nèi)定位算法優(yōu)化

（一）算法總體框架

本文提出的5G室內(nèi)定位算法（以下簡(jiǎn)稱(chēng)本文算法）優(yōu)化方法總體框架由三個(gè)主要功能模塊組成：5G信號(hào)測(cè)量與數(shù)據(jù)預(yù)處理模塊、多源異構(gòu)數(shù)據(jù)融合模塊和定位計(jì)算模塊。此外，本文算法還集成了低功耗策略，以延長(zhǎng)定位終端設(shè)備的電池使用時(shí)間[1]。在5G信號(hào)測(cè)量與數(shù)據(jù)預(yù)處理模塊中，本文算法首先通過(guò)5G基站和移動(dòng)終端之間的無(wú)線(xiàn)信號(hào)交互，獲取觀測(cè)量，包括時(shí)差（TDOA）、到達(dá)角（AOA）和信號(hào)強(qiáng)度（RSS）等。然后，本文算法對(duì)觀測(cè)量進(jìn)行預(yù)處理，包括異常值剔除、噪聲濾波和信號(hào)增強(qiáng)等，以提高數(shù)據(jù)質(zhì)量和可靠性。預(yù)處理后的觀測(cè)量被輸入數(shù)據(jù)融合模塊。多源異構(gòu)數(shù)據(jù)融合模塊中，本文算法綜合利用5G觀測(cè)量、慣性傳感器數(shù)據(jù)（加速度計(jì)和陀螺儀）、GNSS定位結(jié)果，以及室內(nèi)地圖信息等多源異構(gòu)數(shù)據(jù)，通過(guò)隱馬爾可夫模型（HMM）實(shí)現(xiàn)數(shù)據(jù)融合，生成目標(biāo)的運(yùn)動(dòng)狀態(tài)估計(jì)和位置估計(jì)。HMM通過(guò)建模目標(biāo)的運(yùn)動(dòng)模式和觀測(cè)模型，在時(shí)間和空間上實(shí)現(xiàn)了多源信息的有效融合，提高了定位精度和魯棒性。

在定位計(jì)算模塊中，本文算法以數(shù)據(jù)融合的結(jié)果為輸入，通過(guò)優(yōu)化的定位計(jì)算模型計(jì)算目標(biāo)的精確位置。定位計(jì)算模型針對(duì)5G網(wǎng)絡(luò)的特點(diǎn)進(jìn)行了優(yōu)化，采用了基于梯度下降的迭代求解算法，引入了自適應(yīng)權(quán)重調(diào)整機(jī)制和多徑效應(yīng)抑制技術(shù)，提高了定位精度和收斂速度。定位計(jì)算的結(jié)果作為本文算法的最終輸出，可用于室內(nèi)導(dǎo)航、位置服務(wù)等應(yīng)用。低功耗策略貫穿于整個(gè)算法框架中，通過(guò)自適應(yīng)調(diào)節(jié)信號(hào)采樣率、動(dòng)態(tài)管理傳感器工作模式、優(yōu)化數(shù)據(jù)傳輸和計(jì)算等措施，最小化能量消耗，延長(zhǎng)電池續(xù)航時(shí)間，同時(shí)保證定位性能。本文算法的三個(gè)功能模塊以及低功耗策略協(xié)同工作，相互配合，共同實(shí)現(xiàn)高精度、實(shí)時(shí)、低功耗的5G室內(nèi)定位。下文將對(duì)每個(gè)模塊和策略進(jìn)行詳細(xì)闡述。

