室内定位中非视距的识别和抑制算法研究综述

       针对存在非视距(non-line-of-sight, NLOS)的室内定位算法进行研究. 首先描述室内定位中的常用技术和算法(航迹推算、指纹识别定位、邻近探测、极点定位、三角定位、多边定位、质心定位), 概括其原理、优缺点和适用场景; 其次, 通过仿真测试说明研究NLOS识别和抑制的必要性; 再次, 分别介绍NLOS识别和NLOS抑制的几类算法, NLOS识别算法包括统计学方法、几何关系法、机器学习法、信道特征提取法和虚点密度识别法, NLOS抑制算法包括模糊理论法、引入平衡参数法、几何关系法、小波去噪法、机器学习类算法、凸优化类算法、残差类算法、最小二乘类算法和多维缩放类算法; 最后, 对全文进行总结并指出NLOS室内定位亟待解决的问题.
      全球定位系统(global positioning system, GPS), 凭借其广泛的应用范围和较高的定位精度, 受到了各方面专家和学者的青睐, 其在室外可以提供比较可靠的定位服务. 然而, 由于室内环境较为复杂, 信号的传播过程中会遇到障碍物(行人、墙壁、桌椅等)的阻塞, 使得信号发生反射、折射或散射, 导致强度减弱, GPS并不能实现精确的定位, 即在存在非视距(non-line-of-sight, NLOS)的室内环境中, 定位精度会有所下降. 如何有效识别和抑制NLOS, 从而提高定位精度是目前室内定位研究的热点问题之一. 室内定位作为定位技术在室内环境的延续, 应用更加广泛. 精确的节点位置信息可以应用在环境监测、军事侦察、定位打击目标、公共安全及应急响应等方面.

       当发生地震、火灾等意外灾害时, 室内环境由于崩塌、火烧等会发生改变, 根据感觉盲目寻找很难快速找到被救援人员的位置. 而通过无人机等实地采集信息, 利用室内定位技术可以快速进行搜救, 既节省时间又能规划出安全的救援路径. 当发生恐怖袭击或者人质劫持等社会安全事件时, 利用室内定位技术可以快速确定袭击者或人质的位置.