邻近定位
概述
邻近方法通过检测物体是否靠近已知位置或区域来确定物体的位置。
分类
1. 检测物理接触
通常基于触摸传感器、压力传感器或电容场检测器。检测物理接触的典型系统是触摸鼠标，其可以通过使用电容传感器来感测来自用户手的接触。
Ken Hinckley and Mike Sinclair. 1999. Touch-sensing input devices. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, 223–230.
2. 监控无线锚定设备
如无线接入点(APs)或近场通信(NFC)读取器，这种设备通过检查用户是否在一个或多个锚定设备的范围内来定位用户。
例如，活动徽章系统通过检测在哪个传感器上观察到徽章来确定配备有红外徽章的个人的位置。例如，CoO || Cell of Origin，这个方法很简单，适用于要求定位精度为50米或更高的应用。 在移动设备处生成最高RSSI值的WLAN接入点被标识，并且假设用户位置具有与接入点相同的坐标位置。
Roy Want, Andy Hopper, Veronica Falcao, and Jonathan Gibbons. 1992. The active badge location system. ACM Trans. Inform. Syst. 10, 1 (1992), 91–102.
3. 观察自动识别系统
如公共交通卡终端和销售点终端。这些系统通常需要在物体上附加标签、按钮或条形码，然后当在已知位置的终端或设备上观察到附加的标签时，定位物体。提出了一种基于射频识别的定位系统，该系统由标签和阅读器组成。通过在已知位置放置多个读取器，当读取器接收到来自标签的信号时，可以推断出带有标签的人或物体的位置。邻近定位方法简单易行，但只能感知有限区域内的位置，定位精度较低。
Lionel M. Ni, Dian Zhang, and Michael R. Souryal. 2011. RFID-based localization and tracking technologies. IEEE Wireless Commun. 18, 2 (2011).
几何定位 || Geometric
算法原理
三角测量法 || Triangular
三角测量依赖于标签信号接收的时间差。
Hui Liu, Houshang Darabi, Pat Banerjee, and Jing Liu. 2007. Survey of wireless indoor positioning techniques and systems. IEEE Trans. Syst., Man, Cyber., Part C (Applic. Rev.) 37, 6 (2007), 1067–1080.
概述：
三角定位方法通过利用三角形的几何属性来估计物体的位置。该位置是根据移动物体和发射器(例如，无线接入点、全球移动通信系统发射塔、蓝牙信标)之间的测量来估计的。
如图所示，测量基站位置已知，来自基站的信号到达被定为节点时的到达角度α1和α2，以基站为起点形成的射线必经过被测节点，因此两条射线的交点即为节点的位置。
三边测量法 || Trilateration
三边测量依赖于信号强度作为距离的类比。
基本思想：
假设空间中存在三个用于定位的信标。对于待测的定位点，可以测量该定位点到三个信标的距离。从信标处考虑，所有到信标指定距离的点，组成了一个以信标为圆心、半径为指定距离的圆。那么，根据定位点到三个信标的距离，即可分别确定三个定位圆。而这三个定位圆的交点，即为对待定位点的定位结果。
理论：
如图所示，如果三个信标的坐标分别为(0, 0)、(2, 0)和(1, 1.732)。对于定位点，如果定位点到三个信标的距离均为1.155，则以三个信标为圆心分别做圆，三个圆交于一点。则该点即为对定位点的定位结果。假设待求的定位点坐标为(x, y)，n个信标中第i个信标的坐标为(x_i,y_i)，定位点到第i个信标的距离为d_i，则根据上图，有如下方程成立：
求解上式，即可求得定位点的坐标(x, y)。
实际：
但是通常来说，信标的定位圆并不会刚好交于一点。实际的测量结果通常如图所示。因此，在计算时，我们需要对其进行近似求解。常见方法有加权法、最小二乘法、质心法等。如果我们使用最小二乘法进行计算，需要在前面理论的基础上进一步进行计算。在式1的基础上，我们将前n-1个方程减去第n个方程，得到线性化方程：AX=b，其中：
则，利用最小二乘法可以解得：
在实际应用中，我们需要根据实际情况选择更合适的方法，代替最小二乘法实现位置的近似计算，实现更高的定位精度。对于某些近似方法，可能无法实现对方程的直接求解，或是直接求解方程很困难，此时可以使用数值方法进行近似求解，常见的方法有梯度下降法等。
测距原则
概述
RSSI：接收信号强度指标 || Received Signal Strength Indicator
基于RSSI
优点：
容易实现划算(cost-efficient)可以与多种技术共同使用 局限性：
容易出现多径衰落和环境噪声定位精度低可能需要指纹
CSI：通道状态信息 || Channel State Information
基于RSSI
优点：
对多径和环境噪声更稳定 局限性：
他不容易在现成的网卡(NIC, Network Interface Card)上使用
PoA：到达相位 || Phase of Arrival
基于入射角度
优点：
可以与RSS，ToA，TDoA结合使用，以提高整体定位精度 局限性：
在视线不佳的情况下性能下降
AoA：到达角 || Angle of Arrival
基于入射角度
优点：
