无线室内定位关键技术剖析与展望：从原理到应用的深度探索

无线室内定位关键技术剖析与展望：从原理到应用的深度探索一、引言1.1研究背景与意义随着物联网、智能移动设备以及无线通信技术的飞速发展，基于位置信息的服务（Location-BasedServices，LBS）呈井喷式增长。在室外环境中，全球定位系统（GlobalPositioningSystem，GPS）、全球导航卫星系统（GlobalNavigationSatelliteSystem，GLONASS）和中国北斗卫星导航系统（BeiDouNavigationSatelliteSystem，BDS）等能够为移动设备提供较为准确的位置信息。然而，在室内环境下，由于建筑物的遮挡、信号的多径传播以及复杂的电磁干扰等因素，卫星定位信号往往难以有效接收，导致定位精度急剧下降甚至无法定位。据统计，人们约80%以上的时间都在室内活动，室内定位技术的缺失严重限制了LBS在室内场景中的应用，如商场导购、医院病人与设备管理、仓库货物追踪、应急救援等。因此，开发高精度、低成本、易于部署的无线室内定位技术迫在眉睫，具有极其重要的现实意义。在商业领域，无线室内定位技术为智能零售提供了有力支持。通过精准定位顾客在商场内的位置，商家可以实时了解顾客的购物行为和偏好，实现精准营销，如向顾客推送其附近感兴趣商品的优惠券、引导顾客快速找到所需商品等，从而提高顾客的购物体验和商家的销售额。例如，在大型商场中，顾客常常面临找不到特定店铺或商品的困扰，无线室内定位技术可以为顾客提供实时导航，提升购物效率。同时，商家也可以根据顾客的位置数据优化店铺布局和商品陈列，提升商业运营效率。在医疗领域，对病人和医疗设备的精确定位能够显著提高医疗服务的质量和效率。对于行动不便的病人或需要实时监护的患者，医护人员可以通过室内定位系统快速找到他们的位置，及时提供医疗救助。在医院的大型院区中，医疗设备众多且分布广泛，利用无线室内定位技术可以实现对医疗设备的实时追踪和管理，避免设备丢失或闲置，提高设备的利用率，确保在紧急情况下能够迅速获取所需设备。在工业制造和物流仓储领域，无线室内定位技术可用于实现自动化生产和智能化仓储管理。在工厂车间，通过对生产设备和在制品的定位，可以优化生产流程，提高生产效率，实现智能制造。在仓库中，能够快速准确地定位货物位置，提高货物出入库的效率，降低人力成本，实现智慧物流。在应急救援领域，当发生火灾、地震等灾害时，救援人员需要迅速了解被困人员在建筑物内的位置，无线室内定位技术可以为救援行动提供关键支持，帮助救援人员制定最佳救援路线，提高救援成功率，减少人员伤亡和财产损失。无线室内定位技术作为室内LBS的核心支撑技术，其研究和发展对于推动各行业的智能化升级、提升人们的生活质量具有重要意义，有望在未来的智能生活和工业4.0等领域发挥关键作用，具有广阔的应用前景和巨大的市场潜力。1.2国内外研究现状室内定位技术的研究在国内外均取得了丰硕成果，相关研究持续推动着该技术的发展与创新。在国外，许多科研机构和企业对无线室内定位技术展开了深入研究。美国的一些研究团队在基于超宽带（Ultra-Wideband，UWB）技术的室内定位研究中取得显著进展，通过优化信号传播模型和定位算法，使得定位精度达到厘米级，在工业制造、医疗手术导航等对精度要求极高的领域得到应用。例如，在一些高端制造工厂中，利用UWB室内定位系统对生产线上的设备和零部件进行精准定位，实现了生产流程的高度自动化和智能化。同时，美国也在积极探索基于蓝牙（Bluetooth）技术的低功耗室内定位方案，通过改进蓝牙信标和信号处理算法，降低了设备功耗，延长了电池寿命，使得蓝牙室内定位在智能家居、商场导购等场景得到更广泛应用。在智能家居系统中，用户可以通过手机应用程序，利用蓝牙室内定位技术快速找到家中的智能设备。欧洲的科研人员则专注于多技术融合的室内定位研究，将Wi-Fi、蓝牙、地磁等多种技术相结合，取长补短，以提高定位的精度和稳定性。例如，在一些大型商场和机场，采用Wi-Fi与地磁融合定位技术，为顾客和旅客提供准确的室内导航服务。