室內定位關鍵技術綜述

鄧中亮，尹 露，唐詩浩，劉延旭，宋汶軒

(北京郵電大學 電子工程學院，北京 100876)

0 引言

近年來，位置服務(Location Based Services,LBS)產業發展迅猛，高精度位置信息是提供高質量位置服務的基礎。傳統衛星定位系統，如全球定位系統(Global Positioning System,GPS)、北斗定位系統，在室外空曠環境擁有較高的定位精度，但是，受制于信號強度，衛星定位信號很容易受到遮擋或干擾，導致衛星定位系統在城市峽谷及室內環境定位不準甚至無法定位[1]。為了解決室內環境下的定位問題，近年來出現了很多室內定位技術，如基站定位、無線局域網(Wi-Fi)定位等[2-3]。對室內定位相關理論方法的研究已經成為了定位導航領域的熱點問題之一。

為了解決室外定位導航的“最后一公里”問題，眾多學者在室內定位技術方面展開了大量的研究工作，如基站定位、Wi-Fi定位、無線射頻標簽(Radio Frequency Identification,RFID)定位[4]、藍牙(Bluetooth)定位、超寬帶無線電(Ultra-Wide-band,UWB)定位[5]、基于移動通信網絡的輔助GPS[6]、ZigBee定位[7]、地磁定位[8]、地面數字通信及廣播信號定位[9]、偽衛星定位[10]、計算機視覺定位[11]、可見光定位等[12]。這些定位技術有些是以定位導航為主要用途，例如偽衛星定位等；有些技術則是以通信為主要用途，但是仍然可以提供定位服務，例如基站定位、Wi-Fi定位等。

目前室內定位技術發展可以分成2個方向：局域室內定位技術和廣域室內定位技術。局域室內定位可在局域網中實現局部區域的覆蓋，代表技術有Wi-Fi定位、藍牙定位、RFID定位、ZigBee定位等；廣域室內定位技術可在廣域網上實現廣域覆蓋，代表技術有我國的TC-OFDM[13]、澳大利亞的Locata[14]和美國高通公司QPoint定位系統等。局域室內定位技術具有成本較低、部署時間周期短的特點，但是可定位場所有限且各個局域室內定位區域采用的技術目前仍然沒有標準，即無法使用統一的用戶終端；廣域室內定位技術可以通過同一標準來獲得大范圍的使用，但是目前仍然沒有統一的標準，并且廣域室內定位技術一般需要改造基站和手機芯片等，成本巨大、時間周期長。

本文首先介紹了目前的主流定位技術，然后討論了室內定位中存在的幾項關鍵技術，并對當前室內定位技術進行了較為全面的分析介紹。

1 主流室內定位技術

目前，主流室內定位技術可分為廣域室內定位和局域室內定位。不同定位手段或定位系統作用范圍和定位精度不同，如圖1所示。

圖1 主流室內定位技術Fig.1 The mainstream technologies of indoor positioning

1.1 基站定位技術

基站定位是一種由手機運營商提供的定位服務,不需要借助全球導航衛星系統(Global Navig-ation Satellite System，GNSS)，也不需要專業的定位裝置，可以通過測量終端與多個基站的距離對用戶進行定位?；径ㄎ痪哂械凸摹⒌统杀镜膬瀯?，如圖2所示。

圖2 基站定位系統原理Fig.2 Principle of positioning system for base station

基站定位技術的定位精度隨著通信系統的不斷發展得到了很大的提高[15]。其中，Varshavsky等提出了一種基于手機基站的室內定位方法，該方法通過收集多層建筑物信號的RSSI，來區分多層建筑物的樓層數，其定位精度可以達到2～4m[16]。Ingensand 和Bitzi論述了基站定位在采用Cell-ID、RSSI指紋、RSSI測距、AOA、TOA、TDOA等方法的優劣[17]。

1.2 偽衛星定位技術

偽衛星定位技術通過衛星信號生成器和發射器構成的偽衛星進行定位。因此偽衛星裝置相當于位置可以靈活放置的模擬導航衛星，通過發射類似于衛星導航的信號提高局部地區的定位和導航功能。在衛星數過少，或者信號遮擋嚴重等不利于觀測的場合可以通過應用偽衛星定位技術來改善衛星星座結構，從而改善衛星定位精度；甚至在衛星導航系統不能正常使用的特殊條件下，偽衛星也可以完全代替導航衛星，進行單獨定位導航，實現偽衛星的單獨組網布局定位[18]。

