基于WiFi指紋庫的室內定位研究進展和展望

趙 龍，陶 冶

(1.北京航空航天大學 自動化科學與電氣工程學院，北京 100191;2.北京航空航天大學 數字導航中心，北京 100191)

0 引言

位置服務(Location Based Services，LBS)是一種與空間位置有關的新型服務業務。位置信息反映了人們所處的三維空間環境，是移動應用的基礎。隨著全球定位系統(Global Positioning System，GPS)、北斗衛星導航系統(BeiDou Navigation Satellite System，BDS)、Galileo衛星導航系統(Galileo Satellite Naviga-tion System)和GLONASS(Global Navigation Satellite System)的投入使用，室外定位技術日趨成熟，已廣泛應用于軍用和民用領域，并取得了巨大的經濟和社會效益。衛星定位主要是依靠視距(line-of-sight)下的三邊定位[1]，但工業界和學術界共同關注的焦點：在全球導航衛星系統(Global Navigation Satellite Sys-tem, GNSS)信號中斷環境下的定位、導航與授時(Positioning, Navigation and Timing，PNT)技術問題尚未得到解決[2]，而且其中最難解決的問題——室內定位技術，一直未能獲得根本性的突破[3]。室內定位是導航系統的“最后一公里”，是一個熱門研究課題。在室內環境下，由于其復雜的空間架構，存在大量的非視距(non-line-of-sight)，導致衛星定位在室內環境下的定位結果變差，而此時室內的許多信號，例如藍牙[4]、WiFi[5]和UWB[6]等，已被用在室內定位領域，而且在某些應用領域取得了突破性的進展[7]。國內外多家公司也都推出了自己的定位技術，例如：蘋果公司研發的低功耗藍牙iBeacon定位技術、谷歌公司研發的機器視覺定位技術、百度攜手芬蘭IndoorAtlas公司推出的基于地磁匹配的室內定位方案、Ubisense公司推出的超寬帶定位技術和WiFiSLAM公司推出的WiFi定位技術等。綜合考慮室內環境復雜特性和技術成本等因素，WiFi信號成為目前關注較多的室內定位信號源，基于WiFi指紋庫定位的方法更是成為目前最受歡迎的室內定位技術之一，而且基于WiFi指紋庫的定位方法引起了大量專家學者的研究[8-9]，因為該方法在信源(Access Point，AP)與定位終端間非視距的情況下依然可以達到較高的定位精度。

WiFi信號是基于IEEE 802.11系列通信協議[10]的無線局域網技術。傳統的WiFi指紋庫定位方法分為2個階段，第一階段是離線指紋庫構建；第二階段是移動終端在線定位。圖1所示為指紋庫定位的3個步驟如圖1所示，其中圖1(a)在試驗區域中采集參考點的WiFi接收信號強度(Received Signal Strength，RSS)，使每一個參考點都具有自己獨特的WiFi信號強度向量，并將這些向量存儲起來，作為構建指紋庫的一部分；圖1(b)和圖1(c)是通過移動設備接收實時的WiFi信號，并將這些信號通過無線廣播傳送至定位服務器，定位服務器根據相關的相似性準則將該實時信號與指紋庫中的信號進行比較，得到移動終端的空間位置。

根據美國環境保護局的報告統計，人們有70%以上的時間是在室內度過[11]。因此準確實現室內定位具有非常重要的科學意義和實用價值。雖然WiFi指紋庫定位技術還不夠成熟，但在整個室內定位技術架構中是十分重要的。目前，基于WiFi指紋庫的室內定位技術面臨的主要挑戰有：

1)在大范圍實施指紋庫構建時，需要投入較多的人力去完成數據采集，而且重復性工作多，造成了人員和時間的浪費；

2)線下指紋庫建立后，指紋庫無法自動實時地反映當前環境變化，即環境發生變化后，需要重新采集指紋庫來適應變化后的環境；

3)當線下指紋庫形成后，一旦環境發生變化，在線偵測到的WiFi信號強度向量會與指紋庫中的信號強度向量產生偏差，導致定位精度下降，甚至無法提供可供參考的定位結果；

4)WiFi信號強度受硬件配置影響明顯，不同的移動設備采集到的信號強度不完全相同，當在線采集數據的終端和指紋庫采集所使用的終端硬件不完全相同時，會導致其定位精度下降；

