移动情景感知环境下的WI-FI 室内定位技术及其实现

针对现有室内基于Wi-Fi 的指纹定位技术中指纹样本库会过时的问题,本文提出了一种基于众包的指纹更新 技术,该指纹更新技术能够结合实际的移动情境而不断更新样本库中的指纹,保持样本库中指纹的准确性,从而改进了已有的 基于Wi-Fi 的室内定位技术的精度。     

人机共享环境下基于Wi-Fi指纹的室内定位方法

针对服务机器人和行人的室内全局定位问题,提出一种人机共享环境下基于Wi-Fi指纹的室内定位方法.首先,采用核主成分分析法(KPCA)从双频段的Wi-Fi信号中提取一种设备无关的鲁棒位置指纹,用于Wi-Fi指纹定位.然后,为了提高行人定位的稳定性和精确度,结合行人航迹推算(PDR)的定位方法,设计了一种基于选择更新粒子滤波(SUPF)的Wi-Fi/PDR组合定位算法.在该算法中,利用PDR对移动场景下的Wi-Fi定位结果进行了初步校正,并通过定义自适应大小的可信空间对校正后的结果进行评估,从而在数据融合之前剔除不可信的Wi-Fi定位估计.最后,在实际场景下开展了定位实验,Wi-Fi/PDR组合定位的平均定位误差约为2 m,实验结果表明所提出的方法提升了定位系统的精确度和鲁棒性.     

Wi-Fi指纹聚类在室内感兴趣区域定位中的应用

针对广域室内位置服务中Wi-Fi指纹图谱构建与维护困难的问题,论证无监督聚类算法实现感兴趣区域(POI)定位的可行性,从而为众包模式生成POI关联定位指纹图谱提供依据。首先介绍Wi-Fi指纹定位算法的基本框架,并将k均值算法、近邻传播算法、自适应传播算法应用到Wi-Fi指纹定位;然后以一个实验室为例,分析室内POI划分与空间区域的关系,建立无线信号强度指示(RSSI)特征库,以BP神经网络算法作为对比,评价三类无监督聚类算法在POI定位的性能,其定位的平均精度和查全率均高于90%。实验结果表明,无监督聚类算法生成无线指纹图谱可以作为粗粒度的室内POI定位的解决方案。     

基于智能手机无线信号和图像距离感知融合的室内定位算法

针对于目前面向个人使用的手机室内定位精度低、效果差,且成本较高难以拓展的问题,提出了一种利用普通智能手机作为硬件设备,融合Wi-Fi无线信号和图像数据,通过双层过滤的方式对用户进行高精度室内定位的算法。算法分为线下阶段和线上阶段。在线下阶段,对目标场地建立坐标系,在坐标系多个目标位置进行Wi-Fi采样并建立指纹库,同时对环境进行拍照取样并抽取图像特征。在线上阶段,通过实时获取的Wi-Fi信息进行第一层过滤,以确定当前用户可能的位置区间;然后,结合提出的一种距离补偿算法对用户手机当前捕获的图像进行特征提取,在第一层过滤的基础上,确定用户的精准位置。在实际场地进行的实验表明,相比传统Wi-Fi及二维图像定位方法,该算法能够在探测接入点（AP）数量较少及室内场景相似的情况下提高室内定位精度,可以应用于一般室内定位应用或结合基于位置的服务（LBS）应用。     

基于K-Means和FCM的增强型Wi-Fi指纹定位策略

研究了通过数据处理算法以提高Wi-Fi指纹库室内定位性能的问题.首先采集Wi-Fi指纹样本,将其放入MySQL数据库中和R工程;其次将Wi-Fi指纹库分成若干个簇,使用K-均值聚类（K-Means）和模糊C-均值聚类（FCM）对待定位的Wi-Fi指纹进行聚类分析;最后,提出增强型的聚类策略（ECS）应用于Wi-Fi指纹匹配定位中.实验结果表明,ECS较仅使用FCM算法,其定位耗时缩短约50%-80%,且定位精度上有所改善;ECS较仅使用K-Means算法,其定位精度提高约20%-40%,且定位稳定性较强并自动更新Wi-Fi指纹库.     

