LoRa室內定位技術綜述

摘 要：近年來，隨著基于LoRa的物聯網技術的快速發(fā)展，基于LoRa的室內定位需求也隨之增加。文中介紹了LoRa室內定位技術的現狀，分析了幾種常見的室內定位方法。所涉及的定位方法包括基于到達時間（TOA）、到達角度（AOA）和到達時間差（TDOA）的定位方法，以及基于接收信號強度的指紋定位和距離衰減模型定位方法。文中詳細介紹了各種方法的定位原理，并對這些方法進行了對比分析。

關鍵詞：物聯網；LoRa；TSARS；RSSI；室內定位；AOA；TDOA

中圖分類號：TP212.6 文獻標識碼：A 文章編號：2095-1302（2025）06-00-03

DOI：10.16667/j.issn.2095-1302.2025.06.007

0 引 言

隨著物聯網技術的迅速發(fā)展，我們目睹了數字化世界與物理世界的深度融合。從城市基礎設施到智能家居，物聯網正在改變著我們的生活方式和工作方式[1]。物聯網的快速普及也引發(fā)了對于人員、物資等的定位和跟蹤的需求。

室內定位技術主要分為基于2D模型和基于3D模型兩大類。基于3D模型的定位技術利用激光雷達、攝像頭等傳感器獲取室內環(huán)境的三維信息，通過對數據的處理和分析，實現精確定位。而基于2D模型的定位技術通常采用LoRa、藍牙、ZigBee等技術，通過時空屬性或信號強度與定位算法相結合來實現定位。兩類技術相比，后者成本低且易部署，具備更高的商用價值。LoRa作為一種長距離、低功耗、低成本的無線通信技術，相比WiFi、BLE和ZigBee能夠實現更廣泛的覆蓋，更長的使用壽命[2]。目前已有眾多學者提出了各種LoRa定位算法以用于不同的應用場景，可以較好地滿足對各類室內資產、人員等的定位需求[3]。本文介紹了基于LoRa的室內定位技術，將分別介紹基于接收信號時空屬性（TSARS）和基于接收信號強度（RSSI）的LoRa室內定位方法，并重點介紹基于指紋的定位方法，同時對這些方法進行對比分析。

1 LoRa定位技術原理

LoRa協(xié)議是一種基于Chirp Spread Spectrum技術的低功耗長距離無線通信協(xié)議。其最顯著的特點是在相同的功耗條件下，能實現比WiFi、ZigBee等無線方式更遠的傳輸距離。LoRa的工作頻率位于ISM頻段，包括433 Hz、868 Hz、915 MHz[4]，具有長距離傳輸、低功耗、窄帶寬和多連接性等特點，使得LoRa協(xié)議成為物聯網領域中備受矚目的無線通信技術之一。

目前，基于LoRa的室內定位技術主要包括基于接收信號時空屬性（TSARS）和基于接收信號強度（RSSI）兩類方法。其中，基于TSARS的方法包括基于到達時間（TOA）、基于到達角度（AOA）和基于到達時間差（TDOA）的定位方法；基于RSSI的方法則包括基于指紋和基于距離衰減模型的定位方法。LoRa室內定位技術分類如圖1所示。

2 基于接收信號時空屬性的定位技術

2.1 基于TOA的室內定位

TOA技術是一種用于定位的位置感知技術，通過測量信號從發(fā)送源到接收器的傳播時間來確定目標的位置。基于TOA技術的定位需要具備非常精準的時鐘同步，由于電磁信號在大氣環(huán)境中接近于光速傳播，因此1 μs的時間誤差會導致約300 m的距離誤差。在地下車庫中，文獻[5]采用近端基于RSSI測距、遠端基于TOA測距的方法。針對TOA突發(fā)性非視距時延，采用卡爾曼濾波與限幅濾波相結合的方法進行濾除，并通過參數擬合對規(guī)律性的非視距時延進行抑制。經測驗，該方法的平均定位誤差在1 m范圍內。但該技術基于二維坐標，在空間有落差的室內環(huán)境可能難以適用。除了受復雜環(huán)境影響，文獻[6]研究了擴頻因子、斜率、信號帶寬等對TOA的影響，發(fā)現增加帶寬可以減少TOA，而增加擴頻因子會增加TOA。