5)WiFi信號發射器自身發射信號的不穩定性以及復雜的室內環境造成的噪聲干擾，會影響以特征相似性匹配為基本原理的定位方法的定位精度。

許多研究機構已經開展了大量的WiFi指紋庫定位研究工作，而且多家商業巨頭都參與了實際應用系統研發，取得了階段性的進展[12-14]。目前使用WiFi指紋庫進行定位較成熟的系統有RADAR[15]和Horus[16]，定位精度為2～5m。本文旨在介紹目前WiFi指紋庫定位的方法理論，使讀者能夠了解該技術的發展現狀；同時，對WiFi指紋庫定位技術的未來發展趨勢進行分析和展望。

1 WiFi指紋庫定位技術發展現狀

WiFi室內定位已有大量專家學者進行研究，本節將根據現有WiFi指紋庫定位中存在的主要問題，著重介紹現有的解決方法及關鍵技術。

1.1 WiFi信號特性

WiFi指紋庫定位主要依靠終端采集到的信號強度與線下構建的指紋庫進行相似度分析，得出定位結果。因此，對于WiFi信號特性研究是使用WiFi信號進行定位的前提。WiFi信號在傳播過程中易受多徑和環境的干擾[17]，這一特性導致測距交匯的三邊定位方法無法使用信號衰減模型進行準確的測距，導致定位精度降低；由于人體的不同朝向，可以影響信號強度的變化，甚至可以直接決定是否接收到信號[18]，所以在離線采集指紋庫的過程中，需要保證同一指紋庫的采集端朝向相同。而在指紋庫采集過程中，由于同一位置點處同一AP的信號強度相差較大，甚至超過20dBm[17]，所以在建庫過程中，需對采集的信號強度進行可靠性評估，剔除可靠性較差的信號強度，保證指紋庫的可靠性和定位精度。WiFi信號的相關特性指明了指紋庫定位的總體方向。本文針對WiFi信號的空間特性進行了相關測試，分析人體不同朝向和不同環境對WiFi信號強度的影響，結果如圖2所示，其中縱軸為信號強度；橫軸為采集點索引,其大小表征采集點距同一AP的遠近，實際距離為索引號乘以1.2m。

圖2 不同朝向和不同環境對于WiFi信號強度的影響Fig.2 Effect of different orientations and environment on WiFi signal strength

圖2中，藍色折線表示采集信號人員面朝AP，且與AP保持無障礙視距；紅線表示采集信號人員背朝AP，但與AP之間是無障礙視距；黑線表示采集信號人員面朝AP，與AP之間有障礙非視距。這組實驗也驗證了文獻[17-18]中的部分研究結果。WiFi信號的空間傳播特性呈現為WiFi信號強度與空間距離近似符合對數衰減模型，可使用的擬合模型有多種[19-23]，圖2所示實驗結果也驗證了對數衰減模型的正確性，對數衰減模型的表達式為

(1)

WiFi信號自身在同一位置的強度波動性反映了時間特性，目前對于WiFi時間特性的研究，大多數學者認為WiFi信號的時間特性呈現正態分布[24]，而實際上WiFi的時間特性并不完全呈現正態分布，而是存在多模態，甚至是偏態分布[17-18]。在實際的定位過程中，很多研究人員幾乎都是將WiFi信號強度按服從正態分布進行處理，且取強度均值作為信號特征。但實際上信號強度的多模態、偏態分布帶來的問題是如果只使用均值作為信號特征，會導致信號特征提取上出現偏差，導致定位精度下降。信號強度多模態問題以及多模態對WiFi指紋庫定位精度影響的研究工作尚屬空白，因為現有文獻將信號強度按正態分布處理，而且相對于WiFi指紋庫自身3～5m的定位精度，由多模態問題導致的定位誤差較小。因此，在實際應用中，為進一步提升WiFi指紋定位性能，通過對信號強度多模態問題進行實驗研究，定性和定量分析其對WiFi指紋定位精度和性能的影響程度是必要的。