基于时间反转的二阶段Wi-Fi室内定位方法

受Wi-Fi系统有限物理带宽限制,时间反转定位算法的定位精度难以得到提升。当定位范围较大时,在线定位阶段所需的匹配运算量更大,导致定位时间增长。针对上述问题,本文提出了一种基于时间反转的二阶段Wi-Fi室内定位方法。首先对接收信号强度和信道频率响应进行离线采集,利用接收信号强度和k近邻匹配算法进行位置粗估计,大致确定待测点所在范围。随后根据粗估计结果筛选原始指纹库,构建指纹库子集。在位置精估计阶段,计算待测点信道频率响应与指纹库子集中各参考点处信道频率响应的信号组合共振能量,通过最大值搜索寻找组合共振能量最大的参考点,将其坐标值作为位置估计结果。实验结果表明,所提算法相比于传统定位算法在精度和运行速度上有明显提升,在非直射环境下仍能保证较高的定位精度。     

基于无线信道状态相位信息优化的定位算法

随着位置服务需求的增长,基于Wi-Fi接收信号的室内定位技术一直是研究热点之一.通过检测环境变化对Wi-Fi无线信道状态信息CSI的影响,从而实现对室内人员的定位具有通用性强、部署成本低等优点.针对大多系统仅使用CSI中幅度信息所带来准确性和稳定性不足的问题,设计并实现了一种基于CSI相位信息优化的定位算法,该方法通过采集幅度和相位参数相结合作为位置指纹特征,并对特征数据进行预先平滑去噪后进行指纹库的构建,然后通过机器学习方法进行人员位置的分类识别.由于相位和幅度信息可以相互补充,弥补了某些易混淆位置的分类错误,从而解决了采用单一特征的定位准确性和稳定性问题.实验进行了两种不同多径场景下的实验,比较了不同指纹特征选取、数据预处理方法以及三种机器学习算法对定位准确度的影响,其结果表明采用本文所提出算法总体上可以在仅使用CSI幅度特征的基础上提高13%.     

动态环境中的WiFi指纹自适应室内定位方法?

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,设计并实现了一种基于WIFI射频信号强度指纹的室内定位方法。该方法通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位方法比传统定位方法更稳定、易维护,同时也具有更高的定位精度和自适应性。     

融合多模传感器的室内实时高精度轨迹生成

提出了一种融合多模传感器的室内实时高精度轨迹生成方法,亦即将室内Wi-Fi定位与传感器定位结合起来,生成用户在室内移动的实时轨迹。首先由Wi-Fi定位出用户的初始位置,然后结合Wi-Fi定位的结果以及多个传感器的数据,得到用户的运动速度以及方向,通过航迹推算算法得到用户下一时刻的位置,最后对得出的位置坐标进行卡尔曼滤波处理,得到用户的位置坐标,最终生成用户移动的实时轨迹。实验结果表明,该方法可以得到比Wi-Fi定位更为平滑稠密的移动轨迹,且精确度 比其他同类方法更高。     

基于Wi-Fi室内定位的位置指纹算法

随着Wi-Fi网络室内覆盖率的增加,人们对位置服务的需求也不断增加。利用现有的Wi-Fi网络进行室内定位,先分析了NN算法存在的不足,并提出了一种WNN位置指纹定位算法。整个定位过程分为数据采集、数据处理即奇异值处理和滑模滤波处理、实时定位即用WNN法对处理后的离线数据和实时数据进行对比、匹配,最接近的那组数据对应的区域号为定位结果。对几种信号处理方法进行了比较,得出滑模滤波的效果最优。实验表明,修正后的定位算法的定位准确率明显提高,达到了90%以上。     

