袁国良, 宋显水

(1.上海海事大学，上海 200120；2.上海海事大学 信息工程学院，上海 200120)

基于WiFi和IMU结合的室内定位方法的研究

袁国良1, 宋显水2

(1.上海海事大学，上海 200120；2.上海海事大学 信息工程学院，上海 200120)

针对单一的WiFi定位误差较大的问题，提出了利用IMU人体姿态传感器来辅助WiFi进行室内定位的方案。首先在实验场所建立合适的WiFi位置指纹库，然后利用改进的K-NN算法对终端进行实时定位。同时利用IMU所测得的角度变化和终端前一个位置的坐标来判断终端处于哪一个象限，再和该象限的WiFi指纹库进行匹配计算出终端的坐标，从而不仅缩小了算法的复杂度，也提高了室内定位的精确度。

WiFi指纹库；IMU人体姿态传感器；K-NN算法

0 引言

随着无线通信技术和互联网的快速发展，基于地理位置的研究变得越来越具有商业价值和发展潜力[1]。传统的GPS定位已经做得十分完善和精良，但是GPS定位只是局限于室外定位，当进入有物体遮挡的室内环境或是地下室等环境时，GPS定位的效果就大大地减弱了，误差往往在十几米或是更大[2-3]。对于误差要求低于几米的室内定位来说，GPS的定位精度完全不能够满足。

目前几种室内定位技术中WiFi定位技术应用得最为广泛。WiFi定位有以下几点优势：(1)WiFi应用广泛，基本上所有商场、写字楼都有免费的WiFi网络节点,不需要部署其他设备;(2)成本十分低，现在手机基本都有免费的WiFi功能。但是WiFi定位的最大缺点在于传播过程中，信号强度会随着传播而衰减，导致定位精度不够高，所以仅利用WiFi定位仍然达不到所需的定位精度[4]。本文中就是利用了IMU人体姿态传感器来辅助WiFi进行室内定位，提高单独WiFi定位的精度。

1 WiFi定位的基本算法

1.1 基于最小二乘的TOA/RSSI定位算法

该算法是在已经知道发射信号的强度和接收信号的强度的情况下，根据传输过程中信号的损耗，再根据公式(1)结合损耗的值计算出两点之间的距离。

(1)

在公式(1)中，Pr为接收功率，Pt为发射功率，Gt为发射天线增益，Gr为接收天线增益，λ为信号的波长。其中Pr、Pt、Gt、λ均容易获得，但是信号在实际传输过程中，由于受到人、墙壁等阻挡和干扰，误差往往非常大且不好处理，故不选用此方法。

1.2 位置指纹定位技术

WLAN指纹定位技术主要是利用在不同地点手机所接收到的RSSI信号的值不同来进行匹配定位的，也就是在不同的物理位置上RSSI信号的强弱。利用RSSI定位主要分为两个过程，分别为离线采集阶段和在线定位阶段[5]。如图1所示，虚线上方部分为离线阶段，下方为在线定位阶段。

图1 系统原理图

(1)离线采集阶段

建立与物理位置相关的数据库，该数据库记录了每个物理位置RSSI信号的强度，为了确保定位的可靠和稳定，需要采集足够多的数据。

(2)在线定位阶段

根据手机接收到的RSSI信号强度数据，与建立好的数据库去匹配，从而可以得出一系列坐标。定位过程如下：

①将定位的区域划分为M×N个点。

②利用移动用户测试每个点的RSSI值，多测几次取平均，减小误差，建立好RSSI指纹数据库。

③在进行定位的时候，获取移动端的RSSI值大小到服务端。

④利用匹配算法与先前建立的RSSI指纹数据库进行匹配。

⑤计算出待测点坐标。

1.3 WiFi定位数据库

利用C#软件获取的在某个坐标点时所获取的所有WiFi信号的MAC地址和RSSI值的大小,利用这些数据可以建立一个(x，y)坐标的指纹库，为了使得定位尽量准确，如每个坐标测5组数据，取均值后再将其存入该坐标的指纹库[6]。故当接收到L个MAC地址的WiFi信号时，第n次采集的数据坐标可以表示为：