1.2 WiFi指紋庫的構建方法

指紋庫構建是整個WiFi指紋庫定位技術的關鍵環節，直接影響最終定位結果的性能。最初指紋庫構建全部是通過人工以離線采集方式采集數據并進行離線處理，但該工作需投入大量的人力與時間。該問題在大規模指紋庫構建時顯得更加突出，與WiFi指紋庫定位快捷、方便實現的特性并不相符，目前很多學者嘗試通過多種不同方法來解決指紋庫構建的問題。

壓縮感知理論(Compressive Sensing，CS)[25-27]使用較為稀疏的信號強度去恢復完整的信號強度，該理論打破了香農采樣理論。這種方法的實現過程，主要圍繞著AP篩選和參考點(Reference Point，RP)聚類，但該方法運算復雜度較高。文獻[28-29]分別使用了線性模型(決策樹)和支持向量機回歸(Support Vector Regression，SVR)預測未知點的信號強度，以此來降低建庫過程中的人力及時間投入。但文獻[28-29]中使用的機器學習算法需要事先采集大量數據構建訓練集進行訓練，雖然這部分工作通常是離線訓練，不會增加在線定位的算法復雜度，但事先采集大量數據依然是較繁重的工作，且使用機器學習算法推斷未知點的信號強度仍是一種經驗式的結果。文獻[30]通過室內環境同步定位與地圖構建(Simultaneous Localization and Mapping，SLAM)技術降低指紋庫構建的繁瑣性，該方法對于室內環境要求較高，不能保證所有室內環境下建圖的準確性，不具有普適性。

線下構建指紋庫時，無論是通過人工、插值算法或機器學習方法來完成指紋庫構建，都無法保證指紋庫的長期有效性，這是因為環境變化、基站位置變化會導致WiFi信號及WiFi信號場強分布發生變化。因此，必須隔一段時間重新建立或更新指紋庫，以保證其定位精度。文獻[31]開發了一些簡單硬件，可以通過在部分參考點上布置這些硬件實時采集參考點處的WiFi信號強度，從而使用高斯過程回歸模型再輔以WiFi信號衰減模型來預測其他位置處的信號強度,可以自適應地應對由于環境變化而帶來WiFi信號變化的問題，但該方法在實際應用中需額外增加硬件，不利于大范圍推廣應用。文獻[32-34]提出眾包的方案來更新WiFi指紋庫，即通過用戶上傳平時所采集的數據，在后臺篩選出可靠的信號強度進行指紋庫更新，該方案是目前研究的熱點，且有較高的可靠性。文獻[33]通過給終端用戶在線定位，用戶評判定位滿意度，進而決定是否將在線獲取的RSS上傳到指紋庫中進行更新，但該種更新方案受指紋庫地標信息誤差的影響較明顯，而且定位滿意度的閾值無法量化。文獻[34]通過接收用戶反饋數據，利用手機傳感器信息和航跡推算信息驗證數據的可靠性，并利用動態聚類算法提取可靠的指紋庫數據。眾包方案能夠通過大量實時數據反應當前的室內環境，即時更新數據庫以提高定位精度，但構建一個大容量的交互平臺是該方法實施的前提。

綜上所述，指紋庫的構建需要兼顧快速、準確和自適應的特點，但目前尚沒有一種方法能夠同時滿足三項指標。因此，在指紋庫構建過程中，雖然三種指標無法同時達到最優，但可以構建一個綜合性的指標，使三項指標達到最優化平衡；同時，還需要對指紋庫維度與定位精度間的關系進行更深入地研究，以降低指紋庫的存儲壓力和算法的計算時間。

