【阅读笔记】An Overview on Position Location: Past, Present, Future

• Zekavat S R, Buehrer R M, Durgin G D, et al. An Overview on Position
  Location: Past, Present, Future[J]. International Journal of Wireless
  Information Networks, 2021: 1-32.

https://doi.org/10.1007/s10776-021-00504-z
Keywords Localization · Kalman fltering · Machine learning · RFID · Visible light localization · LOS localization
文章叙述近期的定位方面的成果，并说了发展前景

智能手机定位，包括：GPS、蜂窝、航位推算

室内导航部分

惯性导航系统 （INS） 及其与 GPS 的集成已使无GPS信号的区域原文：GPS-denied areas（如隧道或市中心地区个人理解：市中心建筑物和高架较为密集，所以GPS无信号）实现定位。WiFi 定位出现在 2000 年代，用于室内地理定位和市中心应用，并很快集成到智能手机中。如今，定位继续推进，因为汽车和视频游戏等各种设备都需要精确导航和定位。车辆系统想用在自动驾驶和道路交通控制。这些定位应用将采用远远超出INS、GPS和微波频率定位的技术。关键的现代定位技术将机器学习和人工智能以及毫米波、成像和可见光定位相结合，实现了无射频定位，尤其是在传播环境复杂的地区。RFID 定位启用了新的应用程序，并支持了亚马逊、收费公路支付和电子识别等大型供应商。
当前的 WiFi 定位方法通常由 RSS 技术支持，这些技术需要至少由三个节点进行测量，但受益于额外的测量。RSS 技术不需要精确复杂的信号处理，而 TOA 和 DOA 估计则需要复杂的信号处理方法。由于 DOA 技术需要定向天线，DOA 估计的硬件组件也很复杂。

RSS估计

与 TOA 和 DOA 相比，RSS 估计被认为是最不复杂的定位方法。但是，RSS 高性能估计取决于所有 WiFi 接入点或手机塔与所需区域内的任何位置或地点之间的良好通道路径损失模型。给定环境的通道路径损失模型包括确定性和随机组件。随机组件的统计数据是通过许多现场测量确定的。此外，由于人和事物的位置不同，通道会随着时间而变化。在过去的二十年中，已经开发出许多算法来解决影响RSS精度的通道模型的随机空间和时间行为问题。要解决通道不准确的建模对基于RSS的位置的影响，估计各种技术，如融合数量较多的观测和应用技术，如卡尔曼过滤。虽然 RSS 定位在 NLOS 情况下仍然可用，但预计定位性能会降低。

通过指纹识别实现非几何定位

几何技术并不总是可行的。具体来说，我们感兴趣的定位方案，不能依靠几何技术，由于高流行率的非视线条件和沉重的多路径传播。
基于指纹的定位通常由两个阶段组成：；离线部分（创建数据库）和在线阶段（开发数据库）。

非视线（NLOS） 识别和定位算法

在非视线（Non-Line-of-Sight ，NLOS）情景中，TOA 或范围测量中添加了正偏差，由于NLOS造成的DOA错误可能是较大的正偏或负偏。NLOS错误根据TOA和/或DOA测量的融合大大降低了定位算法的性能。
NLOS 识别的单个参数执行得不是很好。因此，将多个参数组合在一起，以获得更好的性能。使用TOA、RSS、RDS 及其组合的 NLOS 标识进行评估。当有确切的距离信息时，TOA、RSS 和 RDS 用于 NLOS 识别的组合会获得最佳性能，但当没有确切距离时，基于 RDS 的方法是最成功的。

KF

虽然当今的计算技术允许高复杂性 KF 算法（如 UKF 和 EnKF）在应用中实现目标跟踪，但基于计算成本低的 KF 算法的开发仍然是研究人员的兴趣所在。特别是对于目标跟踪应用程序，其中需要接收信号的高复杂性信号处理或微处理器中可用的计算能力有限。因此，研究人员推出了几种低成本的 KF，其中包括基于 KF[S. T. Goh, O. Abdelkhalik, and S. A. R. Zekavat, “A weighted measurement fusion kalman flter implementation for uav navigation,” Aerospace Science and Technology, vol. 28, no. 1, pp. 315–323, 2013.]的加权测量融合和基于加权优化的分布式 KF [J. Chen, J. Li, S. Yang, and F. Deng, “Weighted optimizationbased distributed kalman flter or nonlinear target tracking in collaborative sensor networks,” IEEE Transactions on Cybernetics, vol. 47, no. 11, pp. 3892–3905, 2017.]算法。