2.2 基于AOA的室內定位

AOA定位的原理是通過在接收端部署多個天線來測量無線信號的到達角度，結合LoRa技術的信號特性，實現對發(fā)送端的定位。為提升室內AOA定位精度，一般采用多基站、多角度的原則，但這需要在室內布置大量網關，成本較高。文獻[7]創(chuàng)新性地提出了一種基于虛擬天線陣列的LoRa室內定位方法，利用商用LoRa設備實現目標角度估計和單基站定位，克服了LoRa硬件資源的限制，設計的旋轉網關可模擬圓形天線陣列。測試顯示，該系統(tǒng)在室內50 m距離的條件下，信號到達角度估計平均誤差為5.55°。此外，文獻[4]提出了一種使用快速傅里葉變換自相關法測量弱LoRa信號到達角的方法。經測試，該方法能夠在-20 dB的信噪比下進行準確測量，為室內定位提供了一種實時可用的解決方案。

2.3 基于TDOA的室內定位

TDOA定位技術依據信號在不同接收器到達的時間差來確定位置，通過計算時間差，可以推算出設備與接收器的相對位置，從而實現定位。文獻[8]提出了基于TDOA的LoRa室內定位技術，分析了誤差源并優(yōu)化了NLOS影響。應用改進的Kalman濾波和Taylor級數算法提高精度，實驗顯示在1 km2區(qū)域內，83%的定位誤差小于20 m。文獻[9]提出了一種用于LoRa的新型參數化TDOA技術，該方法將節(jié)點定位在雙曲線上，可最大限度減少時間戳缺陷帶來的影響。仿真結果顯示，與經典TDOA技術相比，該技術對高水平漂移具有更強的魯棒性，實現了更低的誤差中值。

3 基于RSSI的LoRa定位技術

3.1 基于指紋的LoRa定位技術

LoRa指紋定位技術主要分為離線指紋數據庫構建和在線定位兩步。這兩步需要充分考慮信號采集、數據處理和定位算法等方面的細節(jié)。

3.1.1 影響指紋定位精度的因素

室內多徑效應是信號經過多個路徑傳播，如反射、折射和散射，導致接收端收到多個信號源，干擾并衰減信號。文獻[10]通過NS-3模擬和實際測試表明，房間和障礙物的特性對LoRa接收信號強度指紋的影響顯著。文獻[11]的研究發(fā)現，多徑條件下擴頻因子（SF）影響明顯，在電磁干擾條件下適用較小的帶寬（BW）和較高的SF。

人體對LoRa信號的傳播會產生影響。對此，文獻[12]深入分析了用戶身體對信號強度RSSI的影響，發(fā)現人體的導電性質、形狀和尺寸、用戶的方向和移動等是導致RSSI變化的主要原因。

LoRa設備之間也存在相互干擾，特別是在人員密集的室內環(huán)境中，干擾更加顯著。文獻[13]的研究發(fā)現，當LoRa系統(tǒng)的頻段與其他系統(tǒng)重疊時，干擾會導致包到達率下降，并且對系統(tǒng)的信噪比產生一定影響。

3.1.2 指紋數據采集與處理

指紋數據采集是指紋定位的第一階段，通過部署信標或網關，設定參考節(jié)點，測量信號強度并記錄位置信息，可以建立室內環(huán)境中不同位置的信號強度分布圖。采集后的指紋需進行預處理便于后續(xù)進行精確定位。預處理的主要目的在于優(yōu)化指紋數據庫，通過對數據進行過濾和聚類，消除無效和冗余的信息，提高定位系統(tǒng)的運行效率和定位準確性。

文獻[14]融合密度峰值聚類（DPC）和K均值算法，提高了聚類自適應性，增強了定位穩(wěn)定性，且無需人工選取參數，避免了因人工經驗不足對結果產生影響。文獻[3]創(chuàng)建了一種異常指紋值（RSSI-RANGE），他們對指紋數據進行濾波預處理，并采用粒子群優(yōu)化算法對隨機森林算法的超參數進行優(yōu)化，以獲取最佳的RSSI-RANGE值。實驗結果顯示，該算法在不同場景下將定位精度提高了58%～63%，驗證了其在實際應用中的可行性和有效性。此外，文獻[15]提出了一種無源定位系統(tǒng)，采用差分限制濾波和GaussianNB算法進行數據處理和模型訓練。通過實驗，兩類和多類預測在3 m范圍內的準確率分別為97.1%和95.5%。

3.1.3 基于指紋的定位算法

（1）最近鄰匹配算法

KNN算法是一種基本的機器學習算法，通過比較待定位點與數據庫中已知位置的指紋數據，選出最相似的K個鄰居，并根據這些鄰居的位置來確定待定位點的預測位置。文獻[2]在有源定位基礎上，提出改進的KNN算法，通過下采樣降低計算量并采用標定數據迭代優(yōu)化K值。經測試，在1.5 m精度下，準確率達到了97.2%。該算法在一定程度上解決了參數調整困難的問題，但精度有待進一步提高。