由于将区域划分为M×N个点，因此令P=M×N来表示总共的点数，因此RSSI指纹库可以表示为矩阵FPT(Fingerprint)如下:

(2)

但是为了计算方便，将位置信息和指纹信息分开来存放在两个不同的矩阵中，位置信息和指纹信息分别为Loc和Fp：

(3)

(4)

在实际操作的过程中，为了提高定位的精确度，在一个位置上一般测得10组RSSI数据，然后对这10组数据排除误差较大的，再将剩余的数据取均值作为一个指纹的RSSI值。

1.4 WiFi在线定位算法

在线定位阶段主要是利用用户移动中获取的RSSI信号的值与指纹数据库中的RSSI值对比，再利用算法进行匹配运算，求出用户的坐标位置，主要的定位算法有最近邻算法、最大似然概率法和人工神经网络法等[7]。

最近邻算法是将用户测得的RSSI值与指纹库中所有的RSSI值一一求出欧式距离，然后找出最小的RSSI值，那么该RSSI值所对应的指纹库中的坐标就是计算出的坐标结果。计算欧式距离的公式如下：

(5)

(6)

在公式(6)中，(x，y)表示利用K个最近邻取均值得到的用户的坐标。

但是为了提高定位的精度，往往根据这K个最近邻的RSSI值的D值大小，对其相应的坐标取不同的权值，也就是加权K最近邻算法，该算法公式如下：

(7)

在公式(7)中，Di表示用户中测得的RSSI值与第i个近邻样本对应的指纹库中的RSSI值的欧式距离，ε是为了避免由于Di等于零的情况而添加的一个非常小的值，几乎可以忽略不计，A是归一化加权系数。该式中每个坐标乘以该坐标与待计算坐标的欧式距离的倒数表示距离越大，该坐标所占的权值越小，即权值与欧氏距离成反比。虽然利用这种加权的方法可以提高定位的精度。但是由于人体对于WiFi信号干扰十分大，导致对于RSSI的值影响十分大，因此还要在这个基础上再加上IMU模块来辅助WiFi进行室内定位，减小定位误差，提高定位精度[9]。

2 IMU和WiFi结合的定位方法

IMU惯性导航主要是利用了加速度计和陀螺仪等惯性传感器测量载体在惯性空间中的运动信息，然后再通过微分方程计算出x,y,z三个方向的实时加速度、角速度和角度值,并且其测量出的角度误差非常小，十分精确。

图2 RSSI象限图

WiFi定位时会先建立WiFi指纹库,然后通过用户在移动过程中获得的RSSI值去与之前建好的WiFi指纹库中的RSSI值匹配，利用K最近邻方法计算出用户的当前坐标。但是WiFi定位的过程中，由于人本身对WiFi信号强度有很大的干扰，有的时候误差会很大。因此利用IMU来辅助定位，以此来减小定位的误差，在WiFi定位的过程中利用实时获得的RSSI值与指纹库中所有的RSSI值作比较，这样工作量比较大而且还会降低准确度，利用IMU惯性传感器可以精确测量角度的变化这个特性，可以把测得的RSSI值分为四个象限，将指纹库中的RSSI值分别命名为RSSI1，RSSI2，RSSI3，RSSI4四个部分，根据角度的变化先判断该点落在哪一个象限内，那么就利用与之相对应的RSSI值来计算用户的当前位置坐标，这样不仅大大减少了计算量，也提高了定位的精确度[10]。图2为将RSSI分为四个象限的值。

具体步骤如下：

(1)采集实验用的WiFi信号强度数据；

(2)根据采集好的数据建立RSSI指纹库；

(3)利用K-NN算法计算出用户的当前位置；

(4)通过IMU检测出用户的方向变化；

(5)根据用户的当前坐标将RSSI分为四个象限；

(6)结合前一位置的坐标与方向，选出合适的指纹集合，利用K-NN计算出坐标。

3 实验结果与分析

选取信息工程学院五楼楼层作为实验场所建立坐标轴。将楼层走廊建好坐标轴后，每隔1 m建立一个RSSI指纹库，选取信号分别为ISMU、i-Shanghai、CMCC、CMCC-WEB、CMCC-EDU、ismu503这六个RSSI值较强信号，将获得的值存入对应的指纹库，表1为部分坐标位置所测得的WiFi信号强度。