（二）5G信號(hào)測(cè)量與數(shù)據(jù)預(yù)處理優(yōu)化

5G信號(hào)測(cè)量是室內(nèi)定位的基礎(chǔ)。本文算法充分利用了5G網(wǎng)絡(luò)的大帶寬、高頻率、大規(guī)模天線(xiàn)等特點(diǎn)，設(shè)計(jì)了針對(duì)性的信號(hào)測(cè)量方案。本文算法采用了正交頻分復(fù)用（OFDM）波形，利用導(dǎo)頻符號(hào)實(shí)現(xiàn)信道估計(jì)，獲得高精度的信號(hào)到達(dá)時(shí)間（TOA）。同時(shí)，本文算法利用大規(guī)模天線(xiàn)陣列的波束賦形能力，通過(guò)到達(dá)角（AOA）估計(jì)實(shí)現(xiàn)空間分辨。首先，本文算法采用改進(jìn)的Grubbs檢驗(yàn)方法，自適應(yīng)地檢測(cè)和剔除觀測(cè)量中的異常值，消除野值的影響[2]。然后，針對(duì)5G網(wǎng)絡(luò)的colored noise特性，本文算法設(shè)計(jì)了自適應(yīng)的Kalman濾波器，對(duì)觀測(cè)量進(jìn)行去噪，獲得更加精確和平滑的測(cè)量結(jié)果。

（三）多源異構(gòu)數(shù)據(jù)融合策略

由于單一類(lèi)型的傳感器數(shù)據(jù)難以滿(mǎn)足高精度定位的需求，本文算法提出了一種多源異構(gòu)數(shù)據(jù)融合策略，綜合利用5G信號(hào)測(cè)量數(shù)據(jù)、慣性傳感器數(shù)據(jù)、GNSS數(shù)據(jù)和地圖信息，提升定位精度和魯棒性。本文算法采用分層融合框架，在特征層和決策層分別進(jìn)行數(shù)據(jù)融合[3]。在特征層，本文算法通過(guò)卡爾曼濾波器實(shí)現(xiàn)了5G信號(hào)測(cè)量數(shù)據(jù)與慣性傳感器數(shù)據(jù)的緊耦合融合，動(dòng)態(tài)跟蹤目標(biāo)的運(yùn)動(dòng)狀態(tài)。在決策層，本文算法結(jié)合GNSS數(shù)據(jù)和地圖信息，利用粒子濾波算法對(duì)多傳感器融合結(jié)果進(jìn)行優(yōu)化，克服定位誤差積累問(wèn)題。

（四）定位計(jì)算模型優(yōu)化

定位計(jì)算模型的優(yōu)化是提升定位精度的關(guān)鍵。本文算法針對(duì)5G網(wǎng)絡(luò)下的定位場(chǎng)景，對(duì)經(jīng)典的定位計(jì)算模型進(jìn)行了改進(jìn)。本文算法綜合利用TOA、AOA和信號(hào)強(qiáng)度（RSS）等多種測(cè)量信息，構(gòu)建了超定方程組，通過(guò)最小二乘估計(jì)求解定位問(wèn)題。在此基礎(chǔ)上，本文算法引入了權(quán)重因子，對(duì)不同測(cè)量數(shù)據(jù)賦予不同的權(quán)重，減小測(cè)量誤差對(duì)定位結(jié)果的影響。此外，針對(duì)5G網(wǎng)絡(luò)下的多徑效應(yīng)，本文算法設(shè)計(jì)了基于稀疏表示的定位計(jì)算模型，通過(guò)壓縮感知理論恢復(fù)多徑信號(hào)的到達(dá)時(shí)間和到達(dá)角，實(shí)現(xiàn)了對(duì)多徑效應(yīng)的有效抑制。同時(shí)，本文算法還利用了5G網(wǎng)絡(luò)的低時(shí)延特性，通過(guò)快速迭代優(yōu)化算法縮短了定位計(jì)算時(shí)間，提高了實(shí)時(shí)性能。定位計(jì)算模型的優(yōu)化使得本文算法能夠在復(fù)雜的5G網(wǎng)絡(luò)環(huán)境下實(shí)現(xiàn)高精度、實(shí)時(shí)的定位。

（五）低功耗策略

為了延長(zhǎng)設(shè)備電池壽命，本文算法在各個(gè)功能模塊中引入了低功耗策略。在5G信號(hào)測(cè)量與數(shù)據(jù)預(yù)處理階段，本文算法通過(guò)自適應(yīng)調(diào)節(jié)信號(hào)采樣率，減少了不必要的采樣，降低了能耗。在多源異構(gòu)數(shù)據(jù)融合階段，本文算法根據(jù)傳感器數(shù)據(jù)的質(zhì)量和重要性動(dòng)態(tài)調(diào)整傳感器的工作模式，關(guān)閉冗余傳感器，節(jié)省了能量。在定位計(jì)算階段，本文算法設(shè)計(jì)了基于門(mén)控的計(jì)算單元，根據(jù)輸入數(shù)據(jù)的特點(diǎn)自適應(yīng)選擇簡(jiǎn)單或復(fù)雜的計(jì)算模型，避免了不必要的計(jì)算開(kāi)銷(xiāo)。此外，本文算法還利用5G網(wǎng)絡(luò)的高速率特性，通過(guò)壓縮傳輸定位結(jié)果，減少了通信能耗。低功耗策略的引入使得本文算法在提供高精度、實(shí)時(shí)定位服務(wù)的同時(shí)，最大限度地延長(zhǎng)了設(shè)備的電池使用時(shí)間，提高了用戶(hù)體驗(yàn)。