此外，欧洲在室内定位算法优化方面也有诸多成果，提出了一些基于机器学习和深度学习的定位算法，能够更好地适应复杂多变的室内环境。德国的研究团队利用深度学习算法对室内Wi-Fi信号进行分析和处理，有效提高了定位精度，减少了信号干扰对定位结果的影响。在国内，随着物联网、5G等技术的快速发展，室内定位技术的研究和应用也呈现出蓬勃发展的态势。高校和科研机构在室内定位技术的基础研究方面发挥了重要作用。清华大学的研究团队在基于信号强度指纹（ReceivedSignalStrengthIndicatorFingerprinting，RSSI-FP）的Wi-Fi室内定位算法研究中取得了创新性成果，通过改进指纹匹配算法和建立动态信号模型，提高了定位精度和实时性。北京邮电大学在室内定位系统的硬件设计和系统集成方面有深入研究，开发出了一系列高性能的室内定位设备和系统，为室内定位技术的实际应用提供了有力支持。同时，国内企业也积极参与室内定位技术的研发和应用推广。在商业领域，一些互联网企业和科技公司将室内定位技术应用于智能零售和商场运营管理。例如，阿里巴巴旗下的盒马鲜生利用室内定位技术实现了对顾客购物行为的精准分析，通过了解顾客在店内的停留时间、行走路线等信息，优化商品布局和促销策略，提升了顾客的购物体验和商家的运营效率。在工业领域，一些企业利用室内定位技术实现了对工厂设备和人员的实时监控和管理，提高了生产安全性和效率。例如，富士康在一些工厂中部署了基于UWB技术的室内定位系统，对员工和设备进行实时定位，有效提高了生产调度的准确性和效率。尽管国内外在无线室内定位技术方面取得了众多成果，但目前仍存在一些不足。例如，大多数室内定位技术在复杂环境下的适应性有待提高，信号容易受到遮挡、干扰等因素影响，导致定位精度下降；不同定位技术之间的融合还不够成熟，在数据融合、算法协同等方面还存在问题；室内定位系统的成本较高，限制了其大规模应用；在隐私保护方面，随着室内定位技术收集的用户位置信息越来越多，如何确保用户隐私安全成为亟待解决的问题。1.3研究内容与方法1.3.1研究内容本研究聚焦于无线室内定位关键技术，涵盖以下几个重要方面：常见无线室内定位技术原理剖析：对Wi-Fi、蓝牙、超宽带（UWB）、射频识别（RFID）、ZigBee等常见无线室内定位技术的基本原理进行深入研究。详细分析Wi-Fi定位如何基于信号强度指纹（RSSI-FP）或到达时间（TOA）、到达时间差（TDOA）等原理实现定位；探讨蓝牙定位中经典蓝牙和低功耗蓝牙（BLE）在定位应用中的原理差异，以及蓝牙信标（BluetoothBeacon）的工作机制；研究UWB利用纳秒级窄脉冲信号实现高精度定位的原理，分析其在多径环境下的信号传播特性；剖析RFID通过射频信号识别目标并获取位置信息的原理，包括有源RFID和无源RFID在室内定位中的应用特点；探索ZigBee基于低功耗、自组网特性实现室内定位的原理，分析其网络拓扑结构对定位精度的影响。通过对这些技术原理的深入研究，为后续的性能分析和技术改进奠定理论基础。无线室内定位技术性能对比：从定位精度、定位范围、抗干扰能力、系统成本、功耗等多个维度对不同无线室内定位技术进行全面的性能对比。通过实验和实际案例分析，定量评估不同技术在理想环境和复杂室内环境下的定位精度，如UWB技术在视距（Line-of-Sight，LOS）条件下可实现厘米级定位精度，而Wi-Fi定位精度通常在数米到十几米之间。分析不同技术的定位范围，如蓝牙定位适用于短距离（一般在几十米以内）定位场景，而Wi-Fi定位范围相对较大，可覆盖数百米。研究各技术在多径传播、信号遮挡等复杂环境下的抗干扰能力，以及系统部署成本和设备功耗对实际应用的影响，为不同应用场景选择合适的定位技术提供依据。无线室内定位技术应用场景研究：深入探讨无线室内定位技术在智能零售、医疗、工业制造、物流仓储、应急救援、智能家居等领域的具体应用。