关于室内定位的二三事(二)

来说一说WIFI位置指纹的室内定位

无线局域网(Wireless Local Area Networks,WLANs)是通过射频技术来取代有线网络的方式构建局域网的方法,其中使用 IEEE 802.11 系列协议的无线局域网也称为 WiFi,通常基于 WLAN 的室内定位也是使用的 WIFI网络【基于室内位置与多维情景的人类活动识别方法】。WIFI的首要目标并非用于室内定位,只是恰好室内存在这样一个信号才被用于定位。正因为如此,基于WIFI的室内定位技术还是存在很多问题。现如今大多数室内都存在且部署了无线路由器,利用WIFI信号是一种节省成本的方法。

现有方法

依靠WIFI信号进行定位,文献【Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges】目前总结了三种类别的方法,其他的方法都是基于以上三类的改进。1.到达角(AOA);2.到达时间(TOA);3.RSS识别(位置指纹)。下面分别介绍以下三种方法,重点叙述第三种。

  • 到达角(AOA)

    AOA方法至少需要两个AP参与。使用两个AP发射的信号角度直线去计算交点确定位置。

  • 到达时间(TOA)

    TOA需要至少三个AP参与。计算每个AP传输信号到达设备的时间来进行三边定位,有点类似于雷达的扫描方法。

  • RSS识别

    RSS的方法细分了两种类型。一种是模型方法,一种是场景感知的方法。前者需要构建精确的路径损耗模型,就是根据RSS大小来计算设备和AP的距离,结合到达角就能确定位置。需要预先采集位置去拟合室内的位置参数。后者在室内点划分网格采集位置指纹构建数据库(Radio Map),然后通过匹配数据库进行定位。

优缺点

前两种方法(AOA,TOA)需要知道室内AP的位置,同时位置解算一般在本地(设备)进行。第三种方法不需要知道AP位置,且位置解算可以在服务端进行,但离线阶段(数据库构建阶段)成本巨大。

评价方法

文献【Indoor fingerprint positioning based on Wi-Fi: An overview】总结了WIFI定位的评价标准,包含1.准确度,2.精确度(连续测量,累积误差增长),3.复杂度,4.鲁棒性,5.可扩展性,6.成本

位置指纹

本文重点讨论的是RSS识别中的场景感知(位置指纹)方法。

位置指纹方法分为离线,在线阶段,离线阶段(下图左)需要在室内构建网格地图,在每个网格点采集当前点位的各个AP的RSS值构建Radio Map。在线阶段通过手持设备,在某点处采集当地位置的RSS值并与指纹库进行比较,使用定位匹配算法输出最终位置。

这种方法最早是由RADAR系统实现,后来研究者又根据RADAR系统做出了改进。比较具有代表性的是Hours系统。在 RADAR 和 Horus 系统的基础上,引入聚类、概率论、核函数、其他机器学习方法,进一步改进,但主要还是这两种系统的改进版本。

影响因素和问题

由于室内场景易发生变化,视距方法(AOA,TOA等)稳定性比较于场景感知较弱。但是位置指纹依然存在问题。文献【Indoor fingerprint positioning based on Wi-Fi: An overview】总结了影响WIFI位置指纹定位的因素:

  • 人体阻挡信号

    人体会吸收部分信号

  • 多径效应

    射频信号通过不同介质(路径)传播导致信号在不同时间到达接收设备,形成相位叠加导致信号失真。

  • AP和RP的数量

  • 移动设备异构性质

文献【Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges】总结了现有位置指纹法所面临的问题:

  • AP和RP数量增加导致数据库数据量大,计算成本高,定位时延大
  • AP之间有关联关系,位置指纹存在相关性
  • AP覆盖范围有限,且RP接收范围有限。弱信号AP会降低定位精度。
  • RSS存在测量误差
  • RSS指纹分布并不服从高斯分布(正态)
  • 存在异常值的情况下常规方法精度较低
  • 指纹库构建成本高且耗时
  • 设备异构性导致定位误差

位置指纹库(Radio Map)

在位置指纹法中,指纹库构建是定位的关键。室内区域十分庞大,AP点数目巨大导致位置指纹库数据量十分巨大。为了减少在线阶段定位计算量和位置解算速度,引入了聚类的方法。

聚类

为了减少定位工作量,将单一的位置匹配划分为粗定位+精定位的两个步骤。在粗定位过程中,通常使用聚类算法将具有共同特征的RP点划分为一类(簇)。以下是粗定位过程中常用的聚类算法。

