基于Wi-Fi/PDR的室內(nèi)融合定位算法研究

摘" 要：伴隨著室外定位系統(tǒng)的成熟，人們對(duì)室內(nèi)定位的需求逐漸增大，然而，面對(duì)復(fù)雜的室內(nèi)定位環(huán)境，單一室內(nèi)定位技術(shù)無法實(shí)現(xiàn)高精度的定位。Wi-Fi定位技術(shù)和PDR定位技術(shù)是常用的室內(nèi)定位技術(shù)，其中PDR定位技術(shù)存在累計(jì)誤差，定位穩(wěn)定性較差，無法長時(shí)間單獨(dú)使用，Wi-Fi定位技術(shù)易受到室內(nèi)復(fù)雜環(huán)境影響。為了減小PDR和Wi-Fi定位技術(shù)的誤差，得到更精確的定位結(jié)果，針對(duì)兩種定位技術(shù)的優(yōu)點(diǎn)與局限性，文章提出了兩種融合算法：加權(quán)融合定位算法、基于擴(kuò)展卡爾曼濾波的融合定位算法。融合算法減小了累計(jì)誤差對(duì)PDR定位結(jié)果的影響，同時(shí)提高了Wi-Fi定位的精度。實(shí)驗(yàn)結(jié)果表明，文章提出的算法相比單一定位技術(shù)和加權(quán)融合定位算法，有更好的定位精度和穩(wěn)定性。

關(guān)鍵詞：室內(nèi)定位；Wi-Fi指紋定位；PDR定位；融合定位

中圖分類號(hào)：TN953；TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）04-0015-07

Research on Indoor Fusion Positioning Algorithm Based on Wi-Fi/PDR

WU Zhigao1，2， HUANG Kangni1，2， LONG Keliu1，2

（1.School of Information Engineering， Jiangxi University of Science and Technology， Ganzhou" 341000， China; 2.Jiangxi Province Key Laboratory of Multidimensional Intelligent Perception and Control， Ganzhou" 341000， China）

Abstract： With the maturation of outdoor positioning systems， the demand for indoor positioning has gradually increased. However， facing the complex indoor positioning environments， no single indoor positioning technology can achieve high-precision positioning. Wi-Fi and Pedestrian Dead Reckoning （PDR） positioning technologies are commonly used indoor positioning technologies. And PDR suffers from cumulative errors and poor stability， making it unsuitable for long-term standalone use， while Wi-Fi positioning technology is easily affected by the complex indoor environments. To reduce the errors associated with PDR and Wi-Fi positioning technologies and obtain more precise positioning results， this paper proposes two fusion algorithms of a weighted fusion positioning algorithm and a fusion positioning algorithm based on the Extended Kalman Filter （EKF）. The fusion algorithms reduce the impact of cumulative errors on PDR positioning results while improving the precision of Wi-Fi positioning. Experimental results show that the proposed algorithm in this paper offers better positioning precision and stability compared to standalone positioning technology and the weighted fusion positioning algorithm.

Keywords： indoor positioning; Wi-Fi fingerprint positioning; PDR positioning; fusion positioning

0" 引" 言

引隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展與普及，人們對(duì)于室內(nèi)位置信息的需求日益增加，推動(dòng)了室內(nèi)定位領(lǐng)域的快速發(fā)展。面對(duì)復(fù)雜的室內(nèi)定位場景，出現(xiàn)了多種室內(nèi)定位技術(shù)，包括：UWB定位、藍(lán)牙定位、紅外線定位、超聲波定位、PDR定位和Wi-Fi定位等[1]。每種室內(nèi)定位技術(shù)都有著各自的優(yōu)勢與局限，單一的定位技術(shù)難以得到精確穩(wěn)定的定位結(jié)果，無法滿足人們對(duì)室內(nèi)定位的需求。因此，目前較為流行的室內(nèi)定位解決方案是進(jìn)行融合定位[2]，通過融合定位的方法，充分利用不同定位技術(shù)的優(yōu)勢，實(shí)現(xiàn)融合后的定位算法擁有更好的定位性能。