早在GPS初期研究階段，眾多學者就已經開始了對偽衛星問題的研究。美國為了驗證GPS系統理論的可行性和進行信號體制實驗，搭建了偽衛星Yuma衛星導航測試場[19]。Klein和Parkinson創新提出了偽衛星可以作為一種輔助工具，在某些對定位精度有特殊要求的場合中增強GPS系統的可用性和幾何特性[20]。Parkinson和Fitzgibbon提出并論證了一種距離修正偽衛星設置地點的最優配置方法[21]。2002年歐盟在德國建成了伽利略試驗測試環境GATE并通過6個地面偽衛星發射Galileo信號，開展了接收機在真實地理信號環境中的定位測試。歐盟針對無縫位置服務市場在 Galileo 項目中提出了伽利略本地技術計劃(GILT)，專門研究室內外Galileo 偽衛星在定位方面的應用。由LOCATA公司和新南威爾士大學合作研制的LOCATA偽衛星滿足了自動控制、采礦業、港口精密定位、室內定位等領域的自組網用戶的定位需求，水平定位精度可以達到cm級[22]。此外芬蘭的SPACE SYSTEMS公司為了驗證偽衛星在室內環境的定位性能，研究生產了一套基于GPS L1信號的偽衛星信號發射系統。德國的Anchalee Puen-gnim等提出了一種基于偽衛星虛擬同步的高精度定位方案，通過實時差分的方式有效地將定位精度提高到cm級[23]。

在國內方面，隨著我國北斗定位產業的迅猛發展，基于偽衛星的相關技術也受到學者的廣泛關注。盡管發展時間較短，但卻得到了很大的進展，如中電54所的偽衛星技術已在戰區導航增強、無人機著陸等領域開展了應用，同時部分北斗偽衛星定位產品的應用已成功增強了九寨溝風景區的山區道路導航。除此之外西北工業大學、上海交通大學、武漢大學和哈爾濱工程大學等著名高校對偽衛星定位基礎理論展開了研究，其中羅益、魏海濤等對基于偽衛星的GNSS星地時間不同步問題進行了進一步研究[24]，劉超、高井祥等對空間偽衛星優化布局進行了進一步分析研究[25]。

1.3 指紋定位技術

信號的多徑傳播對環境有依賴性，呈現了很強的特殊性，對于每個特定的位置而言，該位置上信道的多徑結構是唯一的，可以認為是該位置的指紋。指紋定位技術源于數據庫技術(Database Correction Method，DCM)[26]，它的操作核心實際上是通過獲取到的信息值與先前建立的信息庫進行匹配確定待測點的定位結果。它的工作過程主要分為2個階段：離線采集階段和定位階段。離線采集階段的主要工作是通過采集定位區域內定位信號的RSSI建立指紋數據庫；定位階段的主要工作是將移動端在待測點采集到的定位信號特征與指紋庫中的數據進行匹配，得出待測點所在的位置信息，其中，位置信息可以是二維坐標，也可以是地理信息，如圖3所示。

圖3 指紋定位示意圖Fig.3 Schematic of fingerprint positioning

指紋定位具有不需要參考測量點、定位精度相對較高等優勢，但缺點是前期離線建立指紋庫階段的工作量很大，同時很難自適應于環境變化較大的場景。

位置指紋的定位技術因定位信號獲取方式簡單，不需要復雜的硬件設備支持，易于在商業中應用等優點引起了從學術界到工程界的廣泛關注與研究。國外對位置指紋定位研究較多的機構和高校有IBM、微軟、Intel、南洋理工大學等，如美國微軟研究院研發的Radar系統、馬里蘭大學研究的Horus系統等。其中，Radar系統定位簡單，但精度不高；Horus系統通過采用概率分布函數的方法，提高了定位精度但復雜度較高[27]。國內在指紋定位技術的研究主要集中在高校和研究所，有代表性的有上海交通大學、華東師范大學、北京郵電大學、香港科技大學、中科院研究所等高校和科研機構；中國臺灣銘傳大學研究開發了一種利用位置指紋定位法的Wi-Fi室內自動導航系統，通過實驗得出95%以上點的定位誤差在5m以內；香港科技大學楊強教授對位置指紋法進行深入的研究，通過更加精確的定位算法得到定位精度在1m內[28]。

1.4 UWB定位技術

超寬帶信號是擁有超過中心頻率20%相對帶寬或者絕對帶寬超過500MHz的信號[29]。UWB定位技術就是通過發射、接收大帶寬脈沖實現位置估計。UWB系統與傳統的窄帶系統相比，大的帶寬保證了其具有穿透力強、發射功率低、傳輸速率高、抗多徑效果好等優點。正是這些優點，使它在室內定位領域中得到了較為精確的定位結果。

20世紀60年代后期，UWB技術因其較好的穿透性和類噪聲性而被應用于軍事領域中的監聽技術[30]。直至20世紀末UWB技術引起了美國聯邦通信委員會(Federal Communications Commission，FCC)的關注，才逐步開始民用以及商業化的研究發展進程。其中，Ubisense公司于2011年提出了基于TDOA和AOA的UWB室內定位系統，定位精度可達15cm，測距范圍達到50m[31]。此外，Zebra推出了Dart UWB系統，定位精度可達30cm，測距范圍達到100m[32]。然而，在室內定位這一應用場景下，由于室內環境復雜，超寬帶信號在傳播中易受到多徑和非視距現象的影響，很大程度影響了定位精度，難以實現大范圍室內覆蓋，較高的系統建設成本也成為了制約超寬帶定位技術發展的瓶頸。