定位精度高不需要任何指纹它是利用已知节点数量最少的一种定位算法 局限性：
可能需要定向天线和复杂的硬件需要相对复杂的算法性能会随着收发器之间距离的增加而恶化
ToA：到达时间 || Time of Arrival / ToF：飞行时间 || Time of Flight
基于时间
优点：
定位精度高不要求任何指纹 局限性：
需要发射机和接收机之间的时间同步可能需要时间戳可能需要发射器和接收器处的多个天线要求存在直射路径，以确保准确性
TDoA：到达时间差 || Time Difference of Arrival
基于时间
优点：
不需要任何指纹不需要设备和接收网络之间的时钟同步 局限性：
接受网络之间需要时钟同步可能需要时间戳需要更大的带宽
RTT：往返时间 || Round Trip Time / RToF：回程时间 || Return Time of Flight
基于时间
优点：
定位精度高不需要任何指纹 局限性：
要求时钟同步短距离测距中，处理延迟会影响性能
指纹定位 || Fingerprinting
位置指纹的组成
“位置指纹”把实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹。这个指纹可以是单维也可以是多维的。比如待定位设备在接收或是发送信息，那么指纹可以是这个信息或信号的一个特征或多个特征（最常见的是信号强度）。任何“位置独特”的特征都能被用来作为一个位置指纹。
这些都能作为一个位置指纹，或者将其组合起来作为位置指纹。
① 某个位置上通信信号的【多径结构】② 某个位置上是否能检测到AP（接入点）或基站③ 某个位置上检测到的来自基站信号的【RSS（接收信号强度）】④ 某个位置上通信时信号的往返时间或延迟
信号特征
多径特征/功率时延分布
电磁波在空间中传播时，可以在光滑的平面（比如建筑物的墙壁、地板）上进行反射，遇到锐利的边缘会发生衍射，遇到小型的物体（比如树叶）会发生散射。发射源发出的信号可以通过多条路径传播到同一位置，因此在一个位置上会接收到多路信号的叠加，每条传播路径有不同的能量强度和时延。时延取决于信号传播的距离，强度取决于距离和具体的传播情况（反射、衍射等）。每条到达接收器的射线称为一个多径分量，信道的多径特征指的是这一组信号强度和时延。多径特征也称为【功率时延分布】，某个位置上得到的多径结构取决于实际的环境，是独特的，能够被用来作为位置指纹。
接收信号强度 || RSS
基本概念：
信号的RSS或者接收功率取决于接收器的位置。很多通信系统需要RSS信息用来感知链路的质量，实现切换，适应传输速率等功能。RSS不受信号带宽的影响，没必要高的带宽（大多数通信方式的信号带宽都比较窄），因此RSS是一个很受欢迎的信号特征，并广泛应用于定位中。假设有一个固定的信号发射源，在离它不同距离的位置上的平均RSS的衰减和距离的对数成正比，在最简单的情况下，RSS可以表示为： 其中，A是信号传输1m远时接收信号的功率，n为传播因子，取决于环境和频率。RSS可以被用来计算移动设备与AP（或基站）之间的距离，但这个距离的误差可能会很大，因为RSS的变动范围可能会很大（注意上面的公式中RSS指的是某个距离的可能RSS的平均），这是由实际环境的影响造成的（称为阴影衰落）。
RSS VS RSSI
RSS: received signal strength, 翻译过来就是表示接收信号强度，是真实的信号强度。理想情况下，就是发射端的发射功率，传输到接收端，接收到的功率仍是一样的，则认为是理想情况。但是在实际情况下，理想环境是不存在。故，得到的RSS一般都是用负数表示。-50dbm–0dbm之间表示信号很好，能够满足我们的基本使用。RSSI： received signal strength indicator， 翻译过来就是接受信号强度指示，通过人为处理，而得到的信号强度。实际上，定位程序中是负数，进行数值比对即可。（RSSI，没有单位） 功能：
如果一个移动设备能接收到来自多个发射源的信号，或者固定的多个基站都能感知到同一个移动设备，那么我们可以使用来自多个发射源或者多个接收器的RSS组成一个RSS向量，作为和位置相联系的指纹。这个就是典型的Wi-Fi位置指纹。大多数Wi-Fi的网卡可以测得来自多个AP的RSS（可能是依次测量）。现在在大多数室内场景，移动设备常常可以检测到多个AP，因此使用来自多个AP的RSS作为位置指纹是有意义的。获取到位置指纹信息后，我们就可以利用位置指纹进行定位。
指纹的聚类
并不是所有的网格点都总能检测到同样的一组AP，考虑到了不同的一些聚类的方式。工作基于各个AP的平等性来给网格点分组。分享同一组AP的网格点被认为是一个蔟，蔟的确定是基于各个网络点上能看到这些AP的概率，因此这个方法也叫作“联合聚类”或者作者所称的JC技术。
其他
其他很多模式匹配算法都可以应用于Wi-Fi位置指纹法。包括贝叶斯推理、统计学习理论、支持向量机、神经网络等。
定位阶段
1. 离线阶段/校准阶段
在离线阶段（也称为校准阶段）要预先进行校准测量，在建筑物中的不同位置观察接收到信号并与地面真实位置一起构建一个数据库，称为“无线电地图”。 采集好的数据有时也称为训练集，这个过程有时称为标注阶段（calibration phase）通常情况下，物理世界中的位置点转换到信号空间中后，会呈现一些没有规律的模式。有些信号向量即使在物理空间中离得很远，在信号空间中却有可能很近。
2. 在线阶段
通过使用确定性算法或概率算法将收集的指纹与数据库中的指纹进行匹配来计算对象的位置。
Brett Dawes and Kwan-Wu Chin. 2011. A comparison of deterministic and probabilistic methods for indoor localization. J. Syst. Softw. 84, 3 (2011), 442–451