PDR[3]是一種使用加速度計(jì)、磁力計(jì)和陀螺儀傳感器等設(shè)備確定人的運(yùn)動(dòng)狀態(tài)的位置估計(jì)技術(shù)。就目前情況而言，PDR設(shè)備價(jià)格低廉，信息易獲取，該技術(shù)不易受環(huán)境影響，可以在短時(shí)間內(nèi)提供較高精度的位置信息[4]。然而，由于設(shè)備在識(shí)別步長、運(yùn)動(dòng)方向時(shí)會(huì)產(chǎn)生一定誤差，導(dǎo)致系統(tǒng)誤差隨時(shí)間推移累計(jì)，從而嚴(yán)重影響定位精度和準(zhǔn)確性。

Wi-Fi定位技術(shù)[5]具有許多優(yōu)勢。首先Wi-Fi熱點(diǎn)分布范圍廣，普及度高，已廣泛應(yīng)用于各種室內(nèi)環(huán)境[2]。Wi-Fi設(shè)備價(jià)格低廉，靈活性高，具有較高的穩(wěn)定性，能夠支持長時(shí)間提供定位服務(wù)。然而，Wi-Fi信號(hào)的傳輸易受到復(fù)雜環(huán)境的影響，在復(fù)雜的室內(nèi)環(huán)境下難以提供高精度定位結(jié)果。

針對(duì)PDR定位技術(shù)和Wi-Fi定位技術(shù)存在的不足，國內(nèi)外研究學(xué)者提出了不同的解決方法。Mehrabian開發(fā)了一種稱為基于權(quán)重的優(yōu)化的新型濾波器來優(yōu)化初始RSSI值，并使用傳感器融合方法將RSSI和PDR方法的結(jié)果相結(jié)合的融合定位法[6]，得到了更精確的定位結(jié)果。韓笑是通過改進(jìn)PDR定位技術(shù)的步長、步數(shù)估計(jì)算法和提出基于RWF算法的Wi-Fi指紋定位技術(shù)，提高了單一定位技術(shù)的定位性能，并提出了基于無損卡爾曼濾波的Wi-Fi/PDR融合定位算法[7]，融合后的定位算法其定位性能優(yōu)于單一定位算法。郝森鑫提出了一種KNN+SVM的組合算法[8]，該算法能夠有效地減少Wi-Fi指紋庫中RSS干擾的奇異點(diǎn)，提高了Wi-Fi室內(nèi)定位精度。同時(shí)，提出了基于擴(kuò)展卡爾曼濾波的INS/PDR融合算法。但該研究者只研究了二維空間的目標(biāo)點(diǎn)定位，在實(shí)際生活中，多數(shù)情況都需要進(jìn)行三維空間內(nèi)的定位。Chen提出了一種基于PDR、磁匹配（MM）和Wi-Fi的室內(nèi)多元融合定位方法[9]，該方法提出了一種增強(qiáng)動(dòng)態(tài)時(shí)間扭曲（EDTW）技術(shù)來計(jì)算磁指紋之間的距離，并通過擴(kuò)展卡爾曼濾波對(duì)多源定位信息進(jìn)行融合。該算法能夠提供較為精確的定位結(jié)果，具有一定優(yōu)越性，然而該方法易受環(huán)境影響，缺乏一定穩(wěn)定性。Liu等人提出一種由多個(gè)擴(kuò)展卡爾曼濾波（EKF）組成的自適應(yīng)濾波系統(tǒng)和一種新的異常值檢測方法[10]，設(shè)計(jì)了基于聯(lián)邦濾波器（FF）的融合算法，將Wi-Fi RTT與PDR進(jìn)行融合，與經(jīng)典的基于EKF的融合方法相比，該方法的平均定位誤差降低明顯。綜上所述，目前的室內(nèi)定位融合方向，都傾向于首先對(duì)于單一種定位技術(shù)進(jìn)行算法優(yōu)化，通過提高單一定位技術(shù)的精確度和魯棒性，進(jìn)而根據(jù)不同的定位技術(shù)的優(yōu)點(diǎn)和缺點(diǎn)，通過室內(nèi)定位融合手段，對(duì)多種定位手段進(jìn)行互補(bǔ)，以建立高精準(zhǔn)度、高魯棒性的定位系統(tǒng)。