1.5 地磁定位技術

地磁場定位技術，是指利用地磁場特征的特異性獲取位置信息的技術方案[33]。利用地磁場作為位置匹配信息進行定位最開始在機器人自定位領域提出，Suksakulchai等提出地磁傳感器除了可以用作方向判斷外，還可以利用地磁信息經過室內結構的擾動造成的特異性進行機器人的自定位，通過對地磁信息的收集和匹配，完成了在走廊中的初步位置的確定。

隨著地磁定位技術被人們所認知，越來越多的研究者投身于該領域。Janne Haverinen提出，現代鋼筋混凝土的建筑框架給室內的磁場造成了一種系統層面上的擾動，這種特有的擾動使得每個室內場景中的地磁場分布都有著其獨特的模式。因此，通過記錄建筑中特有的地磁信息分布，并根據再次獲取的地磁信息進行匹配實現定位，地磁定位技術可達到 90%以上的定位準確度[34]。地磁信息分布在任意建筑內，因此地磁定位技術無需額外的接入裝置，作為民用推廣的室內定位導航系統，地磁定位技術是一個不錯的選擇。Chung等通過設計一個特殊的終端設備配合地磁傳感器，能夠實現二維空間的定位，平均精度 4.7m[35]。但是由于其磁場強度的讀數是基于地磁傳感器自身坐標系，為了能夠直接匹配地磁信息，要求在采集地磁數據時，對每一個位置點，采集終端需要在原地旋轉一周來收集所有朝向上的地磁信息讀數，這種做法大大增加了采集地磁數據的工作量。Grand提出的利用坐標系變化的方法避免了采集所有朝向上的磁場讀數，減少了數據收集的工作量[36]。

1.6 視覺定位技術

近幾年來，隨著視覺傳感器的發展，利用視覺傳感器獲取目標周圍環境特征的定位方法得到了重視。根據視覺傳感器數量的不同，當前的視覺定位技術分為單目視覺定位技術、雙目視覺定位技術和全方位視覺定位技術。

單目視覺定位技術是利用一張或者多張圖片信息獲取位置信息。基于單幅圖像的定位是根據已知目標特征在世界坐標系下的表示、目標特征在圖像上的投影和一些額外的特征參數，得到世界坐標系和攝像機坐標系之間的位姿關系來實現的。Liu等利用圖像中的直線特征與由攝像機的光心形成的投影平面的法向量與目標自身的直線正交的特性，建立幾何模型實現定位[37-38]。此種定位方法要求3條直線不能同時平行和與光心共面，以此構造3個非線性方程，但是求解非線性方程組比較困難且容易引入較大的計算誤差。

由于單個攝像頭視野范圍小，因此可獲取的深度信息少，從而導致單目視覺定位精度低。近年來，雙目視覺定位成為研究熱點。傳統的雙目視覺定位系統通過2個彩色攝像頭同時獲取具有一定視差的2張圖片來實現定位。微軟新體感工具Kinect的推出，使得實現視覺定位變得更加簡單。通過Kinect工具得到實現目標場景的高質量彩色圖像和高質量深度圖像。Nakano等將Kinect用于室內定位，其硬件簡單、成本較低[39]。Wang等提出了一種基于RGB-D的對樓梯、人行道和交通信號燈的圖像檢測與識別方法，為有視覺障礙的人群提供幫助[40]。

由于傳統的攝像機的視野范圍有限，不能同時獲取周圍環境中所有目標的位置。Yagi等首次將基于雙曲反射鏡面的全方位視覺系統應用于移動機器人定位與導航[41]。目前全方位視覺系統主要分為兩大類，一類是由傳統視覺傳感器組成的全方位視覺傳感器，一類是反射鏡面型全方位視覺傳感器。前者采用圖像拼接技術將每個傳感器獲取的圖像拼接成全方位圖像；后者采用至少一個曲面鏡和一個傳統視覺傳感器組成，通過曲面鏡的形狀控制全方位視覺傳感器的視野范圍，相對于前者，不需要大量的計算，實時性好，但是會由于反光鏡的鏡面形狀造成生成的圖像分辨率不均勻。

1.7 機會信號定位技術

在室內、峽谷等GNSS信號拒止的環境下，仍然充斥著大量的無線電信號。機會信號定位技術利用這些泛在的無線電信號，通過實現對無線信號的隨機接入、融合處理實現定位與導航。機會信號導航(Opportunistic Navigation，OpNav)接收機連續不斷地從周圍環境中搜索無線電信號，并從信號特征中提取定位與導航信息[42]。OpNav技術將周圍環境中的無線電信號作為潛在的機會信號，包括GNSS信號及其干擾裝置發出的信號、銥星衛星信號、Wi-Fi信號、電視信號、無線電廣播信號、手機信號等。OpNav接收機利用相關的先驗信息估計每個機會信號的相對定時和頻偏、發射位置等狀態參數。這種估計問題類似于機器人技術中同步定位與地圖構建(Simultaneous Localization and Mapping，SLAM)問題[43]。但是OpNav技術不同于傳統SLAM，和SLAM地圖相比較，機會信號的信號面貌是動態的。

