【基于无线电波的定位技术研究的国内外文献综述3300字】

第I页基于无线电波的定位技术研究的国内外文献综述基于无线电波的定位技术是现阶段室内定位研究重要方向。无线电波本身具有一定穿透障碍物的能力，在信号传播的视距（LineofSight，LOS）环境与非视距（NoneLineofSight，NLOS）环境下均具有一定适用性，使用三边测量法、三角测量法、指纹匹配法可简单地确定信号收发端的相对位置[26-28]。同时收发设备成本较为低廉，组网简单，满足大范围部署条件。WLAN具有覆盖面积广、信号传输可靠性较强的优点，基于Wi-Fi信号的室内定位研究是现阶段室内定位科研领域的重要方向。作为WLAN信号的信道特征与状态信息，CSI具有良好的时空描述能力。基于CSI的室内定位系统主要采用几何解算法与位置指纹法完成定位任务，这两种定位方法也代表了WLAN室内定位的两种主流思路。其中几何解算定位技术通过建立无线电信号传播模型解析信号接收角度或信号传播距离，完成相对定位；位置指纹定位技术则在室内多个目标点采集数据，生成定位指纹库，借助指纹匹配算法解算位置信息，获取参考点在定位场景中的绝对位置。1.1几何解算定位方法几何解算定位方法是Wi-Fi定位技术的重要解决方案之一，主要利用在不同参考点接收来自AP的无线电磁波，电磁波的传输过程结合几何分析方法反向推演出AP位置，以此获得参考点的相对位置，在基于RSSI的室内定位技术中得到了广泛应用。该方法的局限性在于LOS与NLOS混合的复杂环境下难以建立普适的传播模型，定位准确性波动较大。FILA[29]是首个应用CSI几何解算定位方法实现的定位系统，它开创性地提出了时延延缓机制，LOS与NLOS路径信号得以区分；将LOS信号映射到频域，对CSI中的幅值信息取加权平均，获取有效可用的LOS功率衰减情况；建立自由空间路径损耗模型，为关键参数环境因子与路径损耗参数设计了迭代优化与自验证的训练算法，完成参考点到各AP的距离估计，最终在多AP协同下使用三边定位法完成定位。该系统仅使用了CSI中的功率衰减信息完成定位，未对CSI数据进行进一步挖掘，同时该系统不适用障碍物普遍存在的定位场景，普适性有所欠缺。文献[30]在802.11ac协议的无线局域网环境开展研究，在频域获取有效距离模型基础上联合分析了信号到达接收端的到达角度（Angle-of-Arrival，AOA），更为直接地获取相对位置描述。但是问题同样在于出现信号遮挡的情况下角度与距离测量容易出现偏差，复杂环境下难以保证定位精度。SpotFi[31]通过改进Music[32]算法的超分辨率算法完成AOA估计，通过采样时间偏移完成对信号飞行时间（TimeofFlight，ToF）似然估计，评估到达角和距离测算的可靠性后结合对RSSI的参考，使用最小二乘法完成定位，提升了测得信息的准确度。但对存在大量多径折射环境的适应度仍然有待提升。Chronos[33]仅使用单AP实现定位，在离散傅里叶反变换对多条传播路径信号进行区分，并在求解过程增加稀疏约束，有效地在多径效应下区分LOS路径信号与穿透障碍物的直射信号。但是该系统需对收发设备进行额外定制，系统实现难度较高。文献[34]使用三天线单AP无线设备，提出自适应的信号传播衰减模型，采用仿射传播聚类融合AOA与TOF确定每条传输路径权值，实现对直射路径的分辨。1.2位置指纹定位方法位置指纹定位方法主要依据指纹的特异性实现对不同位置的区分，并利用指纹相似度完成相近位置的坐标匹配。整体定位流程分为离线建立定位指纹库与在线实时定位两个阶段：离线阶段需要均匀选取参考点，对整个定位空间进行标定，并在每个参考点处采集参考量信息，预处理后结合参考点的室内地图坐标储存至指纹数据库；在线阶段需对参考量实时采集并解析，获取实时指纹后与离线指纹数据库内指纹进行匹配，从而获取待定位位置的地图坐标。由于免去了传播模型建立过程，定位系统对外部设备的依赖性进一步降低，能够更好地与现有WLAN网络对接，受到了广大国内外研究者的关注。位置指纹定位方法是基于数据驱动的定位解决方案，其定位效果主要取决于指纹对物理位置的表征能力以及匹配算法的相关性挖掘能力。