在經(jīng)典的室內(nèi)定位中，PDR定位技術(shù)定位誤差會(huì)隨著時(shí)間的推移而累積，不適合長時(shí)間單獨(dú)使用，Wi-Fi定位易受復(fù)雜環(huán)境影響，定位精度降低。為解決以上問題，本文提出一種Wi-Fi/PDR融合定位算法。首先通過Wi-Fi指紋識(shí)別得到Wi-Fi定位坐標(biāo)，使用PDR技術(shù)獲得PDR定位結(jié)果，隨后分別使用加權(quán)和EKF的方式對(duì)得到的兩種定位結(jié)果進(jìn)行融合。其中，EKF融合方式的效果更好。該方法充分利用了兩種不同定位技術(shù)的優(yōu)點(diǎn)，以獲得高精度的定位結(jié)果。

1" Wi-Fi指紋定位

Wi-Fi指紋定位的原理主要是利用RSSI值會(huì)隨著傳播距離的變長，RSSI值也會(huì)隨之發(fā)生變化，根據(jù)在不同位置的RSSI值的不同作為環(huán)境的特征，將RSSI與室內(nèi)環(huán)境中的各個(gè)位置映射匹配，實(shí)現(xiàn)對(duì)用戶的定位[11]。基于位置指紋的方法的定位過程主要分為兩大階段：離線構(gòu)建指紋數(shù)據(jù)庫階段、在線匹配定位階段。

1.1" 離線構(gòu)建指紋數(shù)據(jù)庫階段

在離線構(gòu)建指紋數(shù)據(jù)庫階段，首先將室內(nèi)環(huán)境以一定間隔分成多個(gè)區(qū)域，以該區(qū)域的中心點(diǎn)為指紋參考點(diǎn)，用戶在不同的指紋參考點(diǎn)對(duì)各個(gè)AP熱點(diǎn)發(fā)生的RSSI值進(jìn)行采集記錄，將RSSI數(shù)據(jù)和對(duì)應(yīng)的指紋參考點(diǎn)的位置坐標(biāo)進(jìn)行保存，構(gòu)建離線指紋數(shù)據(jù)庫，原理如圖1所示。

1.2" 在線匹配定位階段

在在線匹配定位階段，用戶持設(shè)備在室內(nèi)環(huán)境中實(shí)時(shí)采集RSSI的值，將采集到的RSSI值利用預(yù)定設(shè)置好的指紋匹配算法，一一對(duì)比離線指紋數(shù)據(jù)庫中的RSSI值，尋找出與用戶相似程度最高的Wi-Fi指紋，實(shí)現(xiàn)用戶的估計(jì)位置，原理如圖2所示。

本文中Wi-Fi指紋定位采用的指紋匹配算法為加權(quán)K近鄰（Weighted K-Nearest Neighbor， WKNN）算法[12]。該算法的基本原理為：計(jì)算用戶接收到的RSSI值與離線指紋數(shù)據(jù)庫中各Wi-Fi指紋點(diǎn)之間的RSSI的歐式距離Di，比較這些歐氏距離，并選取出k個(gè)歐氏距離最小的Wi-Fi指紋點(diǎn)，通過加權(quán)平均的方式來計(jì)算用戶的估計(jì)定位坐標(biāo)。具體的計(jì)算過程為：

假設(shè)在室內(nèi)環(huán)境中共有n個(gè)AP熱點(diǎn)，設(shè)置了M個(gè)參考點(diǎn)。歐式距離的計(jì)算式（1）如下：

（1）

其中，RSSIk表示用戶接收到的第k個(gè)AP熱點(diǎn)的RSSI值，表示離線指紋數(shù)據(jù)庫中第i個(gè)Wi-Fi指紋點(diǎn)接收到的第k個(gè)AP熱點(diǎn)的RSSI值。當(dāng)Di取最小值時(shí)，即用戶與Wi-Fi指紋點(diǎn)的歐氏距離最小，此時(shí)該Wi-Fi指紋點(diǎn)的位置坐標(biāo)作為用戶的估計(jì)定位坐標(biāo)。