加權最近鄰（WKNN）算法是KNN算法的一種擴展形式。該算法除了考慮K個最近鄰居之外，還根據它們之間的距離或其他權重信息來賦予它們不同的權重。文獻[15]提出了一種基于融合聚類指紋庫的WKNN匹配算法，該算法將待測點與周圍指紋點的相似度作為匹配的加權系數。經驗證，相比傳統(tǒng)的KNN和WKNN算法，該方法在匹配精度和穩(wěn)定性方面都有所提升。此外，文獻[16]提出了一種融合WKNN和XGBoost的室內定位算法，并通過遺傳算法優(yōu)化參數。實驗顯示，該方法平均定位誤差為1.22 m。雖然該算法基于WiFi實現，但經過適當改進，可推廣到LoRa系統(tǒng)中。WKNN算法的優(yōu)化集中在對加權指數參數的動態(tài)選擇上，使算法能夠更靈活地適應不同環(huán)境和數據特征，提高定位準確性和穩(wěn)定性。

（2）概率模型匹配算法

概率模型匹配算法最早由谷歌提出，其利用已知位置的指紋數據建立概率模型，來描述不同位置的信號強度分布，并根據待定位位置接收到的信號強度計算每個可能位置的概率。該算法主要有最大似然估計、貝葉斯網絡等。

文獻[17]提出了一種新的RSS邊界自相關性定位估計（BAE）算法，以克服傳統(tǒng)最大似然估計（MLE）的缺點。實驗結果表明，該方法在室內環(huán)境中實現了亞10 m定位精度。針對類似問題的解決，文獻[3]結合貝葉斯和三邊定位算法，通過加權距離來獲得更加準確的定位結果。文獻[15]利用高斯NB（Gaussian-Na?ve Bayes）算法進行模型學習和訓練。經過實驗，該算法的位置預測準確率遠大于SVM算法，在實際應用中更具優(yōu)勢。

（3）深度學習匹配算法

深度學習匹配算法是一種高效的室內定位方法，它利用深度神經網絡對信號強度指紋數據進行建模和匹配。這種方法通過從大量數據中學習，能夠有效處理復雜信號環(huán)境和多變位置情況，從而顯著提升定位的準確性和可靠性。

文獻[12]開發(fā)了一種基于多層感知器（MLP）神經網絡的定位算法，實驗結果顯示其定位準確率不低于98%，精度小于1 m，展現了MLP神經網絡在處理此類問題上的強大能力。此外，文獻[18]提出的DeepFi-LoRaIn技術結合LoRa與深度學習方法，利用RSS值的變化作為室內環(huán)境的特征，能夠有效應對室內環(huán)境變化對定位準確性的影響。該技術在不同位置測試中的預測準確率達到100%。這些研究證明了深度學習在室內定位過程中的優(yōu)越性和巨大潛力。

3.2 基于RSSI距離衰減模型的定位技術

基于RSSI距離衰減模型的定位技術利用接收信號強度作為無線通信鏈路質量的指標。目標節(jié)點通過計算接收到的RSSI值，并應用RSSI距離衰減模型，推斷與參考節(jié)點的距離。

文獻[19]提出了將LoRaWAN和RNN相結合的室內定位系統(tǒng)，使用不同的學習率和隱藏神經元數量，評估其在LOS和NLOS環(huán)境下的定位性能。結果表明，在LOS環(huán)境下系統(tǒng)誤差最小為0.12 m，準確率為99.52%；在NLOS環(huán)境下系統(tǒng)誤差為13.94 m，準確率為44.24%。此外，文獻[20]利用卷積神經網絡（CNN）對RSSI距離矩陣進行去噪，經模擬測驗，結果顯示該方法在定位精度方面優(yōu)于傳統(tǒng)方法。CNN算法在這項研究中展現出的平移不變性，類似于指紋的時間依賴性，因此它可以被用來有效捕捉數據中的時間相關性進行建模。

4 結 語

本文介紹并分析了現有的LoRa室內定位技術，包括基于接收信號時空屬性和基于接收信號強度兩類方法，重點探究了LoRa室內指紋定位技術的具體步驟和關鍵技術，并對定位匹配階段采用的方法進行了分類。最近鄰匹配算法實現簡單，但對復雜環(huán)境和噪聲處理效果有限；概率模型匹配考慮了更廣泛的信號強度分布情況，提高了準確性和穩(wěn)定性；深度學習匹配算法適用于更復雜的信號環(huán)境和位置情況，具有較高的精度和適應性，是未來發(fā)展的主要方向。隨著技術的不斷進步和應用場景的不斷擴展，LoRa室內定位精度將進一步提高，并有望在更多場景下得到實際部署。

參考文獻

[1] KIM K， LI S， HEYDARIAAN M， et al. Feasibility of LoRa for smart home indoor localization [J]. Applied sciences， 2021， 11（1）： 415.