机器学习/人工智能定位技术

近年来，机器学习（ML）和人工智能（AI）在各种研究领域都备受关注，因为它在复杂问题上的表现很有前途。与传统的分析方法不同，ML 首先使用大量数据来训练模型，然后应用于定位。本节旨在阐明过去二十年中用于定位的 ML 技术的演变。
基于ML的定位算法可以根据其应用程序分为两类：（1）算法集成了通道测量以直接确定用户的位置;（2）算法估计了通道参数（例如通道增益、延迟和角度信息），这些参数可以直接应用于定位。
基于支持向量机（SVM）的定位
支持矢量机（Support Vector Machine，SVM）在多维空间中生成超平面，将数据点拆分为不同的类。与超级飞机的接近数据点称为支持载体。SVM 旨在以支持不同类别的向量相互最大距离的方式提供超平面。SVM 将数据点分类为与类数据点一样多的数据点。数据点可以线性和/或非线性分离。如果数据点是线性分离的，则得到一个超平面作为不同类的支持向量之间的中点。如果情况并非如此，则将数据点映射到其他空间中，以便于分离。大多数情况下，通过一些内核函数，从低维度空间到更高维度空间。常见的内核包括线性、多面体、西格莫德和高斯函数。结果表明，高斯内核基于标准偏差和平均误差[X. Nguyen, M. I. Jordan, and B. Sinopoli, “A kernel-based learning approach to ad hoc sensor network localization,” ACM Trans. Sen. Netw., vol. 1, p. 134–152, Aug. 2005.]具有更好的性能。
基于分类的定位（K- Nearest Neighbor，KNN）
KNN 算法基于考虑预先定义的校准点或信标节点数，即 K 点。信标节点是具有已知位置的节点。这些信标节点与定位中的 RSS 指纹相对应。这些 RSS 指纹依赖于无线电地图中的接入点和用户之间的物理距离。首先，KNN 算法计算位置未知的用户与信标节点之间的距离。常见的距离是曼哈顿和欧几里德标准距离。接下来，它根据距离计算选择与用户最近的K节点。用户的估计位置是这些K最近节点（邻居）的坐标平均值。

可见光定位（Visible Light Positioning，VLP）

VLC（可见光通信）系统使用照明设备提供高带宽，从而对其他电磁源免疫，有利于高再利用因子，因为光线不会穿过墙壁。这种技术已经建议在室内和车辆平台（船舶、飞机、公共汽车和汽车）中使用。它们的使用可以减少电缆的数量，减少重量、制造成本和能源消耗。此外，由于光不会干扰其他电磁设备，因此它可以安全地用于射频干扰不受欢迎的领域，如医院、矿山、加油站和飞机。如果安装在现有照明系统中且变化不大，VLC 也可能非常具有成本效益。因此，旨在利用来自（可见）光（通信）源的信息对设备进行定位的可见光定位（VLP）技术也迅速出现。未经许可的RF频段（如 WiFi 和蓝牙频段）的惊人使用，以及LED、PD（光二极管）和图像传感器技术的发展，限制了VLC和VLP系统的设计。
因为房间内的光线不会干扰另一个房间的光线，从而简化了用于室内应用的VLP系统。光的波粒子性质（其极短的波长/粒子大小）使得获得非常精确的位置位置成为可能。因此，VLP作为IPS的一种竞争替代方案出现。智能交通系统（ITS）也提出了并采用了不同的 VLP 系统。
VLC和VLP如果能有效结合在一起，对于两者的发展都是有益的。

基于指纹的VLP

使用基于指纹的 VLP 进行室内定位也是可能的。在*[J. Vongkulbhisal, B. Chantaramolee, Y. Zhao, and W. S. Mohammed, “A fngerprinting-based indoor localization system using intensity modulation of light emitting diodes,” Microwave and Optical Technology Letters, vol. 54, no. 5, pp. 1218–1227, 2012.]中，每个 LED 信标都会发出由鼻窦波调节的可见光强度，每个 LED 使用不同的频率。处理光二极管接收到的信号以获得其功率光谱密度。由五个摄影探测器组成的金字塔式排列（将照片二极管放置在每张面部，另一张放在与金字塔基座平行但高于其他平面的平面中）提供了接收多样性。功率光谱密度是指纹。场景分析过程将要定位的功率光谱密度与利用欧几里德距离的功率光谱密度数据库进行比较，并返回相应的位置。在[A. M. Vegni and M. Biagi, “An indoor localization algorithm in
a small-cell LED-based lighting system,” in Indoor Positioning and Indoor Navigation (IPIN), 2012 International Conference
on, pp. 1–7, IEEE, 2012.]*中，为多个 LED 发射器（尽管是红外线）设计了另一个指纹 VLP-IPS 示例。接收方将功率及其冲动反应测量为指纹。

结论

本文总结了定位技术的历史。通过无线通信技术和 TOA、DOA 和 RSS 计算的信号处理的演变，概述了定位技术的发展。本文提出了几何和非几何定位的概念、与NLOS定位相关的问题以及协作定位的概念。本文还介绍了跟踪和卡尔曼过滤方法的发展，这些方法是高性能定位的关键。本文还讨论了人工智能和机器学习的出现，以实现定位。此外，本文还讨论了可见光、机器学习、RFID和网络定位等领域的新兴技术和方法。此外，本文还讨论了过去几十年发展起来的关键定位技术。此外，本文还阐明了新的定位技术和与定位有关的关键研究领域和重要课题。