1.3 WiFi指紋庫信號匹配準則

不同的WiFi信號指紋庫匹配準則其定位結果也不同，主要是由于相似準則的機理不同，且不同匹配準則的適用場景不同。目前大多數的WiFi指紋庫定位都是尋找與在線采集到的RSS向量歐式距離最小的空間點，其表達式為[25]

(2)

式中，ri是移動終端在線采集第i個AP的信號強度；Pi(Lj)是指紋庫中在Lj位置處接收的第i個AP的信號強度。

除了歐式距離之外，還有余弦相似度[35]和谷本相似度[36]等定位準則，由距離最小定位準則衍生出的算法有K最近鄰(K-Nearest Neighbor，KNN)和加權K最近鄰(WeightedK-Nearest Neighbor，WKNN)等[37-38]。在KNN方法中，K的取值十分重要，經驗取值一般為3或4[39]，但對于不同應用場景，尚需進一步評估。文獻[39]使用3步方案來更新WKNN方法中的權重信息。

最大概率分布[40]也是重要的信號匹配準則，通過概率估計移動終端的位置，其數學模型表示為

(3)

式中，p(Lj|r1,r2,…,rn)可以通過參數分布得到，一般使用高斯分布或者貝葉斯準則獲得。

對于大多數定位系統，RADAR[15]和Horus[16]等均選信號均值作為信號的特征，定位準則幾乎是距離最短或概率最大準則，定位精度不高，約在2～5m間，這是因為信號強度均值只能提供接收信號的粗略信息，無法獲得信號物理層的更多信息。因此，對于WiFi信號特征選取和特征匹配準則進行深入研究也是未來的研究重點。

文獻[41]提出了利用指紋庫樣本的方差和均值進行定位的方法，該方法通過凸包理論[42]實現定位，雖然該方法較為新穎，比較適用于理論分析，但算法復雜度較高。

1.4 不同移動終端對于信號強度的敏感性

不同移動終端對于相同的AP所感知出的信號強度也不同。這主要是因為不同的移動終端接收信號的硬件不相同，所以對相同信號感知出的強度大小不相同，目前有幾種主流的方法處理這一問題[43-47]。為解決此問題，式(1)可進一步改寫為

(4)

信號強度差分(Difference of Signal Strength，DIFF)方法不直接將RSS作為指紋庫的特征進行保存，而是選取2個RSS之差作為指紋特征[43]，其數學模型為

Δpij=p(di)-p(dj)

(5)

雙曲位置指紋(Hyperbolic Location Finger-printing，HLF)[44]認為不同手機對信號強度的接受規則不盡相同，但接收的最初WiFi信號(頻數)是相同的，該方法使用對數的RSS函數之比作為指紋庫特征進行存儲，其特征可表示為

(6)

式中，yi∈(0,225),yi∈N,yi與p(di)之間的關系詳見文獻[49]。HLF以最初接收的WiFi信號(頻數)為基礎，構建一個指紋庫特征，但使用該方法必須保證頻數接收的準確性。

針對本節所闡述的幾種典型方法，其對比結果如表1所示。

表1 消除設備硬件影響的方法對比

在選用上述方法中的特征進行定位時，雖然可以減弱不同移動終端信號強度特征之間的誤差，且定位結果更具魯棒性。但信號特征維度發生了變化，噪聲對定位結果影響更為明顯，因此在信號采集與處理過程中如何抑制信號噪聲將是重點需要解決的問題。

2 總結和展望

本文通過回顧近年來基于WiFi指紋庫的室內定位理論及應用中的關鍵技術問題，梳理了近年來針對這些問題研究產生的新理論，闡明了這些方法的優勢與不足之處。基于WiFi指紋庫的室內定位技術的發展趨勢將聚焦在以下幾個方面。

