潘维蔚,康 凯,张武雄,王海峰

(1.中国科学院上海高等研究院,上海 201210; 2.中国科学院大学 电子电气与通信工程学院,北京 100049;3.上海科技大学 信息科学与技术学院,上海 201210; 4.中国科学院上海微系统与信息技术研究所,上海 200050)

0 概述

随着信息社会的不断发展,人们对定位服务的需求日益增多,对室内环境而言,由于信号的严重衰减和多径效应[1-2],通用的室外定位设施并不能在建筑物内有效地进行工作,因此人们需要更精密准确的定位方法。无线保真(Wireless Fidelity,WiFi)[3]作为基础定位设施成为研究人员首先考虑的方法。另外的一些技术,如无线射频识别(Radio Frequency Identification,RFID)[4]、超声波、激光等,也可以实现室内定位,但是这些技术在真实环境中的实用性较低,同时存在额外搭建网络设施导致的安装和工作成本增加的问题。

对WiFi定位算法而言[5],由于WiFi的接收信号强度(Received Signal Strength,RSS)获取比较简单,不受信号带宽的影响,因此RSS是广泛应用于WiFi定位中的信号特征。WiFi定位最普遍应用的算法是指纹定位算法[6],目前已有大量高准确率的改进算法被提出,经典算法有贝叶斯算法[7-9]、EZ算法[10]等,文献[11]提出一种新的高斯过程回归模型,以估计室内环境的非均匀RSS分布,但是误差在2 m以内占比仅60%,1 m以内占比仅20%。

除经典算法外,运用机器学习进行匹配的算法也被大量运用在WiFi室内定位领域。文献[12]引入一种相似度度量信号趋势指数,使得定位精度平均达到2 m～3.5 m,但是误差在2 m以内的占比仍不超过60%。文献[13]对离线指纹进行稀疏表示,但是结果与采样点自身RSS变动规律严重冲突,同时波动性太大,标准差达到1.91 m。……