Carlos對數字視頻廣播(Digital Video Broadcasting，DVB)信號定位進行了研究，給出了其基本定位方法[44]； Chun Yang利用數字電視(Digital Television，DTV)信號、GSM信號與CDMA2000等多種機會信號，實現了室外空曠環境下3m的定位精度，但在市區及室內環境中定位精度較低[45]。2012年6月英國航太系統公司高級技術中心研發了基于OpNav技術的NAVSOP系統，用戶能夠利用充斥在自己周圍的多種無線信號估算自己的位置[46]，定位誤差為幾米，但是在室內環境下，定位精度仍然不能滿足需求。

1.8 組合定位技術

由于各種導航定位技術都有各自的優缺點以及最合適的使用場景，而室內環境相對來說比較復雜，采用單一的定位手段很難實現高可靠、高精度的定位。但是可以通過組合多種導航技術實現導航與定位。多傳感器組合是使用一種可靠的估計方法，將多種有互補特性的傳感器數據組合，以獲得優于各個傳感器的系統性能的過程[47]。一種對組合導航較為公認的理解是使用慣性傳感器信息構造系統方程并對導航狀態進行預測。但是低成本的慣性傳感由于誤差存在嚴重的溫度敏感性而不能長時間穩定工作，因此在實際應用中需要依賴其他定位技術如無線電定位技術。

近年來，國內外不同機構的研究人員提出了許多組合導航平臺[48-50]。常用的組合導航估計方法有Kalman濾波器、粒子濾波器等。Zhuang和EI-Shemiy提出了一種Wi-Fi和MEMS傳感器進行緊組合的方法[51]。Ezani等提出了將Wi-Fi和磁場匹配一種從區域到點的組合方式用于室內定位[52]。Pritt等提出了將磁場強度作為虛擬Wi-Fi AP與Wi-Fi進行組合的方式，并與區域到點的組合方式進行了對比[53]。余彤提出了一種基于改進的高斯-牛頓迭代算法的慣性傳感器與LiDAR組合導航，實現室內定位和SLAM[54]。

1.9 協同定位技術

協同定位概念在在20世紀90年代由Kurazu-me Ryo等首次提出[55]，并應用于多機器人定位研究。協同定位技術的基本思想是利用相鄰節點之間的附加測量信息提高定位精度，如圖4所示。協同定位技術進行位置解算首先需要滿足多個未知節點之間可以相互傳遞信息或者未知節點之間可以互相測向、測距或者鄰接關系或者未知節點可以利用歷史位置信息輔助完成當前定位。

圖4 協同定位技術Fig.4 Cooperative localization

美國Sarnoff Corporation在提出了“teamwork effect”，即N節點網絡通過協同將定位誤差提高至原來的1/N，其中各個節點配有慣性導航系統(Inertial Navigation System, INS)和無線電測距、通信設備[56]。Wymeersch等提出了一個分布式協同定位算法SPAWN，并在100節點網絡中進行了性能驗證[57]。

1.10 導航通信一體化定位技術

通信系統具有覆蓋范圍廣、穩定性強、普及度高等優點。利用通信系統進行室內定位，可有效解決衛星定位系統室內覆蓋差的問題，同時也可有效縮小Wi-Fi等指紋定位系統的建設及維護成本。但通信信號不是為定位設計，為此，提出了用通信導航一體化信號進行定位，即TC-OFDM定位理論[13]?；谠摾碚摚蓪崿F導航信號與第五代移動通信系統(The 5thGeneration Communication System，5G)信號的一體化定位，受益于5G中采用的毫米波及多入多出(Multiple-Input Multiple-Output，MIMO)技術，終端通過接收各個基站的通導一體化信號，通過實時解算，可獲得亞米級精度的實時位置信息。

利用TC-OFDM系統與其他定位系統的融合，構成羲和導航系統，可實現廣域室內外高精度定位的無縫覆蓋，如圖5所示。該系統具有定位精度高、覆蓋性強、成本低等優點，預計將在2020年對我國多個省市實現無縫覆蓋。

圖5 羲和系統示意圖Fig.5 Schematic of Xihe system

2 室內定位中的關鍵技術

2.1 互相關干擾消除技術

在室內復雜的定位環境中，接收機很有可能接收到定位源直射的強信號和經過反射、折射的弱信號，強信號和弱信號的功率差可以達到20～30dB[58]。此時在弱信號的相關解算中，強信號產生的互相關峰與弱信號產生的自相關峰幅值處于同一量級，很有可能對弱信號的捕獲造成不利影響。因此在定位過程中通常需要通過消除互相關干擾的影響達到捕獲弱信號的目的，其中常用的方法有子空間投影法和扣除法。