1)為適應動態應用環境，雖然有學者和研究人員對WiFi室內定位技術和算法進行了研究，并提出了相關理論[32-34]，但在實際應用中，仍無法大規模使用，這主要是因為實際過程中不存在真正準確的模型，而且環境對信號強度的影響程度也無法度量。因此，在實際應用中通過模型優化的方式來解決這些問題幾乎行不通，通過在線反饋，自主更新的方法將是基于WiFi指紋庫的室內定位的研究熱點。

2)WiFi基站部署優化問題對WiFi精確定位也是十分重要的，包括如何放置AP[50]和如何選取參考點[51]等問題，優化部署可以通過花費較低的人力、物力和財力獲得較好的定位精度；AP部署完成后，如何驗證部署結果的唯一性和準確性也是值得關注的熱點問題。

3)通道狀態信息(Channel State Information， CSI)描述WiFi信號在傳播過程中信道的擁堵程度，CSI的值能夠反映幅值和子帶寬，表征WiFi信號的能力遠大于信號強度表征WiFi信號的能力。文獻[52-53]通過獲取CSI并結合機器學習的相關知識，開展了指紋庫定位算法和實際測試的研究，其定位效果較好，魯棒性也較強。但目前對于CSI的研究尚不夠深入，主要是由于CSI并不像RSS一樣容易得到，需要使用特定的硬件才能獲取。但隨著嵌入式處理技術的發展， 將來CSI技術有可能被大規模應用。

參考文獻

[1] Buchli B, Sutton F, Beutel J. GPS-equipped wireless sensor network node for high-accuracy positioning applications[C]//European Conference on Wireless Sensor Networks. Springer-Verlag, Berlin, 2012:179-195.

[2] 李冀. 國外提升衛星信號在拒止環境下導航定位能力的新技術[J]. 導航定位學報, 2013, 1(2): 55-59.

[3] Sinel B, Norman M, Grant, et al. FCC seeks comment on cable regulations[J]. Cheminform, 1998, 29(40): 1337-1342.

[4] Liu S, Jiang Y, Striegel A. Face-to-face proximity estimationusing bluetooth on smartphones[J]. IEEE Transactions on Mobile Computing, 2014, 13(4):811-823.

[5] Sun G, Chen J, Guo W, et al. Signal processing techniques in network-aided positioning: a survey of state-of-the-art positioning designs[J]. IEEE Signal Processing Magazine, 2005, 22(4):12-23.

[6] Abdrabou A, Zhuang W. A position-based QoS routing scheme for UWB mobile ad hoc networks[J]. IEEE Journal on Selected Areas in Communications, 2006, 24(4):850-856.

[7] Yang L, Chen Y, Li X Y, et al. Tagoram: real-time tracking of mobile RFID tags to high precision using COTS devices[C]// Proceedings of the 20thAnnual International Conference on Mobile Computing and Networking, 2014: 237-248.

[8] Hatami A, Pahlavan K. A comparative performance evaluation of RSS-based positioning algorithms used in WLAN networks[C]// IEEE Wireless Communications and Networking Conference. IEEE, 2005:2331-2337.

[9] He S, Lin W, Chan S H. Indoor localization and automatic fingerprint update with altered AP signals[J]. IEEE Transactions on Mobile Computing, 2017, 16(7): 1897-1910.

[10] IEEE. Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) specifications, Amendment 4 : Enhancements for Higher Throughput[J]. IEEEN/D Part, 2007.

[11] Weiser M. The computer for the 21stcentury[J]. Mobile Computing and Communications Review, 1999, 3(3): 3-11.

[12] Du Y, Yang D, Xiu C. A novel method for constructing a WIFI positioning system with efficient manpower[J]. Sensors, 2015, 15(4):8358-8381.

[13] Atia M M, Noureldin A, Korenberg M J. Dynamic online-calibrated radio maps for indoor positioning in wireless local area networks[J]. IEEE Transactions on Mobile Computing, 2013, 12(9):1774-1787.

[14] Moghtadaiee V, Dempster A G, Lim S. Indoor local-ization using FM radio signals: A fingerprinting approach[C]// 2011 International Conference on Indoor Positioning and Indoor Navigation. IEEE, 2011:1-7.