隨后加權(quán)平均來計(jì)算用戶的估計(jì)定位坐標(biāo)：

（2）

其中，表示加權(quán)因子，一般為歐氏距離的倒數(shù)，由取出來的k個(gè)最小的歐式Wi-Fi指紋點(diǎn)來計(jì)算：

（3）

其中，表示k個(gè)選取出來的Wi-Fi指紋點(diǎn)里，第i個(gè)Wi-Fi指紋點(diǎn)對(duì)應(yīng)的權(quán)重系數(shù)。

2" PDR定位

步行者航位推算[13]（Pedestrian Dead Reckoning， PDR）是通過利用設(shè)備內(nèi)置的慣性測量單元，例如：加速度儀、陀螺儀和磁力計(jì)等，獲取用戶在行走過程中的加速度、角速度等行人的運(yùn)動(dòng)特征數(shù)據(jù)，通過這些得到的運(yùn)動(dòng)特征數(shù)據(jù)，對(duì)行人的行走步長、步頻和航向角進(jìn)行推算，以此來推算出行人的行走軌跡、位置等信息。PDR定位的原理圖如圖3所示。

PDR定位需要初始條件，在已知初始位置坐標(biāo) 條件下，可以利用下式（4），對(duì)行人的位置進(jìn)行計(jì)算：

（4）

其中，dk表示行人運(yùn)動(dòng)第k步的步長大小，θn表示行人運(yùn)動(dòng)第k步的航向角大小，（Ek ， Nk）表示行人運(yùn)動(dòng)k步后的最終位置坐標(biāo)。

綜上所述，可知PDR定位的精度主要受行人步長、步頻和航向角這三大因素影響。因此，準(zhǔn)確的推算出行人的步長、步頻和航向角十分重要。

3" 融合定位算法

3.1" 加權(quán)融合定位算法

加權(quán)融合是將不同定位技術(shù)進(jìn)行融合的一種較為簡單的方法，通過分析不同定位技術(shù)的定位性能，根據(jù)定位性能的優(yōu)劣，給予合適的權(quán)重占比，實(shí)現(xiàn)對(duì)定位算法的融合，融合公式如式（5）所示。針對(duì)Wi-Fi定位和PDR定位兩者的優(yōu)點(diǎn)與局限性，本小節(jié)采取加權(quán)融合的方法對(duì)兩種定位技術(shù)進(jìn)行融合。

（5）

其中，W表示PDR定位技術(shù)的權(quán)重大小，和表示行人運(yùn)動(dòng)第i步時(shí)PDR定位的定位結(jié)果，和表示行人運(yùn)動(dòng)時(shí)第i步時(shí)，和表示加權(quán)融合定位算法的定位結(jié)果。

加權(quán)融合定位算法的具體實(shí)現(xiàn)過程如圖4所示，行人在靜止?fàn)顟B(tài)時(shí)，先進(jìn)行Wi-Fi定位，當(dāng)行人開始運(yùn)動(dòng)，以Wi-Fi定位的定位結(jié)果作為PDR定位的初始位置，分別進(jìn)行Wi-Fi定位和PDR定位，得到兩種定位技術(shù)的定位結(jié)果，根據(jù)不同定位技術(shù)的定位性能表現(xiàn)，給定合適的權(quán)重大小，使用融合式（5）進(jìn)行融合。

本文加權(quán)融合算法對(duì)兩種定位技術(shù)權(quán)重的選擇：當(dāng)行人運(yùn)動(dòng)步數(shù)小于10時(shí)，此時(shí)行人剛開始運(yùn)動(dòng)，PDR定位的精度相對(duì)于Wi-Fi定位精度更高，因此PDR定位的權(quán)重設(shè)置為0.7。當(dāng)行人的運(yùn)動(dòng)步數(shù)大于10時(shí)，PDR定位的累計(jì)誤差增大，定位精度下降，因此降低PDR定位的權(quán)重為0.3。

3.2" 基于擴(kuò)展卡爾曼濾波的融合定位算法

擴(kuò)展卡爾曼濾波[14]主要用于解決非線性系統(tǒng)的狀態(tài)估計(jì)問題。PDR定位技術(shù)的定位過程為非線性過程，不易受室內(nèi)環(huán)境影響，但是存在累計(jì)誤差，定位穩(wěn)定性較差，無法長時(shí)間單獨(dú)使用。Wi-Fi定位技術(shù)易受到室內(nèi)環(huán)境影響，但不存在累計(jì)誤差，在長時(shí)間的定位使用中，能保持穩(wěn)定的定位精度。