三、仿真實(shí)驗(yàn)與性能評(píng)估

（一）實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

為了全面評(píng)估本文算法的性能，搭建了一個(gè)逼真的仿真實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)在一個(gè)具有代表性的室內(nèi)場(chǎng)景中進(jìn)行，該場(chǎng)景覆蓋面積為100米×100米，包括辦公區(qū)、會(huì)議室、走廊、大廳等不同功能區(qū)域，模擬了真實(shí)的室內(nèi)環(huán)境。在實(shí)驗(yàn)場(chǎng)景中，部署了8個(gè)5G基站，每個(gè)基站配置了128個(gè)天線(xiàn)陣列，采用3.5GHz的頻段，支持大規(guī)模MIMO技術(shù)。同時(shí)布置了20個(gè)待定位目標(biāo)，每個(gè)目標(biāo)配備了一個(gè)5G移動(dòng)終端和一套慣性傳感器（加速度計(jì)和陀螺儀）。此外，實(shí)驗(yàn)還融合了GPS/北斗雙模GNSS信號(hào)和高精度室內(nèi)地圖信息。實(shí)驗(yàn)參數(shù)設(shè)置為5G基站的發(fā)射功率23dBm、天線(xiàn)增益8dBi、噪聲系數(shù)5dB。5G移動(dòng)終端的接收靈敏度為-90dBm，天線(xiàn)增益為2dBi，慣性傳感器的采樣頻率為100Hz，加速度計(jì)的量程為±8g，陀螺儀的量程為±2000dps。GNSS模塊的定位精度設(shè)置為5米（室外開(kāi)闊環(huán)境）。所有傳感器的噪聲均根據(jù)數(shù)據(jù)手冊(cè)中的典型值進(jìn)行設(shè)置。

實(shí)驗(yàn)分為靜態(tài)和動(dòng)態(tài)兩種場(chǎng)景。在靜態(tài)場(chǎng)景下，待定位目標(biāo)隨機(jī)分布在室內(nèi)不同位置，保持靜止?fàn)顟B(tài)；在動(dòng)態(tài)場(chǎng)景下，待定位目標(biāo)以0.5m/s至1.5m/s的速度沿預(yù)定軌跡運(yùn)動(dòng)，模擬行人的正常活動(dòng)。每個(gè)場(chǎng)景下的實(shí)驗(yàn)重復(fù)30次，以確保結(jié)果的統(tǒng)計(jì)意義[4]。實(shí)驗(yàn)采用Monte Carlo方法進(jìn)行性能評(píng)估，主要評(píng)估指標(biāo)包括定位精度、定位時(shí)延、更新頻率和能耗。通過(guò)與傳統(tǒng)的基于指紋的RSSI定位算法和基于TOA/AOA融合的定位算法進(jìn)行比較，全面分析本文算法的優(yōu)越性。

（二）定位精度評(píng)估

定位精度是衡量室內(nèi)定位算法性能的關(guān)鍵指標(biāo)，直接反映了算法的定位誤差水平。本文采用累積分布函數(shù)（CDF）曲線(xiàn)和圓概率誤差（CEP）來(lái)評(píng)估本文算法的定位精度。本文算法的定位誤差明顯低于其他兩種算法。具體而言，本文算法的50%CEP誤差為0.3米，90%CEP誤差為0.8米。指紋算法的50%CEP誤差為1.5米，TOA/AOA融合算法的50%CEP誤差為1.0米。與靜態(tài)場(chǎng)景相比，動(dòng)態(tài)場(chǎng)景下的定位誤差略有增加，但本文算法仍然顯著優(yōu)于其他兩種算法。本文算法的50%CEP誤差為0.5米，90%CEP誤差為1.2米。指紋算法的50%CEP誤差增加到2.0米，TOA/AOA融合算法的50%CEP誤差增加到1.5米，見(jiàn)表1。