方法分类
按定位信号
1. 无线指纹识别
原理图：
2. 磁性指纹识别
磁性指纹类似于无线指纹。在训练阶段构建由磁读数和位置坐标元组组成的磁场图。每个元组称为一个指纹。与无线指纹不同，无线指纹可以由用户站在已知的点上收集，磁指纹通常是从时间轨迹中提取的，因为单一的磁指纹对定位没有用。三种形式的磁测量：
原始3D磁力计读数
Jaewoo Chung, Matt Donahoe, Chris Schmandt, Ig-Jae Kim, Pedram Razavai, and Micaela Wiseman. 2011. Indoor location sensing using geo-magnetism. In Proceedings of the 9th International Conference on Mobile Systems, Applications, and Services. ACM, 141–154.
- 基于原始读数的磁性指纹易于实现，具有较高的位置区分度，但对噪声敏感。
- 对噪声敏感
幅度
Kalyan Pathapati Subbu, Brandon Gozick, and Ram Dantu. 2013. Locateme: Magnetic-fields-based indoor localization using smartphones. ACM Trans. Intell. Syst. Technol. 4, 4 (2013), 73
- 基于幅度的指纹识别对噪声相对鲁棒
- 它具有较低的位置区分度
水平和垂直组件
Binghao Li, Thomas Gallagher, Andrew G. Dempster, and Chris Rizos. 2012. How feasible is the use of magnetic field alone for indoor positioning? In Proceedings of the International Conference on Indoor Positioning and Indoor Navigation (IPIN’12). IEEE, 1–9. Hongwei Xie, Tao Gu, Xianping Tao, Haibo Ye, and Jian Lv. 2014. MaLoc: A practical magnetic fingerprinting approach to indoor localization using smartphones. In Proceedings of the ACM International Joint Conference on Pervasive and Ubiquitous Computing. ACM, 243–253.
- 使用磁场的水平和垂直分量的方法在对噪声的鲁棒性和位置辨别方面表现中等。
3. 视觉指纹识别
事实上，图像检索和姿势回归方法可以归类为视觉指纹方法。
Filip Radenović, Giorgos Tolias, and Ondřej Chum. 2016. CNN image retrieval learns from BoW: Unsupervised finetuning with hard examples. In Proceedings of the European Conference on Computer Vision. Springer, 3–20.
① 在非参数图像检索方法中，通过从与查询图像最匹配的大型地理标记参考图像数据库中搜索图像来推断查询图像的位置。
Dmytro Mishkin, Michal Perdoch, and Jiri Matas. 2015. Place recognition with WxBS retrieval. In Proceedings of the CVPR Workshop on Visual Place Recognition in Changing Environments, Vol. 30
②参数方法使用地理标记图像训练模型(分类器或回归器)，并使用训练的模型预测查询图像的相应位置。
Alex Kendall and Roberto Cipolla. 2016. Modelling uncertainty in deep learning for camera relocalization. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA’16). IEEE, 4762–4769. Alex Kendall and Roberto Cipolla. 2016. Modelling uncertainty in deep learning for camera relocalization. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA’16). IEEE, 4762–4769.
图像可以由不同类型的特征来表示
Nathan Piasco, Désiré Sidibé, Cédric Demonceaux, and Valérie Gouet-Brunet. 2018. A survey on visual-based localization: On the benefit of heterogeneous data. Pattern Recog. 74 (2018), 90–109.