結(jié)合兩種定位技術(shù)的優(yōu)點(diǎn)和局限性，本文采用擴(kuò)展卡爾曼濾波對(duì)兩種定位技術(shù)進(jìn)行融合，以Wi-Fi定位技術(shù)的定位結(jié)果為觀測值，PDR定位技術(shù)的定位結(jié)果為狀態(tài)估計(jì)值，構(gòu)造定位系統(tǒng)，實(shí)現(xiàn)對(duì)兩種定位技術(shù)的融合。

定位系統(tǒng)的狀態(tài)向量和觀測向量為：

（6）

其中，xk和yk表示預(yù)測的第k步的位置坐標(biāo)，表示預(yù)測的第k步的行人航向角，和表示在k時(shí)刻Wi-Fi指紋定位的定位坐標(biāo)。

系統(tǒng)的狀態(tài)方程為：

（7）

觀測方程為：

（8）

其中，W表示系統(tǒng)狀態(tài)方程的高斯白噪聲向量，V表示系統(tǒng)觀測方程的高斯白噪聲向量，且兩者相互獨(dú)立；xk-1和yk-1表示在k-1時(shí)刻得到的融合定位的定位坐標(biāo)，sk-1表示在k-1時(shí)刻得到的步長，表示在k-1時(shí)刻得到的行人航向角，表示行人航向角的預(yù)計(jì)增量。對(duì)非線性部分進(jìn)行泰勒展開，可得狀態(tài)轉(zhuǎn)移矩陣Ak為：

（9）

觀測矩陣Hk為：

（10）

初始協(xié)方差矩陣P1為：

（11）

系統(tǒng)過程協(xié)方差噪聲矩陣Q和觀測噪聲協(xié)方差矩陣R為：

（12）

（13）

其中，和分別表示PDR定位的在X軸和Y軸上的定位方差，表示航向角的方差，和表示W(wǎng)i-Fi指紋定位在X軸和Y軸上的定位方差。

以上初始條件的全部設(shè)置完成之后，進(jìn)行迭代計(jì)算，就可得到基于擴(kuò)展卡爾曼濾波的融合定位算法的定位結(jié)果。EKF融合定位算法具體實(shí)現(xiàn)過程如圖5所示。

4" 算法驗(yàn)證與分析

為了驗(yàn)證本文提出的EKF融合定位算法的定位性能，本文以MATLAB軟件為實(shí)驗(yàn)平臺(tái)，對(duì)本文所提出EKF融合定位進(jìn)行實(shí)驗(yàn)，將其與Wi-Fi指紋定位技術(shù)、PDR定位技術(shù)進(jìn)行對(duì)比，通過實(shí)驗(yàn)結(jié)果分析，驗(yàn)證EKF融合定位算法的定位性能。AP位置分布如圖6所示。

4.1" 模擬實(shí)驗(yàn)環(huán)境

AP熱點(diǎn)的RSSI值發(fā)生用對(duì)數(shù)距離路徑損耗模型來進(jìn)行模擬，如式（14）所示。其中，對(duì)數(shù)距離路徑損耗模型的路徑衰減系數(shù)大小設(shè)置為3，并加上標(biāo)準(zhǔn)差為7 dB的正態(tài)隨機(jī)數(shù)為測量隨機(jī)誤差。

（14）

其中，p（d）表示當(dāng)用戶與AP熱點(diǎn)間隔為d米時(shí)用戶接收到的信號(hào)強(qiáng)度大小，p（d0）表示設(shè)立的參考點(diǎn)與AP熱點(diǎn)之間的距離為d0時(shí)參考點(diǎn)處接收到的信號(hào)強(qiáng)度大小，表示路徑衰減系數(shù)，X表示環(huán)境噪聲因子。