在智能零售领域，分析如何利用室内定位技术实现精准营销、顾客行为分析和店铺布局优化；在医疗领域，研究如何通过定位技术实现对病人、医护人员和医疗设备的实时追踪和管理，提高医疗服务效率和质量；在工业制造领域，探讨如何利用定位技术实现自动化生产、设备维护和人员安全管理；在物流仓储领域，分析如何通过定位技术实现货物的快速查找、库存管理和智能仓储规划；在应急救援领域，研究如何利用定位技术帮助救援人员快速定位被困人员，制定最佳救援路线；在智能家居领域，探讨如何通过定位技术实现智能家电控制、人员活动监测和家庭安全防护等功能。通过对这些应用场景的研究，挖掘无线室内定位技术的潜在价值，推动其在各行业的广泛应用。无线室内定位技术面临的挑战及解决方案：分析当前无线室内定位技术在复杂环境适应性、多技术融合、成本控制和隐私保护等方面面临的挑战。针对复杂环境下信号易受干扰、定位精度下降的问题，研究如何改进信号处理算法、优化定位模型以提高定位精度和稳定性；针对多技术融合中存在的数据融合、算法协同等问题，探索有效的融合策略和协同机制，实现不同定位技术的优势互补；针对室内定位系统成本较高的问题，研究如何通过优化硬件设计、采用低成本传感器和开源软件等方式降低系统成本；针对隐私保护问题，研究如何制定合理的隐私保护策略，采用加密技术、匿名化处理等手段确保用户位置信息的安全。通过对这些挑战的分析和解决方案的研究，推动无线室内定位技术的进一步发展和完善。无线室内定位技术发展趋势展望：结合当前物联网、人工智能、大数据等技术的发展趋势，对无线室内定位技术的未来发展方向进行展望。探讨如何将人工智能和机器学习算法应用于室内定位，实现定位模型的自动优化和自适应调整；研究如何利用大数据分析用户的位置行为模式，为用户提供更加个性化的位置服务；分析5G、6G等新一代通信技术对室内定位技术的影响，探讨如何利用其高速率、低时延、大连接的特性提升室内定位的性能和应用场景；展望未来室内定位技术在虚拟现实（VR）、增强现实（AR）、自动驾驶等新兴领域的应用前景，为相关研究和应用提供参考。1.3.2研究方法本研究综合运用多种研究方法，以确保研究的全面性、科学性和可靠性：文献研究法：全面收集国内外关于无线室内定位技术的学术论文、研究报告、专利文献等资料，了解该领域的研究现状、发展趋势和关键技术。对不同学者的研究成果进行梳理和分析，总结现有研究的优势和不足，为本研究提供理论基础和研究思路。通过对文献的深入研究，掌握无线室内定位技术的基本原理、定位算法、应用案例等方面的知识，为后续的研究工作奠定坚实的理论基础。案例分析法：选取智能零售、医疗、工业制造、物流仓储等领域中具有代表性的无线室内定位应用案例，深入分析其系统架构、技术选型、实施过程和应用效果。通过实际案例的分析，总结成功经验和存在的问题，为其他应用场景提供参考和借鉴。例如，通过分析某大型商场利用Wi-Fi定位技术实现顾客导航和精准营销的案例，研究如何优化定位系统以提高定位精度和用户体验；通过分析某医院利用UWB定位技术实现医疗设备管理的案例，探讨如何解决多技术融合中的问题，提高系统的稳定性和可靠性。对比研究法：对Wi-Fi、蓝牙、UWB、RFID、ZigBee等常见无线室内定位技术的原理、性能、成本等方面进行对比分析。通过对比，明确各技术的优势和劣势，以及在不同应用场景下的适用性。例如，在定位精度方面，对比UWB和Wi-Fi技术在不同环境下的定位误差；在成本方面，分析蓝牙和RFID技术在大规模部署时的成本差异；在抗干扰能力方面，研究不同技术在复杂电磁环境下的信号稳定性。通过对比研究，为不同应用场景选择最合适的定位技术提供科学依据。二、常见无线室内定位技术原理2.1Wi-Fi定位技术Wi-Fi定位技术是目前应用较为广泛的一种无线室内定位技术，它基于IEEE802.11标准的无线局域网，利用移动设备与周围Wi-Fi接入点（AccessPoint，AP）之间的无线信号交互来确定设备的位置。Wi-Fi定位技术主要包括基于信号强度的传播模型法和指纹识别法两种实现方式。2.1.1基于信号强度的传播模型法基于信号强度的传播模型法利用无线信号在传播过程中的衰减特性来实现定位。该方法假设在当前环境下存在某种信道衰落模型，通过测量移动设备接收到的来自已知位置AP的信号强度（ReceivedSignalStrengthIndicator，RSSI），依据信道衰落模型的数学关系来估计移动设备与AP之间的距离。