① 局部特征(例如，点特征、几何特征、具有几何关系的点特征)② 全局特征(例如，基于 GIST 描述符、基于 CNN)③ 混合特征(例如，面片特征、组合特征)④ 语义特征(例如，天际线特征、点射线)。视觉指纹的主要挑战包括构建精确的参考图像数据库、图像注释和针对不同条件的鲁棒性改进。
按信号发送方
在所有的这些方式中，都需要把感知到的信号特征拿去匹配一个数据库中的信号特征，这个过程可以看作一个模式识别的问题。
远程定位/网络定位
待定位设备是在发送信号，有一些固定的接收设备感知待定位设备的信号或信息，然后根据这些检测到的特征来估计待定位设备的位置。
自身定位
待定位设备接受一些固定的发送设备的信号或信息，然后根据这些检测到的特征来估计自身的位置。
混合定位
待定位移动设备也许会把它检测到的特征传达给网络中的服务器节点，服务器可以利用它所获得的所有信息来估计移动设备的位置。
航位推算定位 || Dead Reckoning
概述
航位推算(DR)使用惯性传感器来估计相对位置，并且需要很少或不需要部署基础设施。
Agata Brajdic and Robert Harle. 2013. Walk detection and step counting on unconstrained smartphones. In Proceedings of the ACM International Joint Conference on Pervasive and Ubiquitous Computing. ACM, 225–234. Robert Harle. 2013. A survey of indoor inertial positioning systems for pedestrians. IEEE Commun. Surv. Tutor. 15,3 (2013), 1281–1293.
基本思想是在给定初始位置的情况下，从移动方向、速度和采样间隔推断当前位置。传感器丰富的智能设备无处不在，这使得灾难恢复成为一种流行的室内定位方法。
Ionut Constandache, Romit Roy Choudhury, and Injong Rhee. 2010. Towards mobile phone localization without war-driving. In Proceedings of the IEEE INFOCOM. IEEE, 1–9. Jingbin Liu, Ruizhi Chen, Ling Pei, Robert Guinness, and Heidi Kuusniemi. 2012. A hybrid smartphone indoor positioning solution for mobile LBS. Sensors 12, 12 (2012), 17208–17233. Jianga Shang, Fuqiang Gu, Xuke Hu, and Allison Kealy. 2015. APFiLoc: An infrastructure-free indoor localization method fusing smartphone inertial sensors, landmarks and map information. Sensors 15, 10 (2015), 27251–27272.
INS
PDR
图示：
① 步伐检测(或计数)② 步长估计③ 航向估计
总结
总的来说，DR 是一种自定位技术，已经成为主流的室内定位方法之一。**优点：**不需要额外的基础设施，没有覆盖限制。这使得它特别适用于在缺乏无线网络的地区定位和导航。**局限性：**它受到累积误差问题的困扰，导致精度随着时间的推移而下降。因此，需要定期进行校正，这可以通过使用其他定位方法或使用地图和地标等空间信息来完成。
融合定位
概述
不同的定位技术在准确性、覆盖范围、对基础设施的要求和部署成本方面有各种优势和局限性，没有一种单一的定位方法能够满足所有应用的需求。实现实用定位系统的关键是融合不同的定位信号，使它们能够相互补充。集成多个定位信号的方法称为混合定位。
Jianga Shang, Xuke Hu, Fuqiang Gu, Di Wang, and Shengsheng Yu. 2015. Improvement schemes for indoor mobile location estimation: A survey. Math. Prob. Eng. 2015, Article 397298 (2015). http://dx.doi.org/10.1155/2015/397298
常见的融合定位方法
1. 基于多模式指纹的融合
Yuanchao Shu, Cheng Bo, Guobin Shen, Chunshui Zhao, Liqun Li, and Feng Zhao. 2015. Magicol: Indoor localization using pervasive magnetic field and opportunistic Wi-Fi sensing. IEEE J. Select. Areas Commun. 33, 7 (2015), 1443–1457.
2. 基于三角测量的融合
Yuanchao Shu, Cheng Bo, Guobin Shen, Chunshui Zhao, Liqun Li, and Feng Zhao. 2015. Magicol: Indoor localization using pervasive magnetic field and opportunistic Wi-Fi sensing. IEEE J. Select. Areas Commun. 33, 7 (2015), 1443–1457.
3. 基于航位推算的融合
Lyu-Han Chen, Eric Hsiao-Kuang Wu, Ming-Hui Jin, and Gen-Huey Chen. 2014. Intelligent fusion of Wi-Fi and inertial sensor-based positioning systems for indoor pedestrian navigation. IEEE Sens. J. 14, 11 (2014), 4034–4042.
相关链接
您阅读本篇文章共花了：
发表评论