2.1.1 子空間投影法

子空間投影法是在載波多普勒、載波相位以及碼相位構建的信號子空間中生成新碼，并將待檢測的弱信號在此空間內分解并產生出與強信號完全正交、與弱信號相關性強的新碼，以此碼進行弱信號的捕獲。由于新碼的構建需要實時運算，而此運算中需要進行大量的矩陣和向量運算，因此構建新碼十分困難。E.P.Glennon提出改變Gold碼的均衡性使得本地碼與強干擾信號互相關性最小，但該方法同時也會降低一定的自相關性[59-60]。

2.1.2 扣除法

扣除法比較常見的有兩種方法：一是利用已捕獲的強干擾信號的多普勒頻移、載波相位、碼相位、信號幅度等參數在本地接收機內進行強干擾信號的重構，然后將強信號從射頻信號中扣除，再進行弱信號的捕獲；二是在做完接收信號與本地碼的相關運算后從中扣除強干擾信號的互相關值，以此消除強干擾信號對弱信號捕獲的影響。根據扣除操作發生的位置是在相關運算前和后可以分為前端消除法和后端消除法。與子空間投影法相比，扣除法占用資源少、易實現，但對強信號的參數依賴程度大，當強信號的參數估計誤差較大時，扣除法對互相關干擾的消除作用就會減小甚至不起作用。

2.2 非視距效應消除技術

非視距效應是由于定位信號源與定位終端之間存在障礙物，導致定位信號無法沿視距傳播，只能通過折射、反射等方式傳播。由此產生的誤差稱為非視距(Non-Line of Sight，NLOS)誤差。在室內定位中，由于建筑物內的復雜結構和經常性的人員流動導致非視距效應十分顯著。影響定位精度的主要誤差來源有測量誤差和非視距誤差，其中非視距誤差遠遠大于測量誤差，因此消除非視距效應是提高室內定位精度的主要方式。

2.2.1 極大似然算法

在非視距環境中，可以利用測量噪聲、非視距誤差統計分布和LOS/NLOS距離概率模型構建最大似然問題進行定位解算[61]，消除非視距效應。Gezici使用最大似然算法最大化聯合概率密度函數剔除非視距觀測量[62]，Qi采用最大后驗概率估計非視距誤差統計分布[63]。

2.2.2 最小二乘算法

在視距環境中室內定位最廣泛的算法之一是最小二乘法，在得到測量量后建立方程解出定位終端的位置。而在非視距環境下也可以通過最小二乘法進行定位解算。殘差加權(RWGH)算法是Chen提出的一種針對非視距環境的定位算法[64]，可以有效減小非視距效應對定位精度的影響。

雖然眾多學者對非視距誤差的消除進行了大量研究，但由于非視距的復雜性，目前消除模型仍難以有效消除，仍然是影響室內定位精度的關鍵問題之一。

2.3 特征聚類技術

在基于指紋信息的定位方法中，通常采用特征聚類技術將離群點剔除，以此減小離群點對定位結果的影響，提高定位精度。

2.3.1 HiWL方法

聚類算法通常需要使用大量數據進行訓練，但為指紋庫中每個數據點進行位置標記是非常繁瑣的，為此HiWL方法使用隱形馬爾科夫模型(Hidden Markov Model,HMM)對未標記的數據進行位置分類[65]。在訓練階段，該方法需要一定的室內拓撲信息。通過HMM訓練，系統可以獲得地理坐標和信號分布之間的映射關系，因此HiWL方法可以將未標記的指紋地圖與地理坐標聯系起來。但HMM方法需要通過大量的訓練數據集保證學習結果的準確性[66]，提高了系統的計算復雜度。

2.3.2 UMLI方法

為了減少計算量，UMLI方法采用聚類方法對未標記數據進行分類[67]。訓練階段通過聚類分析，將有相似特征的相鄰參考點聚集為一類。以此將未標記的數據進行位置標記，減少測量和標記的工作量。UMLI方法首先將未標記的指紋地圖映射到對應的房間中，然后在房間中進行精度更高的定位解算。UMLI方法通過采用分層定位的方法提高了房間定位的精度。

2.4 融合濾波技術

在室內環境下，單一的定位技術無法覆蓋全部區域，且定位精度有限。因此需要使用多種傳感器、多種定位信號定位。在此過程中就需要融合濾波技術將不同定位源的數據進行融合定位。

通常融合濾波分為三類，數據融合、特征融合和決策融合[68]。表1所示為三類融合方法的一些相關特性。

表1 不同融合方法的相關特性

根據處理結構的不同，也可以將融合濾波分為集中式、分布式和混合式。集中式融合濾波需要一個處理中心收集數據進行處理，而分布式融合濾波中每個傳感器、定位信號接收器單獨處理自己的數據，并將結果發送到進行全局分析的節點。混合式融合濾波中一部分傳感器和定位信號接收器自己進行數據的預處理，而處理中心也會對一些原始數據進行融合并進行最后的決策融合。

如果一個系統中信號源產生的是相同物理測量量，那么就可以進行數據融合；相反若系統中的原始數據是異構的，那么就不能直接進行數據融合，需要提高到特征或決策融合的高度。

3 結論

本文對目前室內定位技術進行了簡單介紹，分別針對不同種類的主流定位手段，進行了詳細介紹與分析,并對室內定位中常見的技術問題進行了討論。通過對比分析，可以得到如下結論：

