智能手机基于众包的室内定位

作者

Chenshu Wu, Student Member, IEEE, Zheng Yang, Member, IEEE, and Yunhao Liu, Senior Member, IEEE

摘要

室内定位对于一系列广泛的应用具有重要意义，在过去几十年中吸引了许多研究工作。大多数基于无线电的解决方案都需要一个现场勘测过程，在该过程中，对感兴趣的区域的无线电信号用它们真实记录的位置进行注释。现场勘测涉及大量人力和时间成本，限制了全球无线定位的适用建筑。在本研究中，我们研究整合在现代移动电话中的新型传感器，并利用使用者的动作来构建平面图的无线电地图，而平面图先前仅通过实地调查获得。考虑到用户在建筑物中的移动，最初分离的RSS指纹在地理上由用户记录位置的移动路径连接，从而形成一个高维指纹空间，其中保留了指纹之间的距离。然后，指纹空间以无应力的形式自动映射到平面布置图，从而生成标有物理位置的指纹。在此基础上，我们设计了基于现成WiFi基础设施和手机的室内定位系统LiFS。LiFS部署在面积超过1600m2的办公楼中，由于几乎不需要人工干预，因此部署简单快速。在LiFS中，指纹的校准是众包和自动的。实验结果表明，即使不进行现场调查，LiFS的定位精度也与以前的方法相当。

1 介绍

移动计算的普及促使人们对无线室内定位进行了广泛的研究。引入了许多解决方案来提供基于房间级别的定位服务，例如，在办公楼中定位人员或打印机。

以前的大多数定位方法使用接收信号强度（Received Signal Strength，RSS）作为位置确定的度量。RSS指纹可以很容易地从大多数现成的无线网络设备中获得，例如WiFi或ZigBee兼容设备。在这些方法中，本地化分为两个阶段：训练和操作。在第一阶段，传统的方法涉及一个现场勘测过程（即校准），其中工程师在感兴趣的区域的每个位置记录RSS指纹（例如来自多个接入点（Access Points，APs）的WiFi信号强度），并据此建立指纹数据库（即无线电地图），其中指纹与记录它们的位置相关联。接下来，在操作阶段，当用户使用当前的RSS指纹发送位置查询时，本地化算法将检索指纹数据库并返回匹配的指纹以及相应的位置。

虽然现场勘测耗时、劳动密集且易受环境动力学影响，但基于指纹的方法不可避免，因为指纹数据库是由现场记录中的位置标记指纹构建的。2011年底，谷歌发布了谷歌地图6.0，该地图提供室内本地化和导航，仅在美国和日本的一些选定机场和购物中心可用。建筑内部相当有限的指纹数据限制了适用范围的扩大。如果普通手机用户能够通过贡献数据来参与网站调查，那么像谷歌这样的室内地图提供商的负担将得到有效的减轻。

无线和嵌入式技术的发展促进了智能手机市场的繁荣。目前，移动电话具有强大的计算和通信能力，并配有各种功能的内置传感器。随着用户的日以继夜使用，手机被视为用户与环境之间日益重要的信息接口。这些进步为室内定位技术的突破奠定了坚实的基础。

在此基础上，我们重新评估了现有的本地化方案，并探讨了使用以前不可用信息的可能性。考虑到用户在建筑物中的移动，最初分离的RSS指纹在地理上由用户记录位置的移动路径连接，从而形成一个高维指纹空间，其中保留了由步数测量的指纹之间的距离。此外，我们还将建筑平面图改为无应力平面图，即两个位置之间的距离根据实际平面图反映步行距离的高维空间。无应力楼层平面图和指纹空间的空间相似性使得指纹能够贴上真实位置的标签，这只能通过以前的现场勘测来完成。这些观察结果促使我们设计实用、灵活和快速部署的本地化方法，而人力成本和干预很少。

在本研究中，我们提出了一种无线室内定位方法LiFS（Locating in Fingerprint Space，基于指纹空间定位）。通过利用手机的用户运动，成功地去除了传统方法的现场勘测过程，同时实现了具有竞争力的定位精度。LiFS背后的关键思想是，在一定的语义下，人类的运动可以用来连接以前独立的无线电指纹。LiFS不需要事先了解AP的位置，通常在由不同组织安装AP的商业或办公楼中不可用。此外，即使在训练阶段，LiFS的用户也不需要明确参与将测量数据标注到相应的位置。总之，LIFS将定位问题从二维平面图转换为高维指纹空间，并引入了新的前瞻性自动标记技术。

为了验证这一设计，我们部署了一个原型系统，并在面积超过1600m${}^2$的中型学术大楼中进行了广泛的实验。实验结果表明，即使不进行现场调查，LiFS的定位精度也与以前的方法相当。平均定位误差为5.8米，结合轨迹匹配，可减少约2米，室内水平定位误差约为11%。

论文的其余部分组织如下。我们将在第2节中讨论室内本地化技术和多维缩放的最新进展。第3节介绍了LiFS的系统概述。第4节介绍了无应力楼层平面图的施工。第5节展示了如何将RSS指纹转换为高维指纹空间。在第6节中，我们推广了几种方法来建立无应力楼层平面图和指纹空间之间的关联。第7节介绍了本地化方案。原型实现和实验将在第8节中讨论。第9节讨论了设计细节和限制。我们将在第10节结束这项工作。