设计基于Android的定位软件，在华为荣耀8终端中可以通过放置在人身上的IMU人体传感器测得用户角度在x,y,z轴的大小改变，如图3所示。

表1 部分WiFi信号强度

图3 Android软件图

在计算机上通过接收到的角度的变化和RSSI实时信号，利用MATLAB仿真工具通过K-NN算法将终端的坐标点实时画出来，如图4和图5所示，图中连起来的实线表示终端的运动轨迹，离散的点为测试出来的终端坐标点，可以看出在用户转弯的时候和转弯过后一段路程，图4误差比较大。这是由于WiFi定位在人转弯的时候出现遮挡的原因，测试的RSSI会不准，对定位影响非常大。从图5中可以看出，结合了IMU后，定位的效果好了不少，并且两种定位在直线过程中都比较准确，误差都非常小。计算两者的累积误差如图6所示，可以看出WiFi和IMU结合的定位效果要比WiFi定位的效果好，定位精度明显提高，并且计算量也减少了。

图4 WiFi定位效果

图5 WiFi和IMU结合定位效果

图6 两者的累积误差和

4 结论

利用IMU人体姿态传感器来辅助进行WiFi定位，不仅减小了单一WiFi定位的误差，同时也降低了计算的复杂度，提高了算法计算的效率，同时还提高了定位的精度。

[1] 齐双, 王奇, 黎海涛,等. 传感器辅助的WiFi指纹室内定位方法[J]. 中国电子科学研究院学报, 2015, 10(1):102-106.

[2] 李红丽. 基于WiFi的室内定位技术的研究[D]. 北京：北京交通大学, 2014.

[3] 陈姣. 基于RSSI测距的WiFi室内定位技术研究[D]. 绵阳：西南科技大学, 2015.

[4] 蔡仁钦. 基于RSSI的WiFi室内定位算法研究与系统实现[D]. 广州：华南理工大学, 2015.

[5] 张世哲. 基于惯性传感器和WiFi的室内定位系统的设计与实现[D]. 北京：北京邮电大学, 2012.

[6] 罗利. 基于Android的WIFI室内定位技术研究[D]. 成都：西南交通大学, 2014.

[7] 周瑞, 袁兴中, 黄一鸣. 基于卡尔曼滤波的WiFi-PDR融合室内定位[J]. 电子科技大学学报, 2016, 45(3)：399-404.

[8] 秦泗明. 基于位置指纹的WiFi室内定位技术研究[D]. 成都：电子科技大学, 2013.

[9] 颜俊杰. 基于WIFI的室内定位技术研究[D]. 广州：华南理工大学, 2013.

[10] 张世哲. 基于惯性传感器和WiFi的室内定位系统的设计与实现[D]. 北京：北京邮电大学, 2012.

Research of indoor position method based on WiFi and IMU combination

Yuan Guoliang1,Song Xianshui2

(1.Shanghai Maritime University,Shanghai 200120, China;2. College of Information Engineering, Shanghai Maritime University, Shanghai 200120, China)

Aiming at the problem that single WiFi positioning error is large, this paper proposed a method which uses IMU sensor to assist WiFi indoor positioning.Firstly, we need to establish proper WiFi location fingerprint in experimental places,then use the improved K-NN algorithm for real-time positioning terminal.At the same time, we use angle change measured by the IMU and the former coordinate’s position of terminal to judge terminal in which quadrant,and then match it with the WiFi fingerprint of this quadrant to calculate the coordinates of the terminal. It not only reduces the complexity of the algorithm, but also improves the accuracy of indoor positioning.

WiFi fingerprint; IMU body posture sensor; K-NN algorithm

TP92

A

10.19358/j.issn.1674- 7720.2017.08.004

袁国良, 宋显水.基于WiFi和IMU结合的室内定位方法的研究[J].微型机与应用，2017,36(8)：11-14.

2016-10-23)

宋显水(1991-)，男，硕士研究生，主要研究方向：室内定位。

袁国良(1963-)，男，硕士，副教授，主要研究方向：光电通信技术。

________________________