在自由空间中，无线信号的传播损耗可以用Friis自由空间传播公式来描述：PL(dB)=32.44+20\log_{10}(d)+20\log_{10}(f)，其中PL是路径损耗（dB），d是传播距离（km），f是信号频率（MHz）。然而，在室内环境中，由于存在多径传播、障碍物遮挡等因素，信号传播情况更为复杂，实际的信道衰落模型通常需要在自由空间传播模型的基础上进行修正，引入一些修正因子，如环境损耗因子n，常见的室内信道衰落模型公式为：RSSI=RSSI_0-10n\log_{10}(\frac{d}{d_0})，其中RSSI是接收信号强度，RSSI_0是参考距离d_0处的接收信号强度，n是路径损耗指数，其值取决于室内环境，例如在空旷房间中n约为2，在有较多障碍物的室内环境中n可能达到3-4。通过测量移动设备接收到的多个AP的信号强度，并利用上述模型计算出与各个AP的距离。当用户设备接收到多个AP的信号时，就可以利用三边定位算法来确定自身位置。三边定位算法的原理是基于三角形的几何特性，假设已知三个AP的坐标分别为A(x_1,y_1)、B(x_2,y_2)、C(x_3,y_3)，通过信号强度模型计算出移动设备到这三个AP的距离分别为r_1、r_2、r_3。以每个AP为圆心，以相应的距离为半径作圆，这三个圆理论上会相交于一点，该交点即为移动设备的位置。在数学计算上，可通过以下方程组求解移动设备的坐标(x,y)：\begin{cases}(x-x_1)^2+(y-y_1)^2=r_1^2\<spandata-type="inline-math"data-value="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"></span>、<spandata-type="inline-math"data-value="LTU1ZEJt"></span>、<spandata-type="inline-math"data-value="LTYwZEJt"></span>，MAC地址分别为<spandata-type="inline-math"data-value="MDA6MTE6MjI6MzM6NDQ6NTU="></span>、<spandata-type="inline-math"data-value="NjY6Nzc6ODg6OTk6QUE6QkI="></span>、<spandata-type="inline-math"data-value="Q0M6REQ6RUU6RkY6MDA6MTE="></span>，将这些信息作为该位置的指纹信息记录下来。通过在整个定位区域内的多个参考点进行采集，构建起一个包含丰富位置-信号指纹对应关系的指纹库。指纹库中的数据可以存储在数据库中，以便后续查询和匹配。在在线定位阶段，当移动设备需要定位时，它会实时采集当前环境中周围AP的信号信息，形成当前的信号指纹。然后，将这个实时采集的信号指纹与离线阶段建立的指纹库中的指纹信息进行比对。通常采用一些距离度量算法，如欧å‡

里得距离、曼哈顿距离等，来计算实时指纹与指纹库中各个指纹之间的相似度。例如，使用欧å‡

里得距离公式计算实时指纹<spandata-type="inline-math"data-value="KFJTU0lfMSxSU1NJXzIsXGNkb3RzLFJTU0lfbik="></span>与指纹库中某一指纹<spandata-type="inline-math"data-value="KFJTU0lfMScsUlNTSV8yJyxcY2RvdHMsUlNTSV9uJyk="></span>之间的距离：\[d=\sqrt{\sum_{i=1}^{n}(RSSI_i-RSSI_i')^2}，其中n为检测到的AP数量。通过计算，找到指纹库中与实时指纹距离最小的指纹，该指纹所对应的参考点位置即可作为移动设备的估计位置。为了提高定位精度，还可以采用一些改进算法，如K最近邻算法（K-NearestNeighbor，KNN），选取距离最近的K个指纹，根据它们的位置信息和相似度权重来综合计算移动设备的位置。