2 相关工作

无线定位

在室内定位的文献中，近二十年来提出了许多方法。一般来说，它们分为两类：基于指纹和基于模型。

基于指纹技术： 大型室内定位方法采用指纹匹配作为定位的基本方案。主要的想法是在感兴趣的区域的每个位置对周围的明显标志进行指纹识别，然后建立指纹数据库。然后通过将测量的指纹映射到数据库来估计位置。研究人员已经努力开发现有设备的不同明显标志或减少映射工作。这些技术大多使用射频信号，如RADAR[2]、Horus[41]、改进后的RADAR、Landmarc[22]、Active-Campus[11]、Placelab[16]和Oil[26]。环绕感知[1]根据包括声音、光线、颜色、WiFi等环境特征进行逻辑位置估计。在最近的两个工作中，探索了将调频收音机[5]和频道频率响应[30]用作指纹。所有这些方法都需要对感兴趣的区域进行现场调查，以建立指纹数据库。除了对环境动力学缺乏灵活性外，大量的人工成本和经历也是基于指纹技术的方法的主要缺点。

基于模型技术： 这些方案基于几何模型计算位置，而不是从预先标记的参考数据库中搜索最适配的识别标志。例如，目前流行的对数距离路径损耗（log-distance path loss，LDPL）模型在RSS值和RF传播距离之间建立了一个半统计函数[6]，[17]。这些方法以降低本地化精度为代价来权衡测量工作。[35]调查基于AP位置和无线电传播模型的几种方法，并报告大于5米的平均误差。除了功率-距离映射，到达时间（TOA）[42]、到达时差（TDOA）[27]和到达角度（AOA）[23]、[44]带来了一系列替代视角来捕捉信号发送器和接收器之间的几何关系。

同步定位和映射（Simultaneous Localization and Mapping， SLAM）

虽然机器人学和计算机视觉社区已经开发出了联合估计机器人位置和环境地图的技术，但无线信号强度的性质禁止使用标准SLAM技术[21]，[34]。这些技术通常取决于两个事实：

1. 感知和匹配离散实体的能力，例如声纳或激光测距仪探测到的地标或障碍物；
2. 精确控制机器人的运动，以描述发现的环境。

这两种方法都不适合基于智能手机的本地化[37]。

WiFi-SLAM[9]使用高斯过程隐藏变量模型（Gaussian process latent variable models）将RSS指纹和人体运动模型（位移、方向等）关联为隐藏变量。当一小部分RSS测量被标记为真实坐标时，半监督定位[28]根据RSS的不同估计其他测量的位置。GraphSLAM[12]进一步提高了WiFi-SLAM的计算效率和依赖假设方面。Zee[29]在利用人类移动性的同时，根据地图施加的限制（例如，用户无法穿过墙壁或地图上标记的其他障碍物），设计了使用智能手机进行精确航位推算的技术，并将记录的用户路径放置在室内地图中，从而使无线指纹与位置相关。

与以前的SLAM解决方案和[29]不同，LIF只测量步行步数，不使用基于智能手机噪声惯性传感器的航位推算。该方案不涉及数字罗盘和陀螺仪。相反，我们使用加速度计（作为计步器）来记录脚印的数量，这些脚印可以通过现在的智能手机精确测量，以记录用户移动的位移和方向。位置通过确定性MDS方法计算。对发现世界和地面真理一号的地图还没有在SLAM中进行专门讨论，解决方案依赖于全球参考。相反，LIF利用指纹空间的几何结构构建指纹数据库。

多维标度法（Multidimensional Scaling，MDS）

多维标度[4]是一组相关的统计技术，通常用于信息可视化，以探索数据中的相似或不同之处。MDS算法从不同项的一个相异度矩阵开始，然后在$d$维空间中为每个项分配一个位置，其中$d$事先被声明。对于足够小的$d(d=2,3)$，结果位置可以显示在二维图形或三维结构中。

将设备间距离视为一个相异度矩阵，许多网络定位方法采用MDS作为计算无线设备位置的工具[8]，[31]。例如，在无线传感器网络中，传感器节点能够通过RSS、ToA、TDoA等方式测量到相邻节点的距离，MDS用于为每个节点分配一个坐标，从而尽可能地保留测量到的节点间距离。一些研究人员建议MDS来计算WiFi AP位置[14]。在他们的方法中，AP与AP之间距离由无线电衰减模型（Radio Attenuation Model）确定。虽然在MDS的使用方面与我们的解决方案类似，但它既不用于用户本地化，也不基于指纹。

10 总结

通过利用RSS指纹的空间关系，我们可以创建指纹空间，在现实世界中，根据它们的相互距离分布指纹。在此基础上，我们设计并实现了基于现成WiFi基础设施和手机的室内定位系统LiFS。初步实验结果表明，该算法具有人工成本低、系统部署快、定位精度高等优点。这项工作为切断人类对室内定位方法的干扰提供了一个新的视角。我们正在进行的研究重点是使LIF可行并广泛应用于各种应用环境和建筑。