同時(shí)模擬了兩條行人軌跡，如圖7和如圖8所示。兩條行人軌跡的步長數(shù)據(jù)利用MATLAB軟件的函數(shù)rand（）生成，考慮實(shí)際行人的運(yùn)動(dòng)步長，決定用函數(shù)rand（）生成在0.5～0.7 m范圍內(nèi)的隨機(jī)步長，行人航向角數(shù)據(jù)根據(jù)模擬的行人軌跡進(jìn)行設(shè)置。本次實(shí)驗(yàn)中，PDR定位所需的定位數(shù)據(jù)，在已有的兩種行人軌跡的步長和航向角數(shù)據(jù)基礎(chǔ)上，利用MATLAB軟件的函數(shù)normrnd（）添加均值為0.1 m，標(biāo)準(zhǔn)差為0.1的步長噪聲，添加均值為0.1 ，標(biāo)準(zhǔn)差為0.1的航向角噪聲，模擬PDR定位過程中存在的誤差。

4.2" 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于EKF的融合定位算法的定位性能表現(xiàn)，將其定位表現(xiàn)分別與加權(quán)融合定位算法、Wi-Fi指紋定位和PDR定位進(jìn)行對(duì)比分析。本次實(shí)驗(yàn)使用四種定位技術(shù)進(jìn)行定位，記錄不同定位技術(shù)得到的定位結(jié)果，并對(duì)四種定位技術(shù)的平均定位誤差進(jìn)行統(tǒng)計(jì)分析。圖9和圖10為四種定位技術(shù)的兩種行人軌跡的對(duì)比圖。

分析如下：

1）PDR定位在行人剛開始運(yùn)動(dòng)時(shí)，定位精度較高，但是隨著步數(shù)的增加，誤差不斷累積，定位軌跡逐漸飄移。

2）Wi-Fi定位在對(duì)行人的運(yùn)動(dòng)全程定位中，定位軌跡相較于PDR定位更貼近于真實(shí)軌跡，定位精度較為穩(wěn)定，但存在個(gè)別定位跳變點(diǎn)，定位軌跡不平滑。

3）加權(quán)融合定位算法采取了加權(quán)策略將Wi-Fi定位結(jié)果和PDR定位結(jié)果融合起來，減少了定位軌跡的跳變點(diǎn)，定位軌跡更貼近于真實(shí)軌跡，但是由于權(quán)重的選擇是固定的，導(dǎo)致了加權(quán)融合定位算法雖然在一定程度上提高了定位精度，但是其定位的穩(wěn)定性較差，定位效果不可控。

4）EKF融合定位算法能夠充分利用Wi-Fi定位和PDR定位的信息，在不同的定位場景下保持較好的定位精度和穩(wěn)定性。其定位軌跡相對(duì)于Wi-Fi定位和加權(quán)融合定位的軌跡，更加平滑，總體定位效果也最貼近真實(shí)軌跡，EKF融合定位算法的定位整體表現(xiàn)要優(yōu)于其他三種定位技術(shù)。

由表1和表2可知，在對(duì)兩種行人軌跡的定位中，本文提出的EKF融合定位算法的平均定位誤差均為最小，加權(quán)融合定位算法次之，PDR定位的平均定位誤差最大，說明在整個(gè)定位過程中，本文提出的EKF融合定位算法的整體定位效果要優(yōu)于其他三種定位技術(shù)。

圖11為四種定位技術(shù)的CDF圖，從圖中可以看出，EKF融合算法在誤差較小的范圍內(nèi)CDF曲線上升快，相比之下，Wi-Fi定位算法和加權(quán)融合算法的CDF曲線上升也很快，但其累積概率略低于EKF融合算法，表明EKF融合算法的定位精度優(yōu)于其他三種定位技術(shù)。

綜上所述，說明了本文提出的EKF融合定位算法，相較于PDR定位技術(shù)和Wi-Fi定位技術(shù)，定位精度提升明顯，有著良好的定位性能，實(shí)現(xiàn)了融合后的融合定位算法擁有著比單一定位技術(shù)有著更好的定位性能。相較于加權(quán)融合定位算法，雖然定位精度提升不明顯，但是在長時(shí)間的定位場景下，由于加權(quán)融合定位的權(quán)重為固定值，因此隨著PDR定位的定位誤差增加，加權(quán)融合定位算法的定位誤差也會(huì)隨之受到影響，而EKF融合算法能保持較好的定位穩(wěn)定性，整體的定位精度更穩(wěn)定。

