智能手機Wi-Fi/PDR室內混合定位優化問題研究

畢京學

山東建筑大學測繪地理信息學院，山東 濟南 250101

室內定位廣泛用于商場導購、反向尋車、警力動態部署、災難現場精準救援及疫情位置追蹤等，既是位置服務的關鍵環節，也是智能城市建設的重要助力。Wi-Fi定位、行人航位推算PDR及其混合定位是最普適的室內手段，通過對三者進行優化，能夠有效地提升室內定位系統的定位精度、可用性和穩定性。論文以智能手機為平臺，重點研究了指紋庫快速構建、自適應指紋定位、復雜活動快速準確識別、顧及活動識別的行人航位推算及Wi-Fi/PDR混合定位方法優化等，主要研究內容如下：

(1) 針對大面積區域指紋庫構建耗時耗力的問題，提出了基于眾包指紋和自適應路徑損耗模型插值的指紋庫快速構建方法，利用眾包指紋和最小二乘估計建立局域自適應路徑損耗模型，基于AP位置、構建模型、RSS隨機噪聲和閾值實現指紋庫快速構建。在3200 m2試驗場利用該方法、Kriging和IDW插值生成指紋庫，并與完全人工構建的指紋庫進行指紋定位。研究結果表明，該方法構建的指紋庫定位精度最高，且僅需約15.4%的眾包指紋實現與完全人工指紋庫相同的定位精度，可節省約85%的時間和工作量。

(2) 針對指紋定位中聚類個數人為設置、固定K值易產生誤差等問題，基于歸一化混合距離和仿射傳播聚類算法進行離線階段自適應聚類分析，提出了利用仿射傳播聚類基于位置域距離對信號域距離初步篩選的多個參考點，進行再次篩選的自適應加權定位AWKNN方法，得到位置更加聚集的參考點進行位置估計。在3200 m2試驗場開展定位測試，AWKNN方法的平均定位誤差和均方根誤差分別為2.4 m和1.9 m，與常用方法相比，定位精度和穩定性分別提高了37%、44.6%。研究結果表明，AWKNN方法能夠提高定位精度和穩定性，并弱化K值對定位性能的影響。

(3) 針對室內定位活動識別中大量使用頻域特征、未考慮干擾活動等問題，對室內行人復雜活動進行細化，引入豎直和水平晃動等運動模式及靜止站立搖擺、晃動等干擾活動。將航向角余弦差值作為活動識別特征，建立了復雜活動識別所需窗口選擇及時域特征提取依據，提出了基于隨機森林和時域特征的室內活動識別方法。利用該方法、樸素貝葉斯、決策樹、支持向量機和神經網絡開展活動識別試驗，該方法識別13種復雜活動的精度為99.5%以上，所需時間遠少于同等精度的神經網絡方法。研究結果表明，該方法可以快速準確識別室內復雜活動。

(4) 針對行人航位推算抗干擾能力弱和航向估計不準等問題，著重分析了不同活動下傳感器數據的變化情況，提出了不同活動下的步態探測方法、基于隨機森林回歸的步長估計模型以及波形校準航向估計方法，形成了顧及活動識別的改進行人航位推算方法。在211 m走廊內開展兩種活動的行人航位推算試驗，計步準確率為99.6%，步長累積誤差小于2.2 m，航向估計誤差小于6°，閉合誤差小于2.4 m，位置發散率低于1.2%。研究結果表明，所提出的方法抗干擾能力強、航向估計準、定位精度高。

(5) 針對指紋定位更新頻率低、聚類識別易出錯及混合定位結果易產生回跳等問題，提出了基于位置、位移、方向約束和次數閾值的Wi-Fi/PDR混合定位優化方法，通過位置、位移和方向構建多約束條件，結合濾波次數閾值實現協方差矩陣和參數轉移矩陣更新。在211 m走廊內以兩種活動開展混合定位優化試驗，平均定位誤差和均方根誤差分別小于1.6 m和1.4 m；與優化前相比，誤差分別減小了0.9 m和1.9 m，定位精度和穩定性分別提高了36.5%和57.6%，而且定位結果與真實軌跡重合度高，沒有回跳現象。研究結果表明，上述方法具有較高定位性能，可有效提升室內定位系統的定位精度、可用性和穩定性。