本文算法在靜態(tài)和動(dòng)態(tài)場(chǎng)景下均實(shí)現(xiàn)了亞米級(jí)的高精度定位，其優(yōu)越性主要得益于以下幾個(gè)方面：第一，本文算法充分利用了5G網(wǎng)絡(luò)的大帶寬、高頻率、大規(guī)模天線(xiàn)等特性，獲得了高質(zhì)量的信號(hào)測(cè)量；第二，本文算法在數(shù)據(jù)預(yù)處理階段引入了自適應(yīng)濾波和異常值剔除機(jī)制，提高了測(cè)量數(shù)據(jù)的可靠性；第三，本文算法采用了多源異構(gòu)數(shù)據(jù)融合策略，綜合利用5G、慣性、GNSS、地圖等多種信息，增強(qiáng)了定位算法的魯棒性；第四，本文算法對(duì)定位計(jì)算模型進(jìn)行了優(yōu)化，引入了權(quán)重因子和稀疏表示等技術(shù)，有效抑制了測(cè)量誤差和多徑效應(yīng)的影響，見(jiàn)表2。

（三）實(shí)時(shí)性能評(píng)估

實(shí)時(shí)性能是室內(nèi)定位算法的另一個(gè)重要評(píng)價(jià)指標(biāo)，反映了算法對(duì)目標(biāo)位置變化的響應(yīng)速度和位置更新頻率。本文采用定位時(shí)延和更新頻率兩個(gè)指標(biāo)來(lái)評(píng)估本文算法的實(shí)時(shí)性能。本文算法的中位定位時(shí)延僅為30毫秒，最大定位時(shí)延不超過(guò)50毫秒。指紋算法的中位定位時(shí)延為150毫秒，TOA/AOA融合算法的中位定位時(shí)延為80毫秒。由于受限于定位時(shí)延，指紋算法的更新頻率僅為2次/秒，TOA/AOA融合算法的更新頻率為5次/秒。本文算法得益于低時(shí)延的優(yōu)勢(shì)，實(shí)現(xiàn)了25次/秒的高頻率位置更新，遠(yuǎn)高于其他兩種算法，見(jiàn)表3。高更新頻率意味著算法能夠及時(shí)跟蹤目標(biāo)的位置變化，為室內(nèi)導(dǎo)航、跟蹤等應(yīng)用提供了有力支撐。

本文算法的實(shí)時(shí)性能優(yōu)勢(shì)主要來(lái)自以下幾點(diǎn)：第一，本文算法利用了5G網(wǎng)絡(luò)的低時(shí)延特性，通過(guò)優(yōu)化的信號(hào)處理和傳輸機(jī)制，最小化了信號(hào)測(cè)量和數(shù)據(jù)傳輸?shù)臅r(shí)間開(kāi)銷(xiāo)；第二，本文算法在定位計(jì)算模型中引入了快速迭代優(yōu)化技術(shù)，減少了定位問(wèn)題求解所需的迭代次數(shù)和計(jì)算時(shí)間；第三，本文算法還采用了并行計(jì)算架構(gòu)，將各個(gè)功能模塊解耦，實(shí)現(xiàn)了測(cè)量、融合、計(jì)算等任務(wù)的并行處理，進(jìn)一步縮短了定位時(shí)延。

（四）能耗性能評(píng)估

在實(shí)現(xiàn)高精度、實(shí)時(shí)定位的同時(shí)，降低能耗也是室內(nèi)定位算法設(shè)計(jì)的重要目標(biāo)[5]。本文通過(guò)測(cè)試定位終端設(shè)備的電流消耗和電池續(xù)航時(shí)間，來(lái)評(píng)估本文算法的能耗性能。在待機(jī)模式下，本文算法的平均電流消耗最低，僅為15毫安。指紋算法和TOA/AOA融合算法的待機(jī)電流消耗分別為25毫安和20毫安。在定位模式下，本文算法的平均電流消耗為60毫安，低于指紋算法的100毫安和TOA/AOA融合算法的80毫安。假設(shè)定位終端設(shè)備采用3500毫安時(shí)的電池，在定位模式下連續(xù)工作，見(jiàn)表4。可以看出，本文算法的電池續(xù)航時(shí)間最長(zhǎng)，達(dá)到了58小時(shí)。指紋算法的續(xù)航時(shí)間為35小時(shí)，TOA/AOA融合算法的續(xù)航時(shí)間為43小時(shí)。