5" 結(jié)" 論

本文提出的基于EKF的融合定位算法，結(jié)合Wi-Fi指紋定位和PDR定位的優(yōu)勢，基于EKF對(duì)兩種定位技術(shù)進(jìn)行融合定位。通過實(shí)驗(yàn)表明，基于EKF的融合定位，從定位精度到定位的穩(wěn)定性上，其定位表現(xiàn)都優(yōu)于加權(quán)融合算法、Wi-Fi指紋定位和PDR定位技術(shù)。后續(xù)工作將考慮如何準(zhǔn)確地獲取行人的初始位置，減少初始位置不準(zhǔn)確導(dǎo)致的定位誤差。

參考文獻(xiàn)：

[1] 閆大禹，宋偉，王旭丹，等.國內(nèi)室內(nèi)定位技術(shù)發(fā)展現(xiàn)狀綜述 [J].導(dǎo)航定位學(xué)報(bào)，2019，7（4）：5-12.

[2] LIU F，LIU J，YIN Y Q，et al. Survey on WiFi-based Indoor Positioning Techniques [J].IET Communications，2020，14（9）：1372-1383.

[3] KONG X T，WU C，YOU Y，et al. Hybrid Indoor Positioning Method of BLE and PDR Based on Adaptive Feedback EKF With Low BLE Deployment Density [J].IEEE Transactions on Instrumentation and Measurement，2023，72：1-12.

[4] SUN M，WANG Y，XU S J，et al. Indoor Positioning Tightly Coupled Wi-Fi FTM Ranging and PDR Based on the Extended Kalman Filter for Smartphones [J].IEEE Access，2020，8：49671-49684.

[5] 席志紅，占?jí)羝?基于位置范圍限定的WiFi-KNN室內(nèi)定位算法 [J].應(yīng)用科技，2020，47（4）：66-70.

[6] MEHRABIAN H，RAVANMEHR R. Sensor Fusion for Indoor Positioning System Through Improved RSSI and PDR Methods [J].Future Generation Computer Systems，2023，138：254-269.

[7] 韓笑.基于Wi-Fi/PDR融合的室內(nèi)定位算法研究 [D].北京：北京工業(yè)大學(xué)，2018.

[8] 郝森鑫.基于WI-FI/PDR融合的室內(nèi)定位技術(shù)研究 [D].成都：西華大學(xué)，2020.

[9] CHEN J，SONG S，YU H P. An Indoor Multi-source Fusion Positioning Approach Based on PDR/MM/WiFi [J].AEU-International Journal of Electronics and Communications，2021，135：153733.

[10] LIU X，ZHOU B D，HUANG P P，et al. Kalman Filter-based Data Fusion of Wi-Fi RTT and PDR for Indoor Localization [J].IEEE Sensors Journal，2021，21（6）：8479-8490.

[11] HOU B N，WANG Y CH. Positioning by Floors Based on WiFi Fingerprint [J].Measurement Science and Technology，2024，35（4）：045003.

[12] CHEN G K，GUO X Y，LIU K，et al. RWKNN： A Modified WKNN Algorithm Specific for the Indoor Localization Problem [J].IEEE Sensors Journal，2022，22（7）：7258-7266.

[13] 艾青，楊俊杰，蔣偉，等.改進(jìn)PDR與RSSI融合的室內(nèi)定位方法 [J].傳感器與微系統(tǒng)，2023，42（12）：75-78+82.

[14] FENG D Q，WANG C Q，HE C L. Kalman-Filter-based Integration of IMU and UWB for High-accuracy Indoor Positioning and Navigation [J].IEEE Internet of Things Journal，2020（4）：3133-3146.

作者簡介：吳志高（2002.02—），男，漢族，海南澄邁人，本科在讀，研究方向：室內(nèi)定位；黃康妮（2005.04—），女，漢族，江西靖安人，本科在讀，研究方向：室內(nèi)定位；龍克柳（1993.05—），男，土家族，湖北利川人，講師，博士，研究方向：憶阻神經(jīng)網(wǎng)絡(luò)、室內(nèi)定位。

收稿日期：2024-08-04

基金項(xiàng)目：大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練資助項(xiàng)目（202410407040）