1)室內定位技術發展迅速，亞米級及厘米級的高精度位置服務需求廣泛；

2)室內定位技術種類繁多，不同技術之間各有優缺點，廣域與局域定位技術形成一定互補；

3)組合導航與多系統融合定位可有效提高定位精度及定位魯棒性；

4)導航通信一體化技術具有成本低、精度高等優點，并易于與其他定位系統融合，成為未來室內外定位技術的研究熱點之一。

隨著人們對室內位置服務需求的持續增加，室內定位技術將會得到進一步發展。新一代通信技術的發展，會大幅推動室內定位技術的進步，毫米波及MIMO技術的應用，可有效增加測距精度并提高定位終端的抗多徑能力。低成本亞米級甚至厘米級的室內定位技術成為今后的研究趨勢與熱點。

參考文獻

[1] Mahmud M S, Qaisar S U, Benson C. Weak GPS signal detection in the presence of strong signals with varying relative Doppler and long integration gain[C]//2016 IEEE/ION Position, Location and Navigation Symposium (PLANS). IEEE, 2016: 1015-1020.

[2] Dammann A, Sand S, Raulefs R. On the benefit of observing signals of opportunity in mobile radio positioning[C]//Proceedings of 2013 9thInternational ITG Conference on Systems, Communication and Coding (SCC). VDE, 2013: 1-6.

[3] Bhatt D, Babu S R, Chudgar H S. A novel approach towards utilizing Dempster Shafer fusion theory to enhance WiFi positioning system accuracy[J]. Pervasive and Mobile Computing, 2017, 37: 115-123.

[4] 汪冬, 葛萬成, 莫國民, 等. 基于參考標簽可信度和偏差自校正的RFID室內定位算法[J]. 計算機應用, 2014, 34(11): 3170-3172.

[5] 王芳, 李楠, 劉汝佳, 等. 基于超寬帶和航位推算的室內機器人UKF定位算法[J]. 導航定位與授時, 2017, 4(2): 26-30.

[6] 朱政軍, 李梁軍, 韋邵高. 基于 A-GPS 定位功能的 MR 精準分析系統在網絡優化中的應用[J]. 郵電設計技術, 2017(2): 1-4.

[7] Janicka J, Rapinski J. An example and analysis for ambiguity resolution in the indoor ZigBee positioning system[J]. Reports on Geodesy and Geoinformatics, 2017, 103(1): 1-9.

[8] 陳詩軍, 林利成, 徐小龍, 等. 一種面向位置數據隱私保護的離線地磁定位模型[J]. 南京信息工程大學學報(自然科學版), 2017, 9(5): 509-515.

[9] Kapoor R, Ramasamy S, Gardi A, et al. UAV navigation using signals of opportunity in urban environments: A review[J]. Energy Procedia, 2017, 110: 377-383.

[10] 管春洋,卿立,何偉.一種新型的偽衛星輔助下的慣導初始對準方法[J].導航定位與授時,2017,4(3):17-21.

[11] Jiao J, Deng Z, Xu L, et al. A hybrid of smartphone camera and basestation wide-area indoor positioning method[J]. KSII Transactions on Internet and Information Systems (TIIS), 2016, 10(2): 723-743.

[12] Jimenez A R, Zampella F, Seco F. Light-matching: A new signal of opportunity for pedestrian indoor navigation[C]//2013 International Conference on Indoor Positioning and Indoor Navigation(IPIN). IEEE, 2013: 1-10.

[13] Deng Z, Yu Y, Yuan X, et al. Situation and development tendency of indoor positioning[J]. China Communications, 2013, 10(3): 42-55.

[14] Rizos C, Roberts G, Barnes J, et al. Experimental results of Locata: A high accuracy indoor positioning system[C]//2010 IEEE International Conference on Indoor Positioning and Indoor Navigation (IPIN). IEEE, 2010: 1-7.

[15] Wang D, Fattouche M, Zhan X. Pursuance of mm-level accuracy: Ranging and positioning in mmwave systems[J]. IEEE Systems Journal, 2018(99):1-12.

[16] Varshavsky A, Lara E D, Hightower J, et al. GSM indoor localization[J]. Pervasive and Mobile Computing, 2007, 3(6):698-720.

[17] Ingensand H, Bitzi P, Geosystems L. Technologien der GSM-Positionierungsverfahren[J]. AVN Allgemeine Vermessungs-Nachrichten, 2001(8): 286-294.

[18] 曹華杰, 劉源. 北斗/GPS 偽衛星定位系統中信號跟蹤算法研究[J]. 計算機技術與發展, 2017, 27(8): 179-181.

[19] Harrington R L, Dolloff J T. The inverted range: GPS user test facility[C]//IEEE PLANS’ 76. San Diego, 1976: 204- 211.