基于动态时间规整距离指纹匹配的Wi-Fi网络室内定位算法

Wi-Fi网络中常规的基于指纹匹配室内定位算法面临信号时变现象或人为干扰的影响,导致定位精度不高。为此,提出基于动态时间规整（DTW）距离相似性指纹匹配的Wi-Fi网络室内定位算法。首先,该算法将定位区域的Wi-Fi信号特征按照采样的先后顺序转化为时间序列类型指纹,通过计算Wi-Fi信号指纹动态时间规整距离的大小来获取定位点与样本点的相似性;然后,根据采样区域结构特征,将Wi-Fi信号指纹采集问题划分为三类基本的动态路径采样方式;最后,结合多种动态路径采样方式增加指纹特征信息的准确性和完整性,从而提高指纹匹配的准确性和定位精度。大量实验结果表明,较瞬时指纹匹配定位算法,所提算法误差范围在3m以内定位的累积错误率：路径区域匀速运动提高了10%,变速运动提高了13%;开放区域交叉曲线运动提高了9%,S型曲线运动提高了3%。所提算法在实际室内定位应用中能有效提高指纹匹配的准确性和定位精度。     

设备自适应的无线信号特征提取与定位方法

近年来,基于Wi-Fi的无线定位研究日益受到关注.然而,在实际应用中,由不同终端设备的差异引起的定位偏差是一个重要问题.针对此问题提出了一种免标定、无监督的SSDR(signal strength difference ratio)解决方法.考虑采集训练数据的设备和测试数据的设备之间信号存在差异,首先将信号指纹特征进行去线性处理以获取新的特征;然后结合AP(access point)对定位结果的影响,提出了基于AP影响因子计算距离的标准;最后根据新的特征和距离计算准则消除不同设备之间的差异以实现定位.在真实的室内无线环境下的实验结果表明,所提出的SSDR方法相比于传统的直接基于信号强度和欧式距离计算准则的定位方法而言,可以提高10%~20%的定位精度,增强了无线定位系统的实际可用性.     

基于多边限定的室内定位方法设计与系统实现

随着基于位置服务（Location Based Services，LBS）的发展与智能移动设备的普及，室内定位算法与系统受到了广泛研究与关注。为提高室内定位精度、增强系统鲁棒性，提出了基于多边限定的fingerprint定位方法。基于Wi-Fi RSSI（Received Signal Strength Indication）信号处理建立离线fingerprint数据库；通过对拟合距离-RSSI函数分析，提出了多边限定的方法确定一个最佳参考点（Reference Point，RP）集合，缩小在线定位阶段的搜索范围。在此基础上，再利用fingerprint定位方法进行定位。此外，实现了基于提出方法的室内定位系统原型用于算法性能评估。通过大量真实场景实验分析、验证了相较于传统fingerprint方法，基于多边限定的fingerprint定位方法能有效提高室内定位精度，增强系统鲁棒性。     

Communicating Is Crowdsourcing: Wi-Fi Indoor Localization with CSI-Based Speed Estimation

Numerous indoor localization techniques have been proposed recently to meet the intensive demand for location-based service (LBS). Among them, the most popular solutions are the Wi-Fi fingerprint-based approaches. The core challenge is to lower the cost of fingerprint site-survey. One of the trends is to collect the piecewise data from clients and establish the radio map in crowdsourcing manner. However the low participation rate blocks the practical use. In this work, we propose a passive crowdsourcing channel state information (CSI) based indoor localization scheme, C²IL. Despite a crowdsourcing based approach, our scheme is totally transparent to the client and the only requirement is to connect to our 802.11n access points (APs). C²IL is built upon an innovative method to accurately estimate the moving speed solely based on 802.11n CSI. Knowing the walking speed of a client and its surrounding APs, a graph matching algorithm is employed to extract the received signal strength (RSS) fingerprints and establish the fingerprint map. For localization phase, we design a trajectory clustering based localization algorithm to provide precise real-time indoor localization and tracking. We develop and deploy a practical working system of C²IL in a large office environment. Extensive evaluations indicate that the error of speed estimation is within 3%, and the localization error is within 2 m at 80% time in a very complex indoor environment.     