  • Kmeans聚类
  • AP聚类
  • 拆分聚类
  • 加权聚类
  • 谱聚类
  • 层次聚类

博士论文【智能手机Wi-Fi/PDR室内混合定位优化问题研究】总结一些聚类文章:Youssef[45]采用三角网增量算法把含有相同 APs 的位置进行聚类;Altintas[95]采用 K-means 聚类方法改进 RSS 指纹定位方法,Razavi[96]利用 K-means 聚类算法用于辅助楼层判定;模糊 C 均值[97-98](Fuzzy C Means,FCM)聚类也被应用到指纹定位方法改进中。然而,上述几种聚类方法需要预先指定聚类的个数,这些预先指定的个数往往是依据空间格局和经验判定,生成的聚类未必能够真实反映室内空间分布。因而,很多研究人员采用仿射传播聚类[99-100](Affinity Propagation Clustering,APC)算法依据样本点的相互关系自适应生成多个聚类。此外,基于密度[101-102](Density Based Spatial Clustering of Applications with Noise,DBSCAN)和层次[103-104]的聚类算法也被引入到指纹定位方法。在线阶段的统计特征可能与指纹的统计特征不同,因此离线阶段的聚类可能会误导随后的精细定位。在这些情况下,利用二进制AP覆盖和层次聚类的方案可以更好地运行

AP信号

AP信号通常存在三类问题,1.AP不可用;2.大量AP筛选子集;3,AP故障。三类问题归结为一种思路就是AP选择,怎么选择更好的子集去建立位置指纹。

筛选AP有以下几种方法:最强信号法,Fisher准则度量(离线构建),联合选择(多个RP联合决策),组分区,信息增益,最大熵,还有基于RP的选择方法。利用AP统计特性的AP选择方法可以对AP进行全面评估,但是操作时间和复杂性阻碍了这些方法的普及。因此采用AP的代表性统计属性(例如指纹的均值和方差)理顺成为选择方案。

受多方面因素的影响,RSS 信号并不严格服从高斯分布,但为了简化指纹库训练的工作量,很多研究人员假设 RSS 采样服从高斯分布,以均值和标准差统计其概率。RADAR系统在指定网格点连续静止采集RSS信号,以其均值为特征构建指纹库,但是这样做不能准确的反应WIFI信号的特征。Castro采用直方图估计概率密度函数的方式来描述 RSS 信号分布。Roos、Fang、陆妍玲均采用高斯核函数以估计 RSS 信号的概率密度函数,然后基于贝叶斯推理,采用最大似然估计、最大后验估计等方法获得定位结果。

位置指纹库构建

构建位置指纹库是十分耗时且工作量巨大的,此外位置指纹库存在随时间变化的问题需要定期进行校准。指纹库数据的大小随着室内区域,有效AP的个数,网格点(RP)的粒度增加。构建过程中,需要保证精度的情况下减少采集的成本。

基于稀疏的定位方法有效的减少的采集的成本,通过采集某几个特定RP点位的位置信 息,利用线性回归、插值(线性插值,压缩感知、Lasso)的方法补全稀疏RP间的指纹信息来构建指纹库。

基于众包的方法,通过用户上传位置信息用以标注位置和信号之间的映射。众包有显式和隐式两种。显式就是让用户手动打标,这种易出错。隐式就是不需要用户参与,设备自动采集RSS与地图信息绑定,但需要对地图信息进行映射,离线阶段找到采集信号值与室内空间映射的的方法,这里通常会借助其他信号构建室内地图。准确的位置标记和设备异构性是众包急需解决的难题。

除此之外,定位与地图构建(Simultaneous Localization And Mapping,SLAM)、基于惯性传感器,半监督学习、无监督学习、路径损耗模型生成等方法也用于快速构建位置指纹库。

协作定位

像智能手机这类无线采集设备通常包含了除WIFI之外的其他传感器,利用这些传感器为RSS的指纹采集和定位提供帮助是一种有效的思路。像光学传感器(摄像头)、声音传感器

/(麦克风)、移动信号(蜂窝基站)和移动传感器(IMU)等都考虑用于辅助WIFI定位。

借助惯性传感器,行人航迹推算(PDR)现在成为室内位置跟踪的一种方案。通过计算用户的步数,步长和方向来绘制相对路径。因为研究重点为此,后面单独再对PDR的部分再叙述。