2000年，微软研究院提出了Radar[35]系统，开创性地提出了基于指纹定位方法原型。该系统在1000平方米的范围内设置了3个接入点（AccessPoint,AP），离线阶段在多个参考点采集RSSI的指纹并存入指纹库，在线阶段通过K近邻（K-NearestNeighbor,KNN）算法计算实时信号与指纹库中指纹的匹配程度，从而实现定位，其定位误差的中位数为2~3米。在此基础上，CSI作为更为细粒度的传播过程描述，基于CSI的位置指纹定位系统同样取得了大量研究与关注。FIFS[36]离线通过商用网卡结合修改过的驱动程序，得到复数形式的CSI数据包，使用各天线子载波上幅值均值作为定位参量，建立定位指纹库。该方法减少了信号强度随机波动的影响，实时定位阶段使用统计模型输出定位结果。随着机器学习算法的快速发展与智能设备运算水平的提升，研究者对基于机器学习的指纹特征提取与匹配算法在指纹定位中得到了研究。CSI-MIMO[37]在离线阶段通过降维求和增量式提取了CSI的幅值与相位信息，并根据时变性进行差分处理，建立了新型指纹库。在线阶段通过KNN算法与最大似然估计算法进行物理坐标匹配，在实验环境下实现了亚米级别的定位功能。文献[38]与文献[39]分别提出了采用CSI幅值、相位的指纹定位系统DeepFi与PhaseFi，系统在离线阶段分别单独解析了CSI的幅值数据与相位数据，训练受限玻尔茨曼机（RestrictedBoltzmannMachine,RBM）采集网络权重作为指纹数据。在线阶段，将实时数据输入并训练RBM，获取网络权值向量后通过朴素贝叶斯算法完成进行匹配，达到定位目的。神经网络的强大拟合能力能够对CSI中的噪声数据进行有效甄别，提升了噪声环境下的定位精度。文献[40]在离线阶段通过Kmeans聚类算法将整体定位空间进行粗划分，将具有相似多径特征的CSI指纹归类到相同子空间中，在线阶段分别进行子空间层面与子空间内部两级定位，提升了空间区分性，减少多径效应带来指纹匹配错误可能性。文献[41]采用极限提升树XGBoost分类器对CSI数据进行坐标解析，借助集成学习模型的强泛化能力，有效提升了系统在NLOS环境下的鲁棒性，并对采集中出现的数据缺失情况不敏感。文献[42]提出CSI时变性具有一定规律，将CSI指纹定位问题定义为时间序列敏感问题。离线阶段通过主成分分析（PrincipalComponentsAnalysis,PCA）对降低CSI幅相信息的数据维度，设计搭建长短期记忆网络（LongShort-TermMemory，LSTM），使用特征提取后指纹进行循环训练，最终获取深度网络模型完成对位置坐标的回归预测，提升了开放环境与复杂环境下的定位精度。对于以CSI作参量的定位系统，位置指纹方法能够直接利用信号覆盖定位区域的现有WLAN作AP，减少了外部设备不同对定位性能的影响，同时避免了建模评估过程，因此具有更大的应用潜力与研究价值。参考文献杨铮,吴陈沭,刘云浩.位置计算:无线网络定位与可定位性[M].北京:清华大学出版社,2014.ParkinsonBW,EngeP,AxelradP,etal.Theglobalpositioningsystemtheoryandapplications[M].AmericanInstituteofAeronauticsandAstronautics,1996.刘亚明、辛明真、吴永亭、刘会、王晓明、阳凡林.北斗卫星导航系统全球定位性能分析[J].火力与指挥控制,2020,v.45;No.305(08):133-137.郭树人,蔡洪亮,孟轶男,耿长江,贾小林,毛悦,耿涛,饶永南,张慧君,谢新.北斗三号导航定位技术体制与服务性能[J].测绘学报,2019,48(07):810-821.DengZ,FuX,ChengQ,etal.CC-DTW:AnAccurateIndoorFingerprintingLocalizationUsingCalibratedChannelStateInformationandModifiedDynamicTimeWarping[J].Sensors(Basel,Switzerland),2019,19(9):1984邓中亮,余彦培,袁协,等.