一种基于矩阵补全的室内指纹定位算法

近年来室内定位技术引起了研究者的广泛关注,现有基于信号指纹的室内定位算法需要大量采集指纹数据,且在噪声干扰下易产生较大的定位误差。针对上述问题,提出了一种鲁棒的基于矩阵补全的室内指纹定位算法,其基于信号指纹矩阵的低秩特性,将噪声干扰下的指纹数据恢复问题建模为范数正则化矩阵补全问题;在此基础上引入L1范数和F范数以平滑野值噪声并提高算法的稳定性,最终通过交替方向乘子法和变量分裂技术进行有效求解。实验结果表明,该算法只需进行少量信号指纹数据采集即可较为完整地恢复出指纹库,在各种噪声场景下均能获得高于同类算法的定位精度。     

MRILoc: Multiresolution Indoor Localization from crowdsourced samples

The demand of Wi-Fi fingerprinting-based indoor localization has been growing steadily for its open-source and low-cost infrastructure. Since site survey is tedious and costly, crowdsourcing is becoming a typical practice for fingerprint database construction. However, erroneous location annotation and non-uniform sample density need to be addressed in sample crowdsourcing. Furthermore, the traditional massive fingerprint databases in large and complex indoor environments require longer processing time and extensive computational complexity, limiting their efficiency and scalability. We propose a Multiresolution Indoor Localization from crowdsourced samples (MRILoc) system to address these challenges. The MRILoc consists of three major offline modules and a new online hierarchical and multiresolution localization algorithm. Firstly, we designe a Sample Reliability Measure Algorithm (SRMA) to identify reliable crowdsourced samples. Secondly, we construct weighted surfaces using reliable fingerprints and downsample fingerprints at the center of grids to resolve the issue of the non-uniform sample density. Thirdly, we construct hierarchical training databases for multiresolution localization. Our online algorithm integrates the K-Nearest Neighbors (KNN) to classify a test sample in different resolution subareas and uses XGBoost regression for the final exact localization approximation if necessary. To evaluate the performance of the proposed method, we conduct experiments on two field measurement datasets. The experiment results show a high average hitting rate and 19% localization accuracy improvement over the peer schemes.     

IWFUCIA: An integrated model for Wi-Fi fingerprints radio map updating and localization on changed impact analysis

In Wi-Fi fingerprinting indoor localization, automating radio map database maintenance is one of the crucial issues, as it is a labour-intensive and long-term task for collecting and filtering samples to keep an up-to-date and accurate database. In particular, those access points (APs) newly installed in the environment should update radio maps and be included in the database to improve localization performance. This study presents an IWFUCIA system that automates indoor radio map database maintenance (RMapDM) using crowdsourced samples without accurate location annotation. The IWFUCIA incorporates the newly installed APs detection and identification, the significant APs feature selection, fingerprint integration updating, and online localization algorithms. After collecting new crowdsourced samples, we apply Willmott’s index of agreement (WIA) based on the Supported Vector Machine (SVM) regression to detect and identify a newly installed AP and the original existing ones. After getting the new APs, we propose a correlated coefficient and t-test score algorithm to select only those significant AP-based feature samples. We also proposed a fingerprint integration model to fuse original existing and new APs to update the database. Extensive experiments have been conducted in our teaching building to validate and evaluate the effectiveness of IWFUCIA. The results show that our IWFUCIA is robust for long-term maintenance and updating the outdated radio map database server. The average localization accuracy achieves 0.466 m, which significantly outperforms the localization positioning approaches with the original radio map by 84.96%, outdated radio maps by the changed APs powers removed, increased and decreased by 26.32%, 55.36%, and 73.14%, respectively.     

ISR: indoor shop recognition via user-friendly and efficient fingerprinting on smartphones

Indoor shop recognition can not only help mobile users to quickly recognize a shop to know about the information of interest without needing to enter the shop, but also assist in achieving more accurate user localization in a shopping mall. However, the existing Wi-Fi fingerprint-based approaches or image-based approaches cannot accomplish this goal well due to a huge cost of constructing large-scale fingerprint database and poor accuracy. In order to address these issues, we proposed a user-friendly and efficient fingerprinting method to collect various valuable sensory data with smartphones, which can not only reduce the randomness of fingerprints and the negative impact of pedestrians in image matching, but also be used to derive the user-to-shop distance based on the perspective projection model for assisting in determining an accurate fingerprint searching scope. We also proposed an efficient fingerprint searching and matching method to improve the recognition accuracy. We implemented a prototype system and collected fingerprint datasets in a shopping mall. Extensive experiments demonstrate that our solution achieves promising results in realistic scenarios.