论文部分内容阅读
近年来,随着物联网的快速发展,使得基于位置感知应用的需求激增,例如医院、机场、大型商场等实际场景下的定位和导引。而随着Wi Fi基础设施的广泛部署,基于Wi Fi的指纹定位技术成为最有前景的定位技术之一。原因在于,一方面,基于Wi Fi的指纹定位技术在视距(Line-of-sight,LOS)或非视距(Nonline-of-sight,NLOS)环境都能工作,因此更适用于实际复杂的室内环境。另一方面,接收信号强度(Received Signal Strength,RSS)的收集无需额外的基础设施,仅需一些基础的设备(例如,智能手机,平板等)就可实现。基于Wi Fi的指纹定位技术一般包括离线构建指纹库阶段和在线定位匹配阶段。然而,在实际的超密集网络室内环境中,存在以下的问题和挑战。第一,接入点(Access Point,AP)过多导致指纹库的构建过程非常繁琐,并且造成指纹库的数据量非常庞大,进而增加线上定位的匹配时间。第二,密集部署的AP造成环境动态问题(例如AP动态变化问题,RSS时变问题),降低了指纹库的有效性,导致难以精确定位。第三,由于不同的移动设备安装的Wi Fi芯片不同,采集的RSS值存在一定的差异(即使在同一位置)。利用不同设备收集指纹库与在线定位的RSS数据会造成设备异构问题,并且很难校准。针对上述超密集网络下的室内环境中存在的问题,本文重点研究了适用于超密集网络的室内定位方法,主要工作如下:(1)本文提出了基于指纹相似度的鲁棒室内定位方法,包含以下关键点。第一,针对指纹库数据过多的问题,设计简单有效的AP选择方法选取能够有效表征RSS特性的AP。该方法能够去除大量冗余数据,在确保定位精度满足要求的情况下,可以将指纹库的规模减小约76%。第二,由于不同的移动设备之间采集的RSS绝对值存在差异,提出一种基于RSS相对值的指纹库构建方法,能够很好地解决设备异构问题。第三,为了减轻环境动态的影响,在线阶段设计基于分数机制的定位匹配方法,能够处理AP动态变化和RSS随时间变化带来的定位问题。实验结果表明,整个方法可以提高定位精度,尤其在大量AP丢失的情况下,能够提供更加鲁棒的定位精度。(2)虽然上述的AP选择方法能够减少指纹库的规模,但仍需要测量人员耗费大量时间采集RSS样本,为了避免现场采集RSS,在上一方法的基础上设计无需采集RSS的室内定位方法,利用AP与参考点之间的距离构建指纹库。因此该方法无需任何现场测量,只需要知道AP的确切位置就能够快速建立指纹库,极大地减少了离线阶段的开销。实验结果表明,在会议室和走廊这两种典型的室内场景中,相较于Selective-AP方法,该方法的中值定位误差分别下降了55.53%和31.20%,对应的平均定位误差分别下降了49.17%和43.18%。由此看出,无需采集RSS的定位方法能够大幅度提高定位精度。