[20] Klein D, Parkinson B W. The use of pseudo-satellites for improving GPS performance[M]//Global Positioning System (red book). Institute of Navigation, 1986: 135- 146.

[21] Beser J, Parkinson B W. The application of NAVSTAR differential GPS in the civilian community[J]. Naviga-tion, 1982, 29(2):107-136.

[22] Yun D, Kee C. Centimeter accuracy stand-alone indoor navigation system by synchronized pseudolite cons-tellation[C]//Proceedings of ION, 2002:213-225.

[23] Puengnim A, Patino-Studencka L, Thielecke J, et al. Precise positioning for virtually synchronized pseudo-lite system[C]//International Conference on Indoor Positioning and Indoor Navigation. IEEE, 2014:1-8.

[24] 羅益, 魏海濤. 基于偽衛星的GNSS星地時間同步評估仿真研究[J]. 計算機仿真, 2015, 32(2):38-42.

[25] 劉超, 高井祥, 于子晏,等. GPS/偽衛星相對定位中偽衛星優化布設模型研究[J]. 中國礦業大學學報, 2012, 41(1):120-126.

[26] Li A, Fu J, Shen H. Research on indoor fingerprint localization system based on voronoi segmentation[M]//Advanced Computational Methods in Life System Modeling and Simulation. Springer, Singapore, 2017: 303-312.

[27] Lin T N, Lin P C. Performance comparison of indoor positioning techniques based on location fingerprinting in wireless networks[C]//International Conference on Wireless Networks, Communications and Mobile Computing. IEEE Xplore, 2005:1569-1574.

[28] 杜書敏. 基于位置指紋的室內定位技術研究與實現[D]. 昆明:云南大學, 2013.

[29] Tiemann J, Wietfeld C. Scalable and precise multi-UAV indoor navigation using TDOA-based UWB localization[C]//2017 International Conference on Indoor Positioning and Indoor Navigation (IPIN). IEEE, 2017: 1-7.

[30] Milici S, Esposito A, Staderini E M. A wireless indoor navigation aid for visually impaired people using UWB localization infrastructure and an original wayfinding algorithm[C]//Adjunct Proceedings of the 14thInternational Conference on Location Based Services. ETH Zurich, 2018: 158-162.

[31] Ruiz A R J, Granja F S. Comparing Ubisense, BeSpoon, and DecaWave UWB location systems: indoor performance analysis[J]. IEEE Transactions on Instrumentation and Measurement, 2017, 66(8): 2106-2117.

[32] Kuhn M J, Mahfouz M R, Turnmire J, et al. A multi-tag access scheme for indoor UWB localization systems used in medical environments[C]//2011 IEEE Topical Conference on Biomedical Wireless Technologies, Networks, and Sensing Systems (BioWireleSS). IEEE, 2011: 75-78.

[33] 喻佳寶. 基于智能手機的室內地磁定位方法研究[D]. 深圳:深圳大學, 2017.

[34] Haverinen J, Kemppainen A. Global indoor self-localization based on the ambient magnetic field[J]. Robotics and Autonomous Systems, 2009, 57(10):1028-1035.

[35] Chung J, Donahoe M, Schmandt C, et al. Indoor location sensing using geo-magnetism[C]// International Conference on Mobile Systems, Applications, and Services. DBLP, 2011:141-154.

[36] Grand E L, Thrun S. 3-Axis magnetic field mapping and fusion for indoor localization[C]// Multisensor Fusion and Integration for Intelligent Systems. IEEE, 2012:358-364.

[37] Liu Y, Huang T S, Faugeras O D. Determination of camera location from 2-D to 3-D line and point correspondences[J]. IEEE Transactions on Pattern Analy-sis and Machine Intelligence, 1990, 12(1): 28-37.

[38] Chen H. Pose determination from line to plane correspondences: existence condition and closed-form solutions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993, 13(6): 530-541.

[39] Nakano Y, Izutsu K, Tajitsu K , et al. Kinect Positioning System (KPS) and its potential applications[C]//International Conference on Indoor Positioning and Indoor Navigation, 2012.

[40] Wang S, Pan H ,Zhang C, et al. RGB-D image-based detection of stairs,pedestrian crosswalks and traffic signs[J]. Journal of Visual Communication and Ima-ge Representatio,2014,25(2):263-272.

[41] Yagi Y, Yachida M. Real-time generation of environmental map and obstacle avoidance using omnidirectional image sensor with conic mirror[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE, 1991: 160-165.

[42] Simkovits H, Weiss A J, Amar A. Navigation by inertial device and signals of opportunity[J]. Signal Processing, 2017, 131: 280-287.

[43] Meng S, Wen Z, Su X, et al. A self-navigation method with monocular plane discovery[C]//2017 IEEE 86thVehicular Technology Conference(VTC-Fall). IEEE, 2017: 1-5.

[44] Mendes C C A, Huang J, Presti L L, et al. Solutions for the path ambiguity problem in DVB-T signal-of-opportunity positioning system[C]//2012 Ubiquitous Positioning, Indoor Navigation, and Location Based Service (UPINLBS). IEEE, 2012:1-5.