[15] Bahl P, Padmanabhan V N. RADAR: an in-building RF-based user location and tracking system[C]// INFOCOM 2000. Proceedings of the 19thAnnual Joint Conference of the IEEE Computer and Communica-tions Societies. IEEE Xplore, 2000:775-784.

[16] Youssef M, Agrawala A. The Horus WLAN location determination system[C]// Proceedings of the 3rdInternational Conference on Mobile Systems, Applications, and Services. ACM, 2005:205-218.

[17] Kaemarungsi K, Krishnamurthy P. Properties of indoor received signal strength for WLAN location fingerprinting[C]// Proceedings of the 1stAnnual International Conference on Mobile and Ubiquitous Systems: Networking and Services. MOBIQUITOUS. IEEE, 2004: 14-23.

[18] Kaemarungsi K. Distribution of WLAN received signal strength indication for indoor location determination[C]// Proceedings of the 2006 1stInternational Symposium on Wireless Pervasive Computing. IEEE, 2006:6.

[19] Smailagic A, Small J, Siewiorek D P. Determining user location for context aware computing through the use of a wireless LAN infrastructure[D]. Institute for Complex Engineered Systems Carnegie Mellon University. Pittsburgh, 2000:15213.

[20] Zou H, Huang B, Lu X, et al. A robust indoor positioning system based on the procrustes analysis and weighted extreme learning machine[J]. IEEE Transactions on Wireless Communications, 2016, 15(2):1252-1266.

[21] Hossain A K M M, Jin Y, Soh W S, et al. SSD: A robust RF location fingerprint addressing mobile devices’ heterogeneity[J]. IEEE Transactions on Mobile Computing, 2013, 12(1):65-77.

[22] Kaya A O, Greenstein L J. A new path loss modeling approach for in-building wireless networks[C]//2012 IEEE Global Communications Conference (GLOBECOM). IEEE, 2012: 5033-5037.

[23] Du Y, Yang D, Xiu C. A novel method for constructing a WIFI positioning system with efficient man-power[J]. Sensors, 2015, 15(4):8358-8381.

[24] Watcharasukchit S, Triyason T, Krathut W, et al. WiFi indoor positioning with binary search method[C]// Proceedings of the 2017 10thInternational Conference on Ubi-Media Computing and Workshops. IEEE, 2017:1-6.

[25] Feng C, Au W S A, Valaee S, et al. Received-signal-strengthbased indoor positioning using compressive sensing[J]. IEEE Transactions on Mobile Compu-ting, 2012, 11(12):1983-1993.

[26] Feng C, Au W S A, Valaee S, et al. Compressive sensing based positioning using RSS of WLAN access points[C]// Proceedings of the IEEE INFOCOM. IEEE, 2010:1-9.

[27] Feng C, Au W S A, Valaee S, et al. Orientation-aware indoor localization using affinity propagation and compressive sensing[C]// Processings of the 2009 3rdIEEE International Workshop on Computational Advances in Multi-Sensor Adaptive. IEEE, 2010:261-264.

[28] Yin J, Yang Q, Ni L M. Learning adaptive temporal radio maps for signal-strength-based location estimation[J]. IEEE Transactions on Mobile Computing, 2008, 7(7):869-883.

[29] Hernández N, Ocaa M, Alonso J M, et al. Continuous space estimation: Increasing WiFi-based indoor localization resolution without increasing the site-survey effort[J]. Sensors, 2017, 17(1):147.

[30] Tang J, Chen Y, Chen L, et al. Fast fingerprint data-base maintenance for indoor positioning based on UGV SLAM[J]. Sensors, 2015, 15(3):5311-5330.

[31] Zou H, Jin M, Jiang H, et al. WinIPS: WiFi-based non-intrusive indoor positioning system with online radio map construction and adaptation[J]. IEEE Transactions on Wireless Communications, 2017, 16(12): 8118-8130.