例如，选取K=3，找到距离最近的三个指纹，它们对应的位置分别为(x_1,y_1)、(x_2,y_2)、(x_3,y_3)，对应的相似度权重分别为w_1、w_2、w_3（w_1+w_2+w_3=1），则移动设备的估计位置(x,y)可通过以下公式计算：x=\frac{w_1x_1+w_2x_2+w_3x_3}{w_1+w_2+w_3}，y=\frac{w_1y_1+w_2y_2+w_3y_3}{w_1+w_2+w_3}。指纹识别法的优点是不需要精确的信道模型，对复杂室内环境的适应性较强，因为它直接利用了实际环境中信号的独特特征。然而，该方法的缺点也较为明显，离线训练阶段需要耗费大量的人力和时间进行信号采集和指纹库构建，而且指纹库需要根据环境变化定期更新，否则定位精度会受到较大影响。例如，当室内环境中的AP布局发生改变、新增障碍物或者信号干扰源时，指纹库中的数据可能不再准确反映实际的信号特征，从而导致定位误差增大。2.2蓝牙定位技术蓝牙定位技术是基于蓝牙无线通信技术发展起来的一种室内定位技术，它利用蓝牙设备之间的信号交互来确定位置信息。蓝牙技术工作在2.4GHz的ISM（Industrial、ScientificandMedical）频段，具有低功耗、低成本、短距离通信等特点，广泛应用于智能手机、智能穿戴设备、智能家居等领域，为蓝牙定位技术的应用提供了良好的基础。蓝牙定位技术主要分为经典蓝牙定位和低功耗蓝牙（BluetoothLowEnergy，BLE）定位，其中低功耗蓝牙由于其功耗低、成本低等优势，在室内定位领域得到了更为广泛的应用。2.2.1基于RSSI的定位原理蓝牙定位技术中最常用的是基于信号场强指示（ReceivedSignalStrengthIndication，RSSI）的定位方法。其原理是通过检测蓝牙信号的强度来获得位置信息。在蓝牙通信中，发射端（如蓝牙信标BluetoothBeacon）会持续向周围广播信号，接收端（如智能手机、蓝牙定位标签等）接收到这些信号后，可以测量信号的强度，即RSSI值。一般来说，信号强度会随着发射端与接收端之间距离的增加而衰减，两者之间存在一定的数学关系。在理想的自由空间环境中，信号强度与距离的关系可以用以下公式描述：RSSI=RSSI_0-10n\log_{10}(\frac{d}{d_0})，其中RSSI是接收端接收到的信号强度，RSSI_0是参考距离d_0处的信号强度，n是路径损耗指数，它反映了信号在传播过程中的衰减特性，d是发射端与接收端之间的实际距离。在实际的室内环境中，由于存在多径传播、障碍物遮挡、信号干扰等因素，信号传播情况较为复杂，路径损耗指数n的值会根据环境的不同而变化。例如，在空旷的室内环境中，n的值可能接近自由空间中的理论值2；而在有较多障碍物的环境中，n的值可能会增大到3-4。基于RSSI的蓝牙定位通常采用三角定位算法来确定接收端的位置。假设在一个二维平面上有三个已知位置的蓝牙信标A(x_1,y_1)、B(x_2,y_2)、C(x_3,y_3)，接收端接收到这三个信标的信号强度分别为RSSI_A、RSSI_B、RSSI_C。通过上述信号强度与距离的关系公式，可以分别计算出接收端到三个信标的距离r_A、r_B、r_C。以每个信标为圆心，以相应的距离为半径作圆，理论上这三个圆会相交于一点，该点即为接收端的位置。在实际计算中，通过解以下方程组来求解接收端的坐标(x,y)：[\begin{cases}(x-x_1)^2+(y-y_1)^2=r_A^2<spandata-type="inline-math"data-value="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">。UWB信号发射端再次接收时，通过解析出第一次发射时的时间戳，即可求出信号一来一回的耗时[\begin{cases}(x-x_1)^2+(y-y_1)^2=r_A^2<spandata-type="inline-math"data-value="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