室内定位现状与发展趋势研究[J].中国通信,2013,10(3):50-63.HanL,JiangL,KongQ,etal.IndoorLocalizationwithinMulti-StoryBuildingsUsingMACandRSSIFingerprintVectors[J].Sensors,2019,19(11):2433-2445.LiuG,QianZ,XWang.AnIndoorWLANLocationAlgorithmBasedonFingerprintDatabaseProcessing[J].InternationalJournalofPatternRecognitionandArtificialIntelligence,2020(13):1-18黄刚,胡钊政,蔡浩,陶倩文,李祎承.基于Wi-Vi指纹的智能手机室内定位方法[J].自动化学报,2020,46(02):320-331.LeeS,HaKN,LeeKC.Apyroelectricinfraredsensor-basedindoorlocation-awaresystemforthesmarthome[J].ConsumerElectronicsIEEETransactionson,2006,52:1311-1317.韩霜,罗海勇,陈颖,等.基于TDOA的超声波室内定位系统的设计与实现[J].传感技术学报,2010(03):347-353.庄严,王伟,王珂,徐晓东.移动机器人基于激光测距和单目视觉的室内同时定位和地图构建[J].自动化学报,2005(06):113-121.刘飞,张继贤,王坚,等.单目视觉Tukey权因子模型室内位置测量[J].遥感学报,2020,24(1):76-84.Piciarelli,Claudio.VisualIndoorLocalizationinKnownEnvironments[J].IEEESignalProcessingLetters,2016,23(10):1-1.BarralV,EscuderoCJ,JAGarcía-Naya,etal.EnvironmentalCross-ValidationofNLOSMachineLearningClassification/MitigationwithLow-CostUWBPositioningSystems[J].Sensors,2019,19(24):5438.LongK,ShenC,TianC,etal.SingleUWBAnchorAidedPDRHeadingandStepLengthCorrectingIndoorLocalizationSystem[J].IEEEAccess,2021,PP(99):11511-11522PaekJ,KoJG,ShinH.AMeasurementStudyofBLEiBeaconandGeometricAdjustmentSchemeforIndoorLocation-BasedMobileApplications[J].MobileInformationSystems,2016,2016(PT.5):1-13.黄鹤,仇凯悦,李维,罗德安.基于粒子滤波联合算法的地磁室内定位[J].西南交通大学学报,2019,54(03):604-610.林雕,宋国民,贾奋励.面向位置服务的室内空间模型研究进展[J].导航定位学报,2014(4):17-21.PirzadaN,NayanMY,SubhanF,etal.LocationFingerprintingTechniqueforWLANDevice-FreeIndoorLocalizationSystem[J].WirelessPersonalCommunications,2017,95(2):445-455.张会清,牛铮.基于线性判别分析和梯度提升决策树的WLAN室内定位算法[J].仪器仪表学报,2018,39(12):136-143.ZhuR,BaiGW,ShenH,etal.BayesianfilteringbasedCSIindoorlocaliza