[45] Yang C, Nguyen T, Blasch E. Mobile positioning via fusion of mixed signals of opportunity[J]. Aerospace and Electronic Systems Magazine, 2014, 29(4):34-46.

[46] Katia Moskvitch. BAE System’s navsop navigation system rivals GPS[N]. BBC News, 2012-06-28(BBC Technology).

[47] 李彥杰, 楊元喜, 何海波. 附加約束條件對 GNSS/INS 組合導航結果的影響分析[J]. 武漢大學學報(信息科學版), 2017, 42(9): 1249-1255.

[48] Sun Y, Yang G, Cai Q, et al. An on-line calibration method of SINS/Odometer integrated navigation system[C]//2017 4thInternational Conference on Information Science and Control Engineering (ICISCE). IEEE, 2017: 847-851.

[49] 徐曉蘇, 董亞, 童金武, 等. 基于 5 階球面最簡相徑的改進型容積卡爾曼濾波在 SINS/DVL 組合導航中的應用[J]. 中國慣性技術學報, 2017, 25(3): 343-348.

[50] Wang H, Wu L, Chai H, et al. Location accuracy of INS/gravity-integrated navigation system on the basis of ocean experiment and simulation[J]. Sensors, 2017, 17(12): 2961.

[51] Zhuang Y, El-Sheimy N. Tightly-coupled integration of WiFi and MEMS sensors on handheld devices for indoor pedestrian navigation[J]. IEEE Sensors Journal, 2015, 16(1):224-234.

[52] Ezani M F M, Abdullah M A, Haseeb S. A region-to-point indoor localization approach via RSS-magnetic fingerprinting[C]//The International Conference on Information and Communication Technol-ogy for the Muslim World. IEEE, 2015:253-256.

[53] Pritt N. Indoor navigation with use of geomagnetic anomalies[C]// Geoscience and Remote Sensing Symposium. IEEE, 2014:1859-1862.

[54] 余彤. LiDAR/INS組合的室內定位與制圖(SLAM)算法改進[D]. 武漢:武漢大學,2017.

[55] Kurazume R, Nagata S, Hirose S. Cooperative positioning with multiple robots[C]//Proceedings of the IEEE International Conference on Robotics and Automation. Los Alamitos, 1994:1250-1257.

[56] Zhao T, Wu S G, Mau S C, et al. Collaborative effects of mobile sensor network localization through distributed multimodal navigation sensor fusion for GPS denied navigation[C]//Proceedings of the Institute of Navigation National Technical Meeting. San Diego, 2008:699-710.

[57] Wymeersch H, Lien J, Win M Z. Cooperative localization in wireless networks[J]. Proceedings of the IEEE, 2009, 97(2):427-450.

[58] Liu X. Research on signal design method of pseudolite “near-far effect” based on TDMA technique[C]//China Satellite Navigation Conference. Springer, Singapore, 2017: 417-429.

[59] éamonn P. Glennon, Andrew G. Dempster. A novel GPS cross correlation mitigation technique[J]. Proceedings of International Technical Meeting of the Satellite Division of the Institute of Navigation, 2001:190-199.

[60] Glennon E P, Dempster A G. Cross correlation mitigation by adaptive orthogonalization using constraints-new results[J]. ION GNSS, 2006: 1811-1820.

[61] 史秀紡. 復雜因素影響下的定位跟蹤問題研究[D]. 杭州:浙江大學,2016.

[62] Gezici S, Sahinoglu Z. UWB geolocation techniques for IEEE 802.15. 4a personal area networks[R]. MERL Technical Report, 2004.

[63] Qi Y, Kobayashi H, Suda H. Analysis of wireless geolocation in a non-line-of-sight environment[J]. IEEE Transactions on Wireless Communications, 2006, 5(3): 672-681.

[64] Chen P C. A non-line-of-sight error mitigation algorithm in location estimation[C]//Proceedings of the IEEE Wireless Communications and Networking Conference(WCNC). IEEE, 1999: 316-320.

[65] Li L, Yang W, Wang G. HIWL: An unsupervised learning algorithm for indoor wireless localization[C]//2013 12thIEEE International Conference on Trust, Security and Privacy in Computing and Communications(TRUSTCOM). IEEE, 2013: 1747-1753.

[66] Shi X, Yong H C, Yuen C, et al. A novel mobile target localization algorithm via HMM-based channel sight condition identification[J]. Peer-to-Peer Networking and Applications, 2016, 10(3): 808-822.

[67] Nguyen N T, Zheng R, Han Z. UMLI: An unsupervised mobile locations extraction approach with incomplete data[C]//2013 IEEE Wireless Communications and Networking Conference(WCNC). IEEE, 2013: 2119-2124.

[68] Wang S, Tian X, Chen B. Distributed fusion filtering for stochastic uncertain systems subject to correlated noises, random delays and data losses[C]//2017 13thIEEE International Conference on Control & Automation (ICCA). IEEE, 2017: 259-264.