[32] Zhuang Y, Syed Z, Li Y, et al. Evaluation of two WiFi positioning systems based on autonomous crowdsourcing of handheld devices for indoor navig-ation[J]. IEEE Transactions on Mobile Computing, 2016, 15(8):1982-1995.

[33] 李燕君, 徐凱鋒, 邵劍集. 利用眾包更新Wi-Fi室內定位指紋庫的方法研究[J]. 傳感技術學報, 2014(12):1692-1698.

[34] 張熠, 陳璟, 王革超. 一種結合眾包的WIFI指紋數據庫自構建及更新算法[J]. 小型微型計算機系統, 2017, 38(11):2458-2464.

[35] He S, Chan S H G. Sectjunction: Wi-Fi indoor localization based on junction of signal sectors[C]// IEEE International Conference on Communications. IEEE, 2014:2605-2610.

[36] Jiang Y, Pan X, Li K, et al. ARIEL: Automatic Wi-Fi based room fingerprinting for indoor localization[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. ACM, 2012:441-450.

[37] Honkavirta V, Per?l? T, Alil?ytty S, et al. A comparative survey of WLAN location fingerprinting me-thods[C]// Proceedings of the 6thWorkshop on Positioning, Navigation and Communication. WPNC 2009. IEEE, 2009:243-251.

[38] Liu H, Darabi H, Banerjee P, et al. Survey of wireless indoor positioning techniques and systems[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2007, 37(6):1067-1080.

[39] Li D, Zhang B, Li C. A feature-scaling-based k-nearest neighbor algorithm for indoor positioning sys-tems[J]. IEEE Internet of Things Journal, 2016, 3(4):590-597.

[40] Mirowski P, Milioris D, Whiting P, et al. Probabilistic radio-frequency fingerprinting and localization on the run[J]. Bell Labs Technical Journal, 2014, 18(4):111-133.

[41] He S, Chan S H. Tilejunction: Mitigating signal noise for fingerprint-based indoor localization[J]. IEEE Transactions on Mobile Computing, 2015, 15(6):1554-1568.

[42] De Berg M, Van Kreveld M, Overmars M, et al. Computational geometry: algorithms and applications[J]. Mathematical Gazette, 2008, 19(3):333-334.

[43] Dong F, Chen Y, Liu J, et al. A calibration-free localization solution for handling signal strength variance[M]// Mobile Entity Localization and Trac-king in GPS-less Environnments. Springer, Berlin, Heidelberg, 2009.

[46] Hossain A K M M, Jin Y, Soh W S, et al. SSD: A robust RF location fingerprint addressing mobile devices’ heterogeneity[J]. IEEE Transactions on Mobile Computing, 2013, 12(1):65-77.

[47] Zou H, Huang B, Lu X, et al. A robust indoor positioning system based on the procrustes analysis and wei-ghted extreme learning machine[J]. IEEE Transactions on Wireless Communications, 2016, 15(2):1252-1266.

[48] Gower J C. Generalized procrustes analysis[J]. Psychometrika, 1975, 40(1):33-51.

[49] Bardwell J. Converting signal strength percentage to dBm values[J]. 2002.

[50] Hossain A K M M, Soh W S. Cramér-Rao bound analysis of localization using signal strength difference as location fingerprint[C]// Proceedings of the 2010 Conference on Information Communications. IEEE Press, 2010:1981-1989.

[51] Sheng K, Gu Z, Mao X, et al. The collocation of measurement points in large open indoor environment[C]// 2015 IEEE Conference on Computer Communications. IEEE, 2015:2488-2496.

[52] Wang X, Gao L, Mao S, et al. CSI-based fingerprinting for indoor localization: A deep learning approach[J]. IEEE Transactions on Vehicular Technology, 2017, 66(1):763-776.

[53] Yang Z, Zhou Z, Liu Y. From RSSI to CSI: Indoor localization via channel response[J]. ACM Compu-ting Surveys, 2013, 46(2):1-32.