罗辉，殷锋，袁平

（1.四川大学计算机学院，成都610065；2.西南大学计算机科学与技术学院，成都610041；3.重庆大学数学与信息工程学院，重庆400044）

0 引言

基于指纹的定位技术是当前室内定位技术领域的重要研究课题。室内定位主要分为两种：基于测距和基于指纹。基于指纹技术的优势在于不需要部署特别的基础设备，且具有较高的定位精度。尤其是近些年来智能手机的普及，智能手机上的磁力传感器、加速度传感器等设备为基于指纹的研究打开了新的研究方向。

目前。基于指纹的定位技术主要包括基于地磁指纹和基于Wi-Fi 指纹[4,6]两种。Wi-Fi 指纹技术在室内无线局域网（WLAN）下的应用已经成为室内定位研究的热点。但由于接入点（Aps）发出的信号可能移动或功率调整等原因而改变，导致Wi-Fi 指纹存在不稳定的情况。Wi-Fi 指纹的采集需要能够收集CSI[5]信道信息的特殊设备。相比之下，地磁指纹的采集只需要普通的智能手机且地磁是天然形成的，地磁指纹库相比Wi-Fi 指纹库具有更好的稳定性，且不依赖其他特殊的基础设备。然而，基于指纹库的定位技术均存在指纹库构建困难的难题。

1 理论基础

基于指纹的定位技术的核心思想：将不易测量的位置信息转化成能够实际测量的其他信号信息如：地磁信号、FM 信号[8]、Wi-Fi 信号，等等。这种思想主要基于以下两个假设：

（1）信号信息与地理位置相关。在理想的情况下，如果信号信息之间的区分度够高，那么每一个特定的地理位置都能用一个唯一的信号信息来表示。从而信号信息能够转化成位置指纹，当收集到足够的位置指纹就能形成位置指纹库。

（2）位置指纹的相似度和地理之间的距离存在正相关的关系。当两者的地理位置越近，其位置指纹的相似度越高。在实际的指纹采集过程中，不可能采集完全充足的位置指纹，在对锚节点定位时，需要借助信标节点来估测锚节点的位置。

基于指纹的定位技术通常包含两个阶段：离线训练阶段和在线定位阶段。离线训练阶段：在工作环境下，人工标记某些特定的位置，并给这些位置插入语义标签。利用终端设备在特定的位置周围采集位置信号信息，将所有采集到位置信息形成指纹后储存到指纹库中。在线定位阶段：利用终端采集当前位置的信号信息形成指纹后，上传到服务器端。服务器端通过指纹相似度的匹配算法，与指纹库中的每一条指纹进行相似度的匹配最终估算出当前位置的大概位置，并向给移动终端回传结果。

基于地磁信号的定位技术[7]是指利用地磁场在不同地理位置表现出不同的地磁特征从而可以关联到具体的地理位置上的方案。一般的，其定位原理如下：首先需要建立地磁特征指纹数据库，将定位区域每个位置的地磁特征获取到，然后建立地磁特征和地理位置的映射关系，存储到数据库中。然后，在定位使用阶段，利用带有地磁计或者其他地磁测量设备的运动物体在运动的过程中不断的测量自身所在位置的地磁信号特征，与数据库中的地磁指纹库进行匹配，依照某种匹配策略寻找到最优匹配结果，其对应的具体的地理位置即为定位系统评估出来的定位点。

2 发展现状

2015 年，Zhang 等人提出了基于地磁和众包（Crowdsource）思想的室内导航系统GROPING。GROPING 主要解决了以下几个在地磁定位中的难题：

（1）指纹库构建

传统基于指纹的定位系统需要耗费大量人力去定点采集，采集过程要求高且操作限制多，为了解决指纹库建立难的问题，GROPING 采取了“众包”的思想，能够让所有用户都参与到指纹库的构建工作中，每个人既是定位功能的主体使用者，也是定位系统的主体构建者，达到简化指纹库采集和更新过程，降低指纹库构建难度。

（2）虚拟地图生成

首先利用用户智能手机上的陀螺仪和加速度计来采取初始的地磁指纹序列段。GROPING 利用不同轨迹之间的重叠缝合在一起。当采集足够的轨迹后，覆盖整个地板，相互重叠，就能得到整个虚拟平面地图。然而，不同用户的步行速度不同，地磁指纹序列段存在时间偏差，因此，我们使用DTW 算法[9]计算相似度。GROPING 的虚拟地图的生成从某个单一的轨迹开始，

（3）指纹匹配定位算法

指纹匹配实际上是一个分类的过程。GROPING通过传感器采集的数据与指纹库中的数据进行比对，返回相似度最高的指纹。GROPING 主要使用了蒙特卡洛算法（Monte Carlo Localization）[10]来进行位置估计。GROPING 的定位精度达到了5m 左右。

2016 年，Bai 等人提出了基于的Wi-Fi 和地磁指纹的室内定位系统WMLoc[11]。WMLoc 整合了Wi-Fi信息和地磁信息。在离线训练阶段，WMLoc 在用户的当前位置利用智能手机的传感器手机地磁信息（主要是地磁南北方向）和Wi-Fi 的RSSI 值。之后对地磁数据和Wi-Fi 数据进行数据预处理，之后存储到指纹数据库中。在实时位置检测阶段，WMLoc 将用户实时收集到的数据与纹数据库的数据进行比对。WMLoc 主要使用人工神经网络算法（Artificial Neural Network Algorithm）来结合磁场数据和Wi-Fi 数据。WMLoc 利用回溯算法（Back Tracing Algorithm）以及已知建筑平面图来实时对用户的位置进行追踪。实验结果表明：WMLoc 的定位精度能达到2.6m。

2018 年，Namkyoung Lee 等人提出了基于深度学习的精确室内定位AMID[13]。AMID 首次使用深度神经网络来进行地磁指纹序列分类和匹配。AMID 通过在平面的特定位置上插入地磁路标。AMID 提取地磁指纹序列的特征，包括地磁指纹序列之间的重叠部分等信息，之后，利用深度神经网络对地磁路标附近的地磁指纹序列进行分类。AMID 通过地磁路标附近的地磁指纹序列和用户实际测量的地磁指纹序列匹配来估算用户的实际位置。实验证明：AMID 适用于一维场景和二维场景的室内定位。AMID 在走廊的定位精度能达到0.8m，在中庭的定位精度能达到2.3m。

3 实际产品

2012 年，IndoorAtlas 是由芬兰奥卢大学（University of Oulu）开发的室内定位导航的App。

IndoorAtlas 的工作原理如下：IndoorAtlas 主要由API、Location Service 和Maps 组成。应用程序通过IndoorAtlas API 与Location Service 进行通信。IndoorAtlas 通过IndoorAtlas API 将采集的传感器数据传给Location Service，Maps 是存储了地磁指纹数据的数据库，Location Service 与由Maps 相连，由Location Service 计算用户的当前位置，并将当前位置回传给应用程序。实验证明：在现在建筑中，IndoorAtlas 的定位精度能够达到0.1m-2m。

4 结语

本文详细介绍了几种基于地磁的室内定位系统以及一个实际的产品IndoorAtlas。从上述的资料中我们可以看出基于地磁指纹的定位的通常包含以下两个核心阶段：地磁指纹库的构建和地磁指纹序列的匹配。由于地磁的天然性和稳定性，地磁指纹将在室内定位领域具有广泛的应用场景。目前对地磁指纹室内定位的研究的文章较多，但仍有诸多问题等待学者研究和解决。如：指纹库构建和更新、高精度的实时定位等问题。