本文算法的能耗優(yōu)勢(shì)得益于以下幾個(gè)方面：第一，本文算法在各個(gè)功能模塊中采用了低功耗設(shè)計(jì)，如自適應(yīng)調(diào)節(jié)信號(hào)采樣率、動(dòng)態(tài)管理傳感器工作模式等，減少了不必要的能量消耗；第二，本文算法通過(guò)優(yōu)化的數(shù)據(jù)融合策略和定位計(jì)算模型，降低了計(jì)算復(fù)雜度，縮短了運(yùn)行時(shí)間，從而降低了計(jì)算能耗；第三，本文算法利用5G網(wǎng)絡(luò)的高速率特性，壓縮傳輸定位結(jié)果，減少了通信能耗；第四，得益于較低的定位時(shí)延，本文算法能夠在較短時(shí)間內(nèi)完成定位任務(wù)并進(jìn)入低功耗狀態(tài)，進(jìn)一步延長(zhǎng)了電池續(xù)航時(shí)間。綜上，通過(guò)全面的仿真實(shí)驗(yàn)評(píng)估，本文算法在精度、實(shí)時(shí)性和能耗等方面展現(xiàn)出了顯著的優(yōu)越性，為高精度、實(shí)時(shí)、低功耗的5G室內(nèi)定位提供了一種有效的解決方案，具有廣闊的應(yīng)用前景。

四、總結(jié)與展望

本文針對(duì)5G網(wǎng)絡(luò)下的室內(nèi)定位，提出了一種高精度定位算法優(yōu)化方法，充分利用了5G網(wǎng)絡(luò)的技術(shù)優(yōu)勢(shì)，從5G信號(hào)測(cè)量與數(shù)據(jù)預(yù)處理、多源異構(gòu)數(shù)據(jù)融合、定位計(jì)算模型優(yōu)化等方面入手，顯著提升了定位精度和實(shí)時(shí)性，同時(shí)通過(guò)低功耗策略延長(zhǎng)了電池壽命。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)亞米級(jí)定位，定位精度和能效均優(yōu)于現(xiàn)有方法。未來(lái)，研究人員將進(jìn)一步優(yōu)化算法，納入更多的傳感器和先驗(yàn)信息，并在實(shí)際5G系統(tǒng)中開(kāi)展測(cè)試，同時(shí)探索本文算法在智慧城市、車(chē)聯(lián)網(wǎng)等場(chǎng)景中的應(yīng)用，助力5G室內(nèi)定位技術(shù)的產(chǎn)業(yè)化發(fā)展，為智能生活提供有力支撐。

參考文獻(xiàn)

[1]李帥辰，武建鋒.基于Chan-Taylor和優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的5G室內(nèi)定位算法[J].中國(guó)慣性技術(shù)學(xué)報(bào)，2023，31（08）：806-813+822.

[2]沈洪波，姚賽彬，汪保友.基于5G MR指紋的室內(nèi)定位技術(shù)研究[J].郵電設(shè)計(jì)技術(shù)，2023，（02）：37-41.

[3]劉源，徐威，武建鋒，等.基于LM優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的5G室內(nèi)定位[J].無(wú)線(xiàn)電工程，2022，52（08）：1447-1455.

[4]謝海情，汪章紫璇，陸俊霖，等.基于5G子基站的室內(nèi)定位卷積神經(jīng)網(wǎng)絡(luò)模型[J].首都師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，43（01）：34-40.

[5]張路，王楠.基于5G通信系統(tǒng)的室內(nèi)定位及導(dǎo)航解決方案[J].電信快報(bào)，2021（12）：9-13.

作者單位：中國(guó)聯(lián)通廣東省分公司

■ 責(zé)任編輯：張津平、尚丹