[2]田瑞. 基于LoRa的室內定位技術研究及其應用[D].南京：南京航空航天大學，2021.

[3] CHEN H， YANG J， HAO Z， et al. Research on indoor positioning method based on LoRa-improved fingerprint localization algorithm [J].Scientific reports， 2023， 13（1）： 13981.

[4] ZEAITER H， SPIES F， BAALA O， et al. Measuring accurate angle of arrival of weak LoRa signals for indoor positionning [C]// 2022 IEEE 12th International Conference on Indoor Positioning and Indoor Navigation （IPIN）. [S.l.]： IEEE， 2022： 1-8.

[5]莊凱凱.基于LoRa的地下停車場車輛定位系統(tǒng)設計[D].南寧：廣西民族大學，2019.

[6] LOPEZ V， KAUSHAL H， PRODANOFF Z， et al. Evaluation of communication delays in LoRaWAN networks for indoor emergency scenarios [J]. Journal of communications technology and electronics， 2021， 66（z2）： 149-158.

[7]胡康.基于LoRa的室內外融合定位研究[D].杭州：浙江大學，2022.

[8]沈文武. 基于LoRa的室內定位系統(tǒng)設計與實現[D].南京：東南大學，2018.

[9] GHANY A A， UGUEN B， LEMUR D. A parametric TDOA technique in the IoT localization context [C]// 2019 16th Workshop on Positioning， Navigation and Communications （WPNC）. [S.l.]： IEEE， 2019： 1-6.

[10] ALI I T， MUIS A， SARI R F. Performance evaluation of RSS fingerprinting for indoor location using LoRa [J]. International journal of simulation systems， science amp; technology， 2019， 20（5）.

[11] STANIEC K， KOWAL M. LoRa performance under variable interference and heavy-multipath conditions [J]. Wireless communications and mobile computing， 2018： 1-9.

[12] MAMUN M A A， ANAYA D V， WU F， et al. Landmark-assisted compensation of user’s body shadowing on RSSI for improved indoor localisation with chest-mounted wearable device [J]. Sensors， 2021， 21（16）： 5405.

[13] OKUDA S， OHNO K. Influence of interference among LoRa systems under indoor environments [C]// 2019 Eleventh International Conference on Ubiquitous and Future Networks （ICUFN）. [S.l.]： IEEE， 2019： 16-20.

[14]王耀舉.基于融合聚類的室內指紋定位算法研究[D].成都：電子科技大學，2023.

[15] WANG H， CHEN Y， ZHANG Q， et al. Research on Indoor Passive Location Based on LoRa Fingerprint [C]// International Conference on Machine Learning and Intelligent Communications. Cham： Springer International Publishing， 2021： 38-47.

[16] LU H， ZHANG L， CHEN H， et al. An indoor fingerprint positioning algorithm based on WKNN and improved XGBoost [J]. Sensors， 2023， 23（8）： 3952.

[17] ZHU H， TSANG K F， LIU Y， et al. Extreme RSS based indoor localization for LoRaWAN with boundary autocorrelation [J]. IEEE transactions on industrial informatics， 2020， 17（7）： 4458-4468.

[18] ALI I T， MUIS A， SARI R F. A deep learning model implementation based on rssi fingerprinting for LoRa-based indoor localization [J]. EUREKA： physics and engineering， 2021（1）： 40-59.

[19] INGABIRE W， LARIJANI H， GIBSON R M， et al. Lorawan based indoor localization using random neural networks [J]. Information， 2022， 13（6）： 303.

[20] NJIMA W， CHAFII M， NIMR A， et al. Convolutional neural networks based denoising for indoor localization [C]// 2021 IEEE 93rd Vehicular Technology Conference （VTC2021-Spring）. [S.l.]： IEEE， 2021： 1-6.

作者簡介：阮華江（2000—），男，浙江紹興人，在讀碩士研究生，研究方向為無線通信。

收稿日期：2024-04-18 修回日期：2024-05-23

基金項目：浙江省基礎公益基金資助項目（LGF22F010006）